(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210984818.6 (22)申请日 2022.08.17 (71)申请人 中国农业大 学 地址 100083 北京市海淀区清华 东路17号 (72)发明人 陈理　董仁杰　周宇光　杨广　 (74)专利代理 机构 北京中安信知识产权代理事 务所(普通 合伙) 11248 专利代理师 李彬　徐林 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/44(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) (54)发明名称 一种基于卷积神经网络的农作物种植信息 提取方法 (57)摘要 本发明属于遥感影像作物种植信息提取领 域， 具体涉及一种基于卷积神经网络并以高分遥 感影像为数据源的农作物种植耕地利用信息的 提取。 本发 明提供一种基于卷积神经网络的农作 物种植信息提取方法， 该方法融合注 意力机制与 残差模块的卷积网络模型、 协同多光谱遥感影像 数据， 对农作物种植信息进行提取， 提高农作物 种植信息提取的效果。 一种基于卷积神经网络的 农作物种植信息提取方法， 包括如下步骤： S1、 构 建经过处理的原始多光谱卫星遥感影像数据集； S2、 数据增强； S3、 构建模型； S4、 设置参数； S5、 获 取模型训练结果； S6、 得到农田种植信息提取结 果。 权利要求书3页 说明书9页 附图1页 CN 115331104 A 2022.11.11 CN 115331104 A 1.一种基于卷积神经网络的农作物种植信息提取方法， 其特征在于： 所述方法包括如 下步骤： S1、 构建经 过处理的原始多光谱卫星遥感影 像数据集： S1.1、 由遥感卫星采集原 始遥感影 像数据， 形成原 始多光谱卫星遥感影 像数据集； 原始多光谱卫星遥感影像数据集中包括农田覆盖区域内的以下三类多光谱遥感影像 数据： 1、 种植作物的农田覆盖区域的多光谱遥感影 像数据； 2、 未种植作物的农田覆盖区域的多光谱遥感影 像数据； 及 3、 其它覆盖区域的多光谱遥感影 像数据； S1.2、 对原 始遥感影 像数据进行 标注 种植作物 的农田覆盖区域标注为像素值255， 未种植作物的农田覆盖区域标注为像素 值200， 其它覆盖类型区域标注为像素值0； S1.3、 将原始多光谱卫星遥感影像数据集中的原始多光谱遥感影像数据进行裁剪， 裁 剪后图像的像素 大小为25 6×256； S1.4、 将裁剪后的原始多光谱卫星遥感影像数据 集按照8:1:1的比例划分训练集、 验证 集与测试集， 得到经 过处理的原始多光谱卫星遥感影 像数据集； S2、 数据增强： 对步骤S1构建的经过处理的原始多光谱遥感影像数据集进行增强， 使多光谱卫星遥感 影像数据集数据图片数量扩展为原有的4倍， 得到包括种植作物的农田覆盖区域、 未种植作 物的农田覆盖区域、 和其它类型覆盖区域的农作物种植信息数据集； S3、 构建模型： 以U‑Net模型结构为基础框架， 融合注意力机制与残差模块构建URSE ‑Net卷积神经网 络模型； URSE‑Net卷积神经网络模型由编码器、 中间层和解码器三部分构成； 在编码器部分， 使 用改进后的残差模块对遥感影像数据进行信息提取； 在中间层， 使用两种通道注意力机制 SE和ECA； 在解码器部分， 每一层使用一次 “卷积‑批标准化‑激活”操作； 步骤S3.1、 融合完全预激活残差模块的编码器 使用将批标准化与激活操作放于卷积操作之前的完全预激活残差模块进行主干网络 的搭建， 完全预激活残差模块的结构为： 批标准 化层、 激活层、 3 ×3卷积层； 在完全预激活残差模块处理过程中， 特征图的通道数始终保持一致， 如公式1所示计算 方法， 经过主干网络提取后， 得到4个特征图， 按照得到的先后顺序依次为编码器第一特征 图C1、 编码器第二特征图C2、 编码器第三特征图C3、 编码器第四特征图C4， 其尺寸分别为像 素值256×256×64、 128×128×128、 64×64×256、 32×32×512； 公式1中： m为输出特征图的尺寸， 单位为像素； w为输入特征图的尺寸， 单位为像素； f为 过滤器尺寸， 单位 为像素； s为 步长， 单位 为像素； 编码器部分共分为五个模块， 每一模块包含两次残差模块处理和一次卷积操作， 同时 结合最大池化， 实现对原 始图像数据尺寸的压缩和通道数量的增 加；权　利　要　求　书 1/3 页 2 CN 115331104 A 2在第一模块， 输入图片首先经过一次卷积操作， 将通道数量变为64， 然后经过两次残差 模块操作， 得到像素值为256 ×256， 通道数为64的特征图， 将该特征图作为编码器第一特征 图C1， 输出到中间层； 结合最大池化操作将编码器第一特征图C1的长宽变为原来的二分之一， 并以0.25的神 经元丢弃概率输入到第二模块中， 在第二模块中， 特征图经过两次残差操作， 得到像素值为 128×128， 通道数为128的特 征图， 将该 特征图作为编码器第二特 征图C2， 输出到中间层； 结合最大池化将编码器第二特征图C2的长宽变为原来的二分之一， 并以0.5的神经元 丢弃概率输入到第三模块中， 在第三模块中， 特征图经过两次残差操作， 得到像素为64 × 64， 通道数为25 6的特征图， 将该 特征图作为编码器第三特 征图C3， 输出到中间层； 结合最大池化操作将编码器第三特征图C3的长宽变为原来的二分之一， 并以0.5的神 经元丢弃概率输入到第四模块， 在第四模块中， 特征图经过两次残差操作， 得到像素值大小 为32×32， 通道数为512的特 征图， 将该 特征图作为第四特 征图C4， 输出到中间层； 结合最大池化， 将编码器第四特征图C4的长宽变为原来的二分之一， 并以0.5的神经元 丢弃概率输入到第五模块； 在第五模块中， 特征图经过两次残差操作， 得到长宽像素值为 16 ×16， 通道数为1024的编码器第五特 征图， 输出到解码器部分； 步骤S3.2、 使用通道 注意力机制SE模块和E CA模块的中间层部分 对编码器第 一模块得到的编码器第 一特征图C1、 编码器第 二模块得到的编码器第二特 征图C2使用SE模块进行处理； 对编码器第三模块得到的编码器第三特征图C3、 编码器第四 模块得到的编码器第四特 征图C4使用E CA模块进行处 理； 编码器第一特征图C1、 编码器第二特征图C2在输入到SE模块之后， 依次经过全局池化、 全连接操作、 激活操作、 全连接操作、 σ 激活操作， 在此过程中， 其特征图的宽 ×高×通道数， 依次为： 1、 与输入相同； 2、 宽和高均变为1， 通道数保持不变； 3、 宽和高为 1， 通道数变为十六 分之一； 4、 宽和高为 1， 通道数与输入保持一致； 将σ 激活操作后的输出与输入相乘得到与输 入特征图尺寸及通道数一 致的输出 特征图， 将该 特征图输出到解码器部分； 编码器第三特征图C3、 编码器第四特征图C4输入之后首先经过一次全局平均池化， 其 宽和高变为 1， 通道数量保持不变； 之后经过一次一 维卷积和σ 激活函数操作， 其宽、 高、 通道 数保持不变， 将其输出与输入特 征图相乘得到 输出特征图， 输出到解码器部分； 步骤S3.3、 在解码器部分， 每一小部分使用一次 “卷积‑批标准化 ‑激活”操作与随机丢 弃操作的解码器部分 解码器部分结构同样含有五个模块， 且每一模块仅包含一次 “卷积‑批标准化 ‑激活”操 作， 配合反卷积 操作， 实现对图像尺寸的还原及通道数量的压缩； 在解码器部分， 首先对于编码器第五特征图进行反卷积操作， 得到长宽为32 ×32， 通道 数为512的解码器第五模块特 征图； 将解码器第五模块特征图与经过ECA模块处理后的编码器第四特征图C4叠加， 经过一 次“卷积‑标准化‑激活”后， 输出32 ×32×512的解码器第四特 征图； 解码器第四特征图经过反卷积后其长宽变为64 ×64， 通道数变为256， 并与经过ECA模 块处理后的编码器第三特征图C3叠加， 经过一次 “卷积‑标准化‑激活”后， 输出64 ×64×256 的解码器第三特 征图； 解码器第三特征图经过反卷积后其长宽变为128 ×128， 通道数变为128， 叠加经过SE模权　利　要　求　书 2/3 页 3 CN 115331104 A 3