«上一篇/Previous Article|本期目录/Table of Contents|下一篇/Next Article»

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:

第48卷

期数:

2020年第04期

页码:

209-215

栏目:

农业工程与信息技术

出版日期:

2020-03-25

文章信息/Info

Title:

A method for extracting cultivated land in North China based on ECLDeeplab model

作者:

魏青迪;  范昊;  张承明

山东农业大学信息科学与工程学院/山东省数字农业工程技术研究中心，山东泰安 271018

Author(s):

Wei Qingdi; et al

关键词:

遥感影像分类; 卷积神经网络; 农用地信息; ECL Deeplab模型; 高分2号; 华北地区

Keywords:

-

分类号:

S127

DOI:

-

文献标志码:

A

摘要:

准确提取耕地信息对农业资源调查、遥感估产以及灾害监测等具有重要意义，从遥感图像中提取耕地的信息属于图像识别和分类的问题，目前深度学习是非常适合的方法。以语义图像分割(Deeplab)模型为基础，选择耕地为提取目标，建立了一种从高分2号遥感影像上提取耕地信息的方法耕地提取语义图像分割(ECLDeeplab)。首先分析了耕地在高分2号遥感影像上的表现特点；其次依据耕地的具体特点对Deeplab的结构进行调整，形成了能够提取耕地的网络结构；最后用训练成功的网络进行提取耕地，得到精度较高的分割结果。应用方法对山东省肥城市的2016年12月至2017年3月的10幅影像进行了试验，试验结果表明，该方法获取的耕地精度为88.3%，提取耕地信息得到了较好的结果。

Abstract:

-

参考文献/References:

［1］Liu M W，Ozdogan M，Zhu X. Crop type classification by simultaneous use of satellite images of different resolutions［J］. IEEE Transactions on Geoscience and Remote Sensing，2013，52(6)：3637-3649.
［2］Evans C，Jones R，Svalbe I，et al. Segmenting multispectral landsat TM images into field units［J］. IEEE Transactions on Geoscience and Remote Sensing，2002，40(5)：1054-1064.
［3］李晖，肖鹏峰，冯学智，等. 基于向量场模型的多光谱遥感图像多尺度边缘检测［J］. 测绘学报，2012，41(1)：100-107.
［4］肖艳，姜琦刚，王斌，等. 基于ReliefF和PSO混合特征选择的面向对象土地利用分类［J］. 农业工程学报，2016，32(4)：211-216.
［5］潘琛，林怡，陈映鹰. 基于多特征的遥感影像决策树分类［J］. 光电子·激光，2010，21(5)：731-736.
［6］Sharma R，Ghosh A，Joshi P K. Decision tree approach for classification of remotely sensed satellite data using open source support［J］. Journal of Earth System Science，2013，122(5)：1237-1247.
［7］吕启，窦勇，牛新，等. 基于DBN模型的遥感图像分类［J］. 计算机研究与发展，2014，51(9)：1911-1918.
［8］肖锦成，欧维新，符海月. 基于BP神经网络与ETM⁺遥感数据的盐城滨海自然湿地覆被分类［J］. 生态学报，2013，33(23)：7496-7504.
［9］Zhou S S，Chen Q C，Wang X L. Convolutional deep networks for visual data classification［J］. Neural Processing Letters，2013，38(1)：17-27.
［10］曲景影，孙显，高鑫. 基于CNN模型的高分辨率遥感图像目标识别［J］. 国外电子测量技术，2016，35(8)：45-50.
［11］Long J，Shelhamer E，Darrell T. Fully convolutional networks for semantic segmentation［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，2015：3431-3440.
［12］Mas J F，Flores J J. The application of artificial neural networks to the analysis of remotely sensed data［J］. International Journal of Remote Sensing，2008，29(3)：617-663.
［13］刁智华，魏玉泉，吴贝贝，等. 基于图像的农业信息演变规律提取现状分析［J］. 江苏农业科学，2017，45(16)：8-11.
［14］张日升，张燕琴. 基于深度学习的高分辨率遥感图像识别与分类研究［J］. 信息通信，2017(1)：110-111.
［15］Fu G，Liu C，Zhou R，et al. Classification for high resolution remote sensing imagery using a fully convolutional network［J］. Remote Sensing，2017，9(6)：498.
［16］Chen L C，Zhu Y K，Papandreou G，et al. Encoder-decoder with atrous separable convolution for semantic image segmentation［C］. The European Conference on Computer Vision，2018：801-808.
［17］李正国，唐华俊，杨鹏，等. 植被物候特征的遥感提取与农业应用综述［J］. 中国农业资源与区划，2012，33(5)：20-28.
［18］李婷，吴克宁. 基于遥感技术的耕地质量评价研究进展与展望［J］. 江苏农业科学，2018，46(15)：5-9.
［19］徐晨阳. 基于深度学习的神经分割方法的研究与实现［D］. 北京：北京邮电大学，2018.
［20］程清. 一种面向农田提取的高分遥感影像分割模型［D］. 泰安：山东农业大学，2018.
［21］Badrinarayanan V，Kendall A，Cipolla R. Segnet：a deep convolutional encoder-decoder architecture for image segmentation［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39(12)：2481-2495.

相似文献/References:

[1]梁万杰,曹宏鑫.基于卷积神经网络的水稻虫害识别[J].江苏农业科学,2017,45(20):241.
　Liang Wanjie,et al.Identification of rice insect pests based on CNN model[J].Jiangsu Agricultural Sciences,2017,45(04):241.
[2]赵建敏,李艳,李琦,等.基于卷积神经网络的马铃薯叶片病害识别系统[J].江苏农业科学,2018,46(24):251.
　Zhao Jianmin,et al.Potato leaf disease identification system based on convolutional neural network[J].Jiangsu Agricultural Sciences,2018,46(04):251.
[3]陈峰,谷俊涛,李玉磊,等.基于机器视觉和卷积神经网络的东北寒地玉米害虫识别方法[J].江苏农业科学,2020,48(18):237.
　Chen Feng,et al.Recognition method of corn pests in northeast cold region based on machine vision and convolutional neural network[J].Jiangsu Agricultural Sciences,2020,48(04):237.
[4]陈旭君,王承祥,孙福,等.基于改进Faster R-CNN的田间植株幼苗检测方法[J].江苏农业科学,2021,49(4):159.
　Chen Xujun,et al.Detection method for plant seedlings in fields based on improved Faster R-CNN[J].Jiangsu Agricultural Sciences,2021,49(04):159.
[5]黎振,陆玲,熊方康.基于k-means分割和迁移学习的番茄病理识别[J].江苏农业科学,2021,49(12):156.
　Li Zhen,et al.Tomato pathological recognition based on k-means segmentation and transfer learning[J].Jiangsu Agricultural Sciences,2021,49(04):156.
[6]范宏,刘素红,陈吉军,等.基于深度学习的白喉乌头与牧草高精度分类研究[J].江苏农业科学,2021,49(12):173.
　Fan Hong,et al.Study on high-precision classification of Aconitum leucostomum Worosch and pasture based on deep learning[J].Jiangsu Agricultural Sciences,2021,49(04):173.
[7]李萍,邵彧,齐国红,等.基于跨深度学习模型的作物病害检测方法[J].江苏农业科学,2022,50(8):193.
　Li Ping,et al.Crop disease detection method based on cross deep learning model[J].Jiangsu Agricultural Sciences,2022,50(04):193.
[8]李祥宇,任艳娜,马新明,等.面向小麦生育进程监测的卷积神经网络精简化研究[J].江苏农业科学,2022,50(8):199.
　Li Xiangyu,et al.Study on simplified convolutional neural network for monitoring wheat growth process[J].Jiangsu Agricultural Sciences,2022,50(04):199.
[9]蒋清健,姚勇,付志军,等.基于改进卷积神经网络算法的番茄叶片病害识别[J].江苏农业科学,2022,50(20):29.
　Jiang Qingjian,et al.Tomato leaf disease recognition based on improved convolutional neural network algorithm[J].Jiangsu Agricultural Sciences,2022,50(04):29.
[10]何前,郭峰林,方皓正,等.基于改进LeNet-5模型的玉米病害识别[J].江苏农业科学,2022,50(20):35.
　He Qian,et al.Study on maize disease recognition based on improved LeNet-5 model[J].Jiangsu Agricultural Sciences,2022,50(04):35.

备注/Memo

备注/Memo:

收稿日期：2018-11-26
基金项目：国家自然科学基金(编号：41471299)；山东省自然科学基金(编号：ZR2017MD018)；山东农业大学青年科技创新项目(编号：23659)；中国气象局旱区特色农业气象灾害监测预警与风险管理重点实验室开放研究项目(编号：CAMF-201701)。
作者简介：魏青迪(1992—)，女，山东烟台人，硕士研究生，主要从事遥感信息提取方面的研究。E-mail：weiqingdiyx@163.com。
通信作者：范昊，博士，副教授，主要从事农业信息化、深度学习等方面的研究。E-mail：fanhao@sdau.edu.cn。

常用功能

更新日期/Last Update: 2020-02-20