本發(fā)明涉及遙感信息處理與應(yīng)用領(lǐng)域，具體涉及一種基于改進(jìn)unet的多類別養(yǎng)殖區(qū)遙感提取方法及設(shè)備。

背景技術(shù)：

1、為打造海洋強(qiáng)國(guó)，發(fā)展海洋經(jīng)濟(jì)，快速準(zhǔn)確地區(qū)分養(yǎng)殖區(qū)類別和獲取養(yǎng)殖區(qū)的空間分布，有利于海洋水產(chǎn)養(yǎng)殖科學(xué)管理與規(guī)劃。傳統(tǒng)實(shí)地測(cè)量的方法耗時(shí)耗力，難以滿足實(shí)際需求。遙感技術(shù)的發(fā)展為大面積近海養(yǎng)殖區(qū)監(jiān)測(cè)提供了有力的幫助，目前已廣泛應(yīng)用于近海養(yǎng)殖區(qū)分類任務(wù)。基于遙感影像進(jìn)行近海養(yǎng)殖區(qū)提取、分類常用的方法主要包括目視解譯，面向?qū)ο蟮姆指?，?jīng)典機(jī)器學(xué)習(xí)和深度學(xué)習(xí)。然而近海養(yǎng)殖區(qū)存在水域水體渾濁，養(yǎng)殖浮筏和網(wǎng)箱大小尺度不一的問題，如何借助ai技術(shù)和高分影像數(shù)據(jù)高效提取多尺度、多類別的近海養(yǎng)殖區(qū)對(duì)有效治理違法養(yǎng)殖與合理規(guī)劃尤為重要。

技術(shù)實(shí)現(xiàn)思路

1、為了解決上述問題，本發(fā)明的目的在于提供一種基于改進(jìn)unet的多類別養(yǎng)殖區(qū)遙感提取方法，基于遙感影像數(shù)據(jù)分別利用dc?block和stransformer模塊對(duì)經(jīng)典unet網(wǎng)絡(luò)進(jìn)行改進(jìn)，有效提升了模型在近海復(fù)雜水體環(huán)境下對(duì)多尺度、多類別養(yǎng)殖區(qū)的分類精度。

2、為實(shí)現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：

3、技術(shù)方案一

4、基于改進(jìn)unet的多類別養(yǎng)殖區(qū)遙感提取方法，包括如下步驟：獲取近海養(yǎng)殖區(qū)遙感影像并進(jìn)行預(yù)處理；利用獲取到的遙感影像構(gòu)建養(yǎng)殖狀態(tài)下的筏式和網(wǎng)箱養(yǎng)殖樣本數(shù)據(jù)庫，并將樣本數(shù)據(jù)劃分為訓(xùn)練集、測(cè)試集數(shù)據(jù)集；構(gòu)建多類別養(yǎng)殖區(qū)自動(dòng)分類模型：基于dcblock優(yōu)化unet模型的下采樣結(jié)構(gòu)，基于stransformer模塊優(yōu)化unet模型的上采樣結(jié)構(gòu)；模型訓(xùn)練：將訓(xùn)練集中的樣本數(shù)據(jù)輸入所述自動(dòng)分類模型進(jìn)行模型訓(xùn)練，完成后，基于測(cè)試集對(duì)自動(dòng)分類模型進(jìn)行測(cè)試，并對(duì)提取結(jié)果進(jìn)行精度評(píng)價(jià)；將養(yǎng)殖區(qū)遙感時(shí)序進(jìn)行預(yù)處理后輸入訓(xùn)練好的自動(dòng)分類模型，對(duì)筏式養(yǎng)殖區(qū)和網(wǎng)箱養(yǎng)殖區(qū)進(jìn)行精準(zhǔn)分類。

5、更優(yōu)地，所述基于dc?block模塊對(duì)unet下采樣結(jié)構(gòu)進(jìn)行優(yōu)化，步驟如下：所述dcblock模塊包括兩個(gè)并聯(lián)的輕型卷積組，每個(gè)卷積組均包括1個(gè)3×3卷積、2個(gè)3×3卷積以及3個(gè)3×3卷積的計(jì)算，然后各卷積組將不同卷積的計(jì)算結(jié)果進(jìn)行拼接，最后將兩個(gè)并聯(lián)卷積組的計(jì)算結(jié)果進(jìn)行融合并作為當(dāng)前dc?block模塊的輸出傳輸至下一階段，以實(shí)現(xiàn)提取不同尺度的特征的功能。

6、更優(yōu)地，所述基于stransformer模塊優(yōu)化unet的上采樣結(jié)構(gòu)，其步驟為：stransformer模塊由兩個(gè)不同自注意力機(jī)制的transformer模塊組成，輸入stransformer模塊的特征圖，先經(jīng)過第一transformer模塊的特征提取，然后再經(jīng)過第二transformer模塊的特征提取；其中，第一transformer模塊由兩個(gè)批歸一化層、一個(gè)基于窗口的多頭自注意力模塊、一個(gè)鄰近窗口連接模塊以及一個(gè)多層感知機(jī)組成，第二transformer模塊由兩個(gè)批歸一化層、一個(gè)基于空域置換的窗口多頭自注意力模塊、一個(gè)鄰近窗口連接模塊以及一個(gè)多層感知機(jī)組成；輸入的特征圖經(jīng)過第一transformer模塊的第一批歸一化層、基于窗口的多頭自注意力模塊、鄰近窗口連接模塊、第二批歸一化層以及多層感知機(jī)，然后將第一transformer模塊的輸出作為第二transformer模塊的輸入，再經(jīng)過第二transformer模塊的第一批歸一化層、基于空域置換的窗口多頭自注意力模塊、鄰近窗口連接模塊、第二批歸一化層以及多層感知機(jī)，最后將輸出傳輸至下一階段。

7、更優(yōu)地，所述鄰近窗口連接模塊由深度可分離卷積操作實(shí)現(xiàn)，所述深度可分離卷積包含兩個(gè)步驟：深度卷積和逐點(diǎn)卷積；所述深度卷積操作是利用多個(gè)卷積核對(duì)特征圖的每一個(gè)通道進(jìn)行一次卷積操作，卷積核數(shù)量等于輸入特征圖通道數(shù)，深度卷積完成后的特征圖數(shù)量與輸入層的通道數(shù)相同，經(jīng)過深度卷積后再進(jìn)行逐點(diǎn)卷積，所述逐點(diǎn)卷積的卷積核大小為1×1×m，m為上一層的通道數(shù)，其卷積運(yùn)算是將深度卷積操作得到的特征圖在深度方向上進(jìn)行加權(quán)組合，生成新的特征圖，逐點(diǎn)卷積操作后輸出的特征圖數(shù)量與卷積核數(shù)量相同。

8、更優(yōu)地，所述模型訓(xùn)練步驟中，精度評(píng)價(jià)的步驟為：將測(cè)試樣本輸入所述自動(dòng)分類模型，得到提取結(jié)果，構(gòu)建提取結(jié)果混淆矩陣；基于混淆矩陣分別計(jì)算筏式養(yǎng)殖區(qū)提取結(jié)果的precision、recall、f1?score和網(wǎng)箱養(yǎng)殖區(qū)提取結(jié)果的precision、recall、f1?score；其中，precision表示被提取的筏式或網(wǎng)箱養(yǎng)殖區(qū)中被正確分類的比例；recall表示被正確分類的養(yǎng)殖區(qū)占影像上對(duì)應(yīng)的實(shí)際養(yǎng)殖區(qū)的比例，f1?score是precision和recall的調(diào)和平均數(shù)，同時(shí)考慮了precision和recall，能夠更加客觀地評(píng)價(jià)模型的性能；計(jì)算公式如下：precision＝

9、tp/(tp+fp)，recall＝tp/(tp+fn)，f1?score＝

10、2×(precision×recall)/(precision+recall)；式中tp代表被正確分類的正類，fp表示被錯(cuò)誤分類的正類，fn表示被錯(cuò)誤分類的負(fù)類。

11、基于同一發(fā)明構(gòu)思，本發(fā)明還提供一種基于改進(jìn)unet的多類別養(yǎng)殖區(qū)遙感提取設(shè)備。

12、技術(shù)方案二

13、基于改進(jìn)unet的多類別養(yǎng)殖區(qū)遙感提取設(shè)備，包括存儲(chǔ)有可執(zhí)行程序的存儲(chǔ)器和處理器，所述處理器運(yùn)行所述程序，執(zhí)行技術(shù)方案一中所述的方法步驟。

14、本發(fā)明具有如下有益效果：

15、1、本發(fā)明針對(duì)傳統(tǒng)提取方法難以區(qū)分筏式養(yǎng)殖與渾濁水體，網(wǎng)箱養(yǎng)殖與漁船、礁石，在近海復(fù)雜背景環(huán)境下不同尺度養(yǎng)殖區(qū)分類精度差異大的問題，提出了一種新的適用于近海大范圍筏式與網(wǎng)箱養(yǎng)殖區(qū)遙感時(shí)序精確分類的語義分割模型，將dc?block和stransformer模塊與unet進(jìn)行結(jié)合，優(yōu)化下采樣結(jié)構(gòu)、全局特征提取以及上采樣結(jié)構(gòu)，提高模型在不同范圍和背景下的養(yǎng)殖區(qū)提取性能。

16、2、本發(fā)明的自動(dòng)分類模型同樣適用于分類其他海水中目標(biāo)，尤其適用于目標(biāo)與周圍環(huán)境相互交錯(cuò)且目標(biāo)尺度大小不一的情況。

17、3、本發(fā)明的自動(dòng)分類模型對(duì)海水背景中目標(biāo)的分類精度高且模型運(yùn)行穩(wěn)定，計(jì)算量小，系統(tǒng)消耗資源少。

技術(shù)特征：

1.基于改進(jìn)unet的多類別養(yǎng)殖區(qū)遙感提取方法，其特征在于：包括如下步驟：

2.根據(jù)權(quán)利要求1所述的基于改進(jìn)unet的多類別養(yǎng)殖區(qū)遙感提取方法，其特征在于：所述基于dc?block模塊對(duì)unet下采樣結(jié)構(gòu)進(jìn)行優(yōu)化，步驟如下：所述dc?block模塊包括兩個(gè)并聯(lián)的輕型卷積組，每個(gè)卷積組均包括1個(gè)3×3卷積、2個(gè)3×3卷積以及3個(gè)3×3卷積的計(jì)算，然后各卷積組將不同卷積的計(jì)算結(jié)果進(jìn)行拼接，最后將兩個(gè)并聯(lián)卷積組的計(jì)算結(jié)果進(jìn)行融合并作為當(dāng)前dc?block模塊的輸出傳輸至下一階段，以實(shí)現(xiàn)提取不同尺度的特征的功能。

3.根據(jù)權(quán)利要求1所述的基于改進(jìn)unet的多類別養(yǎng)殖區(qū)遙感提取方法，其特征在于：所述基于stransformer模塊優(yōu)化unet的上采樣結(jié)構(gòu)，其步驟為：stransformer模塊由兩個(gè)不同自注意力機(jī)制的transformer模塊組成，輸入stransformer模塊的特征圖，先經(jīng)過第一transformer模塊的特征提取，然后再經(jīng)過第二transformer模塊的特征提??；其中，第一transformer模塊由兩個(gè)批歸一化層、一個(gè)基于窗口的多頭自注意力模塊、一個(gè)鄰近窗口連接模塊以及一個(gè)多層感知機(jī)組成，第二transformer模塊由兩個(gè)批歸一化層、一個(gè)基于空域置換的窗口多頭自注意力模塊、一個(gè)鄰近窗口連接模塊以及一個(gè)多層感知機(jī)組成；輸入的特征圖經(jīng)過第一transformer模塊的第一批歸一化層、基于窗口的多頭自注意力模塊、鄰近窗口連接模塊、第二批歸一化層以及多層感知機(jī)，然后將第一transformer模塊的輸出作為第二transformer模塊的輸入，再經(jīng)過第二transformer模塊的第一批歸一化層、基于空域置換的窗口多頭自注意力模塊、鄰近窗口連接模塊、第二批歸一化層以及多層感知機(jī)，最后將輸出傳輸至下一階段。

4.根據(jù)權(quán)利要求3所述的基于改進(jìn)unet的多類別養(yǎng)殖區(qū)遙感提取方法，其特征在于：所述鄰近窗口連接模塊由深度可分離卷積操作實(shí)現(xiàn)，所述深度可分離卷積包含兩個(gè)步驟：深度卷積和逐點(diǎn)卷積；所述深度卷積操作是利用多個(gè)卷積核對(duì)特征圖的每一個(gè)通道進(jìn)行一次卷積操作，卷積核數(shù)量等于輸入特征圖通道數(shù)，深度卷積完成后的特征圖數(shù)量與輸入層的通道數(shù)相同，經(jīng)過深度卷積后再進(jìn)行逐點(diǎn)卷積，所述逐點(diǎn)卷積的卷積核大小為1×1×m，m為上一層的通道數(shù)，其卷積運(yùn)算是將深度卷積操作得到的特征圖在深度方向上進(jìn)行加權(quán)組合，生成新的特征圖，逐點(diǎn)卷積操作后輸出的特征圖數(shù)量與卷積核數(shù)量相同。

5.根據(jù)權(quán)利要求1所述的基于改進(jìn)unet的多類別養(yǎng)殖區(qū)遙感提取方法，其特征在于：所述模型訓(xùn)練步驟中，精度評(píng)價(jià)的步驟為：

6.基于改進(jìn)unet的多類別養(yǎng)殖區(qū)遙感提取設(shè)備，其特征在于：包括存儲(chǔ)有可執(zhí)行程序的存儲(chǔ)器和處理器，所述處理器運(yùn)行所述程序，執(zhí)行權(quán)利要求1至5任意一項(xiàng)所述的方法步驟。

技術(shù)總結(jié)
本發(fā)明涉及基于改進(jìn)UNet的多類別養(yǎng)殖區(qū)遙感提取方法及設(shè)備，步驟如下：獲取近海養(yǎng)殖區(qū)遙感影像并預(yù)處理；構(gòu)建養(yǎng)殖狀態(tài)下的筏式和網(wǎng)箱養(yǎng)殖樣本數(shù)據(jù)庫，構(gòu)建多類別養(yǎng)殖區(qū)自動(dòng)分類模型：基于DC?Block優(yōu)化UNet模型的下采樣結(jié)構(gòu)，基于Stransformer模塊優(yōu)化UNet模型的上采樣結(jié)構(gòu)；模型訓(xùn)練：將訓(xùn)練集中的樣本數(shù)據(jù)輸入自動(dòng)分類模型進(jìn)行模型訓(xùn)練，對(duì)自動(dòng)分類模型進(jìn)行測(cè)試和精度評(píng)價(jià)；將養(yǎng)殖區(qū)遙感時(shí)序進(jìn)行預(yù)處理后輸入訓(xùn)練好的自動(dòng)分類模型，對(duì)筏式養(yǎng)殖區(qū)和網(wǎng)箱養(yǎng)殖區(qū)進(jìn)行精準(zhǔn)分類。本發(fā)明優(yōu)點(diǎn)：分別利用DC?Block和Stransformer模塊對(duì)經(jīng)典UNet網(wǎng)絡(luò)進(jìn)行改進(jìn)，有效提升了模型在近海復(fù)雜水體環(huán)境下對(duì)多尺度、多類別養(yǎng)殖區(qū)的分類精度。

技術(shù)研發(fā)人員：姜進(jìn)文,邱國(guó)強(qiáng),張永年,王軍德,周敏銳,呂素娜,呂航宇,徐愛珍
受保護(hù)的技術(shù)使用者：福建省衛(wèi)星數(shù)據(jù)開發(fā)有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15