本發(fā)明屬于耕地地塊信息提取及遙感影像處理，具體為基于多任務學習的自然田型檢測方法。

背景技術：

1、當前，耕地檢測不僅需要識別出耕地，還要具有精細的邊界，這在農(nóng)業(yè)領域具有重要應用價值。精準的耕地邊界更有利于智慧農(nóng)業(yè)的建設，例如：土地利用規(guī)劃和管理、土地資源檢測和評估以及精準農(nóng)業(yè)和自動化農(nóng)業(yè)?，F(xiàn)有耕地識別方案主要分為以下幾類：

2、1.?基于時序特征的耕地分割方案

3、在公布號cn114973012a中，提出一種基于中低分辨率遙感數(shù)據(jù)的耕地識別方法，該方法利用evi多時間序列數(shù)據(jù)；通過遙感領域的計算方案構建地物樣本庫，并利用混合像元線性光譜分解模型分割耕地，從而提高耕地識別的準確性；在公布號cn111666914a中，提出一種基于曲線間距離的耕地識別方法，該方法先獲取耕地作物的參考植被指數(shù)ndvi時間序列曲線和當前區(qū)域下的ndvi時間序列曲線；對兩條曲線進行調整及距離加權處理，得到目標曲線距離；再將目標曲線對應的像元劃分為耕地像元。

4、2.?基于語義分割的耕地分割方案

5、在公布號cn115861837a中提出一種基于ares-unet++網(wǎng)絡的耕地識別方法，通過基于高分二號遙感影像制作數(shù)據(jù)集，構建ares-unet++網(wǎng)絡，可以有效識別出具有不同紋理和光譜特征的耕地。在公布號cn116994025a中提出一種利用影像超分技術提高耕地識別精度的方法，該方法包括將低分辨率遙感影像作為影像超分模型的輸入，獲得高分辨率影像；利用高分辨率的超分遙感影像作為耕地識別分類模型的輸入，輸出耕地識別結果。

技術實現(xiàn)思路

1、本發(fā)明的目的在于提供基于多任務學習的自然田型檢測方法，以解決背景技術中提出的現(xiàn)有技術中，通過獲取同一地區(qū)多時序影像，存在數(shù)據(jù)收集成本較為昂貴，且如果受到云層干擾，影像質量會嚴重降低，影響整體的耕地識別能力的問題。

2、為解決上述技術問題，本發(fā)明所采用的技術方案是：

3、基于多任務學習的自然田型檢測方法，包括以下步驟：

4、步驟s1，收集設定時期內的遙感影像與該時期內的遙感影像的耕地圖斑，利用耕地圖斑的邊界信息生成田壟折線圖斑；

5、步驟s2，對耕地圖斑以及遙感影像進行預處理，獲取具有田壟邊界的訓練遙感樣本；

6、步驟s3，構造語義分割模型，用于分割遙感影像中的背景、耕地和田壟；

7、步驟s4，構造一個拓撲網(wǎng)絡模型，利用步驟s3中分割出的田壟來識別田壟折點信息，給折點匹配最佳連接線；

8、步驟s5，輸入收集到不同地域的遙感影像，利用語義分割模型和拓撲網(wǎng)絡模型分割出耕地和田壟折線圖斑，將田壟折線圖斑嵌入耕地，得到最終共線后的耕地檢測圖斑結果。

9、根據(jù)上述技術方案，步驟s1中，利用耕地圖斑的邊界信息生成田壟折線圖斑具體為：

10、通過收集衛(wèi)星以及過往生產(chǎn)數(shù)據(jù)，獲取到待測地區(qū)的遙感影像以及同一時期的耕地圖斑的耕地圖斑數(shù)據(jù)，獲取耕地的邊界數(shù)據(jù)；將遙感影像、耕地圖斑數(shù)據(jù)以及耕地邊界數(shù)據(jù)的地理坐標對齊，生成田壟折線圖斑。

11、根據(jù)上述技術方案，步驟s2中，獲取具有田壟邊界的訓練遙感樣本具體為：將步驟s1中生成的生成田壟折線圖斑按相同尺寸裁剪制作為訓練遙感樣本。

12、根據(jù)上述技術方案，步驟s3中，構造語義分割模型具體為：

13、第一步，由一個線性變化層將通道提升兩倍，然后再均等切割為兩部分，分別為?全局特征與?局部特征，其公式如下：

14、

15、式中，?linear（f）表示線性變化函數(shù)，f為輸入的圖像；

16、其中，全局特征的學習通過視覺變換器完成，而局部特征的學習則是由一層7×7的深度卷積完成，兩部分特征變化公式如下：

17、

18、式中，multiply（q，k）表示矩陣乘運算；dwconv（fl）表示深度分離卷積；softmax是歸一化函數(shù)，multiply表示兩個矩陣相乘，?softmax(multiply(q,?k))表示計算兩個特征之間的相似度，multiply(softmax(multiply(q,k)),?v)表示計算v在相似度矩陣加權結果，得到最終的多頭自注意力結果；全局特征學習的q，k，v均與相同；

19、最后將全局特征和局部特征融合，送入到多層感知機中，再與原始特征相加，獲取具有全局、局部表示能力的特征，特征計算公式如下：

20、

21、式中，f表示經(jīng)過公式變化后的特征圖；sum表示求和；norm表示歸一化,?f為輸入的圖像，mlp表示多層感知機，僅用來做前饋網(wǎng)絡

22、根據(jù)上述技術方案，步驟s4中，構造一個拓撲網(wǎng)絡模型具體為：

23、拓撲網(wǎng)絡模型包括一個多層感知機、兩個滑動窗口自注意力機制以及一個點分類層；

24、獲取到每個點與其他點之間的關系之后通過閾值過濾連接概率較低的線，最后組成田壟，利用田壟的線狀結構切割耕地圖斑獲取最終局部共線的耕地。

25、根據(jù)上述技術方案，步驟s5中，利用多任務組合的語義分割模型和拓撲網(wǎng)絡模型分割出耕地和田壟折線圖斑，將田壟折線圖斑嵌入耕地，得到最終共線后的耕地檢測圖斑結果具體為：

26、多任務組合的語義分割模型包括語義分割和輔助檢測語義分割損失，語義分割和輔助檢測語義分割損失皆采用的交叉熵損失：

27、

28、式中，lce表示交叉熵損失；表示n個樣本求均值；n表示樣本數(shù)；n表示當前計算樣本；k表示某一個類別；k表示類別數(shù)；表示真實標簽；表示預測結果；

29、關鍵點拓撲連線損失為二值交叉熵損失：

30、

31、式中，lbce表示二值交叉熵損失，yi表示真實標簽、pi表示預測結果；i表示某一個樣本。

32、根據(jù)上述技術方案，根據(jù)交叉熵損失以及二值交叉熵損失計算得到整體損失，具體為：

33、

34、其中，lce表示交叉熵損失、lbce表示二值交叉熵損失；α為分割耕地、田壟和背景的損失權重值，β為輔助損失權重值，γ為拓撲連線預測損失權重值。

35、與現(xiàn)有技術相比，本發(fā)明具有以下有益效果：

36、通過本發(fā)明中的方法，通過利用語義分割的能力將影像分為耕地、田壟和背景，不需要時序影像；通過進一步處理田壟的特征圖，獲取耕地之間的縫隙，利用拓撲網(wǎng)絡學習田壟之間的連接關系，細分出自然田型。

技術特征：

1.基于多任務學習的自然田型檢測方法，其特征在于：包括以下步驟：

2.根據(jù)權利要求1所述的基于多任務學習的自然田型檢測方法，其特征在于：步驟s1中，利用耕地圖斑的邊界信息生成田壟折線圖斑具體為：

3.根據(jù)權利要求1所述的基于多任務學習的自然田型檢測方法，其特征在于：步驟s2中，獲取具有田壟邊界的訓練遙感樣本具體為：將步驟s1中生成的生成田壟折線圖斑按相同尺寸裁剪制作為訓練遙感樣本。

4.根據(jù)權利要求1所述的基于多任務學習的自然田型檢測方法，其特征在于：步驟s3中，構造語義分割模型具體為：

5.根據(jù)權利要求1所述的基于多任務學習的自然田型檢測方法，其特征在于：步驟s4中，構造一個拓撲網(wǎng)絡模型具體為：

6.根據(jù)權利要求1所述的基于多任務學習的自然田型檢測方法，其特征在于：步驟s5中，利用多任務組合的語義分割模型和拓撲網(wǎng)絡模型分割出耕地和田壟折線圖斑，將田壟折線圖斑嵌入耕地，得到最終共線后的耕地檢測圖斑結果具體為：

7.根據(jù)權利要求6所述的基于多任務學習的自然田型檢測方法，其特征在于：根據(jù)交叉熵損失以及二值交叉熵損失計算得到整體損失，具體為：

技術總結
本發(fā)明公開了基于多任務學習的自然田型檢測方法，包括以下步驟：步驟S1，利用耕地圖斑的邊界信息生成田壟折線圖斑；步驟S2，獲取具有田壟邊界的訓練遙感樣本；步驟S3，構造一個語義分割模型，步驟S4，構造一個拓撲網(wǎng)絡模型，利用分割出的田壟識別折點信息；步驟S5，輸入收集到不同地域的影像，利用多任務組合的語義分割模型和拓撲網(wǎng)絡模型分割出耕地和田壟折線圖斑，將田壟折線圖斑嵌入耕地，得到最終共線后的耕地檢測圖斑結果。通過本發(fā)明中的方法，通過利用語義分割的能力將影像分為耕地、田壟和背景，不需要時序影像；通過進一步處理田壟的特征圖，獲取耕地之間的縫隙，利用拓撲網(wǎng)絡學習田壟之間的連接關系，細分出自然田型。

技術研發(fā)人員：楊博,劉濤,黃少華,楊坤,張焰
受保護的技術使用者：環(huán)天智慧科技股份有限公司
技術研發(fā)日：
技術公布日：2024/10/21