一种基于深度学习的卫星图目标识别方法及系统

技术领域

本发明属于图像识别处理技术领域，具体涉及一种基于深度学习的卫星图目标识别方法及系统。

背景技术

在卫星图像中寻找指定的物体、设施和事件是一个重要的问题，卫星图像需要进行有效的预处理以输入到深度网络中。为了保持合理的处理时间，深度学习需要相对较小的固定尺寸的图像，然而，卫星图像的情况并非如此，因为物体和设施可能比普通照片中的物体大得多。当图像大小被压缩时，图中的小细节就消失了。这些细节可能包括重要的区别特征。

现有技术存在的问题或缺陷：传统的目标检测和分类算法存在着不准确和不可靠的问题。

发明内容

针对上述传统的目标检测和分类算法存在着不准确和不可靠的技术问题，本发明提供了一种准确率高、可靠性强、识别效果好的基于深度学习的卫星图目标识别方法及系统。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于深度学习的卫星图目标识别方法，包括下列步骤：

S1、数据标注；对卫星图中需要识别的物体进行标注，标注信息包括物品类别、物品位置及易混淆物品，同时将标注框由矩形变换为正方形，扩大标注范围，将待识别目标周围的上下文信息纳入标注范围；

S2、数据分割缩放；将卫星图中标注物品按照其位置信息分割，分割内容包括标注信息、标注边缘的部分数据、易混淆物品，与需识别物品图片共同组建数据集并按照卷积神经网络输入图片的尺度对数据集数据大小进行缩放；

S3、数据划分扩增；将数据集分为训练集、验证集与测试集，并对训练集的数据进行旋转、色彩变化、扩增数据数量；

S4、模型训练；将组建好的训练集与其对应标签输入网络，通过网络的迭代优化，进行模型的训练，当模型训练损失不再下降时，使用验证集数据继续对模型进行训练，若模型损失不再下降，保存模型，若损失继续下降，使用训练集继续对模型进行迭代训练，直到损失值平稳，保存模型，将测试集数据输入训练完成的模型中进行识别，对识别结果进行评价。

所述S1中数据标注的计算方法为：将卫星图中待识别的n类物品标注出来，标注为1,2...n，并将与待识别物体相近的物体也标注出来，相近物体统一类别标识为0，标注时同时标注目标物体位置信息，物体由一个矩形框进行标识，因此每个物体的标注信息含有5个信息(l

所述S2中数据分割缩放的方法为：将S1中标注完成数据根据其位置信息(k

所述S3中数据划分扩增的方法为：将数据集按照7：2：1的比例分为训练集、验证集与测试集，训练集用于模型的训练，验证集用于检测模型损失是否继续下降，测试集用于测试模型效果，分别对训练集数据进行45度、90度、135度旋转，并调整数据对比度、亮度，对数据进行扩增，将进行变换后的数据与原训练集混合，构建新的数据集。

所述S4中模型训练的方法为：第一次卷积的卷积核大小为7*7，之后均为3*3卷积，除第一层外，之后的卷积层每两层构成一个残差块，最后一层为全连接层，用于对预测结果进行输出，预测结果通过sigmoid函数得到对于每个类别的预测概率，网络输入大小为224*224，将处理好的训练集与其对应标签输入网络，进行模型的训练，并使用验证集数据训练模型，查看模型损失函数是否继续下降，若继续下降，则表明模型未达到最佳，将模型继续训练，若不再下降，则保存模型，将使用模型对测试集数据进行测试，与其标签结果进行对比，模型输出的结果为该数据是每个数据类别的概率，若每个数据类别的概率大于0.5，则表示此条数据为该类别，若每个数据类别的概率小于0.5，则表明此条数据为中不含有要识别的物体，使用F1-Score对识别效果进行评价。

所述F1-Score的评价方法为：

所述F

若模型识别效果F

一种基于深度学习的卫星图目标识别系统，包括数据标注模块、数据分割缩放模块、数据划分扩增模块、模型训练模块，所述数据标注模块通过通信连接有数据分割缩放模块所述数据分割缩放模块通过通信连接有数据划分扩增模块，所述数据划分扩增模块通过通信连接有模型训练模块。

所述数据分割缩放模块包括数据分割模块、数据缩放模块，所述数据分割模块与数据缩放模块连接，所述数据分割模块与数据标注模块连接，所述数据缩放模块与数据划分扩增模块连接。

所述数据划分扩增模块包括数据划分模块、数据扩增模块，所述数据划分模块与数据扩增模块连接，所述数据划分模块与数据分割缩放模块的数据缩放模块连接，所述数据扩增模块与模型训练模块连接。

所述模型训练模块包括训练模块、识别模块、评价模块，所述训练模块与数据划分扩增模块的数据扩增模块连接，所述训练模块连接有识别模块，所述识别模块连接有评价模块，所述训练模块内的模型采用ResNet-152网络模型，所述识别模块采用F1-Score。

本发明与现有技术相比，具有的有益效果是：

本发明通过将大幅卫星图中的待识别单位进行单独的识别网络训练，解决了大幅卫星图无法直接进行识别的问题，同时在进行待识别物品图像分割时，对其上下文信息做了一定的保留，为网络识别提供了更多的特征，同时加入了易混淆数据，帮助网络分辨相近物品，提升了识别的精度，使用了深层网络模型ResNet-152，保证了识别的效果。

附图说明

图1为本发明的工作流程图；

图2为本发明的结构示意图；

图3为本发明模型训练流程图。

其中：1为数据标注模块，2为数据分割缩放模块，3为数据划分扩增模块，4为模型训练模块，201为数据分割模块，202为数据缩放模块，301为数据划分模块，302为数据扩增模块，401为训练模块，402为识别模块，403为评价模块。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种基于深度学习的卫星图目标识别方法，如图1所示，包括下列步骤：

步骤1、数据标注；对卫星图中需要识别的物体进行标注，标注信息包括物品类别、物品位置及易混淆物品，同时将标注框由矩形变换为正方形，扩大标注范围，将待识别目标周围的上下文信息纳入标注范围；

步骤2、数据分割缩放；将卫星图中标注物品按照其位置信息分割，分割内容包括标注信息、标注边缘的部分数据、易混淆物品，与需识别物品图片共同组建数据集并按照卷积神经网络输入图片的尺度对数据集数据大小进行缩放；

步骤3、数据划分扩增；将数据集分为训练集、验证集与测试集，并对训练集的数据进行旋转、色彩变化、扩增数据数量；

步骤4、模型训练；将组建好的训练集与其对应标签输入网络，通过网络的迭代优化，进行模型的训练，当模型训练损失不再下降时，使用验证集数据继续对模型进行训练，若模型损失不再下降，保存模型，若损失继续下降，使用训练集继续对模型进行迭代训练，直到损失值平稳，保存模型，将测试集数据输入训练完成的模型中进行识别，对识别结果进行评价。

进一步，步骤1中数据标注的计算方法为：将卫星图中待识别的n类物品标注出来，标注为1,2...n，并将与待识别物体相近的物体也标注出来，相近物体统一类别标识为0，标注时同时标注目标物体位置信息，物体由一个矩形框进行标识，因此每个物体的标注信息含有5个信息(l

进一步，步骤2中数据分割缩放的方法为：将步骤1中标注完成数据根据其位置信息(k

进一步，步骤3中数据划分扩增的方法为：将数据集按照7：2：1的比例分为训练集、验证集与测试集，训练集用于模型的训练，验证集用于检测模型损失是否继续下降，测试集用于测试模型效果，分别对训练集数据进行45度、90度、135度旋转，并调整数据对比度、亮度，对数据进行扩增，将进行变换后的数据与原训练集混合，构建新的数据集。

进一步，如图3所示，步骤4中模型训练的方法为：第一次卷积的卷积核大小为7*7，之后均为3*3卷积，除第一层外，之后的卷积层每两层构成一个残差块，最后一层为全连接层，用于对预测结果进行输出，预测结果通过sigmoid函数得到对于每个类别的预测概率，网络输入大小为224*224，将处理好的训练集与其对应标签输入网络，进行模型的训练，并使用验证集数据训练模型，查看模型损失函数是否继续下降，若继续下降，则表明模型未达到最佳，将模型继续训练，若不再下降，则保存模型，将使用模型对测试集数据进行测试，与其标签结果进行对比，模型输出的结果为该数据是每个数据类别的概率，若每个数据类别的概率大于0.5，则表示此条数据为该类别，若每个数据类别的概率小于0.5，则表明此条数据为中不含有要识别的物体，使用F1-Score对识别效果进行评价。

进一步，F1-Score的评价方法为：

F

若模型识别效果F

一种基于深度学习的卫星图目标识别系统，如图2所示，包括数据标注模块1、数据分割缩放模块2、数据划分扩增模块3、模型训练模块4，数据标注模块1通过通信连接有数据分割缩放模块2数据分割缩放模块2通过通信连接有数据划分扩增模块3，数据划分扩增模块3通过通信连接有模型训练模块4。数据标注模块1对卫星图中需要识别的物体进行标注，将标注框由矩形变换为正方形，并且扩大标注范围，将待识别目标周围的上下文信息纳入标注范围中；数据分割缩放模块2将卫星图中标注出的物品按照其位置信息分割出来，按照卷积神经网络输入图片的尺度对数据集数据大小进行缩放；数据划分扩增模块3将数据集按比例分为训练集、验证集与测试集，对训练集的数据进行旋转，色彩变化，扩增数据数量；模型训练模块4将组建好的训练集与其对应标签输入网络，通过网络的的迭代优化，进行模型的训练，并使用验证集数据对模型进行训练，将测试集数据输入训练完成的模型中进行识别，对识别结果进行评价。

进一步，数据分割缩放模块2包括数据分割模块201、数据缩放模块202，数据分割模块201与数据缩放模块202连接，数据分割模块201与数据标注模块1连接，数据缩放模块202与数据划分扩增模块3连接。

进一步，数据划分扩增模块3包括数据划分模块301、数据扩增模块302，数据划分模块301与数据扩增模块302连接，数据划分模块301与数据分割缩放模块2的数据缩放模块202连接，数据扩增模块302与模型训练模块4连接。

进一步，模型训练模块4包括训练模块401、识别模块402、评价模块403，训练模块401与数据划分扩增模块3的数据扩增模块302连接，训练模块401连接有识别模块402，识别模块402连接有评价模块403，训练模块401内的模型采用ResNet-152网络模型，识别模块402采用F1-Score。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质，包括但不限于磁盘存储器、CD-ROM、光学存储器等，上实施的计算机程序产品的形式。

上面仅对本发明的较佳实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化，各种变化均应包含在本发明的保护范围之内。