买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：海南长光卫星信息技术有限公司

摘要：本申请公开了一种养殖塘变化检测方法、装置及计算机可读存储介质。其中，方法包括预先利用已标注的养殖塘训练样本集训练得到养殖塘实例分割网络模型。将待检测养殖塘的前期遥感影像和后期遥感影像分别输入至养殖塘实例分割网络模型，得到前后两期遥感影像对应的实例分割结果。基于实例分割结果，分别提取前期遥感影像和后期遥感影像的矢量轮廓，最后根据前期遥感影像的矢量轮廓和后期遥感影像的矢量轮廓来确定待检测养殖塘在前后两期遥感图像采集时刻对应时间段内的扩增区域，从而可有效提升了基于遥感影像的养殖塘检测精度和检测效率。

主权项：1.一种养殖塘变化检测方法，其特征在于，包括：预先利用已标注的养殖塘训练样本集训练养殖塘实例分割网络模型；对前期遥感影像和后期遥感影像分别进行图像预处理；对经过图像预处理后的前期遥感影像和后期遥感影像进行图像配准处理；将待检测养殖塘的前期遥感影像和后期遥感影像分别输入至所述养殖塘实例分割网络模型，得到相应的实例分割结果；基于所述实例分割结果，分别提取所述前期遥感影像和所述后期遥感影像的矢量轮廓；根据所述前期遥感影像的矢量轮廓和所述后期遥感影像的矢量轮廓确定所述待检测养殖塘的扩增区域；其中，所述将待检测养殖塘的前期遥感影像和后期遥感影像分别输入至所述养殖塘实例分割网络模型，得到相应的实例分割结果，包括：基于Ntrain*200Ntest确定所述前期遥感影像和所述后期遥感影像的切片长度，并基于相匹配的切片长度将所述前期遥感影像和所述后期遥感影像裁剪为多个图像块；Ntrain为所述养殖塘训练样本集的训练样本的分辨率，Ntest为所述待检测养殖塘的遥感影像的分辨率；将每个图像块输入至所述养殖塘实例分割网络模型，得到相应的实例分割结果；其中，所述根据所述前期遥感影像的矢量轮廓和所述后期遥感影像的矢量轮廓确定所述待检测养殖塘的扩增区域，包括：将前实相矢量擦除后实相矢量，得到养殖塘变化情况；其中，所述利用已标注的养殖塘训练样本集训练养殖塘实例分割网络模型包括：获取所述养殖塘训练样本集，所述养殖塘训练样本集包括多幅遥感影像训练样本；对所述养殖塘训练样本集中的各训练样本进行几何校正处理、辐射定标处理和大气校正处理；对每个训练样本创建面要素，以当前训练样本为底图，将所述当前训练样本中的养殖塘进行标注，得到形状文件；根据预先定义裁剪参数分别对各训练样本进行切片处理，裁剪得到多个图像块；根据训练样本裁剪的坐标，将所述形状文件裁剪为相应切片的矢量；根据各切片的位置将切片矢量中坐标左上角移动至坐标原点，以获得单个切片对应实例的位置信息，并将其转换为coco格式中的分割关键字；将各切片矢量对应的图片信息、实例对应的宽、高、边界框、分割关键字信息存入到标准coco数据的json格式中，以对经过处理的各训练样本进行养殖塘边界标注；利用已标注的训练样本训练位置分割对象第二版模型得到养殖塘实例分割网络模型；其中，所述预先利用已标注的养殖塘训练样本集训练养殖塘实例分割网络模型包括：使用全卷积神经网络提取所述养殖塘训练样本集的各训练样本的图像特征；对每个训练样本，基于当前训练样本的多个掩膜所构造的掩膜核生成掩膜特征图，对所述当前训练样本的每个格网，采用非极大值抑制方法从多个预测实例中筛选得到最优预测实例；基于预先构建的损失函数，采用与显卡个数相匹配的学习率，使用随机梯度下降训练得到所述养殖塘实例分割网络模型；其中，所述基于当前训练样本的多个掩膜所构造的掩膜核生成掩膜特征图，对所述当前训练样本的每个格网，采用非极大值抑制方法从多个预测实例中筛选得到最优预测实例的过程，包括：将图片分为S*S个网格，如果物体的中心落入一个格网中，这个格网就对应一个该物体的二值掩膜，所以，一幅图片对应了S*S个掩膜；构造掩膜核：对于给定的骨干网络和特征金字塔网络，从每层的特征金字塔网络，都获取一个卷积核G，首先将经过全卷积网络获得的特征FI转换为S*S*C的尺寸，然后使用4个卷积核，各卷积核为3*3*D，将其转换为S*S*D的大小；构造掩膜特征图：将掩膜核分开训练，对每一层特征金字塔网络都计算一个掩膜：使用多个3*3的卷积、组归一化，修正线性单元激活函数和两个双线性上采样，特征金字塔网络的P2到P5级特征融合到一个只有原始尺寸的14的特征图；从上一步获取的特征图和卷积核出发，模型分为两个分支，卷积核分支和特征分支；将单层的特征金字塔网络与卷积核求卷积，记作Mi,j＝Gi,j*F，其中，Gi,j是卷积核，Mi,j代表中心落在i，j位置的实例对应的掩膜，F为特征金字塔网络；最优预测实例筛选过程：对于每一个格网，由于获取了S*S个掩膜，所以最多出现S*S个预测实例，采用非极大值抑制方法从多个预测实例中筛选得到最优的预测实例；其中，损失计算：损失函数L表示为：L＝Lcata+λLmask，Lcata代表分割类别的损失，使用焦点损失方法计算，Lmask代表掩膜的损失，使用迪克损失计算，λ为权重参数，使用随机梯度下降的方法调节参数。

全文数据：

权利要求：

百度查询： 海南长光卫星信息技术有限公司 养殖塘变化检测方法、装置及计算机可读存储介质