南京林业大学学报(自然科学版)

作者：徐姗姗,吕净妍,陈芳媛

单位：1.南京林业大学信息科学技术学院,江苏 南京 210037,2.哈尔滨理工大学机械动力工程学院,黑龙江 哈尔滨 150006

关键词：植被检测,深度学习,卷积网络结构,图像分类

基金：国家自然科学基金青年科学基金项目(62102184),江苏省自然科学基金青年科学基金项目(BK20200784),中国博士后科学基金面上资助项目(2019M661852),江苏省高校自然科学研究面上项目(19KJB520010)

【目的】植被检测是城市生态研究的重要手段,然而由于遥感图像中植被存在阴影区域、遮挡区域以及色彩上的畸变等,导致当前的植被检测精度较低。基于遥感卫星影像,采用深度学习技术快速有效地检测出城市中的植被区域,为植被资源统计等相关研究提供依据。【方法】选用深度卷积神经网络模型,对高分辨率遥感影像中的植被区域进行检测。对不同的优化器,通过设置不同的卷积核大小,对精度进行对比分析。最后对网络层数进行研究,对设置合适网络层数进行分析,用构造的深度卷积神经网络在实验数据上进行植被区域检测。【结果】利用卷积神经网络处理二维图像时,无需手动提取特征,进行简单少量的预处理后,直接把图像输入到CNN模型中进行训练,即可实现图片的识别分类功能。降低了预处理的难度,同时局部感知和权值共享大幅度地减少了参数量,加快了计算速度。次抽样还能保证图像处理后的平移、旋转、缩放和拉伸的不变性。解决了传统方法计算量和样本量大、结构复杂以及费时的缺点。在采集到的高分辨率紫金山区域的遥感图像中,通过设计的多层卷积神经网络模型对区域中的植被资源进行分析,对比和研究不同的优化器、卷积核和网络层数,植被检测精度达到95.4%,明显高于当前众多植被检测算法。【结论】在深度学习中,目标检测的精度依赖于网络的结构设置,通过对优化器、卷积核以及网络层数进行设定,可以明显提高目标检测效率和精度。

来源：2022年第4期

《南京林业大学学报(自然科学版)》期刊编辑部

查看南京林业大学学报(自然科学版)杂志2022年第4期