基于深度学习的航飞影像地类提取技术在耕地保护业务中的应用研究

吴文月

广西宁绘空间规划信息技术有限公司530000

摘要：随着科技的不断发展,航飞影像技术已经成为农业领域中不可或缺的一部分。特别是在耕地提取方面,航飞影像技术具有高效、客观、全面的优势。近年来，深度学习技术的进步为航飞影像图像分析带来了新的突破，使得从高分辨率航飞影像中提取耕地信息成为可能。本文将基于深度学习的航飞影像地类提取技术在耕地保护业务中的应用，以供行业人士参考和借鉴。

关键词：航飞影像地类提取技术；耕地保护；应用

前言：耕地是农业生产的根本保障,准确地获取耕地面积和分布等信息对于农业资源监测和生产具有重要的意义,耕地保护事关国家粮食安全、生态安全和社会稳定,是国计民生的头等大事。深度学习是近几年来逐渐兴起的一个研究领域,目前,深度学习已经在语音识别、图像识别、图像分类、目标检测等领域成为了主流的研究工具。深度学习技术在海量数据分析领域的广泛应用,为高效、精准的遥感影像解译提供了技术基础，为此，我们十分有必要去研究深度学习的航飞影像地类提取技术在耕地保护业务中的应用。

1耕地保护概述

耕地保护业务中，变更调查是一项至关重要的工作。它主要通过定期对耕地资源进行详细调查和监测，以掌握耕地的数量、质量、分布和利用状况的变化情况。这种调查不仅有助于及时发现问题和隐患，还能为制定和调整耕地保护政策提供科学依据。

2变更调查在耕地保护业务中的作用

2.1摸清耕地变化实际现状

通过变更调查，可以及时了解耕地的变化情况，包括新增、减少、流转等，从而掌握耕地资源的最新动态。这有助于保持数据的“现势性”，为耕地保护提供坚实的数据基础。

2.2落实耕地保护各项举措

基于变更调查的结果，可以更有针对性地制定和实施耕地保护措施。例如，对于耕地流失严重的地区，可以加强执法力度，严格限制非农建设占用耕地；对

1

于耕地质量下降的地区，可以采取措施改善土壤结构，提高耕地肥力。

2.3强化耕地监管和预警

变更调查可以实现对耕地的动态监测和预警，一旦发现耕地数量或质量出现异常变化，可以及时采取措施进行干预和纠正。这有助于防止耕地资源的过度开发和滥用，确保耕地资源的可持续利用。

   3耕地保护技术手段

变更调查通常的技术手段一般是通过无人机定期采集航飞正射影像，基于影像通过人工判读或提取地类图斑变化信息来辅助调查。影像上有着海量的地类图斑信息，通过人工判读和提取，不仅工作效率低，人工成本高，还会影响到变更调查业务的顺利开展，基于这一个行业痛点，本文提出了基于深度学习的航飞影像地类图斑提取方法，通过深度学习自动化提取地类图斑，对两期的地类图斑自动化对比，既可得出变化区域，工作人员对变化区域重点调查。不仅提高工作效率，减少人工成本，还让更多时间安排在实地调查。

本文采用PaddleRS模型的航飞影像地类提取方法结合了深度学习和航飞影像处理技术，旨在高效、准确地从航飞影像中提取出不同地类的信息。PaddleRS是百度飞桨平台生态下针对航飞影像解译任务的工具套件，提供了丰富的预训练模型和数据处理工具，使得用户能够更方便地进行航飞影像的处理和分析。以下是该方法的详细步骤：

3.1数据准备与预处理

收集数据：收集航飞影像数据，这些影像通常包含丰富的地表信息，是地类提取的基础。同时，需要准备相应的地类标签图，用于模型训练和评估。本文的实验数据采集5000个图斑做为训练样本集。500个图斑作为验证样本集。

预处理：对航飞影像进行预处理，包括裁剪、归一化、去噪等操作，以提高影像质量并适应模型的输入要求。PaddleRS提供了丰富的预处理工具，可以方便地进行这些操作。

3.2模型选择与加载

选择模型：从PaddleRS提供的预训练模型中选择一个适合地类提取任务的模型。这些模型经过大量遥感数据的训练，已经具备强大的特征提取和分类能力。本文使用的UNET网络模型在航飞影像提取中具有显著的优势，主要体现在以下几个方面：

（1）强大的特征提取能力

UNET网络模型具有出色的特征提取能力，能够自动学习和提取航飞影像中的关键特征。这使得模型能够准确地区分不同的地物、道路、建筑物等目标，从而提高了提取结果的准确性。

（2）高精度

UNET模型在处理航飞影像时，其精度通常比其他模型高，尤其在处理复杂的地表结构和细节时表现优越。这使得它能够从航飞影像中提取出更加精确和细致的地类信息。

（3）适应性强

UNET网络模型具有良好的适应性，能够处理各种类型和规模的航飞影像。无论是分辨率较高的影像还是规模较大的数据集，模型都能够有效地进行地类提取，满足不同的应用需求。

（4）易于实现和优化：

UNET网络模型的结构相对简单，易于实现和部署。同时，通过调整模型的参数和结构，可以进一步优化其性能，提高地类提取的效率和准确性。

综上所述，UNET网络模型在航飞影像提取中具有独特的优势，能够高效地提取出准确、细致的地类信息，

为耕地保护领域提供有力的支持。

加载模型：加载选定的预训练模型，并准备进行微调或直接使用。

3.3模型微调与优化

微调模型：使用带有标签的航飞影像数据对模型进行微调，使其更好地适应特定的地类提取任务。通过调整学习率、批次大小等超参数，优化模型的训练过程。

监控训练过程：在训练过程中，使用验证集监控模型的性能，防止过拟合。通过查看损失函数和准确率等指标的变化，调整训练策略。

3.4地类提取与后处理

地类提取：将预处理后的航飞影像输入到微调后的模型中，进行地类提取。模型会根据学习到的特征对影像中的每个像素进行分类，生成地类预测图。

后处理：对提取结果进行后处理，如去除噪声、平滑边界等，以提高提取结果的准确性和可读性。此外，还可以进行地类合并、分割等操作，以满足特定的应用需求。

3.5评估与优化

评估性能：使用测试集对提取结果进行定量评估，计算准确率、召回率、F1值等指标，以衡量模型的性能。

优化策略：根据评估结果，可以进一步优化模型的参数和结构，或者尝试使用其他预训练模型进行地类提取。此外，还可以结合其他遥感处理技术或地理信息系统进行综合分析，提高地类提取的精度和实用性。

3.6部署与集成

部署与集成：将训练好的模型部署到相应的平台上，与其他遥感处理系统或地理信息系统进行集成，实现地类提取的自动化和智能化。

通过以上步骤，可以基于PaddleRS模型实现航飞影像的地类提取。这种方法充分利用了深度学习在特征提取和分类方面的优势，结合航飞影像处理技术，能够高效、准确地从航飞影像中提取出不同地类的信息，为相关领域的研究和应用提供有力支持。

4基于深度学习智能提取航飞影像地类信息系统搭建

系统的主要功能包括样本采集模块，模型训练模块、地类提取模块、地类图斑压缩模块和图斑自动对比模块。详情如下图所示：

样本采集模块：

样本采集模块：业务人员可以在系统上绘制样本级，绘制完成后自动保存，系统完成样本自动化管理，包括定期剔除不规范和质量低的样本数据，有效保证训练数据的准确性。

模型训练模块：业务人员完成采集训练样本集和验证样本集后，可以进行模型训练。

地类提取模块：业务人员在地图框选范围，即可进行地类提取，提取的地类图斑通过道格拉斯算法压缩后，在精度不丢失的情况下减少图斑顶点数量，减少图斑的数据量，提高显示效率。

5结论

深度学习的航飞影像地类提取技术在耕地保护中的应用具有重要的意义，该技术具有优越的模型迁移能力和增量学习能力，整体发展前景非常广阔，经过科研人员不断地研究和实践，在未来这项技术能够得到进一步完善和优化，为耕地保护事业做出更大的贡献。

参考文献：

[1]张戬,高雅.深度学习遥感影像解译技术在耕地保护中的应用[J].测绘通报,2023(08):142-145.

[2]谢杭,李振东,陈波.遥感影像自动解译技术研究[J].工程技术研究,2021,6(14):62-63.

[3]杨少敏,张戬,高雅.基于深度学习的高分辨率遥感影像解译技术研究[J].江苏科技信息,2020,37(4):37-41.

[4]张诗琪. 基于深度学习的无人机遥感影像农作物分类识别[D]. 成都理工大学, 2020.