【技术名称】基于深度学习语义分割模型的梯田自动提取方法及系统

【应用行业】农业信息

【技术领域】图像处理

【知识产权】发明专利

【成果完成单位】华中师范大学

【成果完成人姓名】田培、陈妍、平耀东、任益伶

【完成人团队简介】田培副教授团队长期致力于土壤侵蚀过程与模拟、水土保持、水文水资源等方向的研究，主持国家自然科学基金2项（面上/青年）、湖北省自然科学基金面上项目2项、教育部“春晖计划”合作科研项目1 项、国家/省部级重点实验室开放基金4 项、科研机构/企业委托项目4项；参与国家自然科学基金区域联合基金重点项目1项；以第一/通讯作者发表高水平论文30余篇，其中第一作者的论文连续2年获得湖北省科协“湖北省优秀科技论文（2023/2024年度）”；申请/授权专利8项；主笔的 3 篇咨询报告获水利部/湖北省委领导或有关部门肯定行批示或采用。

【成果完成时间】2024-02-26

【专利号】CN202410210468.7

【授权日期】2024-08-27

【技术成熟度】研发阶段

【应用背景】水土保持措施是为了保护和改善土壤质量、减少水土流失以及保持水资源的合理利用而采取的一系列措施，包括水土保持工程措施、耕作措施和生物措施。准确判别不同类型水土保持措施及其空间分布是深入研究区域水土流失规律、系统评价水土保持效益、科学开展水土流失动态监测的关键。

梯田是一类历史悠久且应用广泛的水土保持工程措施，传统的梯田信息统计主要通过实地调查实现，但人工统计费时费力。随着高分辨率影像处理技术的不断发展，利用高分辨率遥感影像提取梯田信息已经成熟。

近年来随着计算机硬件性能的快速提升及算法的优化发展，以深度学习为代表的人工智能技术在遥感影像分类与地物提取中逐渐得以应用，并显现出快速、高效等特点。同时随着卷积神经网络深度和广度的不断拓展，各种优化方式、网络模型结构在初级网络模型上发展运用，以及高级卷积神经网络模型与遥感领域中的综合知识联合，使得遥感影像分类提取性能得到不断提高。

当前主流的语义分割模型有 Deep-Lab、FCN、U-Net、PSP-Net等，其经过迁移学习和模型适应性场景调整，能分别应用于各种遥感地物类别的识别提取；且主要集中在道路、水体、耕地等地物类别的提取，针对梯田的遥感地物提取相对较少。

【成果简介】本发明公开了一种基于深度学习语义分割模型的梯田自动提取方法，包括以下步骤：获取待提取梯田的可见光遥感影像，将其裁剪为多个大小一致的规则图片；根据梯田的边缘特征、纹理特征和形态特征，将裁剪后的图片分为第一类梯田、第二类梯田和第三类梯田；通过预先设置的U‑Net模型对第一类梯田、第二类梯田进行提取，得到第一类和第二类梯田提取后的图像；通过预先训练好的改进的LinkNet语义分割模型对第三类梯田进行提取，得到第三类梯田提取后的图像。本发明充分考虑了梯田的视觉特征和地形地貌特点，并改进了提取模型，使其更符合梯田的实际分布形态，提高了梯田的分类精度。

【成果图片】

【联系方式】汪兵、安红高、刘树楠、吴涛，02767862377,02767862003