基于改進DeepLab v3+的耕地自動化提取方法

摘 要：耕地是地表覆蓋的主要類型之一，也是糧食生產的直接載體。本文針對耕地提提取不準確和效率低的問題，提出一種改進的DeepLab v3+提取方法。首先，使用輕量級網絡 替代DeepLab v3+模型的特征提取網絡Xception，以減少模型參數量，提高訓練速度。其次，引用SE注意力加入模型，提高網絡對耕地的提取精度。并在GID數據集上進行試驗，結果顯示，本文方法具有優秀的分割性能，能夠有效解決經典模型分割結果中存在的不同程度的誤分、漏分等問題，在耕地提取中具有高效性，為后續耕地提取任務提供支持。

關鍵詞：遷移學習；SE注意力；MobileNet v2；耕地提取；DeepLab v3+

中圖分類號：P 208" " " " " " 文獻標志碼：A

耕地是地表覆蓋的主要類型之一，也是糧食生產的直接載體，耕地變化對生態環境穩定性和糧食安全具有非常重要的影響[1-2]。

傳統的耕地統計方法主要基于實地調查，不僅會導致數據更新滯后，還會極大地消耗人力和物力。傳統機器學習算法對含有復雜地物信息的高分辨率遙感影像信息提取效果較差，因此，應用需求和遙感數據增加對耕地語義分割提出了更高要求。

深度學習在計算機視覺應用中的成功使基于卷積神經網絡（Convolutional Neural Network，CNN）[3]的方法逐漸應用于遙感影像解譯領域，為遙感影像中的耕地提取識別帶來了重大突破。JADHAV等[4]采用ResNet101網絡對高分辨率遙感影像進行土地覆蓋和作物類型的語義分割，實現了主要作物的準確分類。陳玲玲等[5]借鑒輕量級網絡與UNet模型的優點，有效改進了傳統模型提取耕地結果零散的情況。盡管上述方法在耕地提取中各有優勢，但是長時間訓練是一個主要問題，并且上述方法在提取結果方面存在整體結構不連續、邊緣細節提取不準確等問題。

為解決上述問題，本文以DeepLab v3+ 模型為基礎，融合遷移學習和注意力機制，旨在提高高分辨率遙感影像中耕地信息提取的精度和效率。

1 道路提取網絡結構設計

為了更好地進行遙感影像耕地提取，本文在DeepLab v3+模型的基礎上進行了3項改進。編碼器采用的特征提取模塊Xception網絡結構復雜，參數量和內存占用較大，可能會導致模型擬合速度緩慢、分割效率低。因此，將其替換為輕量級網絡MobileNet v2，以減少語義分割模型的參數量，提高模型訓練效率。引入通道注意力機制SENet，對特征通道權重進行重新分配，改進目標被漏分或誤判的問題，從而提高分割精度。如此可在降低模型復雜度的同時提高分割性能。改進的DeepLab v3+網絡結構如圖1所示。

在圖1中，遙感影像被輸入編碼層中，在MobileNet v2網絡中經過深度可分離卷積處理后得到低級特征。低級特征分別輸入空洞空間金字塔池化中和解碼層中。在空洞空間金字塔池化中經過最大池化層、平均池化層以及3個空洞率分別為6、12和18的空洞卷積中進一步處理，再經1*1卷積合成后得到深層特征信息。深層特征信息和低級特征信息經過SENet進一步篩選目標特征，最后經過2個3*3卷積不斷恢復邊界信息和上采樣，得到輸出結果圖。

1.1 DeepLab v3+

DeepLab v3+網絡于2018年推出，采用編碼器-解碼器的結構。編碼器部分包括主干特征提取網絡與空洞空間金字塔池化模塊。特征提取網絡采用串行空洞卷積，將主干網絡MobileNet v2網絡提取出的耕地特征分別傳入解碼器與ASPP模塊并進行特征提取。ASPP模塊中由1個平均池化層、1個全局池化層以及3個空洞率分別為4、8和12的空洞卷積層組成。不同空洞率的空洞卷積分別捕捉多尺度特征信息，以提高網絡的感受野。深層特征經過ASPP模塊提取后進行堆疊，經1*1卷積調整通道數后進入解碼器部分。在解碼器部分，淺層特征經1*1卷積降維后，與由編碼器部分輸出并經過4倍上采樣操作的深層特征融合。該融合特征由3*3卷積進行特征提取，并最終采用4倍上采樣操作，獲得與輸入影像尺寸相同的預測結果。

1.2 MobileNet v2網絡

MobileNet v2是一種輕量級的深度神經網絡，適用于移動和嵌入式設備的計算資源有限的場景。在MobileNet v2中，圖像進入網絡前需要進行歸一化操作，將像素值縮放到[0，1]。利用MobileNet v2的核心深度可分離卷積對每個輸入通道進行獨立的空間卷積操作。再利用卷積核進行通道間的混合和降維操作，并應用ReLU激活函數引入非線性特性。在每個卷積層后應用加入批量歸一化，有助于加速訓練過程并提高模型的泛化能力。在MobileNet v2的某些層中使用殘差連接，有助于減少梯度消失和梯度爆炸問題，并提升訓練效果。將最后一個卷積層的輸出進行全局平均池化操作，轉換為一個向量，該向量的每個元素表示對應特征圖的平均值。最后，利用一個1*1的卷積層將全局平均池化后的特征圖轉換為最終輸出。

1.3 注意力機制

本文使用SENet對編碼器區域內的輸出應用不同權重，以優化特征圖，從而在較小的額外計算成本下為提升現有分割模型性能，彌補輕量級特征提取網絡可能帶來的精度損失。SE注意力結構如圖2所示。圖2（a）為普通注意力機制，其中的輸入特征經過殘差快處理后，分別采用平均池化、全卷積、ReLU激活函數、全卷積和Sigmoid激活函數操作，得到權重后與輸入特征進行加權，最后輸出特征圖。SENet注意力機制模塊的結構如圖2（b）所示。與普通注意力不同的是，SENet輸入特征經過殘差塊處理后由平均池化和最大池化共同作用，進一步提高了對目標特征的篩選能力，更有利于目標特征識別。

2 試驗與分析

2.1 數據集構建

將改進的DeepLab v3+網絡分別在GID數據集中進行訓練，切片大小為（512×512）ppi。本文選取640張照片作為試驗對象，將其按照7∶2∶1的比例劃分為訓練集、測試集和驗證集。數據集上的部分影像和對應的標簽如圖3所示。

2.2 試驗結果和分析

為了驗證本文算法在處理耕地遙感影像方面的有效性和優越性，本文針對影像中耕地的分布、形狀和季節分布等特點，選擇具有代表性的測試影像進行試驗。使用U-Net、PSPNet、DeepLab v3+以及本文算法對測試影像進行耕地提取，并比較試驗結果。影像的部分試驗結果如圖4所示。

由圖4可知，本文方法無論是在提取準確度上，還是在邊緣細節處理山均比較準確。對于主要分布在山區的耕地，周圍的森林等地物是影響其提取效果的主要因素。從各算法的提取結果可以看出，U-Net算法的錯誤提取明顯，對耕地的整體結構提取不完全。PSPNet算法的提取結果碎片化比較嚴重，錯誤提取較嚴重。DeepLab v3+算法的提取結果稍好一點，但是仍然存在錯誤提取的情況。本文算法的提取結果與標簽圖相似，提取結果比其他3種方法更優。綜上所述，在SENet注意力的作用下，本文方法的多余耕地識別能力得到了增強，在邊緣細節和結構的完整度上具有明顯優勢，并在遷移學習的作用下，對耕地類型的多樣性辨別能力有所提升，能夠準確提取耕地。綜上所述，本文方法在提取耕地上具有有效性和優越性。

U-Net、PSPNet、DeepLab v3+和本文方法的定量評價結果見表1。從表1可看出，本文方法在各個指標上均為最優。在交并比上，比U-Net高了16.17%，比PSPNet高了15.32%。在召回率上，比U-Net高了18.51%，比DeepLab v3+高了13.04%。在總體精度指標上，除了U-Net，其他3種方法均在90%以上，而本文方法遠高于其他3種方法，為98.10%。在模型參數上，本文方法將MobileNet v2作為主干網絡，模型參數量遠小于其他3種方法，僅為22.85 MB。PSPNet的模型參數量為259.64 MB，遠高于本文方法。以上數據均說明本文方法在耕地提取上具有高效性。

3 結論

糧食是人類生存的根本，快速且相對準確的推算出糧食生產量離不開耕地信息統計。由于場景龐大、細節復雜且受光照和成像角度的影響，經典語義分割模型對耕地信息的提取通常存在泛化性差、訓練效率低、目標識別不準確和精度不高的問題。為了解決這些問題，本文提出一種融合遷移學習和注意力的輕量級DeepLab v3+ 遙感影像耕地提取算法。主干網絡替換后的模型參數為22.71 MB，改進完成的本文算法的參數僅有22.85 MB，與擁有259.64 MB參數的PSPNet模型、94.95 MB的UNet模型以及208.7 MB的DeepLab v3+ 模型相比，分割效率顯著提升。本文方法融合了SE注意力機制，抑制了易受干擾的通道，使模型能重點關注有效信息。引入遷移學習思想，將預訓練模型參數作為網絡的初始權重參數，使模型分割效果更出色，在GID數據集用于耕地信息提取研究中表現出了優秀性能。為進一步驗證本文方法在大尺度遙感影像中進行耕地提取的有效性，以實例作為試驗區，結果顯示本文算法交并比為85%以上，證實了本文方法具有良好的泛化性，可作為耕地信息提取通用模型。

參考文獻

[1]陳紅，吳世新，馮雪力.新疆耕地時空變化特征[J].地理科學進展，2010，29（3）：312-318.

[2]楊忍，劉彥隨，陳玉福，等.環渤海地區耕地復種指數時空變化遙感反演及影響因素探測[J].地理科學，2013，33（5）：588-593.

[3]LECUN Y，BOTTOU L.Gradient-Based learning applied to

document recognition[J].Proceedings of the IEEE，1998，86（11）：2278-2324.

[4]JADHAV J，SINGH R.Automatic semantic segmentation and

classification of remote sensing data for agriculture[J].Mathematical models in engineering，2018，4：112-137.

[5]陳玲玲，施政，廖凱濤，等.基于卷積神經網絡的高分遙感影像耕地提取研究[J].農業機械學報，2022，53（9）：168-177.