一种小麦种植区域识别方法、系统、电子设备及存储介质

1.本发明涉及作物种植区域识别领域，特别是涉及一种小麦种植区域识别方法、系统、电子设备及存储介质。


背景技术：

2.农业作为中国的基础产业，与国计民生和社会稳定紧密相关。小麦是一种全球性的重要粮食作物，在世界范围内广泛种植，其中冬小麦是中国的主要主食作物，约占中国小麦产量的90％，占全球小麦产量的18％，这使中国成为世界上最大的小麦生产国。因此，准确估算冬小麦种植面积，对于了解粮食生产状况、保障国家粮食安全至关重要。
3.传统的冬小麦种植信息的获取主要是通过上报农业统计表等耗费人力物力的方式，这种方式无法满足当今社会对于农业种植信息的迅速掌握和规划调整的需求。因此，准确、快速的获得农作物空间分布信息，对于加强农作物监测和生产管理，优化作物种植的空间格局，协助有关政府部门制定科学合理的农业管理政策具有重要意义。近年来，遥感技术因其可以对农业种植信息进行大面积监测受到国际的重视。随着国产卫星进步，空间分辨率不断提高，地物的空间结构以及位置布局更加清晰，纹理和尺寸等信息更加精细，为提取作物的空间分布信息提供了良好的数据基础。遥感技术具有宽视场、多时相等优势，是准确、快速获取大范围冬小麦的空间分布信息的最高效的方法。为了提高遥感图像的分类精度，各国研究者进行了大量的相关研究。
4.在计算机视觉领域中图像分割算法发挥重要的作用，图像分割是低层图像处理和中高层图像分析、理解的桥梁，把元素特征一致的像素归于同一类地物并提取出感兴趣的目标。研究者将图像分割技术应用于遥感影像，传统的分类方法通过对影像进行逐像素分割，显著提高了遥感分类结果的精度。传统的图像分割方法主要分为以下三类：基于阈值的分割方法、基于边缘监测的分割方法、基于区域的分割方法，这些传统的分割方法对分割后的图像特征的表征还停留在较低的水平，在深层特征提取的过程中会损失对象的部分整体性信息，因此这些传统的图像分割方法只适用在简单的场景分割任务中，在复杂场景下的分割精度远达不到实际应用需求。深度学习的快速发展为针对高分辨率遥感影像带来的上述问题提供了新的研究思路。学者们发展了从像素到对象分割以及图像语义分割等方法，对各种农作物的遥感分类进行了深入研究。
5.相对于传统的非深度学习分割方法，基于深度学习的方法可以更抽象的提取图像特征，在传统分割方法的基础上，将深度卷积神经网络应用在像素级分类的图像语义分割任务中，逐步发展形成了基于深度学习的图像语义分割方法，可以更深层次的提取不同目标的独特特征，具有更高的分割精度。近年来，有采用fcn网络进行小麦种植区域提取的研究，fcn是第一个语义分割编解码网络，该网络模型设计了跳层连接结构用来融合高低维特征图，真正意义上实现了端到端的像素级语义分割，但是没有考虑像素与像素之间的关系，缺乏空间一致性。
6.冬小麦是中国的主要主食作物，准确估算冬小麦产量，对于了解粮食生产状况至
关重要。深度学习语义分割模型在高分辨率影像进行冬小麦提取较传统分类方法具有绝对优势。但是将经典的卷积神经网络模型直接用于高分辨率遥感影像中冬小麦的提取会出现以下问题：(1)对于分布密集的小尺度冬小麦图斑，得到的分割结果不够精细、轮廓粗糙，冬小麦图斑之间存在相互粘连的现象，导致尺度较小的冬小麦图斑无法得到有效的恢复。(2)由于冬小麦类内差距较大，导致对于特征差异较大的冬小麦识别能力较差。(3)由于冬小麦与其他作物之间的相似性，对冬小麦提取造成了干扰，导致错误的提取。


技术实现要素：

7.本发明的目的是提供一种小麦种植区域识别方法、系统、电子设备及存储介质，以提高小麦种植区域识别的准确性。
8.为实现上述目的，本发明提供了如下方案：
9.一种小麦种植区域识别方法，包括：
10.获取待识别区域的高分2号卫星数据；所述待识别区域包括小麦种植区域；所述高分2号卫星数据包括多光谱影像和全色影像；
11.对所述高分2号卫星数据进行预处理，得到预处理后的高分2号卫星数据；所述预处理包括：辐射定标、大气校正、正射校正和图像融合；
12.根据所述预处理后的高分2号卫星数据，利用小麦种植区域识别模型确定所述待识别区域的小麦种植区域；其中，所述小麦种植区域识别模型是利用训练数据集对多尺度特征深度监督网络进行训练得到的；所述训练数据集包括训练用区域的高分2号卫星数据和小麦种植区域标签；所述多尺度特征深度监督网络包括图像金字塔输入层、改进的u-net网络和侧输出层；所述改进的u-net网络包括编码器和解码器；所述编码器包括依次连接的四个第一语义特征提取单元和一个第二语义特征提取单元；所述第一语义特征提取单元包括依次连接的残差模块和下采样层；所述第二语义特征提取单元包括空洞空间卷积池化金字塔层；所述解码器包括依次连接的四个特征融合单元；所述特征融合单元包括上采样层和卷积层；所述第一语义特征提取单元和所述特征融合单元一一对应，并且通过双注意力模块连接；所述空洞空间卷积池化金字塔层与第一个所述特征融合单元连接；所述图像金字塔输入层与所述第一语义特征提取单元一一对应；所述侧输出层包括四个分类器；所述分类器与所述特征融合单元一一对应。
13.可选地，对所述高分2号卫星数据进行预处理，得到预处理后的高分2号卫星数据，具体包括：
14.对所述多光谱影像进行辐射定标、大气校正和正射校正处理，得到处理后的多光谱影像；
15.对所述全色影像进行辐射定标和正射校正处理，得到处理后的全色影像；
16.利用图像融合算法将所述处理后的多光谱影像和所述处理后的全色影像进行融合，得到预处理后的高分2号卫星数据。
17.可选地，对所述多光谱影像进行辐射定标、大气校正和正射校正处理，得到处理后的多光谱影像，具体包括：
18.对所述多光谱影像进行辐射定标，得到定标后的多光谱影像；
19.对所述定标后的多光谱影像进行大气校正，得到校正后的多光谱影像；
20.对所述校正后的多光谱影像进行正射校正，得到处理后的多光谱影像。
21.可选地，对所述全色影像进行辐射定标和正射校正处理，得到处理后的全色影像，具体包括：
22.对所述全色影像进行辐射定标，得到定标后的全色影像；
23.对所述定标后的全色影像进行正射校正，得到处理后的全色影像。
24.可选地，利用训练数据集对多尺度特征深度监督网络进行训练，具体包括：
25.对所述训练用区域的高分2号卫星数据进行预处理，得到预处理后的训练用区域的高分2号卫星数据；
26.对所述预处理后的训练用区域的高分2号卫星数据标注标签，得到已标注小麦种植区域标签的预处理后的训练用区域的高分2号卫星数据；
27.利用所述已标注小麦种植区域标签的预处理后的训练用区域的高分2号卫星数据对所述多尺度特征深度监督网络进行训练，得到所述小麦种植区域识别模型。
28.一种小麦种植区域识别系统，包括：
29.数据获取模块，用于获取待识别区域的高分2号卫星数据；所述待识别区域包括小麦种植区域；所述高分2号卫星数据包括多光谱影像和全色影像；
30.预处理模块，用于对所述高分2号卫星数据进行预处理，得到预处理后的高分2号卫星数据；所述预处理包括：辐射定标、大气校正、正射校正和图像融合；
31.识别模块，用于根据所述预处理后的高分2号卫星数据，利用小麦种植区域识别模型确定所述待识别区域的小麦种植区域；其中，所述小麦种植区域识别模型是利用训练数据集对多尺度特征深度监督网络进行训练得到的；所述训练数据集包括训练用区域的高分2号卫星数据和小麦种植区域标签；所述多尺度特征深度监督网络包括图像金字塔输入层、改进的u-net网络和侧输出层；所述改进的u-net网络包括编码器和解码器；所述编码器包括依次连接的四个第一语义特征提取单元和一个第二语义特征提取单元；所述第一语义特征提取单元包括依次连接的残差模块和下采样层；所述第二语义特征提取单元包括空洞空间卷积池化金字塔层；所述解码器包括依次连接的四个特征融合单元；所述特征融合单元包括上采样层和卷积层；所述第一语义特征提取单元和所述特征融合单元一一对应，并且通过双注意力模块连接；所述空洞空间卷积池化金字塔层与第一个所述特征融合单元连接；所述图像金字塔输入层与所述第一语义特征提取单元一一对应；所述侧输出层包括四个分类器；所述分类器与所述特征融合单元一一对应。
32.一种电子设备，包括：存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的小麦种植区域识别方法。
33.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的小麦种植区域识别方法。
34.根据本发明提供的具体实施例，本发明公开了以下技术效果：
35.本发明提供的小麦种植区域识别方法、系统、电子设备及存储介质，首先对获取的待识别区域的高分2号卫星数据进行预处理，然后利用小麦种植区域识别模型确定所述待识别区域的小麦种植区域。其中，小麦种植区域识别模型是利用训练数据集对多尺度特征深度监督网络进行训练得到的；所述多尺度特征深度监督网络包括图像金字塔输入层、改进的u-net网络和侧输出层；改进的u-net网络包括编码器和解码器；编码器包括依次连接
的四个第一语义特征提取单元和一个第二语义特征提取单元；解码器包括依次连接的四个特征融合单元；第一语义特征提取单元和特征融合单元一一对应，并且通过双注意力模块连接；空洞空间卷积池化金字塔层与第一个所述特征融合单元连接。本发明利用小麦种植区域识别模型对高分2号卫星数据中的小麦种植区域进行提取，提高了小麦种植区域识别的准确性。
附图说明
36.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
37.图1为本发明提供的小麦种植区域识别方法流程图；
38.图2为本发明提供的研究区域示意图；
39.图3为本发明提供的冬小麦采样点示意图；
40.图4为本发明提供的小麦种植区域识别模型示意图；
41.图5为本发明提供的第一语义特征提取单元结构示意图；
42.图6为本发明提供的空洞空间卷积池化金字塔模结构示意图；
43.图7为本发明提供的前馈卷积神经网络注意力模块结构示意图；
44.图8为本发明提供的通道注意力模块结构示意图；
45.图9为本发明提供的空间注意力模块结构示意图；
46.图10为本发明提供的改进的unet结构的主体结构示意图；
47.图11为本发明提供的不同网络结构对密集分布小尺度冬小麦的提取效果示意图。
具体实施方式
48.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
49.本发明的目的是提供一种小麦种植区域识别方法、系统、电子设备及存储介质，以提高小麦种植区域识别的准确性。
50.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
51.实施例一
52.如图1所示，本发明提供的小麦种植区域识别方法，包括：
53.步骤101：获取待识别区域的高分2号卫星数据；所述待识别区域包括小麦种植区域；所述高分2号卫星数据包括多光谱影像和全色影像。
54.步骤102：对所述高分2号卫星数据进行预处理，得到预处理后的高分2号卫星数据；所述预处理包括：辐射定标、大气校正、正射校正和图像融合。
55.作为一种可选的实施方式，步骤102，具体包括：
56.步骤1021：对所述多光谱影像进行辐射定标、大气校正和正射校正处理，得到处理后的多光谱影像。
57.具体地，步骤1021，具体包括：
58.对所述多光谱影像进行辐射定标，得到定标后的多光谱影像。
59.对所述定标后的多光谱影像进行大气校正，得到校正后的多光谱影像。
60.对所述校正后的多光谱影像进行正射校正，得到处理后的多光谱影像。
61.步骤1022：对所述全色影像进行辐射定标和正射校正处理，得到处理后的全色影像。
62.具体地，步骤1022，具体包括：
63.对所述全色影像进行辐射定标，得到定标后的全色影像。
64.对所述定标后的全色影像进行正射校正，得到处理后的全色影像。
65.步骤1023：利用图像融合算法将所述处理后的多光谱影像和所述处理后的全色影像进行融合，得到预处理后的高分2号卫星数据。
66.步骤103：根据所述预处理后的高分2号卫星数据，利用小麦种植区域识别模型确定所述待识别区域的小麦种植区域；其中，所述小麦种植区域识别模型是利用训练数据集对多尺度特征深度监督网络进行训练得到的；所述训练数据集包括训练用区域的高分2号卫星数据和小麦种植区域标签；所述多尺度特征深度监督网络包括图像金字塔输入层、改进的u-net网络和侧输出层；所述改进的u-net网络包括编码器和解码器；所述编码器包括依次连接的四个第一语义特征提取单元和一个第二语义特征提取单元；所述第一语义特征提取单元包括依次连接的残差模块和下采样层；所述第二语义特征提取单元包括空洞空间卷积池化金字塔层；所述解码器包括依次连接的四个特征融合单元；所述特征融合单元包括上采样层和卷积层；所述第一语义特征提取单元和所述特征融合单元一一对应，并且通过双注意力模块连接；所述空洞空间卷积池化金字塔层与第一个所述特征融合单元连接；所述图像金字塔输入层与所述第一语义特征提取单元一一对应；所述侧输出层包括四个分类器；所述分类器与所述特征融合单元一一对应。
67.作为一种可选地实施方式，利用训练数据集对多尺度特征深度监督网络进行训练，具体包括：
68.步骤s1：对所述训练用区域的高分2号卫星数据进行预处理，得到预处理后的训练用区域的高分2号卫星数据。
69.在本实施例中，以临汾盆地作为研究区域(训练用区域)，临汾盆地位于中国山西省西南部，北起韩侯岭，向南至侯马折而向西直至黄河岸，盆地东西两侧分别以霍山大断层、罗云山，韩城大断层与山地相接，南部与峨嵋台地相接，海拔400-600米，是一个典型的地堑盆地。临汾盆地地处半干旱、半湿润季风气候区，属温带大陆性气候，四周环山，中部平川，盆地内部多为河湖相堆积，大部分地区土壤肥沃，雨热同期，春季较为干旱，夏季雨水较多，秋季温和凉爽，冬季少雪干冷。全年平均温度是10℃-21℃，临汾市年降水量525.1毫米，良好的气候条件为农作物种植提供了良好的生长环境，是华北地区重要的粮棉生产基地，盆地内广泛种植冬小麦等粮食作物，属于山西省的主要产粮区之一，如图2所示。
70.实验数据采用高分2号卫星数据作为遥感影像数据源，以满足高空间分辨率的要求。高分2号卫星搭载两台分辨率为1米全色、4米多光谱的相机，具有高定位精度和快速姿
态机动能力。全色传感器具有亚米级空间分辨率，多光谱传感器设计了蓝、绿、红、近红外4个波段，能够满足常规遥感影像地图制作的需求。
71.实验数据共使用9景高分2号卫星数据覆盖临汾盆地，9幅影像均于2021年4日19日拍摄，这个时期是冬小麦拔节期，小麦生长状态比较旺盛，并且拍摄时间与地面调查时间相邻。9幅高分2号影像没有云量，具有较高的清晰度。
72.利用遥感服务平台envi5.3对研究区内的高分2号遥感影像进行预处理，首先对多光谱影像进行辐射定标、大气校正、正射校正，对全色影像进行辐射定标、正射校正，然后采用nndifuse pan sharping融合方法对全色影像和多光谱影像进行图像融合。
73.多光谱影像处理：
74.(1)辐射定标，使用envi软件中的国产卫星扩展工具，选择mss.xml文件打开；在toolbox工具中，选择radiometric correction
→
radiometric calibration，在file selection中选择待处理影像，弹出radiometric calibration对话框，calibration type确认为radiance，单击applyflaash setting，设置输出路径与文件名，完成辐射定标。
75.(2)大气校正，在toolbox中，选择radiometric correction
→
atmospheric correction module
→
flaash atmospheric correction工具启动flaash模块；设置输入与输出文件信息，选择传感器类型multispectral
→
unknown
→
msi；成像区域的平均高度为500m，pixel size设置为4m；需要根据经纬度、影像区域以及成像时间设置以下参数：
①
atmospheric model：mid-latitude summer；
②
aerosolmodel：urban；
③
aerosol retrieval：none；
④
multispectral settings：选择gui设置方式，点击“filterfunctionfile”加载gf2-pms1的光谱响应函数gf2_pms1_mss.sli；advanced settings：将modtran resolution设置为15cm-1，完成大气校正。
76.(3)正射校正，file
→
open打开大气校正后的影像，使用toolbox
→
geometric correction
→
orthorectification
→
rpc orthorectification workflow，打开正射校正流程化工具；在file selection面板中，inputfile选择经过大气校正的多光谱数据，dem file会默认选择全球分辨率为900米的dem数据，在advanced选项中修改输出像元大小output pixel size为4米，重采样方法image resampling选择三次卷积法，其他参数保持默认，设置输出路径以及文件名，完成正射校正。
77.全色影像处理：
78.(1)辐射定标，打开envi，启动file
→
open as
→
china satellites
→
gf2，选择pan.xml文件打开；同样的方法打开辐射定标工具，参数设置如下：calibrationtype:reflectance，全色影像定标为大气表观反射率；output datatype：uint；scale factor：10000。
79.(2)正射校正，全色数据的正射校正操作与多光谱数据的正射校正完全相同，全色数据正射校正时输出像元大小需设置为1米。
80.图像融合：使用nndiffuse pan sharpening工具进行图像融合，点击toolbox
→
extensions
→
nndiffuse pan sharpening；input low resolution raster选择上一步正射校正后的多光谱数据，input high resolution raster选择上一步正射校正后的全色数据，其他参数保持默认，完成高分二号影像预处理。
81.步骤s2：对所述预处理后的训练用区域的高分2号卫星数据标注标签，得到已标注
小麦种植区域标签的预处理后的训练用区域的高分2号卫星数据。
82.为了在作物提取过程制作样本来训练模型，需要对研究区域进行实地调查，确保训练样本符合作物空间分布的实际情况。在2021年4月26日对研究区域进行野外采样，在调查过程中使用gps准确地记录了实地调查样本点的经纬度，并对实测样点的农作物进行拍照更加准确地把握各类主要农作物的特征。通过地面调查获取样本数据，获取过程如下：1)先根据已有遥感底图初步确定待调查的样方位置和大小，并在遥感图像上进行数字化得到样方的矢量边界，该过程中保证每个样方内部地物尽量均质，且大小不低于16m2；2)根据已有样方矢量边界，通过gps与rtk于实地找到待测量样方，并确定样方的地类归属；3)舍弃一些在调查过程中难以到达的样方或者实地中包含地类较为混杂的样方，并检查数据的规整性和完整性。经过验核后，样本能满足相关精度要求且能均匀覆盖整个研究区域。通过实地调查后，获得冬小麦的采样点80个，如图3所示。
83.将研究区域预处理的gf-2影像(高分2号卫星数据)结合地面调查数据和目视解译，使用labelme软件对预处理的gf-2影像进行手动标记制作数据集；将小麦种植区域标记为小麦，其他区域为背景。创建标签图像并将标签图像裁剪成600
×
600像素的图像，图像块和相应的标记结果作为一个图像-标记对，最后共得到500个图像-标记对，其中350对用于训练，100对用于验证，50对进行测试。
84.步骤s3：利用所述已标注小麦种植区域标签的预处理后的训练用区域的高分2号卫星数据对所述多尺度特征深度监督网络进行训练，得到所述小麦种植区域识别模型。
85.针对冬小麦提取任务，本发明提出了一种以改进unet为主干网络的融合双注意力机制的多尺度特征深度监督网络模型raunet，由三个主要部分组成，如图4所示。首先是多尺度输入层(图像金字塔输入层)，用来构建图像金字塔输入，实现不同感受野的融合。第二部分对u-net模型进行了改进作为主体架构，用来学习丰富的多层次特征，第三部分是侧输出层，在解码器中的每个分支后都有一个输出路径，用来进行深度监督。提高了在级联卷积中容易丢失小区域特征的分割精度，并有利于网络学习更多关于分类目标的局部感知特征。
86.(一)图像金字塔输入层
87.raunet模型构建了图像金字塔输入，如图4中的a部分所示，采用平均池化层对图像进行2
×
2的下采样得到不同尺度的图像，在编码器上构造了多个输入路径，在解码器每层maxpooling层之前，将各个尺度的输入图像分别进行一个由3
×
3卷积层、批处理归一化层和用于提取语义特征的relu激活层的运算集成在编码器中，用以增加解码器路径的网络宽度，提高了每一层通道的利用率。该方法结合深度监督可以有效的增强级联卷积捕获小尺度特征的能力，有利于网络学习更多关于分类目标的局部感知特征，从而使模型有更好的泛化性。
88.(二)主干网络构建
89.u-net是一个完全对称的语义分割模型，可以更好的融合图像的特征。整个网络由编码器和解码器两部分组成。编码器由五个语义提取单元组成，遵循典型的cnn架构。每个语义提取单元堆叠使用了2个3
×
3的卷积，然后进行了relu非线性激活，每个语义提取单元通过maxpooling(最大池化层)连接，经过四次下采样后，特征通道数则扩增至1024。在编码过程中，网络逐步压缩特征图的空间维度，扩张特征图通道，不断提取图像的更深层次的特
征。解码器通过上采样对特征图不断放大，并且与解码器每层语义提取的特征图融合，充分结合浅层和深层语义特征。由于网络训练过程中卷积操作没有设置padding，所以在解码过程中，特征图融合前，都需要裁剪，再通过concatenate连接，充分融合浅层特征和深层特征，从而恢复特征图细节信息。对经过编码器和解码器后得到的特征图压缩通道后连入softmax分类器，得到每个像素属于冬小麦和非冬小麦类别的概率，将相应像素映射成冬小麦或非冬小麦。
90.理论上认为卷积神经网络越深，提取到的特征越丰富，包含的语义信息越多。但实际上由于梯度弥散的现象，随着网络层数的增加，卷积网络学习和计算速度减慢。在反向传播的过程中，连续多层小于1的梯度相乘会使梯度越来越小，最终导致某层梯度为0，会使得网络前几层的参数不再更新，造成了梯度消失或爆炸、精度饱和甚至下降等网络退化问题。resnet的提出，将网络模块化，解决了因网络深度加深造成的模型退化问题。
91.resnet残差模块在普通的卷积过程中加入了一个恒等映射，其作用是输出数据由主干网络与跳跃连接相加得到，使得梯度向后传播时不必通过多层网络，避免由于叠加多层网络导致的整个模型学习准确度下降，残差结构计算公式如式(1)所示。
92.f(x)＝h(x)-x (1)。
93.式中：输入为x，最优映射记为h(x)，学习到残差结果为f(x)，x表示跳过多层卷积进行的恒等映射。残差为0时，仅做恒等映射。
94.resnet反复堆叠残差模块，可以构成不同深度的网络结构。本发明根据适合u-net的特征提取网络结构，选取了resnet50的瓶颈结构作为u-net的特征提取模块(第一语义特征提取单元)，结构如图5所示，其中残差结构的作用是增加网络深度。
95.语义分割模型deeplabv2中提出了空洞空间卷积池化金字塔模块(aspp)，该模块使用具有不同采样率的多个并行空洞卷积层。为每个采样率提取的特征在单独的分支中进一步处理，并融合以生成最终结果。该模块通过不同的空洞率构建不同感受野的卷积核，用来获取多尺度物体信息，具体结构如图6所示。
96.由于膨胀率不同的空洞卷积具有不同的感受野，能够获取多尺度信息，并行使用不同膨胀率的空洞卷积，有利于获取大小不同的感受野，捕获多尺度特征，充分融合语义信息和位置信息，进一步提高分割精度。
97.双注意机制(cbam)是一种简单而有效的前馈卷积神经网络注意力模块。引入注意力机制可以改变资源的分配，使更多的资源倾向于冬小麦。在训练过程中，对图像中的冬小麦分配更多的权重参数，能够强化冬小麦特征提取的能力，减小背景噪声的影响。其结构如图7所示。
98.(1)通道注意力模块
99.通道注意力模块首先对输入特征图(h
×w×
c)进行全局平均池化和全局最大池化操作来聚合特征图的空间信息，得到两个空间上下文特征和全局平均池化整合了全局空间信息，全局最大池化取特征图邻域内像素点的最大值，减少无用信息的影响，将得到的两个特征输入到一个共享网络中运算相加，该网络由多层感知机(mlp)和一个隐含层组成，如图8所示，为了较少参数的计算，隐藏层大小设置为c/r
×1×
1，其中r为压缩比率。最后通过sigmoid函数计算得到通道注意力，通道注意力公式为：
[0100][0101]
式中σ表示sigmoid函数，表示平均池化特征和最大池化特征，w0表示c/r
×
c；w1表示c
×
c/r。
[0102]
2)空间注意力模块
[0103]
与通道注意力不同，空间注意力模块关注通道里的位置信息，补充了通道注意力，如图9所示。为了计算空间注意力，首先沿通道轴应用平均池化和最大池化操作，并将它们连接起来以生成一个有效的特征描述符。将经过通道注意力模块加权后的特征图mc(h
×w×
c)进行通道维度上的平均池化和最大池化得到加权后的平均池化特征加权后的最大池化特征将两个特征图进行拼接叠加，得到fs＝h
×w×
2。在对得到的特征图进行一次卷积核为7
×
7的卷积操作压缩为通道数为1的特征图。最后经过sigmoid函数计算得到空间注意力特征，空间注意力计算公式为：
[0104][0105]
式中，σ表示sigmoid函数，f7×7表示滤波大小为7
×
7的卷积运算。
[0106]
改进的unet结构的主体结构与unet模型类似，如图10所示或者如图4的b部分所示，都是由编码器和解码器组成。编码器是由五个语义特征提取单元组成，前四个语义特征提取单元(第一语义特征提取单元)包含特征提取层。特征提取层是由一个残差模块代替普通卷积层进行特征提取，在一定程度上消除了深度学习架构中存在的梯度消失和梯度爆炸问题。然后使用2
×
2的池化层进行下采样，对特征进行压缩。模型底层使用空洞空间卷积池化金字塔代替普通卷积操作，该模块使用不同的空洞率构建不同感受野的卷积核，用来获取多尺度物体信息。解码器由四个特征融合单元组成，每个模块包含一个2
×
2的上采样层和一个卷积核为3
×
3的卷积层，使具有高级抽象特征的低分辨率特征图在保留高级抽象特征的同时恢复特征图细节信息，还原特征图尺寸。在跳跃连接阶段，将编码器得到低级特征图输入cbam双注意力模块添加权重信息，然后进行了4次特征融合操作，网络训练过程中卷积操作设置padding，避免在解码过程中，特征图融合前的裁剪操作。
[0107]
(三)侧输出层
[0108]
在解码器右方设置了多路径输出，对解码器中的每一层增加辅助分类器构建了侧输出层，如图4中的c部分所示，每个特征融合路径最后都会进行1层卷积核大小为1
×
1的卷积运算用来调整通道数，输入softmax分类器，对特征图每个像素进行不同尺度的预测，为了直接利用侧输出层不同尺度的预测图，将枝干网络中的输出分别进行2
×
2、4
×
4，8
×
8上采样与最终的输出进行组合，采用平均层将所有的侧输出图组合为最终的预测图。侧输出层将侧输出损失与最终层损失一起反向传播到解码器路径上的早期层，可以缓解梯度消失问题，有助于早期层的训练。它可以作为损失层与早期层之间的特殊桥梁链接，侧输出层监督每个尺度的输出映射以输出更好的结果。
[0109]
针对冬小麦提取任务，本发明提出了一种以改进unet为主干网络的融合双注意力
机制的多尺度特征深度监督网络raunet。首先使用图像金字塔作为模型的输入，将多尺度输入集成到解码器中，既能增加解码器路径的网络宽度提高图像通道的利用率，又可以避免参数的大量增长。其次使用残差模块替换unet解码器中的常规卷积，在加深模型网络深度的同时解决梯度爆炸的问题，一定程度上消除unet低层至高层特征的直连鸿沟；同时引入空洞空间卷积池化金字塔结构，用来获取多尺度冬小麦信息；在跳跃连接阶段融合了通道与空间双注意力机制，在特征图的通道维度和空间维度增加权重信息，可以有效抑制模型学习非冬小麦特征的能力，使模型有针对性地学习。最后对模型的解码器中的每一层增加辅助分类器构建了侧输出层，它可以将侧输出损失与最终层损失一起反向传播到解码器路径上的早期层，有助于早期层的训练，提高了在级联卷积中容易丢失小区域特征的分割精度，并有利于网络学习更多关于分类目标的局部感知特征。
[0110]
下面利用实验对本发明的小麦种植区域识别方法进行验证。
[0111]
实验基于windows10操作系统下的keras深度学习框架，使用tensorflow作为后端，利用python编程语言实现。使用nvidiartx 2080ti gpu进行训练和测试。使用opencv、gdal等开源库作为图像处理的方式。为了得到最佳的网络模型权重参数，验证本发明提出方法的精准程度，本发明设置模型的迭代次数为50次，考虑到gpu内存大小和等效超参数的限制，将批处理大小设置为2，使用的优化器为adam，初始学习率设置为1
×
10-3
，损失函数为交叉熵损失函数。每隔3次迭代保存一次权重参数文件，最后选取最优参数文件。
[0112]
以精确度(precision)、召回率(recall)、f1分数、交并比(iou)和平均交并比(miou)，总体精度(accuracy)作为精度评价指标，对提出的raunet模型提取冬小麦的性能进行评价。这些评价指标是基于混淆矩阵的精度度量，它根据两个标准(即真实类别和预测类别)总结图像中的像素值，并描述网络模型在一组数据上的性能。矩阵的行和列分别表示真实值和预测值。
[0113]
precision表示预测的冬小麦像元中被正确分类的冬小麦像元的百分比，计算如下所示：
[0114][0115]
recall表示正确分类的冬小麦像素占所有实际冬小麦的百分比，计算公式如下：
[0116][0117]
f1-score是精确率和召回率的调和平均值，并将精确率和召回率指标使用相同的权重组合在一起。f1-score的取值范围为0-100％。100％表示得到了最好的模型检测结果，0表示得到了最差的模型检测结果。计算公式如下：
[0118][0119]
iou是指实际类别样本和预测类别样本的交集和并集之比，即分类准确的正类样本数和分类准确的正类样本数与被错分类为负类的正类样本数以及被错分类为正类的负类之和的比值，miou是对每一类交并比求和平均的结果。
[0120]
[0121][0122]
accuracy表示所有正确预测的像素占样本中所有像素的百分比，计算如下所示：
[0123][0124]
tp代表正确提取为冬小麦的像素数；fn代表未被正确提取冬小麦的像素数；fp代表错误提取背景的像素数；tn代表正确提取背景的像素数。
[0125]
实验结果对比：
[0126]
为了验证raunet模型对冬小麦空间分布信息的提取精度，将训练得到fcn、unet、deeplabv3、segnet模型和raunet模型分别在测试集上进行测试，fcn和unet是经典的逐像素编解码结构语义分割模型，deeplabv3具有更好的捕获多尺度信息的能力，segnet模型是一种基于有监督编解码结构全卷积神经网络模型。将上述四种模型作为比较模型，可以更好的体现raunet模型在冬小麦提取上的优势。
[0127]
图11中a、b和c列展示了各个网络结构对密集分布小尺度冬小麦的提取效果，fcn、unet模型分割结果与原始标记图相差较大，分割结果中的冬小麦图斑边缘不清晰，轮廓粗糙，并且得到的结果不够精细，对捕获图像的细节信息不够敏感，导致尺度较小的冬小麦图斑无法得到有效的恢复。segnet和deeplabv3对于模型分割结果中冬小麦图斑边缘得到改善，对小尺度的冬小麦图斑得到部分恢复，但是冬小麦之间存在明显的粘连现象，拼接痕迹较为明显。raunet模型可以准确识别和捕获密集分布的冬小麦边界特征，能够确定相互依附的边界，精确的分离相互靠近的冬小麦。
[0128]
对于类内差异性较大的冬小麦提取结果如图11中d列所示，黄色框中的冬小麦颜色为淡绿色，冬小麦类内颜色特征差异较大。fcn和segnet对于特征差异较大的冬小麦识别能力较差，而unet和deeplabv3相对于以上两种模型得到改善，可以识别大部分此类冬小麦信息，raunet可以准确识别类内差异较大的冬小麦。
[0129]
对于类间差异性较小的绿色植被干扰下得到的冬小麦提取结果如图11中e列所示，黄色框中的绿色植物纹理、颜色特征与冬小麦十分接近，对冬小麦的精准提取造成干扰。由于冬小麦与绿色植物的类间差距较小，识别能力较差的网络错分现象较严重，fcn、unet都错误的将部分绿色植被识别为冬小麦，segnet和deeplabv3相比前两种模型表现较好，但是对于细碎的冬小麦斑块，存在不完全提取的情况。raunet具有更强的特征识别能力，可以捕捉更多的细致的分类特征，克服了与冬小麦某些特征相似的地物的干扰，较为完整提取冬小麦。
[0130]
表1给出了fcn、unet、deeplabv3、segnet、raunet(本发明方法)分割结果的混淆矩阵。混淆矩阵的每一行表示实际类别的比例，而每一列表示预测类别的比例。从表1可以看出，本发明提出的raunet模型分割效果最好，只有1.54％的冬小麦像素被错误分类为非冬小麦，2.32％非冬小麦被错误分类为冬小麦。与fcn模型相比分别减少了1.1％和0.33％、与unet模型相比分别减少了1.03％、和1.23％，与deeplabv3模型相比较，分别减少了0.71％和0.05％。与segnet模型相比较，分别减少了0.17％和1.11％。五种模型分割错误率分别为5.29％，6.12％，4.17％，5.14％，3.86％，总体而言，本发明提出的raunet模型具有最好的
分割效果。
[0131]
表1各个对比模型的混淆矩阵统计表
[0132][0133]
为了准确分析对比fcn、unet和deeplabv3、segnet、raunet五种模型的冬小麦提取精度，通过表2展示了五种模型对冬小麦提取结果的精确度(precision)、召回率(recall)、f1分数、交并比(iou)、平均交并比(miou)和总体精度(accuracy)作为精度评价指标。五种模型的定量评价结果如表2所示。通过对比表2中的数据，可以说明raunet模型的分割精度优于fcn、unet、pspnet、segnet四个对比模型。raunet在precision(96.52％)、recall(94.84％)、accuracy(96.13％)、f-score(95.81％)、iou(91.96％)、miou(92.75％)六个指标最高，raunet在iou指标上与fcn、unet、deeplabv3、segnet相比分别提升了3.01％、4.54％、1.63％，2.50％。上述分析表明，raunet模型可以较好的解决冬小麦的提取问题，相对于常规的方法显著提高了冬小麦的提取效果。
[0134]
表2各个对比模型的评价指标对比表
[0135]
评价指标fcnunetdeeplabv3segnetraunetprecision0.94020.94170.94900.96120.9652recall0.94000.92140.94660.92540.9484accuracy0.94700.93870.95300.94860.9613f1-score0.94010.93140.94780.94300.9567iou0.88700.87170.90080.89210.9171miou0.89820.88330.91060.90130.9248
[0136]
本发明提出一种融合双注意力机制的多尺度特征深度监督网络模型raunet，该模型以改进的unet模型为主干网络，图像金字塔作为输入，在解码器中对各个分支增加辅助分类器组成了侧输出层。研究结果表明，该模型在高分辨率遥感影像数据集上进行训练可
以有效识别冬小麦，且提取的冬小麦空间分布信息更加完整。
[0137]
在上述的对比实验中，对raunet模型的性能进行了评估，表2定量的评估了该模型相对于对比的四个模型具有更高的分割精度。由表2可知，raunet模型在冬小麦precision中最高为96.53％，相对与fcn、unet、deeplabv3三个模型提升分别为2.5％、2.35％、1.62％，fcn和unet的分割结果最差，而相对于segnet提升较少，但是segnet对与recall指标得分最低，结合表1可以看出，segnet对于冬小麦的错分率是除raunet模型外最低为1.71％，但是segnet的漏分高达3.43％。raunet模型在accuracy(96.13％)、f1-score(95.81％)、iou(91.96％)、miou(92.75)指标最高，raunet在iou指标上与fcn、unet和deeplabv3、segnet相比分别提升了3.01％、4.54％，1.63％，2.50％。上述结果表明raunet可以更好的平衡精确率和召回率两个指标。
[0138]
图11定性的评估了五种模型的冬小麦提取结果，图11中abc列可以看出对于密集分布小尺度冬小麦fcn、unet分割结果最差，fcn没有考虑到像素之间的关系，忽略了在基于像素分类的分割方法中空间一致性，造成分割结果轮廓粗糙。unet模型在解码过程中，连续的上采样会损失大量的边缘信息，导致分割精度的下降。而segnet和deeplabv3模型分割精度有所提升，segnet模型通过深度卷积从丰富的图像细节中提取高级语义特征。它在提取覆盖大量像素的对象时表现出优势，但是对于所覆盖的像素数量很少，或者一个像素包含多个目标对象，这种结构不仅不能提取详细的特征，而且可能由于视野的扩大而引入额外的噪声，这降低了模型分类结果的准确性，如图11中d、e列所示segnet在对于类内差别较大、类间差异较小的冬小麦识别能力较差，deeplabv3模型通过设置不同空洞卷积来捕获多尺度上下文信息，可以恢复大部分差异性较大的冬小麦图斑，但是对于纹理特征区分较弱的区域提取图斑较为破碎。而raunet模型通过构建多尺度金字塔增加网络宽度，提高每个通道的利用率，结合深度监督的优势，有效的提升该模型捕获小尺度特征的能力，有利于网络学习更多冬小麦局部感知特征。通过在主干网络中使用残差模块代替普通卷积，可以有效防止梯度爆炸、消失问题；引入空洞空间卷积池化金字塔获得更多尺度特征信息；在跳跃连接阶段，加入cbam双注意力模块，用来提高aspp的局部注意力。如图11中d列所示，该模型有效的解决了类内差别较大、类间差异较小的冬小麦识别困难问题。研究结果表明，该模型在高分辨率遥感影像数据集上进行训练可以有效识别冬小麦，且提取的冬小麦空间分布信息更加完整。但是本发明仍然存在一些不足之处，在今后的研究中还有很多可以提升的空间。在影像数据源上，仅使用了高分2号影像，今后可以考虑增加其它类型的遥感数据使用多时相数据进行冬小麦空间分布信息的提取。
[0139]
本发明提出了适用于高分辨率遥感影像对冬小麦提取的一种融合双注意力机制的多尺度特征深度监督网络raunet模型。该模型以改进的unet模型为主体结构，构建了图像金字塔输入以及含有多个辅助分类器的侧输出层。该方法将不同尺度的图像输入到编码器不同的输入路径，通过增强网络宽度提高了每一层通道的利用率，侧输出层监督每个尺度的输出映射以输出更好的结果。结合深度监督可以有效的增强级联卷积捕获小尺度特征的能力，有利于网络学习更多关于分类目标的局部感知特征，从而使模型有更好的泛化性。改进的unet模型在编码阶段采用了残差结构代替普通卷积，在加深模型网络深度的同时解决了梯度爆炸的问题，一定程度上消除原始该模型低层至高层特征的直连鸿沟，保护了信息的完整性；模型底层使用空洞空间卷积池化金字塔代替普通卷积操作，使用不同的空洞
率构建不同感受野的卷积核，用来获取多尺度冬小麦信息；在跳跃连接阶段融合了通道与空间双注意力机制，在特征图的通道维度和空间维度增加权重信息，可以有效抑制模型学习非冬小麦特征的能力，使模型更加高效、有针对性地学习；提高模型的特征提取能力。该模型针对分布密集的小尺度冬小麦图斑、冬小麦类内差距较大、冬小麦与其他作物类间差异小等问题，相比于fcn、unet、deeplabv3、segnet四种经典模型，raunet减少了对冬小麦漏分、错分和提取不完整的现象。该模型在冬小麦提取的6个指标上都有一定的提升，与其他模型相比表现出更高的精度和鲁棒性。
[0140]
实施例二
[0141]
为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供一种小麦种植区域识别系统，包括：
[0142]
数据获取模块，用于获取待识别区域的高分2号卫星数据；所述待识别区域包括小麦种植区域；所述高分2号卫星数据包括多光谱影像和全色影像。
[0143]
预处理模块，用于对所述高分2号卫星数据进行预处理，得到预处理后的高分2号卫星数据；所述预处理包括：辐射定标、大气校正、正射校正和图像融合。
[0144]
识别模块，用于根据所述预处理后的高分2号卫星数据，利用小麦种植区域识别模型确定所述待识别区域的小麦种植区域；其中，所述小麦种植区域识别模型是利用训练数据集对多尺度特征深度监督网络进行训练得到的；所述训练数据集包括训练用区域的高分2号卫星数据和小麦种植区域标签；所述多尺度特征深度监督网络包括图像金字塔输入层、改进的u-net网络和侧输出层；所述改进的u-net网络包括编码器和解码器；所述编码器包括依次连接的四个第一语义特征提取单元和一个第二语义特征提取单元；所述第一语义特征提取单元包括依次连接的残差模块和下采样层；所述第二语义特征提取单元包括空洞空间卷积池化金字塔层；所述解码器包括依次连接的四个特征融合单元；所述特征融合单元包括上采样层和卷积层；所述第一语义特征提取单元和所述特征融合单元一一对应，并且通过双注意力模块连接；所述空洞空间卷积池化金字塔层与第一个所述特征融合单元连接；所述图像金字塔输入层与所述第一语义特征提取单元一一对应；所述侧输出层包括四个分类器；所述分类器与所述特征融合单元一一对应。
[0145]
实施例三
[0146]
本发明提供了一种电子设备，包括：存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行实施例一的小麦种植区域识别方法。
[0147]
实施例四
[0148]
本发明提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现实施例一的小麦种植区域识别方法。
[0149]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0150]
本发明中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依
据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种小麦种植区域识别方法，其特征在于，包括：获取待识别区域的高分2号卫星数据；所述待识别区域包括小麦种植区域；所述高分2号卫星数据包括多光谱影像和全色影像；对所述高分2号卫星数据进行预处理，得到预处理后的高分2号卫星数据；所述预处理包括：辐射定标、大气校正、正射校正和图像融合；根据所述预处理后的高分2号卫星数据，利用小麦种植区域识别模型确定所述待识别区域的小麦种植区域；其中，所述小麦种植区域识别模型是利用训练数据集对多尺度特征深度监督网络进行训练得到的；所述训练数据集包括训练用区域的高分2号卫星数据和小麦种植区域标签；所述多尺度特征深度监督网络包括图像金字塔输入层、改进的u-net网络和侧输出层；所述改进的u-net网络包括编码器和解码器；所述编码器包括依次连接的四个第一语义特征提取单元和一个第二语义特征提取单元；所述第一语义特征提取单元包括依次连接的残差模块和下采样层；所述第二语义特征提取单元包括空洞空间卷积池化金字塔层；所述解码器包括依次连接的四个特征融合单元；所述特征融合单元包括上采样层和卷积层；所述第一语义特征提取单元和所述特征融合单元一一对应，并且通过双注意力模块连接；所述空洞空间卷积池化金字塔层与第一个所述特征融合单元连接；所述图像金字塔输入层与所述第一语义特征提取单元一一对应；所述侧输出层包括四个分类器；所述分类器与所述特征融合单元一一对应。2.根据权利要求1所述的小麦种植区域识别方法，其特征在于，对所述高分2号卫星数据进行预处理，得到预处理后的高分2号卫星数据，具体包括：对所述多光谱影像进行辐射定标、大气校正和正射校正处理，得到处理后的多光谱影像；对所述全色影像进行辐射定标和正射校正处理，得到处理后的全色影像；利用图像融合算法将所述处理后的多光谱影像和所述处理后的全色影像进行融合，得到预处理后的高分2号卫星数据。3.根据权利要求2所述的小麦种植区域识别方法，其特征在于，对所述多光谱影像进行辐射定标、大气校正和正射校正处理，得到处理后的多光谱影像，具体包括：对所述多光谱影像进行辐射定标，得到定标后的多光谱影像；对所述定标后的多光谱影像进行大气校正，得到校正后的多光谱影像；对所述校正后的多光谱影像进行正射校正，得到处理后的多光谱影像。4.根据权利要求2所述的小麦种植区域识别方法，其特征在于，对所述全色影像进行辐射定标和正射校正处理，得到处理后的全色影像，具体包括：对所述全色影像进行辐射定标，得到定标后的全色影像；对所述定标后的全色影像进行正射校正，得到处理后的全色影像。5.根据权利要求1所述的小麦种植区域识别方法，其特征在于，利用训练数据集对多尺度特征深度监督网络进行训练，具体包括：对所述训练用区域的高分2号卫星数据进行预处理，得到预处理后的训练用区域的高分2号卫星数据；对所述预处理后的训练用区域的高分2号卫星数据标注标签，得到已标注小麦种植区域标签的预处理后的训练用区域的高分2号卫星数据；
利用所述已标注小麦种植区域标签的预处理后的训练用区域的高分2号卫星数据对所述多尺度特征深度监督网络进行训练，得到所述小麦种植区域识别模型。6.一种小麦种植区域识别系统，其特征在于，包括：数据获取模块，用于获取待识别区域的高分2号卫星数据；所述待识别区域包括小麦种植区域；所述高分2号卫星数据包括多光谱影像和全色影像；预处理模块，用于对所述高分2号卫星数据进行预处理，得到预处理后的高分2号卫星数据；所述预处理包括：辐射定标、大气校正、正射校正和图像融合；识别模块，用于根据所述预处理后的高分2号卫星数据，利用小麦种植区域识别模型确定所述待识别区域的小麦种植区域；其中，所述小麦种植区域识别模型是利用训练数据集对多尺度特征深度监督网络进行训练得到的；所述训练数据集包括训练用区域的高分2号卫星数据和小麦种植区域标签；所述多尺度特征深度监督网络包括图像金字塔输入层、改进的u-net网络和侧输出层；所述改进的u-net网络包括编码器和解码器；所述编码器包括依次连接的四个第一语义特征提取单元和一个第二语义特征提取单元；所述第一语义特征提取单元包括依次连接的残差模块和下采样层；所述第二语义特征提取单元包括空洞空间卷积池化金字塔层；所述解码器包括依次连接的四个特征融合单元；所述特征融合单元包括上采样层和卷积层；所述第一语义特征提取单元和所述特征融合单元一一对应，并且通过双注意力模块连接；所述空洞空间卷积池化金字塔层与第一个所述特征融合单元连接；所述图像金字塔输入层与所述第一语义特征提取单元一一对应；所述侧输出层包括四个分类器；所述分类器与所述特征融合单元一一对应。7.一种电子设备，其特征在于，包括：存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1-5任一项所述的小麦种植区域识别方法。8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-5任一项所述的小麦种植区域识别方法。

技术总结
本发明公开一种小麦种植区域识别方法、系统、电子设备及存储介质，涉及作物种植区域识别领域，首先对获取的待识别区域的高分2号卫星数据进行预处理，然后利用小麦种植区域识别模型确定所述待识别区域的小麦种植区域。其中，小麦种植区域识别模型是利用训练数据集对多尺度特征深度监督网络进行训练得到的；所述多尺度特征深度监督网络包括图像金字塔输入层、改进的U-Net网络和侧输出层。本发明利用小麦种植区域识别模型对高分2号卫星数据中的小麦种植区域进行提取，提高了小麦种植区域识别的准确性。的准确性。的准确性。


技术研发人员：王宏 刘嘉豪
受保护的技术使用者：北京师范大学
技术研发日：2023.07.19
技术公布日：2023/10/7