(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210610395.1 (22)申请日 2022.05.31 (71)申请人 汶上县林业保护和发展服 务中心 地址 272501 山东省济宁市汶上县圣 泽大 街东段89号- 3室 (72)发明人 张春燕　杨斌　陈勉　 (74)专利代理 机构 西安嘉思特知识产权代理事 务所(普通 合伙) 6123 0 专利代理师 刘长春 (51)Int.Cl. G06V 20/10(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/26(2022.01) G06V 10/764(2022.01)G06V 10/77(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 基于深度学习的遥感影像矿区复绿监测方 法及系统 (57)摘要 本发明公开了一种基于深度学习的遥感影 像矿区复绿监测方法及系统， 该方法包括： 获取 监测区域多源遥感影像历史数据并进行预处理， 得到初始数据集； 构建包括超分辨率重构网络、 数据融合网络和语义分割网络的深度学习网络 模型； 基于初始数据集依次对超分辨率重构网 络、 数据融合网络和语义分割网络进行训练， 得 到训练好的深度学习网络模型； 利用训练好的深 度学习网络模型对监测区域的当前影像数据进 行处理， 得到监测区域的分类结果， 以实现对矿 区复绿的监测。 本发明通过将深度学习、 遥感技 术及矿区复绿监测相结合， 并利用多源多尺度遥 感数据及其融合数据实现了矿区复绿监测， 极大 提升了矿区复绿监测的准确性和精度。 权利要求书2页 说明书11页 附图7页 CN 115240066 A 2022.10.25 CN 115240066 A 1.一种基于深度学习的遥感影 像矿区复绿监测方法， 其特 征在于， 包括： 步骤1： 获取待监测区域多源遥感影 像历史数据并进行 预处理， 得到初始数据集； 步骤2： 构建包括超分辨率重构网络、 数据融合网络和语义分割网络的深度学习网络模 型； 步骤3： 基于所述初始数据集依次对所述超分辨率重构网络、 所述数据融合网络和所述 语义分割网络进行训练， 得到训练好的深度学习网络模型； 步骤4： 利用训练好的深度 学习网络模型对待监测区域的当前影像数据进行处理， 得到 待监测区域的分类结果， 以实现对 矿区复绿的监测。 2.根据权利要求1所述的基于深度学习的遥感影像矿区复绿监测方法， 其特征在于， 步 骤2中构建的数据融合网络包括依次连接的编码模块、 融合模块和解码模块； 所述编码模块包括若干个特征提取单元， 每个特征提取单元均包括一个第 一卷积层和 一个密集 块； 其中， 所述第一卷积层包括一个3 ×3大小的滤波器， 所述密集块包括多个级联的第二卷积 层； 所述解码模块包括若干个级联的第三卷积层。 3.根据权利要求1所述的基于深度学习的遥感影像矿区复绿监测方法， 其特征在于， 步 骤3包括： 基于所述初始数据集构建第一训练样本， 以对所述超分辨 率重构网络进行训练； 利用训练好的超分辨 率重构网络对所述初始数据集进行处 理， 得到超分辨 率数据； 基于所述超分辨 率数据构建第二训练样本， 以对所述数据融合网络进行训练； 利用训练好的数据融合网络对所述超分辨 率数据进行处 理， 得到融合数据； 基于所述融合数据构建第三训练样本， 以对所述语义分割 网络进行训练， 得到训练好 的深度学习网络模型。 4.根据权利要求3所述的基于深度学习的遥感影像矿区复绿监测方法， 其特征在于， 基 于所述融合数据构建第三训练样本， 以对所述语义分割网络进行训练， 包括： 对所述融合数据进行裁 剪、 数据增强以及标注处 理， 得到第三训练样本； 将所述第三训练样本按照一定比例划分为训练集和验证集； 分别利用所述训练集和所述验证集对所述语义分割网络进行训练和验证， 得到训练好 的语义分割网络 。 5.根据权利要求1所述的基于深度学习的遥感影像矿区复绿监测方法， 其特征在于， 步 骤4包括： 将待监测区域的当前影 像数据输入到训练好的深度学习网络模型中； 若待监测区域的当前影 像数据为单源遥感影 像数据， 则： 依次利用训练好的超分辨率重构网络和语义分割网络对所述单源遥感影像数据进行 超分辨率重构和语义分割处 理， 得到分类结果； 或者 直接利用训练好的语义分割网络对所述单源遥感影像数据进行语义分割处理， 得到分 类结果； 若待监测区域的当前影 像数据为多源遥感影 像数据， 则： 利用训练好的超分辨率重构网络对所述多源遥感影像数据中的低分辨率数据进行超权　利　要　求　书 1/2 页 2 CN 115240066 A 2分辨率重构， 得到超分辨 率图像； 利用训练好的数据融合网络对所述超分辨 率图像进行融合处 理， 得到融合图像； 利用训练好的语义分割网络对所述融合图像进行语义分割， 得到分类结果。 6.根据权利要求1所述的基于深度学习的遥感影像矿区复绿监测方法， 其特征在于， 在 得到待监测区域的分类结果之后， 还 包括： 采用全连接条件随机场对分类结果进行图像后处 理。 7.一种基于深度学习的遥感影像矿区复绿监测系统， 其特征在于， 包括数据获取模块 (1)和深度学习网络模型(2)； 其中， 所述深度学习网络模型(2)包括超分辨率重构网络 (21)、 数据融合网络(2 2)和语义分割网络(23)； 当所述基于深度融合的遥感影像矿区复绿监测系统在实现矿区复绿监测时， 执行以下 步骤： 利用所述数据获取模块(1)获取待监测区域多源遥感影像历史数据并进行预处理， 得 到初始数据集； 基于所述初始数据集依次对所述超分辨率重构网络(2 1)、 所述数据融合网络(22)和所 述语义分割网络(23)进行训练， 得到训练好的深度学习网络模型(2)； 利用训练好的深度学习网络模型(2)对待监测区域的当前影像数据进行处理， 得到待 监测区域的分类结果， 以实现对 矿区复绿的监测。 8.根据权利要求7所述的基于深度学习的遥感影像矿区复绿监测系统， 其特征在于， 还 包括： 优化模块(3)， 用于采用全连接条件随机场对所述分类结果进行图像后处 理。 9.根据权利要求8所述的基于深度学习的遥感影像矿区复绿监测系统， 其特征在于， 还 包括： 精度分析模块(4)， 用于对所述分类结果进行精度评估。 10.根据权利要求9所述的基于深度学习的遥感影像矿区复绿监测系统， 其特征在于， 还包括： 动态监测模块(5)， 用于根据多源遥感影像历史数据和精度评估结果实现对矿区复绿 的动态监测。权　利　要　求　书 2/2 页 3 CN 115240066 A 3