基于改进UPerNet和国产高分遥感数据的冬小麦种植区提取.docxVIP

毕业设计（论文）

PAGE

1-

毕业设计（论文）报告

题目：

基于改进UPerNet和国产高分遥感数据的冬小麦种植区提取

学号：

姓名：

学院：

专业：

指导教师：

起止日期：

基于改进UPerNet和国产高分遥感数据的冬小麦种植区提取

摘要：本文针对冬小麦种植区提取问题，提出了一种基于改进UPerNet和国产高分遥感数据的冬小麦种植区提取方法。首先，对UPerNet网络结构进行改进，提高网络对小尺度目标的检测能力；其次，针对国产高分遥感数据的特点，设计了一种自适应的预处理方法，以增强数据的质量；然后，结合遥感影像的光谱、纹理和几何信息，构建了冬小麦种植区提取模型；最后，通过实验验证了所提方法的有效性，结果表明，该方法在冬小麦种植区提取方面具有较高的精度和稳定性。关键词：冬小麦种植区；遥感数据；UPerNet；提取方法；精度

前言：随着遥感技术的快速发展，遥感影像在农业领域得到了广泛的应用。冬小麦作为我国主要粮食作物之一，其种植面积的准确提取对于农业生产具有重要意义。传统的冬小麦种植区提取方法主要依赖于人工解译和半自动方法，存在效率低、精度差等问题。近年来，深度学习技术在遥感影像分类和目标检测领域取得了显著成果。UPerNet作为一种高效的语义分割网络，在遥感影像目标检测方面具有良好性能。然而，UPerNet在处理小尺度目标时，仍存在一些不足。针对这些问题，本文提出了一种基于改进UPerNet和国产高分遥感数据的冬小麦种植区提取方法，以提高提取精度和稳定性。

一、1改进UPerNet网络结构

1.1UPerNet网络结构介绍

UPerNet（Unet-likePerceptualNetwork）是一种基于深度学习的语义分割网络，它结合了Unet网络的编码器-解码器结构和感知器网络的特点，旨在提高目标检测的精度和速度。UPerNet的网络结构主要由以下几个部分组成。

首先，UPerNet的编码器部分采用了多尺度特征提取的策略。它包含多个卷积层，每个卷积层后面都接有ReLU激活函数和批归一化层。在编码器中，每个卷积层通过卷积操作提取不同尺度的图像特征，并通过池化操作降低特征图的分辨率。例如，在UPerNet中，编码器部分通常包含4个卷积层，分别对应不同的特征图分辨率。在第一个卷积层中，使用3x3的卷积核，步长为1，以获取原始图像的高层语义信息；在后续的卷积层中，逐渐增加卷积核的大小和步长，以提取更多细节信息。

其次，UPerNet的解码器部分则通过上采样和跳跃连接恢复图像的分辨率。解码器中的每个卷积层与编码器中对应层的卷积层进行跳跃连接，将编码器提取的特征图与解码器中生成的特征图进行融合。这种融合策略有助于保留图像的细节信息，同时结合高层语义信息，从而提高分割的准确性。解码器部分通常包含与编码器相同数量的卷积层，但卷积核的大小和步长逐渐减小，以逐步恢复图像的分辨率。

最后，UPerNet引入了感知器网络的结构，以进一步提升特征提取的能力。感知器网络由多个卷积层和全连接层组成，主要用于提取图像的高级特征。在UPerNet中，感知器网络被插入到编码器和解码器之间，以增强网络对图像特征的提取能力。感知器网络的输入是编码器提取的特征图，输出是经过感知器处理后的特征图。这种结构使得UPerNet在网络训练过程中能够更好地学习图像的复杂特征。

在实际应用中，UPerNet在多个遥感影像目标检测任务中展现了优异的性能。例如，在2018年的DOTA数据集上，UPerNet实现了0.735的平均精度（mAP），在多个类别上均取得了较高的检测精度。此外，在2019年的COCO数据集上，UPerNet在目标检测任务中也取得了0.407的mAP，优于许多其他目标检测算法。这些案例表明，UPerNet在网络结构和性能上都具有显著的优势，使其成为遥感影像目标检测领域的一个重要研究方向。

1.2改进UPerNet网络结构

(1)为了提升UPerNet在小尺度目标检测方面的性能，我们对网络结构进行了多项改进。首先，在编码器部分，我们引入了多尺度卷积块，这些卷积块能够同时提取多个尺度的特征，从而提高网络对小尺度目标的识别能力。其次，我们优化了跳跃连接的设计，通过使用深度可分离卷积，减少了网络参数的数量，同时保持了特征的丰富性。

(2)在解码器部分，我们引入了残差连接来减轻梯度消失问题，确保网络在训练过程中能够稳定地学习。此外，为了提高上下文信息传递的效率，我们在解码器中使用了扩展的跳跃连接，允许更远距离的特征图参与特征融合。这些改进使得解码器能够更好地恢复图像的细节信息。

(3)为了进一步增强感知器网络的能力，我们在UPerNet中增加了注意力机制。通过使用SENet（Squeeze-and-