基于Swin-Transformer的耕地自动识别与提取方法研究

作     者：程 

作者单位：重庆交通大学 

学位级别：硕士

导师姓名：韦春桃

授予年度：2024年

学科分类：082804[工学-农业电气化与自动化] 08[工学] 0828[工学-农业工程] 09[农学] 0903[农学-农业资源与环境] 

主      题：耕地识别 Swin-Transformer RC-MSA自注意力机制 语义分割 土地类型分类 

摘      要：耕地和人们生活密切相关,随着农村的发展,城乡结合处出现如耕地撂荒、毁林开垦、退耕还林政策实施不到位等问题,导致耕地与其他区域难以分辨,边界模糊。基于卫星影像处理技术和深度学习识别技术的结合,遥感影像能很好的作用于土地类型分类与地物识别上,提高地物的识别精度,逐步解决上述问题,但目前还存在以下不足:(1)遥感影像中由于存在与耕地具有类似光谱和形态特征的地物,该地物的变化会导致识别结果出现错检。(2)由于深度学习模型识别过程中特征关系不联系导致识别边缘不完整或识别结果碎片化。(3)深度学习模型随着模型的更新迭代,采用更多的模块,参数量变大,模型硬件需求高,程序运行时数据冗余度变大。针对上述问题,本文使用经过改进的深度学习模型进行耕地地块的识别和提取,为国家耕地规划提供更好的数据处理手段支持。本文的主要工作内容如下: (1)使用Swin-Transformer模型训练并进行耕地识别,分析其中增加的可变感受野模块和移动自注意力模块对耕地识别的优势。为研究Swin-Transformer模型,本文使用数据集LOVEda作为训练集,以河南省安阳市为研究区对U-net、PSPNet、HRNet、Deeplab V3+和Swin-Transformer进行训练精度与识别结果对比。对比试验表明,Swin-Transformer为最优模型且能有效的减少地物识别的错检漏检问题。 (2)提出了改进交叉自注意力窗口模块,并使用改进的RC-Swin-T网络模型进行耕地识别。结果表明RC-Swin-T模型在提出的三种改进模型中最优,可以有效解决结果图破碎、边缘等问题。 (3)结合RC-Swin-T模型,提出了一套基于遥感影像数据的耕地自动识别与提取的完整流程。本文使用带有最佳权重的深度学习模型,修改激活函数,将程序中的八位位深图转换为两位,将耕地赋单独参数,其他7类赋统一参数,由此得到一套完整的使用深度学习模型框架做耕地识别与提取的流程。