一种城市五类绿地识别方法、装置、设备及存储介质

1.本发明涉及绿地识别技术领域，特别涉及一种城市五类绿地识别方法、装置、设备及存储介质。


背景技术：

2.城市五类绿地的自动化识别在生态园林城市项目工作中是不可或缺的一部分。单纯依靠人工通过获取到的社会感知数据结合处理完成的城市绿地数据去勾画和鉴别不同种类的绿地，通常需要工作人员花费很长的时间来完成，效率很低。
3.引入深度学习方法后进一步提高了自动化识别城市绿地的效率，可以根据图像特征对城市绿地进行判别和提取。并且对于城市绿地的提取，需要依赖大量数据集的支持去进行特征学习，以保证学习结果的准确性和可靠性。
4.现有的相关技术如下：
5.中国专利“基于高分辨率遥感影像的城市绿地分类的方法，申请号为cn201010593257.4”，该专利提供了一种基于高分辨率遥感影像的城市绿地分类的方法，以解决在现有的城市绿地确认方法中，工作量较大的问题。在专利“基于高分辨率遥感影像的城市绿地分类的方法”中，根据获取到的高分遥感影像通过人工的方式提取绿地，再根据城市用地的社会功能人为的将功能分区的属性分配给所在区域的绿地来实现城市绿地分类，其绿地提取的全过程均是依靠人工进行完成。
6.中国专利“一种面向图斑的高分辨率年度城市绿地遥感信息提取方法，申请号为cn202110413753.5”，该专利提供了一种面向图斑的高分辨率年度城市绿地遥感信息提取方法，采用月度ndvi与深度学习d-linknet结合进行绿地提取并通过人为目视检查等手段来判断是否保留绿地，并且是针对城市绿地整个大类，并没有进行后续的详细划分。
7.因此，现有技术存在的人为工作量高以及城市绿地划分不精细是本领域亟待解决的技术问题。


技术实现要素：

8.本发明要解决的主要技术问题是：减少工作量高，更精准可靠的对目标城市的城市绿地进行五类绿地的更为精细的划分。
9.为了解决上述技术问题，本发明采取的技术方案是：提供了一种城市五类绿地识别方法、装置、设备及存储介质，采用了segformer的深度学习方法，该深度学习方法设计了更加适合语义分割的transformer encoder以及简单轻量级的的mlp decoder，反映出其良好的鲁棒性；由于在实际应用中，训练集和测试集可能在区域、分辨率、规模和风格上有所不同，这导致了不同的特征分布，因此本发明结合了社会感知数据制作目标城市的样本，来缩小源域与目标域的特征差异，使模型提取到更具有判别性的特征，并且采用了离线自监督学习的方式去训练模型，在面对没有大量标注数据的新任务时提升了模型的特征提取能力。在保持提取五类绿地的一定精确度的前提下，减少人为工作量，提高效率和自动化程
度，能够更加精准可靠的对目标城市进行五类绿地的更为精细的划分。
10.根据本发明的第一方面，一种城市五类绿地识别方法，包括以下步骤：
11.制作包含社会感知数据的第一绿地样本和第二绿地样本；
12.将所有样本划分为训练集和验证集；
13.使用深度学习方法segformer作为baseline，训练模型；
14.使用训练得到的模型对目标城市的五类绿地进行预测，获取预测结果；
15.根据预测结果，在原始影像上进行裁剪，制作五类绿地样本；
16.根据五类绿地样本的置信度，选择其中置信度排名靠前的样本作为伪标签，加入训练集再训练模型；
17.利用再训练得到的模型对目标城市的五类绿地进行预测，得到目标城市的五类绿地识别结果。
18.进一步地，所述制作第一绿地样本的步骤包括：
19.利用arcgis软件，对研究区内的高分遥感影像中的城市绿地进行勾画；
20.将勾画得到的数据叠加上社会感知数据，然后用勾画好的五类绿地图斑对原始影像中的绿地进行裁剪，提取出城市五类绿地；
21.将提取出的五类绿地影像裁剪成尺寸为512
×
512像素大小的图像，并制作成第一绿地样本。
22.进一步地，所述制作第二绿地样本的步骤包括：
23.将目标城市的高分遥感影像数据作为数据源，利用envi软件中的band math工具计算ndvi；
24.通过调整ndvi的阈值找到最适合于目标城市的ndvi阈值范围，并且选择该阈值范围内提取效果好的部分区域提取出绿地信息，导出最终的shp文件；
25.将导出的shp文件叠加社会感知数据，提取出城市五类绿地；
26.将提取出的五类绿地影像裁剪成尺寸为512
×
512像素大小的图像，并制作成第二绿地样本。
27.更进一步地，在envi软件中，ndvi计算公式如下：
28.(float(b4)-float(b3))/(float(b4)+float(b3))
29.其中，b4为近红外波段，b3为红光波段，float()为实函数。
30.进一步地，所述segformer包括：层次化transformer encoder和decoder；
31.层次化transformer encoder是segformer的核心部分，由多个transformer block组成的，每个transformer block包含了多头自注意力机制和前向网络；
32.decoder由多个全连接层组成。
33.进一步地，采用离线自监督学习的方式训练或再训练模型，所述离线自监督学习的方式训练模型的步骤包括：
34.使用已有标签城市的数据训练模型；
35.使用训练的模型为无标签的城市数据预测标签；
36.同时使用预测得到的标签和已有标签数据集重新训练模型；
37.将训练得到的最终模型用于对验证集的最终预测。
38.进一步地，所述根据五类绿地样本的置信度，选择其中置信度排名靠前的样本作
为伪标签，加入训练集再训练模型的步骤中，样本置信度计算方法如下：
39.统计模型对每张影像的预测结果，计算每张影像所有像素的预测概率之和，选出所有影像概率之和的排名前20％用于模型的再训练。
40.根据本发明的第二方面，一种实施所述方法的城市五类绿地识别装置，包括以下模块：
41.样本制作模块，用于制作包含社会感知数据的第一绿地样本和第二绿地样本；
42.样本划分模块，用于将所有样本划分为训练集和验证集；
43.初步训练模块，用于使用深度学习方法segformer作为baseline，训练模型；
44.初步预测模块，用于使用训练得到的模型对目标城市的五类绿地进行预测，获取预测结果；
45.影像裁剪模块，用于根据预测结果，在原始影像上进行裁剪，制作五类绿地样本；
46.再训练模块，用于根据五类绿地样本的置信度，选择其中置信度排名靠前的样本作为伪标签，加入训练集再训练模型；
47.再预测模块，用于利用再训练得到的模型对目标城市的五类绿地进行预测，得到目标城市的五类绿地识别结果。
48.根据本发明的第三方面，一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的城市五类绿地识别方法的步骤。
49.根据本发明的第四方面，一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的城市五类绿地识别方法的步骤。
50.本发明提供的技术方案具有以下有益效果：
51.与现有技术相比，本发明提出的技术方案中，根据已经获取到的城市绿地数据以及五类绿地的规则，利用ndvi去提取目标城市的绿地并且叠加与之相关的社会感知数据制作成所需要的样本(挑选ndvi识别较好的部分区域)，使模型提取到更具有判别性的特征，并且使用深度学习方法segformer和离线自监督学习的方式去训练模型，一定程度上解决了单纯依靠提供的城市规划图和人工辨别勾画五类绿地造成的工作量大、效率低和自动化程度低的问题，实现了城市绿地中五类绿地的准确提取，提高了工作效率。
附图说明
52.下面将结合附图及实施例对本发明作进一步说明，附图中：
53.图1为本发明一种城市五类绿地识别方法的总体流程图；
54.图2为本发明segformer网络的结构图；
55.图3为本发明一种城市五类绿地识别装置的结构示意图；
56.图4为本发明一种电子设备的结构示意图。
具体实施方式
57.为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
58.参考图1，图1为本发明一种城市五类绿地识别方法的总体流程图，该方法具体包
括以下步骤：
59.s1、制作包含社会感知数据的第一绿地样本和第二绿地样本；
60.s2、将所有样本划分为训练集和验证集；
61.s3、使用深度学习方法segformer作为baseline，训练模型；
62.s4、使用训练得到的模型对目标城市的五类绿地进行预测，获取预测结果；
63.s5、根据预测结果，在原始影像上进行裁剪，制作五类绿地样本；
64.s6、根据五类绿地样本的置信度，选择其中置信度排名靠前的样本作为伪标签，加入训练集再训练模型；
65.s7、利用再训练得到的模型对目标城市的五类绿地进行预测，得到目标城市的五类绿地识别结果。
66.基于但不限于上述方法，s1中的制作第一绿地样本具体包括以下步骤：
67.s1.1、利用arcgis软件，对研究区内的高分遥感影像中的城市绿地进行勾画；
68.s1.2、将勾画得到的数据叠加上社会感知数据如社交媒体数据、公共分享平台数据、开放街道地图数据、无人机图像数据等，然后用勾画好的五类绿地图斑对原始影像中的绿地进行裁剪，提取出城市五类绿地；
69.s1.3、将提取出的五类绿地影像裁剪成尺寸为512
×
512像素大小的图像，并制作成第一绿地样本。
70.基于但不限于上述方法，s1中制作第二绿地样本具体包括以下步骤：
71.s1.4、将目标城市的高分遥感影像数据作为数据源，利用envi软件中的band math工具计算ndvi；
72.s1.5、通过调整ndvi的阈值找到最适合于目标城市的ndvi阈值范围，并且选择该阈值范围内提取效果较好的部分区域提取出绿地信息，导出最终的shp文件；
73.实现步骤：
74.(1)设置初始阈值：根据经验或相关文献中类似城市的研究结果设定一个初始阈值；
75.(2)使用初始阈值根据s1.4计算得到的ndvi值创建一个二值掩膜图形，将ndvi高于阈值的像素设置为1(代表绿地)，低于阈值的像素设置为0(代表非绿地)；
76.(3)将掩膜图像与目标城市的真实数据进行对比，并计算掩膜图像的精准度；
77.(4)根据结果根据对比结果，如果发现绿地或非绿地的提取准确性不高，可以调整阈值。如果绿地被低估，可以降低阈值；如果非绿地被错误地分类为绿地，可以增加阈值。反复进行此步骤，逐步调整阈值，直到获得较好的结果。
78.(5)根据调整的结果确定最适合于目标城市的ndvi阈值范围。
79.s1.6、将导出的shp文件叠加社会感知数据，提取出城市五类绿地；
80.s1.7、将提取出的五类绿地影像裁剪成尺寸为512
×
512像素大小的图像，并制作成第二绿地样本。
81.进一步地，在envi软件中，ndvi计算公式如下：
82.(float(b4)-float(b3))/(float(b4)+float(b3))
83.其中，b4为近红外波段，b3为红光波段，float()为实函数。
84.基于但不限于上述方法，步骤s2中，将所有样本按照8:2的比例划分为训练集和验
证集。
85.基于但不限于上述方法，步骤s6中具体实现如下：统计模型对每张影像的预测结果，计算每张影像所有像素的预测概率之和，选出所有影像概率之和的排名前20％用于模型的再训练。
86.本发明实施例的关键点还在于以下几点：
87.关键点1：步骤s3中，使用深度学习方法segformer作为baseline，对高分影像数据的城市绿地进行识别。如图2所示，segformer主要由两部分组成：层次化transformer encoder(编码器)和decoder(解码器)；
88.其中层次化transformer encoder主要包括三个部分：efficient self-attention.、mix-ffn、overlapped patch merging。在编码器中采用大量的自注意力模块(efficient self-attention.)可以减少计算复杂度，相较于tranformer的位置编码，segformer采用mix-ffn来传递位置信息，并为了获取multi-scale的多层特征,设计了一种overlapped的patch merge方法。之所以patch之间要存在overlap，主要是为了保证空间上的语意连贯性。decoder仅由几个全连接层(fc)构成：其优势在于感受野比普通cnn要更大更有效，同时很轻量化。decoder由linear和upsample模块构成，用于将multi-scale的特征融合，做出最后的分割预测；segformer不仅在经典语义分割数据集(如：ade20k,cityscapes,coco stuff)上取得了sota的精度同时速度较高，而且在cityscapes-c(对测试图像加各种噪声)上大幅度超过之前的方法(如：deeplabv3+)，反映出其良好的鲁棒性。
89.关键点2：根据五类绿地(公园绿地、附属绿地、防护绿地、广场绿地、区域绿地)的定义进行不同种类的特征划分，例如公园绿地的位置通过植物、建筑、水系做适当的边缘界线标识，并与周围交通网以及建筑群保持较为紧密的联系，且公园绿地中具有一定的设施供大众使用如问询处、餐厅、洗手间、小卖部、电话亭、休闲亭、健身设施、展览馆，故而其纹理复杂，形状相对规则。附属绿地主要以道路绿地、工厂与企事业绿地、居住绿地为主，由于其附属性，因此其多位于建筑物以及道路旁边，其纹理特征不明显，面积较小，形状不规则。广场用地纹理特征不明显，面积较小。防护绿地纹理相对单一，大多为带状。区域绿地纹理单一，面积较大，多分布在城市的边缘地带。
90.关键点3：在实际应用中，由于训练集和测试集可能在区域、分辨率、规模和风格上有所不同，这导致了不同的特征分布，这种现象称为数据移位。带有标签的训练集通常被定义为源域(sd)，而没有标签的测试集被定义为目标域(td)。
91.本发明通过计算目标城市的归一化植被指数(ndvi)来提取绿地，选择目标城市中ndvi识别较好的部分区域，进而制作成绿地样本，再根据五类绿地的分类要求分辨五类绿地，制作五类绿地样本，加入训练集，从而缩小源域与目标域的特征差异，使模型提取到更具有判别性的特征。
92.关键点4：本发明利用离线自监督学习的方式来训练模型，有效的增强绿地识别的有效性和鲁棒性。步骤为：
93.第一步：使用已有标签城市的数据训练模型
94.第二步：使用训练的模型为无标签的城市数据预测标签
95.第三步：同时使用步骤二的预测标签和步骤一中已有标签数据集重新训练模型
96.第四步：将第三步中训练的最终模型用于对测试数据的最终预测。
97.为了更好地将知识从源域传递到目标域，自监督方法为目标域数据生成伪标签。当我们面临一个没有大量标注数据的新领域新任务时，可以通过离线自监督学习来提升模型的特征提取能力，进一步提升了在有限标签情况下的提取性能。
98.下面对本发明提供的一种城市五类绿地识别装置进行描述，下文描述的城市五类绿地识别装置与上文描述的城市五类绿地识别方法可相互对应参照。
99.如图3所示，一种城市五类绿地识别装置，包括以下模块：
100.样本制作模块001，用于制作包含社会感知数据的第一绿地样本和第二绿地样本；
101.样本划分模块002，用于将所有样本划分为训练集和验证集；
102.初步训练模块003，用于使用深度学习方法segformer作为baseline，训练模型；
103.初步预测模块004，用于使用训练得到的模型对目标城市的五类绿地进行预测，获取预测结果；
104.影像裁剪模块005，用于根据预测结果，在原始影像上进行裁剪，制作五类绿地样本；
105.再训练模块006，用于根据五类绿地样本的置信度，选择其中置信度排名靠前的样本作为伪标签，加入训练集再训练模型；
106.再预测模块007，用于利用再训练得到的模型对目标城市的五类绿地进行预测，得到目标城市的五类绿地识别结果。
107.基于但不限于上述装置，所述样本制作模块001具体用于执行以下步骤：
108.利用arcgis软件，对研究区内的高分遥感影像中的城市绿地进行勾画；
109.将勾画得到的数据叠加上社会感知数据，然后用勾画好的五类绿地图斑对原始影像中的绿地进行裁剪，提取出城市五类绿地；
110.将提取出的五类绿地影像裁剪成尺寸为512
×
512像素大小的图像，并制作成第一绿地样本。
111.将目标城市的高分遥感影像数据作为数据源，利用envi软件中的band math工具计算ndvi；
112.通过调整ndvi的阈值找到最适合于目标城市的ndvi阈值范围，并且选择该提取效果较好的部分区域提取出绿地信息，导出最终的shp文件；
113.将导出的shp文件叠加社会感知数据，提取出城市五类绿地；
114.将提取出的五类绿地影像裁剪成尺寸为512
×
512像素大小的图像，并制作成第二绿地样本。
115.进一步地，在envi软件中，ndvi计算公式如下：
116.(float(b4)-float(b3))/(float(b4)+float(b3))
117.其中，b4为近红外波段，b3为红光波段，float()为实函数。
118.基于但不限于上述装置，所述样本划分模块002，具体用于将所有样本按照8:2的比例划分为训练集和验证集。
119.基于但不限于上述装置，所述再训练模块006，具体用于统计模型对每张影像的预测结果，计算每张影像所有像素的预测概率之和，选出所有影像概率之和的排名前20％用于模型的再训练。
120.如图4所示，示例了一种电子设备的实体结构示意图，该电子设备可以包括：处理
器(processor)610、通信接口(communications interface)620、存储器(memory)630和通信总线640，其中，处理器610、通信接口620、存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行上述城市五类绿地识别方法的步骤，具体包括：制作包含社会感知数据的第一绿地样本和第二绿地样本；将所有样本划分为训练集和验证集；使用深度学习方法segformer作为baseline，训练模型；使用训练得到的模型对目标城市的五类绿地进行预测，获取预测结果；根据预测结果，在原始影像上进行裁剪，制作五类绿地样本；根据五类绿地样本的置信度，选择其中置信度排名靠前的样本作为伪标签，加入训练集再训练模型；利用再训练得到的模型对目标城市的五类绿地进行预测，得到目标城市的五类绿地识别结果。
121.此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random15 access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
122.又一方面，本发明实施例还提供了一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述城市五类绿地识别方法的步骤，具体包括：制作包含社会感知数据的第一绿地样本和第二绿地样本；将所有样本划分为训练集和验证集；使用深度学习方法segformer作为baseline，训练模型；使用训练得到的模型对目标城市的五类绿地进行预测，获取预测结果；根据预测结果，在原始影像上进行裁剪，制作五类绿地样本；根据五类绿地样本的置信度，选择其中置信度排名靠前的样本作为伪标签，加入训练集再训练模型；利用再训练得到的模型对目标城市的五类绿地进行预测，得到目标城市的五类绿地识别结果。
123.总的来说，考虑到现有技术存在的人为工作量高以及城市绿地划分不精细的缺陷，本发明采用了segformer的深度学习方法，该深度学习方法设计了更加适合语义分割的transformer encoder以及简单轻量级的的mlp decoder，反映出其良好的鲁棒性；由于在实际应用中，训练集和测试集可能在区域、分辨率、规模和风格上有所不同，这导致了不同的特征分布，因此本发明结合了社会感知数据制作目标城市的样本，来缩小源域与目标域的特征差异，使模型提取到更具有判别性的特征，并且采用了离线自监督学习的方式去训练模型，在面对没有大量标注数据的新任务时提升了模型的特征提取能力。因此相对于现有技术，本发明在能在保持提取五类绿地的一定精确度的前提下，减少人为工作量，提高效率和自动化程度，能够更加精准而可靠的对目标城市的城市绿地进行五类绿地的更为精细的划分。
124.同时本发明采用离线自监督的学习的方式来训练模型来替代segformer原有的监督学习的学习方式，相较于segformer原有的学习方式，采用离线自监督的学习的方式来训练模型具有其优势如下：可以使用更大规模的无标签数据进行训练，从而学习到更加丰富的特征表达和更好的表示学习能力。可以使用多种不同的任务进行训练，从而提高模型的
泛化能力和鲁棒性。可以避免手动标注数据的成本和错误，从而降低训练成本和提高训练效率。可以在特定任务的有标签数据不足时，利用大量的无标签数据进行预训练，从而提高模型在特定任务上的性能。
125.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
126.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为标识。
127.以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种城市五类绿地识别方法，其特征在于，包括以下步骤：制作包含社会感知数据的第一绿地样本和第二绿地样本；将所有样本划分为训练集和验证集；使用深度学习方法segformer作为baseline，训练模型；使用训练得到的模型对目标城市的五类绿地进行预测，获取预测结果；根据预测结果，在原始影像上进行裁剪，制作五类绿地样本；根据五类绿地样本的置信度，选择其中置信度排名靠前的样本作为伪标签，加入训练集再训练模型；利用再训练得到的模型对目标城市的五类绿地进行预测，得到目标城市的五类绿地识别结果。2.根据权利要求1所述的城市五类绿地识别方法，其特征在于，所述制作第一绿地样本的步骤包括：利用arcgis软件，对研究区内的高分遥感影像中的城市绿地进行勾画；将勾画得到的数据叠加上社会感知数据，然后用勾画好的五类绿地图斑对原始影像中的绿地进行裁剪，提取出城市五类绿地；将提取出的五类绿地影像裁剪成尺寸为512
×
512像素大小的图像，并制作成第一绿地样本。3.根据权利要求1所述的城市五类绿地识别方法，其特征在于，所述制作第二绿地样本的步骤包括：将目标城市的高分遥感影像数据作为数据源，利用envi软件中的band math工具计算ndvi；通过调整ndvi的阈值找到最适合于目标城市的ndvi阈值范围，并且选择在该阈值范围中提取效果好的部分区域提取出绿地信息，导出最终的shp文件；将导出的shp文件叠加社会感知数据，提取出城市五类绿地；将提取出的五类绿地影像裁剪成尺寸为512
×
512像素大小的图像，并制作成第二绿地样本。4.根据权利要求3所述的城市五类绿地识别方法，其特征在于，在envi软件中，ndvi计算公式如下：(float(b4)-float(b3))/(float(b4)+float(b3))其中，b4为近红外波段，b3为红光波段，float()为实函数。5.根据权利要求1所述的城市五类绿地识别方法，其特征在于，所述segformer包括：层次化transformer encoder和decoder；层次化transformer encoder是segformer的核心部分，由多个transformer block组成的，每个transformer block包含了多头自注意力机制和前向网络；decoder由多个全连接层组成。6.根据权利要求1所述的城市五类绿地识别方法，其特征在于，采用离线自监督学习的方式训练或再训练模型，所述离线自监督学习的方式训练模型的步骤包括：使用已有标签城市的数据训练模型；使用训练的模型为无标签的城市数据预测标签；
同时使用预测得到的标签和已有标签数据集重新训练模型；将训练得到的最终模型用于对验证集的最终预测。7.根据权利要求1所述的城市五类绿地识别方法，其特征在于，所述根据五类绿地样本的置信度，选择其中置信度排名靠前的样本作为伪标签，加入训练集再训练模型的步骤中，样本置信度计算方法如下：统计模型对每张影像的预测结果，计算每张影像所有像素的预测概率之和，选出所有影像概率之和的排名前20％用于模型的再训练。8.一种实施权利要求1-7任一项所述方法的城市五类绿地识别装置，其特征在于，包括以下模块：样本制作模块，用于制作包含社会感知数据的第一绿地样本和第二绿地样本；样本划分模块，用于将所有样本划分为训练集和验证集；初步训练模块，用于使用深度学习方法segformer作为baseline，训练模型；初步预测模块，用于使用训练得到的模型对目标城市的五类绿地进行预测，获取预测结果；影像裁剪模块，用于根据预测结果，在原始影像上进行裁剪，制作五类绿地样本；再训练模块，用于根据五类绿地样本的置信度，选择其中置信度排名靠前的样本作为伪标签，加入训练集再训练模型；再预测模块，用于利用再训练得到的模型对目标城市的五类绿地进行预测，得到目标城市的五类绿地识别结果。9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的城市五类绿地识别方法的步骤。10.一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的城市五类绿地识别方法的步骤。

技术总结
本发明公开了一种城市五类绿地识别方法、装置、设备及存储介质，该方法包括：制作包含社会感知数据的第一绿地样本和第二绿地样本；将所有样本划分为训练集和验证集；使用深度学习方法SegFormer作为baseline，训练模型；使用训练得到的模型对目标城市的五类绿地进行预测；根据预测结果，在原始影像上进行裁剪，制作五类绿地样本；选取五类绿地样本中置信度排名靠前的样本作为伪标签，加入训练集再训练模型；利用再训练得到的模型对目标城市的五类绿地进行预测，得到目标城市的五类绿地识别结果。本发明能在保持提取五类绿地的一定精度的前提下，减少人为工作量，提高效率和自动化程度，能够更加精准可靠的对目标城市进行五类绿地的更为精细的划分。的更为精细的划分。的更为精细的划分。


技术研发人员：林伟华 刘福江 郭艳 张德雄 梁伟超 王勉之 张政 邵泉森 王宪彬 韩媛 高千凯
受保护的技术使用者：中国地质大学（武汉）
技术研发日：2023.05.24
技术公布日：2023/8/24