A remote sensing image processing method based on edge computing and deep learning
Yuli Song · Hong Zhang
提出边缘计算与深度学习结合的遥感图像分类方法，用改进3D CNN实现低延迟高精度土地覆盖识别。
ACS-E3DCNN模型，结合自适应变色龙群优化超参数，用Kaggle 5631
准确率98.10%、F1为96.85%、延迟85ms，优于现有方法，支持低延迟边缘处理。
可探索边缘端轻量化模型在农田实时监测中的部署，结合多光谱与时序数据提升作物分类泛化性。
该论文提出边缘计算与深度学习结合的遥感图像分类方法，在农业土地覆盖识别上精度高、延迟低，对智慧农业遥感应用有参考价值，但属方法类研究，产业影响有限。
人工智能（AI）与边缘计算的快速发展，提升了对高精度、低延迟遥感图像分类的需求；然而，传统的以云为中心的方法在处理延迟、通信开销以及高效分析多样化土地覆盖场景方面面临挑战。本研究提出了一种基于边缘计算与深度学习（DL）的遥感图像处理方法，集成了自适应变色龙群优化高效三维卷积神经网络（ACS-E3DCNN）。从Kaggle获取的遥感图像数据集包含5，631幅RGB图像，分为农业、裸地、城市、植被和水体五个土地覆盖类别。在预处理阶段，采用图像归一化、自适应直方图均衡化和非局部均值滤波来降低噪声、增强对比度并提升图像质量。随后，采用主成分分析（PCA）进行降维优化。高效三维卷积神经网络以较低的参数复杂度捕获具有判别性的图像表征，而自适应变色龙群算法则优化关键超参数，包括学习率、卷积核深度和滤波器尺寸，以改善收敛性和分类性能。使用Python 3.10.1实现的实验结果表明，所提模型优于现有方法，在80：20数据划分下达到了98.10%的准确率、96.85%的F1分数、38.05的PSNR、0.97的SSIM以及85 ms的延迟，配对t检验结果具有统计学显著性（p < 0.05）。所提模型为遥感图像分类提供了一种智能、可靠且高效的方法，支持精确的土地覆盖制图、环境监测以及低延迟的边缘图像处理。