CN112347960B - 一种滑坡定位方法 - Google Patents

一种滑坡定位方法 Download PDF

Info

Publication number
CN112347960B
CN112347960B CN202011275007.6A CN202011275007A CN112347960B CN 112347960 B CN112347960 B CN 112347960B CN 202011275007 A CN202011275007 A CN 202011275007A CN 112347960 B CN112347960 B CN 112347960B
Authority
CN
China
Prior art keywords
network
feature
prediction
target
image data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011275007.6A
Other languages
English (en)
Other versions
CN112347960A (zh
Inventor
白林
彭伟航
许强
李为乐
巨袁臻
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Dinao Technology Co ltd
Chengdu Univeristy of Technology
Original Assignee
Sichuan Dinao Technology Co ltd
Chengdu Univeristy of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sichuan Dinao Technology Co ltd, Chengdu Univeristy of Technology filed Critical Sichuan Dinao Technology Co ltd
Priority to CN202011275007.6A priority Critical patent/CN112347960B/zh
Publication of CN112347960A publication Critical patent/CN112347960A/zh
Application granted granted Critical
Publication of CN112347960B publication Critical patent/CN112347960B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Abstract

本申请提供了一种滑坡定位方法，涉及地质灾害监测技术领域。实现对大范围区域内的滑坡隐患进行检测和定位的目的。包括：在接收到对遥感影像的滑坡定位检测业务的触发操作时，利用预设的特征提取网络对所述遥感影像进行特征提取，得到多个第一特征图；将所述多个第一特征图输入预设的多尺寸上采样网络，对所述多个第一特征图的特征进行融合，得到多个第二特征图；将所述多个第二特征图输入预设的预测网络，在所述遥感影像上展示预测的回归锚框，所述回归锚框用于框选出所述遥感影像中的滑坡。

Description

一种滑坡定位方法
技术领域
本申请涉及地质灾害监测技术领域，特别是涉及一种滑坡定位方法。
背景技术
滑坡是自然界发生最频繁的地质灾害，近年来我国山体滑坡事故频发，给大众带来巨大的生命威胁和财产损失。
从传统的群测群防、人工现场检测，到使用物理检测仪器、专业的滑坡检测仪，再到物联网等技术在滑坡中的应用，滑坡检测方法在不断改进。但目前的滑坡检测方法只能针对特定的小范围区域进行对滑坡检测，并且无法对发生滑坡的地点进行定位。因此，设计智能化、自动化、大范围的滑坡定位方法成为行业所需。
发明内容
本申请实施例提供一种滑坡定位方法，基于遥感影像，实现对大范围区域内的滑坡隐患进行检测和定位的目的。
本申请实施例提供一种滑坡定位方法，所述方法包括：
在接收到对遥感影像的滑坡定位检测业务的触发操作时，利用预设的特征提取网络对所述遥感影像进行特征提取，得到多个第一特征图；
将所述多个第一特征图输入预设的多尺寸上采样网络，对所述多个第一特征图的特征进行融合，得到多个第二特征图；
将所述多个第二特征图输入预设的预测网络，在所述遥感影像上展示至少一个预测的回归锚框，所述回归锚框用于框选出所述遥感影像中的滑坡。
可选地，利用预设的特征提取网络对所述遥感影像进行特征提取，得到多个第一特征图，包括：
按照预设的下采样尺度，利用预设的特征提取网络对所述遥感影像进行多次特征提取，得到多个不同尺度的第一特征图；所述尺度之间具有倍数关系；将所述多个第一特征图输入预设的多尺寸上采样网络，对所述多个第一特征图的特征进行融合，得到多个第二特征图，包括：将每个尺度的第一特征图按照第一采样比例、第二采样比例、第三采样比例进行上采样，得到对应每个尺度下的第一特征图的三个中间层特征图；将对应相同尺度的三个中间层特征图进行线性相加，得到对应目标尺度的线性相加结果；将对应所述目标尺度的线性相加结果与所述目标尺度下的第一特征图进行特征整合，得到对应所述目标尺度的第二特征图。
可选地，所述方法还包括：
获取卫星采集的影像数据；对所述影像数据进行解译，确定位于所述影像数据的目标地域中的多个目标滑坡；对所述目标滑坡标注目标框，得到影像数据样本，所述影像数据样本包括多个标注有所述目标框的目标滑坡；利用所述影像数据样本对卷积神经网络、特征融合网络以及回归锚框预测网络进行多次训练，得到所述预设的特征提取网络、所述预设的多尺寸上采样网络以及所述预设的预测网络。
可选地，在对所述目标滑坡标注目标框，得到影像数据样本之后，所述方法还包括：
对所述影像数据样本进行色彩空间上的数据增强，得到匹配不同色彩空间的多个第一影像数据单样本；其中，单个色彩空间匹配至少一个所述第一影像数据单样本；利用所述影像数据样本对卷积神经网络、特征融合网络以及回归锚框预测网络进行多次训练，得到所述预设的特征提取网络、所述预设的多尺寸上采样网络以及所述预设的预测网络，包括：利用所述匹配不同色彩空间的多个第一影像数据单样本对所述卷积神经网络、所述特征融合网络以及所述回归锚框预测网络进行多次训练，得到所述预设的特征提取网络、所述预设的多尺寸上采样网络以及所述预设的预测网络。
可选地，在对所述目标滑坡标注目标框，得到影像数据样本之后，所述方法还包括：根据所述影像数据样本上标注的所述目标框，设置裁剪比例；根据所述多个标注有所述目标框的目标滑坡在所述影像数据样本上的位置，设置裁剪路径；按照所述裁剪路径和所述裁剪比例，对所述影像数据样本进行随机裁剪，得到多个第二影像数据单样本，以使得到的单个所述第二影像数据单样本包含至少一个标注有所述目标框的目标滑坡；利用所述影像数据样本对卷积神经网络、特征融合网络以及回归锚框预测网络进行多次训练，得到所述预设的特征提取网络、所述预设的多尺寸上采样网络以及所述预设的预测网络，包括：利用所述多个第二影像数据单样本对所述卷积神经网络、所述特征融合网络以及所述回归锚框预测网络进行多次训练，得到所述预设的特征提取网络、所述预设的多尺寸上采样网络以及所述预设的预测网络。
可选地，利用所述影像数据样本对卷积神经网络、特征融合网络以及回归锚框预测网络进行多次训练，得到所述预设的特征提取网络、所述预设的多尺寸上采样网络以及所述预设的预测网络，包括：将所述影像数据样本输入所述卷积神经网络，得到多个第一预测特征图；将所述多个第一预测特征图输入所述特征融合网络，得到多个第二预测特征图；将所述多个第二预测特征图输入所述回归锚框预测网络，输出针对所述影像数据样本的多个预测框；根据所述多个预测框与所述影像数据样本的多个目标框的损失值，调整所述卷积神经网络、所述特征融合网络以及所述回归锚框预测网络的参数；重复上述步骤，在损失值满足预设阈值时，分别将经过多次训练的卷积神经网络确定为所述预设的特征提取网络，将经过多次训练的特征融合网络确定为所述预设的多尺寸上采样网络，将经过多次训练的回归锚框预测网络确定为所述预设的预测网络。
可选地，所述方法还包括：在所述回归锚框预测网络构建特征点划分网格；根据所述多个预测框和所述影像数据样本的多个目标框的损失值，调整所述卷积神经网络、所述特征融合网络以及所述回归锚框预测网络的参数，包括：利用所述特征点划分网格将所述第二预测特征图划分为多个特征点；依次针对每个特征点输出预测置信度；其中，所述预测置信度是所述回归锚框预测网络输出的当前特征点具有滑坡的概率；根据每个特征点输出预测置信度，通过以下公式计算所述预测置信度的第一损失值：
Figure BDA0002778326940000031
式(1)中，S2为利用所述特征点划分网格划分所述第二预测特征图得到的特征点的数量，B为针对所述当前特征点输出的预测框的数量，λnoobj是无目标损失权重；
Figure BDA0002778326940000041
为预测置信度；Ci为标准置信度；在所述当前特征点标注有目标框时，
Figure BDA0002778326940000042
在所述当前特征点未标注有目标框时，
Figure BDA0002778326940000043
在所述当前特征点标注有目标框时，
Figure BDA0002778326940000044
在所述当前特征点未标注有目标框时，
Figure BDA0002778326940000045
根据所述第一损失值，调整所述卷积神经网络、所述特征融合网络以及所述回归锚框预测网络的参数。
可选地，所述目标框携带所述目标框的长信息和宽信息；所述方法还包括：设置所述回归锚框预测网络中待输出预测框的长度值和宽度值；根据所述多个预测框和所述影像数据样本的多个目标框的损失值，调整所述卷积神经网络、所述特征融合网络以及所述回归锚框预测网络的参数，包括：根据所述长度值和所述长信息，计算得到所述待输出预测框的第一长度调整值；根据所述宽度值和所述宽信息，计算得到所述待输出预测框的第一宽度调整值；依次将多个特征点确定为当前特征点；根据所述当前特征点输出第二长度调整值和第二宽度调整值，通过以下公式计算所述第二长度调整值和所述第二宽度调整值的第二损失值：
Figure BDA0002778326940000046
式(2)中，S2为利用所述特征点划分网格划分所述第二预测特征图得到的特征点的数量，B为针对所述当前特征点输出的预测框的数量，λcoord为坐标权重，ωi为所述第一长度调整值，
Figure BDA0002778326940000047
为所述第二长度调整值，hi为所述第一宽度调整值，
Figure BDA0002778326940000048
为第二宽度调整值，在所述当前特征点标注有目标框时，
Figure BDA0002778326940000049
在所述当前特征点未标注有目标框时，
Figure BDA00027783269400000410
根据所述第二损失值，调整所述卷积神经网络、所述特征融合网络以及所述回归锚框预测网络的参数。
可选地，所述目标框携带所述目标框的中心点坐标信息；所述方法还包括：依次将多个特征点确定为当前特征点；获得所述当前特征点在所述第二预测特征图中的第一坐标信息；根据所述中心点坐标信息和所述第一坐标信息，得到所述目标框在所述特征点中的第二坐标信息；根据所述多个预测框和所述当前影像数据样本的多个目标框的损失值，调整所述卷积神经网络、所述特征融合网络以及所述回归锚框预测网络的参数，包括：根据所述当前特征点输出第三坐标信息，通过以下公式计算所述第三坐标信息的第三损失值；
Figure BDA0002778326940000051
式(3)，S2为利用所述特征点划分网格划分所述第二预测特征图得到的特征点的数量，B为针对所述当前特征点输出的预测框的数量，λcoord为坐标权重，(xi，yi)为所述第三坐标信息，
Figure BDA0002778326940000052
为所述第二坐标信息，在所述当前特征点标注有目标框时，
Figure BDA0002778326940000053
在所述当前特征点未标注有目标框时，
Figure BDA0002778326940000054
根据所述第三损失值，调整所述卷积神经网络、所述特征融合网络以及所述回归锚框预测网络的参数。
可选地，所述目标框携带滑坡类别信息；还包括：依次将多个特征点确定为当前特征点；根据所述多个预测框和所述当前影像数据样本的多个目标框的损失值，调整所述卷积神经网络、所述特征融合网络以及所述回归锚框预测网络的参数，包括：根据所述当前特征点输出预测类别概率，通过以下公式计算所述预测类别概率的第四损失值；
Figure BDA0002778326940000055
式(4)中，S2为利用所述特征点划分网格划分所述第二预测特征图得到的特征点的数量，B为针对所述当前特征点输出的预测框的数量，在所述当前特征点标注有目标框时，
Figure BDA0002778326940000056
在所述当前特征点未标注有目标框时，
Figure BDA0002778326940000057
pi(c)为所述预测类别概率，
Figure BDA0002778326940000058
为所述滑坡类别信息的概率；classes为滑坡类别集合；根据所述第四损失值，调整所述卷积神经网络、所述特征融合网络以及所述回归锚框预测网络的参数。
本申请实施例根据遥感影像具有明显滑坡特征的特点，例如双沟同源、滑坡壁、滑坡台坎等，利用不同卫星不同时期的遥感影像作为训练样本，训练神经网络，并且用目标框框选训练样本中的滑坡，对训练样本进行标注；具体目标框还携带有滑坡中心点坐标信息、滑坡尺寸信息和滑坡类别信息，并分别针对滑坡中心点坐标信息、滑坡尺寸信息和滑坡类别信息设置了损失函数，以使训练完成的神经网络能够准确地输出滑坡的位置、输出匹配滑坡形状大小的回归锚框，以及输出滑坡的类别信息，实现了对滑坡预测、定位以及分类。同时由于遥感影像中包含地球大范围地域的地貌信息，满足足大范围的滑坡隐患排查需求，也能对人类无法达到地区进行滑坡隐患排查。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例实施滑坡定位方法应用的滑坡定位模型的结构示意图；
图2是本申请实施例训练滑坡定位模型的流程图；
图3是本申请实施例中特征点划分网格的示意图；
图4是本申请实施例滑坡定位方法的步骤流程图；
图5是本申请实施例提出的多尺寸上采样网络的结构示意图；
图6是本申请实施例对第一特征图进行特征融合的步骤流程图；
图7是本申请实施例提出的滑坡定位装置的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
遥感图像是卫星接收的地物电磁波成像，随着高分一号等卫星的发射，遥感影像数据呈现高空间分辨率、多光谱与高时间分辨率等特点。目前在相关领域内，常通过对遥感影像进行人工解译，寻找滑坡隐患，但人工进行遥感影像滑坡解译，存在特别依靠解译者的经验，人工解译工作量太大等困难。
鉴于上述问题，申请人提出采集不同卫星在多个时期的遥感影像作为训练数据，对遥感影像进行处理，根据滑坡隐患在遥感影像上表现出的特征，训练神经网络，得到能够根据遥感影像，预测滑坡以及定位滑坡所在位置的滑坡定位模型，并根据滑坡定位模型构建滑坡定位系统，将该滑坡定位系统集成到网站系统，达到用户将遥感图像上传到网站，就能对可能出现滑坡的位置实现定位的目的。
为了能更智能地实施申请人提出的上述方法，使得该方法的应用范围更广，申请人首先构建了待训练的卷积神经网络、特征融合网络以及回归锚框预测网络，并基于不同卫星采集的影像数据对构建的卷积神经网络、特征融合网络以及回归锚框预测网络进行训练，得到预设的特征提取网络、预设的多尺寸上采样网络以及预设的预测网络，申请人利用预设的特征提取网络、预设的多尺寸上采样网络以及预设的预测网络执行本申请实施例滑坡定位方法中的部分或全部步骤。卷积神经网络可以是EfficientNet卷积神经网络。
在训练卷积神经网络、特征融合网络以及回归锚框预测网络之前，先获取训练数据。首先，获取卫星采集的影像数据；可以获取不同卫星采集的影像数据，例如高分一号、高分二号等卫星，影像数据是指卫星接收的地物电磁波形成的遥感影像。
对所述影像数据进行解译，确定位于所述影像数据的目标地域中的多个目标滑坡；
由于卫星采集的影像数据包含地球球面的信息，存在大量不同的各种地质、地貌，例如分布在不同地域的沙漠、雪山、山地、丘陵，而山地、丘陵的滑坡特征可能存在差异，导致人工解译卫星采集的原始影像数据工作量较大，也不适用于神经网络的训练。本申请依据滑坡定位系统的应用范围，在原始影像数据中划分出目标地域作为解译对象。假设滑坡定位系统的应用范围检测甘肃省兰州市与临夏回族自治州内山地和丘陵的滑坡影像，那么在收集自不同卫星采集的原始影像数据中，划分得到甘肃省兰州市与临夏回族自治州的影像数据2412个，并按比例8:1:1分为训练集、验证集和测试集。
目标滑坡是通过人工解译，在影像数据发现并确认的滑坡隐患。
对所述目标滑坡标注目标框，得到影像数据样本，所述影像数据样本包括多个标注有所述目标框的目标滑坡；利用所述影像数据样本对卷积神经网络、特征融合网络以及回归锚框预测网络进行多次训练，得到所述预设的特征提取网络、所述预设的多尺寸上采样网络以及所述预设的预测网络。
目标框是对影像数据进行人工解译后，在影像数据中出现的滑坡标注的标签。
在训练卷积神经网络、特征融合网络以及回归锚框预测网络之前，构建得到训练架构，该训练架构也是滑坡定位系统中预设的特征提取网络、预设的多尺寸上采样网络和预设的预测网络的连接架构。图1是本申请实施例实施滑坡定位方法应用的滑坡定位模型的结构示意图。如图1所示，预设的特征提取网络的输出连接预设的多尺寸上采样网络的输入，预设的多尺寸上采样网络的输出连接预设的预测网络的连接架构的输入。本申请实施例构建的卷积神经网络的输出连接特征融合网络的输入，特征融合网络的输出连接回归锚框预测网络的输入。
图2是本申请实施例训练滑坡定位模型的流程图。滑坡定位模型是指由特征提取网络、预设的多尺寸上采样网络和预设的预测网络组成的模型，滑坡定位模型能够根据输入的任意遥感影像预测并定位滑坡隐患的模型。参考图2，按照上述实施例收集卫星采集的影像数据(遥感影像数据)并标注目标框，得到影像数据样本后，还可以对影像数据样本进行数据增强。本申请另一种实施例提出如下数据增强的方法：
对所述影像数据样本进行色彩空间上的数据增强，得到匹配不同色彩空间的多个第一影像数据单样本；其中，单个色彩空间匹配至少一个所述第一影像数据单样本；
对RGB的影像数据样本进行数据增强。对影像数据样本进行色彩空间上的数据增强又可以称为随机光学变换，具体可以指，对影像数据进行对比度、饱和度、曝光、鲜明度、高光、阴影、亮度、色温等方面的调整，得到具有不同色彩的影像数据样本。第一影像数据单样本是指只能表达一种色彩条件的影像数据样本。
示例地，对影像数据样本A进行色彩空间上的数据增强后，可以得到匹配雨天的影像数据单样本A、匹配晴天的影像数据单样本A和匹配雪天的影像数据单样本A等。
在对影像数据样本进行色彩空间上的数据增强后，根据影像数据样本上标注的目标框，设置裁剪比例，具体可以依据目标框的大小设置裁剪比例；根据多个标注有目标框的目标滑坡在影像数据样本上的位置，设置裁剪路径；按照裁剪路径和裁剪比例，对所述影像数据样本进行随机裁剪，得到多个第二影像数据单样本，以使得到的单个所述第二影像数据单样本包含至少一个标注有目标框的目标滑坡，并保证裁剪出的图像长宽比在0.75到1.25之间。
第二影像数据单样本可以指对影像数据样本剪裁后，得到的长宽比在0.75到1.25之间，包含至少一个标注有目标框的目标滑坡的影像数据样本。通过对影像数据样本进行数据增强，可以增加训练样本。经过随机剪裁处理得到的第二影像数据单样本具有单个样本包含的滑坡信息针对性强，总体第二影像数据单样本量大的特点。
对影像数据样本进行数据增强后，利用增强后的影像数据样本训练滑坡定位模型：利用匹配不同色彩空间的多个第一影像数据单样本对卷积神经网络、特征融合网络以及回归锚框预测网络进行多次训练，得到预设的特征提取网络、预设的多尺寸上采样网络以及预设的预测网络。
利用所述多个第二影像数据单样本对卷积神经网络、特征融合网络以及回归锚框预测网络进行多次训练，得到预设的特征提取网络、预设的多尺寸上采样网络以及预设的预测网络。
本申请实施例通过在遥感影像中确定目标地域的方式，减少了人工解译遥感影像的工作量。在对原始影像数据进行划分，得到的目标地域影像数据，并对目标地域影像数据标注目标框之后，得到用于训练卷积神经网络、特征融合网络以及回归锚框预测网络的影像数据样本。对影像数据样本进行数据增强，包括对影像数据样本进行色彩空间上的数据增强和随机剪裁，得到表示不同天气情况的影像数据单样本，丰富了训练数据，以此克服遥感影像包含的信息过多，神经网络难以对其中的特征进行学习的困难。
本申请另一种实施例提出一种具体训练滑坡定位模型的方法。继续参考图2，先将影像数据样本输入卷积神经网络，以提取遥感影像的特征，从而得到多个第一预测特征图；再将多个第一预测特征图输入特征融合网络，对第一预测特征图进行多尺度的特征融合，得到多个第二预测特征图；得到多个第二预测特征图后，将多个第二预测特征图输入回归锚框预测网络，输出针对所述影像数据样本的多个预测框；以根据多个预测框，计算预测框与影像数据样本标注的目标框的损失值，从而能够根据多个预测框与影像数据样本中的多个目标框的损失值，计算出卷积神经网络、特征融合网络和回归锚框预测网络应该调整的梯度，根据梯度调整卷积神经网络、特征融合网络以及回归锚框预测网络的参数；重复上述步骤，最终在损失值满足预设阈值时，结束训练，分别将经过多次训练的卷积神经网络确定为预设的特征提取网络，将经过多次训练的特征融合网络确定为预设的多尺寸上采样网络，将经过多次训练的回归锚框预测网络确定为预设的预测网络。
预设阈值可以根据滑坡定位系统的应用需求设定，假设设定为0.2，那么在预测框与目标框的差异小于0.2时，结束训练。
在上述训练过程也，可以保存回归锚框预测网络每次输出的预测框，作为训练滑坡定位模型的训练日志记录。
以目标地域是甘肃省兰州市与临夏回族自治州内山地和丘陵的影像数据作为一种示例进行说明，在具体训练过程中，得到经过随机光学变换和随机剪裁的影像数据单样本后，可以利用卷积神经网络的预训练参数对其进行初始化，使用训练集中的影像数据单样本对滑坡定位模型进行300个周期的训练，前10轮迭代中固定卷积神经网络的参数，后290轮迭代中对卷积神经网络、特征融合网络以及回归锚框预测网络的参数进行综合调整。
本申请另一种实施例提出了训练滑坡定位模型判断任意位置是存在滑坡隐患的方法。
在回归锚框预测网络构建特征点划分网格；图3是本申请实施例中特征点划分网格的示意图，如图3所示，从而利用特征点划分网格将第二预测特征图划分为多个特征点。特征点划分网格的网格数量可以根据实际情况增加或减少。
特征点是影像数据样本经过特征提取、特征融合后得到的特征图(feature map)上的像素点或像素点集合。特征点划分网格越密集，对影像数据样本划分后得到的特征点越多。
如果影像数据样本中的任意特征点具有目标框，则表示该特征点存在滑坡隐患的概率是1。
依次针对每个特征点输出预测置信度；其中，所述预测置信度是所述回归锚框预测网络输出的当前特征点具有滑坡的概率；预测置信度的取值范围是0至1。
回归锚框预测网络依次计算每个网格中的特征点为滑坡特征点的概率，滑坡特征点具有滑坡隐患的特征，例如双沟同源、滑坡壁、滑坡台坎等。当前特征点是指回归锚框预测网络正在处理的特征点。
根据每个特征点输出预测置信度，通过以下公式计算所述预测置信度的第一损失值：
Figure BDA0002778326940000111
式(1)中，S2为利用所述特征点划分网格划分所述第二预测特征图得到的特征点的数量。假设特征点划分网格有25个网格，对第二预测特征图划分得到25个特征点，那么S2＝25。
B为预先设置的，针对所述当前特征点输出的预测框的数量。在构建回归锚框预测网络时会设置B的值，假设设置B＝3，则在回归锚框预测网络输出的任意特征点的预测置信度大于预先设定的阈值时，即在回归锚框预测网络任意特征点为滑坡特征点时，输出3个预测框，用于框选住滑坡隐患在该特征点中的位置。一般地，预先设定的阈值可以是1、0.8等，本申请实施例对此不作限制。
λnoobj是无目标损失权重，指任意特征点在没有滑坡特征时，
Figure BDA0002778326940000121
在公式(1)中所占的权重。
Figure BDA0002778326940000122
为预测置信度；Ci为标准置信度；第二预测特征图中任意特征点具有对应目标框的像素点时，该特征点的标准置信度为1，第二预测特征图中任意特征点没有对应目标框的像素点时，该特征点的标准置信度为0。
在所述当前特征点标注有目标框时，即在第二预测特征图中任意特征点具有对应目标框的像素点时，
Figure BDA0002778326940000123
在所述当前特征点未标注有目标框时，即第二预测特征图中任意特征点没有对应目标框的像素点时，
Figure BDA0002778326940000124
在所述当前特征点标注有目标框时，
Figure BDA0002778326940000125
在所述当前特征点未标注有目标框时，
Figure BDA0002778326940000126
i是指回归锚框预测网络正在处理的特征点是第i个特征点，i的取值范围是1至S2。j是指当前选择的预测框是第j个预测框，回归锚框预测网络在计算出当前特征点的预测置信度大于预先设定的阈值时，输出B个预测框，依次选择其中的一个预测框为当前预测框，当前预测框为第j个预测框，j的取值范围是1至B。
根据所述第一损失值，调整所述卷积神经网络、所述特征融合网络以及所述回归锚框预测网络的参数。
第一损失值调整的是卷积神经网络、特征融合网络以及回归锚框预测网络组成的架构，针对任意遥感影像检测其中是否存在滑坡或滑坡隐患，进而预测待检测地域是否会出现滑坡的准确率。
本申请另一种实施例提出了训练滑坡定位模型输出匹配滑坡的预测框的方法。影像数据样本标注的目标框携带目标框的长信息、宽信息以及目标框的中心点坐标信息。目标框的中心点坐标信息是指目标框相对于第二预测特征图特征图左上角的X轴距离和Y轴距离。
在构建回归锚框预测网络时，除了设置B值，还需要设置回归锚框预测网络中待输出预测框的长度值和宽度值；回归锚框预测网络中会先预设预测框的形状和大小，再根据遥感影像中实际滑坡的形态，调整预测框的大小、形状和位置，得到匹配实际滑坡形态的预测框，再输出预测框。待输出预测框可以是还未调整形状和大小的预测框。
在计算损失值之前，根据长度值和长信息，计算得到待输出预测框的第一长度调整值；根据宽度值和宽信息，计算得到待输出预测框的第一宽度调整值；第一长度调整值是待输出预测框相对目标框需要调整的长度，第一宽度调整值是待输出预测框相对目标框需要调整的宽度。
依次将多个特征点确定为当前特征点；依次处理每个特征点，在特征点的预测置信度大于预先设定的阈值时，回归锚框预测网络调整待输出预测框的大小和形状，最终输出B个预测框。由于卷积神经网络对影像数据样本提取特征的结果，和特征融合网络融合特征的结果都会影响回归锚框预测网络对预测框的计算，因此，也需要利用预测框和目标框的损失值调整卷积神经网络和特征融合网络的参数，才能使滑坡定位模型更好地收敛。
回归锚框预测网络根据当前特征点输出第二长度调整值和第二宽度调整值，通过以下公式计算第二长度调整值和第二宽度调整值的第二损失值：
第二长度调整值可以是回归锚框预测网络根据特征点中滑坡的特征，计算得到的预测框相对待输出预测框需要调整的长度；第二宽度调整值可以是回归锚框预测网络根据特征点中滑坡的特征，计算得到的预测框相对待输出预测框需要调整的宽度。
Figure BDA0002778326940000131
式(2)中，S2为利用特征点划分网格划分第二预测特征图得到的特征点的数量，B为预先设置的，针对当前特征点输出的预测框的数量，λcoord为坐标权重，ωi为第一长度调整值，
Figure BDA0002778326940000132
为第二长度调整值，hi为第一宽度调整值，
Figure BDA0002778326940000133
为第二宽度调整值，在当前特征点标注有目标框时，
Figure BDA0002778326940000134
在当前特征点未标注有目标框时，
Figure BDA0002778326940000135
根据所述第二损失值，调整卷积神经网络、特征融合网络以及回归锚框预测网络的参数。
第二损失值用于调整卷积神经网络、特征融合网络以及回归锚框预测网络组成的架构，根据任意遥感影像中滑坡特征，调整待输出预测框，使输出的预测框匹配滑坡实际形状的能力。
本申请实施例确定当前特征点后，还会获得当前特征点在影像数据样本中的第一坐标信息；第一坐标信息是当前特征点相对于第二预测特征图左上角的X轴距离和Y轴距离。再根据中心点坐标信息和第一坐标信息，得到目标框在特征点中的第二坐标信息；第二坐标信息是目标框相对于特征点的左上角的X轴距离和Y轴距离。
回归锚框预测网络还会根据当前特征点输出第三坐标信息，通过以下公式计算第三坐标信息的第三损失值；
Figure BDA0002778326940000141
式(3)中，S2为利用特征点划分网格划分第二预测特征图得到的特征点的数量，B为预先设置的，针对当前特征点输出的预测框的数量，λcoord为坐标权重，(xi，yi)为第三坐标信息，
Figure BDA0002778326940000142
为第二坐标信息，在当前特征点标注有目标框时，
Figure BDA0002778326940000143
在当前特征点未标注有目标框时，
Figure BDA0002778326940000144
根据第三损失值，调整所述卷积神经网络、所述特征融合网络以及所述回归锚框预测网络的参数。第三损失值用于调整卷积神经网络、特征融合网络以及回归锚框预测网络根据任意遥感影像中滑坡特征，调整预测框的出框位置的准确率。
示例地，假设第一坐标信息为(cx,cy)，中心点坐标信息为(bx,by),带入公式：
Figure BDA0002778326940000145
计算得到第二坐标信息
Figure BDA0002778326940000146
假设目标框的长信息为bw，宽信息为bh，带入公式：
Figure BDA0002778326940000147
Figure BDA0002778326940000148
计算的到第二长度调整值
Figure BDA0002778326940000149
以及第二宽度调整值
Figure BDA00027783269400001410
其中，
Figure BDA00027783269400001411
表示在X轴方向的线性调整值。
在本申请的另一种实施例中，目标框携带滑坡类别信息，在确定当前特征点后，回归锚框预测网络根据当前特征点输出预测类别概率，通过以下公式计算预测类别概率的第四损失值；
Figure BDA00027783269400001412
式(4)中，S2为利用特征点划分网格划分第二预测特征图得到的特征点的数量，B为预先设置的，针对当前特征点输出的预测框的数量，在当前特征点标注有目标框时，
Figure BDA00027783269400001413
在当前特征点未标注有目标框时，
Figure BDA00027783269400001414
pi(c)为预测类别概率，
Figure BDA0002778326940000151
为滑坡类别信息的概率；classes为滑坡类别集合；根据第四损失值，调整卷积神经网络、特征融合网络以及回归锚框预测网络的参数。滑坡类别包括：同类土滑坡、顺层滑坡以及切层滑坡等。
第四损失值用于调整卷积神经网络、特征融合网络以及回归锚框预测网络根据任意遥感影像中滑坡特征，预测滑坡类型的准确率。
训练得到预设的特征提取网络、预设的多尺寸上采样网络以及预设的预测网络后，得到滑坡定位模型，基于滑坡定位模型实施滑坡定位方法。滑坡定位方法应用于滑坡定位系统，根据滑坡定位系统构建滑坡定位网站，在滑坡定位网站上传任意的遥感影像，在遥感影像的相应位置输出回归锚框，以回归锚框框选出遥感影像中存在的滑坡或滑坡隐患。
参考图4，图4是本申请实施例滑坡定位方法的步骤流程图。
步骤S41：在接收到对遥感影像的滑坡定位检测业务的触发操作时，利用预设的特征提取网络对所述遥感影像进行特征提取，得到多个第一特征图；
滑坡定位检测业务的触发操作可以是用户将遥感影像上传到网站服务器后，点击检测按钮的操作。网站服务器接收到遥感影像后，会在网站界面显示上传的遥感影像。
显示界面还可以根据接收的选择操作，在遥感影像确定待检测区域。
具体地，按照预设的下采样尺度，利用预设的特征提取网络对所述遥感影像进行多次特征提取，得到多个不同尺度的第一特征图；所述尺度之间具有倍数关系；示例地，可以对遥感影像分别下采样8倍，16倍，32倍，得到八倍第一特征图、十六倍第一特征图和三十二倍第一特征图。
步骤S42：将所述多个第一特征图输入预设的多尺寸上采样网络，对所述多个第一特征图的特征进行融合，得到多个第二特征图；
图5是本申请实施例提出的多尺寸上采样网络的结构示意图，图6是本申请实施例对第一特征图进行特征融合的步骤流程图。如图5和图6所示，基于预设的多尺寸上采样网络，对多个第一特征图进行特征融合的具体步骤是：
步骤S42-1：将每个尺度的第一特征图按照第一采样比例、第二采样比例、第三采样比例进行上采样，得到对应每个尺度下的第一特征图的三个中间层特征图；
步骤S42-2：将对应相同尺度的三个中间层特征图进行线性相加，得到对应目标尺度的线性相加结果；目标尺度是指任意尺度的下一个尺度。假设不同尺度的第一特征图分别是八倍第一特征图、十六倍第一特征图和三十二倍第一特征图，在将对应八倍尺度的第一特征图进行上采样后，得到对应八倍尺度的三个中间层特征图，将对应八倍尺度的三个中间层特征图线形相加后，得到对应八倍尺度的下一个尺度，即对应十六倍尺度的线性相加结果。
步骤S42-3：将对应所述目标尺度的线性相加结果与所述目标尺度下的第一特征图进行特征整合，得到对应所述目标尺度的第二特征图。
首先将三十二倍第一特征图输入预设的多尺寸上采样网络中尺度为5×5的上采样网格，以按预设的第一采样比例(1:1)、第二采样比例(1:2)、第三采样比例(2:1)对三十二倍第一特征图进行上采样，得到具有第一采样比例的第一中间层特征图，即尺度为10×10的第一中间层特征图、具有第二采样比例的第一中间层特征图，即尺度为5×10的第一中间层特征图以及具有第三采样比例的第一中间层特征图，即尺度为10×5的第一中间层特征图。
再将具有第一采样比例的第一中间层特征图、具有第二采样比例的第一中间层特征图以及具有第三采样比例的第一中间层特征图线性相加，得到对应10×10尺度的线性相加结果，将十六倍第一特征图输入预设的多尺寸上采样网络中尺度为10×10的上采样网格，并将输入度为10×10的上采样网格的十六倍第一特征图与对应10×10尺度的线性相加结果进行特征整合，得到一个第二特征图。
进一步地，再对输入尺度为10×10的上采样网格的十六倍第一特征图按第一采样比例、第二采样比例、第三采样比例进行上采样，得到具有第一采样比例的第二中间层特征图，即尺度为20×20的第二中间层特征图、具有第二采样比例的第二中间层特征图，即尺度为(10×20)的第二中间层特征图，以及具有第三采样比例的第二中间层特征图，即尺度为(20×10)的第二中间层特征图；
进一步地，对具有第二采样比例的第一中间层特征图，将该上采样结果与具有第二采样比例的第二中间层特征图进行线性相加，并将线性相加结果输入所述具有第一采样比例的第二中间层特征图。
再对具有第三采样比例的第一中间层特征图进行上采样，将上采样结果与具有第三采样比例的第二中间层特征图进行线性相加，并将线性相加结果输入具有第一采样比例的第二中间层特征图；
最后将具有第二采样比例的第二中间层特征图、具有第三采样比例的第二中间层特征图与所述具有第一采样比例的第二中间层特征图进行线性相加，并将线性相加结果与输入多尺寸上采样网络中的尺度为20×20的上采样网格的八倍第一特征图进行特征整合，得到另一个第二特征图。
本申请实施例在长度维度和宽度维度对第一特征图进行上采样，多维度全方位地对特征图进行放大，以匹配滑坡各种可能的形态。
步骤S43：将所述多个第二特征图输入预设的预测网络，在所述遥感影像上展示至少一个预测的回归锚框，所述回归锚框用于框选出所述遥感影像中的滑坡。
相应地，在网站界面还会显示回归锚框所框选出的滑坡的坐标信息和类别信息。
预设的预测网络根据第二特征图，预测得到回归锚框在遥感影像上的位置，并根据滑坡特征，调整预设的预测网络中预先设置的待输出回归锚框，使回归锚框匹配滑坡或滑坡隐患的形状大小，输出回归锚框，并即将回归锚框映射到遥感影像，以使滑坡定位网站在遥感影像上展示回归锚框。
本申请实施例根据滑坡地形多样不规则特点，构建了多尺寸上采样网络，先利用卷积神经网络对遥感影像进行多次特征提取，得到不同尺寸的第一特征图，再采用多尺寸上采样网络对较小尺寸的特征图进行多维度的上采样，将对较小尺寸的特征图进行多维度的上采样的结果与较大尺寸的特征图进行特征融合，进而多维度地对特征图进行融合，全方位融合长、宽方向的特征，进而匹配自然界中滑坡各种可能的形态，提高滑坡预测的准确率。
本申请实施例根据遥感影像具有明显滑坡特征的特点，例如双沟同源、滑坡壁、滑坡台坎等，利用不同卫星不同时期的遥感影像作为训练样本，训练神经网络，并且用目标框框选训练样本中的滑坡，对训练样本进行标注；具体目标框还携带有滑坡中心点坐标信息、滑坡尺寸信息和滑坡类别信息，并分别针对滑坡中心点坐标信息、滑坡尺寸信息和滑坡类别信息设置了损失函数，以使训练完成的神经网络能够准确地输出滑坡的位置、输出匹配滑坡形状大小的回归锚框，以及输出滑坡的类别信息，实现了对滑坡预测、定位以及分类。同时由于遥感影像中包含地球大范围地域的地貌信息，满足足大范围的滑坡隐患排查需求，也能对人类无法达到地区进行滑坡隐患排查。
基于同一发明构思，本申请实施例提供一种滑坡定位装置。参考图7，图7是本申请实施例提出的滑坡定位装置的示意图。该装置包括：
接收模块71，用于在接收到对遥感影像的滑坡定位检测业务的触发操作时，利用预设的特征提取网络对所述遥感影像进行特征提取，得到多个第一特征图；
融合模块72，用于将所述多个第一特征图输入预设的多尺寸上采样网络，对所述多个第一特征图的特征进行融合，得到多个第二特征图；
展示模块73，用于将所述多个第二特征图输入预设的预测网络，在所述遥感影像上展示至少一个预测的回归锚框，所述回归锚框用于框选出所述遥感影像中的滑坡。
基于同一发明构思，本申请另一实施例提供一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请上述任一实施例所述的滑坡定位方法中的步骤。
基于同一发明构思，本申请另一实施例提供一种电子设备，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，所述处理器执行时实现本申请上述任一实施例所述的滑坡定位方法中的步骤。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进或说明的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例是参照根据本申请实施例的方法、装置、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者终端设备不仅包括那些要素，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、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种滑坡定位方法，进行了详细介绍，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (9)

1.一种滑坡定位方法，其特征在于，所述方法包括：
在接收到对遥感影像的滑坡定位检测业务的触发操作时，利用预设的特征提取网络对所述遥感影像进行特征提取，得到多个第一特征图；
将所述多个第一特征图输入预设的多尺寸上采样网络，对所述多个第一特征图的特征进行融合，得到多个第二特征图；
将所述多个第二特征图输入预设的预测网络，在所述遥感影像上展示预测的回归锚框，所述回归锚框用于框选出所述遥感影像中的滑坡；
其中，利用预设的特征提取网络对所述遥感影像进行特征提取，得到多个第一特征图，包括：
按照预设的下采样尺度，利用预设的特征提取网络对所述遥感影像进行多次特征提取，得到多个不同尺度的第一特征图；所述尺度之间具有倍数关系；
将所述多个第一特征图输入预设的多尺寸上采样网络，对所述多个第一特征图的特征进行融合，得到多个第二特征图，包括：
将每个尺度的第一特征图按照1:1采样比例、1:2采样比例、2：1采样比例进行上采样，得到对应每个尺度下的第一特征图的三个中间层特征图；
将对应相同尺度的三个中间层特征图进行线性相加，得到对应目标尺度的线性相加结果；
将对应所述目标尺度的线性相加结果与所述目标尺度下的第一特征图进行特征整合，得到对应所述目标尺度的第二特征图。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取卫星采集的影像数据；
对所述影像数据进行解译，确定位于所述影像数据的目标地域中的多个目标滑坡；
对所述目标滑坡标注目标框，得到影像数据样本，所述影像数据样本包括多个标注有所述目标框的目标滑坡；
利用所述影像数据样本对卷积神经网络、特征融合网络以及回归锚框预测网络进行多次训练，得到所述预设的特征提取网络、所述预设的多尺寸上采样网络以及所述预设的预测网络。
3.根据权利要求2所述的方法，其特征在于，在对所述目标滑坡标注目标框，得到影像数据样本之后，所述方法还包括：
对所述影像数据样本进行色彩空间上的数据增强，得到匹配不同色彩空间的多个第一影像数据单样本；其中，单个色彩空间匹配至少一个所述第一影像数据单样本；
利用所述影像数据样本对卷积神经网络、特征融合网络以及回归锚框预测网络进行多次训练，得到所述预设的特征提取网络、所述预设的多尺寸上采样网络以及所述预设的预测网络，包括：
利用所述匹配不同色彩空间的多个第一影像数据单样本对所述卷积神经网络、所述特征融合网络以及所述回归锚框预测网络进行多次训练，得到所述预设的特征提取网络、所述预设的多尺寸上采样网络以及所述预设的预测网络。
4.根据权利要求2所述的方法，其特征在于，在对所述目标滑坡标注目标框，得到影像数据样本之后，所述方法还包括：
根据所述影像数据样本上标注的所述目标框，设置裁剪比例；
根据所述多个标注有所述目标框的目标滑坡在所述影像数据样本上的位置，设置裁剪路径；
按照所述裁剪路径和所述裁剪比例，对所述影像数据样本进行随机裁剪，得到多个第二影像数据单样本，以使得到的单个所述第二影像数据单样本包含至少一个标注有所述目标框的目标滑坡；
利用所述影像数据样本对卷积神经网络、特征融合网络以及回归锚框预测网络进行多次训练，得到所述预设的特征提取网络、所述预设的多尺寸上采样网络以及所述预设的预测网络，包括：
利用所述多个第二影像数据单样本对所述卷积神经网络、所述特征融合网络以及所述回归锚框预测网络进行多次训练，得到所述预设的特征提取网络、所述预设的多尺寸上采样网络以及所述预设的预测网络。
5.根据权利要求2所述的方法，其特征在于，利用所述影像数据样本对卷积神经网络、特征融合网络以及回归锚框预测网络进行多次训练，得到所述预设的特征提取网络、所述预设的多尺寸上采样网络以及所述预设的预测网络，包括：
将所述影像数据样本输入所述卷积神经网络，得到多个第一预测特征图；
将所述多个第一预测特征图输入所述特征融合网络，得到多个第二预测特征图；
将所述多个第二预测特征图输入所述回归锚框预测网络，输出针对所述影像数据样本的多个预测框；
根据所述多个预测框与所述影像数据样本的多个目标框的损失值，调整所述卷积神经网络、所述特征融合网络以及所述回归锚框预测网络的参数；
重复上述步骤，在损失值满足预设阈值时，分别将经过多次训练的卷积神经网络确定为所述预设的特征提取网络，将经过多次训练的特征融合网络确定为所述预设的多尺寸上采样网络，将经过多次训练的回归锚框预测网络确定为所述预设的预测网络。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
在所述回归锚框预测网络构建特征点划分网格；
根据所述多个预测框和所述影像数据样本的多个目标框的损失值，调整所述卷积神经网络、所述特征融合网络以及所述回归锚框预测网络的参数，包括：
利用所述特征点划分网格将所述第二预测特征图划分为多个特征点；
依次针对每个特征点输出预测置信度；其中，所述预测置信度是所述回归锚框预测网络输出的当前特征点具有滑坡的概率；
根据每个特征点输出预测置信度，通过以下公式计算所述预测置信度的第一损失值：
Figure FDA0003134314760000031
式(1)中，S2为利用所述特征点划分网格划分所述第二预测特征图得到的特征点的数量，B为针对所述当前特征点输出的预测框的数量，λnoobj是无目标损失权重；
Figure FDA0003134314760000032
为预测置信度；Ci为标准置信度；在所述当前特征点标注有目标框时，
Figure FDA0003134314760000041
在所述当前特征点未标注有目标框时，
Figure FDA0003134314760000042
在所述当前特征点标注有目标框时，
Figure FDA0003134314760000043
在所述当前特征点未标注有目标框时，
Figure FDA0003134314760000044
根据所述第一损失值，调整所述卷积神经网络、所述特征融合网络以及所述回归锚框预测网络的参数。
7.根据权利要求5所述的方法，其特征在于，所述目标框携带所述目标框的长信息和宽信息；所述方法还包括：
设置所述回归锚框预测网络中待输出预测框的长度值和宽度值；
根据所述多个预测框和所述影像数据样本的多个目标框的损失值，调整所述卷积神经网络、所述特征融合网络以及所述回归锚框预测网络的参数，包括：
根据所述长度值和所述长信息，计算得到所述待输出预测框的第一长度调整值；
根据所述宽度值和所述宽信息，计算得到所述待输出预测框的第一宽度调整值；
依次将多个特征点确定为当前特征点；
根据所述当前特征点输出第二长度调整值和第二宽度调整值，通过以下公式计算所述第二长度调整值和所述第二宽度调整值的第二损失值：
Figure FDA0003134314760000045
式(2)中，S2为利用所述特征点划分网格划分所述第二预测特征图得到的特征点的数量，B为针对所述当前特征点输出的预测框的数量，λcoord为坐标权重，ωi为所述第一长度调整值，
Figure FDA0003134314760000046
为所述第二长度调整值，hi为所述第一宽度调整值，
Figure FDA0003134314760000047
为第二宽度调整值，在所述当前特征点标注有目标框时，
Figure FDA0003134314760000048
在所述当前特征点未标注有目标框时，
Figure FDA0003134314760000049
根据所述第二损失值，调整所述卷积神经网络、所述特征融合网络以及所述回归锚框预测网络的参数。
8.根据权利要求5所述的方法，其特征在于，所述目标框携带所述目标框的中心点坐标信息；所述方法还包括：
依次将多个特征点确定为当前特征点；
获得所述当前特征点在所述第二预测特征图中的第一坐标信息；
根据所述中心点坐标信息和所述第一坐标信息，得到所述目标框在所述特征点中的第二坐标信息；
根据所述多个预测框和所述当前影像数据样本的多个目标框的损失值，调整所述卷积神经网络、所述特征融合网络以及所述回归锚框预测网络的参数，包括：
根据所述当前特征点输出第三坐标信息，通过以下公式计算所述第三坐标信息的第三损失值；
Figure FDA0003134314760000051
式(3)中，S2为利用所述特征点划分网格划分所述第二预测特征图得到的特征点的数量，B为针对所述当前特征点输出的预测框的数量，λcoord为坐标权重，(xi，yi)为所述第三坐标信息，
Figure FDA0003134314760000052
为所述第二坐标信息，在所述当前特征点标注有目标框时，
Figure FDA0003134314760000053
在所述当前特征点未标注有目标框时，
Figure FDA0003134314760000054
根据所述第三损失值，调整所述卷积神经网络、所述特征融合网络以及所述回归锚框预测网络的参数。
9.根据权利要求5所述的方法，其特征在于，所述目标框携带滑坡类别信息；所述方法还包括：
依次将多个特征点确定为当前特征点；
根据所述多个预测框和所述当前影像数据样本的多个目标框的损失值，调整所述卷积神经网络、所述特征融合网络以及所述回归锚框预测网络的参数，包括：
根据所述当前特征点输出预测类别概率，通过以下公式计算所述预测类别概率的第四损失值；
Figure FDA0003134314760000055
式(4)中，S2为利用所述特征点划分网格划分所述第二预测特征图得到的特征点的数量，B为针对所述当前特征点输出的预测框的数量，在所述当前特征点标注有目标框时，
Figure FDA0003134314760000061
在所述当前特征点未标注有目标框时，
Figure FDA0003134314760000062
pi(c)为所述预测类别概率，
Figure FDA0003134314760000063
为所述滑坡类别信息的概率；classes为滑坡类别集合；
根据所述第四损失值，调整所述卷积神经网络、所述特征融合网络以及所述回归锚框预测网络的参数。
CN202011275007.6A 2020-11-13 2020-11-13 一种滑坡定位方法 Active CN112347960B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011275007.6A CN112347960B (zh) 2020-11-13 2020-11-13 一种滑坡定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011275007.6A CN112347960B (zh) 2020-11-13 2020-11-13 一种滑坡定位方法

Publications (2)

Publication Number Publication Date
CN112347960A CN112347960A (zh) 2021-02-09
CN112347960B true CN112347960B (zh) 2021-09-21

Family

ID=74363871

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011275007.6A Active CN112347960B (zh) 2020-11-13 2020-11-13 一种滑坡定位方法

Country Status (1)

Country Link
CN (1) CN112347960B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107871119A (zh) * 2017-11-01 2018-04-03 西安电子科技大学 一种基于目标空间知识和两阶段预测学习的目标检测方法
CN109241902A (zh) * 2018-08-30 2019-01-18 北京航空航天大学 一种基于多尺度特征融合的山体滑坡检测方法
CN111223183A (zh) * 2019-11-14 2020-06-02 中国地质环境监测院 一种基于深度神经网络的滑坡地形检测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102542295B (zh) * 2012-01-08 2013-10-16 西北工业大学 一种采用图像分类技术从遥感图像中进行滑坡检测的方法
CN111222466B (zh) * 2020-01-08 2022-04-01 武汉大学 一种基于三维空间-通道注意力机制的遥感影像滑坡自动探测方法
CN111563408B (zh) * 2020-03-09 2021-04-16 浙江中海达空间信息技术有限公司 多层次感知特征渐进自学习的高分辨率影像滑坡自动检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107871119A (zh) * 2017-11-01 2018-04-03 西安电子科技大学 一种基于目标空间知识和两阶段预测学习的目标检测方法
CN109241902A (zh) * 2018-08-30 2019-01-18 北京航空航天大学 一种基于多尺度特征融合的山体滑坡检测方法
CN111223183A (zh) * 2019-11-14 2020-06-02 中国地质环境监测院 一种基于深度神经网络的滑坡地形检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Review on remote sensing methods for landslide detection using machine and deep learning;Amrita Mohan 等;《Transactions on Emerging Telecommunications Technologies》;20200630;第1-23页 *
基于深度学习的滑坡检测算法研究;李尧;《中国优秀硕士学位论文全文数据库 基础科学辑》;20190115;正文第3-4章 *
基于深度学习目标检测算法的滑坡检测研究;张倩荧 等;《信息通信》;20190115;第16-18页 *

Also Published As

Publication number Publication date
CN112347960A (zh) 2021-02-09

Similar Documents

Publication Publication Date Title
CN110136170B (zh) 一种基于卷积神经网络的遥感影像建筑物变化检测方法
Adriano et al. Learning from multimodal and multitemporal earth observation data for building damage mapping
Huang et al. A near real-time flood-mapping approach by integrating social media and post-event satellite imagery
Coulston et al. Approximating prediction uncertainty for random forest regression models
CN111986099B (zh) 基于融合残差修正的卷积神经网络的耕地监测方法及系统
Achard et al. Pan-tropical monitoring of deforestation
CN112712535B (zh) 基于模拟困难样本的Mask-RCNN滑坡分割方法
Chen et al. A practical trial of landslide detection from single-temporal Landsat8 images using contour-based proposals and random forest: A case study of national Nepal
CN115236655B (zh) 基于全极化sar的滑坡识别方法、系统、设备及介质
CN104239885A (zh) 一种基于无人机航拍的地震灾害损毁度评估方法
CN113887515A (zh) 一种基于卷积神经网络的遥感滑坡识别方法及系统
Wang et al. Land cover change detection with a cross‐correlogram spectral matching algorithm
Bogawski et al. Predicting the onset of Betula pendula flowering in Poznań (Poland) using remote sensing thermal data
CN113610070A (zh) 一种基于多源数据融合的滑坡灾害识别方法
CN113255589A (zh) 一种基于多卷积融合网络的目标检测方法及系统
Liu Preparing a landslide and shadow inventory map from high-spatial-resolution imagery facilitated by an expert system
Baatuuwie et al. Evaluation of three classifiers in mapping forest stand types using medium resolution imagery: a case study in the Offinso Forest District, Ghana
Singh et al. Detection of 2011 Sikkim earthquake-induced landslides using neuro-fuzzy classifier and digital elevation model
Defourny et al. Global land-cover map validation experiences: Toward the characterization of quantitative uncertainty
Campos et al. Mapping underrepresented land cover heterogeneity in arid regions: the Sahara-Sahel example
Khan et al. Step-wise Land-class Elimination Approach for extracting mixed-type built-up areas of Kolkata megacity
Toivonen et al. Across-path DN gradient in Landsat TM imagery of Amazonian forests: A challenge for image interpretation and mosaicking
Karl et al. A technique for estimating rangeland canopy-gap size distributions from high-resolution digital imagery
Conlin et al. SurfRCaT: A tool for remote calibration of pre-existing coastal cameras to enable their use as quantitative coastal monitoring tools
CN110516552B (zh) 一种基于时序曲线的多极化雷达图像分类方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant