CN113762153B - 一种基于遥感数据的新型尾矿库检测方法及系统 - Google Patents
一种基于遥感数据的新型尾矿库检测方法及系统 Download PDFInfo
- Publication number
- CN113762153B CN113762153B CN202111045901.9A CN202111045901A CN113762153B CN 113762153 B CN113762153 B CN 113762153B CN 202111045901 A CN202111045901 A CN 202111045901A CN 113762153 B CN113762153 B CN 113762153B
- Authority
- CN
- China
- Prior art keywords
- network
- data
- target
- detection
- tailing pond
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 115
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000012360 testing method Methods 0.000 claims abstract description 36
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000012795 verification Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000013500 data storage Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000010845 search algorithm Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000004146 energy storage Methods 0.000 claims description 2
- 239000002699 waste material Substances 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 10
- 239000000470 constituent Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003238 somatosensory effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于遥感数据的新型尾矿库检测方法及系统。该方案包括设置目标检测网络，根据网络的批次大小确定骨干网络；选择多光谱数据作为训练样本和验证样本，高分辨率卫星融合影像作为测试样本；添加多尺度目标图片，所述多尺度目标图片包括不同尺度的单目标图片，以及不同尺度关系的多目标图片；评估网络对不同尺度的尾矿库的检测准确率；根据具体任务和数据的情况，选择设置损失函数和优化算法；获取检测结果，所述检测结果包括四种组成结构。该方案通过设置进行尾矿库检测流程，有效评估高效网络与高精度网络间的具体差异，提供尾矿库遥感自动识别的检测网络的选择。
Description
技术领域
本发明涉及地理遥感技术领域，更具体地，涉及一种基于遥感数据的新型尾矿库检测方法及系统。
背景技术
尾矿库检测是指通过人力和计算机的手段，进行尾矿库的状态的监测。现阶段，在矿区普查方面投入的人力、物力非常庞大，而且时间也十分长，主要原因是尾矿库提取的复杂性和地理特征的复杂性造成的，很难通过有效的自动识别方法获取尾矿信息。
目前,基于CNN的目标检测网络的精度也已经达到了比较高的水平，已经有过于追求检测精度可能会大大增加计算和存储消耗，并可能依然无法满足具体任务的识别需求。很多更高效的网络在精度和效率间做出了平衡，而通过合理的设置网络参数，能够最大限度的发挥现有网络的检测能力。但是，尚难以构建完整的尾矿库遥感自动识别流程的角度，进行检测网络的设计。
发明内容
鉴于上述问题，本发明提出了一种基于遥感数据的新型尾矿库检测方法及系统，通过设置进行尾矿库检测流程，有效评估高效网络与高精度网络间的具体差异，提供尾矿库遥感自动识别的检测网络的选择。
根据本发明实施例的第一方面，提供了一种基于遥感数据的新型尾矿库检测方法。在一个或多个实施例中，优选地，一种基于遥感数据的新型尾矿库检测方法包括：
设置目标检测网络，根据网络的批次大小确定骨干网络；
选择多光谱数据作为训练样本和验证样本，高分辨率卫星融合影像作为测试样本；
添加多尺度目标图片，所述多尺度目标图片包括不同尺度的单目标图片，以及不同尺度关系的多目标图片；
评估网络对不同尺度的尾矿库的检测准确率；
根据具体任务和数据的情况，选择设置损失函数和优化算法；
利用基于分层分类方式进行基于对象的分类监测，获取检测结果，所述检测结果包括四种组成结构，其中所述四种组成结构为初期坝、堆积坝、沉积滩和水体。
在一个或多个实施例中，优选地，所述设置目标检测网络，根据网络的批次大小确定骨干网络，具体包括：
获得网络的批次大小；
获取当前的网络批次大小，当所述网络批次大小低于预设所述资源限制时，设置采用ResNet作为Faster R-CNN的骨干网络；配置所述ResNet的各层参数；使用SelectiveSearch算法自下而上的合并对象区域，提供所有包括目标的目标框；
获取当前的网络批次大小，当所述网络批次大小不低于预设所述资源限制时，设置采用ResNet作为SSDLite的骨干网络；在神经网络的感受野中确定默认边界框，其中，每个所述的默认边界框需要同时对c个类别和4个边界框位置参数进行回归，并生成目标框；
将每个目标框送入训练好的CNN识别网络进行识别；根据类别概率修改并确定目标框类别及范围；
根据类别概率修改并确定目标框类别及范围；
其中，所述资源限制为6次。
在一个或多个实施例中，优选地，所述选择多光谱数据作为训练样本和验证样本，高分辨率卫星融合影像作为测试样本，具体包括：
选择多光谱数据作为训练样本和验证样本；
选择高分辨率卫星融合影像作为测试样本；
数据集上训练的网络模型作为微调模型；
确认数据集数量，当超过预设限值时添加额外的全连接层。
在一个或多个实施例中，优选地，所述添加多尺度目标图片，所述多尺度目标图片包括不同尺度的单目标图片，以及不同尺度关系的多目标图片，具体包括：
收集历史尾矿库调查资料，确定采样区域；
基于遥感信息采集所述采样区域内的尾矿库的正样本和负样本，并进行标注；
采集负样本，所述负样本包括矿山开采面、水库、废弃尾矿库，对应的土地覆盖类型包括植被、裸地、不透水面。
按照正样本和负样本各1/3比例采集冬季数据，但不采集地表有雪覆盖的数据；
计算数据波段的均值，赋予RGB三个波段，作为全色数据保存；
对所述全色数据按照5:1:2的比例分割训练集、验证集和测试集，并采用冬季数据对部分数据进行替换，形成4套用于训练和测试网络的数据集。
在一个或多个实施例中，优选地，所述评估网络对不同尺度的尾矿库的检测准确率，具体包括：
选取高分辨率卫星影像融合数据作为测试样本；
提取所有的所述测试样本的生成时间；
对所述测试样本的生成时间20天以上的样本进行线性回归预测，生成预测微调样本；
利用预测微调样本替换所述生成时间20天以上的样本，形成目标测试样本；
利用所述目标测试样本进行对不同尺度的尾矿库的检测准确率的评估。
在一个或多个实施例中，优选地，所述根据具体任务和数据的情况，选择设置损失函数和优化算法，具体包括：
选择第一计算公式作为选择损失函数；
选择第二计算公式作为优化算法；
所述第一计算公式为：
其中，p，q分别为两个概率分布，H(p,q)表示通过概率分布q来表达概率分布p的困难程度,K1为预设的概率修正指数，K1的数值取值范围为0.0001至0.01之间；
所述第二计算公式为：
其中，θn表示第n次优化时参数θ的值，η为学习率，为损失函数对θ的偏导数，其中，k2为预设的修正系数，k2由于训练这根据自身的需求，进行微调，k2的调整范围为0.999至1.01。
在一个或多个实施例中，优选地，所述获取检测结果，所述检测结果包括四种组成结构，具体包括：
对比所有的检测网络受到获取数据资源总量的影响；
对比所有的检测网络获取计算和存储能力的影响；
对比所有的检测网络在资源限制下的尾矿库检测能力的影响。
根据本发明实施例的第二方面，提供了一种基于遥感数据的新型尾矿库检测系统。
在一个或多个实施例中，优选地，一种基于遥感数据的新型尾矿库检测系统包括：
网络设置模块，用于设置目标检测网络，根据网络的批次大小确定骨干网络；
样本选择模块，用于选择多光谱数据作为训练样本和验证样本，高分辨率卫星融合影像作为测试样本；
图形选择模块，用于添加多尺度目标图片，所述多尺度目标图片包括不同尺度的单目标图片，以及不同尺度关系的多目标图片；
准确度评估模块，用于评估网络对不同尺度的尾矿库的检测准确率；
参数微调模块，用于根据具体任务和数据的情况，选择设置损失函数和优化算法；
监测评价模块，用于获取检测结果，所述检测结果包括四种组成结构。
在一个或多个实施例中，优选地，该系统还包括尾矿库数据存储模块和网络训练数据结果存储模块；所述尾矿库数据存储模块，用于获得所有的尾矿库训练数据，并分类存储到不同的数据区；所述网络训练数据结果存储模块，用于根据当前获得的网络自动建立存储空间，存储网络训练过程中和训练完成后的数据。
根据本发明实施例第三方面，提供一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现本发明实施例第一方面中任一项所述的步骤。
本发明的实施例提供的技术方案可以包括以下有益效果：
1)本发明实施例中，通过自动进行的尾矿库识别，并评估网络的不同尺度尾矿库检测结果，为进行自动的尾矿库识别提供选择依据；
2)本发明实施例中，提供了通过自动对比测量结果，反应网络参数微调后的可能影响，排查了参数选择的影响，仅评估网络选择影响。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的一种基于遥感数据的新型尾矿库检测方法的流程图。
图2是本发明一个实施例的一种基于遥感数据的新型尾矿库检测方法中的设置目标检测网络，根据网络的批次大小确定骨干网络的流程图。
图3是本发明一个实施例的一种基于遥感数据的新型尾矿库检测方法中的选择多光谱数据作为训练样本和验证样本，高分辨率卫星融合影像作为测试样本的流程图。
图4是本发明一个实施例的一种基于遥感数据的新型尾矿库检测方法中的添加多尺度目标图片，所述多尺度目标图片包括不同尺度的单目标图片，以及不同尺度关系的多目标图片的流程图。
图5是本发明一个实施例的一种基于遥感数据的新型尾矿库检测方法中的评估网络对不同尺度的尾矿库的检测准确率的流程图。
图6是本发明一个实施例的一种基于遥感数据的新型尾矿库检测方法中的根据具体任务和数据的情况，选择设置损失函数和优化算法的流程图。
图7是本发明一个实施例的一种基于遥感数据的新型尾矿库检测方法中的获取检测结果，所述检测结果包括四种组成结构的流程图。
图8是本发明一个实施例的一种基于遥感数据的新型尾矿库检测系统的结构图。
图9是本发明一个实施例中一种电子设备的结构图。
具体实施方式
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域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，都属于本发明保护的范围。
尾矿库检测是指通过人力和计算机的手段，进行尾矿库的状态的监测。现阶段，在矿区普查方面投入的人力、物力非常庞大，而且时间也十分长，主要原因是尾矿库提取的复杂性和地理特征的复杂性造成的，很难通过有效的自动识别方法获取尾矿信息。
目前,基于CNN的目标检测网络的精度也已经达到了比较高的水平，已经有过于追求检测精度可能会大大增加计算和存储消耗，并可能依然无法满足具体任务的识别需求。很多更高效的网络在精度和效率间做出了平衡，而通过合理的设置网络参数，能够最大限度的发挥现有网络的检测能力。但是，尚难以构建完整的尾矿库遥感自动识别流程的角度，进行检测网络的设计。
本发明实施例中，提供了一种基于遥感数据的新型尾矿库检测方法及系统。该方案通过设置进行尾矿库检测流程，有效评估高效网络与高精度网络间的具体差异，提供尾矿库遥感自动识别的检测网络的选择。
本发明实施例的第一方面，提供了一种基于遥感数据的新型尾矿库检测方法。
图1是本发明一个实施例的一种基于遥感数据的新型尾矿库检测方法的流程图。
如图1所示，在一个或多个实施例中，优选地，一种基于遥感数据的新型尾矿库检测方法包括：
S101、设置目标检测网络，根据网络的批次大小确定骨干网络；
S102、选择多光谱数据作为训练样本和验证样本，高分辨率卫星融合影像作为测试样本；
S103、添加多尺度目标图片，所述多尺度目标图片包括不同尺度的单目标图片，以及不同尺度关系的多目标图片；
S104、评估网络对不同尺度的尾矿库的检测准确率；
S105、根据具体任务和数据的情况，选择设置损失函数和优化算法；
S106、利用基于分层分类方式进行基于对象的分类监测，获取检测结果，所述检测结果包括四种组成结构，其中所述四种组成结构为初期坝、堆积坝、沉积滩和水体。
其中，利用基于分层分类方式进行基于对象的分类监测，具体包括：在进行检测前将所述监测结果自动建立进行三个分类层级，所述三个分类层级具体包括：第一分类层，包括尾矿库整体和非尾矿库两类，第一分类层，包括疑似堆积坝、水体、植被和其他四类，第二分类层，主要是为了将可能包含尾矿库结构的对象从影像中分离出来，第二分类层主要采用GF2的多光谱影像，第三分类层是对第二分类层中的所述的其它，所述其它包括高反射对象和其他对象。
通过计算确定属性特征层，并根据所述属性特征层的对应的分类层级，将特征层与属性约束组成规则集；
利用所述属性约束进行层次对象分类，并对部分干扰地类进行剔除。
在本发明实施例中，目前目标检测网络存在对小目标不敏感、易受类别平衡性影响、对样本依赖高等问题。此外，真实地类的规模相对于遥感影像恰恰是一种尺度小、分布不平衡、对样本依赖高的目标，同时高分辨率影像也会显著提高模型对计算和存储资源的消耗，这都造成了目标检测网络与遥感目标识别结合的困难。为此，进行小尺度的目标网络的选择，但器特征不明显，因此还需要进行大尺度的分析。
本发明实施例中，选择ResNet作为主干网，原因是其输入跨过若干个卷积层，直接与这些卷积层的输出一起作为后面卷积层的输入，该结构通过降维后卷积再恢复维度的方法来提高效率。而，由于ResNet仅有一个全连接层，能够大大减少模型的参数量和计算时间，便于与实际应用场景结合。
图2是本发明一个实施例的一种基于遥感数据的新型尾矿库检测方法中的设置目标检测网络，根据网络的批次大小确定骨干网络的流程图。
如图2所示，在一个或多个实施例中，优选地，所述设置目标检测网络，根据网络的批次大小确定骨干网络，具体包括：
S201、获得网络的批次大小；
S202、获取当前的网络批次大小，当所述网络批次大小低于预设所述资源限制时，设置采用ResNet作为Faster R-CNN的骨干网络；配置所述ResNet的各层参数；使用Selective Search算法自下而上的合并对象区域，提供所有包括目标的目标框；
S203、获取当前的网络批次大小，当所述网络批次大小不低于预设所述资源限制时，设置采用ResNet作为SSDLite的骨干网络；在神经网络的感受野中确定默认边界框，其中，每个所述的默认边界框需要同时对c个类别和4个边界框位置参数进行回归，并生成目标框；
S204、将每个目标框送入训练好的CNN识别网络进行识别；根据类别概率修改并确定目标框类别及范围；
S205、根据类别概率修改并确定目标框类别及范围；
其中，所述资源限制为6次。
在本发明实施中，Faster R-CNN和SSDLite是两种不同的网络。其中，SSDLite一个轻量化版本，目的是满足移动设备的应用需求。Faster R-CNN可以获得较高的精度，但是需要耗费大量的运算和存储资源。SSDLite的精度较低，但是模型体量小，在训练和检测时效率更高。因此，在实际执行过程中，究将分别采用这两种识别网络，评估数据和资源限制下的检测精度，并形成能够应用于尾矿库遥感自动识别流程的目标检测模型。
图3是本发明一个实施例的一种基于遥感数据的新型尾矿库检测方法中的选择多光谱数据作为训练样本和验证样本，高分辨率卫星融合影像作为测试样本的流程图。
如图3所示，在一个或多个实施例中，优选地，所述选择多光谱数据作为训练样本和验证样本，高分辨率卫星融合影像作为测试样本，具体包括：
S301、选择多光谱数据，采用三波段瓦片数据选择训练样本；
S302、选择所述多光谱数据，采用多波段影像识别获得测试样本；
S303、选择所述多光谱数据中除去所述训练样本和所述测试样本之外的样本作为验证样本；
S304、数据集上训练的网络模型作为微调模型；
S305、确认数据集数量，当超过预设限值时添加额外的全连接层。在本发明实施例中，由于训练数据集的节点数与尾矿库识别2个输出目标的差异较小，在数据集数量较小时，不必增加过渡全连接层，但是若过大的类别数差异需要添加额外的全连接层作为过渡，而全连接层会显著增大模型的参数量。
图4是本发明一个实施例的一种基于遥感数据的新型尾矿库检测方法中的添加多尺度目标图片，所述多尺度目标图片包括不同尺度的单目标图片，以及不同尺度关系的多目标图片的流程图。
如图4所示，在一个或多个实施例中，优选地，所述添加多尺度目标图片，所述多尺度目标图片包括不同尺度的单目标图片，以及不同尺度关系的多目标图片，具体包括：
S401、收集历史尾矿库调查资料，确定采样区域；
S402、基于遥感信息采集所述采样区域内的尾矿库的正样本和负样本，并进行标注；
S403、采集负样本，所述负样本包括矿山开采面、水库、废弃尾矿库，对应的土地覆盖类型包括植被、裸地、不透水面。
S404、按照正样本和负样本各1/3比例采集冬季数据，但不采集地表有雪覆盖的数据；
S405、计算数据波段的均值，赋予RGB三个波段，作为全色数据保存；
S406、对所述全色数据按照5:1:2的比例分割训练集、验证集和测试集，并采用冬季数据对部分数据进行替换，形成4套用于训练和测试网络的数据集。
在本发明实施例中，目标检测的样本与目标识别略有不同，不再是一张标记了类别的完整图片，而是目标在图片上的真实目标框和相应的类别信息，因此添加了多尺度目标图片，包括不同尺度的单目标图片，以及不同尺度关系的多目标图片。
图5是本发明一个实施例的一种基于遥感数据的新型尾矿库检测方法中的评估网络对不同尺度的尾矿库的检测准确率的流程图。
如图5所示，在一个或多个实施例中，优选地，所述评估网络对不同尺度的尾矿库的检测准确率，具体包括：
S501、选取高分辨率卫星影像融合数据作为测试样本；
S502、提取所有的所述测试样本的生成时间；
S503、对所述测试样本的生成时间20天以上的样本进行线性回归预测，生成预测微调样本；
S504、利用预测微调样本替换所述生成时间20天以上的样本，形成目标测试样本；
S505、利用所述目标测试样本进行对不同尺度的尾矿库的检测准确率的评估。
在本发明实施例中，为了符合尾矿库遥感监测的时效性要求，在实际工作中必须采用时相较新的数据进行监测，地图服务网站的数据无法满足该要求，因此，需要评估微调后的网络在遥感影像上的识别能力。
图6是本发明一个实施例的一种基于遥感数据的新型尾矿库检测方法中的根据具体任务和数据的情况，选择设置损失函数和优化算法的流程图。
如图6所示，在一个或多个实施例中，优选地，所述根据具体任务和数据的情况，选择设置损失函数和优化算法，具体包括：
S601、选择第一计算公式作为选择损失函数；
S602、选择第二计算公式作为优化算法；
所述第一计算公式为：
其中，p，q分别为两个概率分布，H(p,q)表示通过概率分布q来表达概率分布p的困难程度,K1为预设的概率修正指数，K1的数值取值范围为0.0001至0.01之间；
所述第二计算公式为：
其中，θn表示第n次优化时参数θ的值，η为学习率，为损失函数对θ的偏导数，其中，k2为预设的修正系数，k2由于训练这根据自身的需求，进行微调，k2的调整范围为0.999至1.01。
在本发明实施例中，根据具体任务和数据的情况，选择设置损失函数和优化算法的计算参数，进而确定算法自动执行流程。
图7是本发明一个实施例的一种基于遥感数据的新型尾矿库检测方法中的获取检测结果，所述检测结果包括四种组成结构的流程图。
如图7所示，在一个或多个实施例中，优选地，所述获取检测结果，所述检测结果包括四种组成结构，具体包括：
S701、对比所有的检测网络受到获取数据资源总量的影响；
S702、对比所有的检测网络获取计算和存储能力的影响；
S703、对比所有的检测网络在资源限制下的尾矿库检测能力的影响。
在本发明实施例中，根据用于识别的尾矿库概念模型，尾矿库由初期坝、堆积坝、沉积滩及水体四种异质性较强的主要结构组成，尾矿库主要结构的组合关系是尾矿库的重要标志，这种组合关系在影像上体现为不同土地覆被类型的顺序排列。
本发明实施例的第二方面，提供了一种基于遥感数据的新型尾矿库检测系统。
图8是本发明一个实施例的一种基于遥感数据的新型尾矿库检测系统的结构图。
如图8所示，在一个或多个实施例中，优选地，一种基于遥感数据的新型尾矿库检测系统包括：
网络设置模块801，用于设置目标检测网络，根据网络的批次大小确定骨干网络；
样本选择模块802，用于选择多光谱数据作为训练样本和验证样本，高分辨率卫星融合影像作为测试样本；
图形选择模块803，用于添加多尺度目标图片，所述多尺度目标图片包括不同尺度的单目标图片，以及不同尺度关系的多目标图片；
准确度评估模块804，用于评估网络对不同尺度的尾矿库的检测准确率；
参数微调模块805，用于根据具体任务和数据的情况，选择设置损失函数和优化算法；
监测评价模块806，用于获取检测结果，所述检测结果包括四种组成结构。
在一个或多个实施例中，优选地，该系统还包括尾矿库数据存储模块807和网络训练数据结果存储模块808；所述尾矿库数据存储模块807，用于获得所有的尾矿库训练数据，并分类存储到不同的数据区；所述网络训练数据结果存储模块808，用于根据当前获得的网络自动建立存储空间，存储网络训练过程中和训练完成后的数据。
本发明实施例中，通过进行不同类型网路设置并结合样本与图形的自动选择，完成对于不同类型网络在尾矿库检测过程中的评估。
本发明实施例第三方面，提供一种电子设备。图9是本发明一个实施例中一种电子设备的结构图。图9所示的电子设备为通用尾矿库检测装置，其包括通用的计算机硬件结构，其至少包括处理器901和存储器902。处理器901和存储器902通过总线903连接。存储器902适于存储处理器901可执行的指令或程序。处理器901可以是独立的微处理器，也可以是一个或者多个微处理器集合。由此，处理器901通过执行存储器902所存储的指令，从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其它装置的控制。总线903将上述多个组件连接在一起，同时将上述组件连接到显示控制器904和显示装置以及输入/输出(I/O)装置905。输入/输出(I/O)装置905可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地，输入/输出装置905通过输入/输出(I/O)控制器906与系统相连。
本发明的实施例提供的技术方案可以包括以下有益效果：
1)本发明实施例中，通过自动进行的尾矿库识别，并评估网络的不同尺度尾矿库检测结果，为进行自动的尾矿库识别提供选择依据；
2)本发明实施例中，提供了通过自动对比测量结果，反应网络参数微调后的可能影响，排查了参数选择的影响，仅评估网络选择影响。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、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设备上，使得在计算机或其他可编程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。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种基于遥感数据的新型尾矿库检测方法，其特征在于，该方法包括：
设置目标检测网络，根据网络的批次大小确定骨干网络；
选择多光谱数据作为训练样本和验证样本，高分辨率卫星融合影像作为测试样本；
添加多尺度目标图片，所述多尺度目标图片包括不同尺度的单目标图片，以及不同尺度关系的多目标图片；
评估网络对不同尺度的尾矿库的检测准确率；
根据具体任务和数据的情况，选择设置损失函数和优化算法；
利用基于分层分类方式进行基于对象的分类监测，获取检测结果，所述检测结果包括四种组成结构，其中所述四种组成结构为初期坝、堆积坝、沉积滩和水体；
其中，所述设置目标检测网络，根据网络的批次大小确定骨干网络，具体包括：
获得网络的批次大小；
获取当前的所述网络批次大小，当所述网络批次大小低于预设的资源限制时，设置采用ResNet作为Faster R-CNN的骨干网络；配置所述ResNet的各层参数；使用SelectiveSearch算法自下而上的合并对象区域，提供所有包括目标的目标框；
获取当前的所述网络批次大小，当所述网络批次大小不低于预设所述资源限制时，设置采用ResNet作为SSDLite的骨干网络；在神经网络的感受野中确定默认边界框，其中，每个所述的默认边界框需要同时对类别和边界框位置参数进行回归，并生成目标框；
将每个目标框送入训练好的CNN识别网络进行识别；根据类别概率修改并确定目标框类别及范围；
根据类别概率修改并确定目标框类别及范围；
其中，所述资源限制为6次；
其中，所述根据具体任务和数据的情况，选择设置损失函数和优化算法，具体包括：
选择第一计算公式作为选择损失函数；
选择第二计算公式作为优化算法；
所述第一计算公式为：
其中，p，q分别为两个概率分布，H(p,q)表示通过概率分布q来表达概率分布p的困难程度,K1为预设的概率修正指数，K1的数值取值范围为0.0001至0.01之间；
所述第二计算公式为：
其中，θn表示第n次优化时参数θ的值，η为学习率，为损失函数对θ的偏导数，其中，k2为预设的修正系数，k2由于训练这根据自身的需求，进行微调，k2的调整范围为0.999至1.01。
2.如权利要求1所述的一种基于遥感数据的新型尾矿库检测方法，其特征在于，所述选择多光谱数据作为训练样本和验证样本，高分辨率卫星融合影像作为测试样本，具体包括：
选择多光谱数据，采用三波段瓦片数据选择训练样本；
选择所述多光谱数据，采用多波段影像识别获得测试样本；
选择所述多光谱数据中除去所述训练样本和所述测试样本之外的样本作为验证样本；
数据集上训练的网络模型作为微调模型；
确认数据集数量，当超过预设限值时添加额外的全连接层。
3.如权利要求1所述的一种基于遥感数据的新型尾矿库检测方法，其特征在于，所述添加多尺度目标图片，所述多尺度目标图片包括不同尺度的单目标图片，以及不同尺度关系的多目标图片，具体包括：
收集历史尾矿库调查资料，确定采样区域；
基于遥感信息采集所述采样区域内的尾矿库的正样本和负样本，并进行标注；
采集负样本，所述负样本包括矿山开采面、水库、废弃尾矿库，对应的土地覆盖类型包括植被、裸地、不透水面；
按照正样本和负样本各1/3比例采集冬季数据，但不采集地表有雪覆盖的数据；
计算数据波段的均值，赋予RGB三个波段，作为全色数据保存；
对所述全色数据按照5:1:2的比例分割训练集、验证集和测试集，并采用冬季数据对部分数据进行替换，形成4套用于训练和测试网络的数据集。
4.如权利要求1所述的一种基于遥感数据的新型尾矿库检测方法，其特征在于，所述评估网络对不同尺度的尾矿库的检测准确率，具体包括：
选取高分辨率卫星影像融合数据作为测试样本；
提取所有的所述测试样本的生成时间；
对所述测试样本的生成时间20天以上的样本进行线性回归预测，生成预测微调样本；
利用预测微调样本替换所述生成时间20天以上的样本，形成目标测试样本；
利用所述目标测试样本进行对不同尺度的尾矿库的检测准确率的评估。
5.如权利要求1所述的一种基于遥感数据的新型尾矿库检测方法，其特征在于，所述获取检测结果，所述检测结果包括四种组成结构，具体包括：
对比所有的检测网络受到获取数据资源总量的影响；
对比所有的检测网络获取计算和存储能力的影响；
对比所有的检测网络在资源限制下的尾矿库检测能力的影响。
6.一种基于遥感数据的新型尾矿库检测系统，其特征在于，该系统包括：
网络设置模块，用于设置目标检测网络，根据网络的批次大小确定骨干网络；
样本选择模块，用于选择多光谱数据作为训练样本和验证样本，高分辨率卫星融合影像作为测试样本；
图形选择模块，用于添加多尺度目标图片，所述多尺度目标图片包括不同尺度的单目标图片，以及不同尺度关系的多目标图片；
准确度评估模块，用于评估网络对不同尺度的尾矿库的检测准确率；
参数微调模块，用于根据具体任务和数据的情况，选择设置损失函数和优化算法；
监测评价模块，用于获取检测结果，所述检测结果包括四种组成结构；
其中，所述设置目标检测网络，根据网络的批次大小确定骨干网络，具体包括：
获得网络的批次大小；
获取当前的所述网络批次大小，当所述网络批次大小低于预设的资源限制时，设置采用ResNet作为Faster R-CNN的骨干网络；配置所述ResNet的各层参数；使用SelectiveSearch算法自下而上的合并对象区域，提供所有包括目标的目标框；
获取当前的所述网络批次大小，当所述网络批次大小不低于预设所述资源限制时，设置采用ResNet作为SSDLite的骨干网络；在神经网络的感受野中确定默认边界框，其中，每个所述的默认边界框需要同时对类别和边界框位置参数进行回归，并生成目标框；
将每个目标框送入训练好的CNN识别网络进行识别；根据类别概率修改并确定目标框类别及范围；
根据类别概率修改并确定目标框类别及范围；
其中，所述资源限制为6次；
其中，所述根据具体任务和数据的情况，选择设置损失函数和优化算法，具体包括：
选择第一计算公式作为选择损失函数；
选择第二计算公式作为优化算法；
所述第一计算公式为：
其中，p，q分别为两个概率分布，H(p,q)表示通过概率分布q来表达概率分布p的困难程度,K1为预设的概率修正指数，K1的数值取值范围为0.0001至0.01之间；
所述第二计算公式为：
其中，θn表示第n次优化时参数θ的值，η为学习率，为损失函数对θ的偏导数，其中，k2为预设的修正系数，k2由于训练这根据自身的需求，进行微调，k2的调整范围为0.999至1.01。
7.如权利要求6所述的一种基于遥感数据的新型尾矿库检测系统，其特征在于，该系统还包括尾矿库数据存储模块和网络训练数据结果存储模块；所述尾矿库数据存储模块，用于获得所有的尾矿库训练数据，并分类存储到不同的数据区；所述网络训练数据结果存储模块，用于根据当前获得的网络自动建立存储空间，存储网络训练过程中和训练完成后的数据。
8.一种电子设备，包括存储器和处理器，其特征在于，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111045901.9A CN113762153B (zh) | 2021-09-07 | 2021-09-07 | 一种基于遥感数据的新型尾矿库检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111045901.9A CN113762153B (zh) | 2021-09-07 | 2021-09-07 | 一种基于遥感数据的新型尾矿库检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113762153A CN113762153A (zh) | 2021-12-07 |
| CN113762153B true CN113762153B (zh) | 2024-04-02 |
Family
ID=78793580
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111045901.9A Active CN113762153B (zh) | 2021-09-07 | 2021-09-07 | 一种基于遥感数据的新型尾矿库检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113762153B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020248471A1 (zh) * | 2019-06-14 | 2020-12-17 | 华南理工大学 | 一种基于集聚交叉熵损失函数的序列识别方法 |
| WO2021043168A1 (zh) * | 2019-09-05 | 2021-03-11 | 华为技术有限公司 | 行人再识别网络的训练方法、行人再识别方法和装置 |
-
2021
- 2021-09-07 CN CN202111045901.9A patent/CN113762153B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020248471A1 (zh) * | 2019-06-14 | 2020-12-17 | 华南理工大学 | 一种基于集聚交叉熵损失函数的序列识别方法 |
| WO2021043168A1 (zh) * | 2019-09-05 | 2021-03-11 | 华为技术有限公司 | 行人再识别网络的训练方法、行人再识别方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| Kun Liu,et al..A Tailings Pond Identification Method Based on Spatial Combination of Objects.《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》.2019,全文. * |
| 基于深度学习的SSD模型尾矿库自动提取;闫凯;沈汀;陈正超;闫弘轩;;中国科学院大学学报;20200515(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113762153A (zh) | 2021-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102004856B (zh) | 高频观测资料实时数据的快速集合卡曼滤波同化方法 | |
| CN110472597A (zh) | 基于深度学习的岩石图像风化程度检测方法及系统 | |
| CN110175507B (zh) | 模型评估方法、装置、计算机设备和存储介质 | |
| CN111028255A (zh) | 基于先验信息与深度学习的农田区域预筛选方法及装置 | |
| US12014536B2 (en) | Target detection method and device for high-resolution remote sensing image | |
| US20230131518A1 (en) | Model Generation Method and Apparatus, Object Detection Method and Apparatus, Device, and Storage Medium | |
| CN116703004B (zh) | 一种基于预训练模型的水系流域智慧巡护方法和装置 | |
| CN110532969B (zh) | 基于多尺度图像分割的斜坡单元划分方法 | |
| CN112966558A (zh) | 基于优化ssd目标检测模型的港口自动识别方法及系统 | |
| Lemenkova | Topology, homogeneity and scale factors for object detection: application of eCognition software for urban mapping using multispectral satellite image | |
| CN101561882B (zh) | 一种基于空间相关性的亚像元空间定位方法 | |
| CN114565833A (zh) | 基于轮廓引导和结构注意的全卷积网络建筑物提取方法 | |
| CN113762153B (zh) | 一种基于遥感数据的新型尾矿库检测方法及系统 | |
| CN112084941A (zh) | 一种基于遥感图像的目标检测与识别方法 | |
| CN117458450A (zh) | 电力数据能耗预测分析方法及系统 | |
| CN112287895A (zh) | 用于河流排污口检测的模型构建方法、识别方法及系统 | |
| CN112711646A (zh) | 基于地学信息的找矿方法及装置、电子设备、存储介质 | |
| Ranieri et al. | A deep learning workflow enhanced with optical flow fields for flood risk estimation | |
| CN116992628A (zh) | 一种用于露天矿厂的建模方法 | |
| Zhang et al. | Semantic segmentation method accelerated quantitative analysis of the spatial characteristics of traditional villages | |
| CN115424131B (zh) | 一种云检测最优阈值选取方法、云检测方法及系统 | |
| CN114627371B (zh) | 一种基于注意力机制的桥梁健康监测方法 | |
| CN114202551B (zh) | 一种喀斯特石漠化的分级制图方法及装置 | |
| CN115239027A (zh) | 空气质量格点化集合预报的方法及装置 | |
| Shanhua et al. | Real-time detection method of surface floating objects based on deep learning |
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 |