CN114332533A - 一种基于DenseNet的滑坡图像识别方法和系统 - Google Patents
一种基于DenseNet的滑坡图像识别方法和系统 Download PDFInfo
- Publication number
- CN114332533A CN114332533A CN202111603843.7A CN202111603843A CN114332533A CN 114332533 A CN114332533 A CN 114332533A CN 202111603843 A CN202111603843 A CN 202111603843A CN 114332533 A CN114332533 A CN 114332533A
- Authority
- CN
- China
- Prior art keywords
- landslide
- densenet
- sample
- data
- layer
- 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.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种基于DenseNet的滑坡图像识别方法和系统，方法结合灾区滑坡发生的特点，在滑坡样本库构建阶段通过加入各种地形地貌、地层岩性、植被覆盖、气象水文甚至人类活动的滑坡影响因子来丰富滑坡样本库，利用该样本库与滑坡标签数据对DenseNet模型训练并检测，利用训练好的模型进行滑坡识别与制图。DenseNet的运用最大程度地传递了网络提取的滑坡特征，有效地防止过拟合，涉及参数少，迭代时间少，收敛速度快，还在滑坡识别工作中能更好地做到性能和效率的平衡，同时还能弥补滑坡样本匮乏的现状，更好地识别现有滑坡的边界范围甚至是潜在滑坡，提高滑坡识别与制图的精度。
Description
技术领域
本发明涉及灾害识别技术领域，具体涉及一种基于DenseNet的滑坡图像识别方法和系统。
背景技术
目前常用的滑坡灾害识别与制图的方法是基于遥感影像的方法，主要分为三个阶段：目视解译阶段，基于机器学习的计算机解译阶段，基于深度学习的智能解译阶段。近年来，随着大数据时代的到来，计算机运算能力的增强，深度学习在图像分类、目标检测和自然语言处理等应用领域取得了较好的成就。受这些成功案例的影响，基于像素和面向对象的深度学习算法也被提出应用于滑坡研究中。深度学习主要是利用卷积神经网络(Convolutional Neural Network,CNN)来自动学习目标特征的一种学习方式，与传统方法相比，CNN的多层前馈神经网络结构可以自动获取图像的有效特征表示，这使得这些网络无需手动计算复杂的滑坡特征即可识别滑坡体的语义特征。
目前，在专利“基于Mask RCNN神经网络的滑坡坡面分割识别方法(专利申请号：CN202011258659.9)”中，将遥感图像输入到训练后的神经网络模型中，通过神经网络模型自动识别出遥感图片中是否存在滑坡，达到高效、快速的查找出滑坡区域的目的；并将识别存在出滑坡区域标示出来，便于及时发现滑坡所处位置。在专利“一种基于CNN与RNN集成的滑坡灾害易发性预测方法(专利申请号：CN202010759164.8)”中，先分别构建基于CNN和RNN的易发性模型，再利用平均集成方法将CNN与RNN模型融合起来进行易发性预测，对滑坡易发性模型进行精度评价，输出最终的滑坡灾害易发性预测图，可有效提高滑坡灾害易发性预测精度。
层出不穷的深度学习网络在自然图像分类、识别和定位等任务中取得了很大的突破，但在滑坡识别与制图领域中却较少有最新网络成功迁移应用的案例。这是由于滑坡发生时地物的复杂性，准确区分滑坡体的边界范围是个重要的挑战，另外，复杂的深度学习网络结构通常意味着更多的训练参数，进而导致整个模型的迭代训练过程复杂。同时，为了更好地利用深度学习对于深层特征的提取能力，网络不断加深更会带来网络退化问题。
发明内容
本发明解决的一个主要问题是深度学习网络在滑坡识别与制图应用中，网络的加深可能会带来的梯度不稳定、效率低下、错误率升高等网络退化问题，还可能导致某些浅层的学习能力下降，限制了深层网络的学习，使得滑坡识别精度降低的问题。
根据本发明的一个方面，提供一种基于DenseNet的滑坡图像识别方法，滑坡图像识别方法包括：
基于待测区域的遥感影像数据和地理信息数据，获取影响滑坡发生的各类因子图层；
预处理所述因子图层，获得处理因子图层；
将所述遥感影像数据和所述处理因子图层进行叠加，获得样本数据库；
所述样本数据库与预先标定的滑坡标签数据构成滑坡样本数据；
将所述滑坡样本数据划分为训练样本和验证样本；
将所述训练样本和所述验证样本输入基于所述滑坡样本数据的特征构建的DenseNet模型中，进行迭代训练；
利用训练后的所述DenseNet模型测试待测区域的滑坡图像，得到滑坡识别结果图。
可选地，预处理所述因子图层包括步骤：
对影响滑坡发生的各类因子图层进行包括异常值去除、重采样、归一化和图层叠加的处理步骤。
可选地，将所述遥感影像数据和所述处理因子图层进行叠加，获得样本数据库，包括步骤：
将遥感影像数据和滑坡因子图层使用Layer stacking叠加成样本数据库。
可选地，所述地理信息数据包括地形地貌信息、地层岩性信息、气候条件信息和人类活动信息。
可选地，影响滑坡发生的各类因子图层包括归一化差值植被指数、归一化差值水体指数、高程、坡度、坡向、曲率、岩性、边坡结构、距断层距离、距道路距离、距河流距离、高程、坡度、坡向和曲率对应图层。
可选地，得到滑坡识别结果图后，还包括：
将所述滑坡识别结果图与滑坡标签数据进行对比，基于混淆矩阵计算精度指标，基于所述精度指标定量评估DenseNet模型的性能。
根据本发明的另一个方面，还公开一种基于DenseNet的滑坡图像识别系统，所述基于DenseNet的滑坡图像识别系统包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于DenseNet的滑坡图像识别程序，所述基于DenseNet的滑坡图像识别程序被所述处理器执行时实现如前任一项所述的基于DenseNet的滑坡图像识别方法的步骤。
本发明根据滑坡发生研究区的地层地质、地形地貌以及气象水文的环境条件，结合灾区滑坡发生的特点，提出了一种基于密集连接神经网络(Densely ConnectedNetwork,DenseNet)的滑坡识别与制图方法，在坡样本库构建阶段通过加入各种地形地貌、地层岩性、植被覆盖、气象水文甚至人类活动的滑坡影响因子来丰富滑坡样本库，利用该样本库与便签样本进行滑坡识别与制图，最大程度地传递网络提取的滑坡特征，有效地防止过拟合，涉及参数少，迭代时间少，收敛速度快，在滑坡识别工作中能更好地做到性能和效率的平衡。还可以弥补滑坡样本匮乏的现状，也可以更好地识别现有滑坡的边界范围甚至是潜在滑坡，提高滑坡识别与制图的精度。
附图说明
本发明构成说明书的一部分附图描述了本发明的实施例，并且连同说明书一起用于解释本发明的原理。
图1为本发明实施例中基于密集连接神经网络的滑坡识别与制图方法流程示意图；
图2为本发明实施例中图层叠加原理图；
图3为本发明实施例中训练样本生成原理图。
具体实施方式
下面将结合附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
对于相关领域普通技术人员已知的技术、方法和系统可能不作详细讨论，但在适当情况下，所述技术、方法和系统应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
实施例一，如图1所示，为基于深度密集连接网络的滑坡识别与制图方法流程示意图，具体步骤如下：
1.数据收集及预处理部分，下载研究区的遥感影像、地质图以及其他信息数据，地理信息数据包括但不限于地形地貌、地层岩性、气候条件、植被覆盖情况、人类活动情况等信息，将上述这些数据生成本实施例所需要的滑坡影响因子图层，具体可在ArcMap10.3和ENVI5.3中生成。
具体地，将采集到的上述数据输入ArcMap10.3和ENVI5.3中，根据遥感影像的波段计算生成NDVI归一化差值植被指数、NDWI归一化差值水体指数等因子，根据DEM数字高程模型生成坡度、坡向、曲率等因子，根据地质图生成岩性、边坡结构等因子，根据其他地理信息数据生成距断层距离、距道路距离、距河流距离以及降雨等数据。
数据的预处理包括异常值去除、重采样和归一化等操作，然后将获取的因子与影遥感像在通道维度上进行叠加拼接。即如图2所示，将遥感影像和滑坡因子图层使用Layerstacking工具叠加成尺寸为h×w×c大小的滑坡样本库，其中h指的是数据块的高，w指的是数据块的宽，c指的是数据块的通道数。该滑坡样本库详细包含了研究区的光谱信息、地形地貌信息、地层岩性信息、气候条件信息和人类活动信息。
制作滑坡样本库的操作还可以在软件中完成，如ENVI5.3，也可以通过python代码完成。
2.由于滑坡大小不一、形状各异，因此综合利用不同层次和不同尺度的滑坡特征显得格外重要。
根据研究区样本数据特征构建DenseNet模型，将样本按3:7的比例分为训练样本和验证样本，训练样本的形成过程为：因为单个像元是没有空间纹理特征的，CNN的卷积核无法在像元上滑动，也无法提取更高级的语义特征，所以本实施例以每个像元为中心，向四周以固定半径扩充多个像元的正方形窗口来形成训练样本，如图3所示，r为半径，本实施例中取值为2。
并按批次送入到DenseNet模型中进行训练，具体训练过程如下：
1)输入滑坡样本库的样本数据及滑坡标签数据：输入的样本是包含研究对象在内的影像块，它的大小根据研究区滑坡大小范围，计算机运算能力，网络的复杂度来确定。
2)计算隐含层：前述步骤输入的样本数据和滑坡标签数据数据经过卷积计算，送入Dense Block中；在每一个Dense Block中，各个层的特征图的大小一致，通过Concatenation函数实现在通道维度上连接。Concatenation函数的作用是将两个大小为h×w×c1和h×w×c2的数组和并为一个h×w×(c1+c2)的数据块，避免了特征的丢失，其中h指的是数据块的高，w指的是数据块的宽，c指的是数据块的通道数，c1、c2分别为不同的通道数。
每一层的输入都会连接前面的所有层，公式为：
xl＝Hl([x1,x2,…,xl-1]) (3)
其中xl代表第l层的输入，x1代表第1层的输入，x2代表第2层的输入，xl-1代表第l-1层的输入，而H(·)代表是非线性转化函数，它是一个组合操作，主要包括批归一化层(Batch Normalization,BN)、激活函数(ReLU)和卷积层(Conv)。
由于特征的重用，因此，假定输入层的特征图的通道数为k0，那么l层输入的通道数为k0+k(l-1)，因此随着层数增加，尽管k设定得较小，Dense Block的输入会非常多。Dense Block内部可以采用瓶颈层来减少计算量，主要是原有的结构中增加1x1卷积，其中1x1卷积得到通道为4k的特征图，它起到的作用是降低特征数量，从而提升计算效率，有效防止过拟合。
网络中，两个Dense Block之间是通过Transition层连接的，它相当于传统CNN中的池化层，只不过它的结构更为复杂。
Transition层包括一个1x1的卷积和2x2的平均池化，结构为BN+ReLU+1x1Conv+2x2 Avg Pool。另外，Transition层可以起到压缩模型的作用。假定Transition的上接Dense Block得到的特征图的通道数为c，Transition层可以产生通道数为θc的特征图(通过卷积层)，其中θ是压缩系数，一般取0至1之间的值，可以有效减少参数，压缩模型，进一步防止过拟合。
经过两个Dense Block+Transition结构的循环，完成DenseNet的前向传播过程。
3)网络输出及计算误差：步骤1中的每一个输入经过计算后得到一个输出，因此还需计算输出值与目标值(滑坡样本标签)之间的误差。
4)当误差大于预设期望值时，将误差传回网络中，依次求得各层的误差，即DenseNet的反向传播过程；当误差等于或小于预设期望值时，结束训练。
5)根据求得的误差进行权值更新，然后重读前述第2)步，从而得到最优DenseNet模型。
3.将训练得到的最优模型对整个研究区进行测试，获得研究区的滑坡图，并将其结果与野外验证和手动标注的滑坡样本进行对比，基于混淆矩阵(如表1)计算精度指标，从而定量评估训练得到的DenseNet模型的性能。
表1滑坡识别结果混淆矩阵
表中：TP表示真阳性，即真实值为滑坡、预测值也为滑坡，即预测正确；
FP表示假阳性，即将真实值为非滑坡的预测为滑坡，即过度识别；
FN表示假阴性，即将真实值为滑坡的预测为非滑坡，即遗漏识别；
TN表示真阴性，将真实值为非滑坡的正确预测出来。
常用的评价指标有以下5个：
1)总体精度(Accuracy)是反映模型对整体样本判断正确的能力。
2)召回率(Recall)表示在真实为滑坡的样本中被预测为滑坡的比例。
3)精确率(Precision)表示预测为滑坡的样本中真滑坡所占的比例。
4)F度量(F1-score)这里取的是精确率和召回率的调和平均。
5)卡帕系数(Kappa)是一个用于衡量分类的效果的指标，该值越大，模型的性能则越好。
其中p0为总体精度。
相对于基于传统CNN的滑坡识别与制图方法而言，本文提出的方法通过一种密集连接的网络连接方式，多层次融合特征，在区域滑坡识别与制图工作中精度更高。
该方法将影响滑坡发生的环境因子加入样本数据，并且考虑到CNN网络层数加深带来的梯度不稳定、效率低下、错误率升高等网络退化问题，利用DenseNet模型把前面所有层的输出当作该层的输入，加强特征重用，综合利用深度学习网络对于浅层特征和深层特征的学习能力，并且DenseNet模型中瓶颈结构和压缩系数能够有效减少参数、压缩模型并防止过拟合，进一步提高计算效率和识别精度，从而使得训练模型能够更好地区分滑坡与其余地物，对滑坡识别结果精度的提升有很大的作用。
以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则范围之内所作的任何修改、等同替换以及改进等，均应包含在本发明的保护范围之内。
还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者系统中还存在另外的相同要素。
Claims (7)
1.一种基于DenseNet的滑坡图像识别方法，其特征在于，滑坡图像识别方法包括：
基于待测区域的遥感影像数据和地理信息数据，获取影响滑坡发生的各类因子图层；
预处理所述因子图层，获得处理因子图层；
将所述遥感影像数据和所述处理因子图层进行叠加，获得样本数据库；
所述样本数据库与预先标定的滑坡标签数据构成滑坡样本数据；
将所述滑坡样本数据划分为训练样本和验证样本；
将所述训练样本和所述验证样本输入基于所述滑坡样本数据的特征构建的DenseNet模型中，进行迭代训练；
利用训练后的所述DenseNet模型测试待测区域的滑坡图像，得到滑坡识别结果图。
2.如权利要求1所述的一种基于DenseNet的滑坡图像识别方法，其特征在于，预处理所述因子图层包括步骤：
对影响滑坡发生的各类因子图层进行包括异常值去除、重采样、归一化和图层叠加的处理步骤。
3.如权利要求1所述的一种基于DenseNet的滑坡图像识别方法，其特征在于，将所述遥感影像数据和所述处理因子图层进行叠加，获得样本数据库，包括步骤：
将遥感影像数据和滑坡因子图层使用Layer stacking叠加成样本数据库。
4.如权利要求1所述的一种基于DenseNet的滑坡图像识别方法，其特征在于，所述地理信息数据包括研究区的光谱信息、地形地貌信息、地层岩性信息、气候条件信息和人类活动信息。
5.如权利要求1所述的一种基于DenseNet的滑坡图像识别方法，其特征在于，影响滑坡发生的各类因子图层包括归一化差值植被指数、归一化差值水体指数、高程、坡度、坡向、曲率、岩性、边坡结构、距断层距离、距道路距离、距河流距离、高程、坡度、坡向和曲率对应图层。
6.如权利要求1所述的一种基于DenseNet的滑坡图像识别方法，其特征在于，得到滑坡识别结果图后，还包括：
将所述滑坡识别结果图与滑坡标签数据进行对比，基于混淆矩阵计算精度指标，基于所述精度指标定量评估DenseNet模型的性能。
7.一种基于DenseNet的滑坡图像识别系统，其特征在于，所述基于DenseNet的滑坡图像识别系统包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于DenseNet的滑坡图像识别程序，所述基于DenseNet的滑坡图像识别程序被所述处理器执行时实现如权利要求1至6中任一项所述的基于DenseNet的滑坡图像识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111603843.7A CN114332533A (zh) | 2021-12-24 | 2021-12-24 | 一种基于DenseNet的滑坡图像识别方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111603843.7A CN114332533A (zh) | 2021-12-24 | 2021-12-24 | 一种基于DenseNet的滑坡图像识别方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114332533A true CN114332533A (zh) | 2022-04-12 |
Family
ID=81013501
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111603843.7A Pending CN114332533A (zh) | 2021-12-24 | 2021-12-24 | 一种基于DenseNet的滑坡图像识别方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114332533A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114972807A (zh) * | 2022-05-17 | 2022-08-30 | 北京百度网讯科技有限公司 | 图像识别准确率的确定方法、装置、电子设备和介质 |
-
2021
- 2021-12-24 CN CN202111603843.7A patent/CN114332533A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114972807A (zh) * | 2022-05-17 | 2022-08-30 | 北京百度网讯科技有限公司 | 图像识别准确率的确定方法、装置、电子设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109493320B (zh) | 基于深度学习的遥感影像道路提取方法及系统、存储介质、电子设备 | |
| CN111368769B (zh) | 基于改进锚点框生成模型的船舶多目标检测方法 | |
| CN103337052B (zh) | 面向宽幅遥感影像的自动几何纠正方法 | |
| CN110889318B (zh) | 利用cnn的车道检测方法和装置 | |
| CN110929080B (zh) | 基于注意力和生成对抗网络的光学遥感图像检索方法 | |
| CN111191735B (zh) | 基于数据差异和多尺度特征的卷积神经网络影像分类方法 | |
| CN113033520A (zh) | 一种基于深度学习的树木线虫病害木识别方法及系统 | |
| Izadi et al. | A new neuro-fuzzy approach for post-earthquake road damage assessment using GA and SVM classification from QuickBird satellite images | |
| CN113610070A (zh) | 一种基于多源数据融合的滑坡灾害识别方法 | |
| CN107967454B (zh) | 顾及空间邻域关系的双路卷积神经网络遥感分类方法 | |
| CN115482471A (zh) | 一种基于sar图像的目标检测方法及装置 | |
| CN115995042A (zh) | 一种视频sar运动目标检测方法及装置 | |
| CN115527050A (zh) | 图像特征匹配方法、计算机设备和可读存储介质 | |
| CN116543152A (zh) | 一种基于对象增强的高分辨率遥感图像语义分割方法 | |
| CN114359709A (zh) | 一种针对遥感图像的目标检测方法及装置 | |
| CN114332533A (zh) | 一种基于DenseNet的滑坡图像识别方法和系统 | |
| CN117455868A (zh) | 基于显著融合差异图和深度学习的sar图像变化检测方法 | |
| CN117422619A (zh) | 图像重建模型的训练方法、图像重建方法、装置及设备 | |
| KR102556765B1 (ko) | 비주얼 로컬라이제이션을 위한 방법 및 장치 | |
| Jafrasteh et al. | Generative adversarial networks as a novel approach for tectonic fault and fracture extraction in high resolution satellite and airborne optical images | |
| Ansith et al. | A modified Generative Adversarial Network (GAN) architecture for land use classification | |
| Li et al. | A new algorithm of vehicle license plate location based on convolutional neural network | |
| CN115565115A (zh) | 一种舾装件智能识别方法、计算机设备 | |
| CN114792397A (zh) | 一种sar影像城市道路提取方法、系统以及存储介质 | |
| CN115331194A (zh) | 遮挡目标检测方法及相关设备 |
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 |