CN114387501A - 冲洪积扇沉积遥感智能识别方法及装置 - Google Patents
冲洪积扇沉积遥感智能识别方法及装置 Download PDFInfo
- Publication number
- CN114387501A CN114387501A CN202011129425.4A CN202011129425A CN114387501A CN 114387501 A CN114387501 A CN 114387501A CN 202011129425 A CN202011129425 A CN 202011129425A CN 114387501 A CN114387501 A CN 114387501A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- flood
- fan
- sensing image
- model
- 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
Classifications
-
- 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
- G06F18/24—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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明公开了一种冲洪积扇沉积遥感智能识别方法及装置,该方法包括:合成光学遥感影像和地形遥感影像得到合成遥感影像,并根据所述合成遥感影像制作冲洪积扇目标样本数据集;构建MASK R‑CNN深度卷积神经网络,并根据所述合成遥感影像的特征调整所述网络的结构参数;根据所述冲洪积扇目标样本数据集以及所述MASK R‑CNN深度卷积神经网络进行模型训练和模型测试;封装训练完成的模型得到冲洪积扇识别模型。本发明充分挖掘冲洪积扇沉积体卫星遥感的光谱信息和地形信息,建立冲洪积扇遥感智能识别模型,快速准确识别冲洪积扇沉积体,为现代粗粒扇体沉积规律总结和精细刻画提供依据。
Description
技术领域
本发明涉及遥感图像智能识别和现代沉积学技术领域,具体而言,涉及一种冲洪积扇沉积遥感智能识别方法及装置。
背景技术
粗粒扇体沉积一直是岩性油气藏中重要的储集体,粗粒扇体沉积为目前陆相盆地重要的勘探对象,陆上冲洪积扇体沉积特征研究变得十分重要。针对现代沉积的将今论古研究是沉积学的重要研究思路,开展现代冲洪积扇沉积分布特征和规律的研究,对指导油气盆地中粗粒扇储集体的油气勘探开发以及完善冲洪积扇理论具有现实和理论意义。
目前主要的现代冲洪积扇沉积研究手段有沉积考察和模拟实验两种,传统的现代沉积考察存在观察范围局限的缺陷,而水槽和数值模拟实验由于模拟的参数有限,难以恢复冲洪积扇沉积真实状况。遥感技术以其宏观成像和细节突出的对地观测优势,能够弥补沉积考察和模拟实验的缺陷,成为现代冲洪积扇沉积研究的新型技术手段。如何在大范围多维度遥感信息支持下准确快速识别冲洪积扇沉积目标,为现代冲洪积扇沉积的空间分布识别和沉积规律总结提供研究基础,是现代沉积遥感观测研究的重点和难点。
一般情况下,不同时期不同物源的冲洪积扇可表现为扇面砾石的粒径和色调的差异,另一方面,扇体受到地形坡降和冲沟侵蚀下切的影响,会呈现出不同程度的分散特征。这些特点可以反映在基于遥感地形数据提取的各种地貌参数指标上,因而可以结合遥感光学和地形多种指标对这些不同期次不同物源的冲洪积扇地貌单元进行识别和划分。目前,国内外广泛用于遥感识别冲洪积扇方法主要有传统目视判别方法和遥感光谱指数分析法:2001年乔彦肖对冲洪积扇的影像特征进行了分析和总结;2006年崔卫国用遥感解译的方法开展玛纳斯河山麓冲积扇演变研究;2009年Hardgrove提出了一种基于冲积扇热成像特征进行遥感分类方法;2013年杨树文登利用ETM影像的光谱特征实现冲积扇提取方法研究。前人开展现代冲洪积扇方面的研究多依靠经验性的目视解译,而已有冲洪积扇遥感识别方法仅仅停留在简单建立光谱指数层面上,既没有充分利用冲洪积扇的地形特征差异,也没有深度挖掘冲洪积扇遥感影像特征,识别的准确性和效率不够理想。
发明内容
本发明为了解决上述背景技术中的至少一个技术问题,提出了一种冲洪积扇沉积遥感智能识别方法及装置。
为了实现上述目的,根据本发明的一个方面,提供了一种冲洪积扇沉积遥感智能识别方法,该方法包括:
合成光学遥感影像和地形遥感影像得到合成遥感影像,并根据所述合成遥感影像制作冲洪积扇目标样本数据集;
构建MASK R-CNN深度卷积神经网络,并根据所述合成遥感影像的特征调整所述网络的结构参数;
根据所述冲洪积扇目标样本数据集以及所述MASK R-CNN深度卷积神经网络进行模型训练和模型测试;
封装训练完成的模型得到冲洪积扇识别模型,以根据所述冲洪积扇识别模型进行冲洪积扇信息识别。
可选的,所述光学遥感影像包含RGB三波段;所述地形遥感影像包含数字高程模型、坡度以及坡向三个波段;
所述合成光学遥感影像和地形遥感影像得到合成遥感影像,包括:
在所述光学遥感影像的RGB三波段的基础上增加所述地形遥感影像的含有地形信息的数字高程模型、坡度、坡向三个波段,生成含有光谱和地形信息的六波段特征的合成遥感影像。
可选的,所述根据所述合成遥感影像制作冲洪积扇目标样本数据集,包括:
在所述合成遥感影像中标注出冲洪积扇目标轮廓矢量;
根据预设的尺寸将所述合成遥感影像裁切成多个影像块;
遍历全部影像块与冲洪积扇目标轮廓矢量进行相交处理,提取每一个影像块相交对应的冲洪积扇目标轮廓矢量形成轮廓矢量小图矢量集。
可选的,所述根据所述合成遥感影像的特征调整所述网络的结构参数,包括:
在基本网络结构基础上将输入通道由RGB三波段改为所述合成遥感影像的六波段。
可选的,所述根据所述冲洪积扇目标样本数据集以及所述MASK R-CNN深度卷积神经网络进行模型训练和模型测试,包括:
根据所述冲洪积扇目标样本数据集中的测试样本集对训练出的模型进行测试,得到训练出的模型的样本识别准确率;
若所述样本识别准确率大于预设阈值,停止模型训练,将当前训练出的模型作为训练完成的模型。
为了实现上述目的,根据本发明的另一方面,提供了一种冲洪积扇沉积遥感智能识别装置,该装置包括:
样本数据集生成单元,用于合成光学遥感影像和地形遥感影像得到合成遥感影像,并根据所述合成遥感影像制作冲洪积扇目标样本数据集;
神经网络构建单元,用于构建MASK R-CNN深度卷积神经网络,并根据所述合成遥感影像的特征调整所述网络的结构参数;
模型训练测试单元,用于根据所述冲洪积扇目标样本数据集以及所述MASK R-CNN深度卷积神经网络进行模型训练和模型测试;
模型封装单元,用于封装训练完成的模型得到冲洪积扇识别模型,以根据所述冲洪积扇识别模型进行冲洪积扇信息识别。
为了实现上述目的,根据本发明的另一方面,还提供了一种计算机设备,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计算机程序时实现上述冲洪积扇沉积遥感智能识别方法中的步骤。
为了实现上述目的,根据本发明的另一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序在计算机处理器中执行时实现上述冲洪积扇沉积遥感智能识别方法中的步骤。
本发明的有益效果为:本发明通过合成光学遥感影像和地形遥感影像得到合成遥感影像,并根据所述合成遥感影像制作冲洪积扇目标样本数据集,进而基于MASK R-CNN深度卷积神经网络训练出冲洪积扇识别模型,以对冲洪积扇信息识别,与现有技术相比有效的提高了识别的准确度和识别效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1是本发明实施例冲洪积扇沉积遥感智能识别方法的流程图;
图2是本发明实施例冲洪积扇沉积遥感智能识别方法的技术路线图;
图3是本发明实施例中锚框(Anchor)生成规则示意图;
图4是本发明实施例中研究区一冲洪积扇提取结果示意图;
图5是本发明实施例中研究区二冲洪积扇提取结果示意图;
图6是本发明实施例中洪积扇沉积遥感智能识别装置的结构框图;
图7是本发明实施例计算机设备示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
本发明充分挖掘卫星遥感的光谱信息和地形信息,将遥感智能分析技术引入现代沉积学领域,提出一种全新的现代冲洪积扇沉积自动识别方法,为大面积冲洪积扇沉积调查提供保障,为分析相同气候条件和地貌环境下现代冲洪积扇时空展布规律,特定地质条件下的粗粒扇体沉积特征总结和精细刻画提供依据。有助于地质学家开展现代沉积的科学系统的理论研究工作,在将今论古的对比研究下建立对油气盆地中粗粒扇储集体油田勘探开发生产有用的沉积模式,进而提高油田勘探开发的产能和效率。
图1是本发明实施例冲洪积扇沉积遥感智能识别方法的流程图,图2是本发明实施例冲洪积扇沉积遥感智能识别方法的技术路线图,如图1和图2所示,本实施例的冲洪积扇沉积遥感智能识别方法包括步骤S1至步骤S4。
步骤S1,合成光学遥感影像和地形遥感影像得到合成遥感影像,并根据所述合成遥感影像制作冲洪积扇目标样本数据集。
步骤S2,构建MASK R-CNN深度卷积神经网络,并根据所述合成遥感影像的特征调整所述网络的结构参数。
步骤S3,根据所述冲洪积扇目标样本数据集以及所述MASK R-CNN深度卷积神经网络进行模型训练和模型测试。
步骤S4,封装训练完成的模型得到冲洪积扇识别模型,以根据所述冲洪积扇识别模型进行冲洪积扇信息识别。
在本发明可选实施例中,本发明基于两个研究区对方案进行介绍。本发明两个研究区分别位于新疆准噶尔和甘肃祁连山地区,西部山区干旱少雨,冲洪积扇较为发育,利用遥感技术可开展冲洪积扇遥感识别。
研究区一位于东经84°23′~85°50′,北纬45°~46°26′之间,地处准噶尔盆地西北部,多呈雅丹地貌,属典型的温带大陆性气候。该区域寒暑差异悬殊,干燥少雨,春秋季风多,冬夏温差大,积雪薄,蒸发快,冻土深。研究区在西至奎屯,东至夏子街的隐伏的逆掩断裂带上,该断裂带的形成是由于准噶尔-吐鲁番板块的洋壳在晚古生代向哈萨克斯坦板块俯冲、消减乃至发生碰撞作用,使该地区成为碰撞隆起带及与隆起带相邻的碰撞前陆型沉积坳陷。
研究区二位于东经95°29′~95°48′,北纬39°4′~39°18′之间,地处肃北蒙古族自治县南山区域,座落在祁连山脉的西缘、河西走廊西端的南侧,青藏高原东北边缘,属河西内陆河流域。祁山西段高山区地势高耸,有高山、深谷和山间盆地。南山区域位于中纬度,深处欧亚大陆内地,受南来季风影响小,是典型的内陆高寒荒漠草原气候。研究区所在的祁连山北缘西段位于青藏高原块体、塔里木块体和阿拉善块体的衔接带上。
在本发明实施例中,光学遥感影像是含有红绿蓝可见光波段的中高分辨率遥感影像,地形遥感影像是DEM数字高程模型。步骤S1的合成光学遥感影像和地形遥感影像得到合成遥感影像,是将含有目标光学特征的波段和地形特征的波段进行影像合成,最终合成为6个波段影像数据,即在所述光学遥感影像的RGB三波段的基础上增加所述地形遥感影像的含有地形信息的数字高程模型、坡度、坡向三个波段,生成含有光谱和地形信息的六波段特征的合成遥感影像。这里选用的研究区2001年的LANDSAT7 ETM数据,分辨率为30M,选用其中的红RED,绿GREEN,蓝BLUE波段作为光学特征3个波段;地形数据选用GDEMV2的数字高程数据DEM,分辨率为30M,由DEM数字高程数据可进一步计算坡度和坡向,数字高程模型DEM,坡度SLOP,坡向ASPECT波段作为地形特征3个波段。
在本发明实施例中,本发明可以根据数字高程DEM计算坡度SLOP,坡向ASPECT。坡度是计算每个像元在从该像元到与其相邻的像元方向上的最大变化率,坡度值越小,地势越平坦;坡度值越大,地势越陡峭;坡向是计算从每个像元到其相邻像元方向上值的变化率最大的下坡方向,坡向可以被视为坡度方向,坡度的计算值可指示出各像元位置处表面的朝向的罗盘方向,将按照顺时针方向进行测量,角度范围介于0(正北)到360(仍是正北)之间,即完整的圆,不具有下坡方向的平坦区域将赋值为-1。
在本发明实施例中,步骤S1的根据所述合成遥感影像制作冲洪积扇目标样本数据集是对合成遥感影像范围内目标进行标注,解译目标轮廓矢量,根据目标轮廓矢量裁切合成影像,形成大小相同的方形影像块,生成样本数据集,样本数据集分为训练集,验证集和测试集。在本发明一个可选实施例中,步骤S1的根据所述合成遥感影像制作冲洪积扇目标样本数据集具体可以包含以下步骤:1.在合成影像范围内进行目标标注,获得冲洪积扇目标轮廓矢量shape;2.选择合适的多尺度宽高(例如512×512、1024×1024、2048×2048)裁切合成影像,形成多尺度大小的方形影像块如图3;3.遍历全部影像小块与轮廓矢量shape进行相交处理,提取每一个影像小块相交对应的目标轮廓矢量shape形成轮廓矢量小图矢量集。其目的是减轻模型训练时运转负荷,提高训练速度。大量的方形影像块与轮廓矢量小图形成了样本数据集,在本发明一个可选实施例中,共标注中国西北地区冲洪积扇目标2000个,裁切成多尺度方形影像块2260个。基于以上影像块和矢量集制作样本数据集,将其中矢量集中的点位信息重新编码成json格式储存。制作样本数据集被分为模型训练样本集、在训练过程中微调参数的验证集和最后测试模型的测试集,保留少量样本作为测试集,将剩余样本按9:1比例随机储存为训练集和验证集,最终形成训练集,验证集和测试集的样本集合,其中训练样本1853个,验证样本206个,测试样本200个。
在本发明实施例中,步骤S2的构建MASK R-CNN深度卷积神经网络,首先配置软件环境,例如:Tensorflow=1.15、keras=2.2.5、python=3.7等。步骤S2的根据所述合成遥感影像的特征调整所述网络的结构参数,为在基本网络结构基础上,根据输入通道由RGB三波段改为合成影像的六波段,具体的通过修改Backbone的第一个卷积层以适应输入数据的变化,使数据能顺利进入模型。
在本发明实施例中,MASK R-CNN深度卷积神经网络的基本结构,从底部起依次是Backbone、RPN网络、Align layer池化层、head层。
Backbone包含ResNet和FPN网络。ResNet用残差网络来提取图像特征,解决了网络在反向传播过程中,由于求微分过程中的链式法则使深层网络出现梯度消失和梯度爆炸的问题,能训练更深的卷积神经网络,本次采用ResNet 101网络;FPN(feature pyramidnetworks)是特征金字塔网络,包含一条自下而上神经网络的正向传播过程,特征图经过卷积核计算,通常会越变越小;另一条是自上而下,把更抽象、语义更强的高层特征图进行上采样,然后把该特征横向连接至前一层特征,因此,高层特征得到了增强,每一层预测所用的Feature Map都融合了不同分辨率、不同语义强度的特征,可以完成对应分辨率大小的物体进行检测,保证每一层都有合适的分辨率以及强语义特征。
RPN(Region Proposal Network)网络是用来进行前景背景分类和带有分类信息的候选框提取;对于特征图像的每一个位置,考虑9种可能的候选窗口(Anchors),前景背景的分类即将其中与某个ground truth(GT)包围盒有最高的IoU重叠的Anchor或与任意GT包围盒有大于某定值的IoU交叠的Anchor分配正标签,其他分配负标签。
ROI Align池化层是池化出大小相同且保持精准坐标的结果,使用双线性内插的方法获得坐标为浮点数的像素点上的图像数值,从而将整个特征聚集过程转化一个连续操作的网络。
head层是三条并行的输出,包括class、bound box和mask branch的head部分。MASK R-CNN网络的类别分类、回归、mask分类其中包括了物体检测最终的classes和bounding boxes。该部分是对ROI的全连接结果进行分类和回归。mask的预测也是在ROI之后的,通过FCN(Fully Convolution Network)生成与class分类结果大小相同的掩码。通过真实mask中的类别class_id,遍历所有的预测mask,较真实mask与预测mask每个像素点信息,找到class_id类别所对应的预测mask。
在本发明实施例中,步骤S2的根据所述合成遥感影像的特征调整所述网络的结构参数,为基本网络结构基础上,根据输入通道由RGB三波段改为合成影像的六波段。修改Backbone的第一个卷积层以适应输入数据的变化,使数据能顺利进入模型。对MASK R-CNN源码进行修改,重写图像加载方法,更改模型建立函数中数组维度,修改模型权重加载函数和训练函数,完成第一个卷积层的修改以适应输入数据的变化,实现输入通道由RGB的三通道改为合成影像的六通道。
在本发明实施例中,步骤S3根据所述冲洪积扇目标样本数据集以及所述MASK R-CNN深度卷积神经网络进行模型训练和模型测试。训练样本进入搭建好的改进MASK R-CNN模型,依次经历Backbone、RPN网络、ROI Align池化层、head层四个模块训练。
合成影像训练样本图片在Backbone的ResNet 101进行卷积特征提取,ResNet101网络五层卷积层,每一层经过卷积、批处理正则化BN、激活函数RELU三步提取特征。设置的参数如下表1所示,获得不同尺度的Feature Map:C1、C2、C3、C4、C5。
表1
Feature Map进入FPN网络,FPN网络利用C2,C3,C4,C5建立特征图金字塔结构,通过卷积池化融合等操作获得各尺度融合后的Feature Map--[P2,P3,P4,P5,P6],其中P6是将P5进行按一定步长进行最大池化操作得到的。
特征图[P2,P3,P4,P5,P6]进入RPN网络,RPN是用来提取候选框的网络。基于特征图[P2,P3,P4,P5,P6],按每一层对应SCALES=(32,64,128,256,512)和RATIOS=[0.5,1,2]三个长宽比。对每一个像素点生成9个size大小的Anchor例如第一层的32的三个长宽比[16×16,32×32,64×64,16×32,32×16,16×64,64×16,32×64,64×32],Anchor如图3所示。遍历P2到P6这五个特征层,生成大量Anchor,为了减少机器的负荷提取一定数量的候选框进入到下一步。接下来对选择的Anchor按照一定的规则例如设定IoU>0.7的阈值来标记class的记作前景值1,IoU<0.7记作背景值0,同时保存这些Anchor与真实框ground truth之间的偏移量。
前向传播计算分类得分(概率)和坐标点偏移量。RPN网络在分类和回归的时候,分别将每一层的每一个Anchor分为背景和前景两类,以及回归四个位移量,需要分别计算每个Anchor为前景的得分(概率)或为背景的得分(概率),将从P2到P6的所有层进行同样的分类和回归操作。
计算RPN网络损失值反向传播更新权重。在RPN网络中保存了Anchors的分类和回归信息。RPN分类使用的是基于Softmax函数的交叉熵损失函数,通过Anchors正样本和负样本所对应的得分,利用得分与正负样本的标签计算交叉熵损失值。RPN回归使用的是SmoothL1Loss损失函数,利用此前向传播计算得到的偏移量与正样本与真实框之间计算的偏移量计算损失值。通过以上两个函数得到损失函数求导后的结果,指导下一次分类和回归的参数更新,用此更新权重实现反向传播。
根据RPN调整生成ROI。按照Anchors经过RPN网络前向传播计算得出的前景(或称为正样本)的得分从高到低排序,取出一定量得分最高的Anchors,相对应的将这些Anchors经RPN网络前向传播计算出的偏移量累加到Anchor box上得到较为准确的box坐标。最后在返回前,会进行一次非最大值抑制NMS操作进行非最大值抑制的目的主要是需要剔除掉重复的框。
ROI Align是一种区域特征聚集方式,使用双线性内插的方法获得坐标为浮点数的像素点上的图像数值,从而将整个特征聚集过程转化为一个连续的操作,避免量化引起的坐标误差。
head层的类别分类、回归、mask分类。head层的类别分类和回归与RPN网络中的分类和回归是一样的,损失函数也都是基于Softmax交叉熵和SmoothL1Loss,只是RPN网络中只分前景(正类)、背景(负类),而head层中的分类是要具体到某个类别(多类别分类)。mask分类,在ROI对齐操作中mask分支对齐成14*14大小的Feature Map,并且在RPN网络中保存了每个正样本mask掩码区域对应的class_id。具体实现:1.前向传播:将14*14Feature Map通过反卷积变换得到每个类别对应一个mask区域(28*28),即预测mask;2.RPN网络中保存的每个正样本mask(28*28),和每个mask区域的真实类别class_id,即真实mask;3.通过真实mask中的类别class_id,遍历所有的预测mask,找到class_id类别所对应的预测mask,通过二分类交叉熵损失函数(binary_cross_entropy)比较真实mask与预测mask每个像素点信息,只有预测概率和真实标签是相等时,loss才为0,否则loss就是为一个正数。而且,概率相差越大,loss就越大,因此根据Loss值更改权重实现反向传播。
所有样本集参与训练的过程中,根据模型输出和训练样本标注的不断比对,权重参数的不断调整,以适应模型输出结果最优化,最终训练得到包含特定网络权重参数的MASK R-CNN模型。
在本发明实施例中,MASK R-CNN模型的训练是样本的训练和网络权重参数不断调整的过程:(1)训练样本进入MASK R-CNN模型,经过ResNet网络进行特征提取,在RPN网络中生成预测ROI的区域,经过FPN网络进行特征金字塔整合完成多尺度特征的融合,在RGB-D的训练样本进入MASK R-CNN模型中,依次在ResNet网络中进行特征提取,在Align Layer网络中pooling出大小相同且保持精确坐标的结果,最后并行进入两条路线,一条经过FCN网络中将特征映射到与原始图片大小相同,输出Mask结果,另一条是进行分类和bound box边框回归。(2)所有样本集参与训练的过程中,根据模型输出和训练样本标注的不断比对,权重参数的不断调整,以适应模型输出结果最优化,最终训练得到包含特定网络权重参数的MASK R-CNN模型。
在本发明实施例中,在步骤S3中还基于改进的MASK R-CNN模型进行测试样本识别精度评估。分别采用准确率(Accuracy)、精准率(Precision)、召回率(Recall)和平均交并比(mIoU)等指标来对模型的提取结果进行定量的评估。准确率指所有的正负例中被提取出来结果为正例所占的比例,精准率是指提取的所有结果中正例所占的比例,召回率指所有的正例中被提取出来的正例所占的比例。准确率、精准率和召回率的公式如下:
准确率Accuracy=(TP+TN)/(FP+TP+FN+TN)
精准率Precision=TP/(FP+TP)
召回率Recall=TP/(FN+TP)
其中,TP为被正确提取的正例数量,FP为被错误提取为正例的负例数量,FN为没有被提取出来的正例数量,TN为没有被提取出来的负例数量,预测结果与真实值混淆矩阵如下表2。
表2
平均交并比(mIoU)是语义分割的标准度量指标,计算两个集合的交集和并集之比,在语义分割的问题中,这两个集合为真实值(ground truth)和预测值(predictedsegmentation)。平均交并比值越大,则说明正确率越高。平均交并比计算公式为:
其中,TP为真值与预测值的交集,即为正确提取的正例数量;FP+FN+TP为真值与预测值的并集。
根据改进MASK R-CNN网络模型对验证集的识别结果,对比人工解译的矢量轮廓,获得每一个像素点的混淆矩阵信息并计算准确率、精准率、召回率和平均交并比,完成冲洪积扇识别模型的评价,验证集识别准确率大于预设阈值时,模型训练完成。
在本发明实施例中,MASK R-CNN模型的测试是计算训练MASK R-CNN模型识别样本准确率,测试平均准确率大于预设阈值(例如80%)认为模型训练成功:(1)输入待测试的样本,将测试图片输入到训练好的模型中得到最后的head层识别结果,包括目标类型识别结果,目标包围矩形框和目标轮廓矢量;(2)对识别结果进行评测,FN:被判定为负样本,但事实上是正样本;FP杯判定为正样本,但事实上是负样本;TN:被判定为负样本,事实上也是负样本;TP:被判定为正样本,事实上也是正样本;在此基础上计算准确率A=(TP+TN)/(FP+TP+FN+TN)和精准率P=TP/(TP+FP),计算召回率R=TP/(TP+FN)和平均交并比mIoU。当测试集识别的准确率大于80%时,模型训练成功。
在本发明实施例中,步骤S4的模型封装是通过软硬件环境的支持,将步骤S2和步骤S3训练得到的包含网络权重参数的MASK R-CNN模型文件封装,形成冲洪积扇智能识别工具(模型)。运用该工具(模型)实现对目标区域遥感地形合成影像冲洪积扇的轮廓信息智能自动识别,研究区一和研究区二的冲洪积扇自动识别结果如图4和图5所示,识别精度评价结果如下表3。
研究区 | Accuracy | Precision | Recall | mIoU |
研究区一 | 0.966848519 | 0.904295363 | 0.937914661 | 0.853221598 |
研究区二 | 0.952508944 | 0.895966066 | 0.935637394 | 0.843950358 |
表3
从以上实施例可以看出,本发明提供了一种有效的、具有可操作性的现代冲洪积扇沉积遥感智能识别方法,极大提高现代沉积分析的规模性、时效性和准确性。与以往现代冲洪积扇沉积遥感研究技术方法相比,本发明具有两个显著特点:1)在冲洪积扇遥感识别现有方法基础上,首次创新性引入智能分析技术,构建基于MASK R-CNN深度卷积神经网络的冲洪积扇智能识别模型,使其转化为特定区域现代冲洪积扇沉积调查的快速准确技术手段;2)发明中创新性提出将地形信息与遥感光谱信息合成,在RGB三波段的基础上新增了含有空间信息的波段,弥补了遥感光谱数据难以反映冲洪积扇地形坡降特征的缺陷,充分挖掘冲洪积扇光谱和三维空间特征,提高模型识别可信度。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
基于同一发明构思,本发明实施例还提供了一种冲洪积扇沉积遥感智能识别装置,可以用于实现上述实施例所描述的冲洪积扇沉积遥感智能识别方法,如下面的实施例所述。由于冲洪积扇沉积遥感智能识别装置解决问题的原理与冲洪积扇沉积遥感智能识别方法相似,因此冲洪积扇沉积遥感智能识别装置的实施例可以参见冲洪积扇沉积遥感智能识别方法的实施例,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图6是本发明实施例冲洪积扇沉积遥感智能识别装置的结构框图,如图6所示,本发明实施例冲洪积扇沉积遥感智能识别装置包括:
样本数据集生成单元,用于合成光学遥感影像和地形遥感影像得到合成遥感影像,并根据所述合成遥感影像制作冲洪积扇目标样本数据集;
神经网络构建单元,用于构建MASK R-CNN深度卷积神经网络,并根据所述合成遥感影像的特征调整所述网络的结构参数;
模型训练测试单元,用于根据所述冲洪积扇目标样本数据集以及所述MASK R-CNN深度卷积神经网络进行模型训练和模型测试;
模型封装单元,用于封装训练完成的模型得到冲洪积扇识别模型,以根据所述冲洪积扇识别模型进行冲洪积扇信息识别。
在本发明一个实施例中,所述光学遥感影像包含RGB三波段;所述地形遥感影像包含数字高程模型、坡度以及坡向三个波段。所述样本数据集生成单元,包括:
影像合成模块,用于在所述光学遥感影像的RGB三波段的基础上增加所述地形遥感影像的含有地形信息的数字高程模型、坡度、坡向三个波段,生成含有光谱和地形信息的六波段特征的合成遥感影像。
在本发明一个实施例中,所述样本数据集生成单元,包括:
标注模块,用于在所述合成遥感影像中标注出冲洪积扇目标轮廓矢量;
裁切模块,用于根据预设的尺寸将所述合成遥感影像裁切成多个影像块;
轮廓矢量小图矢量集提取模块,用于遍历全部影像块与冲洪积扇目标轮廓矢量进行相交处理,提取每一个影像块相交对应的冲洪积扇目标轮廓矢量形成轮廓矢量小图矢量集。
在本发明一个实施例中,所述神经网络构建单元,包括:
结构参数调整模块,用于在基本网络结构基础上将输入通道由RGB三波段改为所述合成遥感影像的六波段。
在本发明一个实施例中,所述模型训练测试单元,包括:
样本识别准确率计算模块,用于根据所述冲洪积扇目标样本数据集中的测试样本集对训练出的模型进行测试,得到训练出的模型的样本识别准确率;
模型训练完成模块,用于在所述样本识别准确率大于预设阈值时,停止模型训练,将当前训练出的模型作为训练完成的模型。
为了实现上述目的,根据本申请的另一方面,还提供了一种计算机设备。如图7所示,该计算机设备包括存储器、处理器、通信接口以及通信总线,在存储器上存储有可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述实施例方法中的步骤。
处理器可以为中央处理器(Central Processing Unit,CPU)。处理器还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及单元,如本发明上述方法实施例中对应的程序单元。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及作品数据处理,即实现上述方法实施例中的方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个单元存储在所述存储器中,当被所述处理器执行时,执行上述实施例中的方法。
上述计算机设备具体细节可以对应参阅上述实施例中对应的相关描述和效果进行理解,此处不再赘述。
为了实现上述目的,根据本申请的另一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序在计算机处理器中执行时实现上述冲洪积扇沉积遥感智能识别方法中的步骤。本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(RandomAccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(HardDisk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.一种冲洪积扇沉积遥感智能识别方法,其特征在于,包括:
合成光学遥感影像和地形遥感影像得到合成遥感影像,并根据所述合成遥感影像制作冲洪积扇目标样本数据集;
构建MASK R-CNN深度卷积神经网络,并根据所述合成遥感影像的特征调整所述网络的结构参数;
根据所述冲洪积扇目标样本数据集以及所述MASK R-CNN深度卷积神经网络进行模型训练和模型测试;
封装训练完成的模型得到冲洪积扇识别模型,以根据所述冲洪积扇识别模型进行冲洪积扇信息识别。
2.根据权利要求1所述的冲洪积扇沉积遥感智能识别方法,其特征在于,所述光学遥感影像包含RGB三波段;所述地形遥感影像包含数字高程模型、坡度以及坡向三个波段;
所述合成光学遥感影像和地形遥感影像得到合成遥感影像,包括:
在所述光学遥感影像的RGB三波段的基础上增加所述地形遥感影像的含有地形信息的数字高程模型、坡度、坡向三个波段,生成含有光谱和地形信息的六波段特征的合成遥感影像。
3.根据权利要求1所述的冲洪积扇沉积遥感智能识别方法,其特征在于,所述根据所述合成遥感影像制作冲洪积扇目标样本数据集,包括:
在所述合成遥感影像中标注出冲洪积扇目标轮廓矢量;
根据预设的尺寸将所述合成遥感影像裁切成多个影像块;
遍历全部影像块与冲洪积扇目标轮廓矢量进行相交处理,提取每一个影像块相交对应的冲洪积扇目标轮廓矢量形成轮廓矢量小图矢量集。
4.根据权利要求2所述的冲洪积扇沉积遥感智能识别方法,其特征在于,所述根据所述合成遥感影像的特征调整所述网络的结构参数,包括:
在基本网络结构基础上将输入通道由RGB三波段改为所述合成遥感影像的六波段。
5.根据权利要求1所述的冲洪积扇沉积遥感智能识别方法,其特征在于,所述根据所述冲洪积扇目标样本数据集以及所述MASK R-CNN深度卷积神经网络进行模型训练和模型测试,包括:
根据所述冲洪积扇目标样本数据集中的测试样本集对训练出的模型进行测试,得到训练出的模型的样本识别准确率;
若所述样本识别准确率大于预设阈值,停止模型训练,将当前训练出的模型作为训练完成的模型。
6.一种冲洪积扇沉积遥感智能识别装置,其特征在于,包括:
样本数据集生成单元,用于合成光学遥感影像和地形遥感影像得到合成遥感影像,并根据所述合成遥感影像制作冲洪积扇目标样本数据集;
神经网络构建单元,用于构建MASK R-CNN深度卷积神经网络,并根据所述合成遥感影像的特征调整所述网络的结构参数;
模型训练测试单元,用于根据所述冲洪积扇目标样本数据集以及所述MASK R-CNN深度卷积神经网络进行模型训练和模型测试;
模型封装单元,用于封装训练完成的模型得到冲洪积扇识别模型,以根据所述冲洪积扇识别模型进行冲洪积扇信息识别。
7.根据权利要求6所述的冲洪积扇沉积遥感智能识别装置,其特征在于,所述光学遥感影像包含RGB三波段;所述地形遥感影像包含数字高程模型、坡度以及坡向三个波段;
所述样本数据集生成单元,包括:
影像合成模块,用于在所述光学遥感影像的RGB三波段的基础上增加所述地形遥感影像的含有地形信息的数字高程模型、坡度、坡向三个波段,生成含有光谱和地形信息的六波段特征的合成遥感影像。
8.根据权利要求6所述的冲洪积扇沉积遥感智能识别装置,其特征在于,所述样本数据集生成单元,包括:
标注模块,用于在所述合成遥感影像中标注出冲洪积扇目标轮廓矢量;
裁切模块,用于根据预设的尺寸将所述合成遥感影像裁切成多个影像块;
轮廓矢量小图矢量集提取模块,用于遍历全部影像块与冲洪积扇目标轮廓矢量进行相交处理,提取每一个影像块相交对应的冲洪积扇目标轮廓矢量形成轮廓矢量小图矢量集。
9.根据权利要求7所述的冲洪积扇沉积遥感智能识别装置,其特征在于,所述神经网络构建单元,包括:
结构参数调整模块,用于在基本网络结构基础上将输入通道由RGB三波段改为所述合成遥感影像的六波段。
10.根据权利要求6所述的冲洪积扇沉积遥感智能识别装置,其特征在于,所述模型训练测试单元,包括:
样本识别准确率计算模块,用于根据所述冲洪积扇目标样本数据集中的测试样本集对训练出的模型进行测试,得到训练出的模型的样本识别准确率;
模型训练完成模块,用于在所述样本识别准确率大于预设阈值时,停止模型训练,将当前训练出的模型作为训练完成的模型。
11.一种计算机设备,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计算机程序时实现权利要求1至5任一项所述的方法。
12.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序在计算机处理器中执行时实现如权利要求1至5任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011129425.4A CN114387501A (zh) | 2020-10-21 | 2020-10-21 | 冲洪积扇沉积遥感智能识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011129425.4A CN114387501A (zh) | 2020-10-21 | 2020-10-21 | 冲洪积扇沉积遥感智能识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114387501A true CN114387501A (zh) | 2022-04-22 |
Family
ID=81193919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011129425.4A Pending CN114387501A (zh) | 2020-10-21 | 2020-10-21 | 冲洪积扇沉积遥感智能识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114387501A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116129142A (zh) * | 2023-02-07 | 2023-05-16 | 广州市玄武无线科技股份有限公司 | 图像识别模型的测试方法、装置、终端设备和存储介质 |
-
2020
- 2020-10-21 CN CN202011129425.4A patent/CN114387501A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116129142A (zh) * | 2023-02-07 | 2023-05-16 | 广州市玄武无线科技股份有限公司 | 图像识别模型的测试方法、装置、终端设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107063197B (zh) | 一种基于空间信息技术的水库特征曲线提取方法 | |
CN103632363B (zh) | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 | |
CN103703490B (zh) | 用于产生三维特征数据的设备以及用于产生三维特征数据的方法 | |
CN109840553B (zh) | 耕地作物类型的提取方法及系统、存储介质、电子设备 | |
CN104899562B (zh) | 基于纹理分割融合的雷达遥感影像人工建筑识别算法 | |
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 | |
CN104700398A (zh) | 一种点云场景物体提取方法 | |
CN102005034A (zh) | 基于区域聚类的遥感影像分割方法 | |
CN107330422A (zh) | 一种基于高精度数字高程模型对半干旱地区进行微地形分类的方法 | |
CN109299673A (zh) | 城市群绿度空间提取方法及介质 | |
CN106971396A (zh) | 基于超像素的冰盖冻融探测方法 | |
CN113343858B (zh) | 路网地理位置识别方法、装置、电子设备及存储介质 | |
CN109100719A (zh) | 基于星载sar影像与光学影像的地形图联合测图方法 | |
CN103226826A (zh) | 基于局部熵视觉注意模型的遥感图像变化检测方法 | |
CN113505842A (zh) | 一种适用于大尺度区域遥感影像城市建筑物自动提取方法 | |
Pawłuszek et al. | Landslides identification using airborne laser scanning data derived topographic terrain attributes and support vector machine classification | |
CN116168246A (zh) | 一种用于铁路工程的弃渣场识别方法、装置、设备及介质 | |
CN114112906B (zh) | 一种基于无人机低空遥感和局部地形的水体特征提取系统 | |
CN116758049A (zh) | 一种基于主被动卫星遥感的城市洪涝立体监测方法 | |
Li et al. | Road extraction from high spatial resolution remote sensing image based on multi-task key point constraints | |
CN114387446A (zh) | 一种高分率遥感影像水体自动提取方法 | |
CN105894006A (zh) | 时空概率模型水稻遥感识别方法 | |
CN114626572A (zh) | 基于智能图像识别的输电线路路径优选方法 | |
CN114387501A (zh) | 冲洪积扇沉积遥感智能识别方法及装置 | |
CN101561882A (zh) | 一种基于空间相关性的亚像元空间定位方法 |
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 |