CN114972991B - 一种崩岗的自动识别方法及系统 - Google Patents

一种崩岗的自动识别方法及系统 Download PDF

Info

Publication number
CN114972991B
CN114972991B CN202210591266.2A CN202210591266A CN114972991B CN 114972991 B CN114972991 B CN 114972991B CN 202210591266 A CN202210591266 A CN 202210591266A CN 114972991 B CN114972991 B CN 114972991B
Authority
CN
China
Prior art keywords
data
dom
channel switching
dsm
switching network
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
CN202210591266.2A
Other languages
English (en)
Other versions
CN114972991A (zh
Inventor
沈盛彧
陈佳晟
张彤
赵元凌
刘纪根
孙宝洋
许文盛
王一峰
蒲坚
杨晶
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.)
Changjiang River Scientific Research Institute Changjiang Water Resources Commission
Original Assignee
Changjiang River Scientific Research Institute Changjiang Water Resources Commission
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 Changjiang River Scientific Research Institute Changjiang Water Resources Commission filed Critical Changjiang River Scientific Research Institute Changjiang Water Resources Commission
Priority to CN202210591266.2A priority Critical patent/CN114972991B/zh
Publication of CN114972991A publication Critical patent/CN114972991A/zh
Application granted granted Critical
Publication of CN114972991B publication Critical patent/CN114972991B/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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P60/00—Technologies relating to agriculture, livestock or agroalimentary industries
    • Y02P60/20—Reduction of greenhouse gas [GHG] emissions in agriculture, e.g. CO2

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种崩岗的自动识别方法及系统，包括获取DOM和DSM数据样本，将DSM数据样本叠置到所述DOM数据样本上，并对叠置后的数据进行崩岗区域范围标注；将样本数据分为训练集和验证集，以训练集为输入，以划分后的崩岗区域标记范围为标签对基于RefineNet框架的通道交换网络模型进行训练，训练过程中，通过通道交换的方式将DSM数据和DOM数据进行互补融合，使两个模态中有价值的信息得到充分利用；得到训练好的模型之后利用该模型对待识别数据进行崩岗识别。本发明有利于提高识别精度、降低成本，提升模型对地形变化的强壮性。

Description

一种崩岗的自动识别方法及系统
技术领域
本发明涉及崩岗侵蚀的防治技术领域，特别是涉及一种崩岗的自动识别方法及系统。
背景技术
崩岗是一种中国南部和东南部广泛分布的典型侵蚀地貌。崩岗的发生由重力和径流的共同作用造成，涉及复杂过程沉积物崩塌和输移。崩岗常发现于覆盖着花岗岩风化壳的丘陵山区。除自然因素外，人类活动破坏了植被也促成了崩岗的发展。崩岗侵蚀通常呈现为围椅形的破碎地貌形态，其对当地的生态环境和经济基础具有显著的危害，严重破坏森林、良田、道路和人居环境。因此，崩岗防治是南方丘陵区水土保持和治理生态环境的重要工作任务。
在采取合适的防治方法前，准确地发现崩岗侵蚀区域至关重要。传统的、最基础的崩岗发现方法是现场调查，但其非常耗费人力、物力和时间。随着技术的发展，近来越来越多的研究者采用各种遥感技术进行崩岗监测，包括三维激光扫描和无人机摄影测量。然而，崩岗通常大小尺度不一并且发育到中后期已自然恢复植被覆盖，仅基于遥感影像数据来识别崩岗的边缘十分具有挑战性。没有现场调查，仅从遥感影像上人工解译崩岗是非常困难的。当前的崩岗调查工作大多从遥感影像上人工识别疑似崩岗区域开始，再通过现场调查定位崩岗区域。整个工作流程费时且容易出错，急需一种自动，特别是针对大范围的崩岗发现方法。
近年来，深度学习在计算机视觉方面的突破提供了许多新颖的方法和工具来进行遥感影像理解。相对于普通自然或人工目标，崩岗是一种比较抽象的概念。崩岗由没有明确边界的复杂地形景观和不同的纹理特征组成，直接应用深度学习检测器来发现崩岗并不能获得满意的效果。因此，亟需一种崩岗的自动识别方法及系统来进行崩岗的识别。
发明内容
本发明的目的是提供一种崩岗的自动识别方法及系统，采用通道交换网络进行数字表面模型(Digital Surface Model,DSM)和数字正射影像(Digital Orthophoto Map,DOM)数据的深度融合，提高了崩岗提取精度。
为实现上述目的，本发明提供了如下方案：
一种崩岗的自动识别方法，包括：
获取DOM和DSM数据样本；
通过ArcScene软件将所述DSM数据样本叠置到所述DOM数据样本上，获得研究区的第一三维模型；
根据所述研究区的第一三维模型，人工标记出崩岗区域范围，并根据人工标记的崩岗区域范围通过现场实地复核验证和修正崩岗标记，得到修正后的崩岗区域标记范围；
按照固定大小格网对所述DSM数据样本、所述DOM数据样本和所述修正后的崩岗区域标记范围进行划分，得到深度学习的实验数据；
将所述实验数据中的DSM数据样本和DOM数据样本作为数据集，并将所述数据集划分为训练集和测试集，以所述训练集为输入，以划分后的崩岗区域标记范围为标签，对基于RefineNet框架的通道交换网络模型进行训练，得到训练后的通道交换网络模型；所述基于RefineNet框架的通道交换网络模型包括残差卷积模块、多分辨率融合模块和链式残差池化模块，所述残差卷积模块用于进行特征图的通道交换，所述特征图的通道交换指将所述DSM数据样本和/或DOM数据样本的某一通道替换为所述DOM数据样本和/或所述DSM数据样本的对应通道；
将所述测试集输入到所述训练后的通道交换网络模型进行测试，评估通道交换网络模型的识别效果得到训练好的通道交换网络模型；
获取待进行崩岗识别的DSM数据和DOM数据，并利用所述训练好的通道交换网络模型对所述待进行崩岗识别的DSM数据和DOM数据进行识别，得到崩岗识别结果。
本发明还提供一种崩岗的自动提取系统，包括：
样本数据获取模块，用于获取DOM和DSM数据样本；
叠置模块，用于通过ArcScene软件将所述DSM数据样本叠置到所述DOM数据样本上，获得研究区的第一三维模型；
标记模块，用于根据所述研究区的第一三维模型，人工标记出崩岗区域范围，并根据人工标记的崩岗区域范围通过现场实地复核验证和修正崩岗标记，得到修正后的崩岗区域标记范围；
格网划分模块，用于按照固定大小格网对所述DSM数据样本、所述DOM数据样本和所述修正后的崩岗区域标记范围进行划分，得到深度学习训练的实验数据；
模型训练模块，用于将所述实验数据中的DSM数据样本和DOM数据样本作为数据集，并将所述数据集划分为训练集和测试集，以所述训练集为输入，以划分后的崩岗区域标记范围为标签，对基于RefineNet框架的通道交换网络模型进行训练，得到训练后的通道交换网络模型；所述基于RefineNet框架的通道交换网络模型包括残差卷积模块、多分辨率融合模块和链式残差池化模块，所述残差卷积模块用于进行特征图的通道交换，所述特征图的通道交换指将所述DSM数据样本和/或DOM数据样本的某一通道替换为所述DOM数据样本和/或所述DSM数据样本的对应通道；
模型测试模块，用于将所述测试集输入到所述训练后的通道交换网络模型进行测试，评估通道交换网络模型的识别效果得到训练好的通道交换网络模型；
崩岗识别模块，用于获取待进行崩岗识别的DOM和DSM数据，并利用所述训练好的通道交换网络模型对所述待进行崩岗识别的DOM和DSM数据进行识别，得到识别结果。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的崩岗自动识别方法及系统，首先需要获取DOM和DSM数据样本，然后将DSM数据样本叠置到所述DOM数据样本上，并通过人工对叠置后的数据进行崩岗区域范围标注；将样本数据分为训练集和验证集，以所述训练集为输入，以划分后的崩岗区域标记范围为标签对基于RefineNet框架的通道交换网络模型进行训练，训练过程中，通过通道交换的方式将DSM数据和DOM数据进行互补融合，使两个模态中有价值的信息得到充分利用。通过测试集对训练后的模型进行测试，评估模型的识别效果，选择最优模型。最后利用训练好的模型对待识别数据进行崩岗识别。本发明上述方案，通过通道交换将DOM在卷积过程中的重要通道交换到DSM深度网络中以指导基于DSM的崩岗提取并提高其贡献率，同时DSM模态中的有效地形信息也可以提高DOM的崩岗提取精度，最终提高整个加权融合模型的提取精度。
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。
图1为本发明实施例1提供的崩岗自动识别方法流程图；
图2为本发明实施例1提供的崩岗自动识别方法原理图；
图3为本发明实施例1提供的研究区域的DOM和DSM数据，其中图3(1)为DOM数据，图3(2)为DSM数据；
图4为本发明实施例1提供的训练过程中深度学习网络损失值的变化示意图；
图5为本发明实施例1提供的三组DOM和DSM基于通道交换网络进行崩岗提取的分割结果；
图6为本发明实施例1提供的标签与三组DOM、DSM和交换融合方法的崩岗提取结果的对比效果。
具体实施方式
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，都属于本发明保护的范围。
崩岗由没有明确边界的复杂地形景观和不同的纹理特征组成，直接应用深度学习检测器来发现崩岗并不能获得满意的效果。而其它来源的地理空间数据，例如数字地表模型(DSM)数据，可以提供充足的信息来补充遥感影像数据。高分辨率DSM数据包含丰富的地形高程信息，能够描述细致的复杂地形特征和陡峭的边缘变化。虽然基于深度学习的特征融合已经开发用来遥感影像理解，但如何自动地选取最合适的数据类型和特征进行智能融合，仍是一个挑战。
本发明的目的是提供一种崩岗的自动识别方法及系统，采用通道交换网络进行DSM和DOM数据的深度融合，提高崩岗提取精度。
本发明提出了一种高分辨率DSM和DOM数据来实现高效自动的崩岗识别。本方法采用通道交换网络(Channel Exchange Network，CEN)进行DSM和DOM数据的深度融合。随着深度学习研究的发展，使用批归一化(Batch Normalization，BN)的尺度因子评估卷积神经网络中通道重要程度的方法已在网络剪枝的研究中得到了验证，CEN的原理也由此而启发，即使用其他模态通道替换掉本模态中不重要的通道而实现模态信息的互补融合。这种多源数据融合有利于提高检测精度、降低成本，提升模型对地形变化的强壮性，有助于大范围的崩岗调查和崩岗侵蚀机理研究。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
本实施例提供一种崩岗的自动识别方法，请参阅图1，包括：
S1、获取DOM和DSM数据样本。
步骤S1中的数据获取主要包括规划航线航拍、航拍影像拼接重建和航测成果导出三部分。具体的，首先通过选用有人机或无人机搭载高精度的光学影像传感器，通过规划航线的方式，采集高航向和旁向重叠度的航拍影像，再通过实景三维建模软件瞰景smart3D重建航拍区域的三维模型，最后导出高分辨率的DOM和DSM数据，作为研究基础数据。
S2、通过ArcScene软件将所述DSM数据样本叠置到所述DOM数据样本上，获得研究区的第一三维模型；根据所述研究区的第一三维模型，人工标记出崩岗区域范围，并根据人工标记的崩岗区域范围通过现场实地复核验证和修正崩岗标记，得到修正后的崩岗区域标记范围；按照固定大小格网对所述DSM数据样本、所述DOM数据样本和所述修正后的崩岗区域标记范围进行划分，得到深度学习训练的实验数据；
步骤S2为数据预处理过程，包括崩岗标记、规则格网划分和实验数据生成三部分。具体的，可首先通过ESRI公司的ArcScene软件将DSM数据样本叠置到DOM数据样本上，生成研究区的三维模型，对照此三维模型可人工解译出高准确度的崩岗区域范围，再通过现场实地复核进一步验证和修正崩岗标记，作为本方案的本底值(深度学习训练的标签真值)。由于研究区范围大，要运用深度学习网络必须进行合理的划分，本发明采用了最简单易行的规则格网划分，按固定大小格网划分研究区的DOM、DSM和崩岗标记，最后整理出对应成套的实验数据。
需要进行说明的是，上述中的研究区与航拍区域可以理解为同一区域。上段中所提到的研究区的三维模型(也即步骤S2中的第一三维模型)与步骤S1中的航拍区域的三维模型并不是同一个三维模型，步骤S1中的三维模型是通过三维建模软件生成的三维模型，而步骤S2中的三维模型是将DSM叠置到DOM数据上生成的。
S3、将所述实验数据中的DSM数据样本和DOM数据样本作为数据集，并将所述数据集划分为训练集和测试集，以所述训练集为输入，以划分后的崩岗区域标记范围为标签，对基于RefineNet框架的通道交换网络模型进行训练，得到训练后的通道交换网络模型。
其中，所述基于RefineNet框架的通道交换网络模型包括残差卷积模块、多分辨率融合模块和链式残差池化模块，所述残差卷积模块用于进行特征图的通道交换，所述特征图的通道交换指将所述DSM数据样本和/或DOM数据样本的某一通道替换为所述DOM数据样本和/或所述DSM数据样本的对应通道；
步骤S3主要是通过大量对应的DSM和DOM数据，对基于RefineNet框架的通道交换网络(CEN)进行端对端的训练。RefineNet主要由残差卷积模块、多分辨率融合模块、链式残差池化模块等小模块组成。根据图像由大到小的分辨率分别输入残差卷积模块，进行两层卷积操作，之后在融合模块对不同分辨率特征图进行融合，接着输入链式残差池化模块进行多层卷积池化处理，得到输出再进行3次残差卷积，最后经过全连接层分类输出得到分割结果。
作为一种可选的实施方式，参阅图2中第三部分的模型训练过程，步骤S3中首先需要将实验数据的一部分作为训练样本，剩余的作为测试样本，划分训练样本和测试样本之后，步骤S3还包括：
S31、将所述训练集中的所述DSM数据样本和所述DOM数据样本分别输入所述基于RefineNet框架的通道交换网络模型；在所述残差卷积模块的卷积过程中的批归一化层之后，依据归一化的缩放尺度因子进行特征图的通道交换，得到交换后的DSM数据和交换后的DOM数据。
进行所述通道交换的条件为：通道的尺度因子小于某一接近0的阈值；即当通道的尺度因子小于阈值时，将所述通道的特征图进行交换。交换过程中两个模态中有价值的信息能够得到充分利用。
同时，为了提升通道交换效果，对于交换过程还需设置分区限制和稀疏约束，分区限制即各模态只在一半的通道进行单向交换，稀疏约束即在模型的损失函数中添加缩放尺度因子总和的L1正则项，确保突出最重要的通道。
需要说明的是，DOM作为光学影像数据，已有基于ImageNet等大型图像数据集的预训练模型，在其基础上继续训练可极大地提高效率，而对于DSM数据，由于没有基础训练模型，则需要在本步操作中从零进行学习和强化，以适用于崩岗地形的识别。本方案通过CEN的通道交换，可以将DOM在卷积过程中的重要通道交换到DSM深度网络中以指导基于DSM的崩岗提取并提高其贡献率，同时DSM模态中的有效地形信息也可以提高DOM的崩岗提取精度，最终提高整个加权融合模型的提取精度。
S32、在所述多分辨率融合模块将所述交换后的DSM数据和所述交换后的DOM数据进行加权融合，最后输出分割结果。
S33、根据所述分割结果和所述标签对模型参数进行更新，并返回步骤S31“将所述训练集中的所述DSM数据样本和所述DOM数据样本分别输入所述基于RefineNet框架的通道交换网络模型”，直到达到迭代终止条件，停止迭代，得到所述训练后的通道交换网络模型。
DOM模态在大型图像数据集ImageNet预训练模型的基础上反复迭代更新网络参数，DSM模态从零进行网络参数的学习和强化，并进行模态通道的交换，最终得到训练后用于崩岗提取的网络模型。
S4、将所述测试集输入到所述训练后的通道交换网络模型进行测试，评估通道交换网络模型的识别效果得到训练好的通道交换网络模型。
如图5所示提取结果为代表崩岗区域的掩模。基于单一DOM、DSM及DOM和DSM融合三种情况分别进行实验，查看崩岗标记真实值与预测结果的对比效果，同时定量计算全局准确率(PA)、平均准确率(MPA)、平均交并比(MIoU)等评价指标，分析本方法崩岗识别的精度和准确度。三个指标的计算公式如下：
Figure BDA0003665185180000081
Figure BDA0003665185180000082
Figure BDA0003665185180000083
其中TP，TN，FP，FN分别代表二分类问题中的真值预测为真，假值预测为假，假值预测为真，真值预测为假的样本数，k为分类类别数，pii表示将第i类分为第i类的像素数量。
S5、获取待进行崩岗识别的DOM和DSM数据，并利用所述训练好的通道交换网络模型对所述待进行崩岗识别的DOM和DSM数据进行识别，得到识别结果。
模型训练好之后，即可利用该模型进行崩岗识别。步骤S5中获取待进行识别的数据的方法与步骤S1中获取样本数据的方法相同，此处参照步骤S1的方法即可。
为了更清楚的说明本发明方案的效果，现采取一研究区域进行具体的实验说明。
研究区域与实验数据
研究区域位于广东省河源市龙川县车田镇，如下图3所示。实验数据的经纬度范围为115°14'11.27"-115°14'54.18"，24°23'47.90"-24°24'26.65"。
龙川县是广东省土壤侵蚀最严重的区域之一，地处广东省东北部，东江和韩江上游，深受季风气候的影响，属中亚热带季风气候，气候温和，雨水丰沛，阳光充足，平均气温21.8℃，历年降雨量平均1501.8毫米，平均相对湿度78％。县站累年平均气温21.0℃，年雨量1693.3毫米，年日照1703.5小时，无霜期320天。全县地貌主要为丘陵低山，沿河谷地地势较为宽广，土壤成土母质，多为燕山期黑云母花岗石及二长花岗岩，森林覆盖率较低，山地丘陵台地以马尾松灌丛草坡为主，植被以芒箕及禾本科矮草最为常见。地质构造复杂，生态环境脆弱，地质灾害与崩岗侵蚀频发。
本实验数据为一组对应的0.2m分辨率DOM和0.5m分辨率DSM，分别为6000×6000像素和2400×2400像素。原始航空摄影影像使用UltraCam Eagle相机于2014年采集。DSM和DOM数据是通过INPHO软件进行基于光束法区域网平差的空中三角测量、像片密集匹配、微分纠正等全自动处理获得。通过规则格网划分，得到10行×10列，600×600像素DOM和240×240像素DSM共100组。
实验环境与实施
实验计算机配置为CPU i9 9900K，GPU为NVIDIA GeForce RTX 2080Ti，RAM32G，操作系统为Windows10，程序基于Pytorch框架构建。
样本分为一个训练集和一个测试集，其中80组用于训练，20组用于测试。样本在输入网络前经过随机裁剪、镜像等数据增强处理。训练过程中使用SGD算法进行迭代优化，随着网络训练的进行，目标函数损失值不断下降并趋于稳定，模型分割的精度也趋于稳定，网络逐渐收敛，得到最优模型。实验网络中降采样和上采样的学习率均分为三个阶段递减，每个阶段迭代轮次为20、50、50次，编码器学习率为1e-3、5e-4、1e-4，解码器学习率为3e-3、7e-4、3e-4，动量设置为0.9，权值衰减设置为1e-5，批数据量大小设置为2。
实验结果与分析
图4展示了训练过程中深度学习网络损失值的变化。随着迭代轮次的增加，网络损失值呈现不断下降趋势，并在100次迭代左右逐渐趋于收敛稳定，损失值在1.4上下浮动。
图5展示了三组DOM和DSM基于通道交换网络进行崩岗提取的分割结果，不难发现，其与标签真值较为接近。同时，通过观察DOM和DSM数据，受阴影和植被覆盖的影响，其中崩岗的边界均较为模糊，崩岗提取分割难度较大，但本方法依然能取得较为满意的效果。
为了体现本发明基于通道交换融合模型的优越性，实验中还分别基于单一DOM和DSM模态进行了崩岗提取测试。图6展示了标签与三组DOM、DSM和交换融合方法的崩岗提取结果的对比效果。其中，基于单一DOM模态有一定提取效果，但基于单一DSM模态基本没有提取出崩岗，而本方法能充分利用两个模态的优势信息，形成了较好的互补效应，提取了与标签近似一致的结果。表1给出了三种方法崩岗提取定量评价，本文交换融合方法全局准确率91.15％、平均准确率89.81％和MIoU80.26％，均是三种方法里最高。
表1崩岗提取定量评价
Figure BDA0003665185180000101
实施例2
本实施例提供一种崩岗的自动提取系统，包括：
样本数据获取模块M1，用于获取DOM和DSM数据样本；
叠置模块M2，用于通过ArcScene软件将所述DSM数据样本叠置到所述DOM数据样本上，获得研究区的第一三维模型；
标记模块M3，用于根据所述研究区的第一三维模型，人工标记出崩岗区域范围，并根据人工标记的崩岗区域范围通过现场实地复核验证和修正崩岗标记，得到修正后的崩岗区域标记范围；
格网划分模块M4，用于按照固定大小格网对所述DSM数据样本、所述DOM数据样本和所述修正后的崩岗区域标记范围进行划分，得到深度学习训练的实验数据；
模型训练模块M5，用于将所述实验数据中的DSM数据样本和DOM数据样本作为数据集，并将所述数据集划分为训练集和测试集，以所述训练集为输入，以划分后的崩岗区域标记范围为标签，对基于RefineNet框架的通道交换网络模型进行训练，得到训练后的通道交换网络模型；所述基于RefineNet框架的通道交换网络模型包括残差卷积模块、多分辨率融合模块和链式残差池化模块，所述残差卷积模块用于进行特征图的通道交换，所述特征图的通道交换指将所述DSM数据样本和/或DOM数据样本的某一通道替换为所述DOM数据样本和/或所述DSM数据样本的对应通道；
模型测试模块M6，用于将所述测试集输入到所述训练后的通道交换网络模型进行测试，评估通道交换网络模型的识别效果得到训练好的通道交换网络模型。
崩岗识别模块M7，用于获取待进行崩岗识别的DOM和DSM数据，并利用所述训练好的通道交换网络模型对所述待进行崩岗识别的DOM和DSM数据进行识别，得到识别结果。
对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，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发明的限制。

Claims (4)

1.一种崩岗的自动识别方法，其特征在于，包括：
获取DOM和DSM数据样本；
通过ArcScene软件将所述DSM数据样本叠置到所述DOM数据样本上，获得研究区的第一三维模型；
根据所述研究区的第一三维模型，人工标记出崩岗区域范围，并根据人工标记的崩岗区域范围通过现场实地复核验证和修正崩岗标记，得到修正后的崩岗区域标记范围；
按照固定大小格网对所述DSM数据样本、所述DOM数据样本和所述修正后的崩岗区域标记范围进行划分，得到深度学习训练的实验数据；
将所述实验数据中的DSM数据样本和DOM数据样本作为数据集，并将所述数据集划分为训练集和测试集，以所述训练集为输入，以划分后的崩岗区域标记范围为标签，对基于RefineNet框架的通道交换网络模型进行训练，得到训练后的通道交换网络模型；所述基于RefineNet框架的通道交换网络模型包括残差卷积模块、多分辨率融合模块和链式残差池化模块；所述残差卷积模块用于进行特征图的通道交换，所述特征图的通道交换指将所述DSM数据样本和/或DOM数据样本的某一通道替换为所述DOM数据样本和/或所述DSM数据样本的对应通道；
将所述测试集输入到所述训练后的通道交换网络模型进行测试，评估通道交换网络模型的识别效果得到训练好的通道交换网络模型；
获取待进行崩岗识别的DOM和DSM数据，并利用所述训练好的通道交换网络模型对所述待进行崩岗识别的DOM和DSM数据进行识别，得到崩岗识别结果；
所述以所述训练集为输入，以划分后的崩岗区域标记范围为标签，对基于RefineNet框架的通道交换网络模型进行训练，得到训练后的通道交换网络模型，具体包括：
将所述训练集中的所述DSM数据样本和所述DOM数据样本分别输入所述基于RefineNet框架的通道交换网络模型；
在所述残差卷积模块的卷积过程中的批归一化层之后，依据归一化的缩放尺度因子进行特征图的通道交换，得到交换后的DSM数据和交换后的DOM数据；
在所述多分辨率融合模块将所述交换后的DSM数据和所述交换后的DOM数据进行加权融合，最后输出分割结果；
根据所述分割结果和所述标签对模型参数进行更新，并返回步骤“将所述训练集中的所述DSM数据样本和所述DOM数据样本分别输入所述基于RefineNet框架的通道交换网络模型”，直到达到迭代终止条件，停止迭代，得到所述训练后的通道交换网络模型；
所述依据归一化的缩放尺度因子进行特征图的通道交换，具体包括：
判断通道的尺度因子小于设定阈值，得到判断结果；
若判断结果为是，则将所述特征图的通道进行交换，否则，不进行交换；
在进行所述通道交换的过程中设置分区限制和稀疏约束；
所述分区限制指所述DSM数据和所述DOM数据均只在各自一半的通道进行单向交换；
所述稀疏约束指在所述基于RefineNet框架的通道交换网络模型的损失函数中添加缩放尺度因子总和的L1正则项。
2.根据权利要求1所述的方法，其特征在于，所述获取DOM和DSM数据样本，具体包括：
采用无人机或有人机搭载高精度的光学影像传感器采集航拍影像；
根据所述航拍影像，利用实景三维建模软件瞰景smart3D重建所述研究区的第二三维模型，并根据所述第二三维模型导出所述DOM数据样本和所述DSM数据样本。
3.一种崩岗的自动提取系统，其特征在于，包括：
样本数据获取模块，用于获取DOM和DSM数据样本；
叠置模块，用于通过ArcScene软件将所述DSM数据样本叠置到所述DOM数据样本上，获得研究区的第一三维模型；
标记模块，用于根据所述研究区的第一三维模型，人工标记出崩岗区域范围，并根据人工标记的崩岗区域范围通过现场实地复核验证和修正崩岗标记，得到修正后的崩岗区域标记范围；
格网划分模块，用于按照固定大小格网对所述DSM数据样本、所述DOM数据样本和所述修正后的崩岗区域标记范围进行划分，得到深度学习训练的实验数据；
模型训练模块，用于将所述实验数据中的DSM数据样本和DOM数据样本作为数据集，并将所述数据集划分为训练集和测试集，以所述训练集为输入，以划分后的崩岗区域标记范围为标签，对基于RefineNet框架的通道交换网络模型进行训练，得到训练后的通道交换网络模型；所述基于RefineNet框架的通道交换网络模型包括残差卷积模块、多分辨率融合模块和链式残差池化模块，所述残差卷积模块用于进行特征图的通道交换，所述特征图的通道交换指将所述DSM数据样本和/或DOM数据样本的某一通道替换为所述DOM数据样本和/或所述DSM数据样本的对应通道；
模型测试模块，用于将所述测试集输入到所述训练后的通道交换网络模型进行测试，评估通道交换网络模型的识别效果得到训练好的通道交换网络模型；
崩岗识别模块，用于获取待进行崩岗识别的DOM和DSM数据，并利用所述训练好的通道交换网络模型对所述待进行崩岗识别的DOM和DSM数据进行识别，得到识别结果；
所述模型训练模块具体包括：
输入子模块，用于将所述训练集中的所述DSM数据样本和所述DOM数据样本分别输入所述基于RefineNet框架的通道交换网络模型；
通道交换子模块，用于在所述残差卷积模块的卷积过程中的批归一化层之后，依据归一化的缩放尺度因子进行特征图的通道交换，得到交换后的DSM数据和交换后的DOM数据；
融合子模块，用于在所述多分辨率融合模块将所述交换后的DSM数据和所述交换后的DOM数据进行加权融合，最后输出分割结果；
迭代更新子模块，用于根据所述分割结果和所述标签对模型参数进行更新，并返回步骤“将所述训练集中的所述DSM数据样本和所述DOM数据样本分别输入所述基于RefineNet框架的通道交换网络模型”，直到达到迭代终止条件，停止迭代，得到所述训练后的通道交换网络模型；
所述通道交换子模块包括：
判断子单元，用于判断通道的尺度因子小于设定阈值，得到判断结果；若判断结果为是，则将所述特征图的通道进行交换，否则，不进行交换；
在进行所述通道交换的过程中设置分区限制和稀疏约束；
所述分区限制指所述DSM数据和所述DOM数据均只在各自一半的通道进行单向交换；
所述稀疏约束指在所述基于RefineNet框架的通道交换网络模型的损失函数中添加缩放尺度因子总和的L1正则项。
4.根据权利要求3所述的系统，其特征在于，所述样本数据获取模块具体包括：
影像采集子模块，用于采用无人机或有人机搭载高精度的光学影像传感器采集航拍影像；
样本数据获取子模块，用于根据所述航拍影像，利用实景三维建模软件瞰景smart3D重建所述研究区的第一三维模型，并根据所述第一三维模型导出所述DOM数据样本和所述DSM数据样本。
CN202210591266.2A 2022-05-27 2022-05-27 一种崩岗的自动识别方法及系统 Active CN114972991B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210591266.2A CN114972991B (zh) 2022-05-27 2022-05-27 一种崩岗的自动识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210591266.2A CN114972991B (zh) 2022-05-27 2022-05-27 一种崩岗的自动识别方法及系统

Publications (2)

Publication Number Publication Date
CN114972991A CN114972991A (zh) 2022-08-30
CN114972991B true CN114972991B (zh) 2023-04-07

Family

ID=82957867

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210591266.2A Active CN114972991B (zh) 2022-05-27 2022-05-27 一种崩岗的自动识别方法及系统

Country Status (1)

Country Link
CN (1) CN114972991B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110334623A (zh) * 2019-06-25 2019-10-15 华中农业大学 一种基于Sentinel-2A卫星遥感影像提取崩岗信息的方法
CN113158588A (zh) * 2021-01-19 2021-07-23 广东省科学院广州地理研究所 一种崩岗内部沟道识别与预测的方法及装置
CN114219123A (zh) * 2021-11-09 2022-03-22 三峡大学 基于频率比-随机森林模型的区域崩岗易发性预测方法
CN114387446A (zh) * 2022-01-19 2022-04-22 北华航天工业学院 一种高分率遥感影像水体自动提取方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109191493B (zh) * 2018-07-13 2021-06-04 上海大学 一种基于RefineNet神经网络和稀疏光流的目标跟踪方法
CN113569760B (zh) * 2021-07-29 2024-08-06 重庆交通大学 基于多模态深度学习的三维变化检测方法
CN113850825B (zh) * 2021-09-27 2024-03-29 太原理工大学 基于上下文信息和多尺度特征融合的遥感图像道路分割方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110334623A (zh) * 2019-06-25 2019-10-15 华中农业大学 一种基于Sentinel-2A卫星遥感影像提取崩岗信息的方法
CN113158588A (zh) * 2021-01-19 2021-07-23 广东省科学院广州地理研究所 一种崩岗内部沟道识别与预测的方法及装置
CN114219123A (zh) * 2021-11-09 2022-03-22 三峡大学 基于频率比-随机森林模型的区域崩岗易发性预测方法
CN114387446A (zh) * 2022-01-19 2022-04-22 北华航天工业学院 一种高分率遥感影像水体自动提取方法

Also Published As

Publication number Publication date
CN114972991A (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
CN110705457B (zh) 一种遥感影像建筑物变化检测方法
AU2018360836B2 (en) Methods and apparatus for automatically defining computer-aided design files using machine learning, image analytics, and/or computer vision
Degerli et al. Using the remote sensing method to simulate the land change in the year 2030
CN109740676A (zh) 基于相似目标的物体检测迁移方法
CN110956196B (zh) 一种城市建筑物窗墙比自动识别方法
CN111814597A (zh) 一种耦合多标签分类网络和yolo的城市功能分区方法
CN113420619A (zh) 一种遥感影像建筑物提取方法
CN113033390B (zh) 一种基于深度学习的大坝遥感智能检测方法
CN115223063A (zh) 基于深度学习的无人机遥感小麦新品种倒伏面积提取方法及系统
CN104809724A (zh) 多波段遥感影像的自动精配准方法
CN112767244B (zh) 一种高分辨率地表要素无缝感知方法与系统
CN112766417A (zh) 一种利用现场照片识别目标地块土地利用现状地类的方法及系统
CN115984603A (zh) 基于gf-2与开放地图数据的城市绿地精细化分类方法与系统
CN112800827A (zh) 高光谱图像分类实验方法
CN116246169A (zh) 基于SAH-Unet的高分辨率遥感影像不透水面提取方法
CN115512247A (zh) 基于图像多参数提取的区域建筑损伤等级评定方法
CN115240069A (zh) 一种全雾天场景下的实时性障碍物检测方法
CN114067245A (zh) 一种铁路外部环境隐患识别方法及系统
CN113963268B (zh) 一种针对大型工程建设的施工状态变化监测方法
Shi et al. An improved framework for assessing the impact of different urban development strategies on land cover and ecological quality changes-A case study from Nanjing Jiangbei New Area, China
CN114387446A (zh) 一种高分率遥感影像水体自动提取方法
Yomo et al. Forecasting land use and land cover dynamics using combined remote sensing, machine learning algorithm and local perception in the Agoènyivé Plateau, Togo
CN114005027A (zh) 一种基于无人机影像的城市单木检测系统及方法
CN117649048A (zh) 一种河湖生态空间重点监管对象的监测方法及装置
CN114972991B (zh) 一种崩岗的自动识别方法及系统

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