CN115331096A - 一种采矿沉陷区域识别方法、系统、存储介质和电子设备 - Google Patents
一种采矿沉陷区域识别方法、系统、存储介质和电子设备 Download PDFInfo
- Publication number
- CN115331096A CN115331096A CN202210749586.6A CN202210749586A CN115331096A CN 115331096 A CN115331096 A CN 115331096A CN 202210749586 A CN202210749586 A CN 202210749586A CN 115331096 A CN115331096 A CN 115331096A
- Authority
- CN
- China
- Prior art keywords
- original
- area
- image
- mining subsidence
- module
- 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.)
- Granted
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
- G06N3/08—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
- G06V10/70—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种采矿沉陷区域识别方法、系统、存储介质和电子设备,包括:利用二轨法DInSAR技术,生成每个原始监测区域的差分干涉图;对每个差分干涉图进行滤波转换处理,得到每个相位图;对每个相位图中的采矿沉陷区域和背景区域进行标记,得到并对标记相位图进行裁剪,得到多个裁剪相位样本图;基于所有的裁剪相位样本图,对改进U‑net模型进行训练,得到并利用目标网络模型,对待监测区域的目标差分干涉图进行识别,得到待监测区域中的采矿沉陷区域和背景区域的识别结果。本发明通过改进U‑Net模型对DInSAR干涉相位图进行智能识别,在提升U‑Net模型语义分割精度的同时,也提升了对于不同尺度的沉陷区域的识别能力。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种采矿沉陷区域识别方法、系统、存储介质和电子设备。
背景技术
矿产资源的开采导致的地表沉陷对建筑、交通、土地利用、生态环境具有破坏作用,会造成政府经济损失,沉陷时间的不确定性可能会危及人民生命健康安全。除此之外,采矿沉陷区域的提取在有地下非法开采的区域具有指征作用。将深度学习结合DInSAR技术对矿区沉陷范围进行智能识别是监测矿山开采沉降的一种新的方法,将可为地质灾害风险评估、土地利用管理规划、保障矿区安全等方面提供有效的帮助。
遥感是一种远距离对地探测的手段,能获取大尺度范围的影像信息且时效性强。雷达遥感具有全天时全天候工作、穿云透雾的能力,而且合成孔径干涉测量(InSAR)技术被认为是目前唯一一种可以在大范围内实现高精度地表高度变化监测的技术。相较于传统的野外作业监测地表形变的方法,DInSAR技术能获得地表面状数据,监测范围大,空间分辨率较高,监测处理流程快,无接触地进行监测且不需要花费大量人力物力、不存在人员安全隐患问题。虽然DInSAR技术目前已经相当成熟,但是在应对快速响应需求时,利用DInSAR监测结果采用人工解译的方法圈定采矿沉陷范围所需时间较长。
早期的遥感分类方法主要基于图像的颜色、形状和纹理,对底层特征或中层特征进行分类,但是这类方法需要进行人工提取特征,工作量大且不够高效,难以达到较好的分类精度。因此,亟需提出一种高效可行的识别采矿沉陷区域的技术方案。
发明内容
为解决上述技术问题,本发明提供了一种采矿沉陷区域识别方法、系统、存储介质和电子设备。
本发明的一种采矿沉陷区域识别方法的技术方案如下:
S1、利用二轨法DInSAR技术,并基于从同一入射角所获取的任一原始监测区域在不同时刻的第一影像和第二影像,生成所述任一原始监测区域的原始差分干涉图,直至生成每个原始监测区域的原始差分干涉图;
S2、对任一原始差分干涉图进行滤波处理,得到并对滤波差分干涉图进行转换,得到原始相位图,直至得到每个原始差分干涉图对应的原始相位图;
S3、对任一原始相位图中的采矿沉陷区域和背景区域进行标记,得到并对标记相位图进行裁剪,得到多个裁剪相位样本图,直至得到每个原始相位图的多个裁剪相位样本图;
S4、基于所有的裁剪相位样本图,对改进U-net模型进行训练,得到目标网络模型;
S5、利用所述目标网络模型,对待监测区域对应的目标差分干涉图进行识别,得到所述待监测区域中的采矿沉陷区域和背景区域的识别结果。
本发明的一种采矿沉陷区域识别方法的有益效果如下:
本发明的方法通过改进的U-Net模型对DInSAR干涉相位图进行智能识别,在提升U-Net模型语义分割精度的同时,也提升了对于不同尺度的沉陷区域的识别能力。
在上述方案的基础上,本发明的一种采矿沉陷区域识别方法还可以做如下改进。
进一步,所述利用二轨法DInSAR技术,并基于从同一入射角所获取的任一原始监测区域在不同时刻的第一影像和第二影像,生成所述任一原始监测区域的原始差分干涉图,包括:
利用二轨法DInSAR技术,并根据所述任一原始监测区域的数字高程模型、第一影像和第二影像,生成所述任一原始监测区域的原始差分干涉图。
进一步,所述改进U-net模型的构建过程为:
在原始U-Net模型的第二层至最后层中的每一层开始时所对应的编码部分处,分别添加一个高效通道注意力模块,并根据每个高效通道注意力模块后所对应通道的权重,对相应的编码部分的特征进行调整,得到所述改进U-net模型。
进一步,所述裁剪相位样本图包括:训练样本图和验证样本图;所述采矿沉陷区域和所述背景区域分别对应一种标记类别;
在所述步骤S5之前,还包括:
S051、基于所有的训练样本图,对所述原始U-net模型进行训练,得到原始网络模型;
S052、将每个验证样本图依次输入所述原始网络模型进行验证,并基于平均交并比公式,得到所述原始网络模型的原始模型精度;其中,所述平均交并比公式为:所述标记类别包括:第一标记类别和第二标记类别,所述第一标记类别为所述采矿沉陷区域,所述第二标记类别为所述背景区域,nii表示第一标记类别i被正确识别的个数,nji表示第二标记类别j被识别为标记类别i的个数,ncls表示所述标记类别的个数,MIoU表示所述平均交并比;
S053、将所述每个验证样本图分别输入所述目标网络模型进行验证,并基于所述平均交并比公式,得到所述目标网络模型的目标模型精度;
S054、判断所述目标模型精度是否大于所述原始模型精度,得到判断结果,当所述判断结果为是时,执行步骤S5。
进一步,还包括:当所述判断结果为否时,则重新获取新的原始监测区域的原始差分干涉图,直至所述目标模型精度大于所述原始模型精度时,执行步骤S5。
本发明的一种采矿沉陷区域识别系统的技术方案如下:
包括:预处理模块、第一处理模块、第二处理模块、训练模块和识别模块;
所述预处理模块用于:利用二轨法DInSAR技术,并基于从同一入射角所获取的任一原始监测区域在不同时刻的第一影像和第二影像,生成所述任一原始监测区域的原始差分干涉图,直至生成每个原始监测区域的原始差分干涉图;
所述第一处理模块用于:对任一原始差分干涉图进行滤波处理,得到并对滤波差分干涉图进行转换,得到原始相位图,直至得到每个原始差分干涉图对应的原始相位图;
所述第二处理模块用于:对任一原始相位图中的采矿沉陷区域和背景区域进行标记,得到并对标记相位图进行裁剪,得到多个裁剪相位样本图,直至得到每个原始相位图的多个裁剪相位样本图;
所述训练模块用于:基于所有的裁剪相位样本图,对改进U-net模型进行训练,得到目标网络模型;
所述识别模块用于:利用所述目标网络模型,对待监测区域对应的目标差分干涉图进行识别,得到所述待监测区域中的采矿沉陷区域和背景区域的识别结果。
本发明的一种采矿沉陷区域识别系统的有益效果如下:
本发明的系统通过改进的U-Net模型对DInSAR干涉相位图进行智能识别,在提升U-Net模型语义分割精度的同时,也提升了对于不同尺度的沉陷区域的识别能力。
在上述方案的基础上,本发明的一种采矿沉陷区域识别系统还可以做如下改进。
进一步,所述利用二轨法DInSAR技术,并基于从同一入射角所获取的任一原始监测区域在不同时刻的第一影像和第二影像,生成所述任一原始监测区域的原始差分干涉图,包括:
利用二轨法DInSAR技术,并根据所述任一原始监测区域的数字高程模型、第一影像和第二影像,生成所述任一原始监测区域的原始差分干涉图。
进一步,所述改进U-net模型的构建过程为:
在原始U-Net模型的第二层至最后层中的每一层开始时所对应的编码部分处,分别添加一个高效通道注意力模块,并根据每个高效通道注意力模块后所对应通道的权重,对相应的编码部分的特征进行调整,得到所述改进U-net模型。
进一步,所述裁剪相位样本图包括:训练样本图和验证样本图;所述采矿沉陷区域和所述背景区域分别对应一种标记类别;
在所述识别模块之前,还包括:第一验证模块、第二验证模块、第三验证模块和第四验证模块;
所述第一验证模块用于:基于所有的训练样本图,对所述原始U-net模型进行训练,得到原始网络模型;
所述第二验证模块用于:将每个验证样本图依次输入所述原始网络模型进行验证,并基于平均交并比公式,得到所述原始网络模型的原始模型精度;其中,所述平均交并比公式为:所述标记类别包括:第一标记类别和第二标记类别,所述第一标记类别为所述采矿沉陷区域,所述第二标记类别为所述背景区域,nii表示第一标记类别i被正确识别的个数,nji表示第二标记类别j被识别为标记类别i的个数,ncls表示所述标记类别的个数,MIoU表示所述平均交并比;
所述第三验证模块用于:将所述每个验证样本图分别输入所述目标网络模型进行验证,并基于所述平均交并比公式,得到所述目标网络模型的目标模型精度;
所述第四验证模块用于:判断所述目标模型精度是否大于所述原始模型精度,得到判断结果,当所述判断结果为是时,调用所述识别模块。
本发明的一种存储介质的技术方案如下:
存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行如本发明的一种采矿沉陷区域识别方法的步骤。
本发明的一种电子设备的技术方案如下:
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,使所述计算机执行如本发明的一种采矿沉陷区域识别方法的步骤。
附图说明
图1为本发明实施例的一种采矿沉陷区域识别方法的流程示意图;
图2为本发明实施例的一种采矿沉陷区域识别方法中的原始监测区域的示意图;
图3为本发明实施例的一种采矿沉陷区域识别方法中的差分干涉图及其转换处理效果图;
图4为本发明实施例的一种采矿沉陷区域识别方法中的具体流程图;
图5为本发明实施例的一种采矿沉陷区域识别方法中的ECA模块结构图;
图6为本发明实施例的一种采矿沉陷区域识别方法中的原始U-Net模型结构图;
图7为本发明实施例的一种采矿沉陷区域识别方法中的改进U-Net模型结构图;
图8为本发明实施例的一种采矿沉陷区域识别系统的结构示意图。
具体实施方式
如图1所示,本发明实施例的一种采矿沉陷区域识别方法,包括如下步骤:
S1、利用二轨法DInSAR技术,并基于从同一入射角所获取的任一原始监测区域在不同时刻的第一影像和第二影像,生成所述任一原始监测区域的原始差分干涉图,直至生成每个原始监测区域的原始差分干涉图。
其中,本实施例的所选用的原始监测区域的数量为两个,具体所选取的原始监测区域为:如图2所示的轨道号Path113_Frame116和轨道号Path113_Frame121所对应的区域。
其中,二轨法DInSAR技术为现有技术。D-InSAR技术以一定时间间隔以及相同的入射角对同一监测区域进行重复成像,其中一幅是形变前的干涉图像(第一影像),另一幅是形变后获取的干涉图像(第二影像),地表形变能导致雷达视线(LOS)向的距离变化,雷达视线(LOS)向的距离变化被记录于干涉相位中,分析干涉相位,通过差分处理(除去参考椭球相位贡献和地形起伏对干涉相位的影响)来获取地表形变信息。因此,通过对第一影像和第二影像进行差分干涉处理后,得到对应的原始差分干涉图。
具体地,例如选定的数据时间跨度为2019年10月11日至12月22日。哨兵1号的卫星重返周期为12天。二轨法D-InSAR通过选取2019年10月11日和2019年10月23日Path113_Frame116这个区域范围的第一影像和第二影像,并对第一影像和第二影像做差分干涉处理,其中,第一影像和第二影像中的任意一个影像作为主影像均可,在此不设限制。
S2、对任一原始差分干涉图进行滤波处理,得到并对滤波差分干涉图进行转换,得到原始相位图,直至得到每个原始差分干涉图对应的原始相位图。
其中,对原始差分干涉图进行滤波得到滤波差分干涉图的过程为现有技术,在此不过多赘述。
其中,原始相位图为:滤波差分干涉图根据公式在GAMMA等商业软件中直接通过命令转换而来。具体地,如图3所示,原始相位图为取值[-π,π)相位图。例如,假设S1和S2分别表示SAR在位置1和位置2时以相近的入射角对地面相同目标T的测量信号,根据复信号表达形式: 其中φ表示相位,a1为第一复信号幅度、a2为第二复信号幅度,j为复指数项的虚部单位。将S1和S2共轭相乘即可得到干涉SAR图像:由于SAR干涉相位只记录相位的小数部分,即其相位值处于[-π,π)之间。
S3、对任一原始相位图中的采矿沉陷区域和背景区域进行标记,得到并对标记相位图进行裁剪,得到多个裁剪相位样本图,直至得到每个原始相位图的多个裁剪相位样本图。
其中,采用lableme软件标记采矿沉陷区域和背景区域,采用滑动窗口裁剪的方法将标记的大幅影像进行裁剪,由于裁剪后的图像并不是都包含采矿沉陷区域的,因此通过人工目视解译选取1625张尺寸大小为256×256且每张都包含采矿沉陷的小影像作为深度学习的样本。
S4、基于所有的裁剪相位样本图,对改进U-net模型进行训练,得到目标网络模型。
其中,使用pytorch作为深度学习框架搭建实验环境并进行模型训练、调参及测试,将样本按照9:1的比例随机划分为训练集和验证集进行训练。
其中,目标网络模型为改进U-net模型经过训练后的模型。
S5、利用所述目标网络模型,对待监测区域对应的目标差分干涉图进行识别,得到所述待监测区域中的采矿沉陷区域和背景区域的识别结果。
其中,待监测区域为:除原始监测区域外的监测区域。
其中,获取待监测区域的目标差分干涉图的过程与获取原始待监测区域的原始差分干涉图的过程相同。
需要说明的是,识别待监测区域的采矿沉陷区域和背景区域时,所采用的待监测区域的差分干涉图不再需要裁剪。训练时候裁剪是为了控制相同尺寸让计算资源不被浪费识别待监测区域时的影像大小不受限制。待识别的图像可以是大图像,也可以是小图像。
较优地,所述利用二轨法DInSAR技术,并基于从同一入射角所获取的任一原始监测区域在不同时刻的第一影像和第二影像,生成所述任一原始监测区域的原始差分干涉图,包括:
利用二轨法DInSAR技术,并根据所述任一原始监测区域的数字高程模型、第一影像和第二影像,生成所述任一原始监测区域的原始差分干涉图。
其中,数字高程模型(DEM)是DInSAR数据处理的必要基础,本实施例采用由美国航空航天局NASA通过SRTM传感器获取的分辨率为30米的DEM数据。
其中,本实施例采用二轨法DInSAR技术生成差分干涉图,具体地生成任一原始监测区域的原始差分干涉图的过程如图4所示。
较优地,所述改进U-net模型的构建过程为:
在原始U-Net模型的第二层至最后层中的每一层开始时所对应的编码部分处,分别添加一个高效通道注意力模块,并根据每个高效通道注意力模块后所对应通道的权重,对相应的编码部分的特征进行调整,得到所述改进U-net模型。
具体地,本实施例在原始U-Net模型中的第二层至最后层中的每一层开始时所对应的编码部分加入高效通道注意力(ECA)模块,ECA模型属于通道注意力模块的一种,ECA模块结构如图5所示,采用一维卷积实现不降维的局部跨通道交互,通过自适应选择一维卷积核大小k来确定跨通道交互的范围。ECA模块首先对输入维度[W,H,C]的特征图进行全局平均池化操作,减少参数数量后将参数存储在大小为1×1×C的矩阵中,进行自适应卷积核大小为k的一维卷积运算得到特征图各通道权重,Sigmoid函数将权重进行了归一化,再将归一化权重与原特征图进行逐通道相乘,得到的结果作为下一级的输入特征图。结合图6和图7进行对比可知,改进U-Net模型的结构与原始U-Net模型结构的差异在于在第二层至最后层中的每一层开始时对应的编码部分加入了四个ECA模块,通过计算各个通道的权重重新调整了下采样前对应的编码部分的特征。
较优地,所述裁剪相位样本图包括:训练样本图和验证样本图;所述采矿沉陷区域和所述背景区域分别对应一种标记类别;
在所述步骤S5之前,还包括:
S051、基于所有的训练样本图,对所述原始U-net模型进行训练,得到原始网络模型;
S052、将每个验证样本图依次输入所述原始网络模型进行验证,并基于平均交并比公式,得到所述原始网络模型的原始模型精度;其中,所述平均交并比公式为:所述标记类别包括:第一标记类别和第二标记类别,所述第一标记类别为所述采矿沉陷区域,所述第二标记类别为所述背景区域,nii表示第一标记类别i被正确识别的个数,nji表示第二标记类别j被识别为标记类别i的个数,ncls表示所述标记类别的个数,MIoU表示所述平均交并比;
S053、将所述每个验证样本图分别输入所述目标网络模型进行验证,并基于所述平均交并比公式,得到所述目标网络模型的目标模型精度;
S054、判断所述目标模型精度是否大于所述原始模型精度,得到判断结果,当所述判断结果为是时,执行步骤S5。
其中,原始U-Net模型与改进U-Net模型,训练后需通过验证对比在差分干涉图中采矿沉陷提取性能的差异。不同U-Net模型在验证集上的模型精度如表1所示(结果保留两位小数)。
表1:不同U-Net模型在验证集上的模型精度
由上表可知,本实施例所采用的改进U-Net模型在各项指标上均优于原始U-Net模型,相比原始U-Net模型,改进U-Net模型在IoU(采矿沉陷区域)上提升了2.54%。说明改进U-Net模型能较好地应用于采矿沉陷提取。
本实施例的技术方案通过改进的U-Net模型对DInSAR干涉相位图进行智能识别,在提升U-Net模型语义分割精度的同时,也提升了对于不同尺度的沉陷区域的识别能力。
如图8所示,本发明实施例的一种采矿沉陷区域识别系统200,包括:预处理模块210、第一处理模块220、第一处理模块230、训练模块240和识别模块250;
所述预处理模块210用于:利用二轨法DInSAR技术,并基于从同一入射角所获取的任一原始监测区域在不同时刻的第一影像和第二影像,生成所述任一原始监测区域的原始差分干涉图,直至生成每个原始监测区域的原始差分干涉图;
所述第一处理模块220用于:对任一原始差分干涉图进行滤波处理,得到并对滤波差分干涉图进行转换,得到原始相位图,直至得到每个原始差分干涉图对应的原始相位图;
所述第二处理模块230用于:对任一原始相位图中的采矿沉陷区域和背景区域进行标记,得到并对标记相位图进行裁剪,得到多个裁剪相位样本图,直至得到每个原始相位图的多个裁剪相位样本图;
所述训练模块240用于:基于所有的裁剪相位样本图,对改进U-net模型进行训练,得到目标网络模型;
所述识别模块250用于:利用所述目标网络模型,对待监测区域对应的目标差分干涉图进行识别,得到所述待监测区域中的采矿沉陷区域和背景区域的识别结果。
较优地,所述利用二轨法DInSAR技术,并基于从同一入射角所获取的任一原始监测区域在不同时刻的第一影像和第二影像,生成所述任一原始监测区域的原始差分干涉图,包括:
利用二轨法DInSAR技术,并根据所述任一原始监测区域的数字高程模型、第一影像和第二影像,生成所述任一原始监测区域的原始差分干涉图。
较优地,所述改进U-net模型的构建过程为:
在原始U-Net模型的第二层至最后层中的每一层开始时所对应的编码部分处,分别添加一个高效通道注意力模块,并根据每个高效通道注意力模块后所对应通道的权重,对相应的编码部分的特征进行调整,得到所述改进U-net模型。
较优地,所述裁剪相位样本图包括:训练样本图和验证样本图;所述采矿沉陷区域和所述背景区域分别对应一种标记类别;
在所述识别模块250之前,还包括:第一验证模块、第二验证模块、第三验证模块和第四验证模块;
所述第一验证模块用于:基于所有的训练样本图,对所述原始U-net模型进行训练,得到原始网络模型;
所述第二验证模块用于:将每个验证样本图依次输入所述原始网络模型进行验证,并基于平均交并比公式,得到所述原始网络模型的原始模型精度;其中,所述平均交并比公式为:所述标记类别包括:第一标记类别和第二标记类别,所述第一标记类别为所述采矿沉陷区域,所述第二标记类别为所述背景区域,nii表示第一标记类别i被正确识别的个数,nji表示第二标记类别j被识别为标记类别i的个数,ncls表示所述标记类别的个数,MIoU表示所述平均交并比;
所述第三验证模块用于:将所述每个验证样本图分别输入所述目标网络模型进行验证,并基于所述平均交并比公式,得到所述目标网络模型的目标模型精度;
所述第四验证模块用于:判断所述目标模型精度是否大于所述原始模型精度,得到判断结果,当所述判断结果为是时,调用所述识别模块250。
本实施例的技术方案通过改进的U-Net模型对DInSAR干涉相位图进行智能识别,在提升U-Net模型语义分割精度的同时,也提升了对于不同尺度的沉陷区域的识别能力。
上述关于本实施例的一种采矿沉陷区域识别系统200中的各参数和各个模块实现相应功能的步骤,可参考上文中关于一种采矿沉陷区域识别方法的实施例中的各参数和步骤,在此不做赘述。
本发明实施例提供的一种存储介质,包括:存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行如一种采矿沉陷区域识别方法的步骤,具体可参考上文中一种采矿沉陷区域识别方法的实施例中的各参数和步骤,在此不做赘述。
计算机存储介质例如:优盘、移动硬盘等。
本发明实施例提供的一种电子设备,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,其特征在于,所述处理器执行所述计算机程序时,使所述计算机执行如一种采矿沉陷区域识别方法的步骤,具体可参考上文中一种采矿沉陷区域识别方法的实施例中的各参数和步骤,在此不做赘述。
所属技术领域的技术人员知道,本发明可以实现为方法、装置、存储介质和电子设备。
因此,本发明可以具体实现为以下形式,即:可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等),还可以是硬件和软件结合的形式,本文一般称为“电路”、“模块”或“系统”。此外,在一些实施例中,本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式,该计算机可读介质中包含计算机可读的程序代码。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM),只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种采矿沉陷区域识别方法,其特征在于,包括:
S1、利用二轨法DInSAR技术,并基于从同一入射角所获取的任一原始监测区域在不同时刻的第一影像和第二影像,生成所述任一原始监测区域的原始差分干涉图,直至生成每个原始监测区域的原始差分干涉图;
S2、对任一原始差分干涉图进行滤波处理,得到并对滤波差分干涉图进行转换,得到原始相位图,直至得到每个原始差分干涉图对应的原始相位图;
S3、对任一原始相位图中的采矿沉陷区域和背景区域进行标记,得到并对标记相位图进行裁剪,得到多个裁剪相位样本图,直至得到每个原始相位图的多个裁剪相位样本图;
S4、基于所有的裁剪相位样本图,对改进U-net模型进行训练,得到目标网络模型;
S5、利用所述目标网络模型,对待监测区域对应的目标差分干涉图进行识别,得到所述待监测区域中的采矿沉陷区域和背景区域的识别结果。
2.根据权利要求1所述的采矿沉陷区域识别方法,其特征在于,所述利用二轨法DInSAR技术,并基于从同一入射角所获取的任一原始监测区域在不同时刻的第一影像和第二影像,生成所述任一原始监测区域的原始差分干涉图,包括:
利用二轨法DInSAR技术,并根据所述任一原始监测区域的数字高程模型、第一影像和第二影像,生成所述任一原始监测区域的原始差分干涉图。
3.根据权利要求1所述的采矿沉陷区域识别方法,其特征在于,所述改进U-net模型的构建过程为:
在原始U-Net模型的第二层至最后层中的每一层开始时所对应的编码部分处,分别添加一个高效通道注意力模块,并根据每个高效通道注意力模块后所对应通道的权重,对相应的编码部分的特征进行调整,得到所述改进U-net模型。
4.根据权利要求3所述的采矿沉陷区域识别方法,其特征在于,所述裁剪相位样本图包括:训练样本图和验证样本图;所述采矿沉陷区域和所述背景区域分别对应一种标记类别;
在所述步骤S5之前,还包括:
S051、基于所有的训练样本图,对所述原始U-net模型进行训练,得到原始网络模型;
S052、将每个验证样本图依次输入所述原始网络模型进行验证,并基于平均交并比公式,得到所述原始网络模型的原始模型精度;其中,所述平均交并比公式为:所述标记类别包括:第一标记类别和第二标记类别,所述第一标记类别为所述采矿沉陷区域,所述第二标记类别为所述背景区域,nii表示第一标记类别i被正确识别的个数,nji表示第二标记类别j被识别为标记类别i的个数,ncls表示所述标记类别的个数,MIoU表示所述平均交并比;
S053、将所述每个验证样本图分别输入所述目标网络模型进行验证,并基于所述平均交并比公式,得到所述目标网络模型的目标模型精度;
S054、判断所述目标模型精度是否大于所述原始模型精度,得到判断结果,当所述判断结果为是时,执行步骤S5。
5.一种采矿沉陷区域识别系统,其特征在于,包括:预处理模块、第一处理模块、第二处理模块、训练模块和识别模块;
所述预处理模块用于:利用二轨法DInSAR技术,并基于从同一入射角所获取的任一原始监测区域在不同时刻的第一影像和第二影像,生成所述任一原始监测区域的原始差分干涉图,直至生成每个原始监测区域的原始差分干涉图;
所述第一处理模块用于:对任一原始差分干涉图进行滤波处理,得到并对滤波差分干涉图进行转换,得到原始相位图,直至得到每个原始差分干涉图对应的原始相位图;
所述第二处理模块用于:对任一原始相位图中的采矿沉陷区域和背景区域进行标记,得到并对标记相位图进行裁剪,得到多个裁剪相位样本图,直至得到每个原始相位图的多个裁剪相位样本图;
所述训练模块用于:基于所有的裁剪相位样本图,对改进U-net模型进行训练,得到目标网络模型;
所述识别模块用于:利用所述目标网络模型,对待监测区域对应的目标差分干涉图进行识别,得到所述待监测区域中的采矿沉陷区域和背景区域的识别结果。
6.根据权利要求5所述的采矿沉陷区域识别系统,其特征在于,所述利用二轨法DInSAR技术,并基于从同一入射角所获取的任一原始监测区域在不同时刻的第一影像和第二影像,生成所述任一原始监测区域的原始差分干涉图,包括:
利用二轨法DInSAR技术,并根据所述任一原始监测区域的数字高程模型、第一影像和第二影像,生成所述任一原始监测区域的原始差分干涉图。
7.根据权利要求5所述的采矿沉陷区域识别系统,其特征在于,所述改进U-net模型的构建过程为:
在原始U-Net模型的第二层至最后层中的每一层开始时所对应的编码部分处,分别添加一个高效通道注意力模块,并根据每个高效通道注意力模块后所对应通道的权重,对相应的编码部分的特征进行调整,得到所述改进U-net模型。
8.根据权利要求7所述的采矿沉陷区域识别系统,其特征在于,所述裁剪相位样本图包括:训练样本图和验证样本图;所述采矿沉陷区域和所述背景区域分别对应一种标记类别;
在所述识别模块之前,还包括:第一验证模块、第二验证模块、第三验证模块和第四验证模块;
所述第一验证模块用于:基于所有的训练样本图,对所述原始U-net模型进行训练,得到原始网络模型;
所述第二验证模块用于:将每个验证样本图依次输入所述原始网络模型进行验证,并基于平均交并比公式,得到所述原始网络模型的原始模型精度;其中,所述平均交并比公式为:所述标记类别包括:第一标记类别和第二标记类别,所述第一标记类别为所述采矿沉陷区域,所述第二标记类别为所述背景区域,nii表示第一标记类别i被正确识别的个数,nji表示第二标记类别j被识别为标记类别i的个数,ncls表示所述标记类别的个数,MIoU表示所述平均交并比;
所述第三验证模块用于:将所述每个验证样本图分别输入所述目标网络模型进行验证,并基于所述平均交并比公式,得到所述目标网络模型的目标模型精度;
所述第四验证模块用于:判断所述目标模型精度是否大于所述原始模型精度,得到判断结果,当所述判断结果为是时,调用所述识别模块。
9.一种存储介质,其特征在于,所述存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行如权利要求1至4中任一项所述的采矿沉陷区域识别方法。
10.一种电子设备,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,其特征在于,所述处理器执行所述计算机程序时,使所述计算机执行如权利要求1至4中任一项所述的采矿沉陷区域识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210749586.6A CN115331096B (zh) | 2022-06-28 | 2022-06-28 | 一种采矿沉陷区域识别方法、系统、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210749586.6A CN115331096B (zh) | 2022-06-28 | 2022-06-28 | 一种采矿沉陷区域识别方法、系统、存储介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115331096A true CN115331096A (zh) | 2022-11-11 |
CN115331096B CN115331096B (zh) | 2023-04-21 |
Family
ID=83917654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210749586.6A Active CN115331096B (zh) | 2022-06-28 | 2022-06-28 | 一种采矿沉陷区域识别方法、系统、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115331096B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116148853A (zh) * | 2023-02-20 | 2023-05-23 | 中国矿业大学 | 一种矿区沉陷干涉相位滤波方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109558859A (zh) * | 2018-12-13 | 2019-04-02 | 中国地质大学(武汉) | 基于DInSAR和DCNN的矿区分布信息提取方法及系统 |
CN111623749A (zh) * | 2020-05-19 | 2020-09-04 | 中国铁路设计集团有限公司 | 一种基于D-InSAR的铁路采空区边界提取新方法 |
US20200372648A1 (en) * | 2018-05-17 | 2020-11-26 | Tencent Technology (Shenzhen) Company Limited | Image processing method and device, computer apparatus, and storage medium |
CN114167414A (zh) * | 2021-11-25 | 2022-03-11 | 中煤航测遥感集团有限公司 | 一种无人机DEM与InSAR相位融合获得高精度地表沉陷盆地的方法 |
-
2022
- 2022-06-28 CN CN202210749586.6A patent/CN115331096B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200372648A1 (en) * | 2018-05-17 | 2020-11-26 | Tencent Technology (Shenzhen) Company Limited | Image processing method and device, computer apparatus, and storage medium |
CN109558859A (zh) * | 2018-12-13 | 2019-04-02 | 中国地质大学(武汉) | 基于DInSAR和DCNN的矿区分布信息提取方法及系统 |
CN111623749A (zh) * | 2020-05-19 | 2020-09-04 | 中国铁路设计集团有限公司 | 一种基于D-InSAR的铁路采空区边界提取新方法 |
CN114167414A (zh) * | 2021-11-25 | 2022-03-11 | 中煤航测遥感集团有限公司 | 一种无人机DEM与InSAR相位融合获得高精度地表沉陷盆地的方法 |
Non-Patent Citations (1)
Title |
---|
宋俊贤, 硕士学位论文 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116148853A (zh) * | 2023-02-20 | 2023-05-23 | 中国矿业大学 | 一种矿区沉陷干涉相位滤波方法和装置 |
CN116148853B (zh) * | 2023-02-20 | 2024-02-20 | 中国矿业大学 | 一种矿区沉陷干涉相位滤波方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115331096B (zh) | 2023-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gonzalez et al. | Automatic detection of building typology using deep learning methods on street level images | |
Gorsevski et al. | Landslide detection and susceptibility mapping using LiDAR and an artificial neural network approach: a case study in the Cuyahoga Valley National Park, Ohio | |
Jena et al. | Earthquake hazard and risk assessment using machine learning approaches at Palu, Indonesia | |
Mboga et al. | Fully convolutional networks for land cover classification from historical panchromatic aerial photographs | |
Fekete et al. | Tree segmentation and change detection of large urban areas based on airborne LiDAR | |
Stringari et al. | The fraction of broken waves in natural surf zones | |
Verbovšek et al. | GIS-assisted classification of litho-geomorphological units using Maximum Likelihood Classification, Vipava Valley, SW Slovenia | |
CN115331096B (zh) | 一种采矿沉陷区域识别方法、系统、存储介质和电子设备 | |
Hardin et al. | GIS-based analysis of coastal Lidar time-series | |
Weidner et al. | An algorithm for measuring landslide deformation in terrestrial lidar point clouds using trees | |
Kaufman et al. | The use of imagery and GIS techniques to evaluate and compare seagrass dynamics across multiple spatial and temporal scales | |
Aahlaad et al. | An object-based image analysis of worldview-3 image for urban flood vulnerability assessment and dissemination through ESRI story maps | |
Zahs et al. | Classification of structural building damage grades from multi-temporal photogrammetric point clouds using a machine learning model trained on virtual laser scanning data | |
Cao et al. | Posthurricane damage assessment using satellite imagery and geolocation features | |
CN116561536B (zh) | 一种滑坡隐患的识别方法、终端设备及介质 | |
French et al. | Advanced technologies for earthquake risk inventories | |
Li et al. | Automated bridge crack detection based on improving encoder–decoder network and strip pooling | |
Khalifa et al. | Remotely Sensed Data, Morpho-Metric Analysis, and Integrated Method Approach for Flood Risk Assessment: Case Study of Wadi Al-Arish Landscape, Sinai, Egypt | |
Toulia et al. | The contribution of pattern recognition techniques in geomorphology and geology: the case study of Tinos Island (Cyclades, Aegean, Greece) | |
Nonomura et al. | Regional extraction of flexural-toppled slopes in epicentral regions of subduction earthquakes along the Nankai Trough using DEMs | |
Siddique et al. | An empirical approach to monitor the flood-prone regions of North India using Sentinel-1 images | |
Gambardella et al. | New Digital Field of Drawing and Survey for the Automatic Identification of Debris Accumulation in Flooded Areas | |
Niccolai et al. | Decision rule-based approach to automatic tree crown detection and size classification | |
Fall | A GIS-based mapping of historical coastal cliff recession | |
Geertman et al. | Advancing geoinformation science for a changing world |
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 |