CN116030353B

CN116030353B - 一种基于卷积神经网络的滑坡灾害自动识别方法

Info

Publication number: CN116030353B
Application number: CN202310318349.9A
Authority: CN
Inventors: 王潇; 雷湘琦; 刘浩宇; 董建辉; 唐然; 赵建军; 李骅锦; 王毅
Original assignee: Chengdu University
Current assignee: Chengdu University
Priority date: 2023-03-29
Filing date: 2023-03-29
Publication date: 2023-05-30
Anticipated expiration: 2043-03-29
Also published as: CN116030353A

Abstract

本发明公开了一种基于卷积神经网络的滑坡灾害自动识别方法，涉及地质灾害识别领域，其包括以下步骤：建立滑坡解译数据库，将影像中的滑坡区域作为正样本，将影像中非滑坡区域作为负样本；构建并采用正负样本训练多路径PSPNet网络，得到训练后的多路径PSPNet网络；采用训练后的多路径PSPNet网络对目标影像进行识别，将训练后的多路径PSPNet网络的输出结果作为滑坡灾害识别结果，完成滑坡灾害自动识别。本发明提高了滑坡识别精度，有效提升了滑坡识别能力，可以为地质灾害专家提供滑坡灾害识别的目标区域，能够有效提高区域滑坡灾害调查的效率和准确性。

Description

一种基于卷积神经网络的滑坡灾害自动识别方法

技术领域

本发明涉及地质灾害识别领域，具体涉及一种基于卷积神经网络的滑坡灾害自动识别方法。

背景技术

滑坡灾害作为仅次于地震的第二大地质灾害，不仅会造成人员伤亡，还会威胁相关区域内城镇规划和工程建设，并制约经济可持续发展。经调查可以发现，导致灾难性后果的滑坡，70%以上都属于未经发现的滑坡隐患灾害。这些滑坡大多地处大山中上部，具有强隐蔽性、高突发性等特点，传统人工巡查方式难以快速发现和准确定位，如何提前发现和有效识别滑坡灾害，为主动防控提供基础信息，是当前滑坡灾害领域集中关注的焦点和难点。

目前，滑坡识别监测方法主要包括：目视解译方法、基于像元分类的方法、面向对象分类的方法等。其中，目视解译的人工参与度高，但解译速度慢，且受到主观因素影响较大。基于像元分类的方法克服了目视解译的缺点，但它只考虑单个像素点的特征，且受天气、太阳高度等条件因素影响较大，容易造成错分、漏分，很难达到较高的识别精度。面向对象分类方法可减少基于像素分析中的固有噪声，有助于后续进行多尺度分析，但流程过于复杂、效率过低。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于卷积神经网络的滑坡灾害自动识别方法解决了现有灾害识别方法准确率和效率低的问题。

为了达到上述发明目的，本发明采用的技术方案为：

提供一种基于卷积神经网络的滑坡灾害自动识别方法，其包括以下步骤：

S1、建立滑坡解译数据库，将影像中的滑坡区域作为正样本，将影像中非滑坡区域作为负样本；

S2、构建并采用正负样本训练多路径PSPNet网络，得到训练后的多路径PSPNet网络；

S3、采用训练后的多路径PSPNet网络对目标影像进行识别，将训练后的多路径PSPNet网络的输出结果作为滑坡灾害识别结果，完成滑坡灾害自动识别；

其中多路径PSPNet网络包括第一路径和第二路径；

第一路径包括Resnet50模型，Resnet50模型的输出端分别连接第一池化层的输入端、第二池化层的输入端、第一堆叠模块的第一输入端、SAM注意力模块的输入端和叉乘模块的第一输入端；第一池化层的输出端依次连接第一卷积模块和第一上采样模块；第二池化层的输出端依次连接第二卷积模块和第二上采样模块；第一上采样模块的输出端连接第一堆叠模块的第二输入端；第二上采样模块的输出端连接第一堆叠模块的第三输入端；SAM注意力模块的输出端连接叉乘模块的第二输入端；叉乘模块的输出端通过第三卷积模块连接第一堆叠模块的第四输入端；第一堆叠模块的输出端依次通过第四卷积模块和第三上采样模块连接第二堆叠模块的第一输入端；

第二路径包括依次连接的第五卷积模块、第六卷积模块和第七卷积模块；第七卷积模块的输出端连接第二堆叠模块的第二输入端；第二堆叠模块的输出端分别连接通道注意力模块的输入端和点乘模块的第一输入端；通道注意力模块的输出端连接点乘模块的第二输入端；点乘模块的输出端连接分类器的输入端；Resnet50模型的输入端和第五卷积模块的输入端共同作为多路径PSPNet网络的输入端；分类器的输出端为多路径PSPNet网络的输出端。

进一步地，步骤S1的具体方法包括以下子步骤：

S1-1、分别获取高分影像和多源遥感影像；

S1-2、将高分影像上采样至与多源遥感影像一致，得到初始影像集；

S1-3、根据有记录的点状滑坡数据和滑坡在影像上的纹理和颜色特征，对初始影像集进行滑坡边界勾绘，得到勾绘后的影像集；

S1-4、将勾绘后的影像集按照512×512像素依次裁剪、分割成为若干影像，并将影像中的滑坡区域作为正样本，将影像中非滑坡区域作为负样本。

进一步地，将步骤S1-4中分割后的影像通过随机旋转和/或翻转进行样本扩充，将扩充处理后的影像中的滑坡区域作为正样本，将扩充处理后的影像中的非滑坡区域作为负样本。

进一步地，第一池化层和第二池化层的大小分别为3×3和6×6；第一上采样模块和第二上采样模块的输出尺寸均为64×64×2048。

进一步地，第五卷积模块、第六卷积模块和第七卷积模块中卷积核的大小依次为7×7、7×7和1×1，步长依次为2、2和1；第五卷积模块、第六卷积模块和第七卷积模块的输出尺寸依次为256×256×64、128×128×128和128×128×256。

进一步地，Resnet50模型的输出尺寸为64×64×2048；第四卷积模块的输出尺寸为64×64×2048；第三上采样模块的输出尺寸为128×128×2048。

本发明的有益效果为：本方法通过Resnet50模型获取高级语义信息，通过第一路径进行全局信息和位置信息的提取，并将提取到的信息在通道维度进行堆叠；通过第二路径对影像的纹理信息进行提取，并对提取到的滑坡信息升维；将第一路径和第二路径得到的数据进行叠加后输入通道注意力模块，可以更好的增强特征图通道对滑坡识别任务的响应，使得本方法相比现有技术提高了识别精度，有效提升了滑坡识别能力，可以为地质灾害专家提供滑坡灾害识别的目标区域，能够有效提高区域滑坡灾害调查的效率和准确性。

附图说明

图1为本方法的流程示意图；

图2为实施例中滑坡边界示意图；

图3为图2剪裁为512×512后的第一部分示意图；

图4为图2剪裁为512×512后的第二部分示意图；

图5为图2剪裁为512×512后的第三部分示意图；

图6为图2剪裁为512×512后的第四部分示意图；

图7为第二路径结构示意图；

图8为多路径PSPNet网络结构示意图；

图9为实施例中岷江上游滑坡灾害分布示意图；

图10为实施例中岷江上游重点区域标识图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图1、图7和图8所示，该基于卷积神经网络的滑坡灾害自动识别方法包括以下步骤：

其中多路径PSPNet网络包括第一路径和第二路径；

多路径PSPNet网络通过Resnet50模型获取高级语义信息，通过第一路径进行全局信息和位置信息的提取，并将提取到的信息在通道维度进行堆叠；通过第二路径对影像的纹理信息进行提取，并对提取到的滑坡信息升维；由于两个路径所得到的滑坡特征图大小不一，为了在不损失信息的基础上，更好的融合两个特征，本方法将主路径得到的滑坡特征图上采样到子路径特征图同等大小，再进行叠加输入通道注意力模块，可以更好的增强特征图通道对滑坡识别任务的响应。

步骤S1的具体方法包括以下子步骤：

S1-1、分别获取高分影像和多源高分辨率遥感影像；

S1-2、将高分影像上采样至与多源高分辨率遥感影像一致，得到初始影像集；

S1-3、根据有记录的点状滑坡数据和滑坡在影像上的纹理和颜色特征，对初始影像集进行滑坡边界勾绘，得到勾绘后的影像集，单张勾绘后的影像如图2所示；

S1-4、将勾绘后的影像集按照512×512像素依次裁剪、分割成为若干影像，并将影像中的滑坡区域作为正样本，将影像中非滑坡区域作为负样本。如图2所示的单张影像在剪裁后如图3、图4、图5和图6所示。

在具体实施过程中，为了增加训练样本数量，还可以将步骤S1-4中分割后的影像通过随机旋转和/或翻转进行样本扩充，将扩充处理后的影像中的滑坡区域作为正样本，将扩充处理后的影像中的非滑坡区域作为负样本。此外，还可以通过改变图像本身的信息（像素）来增强图像，一般方式有对比度变换、亮度变换、色彩增强以及图像锐化等。在对训练影像进行变换的同时，也对标签进行相应的变换。

第一池化层和第二池化层的大小分别为3×3和6×6；第一上采样模块和第二上采样模块的输出尺寸均为64×64×2048。Resnet50模型的输出尺寸为64×64×2048；第四卷积模块的输出尺寸为64×64×2048；第三上采样模块的输出尺寸为128×128×2048。

第二路径中的三个卷积模块纹理路径的输出可以按照如下公式进行表达：

TP(X)=T₃(T₂(T₁(X)))

其中TP代表一个由卷积层、批量归一化操作和ReLU激活函数组成的组合函数；卷积模块T₁中卷积核大小为7×7，步长为2，Padding（填充）为2，将通道维度从3扩展到64；卷积模块T₂中的卷积核大小为7×7，步长为2，Padding为2，将通道维度从64扩展到128；卷积模块T₃中的卷积核大小为1×1，步长为1，Padding为0，将通道维度从128扩展到256。

第五卷积模块、第六卷积模块和第七卷积模块中卷积核的大小依次为7×7、7×7和1×1，步长依次为2、2和1；第五卷积模块、第六卷积模块和第七卷积模块的输出尺寸依次为256×256×64、128×128×128和128×128×256。

在本发明的一个实施例中，以岷江上游的茂县、理县、松潘县、黑水县为测试区域，采用多路径PSPNet网络对上述地区进行滑坡灾害识别，考虑到岷江上游茂县、理县、松潘县、黑水县遥感影像的季节差异，本方法采用高分辨率历史光学影像（高分二号）。按照512×512的矩形框将测试区域影像裁剪为小块，最终获得茂县、理县、松潘县、黑水县裁剪影像数目总数为204406张。如图9所示，确认茂县、理县、松潘县、黑水县有滑坡灾害792处。

分别将本多路径PSPNet网络、原始PSPNet网络和纹理路径编码-PSPNet网络对图10的4个重点区域（A、B、C、D）进行识别，本多路径PSPNet网络与原始PSPNet网络和纹理路径编码-PSPNet网络的识别对比如表1所示。

表1

从表1可知，本申请在滑坡识别像素精度（PA）上比原始PSPNet网络和纹理路径编码-PSPNet网络分别上涨17%和11%，在召回率（Recall）和F1得分上均优于原始PSPNet网络和纹理路径编码-PSPNet网络，最终整体预测精度（OA）相比原始PSPNet网络和纹理路径编码-PSPNet网络分别上涨3%和2%。

综上所述，本发明提高了滑坡识别精度，有效提升了滑坡识别能力，可以为地质灾害专家提供滑坡灾害识别的目标区域，能够有效提高区域滑坡灾害调查的效率和准确性。

Claims

1.一种基于卷积神经网络的滑坡灾害自动识别方法，其特征在于，包括以下步骤：

其中多路径PSPNet网络包括第一路径和第二路径；

2.根据权利要求1所述的一种基于卷积神经网络的滑坡灾害自动识别方法，其特征在于，步骤S1的具体方法包括以下子步骤：

S1-1、分别获取高分影像和多源遥感影像；

3.根据权利要求2所述的一种基于卷积神经网络的滑坡灾害自动识别方法，其特征在于，将步骤S1-4中分割后的影像通过随机旋转和/或翻转进行样本扩充，将扩充处理后的影像中的滑坡区域作为正样本，将扩充处理后的影像中的非滑坡区域作为负样本。

4.根据权利要求1所述的一种基于卷积神经网络的滑坡灾害自动识别方法，其特征在于，第一池化层和第二池化层的大小分别为3×3和6×6；第一上采样模块和第二上采样模块的输出尺寸均为64×64×2048。

5.根据权利要求1所述的一种基于卷积神经网络的滑坡灾害自动识别方法，其特征在于，第五卷积模块、第六卷积模块和第七卷积模块中卷积核的大小依次为7×7、7×7和1×1，步长依次为2、2和1；第五卷积模块、第六卷积模块和第七卷积模块的输出尺寸依次为256×256×64、128×128×128和128×128×256。

6.根据权利要求1所述的一种基于卷积神经网络的滑坡灾害自动识别方法，其特征在于，Resnet50模型的输出尺寸为64×64×2048；第四卷积模块的输出尺寸为64×64×2048；第三上采样模块的输出尺寸为128×128×2048。