CN116168295A - 一种岩性遥感智能解译模型建立方法及解译方法 - Google Patents
一种岩性遥感智能解译模型建立方法及解译方法 Download PDFInfo
- Publication number
- CN116168295A CN116168295A CN202310163603.2A CN202310163603A CN116168295A CN 116168295 A CN116168295 A CN 116168295A CN 202310163603 A CN202310163603 A CN 202310163603A CN 116168295 A CN116168295 A CN 116168295A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- lithology
- features
- branch
- feature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000011176 pooling Methods 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000011160 research Methods 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 11
- 239000011800 void material Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000010438 granite Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 2
- 229910052612 amphibole Inorganic materials 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Abstract
本发明提供了一种岩性遥感智能解译模型建立方法及解译方法，所述建立方法包括：获取研究区的地质岩性数据和遥感影像，将所述地质岩性数据和所述遥感影像作为数据集；对所述数据集进行预处理，根据预处理后的数据集确定训练集；根据所述训练集训练初始模型，以构建岩性遥感智能解译模型，所述初始模型包括先验分支、遥感分支以及上采样模块，所述先验分支和所述遥感分支均包括残差神经网络和基于密集连接的空间池化注意力金字塔网络。本发明采用残差神经网络提升深度特征的提取能力，同时应用基于密集连接的空间池化注意力金字塔网络来提取多尺度特征，并保留重要通道的信息，提升特征的表达能力，从而提高了岩性解译的精确度。
Description
技术领域
本发明涉及遥感信息技术领域，具体而言，涉及一种岩性遥感智能解译模型建立方法及解译方法。
背景技术
地质岩性图反映岩性单元和蚀变，在矿产勘探、矿区建设和环境治理中都非常重要。在中国，截至2021年，1:20万区域地质调查结果约占中国陆地面积的71％，1:5万区域地质调查结果仅占陆地面积的44.5％。随着工业的发展，矿山建设和环境治理需要更准确的地质调查数据。
现如今，传统的野外调查仍然是地质调查和岩性填图的主要模式。然而，实地调查既困难又耗时。自从成像光谱仪系统出现以来，遥感已被用于地球观测。一些研究人员正在设计各种模型来提取遥感图像数据中包含的特征，并解译岩性，这些模型分为基于手工特征的模型和基于深度特征的模型。对于包含大量信息的遥感图像，基于手工特征提取的表达能力有限，尤其是对于高维信息。为了充分利用遥感特征，许多研究人员将深度学习应用于特征提取，并对岩性单元进行分类。有研究人员提出了应用全卷积网络对中国西藏措纳洞穹隆的七个岩性单元进行分类，还有研究人员提出了一种只有两个卷积层的CNN模型，另外，还有研究人员提出了一种自适应多源数据融合网络，以提取岩性单元分类的空间和光谱信息。但是这些研究人员提出的方法更加关注遥感影像的信息，对于植被覆盖区域岩性解译的精确度比较低。
发明内容
本发明解决的问题是现有基于深度学习模型进行岩性解译的方法的解译精确度较低的问题。
为解决上述问题，本发明提供一种岩性遥感智能解译模型建立方法及解译方法。
第一方面，本发明提供了一种岩性遥感智能解译模型建立方法，包括：
获取研究区的地质岩性数据和遥感影像，将所述地质岩性数据和所述遥感影像作为数据集；
对所述数据集进行预处理，根据预处理后的数据集确定训练集；
根据所述训练集训练初始模型，以构建岩性遥感智能解译模型，所述初始模型包括先验分支、遥感分支以及上采样模块，所述先验分支和所述遥感分支均包括残差神经网络和基于密集连接的空间池化注意力金字塔网络。
可选地，所述根据所述训练集训练初始模型，以构建岩性遥感智能解译模型包括：
将所述训练集输入所述先验分支和所述遥感分支，分别获得所述先验分支以及所述遥感分支输出的深度特征；
将所述先验分支以及所述遥感分支输出的所述深度特征进行合并，获得合并后的深度特征；
对所述合并后的深度特征进行上采样，以构建岩性遥感智能解译模型。
可选地，所述将所述训练集输入所述先验分支和所述遥感分支，分别获得所述先验分支以及所述遥感分支输出的深度特征包括：
将所述训练集输入所述残差神经网络中，输出第一特征；
将所述第一特征输入所述空间池化注意力金字塔网络，输出所述深度特征。
可选地，所述将所述第一特征输入所述空间池化注意力金字塔网络，输出所述深度特征包括：
将所述第一特征输入密集连接结构，通过所述密集连接结构获得多尺度特征；
将所述多尺度特征输入通道注意力模块，基于所述通道注意力模块获得通道注意力特征；
将所述通道注意力特征作为残差结构添加到所述多尺度特征中，得到添加后的多尺度特征；
基于1×1的卷积核对所述添加后的多尺度特征进行卷积处理，获得所述深度特征。
可选地，还包括在所述密集连接结构的不同卷积层中构建不同空洞率的卷积核。
可选地，所述将所述多尺度特征输入通道注意力模块，基于所述通道注意力模块获得通道注意力特征包括：
采用全局池化将所述多尺度特征进行压缩，获得压缩后的特征；
将所述压缩后的特征输入到全连接层，得到权重矩阵；
通过Sigmoid函数对所述权重矩阵进行归一化处理，获得归一化后的权重矩阵；
基于所述归一化后的权重矩阵以及所述多尺度特征确定通道注意力特征。
可选地，所述对所述数据集进行预处理，根据预处理后的数据集确定训练集包括：
将所述数据集中的所述地质岩性数据和所述遥感影像进行切分，得到切分后的数据集；
基于所述切分后的数据集生成高斯分布随机数，根据所述高斯分布随机数确定所述训练集。
可选地，所述对所述合并后的深度特征进行上采样，以构建岩性遥感智能解译模型包括：
通过转置卷积对所述合并后的深度特征进行上采样，获得岩性解译结果，以构建岩性遥感智能解译模型。
可选地，所述根据所述训练集训练初始模型，以构建岩性遥感智能解译模型之后，还包括：
根据OA、mIOU、macro-F1评价指标对所述岩性遥感智能解译模型进行精度评价。
本发明所述的岩性遥感智能解译模型建立方法的有益效果是：本发明引入地质岩性数据，利用地质先验知识同时结合遥感影像，提高了岩性特征的表达能力，从而提高了岩性解译的精确度。另外，本发明采用残差神经网络提升深度特征的提取能力，同时应用基于密集连接的空间池化注意力金字塔网络来提取多尺度特征，并保留重要通道的信息，提升特征的表达能力，从而提高了岩性解译的精确度。
第二方面，本发明提供了一种岩性遥感智能解译方法，包括：
获取待解译区域的待解译地质岩性数据和待解译遥感影像，将所述待解译地质岩性数据和所述待解译遥感影像输入到第一方面所述的岩性遥感智能解译模型建立方法所建立的岩性遥感智能解译模型中，得到待解译区域的岩性解译结果。
所述岩性遥感智能解译方法与上述岩性遥感智能解译模型建立方法相对于现有技术所具有的优势相同，在此不再赘述。
附图说明
图1为本发明实施例提供的一种岩性遥感智能解译模型建立方法的流程示意图；
图2为岩性遥感智能解译模型的网络结构示意图；
图3为基于密集连接的空间池化注意力金字塔网络的结构示意图；
图4为本发明实施例提供的一种岩性遥感智能解译方法的流程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
由于岩石的形成受构造、岩浆热液等多种因素的影响。地质先验知识可以为岩性识别，尤其是对于植被覆盖区域岩性解译提供关键信息。因此，本发明引入地质先验知识作为指导，提高岩性特征的表达能力，实现岩性解译。
因此，本发明实施例提供了一种岩性遥感智能解译模型建立方法，该方法的流程示意图如图1所示，该方法包括如下步骤：
101、获取研究区的地质岩性数据和遥感影像，将所述地质岩性数据和所述遥感影像作为数据集。
具体地，研究区的地质岩性数据为该区1：20万比例尺地质图中的地质岩性数据，研究区的遥感数据为该区域资源3号遥感影像。
102、对所述数据集进行预处理，根据预处理后的数据集确定训练集。
具体地，对所述数据集中的地质岩性数据和遥感影像均进行预处理，从而根据预处理后的数据集确定训练集。
在一种可能的实施方式中，所述对所述数据集进行预处理，根据预处理后的数据集确定训练集包括：
将所述数据集中的所述地质岩性数据和所述遥感影像进行切分，得到切分后的数据集；
基于所述切分后的数据集生成高斯分布随机数，根据所述高斯分布随机数确定所述训练集。
具体地，将数据集中的地质岩性数据和遥感影像切分成256×256大小，然后采用高斯分布随机数的方式，按照6：2：2的比例划分为训练集、验证集和测试集，以保证各个岩性类别在三个数据集里面保持均一分布。
103、根据所述训练集训练初始模型，以构建岩性遥感智能解译模型，所述模型包括先验分支、遥感分支以及上采样模块，所述先验分支和所述遥感分支均包括残差神经网络和基于密集连接的空间池化注意力金字塔网络。
具体地，参照图2，初始模型的输入为训练集，该训练集包含预处理后的地质岩性数据和预处理后的遥感影像，将训练集中预处理后的地质岩性数据输入初始模型的先验分支中的残差神经网络中，将训练集中预处理后的遥感影像输入到初始模型的遥感分支中的残差神经网络中。该初始模型的输出为研究区的岩性解译结果，通过上采样模块输出。先验分支和遥感分支中均包括残差神经网络和基于密集连接的空间池化注意力金字塔网络，将残差神经网络和基于密集连接的空间池化注意力金字塔网络串联来提取深度特征，该残差神经网络是ResNet50。在特征提取的过程中，ResNet50可以提升深度特征提取能力，同时应用基于密集连接的空间池化注意力金字塔网络，可以提取多尺度特征，保留重要通道的信息，提升特征的表达能力。
通过训练集训练初始模型，训练完成后可获得岩性遥感智能解译模型，该岩性遥感智能解译模型的输出为1：5万地质岩性解译结果。
在一种可能的实施方式中，所述根据所述训练集训练初始模型，以构建岩性遥感智能解译模型包括：
将所述训练集输入所述先验分支和所述遥感分支，分别获得所述先验分支以及所述遥感分支输出的深度特征；
将所述先验分支以及所述遥感分支输出的所述深度特征进行合并，获得合并后的深度特征；
对所述合并后的深度特征进行上采样，以构建岩性遥感智能解译模型。
具体地，将训练集中预处理后的地质岩性数据输入先验分支，输出深度特征。将训练集中预处理后的遥感影像输入遥感分支，输出深度特征。然后对两个分支分别输出的深度特征进行合并，对合并后的特征进行上采样，从而构建岩性遥感智能解译模型。
在一种可能的实施方式中，所述将所述训练集输入所述先验分支和所述遥感分支，分别获得所述先验分支以及所述遥感分支输出的深度特征包括：
将所述训练集输入所述残差神经网络中，输出第一特征；
将所述第一特征输入所述空间池化注意力金字塔网络，输出所述深度特征。
具体地，对于残差神经网络，通过构建残差结构，学习网络的恒等映射，避免了网络层数过深而带来的网络退化和过拟合现象，保证了深度特征的有效性。残差结构的公式具体如下：
y＝σ(F(x，W)+x)
式中，y表示残差结构的输出，σ(·)表示激活函数，F(·)表示恒等函数，x表示输入，W表示残差结构中的所有权重。
如图2所示，在特征提取模块的残差神经网络中，先使用卷积核大小为3x3，步长为2的卷积核进行卷积，然后应用大小为2x2的池化层进行池化。接着引入残差结构，将其分为四组，每组分别包含3、4、6和3个残差结构，其中，在第二组残差结构中，将卷积核即恒等函数的步长设置为2。最后，再使用卷积核大小为3x3，步长为2的卷积核进行卷积，得到该残差神经网络的输出特征，即第一特征。
得到第一特征后，将该第一特征作为基于密集连接的空间池化注意力金字塔网络的输入，输出深度特征。
在本发明实施例中，引入地质岩性数据，利用地质先验知识同时结合遥感影像，提高了岩性特征的表达能力，从而提高了岩性解译的精确度。另外，本发明实施例采用残差神经网络提升深度特征的提取能力，同时应用基于密集连接的空间池化注意力金字塔网络来提取多尺度特征，并保留重要通道的信息，提升特征的表达能力，从而提高了岩性解译的精确度。
在一种可能的实施方式中，所述将所述第一特征输入所述空间池化注意力金字塔网络，输出所述深度特征包括：
将所述第一特征输入密集连接结构，通过所述密集连接结构获得多尺度特征；
将所述多尺度特征输入通道注意力模块，基于所述通道注意力模块获得通道注意力特征；
将所述通道注意力特征作为残差结构添加到所述多尺度特征中，得到添加后的多尺度特征；
基于1×1的卷积核对所述添加后的多尺度特征进行卷积处理，获得所述深度特征。
具体地，密集连接结构通过多个密集连接层来提取多个维度的特征信息，其中，密集连接层中卷积层的运算公式如下：
xl＝Tl(x0,x1,x2,...,xl-1)
式中，x0,x1,x2,...,xl-1表示前l层的卷积层，Tl表示并联操作。
密集连接结构中每一层的输入都为其前一层的输入和输出。
通道注意力模块通过把深度压缩到一维，对特征通道赋予一个权重，在训练网络的过程中，提高重要特征的权重，降低次要特征的权重，公式如下：
UC(i，j)＝sc×uC(i，j)
式中，UC(i，j)表示变化后的c个通道的特征值，sc表示特征注意力c个通道的权重，uC(i，j)表示原始特征c个通道的特征值，i和j分别表示特征层的横纵坐标点。
参照图3，在基于密集连接结构获取多尺度特征后，将该多尺度特征作为通道注意力模块的输入，获取通道注意力特征。
在通过通道注意力模块获得通道注意力特征后，由于残差结构更容易训练，并且可以避免在注意力机制下原始特征丢失的问题，因此将通道注意力特征视为残差并添加到多尺度特征中。然后使用核大小为1×1的卷积层来降维并获得基于密集连接的空间池化注意力金字塔网络的输出Xout。
在本实施例中，将上述通道注意力模块和密集连接结构嵌入到空间池化金字塔网络中，在密集连接层之后可以得到经自适应调整的权重，有利于密集连接层更好地提取特征。将通道注意力特征视为残差并添加到多尺度特征中，避免了在注意力机制下原始特征丢失的问题，通过卷积层降维来获得和基于密集连接的空间池化注意力金字塔网络的输入尺寸相同的输出。
在一种可能的实施方式中，还包括在所述密集连接结构的不同卷积层中构建不同空洞率的卷积核。
在一般空间池化金字塔结构中，在同一卷积层中构建不同空洞率的卷积核，而在本发明基于密集连接的空间池化注意力金字塔网络中，引进密集连接结构，并在不同卷积层中构建不同空洞率的卷积核，来提取不同感受野范围的特征信息，并应用全局池化，获取全局感受野的特征信息，最后将这些特征合并，得到多尺度信息。公式如下：
式中，xin表示输入特征，xout表示输出特征，C(·)表示空洞卷积，r1，r2，...，rn表示不同的空洞率，T表示并联操作。
参照图3，在基于密集连接的空间池化注意力金字塔网络的密集连接结构中，使用四种类型的卷积滤波器来提取不同的尺度特征，输入特征为
其中，C是特征维度，H表示高度，W表示宽度。首先，核大小为1×1的卷积层从Xin中提取特征。第二卷积层、第三卷积层和第四卷积层的输入是其连接的前一卷积层的输出特征和输入特征。第二、第三和第四卷积滤波器的核大小分别为3×3，空洞率r分别为3、6、9。然后将每个卷积层的结果在信道维度上与X合并，以获得多尺度特征/>
其中，C′＝5C。
在一种可能的实施方式中，所述将所述多尺度特征输入通道注意力模块，基于所述通道注意力模块获得通道注意力特征包括：
采用全局池化将所述多尺度特征进行压缩，获得压缩后的特征；
将所述压缩后的特征输入到全连接层，得到权重矩阵；
通过Sigmoid函数对所述权重矩阵进行归一化处理，获得归一化后的权重矩阵；
基于所述归一化后的权重矩阵以及所述多尺度特征确定通道注意力特征。
参照图3，在注意力机制中，通道注意力被应用于关注X′中的重要渠道。通过全局池化，将每个通道的特征压缩到单个像素，得到压缩后的特征1×1×C′，然后通过全连接层学习压缩后的特征，得到权重矩阵，并使用Sigmoid形函数进行归一化，将权重矩阵中的权重值控制在0和1之间。然后将归一化后的权重矩阵与X′相乘来获得通道注意力特征。
在本实施例中，在空间池化金字塔中加入通道注意力模块，有利于提升特征的表达能力。
在一种可能的实施方式中，所述对所述合并后的深度特征进行上采样，以构建岩性遥感智能解译模型包括：
通过转置卷积对所述合并后的深度特征进行上采样，获得岩性解译结果，以构建岩性遥感智能解译模型。
具体地，通过转置卷积实现上采样，对于合并后的深度特征中的每一个值，都与转置卷积核进行转置卷积操作，然后求和，得到解译结果。
通过转置卷积，将合并后的深度特征进行层层解码，逐步恢复至原始大小，即最后的解译结果。
在本实施例中，通过转置卷积实现上采样操作，对合并后的深度特征进行解码，复原到原始大小，得到解译结果。
在一种可能的实施方式中，所述根据所述训练集训练初始模型，以构建岩性遥感智能解译模型之后，还包括：
根据OA、mIOU、macro-F1评价指标对所述岩性遥感智能解译模型进行精度评价。
具体地，为了进一步说明本发明的优势，根据构建的地质岩性解译数据集对本发明的岩性遥感智能解译模型进行精度评价和结果评估。本发明的岩性遥感智能解译模型与其他网络的解译结果分别下表1所示，为了使得比较结果更具有说服力，我们将每个模型在训练集上迭代训练了5轮，取平均值并计算正负偏离。研究区内共有7个地质岩性单元，包括第四系坡积物、砂岩、碳酸盐岩、花岗岩、闪长岩、基性岩脉和水。从下表中可知，岩性遥感智能解译模型的解译精度比其他网络的精度都要高。岩性遥感智能解译模型的OA为82.35％，mIOU为44.61％，macro-F1为56.54％。该模型与解译精度第二好的模型PSPNet相比，OA仅高0.6％，但对于mIOU和macro-F1，它大约高1.5％。对于每种类型的岩性单元的分类，所提出的模型在砂岩、碳酸盐岩、闪长岩和花岗岩中显示出最佳的mIOU和macro-F1分数。特别是对于砂岩和花岗岩，它超过了所有比较模型中评估指标的2％以上。对于基性岩脉除外的其他岩性单元类别，最佳模型与所提出的模型之间的精度差异在0.5％以内。结果表明，本发明提出的模型是有效的。但值得注意的是，只有Deeplab v3+和Bi-HRNet能够正确地对基性岩脉进行分类。综上，该网络显示出最佳的解译性能，体现了地质先验知识的重要性，以及基于密集连接的空间池化注意力金字塔的先进性，结果表明岩性遥感智能解译模型能够提升遥感地质岩性解译的精度。
表1
在本发明实施例中，通过OA、mIOU、macro-F1评价指标实现对岩性遥感智能解译模型的精度评价。
参照图4，本发明还提出一种岩性遥感智能解译方法,包括如下步骤：
201、获取待解译区域的待解译地质岩性数据和待解译遥感影像；
202、将所述待解译地质岩性数据和所述待解译遥感影像输入到上述岩性遥感智能解译模型建立方法所建立的岩性遥感智能解译模型中，得到待解译区域的岩性解译结果。
具体地，获得待解译区域的待解译地质岩性数据和遥感影像后，对待解译地质岩性数据和待解译遥感影像进行预处理，该预处理与上述岩性遥感智能解译模型建立方法中的预处理完全相同。然后将预处理后的待解译数据输入到上述岩性遥感智能解译模型建立方法所建立的岩性遥感智能解译模型中，完成对待解译区域的岩性解译。
虽然本发明公开披露如上，但本发明公开的保护范围并非仅限于此。本领域技术人员在不脱离本发明公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。
Claims (10)
1.一种岩性遥感智能解译模型建立方法，其特征在于，包括：
获取研究区的地质岩性数据和遥感影像，将所述地质岩性数据和所述遥感影像作为数据集；
对所述数据集进行预处理，根据预处理后的数据集确定训练集；
根据所述训练集训练初始模型，以构建岩性遥感智能解译模型，所述初始模型包括先验分支、遥感分支以及上采样模块，所述先验分支和所述遥感分支均包括残差神经网络和基于密集连接的空间池化注意力金字塔网络。
2.根据权利要求1所述的岩性遥感智能解译模型建立方法，其特征在于，所述根据所述训练集训练初始模型，以构建岩性遥感智能解译模型包括：
将所述训练集输入所述先验分支和所述遥感分支，分别获得所述先验分支以及所述遥感分支输出的深度特征；
将所述先验分支以及所述遥感分支输出的所述深度特征进行合并，获得合并后的深度特征；
对所述合并后的深度特征进行上采样，以构建岩性遥感智能解译模型。
3.根据权利要求2所述的岩性遥感智能解译模型建立方法，其特征在于，所述将所述训练集输入所述先验分支和所述遥感分支，分别获得所述先验分支以及所述遥感分支输出的深度特征包括：
将所述训练集输入所述残差神经网络中，输出第一特征；
将所述第一特征输入所述空间池化注意力金字塔网络，输出所述深度特征。
4.根据权利要求3所述的岩性遥感智能解译模型建立方法，其特征在于，所述将所述第一特征输入所述空间池化注意力金字塔网络，输出所述深度特征包括：
将所述第一特征输入密集连接结构，通过所述密集连接结构获得多尺度特征；
将所述多尺度特征输入通道注意力模块，基于所述通道注意力模块获得通道注意力特征；
将所述通道注意力特征作为残差结构添加到所述多尺度特征中，得到添加后的多尺度特征；
基于1×1的卷积核对所述添加后的多尺度特征进行卷积处理，获得所述深度特征。
5.根据权利要求4所述的岩性遥感智能解译模型建立方法，其特征在于，还包括在所述密集连接结构的不同卷积层中构建不同空洞率的卷积核。
6.根据权利要求4所述的岩性遥感智能解译模型建立方法，其特征在于，所述将所述多尺度特征输入通道注意力模块，基于所述通道注意力模块获得通道注意力特征包括：
采用全局池化将所述多尺度特征进行压缩，获得压缩后的特征；
将所述压缩后的特征输入到全连接层，得到权重矩阵；
通过Sigmoid函数对所述权重矩阵进行归一化处理，获得归一化后的权重矩阵；
基于所述归一化后的权重矩阵以及所述多尺度特征确定通道注意力特征。
7.根据权利要求1所述的岩性遥感智能解译模型建立方法，其特征在于，所述对所述数据集进行预处理，根据预处理后的数据集确定训练集包括：
将所述数据集中的所述地质岩性数据和所述遥感影像进行切分，得到切分后的数据集；
基于所述切分后的数据集生成高斯分布随机数，根据所述高斯分布随机数确定所述训练集。
8.根据权利要求2所述的岩性遥感智能解译模型建立方法，其特征在于，所述对所述合并后的深度特征进行上采样，以构建岩性遥感智能解译模型包括：
通过转置卷积对所述合并后的深度特征进行上采样，获得岩性解译结果，以构建岩性遥感智能解译模型。
9.根据权利要求1所述的岩性遥感智能解译模型建立方法，其特征在于，所述根据所述训练集训练初始模型，以构建岩性遥感智能解译模型之后，还包括：
根据OA、mIOU、macro-F1评价指标对所述岩性遥感智能解译模型进行精度评价。
10.一种岩性遥感智能解译方法，其特征在于，包括：
获取待解译区域的待解译地质岩性数据和待解译遥感影像，将所述待解译地质岩性数据和所述待解译遥感影像输入到权利要求1至9任一项所述的岩性遥感智能解译模型建立方法所建立的岩性遥感智能解译模型中，得到待解译区域的岩性解译结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310163603.2A CN116168295B (zh) | 2023-02-24 | 2023-02-24 | 一种岩性遥感智能解译模型建立方法及解译方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310163603.2A CN116168295B (zh) | 2023-02-24 | 2023-02-24 | 一种岩性遥感智能解译模型建立方法及解译方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116168295A true CN116168295A (zh) | 2023-05-26 |
| CN116168295B CN116168295B (zh) | 2023-12-05 |
Family
ID=86421691
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310163603.2A Active CN116168295B (zh) | 2023-02-24 | 2023-02-24 | 一种岩性遥感智能解译模型建立方法及解译方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116168295B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116563672A (zh) * | 2023-07-05 | 2023-08-08 | 中国地质大学（武汉） | 一种岩土体分类模型构建方法及岩土体分类方法 |
| CN116994155A (zh) * | 2023-09-26 | 2023-11-03 | 中国地质大学（武汉） | 一种地质岩性的解译方法、装置及存储介质 |
| CN117710758A (zh) * | 2024-02-05 | 2024-03-15 | 中国地质大学（武汉） | 一种遥感图像岩土解译方法、介质及设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111160389A (zh) * | 2019-12-02 | 2020-05-15 | 东北石油大学 | 一种基于融合vgg的岩性识别方法 |
| CN112597826A (zh) * | 2020-12-08 | 2021-04-02 | 核工业北京地质研究院 | 一种对高光谱sasi数据进行岩性分类的方法 |
| CN112966555A (zh) * | 2021-02-02 | 2021-06-15 | 武汉大学 | 一种基于深度学习和部件先验的遥感影像飞机识别方法 |
| CN113807210A (zh) * | 2021-08-31 | 2021-12-17 | 西安理工大学 | 一种基于金字塔切分注意力模块的遥感图像语义分割方法 |
| CN113902971A (zh) * | 2021-09-13 | 2022-01-07 | 北京理工雷科电子信息技术有限公司 | 基于多尺度融合轻量化深度学习卷积网络的目标检测方法 |
| WO2022052367A1 (zh) * | 2020-09-10 | 2022-03-17 | 中国科学院深圳先进技术研究院 | 一种用于遥感图像分类的神经网络优化方法、终端以及存储介质 |
| CN114926797A (zh) * | 2022-05-18 | 2022-08-19 | 中国地质大学（武汉） | 基于边缘约束与特征适应的Transformer双分支道路提取方法及装置 |
| US20230050679A1 (en) * | 2021-07-29 | 2023-02-16 | Novateur Research Solutions | System and method for rare object localization and search in overhead imagery |
-
2023
- 2023-02-24 CN CN202310163603.2A patent/CN116168295B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111160389A (zh) * | 2019-12-02 | 2020-05-15 | 东北石油大学 | 一种基于融合vgg的岩性识别方法 |
| WO2022052367A1 (zh) * | 2020-09-10 | 2022-03-17 | 中国科学院深圳先进技术研究院 | 一种用于遥感图像分类的神经网络优化方法、终端以及存储介质 |
| CN112597826A (zh) * | 2020-12-08 | 2021-04-02 | 核工业北京地质研究院 | 一种对高光谱sasi数据进行岩性分类的方法 |
| CN112966555A (zh) * | 2021-02-02 | 2021-06-15 | 武汉大学 | 一种基于深度学习和部件先验的遥感影像飞机识别方法 |
| US20230050679A1 (en) * | 2021-07-29 | 2023-02-16 | Novateur Research Solutions | System and method for rare object localization and search in overhead imagery |
| CN113807210A (zh) * | 2021-08-31 | 2021-12-17 | 西安理工大学 | 一种基于金字塔切分注意力模块的遥感图像语义分割方法 |
| CN113902971A (zh) * | 2021-09-13 | 2022-01-07 | 北京理工雷科电子信息技术有限公司 | 基于多尺度融合轻量化深度学习卷积网络的目标检测方法 |
| CN114926797A (zh) * | 2022-05-18 | 2022-08-19 | 中国地质大学（武汉） | 基于边缘约束与特征适应的Transformer双分支道路提取方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| SHUBING OUYANG, ET AL.: "A Fine-Grained Genetic Landform Classification Network Based on Multimodal Feature Extraction and Regional Geological Context", IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, vol. 60, pages 1 - 14, XP011920741, DOI: 10.1109/TGRS.2022.3203606 * |
| 乔文凡;慎利;戴延帅;曹云刚;: "联合膨胀卷积残差网络和金字塔池化表达的高分影像建筑物自动识别", 地理与地理信息科学, no. 05, pages 62 - 68 * |
| 李发森 等: "基于深度特征的双极化SAR遥感图像岩性自动分类", 地球科学, vol. 47, no. 11, pages 4267 - 4279 * |
| 赵欣;石德来;王洪凯;: "基于3D全卷积深度神经网络的脑白质病变分割方法", 计算机与现代化, no. 10, pages 48 - 54 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116563672A (zh) * | 2023-07-05 | 2023-08-08 | 中国地质大学（武汉） | 一种岩土体分类模型构建方法及岩土体分类方法 |
| CN116563672B (zh) * | 2023-07-05 | 2023-09-19 | 中国地质大学（武汉） | 一种岩土体分类模型构建方法及岩土体分类方法 |
| CN116994155A (zh) * | 2023-09-26 | 2023-11-03 | 中国地质大学（武汉） | 一种地质岩性的解译方法、装置及存储介质 |
| CN116994155B (zh) * | 2023-09-26 | 2024-02-23 | 中国地质大学（武汉） | 一种地质岩性的解译方法、装置及存储介质 |
| CN117710758A (zh) * | 2024-02-05 | 2024-03-15 | 中国地质大学（武汉） | 一种遥感图像岩土解译方法、介质及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116168295B (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116168295B (zh) | 一种岩性遥感智能解译模型建立方法及解译方法 | |
| CN113420662B (zh) | 基于孪生多尺度差异特征融合的遥感影像变化检测方法 | |
| Zhu et al. | Intelligent logging lithological interpretation with convolution neural networks | |
| CN107239751B (zh) | 基于非下采样轮廓波全卷积网络的高分辨sar图像分类方法 | |
| CN112668494A (zh) | 基于多尺度特征提取的小样本变化检测方法 | |
| CN109165660A (zh) | 一种基于卷积神经网络的显著物体检测方法 | |
| CN105069468A (zh) | 基于脊波和深度卷积网络的高光谱图像分类方法 | |
| CN109872311A (zh) | 一种岩体完整性判识方法 | |
| CN112966667B (zh) | 海面目标一维距离像降噪卷积神经网络识别方法 | |
| CN109670533A (zh) | 一种基于卷积神经网络的多尺度测井相识别方法 | |
| CN103020649A (zh) | 一种基于纹理信息的森林类型识别方法 | |
| CN112766223B (zh) | 基于样本挖掘与背景重构的高光谱图像目标检测方法 | |
| CN114972384A (zh) | 一种基于深度学习的隧道岩体智能快速区域分级方法 | |
| CN111612906A (zh) | 一种三维地质模型的生成方法、系统及计算机存储介质 | |
| CN113705580A (zh) | 基于深度迁移学习的高光谱图像分类方法 | |
| CN113792685A (zh) | 一种基于多尺度卷积神经网络的微地震事件检测方法 | |
| CN115761297A (zh) | 一种基于边缘引导的注意神经网络自动识别滑坡的方法 | |
| CN115512222A (zh) | 一种线下训练-线上学习的灾害场景地物损毁评估方法 | |
| CN116206098A (zh) | 月球表面安全着陆区选取系统及其方法 | |
| CN112883646B (zh) | 联合机器学习和土力学模型的建筑沉降量提取方法、系统及装置 | |
| CN112766381B (zh) | 有限样本下属性引导的sar图像生成方法 | |
| CN117173577A (zh) | 一种基于改进Swin Transformer的遥感影像建筑物变化检测方法 | |
| CN107529647A (zh) | 一种基于多层无监督稀疏学习网络的云图云量计算方法 | |
| CN114463175B (zh) | 基于深度卷积神经网络的火星图像超分辨方法 | |
| CN115660979A (zh) | 一种基于注意力机制的双判别器图像修复方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |