CN116563672B - 一种岩土体分类模型构建方法及岩土体分类方法 - Google Patents

一种岩土体分类模型构建方法及岩土体分类方法 Download PDF

Info

Publication number
CN116563672B
CN116563672B CN202310814753.5A CN202310814753A CN116563672B CN 116563672 B CN116563672 B CN 116563672B CN 202310814753 A CN202310814753 A CN 202310814753A CN 116563672 B CN116563672 B CN 116563672B
Authority
CN
China
Prior art keywords
result
data
labeling
classification
image data
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
CN202310814753.5A
Other languages
English (en)
Other versions
CN116563672A (zh
Inventor
李显巨
陈伟涛
张过
王力哲
陈刚
胡康
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.)
China University of Geosciences
Original Assignee
China University of Geosciences
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 China University of Geosciences filed Critical China University of Geosciences
Priority to CN202310814753.5A priority Critical patent/CN116563672B/zh
Publication of CN116563672A publication Critical patent/CN116563672A/zh
Application granted granted Critical
Publication of CN116563672B publication Critical patent/CN116563672B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06V10/7747—Organisation of the process, 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/7753—Incorporation of unlabelled data, e.g. multiple instance learning [MIL]
    • 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
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • G06V10/811—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data the classifiers operating on different input data, e.g. multi-modal recognition
    • 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
    • G06V10/817—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level by voting
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种岩土体分类模型构建方法及岩土体分类方法，涉及遥感图像处理技术领域，该方法包括：获取研究区的遥感影像、第一地质图数据和第二地质图数据，分别根据第一地质图数据对遥感影像进行配准处理和标注处理，得到第一影像数据和第一标注结果，根据第二地质图数据对遥感影像进行配准处理和标注处理，得到第二影像数据和第二标注结果；将第一标注结果和第二标注结果进行归并，得到第三标注结果；构建初始基模型和初始集成模型，训练初始基模型和初始集成模型，得到基模型和集成模型，以构建岩土体分类模型。本发明的有益效果：引入小比例尺的地质图数据训练分类模型，有效提升了模型的准确率，进而提升岩土体分类的准确性。

Description

一种岩土体分类模型构建方法及岩土体分类方法
技术领域
本发明涉及遥感图像处理技术领域，具体而言，涉及一种岩土体分类模型构建方法及岩土体分类方法。
背景技术
岩性分类是遥感地质环境图像处理领域的重要方向，其在多应用领域能够提供帮助。
现有技术中，多采用1:5万地质图数据和机器学习对遥感图像进行岩性分类，但是1:5万地质图数据一般都是涉密的，而且全国1:5万地质图的绘制情况是不完整的，因此，存在许多1:5万空白区，导致以1:5万的大比例尺地质图数据进行遥感岩性分类时覆盖区岩性信息弱、岩性类间相似度高、类内差异性大的问题，同时机器学习一般是基于大量样本上学习的数据驱动方法，然而，在许多情况下，纯数据驱动的方法可能达到机器学习的极限，例如没有足够的数据来训练性能良好和足够一般化的模型，导致利用机器学习得到的分类结果不准确。
发明内容
本发明解决的问题是如何提高岩土体分类的准确度。
为解决上述问题，本发明提供了一种岩土体分类模型构建方法及岩土体分类方法。
第一方面，本发明提供一种岩土体分类模型构建方法，包括：
获取研究区的遥感影像、第一地质图数据和第二地质图数据；
根据所述第一地质图数据对所述遥感影像进行配准处理和标注处理，得到第一影像数据和第一标注结果，根据所述第二地质图数据对所述遥感影像进行配准处理和标注处理，得到第二影像数据和第二标注结果，其中，所述第一地质图数据的比例尺大于所述第二地质图数据的比例尺，所述第一影像数据和所述第一标注结果与所述第一地质图数据的比例尺相同，所述第二影像数据和所述第二标注结果与所述第二地质图数据的比例尺相同；
将所述第一标注结果和所述第二标注结果进行归并，得到与所述第一标注结果比例尺相同的第三标注结果；
构建初始基模型和初始集成模型，以所述第一影像数据、所述第一标注结果、所述第二影像数据和所述第二标注结果为数据集训练所述初始基模型，得到所述基模型，所述基模型用于输出不同比例尺的分类结果，将所述基模型的分类结果进行归并，以归并后的所述分类结果、所述基模型输出的大比例尺的分类结果和所述第三标注结果为数据集训练所述初始集成模型，得到所述集成模型，所述集成模型用于输出最终分类结果；
根据所述基模型和所述集成模型构建岩土体分类模型。
本发明中，对遥感影像、大比例尺的第一地质图数据和小比例尺的第二地质图数据进行配准处理和标注处理，以构建准确的数据集；且引入小比例尺的第二地质图数据，能够补充大比例尺的第一地质图数据中的空白区，减少岩性弱信息，有效扩充了数据集。根据小比例尺的第二标注数据和大比例尺的第一标注数据得到第三标注数据，以得到大比例尺与小比例尺地质数据融合的分类结果，增加数据集的精确度。引入小比例尺的地质图数据训练基模型，有效提升了基模型的准确率，利用两种大比例尺数据训练集成模型，有效提升了集成模型的融合能力，即提升了岩土体分类模型的准确性，以得到更准确的分类结果，进而在进行岩土体分类时，可利用小比例尺岩性信息解决遥感岩性分类覆盖区岩性信息弱、岩性类间相似度高、类内差异性大的问题，提升岩土体分类的准确性。
可选地，所述将所述第一标注结果和所述第二标注结果进行归并，得到与所述第一标注结果比例尺相同的第三标注结果包括:
将所述第一地质图数据和所述第二地质图数据进行叠置分析，得到所述第一地质图数据和所述第二地质图数据的对应关系；
根据所述对应关系，将所述第一标注结果和所述第二标注结果进行归并，得到第三标注结果。
可选地，所述以所述第一影像数据、所述第一标注结果、所述第二影像数据和所述第二标注结果为数据集训练所述初始基模型，得到所述基模型包括：
将所述第一影像数据输入所述初始基模型，得到第一预测结果；
根据所述第一预测结果和所述第一标注结果，得到第一损失；
将所述第二影像数据输入所述初始基模型，得到第二预测结果；
根据所述第二预测结果和所述第二标注结果，得到第二损失。
可选地，所述以所述第一影像数据、所述第一标注结果、所述第二影像数据和所述第二标注结果为数据集训练所述初始基模型，得到所述基模型还包括：
根据所述对应关系，对所述第一预测结果和所述第二预测结果进行归并，得到第三预测结果，其中，所述第三预测结果的比例尺与所述第二预测结果的比例尺相同；
根据所述第三预测结果和所述第二标注结果，得到第三损失。
可选地，所述以所述第一影像数据、所述第一标注结果、所述第二影像数据和所述第二标注结果为数据集训练所述初始基模型，得到所述基模型还包括：
根据所述第一损失、所述第二损失和所述第三损失得到所述初始基模型的加权损失，根据所述加权损失更新所述初始基模型，得到所述基模型。
可选地，所述基模型输出的所述分类结果包括第一结果和第二结果，所述第一结果的比例尺大于所述第二结果，所述将所述基模型的分类结果进行归并，以归并后的所述分类结果、所述基模型输出的大比例尺的分类结果和所述第三标注结果为数据集训练所述初始集成模型，得到所述集成模型包括：
根据所述对应关系，将所述第一结果和所述第二结果进行归并，得到第四预测结果，其中，所述第四预测结果与所述第一结果的比例尺相同；
以所述第四预测结果、所述第一结果和所述第三标注结果为数据集，训练所述初始集成模型，得到所述集成模型。
可选地，所述根据所述第一地质图数据对所述遥感影像进行配准处理和标注处理，得到第一影像数据和第一标注结果，根据所述第二地质图数据对所述遥感影像进行配准处理和标注处理，得到第二影像数据和第二标注结果包括：
将所述第一地质图数据和所述第二地质图数据转化为目标格式的矢量数据，剔除转化后的所述第一地质图数据和所述第二地质图数据的非地质岩性要素，得到处理后的所述第一地质图数据的第一数据和处理后的所述第二地质图数据的第二数据；
根据所述遥感影像得到影像数据，对所述影像数据进行预处理，得到预设大小的所述影像数据；
根据所述第一数据和所述第二数据对所述预设大小的所述影像数据进行配准处理，得到所述第一影像数据，根据所述第二数据对所述预设大小的所述影像数据进行配准处理，得到所述第二影像数据。
可选地，所述根据所述第一地质图数据对所述遥感影像进行配准处理和标注处理，得到第一影像数据和第一标注结果，根据所述第二地质图数据对所述遥感影像进行配准处理和标注处理，得到第二影像数据和第二标注结果还包括：
根据预设岩性标准对所述第一影像数据进行命名，将所述第一影像数据中命名相同的数据进行合并，并更新所述第一影像数据，根据预设岩性标准对所述第二影像数据进行命名，将所述第二影像数据中命名相同的数据进行合并，并更新所述第二影像数据；
根据命名结果得到所述第一影像数据的所述第一标注结果和所述第二影像数据的所述第二标注结果。
第二方面，本发明还提供了一种岩土体分类方法，包括：
获取待测区的遥感影像，根据所述遥感影像得到第一遥感数据和第二遥感数据，其中，所述第一遥感数据的比例尺远大于所述第二遥感数据的比例尺；
将所述第一遥感数据和所述第二遥感数据输入根据所述的岩土体分类模型构建方法构建的岩土体分类模型中的基模型，得到第一分类结果和第二分类结果；
将所述第一分类结果和所述第二分类结果进行归并，得到与所述第一分类结果的比例尺相同的第三分类结果；
将所述第一分类结果、所述第三分类结果输入根据所述的岩土体分类模型构建方法构建的岩土体分类模型中的集成模型，得到最终分类结果。
本发明中，利用基模型对不同比例尺的遥感数据进行分类，并在后续将第一分类结果和第二分类结果进行归并，得到第三分类结果，有效解决大比例尺地质图数据的空白区导致的分类不准确、遥感岩性分类覆盖区岩性信息弱、岩性类间相似度高、类内差异性大的问题，提升岩土体分类的准确性，以得到更精准的分类数据；采用集成模型对第一分类结果和第三分类结果进行决策融合，解决了地质岩性多解性问题，以得到最终的、准确的岩土体分类结果。
可选地，所述岩土体分类方法还包括：
获取所述第二遥感数据的分类结果；
将所述第一分类结果和所述第二遥感数据的分类结果进行归并，得到与所述第一分类结果的比例尺相同的第四分类结果；
将所述第一分类结果、所述第三分类结果和所述第四分类结果输入所述集成模型，得到所述最终分类结果。
附图说明
图1为本发明实施例的岩土体分类模型构建方法的流程示意图；
图2为本发明实施例的不同比例尺的地质岩性数据对应关系表；
图3为本发明实施例的基模型训练流程示意图；
图4为本发明实施例的岩土体分类方法流程示意图。
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。
在本申请实施例的描述中，术语“一些实施例”的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
如图1所示，本发明实施例提供了一种岩土体分类模型构建方法，包括：
步骤S1、获取研究区的遥感影像、第一地质图数据和第二地质图数据。
步骤S2、根据所述第一地质图数据对所述遥感影像进行配准处理和标注处理，得到第一影像数据和第一标注结果，根据所述第二地质图数据对所述遥感影像进行配准处理和标注处理，得到第二影像数据和第二标注结果，其中，所述第一地质图数据的比例尺大于所述第二地质图数据的比例尺，所述第一影像数据和所述第一标注结果与所述第一地质图数据的比例尺相同，所述第二影像数据和所述第二标注结果与所述第二地质图数据的比例尺相同。
具体地，选定研究区，利用例如国产“高分七号（GF-7）”的光学立体测绘卫星得到研究区的遥感影像，调取研究区的1:5万比例尺的第一地质图数据和1:25万比例尺的第二地质图数据，其中，第二地质图数据不限于1:25万比例尺的地质图数据，小于1:5万比例尺的地质图数据即可。对第一地质图数据和第二地质图数据进行处理，例如对其中的岩土体进行标注等。根据第一地质图数据对遥感影像进行配准和标注，得到1:5万比例尺的第一影像数据和第一标注结果；根据第二地质图数据对遥感影像进行配准和标注，得到1:25万比例尺的第二影像数据和第二标注结果。
步骤S3、将所述第一标注结果和所述第二标注结果进行归并，得到与所述第一标注结果比例尺相同的第三标注结果。其中，第三标注结果为研究区的最终分类结果。
步骤S4、构建初始基模型和初始集成模型，以所述第一影像数据、所述第一标注结果、所述第二影像数据和所述第二标注结果为数据集训练所述初始基模型，得到所述基模型，所述基模型用于输出不同比例尺的分类结果，将所述基模型的分类结果进行归并，以归并后的所述分类结果、所述基模型输出的大比例尺的分类结果和所述第三标注结果为数据集训练所述初始集成模型，得到所述集成模型，所述集成模型用于输出最终分类结果。
步骤S5、根据所述基模型和所述集成模型构建岩土体分类模型。
具体地，初始基模型为神经网络分类模型，例如BP神经网络、Hopfield网络、ART网络和Kohonen网络等，有效提高基模型预测的准确度和效率。初始集成模型基于投票策略构建。以第一影像数据、第一批注结果、第二影像数据和第二批注结果训练初始基模型，得到输出为1:5万比例尺的分类结果和1:25万比例尺的分类结果的基模型，其中，基模型的输入为1:5万比例尺的第一影像数据和1:25万比例尺的第二影像数据；将两个比例尺的分类结果数据进行归并，得到1:5万比例尺的归并结果，并以归并结果和第三标注结果作为数据集，训练初始集成模型，得到集成模型，集成模型的输入为基模型输出的分类结果归并后的大比例尺的分类结果和基模型直接输出的大比例尺的分类结果，输出为岩土体的最终分类结果。根据基模型和集成模型构建岩土体分类模型，岩土体分类模型的输入为1:5万比例尺的第一影像数据和1:25万比例尺的第二影像数据，输出为与第三标注结果相同的最终分类结果。
本发明中，对遥感影像、大比例尺的第一地质图数据和小比例尺的第二地质图数据进行配准处理和标注处理，以构建准确的数据集；且引入小比例尺的第二地质图数据，能够补充大比例尺的第一地质图数据中的空白区，减少岩性弱信息，有效扩充了数据集。根据小比例尺的第二标注数据和大比例尺的第一标注数据得到第三标注数据，以得到大比例尺与小比例尺地质数据融合的分类结果，增加数据集的精确度。引入小比例尺的地质图数据训练基模型，有效提升了基模型的准确率，利用两种大比例尺数据训练集成模型，有效提升了集成模型的融合能力，即提升了岩土体分类模型的准确性，以得到更准确的分类结果，进而在进行岩土体分类时，可利用小比例尺岩性信息解决遥感岩性分类覆盖区岩性信息弱、岩性类间相似度高、类内差异性大的问题，提升岩土体分类的准确性。
可选地，所述将所述第一标注结果和所述第二标注结果进行归并，得到与所述第一标注结果比例尺相同的第三标注结果包括:
将所述第一地质图数据和所述第二地质图数据进行叠置分析，得到所述第一地质图数据和所述第二地质图数据的对应关系；
根据所述对应关系，将所述第一标注结果和所述第二标注结果进行归并，得到第三标注结果。
具体地，在例如Arcgis平台中将不同比例尺的第一地质图数据和第二地质图数据进行叠置分析，得到不同比例尺的地质图数据中地质岩性数据的对应关系，如图2所示，其中QDUECD表示1:25万比例尺地质岩性数据，GEOBODY_NA表示1:5万比例尺地质岩性数据。利用对应关系，将第一批注结果和第二批注结果进行归并，得到大比例尺的第三标注结果，以进行模型训练。
本实施例中，将第一地质图数据和第二地质图数据进行叠置分析，得到不同比例尺地质图数据的对应关系，以便对不同比例尺的分类结果进行归并，进而增加模型训练中数据处理的速度，提高模型训练效率。
如图3所示，可选地，所述以所述第一影像数据、所述第一标注结果、所述第二影像数据和所述第二标注结果为数据集训练所述初始基模型，得到所述基模型包括：
将所述第一影像数据输入所述初始基模型，得到第一预测结果；
根据所述第一预测结果和所述第一标注结果，得到第一损失；
将所述第二影像数据输入所述初始基模型，得到第二预测结果；
根据所述第二预测结果和所述第二标注结果，得到第二损失。
具体地，基模型的输入为两个比例尺的影像数据，输出为两个比例尺的预测结果，即根据第一影像数据得到大比例尺的第一预测结果，根据第二影像数据得到小比例尺的第二预测结果。相应的，在训练时也对两个预测结果分别计算损失，即根据第一标注结果和第一预测结果对初始基模型进行有监督训练，得到第一损失，根据第二标注结果和第二预测结果对初始基模型进行有监督训练，得到第二损失，进而对初始模型进行更新调整。
可选地，所述以所述第一影像数据、所述第一标注结果、所述第二影像数据和所述第二标注结果为数据集训练所述初始基模型，得到所述基模型还包括：
根据所述对应关系，对所述第一预测结果和所述第二预测结果进行归并，得到第三预测结果，其中，所述第三预测结果的比例尺与所述第二预测结果的比例尺相同；
根据所述第三预测结果和所述第二标注结果，得到第三损失。
具体地，基于不同比例尺的地质图数据的对应关系，将基模型输出的第一预测结果和第二预测结果进行归并，得到小比例尺的第三预测结果，其中，第三预测结果的比例尺与第二预测结果、第二标注结果的比例尺相同，则根据第二批注结果和第三预测结果对初始基模型进行无监督训练，得到第三损失，以对初始模型进行更新调整。采用大比例尺采用半监督训练分类模型，解决了机器学习数据需求量大的问题。
可选地，所述以所述第一影像数据、所述第一标注结果、所述第二影像数据和所述第二标注结果为数据集训练所述初始基模型，得到所述基模型还包括：
根据所述第一损失、所述第二损失和所述第三损失得到所述初始基模型的加权损失，根据所述加权损失更新所述初始基模型，得到所述基模型。
具体地，对无监督训练和有监督训练得到的第一损失、第二损失和第三损失进行集合，得到初始基模型的加权损失，以根据加权损失更新模型参数，得到训练好的基模型。
可选地，所述基模型输出的所述分类结果包括第一结果和第二结果，所述第一结果的比例尺大于所述第二结果，所述将所述基模型的分类结果进行归并，以归并后的所述分类结果、所述基模型输出的大比例尺的分类结果和所述第三标注结果为数据集训练所述初始集成模型，得到所述集成模型包括：
根据所述对应关系，将所述第一结果和所述第二结果进行归并，得到第四预测结果，其中，所述第四预测结果与所述第一结果的比例尺相同；
以所述第四预测结果、所述第一结果和所述第三标注结果为数据集，训练所述初始集成模型，得到所述集成模型。
具体地，基于训练好的基模型，得到两个比例尺的分类结果，即第一结果和第二结果。根据不同比例尺地质图数据的对应关系，将不同比例尺的第一结果和第二结果进行归并，得到与第一结果比例尺相同的大比例尺第四预测结果。将第四预测结果、第一结果和第三标注结果为数据集，训练初始集成模型，得到训练好的集成模型，有效提高了集成模型的准确度；其中，集成模型的输入为多个大比例尺的分类结果，输出为岩土体分类结果，训练好的集成模型用于输出岩土体的最终分类结果。
可选地，所述根据所述第一地质图数据对所述遥感影像进行配准处理和标注处理，得到第一影像数据和第一标注结果，根据所述第二地质图数据对所述遥感影像进行配准处理和标注处理，得到第二影像数据和第二标注结果包括：
将所述第一地质图数据和所述第二地质图数据转化为目标格式的矢量数据，剔除转化后的所述第一地质图数据和所述第二地质图数据的非地质岩性要素，得到处理后的所述第一地质图数据的第一数据和处理后的所述第二地质图数据的第二数据；
根据所述遥感影像得到影像数据，对所述影像数据进行预处理，得到预设大小的所述影像数据；
根据所述第一数据对所述预设大小的所述影像数据进行配准处理，得到所述第一影像数据，根据所述第二数据对所述预设大小的所述影像数据进行配准处理，得到所述第二影像数据。
具体地，将收集得到的第一地质图数据和第二地质图数据转化为例如shp格式的矢量数据，将其中的地质岩性要素和属性字段进行剔除，仅保留地质岩性数据，得到分别与第一地质图数据和第二地质图数据比例尺对应的第一数据和第二数据，以便后续对遥感影像数据进行处理。获取例如高分光学、SAR（Synthetic Aperture Radar合成孔径雷达）、DEM影像等，作为遥感影像，得到影像数据，并将影像数据进行分区处理，得到预设大小如全区2米、5米和10米的影像数据。分别将第一数据、第二数据与各预设大小的影像数据进行配准，得到各预设大小的第一影像数据和第二影像数据。利用不同比例尺的第一数据和第二数据对影像数据进行配准，以获得更准确地第一影像数据和第二影像数据，进而提升数据集精确度。
可选地，所述根据所述第一地质图数据对所述遥感影像进行配准处理和标注处理，得到第一影像数据和第一标注结果，根据所述第二地质图数据对所述遥感影像进行配准处理和标注处理，得到第二影像数据和第二标注结果还包括：
根据预设岩性标准对所述第一影像数据进行命名，分别将所述第一影像数据中命名相同的数据进行合并，并更新所述第一影像数据，根据预设岩性标准对所述第二影像数据进行命名，将所述第二影像数据中命名相同的数据进行合并，并更新所述第二影像数据；
根据命名结果得到所述第一影像数据的所述第一标注结果和所述第二影像数据的所述第二标注结果。
具体地，地质图数据中关于岩性相关的字段共包括两类，一类是地质岩性，在对影像数据进行标注时，可直接使用，另一类是实岩性地层（或实岩性地组），其由多个岩性组成，并不能直接作为影像数据的分类标签，则需要根据预设的岩性标准对实岩性地层中的各岩性进行重新命名。命名后，将同类型，即名称相同的岩性进行合并，如利用arcgis软件对shp文件属性表中的相同岩性（命名相同）进行图斑合并，以得到处理好的第一影像数据、第二影像数据、第一标注结果和第二标注结果。以提升模型训练数据集的精确度。
另外地，对于水域、城镇/交通用地和耕地等在地质图数据和遥感影像数据的处理上存在区别，如，对于水域部分，地质图数据中为水，但数据现势性不够，则需要遥感影像自动解译更新为水域；对于城镇/交通用地部分，地质图数据上显示有岩性，但是遥感数据无法解译，则直接将该部分定义为城镇/交通用地；对于耕地部分，遥感影像可自动解译更新，并定义为第四系。其中，第四系是一个地质学名词，属于年代地层单位，这里是将第四系的产物如第四系冲积物、第四系洪积物和第四系坡积物等合称为第四系。需要说明的是，对于水域、城镇/交通用地和耕地等分类，可根据需求将水域、城镇/交通用地和耕地等分类去除或作为输出类别。
如图4所示，本实施例还提供了一种岩土体分类方法，包括：
获取待测区的遥感影像，根据所述遥感影像得到第一遥感数据和第二遥感数据，其中，所述第一遥感数据的比例尺远大于所述第二遥感数据的比例尺；
将所述第一遥感数据和所述第二遥感数据输入根据所述的岩土体分类模型构建方法构建的岩土体分类模型中的基模型，得到第一分类结果和第二分类结果；
将所述第一分类结果和所述第二分类结果进行归并，得到与所述第一分类结果的比例尺相同的第三分类结果；
将所述第一分类结果、所述第三分类结果输入根据所述的岩土体分类模型构建方法构建的岩土体分类模型中的集成模型，得到最终分类结果。
具体地，获取待测区的遥感影像，将遥感影像解译得到大比例尺的第一遥感数据和小比例尺的第二遥感数据。将第一遥感数据和第二遥感数据输入岩土体分类模型中的基模型，得到大比例尺的第一分类结果和小比例尺的第二分类结果，根据不同比例尺中地质岩性数据的对应关系，将第一分类结果和第二分类结果进行归并，得到大比例尺的第三分类结果。利用集成模型对第一分类结果和第三分类结果进行决策融合，得到最终的分类结果。
本实施例中，利用基模型对不同比例尺的遥感数据进行分类，并在后续将第一分类结果和第二分类结果进行归并，得到第三分类结果，有效解决大比例尺地质图数据的空白区导致的分类不准确、遥感岩性分类覆盖区岩性信息弱、岩性类间相似度高、类内差异性大的问题，提升岩土体分类的准确性，以得到更精准的分类数据；采用集成模型对第一分类结果和第三分类结果进行决策融合，解决了地质岩性多解性问题，以得到最终的、准确的岩土体分类结果。
可选地，如图4所示，岩土体分类方法还包括：
获取所述第二遥感数据的分类结果；
将所述第一分类结果和所述第二遥感数据的分类结果进行归并，得到与所述第一分类结果的比例尺相同的第四分类结果；
将所述第一分类结果、所述第三分类结果和所述第四分类结果输入所述集成模型，得到所述最终分类结果。
具体地，如数据库中存在与第二遥感数据比例尺相同的岩性分类结果，则根据不同比例尺中地质岩性数据的对应关系，将分类结果和第一分类结果进行归并，得到与第一分类结果比例尺相同的第四分类结果。基于集成模型，对第四分类结果、第一分类结果和第三分类结果进行决策融合，得到最终分类结果。
本实施例中，通过引入小比例尺的第二遥感数据的分类结果，避免大比例尺地质图数据中的空白区影响最终分类结果，有效增加了岩土体分类结果的准确性。
虽然本发明披露如上，但本发明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)

1.一种岩土体分类模型构建方法，其特征在于，包括：
获取研究区的遥感影像、第一地质图数据和第二地质图数据；
根据所述第一地质图数据对所述遥感影像进行配准处理和标注处理，得到第一影像数据和第一标注结果，根据所述第二地质图数据对所述遥感影像进行配准处理和标注处理，得到第二影像数据和第二标注结果，其中，所述第一地质图数据的比例尺大于所述第二地质图数据的比例尺，所述第一影像数据和所述第一标注结果与所述第一地质图数据的比例尺相同，所述第二影像数据和所述第二标注结果与所述第二地质图数据的比例尺相同；
将所述第一标注结果和所述第二标注结果进行归并，得到与所述第一标注结果比例尺相同的第三标注结果；
构建初始基模型和初始集成模型，以所述第一影像数据、所述第一标注结果、所述第二影像数据和所述第二标注结果为数据集训练所述初始基模型，得到所述基模型，所述基模型用于输出不同比例尺的分类结果，将所述基模型的分类结果进行归并，以归并后的所述分类结果、所述基模型输出的大比例尺的分类结果和所述第三标注结果为数据集训练所述初始集成模型，得到所述集成模型，所述集成模型用于输出最终分类结果；
根据所述基模型和所述集成模型构建岩土体分类模型。
2.根据权利要求1所述的岩土体分类模型构建方法，其特征在于，所述将所述第一标注结果和所述第二标注结果进行归并，得到与所述第一标注结果比例尺相同的第三标注结果包括:
将所述第一地质图数据和所述第二地质图数据进行叠置分析，得到所述第一地质图数据和所述第二地质图数据的对应关系；
根据所述对应关系，将所述第一标注结果和所述第二标注结果进行归并，得到第三标注结果。
3.根据权利要求2所述的岩土体分类模型构建方法，其特征在于，所述以所述第一影像数据、所述第一标注结果、所述第二影像数据和所述第二标注结果为数据集训练所述初始基模型，得到所述基模型包括：
将所述第一影像数据输入所述初始基模型，得到第一预测结果；
根据所述第一预测结果和所述第一标注结果，得到第一损失；
将所述第二影像数据输入所述初始基模型，得到第二预测结果；
根据所述第二预测结果和所述第二标注结果，得到第二损失。
4.根据权利要求3所述的岩土体分类模型构建方法，其特征在于，所述以所述第一影像数据、所述第一标注结果、所述第二影像数据和所述第二标注结果为数据集训练所述初始基模型，得到所述基模型还包括：
根据所述对应关系，对所述第一预测结果和所述第二预测结果进行归并，得到第三预测结果，其中，所述第三预测结果的比例尺与所述第二预测结果的比例尺相同；
根据所述第三预测结果和所述第二标注结果，得到第三损失。
5.根据权利要求4所述的岩土体分类模型构建方法，其特征在于，所述以所述第一影像数据、所述第一标注结果、所述第二影像数据和所述第二标注结果为数据集训练所述初始基模型，得到所述基模型还包括：
根据所述第一损失、所述第二损失和所述第三损失得到加权损失，根据所述加权损失更新所述初始基模型，得到所述基模型。
6.根据权利要求4所述的岩土体分类模型构建方法，其特征在于，所述基模型输出的所述分类结果包括第一结果和第二结果，所述第一结果的比例尺大于所述第二结果，所述将所述基模型的分类结果进行归并，以归并后的所述分类结果、所述基模型输出的大比例尺的分类结果和所述第三标注结果为数据集训练所述初始集成模型，得到所述集成模型包括：
根据所述对应关系，将所述第一结果和所述第二结果进行归并，得到第四预测结果，其中，所述第四预测结果与所述第一结果的比例尺相同；
以所述第四预测结果、所述第一结果和所述第三标注结果为数据集，训练所述初始集成模型，得到所述集成模型。
7.根据权利要求1所述的岩土体分类模型构建方法，其特征在于，所述根据所述第一地质图数据对所述遥感影像进行配准处理和标注处理，得到第一影像数据和第一标注结果，根据所述第二地质图数据对所述遥感影像进行配准处理和标注处理，得到第二影像数据和第二标注结果包括：
将所述第一地质图数据和所述第二地质图数据转化为目标格式的矢量数据，剔除转化后的所述第一地质图数据和所述第二地质图数据的非地质岩性要素，得到处理后的所述第一地质图数据的第一数据和处理后的所述第二地质图数据的第二数据；
根据所述遥感影像得到影像数据，对所述影像数据进行预处理，得到预设大小的所述影像数据；
根据所述第一数据对所述预设大小的所述影像数据进行配准处理，得到所述第一影像数据，根据所述第二数据对所述预设大小的所述影像数据进行配准处理，得到所述第二影像数据。
8.根据权利要求7所述的岩土体分类模型构建方法，其特征在于，所述根据所述第一地质图数据对所述遥感影像进行配准处理和标注处理，得到第一影像数据和第一标注结果，根据所述第二地质图数据对所述遥感影像进行配准处理和标注处理，得到第二影像数据和第二标注结果还包括：
根据预设岩性标准对所述第一影像数据进行命名，将所述第一影像数据中命名相同的数据进行合并，并更新所述第一影像数据，根据预设岩性标准对所述第二影像数据进行命名，将所述第二影像数据中命名相同的数据进行合并，并更新所述第二影像数据；
根据命名结果得到所述第一影像数据的所述第一标注结果和所述第二影像数据的所述第二标注结果。
9.一种岩土体分类方法，其特征在于，包括：
获取待测区的遥感影像，根据所述遥感影像得到第一遥感数据和第二遥感数据，其中，所述第一遥感数据的比例尺远大于所述第二遥感数据的比例尺；
将所述第一遥感数据和所述第二遥感数据输入根据如权利要求1至8任一项所述的岩土体分类模型构建方法构建的岩土体分类模型中的基模型，得到第一分类结果和第二分类结果；
将所述第一分类结果和所述第二分类结果进行归并，得到与所述第一分类结果的比例尺相同的第三分类结果；
将所述第一分类结果、所述第三分类结果输入根据如权利要求1至8任一项所述的岩土体分类模型构建方法构建的岩土体分类模型中的集成模型，得到最终分类结果。
10.根据权利要求9所述的岩土体分类方法，其特征在于，所述岩土体分类方法还包括：
获取所述第二遥感数据的分类结果；
将所述第一分类结果和所述第二遥感数据的分类结果进行归并，得到与所述第一分类结果的比例尺相同的第四分类结果；
将所述第一分类结果、所述第三分类结果和所述第四分类结果输入所述集成模型，得到所述最终分类结果。
CN202310814753.5A 2023-07-05 2023-07-05 一种岩土体分类模型构建方法及岩土体分类方法 Active CN116563672B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310814753.5A CN116563672B (zh) 2023-07-05 2023-07-05 一种岩土体分类模型构建方法及岩土体分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310814753.5A CN116563672B (zh) 2023-07-05 2023-07-05 一种岩土体分类模型构建方法及岩土体分类方法

Publications (2)

Publication Number Publication Date
CN116563672A CN116563672A (zh) 2023-08-08
CN116563672B true CN116563672B (zh) 2023-09-19

Family

ID=87503851

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310814753.5A Active CN116563672B (zh) 2023-07-05 2023-07-05 一种岩土体分类模型构建方法及岩土体分类方法

Country Status (1)

Country Link
CN (1) CN116563672B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117710758B (zh) * 2024-02-05 2024-05-10 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)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512651A (zh) * 2016-01-27 2016-04-20 核工业航测遥感中心 一种基于能谱角的岩性分类方法
CN105787289A (zh) * 2016-05-26 2016-07-20 广西师范学院 一种河流特征数据分类系统及其分类方法
CN106067030A (zh) * 2016-05-26 2016-11-02 广西师范学院 一种河流特征分类数据的处理方法
CN106226779A (zh) * 2016-07-11 2016-12-14 铁道第三勘察设计院集团有限公司 基于遥感技术的易发滑坡预测方法
CN114493929A (zh) * 2022-01-18 2022-05-13 中国铁路设计集团有限公司 一种基于空间分析技术的隧道富水区划分方法
CN114662626A (zh) * 2022-05-26 2022-06-24 湖北省国土测绘院 多源遥感数据多特征融合的岩性自动分类方法及系统
CN116051895A (zh) * 2023-01-09 2023-05-02 中国地质大学（武汉） 一种地质环境遥感解译方法、装置及相关组件
CN116168295A (zh) * 2023-02-24 2023-05-26 中国地质大学（武汉） 一种岩性遥感智能解译模型建立方法及解译方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111507321B (zh) * 2020-07-01 2020-09-25 中国地质大学（武汉） 多输出土地覆盖分类模型的训练方法、分类方法及装置
EP4080404A1 (en) * 2021-04-23 2022-10-26 VISTA Geowissenschaftliche Fernerkundung GmbH Hyperspectral based training method for artificial intelligence based remote sensing data analyses

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512651A (zh) * 2016-01-27 2016-04-20 核工业航测遥感中心 一种基于能谱角的岩性分类方法
CN105787289A (zh) * 2016-05-26 2016-07-20 广西师范学院 一种河流特征数据分类系统及其分类方法
CN106067030A (zh) * 2016-05-26 2016-11-02 广西师范学院 一种河流特征分类数据的处理方法
CN106226779A (zh) * 2016-07-11 2016-12-14 铁道第三勘察设计院集团有限公司 基于遥感技术的易发滑坡预测方法
CN114493929A (zh) * 2022-01-18 2022-05-13 中国铁路设计集团有限公司 一种基于空间分析技术的隧道富水区划分方法
CN114662626A (zh) * 2022-05-26 2022-06-24 湖北省国土测绘院 多源遥感数据多特征融合的岩性自动分类方法及系统
CN116051895A (zh) * 2023-01-09 2023-05-02 中国地质大学（武汉） 一种地质环境遥感解译方法、装置及相关组件
CN116168295A (zh) * 2023-02-24 2023-05-26 中国地质大学（武汉） 一种岩性遥感智能解译模型建立方法及解译方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
TOWARDS 4D VIRTUAL OUTCROPS WITH HYPERSPECTRAL IMAGING;Gloaguen, Richard 等;《IGARSS 2020 - 2020 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》;全文 *
三峡库区岩性智能分类研究;王贤敏;牛瑞卿;吴婷;;岩土力学(第09期);全文 *
基于深度语义分割方法的无人机图像岩性分类研究;王俊华;《中国优秀硕士学位论文全文数据库 (基础科学辑)》(第6期);全文 *

Also Published As

Publication number Publication date
CN116563672A (zh) 2023-08-08

Similar Documents

Publication Publication Date Title
Ullo et al. A new mask R-CNN-based method for improved landslide detection
CN108038445B (zh) 一种基于多视角深度学习框架的sar自动目标识别方法
Inglada et al. Operational high resolution land cover map production at the country scale using satellite image time series
CN113128134B (zh) 一种矿区生态环境演变驱动因子权重量化分析方法
CN112949407B (zh) 一种基于深度学习和点集优化的遥感影像建筑物矢量化方法
CN116563672B (zh) 一种岩土体分类模型构建方法及岩土体分类方法
Xia et al. Deep extraction of cropland parcels from very high-resolution remotely sensed imagery
Wang et al. Automatic identification and dynamic monitoring of open-pit mines based on improved mask R-CNN and transfer learning
CN114399686A (zh) 一种基于弱监督学习的遥感图像地物识别与分类方法和装置
CN109740471B (zh) 基于联合潜在语义嵌入的遥感图像描述方法
Cira et al. A framework based on nesting of convolutional neural networks to classify secondary roads in high resolution aerial orthoimages
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
CN114820655A (zh) 可靠区域作为注意力机制监督的弱监督建筑物分割方法
Hu et al. WSGAN: an improved generative adversarial network for remote sensing image road network extraction by weakly supervised processing
Zhang Practice Teaching of Landscape Survey Course Based on eCognition Remote Sensing Image Interpretation* Technology.
CN113361528A (zh) 一种多尺度目标检测方法及系统
Li et al. Cost-efficient information extraction from massive remote sensing data: When weakly supervised deep learning meets remote sensing big data
CN114283326A (zh) 一种结合局部感知和高阶特征重构的水下目标重识别方法
CN112381730B (zh) 一种遥感影像数据扩增方法
CN113408663A (zh) 融合模型构建方法、融合模型使用方法、装置和电子设备
CN106997473A (zh) 一种基于神经网络的图像识别方法
Zhou et al. UGRoadUpd: An Unchanged-Guided Historical Road Database Updating Framework Based on Bi-Temporal Remote Sensing Images
Khan et al. Crop Type Classification using Multi-temporal Sentinel-2 Satellite Imagery: A Deep Semantic Segmentation Approach
Huang et al. A Simple Framework of Few-Shot Learning Using Sparse Annotations for Semantic Segmentation of 3D Point Clouds
Tahir et al. Rapid detection of aircrafts in satellite imagery based on deep neural networks

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