CN117671508B - 基于sar图像的高陡边坡滑坡检测方法及系统 - Google Patents
基于sar图像的高陡边坡滑坡检测方法及系统 Download PDFInfo
- Publication number
- CN117671508B CN117671508B CN202410140565.3A CN202410140565A CN117671508B CN 117671508 B CN117671508 B CN 117671508B CN 202410140565 A CN202410140565 A CN 202410140565A CN 117671508 B CN117671508 B CN 117671508B
- Authority
- CN
- China
- Prior art keywords
- landslide
- steep slope
- sar
- sample image
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 190
- 239000013598 vector Substances 0.000 claims abstract description 96
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims description 65
- 238000002372 labelling Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 15
- 238000003709 image segmentation Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000004382 visual function Effects 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000005923 long-lasting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本申请提供一种基于SAR图像的高陡边坡滑坡检测方法及系统,通过具有滑坡标注数据的第一高陡边坡SAR样本图像对基础神经网络进行过度适应知识学习,生成了基础高陡边坡滑坡检测模型,利用基础高陡边坡滑坡检测模型依据权重关注选择策略提取第二高陡边坡SAR样本图像中的各个滑坡特征标签分别对应的滑坡权重矢量,构建了滑坡权重矢量特征库,依据所述概率值和所述滑坡权重矢量特征库,可以有效地确定第二高陡边坡SAR样本图像的滑坡标注数据,从而生成具有有滑坡标注数据的第二高陡边坡SAR样本图像,依据具有有滑坡标注数据的第二高陡边坡SAR样本图像进行参数学习生成目标高陡边坡滑坡检测模型,有效地提高了滑坡检测的精度和速度。
Description
技术领域
本申请涉及人工智能技术领域,具体而言,涉及一种基于SAR图像的高陡边坡滑坡检测方法及系统。
背景技术
滑坡作为一种常见的地质灾害,经常发生在高陡边坡地区,对人类生活和财产安全构成严重威胁。因此,对高陡边坡滑坡进行准确、快速的检测具有重要的现实意义。随着遥感技术的发展,合成孔径雷达(SAR)图像已成为滑坡检测的重要手段之一。然而,传统的滑坡检测方法主要依赖人工巡查或者物理仪器监测,这些方法往往耗时长、效率低且可能受到环境条件的影响。
近年来,深度学习技术在图像识别、目标检测等领域取得了显著进展,为滑坡检测提供了新的解决思路。通过构建深度神经网络模型,可以自动提取图像中的特征并进行分类或回归预测,大大提高了滑坡检测的准确性和效率。然而,现有的深度学习模型在应用于滑坡检测时,往往存在模型泛化能力差等问题,导致在实际应用中性能不佳。
发明内容
有鉴于此,本申请的目的在于提供一种基于SAR图像的高陡边坡滑坡检测方法及系统。
依据本申请的第一方面,提供一种基于SAR图像的高陡边坡滑坡检测方法,所述方法包括:
依据具有滑坡标注数据的第一高陡边坡SAR样本图像对基础神经网络进行过度适应知识学习,生成基础高陡边坡滑坡检测模型,所述基础神经网络依据权重关注选择策略采集滑坡标注数据表征的滑坡特征标签的滑坡权重矢量;
依据所述基础高陡边坡滑坡检测模型依据权重关注选择策略提取第二高陡边坡SAR样本图像中的各个滑坡特征标签分别对应的滑坡权重矢量,生成包含各所述滑坡权重矢量的各个滑坡特征标签分别对应的滑坡权重矢量特征库,并确定各个滑坡特征标签分别对应的概率值,所述第二高陡边坡SAR样本图像不具有滑坡标注数据;
依据所述概率值和所述滑坡权重矢量特征库,确定所述第二高陡边坡SAR样本图像的滑坡标注数据,生成具有有滑坡标注数据的第二高陡边坡SAR样本图像;
依据具有有滑坡标注数据的第二高陡边坡SAR样本图像,对所述基础高陡边坡滑坡检测模型进行参数学习,生成目标高陡边坡滑坡检测模型。
在第一方面的一种可能的实施方式中,所述依据所述基础高陡边坡滑坡检测模型依据权重关注选择策略提取第二高陡边坡SAR样本图像中的各个滑坡特征标签分别对应的滑坡权重矢量,生成包含各所述滑坡权重矢量的各个滑坡特征标签分别对应的滑坡权重矢量特征库包括:
依据所述基础高陡边坡滑坡检测模型的显著性关注单元的显著性关注单元标签生成显著性关注单元表达函数,并依据所述显著性关注单元表达函数、热力值转换函数和热力图视觉函数,对所述基础高陡边坡滑坡检测模型的显著性关注单元进行热力图处理;
将所述第二高陡边坡SAR样本图像加载至所述基础高陡边坡滑坡检测模型,依据热力图处理后的显著性关注单元,识别所述第二高陡边坡SAR样本图像中各个图像分割单元在各个滑坡特征标签的滑坡影响程度参数;
依据所述各个图像分割单元在各个滑坡特征标签的滑坡影响程度参数,从所述第二高陡边坡SAR样本图像中提取滑坡影响程度参数大于设定影响程度参数的滑坡权重矢量,生成包含各所述滑坡权重矢量的各个滑坡特征标签分别对应的滑坡权重矢量特征库。
在第一方面的一种可能的实施方式中,所述依据所述概率值和所述滑坡权重矢量特征库,确定所述第二高陡边坡SAR样本图像的滑坡标注数据,生成具有有滑坡标注数据的第二高陡边坡SAR样本图像包括:
对所述第二高陡边坡SAR样本图像进行图像块分割和匹配,生成所述第二高陡边坡SAR样本图像与所述各个滑坡特征标签分别对应的滑坡权重矢量特征库的关联图像块;
依据所述各个滑坡特征标签分别对应的概率值和所述各个滑坡特征标签分别对应的关联图像块,确定所述第二高陡边坡SAR样本图像的滑坡标注数据;
依据所述滑坡标注数据对所述第二高陡边坡SAR样本图像进行滑坡特征标注,生成具有滑坡标注数据的第二高陡边坡SAR样本图像。
在第一方面的一种可能的实施方式中,所述对所述第二高陡边坡SAR样本图像进行图像块分割和匹配,生成所述第二高陡边坡SAR样本图像与所述各个滑坡特征标签分别对应的滑坡权重矢量特征库的关联图像块包括:
对所述第二高陡边坡SAR样本图像进行图像块分割,生成多个目标图像块;
当在所述滑坡权重矢量特征库中匹配到任意一个所述目标图像块时,将匹配到的所述目标图像块作为关联图像块,生成所述第二高陡边坡SAR样本图像与所述各个滑坡特征标签分别对应的滑坡权重矢量特征库的关联图像块。
在第一方面的一种可能的实施方式中,所述依据所述各个滑坡特征标签分别对应的概率值和所述各个滑坡特征标签分别对应的关联图像块,确定所述第二高陡边坡SAR样本图像的滑坡标注数据包括:
确定所述各个滑坡特征标签分别对应的概率值中的筛选概率值,其中,所述筛选概率值为针对概率值进行降序排序位于前N的概率值,N大于等于1;
在所述筛选概率值不小于设定概率值时,确定所述筛选概率值对应滑坡特征标签的关联图像块统计量;
在所述关联图像块统计量不小于第一设定统计量时,确定所述第二高陡边坡SAR样本图像的滑坡标注数据为所述筛选概率值对应的滑坡特征标签。
在第一方面的一种可能的实施方式中,所述依据所述各个滑坡特征标签分别对应的概率值和所述各个滑坡特征标签分别对应的关联图像块,确定所述第二高陡边坡SAR样本图像的滑坡标注数据包括:
确定所述各个滑坡特征标签分别对应的概率值中的筛选概率值;
在所述筛选概率值小于设定概率值时,依据所述各个滑坡特征标签分别对应的关联图像块确定关联图像块统计量最多的滑坡特征标签;
在所述关联图像块统计量不小于第二设定统计量时,确定所述第二高陡边坡SAR样本图像的滑坡标注数据为所述关联图像块统计量最多的滑坡特征标签。
在第一方面的一种可能的实施方式中,所述基础高陡边坡滑坡检测模型为多个,所述依据所述各个滑坡特征标签分别对应的概率值和所述各个滑坡特征标签分别对应的关联图像块,确定所述第二高陡边坡SAR样本图像的滑坡标注数据包括:
确定各个基础高陡边坡滑坡检测模型对所述第二高陡边坡SAR样本图像进行滑坡检测后分别生成的筛选概率值;
在所述筛选概率值对应的滑坡特征标签匹配、且所述筛选概率值不小于设定概率值时,确定所述筛选概率值对应滑坡特征标签的关联图像块统计量;
在所述关联图像块统计量不小于第一设定统计量时,确定所述第二高陡边坡SAR样本图像的滑坡标注数据为所述筛选概率值对应的滑坡特征标签。
在第一方面的一种可能的实施方式中,所述基础高陡边坡滑坡检测模型为多个,所述依据所述各个滑坡特征标签分别对应的概率值和所述各个滑坡特征标签分别对应的关联图像块,确定所述第二高陡边坡SAR样本图像的滑坡标注数据包括:
确定各个基础高陡边坡滑坡检测模型对所述第二高陡边坡SAR样本图像进行滑坡检测生成的筛选概率值;
在所述筛选概率值对应的滑坡特征标签不匹配、或所述筛选概率值小于设定概率值时,确定各个基础高陡边坡滑坡检测模型中关联图像块统计量最多的目标滑坡特征标签;
当不同基础高陡边坡滑坡检测模型对应的目标滑坡特征标签匹配时,确定所述不同基础高陡边坡滑坡检测模型的共享关联图像块统计量;
所述共享关联图像块统计量不小于第二设定统计量时,确定所述第二高陡边坡SAR样本图像的滑坡标注数据为所述目标滑坡特征标签。
在第一方面的一种可能的实施方式中,所述方法还包括:
获取候选高陡边坡SAR样本图像,并依据所述目标高陡边坡滑坡检测模型对所述候选高陡边坡SAR样本图像进行滑坡检测,生成滑坡检测数据。
依据本申请的第二方面,提供一种基于SAR图像的高陡边坡滑坡检测系统,所述基于SAR图像的高陡边坡滑坡检测系统包括机器可读存储介质及处理器,所述机器可读存储介质存储有机器可执行指令,所述处理器在执行所述机器可执行指令时,该基于SAR图像的高陡边坡滑坡检测系统实现前述的基于SAR图像的高陡边坡滑坡检测方法。
依据本申请的第三方面,提供提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可执行指令,在所述计算机可执行指令被执行时,实现前述的基于SAR图像的高陡边坡滑坡检测方法。
依据上述任意一个方面,本申请的技术效果在于:
首先,通过具有滑坡标注数据的第一高陡边坡SAR样本图像对基础神经网络进行过度适应知识学习,生成了基础高陡边坡滑坡检测模型,从而有效地提取了高陡边坡SAR样本图像中的滑坡特征,使得后续的检测和预测更为准确。其次,利用基础高陡边坡滑坡检测模型依据权重关注选择策略提取第二高陡边坡SAR样本图像中的各个滑坡特征标签分别对应的滑坡权重矢量,构建了滑坡权重矢量特征库,这大大提高了检测滑坡的精度和速度。再次,依据所述概率值和所述滑坡权重矢量特征库,可以有效地确定第二高陡边坡SAR样本图像的滑坡标注数据,从而生成具有有滑坡标注数据的第二高陡边坡SAR样本图像,这大大提高了滑坡检测的自动化程度。最后,依据具有有滑坡标注数据的第二高陡边坡SAR样本图像,对所述基础高陡边坡滑坡检测模型进行参数学习,生成了目标高陡边坡滑坡检测模型。这种方式使得滑坡检测模型的泛化能力更强,对未知的高陡边坡SAR样本图像也能进行准确的滑坡检测。由此,本申请实施例有效地提高了滑坡检测的精度和速度,同时提高了滑坡检测的自动化程度和泛化能力。
也就是说,本申请首先利用具有滑坡标注数据的第一高陡边坡SAR样本图像对基础神经网络进行过度适应知识学习,生成基础高陡边坡滑坡检测模型,该基础神经网络依据权重关注选择策略采集滑坡标注数据表征的滑坡特征标签的滑坡权重矢量,从而能够聚焦于滑坡区域的关键特征。
接下来,利用所述基础高陡边坡滑坡检测模型依据权重关注选择策略提取第二高陡边坡SAR样本图像中的各个滑坡特征标签分别对应的滑坡权重矢量,生成包含各所述滑坡权重矢量的各个滑坡特征标签分别对应的滑坡权重矢量特征库,并确定各个滑坡特征标签分别对应的概率值。所述第二高陡边坡SAR样本图像不具有滑坡标注数据,因此需要通过高陡边坡滑坡检测模型进行预测和标注。最后,依据所述概率值和所述滑坡权重矢量特征库,确定所述第二高陡边坡SAR样本图像的滑坡标注数据,生成具有有滑坡标注数据的第二高陡边坡SAR样本图像。这样,可以利用无标注的SAR样本图像扩充训练数据集,提高高陡边坡滑坡检测模型的泛化能力。同时,依据具有有滑坡标注数据的第二高陡边坡SAR样本图像,对所述基础高陡边坡滑坡检测模型进行参数学习,生成目标高陡边坡滑坡检测模型。通过不断迭代优化,使得模型在实际应用中具有更好的性能。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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,还可以依据这些附图获得其它相关的附图。
图1本申请实施例所提供的基于SAR图像的高陡边坡滑坡检测方法的流程示意图;
图2示出了本申请实施例所提供的用于实现上述的基于SAR图像的高陡边坡滑坡检测方法的基于SAR图像的高陡边坡滑坡检测系统的组件结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将依据本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了依据本申请实施例的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加至少一个其它操作,也可以从流程图中销毁至少一个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。依据本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例,都对应于本申请保护的范围。
图1示出了本申请实施例提供的基于SAR图像的高陡边坡滑坡检测方法及系统的流程示意图,应当理解,在其它实施例中,本实施例的基于SAR图像的高陡边坡滑坡检测方法其中部分步骤的顺序可以依据实际需要相互共享,或者其中的部分步骤也可以省略或维持。该基于SAR图像的高陡边坡滑坡检测方法的详细步骤包括:
步骤S110,依据具有滑坡标注数据的第一高陡边坡SAR样本图像对基础神经网络进行过度适应知识学习,生成基础高陡边坡滑坡检测模型,所述基础神经网络依据权重关注选择策略采集滑坡标注数据表征的滑坡特征标签的滑坡权重矢量。
例如,在接收到一个包含滑坡标注数据的第一高陡边坡SAR样本图像。然后,可以将这个第一高陡边坡SAR样本图像输入到一个基础神经网络中。这个基础神经网络会通过权重关注选择策略来采集滑坡标注数据中表征滑坡特征标签的滑坡权重矢量。这些滑坡特征标签可能包括滑坡的位置、形状、大小等。通过这个过程,基础神经网络可以学习到如何从SAR样本图像中识别出滑坡特征。最后,生成一个基础高陡边坡滑坡检测模型,这个基础高陡边坡滑坡检测模型可以用于后续的滑坡检测。
其中,过度适应知识学习可以理解为对基础神经网络进行一种特殊的训练,让它能够更好地适应于检测高陡边坡滑坡的任务。例如,假设有一组第一高陡边坡SAR样本图像,这些图像都已经被标注了滑坡的位置和类别。可以将这些标注数据作为监督信号,用来训练一个基础神经网络。在训练过程中,可以调整神经网络的参数,使其能够更好地识别和分类滑坡特征。当使用这种过度适应知识学习的方式训练基础神经网络时,网络会对滑坡的特征和位置进行更加精确的学习和记忆,从而生成一个更加适应于高陡边坡滑坡检测的基础高陡边坡滑坡检测模型。
在实际应用中,这种过度适应知识学习方法可以提高模型的检测准确性和可靠性,从而更好地为高陡边坡滑坡风险评估和预警提供支持。
示例性的,所述高陡边坡是指坡度较大、地形较为陡峭的斜坡。在地质学中,边坡的坡度通常用角度来表示,例如45度、60度等。高陡边坡由于坡度大,土壤和岩石的稳定性较差,容易发生滑坡、崩塌等自然灾害。
SAR(Synthetic Aperture Radar)样本图像是一种遥感图像,通过合成孔径雷达技术来获取地球表面的高分辨率图像。SAR图像可以穿透云层和雾气,对地形、地貌有良好的分辨能力,因此在地球观测、地质调查、地质灾害监测等领域得到了广泛应用。
所述滑坡标注数据是指对滑坡现象进行标记和描述的数据。在机器学习任务中,标注数据通常用于训练模型,使其能够识别和分类不同的对象或特征。在滑坡检测任务中,滑坡标注数据通常包括滑坡的位置、形状、大小等信息。
所述基础神经网络是指用于进行机器学习任务的一种神经网络模型。在滑坡检测任务中,基础神经网络可以被用来学习SAR样本图像中的滑坡特征,并生成滑坡检测模型。常见的神经网络模型包括卷积神经网络(CNN)、循环神经网络(RNN)等。
所述权重关注选择策略是指在进行机器学习任务时,如何选择和关注输入数据中对于模型预测结果影响最大的特征或变量。在滑坡检测任务中,权重关注选择策略可以帮助基础神经网络关注和学习到SAR样本图像中对于滑坡检测最重要的特征,从而提高模型的检测准确率。
所述滑坡特征标签是指用于描述滑坡现象的不同特征或属性。在滑坡检测任务中,滑坡特征标签可能包括滑坡的位置、形状、大小、角度、速度等信息。通过学习和关注这些特征标签,基础神经网络可以更好地理解和识别滑坡现象。
步骤S120,依据所述基础高陡边坡滑坡检测模型依据权重关注选择策略提取第二高陡边坡SAR样本图像中的各个滑坡特征标签分别对应的滑坡权重矢量,生成包含各所述滑坡权重矢量的各个滑坡特征标签分别对应的滑坡权重矢量特征库,并确定各个滑坡特征标签分别对应的概率值,所述第二高陡边坡SAR样本图像不具有滑坡标注数据。
示例性的,所述滑坡权重矢量是指用于表示滑坡特征在模型中重要程度的一种向量。在滑坡检测任务中,基础高陡边坡滑坡检测模型可以通过权重关注选择策略来学习到不同的滑坡特征标签对应的滑坡权重矢量。这些滑坡权重矢量可以用于后续的滑坡检测和识别任务。
所述滑坡权重矢量特征库是指用于存储和管理不同滑坡特征标签对应的滑坡权重矢量的数据库。在滑坡检测任务中,基础高陡边坡滑坡检测模型可以生成包含各所述滑坡权重矢量的各个滑坡特征标签分别对应的滑坡权重矢量特征库。这个特征库可以用于后续的滑坡检测和识别任务,帮助模型更好地关注和应用滑坡特征。
在滑坡检测任务中,基础高陡边坡滑坡检测模型可以确定各个滑坡特征标签分别对应的概率值。这些概率值可以用于后续的滑坡检测和识别任务,帮助基础高陡边坡滑坡检测模型评估和预测滑坡现象的可能性。
所述第二高陡边坡SAR样本图像是指用于进行滑坡检测的另一种SAR样本图像。与第一高陡边坡SAR样本图像不同,第二高陡边坡SAR样本图像没有滑坡标注数据,因此需要使用基础高陡边坡滑坡检测模型来进行滑坡特征的提取和识别。
由此,在接收到一个没有滑坡标注数据的第二高陡边坡SAR样本图像后,可以将这个第二高陡边坡SAR样本图像输入到之前生成的基础高陡边坡滑坡检测模型中。通过权重关注选择策略,可以提取出第二高陡边坡SAR样本图像中的各个滑坡特征标签分别对应的滑坡权重矢量。这些滑坡权重矢量可以用于表征第二高陡边坡SAR样本图像中的滑坡特征。接着,可以将这些滑坡权重矢量生成一个特征库,并确定各个滑坡特征标签分别对应的概率值。这些概率值可以用于后续的滑坡检测。
步骤S130,依据所述概率值和所述滑坡权重矢量特征库,确定所述第二高陡边坡SAR样本图像的滑坡标注数据,生成具有有滑坡标注数据的第二高陡边坡SAR样本图像。
例如,可以根据前述生成的概率值和滑坡权重矢量特征库,来确定第二高陡边坡SAR样本图像中的滑坡标注数据。具体来说,可以根据概率值的大小来推断出图像中可能存在的滑坡位置和特征。最后,生成一个具有滑坡标注数据的第二高陡边坡SAR样本图像。
步骤S140,依据具有有滑坡标注数据的第二高陡边坡SAR样本图像,对所述基础高陡边坡滑坡检测模型进行参数学习,生成目标高陡边坡滑坡检测模型。
例如,可以将具有滑坡标注数据的第二高陡边坡SAR样本图像输入到基础高陡边坡滑坡检测模型中,对基础高陡边坡滑坡检测模型的参数进行学习。通过这个过程,基础高陡边坡滑坡检测模型可以更好地适应新的高陡边坡SAR样本图像,从而提高滑坡检测的准确率。最后,可以生成一个目标高陡边坡滑坡检测模型,用于后续的滑坡检测。
基于以上步骤,首先,通过具有滑坡标注数据的第一高陡边坡SAR样本图像对基础神经网络进行过度适应知识学习,生成了基础高陡边坡滑坡检测模型,从而有效地提取了高陡边坡SAR样本图像中的滑坡特征,使得后续的检测和预测更为准确。其次,利用基础高陡边坡滑坡检测模型依据权重关注选择策略提取第二高陡边坡SAR样本图像中的各个滑坡特征标签分别对应的滑坡权重矢量,构建了滑坡权重矢量特征库,这大大提高了检测滑坡的精度和速度。再次,依据所述概率值和所述滑坡权重矢量特征库,可以有效地确定第二高陡边坡SAR样本图像的滑坡标注数据,从而生成具有有滑坡标注数据的第二高陡边坡SAR样本图像,这大大提高了滑坡检测的自动化程度。最后,依据具有有滑坡标注数据的第二高陡边坡SAR样本图像,对所述基础高陡边坡滑坡检测模型进行参数学习,生成了目标高陡边坡滑坡检测模型。这种方式使得滑坡检测模型的泛化能力更强,对未知的高陡边坡SAR样本图像也能进行准确的滑坡检测。由此,本申请实施例有效地提高了滑坡检测的精度和速度,同时提高了滑坡检测的自动化程度和泛化能力。
也就是说,本申请首先利用具有滑坡标注数据的第一高陡边坡SAR样本图像对基础神经网络进行过度适应知识学习,生成基础高陡边坡滑坡检测模型,该基础神经网络依据权重关注选择策略采集滑坡标注数据表征的滑坡特征标签的滑坡权重矢量,从而能够聚焦于滑坡区域的关键特征。
接下来,利用所述基础高陡边坡滑坡检测模型依据权重关注选择策略提取第二高陡边坡SAR样本图像中的各个滑坡特征标签分别对应的滑坡权重矢量,生成包含各所述滑坡权重矢量的各个滑坡特征标签分别对应的滑坡权重矢量特征库,并确定各个滑坡特征标签分别对应的概率值。所述第二高陡边坡SAR样本图像不具有滑坡标注数据,因此需要通过高陡边坡滑坡检测模型进行预测和标注。最后,依据所述概率值和所述滑坡权重矢量特征库,确定所述第二高陡边坡SAR样本图像的滑坡标注数据,生成具有有滑坡标注数据的第二高陡边坡SAR样本图像。这样,可以利用无标注的SAR样本图像扩充训练数据集,提高高陡边坡滑坡检测模型的泛化能力。同时,依据具有有滑坡标注数据的第二高陡边坡SAR样本图像,对所述基础高陡边坡滑坡检测模型进行参数学习,生成目标高陡边坡滑坡检测模型。通过不断迭代优化,使得模型在实际应用中具有更好的性能。
在一种可能的实施方式中,步骤S120可以包括:
步骤S121,依据所述基础高陡边坡滑坡检测模型的显著性关注单元的显著性关注单元标签生成显著性关注单元表达函数,并依据所述显著性关注单元表达函数、热力值转换函数和热力图视觉函数,对所述基础高陡边坡滑坡检测模型的显著性关注单元进行热力图处理。
例如,依据所述基础高陡边坡滑坡检测模型的显著性关注单元的显著性关注单元标签生成显著性关注单元表达函数。这个显著性关注单元表达函数可以将显著性关注单元的标签映射到一个数值,用于表示该显著性关注单元的显著性程度。
然后,使用显著性关注单元表达函数计算每个显著性关注单元的显著性程度,并使用热力值转换函数将每个显著性关注单元的显著性程度映射到一个热力值,最后使用热力图视觉函数将每个显著性关注单元的热力值可视化为热力图。
由此,可以生成一个显著性关注单元表达函数,并使用这个函数对基础高陡边坡滑坡检测模型的显著性关注单元进行热力图处理,以便更好地理解和分析滑坡特征。
步骤S122,将所述第二高陡边坡SAR样本图像加载至所述基础高陡边坡滑坡检测模型,依据热力图处理后的显著性关注单元,识别所述第二高陡边坡SAR样本图像中各个图像分割单元在各个滑坡特征标签的滑坡影响程度参数。
例如,将所述第二高陡边坡SAR样本图像加载至所述基础高陡边坡滑坡检测模型。这个步骤包括将第二高陡边坡SAR样本图像作为输入数据,传递给基础高陡边坡滑坡检测模型进行处理。
然后,使用基础高陡边坡滑坡检测模型对第二高陡边坡SAR样本图像进行处理,得到一组显著性关注单元。将热力图处理后的显著性关注单元与第二高陡边坡SAR样本图像中的图像分割单元进行匹配,以确定每个图像分割单元在各个滑坡特征标签的滑坡影响程度参数。将每个图像分割单元在各个滑坡特征标签的滑坡影响程度参数存储在一个矩阵中,这个矩阵的行数等于图像分割单元的数量,列数等于滑坡特征标签的数量。这个矩阵可以称为滑坡影响程度参数矩阵。
由此,可以将第二高陡边坡SAR样本图像加载至基础高陡边坡滑坡检测模型,并使用热力图处理后的显著性关注单元来识别第二高陡边坡SAR样本图像中各个图像分割单元在各个滑坡特征标签的滑坡影响程度参数,为后续的滑坡特征提取和识别任务提供重要的信息。
步骤S123,依据所述各个图像分割单元在各个滑坡特征标签的滑坡影响程度参数,从所述第二高陡边坡SAR样本图像中提取滑坡影响程度参数大于设定影响程度参数的滑坡权重矢量,生成包含各所述滑坡权重矢量的各个滑坡特征标签分别对应的滑坡权重矢量特征库。
例如,可以设定一个滑坡影响程度参数阈值。这个滑坡影响程度参数阈值用于确定哪些滑坡特征标签的滑坡影响程度参数将被提取出来。
然后,遍历滑坡影响程度参数矩阵,检查每个图像分割单元在各个滑坡特征标签的滑坡影响程度参数是否大于设定影响程度参数阈值。如果某个滑坡特征标签的滑坡影响程度参数大于阈值,则将该滑坡特征标签对应的滑坡权重矢量提取出来。将提取出的滑坡权重矢量存储在一个矩阵中,这个矩阵的行数等于提取出的滑坡权重矢量的数量,列数等于滑坡特征标签的数量。这个矩阵可以称为滑坡权重矢量特征库。
由此,可以从第二高陡边坡SAR样本图像中提取滑坡影响程度参数大于设定影响程度参数的滑坡权重矢量,并生成包含各所述滑坡权重矢量的各个滑坡特征标签分别对应的滑坡权重矢量特征库,为后续的滑坡特征提取和识别任务提供重要的信息。
在一种可能的实施方式中,步骤S130可以包括:
步骤S131,对所述第二高陡边坡SAR样本图像进行图像块分割和匹配,生成所述第二高陡边坡SAR样本图像与所述各个滑坡特征标签分别对应的滑坡权重矢量特征库的关联图像块。
例如,可以将第二高陡边坡SAR样本图像分割成多个图像块。这些图像块可以是矩形、方形或其他形状,大小可以根据实际需求进行调整。对于每个图像块,计算它与各个滑坡特征标签分别对应的滑坡权重矢量特征库之间的相似度或相关性。这个相似度或相关性可以通过计算图像块和滑坡权重矢量特征库之间的向量距离或相似度指数来得到。然后,将每个图像块与最相似的滑坡权重矢量特征库对应的滑坡特征标签进行匹配,生成关联图像块。
步骤S132,依据所述各个滑坡特征标签分别对应的概率值和所述各个滑坡特征标签分别对应的关联图像块,确定所述第二高陡边坡SAR样本图像的滑坡标注数据。
例如,对于每个滑坡特征标签,计算其对应的关联图像块中所有像素的概率值之和。这个概率值之和可以表示该滑坡特征标签在第二高陡边坡SAR样本图像中的概率分布。由此,可以选择概率值之和最大的滑坡特征标签作为第二高陡边坡SAR样本图像的滑坡标注数据。
步骤S133,依据所述滑坡标注数据对所述第二高陡边坡SAR样本图像进行滑坡特征标注,生成具有滑坡标注数据的第二高陡边坡SAR样本图像。
例如,可以将滑坡标注数据显示在第二高陡边坡SAR样本图像上,以便于人工或自动辨识和验证。然后,将滑坡标注数据存储在第二高陡边坡SAR样本图像的元数据中,方便后续的搜索和访问。
基于以上步骤,可以确定第二高陡边坡SAR样本图像的滑坡标注数据,并将其显示在图像上,生成具有滑坡标注数据的第二高陡边坡SAR样本图像。
在一种可能的实施方式中,步骤S131可以包括:
步骤S1311,对所述第二高陡边坡SAR样本图像进行图像块分割,生成多个目标图像块。
例如,可以将第二高陡边坡SAR样本图像分割成多个图像块。这些图像块可以是矩形、方形或其他形状,大小可以根据实际需求进行调整。对于每个图像块,计算它与各个滑坡特征标签分别对应的滑坡权重矢量特征库之间的相似度或相关性。这个相似度或相关性可以通过计算图像块和滑坡权重矢量特征库之间的向量距离或相似度指数来得到。然后,将每个图像块与最相似的滑坡权重矢量特征库对应的滑坡特征标签进行匹配,生成关联图像块。
步骤S1312,当在所述滑坡权重矢量特征库中匹配到任意一个所述目标图像块时,将匹配到的所述目标图像块作为关联图像块,生成所述第二高陡边坡SAR样本图像与所述各个滑坡特征标签分别对应的滑坡权重矢量特征库的关联图像块。
例如,对于每个目标图像块,在滑坡权重矢量特征库中查找与之最相似的滑坡权重矢量特征。如果找到了与目标图像块最相似的滑坡权重矢量特征,则将目标图像块作为关联图像块,添加到第二高陡边坡SAR样本图像与各个滑坡特征标签分别对应的滑坡权重矢量特征库的关联图像块中。
由此,可以生成第二高陡边坡SAR样本图像与各个滑坡特征标签分别对应的滑坡权重矢量特征库的关联图像块。这些关联图像块可以用于后续的概率计算和滑坡特征标注。
在一种可能的实施方式中,步骤S132可以包括:
步骤S1321,确定所述各个滑坡特征标签分别对应的概率值中的筛选概率值,其中,所述筛选概率值为针对概率值进行降序排序位于前N的概率值,N大于等于1。
步骤S1322,在所述筛选概率值不小于设定概率值时,确定所述筛选概率值对应滑坡特征标签的关联图像块统计量。
步骤S1323,在所述关联图像块统计量不小于第一设定统计量时,确定所述第二高陡边坡SAR样本图像的滑坡标注数据为所述筛选概率值对应的滑坡特征标签。
例如,对于各个滑坡特征标签分别对应的概率值,进行降序排序,选取前N个概率值,其中N大于等于1。这些概率值被称为筛选概率值。如果筛选概率值中的任何一个概率值大于或等于设定概率值,则进入下一步。否则,停止执行,不生成滑坡标注数据。
对于筛选概率值中的每个滑坡特征标签,计算其对应关联图像块的统计量。这个统计量可以是关联图像块的数量、面积、长度等。
如果任何一个筛选概率值对应的关联图像块统计量大于或等于第一设定统计量,则确定第二高陡边坡SAR样本图像的滑坡标注数据为该筛选概率值对应的滑坡特征标签。否则,停止执行,不生成滑坡标注数据。
由此,可以确定第二高陡边坡SAR样本图像的滑坡标注数据。这些滑坡标注数据可以用于后续的滑坡特征标注和分析。
在一种可能的实施方式中,步骤S132还可以包括:
步骤S1324,确定所述各个滑坡特征标签分别对应的概率值中的筛选概率值。
步骤S1325,在所述筛选概率值小于设定概率值时,依据所述各个滑坡特征标签分别对应的关联图像块确定关联图像块统计量最多的滑坡特征标签。
步骤S1326,在所述关联图像块统计量不小于第二设定统计量时,确定所述第二高陡边坡SAR样本图像的滑坡标注数据为所述关联图像块统计量最多的滑坡特征标签。
例如,对于各个滑坡特征标签分别对应的概率值,进行降序排序,选取前N个概率值,其中N大于等于1。这些概率值被称为筛选概率值。
如果筛选概率值中的任何一个概率值小于设定概率值,则进入下一步。否则,停止执行,不生成滑坡标注数据。
对于筛选概率值中的每个滑坡特征标签,计算其对应关联图像块的统计量。这个统计量可以是关联图像块的数量、面积、长度等。
如果任何一个筛选概率值对应的关联图像块统计量大于或等于第二设定统计量,则确定第二高陡边坡SAR样本图像的滑坡标注数据为该筛选概率值对应的滑坡特征标签。否则,停止执行,不生成滑坡标注数据。
由此,可以确定第二高陡边坡SAR样本图像的滑坡标注数据。这些滑坡标注数据可以用于后续的滑坡特征标注和分析。
在一种可能的实施方式中,所述基础高陡边坡滑坡检测模型为多个,步骤S132还可以包括:
1、确定各个基础高陡边坡滑坡检测模型对所述第二高陡边坡SAR样本图像进行滑坡检测后分别生成的筛选概率值。
2、在所述筛选概率值对应的滑坡特征标签匹配、且所述筛选概率值不小于设定概率值时,确定所述筛选概率值对应滑坡特征标签的关联图像块统计量。
3、在所述关联图像块统计量不小于第一设定统计量时,确定所述第二高陡边坡SAR样本图像的滑坡标注数据为所述筛选概率值对应的滑坡特征标签。
例如,对于每个基础高陡边坡滑坡检测模型,使用其对第二高陡边坡SAR样本图像进行滑坡检测,并生成筛选概率值。
对于每个筛选概率值,检查其对应的滑坡特征标签是否匹配。如果滑坡特征标签匹配,则进入下一步。否则,停止执行,不生成滑坡标注数据。
对于匹配的筛选概率值,检查其是否不小于设定概率值。如果满足条件,则进入下一步。否则,停止执行,不生成滑坡标注数据。
对于满足条件的筛选概率值,计算其对应滑坡特征标签的关联图像块统计量。这个统计量可以是关联图像块的数量、面积、长度等。
对于满足条件的筛选概率值,检查其对应滑坡特征标签的关联图像块统计量是否不小于第一设定统计量。如果满足条件,则确定第二高陡边坡SAR样本图像的滑坡标注数据为该筛选概率值对应的滑坡特征标签。否则,停止执行,不生成滑坡标注数据。
由此,可以确定第二高陡边坡SAR样本图像的滑坡标注数据。这些滑坡标注数据可以用于后续的滑坡特征标注和分析。
在一种可能的实施方式中,所述基础高陡边坡滑坡检测模型为多个,步骤S132还可以包括:
1、确定各个基础高陡边坡滑坡检测模型对所述第二高陡边坡SAR样本图像进行滑坡检测生成的筛选概率值。
2、在所述筛选概率值对应的滑坡特征标签不匹配、或所述筛选概率值小于设定概率值时,确定各个基础高陡边坡滑坡检测模型中关联图像块统计量最多的目标滑坡特征标签。
3、当不同基础高陡边坡滑坡检测模型对应的目标滑坡特征标签匹配时,确定所述不同基础高陡边坡滑坡检测模型的共享关联图像块统计量。所述共享关联图像块统计量不小于第二设定统计量时,确定所述第二高陡边坡SAR样本图像的滑坡标注数据为所述目标滑坡特征标签。
例如,对于每个基础高陡边坡滑坡检测模型,使用其对第二高陡边坡SAR样本图像进行滑坡检测,并生成筛选概率值。
对于每个筛选概率值,检查其对应的滑坡特征标签是否匹配。如果滑坡特征标签不匹配,或者筛选概率值小于设定概率值,则进入下一步。否则,停止执行,不生成滑坡标注数据。
对于不匹配或者筛选概率值小于设定概率值的筛选概率值,计算各个基础高陡边坡滑坡检测模型中的关联图像块统计量,并确定统计量最多的目标滑坡特征标签。
当不同基础高陡边坡滑坡检测模型对应的目标滑坡特征标签匹配时,确定不同基础高陡边坡滑坡检测模型的共享关联图像块统计量。
检查共享关联图像块统计量是否不小于第二设定统计量。如果满足条件,则确定第二高陡边坡SAR样本图像的滑坡标注数据为该目标滑坡特征标签。否则,停止执行,不生成滑坡标注数据。
由此,可以确定第二高陡边坡SAR样本图像的滑坡标注数据。这些滑坡标注数据可以用于后续的滑坡特征标注和分析。
在一种可能的实施方式中,在以上描述的基础上,可以获取候选高陡边坡SAR样本图像,并依据所述目标高陡边坡滑坡检测模型对所述候选高陡边坡SAR样本图像进行滑坡检测,生成滑坡检测数据。
例如,获取候选高陡边坡SAR样本图像。这个步骤中,候选高陡边坡SAR样本图像可以从各种来源获取,例如卫星图像数据库、无人机航拍图像、人工拍摄的图像等。
然后,可以依据目标高陡边坡滑坡检测模型对候选高陡边坡SAR样本图像进行滑坡检测,生成滑坡检测数据。这个步骤中,可以使用前面步骤中训练好的目标高陡边坡滑坡检测模型对候选高陡边坡SAR样本图像进行滑坡检测,得到滑坡检测结果。具体来说,可以将候选高陡边坡SAR样本图像输入到目标高陡边坡滑坡检测模型中,得到所述目标高陡边坡滑坡检测模型的输出结果,即滑坡检测数据。滑坡检测数据可以包括滑坡发生的概率、滑坡特征标签等信息。
由此,可以获取候选高陡边坡SAR样本图像,并对其进行滑坡检测,生成滑坡检测数据。这些数据可以用于进一步的滑坡风险评估和预警等应用。
图2示意性地示出了可被用于实现本申请中所述的各个实施例的基于SAR图像的高陡边坡滑坡检测系统100。
对于一个实施例,图2示出了基于SAR图像的高陡边坡滑坡检测系统100,该基于SAR图像的高陡边坡滑坡检测系统100具有至少一个处理器102、被耦合到(至少一个)处理器102中的至少一个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的至少一个输入/输出设备110,和被耦合到控制模块104的网络接口112。
处理器102可包括至少一个单核或多核处理器,处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。一种可替代的实施方式中,基于SAR图像的高陡边坡滑坡检测系统100能够作为本申请实施例中所述网关等设备。
图2示意性地示出了可被用于实现本申请中所述的各个实施例的基于SAR图像的高陡边坡滑坡检测系统100。
对于一个实施例,图2示出了基于SAR图像的高陡边坡滑坡检测系统100,该基于SAR图像的高陡边坡滑坡检测系统100具有至少一个处理器102、被耦合到(至少一个)处理器102中的至少一个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的至少一个输入/输出设备110,和被耦合到控制模块104的网络接口112。
处理器102可包括至少一个单核或多核处理器,处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。一种可替代的实施方式中,基于SAR图像的高陡边坡滑坡检测系统100能够作为本申请实施例中所述网关等设备。
一种可替代的实施方式中,基于SAR图像的高陡边坡滑坡检测系统100可包括具有指令114的至少一个计算机可读介质(例如,存储器106或NVM/存储设备108)和与该至少一个计算机可读介质相汇聚被配置为执行指令114以实现模块从而执行本公开中所述的动作的至少一个处理器102。
对于一个实施例,控制模块104可包括任意适当的接口控制器,以向(至少一个)处理器102中的至少一个和/或与控制模块104通信的任意适当的设备或组件提供任意适当的接口。
控制模块104可包括存储器控制器模块,以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器106可被用于例如为基于SAR图像的高陡边坡滑坡检测系统100加载和存储数据和/或指令114。对于一个实施例,存储器106可包括任意适当的易失性存储器,例如,适当的DRAM。一种可替代的实施方式中,存储器106可包括双倍数据速率类型四同步动态随机存取存储器(DDR4SDRAM)。
对于一个实施例,控制模块104可包括至少一个输入/输出控制器,以向NVM/存储设备108及(至少一个)输入/输出设备110提供接口。
例如,NVM/存储设备108可被用于存储数据和/或指令114。NVM/存储设备108可包括任意适当的非易失性存储器(例如,闪存)和/或可包括任意适当的(至少一个)非易失性存储设备(例如,至少一个硬盘驱动器(HDD)、至少一个光盘(CD)驱动器和/或至少一个数字通用光盘(DVD)驱动器)。
NVM/存储设备108可包括在物理上作为基于SAR图像的高陡边坡滑坡检测系统100被安装在其上的设备的一部分的存储资源,或者其可被该设备访问可不必作为该设备的一部分。例如,NVM/存储设备108可依据网络经由(至少一个)输入/输出设备110进行访问。
(至少一个)输入/输出设备110可为基于SAR图像的高陡边坡滑坡检测系统100提供接口以与任意其它适当的设备通信,输入/输出设备110可以包括通信组件、拼音组件、在线监控组件组件等。网络接口112可为基于SAR图像的高陡边坡滑坡检测系统100提供接口以依据至少一个网络通信,基于SAR图像的高陡边坡滑坡检测系统100可依据至少一个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的至少一个组件进行无线通信,例如接入依据通信标准的无线网络,或它们的组合进行无线通信。
对于一个实施例,(至少一个)处理器102中的至少一个可与控制模块104的至少一个控制器(例如,存储器控制器模块)的逻辑加载在一起。对于一个实施例,(至少一个)处理器102中的至少一个可与控制模块104的至少一个控制器的逻辑加载在一起以形成系统级加载。对于一个实施例,(至少一个)处理器102中的至少一个可与控制模块104的至少一个控制器的逻辑集成在同一模具上。对于一个实施例,(至少一个)处理器102中的至少一个可与控制模块104的至少一个控制器的逻辑集成在同一模具上以形成片上系统(SoC)。
在各个实施例中,基于SAR图像的高陡边坡滑坡检测系统100可以但不限于是:台式计算设备或移动计算设备(例如,膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中,基于SAR图像的高陡边坡滑坡检测系统100可具有更多或更少的组件和/或不同的架构。例如,一种可替代的实施方式中,基于SAR图像的高陡边坡滑坡检测系统100包括至少一个摄像机、键盘、液晶显示器(LCD)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(ASIC)和扬声器。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请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申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,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申请的限制。
Claims (10)
1.一种基于SAR图像的高陡边坡滑坡检测方法,其特征在于,所述方法包括:
依据具有滑坡标注数据的第一高陡边坡SAR样本图像对基础神经网络进行过度适应知识学习,生成基础高陡边坡滑坡检测模型,所述基础神经网络依据权重关注选择策略采集滑坡标注数据表征的滑坡特征标签的滑坡权重矢量;
依据所述基础高陡边坡滑坡检测模型依据权重关注选择策略提取第二高陡边坡SAR样本图像中的各个滑坡特征标签分别对应的滑坡权重矢量,生成包含各所述滑坡权重矢量的各个滑坡特征标签分别对应的滑坡权重矢量特征库,并确定各个滑坡特征标签分别对应的概率值,所述第二高陡边坡SAR样本图像不具有滑坡标注数据;
依据所述概率值和所述滑坡权重矢量特征库,确定所述第二高陡边坡SAR样本图像的滑坡标注数据,生成具有有滑坡标注数据的第二高陡边坡SAR样本图像;
依据具有有滑坡标注数据的第二高陡边坡SAR样本图像,对所述基础高陡边坡滑坡检测模型进行参数学习,生成目标高陡边坡滑坡检测模型。
2.根据权利要求1所述的基于SAR图像的高陡边坡滑坡检测方法,其特征在于,所述依据所述基础高陡边坡滑坡检测模型依据权重关注选择策略提取第二高陡边坡SAR样本图像中的各个滑坡特征标签分别对应的滑坡权重矢量,生成包含各所述滑坡权重矢量的各个滑坡特征标签分别对应的滑坡权重矢量特征库包括:
依据所述基础高陡边坡滑坡检测模型的显著性关注单元的显著性关注单元标签生成显著性关注单元表达函数,并依据所述显著性关注单元表达函数、热力值转换函数和热力图视觉函数,对所述基础高陡边坡滑坡检测模型的显著性关注单元进行热力图处理;
将所述第二高陡边坡SAR样本图像加载至所述基础高陡边坡滑坡检测模型,依据热力图处理后的显著性关注单元,识别所述第二高陡边坡SAR样本图像中各个图像分割单元在各个滑坡特征标签的滑坡影响程度参数;
依据所述各个图像分割单元在各个滑坡特征标签的滑坡影响程度参数,从所述第二高陡边坡SAR样本图像中提取滑坡影响程度参数大于设定影响程度参数的滑坡权重矢量,生成包含各所述滑坡权重矢量的各个滑坡特征标签分别对应的滑坡权重矢量特征库。
3.根据权利要求1或2所述的基于SAR图像的高陡边坡滑坡检测方法,其特征在于,所述依据所述概率值和所述滑坡权重矢量特征库,确定所述第二高陡边坡SAR样本图像的滑坡标注数据,生成具有有滑坡标注数据的第二高陡边坡SAR样本图像包括:
对所述第二高陡边坡SAR样本图像进行图像块分割和匹配,生成所述第二高陡边坡SAR样本图像与所述各个滑坡特征标签分别对应的滑坡权重矢量特征库的关联图像块;
依据所述各个滑坡特征标签分别对应的概率值和所述各个滑坡特征标签分别对应的关联图像块,确定所述第二高陡边坡SAR样本图像的滑坡标注数据;
依据所述滑坡标注数据对所述第二高陡边坡SAR样本图像进行滑坡特征标注,生成具有滑坡标注数据的第二高陡边坡SAR样本图像。
4.根据权利要求3所述的基于SAR图像的高陡边坡滑坡检测方法,其特征在于,所述对所述第二高陡边坡SAR样本图像进行图像块分割和匹配,生成所述第二高陡边坡SAR样本图像与所述各个滑坡特征标签分别对应的滑坡权重矢量特征库的关联图像块包括:
对所述第二高陡边坡SAR样本图像进行图像块分割,生成多个目标图像块;
当在所述滑坡权重矢量特征库中匹配到任意一个所述目标图像块时,将匹配到的所述目标图像块作为关联图像块,生成所述第二高陡边坡SAR样本图像与所述各个滑坡特征标签分别对应的滑坡权重矢量特征库的关联图像块。
5.根据权利要求3所述的基于SAR图像的高陡边坡滑坡检测方法,其特征在于,所述依据所述各个滑坡特征标签分别对应的概率值和所述各个滑坡特征标签分别对应的关联图像块,确定所述第二高陡边坡SAR样本图像的滑坡标注数据包括:
确定所述各个滑坡特征标签分别对应的概率值中的筛选概率值,其中,所述筛选概率值为针对概率值进行降序排序位于前N的概率值,N大于等于1;
在所述筛选概率值不小于设定概率值时,确定所述筛选概率值对应滑坡特征标签的关联图像块统计量;
在所述关联图像块统计量不小于第一设定统计量时,确定所述第二高陡边坡SAR样本图像的滑坡标注数据为所述筛选概率值对应的滑坡特征标签。
6.根据权利要求3所述的基于SAR图像的高陡边坡滑坡检测方法,其特征在于,所述依据所述各个滑坡特征标签分别对应的概率值和所述各个滑坡特征标签分别对应的关联图像块,确定所述第二高陡边坡SAR样本图像的滑坡标注数据包括:
确定所述各个滑坡特征标签分别对应的概率值中的筛选概率值;
在所述筛选概率值小于设定概率值时,依据所述各个滑坡特征标签分别对应的关联图像块确定关联图像块统计量最多的滑坡特征标签;
在所述关联图像块统计量不小于第二设定统计量时,确定所述第二高陡边坡SAR样本图像的滑坡标注数据为所述关联图像块统计量最多的滑坡特征标签。
7.根据权利要求3所述的基于SAR图像的高陡边坡滑坡检测方法,其特征在于,所述基础高陡边坡滑坡检测模型为多个,所述依据所述各个滑坡特征标签分别对应的概率值和所述各个滑坡特征标签分别对应的关联图像块,确定所述第二高陡边坡SAR样本图像的滑坡标注数据包括:
确定各个基础高陡边坡滑坡检测模型对所述第二高陡边坡SAR样本图像进行滑坡检测后分别生成的筛选概率值;
在所述筛选概率值对应的滑坡特征标签匹配、且所述筛选概率值不小于设定概率值时,确定所述筛选概率值对应滑坡特征标签的关联图像块统计量;
在所述关联图像块统计量不小于第一设定统计量时,确定所述第二高陡边坡SAR样本图像的滑坡标注数据为所述筛选概率值对应的滑坡特征标签。
8.根据权利要求3所述的基于SAR图像的高陡边坡滑坡检测方法,其特征在于,所述基础高陡边坡滑坡检测模型为多个,所述依据所述各个滑坡特征标签分别对应的概率值和所述各个滑坡特征标签分别对应的关联图像块,确定所述第二高陡边坡SAR样本图像的滑坡标注数据包括:
确定各个基础高陡边坡滑坡检测模型对所述第二高陡边坡SAR样本图像进行滑坡检测生成的筛选概率值;
在所述筛选概率值对应的滑坡特征标签不匹配、或所述筛选概率值小于设定概率值时,确定各个基础高陡边坡滑坡检测模型中关联图像块统计量最多的目标滑坡特征标签;
当不同基础高陡边坡滑坡检测模型对应的目标滑坡特征标签匹配时,确定所述不同基础高陡边坡滑坡检测模型的共享关联图像块统计量;
所述共享关联图像块统计量不小于第二设定统计量时,确定所述第二高陡边坡SAR样本图像的滑坡标注数据为所述目标滑坡特征标签。
9.根据权利要求1所述的基于SAR图像的高陡边坡滑坡检测方法,其特征在于,所述方法还包括:
获取候选高陡边坡SAR样本图像,并依据所述目标高陡边坡滑坡检测模型对所述候选高陡边坡SAR样本图像进行滑坡检测,生成滑坡检测数据。
10.一种基于SAR图像的高陡边坡滑坡检测系统,其特征在于,包括处理器以及计算机可读存储介质,所述计算机可读存储介质存储有机器可执行指令,所述机器可执行指令被处理器执行时实现权利要求1-9中任意一项所述的基于SAR图像的高陡边坡滑坡检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410140565.3A CN117671508B (zh) | 2024-02-01 | 2024-02-01 | 基于sar图像的高陡边坡滑坡检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410140565.3A CN117671508B (zh) | 2024-02-01 | 2024-02-01 | 基于sar图像的高陡边坡滑坡检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117671508A CN117671508A (zh) | 2024-03-08 |
CN117671508B true CN117671508B (zh) | 2024-04-05 |
Family
ID=90084767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410140565.3A Active CN117671508B (zh) | 2024-02-01 | 2024-02-01 | 基于sar图像的高陡边坡滑坡检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117671508B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101762809B1 (ko) * | 2016-01-21 | 2017-07-28 | 전주비전대학교산학협력단 | 드론을 사용한 산사태 예측 지형자료 생성 및 산사태 위험지역 선정 방법 |
CN112990342A (zh) * | 2021-04-08 | 2021-06-18 | 重庆大学 | 一种半监督sar目标识别方法 |
CN116403093A (zh) * | 2023-06-09 | 2023-07-07 | 中铁工程设计咨询集团有限公司 | 一种面向铁路沿线潜在滑坡的多源遥感解译方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9978013B2 (en) * | 2014-07-16 | 2018-05-22 | Deep Learning Analytics, LLC | Systems and methods for recognizing objects in radar imagery |
US11747468B2 (en) * | 2020-09-24 | 2023-09-05 | Eagle Technology, Llc | System using a priori terrain height data for interferometric synthetic aperture radar (IFSAR) phase disambiguation and related methods |
-
2024
- 2024-02-01 CN CN202410140565.3A patent/CN117671508B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101762809B1 (ko) * | 2016-01-21 | 2017-07-28 | 전주비전대학교산학협력단 | 드론을 사용한 산사태 예측 지형자료 생성 및 산사태 위험지역 선정 방법 |
CN112990342A (zh) * | 2021-04-08 | 2021-06-18 | 重庆大学 | 一种半监督sar目标识别方法 |
CN116403093A (zh) * | 2023-06-09 | 2023-07-07 | 中铁工程设计咨询集团有限公司 | 一种面向铁路沿线潜在滑坡的多源遥感解译方法及装置 |
Non-Patent Citations (1)
Title |
---|
卷积神经网络在雷达自动目标识别中的研究进展;贺丰收;何友;刘准钆;徐从安;;电子与信息学报;20200115(第01期);119-131页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117671508A (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Automatic pavement crack detection by multi-scale image fusion | |
Zhao et al. | Vision-based anti-uav detection and tracking | |
CN107133569B (zh) | 基于泛化多标记学习的监控视频多粒度标注方法 | |
CN110929577A (zh) | 一种基于YOLOv3的轻量级框架改进的目标识别方法 | |
Yasir et al. | Ship detection based on deep learning using SAR imagery: a systematic literature review | |
CN104301630B (zh) | 一种视频图像拼接方法及装置 | |
CN113298146A (zh) | 一种基于特征检测的图像匹配方法、装置、设备及介质 | |
CN114429577B (zh) | 一种基于高置信标注策略的旗帜检测方法及系统及设备 | |
Tu et al. | Detection of damaged rooftop areas from high-resolution aerial images based on visual bag-of-words model | |
CN111373393A (zh) | 图像检索方法和装置以及图像库的生成方法和装置 | |
Yildirim et al. | Ship detection in optical remote sensing images using YOLOv4 and Tiny YOLOv4 | |
Zhao et al. | Road damage detection from post-disaster high-resolution remote sensing images based on tld framework | |
CN111553184A (zh) | 一种基于电子围网的小目标检测方法、装置及电子设备 | |
Lin et al. | An Unsupervised Transformer-based Multivariate Alteration Detection Approach for Change Detection in VHR Remote Sensing Images | |
CN113704276A (zh) | 地图更新方法、装置、电子设备及计算机可读存储介质 | |
CN112270671A (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN115482436B (zh) | 图像筛选模型的训练方法、装置以及图像筛选方法 | |
CN117671508B (zh) | 基于sar图像的高陡边坡滑坡检测方法及系统 | |
Yao et al. | An accurate box localization method based on rotated-RPN with weighted edge attention for bin picking | |
Yu et al. | A lightweight ship detection method in optical remote sensing image under cloud interference | |
CN114462479A (zh) | 模型训练方法、检索方法以及模型、设备和介质 | |
Ahamed et al. | A Deep Learning Approach for Satellite and Debris Detection: YOLO in Action | |
Zhang | Traffic Sign Detection Based on YOLO v3 | |
Sunil et al. | Identifying oil pads in high spatial resolution aerial images using faster R-CNN | |
Li et al. | Research on efficient detection network method for remote sensing images based on self attention mechanism |
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 |