CN118114080A - 一种基于深度学习的地理信息数据采集方法及系统 - Google Patents
一种基于深度学习的地理信息数据采集方法及系统 Download PDFInfo
- Publication number
- CN118114080A CN118114080A CN202410516740.4A CN202410516740A CN118114080A CN 118114080 A CN118114080 A CN 118114080A CN 202410516740 A CN202410516740 A CN 202410516740A CN 118114080 A CN118114080 A CN 118114080A
- Authority
- CN
- China
- Prior art keywords
- geographic information
- information data
- data
- net
- classified
- 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 46
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 27
- 230000007246 mechanism Effects 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 239000003795 chemical substances by application Substances 0.000 claims description 21
- 101100295091 Arabidopsis thaliana NUDT14 gene Proteins 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 11
- 238000009792 diffusion process Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000003064 k means clustering Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000006835 compression Effects 0.000 claims description 7
- 238000007906 compression Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000000739 chaotic effect Effects 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000002759 z-score normalization Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 239000003623 enhancer Substances 0.000 claims description 2
- 230000004927 fusion Effects 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000001965 increasing effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及数据分析领域，特别是一种基于深度学习的地理信息数据采集方法及系统。通过利用聚类算法对初始地理信息数据进行数据聚类处理，基于全卷积神经网络建立U‑Net地理信息识别模型，在U‑Net地理信息识别模型中添加AG注意力机制模块；将训练地理信息数据输入至目标U‑Net地理信息识别模型中进行识别，得到分类地理信息数据；利用SHA‑256多图像加密算法对分类地理信息数据进行加密，得到加密分类地理信息数据；将加密分类地理信息数据输入至数据库中进行存储，并对加密分类地理信息数据进行信息数据查询监测。提高了采集的准确性和稳定性。
Description
技术领域
本发明涉及数据分析领域，特别是一种基于深度学习的地理信息数据采集方法及系统。
背景技术
地理信息数据在各个领域的应用越来越广泛，如城市规划、环境监测、交通管理等。地理信息数据的高效采集与精确处理成为了当前研究的热点。传统的地理信息数据采集方法，如遥感测量、GPS定位等，虽然在一定程度上满足了应用需求，但存在采集周期长、成本高、受环境因素影响大等局限。目前已有研究尝试将深度学习技术应用于地理信息数据采集。如通过训练深度神经网络模型对遥感图像进行自动分类和识别，从而提取出地理信息数据。然而，不同地区的地理信息数据具有不同的特点和复杂性，使得模型的泛化能力受到限制。此外深度学习采集的图像数据是大量的地理图像数据，导致地理图像数据容易泄露，因此如何保障地理数据不会被轻易泄露的同时保证地理信息数据采集的有效性和准确性是现阶丞待解决的技术问题。
发明内容
本发明的目的是为了解决上述问题，设计了一种基于深度学习的地理信息数据采集方法及系统。
实现上述目的本发明的技术方案为，进一步，在上述一种基于深度学习的地理信息数据采集方法中，所述地理信息数据采集方法包括以下步骤：
基于激光雷达传感器和图像传感器获取采集地点的实时地理信息数据，对所述实时地理信息数据进行数据预处理，得到初始地理信息数据；
利用K-means聚类算法对所述初始地理信息数据进行数据聚类处理，得到训练地理信息数据；
基于U-Net全卷积神经网络建立U-Net地理信息识别模型，在所述U-Net地理信息识别模型中添加AG注意力机制模块，得到目标U-Net地理信息识别模型；
将所述训练地理信息数据输入至所述目标U-Net地理信息识别模型中进行识别，得到分类地理信息数据；
利用SHA-256多图像加密算法对所述分类地理信息数据进行加密，得到加密分类地理信息数据；
将所述加密分类地理信息数据输入至数据库中进行存储，并对所述加密分类地理信息数据进行信息数据查询监测，若所述加密分类地理信息数据的查询和下载次数超过设定阈值，则进行预警。
进一步，在上述地理信息数据采集方法中，所述基于激光雷达传感器和图像传感器获取系统中的实时地理信息数据，对所述实时地理信息数据进行数据预处理，得到初始地理信息数据，包括：
基于激光雷达传感器和图像传感器获取待采集地点的实时地理信息数据，所述实时地理信息数据至少包括利用激光雷达传感器获取的地形高程数据、建筑物形状数据、地表覆盖物形状数据、建筑物尺寸和位置数据；
所述实时地理信息数据还包括利用图像传感器获取的地形图像数据、地表覆盖物图像数据、交通路线图像数据、建筑物图像数据；
对所述实时地理信息数据进行异常值删除和数据增强处理，得到第一地理信息数据；
利用Z-score归一化方法对所述第一地理信息数据进行数据归一化处理，得到初始地理信息数据。
进一步，在上述地理信息数据采集方法中，所述利用K-means聚类算法对所述初始地理信息数据进行数据聚类处理，得到训练地理信息数据，包括：
获取初始地理信息数据，确定所述初始地理信息数据的集群数量，从所述初始地理信息数据中随机选择K个数据点作为初始聚类中心；
对所述初始地理信息数据中的每个数据点，计算其与K个聚类中心的欧式距离；
将每个初始地理信息数据点分配到距离最近的聚类中心所属的集群中；
在每个集群中，计算所有初始地理信息数据点的均值，将所述均值作为新的聚类中心；
重复聚类分配和更新聚类中心，直到聚类中心达到预设的迭代次数，得到训练地理信息数据。
进一步，在上述地理信息数据采集方法中，所述基于U-Net全卷积神经网络建立U-Net地理信息识别模型，在所述U-Net地理信息识别模型中添加AG注意力机制模块，得到目标U-Net地理信息识别模型，包括：
基于U-Net全卷积神经网络建立U-Net地理信息识别模型，所述U-Net地理信息识别模型至少包括输入层、卷积层、最大池化层、跳跃连接层和输出层；
在所述U-Net地理信息识别模型的跳跃连接层之间添加AG注意力机制模块；
通过所述AG注意力机制模块增大地理信息数据的权重，增强述U-Net地理信息识别模型对地理信息数据的学习能力；
在所述U-Net地理信息识别模型的网络结构中增加ASPP模块，利用所述ASPP模块获取不同采样等级地理图像的特征图带入所述U-Net地理信息识别模型中进行计算；
获取不同尺度的地图特征，将不同尺度的地理特征进行融合，得到目标U-Net地理信息识别模型。
进一步，在上述地理信息数据采集方法中，所述将所述训练地理信息数据输入至所述目标U-Net地理信息识别模型中进行识别，得到分类地理信息数据，包括：
将Dice loss函数作为所述目标U-Net地理信息识别模型的损失函数，所述Diceloss函数的Dice系数取值范围为[0-1]；
将Adam优化器作为所述目标U-Net地理信息识别模型的优化器，设置所述目标U-Net地理信息识别模型的初始学习率为0.001；
将所述训练地理信息数据输入至所述目标U-Net地理信息识别模型中进行识别，得到分类地理信息数据；
所述得到分类地理信息数据至少包括地形高程数据、地表覆盖类型数据、建筑物和道路数据。
进一步，在上述地理信息数据采集方法中，所述利用SHA-256多图像加密算法对所述分类地理信息数据进行加密，得到加密分类地理信息数据，包括：
获取分类地理信息数据，利用SHA-256多图像加密算法对所述分类地理信息数据进行加密；
通过安全散列算法和分类地理信息数据生成Logistic-Tent混沌映射的初始值；
利用安全散列算法和分类地理信息数据的序列构建压缩感知受控测量矩阵和图像二次加密过程中的置乱序列和扩散序列；
对分类地理信息数据进行二维压缩测量、置乱和扩散操作，得到秘密图像；
将待隐蔽的秘密图像通过LSB最低有效位嵌入算法随机嵌入到一幅彩色图像RGB像素通道中，得到加密分类地理信息数据。
进一步，在上述地理信息数据采集方法中，所述将所述加密分类地理信息数据输入至数据库中进行存储，并对所述加密分类地理信息数据进行信息数据查询监测，若所述加密分类地理信息数据的查询和下载次数超过设定阈值，则进行预警，包括：
将所述加密分类地理信息数据输入至数据库中进行存储，对所述加密分类地理信息数据进行备份；
若系统检测到用户发起对加密分类地理信息数据的查询请求时，则记录所述查询请求的查询信息，包括请求时间、请求者身份、请求数据类型；
系统2次/小时对所述加密分类地理信息数据的下载请求和查询请求进行记录，若所述加密分类地理信息数据的下载次数大于6次/天，查询次数大于8次/小时，则生成预警信息，将所述预警信息传输至管理人员的移动终端；
若所述加密分类地理信息数据的下载次数大于10次/天，查询次数大于20次/小时，则将所述加密分类地理信息数据查询次数和下载次数进行限制。
进一步，在一种基于深度学习的地理信息数据采集系统中，所述地理信息数据采集系统包括以下模块：
数据采集模块，用于基于激光雷达传感器和图像传感器获取采集地点的实时地理信息数据，对所述实时地理信息数据进行数据预处理，得到初始地理信息数据；
数据处理模块，用于地理信息利用K-means聚类算法对所述初始地理信息数据进行数据聚类处理，得到训练地理信息数据；
模型建立模块，用于基于U-Net全卷积神经网络建立U-Net地理信息识别模型，在所述U-Net地理信息识别模型中添加AG注意力机制模块，得到目标U-Net地理信息识别模型；
数据分类模块，用于将所述训练地理信息数据输入至所述目标U-Net地理信息识别模型中进行识别，得到分类地理信息数据；
数据加密模块，用于利用SHA-256多图像加密算法对所述分类地理信息数据进行加密，得到加密分类地理信息数据；
数据传输模块，用于将所述加密分类地理信息数据输入至数据库中进行存储，并对所述加密分类地理信息数据进行信息数据查询监测，若所述加密分类地理信息数据的查询和下载次数超过设定阈值，则进行预警。
进一步，在上述一种基于深度学习的地理信息数据采集系统中，所述模型建立模块包括以下子模块：
建立子模块，用于基于U-Net全卷积神经网络建立U-Net地理信息识别模型，所述U-Net地理信息识别模型至少包括输入层、卷积层、最大池化层、跳跃连接层和输出层；
添加子模块，用于在所述U-Net地理信息识别模型的跳跃连接层之间添加AG注意力机制模块；
增强子模块，用于通过所述AG注意力机制模块增大地理信息数据的权重，增强述U-Net地理信息识别模型对地理信息数据的学习能力；
计算子模块，用于在所述U-Net地理信息识别模型的网络结构中增加ASPP模块，利用所述ASPP模块获取不同采样等级地理图像的特征图带入所述U-Net地理信息识别模型中进行计算；
融合子模块，用于获取不同尺度的地图特征，将不同尺度的地理特征进行融合，得到目标U-Net地理信息识别模型。
进一步，在上述一种基于深度学习的地理信息数据采集系统中，所述数据加密模块包括以下子模块：
获取子模块，用于获取分类地理信息数据，利用SHA-256多图像加密算法对所述分类地理信息数据进行加密；
初始值子模块，用于通过安全散列算法和分类地理信息数据生成Logistic-Tent混沌映射的初始值；
构建子模块，用于利用安全散列算法和分类地理信息数据的序列构建压缩感知受控测量矩阵和图像二次加密过程中的置乱序列和扩散序列；
压缩子模块，用于对分类地理信息数据进行二维压缩测量、置乱和扩散操作，得到秘密图像；
嵌入子模块，用于将待隐蔽的秘密图像通过LSB最低有效位嵌入算法随机嵌入到一幅彩色图像RGB像素通道中，得到加密分类地理信息数据。
其有益效果在于，基于激光雷达传感器和图像传感器获取采集地点的实时地理信息数据，对所述实时地理信息数据进行数据预处理，得到初始地理信息数据；利用K-means聚类算法对所述初始地理信息数据进行数据聚类处理，得到训练地理信息数据；基于U-Net全卷积神经网络建立U-Net地理信息识别模型，在所述U-Net地理信息识别模型中添加AG注意力机制模块，得到目标U-Net地理信息识别模型；将所述训练地理信息数据输入至所述目标U-Net地理信息识别模型中进行识别，得到分类地理信息数据；利用SHA-256多图像加密算法对所述分类地理信息数据进行加密，得到加密分类地理信息数据；将所述加密分类地理信息数据输入至数据库中进行存储，并对所述加密分类地理信息数据进行信息数据查询监测，若所述加密分类地理信息数据的查询和下载次数超过设定阈值，则进行预警。可以实现快速的数据分类、识别和提取，从而大大缩短了采集周期，提高工作效率。使其对地理信息数据中的细微特征和变化进行精确捕捉，从而提高了数据采集的精度和可靠性。使得地理信息数据采集过程更加智能化和自动化，减少了人为干预和误差，提高了采集的准确性和稳定性。保障地理图像信息在采集和传输过程中的安全性，不会轻易泄露。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。
图1为本发明实施例中一种基于深度学习的地理信息数据采集方法的第一个实施例示意图；
图2为本发明实施例中对初始地理信息数据进行聚类处理的一个实施例示意图；
图3为本发明实施例中U-Net地理信息识别模型建立过程的一个实施例示意图；
图4为本发明实施例中目标U-Net地理信息识别模型的示意图；
图5为本发明实施例中一种基于深度学习的地理信息数据采集系统的第一个实施例示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”也可包括复数形式。应所述进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
下面结合附图对本发明进行具体描述，如图1所示，一种基于深度学习的地理信息数据采集方法，地理信息数据采集方法包括以下步骤：
步骤101、基于激光雷达传感器和图像传感器获取采集地点的实时地理信息数据，对实时地理信息数据进行数据预处理，得到初始地理信息数据；
具体的，本实施例中基于激光雷达传感器和图像传感器获取待采集地点的实时地理信息数据，实时地理信息数据至少包括利用激光雷达传感器获取的地形高程数据、建筑物形状数据、地表覆盖物形状数据、建筑物尺寸和位置数据；实时地理信息数据还包括利用图像传感器获取的地形图像数据、地表覆盖物图像数据、交通路线图像数据、建筑物图像数据；对实时地理信息数据进行异常值删除和数据增强处理，得到第一地理信息数据；利用Z-score归一化方法对第一地理信息数据进行数据归一化处理，得到初始地理信息数据。
步骤102、利用K-means聚类算法对初始地理信息数据进行数据聚类处理，得到训练地理信息数据；
具体的，本实施例中获取初始地理信息数据，确定初始地理信息数据的集群数量，从初始地理信息数据中随机选择K个数据点作为初始聚类中心；对初始地理信息数据中的每个数据点，计算其与K个聚类中心的欧式距离；将每个初始地理信息数据点分配到距离最近的聚类中心所属的集群中；在每个集群中，计算所有初始地理信息数据点的均值，将均值作为新的聚类中心；重复聚类分配和更新聚类中心，直到聚类中心达到预设的迭代次数，得到训练地理信息数据。
步骤103、基于U-Net全卷积神经网络建立U-Net地理信息识别模型，在U-Net地理信息识别模型中添加AG注意力机制模块，得到目标U-Net地理信息识别模型；
具体的，本实施例中基于U-Net全卷积神经网络建立U-Net地理信息识别模型，U-Net地理信息识别模型至少包括输入层、卷积层、最大池化层、跳跃连接层和输出层；在U-Net地理信息识别模型的跳跃连接层之间添加AG注意力机制模块；通过AG注意力机制模块增大地理信息数据的权重，增强述U-Net地理信息识别模型对地理信息数据的学习能力；在U-Net地理信息识别模型的网络结构中增加ASPP模块，利用ASPP模块获取不同采样等级地理图像的特征图带入U-Net地理信息识别模型中进行计算；获取不同尺度的地图特征，将不同尺度的地理特征进行融合，得到目标U-Net地理信息识别模型。
具体的，本实施例中ASPP模块，全称Atrous Spatial Pyramid Pooling，最初是在DeepLabV2网络中被提出的。该模块的主要目的是在不改变图像分辨率的前提下，增大网络的感受野，以增强网络获取多尺度上下文信息的能力。ASPP模块由多个并行的空洞卷积层组成，这些卷积层具有不同的采样率。每个采样率提取的特征在单独的分支中进一步处理，并最后融合以生成最终结果。具体来说，ASPP模块通过不同的空洞率（rate）构建不同感受野的卷积核，从而获取多尺度物体信息。空洞卷积（Atrous/Dilated Convolution）的使用，使得模块能够在获得较大感受野的同时，保持分辨率不损失太多，从而避免丢失关于图像边界的细节信息。这种设计使得ASPP模块在处理具有不同尺度大小的物体时具有优势。
步骤104、将训练地理信息数据输入至目标U-Net地理信息识别模型中进行识别，得到分类地理信息数据；
具体的，本实施例中将Dice loss函数作为目标U-Net地理信息识别模型的损失函数，Dice loss函数的Dice系数取值范围为[0-1]；将Adam优化器作为目标U-Net地理信息识别模型的优化器，设置目标U-Net地理信息识别模型的初始学习率为0.001；将训练地理信息数据输入至目标U-Net地理信息识别模型中进行识别，得到分类地理信息数据；得到分类地理信息数据至少包括地形高程数据、地表覆盖类型数据、建筑物和道路数据。
具体的，本实施例中Dice Loss是一种常用于图像分割任务的损失函数，其基本思想是计算预测结果和真实结果的重叠部分，通过最小化两者的差异来优化模型。Dice Loss的取值范围在0到1之间，当预测结果与真实结果完全一致时取得最小值0，当两者完全不一致时取得最大值1。Dice Loss是基于Dice系数的损失函数，Dice系数（也称为Sørensen-Dice系数）是一种用于度量两个集合相似性的指标，常用于二分类问题中。Dice系数的取值范围为0到1，其中1表示完全重合，0表示完全不重合。
步骤105、利用SHA-256多图像加密算法对分类地理信息数据进行加密，得到加密分类地理信息数据；
具体的，本实施例中获取分类地理信息数据，利用SHA-256多图像加密算法对分类地理信息数据进行加密；通过安全散列算法和分类地理信息数据生成Logistic-Tent混沌映射的初始值；利用安全散列算法和分类地理信息数据的序列构建压缩感知受控测量矩阵和图像二次加密过程中的置乱序列和扩散序列；对分类地理信息数据进行二维压缩测量、置乱和扩散操作，得到秘密图像；将待隐蔽的秘密图像通过LSB最低有效位嵌入算法随机嵌入到一幅彩色图像RGB像素通道中，得到加密分类地理信息数据。
具体的，本实施例中SHA-256多图像加密算法是一种结合SHA-256哈希算法与图像加密技术的复合加密方法。该算法旨在提高图像数据的安全性和完整性，防止未经授权的访问和篡改。SHA-256（Secure Hash Algorithm 256 bits）是一种安全散列算法，属于SHA-2家族中的一员。它将任意长度的输入（如图像数据）映射成固定长度（256位）的输出，即散列值或摘要。这个映射过程具有高度的离散性和单向性，意味着从散列值推导出原始输入是非常困难的。在多图像加密算法中，SHA-256算法可以用于对多个图像数据进行哈希运算，生成各自唯一的散列值。这些散列值可以用于验证图像数据的完整性，即检查数据在传输或存储过程中是否被篡改。同时，散列值还可以作为图像数据的“指纹”，用于区分不同的图像。除了SHA-256哈希算法外，多图像加密算法还可能采用其他加密技术，如对称加密算法（如AES）、非对称加密算法（如RSA）或流密码等，以进一步增强图像数据的安全性。这些加密技术可以对图像数据进行加密处理，确保只有持有相应密钥的授权用户才能解密和访问图像数据。
步骤106、将加密分类地理信息数据输入至数据库中进行存储，并对加密分类地理信息数据进行信息数据查询监测，若加密分类地理信息数据的查询和下载次数超过设定阈值，则进行预警。
具体的，本实施例中将加密分类地理信息数据输入至数据库中进行存储，对加密分类地理信息数据进行备份；若系统检测到用户发起对加密分类地理信息数据的查询请求时，则记录查询请求的查询信息，包括请求时间、请求者身份、请求数据类型；系统2次/小时对加密分类地理信息数据的下载请求和查询请求进行记录，若加密分类地理信息数据的下载次数大于6次/天，查询次数大于8次/小时，则生成预警信息，将预警信息传输至管理人员的移动终端；若加密分类地理信息数据的下载次数大于10次/天，查询次数大于20次/小时，则将加密分类地理信息数据查询次数和下载次数进行限制。
其有益效果在于，可以实现快速的数据分类、识别和提取，从而大大缩短了采集周期，提高工作效率。使其对地理信息数据中的细微特征和变化进行精确捕捉，从而提高了数据采集的精度和可靠性。使得地理信息数据采集过程更加智能化和自动化，减少了人为干预和误差，提高了采集的准确性和稳定性。保障地理图像信息在采集和传输过程中的安全性，不会轻易泄露。
本实施例中，请参阅图2，本发明实施例中对初始地理信息数据进行聚类处理的一个实施例，包括以下步骤：
步骤201、获取初始地理信息数据，确定初始地理信息数据的集群数量，从初始地理信息数据中随机选择K个数据点作为初始聚类中心；
步骤202、对初始地理信息数据中的每个数据点，计算其与K个聚类中心的欧式距离；
步骤203、将每个初始地理信息数据点分配到距离最近的聚类中心所属的集群中；
步骤204、在每个集群中，计算所有初始地理信息数据点的均值，将均值作为新的聚类中心；
步骤205、重复聚类分配和更新聚类中心，直到聚类中心达到预设的迭代次数，得到训练地理信息数据。
本实施例中，请参阅图3，本发明实施例中U-Net地理信息识别模型建立过程的一个实施例，包括以下步骤：
步骤301、基于U-Net全卷积神经网络建立U-Net地理信息识别模型，U-Net地理信息识别模型至少包括输入层、卷积层、最大池化层、跳跃连接层和输出层；
步骤302、在U-Net地理信息识别模型的跳跃连接层之间添加AG注意力机制模块；
步骤303、通过AG注意力机制模块增大地理信息数据的权重，增强述U-Net地理信息识别模型对地理信息数据的学习能力；
步骤304、在U-Net地理信息识别模型的网络结构中增加ASPP模块，利用ASPP模块获取不同采样等级地理图像的特征图带入U-Net地理信息识别模型中进行计算；
步骤305、获取不同尺度的地图特征，将不同尺度的地理特征进行融合，得到目标U-Net地理信息识别模型。
本实施例中，请参阅图4，本发明实施例中目标U-Net地理信息识别模型的示意图。
上面对本发明实施例提供的一种基于深度学习的地理信息数据采集方法进行了描述，下面对本发明实施例的一种基于深度学习的地理信息数据采集系统进行描述，请参阅图5，本发明实施例包括：
数据采集模块，用于基于激光雷达传感器和图像传感器获取采集地点的实时地理信息数据，对实时地理信息数据进行数据预处理，得到初始地理信息数据；
数据处理模块，用于地理信息利用K-means聚类算法对初始地理信息数据进行数据聚类处理，得到训练地理信息数据；
模型建立模块，用于基于U-Net全卷积神经网络建立U-Net地理信息识别模型，在U-Net地理信息识别模型中添加AG注意力机制模块，得到目标U-Net地理信息识别模型；
数据分类模块，用于将训练地理信息数据输入至目标U-Net地理信息识别模型中进行识别，得到分类地理信息数据；
数据加密模块，用于利用SHA-256多图像加密算法对分类地理信息数据进行加密，得到加密分类地理信息数据；
数据传输模块，用于将加密分类地理信息数据输入至数据库中进行存储，并对加密分类地理信息数据进行信息数据查询监测，若加密分类地理信息数据的查询和下载次数超过设定阈值，则进行预警。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应所述了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。
Claims (10)
1.一种基于深度学习的地理信息数据采集方法，其特征在于，所述地理信息数据采集方法包括以下步骤：
基于激光雷达传感器和图像传感器获取采集地点的实时地理信息数据，对所述实时地理信息数据进行数据预处理，得到初始地理信息数据；
利用K-means聚类算法对所述初始地理信息数据进行数据聚类处理，得到训练地理信息数据；
基于U-Net全卷积神经网络建立U-Net地理信息识别模型，在所述U-Net地理信息识别模型中添加AG注意力机制模块，得到目标U-Net地理信息识别模型；
将所述训练地理信息数据输入至所述目标U-Net地理信息识别模型中进行识别，得到分类地理信息数据；
利用SHA-256多图像加密算法对所述分类地理信息数据进行加密，得到加密分类地理信息数据；
将所述加密分类地理信息数据输入至数据库中进行存储，并对所述加密分类地理信息数据进行信息数据查询监测，若所述加密分类地理信息数据的查询和下载次数超过设定阈值，则进行预警。
2.如权利要求1所述的一种基于深度学习的地理信息数据采集方法，其特征在于，所述基于激光雷达传感器和图像传感器获取系统中的实时地理信息数据，对所述实时地理信息数据进行数据预处理，得到初始地理信息数据，包括：
基于激光雷达传感器和图像传感器获取待采集地点的实时地理信息数据，所述实时地理信息数据至少包括利用激光雷达传感器获取的地形高程数据、建筑物形状数据、地表覆盖物形状数据、建筑物尺寸和位置数据；
所述实时地理信息数据还包括利用图像传感器获取的地形图像数据、地表覆盖物图像数据、交通路线图像数据、建筑物图像数据；
对所述实时地理信息数据进行异常值删除和数据增强处理，得到第一地理信息数据；
利用Z-score归一化方法对所述第一地理信息数据进行数据归一化处理，得到初始地理信息数据。
3.如权利要求1所述的一种基于深度学习的地理信息数据采集方法，其特征在于，所述利用K-means聚类算法对所述初始地理信息数据进行数据聚类处理，得到训练地理信息数据，包括：
获取初始地理信息数据，确定所述初始地理信息数据的集群数量，从所述初始地理信息数据中随机选择K个数据点作为初始聚类中心；
对所述初始地理信息数据中的每个数据点，计算其与K个聚类中心的欧式距离；
将每个初始地理信息数据点分配到距离最近的聚类中心所属的集群中；
在每个集群中，计算所有初始地理信息数据点的均值，将所述均值作为新的聚类中心；
重复聚类分配和更新聚类中心，直到聚类中心达到预设的迭代次数，得到训练地理信息数据。
4.如权利要求1所述的一种基于深度学习的地理信息数据采集方法，其特征在于，所述基于U-Net全卷积神经网络建立U-Net地理信息识别模型，在所述U-Net地理信息识别模型中添加AG注意力机制模块，得到目标U-Net地理信息识别模型，包括：
基于U-Net全卷积神经网络建立U-Net地理信息识别模型，所述U-Net地理信息识别模型至少包括输入层、卷积层、最大池化层、跳跃连接层和输出层；
在所述U-Net地理信息识别模型的跳跃连接层之间添加AG注意力机制模块；
通过所述AG注意力机制模块增大地理信息数据的权重，增强述U-Net地理信息识别模型对地理信息数据的学习能力；
在所述U-Net地理信息识别模型的网络结构中增加ASPP模块，利用所述ASPP模块获取不同采样等级地理图像的特征图带入所述U-Net地理信息识别模型中进行计算；
获取不同尺度的地图特征，将不同尺度的地理特征进行融合，得到目标U-Net地理信息识别模型。
5.如权利要求1所述的一种基于深度学习的地理信息数据采集方法，其特征在于，所述将所述训练地理信息数据输入至所述目标U-Net地理信息识别模型中进行识别，得到分类地理信息数据，包括：
将Dice loss函数作为所述目标U-Net地理信息识别模型的损失函数，所述Dice loss函数的Dice系数取值范围为[0-1]；
将Adam优化器作为所述目标U-Net地理信息识别模型的优化器，设置所述目标U-Net地理信息识别模型的初始学习率为0.001；
将所述训练地理信息数据输入至所述目标U-Net地理信息识别模型中进行识别，得到分类地理信息数据；
所述得到分类地理信息数据至少包括地形高程数据、地表覆盖类型数据、建筑物和道路数据。
6.如权利要求1所述的一种基于深度学习的地理信息数据采集方法，其特征在于，所述利用SHA-256多图像加密算法对所述分类地理信息数据进行加密，得到加密分类地理信息数据，包括：
获取分类地理信息数据，利用SHA-256多图像加密算法对所述分类地理信息数据进行加密；
通过安全散列算法和分类地理信息数据生成Logistic-Tent混沌映射的初始值；
利用安全散列算法和分类地理信息数据的序列构建压缩感知受控测量矩阵和图像二次加密过程中的置乱序列和扩散序列；
对分类地理信息数据进行二维压缩测量、置乱和扩散操作，得到秘密图像；
将待隐蔽的秘密图像通过LSB最低有效位嵌入算法随机嵌入到一幅彩色图像RGB像素通道中，得到加密分类地理信息数据。
7.如权利要求1所述的一种基于深度学习的地理信息数据采集方法，其特征在于，所述将所述加密分类地理信息数据输入至数据库中进行存储，并对所述加密分类地理信息数据进行信息数据查询监测，若所述加密分类地理信息数据的查询和下载次数超过设定阈值，则进行预警，包括：
将所述加密分类地理信息数据输入至数据库中进行存储，对所述加密分类地理信息数据进行备份；
若系统检测到用户发起对加密分类地理信息数据的查询请求时，则记录所述查询请求的查询信息，包括请求时间、请求者身份、请求数据类型；
系统2次/小时对所述加密分类地理信息数据的下载请求和查询请求进行记录，若所述加密分类地理信息数据的下载次数大于6次/天，查询次数大于8次/小时，则生成预警信息，将所述预警信息传输至管理人员的移动终端；
若所述加密分类地理信息数据的下载次数大于10次/天，查询次数大于20次/小时，则将所述加密分类地理信息数据查询次数和下载次数进行限制。
8.一种基于深度学习的地理信息数据采集系统，其特征在于，所述地理信息数据采集系统包括以下模块：
数据采集模块，用于基于激光雷达传感器和图像传感器获取采集地点的实时地理信息数据，对所述实时地理信息数据进行数据预处理，得到初始地理信息数据；
数据处理模块，用于地理信息利用K-means聚类算法对所述初始地理信息数据进行数据聚类处理，得到训练地理信息数据；
模型建立模块，用于基于U-Net全卷积神经网络建立U-Net地理信息识别模型，在所述U-Net地理信息识别模型中添加AG注意力机制模块，得到目标U-Net地理信息识别模型；
数据分类模块，用于将所述训练地理信息数据输入至所述目标U-Net地理信息识别模型中进行识别，得到分类地理信息数据；
数据加密模块，用于利用SHA-256多图像加密算法对所述分类地理信息数据进行加密，得到加密分类地理信息数据；
数据传输模块，用于将所述加密分类地理信息数据输入至数据库中进行存储，并对所述加密分类地理信息数据进行信息数据查询监测，若所述加密分类地理信息数据的查询和下载次数超过设定阈值，则进行预警。
9.如权利要求8所述的一种基于深度学习的地理信息数据采集系统，其特征在于，所述模型建立模块包括以下子模块：
建立子模块，用于基于U-Net全卷积神经网络建立U-Net地理信息识别模型，所述U-Net地理信息识别模型至少包括输入层、卷积层、最大池化层、跳跃连接层和输出层；
添加子模块，用于在所述U-Net地理信息识别模型的跳跃连接层之间添加AG注意力机制模块；
增强子模块，用于通过所述AG注意力机制模块增大地理信息数据的权重，增强述U-Net地理信息识别模型对地理信息数据的学习能力；
计算子模块，用于在所述U-Net地理信息识别模型的网络结构中增加ASPP模块，利用所述ASPP模块获取不同采样等级地理图像的特征图带入所述U-Net地理信息识别模型中进行计算；
融合子模块，用于获取不同尺度的地图特征，将不同尺度的地理特征进行融合，得到目标U-Net地理信息识别模型。
10.如权利要求8所述的一种基于深度学习的地理信息数据采集系统，其特征在于，所述数据加密模块包括以下子模块：
获取子模块，用于获取分类地理信息数据，利用SHA-256多图像加密算法对所述分类地理信息数据进行加密；
初始值子模块，用于通过安全散列算法和分类地理信息数据生成Logistic-Tent混沌映射的初始值；
构建子模块，用于利用安全散列算法和分类地理信息数据的序列构建压缩感知受控测量矩阵和图像二次加密过程中的置乱序列和扩散序列；
压缩子模块，用于对分类地理信息数据进行二维压缩测量、置乱和扩散操作，得到秘密图像；
嵌入子模块，用于将待隐蔽的秘密图像通过LSB最低有效位嵌入算法随机嵌入到一幅彩色图像RGB像素通道中，得到加密分类地理信息数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410516740.4A CN118114080B (zh) | 2024-04-28 | 一种基于深度学习的地理信息数据采集方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410516740.4A CN118114080B (zh) | 2024-04-28 | 一种基于深度学习的地理信息数据采集方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118114080A true CN118114080A (zh) | 2024-05-31 |
| CN118114080B CN118114080B (zh) | 2024-07-05 |
Family
ID=
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113435484A (zh) * | 2021-06-15 | 2021-09-24 | 兰州交通大学 | 结合自注意力机制的U-Net神经网络冰湖提取方法 |
| US20220309674A1 (en) * | 2021-03-26 | 2022-09-29 | Nanjing University Of Posts And Telecommunications | Medical image segmentation method based on u-net |
| CN115546551A (zh) * | 2022-10-14 | 2022-12-30 | 国网四川电力送变电建设有限公司 | 一种基于深度学习的地理信息提取方法及系统 |
| CN116309387A (zh) * | 2023-02-28 | 2023-06-23 | 武汉大学 | 一种基于深度学习的核安全壳裂缝检测方法及系统 |
| CN116665040A (zh) * | 2023-04-20 | 2023-08-29 | 河南大学 | 基于注意力机制的多尺度输入输出的建筑物变化检测方法 |
| US20230334829A1 (en) * | 2021-08-16 | 2023-10-19 | Wuhan University | Hyperspectral image classification method based on context-rich networks |
| CN116994113A (zh) * | 2023-06-27 | 2023-11-03 | 长春工业大学 | 一种基于残差UNet和高效的多尺度注意力方法用于CT图像中肝脏和肿瘤的自动分割 |
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220309674A1 (en) * | 2021-03-26 | 2022-09-29 | Nanjing University Of Posts And Telecommunications | Medical image segmentation method based on u-net |
| CN113435484A (zh) * | 2021-06-15 | 2021-09-24 | 兰州交通大学 | 结合自注意力机制的U-Net神经网络冰湖提取方法 |
| US20230334829A1 (en) * | 2021-08-16 | 2023-10-19 | Wuhan University | Hyperspectral image classification method based on context-rich networks |
| CN115546551A (zh) * | 2022-10-14 | 2022-12-30 | 国网四川电力送变电建设有限公司 | 一种基于深度学习的地理信息提取方法及系统 |
| CN116309387A (zh) * | 2023-02-28 | 2023-06-23 | 武汉大学 | 一种基于深度学习的核安全壳裂缝检测方法及系统 |
| CN116665040A (zh) * | 2023-04-20 | 2023-08-29 | 河南大学 | 基于注意力机制的多尺度输入输出的建筑物变化检测方法 |
| CN116994113A (zh) * | 2023-06-27 | 2023-11-03 | 长春工业大学 | 一种基于残差UNet和高效的多尺度注意力方法用于CT图像中肝脏和肿瘤的自动分割 |
Non-Patent Citations (3)
| Title |
|---|
| WU GUANGMING等: "High-precision building detection from aerial imagery using a U-net like convolutional architecture", ACTA GEODAETICA ET CARTOGRAPHICA, 31 December 2018 (2018-12-31) * |
| 杨乐;王慧;李烁;于翔舟;沈大川;田苗;: "结合DeepLabv3架构的多源数据建筑物提取方法", 测绘与空间地理信息, no. 06, 25 June 2020 (2020-06-25) * |
| 陈睿敏;孙胜利;: "基于深度学习的红外遥感信息自动提取", 红外, no. 08, 10 August 2017 (2017-08-10) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Privacy-enhanced data collection based on deep learning for internet of vehicles | |
| Graesser et al. | Image based characterization of formal and informal neighborhoods in an urban landscape | |
| CN111179345B (zh) | 基于车载机器视觉的前方车辆越线违章行为自动检测方法及系统 | |
| Zamir et al. | Accurate image localization based on google maps street view | |
| Soh et al. | ARKTOS: An intelligent system for SAR sea ice image classification | |
| CN109815993B (zh) | 基于gps轨迹的区域特征提取、数据库建立及路口识别方法 | |
| Wan et al. | Classification of high-resolution remote-sensing image using openstreetmap information | |
| CN106951828B (zh) | 一种基于卫星影像和网络的城市区域功能属性的识别方法 | |
| CN114021168A (zh) | 基于联邦学习的地铁基坑开挖风险识别方法及装置 | |
| CN112365595A (zh) | 基于报警数据点要素的鉴别交通事故多发点的分析方法 | |
| CN107578003B (zh) | 一种基于地理标记图像的遥感图像迁移学习方法 | |
| Chen et al. | UVLens: Urban village boundary identification and population estimation leveraging open government data | |
| WO2021114615A1 (zh) | 行为风险识别的可视化方法、装置、设备及存储介质 | |
| CN109426813B (zh) | 基于模糊聚类及神经网络模型的遥感图像自定义兴趣点提取方法 | |
| CN118114080B (zh) | 一种基于深度学习的地理信息数据采集方法及系统 | |
| Yin et al. | Multimodal fusion of satellite images and crowdsourced GPS traces for robust road attribute detection | |
| Pan et al. | Spatiotemporal matching method for tracking pavement distress using high‐frequency detection data | |
| CN118114080A (zh) | 一种基于深度学习的地理信息数据采集方法及系统 | |
| CN111598027A (zh) | 一种基于遥感大数据的区域性浅水种植区分布系统及方法 | |
| CN116361327A (zh) | 一种基于二级时空索引的轨迹伴随关系挖掘方法和系统 | |
| CN114613124B (zh) | 交通信息处理方法、装置、终端及计算机可读存储介质 | |
| CN115203354A (zh) | 一种车码轨迹预关联方法、装置、计算机设备及存储介质 | |
| CN115329378A (zh) | 一种具备加密功能的无人机空巡平台 | |
| CN111985450A (zh) | 一种运用感知哈希的高光谱遥感影像完整性认证方法 | |
| CN112989086A (zh) | 一种城市管理图像智能识别分类系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |