CN110008854B - 基于预训练dcnn的无人机影像公路地质灾害识别方法 - Google Patents
基于预训练dcnn的无人机影像公路地质灾害识别方法 Download PDFInfo
- Publication number
- CN110008854B CN110008854B CN201910204723.6A CN201910204723A CN110008854B CN 110008854 B CN110008854 B CN 110008854B CN 201910204723 A CN201910204723 A CN 201910204723A CN 110008854 B CN110008854 B CN 110008854B
- Authority
- CN
- China
- Prior art keywords
- image
- geological disaster
- aerial vehicle
- unmanned aerial
- 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
Links
Images
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及公路地质灾害识别技术领域,公开了一种基于预训练DCNN的无人机影像公路地质灾害识别方法,包括以下步骤:步骤S1,获取公路路域范围内的无人机遥感影像,预处理后得到绝对定向后的正射影像;步骤S2,采用考虑影像纹理特征的均值漂移算法分割预处理后的无人机遥感影像;步骤S3,将分割的无人机遥感影像数据作为输入数据,应用到训练好的公路地质灾害识别模型中,得到公路地质灾害识别结果。本发明采用无人机高分辨率影像,基于考虑纹理特征的均值漂移算法分割影像,将分割后的影像单元作为地质灾害识别模型的输入数据,可有效提高现有地质灾害目视解译的效率,为公路外业勘察和灾害危险性评价提供数据支持。
Description
技术领域
本发明涉及公路地质灾害识别技术领域,具体涉及一种基于预训练DCNN的无人机影像公路地质灾害识别方法。
背景技术
公路工程因其长带状的分布特征使其在建设中不可避免地需要穿越不同类型的地貌单元,涉及各种复杂的地形和地质条件,易受到沿线地质环境的影响。尤其是山区公路遭受雨水冲刷或渗透后,极易诱发崩塌、滑坡、泥石流等地质灾害。据统计,我国每年因公路地质灾害造成的损失都达几十亿元,给人民生命安全和国家财产造成巨大损失,地质灾害问题严重威胁着公路交通基础设施的正常运行。因此,如何快速、准确地获取公路地质灾害信息对于公路减灾防灾具有重要指导意义。
传统的公路地质灾害信息获取多采用资料搜集和野外现场地质环境勘察等方法。外业调查存在风险程度高、耗时耗力、时效性差等问题。无人机遥感因其灵活升降、低空飞行、快速实时、影像分辨率高等优势,为地质灾害调查、监测与评价提供了强有力的技术支持。然而,目前基于遥感影像的公路地质灾害识别多以人工目视解译为主,解译效率较低。
发明内容
本发明的目的在于,提供一种基于预训练DCNN的无人机影像公路地质灾害识别方法,实现高效、准确解译地质灾害。
为实现上述目的,本发明所设计的基于预训练DCNN的无人机影像公路地质灾害识别方法,包括以下步骤:
步骤S1,获取公路路域范围内的无人机遥感影像,预处理后得到绝对定向后的正射影像;
步骤S2,采用考虑影像纹理特征的均值漂移算法分割预处理后的无人机遥感影像;
步骤S3,将分割的无人机遥感影像数据作为输入数据,应用到训练好的公路地质灾害识别模型中,得到公路地质灾害识别结果。
作为优选实施方式,所述步骤S2进一步包括以下步骤:
步骤S2.1,对无人机影像进行均值漂移处理,得到收敛到概率密度最大的点的数据;
步骤S2.2,计算步骤S1预处理后无人机遥感影像的等价模式LBP特征值;
步骤S2.3,基于步骤S2.1和步骤S2.2的影像数据,计算影像的空间、颜色及LBP纹理特征向量;
步骤S2.4,基于步骤S2.3的初步分割结果,对影像进行区域合并获取最终的影像分割结果;
所述步骤S2.1进一步包括以下步骤:
步骤S2.1.1,按照以下算式来计算像素点x的均值漂移向量m(x):
g(x)=-k′(x),
其中,h为带宽,n为带宽范围内像素点的数量,xi为带宽范围内的第i像素点,d为空间维数,‖x‖表示范数运算,exp(x)为指数运算,k(x)为高斯核函数的轮廓函数;
步骤S2.1.2,设定容许误差ε,判断|m(x)-x|与ε的大小,若|m(x)-x|>ε,将m(x)赋给x,并返回到步骤S2.1.1;若|m(x)-x|<ε,结束该像素点x的迭代;
步骤S2.1.3,移至下一像素点x,重复步骤S2.1.1~步骤S2.1.2,直至整幅影像上的所有像素点;
在所述步骤S3中,训练好的公路地质灾害识别模型按照如下方式得到:
步骤S3.1,构建DCNN线状地物剔除模型;
步骤S3.2,利用处理过的UCM遥感数据集训练DCNN线状地物剔除模型;
步骤S3.3,将DCNN线状地物剔除模型参数迁移到公路地质灾害数据集上进行微调,构建公路地质灾害识别模型;
步骤S3.4,将处理好的收集得到的地质灾害遥感影像数据作为公路地质灾害识别模型的输入参数,训练公路地质灾害识别模型。
作为优选实施方式,所述步骤S2.2中,等价模式LBP特征值的计算过程如下:
设置半径为R的P个点圆形邻域,以邻域中心像素的中心像素点灰度值gc为基准,如果中心像素点灰度值gc大,则将与其对比的像素位置标记为0;反之,则标记为1,由此生成一组二进制序列;
统计二进制序列中由0到1或从1到0的跳变次数m,将m≤2的均归为等价模式,将m>2的均归为混合模式,遍历整幅影像统计各像素点二进制序列的跳变次数m,将所有等价模式按照0~P(P-1)+2顺序编码,将混合模式编码为0,编码值记为该像素点的等价模式LBP特征值;
作为优选实施方式,在所述步骤S2.3中,将步骤S2.2中计算的等价模式LBP纹理特征向量加入步骤S2.1预处理后的影像的颜色特征向量中,设置空间带宽参数hs,颜色带宽参数hr和纹理带宽参数hl,将同时满足空间距离小于hs,颜色特征距离小于hr和纹理特征距离小于hl的收敛到概率密度最大的点的进行聚类,得到初步分割结果。
作为优选实施方式,在所述步骤S2.4中,对影像进行区域合并的步骤如下:设置颜色阈值Tr和面积阈值Ts将步骤S2.3的分割结果基于欧式距离进行区域合并,若相邻两子区域的光谱特征值的欧式距离小于颜色阈值Tr,则将其合并为一个区域;若某一区域内的像元个数小于给定的面积阈值Ts,则将其合并到相邻区域中像元个数最多的区域。
作为优选实施方式,在所述步骤S3.1中,DCNN线状地物剔除模型包括1个输入层、4个卷积层和池化层、2个全连接层以及1个输出层,输出层包含线状地类和非线状地类类别结果;网络中各层神经元均采用ReLU型神经元:第一层卷积层窗口大小为5*5,卷积核数量为64个;第二层至第四层卷积层窗口大小为3*3,卷积核数量为128个,卷积层的步幅均为1;池化层的窗口大小均为2*2,步幅为2。
作为优选实施方式,在所述步骤S3.2中,将UCM数据集中的所有道路、河流线状地类设为负样本,其余类别的遥感数据作为正样本,采用类别平衡方法处理正负样本不平衡,同时对影像数据集进行数据增强处理,按照4:1随机划分训练集和测试集中的正负样本。
作为优选实施方式,在所述步骤S3.4中,地质灾害遥感影像数据的处理的具体步骤如下:
步骤S3.4.1,收集地质灾害多发区域的无人机遥感影像数据,对地质灾害信息进行目视解译,制作地质灾害和非地质灾害范围的矢量文件,批量裁剪影像数据并按照统一格式进行存储,获取地质灾害正样本和非地质灾害负样本库,并将所有样本大小缩放至统一大小;
步骤S3.4.2,利用标记工具对地质灾害正样本和非地质灾害负样本进行标记;
步骤S3.4.3,对样本图像进行随机水平、垂直翻转、随机缩放扩充样本集;
步骤S3.4.4,采用类别平衡方法处理正负样本中存在的数据不平衡;
步骤S3.4.5,随机打乱经过步骤S3.4.3~步骤S3.4.4处理后的数据集顺序,按照4:1随机划分训练集和测试集,保证训练集和测试集的正负样本数据比例均为4:1。
作为优选实施方式,在所述步骤S3中,采用分割后区域的固定窗口数据作为模型输入,固定窗口按照如下方式设置:分割后的某一区域y的像素总数记为Ny,每个区域至少包含的像素点的数量为Q,区域y的窗口采样大小为M×M像素:
若Ny≤Q,首先计算区域y与相邻区域的相似性,相似性度量指标选取距离相似度,以两相邻区域质心距离衡量相似性大小,将区域i合并到相似性最大的相邻区域;判断Ny是否大于Q,若不满足条件,则继续上述合并操作,直至满足Ny>Q,则选取以新合并区域质心像素为中心的M×M窗口大小的影像作为模型输入,该窗口的模型识别结果记为整个区域的识别结果;
若Ny>Q,则选取以区域质心像素为中心的M×M窗口大小的影像作为模型输入,该窗口的模型识别结果记为整个区域的识别结果。
本发明的有益效果是:本发明的基于预训练DCNN的无人机影像公路地质灾害识别方法采用无人机高分辨率影像,基于考虑纹理特征的均值漂移算法分割影像,将分割后的影像单元作为地质灾害识别模型的输入数据,输出灾害识别结果,可有效提高现有地质灾害目视解译的效率,为公路外业勘察和灾害危险性评价提供数据支持,可有效降低外业人员的人身安全风险,对于公路工程防灾减灾具有重要指导意义。
附图说明
图1为本发明优选实施例的基于预训练DCNN的无人机影像公路地质灾害识别方法的流程图。
图2为图1中的预处理无人机遥感影像步骤的子流程图。
图3为图1中分割与处理后的影像步骤的子流程图。
图4为图3中对无人机影像进行均值漂移处理步骤的子流程图。
图5为图1中的训练好的公路地质灾害识别模型的获取流程图。
图6为图1中的公路地质灾害识别模型的结构图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细说明。
近年来,随着计算机技术的飞速发展,深度学习已被广泛应用于计算机视觉、语音识别和自然语言处理等诸多领域。卷积神经网络(CNN,Convolutional Neural Networks)是目前深度学习中研究最多,应用最成熟的一个模型,在高分辨率遥感影像图像分类、地物提取、场景识别等方面已经取得了成功应用。然而,CNN模型训练需要使用大量的标记样本,只有在训练样本数量足够多、网络结构比较复杂的情况下,才能表现出较优异的性能;而在缺乏训练样本的情况下,网络容易出现过拟合和陷入局部最优解等现象。
迁移学习作为深度学习的一种,可以从现有的数据中迁移特征信息用于解决目标领域缺乏相关训练数据的学习问题,不依赖于大量标记的训练数据。迁移学习是在源数据(大样本集)领域预先训练好模型,并保持预训练模型特征参数不变,将其应用于目标数据领域并微调模型后达到目标识别的目的。针对公路地质灾害训练样本缺少的情况下,引入迁移学习机制可以达到地质灾害高效识别的目的。
针对现有公路地质灾害解译效率偏低,灾害训练样本少等问题,本发明提供一种基于预训练DCNN的无人机影像公路地质灾害识别方法,采用无人机高分辨率遥感影像,将迁移学习中预训练的模型特征信息引入公路地质灾害识别中,微调模型实现公路地质灾害信息的快速提取,是快速、大面积获取灾害信息的有效途径,能够减少作业人员野外现场踏勘的人身风险,同时对公路工程减灾防灾具有重要指导作用。
本发明公开了一种基于预训练DCNN的无人机影像公路地质灾害识别方法,请结合参阅图1,所述方法包括以下步骤:
步骤S1,获取公路路域范围内的无人机遥感影像,预处理后得到绝对定向后的DOM(Digital Orthophoto Map,数字正射影像)。
步骤S2,采用考虑影像纹理特征的均值漂移算法分割预处理后的无人机遥感影像。
步骤S3,将分割的无人机遥感影像数据作为输入数据,应用训练好的公路地质灾害识别模型中,得到公路地质地质灾害识别结果。
以下将结合附图对本方明的基于预训练DCNN的无人机影像公路地质灾害识别方法的每一步骤进行详细说明。
在步骤S1中,获取公路路域范围内的无人机遥感影像,预处理后得到绝对定向后的正射影像。
对待进行地质灾害识别的公路路域一定范围内采用无人机倾斜摄影测量,利用无人机图像处理软件(例如,ENVI OneButton)对影像进行匀色匀光、空三加密处理,生成绝对定向后的正射影像,裁剪正射影像,获取预处理后的公路路域范围内的无人机高分辨率数据,为后续地质灾害识别提供基础影像数据。请结合参阅图2,具体步骤为:
步骤S1.1,根据前期收集的公路地质灾害调查情况,选取公路路域范围,获取公路路域范围的无人机遥感影像。为保证拍摄范围的地质灾害易于识别,预设无人机飞行时的航向重叠度不低于70%,旁向重叠度不低于45%,航拍的地面分辨率达到0.2米。
步骤S1.2,判断无人机遥感影像是否存在漏洞、缺陷数据。检查无人机影像数据质量,对存在漏洞、缺陷的数据进行相应补摄与重设,以满足正射影像制作要求。
步骤S1.3,对影像进行畸变差校正、匀色匀光处理。由于无人机在飞行中姿态不稳定,导致获取的影像存在畸变现象,需要对影像进行畸变差校正。此外无人机获取的影像因曝光时间间隔、天气差异会导致影像数据存在颜色、光照等差异,需要对影像进行匀色、匀光处理。
步骤S1.4,对影像进行解析空中三角测量(空三加密)和区域网平差,生成校正后的正射影像数据。采用ENVI OneButton无人机图像处理软件对影像进行空三加密和区域网平差,生成校正后的正射影像数据。
步骤S1.5,裁剪正射影像,获取预处理后的公路路域范围内的无人机高分辨率数据。
在步骤S2中,采用考虑影像纹理特征的均值漂移算法分割预处理后的无人机影像。
现有的卷积神经网络遥感影像分类方法需要确定每个像素所属的类别,这种处理方法效率较低。依据遥感影像中的同类地物在相同的地形、光照等条件下表现出相同或相似的光谱信息和空间信息特征,考虑影像的纹理特征信息,采用考虑纹理特征的均值漂移算法分割步骤S1.5中预处理后的正射影像数据,作为后续地质灾害识别模型的输入数据。
均值漂移算法的本质是一种自适应快速上升方法,通过计算每个像素点的均值漂移矢量,对比均值漂移矢量与采样点的差值,循环求差值直到小于给定的阈值,即达到收敛到概率密度最大的点。请结合参阅图3,遥感影像的均值漂移分割步骤如下:
步骤S2.1,对无人机影像进行均值漂移处理,得到收敛到概率密度最大的点的数据。请结合参阅图4,均值漂移处理的过程如下:
步骤S2.1.1,按照以下算式来计算影像内的某一像素点x的均值漂移向量m(x):
g(x)=-k′(x) (2)
其中,h为带宽,n为带宽范围内像素点的数量,xi为带宽范围内的第i像素点,d为空间维数;||x||表示范数运算,exp(x)为指数运算,k(x)为高斯核函数的轮廓函数。
给定初始像素点x为步骤S1.5中待分割影像左上角的第1个像素点。
步骤S2.1.2,设定容许误差ε(如取值为0.01),判断|m(x)-x|与ε的大小。
若|m(x)-x|>ε,将m(x)赋给x,并返回到步骤S2.1.1;若|m(x)-x|<ε,结束该像素点x的迭代。
步骤S2.1.3,移至下一像素点x,重复步骤S2.1.1~步骤S2.1.2,直至整幅影像上的所有像素点,完成对整幅图像的滤波处理,得到收敛到概率密度最大的点的数据。
步骤S2.2,计算步骤S1预处理后无人机遥感影像的等价模式LBP特征值。
传统的均值漂移算法进行影像分割时,仅考虑空间位置和颜色特征信息,并未考虑影像的纹理特征信息。Uniform-LBP(Local Binary Pattern,局部二值模式)算子可以描述不同尺度内的影像纹理信息,且对任何灰度的单调变化均能保持基本不变,同时能够有效避免数据量过大,对数据进行降维的同时能保留图像的绝大部分关键信息。因此,本发明将Uniform-LBP算子引入影像分割中,采用Uniform-LBP算子表示影像的纹理特征,获取等价模式LBP特征值,其计算过程如下:
设置半径为R的P个点圆形邻域,以邻域中心像素的中心像素点灰度值gc为基准,将其与P个点邻域的其它像素点的灰度值gp比较。如果中心像素点灰度值gc大,则将与其对比的像素位置标记为0;反之,则标记为1,由此生成一组二进制序列。
统计二进制序列中由0到1或从1到0的跳变次数m,将m≤2的均归为等价模式,将m>2的均归为混合模式。遍历整幅影像,统计各像素点二进制序列的跳变次数m。将所有等价模式按照顺序编码,编码值范围为0~P(P-1)+2,得到[0,1,2,3,4,5,6,……,P(P-1)+2];混合模式的编码为0,编码值记为该像素点的等价模式LBP特征值。
步骤S2.3,基于步骤S2.1和步骤S2.2的影像数据,计算影像的空间、颜色及LBP纹理特征向量。
将步骤S2.2中计算的等价模式LBP纹理特征向量加入步骤S2.1预处理后的影像的颜色特征向量中,设置空间带宽参数hs,颜色带宽参数hr和纹理带宽参数hl,将同时满足空间距离小于hs,颜色特征距离小于hr和纹理特征距离小于hl的收敛到概率密度最大的点的进行聚类,得到初步分割结果。
步骤S2.4,基于步骤S2.3的初步分割结果,对影像进行区域合并获取最终的影像分割结果。
合并的过程如下:设置颜色阈值Tr和面积阈值Ts将步骤S2.3的分割结果基于欧式距离(欧几里得度量)进行区域合并。若相邻两子区域的光谱特征值的欧式距离小于颜色阈值Tr,则将其合并为一个区域;若某一区域内的像元个数小于给定的面积阈值Ts,则将其合并到相邻区域中像元个数最多的区域,得到最终的分割结果。
在步骤S3中,将步骤S2中分割好的无人机影像输入训练好的公路地质灾害识别模型,输出公路地质灾害识别结果。
将步骤S2中经考虑纹理特征的均值漂移算法分割的无人机遥感影像数据作为输入数据,应用到训练好的公路地质灾害识别模型中,输出地质灾害识别结果。
由于影像分割后的区域大小不一,直接将区域缩放至相同大小会损失影像信息,因此,采用分割后区域的固定窗口数据作为模型输入,固定窗口设置如下:分割后的某一区域y的像素总数记为Ny,每个区域至少包含的像素点的数量为Q,区域y的窗口采样大小为M×M(像素):
①若Ny≤Q,首先计算区域y与相邻区域的相似性,相似性度量指标选取距离相似度,以两相邻区域质心距离衡量相似性大小,将区域i合并到相似性最大的相邻区域;判断Ny是否大于Q,若不满足条件,则继续上述合并操作,直至满足Ny>Q,则选取以新合并区域质心像素为中心的M×M窗口大小的影像作为模型输入,该窗口的模型识别结果记为整个区域的识别结果。
②若Ny>Q,则选取以区域质心像素为中心的M×M窗口大小的影像作为模型输入,该窗口的模型识别结果记为整个区域的识别结果。
确定固定窗口后,将窗口的影像数据作为模型输入,对窗口的影像数据进行地质灾害判别,根据模型训练的结果即地质灾害与非地质灾害类别的概率判断是否为地质灾害,得到公路遥感影像的地质灾害识别输出结果。
在上述步骤S3中,请参阅图5,训练好的公路地质灾害识别模型按照如下方式得到:
步骤S3.1,构建DCNN线状地物剔除模型。搭建预训练的深度卷积神经网络DCNN(Deep Convolutional Neural Network)线状地物剔除模型框架,包括1个输入层、4个卷积层(卷积层+池化层)、2个全连接层、1个输出层,输出层包含两个类别结果,类别1为线状地类,类别2为非线状地类。其中,网络中各层神经元均采用ReLU(Rectified Linear Units,修正线性单元)型神经元:第一层卷积层窗口大小为5*5,卷积核数量为64个;第二层至第四层卷积层窗口大小为3*3,卷积核数量为128个,卷积层的步幅均为1;池化层的窗口大小均为2*2,步幅为2,如图6中所示。输出层包含两个类别结果,类别1为线状地类,类别2为非线状地类。
步骤S3.2,利用处理过的UCM遥感数据集训练DCNN线状地物剔除模型。利用UCMerced Land-Use Dataset(以下简称UCM数据集),构建预训练的DCNN线状地物剔除模型,该模型的输出结果有两个类别,类别1为待剔除的线状地类(道路、河流等),类别2为非线状地类。
传统的深度学习需要对目标领域标记大量的训练数据,若训练样本过少,则会难以构建深度学习模型,导致相关研究与应用无法开展。迁移学习是深度学习的一种,可以从现有的大量数据集(源领域)中迁移特征信息用于目标领域中的学习任务,其不依赖于大量的训练样本支持,且能够达到地质灾害高效识别的目的。迁移学习是在源数据(大样本集)领域预先训练好模型,并保持预训练模型特征参数不变,将其应用于目标数据领域并微调模型后达到目标识别的目的。
针对公路地质灾害样本少情况,本发明将迁移学习方法引入公路地质灾害识别模型中,为尽可能降低非目标地物的干扰,首先构建预训练的深度卷积神经网络DCNN线状地物剔除模型,训练数据采用UCM数据集,UCM数据集共包含21类遥感场景图像,模型的输出结果有两个类别,类别1为待剔除的线状地类(道路、河流等),类别2为非线状地类。
将UCM数据集中的所有道路、河流等线状地类设为负样本,其余类别的遥感数据作为正样本,采用类别平衡方法处理正负样本不平衡的问题,同时对影像数据集进行数据增强处理,将处理好的数据作为预训练DCNN线状地类剔除模型的训练样本,按照4:1随机划分训练集和测试集中的正负样本。
上述“类别平衡方法”可采用海康威视研究院Shicai Yang等在ILSVRC场景分类任务中提出的“类别重组”的平衡方法,其步骤为:首先,按照类别顺序对原始样本进行排序;之后,计算每个类别的样本数目并记录样本最多那个类的样本数目;根据这个最多样本数对每类样本产生一个随机排列的列表,然后用此列表中的随机数对各自类别的样本数取余,得到对应的索引值;接着,根据索引从该类的图像中提取图像,生成该类的图像随机列表;将所有类的随机列表连在一起随机打乱次序,即可得到最终的图像列表,可以发现最终列表中每类样本数目均等。
利用样本数据,训练深度卷积神经网络DCNN线状地物剔除模型。
步骤S3.3,构建公路地质灾害识别模型。请结合参阅图6,保持预训练DCNN线状地物剔除模型的特征参数不变,将其迁移到公路地质灾害数据集上进行微调,连接1个新的输出层,输出层包含两个新的类别,类别1为地质灾害结果,类别2为非地质灾害结果,搭建公路地质灾害识别模型。
基于迁移结果,将特征迁移阶段输出的特征向量作为SVM分类器的训练输入,构建公路地质灾害识别模型。
步骤S3.4,训练公路地质灾害识别模型。将处理好的地质灾害遥感影像数据作为公路地质灾害识别模型的输入参数,开始训练模型。
准备公路地质灾害的训练和测试正负样本数据,并标记样本分类信息,作为地质灾害识别模型的训练数据。地质灾害遥感影像数据的处理的具体步骤如下:
步骤S3.4.1,收集地质灾害多发区域的无人机遥感影像数据,对地质灾害信息进行目视解译,采用地理处理工具(如ArcGIS软件)制作地质灾害(崩塌、滑坡、泥石流等灾害)和非地质灾害范围的矢量文件,批量裁剪影像数据,并按照统一格式进行存储,获取地质灾害正样本和非地质灾害负样本库,并将所有样本大小缩放至统一大小。
步骤S3.4.2,卷积神经网络训练模型需要对样本类别进行标记分类,利用标记工具(如LabelImg)对地质灾害正样本进行标记,标记为1,对非地质灾害负样本标记为0。
步骤S3.4.3,对样本图像进行随机水平、垂直翻转、随机缩放扩充样本集。由于数据样本量过少容易造成模型在训练时表现过拟合,因此,为在一定程度上避免模型过拟合,对所有标记的正负样本数据进行数据增强处理,对样本图像进行随机水平、垂直翻转、随机缩放扩充样本集。
步骤S3.4.4,由于非地质灾害样本数量多于地质灾害样本数量,采用类别平衡方法(海康威视研究院的“类别重组”的平衡方法)解决正负样本中存在的数据不平衡问题,保证每个类别参与训练的概率比较均衡。
步骤S3.4.5,随机打乱经过步骤S3.4.3~步骤S3.4.4处理后的数据集顺序,按照4:1随机划分训练集和测试集,保证训练集和测试集的正负样本数据比例均为4:1。
采用上述步骤处理好的灾害数据作为公路地质灾害识别模型的训练数据,采用少量带标记信息的地质灾害和非地质灾害数据微调训练公路地质灾害识别模型。
本发明的基于预训练DCNN的无人机影像公路地质灾害识别方法旨在将迁移学习机制引入公路地质灾害识别中,通过构建预训练DCNN模型,将预训练模型的特征参数迁移至公路地质灾害样本库上进行微调训练后,达到公路地质灾害快速识别的目的。以云南省汶马高速公路为例,汶马高速公路沿线地质条件复杂,穿越多条地震断裂带,受地质灾害影响较大,通过本发明对公路沿线地质灾害进行识别,可有效减少公路前期外业勘察工作量,降低野外人员作业风险,提高勘察效率。
与现有的技术相比,本发明的基于预训练DCNN的无人机影像公路地质灾害识别方法具有以下优点:
(1)将迁移学习机制引入公路地质灾害识别中,采用无人机高分辨率影像,基于考虑纹理特征的均值漂移算法分割影像,将分割后的影像单元作为地质灾害识别模型的输入数据,输出灾害识别结果,可有效提高现有地质灾害目视解译的效率;
(2)通过迁移学习可以解决现有地质灾害信息训练样本少,难以搭建深度神经网络模型问题,实现公路地质灾害进行快速、宏观、准确识别,为公路外业勘察和灾害危险性评价提供数据支持,可有效降低外业人员的人身安全风险,对于公路工程防灾减灾具有重要指导意义。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种基于预训练DCNN的无人机影像公路地质灾害识别方法,包括以下步骤:
步骤S1,获取公路路域范围内的无人机遥感影像,预处理后得到绝对定向后的正射影像;
步骤S2,采用考虑影像纹理特征的均值漂移算法分割预处理后的无人机遥感影像;
步骤S3,将分割的无人机遥感影像数据作为输入数据,应用到训练好的公路地质灾害识别模型中,得到公路地质灾害识别结果;
所述步骤S2进一步包括以下步骤:
步骤S2.1,对无人机影像进行均值漂移处理,得到收敛到概率密度最大的点的数据;
步骤S2.2,计算步骤S1预处理后无人机遥感影像的等价模式LBP特征值;
步骤S2.3,基于步骤S2.1和步骤S2.2的影像数据,计算影像的空间、颜色及LBP纹理特征向量;
步骤S2.4,基于步骤S2.3的初步分割结果,对影像进行区域合并获取最终的影像分割结果;
在所述步骤S3中,训练好的公路地质灾害识别模型按照如下方式得到:
步骤S3.1,构建DCNN线状地物剔除模型;
步骤S3.2,利用处理过的UCM遥感数据集训练DCNN线状地物剔除模型;
步骤S3.3,将DCNN线状地物剔除模型参数迁移到公路地质灾害数据集上进行微调,构建公路地质灾害识别模型;
步骤S3.4,将处理好的收集得到的地质灾害遥感影像数据作为公路地质灾害识别模型的输入参数,训练公路地质灾害识别模型。
2.根据权利要求1所述的基于预训练DCNN的无人机影像公路地质灾害识别方法,其特征在于,所述步骤S2.1进一步包括以下步骤:
步骤S2.1.1,按照以下算式来计算像素点x的均值漂移向量m(x):
g(x)=-k′(x),
其中,h为带宽,n为带宽范围内像素点的数量,xi为带宽范围内的第i像素点,d为空间维数,||x||表示范数运算,exp(x)为指数运算,k(x)为高斯核函数的轮廓函数;
步骤S2.1.2,设定容许误差ε,判断|m(x)-x|与ε的大小,若|m(x)-x|>ε,将m(x)赋给x,并返回到步骤S2.1.1;若|m(x)-x|<ε,结束该像素点x的迭代;
步骤S2.1.3,移至下一像素点x,重复步骤S2.1.1~步骤S2.1.2,直至整幅影像上的所有像素点。
3.根据权利要求1所述的基于预训练DCNN的无人机影像公路地质灾害识别方法,其特征在于,所述步骤S2.2中,等价模式LBP特征值的计算过程如下:
设置半径为R的P个点圆形邻域,以邻域中心像素的中心像素点灰度值gc为基准,如果中心像素点灰度值gc大,则将与其对比的像素位置标记为0;反之,则标记为1,由此生成一组二进制序列;
统计二进制序列中由0到1或从1到0的跳变次数m,将m≤2的均归为等价模式,将m>2的均归为混合模式,遍历整幅影像统计各像素点二进制序列的跳变次数m,将所有等价模式按照0~P(P-1)+2顺序编码,将混合模式编码为0,编码值记为该像素点的等价模式LBP特征值。
4.根据权利要求1所述的基于预训练DCNN的无人机影像公路地质灾害识别方法,其特征在于:在所述步骤S2.3中,将步骤S2.2中计算的等价模式LBP纹理特征向量加入步骤S2.1预处理后的影像的颜色特征向量中,设置空间带宽参数hs,颜色带宽参数hr和纹理带宽参数hl,将同时满足空间距离小于hs,颜色特征距离小于hr和纹理特征距离小于hl的收敛到概率密度最大的点进行聚类,得到初步分割结果。
5.根据权利要求1所述的基于预训练DCNN的无人机影像公路地质灾害识别方法,其特征在于:在所述步骤S2.4中,对影像进行区域合并的步骤如下:设置颜色阈值Tr和面积阈值Ts将步骤S2.3的分割结果基于欧式距离进行区域合并,若相邻两子区域的光谱特征值的欧式距离小于颜色阈值Tr,则将其合并为一个区域;若某一区域内的像元个数小于给定的面积阈值Ts,则将其合并到相邻区域中像元个数最多的区域。
6.根据权利要求1所述的基于预训练DCNN的无人机影像公路地质灾害识别方法,其特征在于:在所述步骤S3.1中,DCNN线状地物剔除模型包括1个输入层、4个卷积层和池化层、2个全连接层以及1个输出层,输出层包含线状地类和非线状地类类别结果;网络中各层神经元均采用ReLU型神经元:第一层卷积层窗口大小为5*5,卷积核数量为64个;第二层至第四层卷积层窗口大小为3*3,卷积核数量为128个,卷积层的步幅均为1;池化层的窗口大小均为2*2,步幅为2。
7.根据权利要求1所述的基于预训练DCNN的无人机影像公路地质灾害识别方法,其特征在于:在所述步骤S3.2中,将UCM数据集中的所有道路、河流线状地类设为负样本,其余类别的遥感数据作为正样本,采用类别平衡方法处理正负样本不平衡,同时对影像数据集进行数据增强处理,按照4∶1随机划分训练集和测试集中的正负样本。
8.根据权利要求1所述的基于预训练DCNN的无人机影像公路地质灾害识别方法,其特征在于:在所述步骤S3.4中,地质灾害遥感影像数据的处理的具体步骤如下:
步骤S3.4.1,收集地质灾害多发区域的无人机遥感影像数据,对地质灾害信息进行目视解译,制作地质灾害和非地质灾害范围的矢量文件,批量裁剪影像数据并按照统一格式进行存储,获取地质灾害正样本和非地质灾害负样本库,并将所有样本大小缩放至统一大小;
步骤S3.4.2,利用标记工具对地质灾害正样本和非地质灾害负样本进行标记;
步骤S3.4.3,对样本图像进行随机水平、垂直翻转、随机缩放扩充样本集;
步骤S3.4.4,采用类别平衡方法处理正负样本的数据不平衡;
步骤S3.4.5,随机打乱经过步骤S3.4.3~步骤S3.4.4处理后的数据集顺序,按照4∶1随机划分训练集和测试集,保证训练集和测试集的正负样本数据比例均为4∶1。
9.根据权利要求1所述的基于预训练DCNN的无人机影像公路地质灾害识别方法,其特征在于:在所述步骤S3中,采用分割后区域的固定窗口数据作为模型输入,固定窗口按照如下方式设置:分割后的某一区域y的像素总数记为Ny,每个区域至少包含的像素点的数量为Q,区域y的窗口采样大小为M×M像素:
若Ny≤Q,首先计算区域y与相邻区域的相似性,相似性度量指标选取距离相似度,以两相邻区域质心距离衡量相似性大小,将区域i合并到相似性最大的相邻区域;判断Ny是否大于Q,若不满足条件,则继续上述合并操作,直至满足Ny>Q,则选取以新合并区域质心像素为中心的M×M窗口大小的影像作为模型输入,该窗口的模型识别结果记为整个区域的识别结果;
若Ny>Q,则选取以区域质心像素为中心的M×M窗口大小的影像作为模型输入,该窗口的模型识别结果记为整个区域的识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910204723.6A CN110008854B (zh) | 2019-03-18 | 2019-03-18 | 基于预训练dcnn的无人机影像公路地质灾害识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910204723.6A CN110008854B (zh) | 2019-03-18 | 2019-03-18 | 基于预训练dcnn的无人机影像公路地质灾害识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110008854A CN110008854A (zh) | 2019-07-12 |
CN110008854B true CN110008854B (zh) | 2021-04-30 |
Family
ID=67167296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910204723.6A Active CN110008854B (zh) | 2019-03-18 | 2019-03-18 | 基于预训练dcnn的无人机影像公路地质灾害识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110008854B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619283B (zh) * | 2019-08-26 | 2023-01-10 | 海南撰云空间信息技术有限公司 | 一种无人机正射影像道路自动提取方法 |
CN111460965B (zh) * | 2020-03-27 | 2024-05-31 | 珠海欧比特宇航科技股份有限公司 | 一种基于无人机影像的涝渍区智能分析***及其方法 |
CN111860236B (zh) * | 2020-07-06 | 2021-12-03 | 中国科学院空天信息创新研究院 | 一种基于迁移学习的小样本遥感目标检测方法及*** |
CN111931738B (zh) * | 2020-09-28 | 2021-01-26 | 南京邮电大学 | 用于遥感影像的神经网络模型预训练方法、装置 |
CN112326686B (zh) * | 2020-11-02 | 2024-02-02 | 坝道工程医院(平舆) | 无人机智能巡航路面病害检测方法、无人机和检测*** |
CN112344913B (zh) * | 2020-11-09 | 2022-08-02 | 中国公路工程咨询集团有限公司 | 一种利用无人机倾斜摄影影像的区域危险系数评估方法 |
CN113191177A (zh) * | 2020-11-20 | 2021-07-30 | 北京林业大学 | 一种用于深度学习的松材线虫病遥感影像样本标注方法 |
CN114639008A (zh) * | 2020-12-01 | 2022-06-17 | 中移(成都)信息通信科技有限公司 | 遥感图像建筑物提取方法、装置、设备及计算机存储介质 |
CN112634169B (zh) * | 2020-12-30 | 2024-02-27 | 成都星时代宇航科技有限公司 | 一种遥感图像的匀色方法和装置 |
CN112966548B (zh) * | 2021-01-18 | 2023-10-27 | 中国农业科学院农业信息研究所 | 一种大豆地块识别方法及*** |
GB2621645A (en) * | 2022-06-27 | 2024-02-21 | Checc Data Co Ltd | Deep learning based method for automatic geological disaster extraction from unmanned aerial vehicle image |
CN114821376B (zh) * | 2022-06-27 | 2022-09-20 | 中咨数据有限公司 | 一种基于深度学习的无人机影像地质灾害自动提取方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706950A (zh) * | 2009-07-13 | 2010-05-12 | 中国科学院遥感应用研究所 | 一种遥感影像多尺度分割的高性能实现方法 |
CN106169086A (zh) * | 2016-07-21 | 2016-11-30 | 武汉大学 | 导航数据辅助下的高分辨率光学影像损毁道路提取方法 |
CN106355248A (zh) * | 2016-08-26 | 2017-01-25 | 深圳先进技术研究院 | 一种深度卷积神经网络训练方法及装置 |
CN107194349A (zh) * | 2017-05-19 | 2017-09-22 | 湖北工业大学 | 基于深度学习的高分辨率PolSAR图像城区地物分类方法 |
CN107578003A (zh) * | 2017-08-29 | 2018-01-12 | 中国科学院遥感与数字地球研究所 | 一种基于地理标记图像的遥感图像迁移学习方法 |
-
2019
- 2019-03-18 CN CN201910204723.6A patent/CN110008854B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706950A (zh) * | 2009-07-13 | 2010-05-12 | 中国科学院遥感应用研究所 | 一种遥感影像多尺度分割的高性能实现方法 |
CN106169086A (zh) * | 2016-07-21 | 2016-11-30 | 武汉大学 | 导航数据辅助下的高分辨率光学影像损毁道路提取方法 |
CN106355248A (zh) * | 2016-08-26 | 2017-01-25 | 深圳先进技术研究院 | 一种深度卷积神经网络训练方法及装置 |
CN107194349A (zh) * | 2017-05-19 | 2017-09-22 | 湖北工业大学 | 基于深度学习的高分辨率PolSAR图像城区地物分类方法 |
CN107578003A (zh) * | 2017-08-29 | 2018-01-12 | 中国科学院遥感与数字地球研究所 | 一种基于地理标记图像的遥感图像迁移学习方法 |
Non-Patent Citations (4)
Title |
---|
基于卷积神经网络的路表病害识别与测量;沙爱民等;《中国公路学报》;20180131;第31卷(第1期);1-10 * |
基于改进的均值漂移算法的高分辨率遥感影像分割方法研究;李婷婷等;《贵州大学学报( 自然科学版)》;20171231;第34卷(第6期);第1-2节 * |
张伟.遥感震害信息智能提取优化方法研究.《中国优秀硕士学位论文全文数据库基础科学辑》.2014,(第10期), * |
遥感震害信息智能提取优化方法研究;张伟;《中国优秀硕士学位论文全文数据库基础科学辑》;20141015(第10期);第3.4节、图3.12 * |
Also Published As
Publication number | Publication date |
---|---|
CN110008854A (zh) | 2019-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110008854B (zh) | 基于预训练dcnn的无人机影像公路地质灾害识别方法 | |
CN111091105B (zh) | 基于新的边框回归损失函数的遥感图像目标检测方法 | |
CN112861720B (zh) | 基于原型卷积神经网络的遥感图像小样本目标检测方法 | |
CN110136170B (zh) | 一种基于卷积神经网络的遥感影像建筑物变化检测方法 | |
CN111191628B (zh) | 基于决策树与特征优化的遥感影像震害建筑物识别方法 | |
CN111339827A (zh) | 基于多区域卷积神经网络的sar图像变化检测方法 | |
CN114022770A (zh) | 基于改进自注意力机制与迁移学习的山体裂缝检测方法 | |
CN113610070A (zh) | 一种基于多源数据融合的滑坡灾害识别方法 | |
CN110751644A (zh) | 道路表面裂纹检测方法 | |
CN111241994A (zh) | 一种深度学习的遥感影像农村公路砂化路段的提取方法 | |
CN111291818B (zh) | 一种面向云掩膜的非均匀类别的样本均衡化方法 | |
Alias et al. | Classification of high resolution remote sensing images using deep learning techniques | |
CN114998251A (zh) | 一种基于联邦学***台地面异常检测方法 | |
CN111738052A (zh) | 基于深度学习的多特征融合高光谱遥感地物分类方法 | |
Atik et al. | Classification of aerial photogrammetric point cloud using recurrent neural networks | |
CN113469097B (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 | |
CN106548195A (zh) | 一种基于改进型hog‑ulbp特征算子的目标检测方法 | |
CN111179278B (zh) | 一种图像检测的方法、装置、设备和存储介质 | |
CN110765900B (zh) | 一种基于dssd的自动检测违章建筑方法及*** | |
CN114898204B (zh) | 一种基于深度学习的轨道交通周边危险源检测方法 | |
Xia et al. | Abnormal event detection method in surveillance video based on temporal CNN and sparse optical flow | |
CN116824399A (zh) | 基于改进YOLOv5神经网络的路面裂缝识别方法 | |
CN115170783A (zh) | 一种使用街景图像的快速公路路面裂缝检测方法 | |
CN114898203B (zh) | 一种基于深度学习的轨道交通周边危险源变化检测方法 | |
CN115359346B (zh) | 基于街景图片的小微空间识别方法、装置及电子设备 |
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 |