CN117409327A - 一种露天矿山的动态量化遥感监测方法 - Google Patents

一种露天矿山的动态量化遥感监测方法 Download PDF

Info

Publication number
CN117409327A
CN117409327A CN202311704067.9A CN202311704067A CN117409327A CN 117409327 A CN117409327 A CN 117409327A CN 202311704067 A CN202311704067 A CN 202311704067A CN 117409327 A CN117409327 A CN 117409327A
Authority
CN
China
Prior art keywords
remote sensing
mine
module
attention
monitoring
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.)
Pending
Application number
CN202311704067.9A
Other languages
English (en)
Inventor
何文熹
涂兵
王磊
柳潇
杨玉龙
姜华
殷宗敏
孙晨
柳思羽
高鉴
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.)
Wuhan Geological Research Center of China Geological Survey
Original Assignee
Wuhan Geological Research Center of China Geological Survey
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 Wuhan Geological Research Center of China Geological Survey filed Critical Wuhan Geological Research Center of China Geological Survey
Priority to CN202311704067.9A priority Critical patent/CN117409327A/zh
Publication of CN117409327A publication Critical patent/CN117409327A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/52—Scale-space analysis, e.g. wavelet analysis
    • 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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种露天矿山的动态量化遥感监测方法包括步骤：准备遥感影像数据；制作样本数据集；构建用于露天矿山监测的神经网络模型,包括：主干网络、基于多尺度引导注意力机制的特征提取模块、细节恢复解码模块和图斑变化类别解码模块；训练神经网络模型，得到训练完成的模型；输入待监测露天矿山遥感图像至训练完成的模型，得到监测结果。有益效果：减少了人工内业标注和外业核查的工作量，准确率高、便捷、通用性广、智能化与自动化程度高。

Description

一种露天矿山的动态量化遥感监测方法
技术领域
本发明涉及矿区图像识别领域，尤其涉及一种露天矿山的动态量化遥感监测方法。
背景技术
矿产资源是人类赖以生存和社会经济发展的重要物质基础。随着经济社会的发展，各行各业对矿产资源需求量不断增加，而对矿山资源的勘探和开采逐年频繁，随之引起的环境问题也日益严峻。怎样高效监控和管理矿山的开采，实现矿产资源开采与环境保护相协调的可持续发展，已成为重要工作和待解决的问题。
露天矿山监测，是全面了解采矿活动对区域地质环境影响的关键，而遥感序列影像分析是露天矿山分析研究领域一项重要的现代化技术，常利用遥感影像对一个地区的露天矿山进行分析，并确定矿山在两期数据间的开采和生态恢复状态变化。
早期遥感影像的露天矿山监测所采用的方式是目视解译，根据遥感影像中的地物特征，对目标地物进行人工判读框画，并结合野外调查，进一步确定所判读的地物实际情况。但是该方法用于露天矿山监测，不仅工作量大，而且处理周期长，难以实现对矿山资源的有效监管。
传统矿山地物分类识别仅利用遥感影像的光谱和空间域等低级特征，难以实现复杂地物区分，因此需使用包含大量高级特征的分类识别方法。
深度学习因具有多尺度和多层次特征提取优势，已被证明是一种强大的图像处理方式。而基于遥感序列图像的露天矿山动态量化监测，面临如下技术难题：
1. 因不同矿山所在的地质情况、开采方式不同，矿山与矿山之间的纹理色彩差异较大，因此需要学习和泛化能力较好的网络模型；
2. 根据实际情况，矿山的新增开挖区与原有开挖区纹理、色泽等差异小，需要专业经验和长期工作经验方能分辨；
3. 由于实际矿山大小不一，同时为了能实现对矿山的动态量化监测，深度学习方法需要对像素级别的序列图像差异变动实现捕捉，因此需要模型有像素级别的分辨力。
4. 由于卫星拍摄的季节不一，矿山附近植被、矿山土壤含水量、矿山的光照强度均易发生变化，这些条件变化让深度学习准确提取矿山状态变化带来了新的难度。
发明内容
为解决现有露天矿区监测存在的上述技术问题，本发明主要以遥感影像中的露天矿山状态变化监测为例，通过对深度学习模型和当前矿山遥感数据分析，充分考虑当前露天矿山状态变化遥感监测存在的难点，例如成像过程中矿山状态多变、矿山目标多尺度特征提取问题，以增强露天矿山监测精确度为目的，对原有模型进行分析改进，实现对露天矿山典型地物的动态和定量化的分析。
为此本发明提出了一种露天矿山的动态量化遥感监测方法，方法包括以下步骤：
S1、准备多期不同时相的遥感影像数据；
S2、根据遥感影像数据制作样本数据集；
S3、构建用于露天矿山监测的神经网络模型；所述神经网络模型包括：主干网络、基于多尺度引导注意力机制的特征提取模块、细节恢复解码模块和图斑变化类别解码模块；
S4、利用改进焦点损失L L，总引导损失L G，以及总重构约束损失L R、基于边界的损失函数L boundary训练所述神经网络模型，得到训练完成的模型；
S5、输入待监测露天矿山遥感图像至训练完成的模型，得到监测结果。
本发明提供的有益效果是：该发明可以基于深度学习的方法对自然资源变化情况进行智能检测，减少了人工内业标注和外业核查的工作量。基于残差结构的改进卷积网络结构能保留丰富的语义信息，解决了深层网络的退化问题，使得网络能够更好地训练和优化。注意力机制旨在强调在局部特征中捕获的重要局部区域并过滤由全局特征传递的无关信息，从而提高地物识别的精度。本发明方法准确率高、便捷、通用性广、智能化与自动化程度高，适用于各种大范围长时序的自然资源监测任务。
附图说明
图1是本发明方法的流程示意图；
图2是Bottleneck结构图；
图3是多尺度特征融合流程图；
图4是空间注意力模块结构示意图；
图5是通道注意力模块结构示意图；
图6是引导注意力机制的处理示意图；
图7是解码器构成示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。
请参考图1，图1是本发明方法的流程示意图；本发明提供的一种露天矿山的动态量化遥感监测方法，具体包括以下步骤：
S1、准备多期不同时相的遥感影像数据；
在本发明中，收集了不同传感器，前后时相的遥感影像数据，并同时对遥感影像数据进行辐射定标、大气校正和几何校正。
S2、根据遥感影像数据制作样本数据集；
需要说明的是，本发明在制作数据集时，根据自然资源要素的特征为各类要素添加标注信息，构建训练样本库，此步是为深度模型训练和自动解译提供基础。
步骤S2的具体过程如下：
S21、对遥感影像数据中的自然要素进行数字化表达，并基于数字化表达进行密集标注，得到训练基础样本；
S22、对训练基础样本进行图像增强，得到样本数据集。
作为一种实施例，制作样本数据集的过程如下：
S2-1，将图像中的自然资源实物区域进行数字化表达，将露天矿山开挖面、矿山周边背景等自然资源要素所在图像区域分别表示为0,1。
基于类别的数字化表达，采样典型的图像进行密集标注，从而形成训练样本库。
将自然资源地物图斑变化常视作为语义分割任务，通过样本指导智能模型训练学习，建立端到端的映射，准确从两期的矿山遥感图像序列中提取出矿山区域的变化图斑；
S2-2，使用上一步骤中分类和标记好的数据，做适当的样本数据增强。
本发明实施例中主要采用空间几何变换和HSV对比度变换进行训练数据增强。空间几何变换主要使用翻转、旋转、缩放、裁剪、颜色微调整等，HSV对比度变换是通过对每个像素的H、S、V分量进行增减，修改亮度和饱和度，增强图像对比度。
S3、构建用于露天矿山监测的神经网络模型；所述神经网络模型包括：主干网络、基于多尺度引导注意力机制的特征提取模块、细节恢复解码模块和图斑变化类别解码模块；
所述基于多尺度引导注意力机制的特征提取模块包括：多尺寸融合机制模块和引导注意力机制模块；所述引导注意力机制模块包括空间注意力机制模块、通道注意力机制模块和两个UNet编码器网络结构；
需要说明的是，本发明模型构建的逻辑如下：
首先搭建网络模型主干部分（也即上述主干网络），提取各个尺度的图像特征，适应各种尺寸大小的矿山图像。
然后利用多尺寸融合机制模块进行特征融合；随后基于空间注意力模块和通道注意力模块，鼓励模型排除与矿山图斑变化无关的图像全局变化，专注于与监测图斑细微相关的图像局部变化，最后利用两个UNet编码器网络结构、细节恢复解码模块和图斑变化类别解码模块进行引导注意，强化整个网络模型对于矿山开采变化区域的图斑信息的学习能力。
步骤S3具体如下：
S31、搭建网络模型主干部分；
本发明实施例中，将ResNet50除去连接层的剩下部分作为网络模型主干。ResNet50由若干个Bottleneck堆叠而成，其目的是将传统的直接拟合映射的方式转换为残差拟合。参考图2，图2是Bottleneck结构示意图；
S32、搭建网络模型的基于多尺度引导注意力机制的特征提取模块；
考虑到传统卷积神经网络长远关系建模能力以及抗干扰能力较弱问题，本发明引入了基于多尺度引导注意力机制的特征提取模块。该模块包含两个个部分，分别是多尺寸融合机制模块和引导注意力机制模块；其中引导注意力机制模块包括空间注意力机制模块、通道注意力机制模块和两个UNet编码器网络结构。
首先通过多尺度的策略来获取全局特征, 然后将所学习到的全局特征相继输入到空间注意力模块和通道注意力模块中。最后将空间注意力模块、通道注意力模块的计算结果导入到两个UNet编码器网络结构中，再由细节恢复解码模块和图斑变化类别解码模块，得到矿山遥感变化图斑和图斑变化类别标签。
具体地，步骤S3中所述神经网络模型各个结构之间的关系具体如下：
输入的样本数据经过主干网络进行特征提取，得到不同尺度的图像特征F n，n表示尺度的个数；
不同尺度的图像特征F n经过多尺度融合机制模块后，得到多尺度融合特征图F MS；
多尺度融合特征图F MS分别经过空间注意力机制模块和通道注意力机制模块，得到对应的注意力特征图；
注意力特征图一方面输入至两个UNet编码器网络结构进行自注意引导后分别输入至细节恢复解码模块和图斑变化类别解码模块，得到矿山遥感变化图斑和图斑变化类别标签。
下面本申请依次详细介绍。
多尺寸融合机制模块：
参考图3所示，将上述ResNet50网络主干按照特征图尺寸分为Res-1, Res-2,Res-3, Res-4四个残差层部分。分别将他们所生成的特征图记为F n，其中。将各层特征通过线性插值的方式上采样到相同的尺寸，得到/>。将各个/>进行堆叠操作，而后进行卷积操作，生成多尺寸融合特征图F MS：
接着，把生成的F MS与分别进行堆叠操作，将堆叠结果进行卷积，最后输入空间注意力模块和通道注意力模块。得到不同的尺寸下的注意力特征图/>:
。
空间注意力机制模块：
空间注意力机制模块，用于捕获图像中长距离的依赖，解决卷积局部感受野的问题。
如图4所示，该模块一共分为三个分支。假设输入到空间注意力模块的图像特征为，其中C，W，H分别表示为特征图的通道数、宽度、高度。在第一个分支中，F通过卷积层1得到/>，其中/>。接着/>被重塑为/>。在第二个分支中，F经过卷积层2再重塑为/>。在第三个分支中，F经过与前面的卷积层具有相同通道数量的卷积层3，再重塑为/>。
接下来，依据前两个分支的输出计算特征图中不同位置之间的相关性。
使用相关性矩阵指导第三条分支/>计算得到空间注意力图，与空间注意力模块的原始输入进行加权求和：
。
通道注意力机制模块：
通道注意力机制模块，用于捕获通道间存在的依赖关系，增强特定的特征表示。
如图5所示，与空间注意力模块类似，通道注意力模块分为三个分支，不同的是将空间方向计算转换为通道方向计算，在此不做赘述。记通道注意力机制三个分支得到的结果分别为，/>，/>。由前两个分支计算通道中不同位置的相关性矩阵/>，再与第三个分支相乘，得到关于通道的注意力图，最终与注意力模块的原始输入进行加权求和得到/>。该过程可以使用如下公式表达。
两个UNet编码器网络结构及对应的解码模块（细节恢复解码模块和图斑变化类别解码模块）：
本发明中通过编码器网络及解码器进行引导注意力；具体如下：
将多尺度融合机制模块中与/>组成/>后，一方面输入到空间注意力模块和通道注意力模块中产生注意力特征图/>，另一方面输入到两个UNet结构中。将不同的UNet分别记为/>与/>。该引导机制通过强制使两个编码器和解码器的语义表示接近，由引导损失函数来进行约束。
则不同尺度的总引导损失表示为：
此外，为了确保注意力重构后的特征与空间-通道注意力模块输入特征相对应，需要约束编码器的输出接近其输入端。记与/>分别为F和F SA结果编码器的输出。某一尺度下的编码-解码重构约束损失可以表示为：
则不同尺度的总重构约束损失表示为：
。
细节恢复解码模块：
考虑到直接对深层特征图上采样至原始尺寸进行输出将导致预测输出结果图像粗糙，为了让模型具备像素级别的分割提取精度。本发明搭建一个结合浅层特征的解码器进行空间细节恢复。浅层次的卷积特征包含更多的图像细节空间信息，将浅层次特征通过跳层连接与解码中的深层特征进行融合，通过卷积进行修复。如图7所示，解码器包含四个重复的模块：上采样层->特征拼接层->卷积层(3x3) ->卷积层(3x3) ->ReLU激活层，最后通过一个(1x1)卷积层输出结果。
图斑变化类别解码模块：
另外，为了能够进一步的降低人工处理遥感图像序列数据的工作量，本发明同时搭建了一个图斑变化类别的解码器，用于直接生成图斑区域变化的动态定量信息。整个解码器由如下几个模块构建而成：卷积层(3x3) ->卷积层(3x3) ->全连接层 ->softmax激活层;
S4、利用改进焦点损失L L，总引导损失L G，以及总重构约束损失L R、基于边界的损失函数L boundary训练所述神经网络模型，得到训练完成的模型；
需要说明的是，本发明中训练学习率动态进行调整；
在进行深度学习训练过程中，学习率是训练优化的关键性因素。本发明使用选择Adam 算法来动态调整学习率，帮助模型在训练迭代中更好的靠近最优解。其表达式如下:
是学***均值。
除了上述的提高模型特征提取能力的两个损失函数外，本文针对矿山开采问题，添加了新的两项损失函数：一个是提高矿山变化图斑分割提取精度的基于边界的损失函数，一个是矿山图斑类别判定的改进焦点损失函数。由于遥感矿山监测图像序列中，出现矿山开挖状态变化的图斑面积占比较小，因此这种分割任务存在非常严重的类别不均衡问题，存在变化的图斑面积只占不存在变化的图斑面积的几十分之一。另外，为了实现对遥感图像序列的量化监测，准确的分割出新增开挖或者生态恢复的区域边界至关重要。所以，我们采用了基于边界的损失函数。其具体公式如下：
其中，为人工标注的矿山状态变化区域图斑的轮廓线，/>为模型分割得到的矿山变化区域图斑的轮廓线。/>为人工标注的矿山变化区域轮廓线的一点；而/>为/>上对应p点最近的一点。
另外，考虑矿山开采区域的类别不平衡的影响。在实际场景中，矿山开采状态发生变化的面积和类别较少，无变化图斑区域和变化图斑区域的数据集量级不平衡。
本发明针对类别不平衡的改进焦点损失函数。在原始焦点损失的基础上增加权重约束，并从二分类场景拓展到多分类场景。改进焦点损失如下：
其中，L L为图像上某像素点对应的多类别焦点损失函数值；c t为该像素点的真实类别；表示模型在该像素点上对第c类的输出值，其数学意义是模型判断该像素点属于第/>类的肯定程度；freq(c)表示c类实例在数据集中的出现频率；μ为负类门控系数，用于控制是否在损失函数中考虑错误类别；t表示迭代次数；/>为初始权值，/>为加权系数；/>为聚焦系数。
初始权值的大小由加权系数/>控制，/>越大，出现频率较小的类的初始权值相对越大。
权重的动态修正量的大小由聚焦系数控制，/>越大，模型通过调整权值缓解类别不平衡现象的作用越强。这样让样本量较少的类别训练损失和样本量较大的样本训练损失达到平衡状态，从而解决训练集类别不均衡带来的问题。
模型训练最后由4个部分的损失函数组成，分别为改进焦点损失L L，总引导损失L G，以及总重构约束损失L R、基于边界的损失函数L boundary。L G与L R在步骤3已介绍，在此不做赘述。
总体损失函数由上述损失函数加权求和得到：
。
S5、输入待监测露天矿山遥感图像至训练完成的模型，得到监测结果。
最后，固定深度学习网络模型的训练参数，利用训练好的模型对两张前后时相的遥感影像进行处理和监测。输入的图像以切片形式表达，每张切片尺寸大小为512*512*3。图像切片作为输入经过网络模型的模拟计算，根据其输出，利用SoftMax函数得到图斑变化类型的结果，实现高效动态的矿山遥感变化监测。
综合来看，本发明的有益效果是：该发明可以基于深度学习的方法对自然资源变化情况进行智能检测，减少了人工内业标注和外业核查的工作量。基于残差结构的改进卷积网络结构能保留丰富的语义信息，解决了深层网络的退化问题，使得网络能够更好地训练和优化。注意力机制旨在强调在局部特征中捕获的重要局部区域并过滤由全局特征传递的无关信息，从而提高地物识别的精度。本发明方法准确率高、便捷、通用性广、智能化与自动化程度高，适用于各种大范围长时序的自然资源监测任务。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种露天矿山的动态量化遥感监测方法，其特征在于：包括以下步骤：
S1、准备多期不同时相的遥感影像数据；
S2、根据遥感影像数据制作样本数据集；
S3、构建用于露天矿山监测的神经网络模型；所述神经网络模型包括：主干网络、基于多尺度引导注意力机制的特征提取模块、细节恢复解码模块和图斑变化类别解码模块；
S4、利用改进焦点损失L L，总引导损失L G，以及总重构约束损失L R、基于边界的损失函数L boundary训练所述神经网络模型，得到训练完成的模型；
S5、输入待监测露天矿山遥感图像至训练完成的模型，得到监测结果。
2.如权利要求1所述的一种露天矿山的动态量化遥感监测方法，其特征在于：步骤S1中，还对遥感影像数据进行辐射定标、大气校正和几何校正。
3.如权利要求1所述的一种露天矿山的动态量化遥感监测方法，其特征在于：步骤S2的具体过程如下：
S21、对遥感影像数据中的自然要素进行数字化表达，并基于数字化表达进行密集标注，得到训练基础样本；
S22、对训练基础样本进行图像增强，得到样本数据集。
4.如权利要求3所述的一种露天矿山的动态量化遥感监测方法，其特征在于：所述图像增强，包括：空间几何变换和HSV对比度变换。
5.如权利要求1所述的一种露天矿山的动态量化遥感监测方法，其特征在于：所述基于多尺度引导注意力机制的特征提取模块包括：多尺寸融合机制模块和引导注意力机制模块；所述引导注意力机制模块包括空间注意力机制模块、通道注意力机制模块和两个UNet编码器网络结构。
6.如权利要求5所述的一种露天矿山的动态量化遥感监测方法，其特征在于：步骤S3中所述神经网络模型各个结构之间的关系具体如下：
输入的样本数据经过主干网络进行特征提取，得到不同尺度的图像特征F n，n表示尺度的个数；
不同尺度的图像特征F n经过多尺度融合机制模块后，得到多尺度融合特征图F MS；
多尺度融合特征图F MS分别经过空间注意力机制模块和通道注意力机制模块，得到对应的注意力特征图；
注意力特征图一方面输入至两个UNet编码器网络结构进行自注意引导后分别输入至细节恢复解码模块和图斑变化类别解码模块，得到矿山遥感变化图斑和图斑变化类别标签。
7.如权利要求1所述的一种露天矿山的动态量化遥感监测方法，其特征在于：所述改进焦点损失函数的公式如下：
其中，L L为图像上某像素点对应的多类别焦点损失函数值； c t为该像素点的真实类别；表示模型在该像素点上对第c类的输出值，其数学意义是模型判断该像素点属于第/>类的肯定程度；freq(c)表示c类实例在数据集中的出现频率；μ为负类门控系数，用于控制是否在损失函数中考虑错误类别；t表示迭代次数；/>为初始权值，/>为加权系数；/>为聚焦系数。
8.如权利要求6所述的一种露天矿山的动态量化遥感监测方法，其特征在于：所述总引导损失L G的公式如下：
其中，FSA为所述注意力特征图，F为多尺度融合特征图F MS与进行堆叠卷积的结果，/>为不同尺度的图像特征F n经过上采样后的结果；n为特征尺寸的编号；N为特征尺寸的总个数；E 1、E 2分别为两个UNet网络结构。
9.如权利要求6所述的一种露天矿山的动态量化遥感监测方法，其特征在于：所述总重构约束损失L R的计算公式如下：
其中，F为第一个UNet编码器网络；F SA为另一个UNet编码器网络；与/>分别为两个编码器的输出。
10.如权利要求7所述的一种露天矿山的动态量化遥感监测方法，其特征在于：基于边界的损失函数L boundary的公式如下：
其中，为人工标注的矿山状态变化区域图斑的轮廓线，/>为模型分割得到的矿山变化区域图斑的轮廓线；/>为人工标注的矿山变化区域轮廓线的一点；而/>为/>上对应p点最近的一点。
CN202311704067.9A 2023-12-13 2023-12-13 一种露天矿山的动态量化遥感监测方法 Pending CN117409327A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311704067.9A CN117409327A (zh) 2023-12-13 2023-12-13 一种露天矿山的动态量化遥感监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311704067.9A CN117409327A (zh) 2023-12-13 2023-12-13 一种露天矿山的动态量化遥感监测方法

Publications (1)

Publication Number Publication Date
CN117409327A true CN117409327A (zh) 2024-01-16

Family

ID=89494739

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311704067.9A Pending CN117409327A (zh) 2023-12-13 2023-12-13 一种露天矿山的动态量化遥感监测方法

Country Status (1)

Country Link
CN (1) CN117409327A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118211614A (zh) * 2024-05-22 2024-06-18 中南大学 基于注意力机制的三维成矿预测深度学习模型构建方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114758206A (zh) * 2022-06-13 2022-07-15 武汉珈鹰智能科技有限公司 一种钢网架结构异常检测方法及装置
CN115240066A (zh) * 2022-05-31 2022-10-25 汶上县林业保护和发展服务中心 基于深度学习的遥感影像矿区复绿监测方法及***

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115240066A (zh) * 2022-05-31 2022-10-25 汶上县林业保护和发展服务中心 基于深度学习的遥感影像矿区复绿监测方法及***
CN114758206A (zh) * 2022-06-13 2022-07-15 武汉珈鹰智能科技有限公司 一种钢网架结构异常检测方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HOEL KERVADEC ET AL: "Boundary loss for highly unbalanced segmentation", ARXIV:1812.07032V4, 17 October 2020 (2020-10-17), pages 1 - 21 *
余凤鸣等: "基于遥感技术的武当区域构造分析及找矿意义", 黄金科学技术, no. 01, 15 February 2015 (2015-02-15), pages 1 - 9 *
保罗·加莱奥内（PAOLO GALEONE）: "TensorFlow 2.0神经网络实践", 30 June 2020, 机械工业出版社, pages: 186 - 192 *
吉茹等: "基于多尺度特征融合的改进型云图分割方法", 国外电子测量技术, vol. 41, no. 11, 15 November 2022 (2022-11-15), pages 37 - 44 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118211614A (zh) * 2024-05-22 2024-06-18 中南大学 基于注意力机制的三维成矿预测深度学习模型构建方法

Similar Documents

Publication Publication Date Title
CN111986099B (zh) 基于融合残差修正的卷积神经网络的耕地监测方法及***
CN111598174B (zh) 基于半监督对抗学习的模型训练方法及图像变化分析方法
Baraboshkin et al. Deep convolutions for in-depth automated rock typing
CN108921799B (zh) 基于多尺度协同学习卷积神经网络的遥感图像薄云去除方法
Li et al. A 30-year (1984–2013) record of annual urban dynamics of Beijing City derived from Landsat data
CN112287807B (zh) 一种基于多分支金字塔神经网络的遥感影像道路提取方法
CN110991430B (zh) 基于遥感图像的地物识别及覆盖率计算方法及***
Zhang et al. First arrival picking of microseismic signals based on nested U-Net and Wasserstein Generative Adversarial Network
CN111639067B (zh) 多特征融合卷积自编码的多元地球化学异常识别方法
CN111080021B (zh) 一种基于地质信息库的砂体构型cmm神经网络预测方法
Mohammadpour et al. Automatic lineament extraction method in mineral exploration using CANNY algorithm and hough transform
Liu et al. Image edge recognition of virtual reality scene based on multi-operator dynamic weight detection
CN115761038A (zh) 一种基于图像光谱技术的隧道掌子面地质素描方法及***
Li et al. Fault-Seg-Net: A method for seismic fault segmentation based on multi-scale feature fusion with imbalanced classification
Killough et al. TiConverter: A training image converting tool for multiple-point geostatistics
El-Arafy et al. Using edge detection techniques and machine learning classifications for accurate lithological discrimination and structure lineaments extraction: a comparative case study from Gattar area, Northern Eastern Desert of Egypt
CN113591608A (zh) 一种基于深度学习的高分辨率遥感影像不透水面提取方法
CN112785629A (zh) 一种基于无监督深度光流网络的极光运动表征方法
CN117409327A (zh) 一种露天矿山的动态量化遥感监测方法
Wang et al. Intelligent seismic stratigraphic modeling using temporal convolutional network
CN116109813A (zh) 一种钻锚孔识别方法、***、电子设备及介质
CN113591740B (zh) 基于深度学习的复杂河流环境下泥沙颗粒识别方法及装置
Zhang et al. An intelligent lithology recognition system for continental shale by using digital coring images and convolutional neural networks
Tian et al. A novel deep learning method based on 2-D CNNs and GRUs for permeability prediction of tight sandstone
CN117671437B (zh) 基于多任务卷积神经网络的露天采场识别与变化检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination