基于光谱分析和深度卷积神经网络的水库或塘坝识别方法技术

本发明专利技术公开了一种基于光谱分析和深度卷积神经网络的水库或塘坝识别方法，涉及人工智能，图像识别领域。首先利用光谱分析对高清遥感影像进行处理，提取水域边界信息，将水域边界信息映射到原始图像上，然后利用原始影像上的水域边界信息，将原始图片分割为若干个包含蓄水体的图片块，将这些图片块作为构建的卷积神经网络的输入，利用卷积神经网络对大坝、闸门、泄洪道进行识别分类，最后，利用大坝、闸门、泄洪道对水体进行识别和分类。准确率达到80％以上，大大提高了水体识别的准确度，卷积神经网络在结构上有明显的简化，在运行速度和稳健性上有了极大的提高，处理速度可达23fps，实现了水库、塘坝的快速精准识别。

Recognition of Reservoir or Dam Based on Spectral Analysis and Deep Convolution Neural Network

【技术实现步骤摘要】
基于光谱分析和深度卷积神经网络的水库或塘坝识别方法
本专利技术涉及人工智能，图像识别领域，尤其涉及一种基于光谱分析和深度卷积神经网络的水库或塘坝识别方法。
技术介绍
中小河流分布广泛，河网密集，对突发性降水的蓄积和疏导能力较弱，分布于中小河流流域的水库、塘坝通过不同的蓄泄洪机制对流域的产汇流产生影响。在中小河流的洪水预报中，水库、塘坝对流域的洪水过程有重要影响，而由于水库、塘坝具有不同的蓄泄洪机制，所以需要分别进行考虑。水库、塘坝的识别分类是中小河流洪水预报的重要环节，需要通过水库、塘坝的识别，对两者分别予以考虑，通过相应的数字高程和高清遥感影像，结合水库、塘坝不同的蓄泄洪机制，为中小河流洪水预报提供数据支撑。目前，水库、塘坝的识别分类主要是采用基于深度学习的别方法。这类方法一般使用基于区域的卷积神经网络(R-CNN)，先生成建议框(regionproposal)，再对建议框内的特征进行分类，并对建议框进行回归，得到目标的位置和类别。这类方法存在的问题主要是网络结构过于复杂，对计算机硬件条件要求较高，运行速度慢，且对训练集进行标注时需要专业的遥感从业人员，所以在识别过程中将受到较大的本文档来自技高网...

【技术保护点】
1.一种基于光谱分析和深度卷积神经网络的水库或塘坝识别方法，其特征在于，包括如下步骤：S1，构建卷积神经网络，该网络依次包括输入层、五个卷积层、融合层、一个全连接层和输出层，其中，所述融合层用于将第二卷积层、第三卷积层、第四卷积层、第五卷积层的特征进行融合；S2，采用基于阈值的多波段谱间关系法对高分辨率卫星遥感影像进行分析，提取水域边界信息，框定水体，得到光谱分析处理后的影像；S3，将原始影像和光谱分析处理后的影像的坐标统一映射到同一个坐标系下，在同一坐标下将水域边界信息映射到原始影像上，实现在原始影像上水体的框定；S4，利用原始影像上的水域边界信息，将原始图片分割为若干个包含蓄水体的图片块，...

【技术特征摘要】
1.一种基于光谱分析和深度卷积神经网络的水库或塘坝识别方法，其特征在于，包括如下步骤：S1，构建卷积神经网络，该网络依次包括输入层、五个卷积层、融合层、一个全连接层和输出层，其中，所述融合层用于将第二卷积层、第三卷积层、第四卷积层、第五卷积层的特征进行融合；S2，采用基于阈值的多波段谱间关系法对高分辨率卫星遥感影像进行分析，提取水域边界信息，框定水体，得到光谱分析处理后的影像；S3，将原始影像和光谱分析处理后的影像的坐标统一映射到同一个坐标系下，在同一坐标下将水域边界信息映射到原始影像上，实现在原始影像上水体的框定；S4，利用原始影像上的水域边界信息，将原始图片分割为若干个包含蓄水体的图片块，将这些图片块作为卷积神经网络的输入；S5，利用卷积神经网络对输入的包含蓄水体的图片块进行特征提取，对输入图片块中的特征地物：大坝、闸门或泄洪道进行识别；S6，根据卷积神经网络的输出结果，即是否有大坝、闸门、泄洪道，对输入图片块进行进一步分类，确定水体的具体类型，即水库或者塘坝，结合水域边界信息，实现对水体的识别。2.根据权利要求1所述的基于光谱分析和深度卷积神经网络的水库或塘坝识别方法，其特征在于，S1中还包括步骤：使用训练集对所述卷积神经网络进行训练，并使用测试集对训练好的卷积神经网络的准确率进行评估。3.根据权利要求2所述的基于光谱分析和深度卷积神经网络的水库或塘坝识别方法，其特征在于，所述训练集和所述测试集为包含有大坝、闸门、泄洪道的高清影像数据集，每张图片的大小均为224×224像素，为普通的灰度图片，训练集和测试集的比例为9:1，...

【专利技术属性】
技术研发人员：杨明祥，冯涛，王浩，雷晓辉，蒋云钟，权锦，董宁澎，林锋，余琅，
申请(专利权)人：中国水利水电科学研究院，
类型：发明
国别省市：北京,11