一种结合深度学习的地震灾害场景识别方法技术

本发明专利技术提出了一种结合深度学习的地震灾害场景识别方法，获取震后场景的遥感图像后进行切片处理，然后进行扩展得到用于深度学习的数据，使用对单点多盒探测器目标检测器方法SSD的改进方案来进行地震场景的深度学习以及识别，所述对单点多盒探测器目标检测器方法SSD的改进方案，包括对网络进行修改，将第十六层卷积层加上一个ReLU激活函数，将第十九层卷积层加上一个ReLU激活函数以及maxpooling池化层，得到修改后的模型。本发明专利技术针对地震场景复杂且种类多样的问题，将传统的地震场景识别与深度学习相结合，能够在复杂场景快速而准确地识别地震场景，满足了实际应用中的精度需求和速度需求。

A Seismic Disaster Scene Recognition Method Based on Deep Learning

【技术实现步骤摘要】
一种结合深度学习的地震灾害场景识别方法
本专利技术属于计算机视觉和灾害监测领域，特别使用一种结合深度学习的地震灾害场景识别方法的地震灾害场景识别技术。
技术介绍
地震作为一种突发性、破坏性极强的自然灾害，对人类有着极大的危害。一方面，地震自身所带来的灾害以及其所引起的滑坡、堰塞湖、房屋坍塌会给人类的生命财产带来巨大隐患。另一方面，由于地震场景比较复杂，识别起来比较费时费力。在现有科技和经济条件下，地震应急应当具有“少量投入、快速见效、显著实效”等优点，因此地震应急是世界各国普遍重视的一项工作。从理论上讲，所谓地震的应急过程，实际上就是在有限时效内所作出的一系列决策和实施过程的集合，地震应急应该具有时间紧迫、至关重要等特点。(2017参考文献1)因此，在一定的时间约束下，地震应急决策和行动是否科学合理和各种决策实施过程是否及时有效，是地震应急工作成败的关键。而地震应急决策的科学性和合理性以及决策实施的时效性和实际效用，从根本上取决于决策和决策实施过程是否能够建立在全方位、高精度、及时性的地震灾情信息的基础上(2002参考文献2，2012参考文献3)。在深度学习出现以前，传统的目标检测识别方法主要是依据一定的先验知识，通过建立某种数学模型来完成，目前传统目标检测识别方法应用较广泛的有：帧差法(1959参考文献4)、Hough变换(1975参考文献5)、背景减除法(2005参考文献6)、光流法(1981参考文献7)、滑动窗口检测模型(2003参考文献8)、可变形部件模型(2010参考文献9)等。具体地说，帧差法、Hough变换、背景减除法以及光流法主要采用特征+数学模型的模式，利用已有数据某种特性的特征来建立相应的数学模型，求解该数学模型从而得到目标检测识别的结果；而滑动窗口检测模型方法以及可变形部件模型方法则是主要采用特征提取+分类的模式，利用手工设计特征，比如SHIFT特征提取(2004参考文献10)、HOG特征提取(2005参考文献11)、Haar特征提取(2008参考文献12)；并结合分类器进行分类，如：SVM分类器(2009参考文献13)、Adaboost分类器(2010参考文献14)，根据手工设计特征进行分类从而得到目标检测的结果。传统识别方法对于简单的场景识别效果很不错，但是地震场景具有复杂多变的特性，因此对于地震复杂多变的场景识别是一个关键问题。目前检测识别近几年已经成为计算机视觉领域重要的研究方向以及研究热点(2014参考文献15)近年来，深度学习技术的出现革新了目标检测的模式，大幅度提升了目标检测的精度和鲁棒性。由于深度神经网络能够自主学习不同层级的深层特征，所以基于深度学习的目标检测模型，相比于传统手工设计特征+分类器检测这一方法，学习的特征更加丰富，对于特征表达能力更强(2016参考文献16)。但是，现在地震场景识别大多数使用的是目视解译，对于传统的场景识别方法(机器学习)，其精度不能满足地震场景识别的要求。目前尚未有将深度学习用于地震场景识别的相关研究出现，难点主要在于深度学习在大数据条件下起效，而地震场景数据量通常不足，缺乏专家标注图片，以及地震场景复杂度较高。相关背景文献：文献1：陈子翰,窦爱霞,王晓青,etal.基于高分辨率影像的九寨沟7.0级地震道路震害评估[J].中国地震,2017.文献2：聂高众，陈建英，李志强等，2002.地震应急基础数据库建设.地震，22(3)：105—112.文献3：聂高众，安基文，邓砚，2012.地震应急灾情服务进展.地震地质，34(4)：782—791.文献4：SinglaN.Motiondetectionbasedonframedifferencemethod[J].InternationalJournalofInformation&ComputationTechnology,2014,4(15):1559-1565文献5：MerlinPM,FarberDJ.Aparallelmechanismfordetectingcurvesinpictures[J].IEEETransactionsonComputers,1975,100(1):96-98.文献6：LeeDS.EffectiveGaussianmixturelearningforvideobackgroundsubtraction[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,2005,27(5):827-832.文献7：HornBKP,SchunckBG.Determiningopticalflow[J].ArtificialIntelligence,1981,17(1-3):185-203.文献8：ViolaP,JonesM.Rapidobjectdetectionusingaboostedcascadeofsimplefeatures[C]//IEEConferenceonComputerVisionandPatternRecognition,2003,1:I-511-I-518.文献9：FelzenszwalbPF,GirshickRB,McAllesterD,etal.Objectdetectionwithdiscriminativelytrainedpart-basedmodels[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,2010,32(9):1627-1645.文献10:LoweDG.Distinctiveimagefeaturesfromscale-invariantkeypoints[J].InternationalJournalofComputerVision,2004,60(2):91-110.文献11:DalalN,TriggsB.Histogramsoforientedgradientsforhumandetection[C]//ComputerVisionandPatternRecognition,IEEEComputerSocietyConferenceon,IEEE,2005,1:886-893.文献12:PanningA,Al-HamadiAK,NieseR,etal.FacialexpressionrecognitionbasedonHaar-likefeaturedetection[J].PatternRecognition&ImageAnalysis,2008,18(3):447-452.文献13:BurgesCJC.Atutorialonsupportvectormachinesforpatternrecognition[J].DataMiningandKnowledgeDiscovery,1998,2(2):121-167.文献14:ZhuJ,ZouH,RossetS,etal.Multi-classadaboost[J].StatisticsanditsInterface,2009,2(3):349-360.文献15:ErhanD,SzegedyC,ToshevA本文档来自技高网...

【技术保护点】
1.一种结合深度学习的地震灾害场景识别方法，其特征在于：获取震后场景的遥感图像后进行切片处理，然后进行扩展得到用于深度学习的数据，使用对单点多盒探测器目标检测器方法SSD的改进方案来进行地震场景的深度学习以及识别；所述对单点多盒探测器目标检测器方法SSD的改进方案，包括对网络进行修改，将第十六层卷积层加上一个ReLU激活函数，将第十九层卷积层加上一个ReLU激活函数以及maxpooling池化层，得到修改后的模型。

【技术特征摘要】
1.一种结合深度学习的地震灾害场景识别方法，其特征在于：获取震后场景的遥感图像后进行切片处理，然后进行扩展得到用于深度学习的数据，使用对单点多盒探测器目标检测器方法SSD的改进方案来进行地震场景的深度学习以及识别；所述对单点多盒探测器目标检测器方法SSD的改进方案，包括对网络进行修改，将第十六层卷积层加上一个ReLU激活函数，将第十九层卷积层加上一个ReLU激活函数以及maxpooling池化层，得到修改后的模型。2.根据权利要求1所述结合深度学习的地震灾害场景识别方法，其特征在于：实现过程包括以下步骤，步骤1，数据获取，包括获取震后场景的遥感图像；步骤2，对步骤1所获取的数据进行切片，然后进行扩展得到用于深度学习的图片数据，包括训练集和测试集；步骤3，数据标注，将步骤2所得用于深度学习的图片数据进行数据标注，将图像中的地震场景进行分类并画框；步骤4，数据...

【专利技术属性】
技术研发人员：陈玉敏，杨帆，吴钱娇，杨家鑫，陈娒杰，谭黄元，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北,42