一种基于语义分割技术的露天矿区地物分割方法技术

本发明专利技术涉及一种基于语义分割技术的露天矿区地物分割方法，包括步骤：获取包含矿区RGB三通道彩色的图像数据集；根据所述图像数据集制作矿区训练集；对所述矿区训练集进行图像预处理，得到预处理后的矿区训练集；利用预处理后的矿区训练集对不同的深度学习模型分别进行训练，得到至少两个训练好的深度学习模型；利用每一个训练好的深度学习模型对同一目标矿区图像进行地物分割，得到对应的地物分割结果；对所述地物分割结果进行融合，得到最终矿区地物分割结果。本发明专利技术所提出的基于语义分割技术的露天矿区地物分割方法精度高、自动化程度高、处理流程简单，在露天矿区地物分类中有非常重要的意义。

【技术实现步骤摘要】
一种基于语义分割技术的露天矿区地物分割方法
本专利技术涉及图像分割
，特别是涉及一种基于语义分割技术的露天矿区地物分割方法。
技术介绍
矿产资源作为社会经济发展的重要物质基础，长久以来一直是国家资源安全的核心和关键。近年来随着矿产资源开采利用突飞猛进的发展，全国各地的矿区如雨后春笋般涌现。但是矿区开发过程中的一些违法行为的出现，制约了国家环境安全。因此如何能实时高效的对矿区环境进行监控已经成为了近年来国家矿产资源报告中的首要问题。随着遥感卫星的飞速发展，空间对地观测数据获取能力不断提升，遥感影像所能提供的露天矿区影像在时间、空间和光谱分辨率不断地提高，为矿区图像解译工作提供更实时、更可靠的数据支持。传统图像解译方法需要人工设置特征对图像进行分割，调参过程中需要具备较强的专业知识，泛化能力及鲁棒性较差，且识别率不高，自动化程度较低，无法适用于大规模的商业应用。而且矿区地物中的矿坑和排土场地物特征相近、不同矿区尾矿库形状不同，特征相差明显，也为使用传统方法进行矿区地物分类增加了难度。随着深度学习、大数据的蓬勃发展，基于大数据的深度学习算法在计算机视觉领域上取得了突破性的成果，使得传统图像处理算法无法解决的难题相继得到了解决。因此，尝试利用不同地区的矿区图像训练深度学习算法，并且利用训练好的深度学习算法模型进行矿区地物分类，是一种行之有效的解决方法。
技术实现思路
为克服现有技术中传统矿区图像解译方法存在的识别率不高、自动化程度低的问题，本专利技术对现有语义分割算法进行改进，同时结合矿区遥感数据，提出了一种基于语义分割技术的露天矿区地物分割方法，实现了自动化矿区地物分类。本专利技术通过深度学习的手段，为矿区变化检测、矿区生态环境检测等提供技术支持。为实现上述目的，本专利技术采取如下的技术方案：一种基于语义分割技术的露天矿区地物分割方法，包括以下步骤：步骤一：获取包含矿区RGB三通道彩色的图像数据集；步骤二：根据所述图像数据集制作矿区训练集；步骤三：对所述矿区训练集进行图像预处理，得到预处理后的矿区训练集；步骤四：利用预处理后的矿区训练集对不同的深度学习模型分别进行训练，得到至少两个训练好的深度学习模型；步骤五：利用每一个训练好的深度学习模型对同一目标矿区图像进行地物分割，得到对应的地物分割结果；步骤六：对所述地物分割结果进行融合，得到最终矿区地物分割结果。与现有技术相比，本专利技术具有以下有益效果：1)本专利技术所提出的基于语义分割技术的露天矿区地物分割方法通过利用不同露天矿区不同地物图像块训练深度学习模型，再利用训练完成的深度学习模型分割露天矿区地物，解决了传统图像处理算法无法准确分割矿区地物的难题；2)本专利技术所提出的基于语义分割技术的露天矿区地物分割方法能够高效识别不同矿区中类型相同的不同地物，利用Google开源深度学习系统TensorFlow进行开发，并利用英伟达GPU对深度学习算法进行加速，能满足工业应用的实时性要求；3)本专利技术所提出的基于语义分割技术的露天矿区地物分割方法通过使用模型融合的方式进行每个像素点投票表决的思想，可以很好的去掉一些明显分类错误的像素点，很大程度上的改善模型的预测能力；4)本专利技术所提出的基于语义分割技术的露天矿区地物分割方法精度高、自动化程度高、处理流程简单，在露天矿区地物分类中有非常重要的意义。附图说明图1为本专利技术一种基于语义分割技术的露天矿区地物分割方法的流程图；图2为本专利技术实施例中多层卷积神经网络Unet示意图；图3为本专利技术实施例中多层卷积神经网络DeeplabV3示意图。具体实施方式下面将结合附图及较佳实施例对本专利技术的技术方案进行详细描述。在其中一个实施例中，如图1所示，本专利技术一种基于语义分割技术的露天矿区地物分割方法，该方法包括以下步骤：步骤一(S100)：获取包含矿区RGB三通道彩色的图像数据集。图像数据集中的图像包括不同露天矿区的不同地物，并且图像是RGB三通道彩色的。步骤二(S200)：根据图像数据集制作矿区训练集。优选的，在步骤二中，根据图像数据集制作矿区训练集包括以下步骤：在图像数据集中的每一幅图像上标注出地物，标注后得到矿区训练集，其中地物包括开采区、尾矿库、排土场、矿堆和工业区等。步骤三(S300)：对矿区训练集进行图像预处理，得到预处理后的矿区训练集。优选的，在步骤三中，在图像预处理过程中，通过使用随机变换的方法来增加矿区训练集的数据大小，随机变换的方法的具体步骤如下：步骤三一：对矿区训练集按照90°、180°、270°进行随机旋转；步骤三二：对矿区训练集进行随机的左右翻转；步骤三三：对矿区训练集进行随机gamma变换；步骤三四：对矿区训练集进行模糊处理；步骤三五：对矿区训练集进行双边滤波、高斯滤波处理；步骤三六：对矿区训练集进行随机噪声点添加处理；步骤三七：对矿区训练集进行图像切割。步骤四(S400)：利用预处理后的矿区训练集对不同的深度学习模型分别进行训练，得到至少两个训练好的深度学习模型。为满足后续融合模型要求，利用训练集训练深度学习方法应选用多种深度学习算法。优选的，在步骤四中，不同的深度学习模型包括多层卷积神经网络Unet和多层卷积神经网络DeeplabV3。当选择多层卷积神经网络Unet和多层卷积神经网络DeeplabV3作为深度学习模型时，对多层卷积神经网络Unet和多层卷积神经网络DeeplabV3分别进行训练，需要指出的是，多层卷积神经网络Unet和多层卷积神经网络DeeplabV3的训练过程不分先后，本实施例中仅以先训练多层卷积神经网络Unet、后训练多层卷积神经网络DeeplabV3为例进行说明。进一步地，当深度学习模型为多层卷积神经网络Unet时，利用预处理后的矿区训练集对多层卷积神经网络Unet进行训练包括以下步骤：步骤四一：构造多层卷积神经网络Unet多层卷积神经网络Unet的具体结构如图2所示，其输入图像块(即原图)大小为256*256；第一层为两个卷积操作，卷积核大小3*3，卷积核数量64；第二层为最大值池化操作；第三层为两个卷积操作，卷积核大小3*3，卷积核数量128；第四层为最大值池化操作；第五层为两个卷积操作，卷积核大小3*3，卷积核数量256；第六层为最大值池化操作；第七层为两个卷积操作，卷积核大小3*3，卷积核数量512；第八层为最大值池化操作。第九层两个卷积操作，卷积核大小3*3，卷积核数量1024；第十层为上采样操作，并将第七层卷积结果加和生成大小为1024的图像矩阵；第十一层为卷积操作，卷积核大小3*3，卷积核数量512；第十二层为上采样操作，并将第五层卷积结果加和生成大小为512的图像矩阵；第十三层为卷积操作，卷积核大本文档来自技高网...

【技术保护点】
1.一种基于语义分割技术的露天矿区地物分割方法，其特征在于，包括以下步骤：/n步骤一：获取包含矿区RGB三通道彩色的图像数据集；/n步骤二：根据所述图像数据集制作矿区训练集；/n步骤三：对所述矿区训练集进行图像预处理，得到预处理后的矿区训练集；/n步骤四：利用预处理后的矿区训练集对不同的深度学习模型分别进行训练，得到至少两个训练好的深度学习模型；/n步骤五：利用每一个训练好的深度学习模型对同一目标矿区图像进行地物分割，得到对应的地物分割结果；/n步骤六：对所述地物分割结果进行融合，得到最终矿区地物分割结果。/n

【技术特征摘要】
1.一种基于语义分割技术的露天矿区地物分割方法，其特征在于，包括以下步骤：
步骤一：获取包含矿区RGB三通道彩色的图像数据集；
步骤二：根据所述图像数据集制作矿区训练集；
步骤三：对所述矿区训练集进行图像预处理，得到预处理后的矿区训练集；
步骤四：利用预处理后的矿区训练集对不同的深度学习模型分别进行训练，得到至少两个训练好的深度学习模型；
步骤五：利用每一个训练好的深度学习模型对同一目标矿区图像进行地物分割，得到对应的地物分割结果；
步骤六：对所述地物分割结果进行融合，得到最终矿区地物分割结果。


2.根据权利要求1所述的一种基于语义分割技术的露天矿区地物分割方法，其特征在于，对所述矿区训练集进行图像预处理的过程包括使用随机变换的方法来增加所述矿区训练集的数据大小，所述随机变换的方法包括以下步骤：
步骤三一：对所述矿区训练集按照90°、180°、270°进行随机旋转；
步骤三二：对所述矿区训练集进行随机的左右翻转；
步骤三三：对所述矿区训练集进行随机gamma变换；
步骤三四：对所述矿区训练集进行模糊处理；
步骤三五：对所述矿区训练集进行双边滤波、高斯滤波处理；
步骤三六：对所述矿区训练集进行随机噪声点添加处理；
步骤三七：对所述矿区训练集进行图像切割。


3.根据权利要求1或2所述的一种基于语义分割技术的露天矿区地物分割方法，其特征在于，对所述地物分割结果进行融合时采用对多个预测结果投票表决的融合方法，所述融合方法包括以下步骤：
步骤六一：利用每一个训练好的深度学习模型对所述目标矿区图像中的像素点进行分类预测，并选取预测类别最多的预测结果作为该像素点的分类预测结果；
步骤六二：按照步骤六一的方法遍历所述目标矿区图像的全部像素点后，得到所述目标矿区图像中的全部像素点的分类预测结果；
步骤六三：根据全部像素点的分类预测结果绘制图像矩阵，得到所述最终矿区地物分割结果。


4.根据权利要求3所述的一种基于语义分割技术的露天矿区地物分割方法，其特征在于，
在步骤四中，不同的深度学习模型包括多层卷积神经网络Unet和多层卷积神经网络DeeplabV3。


5.根据权利要求4所述的一种基于语义分割技术的露天矿区地物分割方法，其特征在于，当深度学习模型为多层卷积神经网络Unet时，利用预处理后的矿区训练集对多层卷积神经网络Unet进行训练包括以下步骤：
步骤四一：构造多层卷积神经网络Unet
第一层为两个卷积操作，卷积核大小3*3，卷积核数量64；
第二层为最大值池化操作；
第三层为两个卷积操作，卷积核大小3*3，卷积核数量128；
第四层为最大值池化操作；
第五层为两个卷积操作，卷积核大小3*3，卷积核数量256；
第六层为最大值池化操作；
第七层为两个卷积操作，卷积核大小3*3，卷积核数量512；
第八层为最大值池化操作。
第九层两个卷积操作，卷积核大小3*3，卷积核数量1024；
第十层为上采样操作，并将第七层卷积结果加和生成大小为1024的图像矩阵；
第十一层为卷积操作，卷积核大小3*3，卷积核数量512；
第十二层为上采样操作，并将第五层卷积结果加和生成大小为512的图像矩阵；
第十三层为卷积操作，卷积核大小3*3，卷积核数量256；
第十四层为上采样操作，并将第三层卷积结果加和生成大小为256的图像矩阵；
第十五层为卷积操作，卷积核大小3*3，卷积核数量128；
第十六层为上采样操作，并将第三层卷积结...

【专利技术属性】
技术研发人员：罗霄，特日根，仪锋，韩宇，刘欣悦，
申请(专利权)人：长光卫星技术有限公司，
类型：发明
国别省市：吉林;22