一种基于深度学习的自然资源要素变化检测方法技术

本发明专利技术提供了一种基于深度学习的自然资源要素变化检测方法，包括：获取两幅同一区域不同时间内的待检测图像；训练自然资源要素识别分割模型；根据自然资源要素识别分割模型对待检测图像中的自然资源要素分别进行自然资源要素识别与分割，得到自然资源要素分割图；对自然资源要素分割图进行自然资源要素合并处理，得到自然资源要素合并图；对自然资源要素合并图中的自然资源要素进行要素重复检测与重复要素剔除，得到自然资源要素变化图；其中，自然资源要素分割图中包括多个自然资源要素区域；自然资源要素合并图包括：自然资源要素分割图上图层和自然资源要素分割图下图层。素分割图上图层和自然资源要素分割图下图层。素分割图上图层和自然资源要素分割图下图层。

【技术实现步骤摘要】
一种基于深度学习的自然资源要素变化检测方法


[0001]本专利技术涉及到图像处理
，尤其涉及一种基于深度学习的自然资源要素变化检测方法。

技术介绍

[0002]自然资源是指，自然界赋予或前人留下的，可直接或间接用于满足人类需要的所有有形之物与无形之物，自然资源还能促进当地发展的生态产业，提供生态产品、发挥生态效益，提供物质产品，发挥经济效益，从而，将生态优势转化为经济优势，但是，目前针对自然资源的变化检测还没有完善的检测手段，使得在对某一个地区进行自然资源变化检测时需要大量的人工辨识自然资源要素变化的劳动量且检测精度并不理想，因此，在对自然资源进行自然资源变化检测时，如何提高检测精度并减少大量的人工辨识自然资源要素变化的劳动量是一个亟待解决的问题。

技术实现思路

[0003]本专利技术提供一种基于深度学习的自然资源要素变化检测方法，用以解决在对自然资源进行自然资源变化检测时，提高检测精度并减少大量的人工辨识自然资源要素变化的劳动量的问题。
[0004]一种基于深度学习的自然资源要素变化检测方法，包括：
[0005]获取两幅同一区域不同时间内的待检测图像；
[0006]训练自然资源要素识别分割模型；
[0007]根据自然资源要素识别分割模型对待检测图像中的自然资源要素分别进行自然资源要素识别与分割，得到自然资源要素分割图；
[0008]对自然资源要素分割图进行自然资源要素合并处理，得到自然资源要素合并图；
[0009]对自然资源要素合并图中的自然资源要素进行要素重复检测与重复要素剔除，得到自然资源要素变化图；
[0010]其中，自然资源要素分割图中包括多个自然资源要素区域；
[0011]自然资源要素合并图包括：自然资源要素分割图上图层和自然资源要素分割图下图层。
[0012]作为本专利技术的一种实施例，自然资源要素包括农业资源要素、水资源要素、森林资源要素、矿产资源要素。
[0013]作为本专利技术的一种实施例，训练自然资源要素识别分割模型，包括：
[0014]获取自然资源要素类别特征信息和与自然资源要素类别特征信息相关的相关场景特征信息；
[0015]对自然资源要素类别特征信息和相关场景特征信息进行合并处理，得到自然资源要素合并特征信息；
[0016]将自然资源要素合并特征信息输入至预设的原始生成对抗网络中进行自然资源
要素图像生成处理，得到原始自然资源要素图像；
[0017]将原始自然资源要素图像输入至预设的原始判别网络中进行真假判别，得到原始自然资源要素图像判别结果；
[0018]将原始自然资源要素图像输入至预设的原始自然资源要素图像分割模型的分类网络进行自然资源要素图像分割，得到原始自然资源要素图像分割结果；
[0019]基于原始自然资源要素图像判别结果、原始自然资源要素图像分割结果和自然资源要素类别特征信息训练预设的原始自然资源要素图像分割模型的分类网络，得到自然资源要素识别分割模型。
[0020]作为本专利技术的一种实施例，基于原始自然资源要素图像判别结果、原始自然资源要素图像分割结果和自然资源要素类别特征信息训练预设的原始自然资源要素图像分割模型的分类网络，得到自然资源要素识别分割模型，包括：
[0021]基于原始自然资源要素图像判别结果和原始自然资源要素图像的真实性计算第一识别损失，计算公式如下：
[0022]los1＝E
i～w(i)
[log
10
(1
‑
P(i))]+E
j～h(j)
[log
10
P(j)][0023]其中，los1为第一识别损失，i～w(i)为原始自然资源要素图像中由原始生成对抗网络生成的数据，j～h(j)为原始自然资源要素图像中的真实数据，P(i)为原始自然资源要素图像中由原始生成对抗网络生成的数据的判别结果为真的概率，P(j)为原始自然资源要素图像中的真实数据的判别结果为真的概率，E
i～w(i)
[log
10
(1
‑
P(i))]为函数[log
10
(1
‑
P(i))]～[log
10
(1
‑
P(w(i)))]的数学期望，E
j～h(j)
[log
10
P(j)]为函数[log
10
P(j)]～[log
10
P(h(j))]的数学期望；
[0024]基于原始自然资源要素图像分割结果和自然资源要素类别特征信息计算第二分割损失，计算公式如下：
[0025][0026]其中，los2为第二分割损失，α与β为原始自然资源要素图像的图像尺寸中的长和宽，k(σ
v,y
)为原始自然资源要素图像分割结果，τ
v,y
为预设的与k(σ
v,y
)对应的正确的图像分割结果；
[0027]基于第一识别损失和第二分割损失计算第三自然资源要素损失，计算公式如下：
[0028]los3＝los1+los2[0029]若第三自然资源要素损失大于预设的损失阈值时，更新预设的原始自然资源要素图像分割模型的分类网络、原始生成对抗网络与原始判别网络中的网络参数并重新计算第三自然资源要素损失；
[0030]若第三自然资源要素损失小于等于预设的损失阈值时，将预设的原始自然资源要素图像分割模型作为自然资源要素识别分割模型。
[0031]作为本专利技术的一种实施例，对自然资源要素合并图中的自然资源要素进行要素重复检测，包括以下步骤：
[0032]步骤1：将自然资源要素合并图划分为多个检测区域，每个检测区域内至多只包含
两种自然资源要素类别；
[0033]步骤2：分别获取检测区域内自然资源要素分割图上图层和自然资源要素分割图下图层中的自然资源要素区域；
[0034]步骤3：若检测区域内自然资源要素分割图上图层中的自然资源要素类别和检测区域内自然资源要素分割图下图层中的自然资源要素类别相同，则判定当前检测区域内的自然资源要素重复。
[0035]作为本专利技术的一种实施例，对自然资源要素合并图中的自然资源要素进行重复要素剔除，包括以下步骤：
[0036]步骤1：获取检测区域内自然资源要素分割图上图层和自然资源要素分割图下图层中重复的自然资源要素区域；
[0037]步骤2：分别确定检测区域内自然资源要素分割图上图层和自然资源要素分割图下图层中重复的自然资源要素区域的范围；
[0038]步骤3：将涉及检测区域内自然资源要素分割图上图层和自然资源要素分割图下图层中重复的自然资源要素区域的范围的自然资源要素进行重复要素剔除。
[0039]作为本专利技术的一种实施例，一种基于深度学习的自然资源要素变化检测方法还包括：
[0040]对待检测图像进行图像平滑处理，得到更优本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的自然资源要素变化检测方法，其特征在于，包括：获取两幅同一区域不同时间内的待检测图像；训练自然资源要素识别分割模型；根据所述自然资源要素识别分割模型对所述待检测图像中的自然资源要素分别进行自然资源要素识别与分割，得到自然资源要素分割图；对所述自然资源要素分割图进行自然资源要素合并处理，得到自然资源要素合并图；对所述自然资源要素合并图中的自然资源要素进行要素重复检测与重复要素剔除，得到自然资源要素变化图；其中，所述自然资源要素分割图中包括多个自然资源要素区域；所述自然资源要素合并图包括：自然资源要素分割图上图层和自然资源要素分割图下图层。2.根据权利要求1所述的一种基于深度学习的自然资源要素变化检测方法，其特征在于，所述自然资源要素包括农业资源要素、水资源要素、森林资源要素、矿产资源要素。3.根据权利要求1所述的一种基于深度学习的自然资源要素变化检测方法，其特征在于，所述训练自然资源要素识别分割模型，包括：获取自然资源要素类别特征信息和与所述自然资源要素类别特征信息相关的相关场景特征信息；对所述自然资源要素类别特征信息和所述相关场景特征信息进行合并处理，得到自然资源要素合并特征信息；将所述自然资源要素合并特征信息输入至预设的原始生成对抗网络中进行自然资源要素图像生成处理，得到原始自然资源要素图像；将所述原始自然资源要素图像输入至预设的原始判别网络中进行真假判别，得到原始自然资源要素图像判别结果；将所述原始自然资源要素图像输入至预设的原始自然资源要素图像分割模型的分类网络进行自然资源要素图像分割，得到原始自然资源要素图像分割结果；基于所述原始自然资源要素图像判别结果、所述原始自然资源要素图像分割结果和所述自然资源要素类别特征信息训练所述预设的原始自然资源要素图像分割模型的分类网络，得到自然资源要素识别分割模型。4.根据权利要求3所述的一种基于深度学习的自然资源要素变化检测方法，其特征在于，所述基于所述原始自然资源要素图像判别结果、所述原始自然资源要素图像分割结果和所述自然资源要素类别特征信息训练所述预设的原始自然资源要素图像分割模型的分类网络，得到自然资源要素识别分割模型，包括：基于所述原始自然资源要素图像判别结果和所述原始自然资源要素图像的真实性计算第一识别损失，计算公式如下：los1＝E
i～w(i)
[log
10
(1
‑
P(i))]+E
j～h(j)
[log
10
P(j)]其中，los1为第一识别损失，i～w(i)为原始自然资源要素图像中由原始生成对抗网络生成的数据，j～h(j)为原始自然资源要素图像中的真实数据，P(i)为原始自然资源要素图像中由原始生成对抗网络生成的数据的判别结果为真的概率，P(j)为原始自然资源要素图像中的真实数据的判别结果为真的概率，E
i～w(i)
[log
10
(1
‑
P(i))]为函数[log
10
(1
‑
P(i))]～
[log
10
(1
‑
P(w(i)))]的数学期望，E
j～h(j)
[log
10
P{j)]为函数[log
10
P(j)]～[log
10
P(h(j))]的数学期望；基于所述原始自然资源要素图像分割结果和所述自然资源要素类别特征信息计算第二分割损失，计算公式如下：其中，los2为第二分割损失，α与β为原始自然资源要素图像的图像尺寸中的长和宽，k(σ
v，y
)为原始自然资源要素图像分割结果，τ
v，y
为预设的与k(σ
v，y
)对应的正确的图像分割结果；基于所述第一识别损失和所述第二分割损失计算第三自然资源要素损失，计算公式如下：los3＝los1+los2若所述第三自然资源要素损失大于预设的损失阈值时，更新所述预设的原始自然资源要素图像分割模型的分类网络、所述原始生成对抗网络与原始判别网络中的网络参数并重新计算第三自然资源要素损失；若所述第三自然资源要素损失小于等于预设的损失阈值时，将所述预设的原始自然资源要素图像分割模型作为所述自然资源要素识别分割模型。5.根据权利要求1所述的一种基于深度学习的自然资源要素变化检测方法，其特征在于，所述对所述自然资源要素分割图进行自然资源要素合并处理，得到自然资源要素合并图，包括：对两幅所述自然资源要素分割图中的多个自然资源要素区域进行合并处理，得到自然资...

【专利技术属性】
技术研发人员：王淑娟，
申请(专利权)人：江苏星月测绘科技股份有限公司，
类型：发明
国别省市：