一种基于改进Unet++的露天矿区采场变化区域检测方法技术

本发明专利技术公开了一种基于改进Unet++的露天矿区采场变化区域检测方法，其方法如下：A、获取至少两个年份的采场样本数据集，采场样本数据集中的数据为露天矿区采场的高分辨率遥感影像；B、基于Pytorch设计构建改进的Unet++网络模型，Unet++网络模型以Unet++作为基础网络结构，引入可变形卷积模块和CBAM注意力机制模块，CBAM注意力机制模块包括通道注意力模块和空间注意力模块；C、Unet++网络模型训练：利用训练数据集对Unet++网络模型进行训练并得到训练后的Unet++网络模型。本发明专利技术将多尺度可变形卷积引入Unet++网络模型并用于露天矿区场景特征提取，提高了鲁棒性与识别精度；通过在可变形卷积Unet++网络中加入深度学习注意力机制，增强模型对实质性变化类特征的学习与敏感程度。感程度。感程度。

【技术实现步骤摘要】
一种基于改进Unet++的露天矿区采场变化区域检测方法


[0001]本专利技术涉及采矿遥感数据处理及识别领域，尤其涉及一种基于改进Unet++的露天矿区采场变化区域检测方法。

技术介绍

[0002]露天矿山的合理和有序开发对于矿产资源和生态环境的保护至关重要，露天矿区的动态变化监测可以掌握露天矿的开采活动、评价露天矿对环境的影响、识别露天矿的非法破坏行为，因此实现露天矿区变化区域高效和准确识别是目前亟待解决的问题之一。传统矿山监测通常依靠人工外业调查的方式，需要投入大量的人力、物力和财力，且监测不及时，效果较差。随着遥感技术和深度学习的快速发展，人们可以获取大量的高分辨率遥感影像，使得基于高分辨率遥感影像变化检测的方式逐渐替代了传统的人工方式。
[0003]传统的非深度学习变化检测方法受限于人工特征选取，变化检测精度有限。深度学习卷积神经网络的层次化结构，可以学习影像深层次、结构化的特征，相较于手工特征，具有更强的可分能力，极大地提高了影像的分类精度。语义分割是通过特定方法将图像分割成具有逐像素语义标注的分割图像，即实现像素级别的分类，在变化检测任务中，即实现变化区域和未变化区域的分割。Unet++是目前精度最高的语义分割网络之一，其在Unet原有的跳跃连接中添加密集跳跃连接，有效减小了底层信息和高层信息之间的语义鸿沟，具有捕捉影像特征细节的优势，更适合用于高分辨率遥感影像的语义分割。但是将Unet++用于露天矿区采场变化区域检测，存在以下问题：(1)露天矿区的形状和尺度存在较大异质性，而Unet++采用了传统方形卷积方法，模型的准确性和泛化能力有待提升；(2)变化检测采用的多时相/多源影像中季节、阴影等背景变化，会对变化检测结果产生干扰，需要使模型更加关注于露天矿区采场目标本身的变化；(3)相较于未变化区域，变化区域所占面积比例更小，相同的权重直接训练网络则会使网络倾向于将变化区域分类为未变化区域。因此需要对Unet++网络进行改进和优化，使其能够快速准确地应用于露天矿区采场变化区域的检测。

技术实现思路

[0004]针对现有技术存在的不足之处，本专利技术的目的在于提供一种基于改进Unet++的露天矿区采场变化区域检测方法，将多尺度可变形卷积引入Unet++网络模型并用于露天矿区场景特征提取，提高了模型对于露天矿区形状、尺度变异的鲁棒性，从而提高变化检测的识别精度；通过在可变形卷积Unet++网络中加入深度学习注意力机制，增强模型对实质性变化类特征的学习，抑制与实质变化类无关的特征，从而提升网络对于变化类像元的敏感程度；而且采用占比加权的损失函数构建方法解决网络训练中变化与未变化区域不平衡的问题，进一步验证与提高变化检测精度。
[0005]本专利技术的目的通过下述技术方案实现：
[0006]一种基于改进Unet++的露天矿区采场变化区域检测方法，其方法如下：
[0007]A、获取至少两个年份的采场样本数据集，采场样本数据集中的数据为露天矿区采场的高分辨率遥感影像；
[0008]A1、利用ArcGIS对不同年份的采场样本数据集中高分辨率遥感影像进行数据标注，通过对比不同年份时相数据确定变化区域，同一采场在不同年份影像中的变化区域作为学习对象，该学习对象对应配置有变化标签；
[0009]A2、将两个不同年份的3通道遥感影像数据叠加为6通道影像数据，然后将其裁剪为若干相同区域的256像素
×
256像素的影像块，筛选带有采场的影像块作为样本数据；
[0010]A3、通过翻转、平移、尺度变化、对比度变化和高斯噪声对样本数据进行数据增强处理；将6通道影像块连同其变化标签共同构成网络输入数据；
[0011]A4、按照7∶3的比例将采场研究区域所对应的网络输入数据随机分为训练数据集和测试数据集；
[0012]B、基于Pytorch设计构建改进的Unet++网络模型，改进的Unet++网络模型以Unet++作为基础网络结构，引入可变形卷积模块和CBAM注意力机制模块，CBAM注意力机制模块包括通道注意力模块和空间注意力模块，方法包括如下：
[0013]B1、将网络输入数据输入改进的Unet++网络模型，改进的Unet++网络模型首先进行包括下采样、上采样和跳跃连接操作处理提取露天矿区采场变化区域的多尺度特征信息；
[0014]B2、Unet++网络模型的可变形卷积模块通过一个3
×
3卷积的输出得到可变形卷积所需的10个偏移量，并将10个偏移量作用在卷积核上以达到可变形卷积的效果；改进的Unet++网络模型根据步骤B1的多尺度特征信息采用可变形卷积的卷积核适应性覆盖露天矿区采场变化区域并捕获深层多尺度细节特征信息A；
[0015]B3、深层多尺度细节特征信息A输入通道注意力模块并得到通道注意力权值，再将深层多尺度细节特征信息A与通道注意力权值相乘得到通道维度上加强的特征信息B；将特征信息B输入空间注意力模块并得到空间注意力权值，再将特征信息B与空间注意力权值相乘得到空间维度上加强的特征信息C，该特征信息C经卷积并形成露天矿区采场变化区域特征信息；
[0016]C、改进的Unet++网络模型训练：利用训练数据集对改进的Unet++网络模型进行训练并得到训练后的改进的Unet++网络模型。
[0017]优选地，本专利技术方法中步骤C还包括C1；
[0018]C1、改进的Unet++网络模型训练过程中采用交叉熵损失函数，其计算方法如下：其中y表示影像中采场范围标准变化值，表示模型预测变化值概率，S为影像像素数量，L为模型损失值，以此表示模型的误差大小，Unet++网络模型的误差大小为L。
[0019]优选地，本专利技术方法还包括如下方法：C2、通过训练后的改进的Unet++网络模型检测露天矿区采场变化区域并采用投票策略与面向对象影像分析方法相结合以提高变化检测精度，其方法包括：
[0020]C21、将测试数据集中的网络输入数据输入到训练好的Unet++网络模型中，获取露天矿区采场变化区域的检测值，其检测值为测试数据集中网络输入数据按照步骤B方法所
对应的露天矿区采场变化区域；
[0021]C22、采用多尺度分割算法对测试数据集中的影像进行分割，得到影像对象分割结果，并采用ESP工具自动获得最佳分割尺度；假设影像对象o
i
包含N个像素，且l
j
是像素j的类别，像素j的类别包括变化、未变化两种，则影像对象o
i
的类别c
i
可通过下式确定：
[0022][0023]C
i
＝argmax(d
i，c
)
[0024]其中c∈像素j的类别，影像对象o
i
的类别c
i
由影像对象内像素j的多数确定；所有影像对象o
i
的类别确定后即完成测试数据集中测试影像的变化区域检测；
[0025]通过变化区域检测结果与测试数据集中数据对比本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进Unet++的露天矿区采场变化区域检测方法，其特征在于：其方法如下：A、获取至少两个年份的采场样本数据集，采场样本数据集中的数据为露天矿区采场的高分辨率遥感影像；A1、利用ArcGIS对不同年份的采场样本数据集中高分辨率遥感影像进行数据标注，通过对比不同年份时相数据确定变化区域，同一采场在不同年份影像中的变化区域作为学习对象，该学习对象对应配置有变化标签；A2、将两个不同年份的3通道遥感影像数据叠加为6通道影像数据，然后将其裁剪为若干相同区域的256像素
×
256像素的影像块，筛选带有采场的影像块作为样本数据；A3、通过翻转、平移、尺度变化、对比度变化和高斯噪声对样本数据进行数据增强处理；将6通道影像块连同其变化标签共同构成网络输入数据；A4、按照7∶3的比例将采场研究区域所对应的网络输入数据随机分为训练数据集和测试数据集；B、基于Pytorch设计构建改进的Unet++网络模型，改进的Unet++网络模型以Unet++作为基础网络结构，引入可变形卷积模块和CBAM注意力机制模块，CBAM注意力机制模块包括通道注意力模块和空间注意力模块，方法包括如下：B1、将网络输入数据输入改进的Unet++网络模型，改进的Unet++网络模型首先进行包括下采样、上采样和跳跃连接操作处理提取露天矿区采场变化区域的多尺度特征信息；B2、Unet++网络模型的可变形卷积模块通过一个3
×
3卷积的输出得到可变形卷积所需的10个偏移量，并将10个偏移量作用在卷积核上以达到可变形卷积的效果；改进的Unet++网络模型根据步骤B1的多尺度特征信息采用可变形卷积的卷积核适应性覆盖露天矿区采场变化区域并捕获深层多尺度细节特征信息A；B3、深层多尺度细节特征信息A输入通道注意力模块并得到通道注意力权值，再将深层多尺度细节特征信息A与通道注意力权值相乘得到通道维度上加强的特征信息B；将特征信息B输入空间注意力模块并得到空间注意力权值，再将特征信息B与空间注意力权值相乘得到空间维度上加强的特征信息C，该特征信息C经卷积并形成露天矿区采场变化区域特征信息；C、改进的Unet++网络模型训练：利用训练数据集对改进的Unet++网络模型进行训练并得到训练后的改进的Unet++网络模型。2.按照权利要求1所述的一种基于改进Unet++的露天矿区采场变化区域检测方法，其特征在于：步骤C还包括C1；C1、改进的Unet++网络模型训练过程中采用交叉熵损失函数，其计算方法如下：其中y表示影像中采场范围标准变化值，表示模型预测变化值概率，S为影像像素数量，L为模型损失值，以此表示模型的误差大小，Unet++网络模型的误差大小为L。3.按照权利要求2所述的一种基于改进Unet++的露天矿区采场变化区域检测方法，其特征在于：还包括如下方法：C2、通过训练后的改进的Unet++网络模型检测露天矿区采场变化区域并采用投票策略与面向对象影像分析方法相结合以提高变化检测精度，其方法包括：
C21、将测试数据集中的网络输入数据输入到训练好的Unet++网络模型中，获取露天矿区采场变化区域的检测值，其检测值为测试数据集中网络输入数据按照步骤B方法所对应的露天矿区采场变化区域；C22、采用多尺度分割算法对测试数据集中的影像进行分割，得到影像对象分割结果，并采...

【专利技术属性】
技术研发人员：李军，李炜，杜守航，张成业，杨金中，邢江河，
申请(专利权)人：中国自然资源航空物探遥感中心北京数论科技有限公司，
类型：发明
国别省市：