一种增强边缘取样与改进Unet模型的矿区FVC计算方法及系统技术方案

本发明专利技术公开了一种增强边缘取样与改进Unet模型的矿区FVC计算方法，A、矿区场景下地面植被参数数据采集；B、构建基于扩大选区交叉重叠法的样本数据集；C、构建并训练改进Unet神经网络模型；D、利用改进Unet神经网络模型计算矿区植被覆盖度。本发明专利技术首先通过无人机飞行采集遥感数据以及地面土壤植被覆盖度、布设地面控制点构建植被相关数据采集体系，为植被覆盖度计算提供数据基础，然后利用扩大选区交替重叠取样法对训练样本数据进行分割提取组建植被覆盖度样本数据库，最后利用改进Unet网络模型进行模型训练与构筑植被覆盖度网络关系模型，进而精确推演出植被覆盖度厘米级别信息数据，为矿区生态环境监测管理、矿区开采发展计划提供有力的数据支持。划提供有力的数据支持。划提供有力的数据支持。

【技术实现步骤摘要】
一种增强边缘取样与改进Unet模型的矿区FVC计算方法及系统


[0001]本专利技术涉及采矿领域、人工智能领域、生态学领域、遥感及地理信息领域，尤其涉及一种增强边缘取样与改进Unet模型的矿区FVC计算方法。

技术介绍

[0002]矿区的开采严重影响植被的生长，及时准确检测矿区植被生长情况，利用植被覆盖度数据对矿区植被进行研究，可以明确矿区生态系统植被的分布与生长情况，为矿区后续管理开采提供数据依据。目前利用遥感监测获取植被覆盖度的方法主要可分为如下三类：一、统计回归模型：通过建立地表实测植被覆盖度与遥感信息的线性(Graetz 1988,Peter 2002,)、非线性模型(Dymond 1992)进而推演更大范围的区域植被覆盖度，但是此类模型只适用于特定的区域与特定的植被类型,在矿区等空间异质性强、植被类别混杂的复杂场景下不适用；二、像元二分模型(Qi J 2000,Cao 2019)：此类模型简单假设遥感影像的像元只由植被覆盖地表与无植被覆盖地表两部分构成，在数据方面，基于传统卫星遥感数据，空间分辨率在30m
‑
8km不等，但在此等水平的空间分辨率条件下，矿区植被地表覆盖度存在极强的空间异质性与像元二分模型简单的假设条件存在矛盾；三、传统机器学习模型(Boyd 2002,赵健赟2021)；但普遍在影像边缘的植被计算精度较差，且受限于计算效率。因此，现有植被覆盖度计算技术很难在矿区场景下进行普遍应用。

技术实现思路

[0003]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增强边缘取样与改进Unet模型的矿区FVC计算方法，利用无人机影像构建高分辨率矿区植被影像样本数据集，克服矿区场景下地表异质性强，植被分布稀疏不易识别的问题；引入高精度的数字高程模型数据，补充矿区场景下地形特征信息，完善样本数据的多维特征，为构建矿植被样本数据集提供方法和理论基础。
[0004]本专利技术的目的通过下述技术方案实现：
[0005]一种增强边缘取样与改进Unet模型的矿区FVC计算方法，其方法如下：
[0006]A、矿区场景下地面植被参数数据采集：确定矿区研究区域，采用无人机对矿区研究区域按照制图精度进行重叠正射影航拍并得到正射影像集，其航拍最低重叠比例为32～38％，接着进行影像拼接获取研究区正射影像，然后建立空三解算模型SFM并生成密集点云数据，经过转换得到高精度数字地理高程模型数据；
[0007]B、构建基于扩大选区交叉重叠法的样本数据集，其方法如下：
[0008]B1、将研究区域的正射影像集划分为训练集与验证集，采用labelimg工具对训练集与验证集分别进行数据标注并标注出影像中的植被样本，标注结果为json文件，再将json文件转化为与正射影像格式相同的标注影像文件，由此得到标注训练集与标注验证集；
[0009]B2、同时对训练集中的正射影像与标注训练集的标注影像文件进行交叉重叠取样，样本取样模型的移动窗口如下公式：
[0010]W＝2
n
；其中W为单个样本数据的影像边长，n为正整数；
[0011]建立2
n
×2n
的移动窗口对训练集中的正射影像与标注训练集的标注影像文件按照步长L进行全局遍历，步长L＜2
n
，每次遍历按照移动窗口大小进行裁剪并得到一个样本数据影像块，遍历完成得到训练输入数据集；
[0012]B3、按照B2的方法对验证集中的正射影像与标注验证集的标注影像文件进行交叉重叠取样、遍历裁剪得到验证输入数据集；
[0013]B4、基于python平台通过采用旋转、镜像、色彩变换、对比度变化和高斯噪声依次对训练输入数据集和验证输入数据集进行数据增强处理，增强处理后的训练输入数据集与验证输入数据集共同构成输入数据库；
[0014]C、构建改进Unet神经网络模型，改进Unet神经网络模型包括下采样系统和上采样系统，下采样系统包括若干个下采样模块，上采样系统包括若干个上采样模块，下采样模块由两个空洞卷积层、一个最大池化层构建的空洞卷积支持的模块结构组成；
[0015]C1、以步骤B中增强处理后的训练输入数据集、步骤A中高精度数字地理高程模型数据作为改进Unet神经网络模型的输入层并对改进Unet神经网络模型进行训练，改进Unet神经网络模型的空洞卷积层采用空洞卷积进行特征提取，并最终得到空洞卷积后的特征影像如下：其中p(i)表示在位置i处提取的特征值，K(f)为位于f位置处卷积核的参数值，r为空洞卷积速率，x(i+r*f)为对应感受野位置的影像值；
[0016]然后对特征影像按照如下公式池化处理并进一步精取特征点：p
m1
＝Max
‑
pool(p)；其中P
m1
为经过一层池化后的特征影像，p为经过空洞卷积后的特征影像；
[0017]D、矿区植被覆盖度计算，其方法如下：
[0018]D1、将步骤A中高精度数字地理高程模型数据或步骤B中输入数据库载入到训练好的改进Unet神经网络模型中进行分类识别处理并得到分类结果，然后通过Envi平台将分类结果影像进行拼接，进而可以得到研究区域的植被分类结果；
[0019]D2、构建单个网格尺度为m
×
n的渔网覆盖研究区域，通过Arcgis平台统计单个网格下植被覆盖度的面积记为S
vege
，则研究区域的植被覆盖度通过如下公式得到：
[0020]其中FVC为研究区域的植被覆盖度，S
vege
为单个网格下植被覆盖度的面积，k为研究区域覆盖有网格的个数，S
all
为研究区域的地面总面积。
[0021]为了更好地实现本专利技术，一种增强边缘取样与改进Unet模型的矿区FVC计算方法，其方法如下：
[0022]A、矿区场景下地面植被参数数据采集：确定矿区研究区域，采用无人机对矿区研究区域按照制图精度进行重叠正射影航拍并得到正射影像集，制图精度为厘米级，其航拍
最低重叠比例为32～38％，接着进行影像拼接获取研究区正射影像，然后建立空三解算模型SFM并生成密集点云数据，经过转换得到高精度数字地理高程模型数据；
[0023]B、构建基于扩大选区交叉重叠法的样本数据集，其方法如下：
[0024]B1、将研究区域的正射影像集划分为训练集与验证集，采用labelimg工具对训练集与验证集分别进行数据标注并标注出影像中的植被样本，标注结果为json文件，再将json文件转化为与正射影像格式相同的标注影像文件，由此得到标注训练集与标注验证集；
[0025]B2、同时对训练集中的正射影像与标注训练集的标注影像文件进行交叉重叠取样，样本取样模型的移动窗口如下公式：
[0026]W＝2
n
；其中W为单个样本数据的影像边长，n＝9；
[0027]建立512
×
512的移动窗口对训练集中的正射影像与标注训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种增强边缘取样与改进Unet模型的矿区FVC计算方法，其特征在于：其方法如下：A、矿区场景下地面植被参数数据采集：确定矿区研究区域，采用无人机对矿区研究区域按照制图精度进行重叠正射影航拍并得到正射影像集，其航拍最低重叠比例为32～38％，接着进行影像拼接获取研究区正射影像，然后建立空三解算模型SFM并生成密集点云数据，经过转换得到高精度数字地理高程模型数据；B、构建基于扩大选区交叉重叠法的样本数据集，其方法如下：B1、将研究区域的正射影像集划分为训练集与验证集，采用labelimg工具对训练集与验证集分别进行数据标注并标注出影像中的植被样本，标注结果为json文件，再将json文件转化为与正射影像格式相同的标注影像文件，由此得到标注训练集与标注验证集；B2、同时对训练集中的正射影像与标注训练集的标注影像文件进行交叉重叠取样，样本取样模型的移动窗口如下公式：W＝2
n
；其中W为单个样本数据的影像边长，n为正整数；建立2
n
×2n
的移动窗口对训练集中的正射影像与标注训练集的标注影像文件按照步长L进行全局遍历，步长L＜2
n
，每次遍历按照移动窗口大小进行裁剪并得到一个样本数据影像块，遍历完成得到训练输入数据集；B3、按照B2的方法对验证集中的正射影像与标注验证集的标注影像文件进行交叉重叠取样、遍历裁剪得到验证输入数据集；B4、基于python平台通过采用旋转、镜像、色彩变换、对比度变化和高斯噪声依次对训练输入数据集和验证输入数据集进行数据增强处理，增强处理后的训练输入数据集与验证输入数据集共同构成输入数据库；C、构建改进Unet神经网络模型，改进Unet神经网络模型包括下采样系统和上采样系统，下采样系统包括若干个下采样模块，上采样系统包括若干个上采样模块，下采样模块由两个空洞卷积层、一个最大池化层构建的空洞卷积支持的模块结构组成；C1、以步骤B中增强处理后的训练输入数据集、步骤A中高精度数字地理高程模型数据作为改进Unet神经网络模型的输入层并对改进Unet神经网络模型进行训练，改进Unet神经网络模型的空洞卷积层采用空洞卷积进行特征提取，并最终得到空洞卷积后的特征影像如下：其中p(i)表示在位置i处提取的特征值，K(f)为位于f位置处卷积核的参数值，r为空洞卷积速率，x(i+r*f)为对应感受野位置的影像值；然后对特征影像按照如下公式池化处理并进一步精取特征点：p
m1
＝Max
‑
pool(p)；其中P
m1
为经过一层池化后的特征影像，p为经过空洞卷积后的特征影像；D、矿区植被覆盖度计算，其方法如下：D1、将步骤A中高精度数字地理高程模型数据或步骤B中输入数据库载入到训练好的改进Unet神经网络模型中进行分类识别处理并得到分类结果，然后通过Envi平台将分类结果影像进行拼接，进而可以得到研究区域的植被分类结果；D2、构建单个网格尺度为m
×
n的渔网覆盖研究区域，通过Arcgis平台统计单个网格下植被覆盖度的面积记为S
vege
，则研究区域的植被覆盖度通过如下公式得到：
其中FVC为研究区域的植被覆盖度，S
vege
为单个网格下植被覆盖度的面积，k为研究区域覆盖有网格的个数，S
all
为研究区域的地面总面积。2.一种增强边缘取样与改进Unet模型的矿区FVC计算方法，其方法如下：A、矿区场景下地面植被参数数据采集：确定矿区研究区域，采用无人机对矿区研究区域按照制图精度进行重叠正射影航拍并得到正射影像集，制图精度为厘米级，其航拍最低重叠比例为32～38％，接着进行影像拼接获取研究区正射影像，然后建立空三解算模型SFM并生成密集点云数据，经过转换得到高精度数字地理高程模型数据；B、构建基于扩大选区交叉重叠法的样本数据集，其方法如下：B1、将研究区域的正射影像集划分为训练集与验证集，采用labelimg工具对训练集与验证集分别进行数据标注并标注出影像中的植被样本，标注结果为json文件，再将json文件转化为与正射影像格式相同的标注影像文件，由此得到标注训练集与标注验证集；B2、同时对训练集中的正射影像与标注训练集的标注影像文件进行交叉重叠取样，样本取样模型的移动窗口如下公式：W＝2
n
；其中W为单个样本数据的影像边长，n＝9；建立512
×
512的移动窗口对训练集中的正射影像与标注训练集的标注影像文件按照步长L进行全局遍历，步长L＝212，每次遍历按照移动窗口大小进行裁剪并得到一个样本数据影像块A，每个样本数据影像块A的切片大小为512
×
512，遍历完成后从样本数据影像块A中心区域选取300
×
300像元范围的数据组成训练输入数据集；B3、同时对验证集中的正射影像与标注验证集的标注影像文件进行交叉重叠取样，样本取样模型的移动窗口如下公式：W＝2
n
；其中W为单个样本数据的影像边长，n＝9；建立512
×
512的移动窗口对验证集中的正射影像与标注验证集的标注影像文件按照步长L进行全局遍历，步长L＝212，每次遍历按照移动窗口大小进行裁剪并得到一个样本数据影像块B，每个样本数据影像块B的切片大小为512
×
512，遍历完成后从样本数据影像块B中心区域选取300
×
300像元范围的数据组成验证输入数据集；B4、基于python平台通过采用...

【专利技术属性】
技术研发人员：张成业，邢江河，郭添玉，李全生，郭俊廷，张凯，泽仁卓格，佘长超，李军，
申请(专利权)人：国家能源投资集团有限责任公司北京低碳清洁能源研究院神华北电胜利能源有限公司，
类型：发明
国别省市：