一种基于深度学习的山顶点识别算法制造技术

本发明专利技术公开了一种基于深度学习的山顶点算法，属于机械学习领域。本发明专利技术通过在Keras下构建ResNet

【技术实现步骤摘要】
一种基于深度学习的山顶点识别算法


[0001]本专利技术属于机械学习领域，具体地说，涉及一种基于深度学习的山顶点识别算法。

技术介绍

[0002]山顶点的准确识别与提取是一项受到国内外学者广泛关注与研究的课题，现在常用的 山顶点提取方法主要由几何形态分析法、断面高程极值法、水文流域分析法和拓扑结构分 析法四大类，而在这之后有过研究演员提出过反地形DEM的山顶点提取法，一定程度上提 高了山顶点的自动提取精度与效率，还有研究演员提出最大起伏度阈值指标，为实现山顶 点的精确数学描述提供了参考，而后提出的运用点格局相关方法探索地形特征点间的格局 特征，得出其空间分布特征与地貌类型具有相关性等结论，最后从地形特征点的几何形态 特征触发，研究了通过DEM提取山顶点的算法，但是该算法中不可避免存在地形描述误差 以及地形起伏变化，导致该算法提取的结果中存在大量的伪山顶点。
[0003]而山顶点的研究对于各种地质勘探研究，遥感地形研究都有着重要的作用，并且还可 以为旅游业开发，各种需要依靠山体的运动项目提供资料支持，通过山顶点的准确识别， 对滑雪场的建设本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的山顶点识别算法，其特征在于，该方法包括以下步骤：步骤1：划分目标地区的地貌类型，取得起伏度和高程值数据，确定山顶点的最低高程阈值并建立起学习样本集；步骤2：通过在Keras下构建ResNet
‑
101网络，构造出残差网络，通过残差网络搭建山顶点识别框架来识别山顶区域形态特征初步筛选出山地样本；步骤3：通过RPN网络模块搜索山地样本中可能存在的目标山顶区；步骤4：通过分类回归网络进一步筛选RPN模块所提取出的山顶区，并映射到原始DEM数据中；步骤5：使用映射后得到的DEM数据进一步区分山顶类型。2.根据权利要求1所述的一种基于深度学习的山顶点识别算法，其特征在于，所述的的起伏度计算式为：其中m和n代表栅格数，d代表区域的起伏度，代表区域的平均高程值,h
xy
网格点的高程值3.根据权利要求1所述的一种基于深度学习的山顶点识别算法，其特征在于，所述的ResNet
‑
101网络模型通过ImageNet数据进行预备训练，再通过自建的山顶点样本对参数进行微调，最后使用迁移学习的方式进行山顶点的特征提取。4.根据权利要求1所述的...

【专利技术属性】
技术研发人员：高德民，孙雪莹，
申请(专利权)人：南京林业大学，
类型：发明
国别省市：