一种基于改进的U-net模型的崩岗提取方法及系统技术方案

本发明专利技术公开了一种基于改进的U

【技术实现步骤摘要】
一种基于改进的U
‑
net模型的崩岗提取方法及系统


[0001]本专利技术涉及遥感影像处理
，特别是涉及一种基于改进的U
‑
net模型的崩岗提取方法及系统。

技术介绍

[0002]崩岗是我国南方红壤区一种典型的严重土壤侵蚀类型，常见于水土流失较为严重的区域。水力和重力的共同作用下对山坡水体造成了土壤侵蚀，形成了崩岗，其危害性极大，对区域内的生态环境、人居安全、防洪设施等造成了威胁。崩岗主要分布在我国南方红壤区，包括广东、福建、江西、广西、湖南、湖北等省，其中以江西和广东的崩岗最为严重，对当地的经济、农业、设施等都造成了严重的破坏。因此，有必要加大对崩岗的治理力度，以保护水土资源，促进生态环境的和谐发展。遥感技术的迅速发展，为崩岗的监测和防治带来了先进的手段。通过高分辨率的遥感影像，即可准确的识别和提取崩岗区域，提高了监测的效率。同时，深度学习理论的发展，又让遥感影像处理进入了发展的快车道。基于深度学习的遥感影像处理，可以高精度、高效率、鲁棒的提取崩岗信息，对崩岗的监测与防治具有重要意义，提供了有效的材料支撑。
[0003]目前，已有大量崩岗提取算法被提出，基本能实现准确的崩岗识别和提取，但都存在一定不足。现有崩岗提取大多为人机交互解译的方式，利用目视解译提取崩岗的形态特征，对于较小的崩岗区域，此方法可以实现准确的提取，但在区域较大时，则效率较低。近年来，有更多基于机器学习或深度学习的崩岗提取理论与方法被提出，相比于传统的方法，这些方法在效率上有着极大改进。但也存在研究的时空区域较为局限、和将裸地“误判”为崩岗的问题。

技术实现思路

[0004]本专利技术的目的是提供一种基于改进的U
‑
net模型的崩岗提取方法及系统，用以从遥感影像中较好的精确分割并提取出崩岗，为崩岗的监测与防治提供可靠的材料支持。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种基于改进的U
‑
net模型的崩岗提取方法，包括：
[0007]对获取到的遥感影像数据进行预处理；
[0008]对所述预处理后的遥感影像数据制作影像分割标签；
[0009]基于所述预处理后的遥感影像数据以及影像分割标签构建训练集；
[0010]构建改进的U
‑
net模型；所述改进的U
‑
net模型中所有卷积均采用三维卷积结构；所述改进的U
‑
net模型包括空洞卷积层、残差模块以及注意力机制模块；
[0011]通过所述训练集对所述改进的U
‑
net模型进行训练；
[0012]通过训练好的改进的U
‑
net模型对目标区域的崩岗区域进行提取。
[0013]可选地，对所述遥感影像数据进行预处理具体包括：
[0014]对所述遥感影像数据进行辐射校正、几何纠正、投影变换和裁剪。
[0015]可选地，还包括对训练好的改进的U
‑
net模型进行验证；所述验证的指标包括：整体精确度、精确率、召回率、F1分数、交并比、平均交并比和频权交并比。
[0016]可选地，通过训练好的改进的U
‑
net模型对崩岗进行提取之后，还包括：
[0017]将提取到的崩岗区域与所述目标区域的数字高程模型进行叠置分析，得到所述崩岗区域的数字高程模型；
[0018]提取所述崩岗区域的数字高程模型的最大值和最小值；
[0019]基于所述最大值和所述最小值计算平均起伏度；
[0020]当所述平均起伏度大于等于设定阈值时，则确定所述崩岗区域提取正确；
[0021]当所述平均起伏度小于设定阈值时，则确定所述崩岗区域提取错误。
[0022]本专利技术还提供了一种基于改进的U
‑
net模型的崩岗提取系统，包括：
[0023]预处理模块，用于对获取到的遥感影像数据进行预处理；
[0024]标签制造模块，用于对所述预处理后的遥感影像数据制作影像分割标签；
[0025]训练集构建模块，用于基于所述预处理后的遥感影像数据以及影像分割标签构建训练集；
[0026]模型构建模块，用于构建改进的U
‑
net模型；所述改进的U
‑
net模型中所有卷积均采用三维卷积结构；所述改进的U
‑
net模型包括空洞卷积层、残差模块以及注意力机制模块；
[0027]训练模块，用于通过所述训练集对所述改进的U
‑
net模型进行训练；
[0028]崩岗区域提取模块，用于通过训练好的改进的U
‑
net模型对目标区域的崩岗区域进行提取。
[0029]可选地，还包括：
[0030]验证模块，用于对训练好的改进的U
‑
net模型进行验证；所述验证的指标包括：整体精确度、精确率、召回率、F1分数、交并比、平均交并比和频权交并比。
[0031]可选地，还包括：
[0032]崩岗区域的数字高程模型确定模块，用于将提取到的崩岗区域与所述目标区域的数字高程模型进行叠置分析，得到所述崩岗区域的数字高程模型；
[0033]最大值和最小值提取模块，用于提取所述崩岗区域的数字高程模型的最大值和最小值；
[0034]平均起伏度计算模块，用于基于所述最大值和所述最小值计算平均起伏度；
[0035]判断模块，用于当所述平均起伏度大于等于设定阈值时，则确定所述崩岗区域提取正确；以及用于当所述平均起伏度小于设定阈值时，则确定所述崩岗区域提取错误。
[0036]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0037]本专利技术采用改进的U
‑
net模型，不仅能够有效地提取图像的光谱和空间特征，便于待分割目标的检测，而且可以有效防止网络的过拟合与退化问题，增强网络的鲁棒性，为崩岗的监测与防治提供了可靠的材料支持。
附图说明
[0038]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施
例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0039]图1为本专利技术提供的基于改进的U
‑
net模型的崩岗提取方法的流程图；
[0040]图2为本专利技术提供的基于改进的U
‑
net模型的崩岗提取方法的详细流程图；
[0041]图3为改进的U
‑
net模型的总体结构示意图；
[0042]图4为常规卷积示意图；
[0043]图5为空洞卷积示意图；
[0044]图6为空洞卷积的感受野示意图。
具体实施方式
[0045]下面将结合本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进的U
‑
net模型的崩岗提取方法，其特征在于，包括：对获取到的遥感影像数据进行预处理；对所述预处理后的遥感影像数据制作影像分割标签；基于所述预处理后的遥感影像数据以及影像分割标签构建训练集；构建改进的U
‑
net模型；所述改进的U
‑
net模型中所有卷积均采用三维卷积结构；所述改进的U
‑
net模型包括空洞卷积层、残差模块以及注意力机制模块；通过所述训练集对所述改进的U
‑
net模型进行训练；通过训练好的改进的U
‑
net模型对目标区域的崩岗区域进行提取。2.根据权利要求1所述的基于改进的U
‑
net模型的崩岗提取方法，其特征在于，对所述遥感影像数据进行预处理具体包括：对所述遥感影像数据进行辐射校正、几何纠正、投影变换和裁剪。3.根据权利要求1所述的基于改进的U
‑
net模型的崩岗提取方法，其特征在于，还包括对训练好的改进的U
‑
net模型进行验证；所述验证的指标包括：整体精确度、精确率、召回率、F1分数、交并比、平均交并比和频权交并比。4.根据权利要求1所述的基于改进的U
‑
net模型的崩岗提取方法，其特征在于，通过训练好的改进的U
‑
net模型对崩岗进行提取之后，还包括：将提取到的崩岗区域与所述目标区域的数字高程模型进行叠置分析，得到所述崩岗区域的数字高程模型；提取所述崩岗区域的数字高程模型的最大值和最小值；基于所述最大值和所述最小值计算平均起伏度；当所述平均起伏度大于等于设定阈值时，则确定所述崩岗区域提取正确；当所述平均起伏度小于设定阈值时，则确定所述崩岗区域...

【专利技术属性】
技术研发人员：赵元凌，杨浩霄，晏海童，沈盛彧，程冬兵，刘洪鹄，刘纪根，
申请(专利权)人：长江水利委员会长江科学院，
类型：发明
国别省市：