基于专家评分系统的地灾样本AI识别标注方法及系统技术方案

本发明专利技术公开了基于专家评分系统的地灾样本AI识别标注方法及系统,包括以下步骤：S1、获取地灾样本数据，对所述地灾样本数据赋权值，获取初始权值样本，对所述初始权值样本进行训练获得识别模型；S2、基于所述识别模型，对所述地灾样本数据中的已标注的地灾样本数据和未标注的地灾样本数据进行识别标注；S3、基于专家评分系统对所述识别标注后的地灾样本数据进行评估，对评估结果赋权值获取权值样本，选出合格的权值样本导入样本库；S4、根据所述权值样本重新训练所述识别模型，对不合格的权值样本重新进行识别标注；S5、返回S3，直至所述地灾样本数据全部导入所述样本库，完成识别标注。注。注。

【技术实现步骤摘要】
基于专家评分系统的地灾样本AI识别标注方法及系统


[0001]本专利技术属于地质灾害遥感影像样本自动识别标注
，尤其涉及基于专家评分系统的地灾样本AI识别标注方法及系统。

技术介绍

[0002]地质灾害指在地球发展演化过程中，由自然地质作用和人类活动等因素形成的灾害性地质事件，具有突发性、多发性、群发性和链生性等特点，而中国幅员辽阔，地形多变，地质灾害频发，严重威胁人民生命财产安全。
[0003]20世纪60年代以来，遥感技术得到迅猛发展，平台由卫星到无人机，波段覆盖了紫外
‑
可见光
‑
红外
‑
微波范围，空间分辨率由近百米提高到0.5m，重访周期由数十天缩短至1天，卫星影像和地形产品及其丰富，为地质灾害的识别和检测提供了重要的技术支撑。历史地质灾害识别方法主要有4类：(1)目视解译方法。该方法主要通过专业人员的知识和经验对历史地质灾害进行人工判断。目视解译结果一般准确度较高，但非常依赖专业人员的经验，且十分费时费力。(2)特征阈值方法。这种方法多使用基于像素的方法或基于对象的多尺度分割方法，对地质灾害区域的光谱、纹理、地貌或地形等特征进行统计，设置一种或者多种阈值进行识别。由于其判断标准为特定区域特定特征的统计值，因此适用范围较小。(3)变化检测方法。这种方法需要有同一位置的两期或多期遥感数据，找出因地质灾害引起的变化区域，数据源可以是二维光学影像，也可以是三维地形数据。变化检测对新地质灾害的应用效果较好，需要具有时间序列的遥感数据。(4)机器学习方法。这种方法在数据准备部分与特征阈值方法和变化检测类似，需要提取所使用数据的各类相关特征，但最后识别不是使用单一的阈值进行区分，而是使用机器学习的各种分类器进行地质灾害识别，其自动化程度相较于前面的方法更高。常用的有贝叶斯、逻辑回归、支持向量机、随机森林和深度学习等。机器学习作为一种以数据为驱动的方法，随着地质灾害观测数据爆发式增长，已经成为地质灾害识别方法研究中的热点。机器学习算法与传统的算法有比较大的差异，其中最突出的一点就是机器学习算法需要大量的样本数据才能训练出精度较高的模型。
[0004]现有技术中，地灾样本的采集以及标注，需要人工或半人工来完成，这个工作比较简单，但工作量巨大，因此诞生了数据/样本标注员的工作岗位，由此可见数据/样本标注工作的工作量之大。为了解决地质灾害样本AI识别标注算法中需要大量的人力物力去进行人工或半人工标注的问题，本专利技术提出了一种基于专家评分系统的地灾样本AI识别标注方法及系统。

技术实现思路

[0005]本专利技术的目的在于提出基于专家评分系统的地灾样本AI识别标注方法及系统，提高了对地灾样本数据标注的准确性和标注效率。
[0006]一方面为实现上述目的，本专利技术提供了基于专家评分系统的地灾样本AI识别标注方法，包括以下步骤：
[0007]S1、获取地灾样本数据，对所述地灾样本数据赋权值，获取初始权值样本，对所述初始权值样本进行训练获得识别模型；所述地灾样本是指地质灾害遥感影像样本；
[0008]S2、基于所述识别模型，对所述地灾样本数据中的已标注的地灾样本数据和未标注的地灾样本数据进行识别标注；
[0009]S3、基于专家评分系统对所述识别标注后的地灾样本数据进行评估，对评估结果赋权值获取权值样本，选出合格的权值样本导入样本库；
[0010]S4、根据所述权值样本重新训练所述识别模型，对不合格的权值样本重新进行识别标注；
[0011]S5、返回S3，直至所述地灾样本数据全部导入所述样本库，完成识别标注。
[0012]可选的，所述合格的权值样本包括：所述权值样本中分值不小于90分的样本数据。
[0013]可选的，获取初始权值样本具体包括：根据样本数据库提取地灾样本数据，对所述地灾样本数据赋初始权值和根据评分分值赋权值的初始权值样本。
[0014]可选的，获取识别模型具体包括：
[0015]预设地灾识别模型，所述初始权值样本作为训练集，对所述地灾识别模型中参数进行训练，获取识别模型。
[0016]可选的，基于专家评分系统对所述识别标注后的样本数据进行评分，计算如下：
[0017][0018]其中，P
i
为评分分值，A表示人工标注的预设地灾区域或在上一次循环中的识别模型标注的预设地灾区域；B表示本次循环中识别模型标注的预设地灾区域；S
A∩B
表示区域A与区域B交集的面积；S
A∪B
表示区域A与区域B并集的面积。
[0019]另一方面为实现上述目的，本专利技术提供了基于专家评分系统的地灾样本AI识别标注系统，包括：
[0020]数据库模块、识别模型模块和专家系统模块，所述数据库模块、所述识别模型模块和所述专家系统模块通信连接；
[0021]所述数据库模块，用于存储地灾样本数据；
[0022]所述识别模型模块，用于根据权值样本，利用机器学习训练识别模型；
[0023]所述专家系统模块，用于对所述识别模型识别标注的样本结果进行打分。
[0024]可选的，所述数据库模块包括数据地灾类型判断单元、数据存储单元、数据获取单元和数据预处理单元，
[0025]所述数据地灾类型判断单元，用于利用机器学习判断样本地灾类型；
[0026]所述数据存储单元，用于存储新的地灾样本数据和专家系统打分分值合格的样本；
[0027]所述数据获取单元，用于从样本库中获取预设地灾类型的样本数据；
[0028]所述数据预处理单元，用于对样本库中获取的所述样本数据进行预处理。
[0029]可选的，所述识别模型模块包括识别模型训练单元和样本识别单元，
[0030]所述识别模型训练单元，用于训练所述识别模型；
[0031]所述样本识别单元，用于利用所述识别模型，对所述新的地灾样本数据和专家系统打分分值不合格的样本进行识别标注。
[0032]本专利技术技术效果：本专利技术公开了基于专家评分系统的地灾样本AI识别标注方法及系统，解决了相关技术中人工标注地灾样本数据，标注效率低、标注结果不准确，耗费大量人力物力的问题；利用AI自动识别(机器学习)提高工作效率，节省人类的劳动量；但机器学习的准确性在很大程度上决定于样本的数量和质量；样本数量越多、代表性越强、标注越准确，得到的识别模型就越可靠；但传统的人工标注方法，样本的数量越多、质量越高，需要的劳动力就越多；本专利技术提高了对地灾样本数据标注的准确性和标注效率，减少了劳动强度，且具有很好的经济价值。
附图说明
[0033]构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0034]图1为本专利技术实施例基于专家评分系统的地灾样本AI识别标注方法的流程示意图；
[0035]图2为本专利技术实施例预设地灾识别模型训练流程图；
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于专家评分系统的地灾样本AI识别标注方法，其特征在于，包括以下步骤：S1、获取地灾样本数据，对所述地灾样本数据赋权值，获取初始权值样本，对所述初始权值样本进行训练获得识别模型；所述地灾样本是指地质灾害遥感影像样本；S2、基于所述识别模型，对所述地灾样本数据中的已标注的地灾样本数据和未标注的地灾样本数据进行识别标注；S3、基于专家评分系统对所述识别标注后的地灾样本数据进行评估，对评估结果赋权值获取权值样本，选出合格的权值样本导入样本库；S4、根据所述权值样本重新训练所述识别模型，对不合格的权值样本重新进行识别标注；S5、返回S3，直至所述地灾样本数据全部导入所述样本库，完成识别标注。2.如权利要求1所述的基于专家评分系统的地灾样本AI识别标注方法，其特征在于，所述合格的权值样本包括：所述权值样本中分值不小于90分的样本数据。3.如权利要求1所述的基于专家评分系统的地灾样本AI识别标注方法，其特征在于，获取初始权值样本具体包括：根据样本数据库提取地灾样本数据，对所述地灾样本数据赋初始权值和根据评分分值赋权值的初始权值样本。4.如权利要求1所述的基于专家评分系统的地灾样本AI识别标注方法，其特征在于，获取识别模型具体包括：预设地灾识别模型，所述初始权值样本作为训练集，对所述地灾识别模型中参数进行训练，获取识别模型。5.如权利要求1所述的基于专家评分系统的地灾样本AI识别标注方法，其特征在于，基于专家评分系统对所述识别标注后的样本数据进行评分，计算如下：其中，P
i
为评分...

【专利技术属性】
技术研发人员：成功，杨迎冬，黄成，周兴旺，魏蕾，赵鹏，晏祥省，李光强，胡俊，邓小青，王子萱，班玉莹，陈宜，朱战军，廖灵燚，
申请(专利权)人：云南省地质环境监测院云南省环境地质研究院，
类型：发明
国别省市：