矿区语义分割模型构建方法、装置及矿区语义分割方法制造方法及图纸

本发明专利技术提供了矿区语义分割模型构建方法、装置及矿区语义分割方法，涉及矿区地物遥感分类领域，方法包括：获取原始矿区影像数据；对原始矿区影像数据进行预处理，得到原始矿区多光谱数据和原始矿区数字高程模型数据；对原始矿区多光谱数据和原始矿区数字高程模型数据进行分类体系构建，得到匹配的原始矿区地物分类标记数据；通过原始矿区多光谱数据、原始矿区数字高程模型数据和原始矿区地物分类标记数据对预设的原始HRNet模型进行训练和参数调优，得到基于HRNet的矿区语义分割模型。解决了现有基于语义分割方法的矿区分类精度低的问题。题。题。

【技术实现步骤摘要】
矿区语义分割模型构建方法、装置及矿区语义分割方法


[0001]本专利技术涉及矿区地物遥感分类
，具体而言，涉及矿区语义分割模型构建方法、装置及矿区语义分割方法。

技术介绍

[0002]矿区资源过度开发会引发一系列的地质灾害问题，因此开展矿区地物遥感分类研究，对矿区现状与变化调查、及有效监管等具有重要的理论意义和实际价值。
[0003]基于特征工程和传统机器学习方法，受限于人工设计特征的表示能力，导致其泛化能力差，分类精度不高。深度学习能够自动提取表征能力极强的高层次特征，已广泛用于遥感地物分类；主要包括基于像元特征向量的深度置信网络、自编码器、基于像元邻域特征图的卷积神经网络（Convolutional Neural Networks, CNN）和基于场景的深度CNN。基于像元的方法能获取区域尺度的分类结果，但缺乏语义级标签且具有空间信息感知弱的缺点，限制了分类精度的提升。
[0004]现如今基于语义分割的方法具有强大的语义级标签提取能力，已成为遥感分类和变化检测的主流方法之一。然而经典语义分割方法的多尺度特征表征能力不足，且边缘分不准。尤其是，露天矿区地物遥感数据具有地形异质性、多尺度、地物破碎导致的边缘复杂及类别不平衡的特征，导致基于语义分割方法的分类和变化检测精度难以提升。

技术实现思路

[0005]本专利技术解决的问题是现有基于语义分割方法的矿区分类精度低的问题。
[0006]为解决上述问题，本专利技术提供一种矿区语义分割模型构建方法，包括如下步骤：获取原始矿区影像数据；对所述原始矿区影像数据进行预处理，得到所述原始矿区多光谱数据和所述原始矿区数字高程模型数据；对所述原始矿区多光谱数据和所述原始矿区数字高程模型数据进行分类体系构建，得到与所述原始矿区多光谱数据和所述原始矿区数字高程模型相匹配的原始矿区地物分类标记数据；通过所述原始矿区多光谱数据、所述原始矿区数字高程模型数据和所述原始矿区地物分类标记数据对预设的原始HRNet模型进行训练和参数调优，得到基于HRNet的矿区语义分割模型。
[0007]可选地，所述获取原始HRNet模型的构建过程包括：获取HRNet基础模型；通过对所述HRNet基础模型的主干分支上增设特征增强模块，得到所述原始HRNet模型；其中，所述特征增强模块基于Swin Transformer模型形成。
[0008]可选地，所述通过所述原始矿区多光谱数据、所述原始矿区数字高程模型数据和
所述原始矿区地物分类标记数据对预设的原始HRNet模型进行训练和参数调优，得到基于HRNet的矿区语义分割模型，包括：通过所述原始HRNet模型对所述原始矿区多光谱数据和所述原始矿区数字高程模型数据进行深度特征提取，得到矿区临时地物分类数据；对所述矿区临时地物分类数据和所述原始矿区地物分类标记数据进行损失计算，得到损失函数输出；根据所述损失函数输出调整所述原始HRNet模型的模型参数，直至损失函数输入满足预设条件，将经参数调整后的所述原始HRNet模型作为所述基于HRNet的矿区语义分割模型。
[0009]可选地，所述对所述矿区临时地物分类数据和所述原始矿区地物分类标记数据进行损失计算，得到损失函数输出，包括：通过加权损失函数对所述矿区临时地物分类数据和与所述原始矿区地物分类标记数据进行损失计算，得到损失函数输出；其中，所述加权损失函数通过交叉熵损失函数和距离损失函数获得。
[0010]可选地，所述加权损失函数通过交叉熵损失函数和距离损失函数获得，包括：根据所述交叉熵损失函数和所述距离损失函数，通过式一计算得到所述加权损失函数；所述式一为：其中，L
CE
为所述交叉熵损失函数，L
DL
为所述距离损失函数，L为所述加权损失函数，α为权重参数。
[0011]本专利技术所述的矿区语义分割模型构建方法相对于现有技术的优势在于：本专利技术提供一种矿区语义分割模型构建方法，通过对原始矿区影像数据进行预处理，得到原始矿区多光谱数据和原始矿区数字高程模型数据，对所述原始矿区多光谱数据和所述原始矿区数字高程模型数据进行分类体系构建，得到匹配的原始矿区地物分类标记数据，再通过所述原始矿区多光谱数据、所述原始矿区数字高程模型数据和所述原始矿区地物分类标记数据对原始HRNet模型进行训练和参数调优，得到基于HRNet的矿区语义分割模型，以原始HRNet模型为基础模型，融合多模态数据以表示矿区多尺度地物特征，通过原始HRNet模型来增强模型多尺度地物表征能力，提高对多尺度物体的检测，再对原始HRNet模型进行训练和参数调优，增强模型边缘信息提取能力、并削弱类不平衡的影响，从而提升矿区分类精度。
[0012]为解决上述技术问题，本专利技术还提供一种矿区语义分割模型构建装置，包括：获取单元，用于获取原始矿区影像数据；处理单元，用于对所述原始矿区影像数据进行预处理，得到所述原始矿区多光谱数据和所述原始矿区数字高程模型数据；标记单元，用于对所述原始矿区多光谱数据和所述原始矿区数字高程模型数据进行分类体系构建，得到匹配的原始矿区地物分类标记数据；构建单元，用于通过所述原始矿区多光谱数据、所述原始矿区数字高程模型数据和所述原始矿区地物分类标记数据对预设的原始HRNet模型进行训练和参数调优，得到基
于HRNet的矿区语义分割模型。
[0013]本专利技术所述的矿区语义分割模型构建装置与所述矿区语义分割模型构建方法相对于现有技术的优势相同，在此不再赘述。
[0014]为解决上述技术问题，本专利技术还提供一种矿区语义分割模型构建设备，包括存储器和处理器：所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现所述的矿区语义分割模型构建方法。
[0015]本专利技术所述的矿区语义分割模型构建设备与所述矿区语义分割模型构建方法相对于现有技术的优势相同，在此不再赘述。
[0016]为解决上述技术问题，本专利技术还提供一种矿区语义分割方法，包括：获取目标矿区多光谱数据和目标矿区数字高程模型数据；将所述目标矿区多光谱数据和所述目标矿区数字高程模型数据输入所述的矿区语义分割模型构建方法得到的基于HRNet的矿区语义分割模型，获得临时分割结果；对所述目标矿区多光谱数据和所述目标矿区数字高程模型数据进行面向对象多尺度分割，得到对象分割结果；通过所述对象分割结果对所述临时分割结果进行边界过滤，得到目标矿区地物分类数据。
[0017]本专利技术所述的矿区语义分割方法相对于现有技术的优势在于：本专利技术提供一种矿区语义分割方法，通过所述的矿区语义分割模型构建方法得到的基于原始HRNet的矿区语义分割模型对目标矿区多光谱数据和目标矿区数字高程模型数据进行处理，得到临时分割结果，再通过对目标矿区多光谱数据和目标矿区数字高程模型数据进行面向对象多尺度分割，得到的对象分割结果对临时分割结果进行边界过滤，得到目标矿区地物分类数据，以原始HRNet模型为基础模型，融合多模态数据以表示矿区多尺度地物特征，通过原始HRNet模型来增强模型多尺度地物表征能力，提高对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种矿区语义分割模型构建方法，其特征在于，包括：获取原始矿区影像数据；对所述原始矿区影像数据进行预处理，得到原始矿区多光谱数据和原始矿区数字高程模型数据；对所述原始矿区多光谱数据和所述原始矿区数字高程模型数据进行分类体系构建，得到与所述原始矿区多光谱数据和所述原始矿区数字高程模型数据相匹配的原始矿区地物分类标记数据；通过所述原始矿区多光谱数据、所述原始矿区数字高程模型数据和所述原始矿区地物分类标记数据对预设的原始HRNet模型进行训练和参数调优，得到基于HRNet的矿区语义分割模型。2.根据权利要求1所述的矿区语义分割模型构建方法，其特征在于，所述原始HRNet模型的构建过程包括：获取HRNet基础模型；通过对所述HRNet基础模型的主干分支上增设特征增强模块，得到所述原始HRNet模型；其中，所述特征增强模块基于Swin Transformer模型形成。3.根据权利要求2所述的矿区语义分割模型构建方法，其特征在于，所述通过所述原始矿区多光谱数据、所述原始矿区数字高程模型数据和所述原始矿区地物分类标记数据对预设的原始HRNet模型进行训练和参数调优，得到基于HRNet的矿区语义分割模型，包括：通过所述原始HRNet模型对所述原始矿区多光谱数据和所述原始矿区数字高程模型数据进行深度特征提取，得到矿区临时地物分类数据；对所述矿区临时地物分类数据和所述原始矿区地物分类标记数据进行损失计算，得到损失函数输出；根据所述损失函数输出调整所述原始HRNet模型的模型参数，直至损失函数输入满足预设条件，将经参数调整后的所述原始HRNet模型作为所述基于HRNet的矿区语义分割模型。4.根据权利要求3所述的矿区语义分割模型构建方法，其特征在于，所述对所述矿区临时地物分类数据和所述原始矿区地物分类标记数据进行损失计算，得到损失函数输出，包括：通过加权损失函数对所述矿区临时地物分类数据和与所述原始矿区地物分类标记数据进行损失计算，得到损失函数输出；其中，所述加权损失函数通过交叉熵损失函数和距离损失函数获得。5.根据权利要求4所述的矿区语义分割模型构建方法，其特征在于，所述加权损失函数通过交叉熵损失函数和距离损失函数获得，包括：根据所述交叉熵损失函数和所述距离损失函数，通过式一计算得到所述加权损失函数；所述式一为：
其中，L
CE
...

【专利技术属性】
技术研发人员：李显巨，陈伟涛，唐厂，王力哲，陈刚，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：