一种自适应的尾矿库遥感深度学习检测方法技术

本发明专利技术提供的自适应的尾矿库遥感深度学习检测方法，用于大范围尾矿库识别与提取。本发明专利技术提出了一种全新的尾矿库遥感提取框架，即：首先，采用特征金字塔网络基于尾矿库遥感影像数据集进行不同尺度大小尾矿库深度特征学习；其次，采用级联定位优化模块，根据特征值对尾矿库进行定位并使用多级检测器对定位坐标进行优化；第三，根据定位优化值获取候选检测对象，基于深度学习算法与传统特征提取算法进行多维特征的提取与融合，生成特征向量；最后，采用自适应特征学习分类器基于特征向量进行集成学习与分类，剔除虚警目标并提取尾矿库。本发明专利技术具有定位精度高、虚警率低、应用范围广等优点，可为尾矿库分布信息动态更新与安全管理提供重要依据。管理提供重要依据。管理提供重要依据。

【技术实现步骤摘要】
一种自适应的尾矿库遥感深度学习检测方法


[0001]本专利技术属于矿山安全监测与遥感影像处理
，特别是一种耦合级联优化和特征自适应的尾矿库遥感深度学习检测方法。在尾矿库安全管控中，提取各区域尾矿库精准位置信息，可用于科学开展尾矿库的安全监测与风险评估工作。

技术介绍

[0002]尾矿库是用于储存矿山工业生产的尾矿资源场所，通常由人工坝体进行围筑，是一种具有高势能的泥石流危险源，随着尾矿与积水的逐年积累，尾矿库失稳的概率逐年上升将对周边环境造成严重危害。由于矿产资源需要，现各地逐年有不同等级尾矿库增加，大型尾矿库由于高势能常年有尾矿坝安全评估需要，小型尾矿库的规模小、开设门槛低，更容易存在安全度水平低、尾矿泄露事故发生的问题，因此精准获取尾矿库空间分布与进行信息更新对尾矿库科学管理极为重要。
[0003]现有研究中在遥感图像处理
提出了多种特征分析和尾矿库检测方法，成功突破了尾矿库提取的技术壁垒。已经有的方法主要分为两个分支：一是基于传统机器学习方法构建尾矿库特征提取模型，二是基于深度学习框架进行的目标提取方法。基于传统机器学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自适应的尾矿库遥感深度学习检测方法，其特征是主要是通过多尺度特征提取网络、级联定位优化模块、多维特征提取与融合模块、特征自适应学习分类器实现的，其中：多尺度特征提取网络首先实现遥感影像中不同大小尾矿库的场景特征的提取计算，然后级联定位优化模块基于前者计算得到的特征图通过回归检测器不断优化精度较低的检测框的坐标实现尾矿库的坐标定位，接着由多维特征提取与融合模块进行几何、概率、场景、拓扑、空间和纹理六大类特征从多维度获取尾矿库的典型特征并融合为特征向量用于区别于虚警目标，最后基于多维特征经自适应集成学习分类器进行尾矿库特征的自适应学习与绑定实现尾矿库的提取与虚警目标的剔除。2.根据权利要求1所述的自适应的尾矿库遥感深度学习检测方法，其特征是采用多阶段级联优化的遥感影像尾矿库深度学习检测方法，具体是：基于现有高分辨率遥感影像数据，通过多级级联定位与分类对不同尺度尾矿库识别进行了定位的优化与分类的优化，实现了大范围遥感影像中尾矿库的高精度提取，可为大范围尾矿库安全管理与信息更新提供技术支持。3.一种自适应的尾矿库遥感深度学习检测方法，其特征是耦合深度学习级联优化定位和特征自适应学习的尾矿库遥感检测方法：首先对遥感影像进行多级场景深度学习特征提取，然后使用级联的分类器进行尾矿库的位置的定位与检测目标的坐标优化得到尾矿库检测候选区域，从六个维度考虑提取并融合获取检测对象特征，使用自适应集成分类器进行了尾矿库的特征学习与级联分类，获得高精度尾矿库检测结果。4.根据权利要求3所述的方法，其特征是基于多尺度特征与级联检测器对尾矿库检测进行位置优化和基于多维特征提取与自适应特征学习的尾矿库分类优化，具体为：(1)基于多尺度特征提取与级联定位的位置优化：a.输入原始的待检测遥感影像，进行影像的上采样，获取三级的图像；b.对提取的特征进行下采样，扩大视野；c.通过链接进行两边的特征的结合，融合多尺度的特征，补充信息量；d.输入特征层进行特征的候选区域的定位；e.设计级联的检测器进行尾矿库的定位优化；f.输出检测候选框坐标；(2)基于自适应多维特征集成学习分类的识别优化：a.根据第一步检测框架提出的尾矿库进行识别结果的裁剪，裁剪的对象用于进一步分类；b.基于RGB三通道遥感影像，分别提取候选集对象的鲁棒特征：几何、概率、场景、拓扑、光谱、纹理特征；d.对特征进行归一化；e.单边分类与采样；f.自适应特征学习强弱特征捆绑进行特征的降维，进行分类规则的学习。5.根据权利要求4所述的方法，其特征是：首先，输入原始高分辨率遥感影像，分别使用尺度为{340，170，84，43}的滑动窗口进行上采样提取多尺度特征，FPN网络和Resnet152进行残差网络的结合，分别使用卷积层{C2，C3，C4，C5}进行特征的提取，其中步长分别设置为{4，8，16，32}；
然后，使用下采样的方式分别保留场景的语义特征；最后，使用横向连接的方式进行特征的融合来进行细节信息的增强。6.根据权利要求4所述的方法，其特征是：根据多尺度特征的提取，进行候选目标的定位，然后继续进行尾矿库的提取的定位坐标的提取b＝(b
x
，b
y
，b
w
，b
h
)，然后使用不同的阈值对回归框重分类进行定位的优化，其中x是检测到的尾矿库候选对象，g为进行回归定位后的尾矿库位置坐标集，对每一个检测到的样本i输入(g
i
，b
i
)进行优化模型的训练，对检测框的损失函数在训练过程中进行最小化；距离向量在回归的过程中也进行了优化以确保回归定位的稳定性，该向量的具体定义如下：其中，(g
x
，g
y
，g
w
，g
h
)表示的是训练样本g的四顶点坐标，(b
x
，b
y
，b
w
，b
h
)是模型提取的目标尾矿库在图像中的坐标，(δ
x
，δ
y
，δ
w
，δ
h
)表示在四个坐标角点的坐标进行优化参数值。7.根据权利要求4所述的方法，其特征是：使用含有定位优化模块的级联检测器进行位置的优化；为了进行有效的定位的优化，一个单一的回归函数被迭代应用在了尾矿库的级联检测的过程中，具体定义如下：其中，x表示候选对象，b表示的是建议框，表示的是每次迭代之间的连接，在提出的框架中回归结构基于这些级联的检测器进行设计来完成优化工作：式中：T表示的是连接层的数量，每一级的回归器f
T
是根据样本分布进行优化的；其中，对于每一个检测框，都有一个IoU值u来进行检测框的评估与评定，对于每一个候选框尾矿库的标签都是根据u来进行定夺的：其中，g
y
表示的是样本g的标签，IoU的阈值被定义在每一级来评估每一级检测器的效果，尾矿库检测过程中只是基于单检测器实现高精度定位是困难的，在提出的模型中，定...

【专利技术属性】
技术研发人员：吴浩，刘冰洁，吴紫薇，
申请(专利权)人：华中师范大学，
类型：发明
国别省市：