基于深度学习与随机森林的典型尾矿库遥感目标识别方法技术

本发明专利技术提供的基于深度学习与随机森林的典型尾矿库遥感目标识别方法，是通过典型尾矿库遥感目标识别方法体系实现的，该体系主要由原始影像数据集制作、基于FasterR

【技术实现步骤摘要】
基于深度学习与随机森林的典型尾矿库遥感目标识别方法


[0001]本专利技术属于遥感图像处理与环境保护措施
，特别是一种基于深度学习与随机森林的典型尾矿库遥感目标识别方法。在尾矿库安全风险管控中，实现了不同尺度、形状、分布的尾矿库识别，为尾矿库综合管理整治提供了技术支持。

技术介绍

[0002]尾矿库是矿产资源开发加工过程中用于存储尾砂及其他工业废渣的场所，一般用于尾矿中存留矿物成分的再回收、水资源循环利用，尾矿库在尾矿存储过程中会逐渐成为一个具有高势能的危险源，尾矿库坝体结构失稳所引发快速流动的泥石流会造成大规模的破坏，含有大量重金属的尾矿造成的污染也会给环境带来灾难性的后果。
[0003]为保障尾矿库周边人民的生命财产安全，国家应急管理部在2020年2月发布的《防范化解尾矿库安全风险工作方案》中对每座尾矿库要坚持“一库一策”的方针对尾矿库安全风险管控提出了更高更准确的要求。传统尾矿库管理中多采用人工统计与实地巡查的方式，在实施大规模尾矿库信息的采集工作中存在人工成本较高、工作施展周期较长的问题。随着遥感技术、深度学习等新一代信息技术的高度发展，尾矿库安全管理模式正逐步向信息化、数字化、智能化方向发展，结合当前主流技术实现尾矿库的高精度自动识别，基于遥感影像结合深度学习方法实现尾矿库的识别对于尾矿库安全管理具有重大现实意义。
[0004]随着遥感技术的迅速发展，遥感影像数据因其高空间分辨率、高光谱分辨率、高时间分辨率、数据来源广泛的特点被广泛应用于目标地物的检测与场景特征的提取。结合多源遥感影像，现有较多研究对矿产资源开发与生产场景从不同角度进行了相关特征研究，如Baodong Ma等对Landsat数据进行了尾矿库低品质铁尾矿的光谱与纹理特征分析，Lina Hao等对尾矿库中干涸尾矿、湿润尾矿、水体等分别进行了光谱特征分析，该类研究成果为尾矿库识别中特征的提取提供了思路与指导，但实现大范围遥感影像中尾矿库目标对象的提取还需要结合更多特征指标。在尾矿库识别的实践研究中，郝利娜等在光谱特征、纹理特征基础上引入了结构特征、分布特征进行分析，借助WorldView
‑
2对鄂东南尾矿库通过人机交互的方式结合目视解译完成了该区域内572个尾矿库。高永志等从提高数据分辨率角度采用中国遥感14号、24号、5号和高分2号等卫星提供的遥感图像解译出山东省内585个尾矿库。为进一步减少尾矿库识别的人工成本，随后有研究者开始探索尾矿库的自动化识别技术，如熊文成等研究分析了尾矿库在SAR数据及光学图像中的相关特征，使用eCognition(易康)软件对SPOT5多光谱图像进行分割，结合多特征分析进行了尾矿库自动化识别技术研究。为实现大范围影像中的尾矿库目标识别，结合现有目标检测方法，闫凯等在2020年改进了SSD模型实现了华北地区尾矿库的智能识别，精确率达0.882，召回率达0.857，相比原始SSD模型，精确率提高了10.0％，召回率提高了14.4％；同类研究中Qingting Li等使用SSD模型对京津冀区域尾矿库进行提取，其中检测精度为90.2％，召回率为88.7％。
[0005]综上，现有的尾矿库识别研究中，传统结合高分辨率遥感影像解译通常采用人工目视解译方式，存在工作量较大且自动化程度较低的问题，基于深度学习的尾矿库识别方
法在样本较少的情况下难以兼顾尾矿库提取的精度与查全的问题。中国尾矿库多分布离散，而且自然场景地物中的水库和尾矿库地物特征相近、不同矿区尾矿库形状不同、特征相差明显，使用人工目视解译过程中需要具备较强的专业知识，因此使用上述方法进行大范围影像内尾矿库识别工作费时费力。随着计算机视觉技术蓬勃发展，现有基于大数据与深度学习的目标检测算法在基于遥感的目标检测能够完成部分尾矿库目标检测，但是研究根据等级、区位分布、生产阶段不同、尾矿库大小、形状、遥感影像特征均存在差异，要同时实现大范围内的典型尾矿库的识别结果的高精度与目标查全，还有待方法的优化与提升。
[0006]自Hinton等利用深度学习开展数据降维和分类的研究以来，深度学习相关目标模型与技术在高分辨率遥感图像目标检测、高分辨率遥感影像信息挖掘、高光谱图像分类等方面开始得到了成功应用，现有的主流目标检测方法主要分为两种类型，一种是基于锚点的目标检测，如以R
‑
CNN(Region Convolutional Neural Network)、SPP
‑
Net(Spatial Pyramid Pooling
‑
Net)、Faster R
‑
CNN(Faster Regions with Convolutional Neural Network)为代表的Two
‑
Stage检测模型与以YOLO(You Only Look Once)、SSD(Single Shot MultiBox Detector)为代表的One
‑
Stage检测模型，另一种是基于Anchor
‑
Free的检测，如CornerNet模型、FSAF(Feature Selective Anchor
‑
Free Module)模型等，基于上述模型，可实现尾矿库目标的查全。为实现识别结果中的真实目标与虚警目标的分类，现有U
‑
Net场景语义分割方法、Res
‑
Net分类方法均为分类特征提取提供了技术支持，随机森林等算法可实现基于多维特征的尾矿库识别结果分类，实现真实尾矿库的提取，进一步提高尾矿库分类的精度。

技术实现思路

[0007]本专利技术需要解决的技术问题是：提供一种基于深度学习与随机森林的典型尾矿库遥感目标识别方法，在尾矿库安全风险管控中，实现大范围目标区域中不同尺度、形状、分布的尾矿库识别，为尾矿库综合管理整治提供技术支持。
[0008]本专利技术解决其技术问题采用以下的技术方案：
[0009]本专利技术提供的基于深度学习与随机森林的典型尾矿库遥感目标识别方法，其是通过典型尾矿库遥感目标识别方法体系实现的，该方法体系主要由原始影像数据集制作、基于Faster R
‑
CNN的目标检测、基于U
‑
Net等模型的多维特征提取、基于随机森林的特征筛选与分类组成，其中：原始影像数据集制作进行识别区域原始影像目标标记用于目标检测模型训练，基于Faster R
‑
CNN模型首先实现大范围遥感影像中尾矿库的粗提取，基于U
‑
Net等模型对识别结果进行尾矿库的面积、场景拓扑关系、影像长宽比等多维特征进行提取用于虚警目标与真实目标的分类，使用随机森林进行典型特征筛选与真实目标分类，实现典型尾矿库的高精度识别。
[0010]本方法可以使用高分辨率遥感影像进行大范围尾矿库目标检测，通过提取识别结果的多维特征并基于随机森林算法的分类剔除了虚警目标，实现了区域典型尾矿库的提取，为尾矿库科学管理工作提供一定技术支持。
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与随机森林的典型尾矿库遥感目标识别方法，其特征是通过典型尾矿库遥感目标识别方法体系实现的，该方法体系主要由原始影像数据集制作、基于Faster R
‑
CNN的目标检测、基于U
‑
Net等模型的多维特征提取、基于随机森林的特征筛选与分类组成，其中：原始影像数据集制作进行识别区域原始影像目标标记用于目标检测模型训练，基于Faster R
‑
CNN模型首先实现大范围遥感影像中尾矿库的粗提取，基于U
‑
Net等模型对识别结果进行尾矿库的面积、场景拓扑关系、影像长宽比等多维特征进行提取用于虚警目标与真实目标的分类，使用随机森林进行典型特征筛选与真实目标分类，实现典型尾矿库的高精度识别。2.根据权利要求1所述的基于深度学习与随机森林的典型尾矿库遥感目标识别方法，其特征是：使用高分辨率遥感影像进行大范围尾矿库目标检测，通过提取识别结果的多维特征并基于随机森林算法的分类剔除了虚警目标，实现了区域典型尾矿库的提取，为尾矿库科学管理工作提供一定技术支持。3.一种基于深度学习与随机森林的典型尾矿库遥感目标识别方法，其特征是：首先根据模型要求分割遥感影像、标记尾矿库制作目标检测模型训练遥感数据集；然后基于样本训练目标检测模型，输入数据至模型中进行尾矿库目标检测，得到含有真实目标与虚警目标的尾矿库识别结果；对识别结果进行样本几何形状、样本分类概率、场景元素面积、场景元素拓扑关系特征提取与量化，使用随机森林算法进行组合特征筛选与样本分类，得到尾矿库虚警目标剔除的最优特征组合与方法最佳分类结果。4.根据权利要求3所述的方法，其特征是包括基于Faster R
‑
CNN的典型尾矿库目标检测、基于U
‑
Net模型与Res
‑
Net模型的特征提取和基于随机森林的尾矿库识别，具体为：(1)基于Faster R
‑
CNN的目标检测：a.根据面向公众公布尾矿库统计信息标注已知尾矿库位置信息并从遥感影像中采集具有RGB三通道的高分辨率尾矿库遥感图像样本，选择研究区影像使用LabelImg工具进行目标识别特征数据集制作；b.使用Faster R
‑
CNN的模型对尾矿库进行识别，使用特征训练后的模型识别出影像中可能存在的尾矿库；根据模型给出尾矿库的识别置信度的大小，统计并对比真实的尾矿库与设定阈值后保留的识别目标对象，确定当识别目标中保留所有真实尾矿库时的阈值，并将该阈值下的尾矿库识别结果作为二次筛选样本数据集；(2)基于U
‑
Net模型与Res
‑
Net模型的特征提取：a.对识别结果图像数据集，获取图像宽、高及宽高比作为尾矿库数据集图像特征；b.基于U
‑
Net模型实现尾矿库的图像分割，获取分割对象的面积特征；c.改进U
‑
Net模型实现尾矿库的水、沙、坝的语义分割，获取识别数据集中各组成元素的几何特征和空间分布特征；d.将Res
‑
Net模型应用于尾矿库数据集的分类，将整体判断是否为尾矿库的概率作为概率特征值；(3)基于随机森林的尾矿库识别：a.基于随机森林算法原理，制作尾矿库识别特征样本集，将训练样本按照8：2的比例分为训练集和验证集，使用训练集进行随机森林分类模型训练；b.选择最优参数组合并验证模型分类精度，实现尾矿库的二次筛选。
5.根据权利要求4所述的方法，其特征是：选取LocalspaceViewer中分辨率为2m的谷歌16级遥感影像，使用ArcGIS软件中渔网工具对影像进行切片处理，使用LabelImg工具进行样本制作，将数据集以8：2的比例划分训练集和测试集。6.根据权利要求4所述的方法，其特征是：基于Faster R
‑
...

【专利技术属性】
技术研发人员：吴浩，刘冰洁，胡少华，涂振发，林安琪，宋旦霞，
申请(专利权)人：华中师范大学，
类型：发明
国别省市：