一种岩性遥感智能解译模型建立方法及解译方法技术

本发明专利技术提供了一种岩性遥感智能解译模型建立方法及解译方法，所述建立方法包括：获取研究区的地质岩性数据和遥感影像，将所述地质岩性数据和所述遥感影像作为数据集；对所述数据集进行预处理，根据预处理后的数据集确定训练集；根据所述训练集训练初始模型，以构建岩性遥感智能解译模型，所述初始模型包括先验分支、遥感分支以及上采样模块，所述先验分支和所述遥感分支均包括残差神经网络和基于密集连接的空间池化注意力金字塔网络。本发明专利技术采用残差神经网络提升深度特征的提取能力，同时应用基于密集连接的空间池化注意力金字塔网络来提取多尺度特征，并保留重要通道的信息，提升特征的表达能力，从而提高了岩性解译的精确度。度。度。

【技术实现步骤摘要】
一种岩性遥感智能解译模型建立方法及解译方法


[0001]本专利技术涉及遥感信息
，具体而言，涉及一种岩性遥感智能解译模型建立方法及解译方法。

技术介绍

[0002]地质岩性图反映岩性单元和蚀变，在矿产勘探、矿区建设和环境治理中都非常重要。在中国，截至2021年，1:20万区域地质调查结果约占中国陆地面积的71％，1:5万区域地质调查结果仅占陆地面积的44.5％。随着工业的发展，矿山建设和环境治理需要更准确的地质调查数据。
[0003]现如今，传统的野外调查仍然是地质调查和岩性填图的主要模式。然而，实地调查既困难又耗时。自从成像光谱仪系统出现以来，遥感已被用于地球观测。一些研究人员正在设计各种模型来提取遥感图像数据中包含的特征，并解译岩性，这些模型分为基于手工特征的模型和基于深度特征的模型。对于包含大量信息的遥感图像，基于手工特征提取的表达能力有限，尤其是对于高维信息。为了充分利用遥感特征，许多研究人员将深度学习应用于特征提取，并对岩性单元进行分类。有研究人员提出了应用全卷积网络对中国西藏措纳洞穹隆的七个岩性单元进行分类，还有研究人员提出了一种只有两个卷积层的CNN模型，另外，还有研究人员提出了一种自适应多源数据融合网络，以提取岩性单元分类的空间和光谱信息。但是这些研究人员提出的方法更加关注遥感影像的信息，对于植被覆盖区域岩性解译的精确度比较低。

技术实现思路

[0004]本专利技术解决的问题是现有基于深度学习模型进行岩性解译的方法的解译精确度较低的问题。
[0005]为解决上述问题，本专利技术提供一种岩性遥感智能解译模型建立方法及解译方法。
[0006]第一方面，本专利技术提供了一种岩性遥感智能解译模型建立方法，包括：
[0007]获取研究区的地质岩性数据和遥感影像，将所述地质岩性数据和所述遥感影像作为数据集；
[0008]对所述数据集进行预处理，根据预处理后的数据集确定训练集；
[0009]根据所述训练集训练初始模型，以构建岩性遥感智能解译模型，所述初始模型包括先验分支、遥感分支以及上采样模块，所述先验分支和所述遥感分支均包括残差神经网络和基于密集连接的空间池化注意力金字塔网络。
[0010]可选地，所述根据所述训练集训练初始模型，以构建岩性遥感智能解译模型包括：
[0011]将所述训练集输入所述先验分支和所述遥感分支，分别获得所述先验分支以及所述遥感分支输出的深度特征；
[0012]将所述先验分支以及所述遥感分支输出的所述深度特征进行合并，获得合并后的深度特征；
[0013]对所述合并后的深度特征进行上采样，以构建岩性遥感智能解译模型。
[0014]可选地，所述将所述训练集输入所述先验分支和所述遥感分支，分别获得所述先验分支以及所述遥感分支输出的深度特征包括：
[0015]将所述训练集输入所述残差神经网络中，输出第一特征；
[0016]将所述第一特征输入所述空间池化注意力金字塔网络，输出所述深度特征。
[0017]可选地，所述将所述第一特征输入所述空间池化注意力金字塔网络，输出所述深度特征包括：
[0018]将所述第一特征输入密集连接结构，通过所述密集连接结构获得多尺度特征；
[0019]将所述多尺度特征输入通道注意力模块，基于所述通道注意力模块获得通道注意力特征；
[0020]将所述通道注意力特征作为残差结构添加到所述多尺度特征中，得到添加后的多尺度特征；
[0021]基于1
×
1的卷积核对所述添加后的多尺度特征进行卷积处理，获得所述深度特征。
[0022]可选地，还包括在所述密集连接结构的不同卷积层中构建不同空洞率的卷积核。
[0023]可选地，所述将所述多尺度特征输入通道注意力模块，基于所述通道注意力模块获得通道注意力特征包括：
[0024]采用全局池化将所述多尺度特征进行压缩，获得压缩后的特征；
[0025]将所述压缩后的特征输入到全连接层，得到权重矩阵；
[0026]通过Sigmoid函数对所述权重矩阵进行归一化处理，获得归一化后的权重矩阵；
[0027]基于所述归一化后的权重矩阵以及所述多尺度特征确定通道注意力特征。
[0028]可选地，所述对所述数据集进行预处理，根据预处理后的数据集确定训练集包括：
[0029]将所述数据集中的所述地质岩性数据和所述遥感影像进行切分，得到切分后的数据集；
[0030]基于所述切分后的数据集生成高斯分布随机数，根据所述高斯分布随机数确定所述训练集。
[0031]可选地，所述对所述合并后的深度特征进行上采样，以构建岩性遥感智能解译模型包括：
[0032]通过转置卷积对所述合并后的深度特征进行上采样，获得岩性解译结果，以构建岩性遥感智能解译模型。
[0033]可选地，所述根据所述训练集训练初始模型，以构建岩性遥感智能解译模型之后，还包括：
[0034]根据OA、mIOU、macro
‑
F1评价指标对所述岩性遥感智能解译模型进行精度评价。
[0035]本专利技术所述的岩性遥感智能解译模型建立方法的有益效果是：本专利技术引入地质岩性数据，利用地质先验知识同时结合遥感影像，提高了岩性特征的表达能力，从而提高了岩性解译的精确度。另外，本专利技术采用残差神经网络提升深度特征的提取能力，同时应用基于密集连接的空间池化注意力金字塔网络来提取多尺度特征，并保留重要通道的信息，提升特征的表达能力，从而提高了岩性解译的精确度。
[0036]第二方面，本专利技术提供了一种岩性遥感智能解译方法，包括：
[0037]获取待解译区域的待解译地质岩性数据和待解译遥感影像，将所述待解译地质岩性数据和所述待解译遥感影像输入到第一方面所述的岩性遥感智能解译模型建立方法所建立的岩性遥感智能解译模型中，得到待解译区域的岩性解译结果。
[0038]所述岩性遥感智能解译方法与上述岩性遥感智能解译模型建立方法相对于现有技术所具有的优势相同，在此不再赘述。
附图说明
[0039]图1为本专利技术实施例提供的一种岩性遥感智能解译模型建立方法的流程示意图；
[0040]图2为岩性遥感智能解译模型的网络结构示意图；
[0041]图3为基于密集连接的空间池化注意力金字塔网络的结构示意图；
[0042]图4为本专利技术实施例提供的一种岩性遥感智能解译方法的流程示意图。
具体实施方式
[0043]为使本专利技术的上述目的、特征和优点能够更为明显易懂，下面结合附图对本专利技术的具体实施例做详细的说明。
[0044]由于岩石的形成受构造、岩浆热液等多种因素的影响。地质先验知识可以为岩性识别，尤其是对于植被覆盖区域岩性解译提供关键信息。因此，本专利技术引入地质先验知识作为指导，提高岩性特征的表达能力，实现岩性解译。
[0045]因此，本专利技术实施例提供了一种岩性遥感智能解译模型建立方法，该方法的流程示意图如图1所示，该本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种岩性遥感智能解译模型建立方法，其特征在于，包括：获取研究区的地质岩性数据和遥感影像，将所述地质岩性数据和所述遥感影像作为数据集；对所述数据集进行预处理，根据预处理后的数据集确定训练集；根据所述训练集训练初始模型，以构建岩性遥感智能解译模型，所述初始模型包括先验分支、遥感分支以及上采样模块，所述先验分支和所述遥感分支均包括残差神经网络和基于密集连接的空间池化注意力金字塔网络。2.根据权利要求1所述的岩性遥感智能解译模型建立方法，其特征在于，所述根据所述训练集训练初始模型，以构建岩性遥感智能解译模型包括：将所述训练集输入所述先验分支和所述遥感分支，分别获得所述先验分支以及所述遥感分支输出的深度特征；将所述先验分支以及所述遥感分支输出的所述深度特征进行合并，获得合并后的深度特征；对所述合并后的深度特征进行上采样，以构建岩性遥感智能解译模型。3.根据权利要求2所述的岩性遥感智能解译模型建立方法，其特征在于，所述将所述训练集输入所述先验分支和所述遥感分支，分别获得所述先验分支以及所述遥感分支输出的深度特征包括：将所述训练集输入所述残差神经网络中，输出第一特征；将所述第一特征输入所述空间池化注意力金字塔网络，输出所述深度特征。4.根据权利要求3所述的岩性遥感智能解译模型建立方法，其特征在于，所述将所述第一特征输入所述空间池化注意力金字塔网络，输出所述深度特征包括：将所述第一特征输入密集连接结构，通过所述密集连接结构获得多尺度特征；将所述多尺度特征输入通道注意力模块，基于所述通道注意力模块获得通道注意力特征；将所述通道注意力特征作为残差结构添加到所述多尺度特征中，得到添加后的多尺度特征；基于1
×
1的卷积核对所述添加后的多尺度特征进行卷积处理，获得所述深度特征。5.根据权利要求4所述的岩性遥感智能解...

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