一种多源数据融合的陨石坑年龄分类方法技术

本发明专利技术公开了一种多源数据融合的陨石坑年龄分类方法。本发明专利技术的陨石坑年龄分类方法包括：准备用于训练的陨石坑多源融合数据，每个陨石坑多源融合数据中包括图像融合数据和属性融合数据，属性融合数据中融合形态属性融合数据和地质属性融合数据；搭建陨石坑年龄分类判定深度学习模型；利用用于训练的陨石坑多源融合数据对陨石坑年龄分类判定深度学习模型进行半监督学习训练；将待判定年龄的陨石坑数据输入训练好的分类判定模型，来判断陨石坑的年龄类别；陨石坑年龄分类判定模型中设置有图像特征提取通道、属性特征提取通道、特征融合模块、预分类模块以及决策融合模块。本发明专利技术的陨石坑年龄分类方法提升了陨石坑年龄分类判定的准确性和稳定性。定的准确性和稳定性。定的准确性和稳定性。

【技术实现步骤摘要】
一种多源数据融合的陨石坑年龄分类方法


[0001]本专利技术涉及一种基于机器学习的陨石坑年龄分析技术，尤其涉及一种多源数据融合的陨石坑年龄分类方法。

技术介绍

[0002]月球表面的大部分都被陨石坑所占据，陨石坑是月球上最常见的表面特征。月球陨石坑年龄的估计对于推导月球表面和整个太阳系的绝对年龄模型是有着重要意义的，此外，这对月球探测器着陆点的选择和未来月球资源的开发具有重要意义。若进一步扩展的话，对于地外星球的研究中，对于陨石坑年龄的研究同样是有很重要意义的。
[0003]近年来，深度学习已广泛应用于遥感图像数据处理，神经网络等卷积深度研究方法可提供高精度的图像分类结果。与传统方法相比，深度学习需要大量的标记训练样本来提取样本的特征。迁移学习通过使用训练过的模型来解决不同但相关的问题，从而降低了训练模型的成本。半监督学习使用大量的无标记数据，以及标记数据来提取样本特征。迁移学习和半监督学习在标记样本较少的情况下已成功应用于多种场景，在预测陨石坑的年龄方面也取得了较高的精度。
[0004]2017年，杨晨首次提出基于深度学习和迁移学习的陨石坑年龄估计方法。该方法将陨石坑年龄估计问题转化为分类问题。杨晨使用了嫦娥一号的DOM数据、月球地质数据和陨石坑其他形状数据，构建一个基于迁移学习的双通道网络，一个通道通过CNN提取陨石坑图像特征，另一个通道通过前馈神经网络提取一般形态特征和地质特征，然后将两个通道提取的特征进行融合，利用特征融合的结果进行陨石坑年龄估计。对于训练样本较少的问题，第一是采用半监督学习策略，使用Mean
‑
Teacher方法，在网络训练中加入大量未标记的陨石坑数据防止过拟合，二是采用迁移学习策略，利用已训练网络的权值对网络进行初始化，防止初始参数过于随机，最终得到分类的总体准确率为85.44
±
1.94％(均值
±
SD)。
[0005]杨晨使用的半监督方法，是对相同的无标签数据添加不同的噪声，使其得到相同的年龄分类结果。然而这种方法所用到的陨石坑相关数据较少，尤其是对于无标签数据的运用还不够充分，从而限制了判断的准确性。当然，这主要是因为，就当时而言，由于受到“陨石坑相关数据较为缺乏”的限制，很难发展出充分利用陨石坑数据的方法。
[0006]近年来，随着探测技术的发展，已经可以获得更多的陨石坑数据，如DOM数据、形态数据、地质数据、多光谱数据等，这些都有助于陨石坑年龄估计。基于丰富的数据，可以更好地对陨石坑年龄进行估计。

技术实现思路

[0007]本专利技术的目的在于提供一种多源数据融合的陨石坑年龄分类方法，该陨石坑年龄分类方法能够提升陨石坑年龄分类判定的准确性和稳定性。
[0008]为了实现上述技术目的，本专利技术采用如下技术方案：
[0009]一种多源数据融合的陨石坑年龄分类方法，所述陨石坑年龄分类方法包括：
[0010]准备用于训练的陨石坑多源融合数据，每个陨石坑多源融合数据包括图像融合数据和属性融合数据；
[0011]搭建陨石坑年龄分类判定深度学习模型；
[0012]利用用于训练的陨石坑多源融合数据对陨石坑年龄分类判定深度学习模型进行基于半监督学习的训练；
[0013]利用训练好的陨石坑年龄分类判定深度学习模型来判断待判定陨石坑的年龄类别。
[0014]进一步地，所述准备用于训练的陨石坑多源融合数据，每个陨石坑多源融合数据包括图像融合数据和属性融合数据，所述图像融合数据由数字正射影像和多光谱图像数据进行融合得到，所述属性融合数据由形态属性融合数据和地质属性融合数据融合得到；其中包括有年龄标签的陨石坑多源融合数据和无年龄标签的陨石坑多源融合数据。
[0015]进一步地，所搭建的陨石坑年龄分类判定深度学习模型中设置有图像特征提取通道、属性特征提取通道、特征融合模块、预分类模块、以及决策融合模块；
[0016]所述图像特征提取通道用于对图像融合数据进行特征提取，在所述图像特征提取通道中设置有三个并行的图像分类深度学习网络，三个图像分类深度学习网络均用于对陨石坑多源融合数据中的图像融合数据进行特征提取，然后并行输出三个图像特征矩阵；
[0017]所述属性特征提取通道用于对属性融合数据进行特征提取，输出属性特征矩阵；
[0018]所述特征融合模块用于将图像特征提取通道输出的三个图像特征矩阵以及属性特征提取通道输出的属性特征矩阵进行特征融合处理，处理后得出三个特征融合矩阵；
[0019]所述预分类模块用于对特征融合模块得到的三个特征融合矩阵进行分类，得出对应的三组陨石坑预分类结果和分类结果置信度；
[0020]所述决策融合模块用于对所述预分类模块得到的陨石坑预分类结果和分类结果置信度进行决策融合，得出最终分类结果。
[0021]进一步地，所述预分类模块为两阶段分类模块，其将分类过程分为两个阶段，在第一阶段，将特征融合模块输出的三个特征融合矩阵进行二分类，得到对应的三个陨石坑二分类结果，在第二阶段，利用三个陨石坑二分类结果和与其所对应的三个特征融合矩阵进行多分类，得到三组陨石坑预分类结果和分类结果置信度。
[0022]进一步地，所述陨石坑年龄分类判定深度学习模型中，对应图像特征提取通道和属性特征提取通道分别设置自适应特征融合权重。
[0023]进一步地，所述利用用于训练的陨石坑多源融合数据对陨石坑年龄分类判定深度学习模型进行基于半监督学习的训练，其具体实现的方法包括：
[0024]对于陨石坑多源融合数据中的有年龄标签陨石坑多源融合数据，将有年龄标签的陨石坑多源融合数据拆分成第一数据集合、第二数据集合和第三数据集合；
[0025]对于陨石坑多源融合数据中的无年龄标签的陨石坑多源融合数据，采用自动标签扩充方法来选择部分无年龄标签陨石坑多源融合数据，赋予其年龄类别标签，将其作为伪年龄标签陨石坑多源融合数据，将所有的伪年龄标签陨石坑多源融合数据组合起来作为第四数据集合；
[0026]将第一数据集合与第四数据集合组合在一起作为训练集，对陨石坑年龄分类判定深度学习模型进行基于半监督学习的训练，将第二数据集合作为测试集，将第三数据集合
作为验证集；对陨石坑年龄分类判定深度学习模型进行测试和验证，得到训练好的陨石坑年龄分类判定深度学习模型。
[0027]进一步地，所述自动标签扩充方法包括：
[0028]将用于训练的陨石坑多源融合数据中的所有有年龄标签陨石坑多源融合数据输入到聚类分析模块中进行分析，对有年龄标签陨石坑多源融合数据中的图像融合数据以及属性融合数据进行聚类分析，得出各个年龄类别标签对应的DOM及多光谱融合图像类别中心以及属性数据类别中心；
[0029]对于每一个无年龄标签陨石坑多源融合数据，
[0030]采用多层小世界网络计算无年龄标签陨石坑多源融合数据与年龄类别的DOM及多光谱融合图像类别中心之间的距离，计算得出的距离作为图像类别中心距离，
[0031]以及，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多源数据融合的陨石坑年龄分类方法，其特征在于：所述陨石坑年龄分类方法包括：准备用于训练的陨石坑多源融合数据，每个陨石坑多源融合数据包括图像融合数据和属性融合数据；搭建陨石坑年龄分类判定深度学习模型；利用用于训练的陨石坑多源融合数据对陨石坑年龄分类判定深度学习模型进行基于半监督学习的训练；利用训练好的陨石坑年龄分类判定深度学习模型来判断待判定陨石坑的年龄类别。2.根据权利要求1所述一种多源数据融合的陨石坑年龄分类方法，其特征在于：所述准备用于训练的陨石坑多源融合数据，每个陨石坑多源融合数据包括图像融合数据和属性融合数据，所述图像融合数据由数字正射影像和多光谱图像数据进行融合得到，所述属性融合数据由形态属性融合数据和地质属性融合数据融合得到；其中包括有年龄标签的陨石坑多源融合数据和无年龄标签的陨石坑多源融合数据。3.根据权利要求1所述一种多源数据融合的陨石坑年龄分类方法，其特征在于：所搭建的陨石坑年龄分类判定深度学习模型中设置有图像特征提取通道、属性特征提取通道、特征融合模块、预分类模块、以及决策融合模块；所述图像特征提取通道用于对图像融合数据进行特征提取，在所述图像特征提取通道中设置有三个并行的图像分类深度学习网络，三个图像分类深度学习网络均用于对陨石坑多源融合数据中的图像融合数据进行特征提取，然后并行输出三个图像特征矩阵；所述属性特征提取通道用于对属性融合数据进行特征提取，输出属性特征矩阵；所述特征融合模块用于将图像特征提取通道输出的三个图像特征矩阵以及属性特征提取通道输出的属性特征矩阵进行特征融合处理，处理后得出三个特征融合矩阵；所述预分类模块用于对特征融合模块得到的三个特征融合矩阵进行分类，得出对应的三组陨石坑预分类结果和分类结果置信度；所述决策融合模块用于对所述预分类模块得到的陨石坑预分类结果和分类结果置信度进行决策融合，得出最终分类结果。4.根据权利要求3所述一种多源数据融合的陨石坑年龄分类方法，其特征在于：所述预分类模块为两阶段分类模块，其将分类过程分为两个阶段，在第一阶段，将特征融合模块输出的三个特征融合矩阵进行二分类，得到对应的三个陨石坑二分类结果，在第二阶段，利用三个陨石坑二分类结果和与其所对应的三个特征融合矩阵进行多分类，得到三组陨石坑预分类结果和分类结果置信度。5.根据权利要求4所述一种多源数据融合的陨石坑年龄分类方法，其特征在于：所述陨石坑年龄分类判定深度学习模型中，对应图像特征提取通道和属性特征提取通道分别设置自适应特征融合权重。6.根据权利要求3所述一种多源数据融合的陨石坑年龄分类方法，特征在于：图像特征提取通道中设置的图像分类深度学习网络的数量为三个，分别为ResNet50图像分类网络、Vgg16图像分类网络和mobilenet图像分类网络，三者均用于对图像融合数据进行特征提取，然后并行输出三个图像特征矩阵；所述属性特征提取通道中设置有卷积神经网络，卷积神经网络对属性融合数据进行特
征提取，输出属性特征矩阵。7.根据权利要求1所述一种多源数据融合的陨石坑年龄分类方法，其特征在于：所述利用用于训练的陨石坑多源融合数据对陨石坑年龄分类判定深度学习模型进行基于半监督学习的训练，其具体实现的方法包括：对于陨石坑多源融合数据中的有年龄标签陨石坑多源融合数据，将有年龄标签的陨石坑多源融合数据拆分成第一数据集合、第二数据集合和第三数据集合；对于陨石坑多源融合数据中的无年龄标签的陨石坑多源融合数据，采用自动标签扩充方法来选择部分无年龄标签陨石坑多源融合数据，赋予其年龄类别标签，将其作为伪年龄标签陨石坑多源融合数据，将所有的伪年龄标签陨石坑多源融合数据组合起来作为第四数据集合；将第一数据集合与第四数据集合组合在一起作为训练集，对陨石坑年龄分类判定深度学习模型进行基于半监督学习的训练，将第二数据集合作为测试集，将第三数据集合作为验证集；对陨石坑...

【专利技术属性】
技术研发人员：洪中华，钟琳萱，周汝雁，潘海燕，马振玲，张云，韩彦岭，王静，杨树瑚，徐利军，
申请(专利权)人：上海海洋大学，
类型：发明
国别省市：