基于生成对抗网络数据扩充策略的滑坡识别方法及装置制造方法及图纸

本发明专利技术公开了一种基于生成对抗网络数据扩充策略的滑坡识别方法及装置，包括：获取多源数据集并进行预处理，提取滑坡致灾因子，对滑坡致灾因子进行预处理、滑坡标签制作后，构建滑坡样本库；将预处理后的滑坡致灾因子及滑坡标签进行图层叠加后，通过影像立方体制作一维阵列数据，并划分为训练集和测试集；将训练集中的滑坡数据分批次输入网络中进行训练，完成少数类样本扩充，并将扩充后的样本加入原始训练集中构成平衡数据集；将平衡数据集输入至后端机器学习分类模型中进行训练，使用训练产生的最优模型对测试集进行测试，获得滑坡预测结果。本发明专利技术解决了数据集中类间不平衡的问题，并可使滑坡识别边界更加清晰完整，提高滑坡目标识别的精度。坡目标识别的精度。坡目标识别的精度。

【技术实现步骤摘要】
基于生成对抗网络数据扩充策略的滑坡识别方法及装置


[0001]本专利技术涉及地质灾害智能识别
，特别涉及一种基于生成对抗网络数据扩充策略的滑坡识别方法及装置。

技术介绍

[0002]滑坡因其分布范围广、发生频率高等特点被评定为当今世界上最为严重的一种地质灾害，每年都会因其发生而造成巨大的经济损失及人员伤亡。对于防灾减灾工作来说，编制滑坡清单对于滑坡预警、地貌侵蚀研究以及后续的滑坡风险评价及管理都具有十分重要的意义。滑坡清单包含滑坡发生地点、日期及运动类型等多种信息。目前编制滑坡清单主要是基于遥感影像开展的，主要包含以下三种手段：目视解译，基于机器学习的计算机识别手段，基于深度学习的智能识别手段。近年来，随着计算机技术的快速发展，在灾后通过遥感手段获取实时影像用于滑坡信息自动或半自动提取方法成为新的研究热点。
[0003]基于遥感影像的滑坡信息提取问题实质上是一个二分类问题，即将影像的原始像元或根据颜色、纹理等相似性组成的分割对象划分为滑坡或非滑坡类别。因此，基于遥感影像的滑坡监测技术可以分为基于像素及面向对象两种。面向对象的高分辨本文档来自技高网...

【技术保护点】

【技术特征摘要】
及测试集T1。6.根据权利要求1所述的滑坡识别方法，其特征在于，所述将训练集中的滑坡数据分批次输入至基于卷积神经网络的优化生成对抗网络模型Smo
‑
SE
‑
WGAN中进行训练，完成少数类样本扩充，并将扩充后的样本加入原始训练集中构成平衡数据集，包括：按照固定批次将训练集X1中的滑坡数据X
L
输入至网络中，滑坡特征为影像立方体生成的一维阵列数据，批次数量设定则需根据滑坡特征维度大小，硬件计算能力及网络复杂度进行设置；根据滑坡特征构建基于卷积神经网络的优化生成对抗网络模型Smo
‑
SE
‑
WGAN，包括：不平衡数据采样模块、Smote模块及GAN模块；首先滑坡数据经由不平衡数据采样模块循环迭代提取滑坡及背景样本，而后采用Smote模块进行数据平衡处理，针对少数类样本进行复制生成伪数据；GAN模块包含模拟真实数据分布的数据生成器G，以及进行判断数据为真实滑坡数据或是生成器G产生的伪数据判别器D；采用概率分布差异指标Wassertein距离构建损失函数，用于计算生成器G生成的伪数据分布与真实数据分布之间的距离，其计算公式具体如下：式中，Z为真实滑坡数据，Z从属于真实滑坡数据分布G(n)为随机噪声经过生成器G产生的伪数据，G(n)从属于生成数据分布γ为真实数据与生成数据的联合分布，E为平均值；根据网络批次及滑坡特征维度构造同等大小的服从正态分布的噪声矩阵Noise，将其输入至GAN模块中的生成器G，生成器中以卷积神经网络为底层网络进行构建，针对滑坡阵列数据特点采用一维卷积层、激活函数及批归一化层相间结构；针对滑坡一维阵列数据将通道注意力机制引入生成器，而后随机噪声通过上述结构进行卷积提取特征操作模拟真实滑坡特征数据的分布形态，从而生成与滑坡特征相同的伪数据X
W
；将上述生成器G产生的伪数据X
W
及真实滑坡数据X
L
一同输...

【专利技术属性】
技术研发人员：陈涛，刘桐，吕良，王青叶，李欣然，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：