一种遥感图像滑坡检测方法及系统技术方案

本发明专利技术公开一种遥感图像滑坡检测方法及系统，属于滑坡检测技术领域。该方法采用数据增强的方法扩充滑坡数据集，解决了训练集中滑坡样本数量较少的问题；以DarkNet53替换FasterR

【技术实现步骤摘要】
一种遥感图像滑坡检测方法及系统


[0001]本专利技术涉及滑坡检测领域，特别是涉及一种遥感图像滑坡检测方法及系统。

技术介绍

[0002]滑坡是常见的自然灾害之一，滑坡发生时不仅破坏自然环境，而且对村庄、城镇房屋及基础设施等造成毁坏，严重时构成大量人员伤亡。滑坡识别与预警防范是减少和避免地质灾害损失的重要课题，对于进行滑坡预防和建立滑坡数据库具有重要意义。
[0003]传统的滑坡识别依靠地质工作人员，通过实地勘探和遥感影像目视解译等手段绘制地质灾害编目结果。但受传统技术和条件的限制，现有的滑坡编目结果完整性和现势性都难以满足当前经济发展和防灾减灾需求。利用滑坡遥感影像的光谱、纹理特征的滑坡识别方法，发展较为成熟，主要可分为人工目视解译方法、变化检测方法、机器学习方法和深度学习方法。
[0004]目视解译法是地质灾害研究中常用的方法，研究人员通过对遥感图像进行目视解读，同时结合地质灾害的非遥感数据进行分析和推理，以识别潜在的灾害隐患区域。例如，刘春玲等利用高分一号卫星遥感数据，在东南亚跨境区内成功解译出重大工程扰动滑坡情况。虽然该方法在滑坡识别方面表现出较高的准确性，但严重依赖研究人员的先验知识和经验。
[0005]变化检测法是另一种常用的滑坡识别方法，它使用同一地区多个时间点的光学图像，结合像元基础上的多阈值分析和面向对象分析方法进行分析。该方法避免了像元分析方法中噪声引起的“椒盐”效应，充分利用各种图像信息，从而提高了滑坡识别的准确率和效率。但该方法需要多个时相的光学图像数据。例如，张帅娟等利用变化检测法成功提取西藏甲玛矿区滑坡情况。
[0006]传统滑坡识别主要依靠专家进行目视解译，随着计算机发展，逐渐形成了人工设计多阈值的变化检测方法，近年来随着人工智能技术的发展，出现了基于机器学习和深度学习的滑坡识别方法。
[0007]机器学习法是利用各种统计学模型，提取滑坡体与光学影像的各类相关特征，使用分类器识别出特征之间的关系，进行滑坡识别。该方法虽然耗费时间、人力较少，但特征选择和参数调节麻烦。目前多种机器学习方法，如支持向量机、随机森林等，已经和基于像元、面向对象分析等方法结合，成为滑坡识别领域的新方法。如喜文飞等在滇东北山区利用改进的Retinex算法去除影像粗差，结合SVM模型识别滑坡。
[0008]深度学习滑坡识别方法以卷积神经网络为主，构建深度学习网络，通过学习图像的高阶语义特征来识别滑坡。目前利用深度学习方法识别滑坡有两种方式，一是基于目标检测算法检测滑坡，二是基于语义分割算法检测滑坡。目标检测算法是根据需要的目标种类，寻找图像中对应种类的目标物体，确定它们的类别和位置。目前目标检测的算法，主要分为单阶段检测算法和双阶段检测算法。在单阶段检测算法中，目前应用最多的是YOLO系列，如Heyi，Hou等利用改进的YOLOX目标检测模型来检测复杂滑坡，提升了复杂小型滑坡的
检测精度；而在双阶段检测算法中，目前FasterR
‑
CNN(Faster Region ConvolutionalNeuralNetworks)应用较多，如Niu,C等结合注意力模块改进Faster R
‑
CNN模型，提升了对于非滑坡和泥石流的检测精度。单阶段检测算法，相较于双阶段检测算法，在检测速度上表现良好，但是在检测精度上不够准确。
[0009]FasterR
‑
CNN作为双阶段目标检测算法中应用最多的模型，其检测精度相较于单阶段检测算法表现良好，相比于前身Fast R
‑
CNN，提出的RPN可以快速提供大量的区域候选框，在保证检查精度的同时，提升检测速度。但是，Faster R
‑
CNN目前效果最佳的特征提取网络VGG16(Visual Geometry Group)和ResNet50(Residual Networks)，由于网络结构过深，在反向传播过程中容易出现梯度逐渐消失的问题。

技术实现思路

[0010]本专利技术的目的是提供一种遥感图像滑坡检测方法及系统，可避免网络过深带来的梯度消失问题，提高检测精度。
[0011]为实现上述目的，本专利技术提供了如下方案：
[0012]一种遥感图像滑坡检测方法，包括：
[0013]将Faster R
‑
CNN模型中的主干特征提取网络替换为DarkNet53，获得改进的Faster R
‑
CNN模型；
[0014]获取包含多张滑坡遥感图像样本的滑坡数据集；
[0015]采用数据增强的方法扩充滑坡数据集，获得增强后的滑坡数据集；
[0016]利用增强后的滑坡数据集训练所述改进的Faster R
‑
CNN模型，获得训练好的改进Faster R
‑
CNN模型；
[0017]将待检测滑坡遥感图像输入所述训练好的改进Faster R
‑
CNN模型，识别出待检测滑坡图像中的滑坡。
[0018]一种遥感图像滑坡检测系统，包括：
[0019]网络改进模块，用于将Faster R
‑
CNN模型中的主干特征提取网络替换为DarkNet53，获得改进的FasterR
‑
CNN模型；
[0020]数据集获取模块，用于获取包含多张滑坡遥感图像样本的滑坡数据集；
[0021]扩充模块，用于采用数据增强的方法扩充滑坡数据集，获得增强后的滑坡数据集；
[0022]训练模块，用于利用增强后的滑坡数据集训练所述改进的Faster R
‑
CNN模型，获得训练好的改进Faster R
‑
CNN模型；
[0023]识别模块，用于将待检测滑坡遥感图像输入所述训练好的改进Faster R
‑
CNN模型，识别出待检测滑坡图像中的滑坡。
[0024]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0025]本专利技术公开一种遥感图像滑坡检测方法及系统，采用数据增强的方法扩充滑坡数据集，解决了训练集中滑坡样本数量较少的问题；以DarkNet53替换Faster R
‑
CNN常用的主干特征提取网络，避免了网络过深带来的梯度消失问题，提高了检测精度。
附图说明
[0026]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所
需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0027]图1为本专利技术实施例提供的一种遥感图像滑坡检测方法的流程图；
[0028]图2为本专利技术实施例提供的改进的Faster R
‑
CNN模型的网络结构图；
[0029]图3为本专利技术实施例提供的滑坡数据集的部分样本；
...

【技术保护点】

【技术特征摘要】
1.一种遥感图像滑坡检测方法，其特征在于，包括：将FasterR
‑
CNN模型中的主干特征提取网络替换为DarkNet53，获得改进的FasterR
‑
CNN模型；获取包含多张滑坡遥感图像样本的滑坡数据集；采用数据增强的方法扩充滑坡数据集，获得增强后的滑坡数据集；利用增强后的滑坡数据集训练所述改进的FasterR
‑
CNN模型，获得训练好的改进FasterR
‑
CNN模型；将待检测滑坡遥感图像输入所述训练好的改进FasterR
‑
CNN模型，识别出待检测滑坡图像中的滑坡。2.根据权利要求1所述的遥感图像滑坡检测方法，其特征在于，在所述改进的FasterR
‑
CNN模型中的DarkNet53和RPN层之间增加一个BR层；所述BR层包括BN层和LeakyReLU层。3.根据权利要求1所述的遥感图像滑坡检测方法，其特征在于，所述数据增强的方法包括：颜色抖动，颜色抖动+改变亮度，颜色抖动+改变亮度+添加高斯噪声，添加高斯噪声，改变亮度，翻转，缩放+平移，以及旋转。4.根据权利要求1所述的遥感图像滑坡检测方法，其特征在于，对所述改进的FasterR
‑
CNN模型训练时：设定初始学习率为0.0001，训练轮数为120轮；分为两个训练阶段：主干冻结阶段和主干解冻阶段；前50轮为主干冻结阶段，batch
‑
size为8；后70轮设置为主干解冻阶段，batch
‑
size为4；在每次迭代训练改进的FasterR
‑
CNN模型时，使用相同的随机数种子，以保证模型训练的初始权重相同。5.一种遥感图像滑坡检测系统，其特征在于，包括：...

【专利技术属性】
技术研发人员：毛曦，路文娟，程瑶，王继周，杜川，秦瀚，
申请(专利权)人：中国测绘科学研究院，
类型：发明
国别省市：