基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
基于DEM特征增强的视觉Transformer滑坡识别方法


[0001]本专利技术涉及一种图像识别方法，尤其涉及一种基于
DEM
特征增强的视觉
Transformer
滑坡识别方法
。

技术介绍

[0002]随着对地观测技术的迅猛发展，遥感技术在大范围地质灾害调查中的应用也越来越普遍
。
从大量的遥感数据中快速
、
全面和准确地识别出滑坡对防灾减灾具有重要意义
。
[0003]宋雨洋等人（
2022
年）提出了一种基于
Google
开源数据与支持向量机
(SVM)
相结合的方法，以川西地区为实验区，实现了遥感图像上滑坡的准确识别
。
[0004]季顺平等人提出了卷积神经网络与
3D
通道注意力机制结合的方式进行滑坡分类识别，在自己构建的毕节滑坡数据集最终实验结果精确度为
98.16%
，
F1
分数达到
96.62%。
[0005]杨昭颖等提出来融合
DEM
的卷积神经网络分类模型，并在自己制作的黄土滑坡数据库上进行了实验验证，最终实验结果精确度为
95.7。
[0006]SVM
方法存在识别精度不高，季顺平等人并未引入
DEM
特征，杨昭颖等人的方法未结合注意力机制
。
随着
2021
年视觉
Transformer
新型基线网络模型的爆火，在多个数据集上显示效果优于以往的卷积神经网络，但至今没有视觉
Transformer
与
DEM
特征结合，并应用在滑坡分类识别领域
。
[0007]名词解释：
DEM
，
Digital Elevation Model
，中文为数字高程模型，
DEM
图像指数字高程模型地图
。

技术实现思路

[0008]本专利技术的目的就在于提供一种解决上述问题，能提升滑坡识别效果的基于
DEM
特征增强的视觉
Transformer
滑坡识别方法
。
[0009]为了实现上述目的，本专利技术采用的技术方案是这样的：一种基于
DEM
特征增强的视觉
Transformer
滑坡识别方法，包括以下步骤：（1）获取数据集；所述数据集包括遥感数据集
D1
和
DEM
图像数据集
D2
；
D1
中包含大量标记有滑坡区域的遥感图像，尺寸为
M
×
M
×3，
M
为长度和宽度值，
M≥128
；
D2
中包含与遥感图像块一一对应的
DEM
图像，尺寸为
M
×
M
×1；遥感图像与对应的
DEM
图像构成样本数据对；（2）构建一滑坡识别网络，包括
DEM
特征提取单元和
Swin
‑
Transformer
网络；所述
DEM
特征提取单元，用于将4×4像素点视为一子区，计算每个子区的粗糙度，并构成粗糙度矩阵，再用一预设的阈值与对每个粗糙度对比，将粗糙度矩阵中，小于阈值的粗糙度替换为一无穷小的数，其余粗糙度替换为0，得到掩码矩阵；
所述
Swin
‑
Transformer
网络包括依次连接的图片分块单元
、
四个降采样单元和一分类头，且图片分块单元与第一个降采样单元间设有一图像叠加单元；所述图像叠加单元用于将掩码矩阵与图片分块单元的输出进行叠加，得到叠加图像；（3）训练滑坡识别网络，得到识别模型；（
31
）设置训练次数
、
及每次训练送入滑坡识别网络中样本数据对的数量；（
32
）将样本数据对送入滑坡识别网络，对其中一样本数据对，
DEM
特征提取单元处理
DEM
图像，得到大小为
M/4
×
M/4
×1掩码矩阵，
Swin
‑
Transformer
网络将遥感图像经图片分块单元分为
M/4
×
M/4
×
96
的图像块，与掩码矩阵叠加得到叠加图像，再经四个降采样单元和分类头后输出目标识别结果；（
33
）计算本次训练的损失函数，用
Lion
优化器更新滑坡识别网络的参数；（
34
）重复步骤（
32
）
、
（
33
）至参数收敛，得到识别模型；（4）用识别模型进行目标识别；（
41
）获取待识别区域的遥感图像，构建对应的
DEM
图像，并将遥感图像剪裁至
M
×
M
×3的遥感图像块
、DEM
图像剪裁至
M
×
M
×1的
DEM
图像块，将遥感图像块与
DEM
图像块一一对应构成样本对；（
42
）将样本对送入识别模型，输出目标识别结果
。
[0010]作为优选，
DEM
图像中，子区
i
的粗糙度
R
i
通过下式计算；
R
i
=Max(e
i
)
‑
Min(e
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1),
式（1）中，
Max(e
i
)、Min(e
i
)
分别为子区
i
内像素点的高程值的最大值和最小值
。
[0011]作为优选，步骤（2）中，阈值为预设
。
[0012]作为优选，
Lion
优化器根据下式进行参数的更新：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2),
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3),
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4),
式（2）中，
u
t
为中间量，
sign( )
为
sign
函数，
β1为预设的第一参数，且
β1=0.9
，
g
t
为第
t
次训练得到的损失函数的梯度；
m<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
DEM
特征增强的视觉
Transformer
滑坡识别方法，其特征在于，包括以下步骤：（1）获取数据集；所述数据集包括遥感数据集
D1
和
DEM
图像数据集
D2
；
D1
中包含大量标记有滑坡区域的遥感图像，尺寸为
M
×
M
×3，
M
为长度和宽度值，
M≥128
；
D2
中包含与遥感图像块一一对应的
DEM
图像，尺寸为
M
×
M
×1；遥感图像与对应的
DEM
图像构成样本数据对；（2）构建一滑坡识别网络，包括
DEM
特征提取单元和
Swin
‑
Transformer
网络；所述
DEM
特征提取单元，用于将4×4像素点视为一子区，计算每个子区的粗糙度，并构成粗糙度矩阵，再用一预设的阈值与对每个粗糙度对比，将粗糙度矩阵中，小于阈值的粗糙度替换为一无穷小的数，其余粗糙度替换为0，得到掩码矩阵；所述
Swin
‑
Transformer
网络包括依次连接的图片分块单元
、
四个降采样单元和一分类头，且图片分块单元与第一个降采样单元间设有一图像叠加单元；所述图像叠加单元用于将掩码矩阵与图片分块单元的输出进行叠加，得到叠加图像；（3）训练滑坡识别网络，得到识别模型；（
31
）设置训练次数
、
及每次训练送入滑坡识别网络中样本数据对的数量；（
32
）将样本数据对送入滑坡识别网络，对其中一样本数据对，
DEM
特征提取单元处理
DEM
图像，得到大小为
M/4
×
M/4
×1掩码矩阵，
Swin
‑
Transformer
网络将遥感图像经图片分块单元分为
M/4
×
M/4
×
96
的图像块，与掩码矩阵叠加得到叠加图像，再经四个降采样单元和分类头后输出目标识别结果；（
33
）计算本次训练的损失函数，用
Lion
优化器更新滑坡识别网络的参数；（
34
）重复步骤（
32
）
、
（
33
）至参数收敛，得到识别模型；（4）用识别模型进行目标识别；（
41
）获取待识别区域的遥感图像，构建对应的
DEM
图像，并将遥感图像剪裁至
M
×
M
×3的遥感图像块
、DEM
图像剪裁...

【专利技术属性】
技术研发人员：冷小鹏，贾璐，赵富鸿，
申请(专利权)人：成理智源科技成都有限公司，
类型：发明
国别省市：