【技术实现步骤摘要】
本专利技术涉及遥感技术与应用，尤其涉及一种煤矿区场景空间特征多源数据融合智能识别方法。
技术介绍
1、矿产资源开采对人类的生存和发展具有重要意义。但是，矿产开采破坏了原来的地表景观和土地资源，很容易引发生态问题和地质灾害。对矿山开采活动开展动态监测，有利于矿山的合理开发和高效管理，能在一定程度上有效避免其在开发过程中因监管缺失导致的灾害。
2、矿产资源的开发具有明显的生命周期，对处于不同状态的矿山进行常态化监测具有不同的意义。矿山开发生命周期可分为规划建设阶段、投产达标阶段、稳定发展阶段和衰老报废阶段。矿山开发前期对矿山资源评估、矿山开发阶段矿山对周边环境的影响评估、报废阶段对矿山土地的生态恢复评价，都是矿山发展过程中必不可少的工作，矿山的动态基础数据是支撑以上工作的基础。矿山基础数据包括矿山场地的地理位置和边界信息。随着我国智慧矿山的建设，此类基础数据是支撑矿山数字化的重要的基础。
3、传统的矿山信息调查，一般采用现场勘察的方式进行，需耗费大量人力、物力和财力。遥感技术为矿山全生命周期的动态监测提供了数据支撑。随着深度学习技术的逐渐成熟，遥感技术与深度学习算法相结合使得大范围识别煤矿区场景空间特征成为了可能。
4、现有的煤矿区场景空间特征识别模型的对象通常仅针对特定矿区开展的，这些模型选取的样本在空间上较为集中，并未考虑不同区域矿山的背景信息对矿山识别产生的影响。此外，这些研究选择的遥感数据空间分辨率单一，并未评估不同空间分辨率尺度下，建立矿山场景识别模型的精度。因此，需要使用适合的深度学习
技术实现思路
1、本专利技术的目的在于提供一种煤矿区场景空间特征多源数据融合智能识别方法，能够实现矿山场景类型与边界的自动化、智能化、批量化识别的功能，为矿山全生命周期的场景识别与可持续发展提供可行的技术方案。
2、为实现上述目的，本专利技术一种煤矿区场景空间特征多源数据融合智能识别方法，包括以下步骤：
3、s1:煤矿区场景多源数据预处理：将获取的煤矿区的sentinel-2影像数据、gf-6影像数据、gf-2影像数据、google image影像数据按照影像融合、影像裁剪、影像拼接的顺序进行预处理；其中，sentinel-2数据和google image数据只进行影像裁剪操作；
4、s2:煤矿区场景建模样本数据采集与标注：分别采集矿山场地目标样本和矿山场地边界样本，对采集矿山场地目标样本数据和矿山场地边界样本数据进行矿山场景标签标注；
5、s3:煤矿区场景建模样本数据集划分：将s1步骤预处理后获得的所有数据划分为3个数据集，3个数据集包括多尺度数据集、多源数据融合数据集和模型测试数据集；
6、s4:矿山场地场景识别模型和矿山场地边界识别模型的训练和建立：使用fasterr-cnn、yolo-v5、detr三种目标识别方法训练并建立矿山场地场景识别模型；使用mask r-cnn、u-net、deeplabv3+三种图像分割方法训练并建立矿山场地边界识别模型；
7、s5:多尺度数据矿山场地识别模型的建立：将s1步骤中预处理得到的10msentinel-2影像、8m gf-6原始影像、2m gf-6融合影像、3.2m gf-2原始影像以及0.8mgf-2融合影像的5种影像数据，分别使用s4步骤中detr模型与deeplabv3+模型建立每种数据对应的矿山场地场景识别模型和矿山场地边界识别模型；
8、s6:多源融合数据矿山场地识别模型的建立：将s1步骤中预处理得到的sentinel-2影像、gf-6影像、gf-2影像、google image影像数据采用特征级融合方法进行多源数据融合，将融合处理后的多源数据输入s4步骤中faster r-cnn、yolo-v5、detr三种深度学习模型训练并建立多源融合数据矿山场地场景识别模型；输入mask r-cnn、u-net、deeplabv3+三种深度学习模型训练并建立多源融合数据矿山场地边界识别模型；
9、s7:矿山场地场景和边界识别模型精度检验与对比：使用精确率、召回率、miou、kappa系数、制图精度和用户精度对建立的模型进行精度检验，比较不同数据与不同方法建立的模型的精度；
10、s8:矿山场地场景和边界识别模型应用：以干旱、半干旱典型矿区露天煤矿场地识别应用为例，验证了智能识别矿山场景边界方法的性能。
11、进一步，所述gf-6影像数据和gf-2影像数据均分别使用其多光谱波段和全色波段进行影像融合操作。
12、进一步，所述多尺度数据集包括sentinel-2影像数据、gf-6原始影像数据、gf-6融合影像数据、gf-2原始影像数据以及gf-2融合影像数据；所述多源融合数据集包括sentinel-2影像数据、gf-6原始影像数据、gf-6融合影像数据、gf-2原始影像数据、gf-2融合影像数据以及google image影像数据；所述模型测试数据集包括多尺度数据集和多源融合数据集中所有数据源。
13、进一步，所述多尺度数据集和多源数据融合数据集按照7:3的比例，分别划分训练数据集和验证数据集；所述模型测试数据集数据独立于训练数据集和验证数据集，不参与模型的训练和验证任务。
14、进一步，所述s2步骤中，在对采集矿山场地目标样本数据和矿山场地边界样本数据进行矿山场景标签标注的过程中，使用sam进行半自动化辅助标注。
15、进一步，所述s2步骤中，在对采集矿山场地目标样本数据和矿山场地边界样本数据进行矿山场景标签标注的过程中，采用带的有地理信息的矢量文件进行标注。
16、进一步，所述s4步骤中采用特征集融合方法进行多源数据融合包括以下步骤：
17、a、以空间分辨最高的gf-2融合影像作为标准，将其余影像使用最邻近内插法重采样为与gf-2融合影像相同的尺寸大小；
18、b、将经步骤a处理后的数据集按7∶3划分为训练集和验证集后，将得到的样本数据；将处理得到的数据作为输入数据，输入深度学习模型进行训练；
19、c、训练结束后得到多源融合数据矿山场地场景识别模型和多源融合数据矿山场地边界识别模型。
20、本专利技术的有益效果:
21、1.利用10m sentinel-2影像、8m gf-6原始影像、2m gf-6融合影像、3.2mgf-2原始影像、0.8m gf-2融合影像建立矿山识别模型，量化了选择不同数据产生的模型精度，得到高质量数据匹配高精度模型获得最优识别结果，解决了矿山场景识别数据筛选问题。
22、2.基于多源融合遥感数据与深度学习方法，建立了矿山场地场景识别模型和矿山场地边界识别模型。采用深度学习最优方法与增加多场景、多时段、本文档来自技高网...
【技术保护点】
1.一种煤矿区场景空间特征多源数据融合智能识别方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种煤矿区场景空间特征多源数据融合智能识别方法，其特征在于：所述GF-6影像数据和GF-2影像数据均分别使用其多光谱波段和全色波段进行影像融合操作。
3.根据权利要求1或2所述的一种煤矿区场景空间特征多源数据融合智能识别方法，其特征在于：所述多尺度数据集包括Sentinel-2影像数据、GF-6原始影像数据、GF-6融合影像数据、GF-2原始影像数据以及GF-2融合影像数据；所述多源融合数据集包括Sentinel-2影像数据、GF-6原始影像数据、GF-6融合影像数据、GF-2原始影像数据、GF-2融合影像数据以及Google image影像数据；所述模型测试数据集包括多尺度数据集和多源融合数据集中所有数据源。
4.根据权利要求3所述的一种煤矿区场景空间特征多源数据融合智能识别方法，其特征在于：所述多尺度数据集和多源数据融合数据集按照7:3的比例，分别划分训练数据集和验证数据集；所述模型测试数据集数据独立于训练数据集和验证数据集，不参与模型的
5.根据权利要求4所述的一种煤矿区场景空间特征多源数据融合智能识别方法，其特征在于：所述S2步骤中，在对采集矿山场地目标样本数据和矿山场地边界样本数据进行矿山场景标签标注的过程中，使用SAM进行半自动化辅助标注。
6.根据权利要求5所述的一种煤矿区场景空间特征多源数据融合智能识别方法，其特征在于：所述S2步骤中，在对采集矿山场地目标样本数据和矿山场地边界样本数据进行矿山场景标签标注的过程中，采用带的有地理信息的矢量文件进行标注。
7.根据权利要求4-6任一项所述的一种煤矿区场景空间特征多源数据融合智能识别方法，其特征在于：所述S4步骤中采用特征集融合方法进行多源数据融合包括以下步骤：
...【技术特征摘要】
1.一种煤矿区场景空间特征多源数据融合智能识别方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种煤矿区场景空间特征多源数据融合智能识别方法，其特征在于：所述gf-6影像数据和gf-2影像数据均分别使用其多光谱波段和全色波段进行影像融合操作。
3.根据权利要求1或2所述的一种煤矿区场景空间特征多源数据融合智能识别方法，其特征在于：所述多尺度数据集包括sentinel-2影像数据、gf-6原始影像数据、gf-6融合影像数据、gf-2原始影像数据以及gf-2融合影像数据；所述多源融合数据集包括sentinel-2影像数据、gf-6原始影像数据、gf-6融合影像数据、gf-2原始影像数据、gf-2融合影像数据以及google image影像数据；所述模型测试数据集包括多尺度数据集和多源融合数据集中所有数据源。
4.根据权利要求3所述的一种煤矿区场景空间特征多源数据融合智...
【专利技术属性】
技术研发人员：马昆，任予鑫，王立兵，杨洋，王蕾，刘峰，翟文，董霁红，张华，时洪涛，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。