【技术实现步骤摘要】
本专利技术涉及生产建设项目水土保持监测领域，尤其涉及一种利用垂直结构的深度学习弃渣场监测方法。
技术介绍
1、近年来，随着国家对生态环境保护和恢复问题的日益重视，生产建设项目的水土保持与监测显得尤为重要，其中，弃渣场监测是水土监测中的一项重要工作，同时也是难点所在。弃渣场监测的难点在于弃渣场分布位置不规律、所处环境复杂多样、占地范围广、堆积形状不规则等，使得常规监测方式需要投入大量的人力，耗费大量时间进行实地勘测，工作效率低，无法做到大范围自动化智能监测。而通过无人机航拍影像进行监测的方式虽然能克服人工勘测的许多问题，但其仍然存在以下两个方面的问题：
2、第一方面，由于航拍图像在俯拍视角下拍摄的，得到的俯视图难以表现出地面目标的高度差异，使得新产生的堆渣容易与裸地混淆，造成漏检或误检；此外堆渣在一段时间堆积后会长出植被，同样会造成难以与附近植被进行区分，进而造成漏检或误检；第二方面，弃渣场堆渣量的计算也是一个难题，由于堆渣堆积形状的不规则，堆渣量的多少难以直接获取，一般需要通过测量最新的地形图分析得到弃渣场剖面图，再与未堆渣之前的地形剖面图叠加分析计算出堆渣量，该方式同样需要投入大量人力和时间。
3、因此，需要寻找创新性的解决方案，来准确且高效的实现对弃渣场的监测。
技术实现思路
1、为了准确且高效的实现对弃渣场的监测，本专利技术提出了一种利用垂直结构的深度学习弃渣场监测方法，所述方法包括：获取目标区域的航拍图像和数字高程图像，并分别为所述航拍图像和所述数字
2、在一个或多个实施例中，所述获取目标区域的航拍图像和数字高程图像，并分别为所述航拍图像和所述数字高程图像增加地理投影坐标包括：使用航拍方式获取目标区域的监测数据，所述监测数据包括由相机拍摄的图像数据以及由激光雷达采集的点云数据；处理所述图像数据，获得带地理投影坐标的航拍图像；处理所述激光点云数据，获得带地理投影坐标的数字高程图像。
3、在一个或多个实施例中，所述将所述航拍图像和所述数字高程图像进行图像通道融合获得混合图像，包括：对所述航拍图像和所述数字高程图像进行坐标系转换处理，使得二者具有相同的地理投影坐标系以及相同的空间分辨率；基于地理投影坐标分别提取所述航拍图像与所述数字高程图像在空间交集区域内的图像并按通道进行组合获得混合图像。
4、在一个或多个实施例中，所述基于地理投影坐标分别提取所述航拍图像与所述数字高程图像在空间交集区域内的图像并按通道进行组合获得混合图像，包括：提取所述航拍图像在空间交集区域内的图像的rgb通道；提取所述数字高程图像在空间交集区域内的图像的高程信息通道；根据所述rgb通道和所述高程信息通道将所述空间交集区域内的图像组合成具有4个图像通道的混合图像。
5、在一个或多个实施例中，所述方法还包括通过以下步骤构建所述图像分割模型：构建深度学习图像分割模型；配置模型输入层，使其输入通道数与将要输入的混合图像的通道数一致；配置多尺度特征提取层，包含下采样特征提取层以及上采样特征提取层，分别用于对输入的混合图像进行多尺度的特征提取；配置特征融合层，用于将多尺度的特征进行特征融合；预测输出层，用于基于特征融合层输出的融合特征逐点进行图像二值化分割以确定弃渣场范围。
6、在一个或多个实施例中，所述训练图像分割模型包括：获取训练样本，所述训练样本包括将所述航拍图像和所述数字高程图像进行图像通道融合获得的混合图像；对所述混合图像进行人工标记获得训练标签，所述训练标签为所述混合图像的掩模图像，所述掩模图像中用1表示弃渣场范围，用0表示背景；利用所述混合图像和对应的训练标签采用随机梯度下降法训练所述图像分割模型直至收敛；保存模型权重并输出图像分割模型。
7、在一个或多个实施例中，所述对所述训练样本进行人工标记获得训练标签，包括：对所述训练样本中的混合图像进行人工标记，勾画出混合图像中的弃渣场边界；基于所述弃渣场边界对所述混合图像进行二值化处理，将位于弃渣场边界上及其所包围范围内的像素点用1标记，将其余的像素点用0标记，获得所述航拍图像的掩模图像并作为训练标签。
8、在一个或多个实施例中，所述利用所述混合图像和对应的训练标签采用随机梯度下降法训练所述图像分割模型直至收敛，包括：由所述图像分割模型对输入的混合图像依次进行下采样与上采样操作，获得多尺度的融合特征；基于所述多尺度的融合特征对所述混合图像中的每个像素点进行预测，判断其是否在弃渣场范围内，是则将所述像素点二值化为1，否则将所述像素点二值化为0，输出弃渣场的概率图；将所述概率图与所述训练标签进行比对以确定所述概率图的置信度；采用随机梯度下降法迭代训练所述图像分割模型直至所述置信度大于等于预设值时判断为收敛。
9、在一个或多个实施例中，所述将所述概率图与所述训练标签进行比对以确定所述概率图的置信度，包括：基于地理投影坐标比较所述概率图中为1的像素点与所述训练标签中为1的像素点的重合数量以确定所述概率图的置信度。
10、在一个或多个实施例中，所述根据所述弃渣场范围及其内部的高程信息计算堆渣量，包括：利用所述图像分割模型输出的弃渣场的概率图以及所述概率图中值为1的每个像素点的高程信息，通过离散积分的方式计算弃渣场的堆渣量，堆渣量v的计算公式为：
11、
12、其中，a为概率图中像素点值为1的区域，(i,j)区域a内任意一像素点的地理投影坐标，s为概率图中每个像素点对应的像元面积，hi,j与hi′,j分别为像素点(i,j)在两个时相下的高程信息。
13、本专利技术的有益效果包括：本专利技术通过引入高程信息并与传统航拍图像进行图像通道融合后，使得每个像素点同时具备rgb特征和高程特征，解决了传统航拍图像存在难以表现出地面目标的高度差异，使得新产生的堆渣容易与裸地混淆，以及堆渣在一段时间堆积后会长出植被，同样会造成难以与附近植被进行区分，进而造成漏检或误检的问题；并且利用高程信息，本专利技术还能够实现对堆渣量的精确估计，结合神经网络模型的使用，大大提升了利用本专利技术方法进行弃渣场监测的准确性和工作效率。
本文档来自技高网...【技术保护点】
1.一种利用垂直结构的深度学习弃渣场监测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种利用垂直结构的深度学习弃渣场监测方法，其特征在于，所述获取目标区域的航拍图像和数字高程图像，并分别为所述航拍图像和所述数字高程图像增加地理投影坐标包括：
3.根据权利要求1所述的一种利用垂直结构的深度学习弃渣场监测方法，其特征在于，所述将所述航拍图像和所述数字高程图像进行图像通道融合获得混合图像，包括：
4.根据权利要求3所述的一种利用垂直结构的深度学习弃渣场监测方法，其特征在于，所述基于地理投影坐标分别提取所述航拍图像与所述数字高程图像在空间交集区域内的图像并按通道进行组合获得混合图像，包括：
5.根据权利要求1所述的一种利用垂直结构的深度学习弃渣场监测方法，其特征在于，所述方法还包括通过以下步骤构建所述图像分割模型：
6.根据权利要求5所述的一种利用垂直结构的深度学习弃渣场监测方法，其特征在于，所述训练图像分割模型包括：
7.根据权利要求6所述的一种利用垂直结构的深度学习弃渣场监测方法，其特征在于，所述对
8.根据权利要求6所述的一种利用垂直结构的深度学习弃渣场监测方法，其特征在于，所述利用所述混合图像和对应的训练标签采用随机梯度下降法训练所述图像分割模型直至收敛，包括：
9.根据权利要求8所述的一种利用垂直结构的深度学习弃渣场监测方法，其特征在于，所述将所述概率图与所述训练标签进行比对以确定所述概率图的置信度，包括：
10.根据权利要求1所述的一种利用垂直结构的深度学习弃渣场监测方法，其特征在于，所述根据所述弃渣场范围及其内部的高程信息计算堆渣量，包括：
...【技术特征摘要】
1.一种利用垂直结构的深度学习弃渣场监测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种利用垂直结构的深度学习弃渣场监测方法，其特征在于，所述获取目标区域的航拍图像和数字高程图像，并分别为所述航拍图像和所述数字高程图像增加地理投影坐标包括：
3.根据权利要求1所述的一种利用垂直结构的深度学习弃渣场监测方法，其特征在于，所述将所述航拍图像和所述数字高程图像进行图像通道融合获得混合图像，包括：
4.根据权利要求3所述的一种利用垂直结构的深度学习弃渣场监测方法，其特征在于，所述基于地理投影坐标分别提取所述航拍图像与所述数字高程图像在空间交集区域内的图像并按通道进行组合获得混合图像，包括：
5.根据权利要求1所述的一种利用垂直结构的深度学习弃渣场监测方法，其特征在于，所述方法还包括通过以下步骤构建所述图像...
【专利技术属性】
技术研发人员：王鹿振，吴俊君，原伟杰，张小平，王江天，马得利，陈童，王金龙，
申请(专利权)人：青海省水利水电勘测规划设计研究院有限公司，
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。