【技术实现步骤摘要】
本专利技术属于图像目标检测，具体涉及一种多尺度遥感图像滑坡目标检测方法及系统。
技术介绍
1、滑坡灾害对人类生命健康以及财产安全产生比较大的影响，本专利技术提出了一种改进yolov5网络的多尺度遥感图像滑坡目标检测方法，旨在提高对滑坡灾害的检测精度，并能尽可能的减小发生滑坡灾害后；未能及时处理滑落物产生的道路堵塞及后续衍生出的灾害造成的生命财产损失，为后续滑坡灾害检测的实际应用提供一定的依据。
2、基于深度学习的目标检测算法主要分为两大类：一类是以r-cnn为代表的基于候选区域的算法，另一类是以ssd和yolo为代表的基于回归的算法。前者的检测精度较好，但普遍实时性不高，且滑坡发生后的特征尺度较多，因此漏检、虚警情况严重；后者的优势主要在检测速度方面，目前可以基本满足实时性的需要，ssd虽然检测精度较高，但检测速度和yolo相比较慢。因此，如何提出一个实时性强、检测精度高的多尺度滑坡检测方法，正是亟待解决的技术难题。
技术实现思路
1、针对现有技术的不足，本专利技术提出了一种多尺度遥感图像滑坡目标检测方法及系统，在满足实时性的条件下，较改进前可减少滑坡目标的误检、漏检机率，从而提升了检测精度。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种多尺度遥感图像滑坡目标检测方法，包括以下步骤：
4、获取滑坡遥感图像，基于所述滑坡遥感图像，建立滑坡目标先验框；
5、构建改进型yolov5网络；
6、将所述滑坡遥
7、利用所述滑坡检测模型对待检测滑坡灾害图像进行检测，获得所述待检测滑坡灾害图像中滑坡目标的检测位置以及置信度。
8、优选的，所述改进型yolov5网络包括：backbone特征提取单元、neck单元以及head单元。
9、优选的，所述backbone特征提取单元构成改进型yolov5网络的输入端，用于接收图像，主干特征提取单元backbone的结构中，其输入端所接收图像经过第一conv2d_bn_silu层后，依次经过串联连接的第一特征堆叠单元、第二特征堆叠单元、第三特征堆叠单元进行处理，第三特征堆叠单元的输出端对接注意力特征提取单元的输入端；
10、其中，第一特征堆叠单元自输入端至输出端依次包括串联连接的第二conv2d_bn_silu层、第一csp层，第二特征堆叠单元自输入端至输出端依次包括串联连接的第三conv2d_bn_silu层、第二csp层，第三特征堆叠单元自输入端至输出端依次包括串联连接的第四conv2d_bn_silu层、第一dcnv2层；
11、注意力特征提取单元自输入端至输出端依次包括串联连接第五conv2d_bn_silu层、第二dcnv2层、第四csp层、simsppf层、coordatt层。
12、优选的，各csp层的结构中，csp层的输入端接收其所属特征堆叠单元中conv2d_bn_silu层输出的特征，首先获得该特征的副本，由该特征、以及副本分别构成part1和part2，然后将part2依次输送至预设数量个残差网络进行处理，最后将经各残差网络处理所获特征与part1输送至concat层进行特征堆叠处理，concat层的输出端即构成csp层的输出端；各dcnv2层的结构中，dcnv2层的输入端接收其所属特征堆叠单元中conv2d_bn_silu层输出的特征，首先获得该特征的副本，将该副本分别进行offset普通卷积和mask卷积，加入相应的惩罚因子防止对非目标区域进行错误识别，再与之前的特征值进行融合及构成dcnv2层的输出端。
13、优选的，所述simsppf层包括首位的conv2d_bn_relu层、concat层、末尾conv2d_bn_relu层、以及三个大小分别为5*5、9*9、13*13的maxpool2d层，其中，首位conv2d_bn_relu层的输入端构成simsppf层的输入端，且首位conv2d_bn_relu层的输出端、5*5的maxpool2d层的输出端、9*9的maxpool2d层的输出端、13*13的maxpool2d层的输出端分别与concat层的输入端相连，concat层的输出端对接末尾conv2d_bn_relu层的输入端，末尾conv2d_bn_silu层的输出端构成simsppf层的输出端，既由simsppf层细化每个子区域，得到满足预设要求的细致特征。
14、优选的，所述coordatt层主要在通道注意力基础上，将通道注意力分解为两个一维特征编码，其中，一个编码位置信息，另一个编码通道信息，通道注意力包括一个残差网络、第一平均池化层、第二平均池化层、concat拼接模块、batchnorm批归一化层、第一conv2d_sigmoid层、第二conv2d_sigmoid层以及re-weight权重迭代层；其中第一平均池化层的输入端和第二平均池化层输入端相连构成通道注意力模块的输入端，即coordatt层的输入端，用于接收特征图，并由第一平均池化层和第二平均池化层分别对特征图进行处理、获得分别对应的特征值；第一平均池化层的输出端和第二平均池化层的输出端分别串联concat拼接模块和batchnorm批归一化层，进行拼接和卷积，再经过归一化处理获得最终的特征值；所述特征值作为sigmoid激活函数的输入端，由sigmoid激活函数对所接收的特征值重新获取权重向量，即sigmoid的输出端构成通道注意力模块的输出端。
15、优选的，所述neck单元按数据流输送方向依次包括串联连接的第六个conv2d_bn_silu层、第一个上采样层、第一个cancat层，第三个csp层、第七个conv2d_bn_silu层、第二个上采样层、第二个cancat层、第四个csp层、第八个conv2d_bn_silu层、第三个concat层、第五个csp层、第九个conv2d_bn_silu层、第四个cancat层以及第六个csp层；其中，主干特征提取单元backbone中注意力特征提取单元的输出端对接第六conv2d_bn_silu层的输入端，第一concat层的输入端同时对接主干特征提取单元backbone中第三特征堆叠单元的输出端，第二concat层的输入端同时对接主干特征提取单元backbone中第二特征堆叠单元的输出端，第三concat层的输入端同时对接第七conv2d_bn_silu层的输出端，第四concat层的输入端同时对接第六conv2d_bn_silu层的输出端。
16、优选的，head单元包括三个检测单元，其中，neck单元中的第四csp层的输出端对接检测单元detect_1的输入端、neck单元中的第五csp层的输出端对接检测单元detect_2的输入端、neck单元中的第六csp层的输出端对接检测单元detect_3的输入端，检测单元detect本文档来自技高网...
【技术保护点】
1.一种多尺度遥感图像滑坡目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的多尺度遥感图像滑坡目标检测方法，其特征在于，所述改进型YOLOV5网络包括：Backbone特征提取单元、Neck单元以及Head单元。
3.根据权利要求2所述的多尺度遥感图像滑坡目标检测方法，其特征在于，所述Backbone特征提取单元构成改进型YOLOV5网络的输入端，用于接收图像，主干特征提取单元Backbone的结构中，其输入端所接收图像经过第一Conv2D_BN_SiLU层后，依次经过串联连接的第一特征堆叠单元、第二特征堆叠单元、第三特征堆叠单元进行处理，第三特征堆叠单元的输出端对接注意力特征提取单元的输入端；
4.根据权利要求3所述的多尺度遥感图像滑坡目标检测方法，其特征在于，各CSP层的结构中，CSP层的输入端接收其所属特征堆叠单元中Conv2D_BN_SiLU层输出的特征，首先获得该特征的副本，由该特征、以及副本分别构成Part1和Part2，然后将Part2依次输送至预设数量个残差网络进行处理，最后将经各残差网络处理所获特征与Part1
5.根据权利要求4所述的多尺度遥感图像滑坡目标检测方法，其特征在于，所述SimSPPF层包括首位的Conv2D_BN_ReLU层、Concat层、末尾Conv2D_BN_ReLU层、以及三个大小分别为5*5、9*9、13*13的MaxPool2d层，其中，首位Conv2D_BN_ReLU层的输入端构成SimSPPF层的输入端，且首位Conv2D_BN_ReLU层的输出端、5*5的MaxPool2d层的输出端、9*9的MaxPool2d层的输出端、13*13的MaxPool2d层的输出端分别与Concat层的输入端相连，Concat层的输出端对接末尾Conv2D_BN_ReLU层的输入端，末尾Conv2D_BN_SiLU层的输出端构成SimSPPF层的输出端，既由SimSPPF层细化每个子区域，得到满足预设要求的细致特征。
6.根据权利要求5所述的多尺度遥感图像滑坡目标检测方法，其特征在于，所述CoordAtt层主要在通道注意力基础上，将通道注意力分解为两个一维特征编码，其中，一个编码位置信息，另一个编码通道信息，通道注意力包括一个残差网络、第一平均池化层、第二平均池化层、concat拼接模块、BatchNorm批归一化层、第一Conv2d_Sigmoid层、第二Conv2d_Sigmoid层以及Re-weight权重迭代层；其中第一平均池化层的输入端和第二平均池化层输入端相连构成通道注意力模块的输入端，即CoordAtt层的输入端，用于接收特征图，并由第一平均池化层和第二平均池化层分别对特征图进行处理、获得分别对应的特征值；第一平均池化层的输出端和第二平均池化层的输出端分别串联concat拼接模块和BatchNorm批归一化层，进行拼接和卷积，再经过归一化处理获得最终的特征值；所述特征值作为Sigmoid激活函数的输入端，由Sigmoid激活函数对所接收的特征值重新获取权重向量，即Sigmoid的输出端构成通道注意力模块的输出端。
7.根据权利要求6所述的多尺度遥感图像滑坡目标检测方法，其特征在于，所述Neck单元按数据流输送方向依次包括串联连接的第六个Conv2D_BN_SiLU层、第一个上采样层、第一个Cancat层，第三个CSP层、第七个Conv2D_BN_SiLU层、第二个上采样层、第二个Cancat层、第四个CSP层、第八个Conv2D_BN_SiLU层、第三个Concat层、第五个CSP层、第九个Conv2D_BN_SiLU层、第四个Cancat层以及第六个CSP层；其中，主干特征提取单元Backbone中注意力特征提取单元的输出端对接第六Conv2D_BN_SiLU层的输入端，第一Concat层的输入端同时对接主干特征提取单元Backbone中第三特征堆叠单元的输出端，第二Concat层的输入端同时对接主干特征提取单元Backbone中第二特征堆叠单元的输出端，第三Concat层的输入端同时对接第七Conv2D_BN_SiLU层的输出端，第四Concat层的输入端同时对接第六Conv2D_BN_SiLU层的输出端。
8.根...
【技术特征摘要】
1.一种多尺度遥感图像滑坡目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的多尺度遥感图像滑坡目标检测方法，其特征在于，所述改进型yolov5网络包括：backbone特征提取单元、neck单元以及head单元。
3.根据权利要求2所述的多尺度遥感图像滑坡目标检测方法，其特征在于，所述backbone特征提取单元构成改进型yolov5网络的输入端，用于接收图像，主干特征提取单元backbone的结构中，其输入端所接收图像经过第一conv2d_bn_silu层后，依次经过串联连接的第一特征堆叠单元、第二特征堆叠单元、第三特征堆叠单元进行处理，第三特征堆叠单元的输出端对接注意力特征提取单元的输入端；
4.根据权利要求3所述的多尺度遥感图像滑坡目标检测方法，其特征在于，各csp层的结构中，csp层的输入端接收其所属特征堆叠单元中conv2d_bn_silu层输出的特征，首先获得该特征的副本，由该特征、以及副本分别构成part1和part2，然后将part2依次输送至预设数量个残差网络进行处理，最后将经各残差网络处理所获特征与part1输送至concat层进行特征堆叠处理，concat层的输出端即构成csp层的输出端；各dcnv2层的结构中，dcnv2层的输入端接收其所属特征堆叠单元中conv2d_bn_silu层输出的特征，首先获得该特征的副本，将该副本分别进行offset普通卷积和mask卷积，加入相应的惩罚因子防止对非目标区域进行错误识别，再与之前的特征值进行融合及构成dcnv2层的输出端。
5.根据权利要求4所述的多尺度遥感图像滑坡目标检测方法，其特征在于，所述simsppf层包括首位的conv2d_bn_relu层、concat层、末尾conv2d_bn_relu层、以及三个大小分别为5*5、9*9、13*13的maxpool2d层，其中，首位conv2d_bn_relu层的输入端构成simsppf层的输入端，且首位conv2d_bn_relu层的输出端、5*5的maxpool2d层的输出端、9*9的maxpool2d层的输出端、13*13的maxpool2d层的输出端分别与concat层的输入端相连，concat层的输出端对接末尾conv2d_bn_relu层的输入端，末尾conv2d_bn_silu层的输出端构成simsppf层的输出端，既由simsppf层细化每个子区域，得到满足预设要求的细致特征。
6.根据权利要求5所述的多尺度遥感图像滑坡目标检测方法，其特征在于，所述coordatt层主要在通道注意力基础上，将通道注意力分解为两个一维特征编码，其中，一个编码位置信息，另一个编码通道信息，通道注意力包括一个残差网络、第一平均池化层、第二平均池化层、concat拼接模块、batchnorm批归一化层、第一conv2d_sigmoid层、第二conv2d_sigmoid层以及re-weight权重迭代层；其中第一平均池化层的输入...
【专利技术属性】
技术研发人员：代晓敏，叶子杰，刑刘洋，刘梦涵，刘琳萱，林强，
申请(专利权)人：新疆大学，
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。