申请/专利权人：长安大学

申请日：2021-01-18

公开（公告）日：2024-03-22

公开（公告）号：CN112712535B

主分类号：G06T7/11

分类号：G06T7/11;G06T7/32;G06V10/774;G06V10/25;G06V10/80;G06V10/82;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2021.08.13#实质审查的生效;2021.04.27#公开

摘要：本发明公开了一种基于模拟困难样本的Mask‑RCNN滑坡分割方法，包括步骤：获取研究区域的包含滑坡的遥感影像，对其进行预处理得到训练样本集；构建Mask‑RCNN模型；采用训练样本集对模型进行初步训练，更新模型中的权重；选取训练样本集中的若干标记样本进行模拟困难样本，得到对应的困难样本，再对初步训练后的模型进行训练；获取目标区域的遥感影像作为待测样本，预处理后输入滑坡分割模型，完成滑坡的分割识别。本发明不仅对道路、裸地等易混淆地物有着良好的识别能力，而且在实际研究区域滑坡样本难以满足模型训练要求的情况下，仍能取得较好的检测效果。

主权项：1.基于模拟困难样本的Mask-RCNN滑坡分割方法，其特征在于，包括以下步骤：步骤1，获取研究区域的包含滑坡的遥感影像，对该遥感影像进行预处理，得到训练样本集；并构建Mask-RCNN模型；步骤2，采用训练样本集对Mask-RCNN模型进行初步训练，更新Mask-RCNN模型中的权重，得到初步训练后的Mask-RCNN模型；步骤3，选取训练样本集中的若干标记样本进行模拟困难样本，得到对应的困难样本，采用困难样本对初步训练后的Mask-RCNN模型进行训练，得到Mask-RCNN滑坡分割模型；所述模拟困难样本具体为：对于标记标签的图像样本，寻找若干个与该滑坡对应的易混淆地物的特征图像，并将其作为滑坡检测背景，将该标记标签的图像样本与若干个易混淆地物的特征图像进行拼接，合成困难样本；所述与该滑坡对应的易混淆地物具体为：1根据滑坡图像样本的颜色特征：其对应的易混淆地物为与滑坡颜色相近的地物，具体为旱地或裸地；2根据滑坡图像样本的形态特征：其对应的易混淆地物为形状呈漏斗状或舌状的地物；3根据滑坡图像样本的光谱特性：当滑坡区域土壤类型为盐碱地时，其对应的易混淆地物为亮度高的人工建筑物；步骤4，获取目标区域的遥感影像作为待测样本，对待测样本进行预处理，得到预处理后的待测样本，采用Mask-RCNN滑坡分割模型对预处理后的待测样本进行滑坡分割，得到目标区域的滑坡区域，完成滑坡的分割识别；所述采用Mask-RCNN滑坡分割模型对预处理后的待测样本进行滑坡分割，具体过程为：首先，由ResNet提取输入图像样本的特征，ResNet的网络结构包含5个不同的卷积模块，最后三个卷积模块形成残差块；输入图像样本经过ResNet的5个不同卷积模块的提取特征，得到5个不同尺寸的特征图，并将其输入FPN；其次，FPN首先对上层特征图进行上采样，采样到与下一层相同的大小，并与下一层进行相加，得到一个融合好的新特征图像；再次，RPN在融合好的新特征图像上设置滑动窗口，寻找滑坡目标区域，在滑坡目标区域输入ROIAlign；ROIAlign通过双线性插值方法，获得滑坡目标区域坐标框的四个点精确坐标；最后，将ROIAlign输出的特征图分别进行分类、回归和Mask生成，得到与滑坡对应的mask；当所述训练样本集中的样本数量较少，即样本数不能使Mask-RCNN模型训练至损失函数收敛，还包括步骤：对训练样本集中的每个图像样本进行傅里叶变换，得到对应频域图像，训练样本集中的RGB图像样本和对应频域图像形成四通道训练样本；采用四通道训练样本对所述Mask-RCNN模型进行训练，得到四通道Mask-RCNN滑坡分割模型；将所述四通道Mask-RCNN滑坡分割模型应用于步骤3中采用困难样本进行进一步训练，训练完成后再转入步骤4；将所述四通道Mask-RCNN滑坡分割模型应用于直接应用于步骤4中对目标区域的遥感影像进行滑坡分割识别。

全文数据：

权利要求：

百度查询： 长安大学 基于模拟困难样本的Mask-RCNN滑坡分割方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD