【技术实现步骤摘要】
本专利技术属于遥感影像图像处理，尤其涉及多光谱遥感不良地质体智能识别方法。
技术介绍
1、地质体(geological body)是地质研究中经常使用但意义并不严格的术语，通常指地壳中占有一定的空间且有其固有成分，并能区别于周围物质的地质作用产物。在地质历史期间，由地质作用形成的各地质产物，例如地层、岩体、火山体、矿体、断块、蚀变带、各类型地质构造等均可称为地质体。不同地质体具有不同的成因特征，主要可从物质成分、形态特征及空间分布规律等方面表征不同地质体的存在以及相互的依赖关系。然而，由于地质体形成过程中各种地质条件及地质特征状况的差异，会导致构成某一地质体的地层、岩性、岩相、构造、矿产、水文等各种地质内容的变化，造成地质体及其所处环境的复杂性，从而增加地质体分析研究的难度。特别是对于复杂地质体的研究，由于地面勘探工作的局限性，很难从区域上宏观全面把握地质体的特征，在一些复杂艰险的区域更是难以开展有效工作。
2、遥感技术是在不直接接触目标的情况下，对目标或自然现象远距离探测和感知的一种技术。通过遥感技术可以远距离、大范围获取地物波谱信息，从而更深入研究地表地物。遥感图像不仅可以获得地表景观的形态、分布特征组合，而且还可以获得物质的成分和结构等，进而实现地物识别的目的。遥感技术在地质解译工作中广泛使用，这不仅为地质工作者们提供另一种视角和思维方式，而且能够在地面勘察工作受阻时提供不同空间角度的帮助，利用遥感手段解决地质问题，既有效地节省了勘察工作的时间和大量的资金投入,也有效地避免了勘察工作路线受阻可能给勘察者带来的地
3、深度学习是机器学习领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能。深度学习致力于用深度神经网络来模拟人脑的运行机制，通过学习来解决一些问题。神经网络通常采用监督式学习的方法来训练，即通过示例数据和预定义结果来进行训练。在深度学习未普及以前，遥感图像的语义分割面领着许多问题，一是上文提到的人工解译，难度大效率低；二是一些依靠阈值、边缘检测、区域生长的传统图像分割方法，只能应用于一些简单的遥感影像；三是之前的一些机器学习的方法，基于图像的特征进行分割，其需要人工选取特征，性能也与特征提取方式息息相关。而深度学习凭借其强大的浅层-中层-深层逐层加深的图像特征学习能力从由形状、颜色等浅层特征开始，逐渐提取到类别信息、语义信息等抽象的深层特征，从而进行遥感图像的语义分割。随着深度学习相关应用的成熟，其在搜索技术，数据挖掘，机器翻译，自然语言处理，多媒体学习等领域都取得了许多成就，特别是在机器视觉领域，其对图像分析分类以及图像数据分割都有很好的效果，非常适合于遥感影像的特定目标的自动化识别。
4、综上所述，当前随着高分辨率遥感影像的不断普及，其覆盖广，价格低廉的优点更加凸显，亟需引入深度学习从高分辨率遥感影像中自动化地识别与高精度解译高原山区复杂地质体。
技术实现思路
1、本专利技术的目的是提供多光谱遥感不良地质体智能识别方法，解决了现有技术中存在有标注样本匮乏、自动化识别困难的问题。通过少量的样本以及有限的算力支持下高效、精准识别高原地区岩屑坡灾害。
2、为实现上述目的，本专利技术提供了多光谱遥感不良地质体智能识别方法：包括：包括：
3、构建不良地质体的数据集，所述数据集包括：岩屑坡矢量数据集和背景矢量数据集；
4、基于所述数据集，利用迁移学习方法，构建不良地质体智能识别模型；
5、对所述不良地质体智能识别模型的识别结果进行预处理，获取不良地质体的识别结果。
6、可选地，构建不良地质体的所述数据集包括：
7、基于高分辨率遥感影像中的岩屑坡灾害目标区域，构建所述岩屑坡矢量数据集；
8、基于高分辨率遥感影像中的背景负样本，构建所述背景矢量数据集；
9、对所述岩屑坡矢量数据集和所述背景矢量数据集进行数据预处理，获得所述数据集。
10、可选地，构建所述岩屑坡矢量数据集包括：
11、对所述高分辨率遥感影像中的岩屑坡灾害目标区域进行人工标注；
12、计算所述岩屑坡灾害目标区域的几何中心点，基于所述几何中心点构建外接矩形；
13、基于所述外接矩形，构建包含岩屑坡灾害的第一遥感瓦片，并将包含岩屑坡灾害的正样本瓦片单独存储，获得所述岩屑坡矢量数据集。
14、可选地，构建所述背景矢量数据集包括：
15、选取所述高分辨率遥感影像中的负样本背景，对所述负样本背景创建背景矢量标签；所述负样本背景包括：河道、裸岩、人类工程活动和冰雪覆盖区域；
16、将所述背景矢量标签通过滑动窗口裁剪的方法裁剪为瓦片数据；
17、基于所述瓦片数据，构建包含若干负样本的第二遥感瓦片，获得所述背景矢量数据集。
18、可选地，对所述岩屑坡矢量数据集和所述背景矢量数据集进行数据预处理包括：
19、对所述岩屑坡矢量数据集和所述背景矢量数据集中的图像数据进行几何学增强处理；
20、对几何学增强处理后的数据集中的图像数据进行光谱丰富度增强处理。
21、可选地，构建所述不良地质体智能识别模型包括：
22、基于监督分类方法，采用cross-entory作为损失函数，将adamw作为优化器，构建神经网络模型；所述神经网络模型包括：预训练骨架和语义分割网络；所述预训练骨架用于训练岩屑坡数据，所述语义分割网络，用于地质体识别。
23、具体包括：
24、(1)选用基于imagenet训练的mit-b4作为预训练骨架，使用u型结构，搭建基于mixvision transformer架构为基础的语义分割网络，用于高海拔冰雪地区岩屑坡遥感识别任务；
25、(2)选用基于imagenet训练的swin-l作为预训练骨架，使用u型结构，搭建基于swin-transformer架构为基础的语义分割网络，用于低海拔植被茂盛区岩屑坡遥感识别任务；
26、(3)选用基于imagenet训练的resnet-50作为预训练骨架，搭建基于de本文档来自技高网...
【技术保护点】
1.多光谱遥感不良地质体智能识别方法，其特征在于，包括：
2.根据权利要求1所述的多光谱遥感不良地质体智能识别方法，其特征在于，构建不良地质体的所述数据集包括：
3.根据权利要求2所述的多光谱遥感不良地质体智能识别方法，其特征在于，构建所述岩屑坡矢量数据集包括：
4.根据权利要求2所述的多光谱遥感不良地质体智能识别方法，其特征在于，构建所述背景矢量数据集包括：
5.根据权利要求1所述的多光谱遥感不良地质体智能识别方法，其特征在于，对所述岩屑坡矢量数据集和所述背景矢量数据集进行数据预处理包括：
6.根据权利要求1所述的多光谱遥感不良地质体智能识别方法，其特征在于，构建所述不良地质体智能识别模型包括：
7.根据权利要求6所述的多光谱遥感不良地质体智能识别方法，其特征在于，所述损失函数为：
8.根据权利要求1所述的多光谱遥感不良地质体智能识别方法，其特征在于，对所述不良地质体智能识别模型的识别结果进行优化处理包括：
【技术特征摘要】
1.多光谱遥感不良地质体智能识别方法，其特征在于，包括：
2.根据权利要求1所述的多光谱遥感不良地质体智能识别方法，其特征在于，构建不良地质体的所述数据集包括：
3.根据权利要求2所述的多光谱遥感不良地质体智能识别方法，其特征在于，构建所述岩屑坡矢量数据集包括：
4.根据权利要求2所述的多光谱遥感不良地质体智能识别方法，其特征在于，构建所述背景矢量数据集包括：
5.根据权利要求1所述的多光谱遥感不良地...
【专利技术属性】
技术研发人员：王欣，刘春玲，徐正宣，方成勇，刘海洋，杨银双，肖红玉，张瑞，王栋，张营旭，贾哲强，
申请(专利权)人：中国国家铁路集团有限公司，
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。