本发明专利技术公开了一种基于改进U‑Net的双流编码滑坡自动识别方法，该方法利用光学波段、光谱指数、地形指数和纹理指数等多维特征，实现滑坡精准提取。为了充分利用多维特征叠加之后的序列特征，本发明专利技术的编码器设计两个分支，一分支构建残差编码模块提取空间维度特征和另一分支构建多尺度残差网络模块（Multi‑Scale ResNet Module，MSRNM）和长短期记忆网络模块（Long Short‑Term Memory，LSTM）提取序列维度特征，然后设计融合模块有效融合空间维度特征和序列维度特征，得到深层特征。解码器设计注意力门控解码模块（Attention Gate Decoder Module，AGDM），增强深层特征和浅层特征的表达，显著提升模型对滑坡的敏感性。所构建的双流编码滑坡识别模型具有较好的空间和序列特征学习能力，并能精细识别各种滑坡。
【技术实现步骤摘要】
本专利技术涉及滑坡探测领域，涉及但不限定于一种基于改进u-net的双流编码滑坡自动识别方法。
技术介绍
1、滑坡精准识别对于防灾减灾具有至关重要的意义。滑坡作为一种突发性地质灾害，常伴随暴雨、地震等自然现象发生，造成生命财产的巨大损失。滑坡精准识别不仅可以提前预警，降低灾害发生时的人员伤亡，还能够为政府和相关部门提供科学依据，指导防护工程的建设和应急响应。尤其是在复杂的地质环境中，滑坡类型多样，规模不一，传统监测手段往往难以覆盖。因此，通过高精度的滑坡识别技术，能够有效提高滑坡灾害的监测效率和应对能力，进而减少潜在的社会经济损失，保障人民生命安全。
2、目前滑坡识别方法主要分为传统的人工现场勘测、基于机器学习的半自动化识别和基于深度学习的自动化滑坡识别。传统方法以野外人工调查为主，通过实地勘测来更新滑坡库存清单。这种方式获取的滑坡数据相对准确，但需要耗费大量的人力物力，效率低下。对于类型复杂的山体滑坡，采用传统的方法快速获取滑坡信息具有一定的局限性。
3、基于机器学习的半自动化滑坡识别方法虽然自动化程度高，但需要大量的特征选择和参数调试工作。该方法对于光谱特征、几何特征、纹理特征与背景地物存在较大差异的山区滑坡容易识别错误。
4、现有基于深度学习的滑坡检测方法通常仅考虑滑坡多源数据空间维度特征，而忽略滑坡多源数据叠加之后的序列维度特征，难以全面概括复杂场景中滑坡多样特征，导致不同类型和不同规模滑坡识别精度不够，漏检及误检较多等问题。
技术实现思路
>1、有鉴于此，本专利技术实施例提供一种基于改进u-net的双流编码滑坡自动识别方法，至少解决现有方法对不同类型和不同规模滑坡识别精度不够，漏检及误检较多的问题。2、本专利技术实施例的技术方案具体如下：
3、本专利技术实施例提供一种基于改进u-net的双流编码滑坡自动识别方法，所述方法包括：
4、基于多源数据，构建多维特征数据集；所述多源数据包括滑坡矢量数据、光学波段数据、光谱指数数据、地形因子数据和纹理指数数据；基于u-net框架搭建双流编码滑坡识别模型，包括编码器和解码器，所述编码器包括两个分支和融合模块，其中第一分支用于提取空间维度特征，第二分支用于提取序列维度特征；所述融合模块用于融合所述空间维度特征和所述序列维度特征，得到深层特征；所述解码器包括agdm模块，用于将从编码阶段得到的高维特征在特征空间中重建预测结果；利用所述特征数据集，结合加权损失函数训练所述双流编码滑坡识别模型；所述加权损失函数是对bce损失和dice损失的加权和；通过多种评价指标对已训练的所述双流编码滑坡识别模型进行模型评估。
5、进一步地，所述第一分支设计两个卷积层和四个残差编码层；输入数据首先由所述两个卷积层投影到高维特征空间，然后通过所述四个残差编码层将特征进一步投影到更高维空间，以提取丰富的深层特征信息；所述两个卷积层的核大小为3×3，步长为1，每一卷积层之后都有一个批归一化层和一个relu激活层；所述四个残差编码层分别由3个、4个、6个和3个残差块组成，在空间维度特征提取过程中，每经过一个残差编码层，特征图通道数翻倍且尺寸减半。
6、进一步地，每一所述残差块包括三个卷积层和三个bn层，在第一bn层和第二bn层后分别设一个relu激活层，在残差块主干第一卷积层和第三卷积层之间实现残差连接，并在残差连接分支上，通过1×1卷积对输入向量和输出向量进行恒等映射。
7、进一步地，所述第二分支包括构建的msrnm模块和lstm模块；其中msrnm模块包含4个下采样步骤，每一步下采样都包含一个残差学习单元，所述残差学习单元由两个卷积层组成，在序列维度特征提取过程中，每经过一个残差学习单元，特征图尺寸减半；lstm模块包含三层lstm单元，用来捕获不同波段影像之间的序列依赖关系。
8、进一步地，所述融合模块中将所述空间维度特征和所述序列维度特征通过向量拼接的方法进行级联连接，形成一个新的特征变量；所述新的特征变量通过上采样操作参与所述解码器模块的处理过程以产生最终输出。
9、进一步地，所述agdm模块包括四层卷积块，在所述编码器和所述解码器的跳跃连接中，引入注意力门控模块，用于生成门控信号，以突出不同空间位置上特征的重要性；最后使用一个带有sigmoid分类器的1×1卷积层对滑坡目标和背景的概率进行推理，最终得到与输入数据尺寸大小相同的滑坡预测结果。
10、进一步地，所述加权损失函数表示如下：
11、；
12、<mstyle displaystyle="true" mathcolor="#000000"><msub><mi>l</mi><mi>bce</mi></msub><mi>=−</mi><mfrac><mn>1</mn><mi>n</mi></mfrac><mstyle displaystyle="true"><munderover><mo>∑</mo><mrow><mi>i</mi><mi>=</mi><mn>1</mn></mrow><mi>n</mi></munderover><mrow><mo>[</mo><mrow><msub><mi>y</mi><mi>i</mi></msub><msub><mi>log</mi><mi>a</mi></msub><msub><mi>p</mi><mi>i</mi></msub><mo>+</mo><mrow><mo>(</mo><mrow><mn>1</mn><mi>−</mi><msub><mi>y</mi><mi>i</mi></msub></mrow><mo>)</mo></mrow><msub><mi>log</mi><mi>a</mi></msub><mrow><mo>(</mo><mrow><mn>1本文档来自技高网...
【技术保护点】
1.一种基于改进U-Net的双流编码滑坡自动识别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于多源数据，构建多维特征数据集，包括：
3.根据权利要求1所述的方法，其特征在于，所述第一分支中所述两个卷积层的卷积核大小为3×3，步长为1，每一卷积层之后都有一个批归一化层和一个ReLU激活层；所述四个残差编码层分别由3个、4个、6个和3个残差块组成，在空间维度特征提取过程中，每经过一个所述残差编码层，特征图通道数翻倍且尺寸减半。
4.根据权利要求3所述的方法，其特征在于，每一所述残差块包括三个卷积层和三个批归一化BN层，在第一BN层和第二BN层后分别设一个ReLU激活层，在残差块主干的第一卷积层和第三卷积层之间实现残差连接，并在残差连接分支上，通过1×1卷积对输入向量和输出向量进行恒等映射。
5.根据权利要求1所述的方法，其特征在于，所述融合模块中将所述空间维度特征和所述序列维度特征通过向量拼接的方法进行级联连接，形成一个新的特征变量；所述新的特征变量通过上采样操作参与所述解码器模块的处理过程以产生最终输出。
6.根据权利要求1所述的方法，其特征在于，所述AGDM模块包括四层卷积块，在所述编码器和所述解码器的跳跃连接中，引入注意力门控模块，用于生成门控信号，以突出不同空间位置上特征的重要性；最后使用一个带有Sigmoid分类器的1×1卷积层对滑坡目标和背景的概率进行推理，最终得到与输入数据尺寸大小相同的滑坡预测结果。
7.根据权利要求1至6任一项所述的方法，其特征在于，所述加权损失函数表示如下：
...
【技术特征摘要】
1.一种基于改进u-net的双流编码滑坡自动识别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于多源数据，构建多维特征数据集，包括：
3.根据权利要求1所述的方法，其特征在于，所述第一分支中所述两个卷积层的卷积核大小为3×3，步长为1，每一卷积层之后都有一个批归一化层和一个relu激活层；所述四个残差编码层分别由3个、4个、6个和3个残差块组成，在空间维度特征提取过程中，每经过一个所述残差编码层，特征图通道数翻倍且尺寸减半。
4.根据权利要求3所述的方法，其特征在于，每一所述残差块包括三个卷积层和三个批归一化bn层，在第一bn层和第二bn层后分别设一个relu激活层，在残差块主干的第一卷积层和第三卷积层之间实现残差连接，并在残差连接分...
【专利技术属性】
技术研发人员：何毅，陈怀圆，火天宝，张清，杨旺，何旭，李弘哲，杨进昆，
申请(专利权)人：兰州交通大学，
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。