【技术实现步骤摘要】
本专利技术涉及计算机与设备管控，具体涉及基于改进损失函数的遥感影像尾矿库识别算法。
技术介绍
1、尾矿库是由筑坝拦截谷口或围地建成，用于堆存金属或非金属矿产资源在开发利用过程中产生的工业废渣及尾砂等的场所，尾矿库有利于留存矿物成分的再回收和水资源循环利用，但在尾矿存储过程中极易成为一个高势能的危险源，尾矿库分布复杂，下游多为人口密集的居民区，且尾矿里多含有毒污染物和有害重金属，所以一旦坝体结构失稳，引发泥石流等灾害不仅会危及人类的生命和财产安全，还会对生态系统造成严重的和不可逆的破坏。
2、传统的尾矿库识别多依赖于科研工作者的实地调查，这需要耗费大量的人力、物力以及时间，随着遥感技术的发展，遥感影像的高空间分辨率、高光谱分辨率、获取地物范围大等优点使得众多学者开始利用遥感影像进行尾矿库的目视解译和识别，大致可分为以下三类，一是采用人机交互的方法进行目视解译，二是运用指数模型的方法对尾矿库进行识别，三是采用计算机半自动化解译方法，但半自动化解译处理效率较低，针对复杂环境下的尾矿库影像解译结果容易出现偏差；
3、基于此，本专利技术提出基于改进损失函数的遥感影像尾矿库识别算法，提出的riou-focal损失函数不仅能够加速yolov5-rf模型训练过程，还能提高最终检测精度，为尾矿库的监测和管理提供更可靠的数据支持和技术手段，这对于提高尾矿库管理效率，预防潜在的环境和安全隐患具有重要的实际意义。
技术实现思路
1、本专利技术的目的是提供基于改进损失函数的遥感影像尾
2、为了实现上述目的，本专利技术提供如下技术方案：基于改进损失函数的遥感影像尾矿库识别算法，所述识别算法包括以下步骤：
3、通过输入层接收各种分辨率的遥感影像，主干网络提取遥感影像的基础特征后输出多个尺度特征图，中间网络对多个尺度特征图进一步提取和融合特征；
4、头部网络使用至少三个不同尺度的特征图进行预测，每个尺度的特征图通过1×1卷积生成边界框、类别概率和置信度分数；
5、通过改进后的riou-focal损失函数评估yolov5-rf模型后，依据评估结果使用反向传播方法计算riou-focal损失函数相对于yolov5-rf模型参数的梯度，基于梯度对yolov5-rf模型的参数进行多次迭代调整，直到满足收敛条件后保留目标框。
6、在一个优选的实施方式中，主干网络提取遥感影像的基础特征后输出多个尺度特征图，包括以下步骤：
7、遥感影像首先经过初始的卷积层提取低级特征，低级特征包括边缘、纹理和形状；
8、通过跨阶段部分网络将特征映射分为两部分，在一部分上执行卷积操作，另一部分保持不变，最终将两部分特征合并；
9、主干网络在不同的网络层输出多尺度特征图，特征图在分辨率和语义信息的丰富程度上有所不同，包括低层特征图、中层特征图、高层特征图；
10、主干网络最终输出多个尺度的特征图，特征图将作为后续目标检测任务的输入。
11、在一个优选的实施方式中，通过改进后的riou-focal损失函数评估yolov5-rf模型，包括以下步骤：
12、获取yolov5-rf模型的riou损失值以及focal-loss损失值，将riou损失值以及focal-loss损失值组合获取riou-focal损失函数，函数表达式为：total_loss＝λ1×riou_loss+λ2×focal_loss，式中，total_loss为riou-focal损失值，riou_loss为riou损失值，focal_loss为focal-loss损失值，λ1、λ2分别为riou损失值、focal-loss损失值的权重系数，且λ1+λ2＝1；
13、将获取的riou-focal损失值与预设的损失阈值进行对比，若riou-focal损失值小于等于损失阈值，评估yolov5-rf模型达标，若riou-focal损失值大于损失阈值，评估yolov5-rf模型不达标。
14、在一个优选的实施方式中，yolov5-rf模型依据评估结果使用反向传播方法计算riou-focal损失函数相对于yolov5-rf模型参数的梯度，基于梯度对yolov5-rf模型的参数进行多次迭代调整，包括以下步骤：
15、反向传播计算损失函数相对于模型参数的梯度，使用链式法则计算riou-focal损失函数相对于各个网络层参数的梯度，计算riou-focal损失函数对边界框回归预测的梯度，riou-focal损失函数为focal-loss损失值，设yolov5-rf模型参数为θ，则梯度计算公式为：
16、式中，表示损失函数对模型参数的敏感度；表示riou_loss损失值对每个参数的影响；表示focal_loss损失值对每个参数的影响，λ1、λ2分别为riou损失值、focal-loss损失值的权重系数，且λ1+λ2＝1；
17、通过参数更新公式更新参数获取θnew，反复进行前向传播、损失计算、梯度计算和参数更新，直到模型收敛或达到预设的训练轮次。
18、在一个优选的实施方式中，参数更新公式为：式中，θnew为更新后的参数，θold为更新前的参数，δ为学习率，表示损失函数对模型参数的敏感度。
19、在一个优选的实施方式中，头部网络使用至少三个不同尺度的特征图进行预测，每个尺度的特征图通过1×1卷积生成边界框、类别概率和置信度分数，包括以下步骤：
20、头部网络接收来自中间网络生成的多个尺度的特征图，每个特征图对应不同大小的目标，包括高分辨率、中等分辨率、低分辨率三个尺度；
21、对每个尺度的特征图分别应用1×1卷积操作，通过卷积核将特征图的深度压缩到所需的通道数以生成对应的预测；
22、依据任一输出通道yolov5-rf模型生成候选边界框的位置参数，位置参数用于定位目标在图像中的位置和大小；
23、依据其他输出通道yolov5-rf模型通过softmax函数对每个候选边界框的类别概率进行预测；
24、通过sigmoid函数计算置信度分数，置信度分数表示模型对于当前预测的边界框包含目标物体的信心程度；
25、对每个尺度的候选框应用非极大值抑制算法进行筛选，将保留的不同尺度特征图预测结果进行合并，形成最终的目标检测结果。
26、在一个优选的实施方式中，对每个尺度的候选框应用非极大值抑制算法进行筛选，包括以下步骤：
27、对每个尺度的候选框应用非极大值抑制算法进行筛选，获取当前尺度候选框的置信度分数、类别概率以及重叠度，将置信度分数、类别概率以及重叠度综合计算获取筛选幅值；
28、将筛选幅值与筛选阈值进行对比，若筛选幅值大于等于筛选阈值，将当前尺度候选框保留，若筛选幅值小于筛选阈值，将当前尺度候选框筛除。
29、在一个优选的实施方式中，中间网络对多个尺度特征图进一步本文档来自技高网...
【技术保护点】
1.基于改进损失函数的遥感影像尾矿库识别算法，其特征在于：所述识别算法包括以下步骤：
2.根据权利要求1所述的基于改进损失函数的遥感影像尾矿库识别算法，其特征在于：主干网络提取遥感影像的基础特征后输出多个尺度特征图，包括以下步骤：
3.根据权利要求2所述的基于改进损失函数的遥感影像尾矿库识别算法，其特征在于：通过改进后的RIOU-Focal损失函数评估YOLOv5-RF模型，包括以下步骤：
4.根据权利要求3所述的基于改进损失函数的遥感影像尾矿库识别算法，其特征在于：YOLOv5-RF模型依据评估结果使用反向传播方法计算RIOU-Focal损失函数相对于YOLOv5-RF模型参数的梯度，基于梯度对YOLOv5-RF模型的参数进行多次迭代调整，包括以下步骤：
5.根据权利要求4所述的基于改进损失函数的遥感影像尾矿库识别算法，其特征在于：参数更新公式为：式中，θnew为更新后的参数，θold为更新前的参数，δ为学习率，表示损失函数对模型参数的敏感度。
6.根据权利要求5所述的基于改进损失函数的遥感影像尾矿库识别算法，其特征在
7.根据权利要求6所述的基于改进损失函数的遥感影像尾矿库识别算法，其特征在于：对每个尺度的候选框应用非极大值抑制算法进行筛选，包括以下步骤：
8.根据权利要求7所述的基于改进损失函数的遥感影像尾矿库识别算法，其特征在于：中间网络对多个尺度特征图进一步提取和融合特征，包括以下步骤：
...【技术特征摘要】
1.基于改进损失函数的遥感影像尾矿库识别算法，其特征在于：所述识别算法包括以下步骤：
2.根据权利要求1所述的基于改进损失函数的遥感影像尾矿库识别算法，其特征在于：主干网络提取遥感影像的基础特征后输出多个尺度特征图，包括以下步骤：
3.根据权利要求2所述的基于改进损失函数的遥感影像尾矿库识别算法，其特征在于：通过改进后的riou-focal损失函数评估yolov5-rf模型，包括以下步骤：
4.根据权利要求3所述的基于改进损失函数的遥感影像尾矿库识别算法，其特征在于：yolov5-rf模型依据评估结果使用反向传播方法计算riou-focal损失函数相对于yolov5-rf模型参数的梯度，基于梯度对yolov5-rf模型的参数进行多次迭代调整，包括以下步骤：
...
【专利技术属性】
技术研发人员：姜文亮，张炜明，李强，罗毅，张衡，
申请(专利权)人：应急管理部国家自然灾害防治研究院，
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。