【技术实现步骤摘要】
本专利技术涉及雷达遥感及图像处理，更具体地说，涉及一种基于insar的矿区沉降漏斗识别方法、介质及设备。
技术介绍
1、地下矿产资源的开采过程改变了土壤原有的应力平衡，造成地面大面积塌陷形成沉降漏斗。矿山塌陷灾害是一种常见的地质灾害，它威胁着人们的生命财产安全，制约着矿区经济的可持续发展。准确、有效地识别沉降漏斗的变形位置，有助于防治地质灾害和监测非法采矿，因此对矿区进行大范围的沉降漏斗识别具有重大意义。传统的大地测量方法虽然具有较高的测量精度，但存在人力物力需求大、空间分辨率低、监测面积有限等局限性。星载合成孔径雷达干涉测量（interferometric synthetic aperture radar，insar）技术是一种全天时、全天候工作的新型对地观测技术，具有监测范围广、时空尺度大、能够获取丰富的形变信息等特点。insar技术已被广泛用于监测采矿区的沉降。然而，由于失相干的影响，相位解缠的质量参差不齐，使得变形图快速解译颇具难度。此外，考虑到insar技术严格和复杂的操作程序，在大尺度图像中检测半径为数十到数百米的沉降漏斗显然是耗时费力的。因此，将insar技术和先进的深度学习算法结合，为大范围矿区沉降漏斗的自动识别提供了新的解决思路。
2、yolov8模型在基于遥感数据的目标检测方面有应用，取得了一些成果，但是将yolov8模型应用于干涉图上的沉降漏斗检测时还存在一些不足，例如：仅基于insar数据构建的沉降漏斗数据集样本形态特征较为单一；yolov8模型虽然能够在保持检测精度的同时拥有较高的计算效率，
技术实现思路
1、本专利技术的目的在于，提供一种基于insar的矿区沉降漏斗识别方法、介质及设备，能在大范围干涉图上快速准确地自动检测沉降漏斗。
2、本专利技术提供一种基于insar的矿区沉降漏斗识别方法，包括以下步骤：s1：对研究区域合成孔径雷达图像进行预处理，得到真实干涉图，对真实干涉图进行标注，得到真实干涉图数据集；s2：构建模拟干涉图，根据模拟干涉图和真实干涉图数据集，得到混合数据集；s3：利用混合数据集对深度学习模型进行训练，得到目标检测模型；s4：利用目标检测模型对研究区域待识别成孔径雷达图像进行预测，得到沉降漏斗分布图。
3、进一步地，上述基于insar的矿区沉降漏斗识别方法的步骤s1具体包括：s11：对研究区域合成孔径雷达图像进行裁剪和配准，得到主从影像配准结果；s12：对主从影像配准结果进行干涉处理和去除地形相位，得到差分干涉相位图像；s13：对差分干涉相位图像进行分割、筛选和标准，得到真实干涉图数据集。
4、进一步地，上述基于insar的矿区沉降漏斗识别方法的步骤s2具体包括：s21：利用概率积分法，得到采动沉降变形相位；s22：利用分形柏林噪声模拟方法，得到大气噪声相位；s23：利用复高斯白噪声模拟方法，得到去相关噪声相位；s24：根据采动沉降变形相位、大气噪声相位和去相关噪声相位，得到模拟干涉图；s25：根据模拟干涉图和真实干涉图数据集，得到混合数据集；
5、进一步地，上述基于insar的矿区沉降漏斗识别方法的步骤s3具体包括：s31：将混合数据集按预设比例划分，得到训练集和验证集；s32：利用训练集和验证集对深度学习模型进行训练，得到目标检测模型。
6、进一步地，上述基于insar的矿区沉降漏斗识别方法的预设比例为0.85:0.15。
7、进一步地，上述基于insar的矿区沉降漏斗识别方法的深度学习模型为基于yolov8的改进得到；基于yolov8的改进包括以下步骤：将yolov8模型骨干网络部分高维特征处接续的两个c2f模块替换为dwr-c2f模块；将dyhead模块加在yolov8模型head部分的三个检测头之前；将yolov8模型iou损失部分的ciou替换为inner-wiou。
8、进一步地，上述基于insar的矿区沉降漏斗识别方法还包括：利用真实干涉图数据集和混合数据集，对深度学习模型进行评价。
9、本专利技术还提供计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述基于insar的矿区沉降漏斗识别方法的步骤。
10、本专利技术还提供计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行该程序时实现上述的基于insar的矿区沉降漏斗识别方法的步骤。
11、本专利技术还提供计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的基于insar的矿区沉降漏斗识别方法的步骤。
12、实施本专利技术提供的基于insar的矿区沉降漏斗识别方法、介质及设备，具有以下有益效果：
13、本专利技术考虑到矿区的地表形变规律，利用insar中的差分干涉（dinsar）方法，得到研究区真实干涉图；考虑到真实干涉图的获取难度和沉降漏斗特征单一问题，基于概率积分方法、polin噪声及复高斯白噪声三部分合成模拟干涉图，与真实干涉图组合作为数据集，丰富了数据特征，解决了insar沉降漏斗数据集特征单一的问题；本专利技术考虑到干涉图沉降漏斗检测过程中存在的多尺度目标和难易样本不平衡问题，结合yolov8模型，在模型骨干网络部分基于dwrseg网络的思想，改进特征提取模块得到新的模块dwr-c2f，并引入自适应检测头dyhead和回归框损失函数inner-wiou，提出新的矿区沉降漏斗自动识别模型sfd-yolo，进一步提高模型识别精度及泛化性，解决了大范围沉降漏斗检测时存在的多尺度目标问题以及样本集中难易样本不平衡的问题；在混合数据集上训练后，sfd-yolo模型对沉降漏斗的检测精度进一步提升，较其他深度学习方法能更全面准确地检测沉降漏斗，从而实现在大范围干涉图上快速准确地自动检测沉降漏斗，对防治地质灾害和监测非法采矿等具有重要意义。
本文档来自技高网...【技术保护点】
1.一种基于InSAR的矿区沉降漏斗识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于InSAR的矿区沉降漏斗识别方法，其特征在于，步骤S1具体包括：
3.根据权利要求1所述的基于InSAR的矿区沉降漏斗识别方法，其特征在于，步骤S2具体包括：
4.根据权利要求1所述的基于InSAR的矿区沉降漏斗识别方法，其特征在于，步骤S3具体包括：
5.根据权利要求4所述的基于InSAR的矿区沉降漏斗识别方法，其特征在于，所述预设比例为0.85:0.15。
6.根据权利要求4所述的基于InSAR的矿区沉降漏斗识别方法，其特征在于，所述深度学习模型为基于YOLOv8的改进得到；所述基于YOLOv8的改进包括以下步骤：将YOLOv8模型骨干网络部分高维特征处接续的两个c2f模块替换为DWR-c2f模块；将Dyhead模块加在YOLOv8模型Head部分的三个检测头之前；将YOLOv8模型IoU损失部分的CIoU替换为Inner-WIoU。
7.根据权利要求1所述的基于InSAR的矿区沉降漏斗识别方法，其特征在
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7任一所述的基于InSAR的矿区沉降漏斗识别方法的步骤。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任一所述的基于InSAR的矿区沉降漏斗识别方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7任一所述的基于InSAR的矿区沉降漏斗识别方法的步骤。
...【技术特征摘要】
1.一种基于insar的矿区沉降漏斗识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于insar的矿区沉降漏斗识别方法，其特征在于，步骤s1具体包括：
3.根据权利要求1所述的基于insar的矿区沉降漏斗识别方法，其特征在于，步骤s2具体包括：
4.根据权利要求1所述的基于insar的矿区沉降漏斗识别方法，其特征在于，步骤s3具体包括：
5.根据权利要求4所述的基于insar的矿区沉降漏斗识别方法，其特征在于，所述预设比例为0.85:0.15。
6.根据权利要求4所述的基于insar的矿区沉降漏斗识别方法，其特征在于，所述深度学习模型为基于yolov8的改进得到；所述基于yolov8的改进包括以下步骤：将yolov8模型骨干网络部分高维特征处接续的两个c2f模块替换为dwr-c2f模块；将dyhead模块加在yolov8模型head部分的三个检测头之前...
【专利技术属性】
技术研发人员：张正加，范鹏，郭靖，王猛猛，杨健，张婷婷，
申请(专利权)人：中国地质大学武汉，
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。