【技术实现步骤摘要】
本专利技术涉及古水坝识别，尤其涉及基于历史卫片及深度学习的古水坝的智能识别方法及系统。
技术介绍
1、传统对古水坝的考古方法和目视解译遥感影像在识别效率和准确性方面存在显著不足。传统技术无法有效应对不规则目标及复杂背景的特征提取，且在标注和分类过程中易产生误检和漏检问题。因此，结合深度学习技术、历史卫片数据和自动化特征提取方法，成为提升古水坝智能识别能力的关键方向。
2、例如公开号为cn110211173a的专利申请公开了一种基于深度学习的古生物化石定位和识别方法，通过建立化石图片分类标准库，使用标准库图片训练深度学习目标检测模型，实现化石图像自动定位和识别，可以有效辅助人类专家进行批量复杂化石鉴定工作，提高工作效率。该方法包括五个步骤：步骤1，建立古生物化石图像标准库，并对库中每张图像进行位置类别标注。步骤2，构建目标检测网络，加载预训练权重文件。步骤3，利用构建目标检测网络训练标注化石图像。步骤4，对训练出的网络模型进行模型测试评估。步骤5，使用最终训练模型对实际古生物化石图像进行定位和识别。实现图像或视频内多个化石个体的自动框选定位和分类识别，识别精度高。
3、例如公开号为cn118570656a的专利申请公开了一种利用历史遥感影像和地形数据寻找古水坝的方法，方法包括：在解译前，对历史遥感影像进行处理，得到便于解译的处理影像。区分山体、水体和道路等地物类型，通过分析水坝遗址在遥感影像中的空间分布规律与识别特征，明确重点调查区域。根据七大解译要素特征，对影像上已明确的重点调查区域进行解译，识别可能存在
4、以上技术方案存在本
技术介绍
提出的问题：在复杂地貌背景和植被覆盖下识别效率低，易出现误检和漏检，为解决以上问题，本申请公开了基于历史卫片及深度学习的古水坝的智能识别方法及系统。
技术实现思路
1、本专利技术所要解决的技术问题是针对现有技术的不足，提供了基于历史卫片及深度学习的古水坝的智能识别方法及系统，采集历史卫片并生成地貌分区，结合时间序列分析和聚类算法生成特征模板。通过yolov5模型，利用csp架构、坐标注意力机制及可变形卷积模块，提升模型对古水坝特征的提取能力，结合广义交并比（giou）优化边界框预测精度，实现高效、精准的古水坝识别及模型动态优化。
2、为实现上述目的，本专利技术提供如下技术方案：
3、基于历史卫片及深度学习的古水坝的智能识别方法，所述智能别方法包括：
4、采集当前待识别的影像数据；
5、将所述影像数据输入至预设的古水坝识别模型，所述古水坝识别模型输出所述影像数据中的古水坝图案标注，其中所述古水坝识别模型通过多个历史卫片训练形成；
6、将所述古水坝图案标注与预设的特征模板进行对比，计算古水坝识别模型的优化参数。
7、所述古水坝识别模型的训练步骤，包括：
8、采集多个历史卫片，将所述多个历史卫片分为训练集、验证集和测试集；
9、构建一初始深度学习模型，通过训练集和验证集对所述初始深度学习模型进行训练；
10、将测试集输入至训练后的初始深度学习模型，根据测试结果对模型参数进行更新，将最终的初始深度学习模型作为所述古水坝识别模型。
11、所述初始深度学习模型的主体结构为yolov5模型，所述yolov5模型包括特征提取网络、特征融合网络和预测网络；
12、所述特征提取网络包括csp架构和坐标注意力机制，输出特征图；
13、所述特征融合网络的损失函数为gior；
14、所述yolov5模型中每个卷积残差块前面嵌入可变形卷积模块，所述可变形卷积模块用于调整卷积核的采样位置。
15、所述调整卷积核的采样位置，包括：
16、根据所述特征图中的局部区域，预测每个采样点的偏移量，其中，每个采样点的输出包含2n个偏离值，n表示卷积核的采样点数量；
17、根据所述偏移量调整卷积核的采样位置。
18、所述将所述多个历史卫片分为训练集、验证集和测试集，包括：
19、对所述多个历史卫片进行配准、校正和拼接，生成历史影像数据集；
20、对所述历史影像数据集进行空间分布和时间序列分析，生成包含古水坝标记位置的正样本特征模板，以及包含非古水坝特征的负样本特征模板；
21、从正样本和负样本中随机抽取数据，构建训练集、验证集和测试集。
22、所述对所述历史影像数据集进行空间分布和时间序列分析，包括：
23、根据所述历史影像数据集中的地理坐标信息，生成地貌分区；
24、计算每个地貌分区不同时期的变化特征；
25、将所述变化特征与人工标注古水坝模板中的地貌变化特征进行匹配，得到符合古水坝特征的潜在区域；
26、根据所述潜在区域和非潜在区域的地貌分布特征，通过聚类算法生成特征模板。
27、所述通过聚类算法生成特征模板，包括：
28、提取潜在区域和非潜在区域的纹理特征、灰度值分布和边界形状信息，计算各区域的地貌分布特征；
29、根据dbscan和k-means聚类算法分别对潜在区域和非潜在区域的地貌分布特征进行处理，生成正样本特征模板和负样本特征模板。
30、所述计算古水坝识别模型的优化参数，包括：
31、根据所述古水坝图案标注的边界框与预设特征模板中边界框，计算误差；
32、根据所述误差对古水坝识别模型的损失函数进行优化。
33、基于历史卫片及深度学习的古水坝的智能识别系统，所述系统包括数据采集模块、模型训练模块和古水坝识别模块；
34、所述数据采集模块，用于采集当前待识别的影像数据和历史卫片；
35、所述模型训练模块，用于构建一初始深度学习模型，通过训练集和验证集对所述初始深度学习模型进行训练，将测试集输入至训练后的初始深度学习模型，根据测试结果对模型参数进行更新，将最终的初始深度学习模型作为古水坝识别模型；
36、所述古水坝识别模块，用于将待识别的影像数据输入至训练后的古水坝识别模型，完成古水坝图案标注。
37、所述模型训练模块，包括：
38、数据处理单元，用于对采集的历史卫片进行配准、校正和拼接，生成统一的历史影像数据集，并执行空间分布和时间序列分析，提取正样本和负样本特征模板，从而构建训练集、验证集和测试集；
39、模型构建单元，用于构建初始深度学习模型，包含yolov5网络框架，嵌入csp架构、坐标注意力机制和可变形卷积模块；
40、训练单元，根据训练集和验证集对模型进行训练，将giou作为损失函数优化边界框定位精度本文档来自技高网...
【技术保护点】
1.基于历史卫片及深度学习的古水坝的智能识别方法，其特征在于，所述智能识别方法包括：
2.根据权利要求1所述基于历史卫片及深度学习的古水坝的智能识别方法，其特征在于，所述古水坝识别模型的训练步骤，包括：
3.根据权利要求2所述基于历史卫片及深度学习的古水坝的智能识别方法，其特征在于，所述初始深度学习模型的主体结构为YOLOv5模型，所述YOLOv5模型包括特征提取网络、特征融合网络和预测网络；
4.根据权利要求3所述基于历史卫片及深度学习的古水坝的智能识别方法，其特征在于，所述调整卷积核的采样位置，包括：
5.根据权利要求2所述基于历史卫片及深度学习的古水坝的智能识别方法，其特征在于，所述将所述多个历史卫片分为训练集、验证集和测试集，包括：
6.根据权利要求5所述基于历史卫片及深度学习的古水坝的智能识别方法，其特征在于，所述对所述历史影像数据集进行空间分布和时间序列分析，包括：
7.根据权利要求6所述基于历史卫片及深度学习的古水坝的智能识别方法，其特征在于，所述通过聚类算法生成特征模板，包括：
8
9.基于历史卫片及深度学习的古水坝的智能识别系统，用于实现如权利要求1-8任一项所述的基于历史卫片及深度学习的古水坝的智能识别方法，其特征在于，所述系统包括数据采集模块、模型训练模块和古水坝识别模块；
10.根据权利要求9所述基于历史卫片及深度学习的古水坝的智能识别系统，其特征在于，所述模型训练模块，包括：
...【技术特征摘要】
1.基于历史卫片及深度学习的古水坝的智能识别方法，其特征在于，所述智能识别方法包括：
2.根据权利要求1所述基于历史卫片及深度学习的古水坝的智能识别方法，其特征在于，所述古水坝识别模型的训练步骤，包括：
3.根据权利要求2所述基于历史卫片及深度学习的古水坝的智能识别方法，其特征在于，所述初始深度学习模型的主体结构为yolov5模型，所述yolov5模型包括特征提取网络、特征融合网络和预测网络；
4.根据权利要求3所述基于历史卫片及深度学习的古水坝的智能识别方法，其特征在于，所述调整卷积核的采样位置，包括：
5.根据权利要求2所述基于历史卫片及深度学习的古水坝的智能识别方法，其特征在于，所述将所述多个历史卫片分为训练集、验证集和测试集，包括：
6.根据权利要...
【专利技术属性】
技术研发人员：王奕然，董少春，王宁远，张依欣，张涛，
申请(专利权)人：南京大学，
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。