[发明专利]基于深度学习图像分类的道路阻断信息提取方法

权利要求书

1.基于深度学习图像分类的道路阻断信息提取方法，其特征在于，包括如下步骤：

(1)利用灾害典型案例影像构建道路阻断图像分类样本库，以提供训练样本S₀；

(2)进行卷积神经网络的训练，得到初始卷积神经网络模型CNNmodel0；

(3)在获取研究区x的灾后影像I(x)和道路矢量R(x)之后，对道路阻断情况进行检测，得到待检测样本D_n(x)；

(4)利用训练好的网络CNNmodel0，对待检测样本D_n(x)进行沿道路矢量方向的垂直法线方向增加检测点的多点道路阻断检测：

(5)选择研究区影像中的少量道路段生成新的训练样本数据S₁，对已有网络进行网络微调，得到微调后的网络模型CNNmodel1；

(6)重复道路阻断分类检测工作，直到检测结果达到精度要求。

2.根据权利要求1所述的基于深度学习图像分类的道路阻断信息提取方法，其特征在于，在步骤(1)中，构建道路阻断图像分类样本库的训练样本的算法如下：

(1-1)在已有道路矢量上按照等距离原则设置样本点，距离间隔设置为20米；人工将样本点划分为完整道路样本点和阻断道路样本点；

(1-2)选择完整道路样本点分割灾后遥感影像特征数据集生成完整道路样本库：以样本点为圆心生成圆形缓冲区，缓冲区半径设置为50米，以缓冲区的外接矩形为边界对影像特征数据集进行分割，得到完整道路分类样本；

(1-3)选择阻断道路样本点分割灾后遥感影像特征数据集生成阻断道路样本库，以样本点为圆心生成圆形缓冲区，缓冲区半径设置为50米，以缓冲区的外接矩形为边界对影像特征数据集进行分割，得到阻断道路分类样本；

(1-4)背景样本的选择采用等间隔布点的方法，去除在道路附近一定范围内的样本点后，生成缓冲区，进行影像分割；缓冲区半径设置为50米。

3.根据权利要求2所述的基于深度学习图像分类的道路阻断信息提取方法，其特征在于，其特征在于，在步骤(1)，还需要对样本库中的样本的数据增强和标准化：

增强方法为：使用Google公司推出的深度学习主流框架TensorFlow实现了数据增强的具体操作，利用TensorFlow中的Keras.Image Data Generator方法对样本库进行增量操作，在对样本进行随机的旋转的同时，允许对样本进行水平和竖直翻转；

标准化的方法为：使用机器学习工具库sklearn下的preprocessing.scale方法实现了对原始遥感影像的各个图层的均值和标准差进行标准化的操作。

4.根据权利要求3所述的基于深度学习图像分类的道路阻断信息提取方法，其特征在于，在步骤(2)中，先对卷积神经网络Convolutional Neural Network，CNN结构进行改进，改进方法包括如下步骤：

(2-1)移除原始网络结构中最后的全连接输出层，并在的最后一层卷积特征层的后面添加一层全局平均池化层GlobalAveragePooling2D；

(2-2)添加三层神经元节点个数逐渐减小的全连接层Dense层和一层系数为0.5的随机失活层Dropout层，其中全连接层均采用线性整流函数Rectified Linear Unit，ReLU作为激活函数；

(2-3)输出层采用全连接层Dense层，节点个数设置为2，对应“完整道路”和“阻断道路”两种类别的隶属度，激活函数采用归一化指数函数Softmax；

改进卷积神经网络结构CNN模型的添加层的参数设置如下表：

其中，参数是在CNN训练过程中自动学习的神经元权重；超参数是在训练过程开始前需要设置的的变量，用于不同类型网络层的构建。