[发明专利]一种使用深度学习和空间分析的广域未知大坝自动探测方法

权利要求书

1.一种使用深度学习和空间分析的广域未知大坝自动探测方法，包含以下步骤：

步骤1、候选区提取——获取大坝检测的候选区点位，数据处理方法如下：

1.1）、面积约束，对全球地表水数据集中面积较小的区域进行删除，保留面积较大的区域作为初步候选区；

1.2）、相交约束，对初步候选区中与海岸线相交的多边形进行删除，获取大坝的候选区，候选区边界进行点位采样，获取大坝检测点位；

步骤2、深度学习模型训练——训练三种目标识别模型，第一种是基于YOLO-v3的大坝检测模型，第二种是基于YOLO-v5l的大坝检测模型，第三种是基于YOLO-v5x的大坝检测模型，训练过程如下：

2.1）、样本标注，人工随机选取目标地域范围内若干含有大坝的影像，并进行多边形标注，得到标注过的大坝影像；

2.2）、数据增广，对选取的含有大坝的影像进行数据增广作为训练样本，包括几何增强和颜色增强；

2.3）、利用训练样本对YOLO-v3的大坝检测模型进行训练，使用训练后的YOLO-v3的大坝检测模型对大坝检测点位处的影像进行识别，获得第一初始检测结果；

2.4）、利用训练样本对分别对基于YOLO-v5l和YOLO-v5x的大坝检测模型进行训练，使用训练后的基于YOLO-v5l和YOLO-v5x的大坝检测模型分别对大坝检测点位处的影像进行识别，分别获得第二初始检测结果和第三初始检测结果；

2.5）、利用NMS算法和长度阈值对第一、第二、第三初始检测结果进行融合合并，获得模型检测的综合初始检测结果；

步骤3、地理分析与综合判别——应用综合判别中的三个地理约束对综合初始检测结果进行判别具体如下：

3.1）、地形起伏度，基于DEM、坡向、地形粗糙指数和汇流累积量的阈值进行候选区的地形起伏度判断，如果判定地形起伏度较低，则该候选区为误检测候选框，删除误检测候选框并得到剩余的检测结果；

3.2）、相交原则如果该候选区不在道路线和河网相交的范围内，则该候选区为误候选框；如果相交区域的线的类型均为主要道路，则该候选区为道路误候选框；与海岸线相交候选区为港口或者海岸线误候选框；删除这些误候选框并得到剩余的检测结果；

3.3）、其他目标数据，利用其他开放数据集中的目标位置信息，删除误候选框，开放数据集信息包括：全球土地利用数据、Open Street Map的农田和桥数据；如果该候选框中的土地利用类型不包含不透水面、裸地和农田数据，则该候选框为误候选框；如果候选框中包含较大面积的农田位置信息和桥位置信息，则该候选框为误候选框；剔除这些误候选框并得到最终的检测结果。

2.根据权利要求1所述的使用深度学习和空间分析的广域未知大坝自动探测方法，其特征在于：所述步骤1中面积阈值为135平方公里。

3.根据权利要求1所述的使用深度学习和空间分析的广域未知大坝自动探测方法,其特征在于：步骤2.2中，几何增强包括：旋转、镜像和缩放；颜色增强包括：亮度增减和对比度增强。

4.根据权利要求1所述的使用深度学习和空间分析的广域未知大坝自动探测方法，其特征在于：步骤2.5中，NMS算法中IoU阈值0.001，长度阈值为0.006度*0.006度。

5.根据权利要求1所述的使用深度学习和空间分析的广域未知大坝自动探测方法,其特征在于：步骤3中，在探测大坝空间位置中，尺度为候选点位的0.005度*0.005度。

6.根据权利要求1所述的使用深度学习和空间分析的广域未知大坝自动探测方法,其特征在于：步骤3.1中，地理分析与综合判别方法中的地形起伏约束条件，DEM的标准差阈值为2.0，坡向的范围阈值为170.0度，地形粗糙指数的标准差阈值为3.9，汇流累积量的标准差阈值为20.0。

7.根据权利要求1所述的使用深度学习和空间分析的广域未知大坝自动探测方法,其特征在于：步骤3.2中，地理分析与综合判别方法中的相交约束条件，道路类型主要为primary和secondary。

8.根据权利要求1所述的使用深度学习和空间分析的广域未知大坝自动探测方法,其特征在于：步骤3.3中，地理分析与综合判别方法中的其他目标位置信息，农田的面积阈值为0.7。