[发明专利]一种基于DenseNet的滑坡图像识别方法和系统

说明书

本发明提供了一种基于DenseNet的滑坡图像识别方法和系统，方法结合灾区滑坡发生的特点，在滑坡样本库构建阶段通过加入各种地形地貌、地层岩性、植被覆盖、气象水文甚至人类活动的滑坡影响因子来丰富滑坡样本库，利用该样本库与滑坡标签数据对DenseNet模型训练并检测，利用训练好的模型进行滑坡识别与制图。DenseNet的运用最大程度地传递了网络提取的滑坡特征，有效地防止过拟合，涉及参数少，迭代时间少，收敛速度快，还在滑坡识别工作中能更好地做到性能和效率的平衡，同时还能弥补滑坡样本匮乏的现状，更好地识别现有滑坡的边界范围甚至是潜在滑坡，提高滑坡识别与制图的精度。

技术领域

本发明涉及灾害识别技术领域，具体涉及一种基于DenseNet的滑坡图像识别方法和系统。

背景技术

目前常用的滑坡灾害识别与制图的方法是基于遥感影像的方法，主要分为三个阶段：目视解译阶段，基于机器学习的计算机解译阶段，基于深度学习的智能解译阶段。近年来，随着大数据时代的到来，计算机运算能力的增强，深度学习在图像分类、目标检测和自然语言处理等应用领域取得了较好的成就。受这些成功案例的影响，基于像素和面向对象的深度学习算法也被提出应用于滑坡研究中。深度学习主要是利用卷积神经网络(Convolutional Neural Network,CNN)来自动学习目标特征的一种学习方式，与传统方法相比，CNN的多层前馈神经网络结构可以自动获取图像的有效特征表示，这使得这些网络无需手动计算复杂的滑坡特征即可识别滑坡体的语义特征。

目前，在专利“基于Mask RCNN神经网络的滑坡坡面分割识别方法(专利申请号：CN202011258659.9)”中，将遥感图像输入到训练后的神经网络模型中，通过神经网络模型自动识别出遥感图片中是否存在滑坡，达到高效、快速的查找出滑坡区域的目的；并将识别存在出滑坡区域标示出来，便于及时发现滑坡所处位置。在专利“一种基于CNN与RNN集成的滑坡灾害易发性预测方法(专利申请号：CN202010759164.8)”中，先分别构建基于CNN和RNN的易发性模型，再利用平均集成方法将CNN与RNN模型融合起来进行易发性预测，对滑坡易发性模型进行精度评价，输出最终的滑坡灾害易发性预测图，可有效提高滑坡灾害易发性预测精度。

层出不穷的深度学习网络在自然图像分类、识别和定位等任务中取得了很大的突破，但在滑坡识别与制图领域中却较少有最新网络成功迁移应用的案例。这是由于滑坡发生时地物的复杂性，准确区分滑坡体的边界范围是个重要的挑战，另外，复杂的深度学习网络结构通常意味着更多的训练参数，进而导致整个模型的迭代训练过程复杂。同时，为了更好地利用深度学习对于深层特征的提取能力，网络不断加深更会带来网络退化问题。

发明内容

本发明解决的一个主要问题是深度学习网络在滑坡识别与制图应用中，网络的加深可能会带来的梯度不稳定、效率低下、错误率升高等网络退化问题，还可能导致某些浅层的学习能力下降，限制了深层网络的学习，使得滑坡识别精度降低的问题。

根据本发明的一个方面，提供一种基于DenseNet的滑坡图像识别方法，滑坡图像识别方法包括：

基于待测区域的遥感影像数据和地理信息数据，获取影响滑坡发生的各类因子图层；

预处理所述因子图层，获得处理因子图层；

将所述遥感影像数据和所述处理因子图层进行叠加，获得样本数据库；

所述样本数据库与预先标定的滑坡标签数据构成滑坡样本数据；

将所述滑坡样本数据划分为训练样本和验证样本；

将所述训练样本和所述验证样本输入基于所述滑坡样本数据的特征构建的DenseNet模型中，进行迭代训练；

利用训练后的所述DenseNet模型测试待测区域的滑坡图像，得到滑坡识别结果图。

可选地，预处理所述因子图层包括步骤：