[发明专利]一种基于MSDU-Net的海岸线检测算法

权利要求书

1.一种基于MSDU-Net的海岸线检测算法，其特征在于：包括如下步骤：

S1、数据采集：采集海岸线图像数据集，并对其边缘进行手工标注，完成模型训练所需数据集的构建；

S2、数据预处理：预处理包括归一化、数据划分，并且扩增数据集，保证模型训练效果；

S3、识别模型：采用深度学习相关技术搭建检测模型，输入训练数据，完成参数模型的搭建；

S4、模型保存：当模型的损失函数不再降低之后，保存模型。

2.根据权利要求1所述的一种基于MSDU-Net的海岸线检测算法，其特征在于，S2、数据预处理中，数据扩充：为了提高泛化性能，对训练集进行了4倍的数据增强，扩充方法为通过水平镜像或垂直镜像，以及旋转90、180度得到，将扩充后获得的扩充图像与原始图像进行合并，形成新的扩充图像数据集。

3.根据权利要求2所述的一种基于MSDU-Net的海岸线检测算法，其特征在于，S2、数据预处理中，数据划分：使用五折交叉验证法将数据集D划分为5个大小相似的互斥子集，每个子集都要尽可能保持数据分布的一致性，然后用4个子集的并集作为训练集，余下的子集作为测试集。

4.根据权利要求3所述的一种基于MSDU-Net的海岸线检测算法，其特征在于，S2、数据预处理中，图像缩放：由于获取的数据集中图像大小不同，为保证模型的分割性能，统一将其大小调整为(768×768)。

5.根据权利要求1所述的一种基于MSDU-Net的海岸线检测算法，其特征在于，S3、识别模型中，包括模型构建：构建一种基于MSDU-Net改进的检测模型用于海岸线的检测，所述检测模型由一组提取器和一个U-Net组成，所述检测模型具体运行步骤为：

第一步，使用一组提取器从图像中获取多尺度纹理特征信息，其中提取器为多尺度纹理特征提取器，将原图像送入空洞卷积层进行特征提取，该层在不同提取器中的空洞率分别为1、2、2、2，卷积核大小都是3×3，将生成后的特征图输入到正常卷积层，之后利用ReLU函数进行特征激活，然后，分别利用步长为1、2、4、8的最大池化层来缩小特征图的大小，使输出的特征图与Unet的输入特征图大小相同，

第二步，将提取的特征映射插入到U-Net网络的每个收缩步骤中，并将提取的特征映射与收缩的特征映射集成在一起，该U-Net网络中收缩路径接收纹理提取器的输出，通过拼接、卷积、池化等方法将纹理提取器的输出进行整合，从而减小特征矩阵的长度和宽度，增加通道维数，扩展路径使用转置卷积来恢复特征矩阵的分辨率，并通过跳跃连接将它们与收缩路径中具有相同大小的特征矩阵进行特征融合，通过U-Net网络中的跳跃层连接上采样部分的两条路径的特征通道，使得网络将特征信息传递到包含局部纹理信息的更高分辨率层，第三步，使用soft-max层将特征矩阵映射生成检测结果图。

6.根据权利要求1所述的一种基于MSDU-Net的海岸线检测算法，其特征在于，S4模型保存具体为：当模型的损失函数不再降低之后，保存模型，通过使用一种自适应平衡的二进制交叉熵损失函数进行损失值的计算过程，其公式如下:

其中Y₊和Y_-分别为正标签和负标签；为预测标签。