[发明专利]基于卫星数据UNet网络模型的滑坡识别方法及装置

权利要求书

1.一种基于卫星数据UNet网络模型的滑坡识别方法，其特征在于，所述方法包括：

获取待进行滑坡识别的卫星拍摄图像；

将所述卫星拍摄图像输入预设的滑坡识别模型；所述滑坡识别模型是对改进后的UNet网络模型进行训练获得的；所述改进后的UNet网络模型是对深度学习网络UNet网络模型的结构进行改进，所述改进后的UNet网络模型中的卷积操作为深度可分离卷积；

将所述滑坡识别模型的输出结果作为滑坡识别结果。

2.根据权利要求1所述的基于卫星数据UNet网络模型的滑坡识别方法，其特征在于，获取所述滑坡识别模型，包括：

获取滑坡图像样本数据；

采用所述滑坡图像样本数据对所述改进后的UNet网络模型进行训练；

将训练后的所述改进后的UNet网络模型作为所述滑坡识别模型。

3.根据权利要求2所述的基于卫星数据UNet网络模型的滑坡识别方法，其特征在于，所述获取滑坡图像样本数据，包括：

获取卫星采集的滑坡图像数据；

提取所述滑坡图像数据的特征数据；

对所述滑坡图像数据进行上采样操作，获取具有同一尺寸的多个图像样本数据；

对所述同一尺寸的多个图像样本数据进行拼接，得到拼接后的数据；

将所述拼接后的数据与所述滑坡图像数据的特征数据进行对比，获取与所述滑坡图像数据的特征数据的相似度大于或等于预设的相似度阈值的所述拼接后的数据，作为有效数据，将所述有效数据作为所述滑坡图像样本数据。

4.根据权利要求3所述的基于卫星数据UNet网络模型的滑坡识别方法，其特征在于，所述对所述同一尺寸的多个图像样本数据进行拼接，得到拼接后的数据，包括：

将所述同一尺寸的多个图像样本数据输入预设的双向长短期记忆网络中，将所述双向长短期记忆网络的输出结果作为所述拼接后的数据。

5.根据权利要求1所述的基于卫星数据UNet网络模型的滑坡识别方法，其特征在于，对所述UNet网络模型进行改进，包括：

将所述UNet网络模型中的卷积操作改进为深度可分离卷积，在构建所述深度可分离卷积时，设置多组深度可分离卷积单元；和/或，

设置所述UNet网络模型的损失函数，所述UNet网络模型的损失函数为带边界权值的损失函数。

6.根据权利要求5所述的基于卫星数据UNet网络模型的滑坡识别方法，其特征在于，所述深度可分离卷积由深度卷积和逐点卷积串联构成；

所述深度可分离卷积的操作包括：将所述卫星拍摄图像的特征使用深度卷积进行卷积操作，获取第一特征图；将所述第一特征图使用所述逐点卷积进行卷积操作，以实现跨通道信息交互和信息整合，并获取第二特征图；对所述第二特征图采用空洞卷积进行特征提取；

所述多组深度可分离卷积单元为四组深度可分离卷积单元；所述四组深度可分离卷积单元包括：第一卷积单元、第二卷积单元、第三卷积单元和第四卷积单元；所述第一卷积单元、所述第二卷积单元、所述第三卷积单元和所述第四卷积单元依次排列。

7.根据权利要求6所述的基于卫星数据UNet网络模型的滑坡识别方法，其特征在于，对所述UNet网络模型进行改进，还包括：

在所述多组深度可分离卷积单元之间加入注意力机制模块CBAM；

所述注意力机制模块CBAM包括通道注意力机制模块和空间注意力机制模块，所述通道注意力机制模块和所述空间注意力机制模块串行工作。

8.根据权利要求7所述的基于卫星数据UNet网络模型的滑坡识别方法，其特征在于，

所述在所述多组深度可分离卷积单元之间加入注意力机制模块CBAM，包括：

将所述注意力机制模块CBAM加入所述第一卷积单元和所述第二卷积单元之间；

所述注意力机制模块CBAM设置为采用基于局部信息交互的通道注意力机制模块和基于沙漏结构的空间注意力机制模块处理所述第一卷积单元的卷积层输出的特征图。