本发明涉及滑坡检测领域,特别是一种轻量级滑坡检测方法。
背景技术:
1、对地观测影像是开展滑坡识别研究最主要的数据源。其中,光学遥感影像(包括无人机影像、高分辨率卫星遥感影像、中分辨率卫星遥感影像等)是最常用的数据源。雷达影像不受天气影响,可以应用在云量覆盖较多的地区,但雷达影像的信息表达能力有限,滑坡识别精度有限。数字高程模型能为滑坡识别提供高程、坡度和坡向等信息。chen,t.-h.k.等人考虑到夜间灯光数据可以指示经济活动,有助于区分滑坡与人为活动地区,因此利用夜间灯光数据辅助滑坡提取。在上述数据源中,中分辨率卫星影像以其免费存取、幅宽大、全球重访周期较短、光谱信息丰富的特点在滑坡识别研究中越来越多地被研究者使用。
2、在基于深度学习的遥感信息提取研究中,特征融合和注意力机制是提高模型表征能力、提高分类或识别精度的常用策略。liu,s.等人设计了一个轻量级浅层-深层特征融合模型,通过低层空间、光谱特征融合,中层多尺度特征融合和高层多尺度特征融合实现了高精度的遥感影像场景分类;zheng,h.等人将多层特征融合与多维度特征注意力结合以提高模型分类精度;meng,q.等人提出残差空间注意力模块,并将其应用在多尺度特征融合模块中,同样提高了模型分类精度。这些研究表明,多尺度特征融合有利于提高模型对上下文信息的一致性表达,采用注意力机制有利于提高模型对噪声和背景信息的抑制能力。因此,将多尺度特征融合与多尺度注意力机制应用在基于深度学习的滑坡提取模型中有利于进一步提高模型精度。
3、因此,本发明提出一个轻量级滑坡检测网络,该网络综合了多尺度特征融合机制和多尺度注意力机制,在保证分类精度的前提下提高模型运行效率。目前,已有的、与本发明相近似的滑坡检测方法有:(1)l.bragagnolo等人在landsat影像(30m空间分辨率)上利用unet模型进行滑坡检测;(2)ge等人设计了一个融合注意力机制、多尺度特征融合以及知识蒸馏技术的滑坡检测模型;(3)niu等人提出reg-sa-unet++模型进行滑坡提取。
4、
5、
6、现有技术一
7、l.bragagnolo等人在landsat 8影像上利用u-net模型实现滑坡检测,该方法出自期刊论文bragagnolo,l.,et al."convolutional neural networks applied tosemantic segmentation oflandslide scars."catena 201(2021):105189.。该方法的技术路线如图1所示;
8、该方法主要包含以下几个步骤:
9、(1)根据研究区滑坡数据库选择landsat 8遥感影像;
10、(2)对遥感影像进行预处理,使用第6-5-4波段(分别对应短波红外、近红外、红光波段)合成;
11、(3)借助谷歌地球对遥感影像中的滑坡进行标识,将人工解译的滑坡标签存储为矢量格式,建立滑坡影像和矢量标注数据库;
12、(4)将数据划分为训练集、验证集和测试集,在训练集上训练u-net模型,结合模型验证结果,利用“早停”训练方式得到最佳模型参数;
13、(5)将得到的最佳模型在测试集上进行精度验证。
14、现有技术一的缺点
15、(1)对多波段的中分辨率遥感影像人为地选择三个波段作为模型的输入数据,忽略了其他波段对于滑坡检测的可能贡献;
16、(3)模型中降采样块较多,导致模型损失了大量空间信息,最终预测的目标边界较为模糊,模型提取精度较低;
17、(4)模型编码器与解码器之间连接过多,模型较复杂,推理效率不高。
18、现有技术二
19、xuming ge等人设计了一个融合注意力机制、多尺度特征融合以及知识蒸馏技术的滑坡检测模型,该方法出自期刊论文ge,x.;zhao,q.;wang,b.;chen,m.lightweightlandslide detection network for emergency scenarios.remote sensing 2023,15,1085,doi:10.3390/rs15041085.。该方法技术路线如图2所示:
20、该方法主要包含以下几个步骤:
21、(1)获取研究区滑坡影像和滑坡标注数据,将数据划分为训练集和测试集;
22、(2)设计滑坡检测模型,该模型包含三个部分:由ghostmodule和cbam注意力机制构成的基础网络、多尺度特征融合网络以及基于特征的知识蒸馏网络,分别对应为模型的编码器、解码器和精度提升模块。
23、(3)在训练集上训练(2)设计的模型,结合模型验证结果得到最佳模型参数;
24、(4)将得到的最佳模型在测试集上进行精度验证,最终以矩形框在影像上标注出滑坡的位置和范围。
25、现有技术二的缺点
26、(1)该方法最终以矩形框标注出滑坡在影像块上位置和大致范围,没有提取精确的滑坡边界,在实际业务中应用有限;
27、(2)该方法面向高空间分辨率遥感影像,受高空间分辨率遥感影像收费存取、覆盖范围有限、影像幅宽小的影响,该方法难以推广到大空间尺度的业务中。
28、现有技术三:
29、niu chaoyang等人将regnet,洗牌注意力机制(shuffle attention,sa)与unet++模型进行融合,提出reg-sa-unet++模型用于滑坡检测,该方法出自期刊论文niu,c.;gao,o.;lu,w.;liu,w.;lai,t.reg-sa–unet++:a lightweight landslide detection networkbased on single-temporal images captured postlandslide.ieee journal ofselected topics in applied earth observations and remote sensing 2022,15,9746–9759,doi:10.1109/jstars.2022.3219897.该方法技术路线如图3:
30、该方法主要包含以下几个步骤:
31、(1)获取研究区滑坡影像,利用labelme工具对影像中的滑坡进行逐像素标注;
32、(2)设计reg-sa-unet++模型,该模型在unet++的基础上作了改进:将原unet++中的卷积块换成regnet的卷积块,在编码-解码连接中加入了洗牌注意力(shuffleattention,sa).
33、(3)在训练集上训练(2)设计的模型,结合模型验证结果得到最佳模型参数;
34、(4)将得到的最佳模型在测试集上进行精度验证。
35、现有技术三的缺点
36、(1)该方法面向高空间分辨率遥感影像,受高空间分辨率遥感影像收费存取、覆盖范围有限、影像幅宽小的影响,该方法难以推广到大空间尺度的业务中;
37、(2)该模型编码器与解码器之间连接过多,模型结构较为复杂,推理效率相比unet++没有提高。
技术实现思路
1、为解决现有技术中存在的问题,本发明提供了一种轻量级滑坡检测方法,本发明面向中分辨率多源遥感数据,提出新的基于多尺度特征融合与多尺度通道注意力机制的轻量级语义分割网络,实现高精度且高效率的滑坡检测,为大空间尺度的滑坡检测提供技术参考。
2、一种轻量级滑坡检测方法,包括以下步骤:
3、步骤s1:选择与下载数据;
4、步骤s2:将得到的数据进行预处理,建立训练/测试集;
5、步骤s3:将预处理后的数据进行模型训练与评估。
6、优选地,使用sentinel-2影像形成的光学信息和nasadem数据形成的地形信息进行滑坡提取。
7、优选地,步骤s2包括以下子步骤:
8、子步骤s21:将获得的sentinel-2影像形成的光学信息和nasadem数据形成的地形信息利用采样至10m空间分辨率,并统一地理坐标系和投影坐标系,12个光学波段和2个地形数据合成为一个14波段的影像;
9、子步骤s22:对14个波段的影像进行归一化处理得到互不重叠的影像块。
10、优选地,子步骤s22包括以下子步骤:
11、子步骤s221:计算14个波段的影像均值,生成一组维度为14的平均值向量;
12、子步骤s222:将每个像元位置的特征向量与该平均值向量逐像素相除,得到与处理后的图像;
13、子步骤s223:将预处理后的影像进行分块,裁剪为128×128大小、在地理空间上互不重叠的影像块,以此形成训练/测试集。
14、优选地,ms2landsnet模型包括第一编码块,第二编码块和第三编码块;第一编码块和第二个编码块包含两个卷积层、一个池化层和一个带多尺度通道注意力的多尺度特征融合模块;第三个编码块包含两个卷积层和一个带多尺度通道注意力的多尺度特征融合模块;所述解码器包括两个3×3卷积层和一个1×1卷积层。
15、优选地,带多尺度通道注意力的多尺度特征融合模块包括多尺度特征融合和多尺度通道注意力机制。
16、优选地,步骤s3包括以下子步骤:
17、子步骤s31:在训练集上,使用加权交叉熵损失lwce和dice损失ldice指导网络训练得到模型参数;
18、子步骤s32:在测试集上,计算带参数的模型的分类精度,采用准确率,召回率,f1-score和交并比进行评估;
19、子步骤s33:对于模型运行效率,采用模型参数量,千兆浮点运算量和每秒帧数进行评估。
20、本发明轻量级滑坡检测方法的有益效果如下:
21、1.本发明实现准确的、逐像元的滑坡检测,提取结果是对滑坡位置、范围、边界的准确刻画。
22、2.滑坡检测过程中不使用任何高分辨率遥感影像,只利用公开获取的中分辨率遥感数据。
23、3.滑坡检测过程中不需要人为定义任何分类阈值,实现端对端、全自动化的滑坡检测。
24、4.本发明针对多源遥感数据包括光学波段和dem数据,采用特征层面的深度融合策略以提高模型对不同模态数据的特征学习与表达能力。
25、5.本发明针对遥感影像场景复杂、细节丰富的特点,对影像中的目标信息给予更多关注,并抑制对背景信息的关注,优化深度学习模型,提高滑坡检测精度。