本发明涉及矿区图像识别领域,尤其涉及一种基于多重一致性约束的矿区图像半监督分类方法。
背景技术:
1、因为矿产资源具有的高价值性和稀缺性,同时矿产资源一般位于山区、难于实时监管,所以针对矿产资源的乱采乱挖、甚至是无证开采的现象时有发生。而这些非法开采活动对自然地形地貌和当地生态环境会造成不可估量的负面影响。严重的甚至会带来含水层污染、土地资源破坏、地质灾害、人员伤亡等一系列灾难性的后果。
2、具体来说,在非法开采过程中,采矿区域会出现各种各样的地质形态变化,比如地面塌陷、地面沉降、地裂縫、滑坡、崩塌、泥石流等。而这些地质形态变化,在无人机采集到的矿区航测图片中,都有明显的体现。
3、现有的项目大多数是配备专业人员人工逐区块地去检视矿区位置,然后再人工确认该矿区是否存在上述地质形态变化问题。这种方法虽然执行简单,但是存在周期长,漏检率高、费用贵等根本性的问题,难以适应地质工作数字化和规模化的需要;
4、因此,勘查技术水平的高低和勘查效率的快慢,决定了对于这些珍贵矿产资源的保护程度。
5、而在另一方面,基于深度学习的计算机视觉技术,能够很好地实现大数量级的航测图像处理,具有周期短、效率高等优点。因此,怎样利用深度学习技术实现矿区非法开采活动的高效率监测具有重要意义。
6、尽管深度学习模型具有很好的特征学习表征能力,但高准确度的矿区灾害图像特征提取模型,依赖大量的高质量标注数据,而获取这样的标注数据既费时耗力,成本巨大。另外,矿区的无人机航测图片,会受多种因素影响:诸如土壤含水量、土壤类型、植被覆盖情况、不同季节的光照、卫星拍照角度等等。
7、总而言之,上述这两方面原因制约了深度学习模型在矿区灾害航测图像分类领域的应用。
技术实现思路
1、为解决现有矿区灾害图像分类中存在的样本数据少、分类精度不高的技术问题,本发明提出了一种基于多重一致性约束的矿区图像半监督分类方法,方法包括以下步骤:
2、s1、基于无人机拍摄获取矿区图像训练数据;所述训练数据包括已标注图像和无标注图像;
3、s2、基于大网络-小网络权重网络参数预训练框架构建双支线网络结构;
4、s3、利用训练数据训练双支线网络结构,并在训练过程中基于输入-结构-特征三层面施加扰动,最后通过多重一致性约束,使大网络-小网络的预测保持一致;
5、s4、利用训练数据对小网络进行基于自训练损失的单阶段强化训练,强化其特征提取功能;
6、s5、基于多重一致性约束的一致性损失和自训练损失,构建双支线网络的总体损失函数,利用总体损失函数优化双支线网络的参数,得到训练完成的双支线网络;
7、s6、利用训练完成的双支线网络进行矿区图像灾害检测。
8、进一步地,所述双支线网络包括大网络和小网络;其中大网络和小网络模型结构相同,但模型参数不同。
9、进一步地,大网络和小网络模型之间的参数关系如下:
10、
11、其中,为大网络模型的参数,为小网络模型的参数,通过训练误差的传递得到; i表示大网络和小网络模型训练过程中的迭代次数编号,为衰减系数,。
12、进一步地,步骤s3中,训练过程中基于输入层面施加扰动的具体过程如下:
13、获取无标注图像,将无标注图像做强增广扰动处理后,输入至小网络;获取无标注图像,将无标注图像做弱增广扰动处理后,输入至大网络。
14、进一步地,步骤s3中,训练过程中基于结构层面施加扰动的具体过程如下:对小网络模型的结构作随机丢弃处理;对大网络模型结构不作处理。
15、进一步地,所述弱增广具体包括:翻转、旋转、缩放和颜色变换;
16、所述强增广的过程如下:
17、获取无标注图像 xu的面积 a;
18、定义一组掩膜面积控制系数 r={ rr, rg, rb},其中 rr, rg, rb∈[0,1];
19、创建掩膜文件mu={ mr, mg, mb}={ arr, arg, arb};
20、强增广后的图像为。
21、进一步地,所述随机丢弃,具体指:在训练过程中,以一定概率随机丢掉小网络模型的核心编码层。
22、进一步地,所述掩膜处理的具体过程为:定义特征掩膜率 pf,以 pf随机选取特征 fs中一定数量的通道进行丢弃。
23、所述总体损失函数具体如下:
24、
25、其中, lc表示一致性损失函数; ls表示自训练损失函数;表示权重因子。
26、本发明提供的有益效果是:该发明可以通过多重一致性约束学习无标注图像的一般性特征表达。
27、配合单阶段自训练策略,充分利用无标注图像信息和已标注图像信息,构建了一个泛化性强的特征学习框架,有效降低复杂环境变化带来的误检或者标注数据过少带来的模型学习程度不足问题,提高深度学习模型对于的检测精度与鲁棒性。
28、本发明方法准确率高、便捷性强、通用性广,提高深度学习智能化学习能力,适用于各种航测矿区灾害检测下游任务。
1.一种基于多重一致性约束的矿区图像半监督分类方法,其特征在于:包括以下步骤:
2.如权利要求1所述的一种基于多重一致性约束的矿区图像半监督分类方法,其特征在于:所述双支线网络包括大网络和小网络;其中大网络和小网络模型结构相同,但模型参数不同。
3.如权利要求2所述的一种基于多重一致性约束的矿区图像半监督分类方法,其特征在于:大网络和小网络模型之间的参数关系如下:
4.如权利要求1所述的一种基于多重一致性约束的矿区图像半监督分类方法,其特征在于:步骤s3中,训练过程中基于输入层面施加扰动的具体过程如下:
5.如权利要求1所述的一种基于多重一致性约束的矿区图像半监督分类方法,其特征在于:步骤s3中,训练过程中基于结构层面施加扰动的具体过程如下:对小网络模型的结构作随机丢弃处理;对大网络模型结构不作处理。
6.如权利要求1所述的一种基于多重一致性约束的矿区图像半监督分类方法,其特征在于:步骤s3中,训练过程中基于特征层面施加扰动的具体过程如下:对小网络模型的无标注图像特征进行掩膜处理;对大网络模型的无标注图像特征不处理。
7.如权利要求4所述的一种基于多重一致性约束的矿区图像半监督分类方法,其特征在于:
8.如权利要求5所述的一种基于多重一致性约束的矿区图像半监督分类方法,其特征在于:所述随机丢弃,具体指:在训练过程中,以一定概率随机丢掉小网络模型的核心编码层。
9.如权利要求6所述的一种基于多重一致性约束的矿区图像半监督分类方法,其特征在于:所述掩膜处理的具体过程为:定义特征掩膜率pf,以pf随机选取特征fs中一定数量的通道进行丢弃。
10.如权利要求1所述的一种基于多重一致性约束的矿区图像半监督分类方法,其特征在于:所述总体损失函数具体如下: