一种增强边缘取样与改进Unet模型的矿区FVC计算方法及系统与流程

一种增强边缘取样与改进unet模型的矿区fvc计算方法及系统
技术领域
1.本发明涉及采矿领域、人工智能领域、生态学领域、遥感及地理信息领域，尤其涉及一种增强边缘取样与改进unet模型的矿区fvc计算方法。


背景技术：

2.矿区的开采严重影响植被的生长，及时准确检测矿区植被生长情况，利用植被覆盖度数据对矿区植被进行研究，可以明确矿区生态系统植被的分布与生长情况，为矿区后续管理开采提供数据依据。目前利用遥感监测获取植被覆盖度的方法主要可分为如下三类：一、统计回归模型：通过建立地表实测植被覆盖度与遥感信息的线性(graetz 1988,peter 2002,)、非线性模型(dymond 1992)进而推演更大范围的区域植被覆盖度，但是此类模型只适用于特定的区域与特定的植被类型,在矿区等空间异质性强、植被类别混杂的复杂场景下不适用；二、像元二分模型(qi j 2000,cao 2019)：此类模型简单假设遥感影像的像元只由植被覆盖地表与无植被覆盖地表两部分构成，在数据方面，基于传统卫星遥感数据，空间分辨率在30m-8km不等，但在此等水平的空间分辨率条件下，矿区植被地表覆盖度存在极强的空间异质性与像元二分模型简单的假设条件存在矛盾；三、传统机器学习模型(boyd 2002,赵健赟2021)；但普遍在影像边缘的植被计算精度较差，且受限于计算效率。因此，现有植被覆盖度计算技术很难在矿区场景下进行普遍应用。


技术实现要素：

3.针对现有技术存在的不足之处，本发明的目的在于提供一种增强边缘取样与改进unet模型的矿区fvc计算方法，利用无人机影像构建高分辨率矿区植被影像样本数据集，克服矿区场景下地表异质性强，植被分布稀疏不易识别的问题；引入高精度的数字高程模型数据，补充矿区场景下地形特征信息，完善样本数据的多维特征，为构建矿植被样本数据集提供方法和理论基础。
4.本发明的目的通过下述技术方案实现：
5.一种增强边缘取样与改进unet模型的矿区fvc计算方法，其方法如下：
6.a、矿区场景下地面植被参数数据采集：确定矿区研究区域，采用无人机对矿区研究区域按照制图精度进行重叠正射影航拍并得到正射影像集，其航拍最低重叠比例为32～38％，接着进行影像拼接获取研究区正射影像，然后建立空三解算模型sfm并生成密集点云数据，经过转换得到高精度数字地理高程模型数据；
7.b、构建基于扩大选区交叉重叠法的样本数据集，其方法如下：
8.b1、将研究区域的正射影像集划分为训练集与验证集，采用labelimg工具对训练集与验证集分别进行数据标注并标注出影像中的植被样本，标注结果为json文件，再将json文件转化为与正射影像格式相同的标注影像文件，由此得到标注训练集与标注验证集；
9.b2、同时对训练集中的正射影像与标注训练集的标注影像文件进行交叉重叠取样，样本取样模型的移动窗口如下公式：
10.w＝2n；其中w为单个样本数据的影像边长，n为正整数；
11.建立2n×2n
的移动窗口对训练集中的正射影像与标注训练集的标注影像文件按照步长l进行全局遍历，步长l＜2n，每次遍历按照移动窗口大小进行裁剪并得到一个样本数据影像块，遍历完成得到训练输入数据集；
12.b3、按照b2的方法对验证集中的正射影像与标注验证集的标注影像文件进行交叉重叠取样、遍历裁剪得到验证输入数据集；
13.b4、基于python平台通过采用旋转、镜像、色彩变换、对比度变化和高斯噪声依次对训练输入数据集和验证输入数据集进行数据增强处理，增强处理后的训练输入数据集与验证输入数据集共同构成输入数据库；
14.c、构建改进unet神经网络模型，改进unet神经网络模型包括下采样系统和上采样系统，下采样系统包括若干个下采样模块，上采样系统包括若干个上采样模块，下采样模块由两个空洞卷积层、一个最大池化层构建的空洞卷积支持的模块结构组成；
15.c1、以步骤b中增强处理后的训练输入数据集、步骤a中高精度数字地理高程模型数据作为改进unet神经网络模型的输入层并对改进unet神经网络模型进行训练，改进unet神经网络模型的空洞卷积层采用空洞卷积进行特征提取，并最终得到空洞卷积后的特征影像如下：其中p(i)表示在位置i处提取的特征值，k(f)为位于f位置处卷积核的参数值，r为空洞卷积速率，x(i r*f)为对应感受野位置的影像值；
16.然后对特征影像按照如下公式池化处理并进一步精取特征点：p
m1
＝max-pool(p)；其中p
m1
为经过一层池化后的特征影像，p为经过空洞卷积后的特征影像；
17.d、矿区植被覆盖度计算，其方法如下：
18.d1、将步骤a中高精度数字地理高程模型数据或步骤b中输入数据库载入到训练好的改进unet神经网络模型中进行分类识别处理并得到分类结果，然后通过envi平台将分类结果影像进行拼接，进而可以得到研究区域的植被分类结果；
19.d2、构建单个网格尺度为m
×
n的渔网覆盖研究区域，通过arcgis平台统计单个网格下植被覆盖度的面积记为s
vege
，则研究区域的植被覆盖度通过如下公式得到：
20.其中fvc为研究区域的植被覆盖度，s
vege
为单个网格下植被覆盖度的面积，k为研究区域覆盖有网格的个数，s
all
为研究区域的地面总面积。
21.为了更好地实现本发明，一种增强边缘取样与改进unet模型的矿区fvc计算方法，其方法如下：
22.a、矿区场景下地面植被参数数据采集：确定矿区研究区域，采用无人机对矿区研究区域按照制图精度进行重叠正射影航拍并得到正射影像集，制图精度为厘米级，其航拍
最低重叠比例为32～38％，接着进行影像拼接获取研究区正射影像，然后建立空三解算模型sfm并生成密集点云数据，经过转换得到高精度数字地理高程模型数据；
23.b、构建基于扩大选区交叉重叠法的样本数据集，其方法如下：
24.b1、将研究区域的正射影像集划分为训练集与验证集，采用labelimg工具对训练集与验证集分别进行数据标注并标注出影像中的植被样本，标注结果为json文件，再将json文件转化为与正射影像格式相同的标注影像文件，由此得到标注训练集与标注验证集；
25.b2、同时对训练集中的正射影像与标注训练集的标注影像文件进行交叉重叠取样，样本取样模型的移动窗口如下公式：
26.w＝2n；其中w为单个样本数据的影像边长，n＝9；
27.建立512
×
512的移动窗口对训练集中的正射影像与标注训练集的标注影像文件按照步长l进行全局遍历，步长l＝212，每次遍历按照移动窗口大小进行裁剪并得到一个样本数据影像块a，每个样本数据影像块a的切片大小为512
×
512，遍历完成后从样本数据影像块a中心区域选取300
×
300像元范围的数据组成训练输入数据集；
28.b3、同时对验证集中的正射影像与标注验证集的标注影像文件进行交叉重叠取样，样本取样模型的移动窗口如下公式：
29.w＝2n；其中w为单个样本数据的影像边长，n＝9；
30.建立512
×
512的移动窗口对验证集中的正射影像与标注验证集的标注影像文件按照步长l进行全局遍历，步长l＝212，每次遍历按照移动窗口大小进行裁剪并得到一个样本数据影像块b，每个样本数据影像块b的切片大小为512
×
512，遍历完成后从样本数据影像块b中心区域选取300
×
300像元范围的数据组成验证输入数据集；
31.b4、基于python平台通过采用旋转、镜像、色彩变换、对比度变化和高斯噪声依次对训练输入数据集和验证输入数据集进行数据增强处理，增强处理后的训练输入数据集与验证输入数据集共同构成输入数据库；
32.c、构建改进unet神经网络模型，改进unet神经网络模型包括下采样系统和上采样系统，下采样系统包括四个下采样模块，上采样系统包括四个上采样模块，上采样模块为由下采样模块对应转置卷积构成；下采样模块由两个空洞卷积层、一个最大池化层构建的空洞卷积支持的模块结构组成；
33.c1、以步骤b中增强处理后的训练输入数据集、步骤a中高精度数字地理高程模型数据作为改进unet神经网络模型的输入层并对改进unet神经网络模型进行训练，改进unet神经网络模型的空洞卷积层采用空洞卷积进行特征提取，并最终得到空洞卷积后的特征影像如下：
34.其中p(i)表示在位置i处提取的特征值，k(f)为位于f位置处卷积核的参数值，r为空洞卷积速率，x(i r*f)为对应感受野位置的影像值；
35.然后对特征影像按照如下公式池化处理并进一步精取特征点：p
m1
＝max-pool(p)；其中p
m1
为经过一层池化后的特征影像，p为经过空洞卷积后的特征影像；
36.d、矿区植被覆盖度计算，其方法如下：
37.d1、将步骤a中高精度数字地理高程模型数据或步骤b中输入数据库载入到训练好的改进unet神经网络模型中进行分类识别处理并得到分类结果，然后通过envi平台将分类结果影像进行拼接，进而可以得到研究区域的植被分类结果；
38.d2、构建单个网格尺度为m
×
n的渔网覆盖研究区域，通过arcgis平台统计单个网格下植被覆盖度的面积记为s
vege
，则研究区域的植被覆盖度通过如下公式得到：
39.其中fvc为研究区域的植被覆盖度，s
vege
为单个网格下植被覆盖度的面积，k为研究区域覆盖有网格的个数，s
all
为研究区域的地面总面积。
40.本发明优选的矿区fvc计算方法的步骤c还包括c2；
41.c2、利用验证输入数据集采用precision模型和/或recall模型和/或f1-score模型对训练后的改进unet神经网络模型进行精度评价：
42.precision模型评价公式为：
43.recall模型评价公式为：
44.f1-score模型评价公式为：
45.其中tp为将目标样本识别为真的个数，fp为将目标样本识别为假的个数，fn为将非目标样本识别为真的个数，recall为recall评价模型的输出值，precision为precision评价模型的输出值，并最终以最后得到的f1-score值作为改进unet神经网络模型的评价精度。
46.优选地，本发明矿区fvc计算方法在步骤a中，按照正射影像集的制图精度为无人机包括起飞、降落、航行路线在内进行飞行规划，其航拍最低重叠比例为35％，无人机的航行高度公式如下：
47.h＝f
·
m；其中h为航行高度，f为相机焦距，m为制图比例尺，同时需要保证采集数据时无人机的航向高度、航行速度尽量维持一致。
48.优选地，本发明矿区fvc计算方法步骤a中还包括a1；
49.a1、在矿区研究区域内地面布置地面控制点，地面控制点包括觇标、像控点标识，无人机重叠正射影航拍的正射影像集就会形成与地面控制点相对应的标识控制点，正射影像集在进行影像拼接和/或空三解算模型sfm处理时依赖标识控制点进行影像配准与几何校准。
50.优选地，本发明矿区fvc计算方法步骤c1中改进unet神经网络模型的空洞卷积层采用m*m的卷积核与卷积核感受野所对应的像元进行叉乘得到空洞卷积后的特征影像。
51.一种增强边缘取样与改进unet模型的矿区fvc计算系统，包括地面植被参数数据提取系统、扩大选区交叉重叠法取样系统、改进unet神经网络模型和矿区植被覆盖度统计模块，所述地面植被参数数据提取系统包括无人机航拍控制单元、影像拼接模块和空三解
算模型sfm，无人机航拍控制单元包括若干个无人机及控制无人机航拍的无人机控制模块，无人机航拍控制单元将无人机重叠正射影航拍的正射影像集传输至影像拼接模块，影像拼接模块用于对正射影像集进行影像拼接而得到研究区正射影像，空三解算模型sfm生成密集点云数据并经过转换得到高精度数字地理高程模型数据；所述扩大选区交叉重叠法取样系统包括交叉重叠取样模块，扩大选区交叉重叠法取样系统具有labelimg工具和python平台，扩大选区交叉重叠法取样系统通过labelimg工具进行数据标注并得到标注影像文件，交叉重叠取样模块采用样本取样模型根据移动窗口按照步长l进行全局遍历裁剪取样并得到样本数据影像块，扩大选区交叉重叠法取样系统通过python平台数据处理并得到输入数据库；改进unet神经网络模型包括下采样系统和上采样系统，改进unet神经网络模型经过训练得到训练后的改进unet神经网络模型；所述矿区植被覆盖度统计模块通过训练后的改进unet神经网络模型对高精度数字地理高程模型数据或输入数据库进行分类识别处理并得到分类结果，然后通过envi平台将分类结果影像进行拼接并得到研究区域的植被分类结果，矿区植被覆盖度统计模块构建单个网格尺度为m
×
n的渔网覆盖研究区域并通过arcgis平台统计研究区域的植被覆盖度。
52.本发明较现有技术相比，具有以下优点及有益效果：
53.(1)本发明首先通过无人机低空飞行采集遥感数据以及地面土壤植被覆盖度、布设地面控制点，构建矿区场景下空地一体化植被相关数据采集体系，为植被覆盖度计算提供数据基础，然后设计并利用扩大选区交替重叠取样法，对训练样本数据进行分割提取，强化影像边缘特征，组建植被覆盖度样本数据库，最后利用改进unet网络模型进行模型训练与构筑植被覆盖度网络关系模型，进而精确推演出研究区域内植被覆盖度厘米级别信息数据，以获得矿区生态系统植被的分布与生长情况，为矿区生态环境监测管理、矿区开采发展计划提供有力的数据支持。
54.(2)本发明构建了改进unet的神经网络并通过结合空洞卷积结构，在样本特征相同情况下，获取比普通卷积更大面积的感受野，从而提取更多矿区植被纹理特征信息，精确实现小目标捕捉与识别，比起传统机器学习模型，本发明模型反演精度更高且计算速度更快，为快速提取矿区植被特征从而精准计算植被覆盖度提供方法和理论基础。
55.(3)本发明扩大选区交替重叠取样方法通过扩大样本集范围，提取样本切片并让每一个样本切片互相之间存在交替重叠的区域，解决边缘计算结果不理想的问题，改善样本之间边际存在数据断层的情况，进而提高神经网络的识别精度，进而完成矿区场景下植被识别难的挑战。
56.(3)本发明提出了一种矿区场景下基于改进unet的神经网络结合无人机影像与增强边缘取样方法的植被覆盖度计算模型，利用无人机影像构建高分辨率矿区植被影像样本数据集，克服矿区场景下地表异质性强，植被分布稀疏不易识别的问题；通过低空飞行传感器获取的样本影像受到大气、云盖的影响较小，进一步提升矿区植被样本数据集精度；引入高精度的数字高程模型数据，补充矿区场景下地形特征信息，完善样本数据的多维特征，为构建矿植被样本数据集提供方法和理论基础。
附图说明
57.图1为实施例中地面控制点的布设示意图；
58.图2为实施例中样本取样模型的移动窗口示意图；
59.图3为实施例中改进unet神经网络模型的原理示意图；
60.图4为实施例中改进unet神经网络模型空洞卷积的原理示意图；
61.图5为实施例中改进unet神经网络模型的池化示意图；
62.图6为传统取样与本发明取样的对比示意图；
63.图7为本发明方法的原理流程示意图；
64.图8为实施例中地面控制点的举例像控点布设实施图；
65.图9为图8中的正射影像图；
66.图10为实施例中植被覆盖度的可视化结果图。
具体实施方式
67.下面结合实施例对本发明作进一步地详细说明：
68.实施例一
69.如图1～图10所示，一种增强边缘取样与改进unet模型的矿区fvc计算方法，其方法如下：
70.a、矿区场景下地面植被参数数据采集：确定矿区研究区域，采用无人机对矿区研究区域按照制图精度进行重叠正射影航拍并得到正射影像集，其航拍最低重叠比例为32～38％(设计飞行计划，首先实地踏勘整个研究区域，明确研究区域地形，为无人机的起飞、降落、航行进行模拟规划，随后在设备上将整个研究区域划分为互相之间有重叠区域的多个飞行测区，区域重叠比例根据对数据精度的需求而定，优选为35％)，接着进行影像拼接获取研究区正射影像，然后建立空三解算模型sfm并生成密集点云数据，经过转换得到高精度数字地理高程模型数据；
71.b、构建基于扩大选区交叉重叠法的样本数据集，其方法如下：
72.b1、将研究区域的正射影像集划分为训练集与验证集，采用labelimg工具对训练集与验证集分别进行数据标注并标注出影像中的植被样本，标注结果为json文件，再将json文件转化为与正射影像格式相同的标注影像文件，由此得到标注训练集与标注验证集；
73.b2、同时对训练集中的正射影像与标注训练集的标注影像文件进行交叉重叠取样，样本取样模型的移动窗口如下公式：
74.w＝2n；其中w为单个样本数据的影像边长，n为正整数；
75.建立2n×2n
的移动窗口对训练集中的正射影像与标注训练集的标注影像文件按照步长l进行全局遍历，步长l＜2n，每次遍历按照移动窗口大小进行裁剪并得到一个样本数据影像块，遍历完成得到训练输入数据集；
76.b3、按照b2的方法对验证集中的正射影像与标注验证集的标注影像文件进行交叉重叠取样、遍历裁剪得到验证输入数据集；
77.b4、基于python平台通过采用旋转、镜像、色彩变换、对比度变化和高斯噪声依次对训练输入数据集和验证输入数据集进行数据增强处理，增强处理后的训练输入数据集与验证输入数据集共同构成输入数据库；
78.c、构建改进unet神经网络模型，改进unet神经网络模型包括下采样系统和上采样
系统，下采样系统包括若干个下采样模块，上采样系统包括若干个上采样模块，下采样模块由两个空洞卷积层、一个最大池化层构建的空洞卷积支持的模块结构组成；
79.c1、以步骤b中增强处理后的训练输入数据集、步骤a中高精度数字地理高程模型数据作为改进unet神经网络模型的输入层并对改进unet神经网络模型进行训练，改进unet神经网络模型的空洞卷积层采用空洞卷积进行特征提取，并最终得到空洞卷积后的特征影像如下：
80.其中p(i)表示在位置i处提取的特征值，k(f)为位于f位置处卷积核的参数值，r为空洞卷积速率，x(i r*f)为对应感受野位置的影像值；
81.然后对特征影像按照如下公式池化处理并进一步精取特征点：p
m1
＝max-pool(p)；其中p
m1
为经过一层池化后的特征影像，p为经过空洞卷积后的特征影像；
82.d、矿区植被覆盖度计算，其方法如下：
83.d1、将步骤a中高精度数字地理高程模型数据或步骤b中输入数据库载入到训练好的改进unet神经网络模型中进行分类识别处理并得到分类结果，然后通过envi平台将分类结果影像进行拼接，进而可以得到研究区域的植被分类结果；
84.d2、构建单个网格尺度为m
×
n的渔网覆盖研究区域，通过arcgis平台统计单个网格下植被覆盖度的面积记为s
vege
，则研究区域的植被覆盖度通过如下公式得到：
85.其中fvc为研究区域的植被覆盖度，s
vege
为单个网格下植被覆盖度的面积，k为研究区域覆盖有网格的个数，s
all
为研究区域的地面总面积。
86.实施例二
87.如图1～图10所示，一种增强边缘取样与改进unet模型的矿区fvc计算方法，其方法如下：
88.a、矿区场景下地面植被参数数据采集：确定矿区研究区域，采用无人机对矿区研究区域按照制图精度进行重叠正射影航拍并得到正射影像集，制图精度为厘米级，其航拍最低重叠比例为32～38％，接着进行影像拼接获取研究区正射影像，然后建立空三解算模型sfm并生成密集点云数据，经过转换得到高精度数字地理高程模型数据；
89.根据本实施例的一个优选实施例，在步骤a中，按照正射影像集的制图精度为无人机包括起飞、降落、航行路线在内进行飞行规划，其航拍最低重叠比例为35％，无人机的航行高度公式如下：
90.h＝f
·
m；其中h为航行高度，f为相机焦距，m为制图比例尺，同时需要保证采集数据时无人机的航向高度、航行速度尽量维持一致。
91.本实施例以鄂尔多斯神东矿区为例，首先对矿区进行实地踏勘，明确研究区域地形，本实例中使用大疆精灵4pro的无人机进行数据采集作业，相机型号为phantom 4pro v2.0，飞行的旁像重叠度为60
°
、航向重叠度为30
°
，随后在google地球设备上将整个研究区
域划分为互相之间有重叠区域的多个飞行测区。在本实例中航行高度设置为50m，飞行速度为平均2.5m/s。
92.根据本实施例的一个优选实施例，在步骤a中还包括a1；
93.a1、在矿区研究区域内地面布置地面控制点，地面控制点包括觇标、像控点标识，无人机重叠正射影航拍的正射影像集就会形成与地面控制点相对应的标识控制点，正射影像集在进行影像拼接和/或空三解算模型sfm处理时依赖标识控制点进行影像配准与几何校准。如图1所示，地面控制点一般沿着航行路线在整个测区统一进行布设，地面控制点时要考虑点位的整体布局，需在测区内构成一定的几何强度以及尽可能的均匀分布，如图1所示，其中圆点代表测区内选定的控制点(本实施例以鄂尔多斯神东矿区为例，其地面控制点布设如图8所示；本实施例获取地面控制点、无人机采集原始遥感影像上的标识控制点，采用context capture平台进行影像处理，建立同名像点对关系进行影像配准与几何校准，接着进行影像拼接获取研究区正射影像，如图9所示，然后建立空三解算模型sfm(structure-from-motion)，生成密集点云数据，经过转换添加纹理信息，最后获取高精度数字地理高程模型数据(dem))，像控点布设密度可参照表1所示，选点时要尽量选择固定、平整、清晰易识别、无阴影、无遮挡区域，如选在交角良好(30
°
至150
°
)的细小线状地物交点、明显地物拐角点、原始影像中不大于3
×
3像素的点状地物中心，同时应是高程起伏较小、常年相对固定且易于准确定位和量测的地方，或者采用涂刷的方式制作像控点标识。
94.空间分辨率像控点密度测量等级1.5cm100～200个高精度地籍测量2cm200～300个1:500地形图测量3cm300～500个1:1000地形图测量5cm500个普通地形测量
95.表1像控点布设密度参考
96.本实施例采用context capture平台进行影像处理，建立同名像点对关系进行影像配准与几何校准，接着进行影像拼接获取研究区正射影像，然后建立空三解算模型sfm(structure-from-motion)，生成密集点云数据，经过转换获取高精度数字地理高程模型数据(dem)。
97.b、构建基于扩大选区交叉重叠法的样本数据集，其方法如下：
98.b1、将研究区域的正射影像集划分为训练集与验证集，采用labelimg工具对训练集与验证集分别进行数据标注并标注出影像中的植被样本，标注结果为json文件，再将json文件转化为与正射影像格式相同的标注影像文件，由此得到标注训练集与标注验证集；
99.b2、同时对训练集中的正射影像与标注训练集的标注影像文件进行交叉重叠取样(本实施例首先利用python程序生成无重叠区域的矢量文件，再使用arcpy二次开发程序脚本将矢量文件裁剪正射影像和标注影像，然后同时对训练区域的正射影像和标注影像进行交叉重叠取样)，样本取样模型的移动窗口如下公式：
100.w＝2n；其中w为单个样本数据的影像边长，n＝9；
101.建立512
×
512的移动窗口对训练集中的正射影像与标注训练集的标注影像文件按照步长l进行全局遍历，步长l＝212，每次遍历按照移动窗口大小进行裁剪并得到一个样
本数据影像块a，每个样本数据影像块a的切片大小为512
×
512，遍历完成后从样本数据影像块a中心区域选取300
×
300像元范围的数据组成训练输入数据集；
102.b3、同时对验证集中的正射影像与标注验证集的标注影像文件进行交叉重叠取样，样本取样模型的移动窗口如下公式：
103.w＝2n；其中w为单个样本数据的影像边长，n＝9；
104.建立512
×
512的移动窗口对验证集中的正射影像与标注验证集的标注影像文件按照步长l进行全局遍历，步长l＝212，每次遍历按照移动窗口大小进行裁剪并得到一个样本数据影像块b，每个样本数据影像块b的切片大小为512
×
512，遍历完成后从样本数据影像块b中心区域选取300
×
300像元范围的数据组成验证输入数据集；经过发明人反复测试与调整优化，当n＝9时模型运算效率与精度最高，即建立512*512移动窗口对已标注影像与同位置下正射影像进行全局遍历，统一裁剪为512*512大小的样本数据影像块，然后移动窗口进行遍历移动，每次遍历移动的步长为212进行下一次取样，直至整幅影像遍历完成，取样过程参见图2，组成训练集与验证集；由于单个样本切片大小为512*512,相邻切片之间有212个像元重叠度，然后从训练集与验证集取每张切片的中心区域300*300像元范围的数据，组建输入数据集。
105.b4、基于python平台通过采用旋转、镜像、色彩变换、对比度变化和高斯噪声依次对训练输入数据集和验证输入数据集进行数据增强处理以增强模型的泛化能力，增强处理后的训练输入数据集与验证输入数据集共同构成输入数据库。本发明通过扩大样本集范围，提取样本切片并让每一个样本切片互相之间存在交替重叠的区域，解决边缘计算结果不理想的问题，改善样本之间边际存在数据断层的情况，进而提高神经网络的识别精度，进而完成矿区场景下植被识别难的挑战，参见图6。
106.c、构建改进unet神经网络模型，改进unet神经网络模型包括下采样系统和上采样系统，下采样系统包括四个下采样模块，上采样系统包括四个上采样模块，上采样模块为由下采样模块对应转置卷积构成；下采样模块由两个空洞卷积层、一个最大池化层构建的空洞卷积支持的模块结构组成；参见图3，图中虚线框选处为本模型创新结构，经过实验反复测试与优化，将神经网络的左侧替换为由2个空洞卷积层、1个最大池化层构建的空洞卷积支持的下采样模块，整体左侧由空洞卷积支持的4个下采样模块构成，完成下采样操作之后，右侧为由转置卷积构成的上采样模块，特征影像在经过4次下采样的尺寸缩小之后，通过转置卷积进行上采样的尺寸扩大，同时叠加左侧对称位置传递过来的特征图，最终获得最右侧的分类输出。
107.c1、以步骤b中增强处理后的训练输入数据集、步骤a中高精度数字地理高程模型数据作为改进unet神经网络模型的输入层并对改进unet神经网络模型进行训练。本实施例改进unet神经网络模型的网络参数设置如表3所示，本实施例改进unet神经网络模型的服务器配置如表4所示。
108.109.表3网络参数设置
[0110][0111]
表4服务器配置
[0112]
改进unet神经网络模型的空洞卷积层采用空洞卷积(空洞卷积层的特征提取如图4所示)进行特征提取，并最终得到空洞卷积后的特征影像如下：其中p(i)表示在位置i处提取的特征值，k(f)为位于f位置处卷积核的参数值，r为空洞卷积速率，x(i r*f)为对应感受野位置的影像值；
[0113]
参见图5，然后对特征影像按照如下公式池化处理并进一步精取特征点：p
m1
＝max-pool(p)；其中p
m1
为经过一层池化后的特征影像，p为经过空洞卷积后的特征影像；
[0114]
根据本实施例的一个优选实施例，本实施例步骤c1中改进unet神经网络模型的空洞卷积层采用m*m的卷积核(优选地，3*3的卷积核；本实施例中r空洞卷积速率为1)与卷积核感受野所对应的像元进行叉乘得到空洞卷积后的特征影像。
[0115]
根据本实施例的一个优选实施例，步骤c还包括c2；
[0116]
c2、利用验证输入数据集采用precision模型和/或recall模型和/或f1-score模型对训练后的改进unet神经网络模型(改进unet神经网络模型进行多次重复迭代训练并选取最高精度的训练模型进行测试区域的植被覆盖度计算)进行精度评价：
[0117]
precision模型评价公式为：
[0118]
recall模型评价公式为：
[0119]
f1-score模型评价公式为：
[0120]
其中tp为将目标样本识别为真的个数(即真正例数)，fp为将目标样本识别为假的个数(即假正例数)，fn为将非目标样本识别为真的个数(即假负例数)，recall为recall评价模型的输出值，precision为precision评价模型的输出值，并最终以最后得到的f1-score值作为改进unet神经网络模型的评价精度。本实施例同步将训练集与验证集数据带入普通unet网络、deeplabv3 网络、像元二分模型、线性模型、非线性模型中进行模型训练与精度测试，测试结果如
[0121]
表5所示，其中测试速度为500个样本在同样运行环境下进行反演的运算结果。
[0122]
模型precisionrecallf1score测试速度本发明0.9720.9630.96719s
unet0.9020.9320.91623sdeeplabv3 0.8920.8720.88125s像元二分模型0.7530.7210.736
‑‑‑‑‑‑‑‑‑
线性模型0.3580.3880.372
‑‑‑‑‑‑‑‑‑
非线性模型0.4190.4010.409
‑‑‑‑‑‑‑‑‑
[0123]
表5各模型测试效果对比
[0124]
d、矿区植被覆盖度计算，其方法如下：
[0125]
d1、将步骤a中高精度数字地理高程模型数据或步骤b中输入数据库载入到训练好的改进unet神经网络模型中进行分类识别处理并得到分类结果，然后通过envi平台将分类结果影像进行拼接，进而可以得到研究区域的植被分类结果；
[0126]
d2、构建单个网格尺度为m
×
n的渔网覆盖研究区域，通过arcgis平台统计单个网格下植被覆盖度的面积记为s
vege
，则研究区域的植被覆盖度通过如下公式得到：
[0127]
其中fvc为研究区域的植被覆盖度，s
vege
为单个网格下植被覆盖度的面积，k为研究区域覆盖有网格的个数，s
all
为研究区域的地面总面积。本实施例采用尺度1m计算植被覆盖度，设定目标植被覆盖度范围尺度为1m2记其面积为s
all
。无人机正射影像所获取的像元分辨率为0.01m2，构建单个网格尺度为1m2的渔网，覆盖所有结果区域，通过arcgis平台统计单个网格下植被覆盖度的面积也即统计每10*10个像元区域内有植被覆盖的面积。本实施例遍历渔网中所有的格网，可以得到整个测试区域的1m2尺度下的植被覆盖度结果并得到图10所示的可视化结果图。
[0128]
一种增强边缘取样与改进unet模型的矿区fvc计算系统，包括地面植被参数数据提取系统、扩大选区交叉重叠法取样系统、改进unet神经网络模型和矿区植被覆盖度统计模块，所述地面植被参数数据提取系统包括无人机航拍控制单元、影像拼接模块和空三解算模型sfm，无人机航拍控制单元包括若干个无人机及控制无人机航拍的无人机控制模块，无人机航拍控制单元将无人机重叠正射影航拍的正射影像集传输至影像拼接模块，影像拼接模块用于对正射影像集进行影像拼接而得到研究区正射影像，空三解算模型sfm生成密集点云数据并经过转换得到高精度数字地理高程模型数据；所述扩大选区交叉重叠法取样系统包括交叉重叠取样模块，扩大选区交叉重叠法取样系统具有labelimg工具和python平台，扩大选区交叉重叠法取样系统通过labelimg工具进行数据标注并得到标注影像文件，交叉重叠取样模块采用样本取样模型根据移动窗口按照步长l进行全局遍历裁剪取样并得到样本数据影像块，扩大选区交叉重叠法取样系统通过python平台数据处理并得到输入数据库；改进unet神经网络模型包括下采样系统和上采样系统，改进unet神经网络模型经过训练得到训练后的改进unet神经网络模型；所述矿区植被覆盖度统计模块通过训练后的改进unet神经网络模型对高精度数字地理高程模型数据或输入数据库进行分类识别处理并得到分类结果，然后通过envi平台将分类结果影像进行拼接并得到研究区域的植被分类结果，矿区植被覆盖度统计模块构建单个网格尺度为m
×
n的渔网覆盖研究区域并通过arcgis平台统计研究区域的植被覆盖度。
[0129]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。