一种基于深度学习的遥感影像河湖岸线智能监测方法与流程

技术特征：
1.一种基于深度学习的遥感影像河湖岸线智能监测方法，其特征在于：包括如下步骤：步骤1：制作多源异构遥感解译样本集；结合已开展工程项目涉及到的历史影像与解译成果，对遥感影像河湖岸线监测典型地物类别进行数据采集和样本制作，构建得到包含十万量级的大规模不同传感器、不同分辨率、不同地物要素的多源异构遥感解译样本集产品，并划分为训练数据和测试数据；步骤2：将深度学习模型应用于河湖岸线监测；构建多尺度深度卷积神经网络模型，并根据具体任务需求设计模型损失函数，主要包括多尺度编码-解码结构、编码-解码堆叠结构、二值交叉熵损失函数；步骤3：深度学习模型训练；对步骤1构建的训练数据进行数据增强，并输入到步骤2构建的深度学习模型中进行训练，采用随机梯度下降算法和反向传播算法进行模型参数的更新优化；步骤4：深度学习模型测试；将步骤1构建的大场景遥感影像测试数据输入步骤3训练得到的网络模型中，采用分块处理策略得到输出的大场景概率图，并采用阈值分割方式得到初步提取的二值化结果；步骤5：进行解译结果后处理；采用形态学后处理对步骤4提取结果加以优化，并对优化结果添加地理坐标信息和进行栅格-矢量转换得到最终的河湖岸线监测解译成果；步骤6：发展基于迁移学习的模型泛化；通过发展联合迁移学习的多源遥感影像智能解译处理策略，实现智能解译模型从源域到目标域的有效迁移，提升模型的泛化能力。2.根据权利要求1所述的基于深度学习的遥感影像河湖岸线智能监测方法，其特征在于：在步骤1中，多源异构遥感解译样本集产品包含高分二号卫星、资源三号卫星、北京二号卫星、worldview卫星、无人机这些不同传感器，0.2米、0.8米、2米这些不同空间分辨率，水体、疑似开挖、建筑物、道路这些不同地物要素。3.根据权利要求1或2所述的基于深度学习的遥感影像河湖岸线智能监测方法，其特征在于：在步骤2中，多尺度深度卷积神经网络为对称式u型网络结构，先通过编码方式进行下采样，提取高维抽象特征，再通过解码方式进行上采样，恢复影像尺寸，得到精细解译结果；引入编码-解码堆叠结构来同时集成低维空间信息和高维语义信息，对于每个对称的卷积-反卷积对，卷积层的特征均堆叠到反卷积层上，从而提供了更详细的地物信息；其中，网络结构中的池化处理采用最大池化，根据经验选择池化核大小为2
×
2，步长为2，公式为：其中，表示与第k个特征图有关的在矩形区域r
ij
的最大池化输出值，表示矩形区域r
ij
中位于(p,q)处的元素；激活函数为非线性激活单元relu，在0和像元值x之间取最大值，公式为：f(x)＝max(0,x)该深度学习模型的损失函数为二值交叉熵，公式为：
其中，是网络预测的置信度，用于衡量该像素属于该地物的概率；y
i
是真实值，其中识别对象和非识别对象分别赋值为1和0；i表示每个像素的索引；n表示总像素数。4.根据权利要求3所述的基于深度学习的遥感影像河湖岸线智能监测方法，其特征在于：在步骤3中，训练数据增强方式为影像裁切，顾及算力资源和模型输入尺寸要求，将所有训练影像数据均统一裁切为128
×
128的尺寸大小，从而有效扩充训练数据量。5.根据权利要求4所述的基于深度学习的遥感影像河湖岸线智能监测方法，其特征在于：在步骤4中，大场景遥感影像数据处理方式为分块处理策略；增加各分块之间重叠度，重叠区域的特征值则根据各分块对应重叠区域计算取平均值的方式；同时，在分块处理过程中采用分块读取-分块测试-分块存储的策略；另外，阈值分割计算公式如下：其中，表示模型输出概率值，y表示阈值分割以后的二值化结果，t表示阈值。6.根据权利要求5所述的基于深度学习的遥感影像河湖岸线智能监测方法，其特征在于：在步骤4中，分块处理策略中采用1500
×
1500作为分块的尺寸；各分块之间采用30％的重叠度。7.根据权利要求6所述的基于深度学习的遥感影像河湖岸线智能监测方法，其特征在于：步骤5中所述形态学后处理包括小面积对象剔除和空洞填充；其中，小面积对象剔除的阈值选取为400个像元，空洞填充的阈值选取为200个像元。8.根据权利要求7所述的基于深度学习的遥感影像河湖岸线智能监测方法，其特征在于：步骤5中所述栅格-矢量转换采用分块处理和并行运算的方式进行，对于影像尺寸大于40000
×
40000加以分块，分块大小按照40000
×
40000进行裁切。9.根据权利要求8所述的基于深度学习的遥感影像河湖岸线智能监测方法，其特征在于：步骤6中所述联合迁移学习的多源遥感影像智能解译处理策略为模型精调策略，即首先采用源域的大量标注样本对模型进行充分训练，得到预训练模型，然后采用目标域的少量标注样本对预训练模型进行参数精调，实现模型的迁移泛化。

技术总结
本发明公开了一种基于深度学习的遥感影像河湖岸线智能监测方法。它包括如下步骤：步骤1：针对河湖岸线监测涉及的典型地物制作多源异构遥感解译样本集；步骤2：将深度学习模型应用于河湖岸线监测；构建多尺度深度卷积神经网络，并根据具体任务需求设计模型损失函数；步骤3：深度学习模型训练；步骤4：采用分块处理策略进行大场景影像数据处理；步骤5：进行解译结果后处理；步骤6：发展基于迁移学习的模型泛化；通过发展联合迁移学习的多源遥感影像智能解译处理策略，实现智能解译模型从源域到目标域的有效迁移，提升模型的泛化能力。本发明方法具有能准确地识别出河湖岸线典型地物、计算效率高、泛化能力强的优点。泛化能力强的优点。泛化能力强的优点。


技术研发人员：罗爽 伍中华 罗兵 黄涛 杨建林 廖东晓 王成 雷苏琪 龚武 戴林 朱和平 陈旭
受保护的技术使用者：中国三峡建工（集团）有限公司 国家能源集团江西电力有限公司万安水力发电厂 恩施清江大龙潭水电开发有限公司
技术研发日：2022.07.29
技术公布日：2022/11/11