本發(fā)明涉及深度學習、計算機視覺、建筑物提取、變化檢測等，尤其涉及一種基于深度學習的多任務建筑物提取及變化檢測方法。

背景技術(shù)：

1、在電網(wǎng)領(lǐng)域中，基于遙感圖像的建筑物提取和變化檢測技術(shù)具有廣泛的應用價值，特別是在電力設施監(jiān)控、線路巡檢和災后評估等方面。傳統(tǒng)的建筑物提取和變化檢測方法通常需要依賴人工設計的特征提取和分類器，這些方法在處理大規(guī)模遙感數(shù)據(jù)時存在效率低下和準確性不高的問題。深度學習算法以其強大的特征學習能力和自適應性，成為了解決建筑物提取和變化檢測問題的有效工具?；谏疃葘W習的方法可以自動學習圖像中的特征表示，無需手動設計特征，并且可以通過端到端的訓練方式進行模型的優(yōu)化。這樣的優(yōu)勢使得基于深度學習的方法在建筑物提取和變化檢測任務中取得了顯著的效果提升。

2、然而，現(xiàn)有的基于深度學習的建筑物提取和變化檢測方法仍然存在一些問題。傳統(tǒng)的建筑物提取和變化檢測方法通常將其作為兩個獨立的任務進行處理，忽略了二者之間的相關(guān)性。

技術(shù)實現(xiàn)思路

1、采用深度學習的方法，通過構(gòu)建一種深度神經(jīng)網(wǎng)絡架構(gòu)，將建筑物提取和變化檢測任務聯(lián)合起來，實現(xiàn)多任務的高效處理，以解決現(xiàn)有技術(shù)中無法同時實現(xiàn)建筑物提取和其變化檢測兩個任務的問題。本發(fā)明設計了一個多任務建筑物提取及變化檢測神經(jīng)網(wǎng)絡，包括編碼器網(wǎng)絡、建筑物提取解碼器網(wǎng)絡和建筑變化解碼器網(wǎng)絡，既能實現(xiàn)對遙感影像中建筑物的精準識別任務，又能有效檢測建筑物變化區(qū)域任務。這種多任務學習方法不僅提高了檢測精度和效率，還能夠充分利用任務間的互補信息，增強模型的泛化能力，適用于輸電線路通道環(huán)境監(jiān)測、城市規(guī)劃、災害評估和土地利用監(jiān)測等實際應用場景。

2、本發(fā)明具體采用以下技術(shù)方案：

3、一種基于深度學習的多任務建筑物提取及變化檢測方法：通過深度神經(jīng)網(wǎng)絡架構(gòu)聯(lián)合建筑物提取和變化檢測任務，包括：編碼器網(wǎng)絡、建筑物提取解碼器網(wǎng)絡和建筑變化解碼器網(wǎng)絡，以實現(xiàn)對遙感影像中建筑物的識別任務，及檢測建筑物變化區(qū)域任務；

4、采用多任務建筑物提取及變化檢測神經(jīng)網(wǎng)絡將基于多時相的衛(wèi)星遙感影像數(shù)據(jù)進行預處理并生成數(shù)據(jù)集中不同時相的影像對分別作為圖像t1和圖像t2兩個通道的數(shù)據(jù)輸入，并分別經(jīng)過編碼器網(wǎng)絡提取圖像中建筑物的深層次特征，將圖像t1通道提取的特征經(jīng)過建筑提取解碼器網(wǎng)絡得到建筑物提取結(jié)果，將圖像t1通道提取的特征與圖像t2通道提取的特征經(jīng)過建筑物變化解碼器網(wǎng)絡后獲得建筑物變化檢測結(jié)果。

5、進一步地，數(shù)據(jù)預處理包括：收集多時相的衛(wèi)星遙感影像數(shù)據(jù)，對影像進行輻射校正、大氣校正和幾何校正；然后根據(jù)目標區(qū)域范圍，對影像進行裁剪，去除無關(guān)區(qū)域；再對多時相影像進行配準，以具有相同的空間參考系，確保同一位置在不同時相的影像中對齊；

6、建立建筑物提取及變化檢測數(shù)據(jù)集包括預處理后的影像中的建筑物進行標注，生成建筑物的輪廓數(shù)據(jù)；對比不同時相的影像，標注建筑物的增減和變化區(qū)域，生成變化檢測的標注數(shù)據(jù)。

7、進一步地，所述解碼器網(wǎng)絡包括cnn特征提取模塊和多尺度特征提取模塊；

8、所述cnn特征提取模塊由一個7×7卷積、64個濾波器、步長為2的卷積層,一個3×3最大池化、步長為2的最大池化層，3個卷積塊1，4個卷積塊2，6個卷積塊3組成；其中，卷積塊1包含3個殘差塊，每個殘差塊包含3個卷積層，分別為64個濾波器的1×1卷積、64個濾波器的3×3卷積和256個濾波器的1×1卷積；卷積塊2包含4個殘差塊，每個殘差塊包含3個卷積層，分別為256個濾波器的1×1卷積、256個濾波器的3×3卷積和1024個濾波器的1×1卷積；卷積塊3包含6個殘差塊，每個殘差塊包含3個卷積層，分別256個濾波器的1×1卷積、256個濾波器的3×3卷積和1024個濾波器的1×1卷積；卷積塊2和卷積塊3分別輸出低維度特征llow和高維度特征lhigh，圖像t1和圖像t2通道經(jīng)過cnn特征提取模塊后分別獲得特征llow1、lhigh2和特征llow2、lhigh2；

9、所述多尺度特征提取模塊通過3×3卷積結(jié)構(gòu)，在建筑物提取和變化檢測任務中處理不同尺度的對象；模塊首先通過1×1卷積進行降維和3×3的卷積獲得3×3的感受野；右分支在再經(jīng)過1×1卷積和3×3的卷積獲得5×5的感受野；左分支再經(jīng)過1×1卷積和3×3卷積獲得7×7的感受野；將三種不同大小的感受野進行融合，以捕獲到不同尺度大小的特征信息。

10、進一步地，所述建筑物提取解碼器網(wǎng)絡將圖像t1通道經(jīng)過cnn特征提取模塊輸出的低緯度特征llow1，接下來，將低緯度特征llow1通過1×1卷積、批歸一化和relu激活函數(shù)層獲得的結(jié)果，與cnn特征提取模塊輸出的高緯度特征lhigh1經(jīng)過多尺度特征提取模塊、4倍的上采樣后的結(jié)果疊加，得到特征lcode1，將特征lcode1再經(jīng)過3×3卷積、批歸一化和relu激活函數(shù)層和4倍的上采樣，獲得建筑物提取的結(jié)果。

11、進一步地，所述建筑變化解碼器網(wǎng)絡將圖像t2通道的cnn特征提取模塊輸出的低緯度特征llow2，經(jīng)過1×1卷積、批歸一化和relu激活函數(shù)層獲得的結(jié)果，與cnn特征提取模塊輸出的高緯度特征lhigh2經(jīng)過多尺度特征提取模塊、4倍上采樣后的結(jié)果疊加，得到特征lcode2，然后，將特征lcode2與上述得到的特征lcode1進行連接，結(jié)果經(jīng)過3×3卷積、批歸一化和relu激活函數(shù)層得到融合特征lf1；將特征lhigh1和lhigh2分別經(jīng)過多尺度特征提取模塊后的特征進行連接，其結(jié)果與經(jīng)過3×3卷積、批歸一化、relu激活函數(shù)層、4倍上采樣后得到融合特征lf2；將特征lf1和特征lf2連接后經(jīng)過3×3卷積、批歸一化和relu激活函數(shù)層和4倍的上采樣，得到建筑物變化檢測的結(jié)果。

12、進一步地，所述多任務建筑物提取及變化檢測神經(jīng)網(wǎng)絡的損失函數(shù)包括建筑物提取損失函數(shù)和變化檢測損失函數(shù)：

13、使用二元交叉熵損失函數(shù)計算建筑物提取的損失：

14、

15、其中，yi是第i個像素的真實標簽，pi是第i個像素預測為建筑物的概率，n是像素總數(shù)；

16、使用二元交叉熵損失函數(shù)計算變化檢測的損失：

17、

18、其中，yi′是第i個像素的變化真實標簽，pi′是第i個像素預測為建筑物變化的概率，n是像素總數(shù)；

19、將兩個任務的損失函數(shù)加權(quán)求和；權(quán)重λ1和λ2用于平衡兩個任務的損失：

20、ltotal＝λ1lextract+λ2lchange。

21、進一步地，訓練多任務建筑物提取及變化檢測神經(jīng)網(wǎng)絡的過程為：將建筑物提取及變化檢測數(shù)據(jù)集作為多任務建筑物提取及變化檢測神經(jīng)網(wǎng)絡的輸入，將標注的建筑物的輪廓數(shù)據(jù)和標注的建筑物變化區(qū)域作為輸出，訓練多任務建筑物提取及變化檢測神經(jīng)網(wǎng)絡；使用pytorch作為深度神經(jīng)網(wǎng)絡學習框架，進行模型的訓練，使用adam優(yōu)化器，初始學習率設置為0.01，并采用階層性下降學習率方法，訓練次數(shù)為200個epoch；將兩張不同時相的經(jīng)過配準后的衛(wèi)星影像，輸入訓練完成的神經(jīng)網(wǎng)絡中，得到衛(wèi)星影像中的建筑物區(qū)域及其變化的結(jié)果。

22、一種基于深度學習的多任務建筑物提取及變化檢測系統(tǒng)，包括：

23、預處理模塊，用于將基于多時相的衛(wèi)星遙感影像數(shù)據(jù)進行預處理并生成數(shù)據(jù)集；

24、以及，多任務建筑物提取及變化檢測神經(jīng)網(wǎng)絡，包括：編碼器網(wǎng)絡、建筑物提取解碼器網(wǎng)絡和建筑變化解碼器網(wǎng)絡，用于實現(xiàn)對遙感影像中建筑物的識別任務，及檢測建筑物變化區(qū)域任務；

25、采用多任務建筑物提取及變化檢測神經(jīng)網(wǎng)絡將基于多時相的衛(wèi)星遙感影像數(shù)據(jù)進行預處理并生成數(shù)據(jù)集中不同時相的影像對分別作為圖像t1和圖像t2兩個通道的數(shù)據(jù)輸入，并分別經(jīng)過編碼器網(wǎng)絡提取圖像中建筑物的深層次特征，將圖像t1通道提取的特征經(jīng)過建筑提取解碼器網(wǎng)絡得到建筑物提取結(jié)果，將圖像t1通道提取的特征與圖像t2通道提取的特征經(jīng)過建筑物變化解碼器網(wǎng)絡后獲得建筑物變化檢測結(jié)果。

26、一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)如上所述的一種基于深度學習的多任務建筑物提取及變化檢測方法的步驟。

27、一種非暫態(tài)計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)如上所述的一種基于深度學習的多任務建筑物提取及變化檢測方法的步驟。

28、相比于現(xiàn)有技術(shù)，本發(fā)明及其優(yōu)選方案采用深度學習的方法，通過構(gòu)建一種深度神經(jīng)網(wǎng)絡架構(gòu)，將建筑物提取和變化檢測任務聯(lián)合起來，實現(xiàn)多任務的高效處理，以解決現(xiàn)有技術(shù)中無法同時實現(xiàn)建筑物提取和其變化檢測兩個任務的問題。本發(fā)明設計了一個多任務建筑物提取及變化檢測神經(jīng)網(wǎng)絡，包括編碼器網(wǎng)絡、建筑物提取解碼器網(wǎng)絡和建筑變化解碼器網(wǎng)絡，既能實現(xiàn)對遙感影像中建筑物的精準識別任務，又能有效檢測建筑物變化區(qū)域任務。這種多任務學習方法不僅提高了檢測精度和效率，還能夠充分利用任務間的互補信息，增強模型的泛化能力，適用于輸電線路通道環(huán)境監(jiān)測、城市規(guī)劃、災害評估和土地利用監(jiān)測等實際應用場景。