本發(fā)明涉及滑坡探測領(lǐng)域，涉及但不限定于一種基于改進u-net的雙流編碼滑坡自動識別方法。

背景技術(shù)：

1、滑坡精準(zhǔn)識別對于防災(zāi)減災(zāi)具有至關(guān)重要的意義?；伦鳛橐环N突發(fā)性地質(zhì)災(zāi)害，常伴隨暴雨、地震等自然現(xiàn)象發(fā)生，造成生命財產(chǎn)的巨大損失。滑坡精準(zhǔn)識別不僅可以提前預(yù)警，降低災(zāi)害發(fā)生時的人員傷亡，還能夠為政府和相關(guān)部門提供科學(xué)依據(jù)，指導(dǎo)防護工程的建設(shè)和應(yīng)急響應(yīng)。尤其是在復(fù)雜的地質(zhì)環(huán)境中，滑坡類型多樣，規(guī)模不一，傳統(tǒng)監(jiān)測手段往往難以覆蓋。因此，通過高精度的滑坡識別技術(shù)，能夠有效提高滑坡災(zāi)害的監(jiān)測效率和應(yīng)對能力，進而減少潛在的社會經(jīng)濟損失，保障人民生命安全。

2、目前滑坡識別方法主要分為傳統(tǒng)的人工現(xiàn)場勘測、基于機器學(xué)習(xí)的半自動化識別和基于深度學(xué)習(xí)的自動化滑坡識別。傳統(tǒng)方法以野外人工調(diào)查為主，通過實地勘測來更新滑坡庫存清單。這種方式獲取的滑坡數(shù)據(jù)相對準(zhǔn)確，但需要耗費大量的人力物力，效率低下。對于類型復(fù)雜的山體滑坡，采用傳統(tǒng)的方法快速獲取滑坡信息具有一定的局限性。

3、基于機器學(xué)習(xí)的半自動化滑坡識別方法雖然自動化程度高，但需要大量的特征選擇和參數(shù)調(diào)試工作。該方法對于光譜特征、幾何特征、紋理特征與背景地物存在較大差異的山區(qū)滑坡容易識別錯誤。

4、現(xiàn)有基于深度學(xué)習(xí)的滑坡檢測方法通常僅考慮滑坡多源數(shù)據(jù)空間維度特征，而忽略滑坡多源數(shù)據(jù)疊加之后的序列維度特征，難以全面概括復(fù)雜場景中滑坡多樣特征，導(dǎo)致不同類型和不同規(guī)模滑坡識別精度不夠，漏檢及誤檢較多等問題。

技術(shù)實現(xiàn)思路

1、有鑒于此，本發(fā)明實施例提供一種基于改進u-net的雙流編碼滑坡自動識別方法，至少解決現(xiàn)有方法對不同類型和不同規(guī)?；伦R別精度不夠，漏檢及誤檢較多的問題。

2、本發(fā)明實施例的技術(shù)方案具體如下：

3、本發(fā)明實施例提供一種基于改進u-net的雙流編碼滑坡自動識別方法，所述方法包括：

4、基于多源數(shù)據(jù)，構(gòu)建多維特征數(shù)據(jù)集；所述多源數(shù)據(jù)包括滑坡矢量數(shù)據(jù)、光學(xué)波段數(shù)據(jù)、光譜指數(shù)數(shù)據(jù)、地形因子數(shù)據(jù)和紋理指數(shù)數(shù)據(jù)；基于u-net框架搭建雙流編碼滑坡識別模型，包括編碼器和解碼器，所述編碼器包括兩個分支和融合模塊，其中第一分支用于提取空間維度特征，第二分支用于提取序列維度特征；所述融合模塊用于融合所述空間維度特征和所述序列維度特征，得到深層特征；所述解碼器包括agdm模塊，用于將從編碼階段得到的高維特征在特征空間中重建預(yù)測結(jié)果；利用所述特征數(shù)據(jù)集，結(jié)合加權(quán)損失函數(shù)訓(xùn)練所述雙流編碼滑坡識別模型；所述加權(quán)損失函數(shù)是對bce損失和dice損失的加權(quán)和；通過多種評價指標(biāo)對已訓(xùn)練的所述雙流編碼滑坡識別模型進行模型評估。

5、進一步地，所述第一分支設(shè)計兩個卷積層和四個殘差編碼層；輸入數(shù)據(jù)首先由所述兩個卷積層投影到高維特征空間，然后通過所述四個殘差編碼層將特征進一步投影到更高維空間，以提取豐富的深層特征信息；所述兩個卷積層的核大小為3×3，步長為1，每一卷積層之后都有一個批歸一化層和一個relu激活層；所述四個殘差編碼層分別由3個、4個、6個和3個殘差塊組成，在空間維度特征提取過程中，每經(jīng)過一個殘差編碼層，特征圖通道數(shù)翻倍且尺寸減半。

6、進一步地，每一所述殘差塊包括三個卷積層和三個bn層，在第一bn層和第二bn層后分別設(shè)一個relu激活層，在殘差塊主干第一卷積層和第三卷積層之間實現(xiàn)殘差連接，并在殘差連接分支上，通過1×1卷積對輸入向量和輸出向量進行恒等映射。

7、進一步地，所述第二分支包括構(gòu)建的msrnm模塊和lstm模塊；其中msrnm模塊包含4個下采樣步驟，每一步下采樣都包含一個殘差學(xué)習(xí)單元，所述殘差學(xué)習(xí)單元由兩個卷積層組成，在序列維度特征提取過程中，每經(jīng)過一個殘差學(xué)習(xí)單元，特征圖尺寸減半；lstm模塊包含三層lstm單元，用來捕獲不同波段影像之間的序列依賴關(guān)系。

8、進一步地，所述融合模塊中將所述空間維度特征和所述序列維度特征通過向量拼接的方法進行級聯(lián)連接，形成一個新的特征變量；所述新的特征變量通過上采樣操作參與所述解碼器模塊的處理過程以產(chǎn)生最終輸出。

9、進一步地，所述agdm模塊包括四層卷積塊，在所述編碼器和所述解碼器的跳躍連接中，引入注意力門控模塊，用于生成門控信號，以突出不同空間位置上特征的重要性；最后使用一個帶有sigmoid分類器的1×1卷積層對滑坡目標(biāo)和背景的概率進行推理，最終得到與輸入數(shù)據(jù)尺寸大小相同的滑坡預(yù)測結(jié)果。

10、進一步地，所述加權(quán)損失函數(shù)表示如下：

11、；

12、<mstyle displaystyle="true" mathcolor="#000000"><msub><mi>l</mi><mi>bce</mi></msub><mi>=?</mi><mfrac><mn>1</mn><mi>n</mi></mfrac><mstyle displaystyle="true"><munderover><mo>∑</mo><mrow><mi>i</mi><mi>=</mi><mn>1</mn></mrow><mi>n</mi></munderover><mrow><mo>[</mo><mrow><msub><mi>y</mi><mi>i</mi></msub><msub><mi>log</mi><mi>a</mi></msub><msub><mi>p</mi><mi>i</mi></msub><mo>+</mo><mrow><mo>(</mo><mrow><mn>1</mn><mi>?</mi><msub><mi>y</mi><mi>i</mi></msub></mrow><mo>)</mo></mrow><msub><mi>log</mi><mi>a</mi></msub><mrow><mo>(</mo><mrow><mn>1</mn><mi>?</mi><msub><mi>p</mi><mi>i</mi></msub></mrow><mo>)</mo></mrow></mrow><mo>]</mo></mrow></mstyle></mstyle>；

13、；

14、式中，l為所述加權(quán)損失函數(shù)，為bce損失，為dice損失，為損失權(quán)重系數(shù)，為分類的類別數(shù)，n為像素數(shù)，為第個像素的標(biāo)簽值，為第個像素的預(yù)測概率值；代表系數(shù)，tp為真陽性，表示模型正確地預(yù)測了滑坡目標(biāo)，fn為假陰性，表示滑坡目標(biāo)被錯誤地預(yù)測為非滑坡，fp為假陽性，表示非滑坡目標(biāo)被錯誤地預(yù)測為滑坡。

15、本技術(shù)實施例提供的技術(shù)方案帶來的有益效果至少包括：

16、在本發(fā)明實施例中，利用光學(xué)波段、光譜指數(shù)、地形指數(shù)和紋理指數(shù)等多維特征，實現(xiàn)滑坡精準(zhǔn)提取。為了充分利用多維特征疊加之后的序列特征，本發(fā)明基于u-net框架搭建雙流編碼滑坡識別模型，模型編碼器設(shè)計兩個分支，分別用于提取空間維度特征和序列維度特征，然后設(shè)計融合模塊有效融合空間維度特征和序列維度特征，得到深層特征。最后通過解碼器模塊將從編碼階段得到的高維特征在特征空間中重建預(yù)測結(jié)果。該模型具有較好的空間和序列特征學(xué)習(xí)能力，并能精細識別各種滑坡。