[发明专利]基于GIS技术和空间数据的地物检测Mask R-CNN模型训练方法

权利要求书

1.一种基于GIS技术和空间数据的地物检测Mask R-CNN模型训练方法，其特征在于：包括如下步骤：

第一步、利用包含有目标地物的地物矢量数据，确定每个地物样本的空间范围并存入第一空间数据库，得到样本范围数据集；

第二步、利用所述样本范围数据集和所述地物矢量数据，确定每个样本范围内所包含的地物部分并存入第二空间数据库，得到地物掩膜数据集；

第三步、利用样本范围数据集、地物掩膜数据集和目标地物的遥感影像栅格数据构建地物样本库，所述目标地物的遥感影像栅格数据与所述地物矢量数据位于同一地理范围；

第四步、利用机器学习框架API和编程语言实现Mask R-CNN模型，将其结构实现为可执行程序，将第三步所得的所述地物样本库作为模型训练的样本输入源；

第五步、利用样本输入源为地物样本库的Mask R-CNN模型可执行程序，进行地物检测模型训练，将得到的模型权重结果放置在文件服务器进行共享，并将权重结果信息存储在第三空间数据库，得到模型训练结果库。

2.如权利要求1所述的基于GIS技术和空间数据的地物检测Mask R-CNN模型训练方法，其特征在于：所述权重结果信息包括权重结果文件名、存储路径、生成时间、训练参数相关信息。

3.如权利要求1所述的基于GIS技术和空间数据的地物检测Mask R-CNN模型训练方法，其特征在于：在第一步中，确定每个地物样本的空间范围的方法是：对地物矢量数据中的每个地物，进行距离为D的空间缓冲区分析得到地物外拓多边形，D为5米，然后获取地物外拓多边形的最小外接矩形，将其作为一个地物样本的空间范围，即样本范围。

4.如权利要求1或3所述的基于GIS技术和空间数据的地物检测Mask R-CNN模型训练方法，其特征在于：所述第一步中对样本范围进行存储的第一空间数据库，是基于PostGIS拓展的PostgreSQL数据库。

5.如权利要求1所述的基于GIS技术和空间数据的地物检测Mask R-CNN模型训练方法，其特征在于：在第二步中，确定每个样本范围内所包含的地物部分的方法是：将样本范围数据集中的每个样本范围与地物矢量数据进行空间相交分析，得到各个样本范围内部的地物多边形，即地物掩膜。

6.如权利要求1或5所述的基于GIS技术和空间数据的地物检测Mask R-CNN模型训练方法，其特征在于：对地物掩膜进行存储的第二空间数据库，是基于PostGIS拓展的PostgreSQL数据库。

7.如权利要求1所述的基于GIS技术和空间数据的地物检测Mask R-CNN模型训练方法，其特征在于：在第三步中，构建地物样本库的方法是：首先针对样本范围数据集中的每个样本范围，利用GDAL库获取样本范围内的遥感影像栅格数据，并调整图像通道，作为该样本的图像内容；然后在地物掩膜数据集中查找样本范围所对应的地物掩膜多边形和相关种类信息，并将其矢量栅格化，作为该样本的地物掩膜数据；分别获得的样本图像内容和样本地物掩膜数据一起构成一个地物训练样本，所有地物训练样本都通过上述方法生成，赋予唯一编号记录在数据库中，构成地物样本库。

8.如权利要求1所述的基于GIS技术和空间数据的地物检测Mask R-CNN模型训练方法，其特征在于：在第四步中，Mask R-CNN模型实现方法是：利用TensorFlow、Keras机器学习框架和Python编程语言将Mask R-CNN模型结构予以实现，其中，以地物样本库作为Mask R-CNN模型的训练样本来源，模型在训练过程中请求样本的方式是通过地物样本库中的样本编号来获取样本图像内容和样本地物掩膜数据。

9.如权利要求1所述的基于GIS技术和空间数据的地物检测Mask R-CNN模型训练方法，其特征在于：在第五步中，将模型权重结果的文件名、存储路径、生成时间、训练参数信息存储至数据库进行信息共享，网络中其他终端在模型训练结果库检索获取到相关信息。