[发明专利]一种基于机器学习的无人机影像地裂缝识别及提取方法

说明书

本发明公开了一种基于机器学习的无人机影像地裂缝识别及提取方法，包括：通过无人机摄影测量获得矿区土地裂缝影像数据，将每幅影像数据切割成等像素的小幅影像数据，依据聚类分析构建不同背景信息的影像数据集，以此建立基于机器学习的土地裂缝识别模型的学习样本，采用支持向量机的机器学习算法并通过留一法交叉验证其分类准确度。提取裂缝信息时，将识别的无裂缝影像均变成全白色背景的影像数据，对识别的含裂缝影像进行裂缝提取，得到背景为白色、裂缝信息为黑色的灰度图像数据，将两类图像按照切割顺序进行拼接。本发明解决了机器学习算法在矿区地裂缝识别应用中由于矿区土地地表信息过于复杂而应用受限的问题，且实时性、精度和效率高。

技术领域

本发明涉及工程勘测领域，具体涉及一种基于机器学习的无人机影像地裂缝识别及提取方法。

背景技术

在我国西部地区，尤其是西部风积沙区，地裂缝是煤炭开采引发的地质环境问题之一，造成了建筑物变形、地下管道破坏、耕地损毁、土壤水分蒸发加速、植被破坏、水土流失等问题，对矿区管理工作者带来了极大的困难，同时也是矿区土地复垦的重要环节。因此，必须首先获取矿区地裂缝实时、客观、高精度的分布信息，用来评估风险性和研究地裂缝的发育规律，为土地复垦工作提供保障。

无人机影像具有分辨率高、灵活机动、高效快速、作业成本低等显著优势，其分辨率可以达到厘米级，为矿区地裂缝的信息提取提供了理想的数据源。目前以无人机影像为数据源，在裂缝识别和提取过程中采用机器学习方法，主要应用于桥梁裂缝、道路裂缝、建筑物裂缝等领域中，以深度学习方法为代表，是利用深度卷积神经网络同时实现裂缝位置和裂缝属性的准确识别，但是该方法在矿区土地裂缝识别的应用过程中具有一定的局限性，由于矿区地表信息过于复杂，植被等干扰因素较多，使用深度学习不仅难度较大，同时准确率也无法达到要求，造成了目前在土地裂缝的识别和提取过程中还未有合理的机器学习应用方法。目前关于土地裂缝的识别和提取主要是面向对象、边缘检测、阈值分割和人工目视解译。面向对象的方法在地裂缝提取中取得了较好的效果，但是其类和继承等特点使得在使用该方法时会增加很多指针操作来定位函数入口和自身要维护虚拟方法表等额外的工作，这会使得程序的处理效率相对较低，其中类是具有相同特性(数据元素)和行为(功能)的对象的抽象，继承简单地说就是一种层次模型。边缘检测和阈值分割等方法会导致大量噪点的产生，裂缝提取的准确性较差，影响地裂缝的提取效果。人工目视解译的方法过于繁杂，且效率低、时效差，不具有推广性和实用性。

发明内容

为解决上述问题，本发明提供一种基于机器学习的无人机影像地裂缝识别及提取方法，将机器学习算法合理应用于矿区无人机影像土地裂缝的识别中，大大提高了无人机影像土地裂缝识别的效率和准确性，降低了矿区土地复杂地表信息对识别结果的干扰性，能够做到实时、客观、高精度的识别矿区地裂缝分布信息，较之原来的方法在效率性和实效性方面显著提升。此外，通过对无人机影像裂缝信息的快速准确提取，不仅在实际矿区土地复垦过程中及时掌握裂缝的位置以进行填埋等治理方式，也可以用于研究采矿对地表裂缝影像发育规律的科研工作当中。

为实现上述目的，本发明采用的技术方案是：

本发明提出的一种基于机器学习的无人机影像地裂缝识别方法，其特征在于，包括以下步骤：

步骤1)通过无人机摄影测量获得多幅含有土地裂缝的待识别矿区无人机影像数据；将获得的每幅影像数据分别切割成相同像素的含土地裂缝和不含土地裂缝的若干小幅影像数据；通过聚类分析将所有小幅影像数据中的背景信息分为：亮色裸地、暗色裸地、绿色植被和枯萎植被四类；选取具有相同背景信息的一张含土地裂缝小幅影像数据和一张不含土地裂缝小幅影像数据构成一个影像数据对，共形成多个影像数据对；按照背景信息将所有影像数据对分别构建四组影像数据集：亮色裸地影像数据集、暗色裸地影像数据集、绿色植被影像数据集和枯萎植被地影像数据集；