[发明专利]一种黄河流域淤地坝空间分布识别方法

权利要求书

1.一种黄河流域淤地坝空间分布识别方法，其特征在于，包括以下步骤：

S1、采集黄河流域淤地坝工程信息以及若干黄河流域遥感图像，并将黄河流域遥感图像大小裁剪为224×224像素；

S2、采用人工标记的方式对黄河流域遥感图像中淤地坝部分进行标记，将标记后的黄河流域遥感图像保存为二值图像；

S3、构建深度学习模型；

S4、将原始黄河流域遥感图像和二值图像作为训练集对深度学习模型进行训练，并对深度学习模型进行剪枝操作；

S5、定期爬取黄河流域淤地坝工程信息，对黄河流域淤地坝工程信息进行更新，并构建黄河流域淤地坝全要素长时序数据集；

所述步骤S5中黄河流域淤地坝全要素长时序数据集包括黄河流域淤地坝的名称、地理位置、工程建设情况、建设目的、项目主体、工程投资、运行状况和重大事件；

S6、定期获取黄河流域遥感图像，并将获取的黄河流域遥感图像输入深度学习模型进行淤地坝识别，得到识别结果；

S7、将全要素长时序数据集、识别结果和深度学习模型传输至云平台，完成黄河流域淤地坝空间分布识别。

2.根据权利要求1所述的黄河流域淤地坝空间分布识别方法，其特征在于，所述步骤S1中黄河流域淤地坝工程信息包括淤地坝维护信息和建设信息；所述步骤S1中黄河流域遥感图像包括航天遥感图像和低空遥感图像。

3.根据权利要求1所述的黄河流域淤地坝空间分布识别方法，其特征在于，所述步骤S3中深度学习模型包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、第五卷积层、第五池化层、第一全连接层、第二全连接层、第三全连接层和输出层。

4.根据权利要求3所述的黄河流域淤地坝空间分布识别方法，其特征在于，每个所述卷积层的大小均为3×3×3、步长均为1以及有效填充padding的大小均为1；每个所述池化层均采用2×2的最大池化函数max pooling的方式；

所述第一卷积层的卷积核个数为64，所述第二卷积层的卷积核个数为128，所述第三卷积层的卷积核个数为256，所述四卷积层的卷积核个数为512，所述第五卷积层的卷积核个数为512；所述输出层为softmax层。

5.根据权利要求1所述的黄河流域淤地坝空间分布识别方法，其特征在于，所述步骤S4包括以下分步骤：

S4.1、将原始黄河流域遥感图像作为输入样本以及将二值图像作为训练标签输入深度学习模型，对深度学习模型进行训练，并在训练过程中对深度学习模型进行剪枝操作；

S4.2、设定训练次数为M，对损失函数求导，根据所求导数且采用随机梯度下降方法沿梯度方向更新参数；

S4.3、根据步骤S4.2所述方法，对深度学习模型训练M次，完成对深度学习模型的训练。

6.根据权利要求5所述的黄河流域淤地坝空间分布识别方法，其特征在于，所述步骤S4中对深度学习模型进行剪枝操作的具体方法为：对每个卷积层的通道进行剪枝操作，通过LASSO回归的损失函数中添加L1范数对卷积层权重进行约束，将卷积层中权重最小的N个权重参数修改为0，将权重0值最多的通道剪去，完成剪枝操作。

7.根据权利要求6所述的黄河流域淤地坝空间分布识别方法，其特征在于，所述LASSO回归的损失函数J(θ)具体为:

J(θ)＝1/2n(Xθ-Y)*(Xθ-Y)+α||θ||1

其中，n表示输入的样本个数，α表示常数系数，α||θ||1表示L1范数，θ表示沿维度的向量值，X表示输出预测值，Y表示输出真实值。

8.根据权利要求1所述的黄河流域淤地坝空间分布识别方法，其特征在于，所述步骤S5中定期爬取黄河流域淤地坝工程信息的具体方法为：

B1、确定定期爬取时间和爬取关键词，根据爬取关键词并按照时间先后顺序对网页爬取结果进行保存，并记录对应的网页数据发布的最新时间；

B2、到达定期爬取时间时，根据爬取关键词对黄河流域淤地坝工程信息进行爬取，并判断网页数据发布的最新时间是否与上次爬取记录时间相同，若是，则过滤网页爬取结果，并进入步骤B3，否则保存网页爬取结果，并进入步骤B3；

B3、去除网页爬取结果中标题和时间相同的结果，完成黄河流域淤地坝工程信息的爬取。