[发明专利]一种基于摄影测量数据的尾矿库语义分割方法

权利要求书

1.一种基于摄影测量数据的尾矿库语义分割方法，其特征在于包括如下步骤：

S1.采集历史尾矿库数据，包括测区的多视角照片和空间位置数据；

S2.对采集到的历史尾矿库数据进行数据重建，生成三维点云数据、数字正射影像数据和数字高程数据；

S3.对生成的三维点云数据进行随机下采样，生成倾斜摄影测量点云数据集；

S4.生成尾矿库语义分割模型；

S5.对采集的待分析尾矿库摄影测量数据进行实时语义分割，实时生成带尾矿库语义分割结果的摄影测量图像。

2.根据权利要求1所述的基于摄影测量数据的尾矿库语义分割方法，其特征在于所述的步骤S1，历史尾矿库数据包括尾矿库初期坝数据、堆积坝数据、水面数据和干滩数据；具体为采用航测多旋翼无人机采集数据，航测多旋翼无人机包括智能避障模块、高精度三轴云台和集成RTK模块；RTK模块能够为无人机提供实时厘米级定位数据，同时设计无人机的飞行航线和相机工作模式参数。

3.根据权利要求1所述的基于摄影测量数据的尾矿库语义分割方法，其特征在于所述的步骤S2，具体为采用影像处理软件，生成三维点云数据、数字正射影像数据和数字高程数据。

4.根据权利要求3所述的基于摄影测量数据的尾矿库语义分割方法，其特征在于所述的步骤S3，具体为生成倾斜摄影测量点云数据集Data＝{X_i}，其中，倾斜摄影测量点云数据集中的第i个采样点表示为X_i＝{x_i,y_i,z_i,r_i,g_i,b_i}；其中，x_i表示点的经度，y_i表示点的纬度，z_i表示点的高度，r_i表示RGB红色，g_i表示RGB绿色，b_i表示RGB蓝色；i＝1,2,…,N，N为采样点个数。

5.根据权利要求4所述的基于摄影测量数据的尾矿库语义分割方法，其特征在于所述的步骤S4中，尾矿库语义分割模型的生成方法具体采用有监督深度学习方法得到，同时采用的模型引入注意力机制的动态图卷积神经网络，有监督深度学习方法包括如下步骤：

A1.选取一个尾矿库语义分割场景，获取步骤S1-S3得到的下采样之后的倾斜摄影测量点云数据集、数字正射影像数据和数字高程数据；

A2.在数字正射影像数据上通过经验将初期坝、堆积坝、水面和干滩进行手工分割，为每个像素标识类别；

A3.根据三维点和数字正射影像像素点的关系，为步骤A1得到的倾斜摄影测量点云数据集中的每个点X_i找到在数字正射影像数据的对应像素点，将对应像素点的类别标签Y_i作为X_i的标签，最后将X_i和Y_i合并，生成初始训练数据集；

A4.选择若干个尾矿库语义分割场景，重复步骤A1-A3，获得多场景的训练数据集；

A5.构建基于深度学习的尾矿库语义分割模型；尾矿库语义分割模型包括动态图卷积神经网络模块和通道注意力模块；其中，动态图卷积神经网络模块用于对点云中领域样本点的关系进行建模；通道注意力模块用于对若干个通道间的特征聚合关系进行建模；

A6.选择神经网络训练平台，设置目标优化函数和优化方法，设置尾矿库语义分割模型中的迭代次数、学习率、训练误差和批训练数目训练参数，采用步骤A4中的多场景的训练数据集进行测试。

6.根据权利要求5所述的基于摄影测量数据的尾矿库语义分割方法，其特征在于所述的步骤A5，具体构建基于深度学习的尾矿库语义分割模型的方法如下：基于深度学习的尾矿库语义分割模型，包括1个输入层、2个边卷积层、3个多层感知器和1个输出层，在边卷积层和多层感知器层之间引入通道注意力模块；其中，边卷积层用于提取和融合每个点的独立特征和该点的局域特征；多层感知器用来对边卷积获得的特征信息进行特征融合和特征降维，最后接输出层输出四类别的one-hot编码。