[发明专利]露天矿采场提取方法、装置、设备及介质

说明书

本发明提供一种露天矿采场提取方法、装置、设备及介质，包括：获取露天采场的待检测遥感影像，并对待检测遥感影像进行降采样；将降采样后的待检测遥感影像输入至Faster R‑CNN，得到露天采场的矩形范围信息；基于矩形范围信息，在待检测遥感影像上进行截取，得到影像块，并在影像块上叠加NDVI和RRI波段得到具有红、绿、蓝、近红、NDVI、RRI六个波段的待提取影像；将待提取影像输入至改进的U‑Net网络，得到露天采场提取结果。本发明用以解决现有技术中消耗计算机内存和运行时间，以及识别露天矿采场的精度低的缺陷，实现了提升定位和提取的计算效率和精度。

技术领域

本发明涉及深度学习技术领域，尤其涉及一种露天矿采场提取方法、装置、设备及介质。

背景技术

矿产资源是重要的自然资源，合理开发利用是国家资源管理和监测的关键。矿产资源的开发给生态环境造成了严重危害，尤其是露天矿山的开采，带来了水污染、空气污染、固体废物污染以及地质灾害等。精确的露天矿范围信息对于全面了解采矿活动、评价环境影响、识别非法采矿等至关重要，因此实现露天采场高效和准确识别是目前亟待解决的问题之一。传统露天采场监测通常采用人工外业调查的方法，人工测量数据虽然精度高，但是存在消耗人力、物力，监测不及时，危险区域人不能至等问题。

随着遥感技术和深度学习的快速发展，人们可以获取大量的高分辨率遥感影像，使得基于高分辨率遥感影像自动识别的方式可以替代传统的人工方式，能够快速高效地应用于露天采场的自动识别。深度学习卷积神经网络(CNN)的层次化结构，可以自动学习影像深层次、结构化的特征，相较于人工选取特征，具有更强的可分能力和鲁棒性，极大地提高了遥感影像的分类精度，因此，目前通常将深度学习卷积神经网络应用至识别目标地物上。

以下为深度学习识别目标地物常采用的三种方式：

第一种典型的方式是采用影像块预测，即将固定大小的影像块输入训练好的CNN模型(如AlexNet、ResNet、DenseNet等)进行逐像素分类。

第二种方式采用目标检测，即从一幅场景影像中分类和定位目标，包括定位和分类两个过程，最终实现每个目标实例的类别和空间位置的确定。Faster R-CNN是最常用的目标检测网络架构之一，Faster R-CNN通过两阶段方法可以有效地捕获影像特征细节，实现露天采场目标空间位置的确定。

第三种方式语义分割，即通过特定方法将图像分割成具有逐像素语义标注的结果图像，即实现像素级别的分类。U-Net网络是目前精度最高的语义分割网络之一，在小样本条件下具有优异的语义分割能力。

第一种典型的方式是采用影像块预测，即将固定大小的影像块输入训练好的CNN模型(如AlexNet、ResNet、DenseNet等)进行逐像素分类，然而这种方式存在以下问题：1)逐像素预测的方式消耗计算机内存和运行时间；2)无法获得精确的露天采场几何信息。

第二种方式采用目标检测，即从一幅场景影像中分类和定位目标，包括定位和分类两个过程，最终实现每个目标实例的类别和空间位置的确定。Faster R-CNN是最常用的目标检测网络架构之一，Faster R-CNN通过两阶段方法可以有效地捕获影像特征细节，实现露天采场目标空间位置的确定。但是Faster R-CNN只能以输出矩形框的形式实现露天采场的识别与定位，不能实现矿区的边界范围识别。