[发明专利]滑坡体识别模型的训练方法、装置、电子设备及存储介质

权利要求书

1.一种滑坡体识别模型的训练方法，其特征在于，所述方法包括：

获取原始数据，其中，所述原始数据包括高分影像和DEM数据；

将所述原始数据转化为图结构数据，其中，所述图结构数据包括图节点矩阵和连接矩阵；

构建并初始化图神经网络模型；

将所述图结构数据输入至所述图神经网络模型中进行训练，得到滑坡体识别模型。

2.根据权利要求1所述的方法，其特征在于，所述将所述原始数据转化为图结构数据包括：

对所述原始数据进行采样和数据增强处理，得到多个训练数据框；

对各所述训练数据框进行超像素提取，得到多个像素块；

对各所述像素块进行特征提取，得到各像素块的图节点矩阵；

根据各所述像素块的相邻关系，确定各像素块的连接矩阵。

3.根据权利要求2所述的方法，其特征在于，所述对所述原始数据进行采样和数据增强处理，得到训练数据框包括：

根据指定大小裁剪尺度，对所述原始数据采用逐级递减的随机采样方式，进行采样，得到多个数据块；

确定各数据块中，滑坡体元素数量占各数据块元素数量的比例值；

确定各数据块对应的比例值所属的比例值范围，并在各比例值范围内，选取指定数量的数据块；

对选取的数据块进行数据增强，得到所述训练数据框；其中，所述数据增强包括矩阵旋转和矩阵翻转。

4.根据权利要求2所述的方法，其特征在于，所述对各所述训练数据框进行超像素提取，得到多个像素块包括：

对各所述训练数据框进行可视化处理，得到可视化数据框；

将所述可视化数据框，采用简单线性迭代聚类方法进行超像素提取，得到多个像素块，以使同一地物属性的像素归纳为同一超像素块。

5.根据权利要求2所述的方法，其特征在于，

所述对各所述像素块进行特征提取包括：

确定各像素块的各波段原始光谱值的均值以及各波段光谱值的方差，以表征各像素块的色调特征；

确定各像素块的各波段原始光谱在第一方向和第二方向的梯度均值与梯度方差，并根据所述梯度均值与所述梯度方差确定各像素块的总体梯度，以表征各像素块的纹理特征；

以及，

根据各像素块对应的DEM数据，确定各像素块的DEM均值与DEM方差，以表征各像素块的高度特征；

确定各像素块的各波段原始光谱在第一方向和第二方向的梯度，并根据所述梯度确定各像素块的像素坡向，以表征各像素块的坡向特征。

6.根据权利要求2所述的方法，其特征在于，根据各所述像素块的相邻关系，确定各像素块的连接矩阵包括：

将得到的各像素块进行像素化，得到多个指定大小的分割矩阵；

确定各所述分割矩阵的index值；将各所述分割矩阵的边缘增加一层边缘值，并在指定地点，以指定大小裁剪尺度进行裁剪，得到多个对比矩阵；

将所述分割矩阵与得到的多个对比矩阵逐像素比对，若被比较的两个像素值不同，则确定所述两个像素值分别对应的第一index值和第二index值，并确定所述第一index值和所述第二index值对应的超像素块相邻。

7.根据权利要求1所述的方法，其特征在于，所述构建并初始化图神经网络模型包括：

采用python语言，基于Pytorch Geometric框架构建所述图神经网络模型；

设置所述图神经网络模型的参数，所述参数包括：Batch Size、Epoches、监控验证集损失、优化器、初始学习率；

采用python生成器，将所述图结构数据分批次进入所述图神经网络模型中。