[发明专利]一种基于深度学习的滑坡灾害自动识别方法及系统

权利要求书

1.一种基于深度学习的滑坡灾害自动识别方法，其特征在于，包括:

获取包含滑坡的遥感影像；

对所述遥感影像进行预处理，得到预处理后的数据；

将所述预处理后的数据按划分比例划分为预备训练集、验证集和测试集；

对所述预备训练集进行数据扩充，得到训练集；

利用所述训练集、所述验证集和所述测试集完成对卷积神经网络的训练，使用P ReLu代替ReLu作为所述卷积神经网络中的激活函数，所述激活函数P ReLu满足如下关系：

f(x)＝max(ax,x)

其中，f(x)为所述激活函数的值，a和x为实数；

使用训练后的所述卷积神经网络识别滑坡灾害；

其中，所述卷积神经网络包括K-Net网络模型和PSP-Net网络模型组成的K-Net+PSP-Net网络模型，所述K-Net网络模型用于图像分割，所述PSP-Net网络模型用于场景解析。

2.根据权利要求1所述的一种基于深度学习的滑坡灾害自动识别方法，其特征在于，所述预处理包括如下步骤：

对所述遥感影像进行数据优化；

利用数据优化后的所述遥感影像进行数据裁剪；

对进行数据裁剪后的所述遥感影像进行数据标注。

3.根据权利要求2所述的一种基于深度学习的滑坡灾害自动识别方法，其特征在于，所述数据优化包括如下步骤：

对所述遥感影像进行数据清洗；

对数据清洗后的所述遥感影像进行图像增强。

4.根据权利要求2所述的一种基于深度学习的滑坡灾害自动识别方法，其特征在于：所述数据标注的内容包括滑坡位置和滑坡类别。

5.根据权利要求1所述的一种基于深度学习的滑坡灾害自动识别方法，其特征在于，所述利用所述训练集、所述验证集和所述测试集完成对卷积神经网络的训练还包括：

设定阈值；

并利用所述验证集和所述阈值验证训练后的所述卷积神经网络的准确率。

6.根据权利要求5所述的一种基于深度学习的滑坡灾害自动识别方法，其特征在于：

当训练后的所述卷积神经网络的准确率低于设定的阈值时，将所述预备训练集和所述验证集混合重新划分新的预备训练集和新的验证集；

对所述新的预备训练集进行所述数据扩充，完成对所述卷积神经网络进行训练。

7.根据权利要求6所述的一种基于深度学习的滑坡灾害自动识别方法，其特征在于：所述数据扩充的方法包括旋转、翻转、缩放和裁剪中的一种或多种。

8.一种基于深度学习的滑坡灾害自动识别系统，所述系统使用权利要求1-7任意一项所述的一种基于深度学习的滑坡灾害自动识别方法，其特征在于，包括：

图片采集装置，所述图片采集装置用于获取包含滑坡的遥感影像，并记录所述遥感影像的获取位置；

数据处理装置，所述数据处理装置用于接收所述遥感影像，对所述遥感影像进行预处理，得到预处理后的数据；将所述预处理后的数据按划分比例划分为预备训练集、验证集和测试集；对所述预备训练集进行数据扩充，得到训练集；利用所述训练集、所述验证集和所述测试集完成对卷积神经网络的训练，使用P ReLu代替ReLu作为所述卷积神经网络中的激活函数，所述激活函数P ReLu满足如下关系：

f(x)＝max(ax,x)

其中，f(x)为所述激活函数的值，a和x为实数；

使用训练后的所述卷积神经网络识别滑坡灾害；

其中，所述卷积神经网络包括K-Net网络模型和PSP-Net网络模型组成的K-Net+PSP-Net网络模型，所述K-Net网络模型用于图像分割，所述PSP-Net网络模型用于场景解析。