[发明专利]基于深度学习图像语义分割的道路阻断信息提取方法

摘要

本发明公开首先说明了用于全卷积神经网络训练的道路阻断图像语义分割样本库的构建方法，包括样本的矢量化、增强和标准化过程；其次，对经典的卷积神经网络的类型和网络结构的改进方法进行了介绍，阐述了网络的实现方法和训练过程；其后，应用训练得到的全卷积神经网络进行遥感影像道路路面语义分割，在提取灾后未损毁路面的基础上，利用灾前灾后未损毁道路的长度比例进行道路完整度的判别方法。改进后的全卷积神经网络模型的各项精度评价指标都要优于原始全卷积神经网络模型，改进后的模型更加适用于灾后未损毁路面检测和道路完整度判别的具体问题，可以有效克服树木、阴影遮挡对道路阻断信息提取的不利影响。

主权项

1.基于深度学习图像语义分割的道路阻断信息提取，其特征在于，包括如下步骤：(1)利用灾害典型案例影像构建道路阻断图像语义分割样本库，以提供训练样本S₀；(2)改进的全卷积神经网络对步骤(1)中的训练样本S₀进行训练，得到初始全卷积神经网络模型FCNmodel0；(3)在获取研究区x的灾后影像I(x)和道路矢量R(x)之后，对道路阻断情况进行检测，得到待检测分块样本D_n(x)；(4)利用训练好的网络模型FCNmodel0，对待检测分块样本D_n(x)进行灾后未损毁路面的语义分割，得到全部待检测样本的分割结果；(5)对研究区影像进行灾后道路路面的人工目视解译，从解译结果中选择少量道路段生成新的训练样本数据S₁，对已有网络进行网络微调，得到微调后的网络模型FCNmodel1；重复进行灾后未损毁路面的语义分割工作，直到路面分割结果达到精度要求；(6)基于灾前灾后道路长度比例的道路完整度判别方法对道路完整度判别，得到道路完整度判别结果。