(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210591266.2 (22)申请日 2022.05.27 (71)申请人 长江水利委员会长江科 学院 地址 430014 湖北省武汉市江岸区黄浦大 街23号长江水利委员会长江科 学院 (72)发明人 沈盛彧　陈佳晟　张彤　赵元凌　 刘纪根　孙宝洋　许文盛　王一峰　 蒲坚　杨晶　 (74)专利代理 机构 北京方圆嘉 禾知识产权代理 有限公司 1 1385 专利代理师 程华 (51)Int.Cl. G06V 20/10(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06V 10/44(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种崩岗的自动识别方法及系统 (57)摘要 本发明涉及一种崩岗的自动识别方法及系 统， 包括获取DOM和DSM 数据样本， 将DSM 数据样本 叠置到所述DOM数据样本上， 并对叠置后的数据 进行崩岗区域范围标注； 将样 本数据分为训练集 和验证集， 以训练集为输入， 以划分后的崩岗区 域标记范围为标签对基于RefineNet 框架的通道 交换网络模型进行训练， 训练过程中， 通过通道 交换的方式将DSM 数据和DOM数据进行互补融合， 使两个模态中有价值的信息得到充分利用； 得到 训练好的模型之后利用该模型对待识别数据进 行崩岗识别。 本发明有利于提高识别精度、 降低 成本， 提升模型对地形变化的强壮性。 权利要求书3页 说明书8页 附图5页 CN 114972991 A 2022.08.30 CN 114972991 A 1.一种崩岗的自动识别方法， 其特 征在于， 包括： 获取DOM和D SM数据样本； 通过ArcScene软件将所述DSM数据样本叠置到所述DOM数据样本上， 获得研究区的第一 三维模型； 根据所述研究区的第一三维模型， 人工标记出崩岗区域范围， 并根据人工标记的崩岗 区域范围通过现场实地复核验证和修 正崩岗标记， 得到修 正后的崩岗区域标记范围； 按照固定大小格网对所述DSM数据样本、 所述D OM数据样本和所述修正后的崩岗区域标 记范围进行划分， 得到深度学习训练的实验数据； 将所述实验数据中的DSM数据样本和 DOM数据样本作 为数据集， 并将所述数据集划分为 训练集和测试集， 以所述训练集为输入， 以划分后的崩岗区域标记范围为标签， 对基于 RefineNet框架的通道交换网络模 型进行训练， 得到训练后的通道交换网络模 型； 所述基于 RefineNet框架的通道交换网络模型包括残差卷积模块、 多分辨率融合模块和链式残差池 化模块； 所述残差卷积模块用于进行特征图的通道交换， 所述特征图的通道交换指将所述 DSM数据样本和/或DOM数据样本的某一通道替换为所述DOM数据样本和/或所述DSM数据样 本的对应通道； 将所述测试集输入到所述训练后的通道 交换网络模型进行测试， 评估通道 交换网络模 型的识别效果得到训练好的通道交换网络模型； 获取待进行崩岗识别的D OM和DSM数据， 并利用所述训练好的通道交换网络模型对所述 待进行崩岗识别的DOM和D SM数据进行识别， 得到崩岗识别结果。 2.根据权利要求1所述的方法， 其特 征在于， 所述获取DOM和D SM数据样本， 具体包括： 采用无人机或有人机搭 载高精度的光学影 像传感器采集 航拍影像； 根据所述航拍影像， 利用实景三维建模软件瞰景smart3D重建所述研究区的第二三维 模型， 并根据所述第二 三维模型导出 所述DOM数据样本和所述D SM数据样本 。 3.根据权利要求1所述的方法， 其特征在于， 所述以所述训练集为输入， 以划分后的崩 岗区域标记范围为标签， 对基于RefineNet框架的通道交换网络模 型进行训练， 得到训练后 的通道交换网络模型， 具体包括： 将所述训练集 中的所述DSM数据样本和所述D OM数据样本分别输入所述基于Re fineNet 框架的通道交换网络模型； 在所述残差卷积模块的卷积过程中的批归一化层之后， 依据归一化的缩放尺度因子进 行特征图的通道交换， 得到交换后的D SM数据和交换后的DOM数据； 在所述多分辨率融合模块将所述交换后的DSM数据和所述交换后的DOM数据进行加权 融合， 最后输出分割结果； 根据所述分割结果和所述标签对模型参数进行更新， 并返回步骤 “将所述训练集中的 所述DSM数据样 本和所述DOM数据样 本分别输入 所述基于RefineNet框架的通道交换网络模 型”， 直到达到迭代终止条件， 停止迭代， 得到所述训练后的通道交换网络模型。 4.根据权利要求3所述的方法， 其特征在于， 所述依据归一化的缩放尺度因子进行特征 图的通道交换， 具体包括： 判断通道的尺度因子小于设定阈值， 得到判断结果； 若判断结果 为是， 则将所述特 征图的通道进行交换， 否则， 不进行交换。权　利　要　求　书 1/3 页 2 CN 114972991 A 25.根据权利要求3所述的方法， 其特征在于， 在进行所述通道 交换的过程中设置分区 限 制和稀疏约束； 所述分区限制指所述D SM数据和所述DOM数据均只在各自一半的通道进行 单向交换； 所述稀疏约束指在所述基于RefineNet框架的通道交换网络模型的损失函数中添加缩 放尺度因子总和的L1正则项。 6.一种崩岗的自动提取系统， 其特 征在于， 包括： 样本数据获取模块， 用于获取DOM和D SM数据样本； 叠置模块， 用于通过ArcScene软件将所述DSM数据样本叠置到所述DOM数据样本上， 获 得研究区的第一 三维模型； 标记模块， 用于根据 所述研究区的第 一三维模型， 人工标记出崩岗区域范围， 并根据 人 工标记的崩岗区域范围通过现场实地复核验证和修正崩岗标记， 得到修正后的崩岗区域标 记范围； 格网划分模块， 用于按照固定大小格网对所述DSM数据样本、 所述DOM数据样本和所述 修正后的崩岗区域标记范围进行划分， 得到深度学习训练的实验数据； 模型训练模块， 用于将所述实验数据中的DSM数据样本和DOM数据样本作为数据集， 并 将所述数据集划分为训练集和测试集， 以所述训练集为输入， 以划分后的崩岗区域标记范 围为标签， 对基于RefineNet框架的通道交换网络模 型进行训练， 得到训练后的通道交换网 络模型； 所述基于RefineNet框架的通道交换网络模 型包括残差卷积模块、 多分辨率融合模 块和链式残差池化模块， 所述残差卷积模块用于进行特征图的通道交换， 所述特征图的通 道交换指将所述DS M数据样本和/或DOM数据样 本的某一通道替换为所述DOM数据样 本和/或 所述DSM数据样本的对应通道； 模型测试模块， 用于将所述测试集输入到所述训练后的通道交换网络模型进行测试， 评估通道交换网络模型的识别效果得到训练好的通道交换网络模型； 崩岗识别模块， 用于获取待进行崩岗识别的DOM和DSM数据， 并利用所述训练好的通道 交换网络模型对所述待 进行崩岗识别的DOM和D SM数据进行识别， 得到识别结果。 7.根据权利要求6所述的系统， 其特 征在于， 所述样本数据获取模块具体包括： 影像采集子模块， 用于采用无人机或有人机搭载高精度的光学影像传感器采集航拍影 像； 样本数据获取子模块， 用于根据所述航拍影像， 利用实景三维建模软件瞰景smart3D重 建所述研究区的第一三维模 型， 并根据所述第一三 维模型导出所述DOM数据样本和所述DS M 数据样本 。 8.根据权利要求6所述的系统， 其特 征在于， 所述模型训练模块具体包括： 输入子模块， 用于将所述训练集中的所述DSM数据样本和所述DOM数据样本分别输入所 述基于Refi neNet框架的通道交换网络模型； 通道交换子模块， 用于在所述残差卷积模块的卷积过程中的批归一化层之后， 依据归 一化的缩放尺度因子进行 特征图的通道交换， 得到交换后的D SM数据和交换后的DOM数据； 融合子模块， 用于在所述多分辨率融合模块将所述交换后的DSM数据和所述交换后的 DOM数据进行加权融合， 最后输出分割结果； 迭代更新子模块， 用于根据所述分割结果和所述标签对模型参数进行更新， 并返回步权　利　要　求　书 2/3 页 3 CN 114972991 A 3