欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025100182949
申请人: 湖南科技大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于改进深度学习模型的洪灾水体智能识别方法,其特征在于,包括以下步骤:S1:数据收集与预处理,生成数据集;

S2:基于步骤S1生成的数据集,集成Canny边缘检测算子、归一化水体指数、局部二值模式LBP算子纹理形成多特征融合图数据集;

S3:基于DeepLabV3+网络与Vision Transformer网络构建DeepWFNet网络模型;

所述步骤S3的具体过程为:

S31:设计DeepWFNet模型:采用编码器-解码器结构,在DeepLabV3+框架的基础上引入MobileNetV3网络与Vision Transformer网络以双分支并行的模式作为特征提取的主干网络,并利用CAFM模块融合两个网络中两种不同类型的特征,引入CA注意力模块并通过密集连接的形式改进ASPP模块,从而形成改进深度学习模型,即DeepWFNet模型;

S32:配置DeepWFNet模型所需的训练环境与训练参数;

S33:用带有洪水淹没区域标注的遥感影像数据集,即最终的多特征融合图数据集对DeepWFNet模型进行训练;DeepWFNet模型训练采用多特征融合策略,将边缘特征、光谱特征、纹理特征与RBG图像共同作为输入,输出的结果为[0,1]二值分布的灰度图;

S4:将多特征融合图数据集输入DeepWFNet网络模型进行洪水淹没范围识别,得到洪水识别结果;

S5:对洪水识别结果进行可视化优化与评估。

2.根据权利要求1所述的基于改进深度学习模型的洪灾水体智能识别方法,其特征在于,所述步骤S1的具体步骤为:S11:收集一年内洪水事件发生时的遥感影像作为原始数据,遥感影像至少包括红、绿、蓝三个波段;

S12:对原始数据进行预处理,得到标签样本数据集;

S13:对标签样本数据集进行影像增强,生成数据集。

3.根据权利要求2所述的基于改进深度学习模型的洪灾水体智能识别方法,其特征在于,所述步骤S12中,预处理过程为:首先对收集的原始数据使用自适应滤波进行降噪处理,然后使用ENVI软件进行辐射校正和几何校正,接着将处理后的遥感影像裁剪大小为512×512像素并剔除模糊不清的遥感影像,再将所有遥感影像格式转化为.tif,最后使用labelme标记洪水覆盖区域生成对应的真值标签,从而生成二分类的标签样本数据集。

4.根据权利要求3所述的基于改进深度学习模型的洪灾水体智能识别方法,其特征在于,所述步骤S13中,影像增强过程为:将步骤S12获得的遥感影像和对应的真值标签进行旋转、缩放、平移、亮度调整操作扩充数据,从而生成数据集。

5.根据权利要求4所述的基于改进深度学习模型的洪灾水体智能识别方法,其特征在于,所述步骤S2的具体步骤为:S21:对步骤S13生成的数据集应用Canny边缘检测算子获取遥感影像的边缘特征图;

S22:对步骤S13生成的数据集应用归一化水体指数计算遥感影像的光谱特征图;

S23:对步骤S13生成的数据集应用LBP算子生成遥感影像的纹理特征图;

S24:将边缘特征图、光谱特征图、纹理特征图的像素值大小进行等比缩放;

S25:将等比缩放后的边缘特征图、光谱特征图、纹理特征图与对应的RGB图像以波段组合方式拼接,生成最终的多特征融合图数据集。

6.根据权利要求5所述的基于改进深度学习模型的洪灾水体智能识别方法,其特征在于,所述步骤S22中,当遥感影像只有红绿蓝三波段时,采用若有近红外波段,则采用若有短波红外波段,则采用BandB+2.5BandG-1.5×(BandNIR+BandSWIR1)-0.25BandSWIR2,其中BandB表示蓝波段,BandG表示绿波段,BandR表示红波段,BandNIR表示近红外波段,BandSWIR1和BandSWIR2分别表示Landsat 8卫星上Band 6和Band 7波段值。

7.根据权利要求6所述的基于改进深度学习模型的洪灾水体智能识别方法,其特征在于,所述步骤S24中,应用Min-Max归一化法,将原始的灰度值线性映射到[0,255]范围,公式为:其中Xnew是缩放后的灰度值,X是原始灰度值,Xmin是原始灰度值的最小值,Xmax是原始灰度值的最大值。

8.根据权利要求1所述的基于改进深度学习模型的洪灾水体智能识别方法,其特征在于,所述步骤S4的具体步骤为:S41:获取待识别洪水覆盖范围区域的遥感影像,至少包括红、绿、蓝三波段,对获取的待识别遥感影像数据进行预处理,包括:去噪声、辐射校正、几何校正、裁剪成512×512像素大小、转换为.tif格式;

S42:计算待识别遥感影像的边缘特征、光谱特征、纹理特征,生成对应特征图,并与原始待识别遥感影像拼接形成待识别数据集;

S43:应用已训练的DeepWFNet模型识别待识别数据集,通过图像的像素级别分类,输出淹没区域预测图,并将结果拼接还原成裁剪前的大小。

9.根据权利要求8所述的基于改进深度学习模型的洪灾水体智能识别方法,其特征在于,所述步骤S5的具体步骤为:S51:对DeepWFNet模型输出的洪水淹没范围结果进行后处理,包括:腐蚀和膨胀,区域合并与分割,最后生成洪水淹没范围的矢量数据;

S52:将洪水淹没范围的矢量数据叠加至地理信息系统中,以便于可视化分析和进一步的灾害评估。