基于多尺度特征融合的滑坡检测方法及系统

1.本发明涉及遥感领域，尤其涉及基于多尺度特征融合的滑坡检测方法及系统。


背景技术：

2.滑坡不仅给国民经济带来严重损失，而且对人民生命安全造成严重威胁。有效的滑坡检测对于灾后救援、灾后重建及植被恢复规划等具有重要的指示意义。传统的滑坡检测多依赖于实地调查，该方法费时费力，难以满足大范围的滑坡制图要求。随着科技的发展，海量的遥感数据为大范围滑坡检测提供了有效的数据支撑。相较于传统的计算机滑坡解译方法，基于深度学习的方法无需人为进行特征提取及参数评估，使端到端的自动化滑坡检测成为可能。近年来，将深度学习方法应用到滑坡检测领域，使得滑坡识别率得到了较大提升。
3.利用深度学习进行滑坡检测的方法包括灾后单时相滑坡检测方法，其对于具有滑坡特征的区域进行定位检测，一定程度上减少了工作量，并在实际应用中受到很大关注。尽管目前利用灾后单时相进行滑坡检测的方法较多，然而目前多集中于利用卷积神经网络进行滑坡检测，以及利用深层网络及注意力机制来学习全局特征的方法。
4.其中，卷积神经网络通过卷积运算聚合每个像素及其邻域像素来挖掘鲁棒的局部特征。由于卷积运算的接受域有限，难以从全局角度挖掘丰富的滑坡信息。利用深层网络及注意力机制来学习全局特征时，深层网络容易造成计算冗余和梯度消失，而注意力机制更倾向于关注大的连续区域，难以探索多样化的滑坡语义信息。因此，目前的利用灾后单时相数据进行滑坡检测的方法准确度往往不高。


技术实现要素：

5.本发明主要目的是要解决滑坡遥感图像的局部特征与整体特征没有被充分挖掘而导致的滑坡检测结果不准确的问题。
6.本发明提供一种基于多尺度特征融合的滑坡检测方法，包括：获取目标区域的遥感图像；将所述遥感图像输入训练后的滑坡检测模型，在模型的编码器部分基于局部几何模块、残差学习模块、整体相关模块分别提取底层、中层和高层语义特征，并在解码器部分基于局部几何模块与整体相关模块对编码器中提取的不同尺度特征进行融合后，输出滑坡分割结果；其中，所述局部几何模块、残差学习模块基于卷积神经网络构建，所述整体相关模块基于transformer网络构建，所述滑坡检测模型根据标有滑坡标签的遥感图像训练后得到。
7.在本发明的基于多尺度特征融合的滑坡检测方法中，所述获取目标区域的遥感图像，包括：获取目标区域的关于蓝光波段、绿光波段、红边波段、归一化植被指数、数字高程、坡向、坡度和山体阴影的多通道图像；将所述多通道图像进行预处理和通道合并后，得到所述遥感图像；其中，所述预处理包括大小裁剪和归一化。
8.在本发明的基于多尺度特征融合的滑坡检测方法中，所述局部几何模块对输入特
征图进行处理后的输出结果包括：
9.y
vgm
＝rl(bn(conv(rl(bn(conv(x))))))
10.其中，x为输入特征图，conv为卷积运算，bn为批归一化，rl为线性修正单元激活函数，y
vgm
为局部几何模块的输出结果。
11.在本发明的基于多尺度特征融合的滑坡检测方法中，所述残差学习模块对输入特征图进行处理后的输出结果包括：
12.y
rlm
＝rl(bn(conv(bn(conv(bn(conv(x))))))+x)
13.其中，x为输入特征图，conv为卷积运算，bn为批归一化，rl为线性修正单元激活函数，y
rlm
为残差学习模块的输出结果。
14.在本发明的基于多尺度特征融合的滑坡检测方法中，所述整体相关模块对输入特征图进行处理后的输出结果包括：
[0015][0016]
其中，
[0017]
其中，x为输入特征图，msa为多头自注意力机制，ln为归一化，conv为卷积运算，bn为批归一化，rl为线性修正单元激活函数，f
trm
为整体相关模块输出结果。
[0018]
在本发明的基于多尺度特征融合的滑坡检测方法中，所述在编码器部分基于局部几何模块、残差学习模块、整体相关模块分别提取底层、中层和高层语义特征，包括：将所述遥感图像分别输入局部几何模块、残差学习模块、整体相关模块，分别得到第一特征图、第二特征图和第三特征图；将所述第二特征图再次输入残差学习模块，所述第三特征图再次输入整体相关模块，分别得到第四特征图和第五特征图；
[0019]
相应地，所述在解码器部分基于局部几何模块与整体相关模块对编码器中提取的不同尺度特征进行融合，包括：在解码器部分基于局部几何模块与整体相关模块对所述第一特征图、所述第二特征图、所述第三特征图、所述第四特征图和所述第五特征图进行融合。
[0020]
在本发明的基于多尺度特征融合的滑坡检测方法中，所述获取目标区域的遥感图像之前，还包括：获取带有滑坡标签的样本遥感图像；将任一样本遥感图像输入基于所述局部几何模块、所述残差学习模块和所述整体相关模块构建的滑坡检测模型，计算所述样本遥感图像输出结果和所述滑坡标签之间的损失值，并基于计算的损失值对构建的滑坡检测模型的模型参数进行更新；重复将任一样本遥感图像输入构建的滑坡检测模型，至对构建的滑坡检测模型的模型参数进行更新的过程，直至构建的滑坡检测模型满足预设达标条件，得到所述训练后的滑坡检测模型；其中，所述损失值由交叉熵损失与相似系数损失加权后得到。
[0021]
本发明提供一种基于多尺度特征融合的滑坡检测系统，包括：输入模块，用于获取目标区域的遥感图像；处理模块，用于将所述遥感图像输入训练后的滑坡检测模型，在模型的编码器部分基于局部几何模块、残差学习模块、整体相关模块分别提取底层、中层和高层语义特征，并在解码器部分基于局部几何模块与整体相关模块对编码器中提取的不同尺度特征进行融合后，输出滑坡分割结果；其中，所述局部几何模块、残差学习模块基于卷积神经网络构建，所述整体相关模块基于transformer网络构建，所述滑坡检测模型根据标有滑
坡标签的遥感图像训练后得到。
[0022]
在本发明的基于多尺度特征融合的滑坡检测系统中，所述输入模块具体用于：获取目标区域的关于蓝光波段、绿光波段、红边波段、归一化植被指数、数字高程、坡向、坡度和山体阴影的多通道图像；将所述多通道图像进行预处理和通道合并后，得到所述遥感图像；其中，所述预处理包括大小裁剪和归一化。
[0023]
本发明产生的有益效果是：通过卷积神经网络与transformer技术，设置局部几何模块、残差学习模块和整体相关模块，构建多尺度特征融合滑坡检测模型，从中提取了滑坡遥感图像的低层与中层部特征，以及高层的全局特征，避免了传统的卷积运算的接受域有限的问题，同时，将提取的局部特征与整体特征基于整体相关与局部几何模块进行融合，不仅充分地提取了多层次特征，还达到了将多种特征有效融合的目的，避免了深层网络造成的计算冗余和梯度消失问题，最终提高了滑坡检测模型的总体精度。
附图说明
[0024]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0025]
图1是本发明实施例的基于多尺度特征融合的滑坡检测方法的流程示意图；
[0026]
图2是本发明实施例的滑坡检测模型的网络结构示意图；
[0027]
图3是本发明实施例的通过不同方法得到的高分辨率遥感影像滑坡检测结果示意图。
具体实施方式
[0028]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0029]
下面结合图1至图3对本发明的基于多尺度特征融合的滑坡检测方法及系统进行说明，图1是本发明实施例的基于多尺度特征融合的滑坡检测方法的流程示意图，如图1所示，本发明提供一种基于多尺度特征融合的滑坡检测方法，包括：
[0030]
s1、获取目标区域的遥感图像；
[0031]
s2、将所述遥感图像输入训练后的滑坡检测模型，在模型的编码器部分基于局部几何模块、残差学习模块、整体相关模块分别提取底层、中层和高层语义特征，并在解码器部分基于局部几何模块与整体相关模块对编码器中提取的不同尺度特征进行融合后，输出滑坡分割结果。
[0032]
其中，所述局部几何模块、残差学习模块基于卷积神经网络构建，所述整体相关模块基于transformer网络构建，所述滑坡检测模型根据标有滑坡标签的遥感图像训练后得到。
[0033]
首先，在s1之前，本发明预先利用卷积神经网络与transformer技术，设置局部几何模块、残差学习模块和整体相关模块，然后以此构建多尺度特征融合滑坡检测模型。
[0034]
在s1中，获取了数据集中关于目标区域的遥感图像后，可以先进行相应的预处理，然后在s2中将预处理后的遥感图像输入构建的多尺度特征融合滑坡检测模型(简称滑坡检测模型)，得到滑坡的检测结果。
[0035]
对于模型的处理过程，在编码器中，基于构建的局部几何模块与残差学习模块学习底层和中层语义信息，同时基于构建的整体相关模块学习高级语义信息。在解码器中，利用构建的局部几何模块与整体相关模块对编码器中提取的不同尺度特征进行深度融合，学习多样化滑坡特征并产生滑坡预测结果。
[0036]
其中，基于卷积运算构建的局部几何模块学习浅层特征，如颜色、纹理、边缘、形状和位置信息等。而残差网络能够有效捕获语义特征且避免训练过程中的梯度消失问题，本发明还提出基于卷积运算构建残差学习模块来挖掘中层语义信息。然而，卷积运算很难在全局范围内学习长距离依赖关系，而transformer能够挖掘全局特征。因此，本发明基于transformer技术构建整体相关模块以挖掘全局特征。
[0037]
本发的基于多尺度特征融合的滑坡检测方法，避免了传统的卷积运算的接受域有限的问题，同时，将提取的局部特征与整体特征基于整体相关与局部几何模块进行融合，不仅充分地提取了多层次特征，还达到了将多种特征有效融合的目的，避免了深层网络造成的计算冗余和梯度消失问题，最终提高了滑坡检测模型的总体精度。
[0038]
在一实施例中，所述获取目标区域的遥感图像，包括：获取目标区域的关于蓝光波段、绿光波段、红边波段、归一化植被指数、数字高程、坡向、坡度和山体阴影的多通道图像；将所述多通道图像进行预处理和通道合并后，得到所述遥感图像；其中，所述预处理包括大小裁剪和归一化。
[0039]
首先，利用光学图像中的红光波段与近红外波段计算归一化植被指数，再利用数字高程模型提取坡度、坡向与山体阴影三个辅助特征，结合蓝光波段、绿光波段、红边波段的图像，得到上述多通道图像，各特征因子具体描述如表1所示。
[0040]
表1特征因子描述
[0041]
[0042][0043]
将所述提取到的归一化植被指数、坡度、坡向、山体阴影、光学图像与数字高程模型，进行通道合并使之成为一个单独的文件。
[0044]
将合并后的文件进行数据归一化操作，其中光学图像中的五个通道根据统一的最大值与最小值进行离差标准化以尽可能保留光谱信息，其他特征因子根据该通道本身的最大值与最小值进行离差标准化，进行数据规整，按比例缩小至预设范围内至0到1区间内。将所述归一化后的图像裁剪成如128
×
128像素大小的图像，同时考虑依据20％的重叠度进行裁剪，以尽可能保留图像边缘的背景信息，最终得到输入滑坡检测模型的遥感图像。
[0045]
本发明实施例的基于多尺度特征融合的滑坡检测方法，输入的遥感图像融合了光学特征和空间特征(数字高程、坡向、坡度特征)，有利于得到准确的滑坡检测结果。
[0046]
在一个实施例中，所述局部几何模块(vgm)对输入特征图进行处理后的输出结果包括：
[0047]yvgm
＝rl(bn(conv(rl(bn(conv(x))))))
[0048]
其中，x为输入特征图，conv为卷积运算，bn为批归一化，rl为线性修正单元激活函数，y
vgm
为局部几何模块的输出结果。
[0049]
具体而言，将上述预处理后的遥感图像输入到局部几何模块进行底层局部特征提取。局部几何模块可由卷积核大小为3的卷积运算、批归一化和线性修正单元激活函数组成。对于一个给定的输入图像x∈rh×w×c，其中h、w和c分别表示高度、宽度和通道数，预设图像大小为128
×
128
×
8，其中128为图像高度，128为图像宽度，8为图像通道数，利用局部几
何模块将x转换为细粒度特征图，所述构建的几何模块的具体操作过程如上式。
[0050]
在一个实施例中，所述残差学习模块(rlm)对输入特征图进行处理后的输出结果包括：
[0051]yrlm
＝rl(bn(conv(bn(conv(bn(conv(x))))))+x)
[0052]
其中，x为输入特征图，conv为卷积运算，bn为批归一化，rl为线性修正单元激活函数，y
rlm
为残差学习模块的输出结果。
[0053]
局部几何模块侧重于使用较少卷积操作提取底层特征，缺乏语义信息。残差学习模块能够高效捕获语义信息，将上述预处理后的遥感图像输入到残差学习模块进行中层局部特征提取。残差学习模块包括两个卷积操作、批归一化和线性修正单元激活函数。它的具体操作过程如上式所示。
[0054]
本发明实施例的基于多尺度特征融合的滑坡检测方法，局部几何模块可以有效捕获细粒度的特征，提取到的特征具有高精度的空间位置信息和丰富的纹理信息，对小型滑坡具有很强的探测能力。
[0055]
在一个实施例中，所述整体相关模块(trm)对输入特征图进行处理后的输出结果包括：
[0056][0057]
其中，
[0058]
其中，x为输入特征图，msa为多头自注意力机制，ln为归一化，conv为卷积运算，bn为批归一化，rl为线性修正单元激活函数，f
trm
为整体相关模块输出结果。
[0059]
基于卷积运算的局部几何模块和残差学习模块能在不同尺度局部信息，却很难在全局范围内学习长距离依赖关系。transformer在全局建模中具有巨大优势。为此，基于transformer技术构建整体相关模块，以挖掘滑坡图像的全局特征。将上述预处理后的图像输入到整体相关模块进行全局特征提取。对给定输入图像x∈rh×w×c，运用块嵌入操作将输入图像调整为一系列子块，其操作如上式所示。之后，实施归一化、多层感知以及跳跃连接等操作进行特征处理，最终得到f
trm
的结果。
[0060]
在一个实施例中，所述在编码器部分基于局部几何模块、残差学习模块、整体相关模块分别提取底层、中层和高层语义特征，包括：
[0061]
将所述遥感图像分别输入局部几何模块、残差学习模块、整体相关模块，分别得到第一特征图、第二特征图和第三特征图；将所述第二特征图再次输入残差学习模块，所述第三特征图再次输入整体相关模块，分别得到第四特征图和第五特征图；相应地，所述在解码器部分基于局部几何模块与整体相关模块对编码器中提取的不同尺度特征进行融合，包括：在解码器部分基于局部几何模块与整体相关模块对所述第一特征图、所述第二特征图、所述第三特征图、所述第四特征图和所述第五特征图进行融合。
[0062]
图2是本发明实施例的滑坡检测模型的网络结构示意图，如图2所示，本发明实施例中，使用两个残差学习模块进行特征提取，第一个残差学习模块的输出结果输入第二个残差学习模块，共得到两层特征输出，即第二特征图和第四特征图。同时，使用两个整体相关模块进行特征提取，第一个整体相关模块的输出结果输入第二个整体相关模块，共得到
两层特征输出，即第三特征图和第五特征图。然后，在解码器部分通过局部几何模块与整体相关模块对五个特征图进行融合。基于此，本发明实施例的基于多尺度特征融合的滑坡检测方法，对遥感图像的各层次特征进行了充分挖掘，局部特征与整体特征的挖掘均显著提高的同时，避免了深层网络造成的计算冗余和梯度消失问题。
[0063]
在一个实施例中，所述获取目标区域的遥感图像之前，还包括：获取带有滑坡标签的样本遥感图像；将任一样本遥感图像输入基于所述局部几何模块、所述残差学习模块和所述整体相关模块构建的滑坡检测模型，计算所述样本遥感图像输出结果和所述滑坡标签之间的损失值，并基于计算的损失值对构建的滑坡检测模型的模型参数进行更新；重复将任一样本遥感图像输入构建的滑坡检测模型，至对构建的滑坡检测模型的模型参数进行更新的过程，直至构建的滑坡检测模型满足预设达标条件，得到所述训练后的滑坡检测模型；其中，所述损失值由交叉熵损失与相似系数损失加权后得到。
[0064]
在s2中的滑坡检测模型使用之前，还需要对滑坡检测模型进行训练。其中，交叉熵损失函数不仅可以衡量模型的效果，而且可以方便地计算损失值，被广泛应用于分割任务中。本发明基于滑坡标签与样本遥感图像，利用交叉熵损失计算预测损失值，其公式如下：
[0065][0066]
其中，n为样本个数，y
i,j
表示真实标签，p
i,j
表示预测样本属于滑坡的概率。
[0067]
由于交叉熵损失在当前景像素的数量远远小于背景像素的数量时，即非滑坡像素数量远大于滑坡像素数量，非滑坡像素在损失函数中占据主导地位，从而使得模型严重偏向非滑坡，导致模型训练效果差。因此，本发明还使用相似系数损失来解决样本不平衡问题，其公式如下：
[0068][0069]
其中，p(x)代表滑坡真实标签，值为1时代表滑坡，值为0时代表非滑坡；g(x)代表滑坡预测概率。
[0070]
本发明结合计算的两种损失，共同优化所述构建的多尺度特征融合滑坡检测模型，损失值的计算公式如下
[0071]
l
total
＝l
bce
+β
·
l
dsc
[0072]
其中，β代表相似系数损失的权重系数，其值可设置为0.5。
[0073]
然后利用反向传播，更新模型参数，通过降低损失值来优化所述的多尺度特征融合滑坡检测模型，最终当滑坡检测模型满足预设的达标条件便可参与到s1和s2的检测。达标条件可根据需求设置，包括但不限于检测的准确度、精度和召回率等。
[0074]
下面，结合仿真实验示例对本发明的效果做进一步说明。
[0075]
(1)仿真实验条件：本实验的硬件测试平台为：intel酷睿i7处理器，内存为64gb的深度学习机，软件平台为：linux操作系统、python 3.6.8。计算过程是在nvidia cuda toolkit 10.1环境下使用两个nvidia geforce rtx 2080ti gpu(12gb ram)执行的。本发明使用rapideye高分辨率遥感卫星影像，该遥感图像空间分辨率为5米，有红光波段、绿光波段、蓝光波段、近红外波段以及红边波段，影像大小为5000
×
5000像素；数字高程模型来
源于alos相控阵l波段合成孔径雷达(palsar)传感器，空间分辨率为12.5m，为便于分析，将其与光学图像空间分辨相匹配，重采样到5米。
[0076]
(2)仿真内容：
[0077]
本实施例中，将本发明提供的多尺度特征融合的滑坡检测方法与传统的两种检测方法进行了对比，传统的两种检测方法为unet方法和deeplabv3 plus方法，具体如下：
[0078]
实验过程中，基于不同方法获得的滑坡编目数据预测图，结合真实的滑坡标签来构建混淆矩阵，从而计算总体精度、精确率、召回率、f1分数、kappa系数以及平均交并比来对本发明方法的性能进行定量评价。
[0079]
图3是本发明实施例的通过不同方法得到的高分辨率遥感影像滑坡检测结果示意图，如图3所示，其中，(a)为滑坡遥感图像，(b)为真实滑坡标签，(c)为unet获取的滑坡检测图，(d)为deeplabv3 plus获取的滑坡检测图，(e)为本发明方法获取的滑坡检测图。
[0080]
(3)实验结果分析
[0081]
表2为不同方法检测精度评价结果，如表2所示，通过表2可以从客观评价指标上对图3中各方法的检测结果进行评价。
[0082]
表2
[0083][0084]
综合表2和图3可以看出，由于滑坡检测是一个样本分布不平衡任务，因而各检测方法总体精度差异较小。就精准率而言，deeplabv3 plus方法得到的滑坡预测编目图精准率高，而召回率最低仅有45.68％，说明大量的滑坡未被识别出。就召回率而言，本发明所提出的方法相较于其他方法，能够识别出更多的滑坡，说明本发明的模型极大的提高了滑坡检测的识别率。在滑坡检测领域，往往更加注重滑坡检测的召回率而非准确率。f1分数是精准率与召回率的调和值，是各大比赛中用来评价模型精度的最重要参数，而本发明的方法取得的f1分数最高。此外，kappa系数与平均交并比的值也明显超出了其他方法。由此可知，本发明所提出的基于多尺度特征融合的滑坡检测方法能够明显提升滑坡检测的识别精度。
[0085]
本发明还提供一种基于多尺度特征融合的滑坡检测系统，包括：输入模块，用于获取目标区域的遥感图像；处理模块，用于将所述遥感图像输入训练后的滑坡检测模型，在模型的编码器部分基于局部几何模块、残差学习模块、整体相关模块分别提取底层、中层和高层语义特征，并在解码器部分基于局部几何模块与整体相关模块对编码器中提取的不同尺度特征进行融合后，输出滑坡分割结果；其中，所述局部几何模块、残差学习模块基于卷积神经网络构建，所述整体相关模块基于transformer网络构建，所述滑坡检测模型根据标有滑坡标签的遥感图像训练后得到。
[0086]
在一个系统实施例中，所述输入模块具体用于：获取目标区域的关于蓝光波段、绿光波段、红边波段、归一化植被指数、数字高程、坡向、坡度和山体阴影的多通道图像；将所述多通道图像进行预处理和通道合并后，得到所述遥感图像；其中，所述预处理包括大小裁剪和归一化。
[0087]
本发明实施例所提供的基于多尺度特征融合的滑坡检测系统，其实现原理及产生的技术效果和前述基于多尺度特征融合的滑坡检测方法实施例相同，为简要描述，基于多尺度特征融合的滑坡检测系统实施例部分未提及之处，可参考前述基于多尺度特征融合的滑坡检测方法实施例中相应内容。
[0088]
本技术还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘、服务器、app应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质被处理器执行时实现方法实施例基于多尺度特征融合的滑坡检测方法。
[0089]
综上，本发明方法能够充分结合卷积神经网络与transformer技术的优势，设计局部几何模块、残差学习模块和整体相关模块，构建多尺度特征融合滑坡检测网络，从而有效地提高滑坡识别的准确率及滑坡识别的能力，能够解决现有技术方法中全局信息缺少、滑坡检测精度低等问题，是一种非常实用有效的高分辨率影像滑坡检测方法。
[0090]
需要指出，根据实施的需要，可将本技术中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。
[0091]
上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
[0092]
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

技术特征：
1.一种基于多尺度特征融合的滑坡检测方法，其特征在于，包括：获取目标区域的遥感图像；将所述遥感图像输入训练后的滑坡检测模型，在模型的编码器部分基于局部几何模块、残差学习模块、整体相关模块分别提取底层、中层和高层语义特征，并在解码器部分基于局部几何模块与整体相关模块对编码器中提取的不同尺度特征进行融合后，输出滑坡分割结果；其中，所述局部几何模块、残差学习模块基于卷积神经网络构建，所述整体相关模块基于transformer网络构建，所述滑坡检测模型根据标有滑坡标签的遥感图像训练后得到。2.根据权利要求1所述的基于多尺度特征融合的滑坡检测方法，其特征在于，所述获取目标区域的遥感图像，包括：获取目标区域的关于蓝光波段、绿光波段、红边波段、归一化植被指数、数字高程、坡向、坡度和山体阴影的多通道图像；将所述多通道图像进行预处理和通道合并后，得到所述遥感图像；其中，所述预处理包括大小裁剪和归一化。3.根据权利要求1所述的基于多尺度特征融合的滑坡检测方法，其特征在于，所述局部几何模块对输入特征图进行处理后的输出结果包括：y
vgm
＝rl(bn(conv(rl(bn(conv(x))))))其中，x为输入特征图，conv为卷积运算，bn为批归一化，rl为线性修正单元激活函数，y
vgm
为局部几何模块的输出结果。4.根据权利要求1所述的基于多尺度特征融合的滑坡检测方法，其特征在于，所述残差学习模块对输入特征图进行处理后的输出结果包括：y
rlm
＝rl(bn(conv(bn(conv(bn(conv(x))))))+x)其中，x为输入特征图，conv为卷积运算，bn为批归一化，rl为线性修正单元激活函数，y
rlm
为残差学习模块的输出结果。5.根据权利要求1所述的基于多尺度特征融合的滑坡检测方法，其特征在于，所述整体相关模块对输入特征图进行处理后的输出结果包括：其中，其中，x为输入特征图，msa为多头自注意力机制，ln为归一化，conv为卷积运算，bn为批归一化，rl为线性修正单元激活函数，f
trm
为整体相关模块输出结果。6.根据权利要求1所述的基于多尺度特征融合的滑坡检测方法，其特征在于，所述在编码器部分基于局部几何模块、残差学习模块、整体相关模块分别提取底层、中层和高层语义特征，包括：将所述遥感图像分别输入局部几何模块、残差学习模块、整体相关模块，分别得到第一特征图、第二特征图和第三特征图；将所述第二特征图再次输入残差学习模块，所述第三特征图再次输入整体相关模块，分别得到第四特征图和第五特征图；相应地，所述在解码器部分基于局部几何模块与整体相关模块对编码器中提取的不同
尺度特征进行融合，包括：在解码器部分基于局部几何模块与整体相关模块对所述第一特征图、所述第二特征图、所述第三特征图、所述第四特征图和所述第五特征图进行融合。7.根据权利要求1所述的基于多尺度特征融合的滑坡检测方法，其特征在于，所述获取目标区域的遥感图像之前，还包括：获取带有滑坡标签的样本遥感图像；将任一样本遥感图像输入基于所述局部几何模块、所述残差学习模块和所述整体相关模块构建的滑坡检测模型，计算所述样本遥感图像输出结果和所述滑坡标签之间的损失值，并基于计算的损失值对构建的滑坡检测模型的模型参数进行更新；重复将任一样本遥感图像输入构建的滑坡检测模型，至对构建的滑坡检测模型的模型参数进行更新的过程，直至构建的滑坡检测模型满足预设达标条件，得到所述训练后的滑坡检测模型；其中，所述损失值由交叉熵损失与相似系数损失加权后得到。8.一种基于多尺度特征融合的滑坡检测系统，其特征在于，包括：输入模块，用于获取目标区域的遥感图像；处理模块，用于将所述遥感图像输入训练后的滑坡检测模型，在模型的编码器部分基于局部几何模块、残差学习模块、整体相关模块分别提取底层、中层和高层语义特征，并在解码器部分基于局部几何模块与整体相关模块对编码器中提取的不同尺度特征进行融合后，输出滑坡分割结果；其中，所述局部几何模块、残差学习模块基于卷积神经网络构建，所述整体相关模块基于transformer网络构建，所述滑坡检测模型根据标有滑坡标签的遥感图像训练后得到。9.根据权利要求8所述的基于多尺度特征融合的滑坡检测系统，其特征在于，所述输入模块具体用于：获取目标区域的关于蓝光波段、绿光波段、红边波段、归一化植被指数、数字高程、坡向、坡度和山体阴影的多通道图像；将所述多通道图像进行预处理和通道合并后，得到所述遥感图像；其中，所述预处理包括大小裁剪和归一化。10.一种计算机存储介质，其特征在于，其内存储有可被处理器执行的计算机程序，该计算机程序执行权利要求1-7任一项所述的基于多尺度特征融合的滑坡检测方法。

技术总结
本发明公开了一种基于多尺度特征融合的滑坡检测方法及系统，涉及遥感领域，该方法包括：获取目标区域的遥感图像；将遥感图像输入训练后的滑坡检测模型，在模型的编码器部分基于局部几何模块、残差学习模块、整体相关模块分别提取底层、中层和高层语义特征，并在解码器部分基于局部几何模块与整体相关模块对编码器中提取的不同尺度特征进行融合后，输出滑坡分割结果；其中，局部几何模块、残差学习模块基于卷积神经网络构建，整体相关模块基于Transformer网络构建，滑坡检测模型根据标有滑坡标签的遥感图像训练后得到。该方法不仅充分地提取了多层次特征还将多种特征有效融合，避免了计算冗余和梯度消失问题，提高了滑坡检测模型精度。测模型精度。测模型精度。


技术研发人员：李朋磊 王毅
受保护的技术使用者：中国地质大学（武汉）
技术研发日：2023.06.20
技术公布日：2023/9/13