[发明专利]一种基于深度学习的道路灾情遥感智能检测方法

权利要求书

1.一种基于深度学习的道路灾情遥感智能检测方法，其特征在于，包括以下步骤：

A、图像预处理：对遥感影像进行辐射定标、大气校正、几何校正、正射校正、图像配准；

B、建立道路缓冲区：根据道路矢量数据，依据图像分辨率建立基于道路宽度3-4倍区域作为道路缓冲区；

C、影像掩膜：根据建立的道路缓冲区，对遥感影像进行掩膜处理；

D、影像块裁切：将掩膜后的遥感影像裁切成多个影像块；

E、影像块预测：将裁剪好的影像块即有效影像块输入到训练好的YOLOV3网络中，预测其属于道路不同损毁类别的概率；

F、影像块合并：将进行预测之后的影像块进行合并，生成原始尺寸大小的影像结果图。

2.根据权利要求1所述的一种基于深度学习的道路灾情遥感智能检测方法，其特征在于：

所述的步骤B中，根据道路矢量数据建立道路缓冲区，将检测范围缩小至道路缓冲区所在区域的范围内，所述道路缓冲区是指沿着道路中心线向两边扩展得到宽度为3-4倍道路宽度的区域。

3.根据权利要求1所述的一种基于深度学习的道路灾情遥感智能检测方法，其特征在于：

所述的步骤C中，根据建立的道路周边缓冲区，对遥感影像进行掩膜，保留缓冲区内的遥感影像灰度值，缓冲区外的灰度值设为NULL。

4.根据权利要求1所述的一种基于深度学习的道路灾情遥感智能检测方法，其特征在于：所述的步骤D中，通过直接裁切，对掩膜后的道路周边遥感影像裁切成N*N大小的影像块，N为像素数目。

5.根据权利要求1所述的一种基于深度学习的道路灾情遥感智能检测方法，其特征在于：

所述的步骤E中，将裁剪后的影像块输入到改进的YOLOV3网络中，预测每个影像块中是否存在道路灾情目标，同时预测其属于道路不同损毁类别的概率，所述的改进的YOLOV3网络是指将YOLOV3网络中的Darknet53网络改为shuffleNet网络，并使用GIoU作为loss函数。

6.根据权利要求1所述的一种基于深度学习的道路灾情遥感智能检测方法，其特征在于：所述的步骤F中，将预测后的影像块进行影像合并，获取道路灾情信息在遥感影像中的宏观分布情况。

7.根据权利要求1所述的一种基于深度学习的道路灾情遥感智能检测方法，其特征在于：所述步骤A之前还包括：

根据道路灾情目标特征以及背景信息标注制作道路灾情目标样本的数据集，并进行图像增强，将制作好的数据集输入到YOLOV3网络中进行训练。

8.根据权利要求7所述的一种基于深度学习的道路灾情遥感智能检测方法，其特征在于：

所述根据道路灾情目标特征以及背景信息标注制作道路灾情目标样本的数据集，包括：

收集震区震后的高分辨率遥感影像，裁剪出包含道路灾情目标的图像块，根据道路灾情目标特征以及背景信息标注制作道路灾情目标样本，使用labelmg软件以PASCAL VOC格式进行标注。

9.根据权利要求7所述的一种基于深度学习的道路灾情遥感智能检测方法，其特征在于：

所述数据集增强包括通过旋转、翻转、增加噪声以及色彩转换的方式对标注完的数据集进行图像增强，利用有限的数据进行样本集的扩充，从而降低模型过拟合的可能性。

10.根据权利要求7所述的一种基于深度学习的道路灾情遥感智能检测方法，其特征在于：

所述网络训练包括将制作好的数据集输入到YOLOV3网络中进行训练，随着迭代次数的不断增加，loss会不断减小，最后训练完成。