[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

说明书

本发明公开了一种基于深度学习的道路灾情遥感智能检测方法，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。本发明方法操作方便易行，得到了准确的道路灾情检测分布结果。

技术领域

本发明属于遥感影像处理的技术领域，更具体涉及一种基于深度学习的道路灾情智能检测方法，适用于分辨率0.5m-2m的光学遥感影像。

背景技术

交通运输在震后救援中扮演着不可或缺的重要角色，然而，由于地震的影响，交通要素往往受到不同程度的毁坏而无法正常通行，给整个救援活动带来诸多的挑战，其中道路受灾对救援影响最大。因此，如何快速准确的获取震后道路受灾情况对整个灾后救援活动的顺利进行至关重要。依靠传统的方法很难从地面快速了解受灾区道路的受灾情况，从而无法快速地制定并实施救援方案，影响了整个救援活动的进度。

遥感作为一种快速获取地面情况的技术手段能够克服传统手段的局限性，对于道路而言，遥感的手段能够帮助决策者快速判断交通路线受阻的位置以及它的损毁程度，从而制定相应的疏通计划和救援路线，确保救援活动能够快速有效的进行。过去的遥感震后灾情提取多以人工目视解译为主，往往耗费大量的人力和时间，且依赖于专家的判读经验，速度慢，无法满足快速救援的时效性需求。随着计算机图像处理、模式识别和图像分类等技术的发展，遥感震后灾情提取逐渐自动化，使得灾情提取更具时效性，能够不断去满足灾情救援快速高效的需求。

道路在地震灾害收到破坏的形式包括由于地震本身造成交通线路的震毁、崩塌、断裂等以及由于次生灾害如滑坡、泥石流、堰塞湖等对道路造成的掩埋、淹没、封堵。

秦军等人以低空遥感平台获取的地震灾区大比例尺真彩色遥感影像为信息源，提取灾区道路、桥梁和隧道洞口等交通构筑物的空间信息，以及滑坡、崩塌、堰塞湖等灾害体的空间分布信息，形成崩塌、滑坡灾害分布和道路设施空间分布专题图。王艳萍等通过面向对象的方法快速提取道路灾情信息，利用震后道路网络图并结合路径优化算法建立了地震紧急救援路径优选模型。然而此类方法仍然无法直接针对道路受灾的部分进行检测，自动化程度有限，对人为干涉的依赖性较高。随着近年来地理信息系统(GeographicInformation System，GIS)基础数据的不断完善，GIS数据在灾害遥感信息提取中的应用也愈加广泛。谢翠容等提出了一种改进的矢量与影像叠加的算法，实现了道路灾情信息提取的高效率与高精度。通过建立道路缓冲区，使得提取受损路面的过程更加简洁有效，从而实现准确提取受灾路段。由此可见，将GIS数据与遥感数据结合并进行叠加分析，能够有效地约束目标检测的范围，从而提高道路灾情目标的检测精度。

发明内容

针对上述现有技术存在的缺陷，本发明解决的问题在于提供了一种基于深度学习的道路灾情遥感智能检测方法，方法易行，操作方便。通过结合GIS技术和深度学习技术，针对道路灾情目标本身进行检测。首先利用构建的道路灾情样本，将检测对象锁定到灾情本身，解决一般灾情提取技术由于多步操作导致的误差乘积效应；接着将样本输入YOLOv3网络进行训练，利用模型学习道路灾情语义特征，训练完成后对道路灾情进行检测，解决了常规方法自动化程度不高，道路灾情的检测精度依赖于道路提取精度且检测时间长的问题；此外，待检测数据输入网络前，采用道路矢量数据构建图像中相关道路的道路缓冲区，并通过图像掩膜技术将道路及其周边区域提取，解决了检测过程中由于影像范围过大导致的错检问题，又保留了检测必要的语义信息，进一步提高了检测效率。

为了实现上述目的，本发明采用以下技术措施：