[发明专利]一种基于外业图片的地表火模型的可燃物自动识别方法

权利要求书

1.一种基于外业图片的地表火模型的可燃物自动识别方法，其特征在于，包括可燃物分类模型生成，可燃物自动分类，以及可燃物区域图谱生成三大步骤；其中，

可燃物分类模型生成步骤，通过输入采集数据集与标记后可燃物类别数据集训练卷积神经网络，生成可燃物分类模型；

可燃物自动分类步骤，通过可燃物分类模型对不同的可燃物数据进行分类，输出对应的可燃物类别概率图谱；

可燃物区域图谱生成步骤，通过对不同的可燃物类别进行颜色标记与区域合并，生成完整的地表可燃物类别区域图谱，并与真实地表图像叠加，获得地表真实可燃物类别区域图像；

数据集构建包括数据收集、数据处理、标签标定以及数据集生成；其中，

数据收集：采集卫星遥感数据，获得高精度的地表图像；

数据处理：根据不同的应用场景要求设定不同的采样精度，并在该采样精度下采集具有典型特征的可燃物类别图像；

标签标定：按照外业图片的地表火模型分类方案，将不同可燃物划分为七大类别并进行标签标记，同时进行二次校验；

数据集生成：每种可燃物类型选取1000张带有标签标记的遥感数据图像，其中80%放入训练集，10%放入测试集，10%放入验证集；

可燃物分类模型生成过程，包括框架搭建、模型训练、最优模型选择以及模型保存；其中，

框架搭建：采用多维感知残差网络初始化可燃物分类模型，设置Adam优化器寻找模型最优解，搭载Focal Loss完成误差的反向传播，并采用Accuracy作为评价指标；其中，搭载Focal Loss完成误差的反向传播，公式如下：

；

其中 γ 是指数形式的权重因子，权重调节项为与；Focal Loss依据预测概率对样本进行指数加权；

Accuracy评价指标公式如下：

；

其中，混淆矩阵TP=True Positive=真阳性，FP=False Positive=假阳性，FN=FalseNegative=假阴性，TN=True Negative=真阴性；

模型训练：将训练数据集数据批量输入网络进行可燃物分类模型训练，通过验证集进行模型优化；并根据不同的训练数据集生成多个不同的可燃物分类模型；

最优模型选择：将测试集数据输入不同的分类模型，以准确率为评价指标；选择准确率最接近1的最优模型；

模型保存：保存最优模型架构以及对应的模型参数；

可燃物区域图谱生成过程，包括区域合并与图像合成；其中，

区域合并：将分类好的单张图片进行合并，获得遥感图像的可燃物区域图谱；

图像合成：将可燃物区域图谱与真实的地表图像进行叠加，获得具有观察意义的地表可燃物区域图像。

2.根据权利要求1所述的一种基于外业图片的地表火模型的可燃物自动识别方法，其特征在于，可燃物自动分类过程，包括数据采集、数据预处理、模型识别、以及输出可燃物类别；其中，

数据采集：通过卫星获得指定地点的现场遥感数据；

数据预处理：数据预处理包括空间分割以及数据处理；空间分割，即通过指定的采样率对图像进行空间分割；数据处理，即对单个图片进行图像去噪与图像增强以及特征筛选与叠加；

模型识别：将处理好的数据输入到保存的可燃物分类模型中，通过模型判断出图像的可燃物类别；

输出可燃物类别：单张图像通过模型得到对应的可燃物类别后，用不同颜色对单张图像进行可燃物类别标记。

3.根据权利要求1所述的一种基于外业图片的地表火模型的可燃物自动识别方法，其特征在于，该方法具体实现步骤如下：

S1、采集卫星遥感数据；

S2、对单个遥感影像进行子区域划分；

S3、可燃物专家筛选具有典型特征的可燃物遥感影像并进行图像标注；

S4、建立可燃物类别数据集；

S5、训练可燃物分类模型；

S6、优化可燃物分类模型；

S7、选取并保存最优可燃物分类模型以及模型参数；

S8、在指定区域内采集卫星遥感数据；

S9、对采集到的数据进行指定分辨率的空间分割与图像处理；

S10、用训练好的最优可燃物分类模型进行可燃物类型识别；

S11、输出可燃物类别并进行颜色标记；

S12、将子区域合并生成可燃物类别区域图谱；

S13、将图谱与遥感图像叠加。