基于深度学习的海域开发利用变化监测方法及装置与流程

本技术涉及海域信息监测领域，尤其涉及一种基于深度学习的海域开发利用变化监测方法及装置。

背景技术：

1、为促进海洋自然资源管理信息化、智慧化的要求，以及卫星对地观测能力的不断提升，有必要以海域海岛动态监管任务需求为导向，统筹多源遥感监测能力，研发遥感变化监测技术，提升海域动态监测能力和水平，为海洋自然资源管理部门提供决策支撑。

2、而现有的海域开发利用遥感变化监测存在以下问题：1.主要集中于单时相的单个海域开发利用目标类型识别，缺乏基于多时相影像开展多种类型变化情况监测的方法；2.现有的海域开发利用样本大多采用人工目视判别进行制作，没有将海域相关业务图斑引入作为参考，存在变化类型判别的盲目性，并且人工标注成本较高；3、传统变化监测方法大多直接基于前后时相影像进行分析，容易受不同影像色彩差异干扰，导致变化监测成果出现较多“伪变化”。因此，对多时相影像、多种海域开发利用类型进行变化监测以及提升监测的准确度是一个亟需解决的问题。

技术实现思路

1、本技术的主要目的在于克服现有技术的缺点与不足，提供一种基于深度学习的海域开发利用变化监测方法及装置，本技术通过非对称神经网络提取到的非对称特征对，拥有指定的感受野和表征能力，能够针对前后时相地物不同的空间尺度，表示地物类型不同的复杂场景，从而更好地检测到难以辨认的变化区域。

2、为了达到上述目的，本技术采用以下技术方案：

3、第一方面，本技术提供了一种基于深度学习的海域开发利用变化监测方法，包括下述步骤：

4、收集多源多时相遥感影像数据；

5、对所述多源多时相遥感影像数据进行筛选和预处理，得到预处理后的遥感影像数据；

6、根据预处理后的遥感影像数据，构建变化监测样本；

7、将所述变化监测样本输入至预先设立的变化监测模型进行训练，得到训练好的变化监测模型；

8、将监检测的多源多时相遥感影像输入至训练好的变化监测模型，得到遥感影像的变化区域和变化类型；

9、所述变化监测模型是基于非对称的孪生神经网络设立的，所述非对称的孪生神经网络包括前时相地物分类分支、后时相地物分类分支和二值变化检测分支；所述前时相地物分类分支用于获取前时相地物的特征图和前时相地物分类结果图；所述后时相地物分类分支用于获取后时相地物的特征图和后时相地物分类结果图；所述二值变化检测分支用于聚合前时相地物分类分支的特征图和后时相地物分类分支的特征图，并通过解码操作得到变化概率图；

10、根据所述遥感影像的变化区域和变化类型，对变化监测专题成果进行输出。

11、作为优选的技术方案，还包括收集图斑数据；所述图斑数据包括不同时期的岸线修测数据、海域使用权属数据、围填海历史遗留问题图斑数据、养殖用海图斑数据。

12、作为优选的技术方案，所述对所述多源多时相遥感影像数据进行筛选和预处理；具体包括：

13、筛选出与图斑数据时刻相近的遥感影像，且前后时相的遥感影像具有重叠区域；

14、对筛选出来的遥感影像进行几何校正、影像融合、波段重组、影像匀色、重采样预处理。

15、作为优选的技术方案，所述构建变化监测样本，具体的：

16、通过比对预处理后的遥感影像的不同时期岸线修测数据或海岸线调查数据之间的差异，提取不同时期海岸线之间的变化区域，作为海域开发利用样本数据范围；

17、对于变化区域，结合海域使用权属、围填海历史遗留问题图斑数据、养殖用海图斑数据以及遥感影像确定海域开发利用变化类型和图斑变化范围，并对图斑变化范围的位置进行边界信息修正，确定最终的变化图斑数据；所述变化类型包括：海域变为填海造地，海域变为构筑物，海域变为围海，海域变为开放式养殖；

18、将所述最终的变化图斑数据进行矢量转栅格操作，获取标签栅格影像，将标签栅格影像制作形成变化监测样本；所述变化监测样本包括前时相影像、后时相影像和变化标签影像。

19、作为优选的技术方案，所述二值变化检测分支用于聚合前时相地物分类分支的特征图和后时相地物分类分支的特征图，并通过解码操作得到变化概率图，具体的：

20、非对称的孪生神经网络还包括非对称空间金字塔模块和非对称特征表示金字塔模块；

21、所述非对称空间金字塔模块获取前时相地物分类分支的深度特征和后时相地物分类分支的深度特征；

22、所述非对称特征表示金字塔模块利用归一化的权重分支聚合不同维度的前时相地物分类分支的深度特征和后时相地物分类分支中的深度特征，得到聚合后的深度特征；

23、将聚合后的深度特征通过串联和卷积操作得到多表征能力的深度特征图；

24、将所述多表征能力的深度特征图通过解码器恢复出空间维度，从而得到变化概率图。

25、作为优选的技术方案，还包括在得到变化概率图后，根据预先设置的变化阈值，将小于该变化阈值的区域划为未变化区域，否则为变化区域，结合变化区域、前时相地物分类结果图以及后时相分类结果图，获取变化类型。

26、作为优选的技术方案，所述根据所述遥感影像的变化区域和变化类型，对变化监测专题成果进行输出，具体的：

27、专题图输出：根据预设的专题地图输出模板，将变化区域的变化图斑进行自动配图，将变化图斑与对应的遥感影像进行叠加呈现到专题图；同时，根据预设指标对变化监测成果进行数值统计，绘制统计指标直方图；

28、专题报告输出：基于输入的遥感影像和变化图斑，结合业务图斑信息，生成分析报告。

29、第二方面，本技术提供了一种基于深度学习的海域开发利用变化监测装置，应用于所述的基于深度学习的海域开发利用变化监测方法，包括收集遥感影像模块、遥感影像处理模块、构建变化监测样本模块、变化监测模型模块、专题成果输出模块；

30、所述收集遥感影像模块，收集多源多时相遥感影像数据；

31、所述遥感影像处理模块，用于对所述多源多时相遥感影像数据进行筛选和预处理，得到预处理后的遥感影像数据；

32、所述构建变化监测样本模块，用于根据预处理后的遥感影像数据，构建变化监测样本；

33、所述变化监测模型模块，用于将所述变化监测样本输入至预先设立的变化监测模型进行训练，得到训练好的变化监测模型；

34、将待监测的多源多时相遥感影像输入至训练好的变化监测模型，得到遥感影像的变化区域和变化类型；

35、所述变化监测模型是基于非对称的孪生神经网络设立的，所述非对称的孪生神经网络包括前时相地物分类分支、后时相地物分类分支和二值变化检测分支；所述前时相地物分类分支用于获取前时相地物的特征图和前时相地物分类结果图；所述后时相地物分类分支用于获取后时相地物的特征图和后时相地物分类结果图；所述二值变化检测分支用于聚合前时相地物分类分支的特征图和后时相地物分类分支的特征图，并通过解码操作得到变化概率图；

36、所述专题成果输出模块，用于根据所述遥感影像的变化区域和变化类型，对变化监测专题成果进行输出。

37、第三方面，本技术提供了一种电子设备，所述电子设备包括：

38、至少一个处理器；以及，

39、与所述至少一个处理器通信连接的存储器；其中，

40、所述存储器存储有可被所述至少一个处理器执行的计算机程序指令，所述计算机程序指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行所述的基于深度学习的海域开发利用变化监测方法。

41、第四方面，本技术提供了一种计算机可读存储介质，存储有程序，所述程序被处理器执行时，实现所述的基于深度学习的海域开发利用变化监测方法。

42、综上所述，与现有技术相比，本技术提供的技术方案带来的有效效果至少包括：

43、本技术提出了一种基于深度学习的海域开发利用变化监测方法，通过在预处理阶段，极大地降低因不同影像色彩差异导致的伪变化问题，提高变化检测的准确率；采用的非对称孪生神经网络提取特征，能够针对前后时相地物不同的空间尺度，表示多种地物类型不同的复杂场景，与传统的孪生网络相比，非对称孪生神经网络可以更好地检测到难以辨认的变化区域。