一种基于拟态自学习的矿区用地智能识别方法及系统与流程

本发明涉及矿区土地利用，尤其涉及一种基于拟态自学习的矿区用地智能识别方法及系统。

背景技术：

1、矿产资源的开发和利用在带动国民经济发展的同时，不可避免也造成了一系列严重的生态环境问题，特别是在露天矿开采过程中，矿区以及周边土地资源易受到开采造成的土地压占、挖损等破坏的直接影响和生态环境恶化导致的土地退化的间接影响。因此，实现矿区用地高效、精准识别是目前亟待解决的问题，对于掌握矿山开采活动、预防环境与地质风险、实现矿区可持续绿色发展至关重要。

2、随着遥感技术的快速发展，遥感影像的空间分辨率越来越高，高分辨率遥感影像能够提供更加清晰的矿区用地细节以及纹理特征，在矿区用地特征信息提取和识别等方面应用越来越广泛。传统的目视解译方法虽然对于用地识别的准确率高，但需要耗费大量的人力物力，工作效率低。近年来，结合深度学习和遥感技术的矿区用地识别方法研究取得了一定的进展，高分辨率影像经过预处理后人工制作样本数据集的原始图像和标签图像，从而训练搭建的深度学习网络，对特征信息进行提取，实现矿区用地的识别。但当前基于深度学习方法开展矿区用地识别的方法，仍然存在以下问题亟需解决：

3、(1)对于深度学习网络的训练需要用到标签图像，而标签图像的制作通常需要耗费大量时间和人力资源，同时由于矿区环境复杂，常存在标注困难的问题。

4、(2)现有的方法未考虑到影像中包含的多尺度信息，无法对不同尺度下特征信息进行分层提取，同时还存在的同类地物特征的多样性和不同类地物间信息特征的相似性问题，导致用地识别精度较差。

5、(3)传统的深度学习网络结构无法有效地整合由高分辨率影像提取得到的多尺度特征信息，模型鲁棒性较差。

技术实现思路

1、有鉴于此，本发明提出了一种基于拟态自学习的矿区用地智能识别方法及系统，能够对矿区用地特征信息进行分层提取并整理融合，利用少量的标签数据训练构建的矿区用地智能识别网络，实现矿区用地的智能精准识别，有利于矿区土地资源的监测和保护。

2、具体的，本发明的目的通过下述技术方案实现：

3、本发明的第一方面提供一种基于拟态自学习的矿区用地智能识别方法，其方法包括：

4、获取矿区遥感影像并预处理，标注矿区用地并栅格化裁剪为影像块，作为有标签样本，有标签样本包括训练集、验证集和测试集；

5、构建密集型特征融合分割网络，对有标签样本进行特征提取得到矿区用地特征图；

6、构建基于拟态自学习的智能识别网络模型，向智能识别网络模型输入土地利用有标签样本和无标签样本进行模型训练，得到训练后的智能识别网络模型；

7、向训练后的智能识别网络模型输入待识别矿区影像得到矿区用地的识别结果。

8、需要说明的是，无标签样本和有标签样本为裁剪得到分辨率相同像素大小的影像块。

9、根据本发明的一个实施例，构建密集型特征融合分割网络的方法包括：

10、基于u-net架构设计denseunet，整合densenet的密集连接特性，构建初步网络模型；

11、在初步网络模型的编码和解码阶段加入dense blocks，使用多层卷积和直接连接技术提取有标签样本深层和表层特征；

12、在解码阶段，将深层特征图上采样并与相应编码阶段的特征图融合，恢复空间信息并强化特征的整合；

13、采用跳跃连接策略在网络中不同层级间直接传递特征；

14、使用有标签样本进行网络训练，应用交叉熵损失函数优化分类精度；

15、利用验证集对模型进行评估，调整网络参数，通过性能指标评价模型效果，得到密集型特征融合分割网络。

16、根据本发明的一个实施例，构建基于拟态自学习的智能识别网络模型的方法包括：

17、基于pscrecnet网络模型构建学生模型和教师模型框架；

18、对无标签样本进行数据增强并生成伪标签；

19、对学生模型与教师模型进行多次迭代的交互训练和模型验证，得到最终的智能识别网络模型。

20、根据本发明的一个实施例，对无标签样本进行数据增强并生成伪标签的方法包括：

21、通过弱增强对无标签样本进行数据增强得到弱增强样本；

22、通过教师模型使用弱增强样本生成可靠的伪标签；

23、通过强增强对无标签样本进行数据增强得到强增强样本；

24、通过学生模型使用强增强样本生成不可靠的伪标签。

25、根据本发明的一个实施例，对学生模型与教师模型进行多次迭代的交互训练的方法包括：

26、学生模型使用有标签样本和可靠的伪标签进行训练；

27、在每个训练周期结束后，通过对学生模型参数进行指数移动平均，更新教师模型的参数；

28、多次迭代更新生成新的可靠的伪标签和不可靠的伪标签。

29、根据本发明的一个实施例，对学生模型与教师模型进行模型验证的方法包括：

30、定期使用验证集对智能识别网络模型进行检验，采用指标性能评估智能识别网络模型的表现；

31、根据反馈结果调整训练策略和模型架构；

32、训练完成后，使用独立的测试集计算学生模型的最终精度，其计算方法为：

33、l＝ls+λlu；

34、其中，l是模型总体的损失函数，体现矿区用地识别模型的性能；ls是有标签样本识别的损失函数，通过比较模型对有标签样本的预测和真实标签之间的差异，来引导模型学习对有标签数据的正确识别；lu是无标签样本识别的损失函数，通过比较模型对无标签样本的预测和伪标签之间的差异，来引导模型学习对无标签数据的识别λ是用于调整无监督分割损失在总体损失中的权重；

35、

36、其中，n是有标签样本的数量，nu是无监督样本的数量，h和w分别是分割掩码的高度和宽度，c是类别数量，mijc是真实分割标签的概率值，是对应的模型预测值，是伪标签的预测值，β是一致性损失的权重，是模型对同一样本的第j行第k列的第c个类别的预测概率，consistency loss是一致性损失，用来最小化模型在同一样本的不同位置上的预测之间的差异。

37、根据本发明的一个实施例，标注矿区用地并栅格化裁剪为影像块的方法包括：

38、识别并标注矿区遥感影像中不同用地类型的边界，得到矿区用地的矢量数据；

39、对标注得到矢量数据进行栅格化得到标签栅格数据；

40、将原始遥感影像数据和标签栅格数据进行裁剪得到分辨率相同像素大小影像块。

41、根据本发明的一个实施例，用地类型包括露天采场、排土场、煤堆、矿山建筑、乔木、灌木、高/中/低覆盖度草地、草灌乔混交、水体、道路和裸地。

42、根据本发明的一个实施例，训练集、验证集和测试集的比例为6：4：1。

43、本发明的第二方面提供一种基于拟态自学习的矿区用地智能识别系统，包括：

44、样本获取模块：获取矿区遥感影像并预处理，标注矿区用地并栅格化裁剪为影像块，作为有标签样本，有标签样本包括训练集、验证集和测试集；

45、特征提取模块：构建密集型特征融合分割网络，对有标签样本进行特征提取得到矿区用地特征图；

46、模型构建及训练模块：构建基于拟态自学习的智能识别网络模型，向智能识别网络模型输入土地利用有标签样本和无标签样本进行模型训练，得到训练后的智能识别网络模型；

47、矿区用地识别模块：向训练后的智能识别网络模型输入待识别矿区影像得到矿区用地的识别结果。

48、本发明较现有技术相比，具有以下优点及有益效果：

49、(1)本发明设计了多层级差异化密集特征提取模块。矿区包含各种不同用地类型，如采场、排土场、植被、水体等，这些用地类型在不同的层级上的特征具有差异，传统方法难以提取；利用多层级差异化密集特征提取模块处理不同层级特征信息，能够更精准地提取多层次的特征，从而增强对复杂数据的表示能力，有助于提高模型对于不同层次抽象特征的理解和表达，使得模型更具有适应性和泛化能力。

50、(2)本发明构造了密集u型特征融合分割网络。不同用地类型在矿区大小尺度不同，而全局和局部信息的综合对于矿区用地分类是至关重要的，传统的网络结构无法有效地整合这些信息，而密集u型特征融合分割网络能够同时关注不同尺度的特征，有效地整合全局和局部信息，有助于提高模型对于输入数据的全面理解，增强了对不同尺度信息的综合把握，使得模型能够更好地适应各种复杂场景和变化，提高模型的鲁棒性。

51、(3)本发明搭建了基于拟态自学习的矿区用地智能识别框架。获取矿区用地的标签数据通常需要大量时间和人力资源，同时存在标注困难和学习效率低的问题，该矿区用地智能识别框架通过教师网络指导学生网络使学生网络更迅速地收敛，有效提高了模型学习效率，使得模型能够更快地适应新的任务；并且通过有效整合带标签和无标签数据，该框架有效减轻了人工标注所需的时间和资源，使得模型在实际应用中更具可行性，特别是在大规模数据集的场景下为提高工作效率和降低成本提供了明显的优势。