CN119416162A 一种基于改进深度学习模型的洪灾水体智能识别方法 （湖南科技大学）

一种基于改进深度学习模型的洪灾水体智本发明公开了一种基于改进深度学习模型子纹理形成多特征融合图数据集；构建DeepWFNet网络模型；将多特征融合图数据集输入DeepWFNet网络模型进行洪水淹没范围识别，22.根据权利要求1所述的基于改进深度学习模型的洪灾水体智能识别方法，其特征在3.根据权利要求2所述的基于改进深度学习模型的洪灾水体智能识别方法，其特征在然后使用ENVI软件进行辐射校正和几何校正，接着将处理后的遥感影像裁剪大小为512×512像素并剔除模糊不清的遥感影像，再将所有遥感影像格式转化为.tif，最后使用4.根据权利要求3所述的基于改进深度学习模型的洪灾水体智能识别方法，其特征在5.根据权利要求4所述的基于改进深度学习模型的洪灾水体智能识别方法，其特征在6.根据权利要求5所述的基于改进深度学习模型的洪灾水体智能识别方法，其特征在Bands+2.5Band,-1.5x(Bandm+Bandmm)-0.25Bandsm，其中BandB表示蓝波段，BandG表示绿波段，BandR表示红波段，BandNIR表示近红外波段，BandSWIR1和BandSWIR2分别表示7.根据权利要求6所述的基于改进深度学习模型的洪灾水体智能识别方法，其特征在3;8.根据权利要求5所述的基于改进深度学习模型的洪灾水体智能识别方法，其特征在MobileNetV3网络与VisionTransformer网络以双分支并行的模式作为特征提取的主干网S33：用带有洪水淹没区域标注的遥感影像数据集，即最终的多特征融合图数据集对9.根据权利要求8所述的基于改进深度学习模型的洪灾水体智能识别方法，其特征在4[0007]上述基于改进深度学习模型的洪灾水体智能识别方法，所述步骤S1的具体步骤5S11：收集一年内洪水事件发生时的遥感影像作为原始数据，遥感影像至少包括[0010]上述基于改进深度学习模型的洪灾水体智能识别方法，所述步骤S2的具体步骤S21：对步骤S13生成的数据集应用Canny边缘检测算子获取遥感影像的边缘特征BandSWIR2分别表示Landsat8卫星上Band6和Ban;[0013]上述基于改进深度学习模型的洪灾水体智能识别方法，所述步骤S3的具体过程引入MobileNetV3网络与VisionTransformer网络以双分支并行的模式作为特征提取的主6[0014]上述基于改进深度学习模型的洪灾水体智能识别方法，所述步骤S4的具体步骤[0015]上述基于改进深度学习模型的洪灾水体智能识别方法，所述步骤S5的具体步骤[0020]如图1所示，一种基于改进深度学习模型的洪灾水体智能识别方法，包括以下步S11：收集一年内洪水事件发生时的遥感影像作为原始数据，遥感影像至少包括7[0026]影像增强过程为：将步骤S12获得的遥感影像和对应的真值标签进行旋转（旋转S21：对步骤S13生成的数据集应用Canny边缘检测算子获取遥感影像的边缘特征[0029]使用OpenCV带有的Canny算法批量计算影像，并对卫星影像或无人机影像设置不[0031]当遥感影像只有红绿蓝三波段时，采用；若有近红外波段，则采用Bands+2.5Band,-1.5x(Bandm+Bandmm)-0.25Bandsm，其中BandB表示蓝波段，BandG表示绿波段，BandR表示红波段，BandNIR表示近红外波段，BandSWIR1和BandSWIR2分别表示;8引入MobileNetV3网络与VisionTransformer网络以双分支并行的模式作为特征提取的主来自CNN和Transformer两种架构的特征层所包含特征信息的侧重是不一样的。CNN分支所[0041]引入CAFM模块对两类特征进行融合，其中来自C分支的特征额外加入了多层感知型在CNN和Transformer之间建立良好的连接，促进两个分支