(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211022212.0 (22)申请日 2022.08.25 (71)申请人 成都国星宇 航科技股份有限公司 地址 610094 四川省成 都市双流区空港商 务区东升街道双楠大道中段333号7栋 1楼16号 (72)发明人 王磊　谭遵泉　傅晓强　王楠楠　 陈高军　 (74)专利代理 机构 北京安信方达知识产权代理 有限公司 1 1262 专利代理师 吴晓霞　解婷婷 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/82(2022.01) G06V 10/774(2022.01)G06V 10/44(2022.01) G06V 10/80(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于卫星数据UNet网络模型的滑坡识别方 法及装置 (57)摘要 本申请实施例公开了一种基于卫星数据 UNet网络模型的滑坡识别方法及装置， 该方法包 括： 获取待进行滑坡识别的卫星拍摄图像； 将卫 星拍摄图像输入 预设的滑坡识别模 型； 滑坡识别 模型是对改进后的UNet网络模型进行训练获得 的； 改进后的UNet网络模型是对深度学习网络 UNet网络模型的结构 进行改进， 改进后的U Net网 络模型中的卷积操作为深度可分离卷积； 将滑坡 识别模型的输出结果作为滑坡识别结果。 通过该 实施例方案， 实现了滑坡现象的精确、 高效识别。 权利要求书2页 说明书12页 附图4页 CN 115131684 A 2022.09.30 CN 115131684 A 1.一种基于卫星数据UNet网络模型的滑坡识别方法， 其特 征在于， 所述方法包括： 获取待进行滑坡识别的卫星拍摄图像； 将所述卫星拍摄图像输入预设的滑坡识别 模型； 所述滑坡识别 模型是对改进后的UNet 网络模型进行训练获得的； 所述改进后的UNet网络模 型是对深度学习网络UNet网络模 型的 结构进行改进， 所述改进后的UNet网络模型中的卷积 操作为深度可分离卷积； 将所述滑坡识别模型的输出 结果作为滑坡识别结果。 2.根据权利要求1所述的基于卫星数据UNet网络模型的滑坡识别方法， 其特征在于， 获 取所述滑坡识别模型， 包括： 获取滑坡图像样本数据； 采用所述滑坡图像样本数据对所述改进后的UNet网络模型进行训练； 将训练后的所述改进后的UNet网络模型作为所述滑坡识别模型。 3.根据权利要求2所述的基于卫星数据UNet网络模型的滑坡识别方法， 其特征在于， 所 述获取滑坡图像样本数据， 包括： 获取卫星采集的滑坡图像数据； 提取所述滑坡图像数据的特 征数据； 对所述滑坡图像数据进行 上采样操作， 获取 具有同一尺寸的多个图像样本数据； 对所述同一尺寸的多个图像样本数据进行拼接， 得到拼接后的数据； 将所述拼接后的数据与所述滑坡图像数据的特征数据进行对比， 获取与所述滑坡图像 数据的特征数据的相似度大于或等于预设的相似度阈值的所述拼接后的数据， 作为有效数 据， 将所述有效数据作为所述滑坡图像样本数据。 4.根据权利要求3所述的基于卫星数据UNet网络模型的滑坡识别方法， 其特征在于，   所述对所述同一尺寸的多个图像样本数据进行拼接， 得到拼接后的数据， 包括： 将所述同一尺寸的多个图像样本数据输入预设的双向长短期记忆网络中， 将所述双向 长短期记 忆网络的输出 结果作为所述 拼接后的数据。 5.根据权利要求1所述的基于卫星数据UNet网络模型的滑坡识别方法， 其特征在于， 对 所述UNet网络模型进行改进， 包括： 将所述UNet网络模型中的卷积操作改进为深度可分离卷积， 在构建所述深度 可分离卷 积时， 设置多组深度可分离卷积单 元； 和/或， 设置所述UNet网络模型的损失函数， 所述UNet网络模型的损失函数为带边界权值的损 失函数。 6.根据权利要求5所述的基于卫星数据UNet网络模型的滑坡识别方法， 其特征在于， 所 述深度可分离卷积由深度卷积和逐点卷积串联构成； 所述深度 可分离卷积的操作包括： 将所述卫星拍摄图像的特征使用深度 卷积进行卷积 操作， 获取第一特征图； 将所述第一特征图使用所述逐点卷积进 行卷积操作， 以实现跨通道 信息交互和信息整合， 并获取第二特 征图； 对所述第二特 征图采用空洞卷积进行 特征提取； 所述多组深度 可分离卷积单元为 四组深度 可分离卷积单元； 所述 四组深度可分离卷积 单元包括： 第一卷积单元、 第二卷积单元、 第三卷积单元和第四卷积单元； 所述第一卷积单 元、 所述第二卷积单 元、 所述第三卷积单 元和所述第四卷积单 元依次排列。 7.根据权利要求6所述的基于卫星数据UNet网络模型的滑坡识别方法， 其特征在于， 对权　利　要　求　书 1/2 页 2 CN 115131684 A 2所述UNet网络模型进行改进， 还 包括： 在所述多组深度可分离卷积单 元之间加入注意力机制模块CBAM； 所述注意力机制模块CBAM包括通道注意力机制模块和空间注意力机制模块， 所述通道 注意力机制模块和所述空间注意力机制模块串行工作。 8.根据权利要求7 所述的基于卫星数据UNet网络模型的滑坡识别方法， 其特 征在于， 所述在所述多组深度可分离卷积单 元之间加入注意力机制模块CBAM， 包括： 将所述注意力机制模块CBAM加入所述第一卷积单 元和所述第二卷积单 元之间； 所述注意力机制模块CBAM设置为采用基于局部信息交互的通道注意力机制模块和基 于沙漏结构的空间注意力机制模块处 理所述第一卷积单 元的卷积层输出的特 征图。 9.根据权利要求8所述的基于卫星数据UNet网络模型的滑坡识别方法， 其特征在于， 所 述注意力机制模块CBAM设置为采用基于局部信息交互的通道注意力机制模块和基于沙漏 结构的空间注意力机制模块处 理所述第一卷积单 元的卷积层输出的特 征图， 包括： 所述基于局部信息交互的通道注意力机制模块将输入的所述特征图使用全局平均池 化进行特征压缩， 将经过特征压缩的每个输入的特征图求平均， 以获取全局上下文关系； 将 求平均后的特征图的空间信息压缩到单个维度后， 通过卷积核为k的一维卷积对所述特征 图进行特征采样， 对压缩后的通道序列进行局部特征 的融合和信息编码， 提取所述特征图 的通道注意力权重； 利用 Sigmoid激活函数将得到的通道注意力权重进行0 ‑1间的映射放 缩， 生成所述基于局部信息交互的通道注意力机制模块的注意力掩码， 其中注意力掩码的 通道维度与捷径通道维度对应； 将生成的注意力掩码和原始输入所述基于局部信息交互的 通道注意力机制模块的特征图进 行点乘， 为所述注意力掩码的特征图的每个通道设置相应 的权重， 并将原始输入所述基于局部信息交互的通道注意力机制模块的特征图和所述注意 力掩码的特征图进行线性相加， 得到结合注意力掩码分支和捷径分支的最终的通道注意力 输出； 所述基于沙漏结构的空间注意力机制模块的掩码分支使用卷积对所述基于局部信息 交互的通道注意力机制模块输出的特征图的空间信息进行放缩， 将经过放缩后的特征图通 过全局池化层和最大池化层进行拼接； 使用卷积层将拼接后的特征图进行融合， 变成单通 道的空间注 意力特征， 送入Sigmoid激活函数中， 进行特征的0 ‑1映射； 所述基于沙漏结构的 空间注意力机制模块的捷径分支使用平均池化操作和 最大池化操作将所述基于局部信息 交互的通道注意力机制 模块输出的特征图的通道聚合， 使用卷积进行放缩和通过Sigmoid 激活函数进行0 ‑1映射； 所述基于沙漏结构的空间注意力机制模块的掩码分支和捷径分支 中的特征图进 行矩阵线性相加后， 对该特征图上采样使得该特征图与所述基于沙漏结构的 空间注意力机制模块原始输入的特征图维度一致， 在该特征图的所有空间位置的每个像素 上编码空间信息， 作为最 终的掩码与输入的特征图进 行相乘， 获取 空间注意力特征图； 将原 始输入所述基于沙漏结构的空间注意力机制模块的特征图和所述空间注意力特征图进行 线性相加， 得到最终的空间注意力输出。 10.一种基于卫星数据UNet网络模型的滑坡识别装置， 其特征在于， 包括处理器和计算 机可读存储介质， 所述计算机可读存储介质中存储有指令， 当所述指令被所述处理器执行 时， 实现如权利要求1 ‑9任意一项所述的基于卫星数据UNet网络模型的滑坡识别方法。权　利　要　求　书 2/2 页 3 CN 115131684 A 3