基于LS-YOLO网络的遥感影像滑坡体检测方法

专利主权项内容

1.一种基于LS-YOLO网络的遥感影像滑坡体检测方法，其特征在于，包括如下步骤：(1)构建由Input子网络、Backbone子网络、Neck子网络和Head子网络组成的滑坡目标检测LS-YOLO网络模型：(1.1)将现有单阶段目标检测YOLOv5网络中的输入网络和主干网络分别作为Input子网络和Backbone子网络；(1.2)设计由Neck-A和Neck-B两部分网络构成的Neck子网络：(1.2.1)构建依次包括多尺度特征提取层、第一上采样层、第一拼接层、C3层、卷积层、第二上采样层和第二拼接层的Neck-A网络；(1.2.2)构建依次包括第一C3层、第一卷积层、第一拼接层、第二C3层、第二卷积层、第二拼接层和第三C3层的Neck-B网络；(1.2.3)将Neck-A中的第二拼接层与Neck-B中的第一C3层串联，将Neck-A中的多尺度特征提取层与Neck-B中的第二拼接层级联，将Neck-A中的卷积层与Neck-B中的第一拼接层级联，得到Neck子网络；(1.3)使用三个检测层并联组成Head子网络，设置每个检测层的检测类别nc＝1，且每个检测层均设置3个锚框尺寸，分别为{(10, 13), (16, 30), (33, 23)}, {(30, 61), (62, 45), (59, 119)}和{(116, 90), (156, 198), (373, 326)}；所述检测层包含第一卷积层、第二卷积层、第一卷积模块层、上下文增强层、第二卷积模块层、第三卷积模块层以及拼接层；其中第二卷积层和第一卷积模块层组成分类任务分支，上下文增强层、第二卷积模块层和第三卷积模块层组成回归任务分支；第一卷积层的输出经过级联的分类任务分支和回归任务分支，拼接层将分类任务分支和回归任务分支的输出沿着通道方向拼接起来作为检测层的输出；(1.4)将Input子网络的增强层与Backbone子网络的第一卷积层串联；(1.5)将Backbone子网络中的第二C3层和第三C3层分别与Neck-A子网络中的第二拼接层和第一拼接层级联，将Backbone子网络中的SPPF层与Neck-A子网络中的多尺度特征提取层串联；将Neck-A中的卷积层与Neck-B中的第一拼接层进行级联，将Neck-A中的多尺度特征提取层与Neck-B中的第二拼接层进行级联；(1.6)将Neck-B中的第一C3层、第二C3层和第三C3层分别与Head子网络中的第一检测层、第二检测层和第三检测层级联；(1.7)得到由Input子网络、Backbone子网络、Neck子网络和Head子网络组成的滑坡目标检测LS-YOLO网络模型；(2)收集包含滑坡的图像和不包含滑坡的图像组成多尺度滑坡数据集，并将该数据集划分为训练集、验证集和测试集；(3)训练滑坡目标检测LS-YOLO网络模型：(3.1)设置训练参数batch-size为N，每次从训练集中随机且不重复的选择N张图像输入到网络模型中，权重参数文件使用yolov5s.pt，分类损失函数和置信度损失函数均使用二分类交叉熵损失函数；边界框损失函数使用CIOU损失函数；(3.2)将训练集和验证集依次输入到LS-YOLO网络模型，使用图片自适应缩放算法对输入Input子网络的图像的尺寸进行转换，并使用增强算法中的Mosaic函数和Mixup函数对图像进行增强；(3.3)利用Adam优化器和随机梯度下降法，迭代更新LS-YOLO网络模型中的参数权值，然后在验证集上验证训练的效果，直到损失函数收敛为止，得到训练好的LS-YOLO神经网络；(4)检测测试集中的滑坡：(4.1)将测试集数据输入到训练好的LS-YOLO神经网络中，加载训练好的LS-YOLO网络参数文件；(4.2)对测试集中的图像进行滑坡检测，获得滑坡边界框的中心点位置、宽度、高度以及滑坡的置信度；(4.3)输出滑坡检测结果并保存。