(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 202210158353.9 (22)申请日 2022.02.21 (71)申请人 北京箩筐时空数据技 术有限公司 地址 100600 北京市朝阳区光 华路9号楼8 层810室 (72)发明人 钟宇峰　 (74)专利代理 机构 北京中强智尚知识产权代理 有限公司 1 1448 专利代理师 黄耀威 (51)Int.Cl. G06V 20/10(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/26(2022.01) G06V 10/44(2022.01)G06V 10/82(2022.01) (54)发明名称 滑坡体识别模型的训练方法、 装置、 电子设 备及存储介质 (57)摘要 本申请公开了一种滑坡体识别模型的训练 方法、 装置、 电子设备及存储介质， 其方法包括： 获取原始数据， 其中， 所述原始数据包括高分影 像和DEM数据； 将所述原始数据转化为图结构数 据， 其中， 所述图结构数据包括图节点矩阵和连 接矩阵； 构建并初始化图神经网络模型； 将所述 图结构数据输入至所述图神经网络模型中进行 训练， 得到滑坡体识别模型。 本申请结合遥感领 域的研究， 将面向对象 的思想延伸至遥感语义分 割， 同时采用图卷积的思想， 能够加强超像素块 之间的空间表征能力， 实现了遥感影像的超像素 分割， 并将面向像元的识别问题 转化为面向对象 的识别问题， 显著提高了滑坡体的识别精度， 实 用性强。 权利要求书2页 说明书13页 附图6页 CN 114663749 A 2022.06.24 CN 114663749 A 1.一种滑坡体识别模型的训练方法， 其特 征在于， 所述方法包括： 获取原始数据， 其中， 所述原 始数据包括高分影 像和DEM数据； 将所述原始数据转化为图结构数据， 其中， 所述图结构数据包括图节点矩阵和连接矩 阵； 构建并初始化图神经网络模型； 将所述图结构数据输入至所述图神经网络模型中进行训练， 得到滑坡体识别模型。 2.根据权利要求1所述的方法， 其特征在于， 所述将所述原始数据转化为图结构数据包 括： 对所述原 始数据进行采样和数据增强处 理， 得到多个训练数据框； 对各所述训练数据框进行超像素提取， 得到多个 像素块； 对各所述像素块进行 特征提取， 得到各像素块的图节点矩阵； 根据各所述像素块的相邻关系， 确定各像素块的连接矩阵。 3.根据权利要求2所述的方法， 其特征在于， 所述对所述原始数据进行采样和数据增强 处理， 得到训练数据框包括： 根据指定大小裁剪尺度， 对所述原始数据采用逐级递减的随机采样方式， 进行采样， 得 到多个数据块； 确定各数据块中， 滑坡体元 素数量占各 数据块元 素数量的比例值； 确定各数据块对应的比例值所属的比例值范围， 并在各比例值范围内， 选取指定数量 的数据块； 对选取的数据块进行数据增强， 得到所述训练数据框； 其中， 所述数据增强包括矩阵旋 转和矩阵翻转。 4.根据权利要求2所述的方法， 其特征在于， 所述对各所述训练数据框进行超像素提 取， 得到多个 像素块包括： 对各所述训练数据框进行 可视化处 理， 得到可视化数据框； 将所述可视化数据框， 采用简单线性迭代聚类方法进行超像素提取， 得到多个像素块， 以使同一 地物属性的像素归纳为同一超像素块。 5.根据权利要求2所述的方法， 其特 征在于， 所述对各 所述像素块进行 特征提取包括： 确定各像素块的各波段原始光谱值的均值以及各波段光谱值的方差， 以表征各像素块 的色调特 征； 确定各像素块的各波段原始光谱在第 一方向和第 二方向的梯度均值与梯度方差， 并根 据所述梯度均值与所述梯度方差确定各像素块的总体梯度， 以表征 各像素块的纹 理特征； 以及， 根据各像素块对应的DEM数据， 确定各像素块的DEM均 值与DEM方差， 以表征各像素块的 高度特征； 确定各像素块的各波段原始光谱在第 一方向和第 二方向的梯度， 并根据 所述梯度确定 各像素块的像素坡向， 以表征 各像素块的坡向特 征。 6.根据权利要求2所述的方法， 其特征在于， 根据各所述像素块的相邻关系， 确定各像 素块的连接矩阵包括：权　利　要　求　书 1/2 页 2 CN 114663749 A 2将得到的各像素块进行像素化， 得到多个指定大小的分割矩阵； 确定各所述分割 矩阵的index值； 将各所述分割矩阵的边缘增加一层边缘值， 并在指定 地点， 以指定大小裁 剪尺度进行裁 剪， 得到多个对比矩阵； 将所述分割矩阵与得到的多个对比矩阵逐像素比对， 若被比较的两个像素值不同， 则 确定所述两个像素值分别对应的第一index值和第二index值， 并确定所述第一index值和 所述第二 index值对应的超像素块相邻。 7.根据权利要求1所述的方法， 其特 征在于， 所述构建并初始化图神经网络模型包括： 采用pytho n语言， 基于Pytorc h Geometric框架构建所述图神经网络模型； 设置所述图神经网络模型的参数， 所述参数包括： Batch  Size、 Epoches、 监控验证集损 失、 优化器、 初始学习率； 采用pytho n生成器， 将所述图结构数据分批次进入所述图神经网络模型中。 8.一种滑坡体识别模型的训练装置， 其特 征在于， 所述装置包括： 获取单元， 用于获取原 始数据， 其中， 所述原 始数据包括高分影 像和DEM数据； 转化单元， 用于将所述原始数据转化为图结构数据， 其中， 所述图结构数据包括图节点 矩阵和连接矩阵； 构建单元， 用于构建并初始化图神经网络模型； 训练单元， 用于将所述图结构数据输入至所述图神经网络模型中进行训练， 以得到滑 坡体识别模型。 9.一种电子设备， 包括： 处理器； 以及 被安排成存储计算机可执行指令的存储器， 所述可执行指令在被执行时使所述处理器 执行所述权利要求1～7 所述方法。 10.一种计算机可读存储介质， 所述计算机可读存储介质存储一个或多个程序， 所述一 个或多个程序当被包括多个应用程序的电子设备执行时， 使得所述电子设备执行所述权利 要求1～7 所述方法。权　利　要　求　书 2/2 页 3 CN 114663749 A 3