卫片图斑实时变化跟踪监管系统和方法与流程

本发明涉及图像分析领域，尤其涉及一种卫片图斑实时变化跟踪监管系统和方法。

背景技术：

1、自然资源的有效监管对于保障土地合理利用和耕地保护至关重要。现有技术多依赖于周期性的地面调查和人工分析，存在监测效率低、数据更新不及时等问题，无法满足实时监管的需求。对各类自然资源违法行为早发现、早制止、严查处，维护自然资源管理秩序，严格保护耕地和矿产资源，尤其是重点保护永久基本农田、可以长期稳定利用耕地和稀土等战略性矿种。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种卫片图斑实时变化跟踪监管系统和方法。

2、为了实现本发明的上述目的，本发明提供了一种卫片图斑实时变化跟踪监管系统，包括：

3、数据收集模块，利用i1,i2,...,in来表示不同时间周期的卫片图斑图像数据，其中n是图斑图像数量；

4、多尺度特征提取模块，对于来自于卫片图斑监测影像、卫片图斑现状数据库、实时建设卫片图斑数据图像；

5、多特征融合模块，用于进行多特征融合，使用自适应权重，将不同模态和尺度的特征进行加权融合；

6、训练模块，用于进行卫片图斑发生变化的训练过程，通过调节回归损失项的权重优化损失函数。

7、上述技术方案优选的，所述多尺度特征提取模块包括：

8、使用多尺度卷积神经网络来提取特征：

9、fs＝φs(in),s＝1,2,...,s，

10、其中fs是多尺度s提取的特征图，s是多尺度的总数，φs(in)表示多尺度s上应用不同时间周期的卫片图斑图像数据in的卷积操作；

11、多尺度特征提取公式通过在不同的尺度s上应用卷积操作φs(in)来从图像数据in中提取特征图fs，旨在捕捉图像中不同尺度的信息。因为需要的特征是卫片图斑图像中的局部细节信息，所以多尺度特征提取就能很好地满足需求。

12、上述技术方案优选的，所述多尺度特征提取模块包括：

13、通过特征映射，在每个尺度s上，使用全连接层将特征映射到一个共同的特征空间：

14、zs＝ms·fs+cs，其中zs为映射后的铁证，ms为特征权重矩阵，cs为偏置参数；

15、通过自适应权重分配，为了自适应地分配不同模态和尺度的特征权重，通过学习权重向量β进行权重自适应分配，在全连接层之后使用softmax函数来计算输出概率分布：

16、β＝softmax(δ(zs))，

17、其中δ(·)为映射函数，为一个全连接层，全连接层的原始输出转换为概率分布，softmax(·)函数保证权重向量β的元素总和为1。

18、上述技术方案优选的，所述多特征融合模块包括：

19、

20、其中x是融合后的特征表示，β是对应于多特征n和多尺度s的权重。

21、进行深度特征整合，为了进一步对来自于卫片图斑的特征进行整合，利用深度卷积层来整合和提炼融合后的特征：

22、h＝h(x)；

23、其中h是深度整合后的特征，h表示深度整合操作。

24、上述技术方案优选的，所述多特征融合模块包括：

25、执行卫片图斑变化跟踪任务特定层，为了对变化后的卫片图斑进行对比识别分类，通过输出层来识别最终的检测结果：

26、y＝σ(m·h+c)，其中，y为卫片图斑检测结果，σ(·)为激活函数，m为卫片图斑变化跟踪输出层的权重，c为卫片图斑变化跟踪输出层的偏置。

27、上述技术方案优选的，所述训练模块包括：

28、计算损失函数γ训练网络，设γ为总损失，γcls为分类损失，γreg为回归损失：

29、γ＝γcls(y,ytrue)+ε·γreg·(y,ytrue)

30、其中，ytrue为卫片图斑真实标签，ε为用于平衡回归损失项的权重。

31、上述技术方案优选的，所述训练模块包括：

32、通过调节回归损失项的权重优化损失函数：

33、使用平衡回归损失的权重的计算公式其中εbase为平衡回归损失的基准权重，α为图像学习超参数，δγreg为当前迭代中回归损失与上一次迭代中回归损失的差值，用于反应回归损失的变化；γreg_initial为回归损失的初始值，用于归一化损失变化量。

34、本发明还公开一种卫片图斑实时变化跟踪监管方法，包括如下步骤：

35、s1，利用i1,i2,...,in来表示不同时间周期的卫片图斑图像数据，其中n是图斑图像数量；

36、s2，对于来自于卫片图斑监测影像、卫片图斑现状数据库、实时建设卫片图斑数据图像；

37、s3，进行多特征融合，使用自适应权重，将不同模态和尺度的特征进行加权融合；

38、s4，用于进行卫片图斑发生变化的训练过程，通过调节回归损失项的权重优化损失函数。

39、综上所述，由于采用了上述技术方案，本发明的有益效果是：

40、通过数据收集模块表示不同时间周期的卫片图斑图像数据，确保了对数据的全面收集和管理，在卫片图斑监测影像、现状数据库、实时建设数据图像中提取特征，能够捕获图斑在不同时间、不同状态下的多方面信息，从而提高了分析的准确性。其中自适应权重将不同模态和尺度的特征进行加权融合，这种做法充分发挥不同特征的优势，同时避免单一特征可能带来的局限性。最后训练模块采用回归损失项的权重来优化损失函数。

41、系统中包含了实时建设卫片图斑数据图像的处理能力，这意味着系统可以实时或近实时地监测图斑的变化情况，为相关决策提供及时准确的信息支持。此外，系统还可以应用于城市规划、环境监测、灾害预警等多个领域，具有较高的实用价值。

42、通过深度学习等技术的应用，系统能够自动完成特征提取、特征融合和模型训练等任务，无需人工干预。这不仅提高了处理效率，还降低了人为因素对结果的影响，使得结果更加客观可靠。

43、本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

技术特征：

1.一种卫片图斑实时变化跟踪监管系统，其特征在于，包括：

2.根据权利要求1所述的卫片图斑实时变化跟踪监管系统，其特征在于，所述多尺度特征提取模块包括：

3.根据权利要求1所述的卫片图斑实时变化跟踪监管系统，其特征在于，所述多尺度特征提取模块包括：

4.根据权利要求1所述的卫片图斑实时变化跟踪监管系统，其特征在于，所述多特征融合模块包括：

5.根据权利要求1所述的卫片图斑实时变化跟踪监管系统，其特征在于，所述多特征融合模块包括：

6.根据权利要求1所述的卫片图斑实时变化跟踪监管系统，其特征在于，所述训练模块包括：

7.根据权利要求6所述的卫片图斑实时变化跟踪监管系统，其特征在于，所述训练模块包括：

8.一种卫片图斑实时变化跟踪监管方法，其特征在于，包括如下步骤：

技术总结
本发明提出了一种卫片图斑实时变化跟踪监管系统和方法，包括：数据收集模块，利用I<subgt;1</subgt;,I<subgt;2</subgt;,...,I<subgt;N</subgt;来表示不同时间周期的卫片图斑图像数据，其中N是图斑图像数量；多尺度特征提取模块，对于来自于卫片图斑监测影像、卫片图斑现状数据库、实时建设卫片图斑数据图像；多特征融合模块，用于进行多特征融合，使用自适应权重，将不同模态和尺度的特征进行加权融合；训练模块，用于进行卫片图斑发生变化的训练过程，通过调节回归损失项的权重优化损失函数。

技术研发人员：曾科,刘晓瑜,杜熬,王小河,周京,杨超,刘攀,鲁豫川,李天童
受保护的技术使用者：重庆市规划和自然资源调查监测院
技术研发日：
技术公布日：2024/12/10