劉發(fā)發(fā)，韓紅太，張 敏，麻連偉

(1.河南省地球物理空間信息研究院，河南 鄭州 450009；2.河南省地質(zhì)物探工程技術(shù)研究中心，河南 鄭州 450009)

礦產(chǎn)資源作為重要的不可再生自然資源，儲(chǔ)量極其有限，是社會(huì)生產(chǎn)發(fā)展的重要物質(zhì)基礎(chǔ)，是國(guó)家發(fā)展的重要經(jīng)濟(jì)命脈[1]。近年來(lái)，非法開(kāi)采屢禁不止，不僅損失資源，還存在重大的安全隱患，隨時(shí)隨地都有可能威脅國(guó)家財(cái)產(chǎn)和礦工安全。因此，尋找有效控制非法開(kāi)采的解決辦法迫在眉睫。若可以早發(fā)現(xiàn)非法開(kāi)采的跡象，就可將非法開(kāi)采扼殺在萌芽階段，從而有效打擊非法開(kāi)采行為，從根上解決非法開(kāi)采帶來(lái)的巨大危害。

遙感影像具有宏觀性、時(shí)效性、大面積覆蓋等獲取地物直觀圖的特點(diǎn)[2]，從最新時(shí)相的遙感影像中及時(shí)發(fā)現(xiàn)非法開(kāi)采的行跡，對(duì)遏制非法開(kāi)采至關(guān)重要，如何從遙感影像中自動(dòng)提取露天礦就是關(guān)鍵問(wèn)題所在。目前，基于遙感影像的礦區(qū)提取多依賴人工經(jīng)驗(yàn)，這影響了排查非法開(kāi)采礦區(qū)的效率，而傳統(tǒng)的自動(dòng)提取方法，大多通過(guò)提取諸如光譜、紋理、幾何形狀等簡(jiǎn)單特征，或基于像素、或采用面向?qū)ο蟮姆椒╗3-4]，其提取精度、準(zhǔn)確度均有一定的限制。

近年來(lái)，人工智能逐漸在數(shù)據(jù)挖掘、信息提取中嶄露頭角[5]，而深度學(xué)習(xí)是人工智能技術(shù)最受關(guān)注的算法之一[6]。本文將深度學(xué)習(xí)模型與露天礦的自動(dòng)提取相結(jié)合，利用深度學(xué)習(xí)從訓(xùn)練樣本中學(xué)習(xí)的大量特征，增加特征提取層數(shù)，提高特征抽象程度，進(jìn)行露天礦的智能提取，提高露天礦的自動(dòng)化提取精度與效率，為快速找到露天礦、進(jìn)行后續(xù)與管理數(shù)據(jù)的疊加分析、進(jìn)而及時(shí)發(fā)現(xiàn)非法開(kāi)采，提供準(zhǔn)確可靠的數(shù)據(jù)支撐，為執(zhí)法部門決策判斷提供有效的技術(shù)支持。

1 技術(shù)方法

本文采用深度學(xué)習(xí)模型進(jìn)行基于光學(xué)遙感影像的露天礦提取。深度學(xué)習(xí)隸屬于人工智能范疇，起源于神經(jīng)網(wǎng)絡(luò)，因其網(wǎng)絡(luò)模型層數(shù)多、網(wǎng)絡(luò)深度更深而得名[7]。神經(jīng)網(wǎng)絡(luò)，基于人體視覺(jué)學(xué)習(xí)特征的過(guò)程——分層處理，視覺(jué)皮層處理較低級(jí)的皮層區(qū)域特征為簡(jiǎn)單特征，較高級(jí)的皮層區(qū)域?yàn)閺?fù)雜特征，且每一級(jí)神經(jīng)元都表現(xiàn)為對(duì)上一級(jí)特征的選擇性(表現(xiàn)在多方面，如方向、空間頻率、速度、顏色等)，從低級(jí)到高級(jí)別視覺(jué)皮層區(qū)域，視覺(jué)特征的不變性逐級(jí)增加[8]?；谶@種視覺(jué)處理認(rèn)知，可從深度學(xué)習(xí)的角度認(rèn)識(shí)圖像語(yǔ)義，即根據(jù)人類視覺(jué)的各層特征，進(jìn)行有監(jiān)督或無(wú)監(jiān)督的學(xué)習(xí)，建立深度框架來(lái)學(xué)習(xí)層次化語(yǔ)義特征，跨越底層特征與高層語(yǔ)義理解的“語(yǔ)義鴻溝”。

基于深度學(xué)習(xí)的語(yǔ)義分割算法，目前有2大門類[9]：一類從CNN(Convolutional Networks，卷積神經(jīng)網(wǎng)絡(luò))派生；另一類使用FCN(Fully Convolutional Networks，全卷積神經(jīng)網(wǎng)絡(luò))及其衍生。二者的最大區(qū)別在于，后者將網(wǎng)絡(luò)模型的全連接層改為反卷積層，將特征空間反映射到原始圖像，保留空間性，實(shí)現(xiàn)端到端的編碼—解碼，進(jìn)行影像語(yǔ)義的分割。

本文采用FCN的語(yǔ)義分割模型。FCN 是典型的深度學(xué)習(xí)語(yǔ)義分割算法[10]，F(xiàn)CN網(wǎng)絡(luò)模型將網(wǎng)絡(luò)劃分為2部分：①第1部分同經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)一樣，通過(guò)圖像卷積的方式來(lái)分層提取特征信息，獲得特征空間；②第2部分，不同于CNN網(wǎng)絡(luò)模型的全連接層，通過(guò)反卷積、融合的方式來(lái)實(shí)現(xiàn)圖像語(yǔ)義的分割。全連接層包含大量節(jié)點(diǎn)，上下層之間的每個(gè)節(jié)點(diǎn)均由參數(shù)連接，數(shù)量極大，同時(shí)將導(dǎo)致像素的空間特性的丟失。采用反卷積聯(lián)合融合的方法可以避免全連接層導(dǎo)致的像素之間位置關(guān)系的忽略，充分利用空間關(guān)系。

反卷積從特征空間映射到與原圖像同樣大小，從小變大，類似于從1個(gè)像素上采樣到4個(gè)像素上，就會(huì)出現(xiàn)4個(gè)像素值如何確定的問(wèn)題，這也不可避免地導(dǎo)致許多像素位置上出現(xiàn)精度損失的現(xiàn)象。因此，需要將反卷積后的特征圖與原圖同等大小的反卷積操作之前的特征圖進(jìn)行融合，來(lái)解決精度損失的問(wèn)題。由于反卷積的功能是獲得全局特征的，越是下層網(wǎng)絡(luò)中的特征越能保留更多的局部細(xì)節(jié)信息(角點(diǎn)、邊緣信息)，而上層的網(wǎng)絡(luò)保留的是圖像的全局特征信息。因此，采用多次的反卷積操作，將上、下層中不同的信息進(jìn)一步融合，這樣既保證找到的類別信息是準(zhǔn)確的，同時(shí)也在一定程度上保留邊緣位置信息。

2 處理流程

技術(shù)流程如圖1所示。

圖1 技術(shù)流程

3 實(shí)驗(yàn)

3.1 研究區(qū)概況及數(shù)據(jù)預(yù)處理

本文選取河南省駐馬店市泌陽(yáng)縣典型礦區(qū)作為實(shí)驗(yàn)區(qū)。泌陽(yáng)縣，位于河南省駐馬店市西南部，礦藏豐富，東北部有典型礦區(qū)。搜集泌陽(yáng)縣2017年多源光學(xué)遙感影像數(shù)據(jù)，經(jīng)勻光勻色、鑲嵌拼接，重采樣為分辨率1 m，從東北區(qū)域截取大小為2 983×4 424像素，形成如圖2所示的試驗(yàn)區(qū)。

圖2 試驗(yàn)區(qū)影像及位置

3.2 樣本庫(kù)制作

以露天礦為目標(biāo)，構(gòu)建基于光學(xué)遙感影像的露天礦樣本庫(kù)。樣本庫(kù)包括樣本影像與影像Label圖(caffe框架樣本標(biāo)準(zhǔn)格式，礦區(qū)填充為紅色，背景填充為黑色)。首先將已有露天礦礦權(quán)業(yè)務(wù)數(shù)據(jù)與2017年遙感影像進(jìn)行疊加分析，人工檢查一遍，篩選出備選露天礦區(qū)域，經(jīng)矢量柵格化，將礦區(qū)內(nèi)填充為紅色，礦區(qū)外填充為黑色，構(gòu)建樣本Label圖，影像數(shù)據(jù)與Label圖同步分塊裁切為256×256，這樣，既可標(biāo)準(zhǔn)化樣本，又可增大樣本量，完成初步樣本庫(kù)的構(gòu)建。

3.3 網(wǎng)絡(luò)訓(xùn)練與實(shí)驗(yàn)

采用Caffe框架搭建FCN網(wǎng)絡(luò)模型，配置文件train.prototxt，val.prototxt，deploy.prototxt，solver.prototxt，修改ImageSets和Label圖路徑及參數(shù)，運(yùn)行文件solver.py，監(jiān)控loss曲線，根據(jù)結(jié)果分析原因，調(diào)整參數(shù)(學(xué)習(xí)率、批處理量等)。

3.4 樣本更新

樣本于實(shí)驗(yàn)結(jié)果至關(guān)重要。好的樣本庫(kù)，能夠讓模型快速收斂，獲取較小的loss值和較高的整體精度。實(shí)驗(yàn)的樣本更新流程：首先，基于初步構(gòu)建的樣本庫(kù)，進(jìn)行網(wǎng)絡(luò)初步訓(xùn)練，獲得caffemodel.model；然后，用獲得的初步模型，反過(guò)來(lái)，對(duì)樣本庫(kù)進(jìn)行分類，得到每個(gè)樣本的accuracy值，選取accuracy閾值，對(duì)低于閾值的分類結(jié)果樣本，從樣本庫(kù)中剔除，逐樣本遍歷，更新樣本庫(kù)，總體循環(huán)3次，得到更為純凈的樣本庫(kù)，作為最終的網(wǎng)絡(luò)模型訓(xùn)練輸入。

3.5 提取結(jié)果與精度驗(yàn)證

進(jìn)行深度學(xué)習(xí)網(wǎng)絡(luò)測(cè)試輸出，礦業(yè)權(quán)業(yè)務(wù)數(shù)據(jù)與影像的疊加如圖3所示，最終的實(shí)驗(yàn)結(jié)果如圖4所示。

圖3 礦區(qū)管理數(shù)據(jù)

圖4 深度學(xué)習(xí)提取礦區(qū)圖

本文采用的分類精度評(píng)價(jià)指標(biāo)為總體分類精度和Kappa系數(shù)，搭配二者來(lái)反映分類質(zhì)量的好壞，便于更加客觀得對(duì)分類結(jié)果進(jìn)行評(píng)價(jià)。總體分類精度是被正確分類的像元總和與總像元數(shù)的比值，是衡量分類結(jié)果正確程度的大小。其數(shù)學(xué)公式為：

(1)

式中，pii為類別i正確分類的像元數(shù)；N為像元總數(shù)。

Kappa系數(shù)表示分類影像與參考影像之間的吻合程度，是檢驗(yàn)二者一致性的客觀評(píng)價(jià)標(biāo)準(zhǔn)。其數(shù)學(xué)公式為：

(2)

式中，ppi為對(duì)應(yīng)制圖精度，為類別i真實(shí)參考的總像元數(shù)；pqi對(duì)應(yīng)用戶精度，為經(jīng)分類器被分類為類別i的總像元數(shù)。

實(shí)驗(yàn)結(jié)果顯示，采用FCN模型提取露天礦的方法，提取區(qū)域比較完整，不存在太多碎圖斑，其總體精度為78.356 2%，Kappa系數(shù)為0.743 1。觀察實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，因?qū)嶒?yàn)過(guò)程中采用樣本、圖像分塊處理，樣本邊緣空間性質(zhì)表達(dá)不充分，導(dǎo)致提取結(jié)果中相鄰分塊間存在微小縫隙，且部分影響了整體提取礦區(qū)區(qū)域的完整性。然而，提取礦區(qū)片區(qū)數(shù)目上基本與管理業(yè)務(wù)數(shù)據(jù)保持一致，這說(shuō)明基本所有礦區(qū)得到提取，雖然邊界的魯棒性不是很令人滿意，對(duì)礦區(qū)片區(qū)均提取到了這點(diǎn)優(yōu)勢(shì)，足以說(shuō)明將該方法運(yùn)用到輔助發(fā)現(xiàn)非法開(kāi)采的執(zhí)法行動(dòng)中的可行性。將提取出來(lái)的區(qū)域，進(jìn)行人工篩選，從中排查無(wú)開(kāi)采根據(jù)的礦區(qū)，將縮減工作量。

4 結(jié)果對(duì)比與分析

將基于深度學(xué)習(xí)的露天礦提取方法，與傳統(tǒng)的機(jī)器學(xué)習(xí)方法SVM算法進(jìn)行對(duì)比實(shí)驗(yàn)。SVM(Supported Vector Machines，支持向量機(jī))是傳統(tǒng)機(jī)器學(xué)習(xí)算法中最健壯、最準(zhǔn)確的方法之一[11]，該方法在處理非線性分類問(wèn)題時(shí)，首先在低維空間中完成計(jì)算，然后通過(guò)核函數(shù)將輸入空間映射到高維特征空間，最終在高維特征空間中尋找支持向量到超平面間隔最大的最優(yōu)分離超平面，將2類樣本準(zhǔn)確分開(kāi)，保證分類器誤差盡可能小，盡可能健壯。實(shí)驗(yàn)中，先采用分水嶺分割的方法對(duì)影像進(jìn)行分割，面向分割對(duì)象，選取光譜(直方圖、均值、標(biāo)準(zhǔn)差)、紋理(同質(zhì)性、對(duì)比度、熵)性質(zhì)作為特征空間基本判斷單元，建立樣本集，對(duì)影像數(shù)據(jù)進(jìn)行訓(xùn)練，獲得特征空間，利用特征空間完成影像分類。

SVM提取結(jié)果如圖5所示。

圖5 SVM分類結(jié)果

與基于深度學(xué)習(xí)的分類方法相比，SVM分類方法明顯效果較差，存在大量的碎圖斑，錯(cuò)分、誤分率均比較高，本文方法明顯優(yōu)于該方法。

5 結(jié)語(yǔ)

本文采用深度學(xué)習(xí)FCN語(yǔ)義分割模型，對(duì)駐馬店市泌陽(yáng)縣東北部分辨率為1 m的三波段遙感影像進(jìn)行了露天礦區(qū)提取，并與基于面向?qū)ο蟮闹С窒蛄繖C(jī)分類方法進(jìn)行了對(duì)比。通過(guò)分類結(jié)果對(duì)比分析發(fā)現(xiàn)，本文采用的方法能夠克服支持向量機(jī)分類帶來(lái)的“椒鹽現(xiàn)象”，整體提取區(qū)域完整，總體精度和Kappa系數(shù)均有一定程度的提高，為露天礦的光學(xué)遙感影像自動(dòng)化提取帶來(lái)便利。但同時(shí)發(fā)現(xiàn)，本文采用的方法有一定局限性，如樣本區(qū)塊相鄰區(qū)域存在很明顯的縫隙；另外，訓(xùn)練時(shí)間較長(zhǎng)，這些都是今后的研究中需要進(jìn)一步加強(qiáng)和改進(jìn)的。