基于遷移學習的無人機高分影像地震泥石流信息檢測

郭加偉 李永樹 王洪蜀 魯恒

摘要：地震后經常會引發大量的泥石流災害（稱作地震泥石流），容易造成極大的破壞，無人機低空遙感技術以其便捷、時效性強等特點成為一種快速獲取災害信息的手段，但其影像的光譜信息較為缺乏，較難準確地檢測地震泥石流災害信息。針對以上問題，提出了一種基于遷移學習機制地震泥石流檢測方法，該方法在已構建地震泥石流災害樣本庫的基礎上，將卷積神經網絡訓練得到的特征遷移到地震泥石流災害信息檢測中，完成地震泥石流災害信息的自動檢測，并將面向對象的地震泥石流災害信息檢測結果與遷移學習支持下的檢測結果進行了對比與分析。結果表明：基于遷移學習的地震泥石流災害信息檢測結果在精度上稍優于面向對象的地震泥石流災害信息檢測結果，且前者在保持地震泥石流的平滑性和完整性上要優于后者。

關鍵詞：地震；泥石流；無人機高分影像；遷移學習；信息檢測

中圖分類號：P315.9；P642.23 文獻標識碼：A 文章編號：1000-0666（2018）02-0180-06

0 引言

2008年“5·12”汶川大地震給當地人民帶來了巨大的損失，且強震后較長一段時間內，伴隨著強降雨天氣常出現的地震泥石流，給災區人民帶來了極大的威脅和傷害。據統計，汶川大地震由于地震滑坡、泥石流造成的人員死亡人數約占地震總死亡人數的1/4（殷躍平，2008），同時，地震泥石流還會造成房屋建筑受損、交通阻塞和堰塞湖等諸多問題。因此，如何利用現有的科學手段對地震泥石流信息進行快速檢測，準確獲取災情信息，是目前地震災害信息檢測與應急救援工作中的研究重點之一（唐川，2010；彭述剛，2014）。

無人機遙感技術以其靈活、快捷、受地形天氣影響小、影像分辨率高等得天獨厚的優勢，已成為地震災害信息檢測與應急響應工作中的常用手段（任娟，2015；周洋等，2017）。但目前基于無人機高分辨率影像的地震泥石流信息檢測多以目視解譯為主，效率比較低下，如何突破這一技術瓶頸已成為當前該領域的研究熱點。

隨著計算機技術的不斷發展，深度學習已成功在語音識別、自然語言處理以及計算機視覺領域取得突破（Mikolov et al，2013）。遷移學習是深度學習的一種，遷移學習不需要做訓練數據與測試數據同分布假設，這意味著遷移學習不需要對每個領域都標定大量的訓練數據，而是從現有的數據中遷移知識，用來幫助新的學習任務，目前基于特征的遷移學習具有更廣泛的遷移能力（Weiss et al，2016；Saha et al，2016）。針對此現狀，本文以地震泥石流無人機高分影像災害樣本庫為基礎，利用卷積神經網絡進行地震泥石流特征訓練，結合遷移學習特征的優勢，將獲取的特征訓練方法遷移到地震泥石流災害信息檢測中，實現地震泥石流災害信息的自動檢測。并將該方法檢測的地震泥石流結果與面向對象的地震泥石流信息檢測結果進行對比分析，提出了一種基于遷移學習的無人機高分影響地震泥石流災害信息檢測方法。

1 數據選取與研究方法

1.1 研究區及數據概況

本文選擇的研究區為汶川地震的重災區汶川縣和都江堰市，地理位置如圖1所示。汶川縣位于四川盆地西北部邊緣，居阿壩藏族羌族自治州東南部，總面積4083km2；都江堰市西鄰汶川縣，位于成都平原西北邊緣，面積共1208km2。該區域受汶川地震影響極大，地震誘發了大量的泥石流等次地質災害，造成了嚴重的人員傷亡和財產損失。

圖1中黑色點位是地震誘發的地質災害，且擁有該區域無人機高分影像的位置，影像覆蓋區域面積總計76.59km2。利用收集到的無人機高分影像，采集地震泥石流災害樣本，并按照統一格式進行存儲，形成地震泥石流災害樣本庫，其中包括地震泥石流正樣本（地震泥石流）280個，地震泥石流負樣本（非地震泥石流）1600個，所有樣本均縮放到256×256像素。地震泥石流樣本示例如圖2所示。

1.2 技術路線與方法

1.2.1 基于面向對象分類技術的地震泥石流災害信息檢測

在遙感領域，面向對象的分類技術是基于目標（對象）的一種分類方法，是針對高分辨率影像應用而興起的一種影像分類技術，能夠充分利用高分辨率遙感影像的光譜、紋理、形狀、空間信息、相鄰關系等實現影像的分割和對象的分類，使分類結果更加接近于目視判讀的結果，可有效地提高分類精度。目前，面向對象的分類技術已被廣泛應用于遙感影像分類中，面向對象分類技術有2個重要特征和技術關鍵：選取合適的分割尺度對高分辨率影像進行分割，使檢測的地物能在最合適的分割尺度中凸顯出來；選取分割對象的多種典型特征建立地物的分類規則進行檢測或分類（李宏宏，2013）。

影像多尺度分割是通過同質性及異質性準則獲取多個對象，而不同的分割參數設置會得到不同的分割效果（魯恒等，2011）。圖3為不同分割尺度下的分割結果，由于本次多尺度分割形狀參數和緊湊度參數對分割結果影響較小，故將2個參數固定，對比尺度參數對分割結果的影響。通過多個分割參數下的分割效果，可以靈活地選擇影響分類任務所需的最優分割參數，從而提高分類精度。

通過計算異質度來判斷的分割對象的好壞程度，計算公式如下：

f=w·hcolor+（1-w）·hshape（1）式中：f表示總的分割對象的異質度；w為用戶給定義的形狀參數占的權重，取值范圍為0～1；光譜異質度為hcolor，形狀異質度為hshape，且由2個參數組成，即緊致度異質度hcompact和光滑度異質度hsmooth。

形狀異質度的計算公式如下：

hahape=wcompact·hcompact+（1-wcompact）·hsmooth（2）式中：wcompact為緊致度異質度的權重，取值范圍為0～1。

光譜異質度的計算公式如下：式中：wc表示參與分割合并的波段權重；nmerge、σcmerge分別表示合并后的區域面積和光譜方差；nobil、σcobj1、nobj2、σcobj2分別為2個相鄰區域的面積和光譜方差。

光滑度和緊致度的計算公式如下：式中：lmerge、bmerge分別表示合并后的區域周長和外界矩形的周長，lobj1、bobj1，lvbj2、bobj2分別為2個相鄰區域的周長和外界矩形的周長。根據形狀參數和光譜參數來不斷調整進行分割，最后得到理想的分割對象，調整尺度參數可間接調整影像對象大小，大的參數值得到大的對象，反之亦然。

在影像多尺度分割后，選取地震泥石流災害信息檢測所需的最優分割參數，通過對高分影像分割對象特征信息進行分析，選取可用于地震泥石流災害信息檢測的特征，然后根據特征信息建立檢測地震泥石流災害信息的自定義特征，最終完成地震泥石流信息的檢測。這里將實驗影像分為地震泥石流區域和非地震泥石流區域。為檢測地震泥石流區域，建立自定義特征H；

H=2×B-G-R（6）式中：R、G、B分別表示無人機影像紅、綠、藍三通道的平均值。當H屬于區間[30，50]，且所有波段的亮度均值（Brightness）在區間[150，196]范圍內，則判別為地震泥石流災害信息未分類的信息則判讀為非地震泥石流信息。

1.2.2 基于遷移學習的地震泥石流災害信息檢測

卷積神經網絡（CNN）是一個多層結構學習算法，可通過分析空間相對關系來提高訓練效率（Zeiler，Fergus，2014）。CNN包含卷積層和下采樣層兩個部分，其中卷積層通過輸入影像和特定的卷積模板進行卷積運算生成，通過卷積層的特征圖進行下采樣可得到下采樣層。卷積層和下采樣層不斷反復交替，再加上諸多全連接層組成一個完整的卷積神經網絡。

通過構建卷積神經網絡線狀地物剔除模型，剔除道路、河流等線狀地類，既可保持檢測的地震泥石流信息的完整性，又可以減少線狀地物對檢測結果的干擾。構建的卷積神經網絡線狀地物剔除模型包括1個輸入層、3個卷積層、1個FC256全連接層以及1個FC2輸出層，如圖4所示。圖中FC2輸出層的輸出結果為線狀地類與非線狀地類，其中輸出的非線狀地類結果將作為遷移學習支持下地震泥石流災害信息檢測的參數進行輸入。

從圖2地震泥石流的示例樣本中可以看出，地震泥石流的空間形狀各異、紋理變化大，且由于采集的多期數據，樣本的光譜差異較大。利用已構建的地震泥石流災害樣本庫，通過上一步卷積神經網絡線狀地物剔除模型，利用支持向量機（SYM）分類器將線狀地物剔除在該模型中的特征檢測方法遷移到地震泥石流信息檢測中，構建如圖5所示的基于遷移學習的地震泥石流災害信息檢測流程。

遷移學習支持下的地震泥石流災害信息檢測，主要包括特征學習、特征遷移以及地震泥石流信息檢測模型訓練。針對特征學習階段，通過訓練樣本庫，采用如圖4所示的卷積神經網絡線狀地物剔除模型。特征遷移階段，將卷積神經網絡訓練得到的參數進行轉移，保持模型各層參數不變，選擇一個輸出層，輸出地震泥石流災害特征。模型訓練階段，將特征遷移階段輸出的泥石流特征向量輸入支持向量機（SVM）分類器，進行模型訓練。

2 實驗及結果分析

2.1 地震泥石流信息檢測結果

實驗選取圖3a的無人機高分影像作為實驗數據，根據本文提出的面向對象分類技術，通過反復分割實驗，獲得研究的無人機高分影像的最優分割尺度為140，形狀參數為0.6，緊致度參數為0.5。最終通過面向對象的分類方法檢測該區域地震泥石流災害信息，結果如圖6a所示。1.2.2節基于遷移學習的地震泥石流災害信息檢測流程中，需通過對比分析正負樣本輸入各層的激活情況來分析特征遷移的訓練結果。實驗發現，地震泥石流的正樣本和負樣本在FC6層的激活情況較好，可適用于區分地震泥石流與非地震泥石流。該方法對地震泥石流信息檢測結果如圖6b所示。

2.2 精度分析

針對上述地震泥石流二分類問題，采用混淆矩陣，通過計算真正類率（TPR）、負正類率（FPR）以及分類準確度（ACC），來評價本次地震泥石流信息檢測的精度。精度評價體系見表1。

從表1可以得出，面向對象分類法對該區域地震泥石流的檢測TPR為83.33%，FPR為13.64%，分類準確度ACC約為85.21%；而本文提出的基于遷移學習的該區域地震泥石流檢測FPR為9.10%，TPR為79.63%，分類準確度ACC則達到了86.62。從以上參數可以看出，面向對象的分類方法在真正類率上要優于基于遷移學習的信息檢測方法，但在負正類率上前者不如后者，這說明面向對象的分類方法將更多的非目標類檢測為自標類，從而導致在分類準確度上，基于遷移學習的地震泥石流信息檢測方法要高于面向對象的分類方法。

3 結語

如何在地震災后第一時間通過獲取的無人機高分影像自動檢測泥石流等災害信息，已成為目前地震應急響應工作中的難點。本文結合卷積神經網絡和遷移學習方法，提出了一套行之有效的地震泥石流災害信息自動檢測方法，該方法的檢測精度優于面向對象的分類方法，且有效減少將非目標對象混淆為目標對象的情況。但該方法也存在樣本需求量大、訓練過程復雜、計算資源要求高等缺點。同時，考慮到該方法應用在空間數據信息檢測上的巨大潛力，今后將向多源數據的融合，將其運用到其它高分影像中，為地震災后信息檢測，包括建筑物倒塌、道路橋梁破壞等信息檢測提供可靠的技術方法。

參考文獻：

李宏宏.2013.面向對象的高分辨率遙感影像分類及泥石流信息提取研究[D].南京：南京理工大學.

魯恒，李永樹，唐敏.2011.面向對象的山地區域多源遙感影像分割尺度選擇及評價[J].山地學報，29（6）：688-694.

彭述剛.2014.汶川縣震后泥石流遙感信息提取與監測評估研究[D].湘潭：湖南科技大學.

任娟.2015.基于無人機遙感與GIS技術的泥石流災害監測[D].成都：成都理工大學.

唐川.2010.汶川地震區暴雨滑坡泥石流活動趨勢預測[J].山地學報，28（3）：341-349.

殷躍平.2008.汶川八級地震地質災害研究[J].工程地質學報，16（4）：433-444.

周洋，明小娜，楊艷珠，等.災評新技術在云龍5.0級地震烈度調查中的應用[J].地震研究，40（1）：161-166.

Mikolov T，Chen K，Corrado G，et al.2013.Efficient Estimation of WordRepresentations in Vector Space[J/0L].（2013-09-07）[2016-12-14].https；//aritiv.org/pdf/1301.37810.pdE

Saha B，Gupta.S，phung D，et al.2016.Multiple task transfer lefoingwith small sample sizes[J].Knowledge&Information; SysteMS，46（2）：315-342.

Weiss K，Khoshgoftaar T M，Wang D D.2016.A survey of transfer learn-ing[J].Journal of Big Data，3（1）：9.

Zeiler M D，Fergus B.2014.Visualizing and Understanding ConvolutionalNetworks[C]//European Conference on Computer Vision.Springer，Chain：818-833.