(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 202210522871.4 (22)申请日 2022.05.13 (71)申请人 国家石油天然气管网集团有限公司 地址 100013 北京市朝阳区东土城路5号A 座6层08-10室 (72)发明人 王多才　刘翼　郭磊　霍永胜　 王磊磊　单鲁维　熊伟　吴明畅　 李德明　刘勇　沈飞军　王海涛　 王春光　叶雨茂　舒亮　 (74)专利代理 机构 苏州科权知识产权代理事务 所(普通合伙) 32561 专利代理师 杨文龙 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/26(2022.01)G06V 10/46(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于遥感影像的天然气管道高后果区建筑 变化检测方法 (57)摘要 本发明公开了基于遥感影像的天然气管道 高后果区建筑变化检测方法， 其涉及图像处理技 术领域， 旨在解决变化信息获取有着较高的人力 成本， 较低自动化程度的问题， 其技术方案要点 是其步骤如下： S1： 根据绘制的高后果区矢量生 成高后果区带状图； S2： 筛选天然气管道周边多 时相遥感影像， 构建变化检测数据集； S3： 天然气 管道高后果区建筑变化检测方法， 包含主干网络 和次干网络； S4： 主干网络输 出的建筑变化图斑； S5： 主干网络输出的建筑变化注意力图； S6： 经过 反向传播更新整个模型的参数； S7： 训练高后果 区建筑变化检测模型； S8： 输出建筑变化图斑； S9： 再根据变化图斑生成建筑变化图斑矢量。 达 到了增加效率、 增强信息提取和减少信息丢失的 效果。 权利要求书3页 说明书6页 附图1页 CN 114882362 A 2022.08.09 CN 114882362 A 1.基于遥感影像的天然气管道高后果区建筑变化检测方法， 其特 征在于， 其 步骤如下： S1： 将天然气管道矢量分别叠加至两个时相遥感影像上， 以矢量线为中心， 绘制高后果 区矢量， 根据绘制的高后果区矢量 生成高后果区带状图； S2： 筛选天然气管道周边多时相遥感影像， 构建变化检测数据集， 用于训练高后果区建 筑变化检测模型， 使用语义分割标注软件标注时相遥感影像， 制作变化建筑标签影像 (Ground Truth)， 通过 数据扩增数据集样本数量； S3： 天然气管道高后果区建筑变化检测方法， 包含主干网络和次干网络， 主干网络采用 编码器‑解码器结构， 编码器模块共有七层编码 器结构， 前五层使用SE_ResNet50， 增加的两 层编码器利用池化层和卷积层构建， 用于提取高层特征信息， 主干网络中的多尺度融合模 块和注意力模块主要用于提取变化建筑特征， 变化建筑特征经过解码器还原为原始尺寸， 预测出多时相 遥感影像的建筑变化情况， 主干网络还输出建筑变化注意力图， 用于次干网 络VGG16预训练模型的训练； S4： 主干网络输出的建筑变化图斑， 将与S2中标注的Ground  Truth计算损失， 损失函数 采用二元交叉熵损失函数； S5： 主干网络输出的建筑变化注意力图， 经过差分和Sigmoid函数激活后， 提取到变化 建筑区域特征概率图， 分别与前期影像和 后期影像进行矩阵相乘， 输入至次干网络VGG16预 训练模型中， 进行模型训练， 次干网络的损失度量采用均方误差损失函数； S6： 将S3、 S4得到的二元交叉熵损失和均方误差损失函数加权求和， 作 为高后果区建筑 变化检测网络总的损失， 经 过反向传播更新整个模型的参数； S7： 将S2中自建的变化检测数据集用于训练高后果区建筑变化检测模型， 直至建筑变 化检测模型符合实际使用需求， 此时的网络模型即为高后果区建筑变化检测模型； S8： 按照S1中得到的两期高后果区带状图， 两期高后果区带状图分别裁剪尺寸大小256 ×256×3， 输入至高后果区建筑变化检测网络中， 调用训练完成的模型， 自动检测高后果区 影像中的变化建筑， 输出建筑变化图斑； S9： 高后果区变化检测算法输出的建筑变化图斑影像缺少地理参考坐标信息， 无法准 确定位变化建筑位置， 需要将输入的时相遥感影像的地理参考信息添加至建筑变化图斑 中， 再根据变化图斑生成建筑变化图斑矢量。 2.根据权利要求1所述的基于遥感影像的天然气管道高后果区建筑变化检测方法， 其 特征在于： 所述S1中生成高后果区带状图的方法为： A1： 栅格化输入的时相遥感影像， 天然气管道矢量叠加至时相遥感影像， 以管道矢量线 为中心， 在两侧 宽度200米长度2000米为范围， 绘制高后果区矢量， 利用 划定的高后果区矢 量裁剪生成高后果区识别带状图； A2： 只保留高后果区带状区域像素值， 影像中其余区域像素置0， 裁剪得到两期时相遥 感影像的高后果区识别带状图。 3.根据权利要求1所述的基于遥感影像的天然气管道高后果区建筑变化检测方法， 其 特征在于： 所述S2中分割标注扩增方法为： B1： 选择天然气管道沿线周边影像， 制作变化检测数据集， 先使用相同尺寸同一区域时 相遥感影像分别进行裁剪， 裁剪尺寸大小为256 ×256×3， 得到前后两期训练样本集， 此外 使用语义分割标注软件， 制作变化检测标签文件；权　利　要　求　书 1/3 页 2 CN 114882362 A 2B2： 分别标注发生建筑变化的前后两期影像， 构建变化检测 样本集， 为了增加样本集数 量， 前后两期影像和标注影像进 行数据扩充， 具体方式包括旋转90 °、 180°、 270°以及上下翻 转和左右翻转。 4.根据权利要求1所述的基于遥感影像的天然气管道高后果区建筑变化检测方法， 其 特征在于： 所述S4具体操作方法为： C1： 从时相遥感影像 中提取变化建筑， 输出建筑变化图斑影像， 利用建筑变化图斑影像 与S2中标注的标签 影像进行计算， 统计训练过程中产生的损失； C2： 高后果区变化检测主要针对两期影像高后果区内的变化建筑， 建筑属于一类， 除建 筑之外的属 于一类， 对于针对样本(x,y)， 设x为样本， y为对应的标签值， 预测值集合为{0, 1}， 假设某个 建筑样本的真实标签为ygt， 该建筑样 本预测出的结果其概率值为yp， 该建筑样 本的损失函数定义如下： 其中， ygt为建筑样本真实标签值， yp(x)i为建筑样本在ygt＝1时的概 率。 5.根据权利要求1所述的基于遥感影像的天然气管道高后果区建筑变化检测方法， 其 特征在于： 所述S5具体操作方法为： D1： 主干网络预测出建筑变化图斑， 次干网络输出建筑变化注意力图， 主要用于次干网 络的训练， 建筑变化注 意力经过差分和Sigmoid函数激活后， 分别与训练集中的前期和后 期 影像进行矩阵相乘， 然后输入至VGG16预训练模 型中， 利用建筑变化注 意力图指导次干网络 的训练； D2： 次干网络采用均方误差损失函数， 优化模型的训练过程， 提高建筑目标分割的效 果。 次干网络采用的均方误差损失函数定义如下： y'p(x)i＝yP(x)[0]i‑yP(x)[1]i 其中， 变化注意力特征图尺寸为256 ×256×2， yp(x)i表示第i个样本预测所得到的变化 注意图， yp(x)[0]i表示第i个样本变化注意图0通道特征， yp(x)[1]i表示第i个样本变化注 意图1通道特征， y'p(x)i为差分结果， yA(x)i和yB(x)i分别表示第i个前期和后期影像样本 集， 和 分别为前期和后期影像经过差分和Sigmoid函数激活后的结果， Lo ssBCE为 和 均方误差后的结果。 6.根据权利要求1所述的基于遥感影像的天然气管道高后果区建筑变化检测方法， 其 特征在于： 所述S6具体操作方法为： D1： 在得到主干网络和次干网络的损失值后， 将其加权求和得到总的损失。 网络的总损 失函数定义如下： Losssum＝LossBCE+α LossMSE 其中， LossBCE为二元交叉熵损失， α为主干网络二元交叉熵损失的权重系数， LossMSE为权　利　要　求　书 2/3 页 3 CN 114882362 A 3