地下开采沉陷区智能识别方法、装置、电子设备及存储介质

技术领域

本申请涉及矿区采煤沉陷监测技术领域，特别涉及一种地下开采沉陷区智能识别方法、装置、电子设备及存储介质。

背景技术

近年来，遥感技术快速发展，成为了采空区地表形变监测的主要方向，尤其是InSAR(Interferometry Synthetic Aperture Radar，合成孔径雷达干涉测量)技术。

相关技术中，由于InSAR技术拥有更易于识别、范围更精确且形变破坏特征更明显的监测结果，可以通过InSAR技术追踪地表的亚厘米级形变，无需现场测量，克服了传统监测技术成本高、观测基于离散点、易受天气因素影响等缺点，能够实现对采空区的地表形变监测，在地表形变监测方面具有深远的研究意义。

然而，相关技术中由于形变信息可能由地下开采引起，也可能由植被周期生长以及其他人类活动引起，从而难以学习大规模地表形变监测数据中潜在的复杂特征，并且难以匹配现代技术所能捕获的大数据监测信息，降低了从大规模地表监测信息中识别地下开采沉陷区的准确性和智能性，亟待解决。

发明内容

本申请是基于发明人对以下问题和认识作出的：

地下矿产资源开采造成大范围、高程度的地表沉陷，严重威胁采矿区的安全生产，实时监测采空区地表形变并从中快速、准确的识别出由地下开采诱发的沉陷区具有重要意义。

当前地表形变监测及沉陷区识别面临着两大主要技术难题，一方面我国大部分矿山都位于位置比较偏远，环境比较恶劣的地区，通信系统也相对落后，严酷的自然环境和艰苦的工作条件使得采空区形变监测存在极大的挑战，另一方面，地下开采引起的沉陷区具有独特的特征，传统的地表形变分析方法需要通过梯度计算、轮廓识别和沉陷区筛选等逐步圈定沉陷区，这种处理方式依托大量的人工成本，效率较低，难以匹配现代技术所能捕获的大数据监测信息，借助新型地表监测技术和人工智能方法研究地下开采沉陷区的智能识别方法对于采空区安全、高效建设具有重要意义。

针对采空区地表形变的监测方法，目前传统的方法有大地测量法，如水准测量、全站仪测量、全球导航卫星系统等。近些年来，随着各大机构开放合成孔径雷达于光学卫星数据的免费获取途径，遥感技术成为了采空区地表形变监测的主要研究方向，其中InSAR技术能够跟踪地表的亚厘米级形变，定义地表运动边界，获取长时间、大范围的时序形变信息，帮助实现对目标区域的大范围、全天候、多时相、高精度形变监测，具有长远的应用前景。

针对采空区地表形变的分析方法，目前传统的方法以目视解译或统计分析为主。在探究地下开采沉陷区的特征和识别方法时主要依靠专家经验，通过梯度计算、轮廓识别、沉陷区筛选等步骤将输入数据中的沉陷区逐步分离出来。近年来，一些机器学习技术如SVM(Support Vector Machine，支持向量机)和CNN(Convolutional Neural Networks，卷积神经网络)逐渐应用于遥感数据分析中，相比传统的分析方法，机器学习方法通常用于将输入的数据，按照已经学习的模型，自动区分为已定义的类别，在识别效率方面有所提高。

传统的地表形变监测方法主要存在三个缺陷：(1)水准测量监测技术，在现场作业环节的人工与时间成本极高；(2)GPS技术，时间分辨率高，在人工成本上弥补了水准测量的不足，可用于大范围地表形变的监测，但GPS监测装置昂贵，且地表控制点稀疏，导致其监测结果空间分辨率低，难以达到采空区高精度形变监测的要求；(3)三维激光扫描技术，监测范围足够大，但在长距离条件下扫描精度仍有欠缺，需要全站仪辅助，且扫描仪器成本极高，不适合投入大范围的工程建设生产中。相比之下，InSAR技术可以随时调查目标区域的历史监测数据，帮助定性、定量分析地表形变程度，弥补了传统遥感以及传统大地测量方法的不足，目前已成为采空区地表形变监测的最先进方法之一。

传统的采空区地表形变分析方法，即通过梯度、形状等参数提取地表监测结果中的形变特征，此类方法往往依托大量的时间成本和专家经验，一方面依靠人工操作，效率较低；另一方面难以匹配现代技术所能捕获的大数据监测信息，在针对大数据地表形变监测资料时，难以及时调整参数以匹配不同调查区的自然条件。而一些传统的机器学习算法，如支持向量机，虽然可以学习大规模遥感地表形变数据的特征，自动获取某地由采矿诱发的地表形变的可能性，然而在许多具有大量地面真实数据集的监督分类问题中，像支持向量机这样的浅层机器学习算法难以学习复杂数据中的深层特征。

近年来，遥感技术快速发展，成为了采空区地表形变监测的主要方向，尤其是InSAR技术，InSAR技术拥有更易于识别、范围更精确且形变破坏特征更明显的监测结果，能够追踪地表的亚厘米级形变，不需要现场测量，克服了传统监测技术成本高、观测基于离散点、易受天气因素影响等缺点，能够实现对采空区的大面积高精度地表形变监测，在地表形变监测方面具有深远的研究意义。

目前，利用InSAR遥感技术已经可以获取大范围、多尺度、高精度的时序地表形变信息，但形变信息可能由地下开采引起，也可能由植被周期生长以及其他人类活动引起，地下开采诱发的地表形变有其独特的空间特征，几何特征、梯度特征，现有的传统的采空区地表形变分析方法一方面难以学习大规模地表形变监测数据中潜在的复杂特征，另一方面难以匹配现代技术所能捕获的大数据监测信息，目前亟需依靠计算机技术发展可自主从大规模地表监测信息中准确识别地下开采沉陷区的智能方法。

本申请提供一种地下开采沉陷区智能识别方法、装置、电子设备及存储介质，以解决相关技术中由于形变信息可能由地下开采引起，也可能由植被周期生长以及其他人类活动引起，从而难以学习大规模地表形变监测数据中潜在的复杂特征，并且难以匹配现代技术所能捕获的大数据监测信息，降低了从大规模地表监测信息中识别地下开采沉陷区的准确性和智能性等问题。

本申请第一方面实施例提供一种地下开采沉陷区智能识别方法，包括以下步骤：采集目标研究区的SAR(Synthetic Aperture Radar，合成孔径雷达)影像；基于SBAS-InSAR(Small Baseline Subset-InSAR，差分干涉测量小基线集时序分析技术)，获取所述目标研究区的时间序列地表形变信息，生成地表形变速率图像；根据地表变形监测信息和工程地质资料生成的模型训练数据集，并利用所述训练数据集训练DeepLabv3+深度学习模型，得到地下开采沉陷区识别模型，以利用所述地下开采沉陷区识别模型识别任一研究区地表变形中由地下开采诱发的沉陷区。

可选地，在本申请的一个实施例中，所述基于SBAS-InSAR技术包括：对所述SAR影像执行预设SBAS-InSAR处理操作，其中，所述预设SBAS-InSAR处理操作包括基线估计与连接图生成操作、干涉图生成操作、自适应滤波及相干性生成操作、相位解缠操作、轨道精炼操作与重去平操作。

可选地，在本申请的一个实施例中，所述根据所述地表变形监测数据和工程地质资料生成的模型训练数据集，包括：结合采矿统计资料、地灾调查资料标注训练数据中的开采诱发沉陷区作为标签数据；对地表形变速率图像进行预处理，通过图像格式转换、图像分割和图像数据增强得到训练图像集。

本申请第二方面实施例提供一种地下开采沉陷区智能识别方法，包括以下步骤：采集待识别研究区的SAR影像；基于SBAS-InSAR技术，获取所述待识别研究区的时间序列地表形变信息，生成地表形变速率图像；将所述地表形变速率图像输入至预先构建的地下开采沉陷区识别模型，输出所述待识别研究区的地下开采沉陷区识别结果，其中，所述地下开采沉陷区识别模型由DeepLabv3+深度学习方法训练得到。

可选地，在本申请的一个实施例中，所述基于所述SBAS-InSAR技术，获取所述待识别研究区的时间序列地表形变信息，包括：对所述SAR影像执行预设SBAS-InSAR处理操作，其中，所述预设SBAS-InSAR处理操作包括基线估计与连接图生成操作、干涉图生成操作、自适应滤波及相干性生成操作、相位解缠操作、轨道精炼操作与重去平操作。

本申请第三方面实施例提供一种地下开采沉陷区智能识别装置，包括：采集模块，用于采集目标研究区的SAR影像；生成模块，用于基于SBAS-InSAR技术，获取所述目标研究区的时间序列地表形变信息，生成地表形变速率图像；训练模块，用于根据所述地表变形监测数据和工程地质资料生成的模型训练数据集，并利用所述训练数据集训练DeepLabv3+深度学习模型，得到地下开采沉陷区识别模型，以利用所述地下开采沉陷区识别模型识别任一研究区的地下开采沉陷区识别结果。

可选地，在本申请的一个实施例中，所述训练模块进一步用于结合采矿统计资料、地灾调查资料标注训练数据中的开采诱发沉陷区作为标签数据；对地表形变速率图像进行预处理，通过图像格式转换、图像分割和图像数据增强得到训练图像集。

可选地，在本申请的一个实施例中，所述训练模块包括：标注单元，用于结合采矿统计资料、地灾调查资料标注训练数据中的开采诱发沉陷区作为标签数据；处理单元，用于对地表形变速率图像进行预处理，通过图像格式转换、图像分割和图像数据增强得到训练图像集。

本申请第四方面实施例提供一种地下开采沉陷区智能识别装置，包括：采集模块，用于采集待识别研究区的SAR影像；生成模块，用于基于所述SBAS-InSAR技术，获取所述待识别研究区的时间序列地表形变信息，生成地表形变速率图像；识别模块，用于将所述地表形变速率图像输入至预先构建的地下开采沉陷区识别模型，输出所述待识别研究区的地下开采沉陷区识别结果，其中，所述地下开采沉陷区识别模型由DeepLabv3+深度学习方法训练得到。

可选地，在本申请的一个实施例中，所述生成模块进一步用于对所述SAR影像执行预设SBAS-InSAR处理操作，其中，所述预设SBAS-InSAR处理操作包括基线估计与连接图生成操作、干涉图生成操作、自适应滤波及相干性生成操作、相位解缠操作、轨道精炼操作与重去平操作中。

本申请第五方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的地下开采沉陷区智能识别方法。

本申请第六方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，该程序被处理器执行时实现如上的地下开采沉陷区智能识别方法方法。

本申请实施例可以采集目标研究区的SAR影像，基于SBAS-InSAR技术获取目标研究区的时间序列地表形变信息，生成地表形变速率图像，从而根据地表变形监测数据和工程地质资料生成的模型训练数据集，并利用训练数据集训练DeepLabv3+深度学习模型，得到地下开采沉陷区识别模型，以利用地下开采沉陷区深度学习识别模型识别任一研究区地表形变中由地下开采诱发的沉陷区，进而有效的降低了人工成本，提升了解译地表形变监测信息的工作效率。由此，解决了相关技术中由于形变信息可能由地下开采引起，也可能由植被周期生长以及其他人类活动引起，从而难以学习大规模地表形变监测数据中潜在的复杂特征，并且难以匹配现代技术所能捕获的大数据监测信息，降低了从大规模地表监测信息中识别地下开采沉陷区的准确性和智能性等问题。

本申请附加的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，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本申请实施例提供的一种地下开采沉陷区智能识别方法的流程图；

图2为本申请一个具体实施例的研究矿区位置示意图；

图3为本申请一个具体实施例的基于深度学习模型的地下开采沉陷区智能识别方法的示意图；

图4为本申请一个具体实施例的采用的DeepLabv3+深度学习语义分割模型的结构示意图；

图5为本申请一个具体实施例的基于DeepLabv3+识别模型中应用的ResNet101网络的结构的示意图；

图6为本申请一个具体实施例的采用的训练样本数据集的制作过程的示意；

图7为根据本申请实施例提供的另一种地下开采沉陷区智能识别方法的流程图；

图8为本申请一个具体实施例的深度学习模型对研究区的地下开采沉陷区的智能识别结果的示意图；

图9为本申请一个具体实施例的研究区部分区域的地下开采沉陷区的精细识别结果的示意图；

图10为根据本申请实施例的地下开采沉陷区智能识别装置的结构示意图；

图11为根据本申请实施例的另一种地下开采沉陷区智能识别装置的结构示意图；

图12为根据本申请实施例的电子设备的结构示意图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

下面参考附图描述本申请实施例的地下开采沉陷区智能识别方法、装置、电子设备及存储介质。针对上述背景技术中心提到的相关技术中由于形变信息可能由地下开采引起，也可能由植被周期生长以及其他人类活动引起，从而难以学习大规模地表形变监测数据中潜在的复杂特征，并且难以匹配现代技术所能捕获的大数据监测信息，降低了从大规模地表监测信息中识别地下开采沉陷区的准确性和智能性的问题，本申请提供了一种地下开采沉陷区智能识别方法，在该方法中，可以采集目标研究区的SAR影像，基于SBAS-InSAR技术获取目标研究区的时间序列地表形变信息，生成地表形变速率图像，从而根据地表变形监测数据和工程地质资料生成的模型训练数据集，并利用训练数据集训练DeepLabv3+深度学习模型，得到地下开采沉陷区识别模型，以利用地下开采沉陷区深度学习识别模型识别任一研究区地表形变中由地下开采诱发的沉陷区，进而有效的降低了人工成本，提升了解译地表形变监测信息的工作效率。由此，解决了相关技术中由于形变信息可能由地下开采引起，也可能由植被周期生长以及其他人类活动引起，从而难以学习大规模地表形变监测数据中潜在的复杂特征，并且难以匹配现代技术所能捕获的大数据监测信息，降低了从大规模地表监测信息中识别地下开采沉陷区的准确性和智能性等问题。

具体而言，图1为本申请实施例所提供的一种地下开采沉陷区智能识别方法的流程示意图。

如图1所示，该地下开采沉陷区智能识别方法包括以下步骤：

在步骤S101中，采集目标研究区的SAR影像。

可以理解的是，本申请实施例可以采集目标研究区的SAR影像，例如，本申请实施例可以首先选定研究区，并获取研究区SAR影像、行政区划矢量数据、矿区矿权矢量数据等，挑选并学习处理各类影像数据的软件或编码语言，从而可以提升地下开采诱发沉陷区的智能识别的可执行性。

举例而言，如图2所示，本申请实施例可以选定山西省霍东矿区全范围以及长治矿区和汾西矿区的部分范围作为研究区，首先，可以获取研究区SAR影像，研究区SAR影像选用基于18景RADARSAT-2影像，时间跨度为2017年01月04日至2017年07月10日，时间基线为170天，空间基线为350m，共计组合48个干涉，其次，准备研究区行政划矢量数据、矿区矿权矢量数据及研究区采矿统计资料以及地灾调查资料，最后，挑选并学习处理各类影像数据的软件或编码语言，如ENVI、ArcGIS、INPHO、Python等，从而可以完成研究区数据及相关资料准备，提升地下开采诱发沉陷区的智能识别的可执行性。

在步骤S102中，基于SBAS-InSAR技术，获取目标研究区的时间序列地表形变信息，生成地表形变速率图像。

可以理解的是，本申请实施例可以基于下述步骤中的SBAS-InSAR技术，获取目标研究区的时间序列地表形变信息，并生成地表形变速率图像，从而提升获取地表形变速率的准确性和智能性。

其中，在本申请的一个实施例中，基于SBAS-InSAR技术，获取目标研究区的时间序列地表形变信息，包括：对SAR影像执行预设SBAS-InSAR处理操作，其中，预设SBAS-InSAR处理操作包括基线估计与连接图生成操作、干涉图生成操作、自适应滤波及相干性生成操作、相位解缠操作、轨道精炼操作与重去平操作。

在实际执行过程中，本申请实施例可以对目标研究区SAR影像执行SBAS-InSAR处理操作，得出目标研究区时间序列地表形变信息，其中，SBAS-InSAR处理操作包括基线估计与连接图生成操作、干涉图生成操作、自适应滤波及相干性生成操作、相位解缠操作、轨道精炼操作与重去平操作等，从而可以有效的提升复杂的遥感地表形变监测信息的解译效率，提升目标研究区地表形变信息的智能化识别水平。

其中，InSAR技术是一项以SAR雷达图像中所包含的相位信息为基础，进行综合计算、分析，以获取地表时空信息的新型监测技术，InSAR技术的核心是通过两次对同以地表目标进行成像，将两幅图进行干涉处理，并以此计算各次观测相位，求解干涉相位差，进而反演地形及形变数据。

例如，本申请实施例可以采用SBAS-InSAR方法获取上述步骤中霍东矿区研究范围内的地表形变信息，SBAS-InSAR方法可以有效减少时空相干性不足造成的影响，与其他InSAR方法相比，在SAR影像数量相同的情况下，SBAS处理技术可以在相关阈值范围内生成更多的干涉图像对。

又例如，上述步骤中对研究区的SBAS-InSAR遥感图像处理技术的具体步骤可以如下：

步骤S1：基线估计与连接图生成。本申请实施例可以获取干涉像对的基线信息，并设置时空间基线阀域，定义SBAS-InSAR处理中需要处理的SAR影像干涉对，从而生成连接图，建立图像间配对关系用于后续干涉处理。

步骤S2：干涉图生成。本申请实施例可以对已选取的影像对，设置距离向、方位向等多视处理参数，以及待输出干涉图的地面分辨率，该步骤的输出结果为消除平地效应后的干涉条纹图。

步骤S3：自适应滤波及相干性生成。本申请实施例可以选择Goldstein方法进行滤波，该步骤生成滤波后的干涉图与描述位相质量的相干系数图，其中，相干系数图的像元值即为相干系数值，可在处理过程中通过软件查看(分布在0～1之间)，像元相干性越高，其对应的系数值越大，当系数值低于一定限度时，则表示该像元在对应时间段内发生了过于剧烈的变化，该监测结果可信度较低。

步骤S4：相位解缠。本申请实施例中的相位的变化周期为2π，因此只要相位变化超过2π，相位值就会进入新的周期，PU的左右为解译包含循环状态形变信息的干涉图相位，以获取其中对应研究区地表测量点的线性地形与形变特征。

步骤S5：轨道精炼与重去平。首先选取GCPs(ground control point，地面控制点)，一般情况下，选择相位质量好、相干性高，且位于平地、远离形变区的点来作为控制点，随后通过轨道精炼去除干涉图中包含的相位坡道，使其仅保留形变相位，该步骤通常用来去除轨道相位等固定相位误差，经过上述步骤后，SAR干涉图中所包含的轨道相位、地形相位、噪音相位以及平地效应相位等干扰因素已被大致剔除。

步骤S6：反演与地理编码。本申请实施例可以通过第一次反演，获取平均形变速率及DEM的校正系数，以此为基础为干涉图再次去除残余平地作用相位，进一步提高处理结果的精度，第二次反演则是在基于前次反演中获取的形变率来计算时间序列中的位移，并进行大气相位滤波，衰减大气相位误差，得到时间序列的地表形变监测结果，最后为处理完成的形变速率图与累积形变图加上经纬度等投影信息，进行地理编码，即可得到最终完整的地表形变监测结果。

综上，本申请实施例可以通过SBAS-InSAR处理操作，获取研究区大范围、高精度的地表变形监测信息。

在步骤S103中，根据地表变形监测数据和工程地质资料生成的模型训练数据集，并利用训练数据集训练DeepLabv3+深度学习模型，得到地下开采沉陷区识别模型，以利用地下开采沉陷区智能识别模型识别任一研究区地表形变中由地下开采诱发的沉陷区。

可以理解的是，本申请实施例可以根据下述步骤中的地表变形监测数据和工程地质资料生成的模型训练数据集，并利用下述步骤中的训练数据集训练DeepLabv3+深度学习模型，得到地下开采沉陷区智能识别模型，以利用地下开采沉陷区智能识别模型识别任一研究区地表形变监测信息中由地下开采诱发的沉陷区，从而可以有效的降低人工操作成本，提升了解译地表形变信息的准确性和智能性。

在部分实施例中，如图3所示，本申请实施例可以基于DeepLabv3+深度学习算法构建地下开采沉陷区的智能识别模型，在训练阶段可以利用下述步骤中的训练数据集训练DeepLabv3+深度学习模型，其中，可以基于DeepLabv3+深度学习语义分割方法和Python语言开发地下开采沉陷区智能识别算法，DeepLabv3+是目前应用较为广泛的一种基于CNN的语义分割算法，主要由编码器和解码器两部分组成。

其中，如图4所示，编码器部分主要由主干网和ASPP(atrous spatial pyramidpooling，空洞空间卷积池化金字塔)模块组成，主要作用是对得到的输出特征图进行采样，并与低维特征图连接，然后利用双线性插值恢复输入图像的大小，得到最终的分割结果，其中，ASPP模块采用并行结构，利用不同扩张率的空洞卷积获取多尺度信息。

举例而言，如图5所示，本申请实施例在设计DeepLabv3+编码器部分时，可以采用ResNet101网络作为主干网络以提取特征，首先，设置一个输入为7×7×64的卷积层，然后，设置33个(3+4+23+3)Block，其中，每个Block分为三层，共99层，最后，连接全连接层以输出分类结果，该结构共包含101层网络。

另外，如图4所示，解码器部分在接收到编码器输出的高维特征图后，首先用双线性插值对其进行上采样，然后在主干网中与具有相同分辨率的低层特征进行串联，为了防止低层特征的高通道数对高层特征中的语义信息产生较大影响，网络在特征串接前对低层特征的1×1卷积来减少通道数，拼接后的特征再经过3×3卷积对特征进行细化，然后使用双线性插值进行4次上采样恢复到原始图像的大小，得到最终的监测结果。

其中，在本申请的一个实施例中，根据地表变形监测数据和工程地质资料生成的模型训练数据集，包括：结合采矿统计资料、地灾调查资料标注训练数据中的开采诱发沉陷区作为标签数据；对地表形变速率图像进行预处理，通过图像格式转换、图像分割和图像数据增强得到训练图像集。

在一些实施例中，本申请实施例可以根据某一已研究地区经SBAS-InSAR处理得到的地表变形监测数据和工程地质资料生成的模型训练数据集，首先，结合采矿统计资料、地灾调查资料标注训练数据中的开采诱发沉陷区作为标签数据，然后对地表形变速率图像进行预处理，通过图像格式转换、图像分割以及图像数据增强得到训练图像集，以适应深度学习模型输入。

举例而言，如图3所示，本申请实施例中提出采用深度学习语义分割模型来开发地下开采沉陷区的智能识别方法，深度学习模型在进行合理预测前，首先需要建立相应的训练数据集，模型从大规模的训练数据中自主的学习信息特征，在反复调整参数后，确定最优模型，才可对研究区数据进行预测，因此，建立模型之前，首先需要制作适应模型学习的训练样本集，本申请实施选用山西省阳泉矿区的SAR监测数据作为训练集，训练集图像同样采用以上SBAS-InSAR技术进行处理，处理后得到的是阳泉矿区地表变形速率图，针对训练数据地表变形速率图的具体制作过程如图6所示：

(1)制作标签数据集。根据各区域形变区显著不同的特征，结合采矿统计资料，地灾调查资料人工标注训练数据集中开采诱发沉陷区作为数据标签，数据标签在后续的模型训练过程中，将作为地表的真实情况以训练深度学习模型，在预测过程中用以检验预测集及研究区的准确性。

(2)转换数据格式。将原始图像中包含的地表形变值转换为标准图像中的灰度值(0～255)，以满足深度学习模型的输入。

(3)图像分割。以50％的重叠率将图像按照256×256的像素大小进行标准分割。

(4)数据增强。将包含开采沉陷区的影像块称为正样本，不包含开采沉陷区的样本称为负样本，在深度学习模型中，平衡正负样本集数量是非常重要的，本申请实施例中采用数据增强方法进行平衡，通过像素平移，水平与垂直翻转，旋转22.5°、45°、67.5°、90°，以及沿放射变化x与y坐标轴的不同尺度扭转，来增加正负样本集的数量。

经过上述具体制作过程可知，本申请实施例中共制作了训练集图像10000张，图像为256×256的灰度图。

根据本申请实施例提出的地下开采沉陷区智能识别方法，可以采集目标研究区的SAR影像，基于SBAS-InSAR技术获取目标研究区的时间序列地表形变信息，生成地表形变速率图像，从而根据地表变形监测数据和工程地质资料生成的模型训练数据集，并利用训练数据集训练DeepLabv3+深度学习模型，得到地下开采沉陷区识别模型，以利用地下开采沉陷区智能识别模型识别任一研究区地表形变监测信息中由地下开采诱发的沉陷区进而有效的降低了人工成本，提升了解译地表形变监测信息的工作效率。由此，解决了相关技术中由于形变信息可能由地下开采引起，也可能由植被周期生长以及其他人类活动引起，从而难以学习大规模地表形变监测数据中潜在的复杂特征，并且难以匹配现代技术所能捕获的大数据监测信息，降低了从大规模地表监测信息中识别地下开采沉陷区的准确性和智能性等问题。

接着，图7为本申请实施例所提供的另一种地下开采沉陷区智能识别方法的流程示意图。

如图7所示，该地下开采沉陷区智能识别方法包括以下步骤：

在步骤S701中，采集待识别研究区的SAR影像。

可以理解的是，本申请实施例可以采集待识别研究区的SAR影像，从而可以提升地下开采诱发沉陷区的智能识别的可执行性。

在步骤S702中，基于SBAS-InSAR技术，获取待识别研究区的时间序列地表形变信息，生成地表形变速率图像。

可以理解的是，本申请实施例可以基于下述步骤中的SBAS-InSAR技术，获取待识别研究区的时间序列地表形变信息，生成地表形变速率图像，从而提升获取地表形变速率的准确性和智能性。

可选地，在本申请的一个实施例中，基于SBAS-InSAR技术，获取待识别研究区的时间序列地表形变信息，包括：对SAR影像执行预设SBAS-InSAR处理操作，其中，预设SBAS-InSAR处理操作包括基线估计与连接图生成操作、干涉图生成操作、自适应滤波及相干性生成操作、相位解缠操作、轨道精炼操作与重去平操作中。

在实际执行过程中，本申请实施例可以对待识别研究区SAR影像执行SBAS-InSAR处理操作，得出待识别研究区时间序列地表形变信息，其中，SBAS-InSAR处理操作包括基线估计与连接图生成操作、干涉图生成操作、自适应滤波及相干性生成操作、相位解缠操作、轨道精炼操作与重去平操作等，其中，具体操作步骤与目标研究区中一致，从而可以有效的提升解译复杂的遥感地表形变监测信息的效率，提升待识别研究区地表形变信息的智能化识别水平。

在步骤S703中，将地表形变速率图像输入至预先构建的地下开采沉陷区识别模型，输出待识别研究区的地下开采沉陷区识别结果，其中，地下开采沉陷区识别模型由DeepLabv3+深度学习方法训练得到。

可以理解的是，本申请实施例可以将地表形变速率图像输入至预先构建的地下开采沉陷区识别模型，例如，可以将预处理后的训练集输入DeepLabv3+模型中，调整参数(Epoch、Batch Size、Learning Rate)，训练最优模型，并输入待识别研究区的InSAR地表形变速率图像进行预测，输出待识别研究区的地下开采沉陷区识别结果。

举例而言，本申请实施例可以基于Python语言开发网络代码，采用的Python库包主要有PyTorch(用于深度学习网络的构建)和GDAL(用于获取遥感数据信息以及遥感图件处理)，在设计好模型网络结构后，可以进一步搭建模型实验环境，在模型训练过程中采用民用设备，主要硬件的参数为：CPU-15-9400F(6核心，6线程)，CPU-NVIDIA-RTX2-60(6G显存)，RAM-SSD-16G(最大读取速度：3500MB/s，最大写入速度：2300MB/s)。

进一步地，本申请实施例搭建好模型开发环境后，可以进行训练模型参数，首先，可以将清洗和增强后的训练集输入DeepLabv3+模型中，设置epoch，即所有训练样本在神经网络中进行正向与反向传播次数，设置Batch Size，即每批输入数据的大小，设置Learningrate，即学习率，在反复训练后，最终确定最优参数为Epoch＝80，Batch size＝8，前25个Epoch中设置学习率为0.00001，后55个Epoch中设置学习率为0.00005，每个Epoch耗时约9分钟，训练过程共计耗时12小时。

进一步地，如图6所示，本申请实施例确定模型最后参数后，可以利用Python语言下的GDAL库包，直接将研究区-霍东矿区经SBAS-InSAR处理得到的地表变形速率图(未经裁剪)，以滑动识别的方法(重叠率50％)自动截取适应模型大小的图块(256×256像素)，预测各斑块的可能性，对重叠部分取预测概率的平均值，将置信度大于75％的地面像素点标记为地下开采诱发沉陷区，最后将InSAR地表形变速率图与深度学习识别结果相叠加，最终得到研究区开采诱发沉陷区的识别结果。

如图8所示，为本申请实施例提出的DeepLabv3+模型识别的地下开采沉陷区，共识别出地下开采沉陷区202处，分离出的地下开采诱发沉陷区主要分布于研究区内的汾西矿区、霍东矿区与长治矿区，地下开采诱发沉陷区空间分布大多为漏斗状，地表最大沉降主要发生在采区地表中心，沉降速率由中心向边缘逐渐减小，沉陷区一般呈典型的圆形或椭圆形，形变值的梯度绝对值远大于非沉陷区域，梯度方向从沉陷区中心指向边缘。

进一步地，本申请实施例可以利用IoU(Intersection over Union，交并比)精度指标验证本申请实施例提出的DeepLabV3+深度学习模型对研究区由地下开采诱发沉陷区的识别精度。

例如，为评价深度学习模型对霍东矿区地下开采诱发沉陷区的识别精度，本申请实施例采用IoU指标评价模型精度，IoU为实际值与预测值的交并集之比，即：

其中，k表示训练模型规定的种类数(通常还有一个背景类，故模型中共有k+1个类别)，C

经过计算，DeepLabv3+深度学习模型对霍东矿区地下开采诱发的沉陷区的IoU识别精度值为80.30％，因此，本申请实施例提出的DeepLabv3+地下开采沉陷区智能识别模型是合理的。

接着，为进一步精细分析霍东矿区沉陷区特征，本申请实施例提取了长治矿区、霍东矿区的部分识别结果，如图9所示，图9(a)为地表覆被情况，以及矿区分布，图9(b)为区域内地表形变监测结果，图9(c)为地下开采诱发沉陷区的识别结果，在长治矿区东侧为森林，从监测结果看该森林也存在程度不同的形变，在传统的目视解译过程中会造成干扰，而根据本申请实施例的识别结果，此处并未被标记，霍东矿区南部为森林地带，由于林区的季节性变化导致InSAR监测结果中部分像元被剔除，而在目视解译中不易观察出沉陷漏斗，而根据提出的深度学习模型识别结果，此处森林中的沉陷区被标记，因此，本申请实施例提出的DeepLabv3+深度学习模型的识别结果大大提升了智能化水平。

根据本申请实施例提出的地下开采沉陷区智能识别方法，可以采集待识别研究区的合成孔径雷达SAR影像，基于SBAS-InSAR技术获取待识别研究区的时间序列地表形变信息，生成地表形变速率图像，将地表形变速率图像输入至预先构建的地下开采沉陷区识别模型，输出待识别研究区的地下开采沉陷区识别结果，其中，地下开采沉陷区识别模型由DeepLabv3+深度学习方法训练得到，进而有效的降低了人工成本，提升了解译地表形变监测结果的工作效率。由此，解决了相关技术中由于形变信息可能由地下开采引起，也可能由植被周期生长以及其他人类活动引起，从而难以学习大规模地表形变监测数据中潜在的复杂特征，并且难以匹配现代技术所能捕获的大数据监测信息，降低了从大规模地表监测信息中识别地下开采沉陷区的准确性和智能性等问题。

其次参照附图描述根据本申请实施例提出的地下开采沉陷区智能识别装置。

图10是本申请实施例的地下开采沉陷区智能识别装置的方框示意图。

如10所示，该地下开采沉陷区智能识别装置10包括：采集模块100、生成模块200和训练模块300。

具体地，采集模块100，用于采集目标研究区的SAR影像。

生成模块200，用于基于SBAS-InSAR技术，获取目标研究区的时间序列地表形变信息，生成地表形变速率图像。

训练模块300，用于根据地表变形监测数据和工程地质资料生成的模型训练数据集，并利用训练数据集训练DeepLabv3+深度学习模型，得到地下开采沉陷区智能识别模型，以利用地下开采沉陷区智能识别模型识别任一研究区地表形变监测信息中由地下开采诱发的沉陷区。

可选地，在本申请的一个实施例中，训练模块300进一步用于结合采矿统计资料、地灾调查资料标注训练数据中的开采诱发沉陷区作为标签数据；对地表形变速率图像进行预处理，通过图像格式转换、图像分割和图像数据增强得到训练图像集。

可选地，在本申请的一个实施例中，训练模块300包括：标注单元和处理单元。

其中，标注单元，用于结合采矿统计资料、地灾调查资料标注训练数据中的开采诱发沉陷区作为标签数据。

处理单元，用于对地表形变速率图像进行预处理，通过图像格式转换、图像分割和图像数据增强得到训练图像集。

需要说明的是，前述对地下开采沉陷区智能识别方法实施例的解释说明也适用于该实施例的地下开采沉陷区智能识别装置，此处不再赘述。

根据本申请实施例提出的地下开采沉陷区智能识别装置，可以采集目标研究区的SAR影像，基于SBAS-InSAR技术获取目标研究区的时间序列地表形变信息，生成地表形变速率图像，从而根据地表变形监测数据和工程地质资料生成的模型训练数据集，并利用训练数据集训练DeepLabv3+深度学习模型，得到地下开采沉陷区识别模型，以利用地下开采沉陷区智能识别模型识别任一研究区地表形变监测信息中由地下开采诱发的沉陷区，进而有效的降低了人工成本，提升了解译地表形变监测信息的工作效率。由此，解决了相关技术中由于形变信息可能由地下开采引起，也可能由植被周期生长以及其他人类活动引起，从而难以学习大规模地表形变监测数据中潜在的复杂特征，并且难以匹配现代技术所能捕获的大数据监测信息，降低了从大规模地表监测信息中识别地下开采沉陷区的准确性和智能性等问题。

接着，参照附图描述根据本申请实施例提出的另一种地下开采沉陷区智能识别装置。

图11是本申请实施例的地下开采沉陷区智能识别装置的方框示意图。

如图11所示，该地下开采沉陷区智能识别装置20包括：采集模块400、生成模块500和识别模块600。

具体地，采集模块400，用于采集待识别研究区的SAR影像。

生成模块500，用于基于SBAS-InSAR技术，获取待识别研究区的时间序列地表形变信息，生成地表形变速率图像。

识别模块600，用于将地表形变速率图像输入至预先构建的地下开采沉陷区识别模型，输出待识别研究区的地下开采沉陷区识别结果，其中，地下开采沉陷区识别模型由DeepLabv3+深度学习方法训练得到。

可选地，在本申请的一个实施例中，生成模块500进一步用于对SAR影像执行预设SBAS-InSAR处理操作，其中，预设SBAS-InSAR处理操作包括基线估计与连接图生成操作、干涉图生成操作、自适应滤波及相干性生成操作、相位解缠操作、轨道精炼操作与重去平操作。

需要说明的是，前述对地下开采沉陷区智能识别方法实施例的解释说明也适用于该实施例的地下开采沉陷区智能识别装置，此处不再赘述。

根据本申请实施例提出的地下开采沉陷区智能识别装置，可以采集待识别研究区的合成孔径雷达SAR影像，基于SBAS-InSAR技术获取待识别研究区的时间序列地表形变信息，生成地表形变速率图像，将地表形变速率图像输入至预先构建的地下开采沉陷区识别模型，输出待识别研究区的地下开采沉陷区识别结果，其中，地下开采沉陷区识别模型由DeepLabv3+深度学习方法训练得到，进而有效的降低了人工成本，提升了解译地表形变监测结果的工作效率。由此，解决了相关技术中由于形变信息可能由地下开采引起，也可能由植被周期生长以及其他人类活动引起，从而难以学习大规模地表形变监测数据中潜在的复杂特征，并且难以匹配现代技术所能捕获的大数据监测信息，降低了从大规模地表监测信息中识别地下开采沉陷区的准确性和智能性等问题。

图12为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括：

存储器1201、处理器1202及存储在存储器1201上并可在处理器1202上运行的计算机程序。

处理器1202执行程序时实现上述实施例中提供的地下开采沉陷区智能识别方法。

进一步地，电子设备还包括：

通信接口1203，用于存储器1201和处理器1202之间的通信。

存储器1201，用于存放可在处理器1202上运行的计算机程序。

存储器1201可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

如果存储器1201、处理器1202和通信接口1203独立实现，则通信接口1203、存储器1201和处理器1202可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(PeripheralComponent，简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图12中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

可选地，在具体实现上，如果存储器1201、处理器1202及通信接口1203，集成在一块芯片上实现，则存储器1201、处理器1202及通信接口1203可以通过内部接口完成相互间的通信。

处理器1202可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。

本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的地下开采沉陷区智能识别方法。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或N个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。