(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 202210844031.X (22)申请日 2022.07.18 (71)申请人 西南交通大 学 地址 610097 四川省成 都市二环路北一段 111号 (72)发明人 李闯农　朱军　朱庆　郭煜坤　 (74)专利代理 机构 成都中弘信知识产权代理有 限公司 513 09 专利代理师 林秋兰 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06N 5/02(2006.01) G06N 5/04(2006.01) (54)发明名称 多云多雾耕地保护区内建筑物智能变化检 测方法 (57)摘要 本发明公开了一种多云多雾耕地保护区内 建筑物智能变化检测方法， 属于知识图谱和识别 技术领域， 解决现有技术针对有云雾遮挡的光学 遥感影像无法有效对耕地内建筑物进行识别检 测， 从而造成对耕地内建筑物的识别效果差的问 题。 本发明基于多源时空数据构建用于耕地内建 筑物变化检测的知识图谱模型； 基于知识图谱模 型和双向链的推理模型构建耕地内建筑物变化 检测的知识 推理模型； 基于知识图谱模 型向知识 推理模型输入的数据， 执行知识 推理模型中的规 则进行耕地保护区内建筑物智能变化检测。 本发 明用于建 筑物智能变化检测。 权利要求书5页 说明书13页 附图4页 CN 115272848 A 2022.11.01 CN 115272848 A 1.一种多云多雾耕地保护区内建筑物智能变化检测方法， 其特 征在于， 包括如下步骤： 步骤1、 基于多源时空数据构建用于耕地内建筑物变化检测的知识图谱 模型； 步骤2、 基于知识图谱模型和双 向链的推理模型构建耕地内建筑物变化检测的知识推 理模型； 步骤3、 基于知识图谱模型向知识推理模型输入的数据， 执行知识推理模型中的规则进 行耕地保护区内建筑物智能变化检测。 2.根据权利要求1所述的一种多云多雾耕地保护区内建筑物智能变化检测方法， 其特 征在于， 所述 步骤1的具体步骤为： 步骤1.1、 基于多源时空数据获取耕地内建筑物检测所需的对象， 梳理各对象的属性特 征和各对象之间的关联关系， 其中， 多源时空数据包括历史气候数据、 多通道影像数据、 耕 地区划数据、 耕地建筑物样本数据、 区县耕地政策数据、 时间数据、 行政区划空间范围数据 和植被数据， 对象包括分别由历史气候数据、 多通道影像数据、 耕地区划数据、 耕地建筑物 样本数据、 区县耕地政策数据、 时间数据、 行政区划空间范围数据和植被数据抽象得到的时 间、 空间、 气候、 影 像、 耕地、 建筑物和植被， 影 像包括光学遥感影 像和SAR影 像； 步骤1.2、 所有对象和对象间的关联关系构成模式层， 属性特征构成数据层， 即得到构 建好的知识图谱模型， 即使得模式层包含所有对 象与各对 象之间的语义关系， 数据层包含 所有对象的具体数据内容。 3.根据权利要求2所述的一种多云多雾耕地保护区内建筑物智能变化检测方法， 其特 征在于， 所述 步骤2的具体步骤为： 步骤2.1、 基于知识图谱模型中的模式层和数据层， 使用SPO三元组从多源时空数据中 提取知识并进 行存储， 其中， SPO三元组存储的知识的三元 组表现形式为主语、 谓语和宾语， SPO三元组采用结构化数据的知识抽取方式、 半结构化数据的知识抽取方式和非结构化的 知识抽取 方式从多源时空数据中提取知识； 步骤2.2、 基于存 储的知识和双向链的推理模型构建知识推理模型。 4.根据权利要求3所述的一种多云多雾耕地保护区内建筑物智能变化检测方法， 其特 征在于， 所述 步骤2.2的具体步骤为： 步骤2.21、 基于存储的知识构建规则库， 其中， 规则库包括影像优选规则、 建筑物识别 规则、 建筑物提取规则和变化检测规则； 步骤2.22、 基于规则库和双向链的推理模型构建耕地内建筑物变化检测的知识推理模 型。 5.根据权利要求4所述的一种多云多雾耕地保护区内建筑物智能变化检测方法， 其特 征在于， 步骤2.21中的影 像优选规则的具体步骤为： 若是检测历史光学遥感影像， 针对所需检测的空间， 依据历史气候数据的统计数据， 选 择所需月份中为晴天的光学遥感影 像进行推荐； 若是检测当前月份的光学遥感影像， 针对所需检测的空间， 在月初时， 依据历史气候数 据的统计数据， 选择历史中与当前月份相对应的月份， 并将此月份中连续晴天天数从多到 少进行排序， 排序后获取连续晴天天数最多的时间段， 再基于排序后获得的时间段选择当 前月份中的时间段的光学遥感影 像进行推荐； 得到推荐结果， 基于知识图谱模型中的数据对推荐结果进行编号， 即得到最终的推荐权　利　要　求　书 1/5 页 2 CN 115272848 A 2影像， 编号格式为 “空间名称 ‑时间‑影像类型”； 所述步骤2.21中的建筑物 识别规则的具体步骤为： 步骤2.211、 先利用场景分类器将推荐影像分为晴天场景或阴天场景， 若为晴天场景， 直接通过轻量化的SSD模 型进行建筑物目标识别， 得到 建筑物的位置， 即得到 建筑物的范围 框， 再转到步骤2.213， 若否， 转到步骤2.212； 步骤2.212、 优化处理含云雾的推荐影像， 优化后通过轻量化的SSD模型进行建筑物 目 标识别， 得到建筑物的位置， 即得到建筑物的范围框， 再转到步骤2.213； 优化处理含云雾的推荐影 像的具体步骤为： 利用生成对抗神经网络建立SAR影像向光学遥感影像的映射模型， 映射模型包括训练 后得到的U ‑net生成网络和马尔科 夫性的判别器， 生成对抗神经网络的目标函数LGAN(G,D)为： LGAN(G,D)＝En,m[logD(n,m)]+En,l[log(1‑D(n,G(n,l) ))]    (5) 其中， n表示无雾的SA R影像， m表示无雾的光学遥感影像， G(n,l))表示生成的无雾的光 学遥感影像， D(m,n)表示判定影像是否为真实样本,l表示随机噪声， En,m[logD(n,m)]表示 真实数据的概 率分布， En,l[log(1‑D(n,G(n,l) ))]表示生成数据的概 率分布； 将有云雾的推荐影像输入训练后的映射模型生成光学遥感影像， 即得到优化处理后的 影像； 步骤2.213、 基于知识图谱模型获取包含建筑物的范围框的光学遥感影像的拍摄时间 以及投影坐标， 利用kmeans算法以光学遥感影像的第一帧图像为基点将时间周期为一周的 各帧图像进行聚类， 将聚类后得到的光学遥感影像的范围框进行互补， 得到互补后的范围 框， 互补公式为： 其中， Bnew{x,y,w,h}为互补后的范围框， x、 y为互补后的范围框左上角的坐标， w与h为 互补后的范围框的宽与长， Bi是第i个互补后 的范围框， 当存在范围框相交时则合并范围 框， Bi{x}表示第i个互补后的范围框左上角x坐 标， Bi{y}表示第i个互补后的范围框左上角y 坐标, 表示存在， ∩表示相交， max表示 最大值， mi n表示最小值； 步骤2.214、 保存互补后得到的范围框， 以及包含有互补后的范围框的光学遥感影像的 编号。 6.根据权利要求5所述的一种多云多雾耕地保护区内建筑物智能变化检测方法， 其特 征在于， 所述轻量化的SSD模 型是在SSD模型的基础上， 将SSD模 型中的全连接网络替代 为两 个卷积层， 替代后并利用卷积通道剪枝算法对 模型进行 轻量化； 利用卷积通道剪枝算法对替代后的S SD模型进行 轻量化的具体步骤为： 首先设置替代后的SSD模型每一卷积层不同的剪枝率， 确定出替代后的SSD模型最优的 剪枝率区间； 接着利用替代后的SSD模型最优的剪枝率区间， 设置每一卷积层在最优的剪枝率区间权　利　要　求　书 2/5 页 3 CN 115272848 A 3