常 樂,韓 磊,陳宗強,盛 輝,劉善偉

(1.青島市勘察測繪研究院,山東 青島 266033; 2.中國石油大學(xué)(華東)海洋與空間信息學(xué)院,山東 青島266580; 3. 海陸地理信息集成與應(yīng)用國家地方聯(lián)合工程研究中心(青島),山東 青島 266033)

地下巖體、地層、礦床等露出地表后形成野外地質(zhì)露頭,其中蘊含著豐富的地質(zhì)信息[1]。地質(zhì)露頭研究是地質(zhì)工作者的必修課,其中地質(zhì)露頭巖性識別是地質(zhì)學(xué)的一個重要研究領(lǐng)域,同時也是地質(zhì)調(diào)查的一項重要工作。

巖石巖性是反映巖石特征的屬性,如顏色、成分、結(jié)構(gòu)及特殊礦物等[2]。傳統(tǒng)的地質(zhì)露頭巖性判別方法主要依靠野外地質(zhì)調(diào)查,由外業(yè)人員通過野外踏勘采集巖石巖性樣本,然后帶回實驗室進(jìn)行分析,最后由人工填圖,整個識別過程費時費力;且野外地質(zhì)露頭大多垂直于地面且跨度、高度較大,有些區(qū)域地質(zhì)人員無法到達(dá),導(dǎo)致地質(zhì)露頭的巖性難以判別。國內(nèi)外諸多學(xué)者提出了多種方法進(jìn)行巖石巖性分類,如物理實驗方法[3-4]、數(shù)學(xué)統(tǒng)計分析方法[5-7]、智能學(xué)習(xí)方法[8-9]等。物理實驗方法和數(shù)學(xué)統(tǒng)計分析方法對巖石巖性分析具有較好的效果,但需要在眾多特征中找出規(guī)律,主觀性強,要求研究人員具有專業(yè)的理論水平。

隨著圖像處理和遙感技術(shù)的不斷發(fā)展,其相關(guān)技術(shù)和算法在巖性識別中得到了廣泛應(yīng)用。如文獻(xiàn)[10—14]通過機器學(xué)習(xí)算法對巖石巖性圖像進(jìn)行分類,并取得了較好的分類精度。但大部分的巖性分類研究主要以遙感影像或巖石圖像為數(shù)據(jù)源,而大坡度地質(zhì)露頭大多垂直于地面,衛(wèi)星遙感數(shù)據(jù)受限于角度,無法有效采集地質(zhì)露頭數(shù)據(jù)。當(dāng)前無人機多光譜數(shù)據(jù)獲取便捷、成本低、空間分辨率高,給大坡度地質(zhì)露頭巖性分類帶來新的遙感數(shù)據(jù)源[15]。部分學(xué)者將深度學(xué)習(xí)引入巖性分類,但大多基于卷積神經(jīng)網(wǎng)絡(luò)的分類模型,只考慮光譜信息,忽略了空間信息對巖性分類的增強作用。無人機多光譜影像中具有豐富空間信息和光譜信息,如何有效地利用這些信息進(jìn)行高精度的巖性分類是一個亟待解決的問題。

針對以上問題,本文首先使用多光譜無人機,以貼近攝影測量[16]的方式采集地質(zhì)露頭數(shù)據(jù),利用面向?qū)ο蟮姆诸惙椒ㄌ崛r石分布的精確區(qū)域;然后基于此區(qū)域采用多尺度混合特征網(wǎng)絡(luò)模型進(jìn)行巖性分類,并與SVM、MLC、Inception V3、ResNet16和Hybrid CNN模型進(jìn)行精度對比;最后在河南云臺山地區(qū)進(jìn)行應(yīng)用,實現(xiàn)高精度的自動化巖性分類,以期為野外地質(zhì)調(diào)查、地質(zhì)填圖、巖性分類提供可行的參考。

1 試驗區(qū)域與數(shù)據(jù)

1.1 研究區(qū)域概況

云臺山公園位于山西省晉城市和河南省焦作市交界處。云臺山峽谷出露的地層主要為中元古屆云夢山組和古生屆寒武系-奧陶系,其中中元古屆云夢山組紅色石英砂巖構(gòu)成了峽谷內(nèi)的主要景觀。試驗對象高300 m,長700 m,平均坡度大于85°,主要以肉紅色石英砂巖、紫紅色石英砂巖和深紫色石英砂巖3種巖石為主。如圖1所示。

1.2 數(shù)據(jù)采集方案

本次試驗采集設(shè)備為大疆P4 Multispectral,該無人機重1487 g,最大飛行速度為72 km/h,最長飛行時間為27 min,懸停定位精度能達(dá)到毫米級,通過云臺搭載集成鏡頭,包括1個用于可見光成像的彩色傳感器和5個用于多光譜的單色傳感器(藍(lán)(B):450±16 nm;綠(G):560±16 nm;紅(R):650±16 nm;紅邊(RE):730±16 nm;近紅外(NIR):840±16 nm),傳感器所獲圖像的有效像素為208萬,分辨率為1600×1300像素。

無人機通過貼近攝影測量的方式進(jìn)行數(shù)據(jù)采集,在數(shù)據(jù)采集過程中始終保持無人機鏡頭垂直于露頭剖面,在光照條件不充足時,可適當(dāng)調(diào)整鏡頭角度。無人機手控飛行路線如圖2所示,箭頭為無人機移動方向。飛行需要確定的參數(shù)如下。

圖2 無人機手控飛行路線

無人機采集超高精度的影像時與露頭剖面的距離公式為

(1)

式中,L為無人機鏡頭與露頭剖面間的距離(m);GSD為地面分辨率(mm);d為相機傳感器的像元大小;f為相機的焦距(mm)[17]。

航線上無人機的飛行速度根據(jù)標(biāo)準(zhǔn)航線重疊度(80%)進(jìn)行計算,公式為

V=(0.2·W1·L)/(T·f)

(2)

式中,W1為相機飛行航線方向上的傳感器寬度(mm);T為影像采集的時間間隔(s)。

無人機飛行時兩條航線之間的距離公式為

S=(0.3·W2·L)/f

(3)

式中,S為兩條航線之間的距離;W2為與無人機飛行航線方向垂直方向的傳感器寬度(mm)。

1.3 數(shù)據(jù)預(yù)處理

飛行前后設(shè)置地面輻射標(biāo)定板,用于后期影像輻射校正,飛行中保證航線重疊度和旁向重疊度大于80%,共獲取多光譜圖像9750張。通過Agisoft Metashape軟件進(jìn)行影像拼接,經(jīng)輻射校正處理得到5個波段的多光譜圖像,影像分辨率為0.03 m。

2 研究方法

無人機影像內(nèi)除主要研究對象巖石外,還有大量植物覆蓋及巖層間的裂縫產(chǎn)生的陰影。若不剔除植物和陰影,將影響巖性分類的結(jié)果。因此,在進(jìn)行巖性分類前,應(yīng)首先去除植物和陰影,確定巖石的空間分布區(qū)域。然后在巖石分布區(qū)域內(nèi)通過目視解譯方式提取3種巖石的樣本點,以選取的樣本點為中心向外擴展成25×25像素大小的圖像,圖像的類別由中心像素點的類別決定。所有樣本按照7∶2∶1的比例分為訓(xùn)練集、測試集、驗證集,利用本文多尺度混合特征分類模型和多種分類模型進(jìn)行分類。最后選取研究區(qū)域內(nèi)的巖層分布清晰區(qū)域進(jìn)行精度對比。本文的技術(shù)路線如圖3所示。

圖3 技術(shù)路線

2.1 基于面向?qū)ο蟮膸r石分布區(qū)域提取

遙感圖像分類中大多是基于像素的分類方法,很少考慮地物的空間特征,忽略相鄰像素的相互關(guān)系,這不可避免地導(dǎo)致在分類結(jié)果中出現(xiàn)碎斑現(xiàn)象,分類效果較差。面向?qū)ο蟮姆诸惙椒ㄒ杂跋穹指詈蠖鄠€像素組成的對象為分類目標(biāo),在分類過程中面向?qū)ο蟛僮鞯氖怯幸饬x的影像對象,而不是單個的像素,充分考慮了光譜特征和對象的空間特征,克服了基于像素分類方法的缺點。因此,本文采用基于面向?qū)ο蟮姆诸惙椒ㄌ崛r石精確的分布區(qū)域。為了消除植被影響,選取歸一化植被指數(shù)(NDVI)、差值植被指數(shù)(DVI)、比值植被指數(shù)(RVI),以及5個光譜波段作為分類特征。

(1)歸一化植被指數(shù)。歸一化植被指數(shù)特征可通過增加植被之間的光譜差異,增強植被信息,抑制非植被的信息,常被用于檢測植被生長狀況、植被覆蓋度等,計算公式為

(4)

式中,NIR和R分別表示近紅外波段和紅波段的反射率。

(2)差值植被指數(shù)。差值植被指數(shù)也可增強植被信息,反映土壤與植被的覆蓋面積,其計算公式為

DVI=NIR-R

(5)

(3)比值植被指數(shù)。其計算公式為

(6)

2.2 多尺度混合特征網(wǎng)絡(luò)模型

卷積神經(jīng)網(wǎng)絡(luò)主要分為一維卷積神經(jīng)網(wǎng)絡(luò)、二維卷積神經(jīng)網(wǎng)絡(luò)、三維卷積神經(jīng)網(wǎng)絡(luò)。大部分的經(jīng)典網(wǎng)絡(luò)模型都是二維卷積神經(jīng)網(wǎng)絡(luò),只能提取空間特征,無法有效利用光譜特征。三維卷積神經(jīng)網(wǎng)絡(luò)可以提取空間特征和光譜特征,但計算量大。

為了充分利用二維卷積神經(jīng)網(wǎng)絡(luò)和三維卷積神經(jīng)網(wǎng)絡(luò)提取不同特征的能力,文獻(xiàn)[18]提出了一個混合特征學(xué)習(xí)框架(Hybrid CNN)。該學(xué)習(xí)框架將三維卷積核和二維卷積核混合使用,可以有效利用圖像中的光譜特征和空間特征,同時減小了計算量。本文在混合特征學(xué)習(xí)框架的基礎(chǔ)上,提出了一種多尺度混合特征網(wǎng)絡(luò)模型(如圖4所示)。它將三維卷積神經(jīng)網(wǎng)絡(luò)與二維卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合,充分利用光譜和空間信息,同時擴展分支,加入不同尺度的卷積核,獲取不同粒度的局部相關(guān)性,得到多尺度的特征信息,實現(xiàn)更高精度的分類結(jié)果。

圖4 多尺度混合特征網(wǎng)絡(luò)模型

由圖4可知,在多尺度混合特征網(wǎng)絡(luò)模型中使用了3×3和5×5不同尺度的卷積核,并在兩個分支中都使用了混合特征學(xué)習(xí)框架。在三維卷積階段,對輸入的光譜特征進(jìn)行3次三維卷積,在不損失大量光譜信息的情況下,將輸出特征進(jìn)行Reshape操作,方便后續(xù)進(jìn)行二維卷積獲取不同光譜波段的空間信息;然后將不同尺度的光譜-空間特征進(jìn)行串聯(lián)疊加,并進(jìn)行GAP操作,完成最后的分類。

在原始混合特征學(xué)習(xí)框架的分類階段,提取特征后連接了3個全連接層,而本文多尺度混合特征模型中的混合特征學(xué)習(xí)框架利用GAP操作替代全連接層。引入GAP操作可以使模型具有全局的感受野,使低層網(wǎng)絡(luò)也能夠利用全局信息,更加直觀地展示各類別與特征圖之間的聯(lián)系,使得特征圖轉(zhuǎn)化為分類概率也相對容易;此外,GAP層中沒有需要調(diào)整的參數(shù),也簡化了計算量和參數(shù)量,使模型更加穩(wěn)健,不易產(chǎn)生過擬合的現(xiàn)象。

3 試驗結(jié)果

3.1 提取巖石分布區(qū)域結(jié)果

無人機多光譜影像作為分類對象,以提出的植被指數(shù)和影像的5個光譜波段為分類特征,利用面向?qū)ο蟮姆诸惙椒ㄟM(jìn)行分類,確定巖石的分布區(qū)域。

面向?qū)ο蠓诸惖闹饕襟E為:基于無人機影像,首先進(jìn)行尺度分割,選取訓(xùn)練樣本,添加上述分類特征進(jìn)行分類;經(jīng)過反復(fù)試驗,影像分割時的分割尺度為150,顏色因子設(shè)置為0.6,緊密度設(shè)置為0.8,影像分割效果最佳。樣本選取與影像分割結(jié)果如圖5示。

圖5 樣本選取與分割結(jié)果

圖6為利用面向?qū)ο蟮姆诸惙椒▽o人機影像進(jìn)行分類的結(jié)果。可以看出,面向?qū)ο蟮姆诸惤Y(jié)果非常接近露頭實際情況。

為了能夠直觀地反映面向?qū)ο蠓诸惙椒▽r石分布區(qū)域的精度,計算分類混淆矩陣。各地物的分類精度見表1。Kappa系數(shù)為0.87。

表1 分類精度 (%)

可以看出,面向?qū)ο蟮姆诸惙椒軌驕?zhǔn)確地提取巖石的分布區(qū)域。光譜指數(shù)的選擇可以有效突出植被信息,將得到的分類圖像進(jìn)行分類后處理,并利用得到的巖性分布區(qū)域進(jìn)行掩膜處理,得到巖石分布區(qū)域,如圖7所示。

圖7 巖石分布區(qū)域

3.2 巖石巖性分類結(jié)果

以提取的巖石分布區(qū)域作為巖性分類數(shù)據(jù),以3類巖石的樣本點為中心,向外擴展成25×25像素大小的圖像,圖像的類別由中心像素點的類別決定,共4888個訓(xùn)練樣本。所有訓(xùn)練樣本按照7∶2∶1的比例分為訓(xùn)練集、測試集、驗證集。利用本文提出的多尺度混合特征網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和分類,并與卷積神經(jīng)網(wǎng)絡(luò)模Inception V3、ResNet18、Hybrid CNN,以及傳統(tǒng)機器學(xué)習(xí)分類模型SVM、MLC進(jìn)行精度對比。

試驗采用Sgdm優(yōu)化器進(jìn)行更新,L2范數(shù)項的系數(shù)為0.004,采用批量訓(xùn)練的方法訓(xùn)練模型,每個批次訓(xùn)練的樣本數(shù)為64個,共迭代50次,初始學(xué)習(xí)率設(shè)置為0.000 1。試驗環(huán)境為Matlab 2021a,計算機配置如下:CPU為i5-10300H,內(nèi)存為16 GB,GPU為NVIDIA GeForce GTX 1650。該模型運行時具體網(wǎng)絡(luò)結(jié)構(gòu)結(jié)果見表2。

利用本文多尺度混合特征網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和分類,并與卷積神經(jīng)網(wǎng)絡(luò)模Inception V3、ResNet18、Hybrid CNN,以及傳統(tǒng)機器學(xué)習(xí)分類模型SVM、MLC進(jìn)行精度對比,巖性分類結(jié)果如圖8所示。

圖8 巖性分類結(jié)果

選擇總體分類精度及Kappa系數(shù)作為驗證區(qū)域精度主要評價指標(biāo),分類精確率對比見表3。通過比較不同模型的分類精度可知,SVM和MLC的總體分類精度較低,分別為75.10%、76.74%,Kappa系數(shù)分別為0.62、0.64。Inception V3和ResNet18的總體分類精度和Kappa系數(shù)有所上升,但整體分類精度依舊偏低。Hybrid CNN和本文模型由于三維卷積核的加入,可以充分提取空間特征和光譜特征,總體分類精度和Kappa系數(shù)大幅提升。最終試驗結(jié)果表明,多尺度混合特征網(wǎng)絡(luò)模型相比于其他分類模型,在總體精度和Kappa系數(shù)上都達(dá)到最優(yōu),分別為89.91%、0.85。

表3 分類精確率對比

4 結(jié) 論

本文針對大坡度地質(zhì)露頭,利用無人機采集巖性數(shù)據(jù),提出了多尺度混合特征網(wǎng)絡(luò)模型,通過對比分類精度,得到以下結(jié)論。

(1)針對大坡度地質(zhì)露頭的特點,采用無人機與貼近攝影測量技術(shù)相結(jié)合的方法,在采集地質(zhì)露頭數(shù)據(jù)中具有較強的可行性和優(yōu)勢。

(2)以植被指數(shù)和光譜特征為分類特征,利用面向?qū)ο蟮姆诸惙椒?可以有效地區(qū)分植被與巖石,提取巖石精確的分布區(qū)域。

(3)本文多尺度混合特征網(wǎng)絡(luò)模型與InceptionV3、ResNet18、SVM和MLC相比,可以充分提取多光譜圖像中的光譜特征和空間特征,在總體分類精度、3類巖石分類精度及Kappa系數(shù)上均達(dá)到更高的精度,其中總體分類精度為89.91%,Kappa系數(shù)為0.85。