(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 202211356026.0 (22)申请日 2022.11.01 (71)申请人 北京数字政通科技股份有限公司 地址 100082 北京市海淀区西直门北 大街 32号枫蓝国际中心 A座18层180 5室 (72)发明人 赵明　 (74)专利代理 机构 北京卓特专利代理事务所 (普通合伙) 11572 专利代理师 王治兰 (51)Int.Cl. G06V 20/17(2022.01) G06V 20/10(2022.01) G06V 10/22(2022.01) G06V 10/26(2022.01) G06V 10/40(2022.01)G06V 10/774(2022.01) (54)发明名称 一种基于多任务学习的无人机变化检测方 法及其系统 (57)摘要 本申请公开了一种基于多任务学习的无人 机变化检测方法及其系统， 其中基于多任务学习 的无人机变化检测方法具体包括以下子步骤： 进 行地理信息对齐， 完成图像的对齐； 响应于完成 图像的对齐， 进行对齐后图像的预处理； 响应于 完成裁剪后的图像的预处理， 根据预处理后的 图 像进行模型的搭建； 响应于完成模型的搭建， 对 搭建后的进行后处理分析。 本申请实现了一套从 无人机数据采集后到变化检测结果输出的自动 化流程， 并利用多任务学习策略以及改进的预处 理提高了图像间的变化检测的精度。 权利要求书1页 说明书4页 附图2页 CN 115546671 A 2022.12.30 CN 115546671 A 1.一种基于多任务学习的无 人机变化检测方法， 其特 征在于， 具体包括以下子步骤： 进行地理信息对齐， 完成图像的对齐； 响应于完成图像的对齐， 进行对齐后图像的预处 理； 响应于完成裁剪后的图像的预处 理， 根据预处 理后的图像进行模型的搭建； 响应于完成模型的搭建， 对搭建后的进行后处 理分析。 2.如权利要求1所述的基于多任务学习的无人机变化检测方法， 其特征在于， 图像为无 人机低空遥感拍摄的地 域相同且时相不同的两幅图像。 3.如权利要求2所述的基于多任务学习的无人机变化检测方法， 其特征在于， 自动对齐 两幅图像的经纬度坐标， 完成图像的对齐。 4.如权利要求1所述的基于多任务学习的无人机变化检测方法， 其特征在于， 采用直方 图均衡化和直方图匹配操作对 对齐后的两幅图像进行 预处理。 5.如权利要求1所述的基于多任务学习的无人机变化检测方法， 其特征在于， 根据 预处 理后的图像进行模型的搭建， 具体包括以下子步骤： 确定模型 结构； 响应于确定模型 结构， 进行模型训练。 6.如权利要求5所述的基于多任务学习的无人机变化检测方法， 其特征在于， 确定模型 结构包括， 选取主干网络， 将两幅图像经过共享的主干网络进行特征提取， 得到特征图1和 特征图2。 7.如权利要求6所述的基于多任务学习的无人机变化检测方法， 其特征在于， 对特征图 1和特征图2分别进 行语义分割分支， 得到语义分割输出1和语义分割输出2， 特征图1和特征 图2进行相减操作并取绝对值， 得到相同尺 寸的特征图3， 在特征图3上应用空间金字塔池化 进行二分类分割得到变化检测结果。 8.如权利要求1所述的基于多任务学习的无人机变化检测方法， 其特征在于， 根据变化 检测数据集进行模型训练。 9.如权利要求8所述的基于多任务学习的无人机变化检测方法， 其特征在于， 变化检测 数据包含N个图像以及分别与N个图像对应的数据标签。 10.一种基于多任务学习的无人机变化检测系统， 其特征在于， 包括对齐单元、 预处理 单元、 模型搭建单元以及分析 单元； 对齐单元， 用于进行地理信息对齐， 完成图像的对齐； 预处理单元， 用于进行对齐后图像的预处 理； 模型搭建单元， 用于根据预处 理后的图像进行模型的搭建； 分析单元， 用于对搭建后的进行后处 理分析。权　利　要　求　书 1/1 页 2 CN 115546671 A 2一种基于多任务学习的无人机 变化检测方 法及其系统 技术领域 [0001]本申请涉及图像处理领域， 具体地， 涉及一种基于多任务学习的无人机变化检测 方法及其系统。 背景技术 [0002]变化检测是对多个栅格数据集(通常在不同时期针对一个区域收集)进行比较， 以 确定变化的类型、 幅度和位置变化包括人为活动、 突然的自然干扰或长期的气候或环境趋 势等。 基于遥感影像进行变化检测的研究也是遥感领域多年来的研究热点。 目前已经在多 个领域得到应用， 如土地利用、 城市扩张、 农田变化、 地质灾害监测、 生态环境保护、 湿地监 测、 森林防护等。 目前， 虽然对地面的图像变化检测时大多采用卫星遥感数据集， 但是卫星 遥感数据集对气候要求非常高， 比如拍摄的时间内不允许存在云层， 而且存在精度和分辨 率低， 不灵活， 拍摄周期较长， 成本高， 无法实现高精度小 范围的地面图像变化检测的缺点， 无人机定点拍摄的方式虽然没有卫星遥感拍摄出来的图像数据量大， 范围广， 但无人机拍 摄出来的图像对气候依赖小、 云下航摄能力突出、 高分辨率高精度、 纹理变化复杂、 获取方 式简单、 实时快速、 成本低、 无需专用机场等优势是传统遥感拍摄无法比拟的， 利用无人机 进行低空遥感拍摄的图像进行图像变化的检测是民用或者小范围区域图像变化检测的最 优选择。 基于无人机的变化检测主要采用基于卷积神经网络的计算机视觉技术进行检测， 但是目前大多数基于卷积神经网络的方案都采用单任务学习的方案， 直接学习变化区域， 另外这些方案均直接利用已经对齐好的图像直接进行处理， 没有搭建一套完全的处理流 程。 [0003]因此， 如何提供一种能够实现从无人机采集数据到最终输出变化区域自动化的方 法， 是本领域 技术人员急需解决的问题。 发明内容 [0004]本申请提供了一种基于多任务学习的无人机变化检测方法， 具体包括以下子步 骤： 进行地理信息对齐， 完成图像的对齐； 响应于完成图像的对齐， 进行对齐后图像的预处 理； 响应于完成裁剪后的图像的预 处理， 根据预 处理后的图像进 行模型的搭建； 响应于完成 模型的搭建， 对搭建后的进行后处 理分析。 [0005]如上的， 其中， 图像为无 人机低空遥感拍摄的地 域相同且时相不同的两幅图像。 [0006]如上的， 其中， 自动对齐两幅图像的经纬度坐标， 完成图像的对齐。 [0007]如上的， 其中， 采用直方图均衡化和直方 图匹配操作对对齐后的两幅图像进行预 处理。 [0008]如上的， 其中， 根据预处理后的图像进行模型的搭建， 具体包括以下子步骤： 确定 模型结构； 响应于确定模型 结构， 进行模型训练。 [0009]如上的， 其中， 确定模型结构包括， 选取主干网络， 将两幅图像经过共享的主干网 络进行特征提取， 得到特 征图1和特 征图2。说　明　书 1/4 页 3 CN 115546671 A 3