(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 202210287356.2 (22)申请日 2022.03.23 (71)申请人 山西三友和智慧信息技 术股份有限 公司 地址 030000 山西省太原市太原高新区科 技街15号A1 18室 (72)发明人 潘晓光　王小华　韩锋　张雅娜　 张娜　 (74)专利代理 机构 深圳科润知识产权代理事务 所(普通合伙) 44724 专利代理师 李小妮 (51)Int.Cl. G06T 7/13(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06V 10/80(2022.01) (54)发明名称 一种基于MSDU-Net的海岸线检测算法 (57)摘要 本发明属于深度学习技术领域， 具体涉及一 种基于MSD U‑Net的海岸线检测算法， 包 括如下步 骤： S1、 数据采集： 采集海岸线图像数据集， 并对 其边缘进行手工标注， 完成模型训练所需数据集 的构建。 S2、 数据预处理： 预处理包括归一化、 数 据划分， 并且扩增数据集， 保证模型训练效果。 S3、 识别模型： 采用深度学习相关技术搭建检测 模型， 输入训练数据， 完成参数模型的搭建。 S4、 模型保存： 当模型的损失函数不再降低之后， 保 存模型。 本申请在U ‑Net结构中融合不同尺度的 纹理特征和生成的语义特征来支持海岸线检测 任务， 利用提取器与U ‑Net网络相结合， 实现浅层 纹理信息与深层语义信息的融合。 权利要求书2页 说明书4页 附图1页 CN 114862887 A 2022.08.05 CN 114862887 A 1.一种基于 MSDU‑Net的海岸线检测算法， 其特 征在于： 包括如下步骤： S1、 数据采集： 采集海岸线图像数据集， 并对其边缘进行手工标注， 完成模型训练所需 数据集的构建； S2、 数据预处 理： 预处理包括归一 化、 数据划分， 并且 扩增数据集， 保证模型训练效果； S3、 识别模型： 采用深度学习相 关技术搭建检测模型， 输入训练数据， 完成参数模型的 搭建； S4、 模型保存： 当模型的损失函数不再降低之后， 保存 模型。 2.根据权利要求1所述的一种基于MSDU ‑Net的海岸线检测算法， 其特征在于， S2、 数据 预处理中， 数据扩充： 为了提高泛化性能， 对训练集进 行了4倍的数据增强， 扩充方法为通过 水平镜像或垂直镜像， 以及旋转90、 180度得到， 将扩充后获得的扩充图像与原始图像进行 合并， 形成新的扩充图像数据集。 3.根据权利要求2所述的一种基于MSDU ‑Net的海岸线检测算法， 其特征在于， S2、 数据 预处理中， 数据划分： 使用五折交叉验证法将数据集D划分为5个大小相似的互斥子集， 每个 子集都要尽可能保持数据分布的一致性， 然后用4个子集的并集作为训练集， 余下的子集作 为测试集。 4.根据权利要求3所述的一种基于MSDU ‑Net的海岸线检测算法， 其特征在于， S2、 数据 预处理中， 图像缩放： 由于获取的数据集中图像大小不同， 为保证模型的分割性能， 统一将 其大小调整为(768 ×768)。 5.根据权利要求1所述的一种基于MSDU ‑Net的海岸线检测算法， 其特征在于， S3、 识别 模型中， 包括模 型构建： 构建一种基于MSDU ‑Net改进的检测模型用于海岸线的检测， 所述检 测模型由一组提取器和一个U ‑Net组成， 所述检测模型 具体运行步骤为： 第一步， 使用一组提取器从图像中获取多尺度纹理特征信息， 其中提取器为多尺度纹 理特征提取器， 将原图像送入空洞卷积层进行特征提取， 该层在不同提取器中的空洞率分 别为1、 2、 2、 2， 卷积核大小都是3 ×3， 将生成后的特征图输入到正常卷积层， 之后利用ReLU 函数进行特征激活， 然后， 分别利用步长为1、 2、 4、 8的最大池化层来缩小特征图的大小， 使 输出的特 征图与Unet的输入特 征图大小相同， 第二步， 将提取的特征映射插入到U ‑Net网络的每个收缩步骤中， 并将提取的特征映射 与收缩的特征映射集成在一起， 该U ‑Net网络中收缩路径接收纹理提取器的输出， 通过拼 接、 卷积、 池化等方法将纹理提取器的输出进行整合， 从而减小特征矩阵的长度和宽度， 增 加通道维数， 扩展路径使用转置卷积来恢复特征矩阵的分辨率， 并通过跳跃连接将它们与 收缩路径中具有相同大小的特征矩阵进行特征融合， 通过U ‑Net网络中的跳跃层连接上采 样部分的两条路径的特征通道， 使得网络将特征信息传递到包含局部纹理信息的更高分辨 率层， 第三 步， 使用soft ‑max层将特 征矩阵映射 生成检测结果图。 6.根据权利要求1所述的一种基于MSDU ‑Net的海岸线检测算法， 其特征在于， S4模型保 存具体为： 当模型的损失函数不再降低之后， 保存模型， 通过使用一种自适应平衡的二进制 交叉熵损失函数进行损失值的计算过程， 其公式如下: 权　利　要　求　书 1/2 页 2 CN 114862887 A 2其中Y+和Y‑分别为正标签和负标签； 为预测标签。权　利　要　求　书 2/2 页 3 CN 114862887 A 3