CN112749673A - 一种基于遥感影像智能提取储油罐库存的方法及装置 - Google Patents
一种基于遥感影像智能提取储油罐库存的方法及装置 Download PDFInfo
- Publication number
- CN112749673A CN112749673A CN202110074682.0A CN202110074682A CN112749673A CN 112749673 A CN112749673 A CN 112749673A CN 202110074682 A CN202110074682 A CN 202110074682A CN 112749673 A CN112749673 A CN 112749673A
- Authority
- CN
- China
- Prior art keywords
- image
- remote sensing
- oil tank
- oil
- tank
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000000877 morphologic effect Effects 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 239000003208 petroleum Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000010913 used oil Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种基于遥感影像智能提取储油罐库存的方法及装置,属于遥感图像识别领域,其特征在于:对待处理遥感影像中所包括的油罐进行识别;将待处理遥感影像分割成若干个影像块;将每个影像块中所包括的油罐裁剪出油罐的阴影特征,得到增强影像;再通过预设阈值对前述增强影像进行过滤;对通过过滤的增强影像进行形态学处理,提取出油罐的阴影区域;根据油罐的阴影区域计算出油罐的储油量并用边界框标注出来;对所有前述影像块进行合并组合成带有储油量边界框的完整图像。以分割影像块为对象,不仅能保证预测准确性,满足应用需要,也能提高大尺度影像目标检测的检测效率,这也对短时间检测海量遥感数据有着重要的现实意义。
Description
技术领域
本发明属于遥感图像识别领域,尤其涉及一种基于遥感影像智能提取储油罐库存的方法及装置。
背景技术
多年以来,石油的地位和产量一直受到高度重视。在石油战略中,如何快速估算当前全球石油储量和预测产量变化是决定石油采购和运输措施的关键,同时它们在社会经济发展中也具有非常广泛的作用与功能。
近年来,遥感技术发展迅速,世界各地区的遥感影像获取更容易,分辨率越来越高,数据的空间、时间和光谱分辨率不断提升,使越来越多的基于遥感影像的应用成为可能。浮顶油罐作为专门储存大量石油产品的油罐类型,它的顶盖直接位于油的顶部,随着油箱中油量的增加或下降,并在其周围形成两个阴影,通过影像的帮助可实现石油储量的估算。
目前常用的基于遥感影像的油罐目标检测方法大致可分为:1)人工判读:操作人员能在遥感影像上目视勾绘出油罐的准确位置,检测精度高,但检测效率较低,十分依赖人力,难以快速处理海量的遥感数据,投入的成本远高于油罐检测的效益。2)模板匹配:主要利用油罐颜色、形状和阴影等信息建立模型,通过模板匹配对目标进行判断;同时,由于油罐在遥感影像中呈现圆的特征,可借助图像特征如边缘、二值图等利用Hough变化对油罐进行识别。但该方法存在检测速度和精度不足以及鲁棒性差等问题。3)深度学习方法:使用样本训练集对算法模型进行训练,获得相应的模型参数,进而对图片进行预测,在降低时间和人力成本的同时,保持了相对较高的检测准确率。但该方法大多是对自然场景进行检测,而遥感影像分辨率越高,范围越大,背景环境信息越复杂,能一定程度上影响算法的准确率和测试时间。
发明内容
本发明旨在解决上述问题,提供一种基于遥感影像智能提取储油罐库存的方法及装置。
第一方面,本发明提供一种基于遥感影像智能提取储油罐库存的方法,首先对待处理遥感影像中所包括的油罐进行识别;
将待处理遥感影像分割成若干个影像块,以每个影像块为单元进行后续处理;将每个影像块中所包括的油罐使用边界框进行裁剪,使用HSV和LAB颜色空间的变换增强裁剪出的油罐的阴影特征,得到增强影像;再通过预设阈值对前述增强影像进行过滤;对通过过滤的增强影像进行形态学处理,提取出油罐的阴影区域;根据油罐的阴影区域计算出油罐的储油量并用边界框标注出来;
最后对所有前述影像块进行合并组合成带有储油量边界框的完整图像。
进一步,本发明所述基于遥感影像智能提取储油罐库存的方法,所述形态学处理包括过滤图像中的噪声,清晰边界,形态学闭合,形态标记。
进一步,本发明所述基于遥感影像智能提取储油罐库存的方法,所述油罐的阴影区域包括内部阴影区域和外部阴影区域。
进一步,本发明所述基于遥感影像智能提取储油罐库存的方法,所述油罐的储油量通过1-(内部阴影区域/外部阴影区域)来实现。
进一步,本发明所述基于遥感影像智能提取储油罐库存的方法,所述对待处理遥感影像中所包括的油罐进行识别的过程包括:获取油罐样本图片,再对油罐样本图片进行数据集标注得到不同尺寸的油罐目标图片,形成油罐数据集;对油罐数据集通过深度学习算法构建油罐目标检测模型,通过油罐目标检测模型对待处理遥感影像中所包括的油罐进行识别。
进一步,本发明所述基于遥感影像智能提取储油罐库存的方法,所述通过深度学习算法构建油罐目标检测模型包括:对油罐数据集进行K-means聚类分析,确定边界框的大小,进而确定YoloV3算法3个尺度的网络节点;然后加载DarkNet网络的权重,使用adam优化器训练油罐的目标检测模型;再次使用油罐数据集进行迭代训练,构建出油罐目标检测模型。
进一步,本发明所述基于遥感影像智能提取储油罐库存的方法,对得到的不同尺寸的油罐目标图片,将80%的图片作为训练集,20%作为验证集。
第二方面,本发明提供一种基于遥感影像智能提取储油罐库存的装置,包括:识别模块,用于对待处理遥感影像中所包括的油罐进行识别;
分割模块,用于将待处理遥感影像分割成若干个影像块;
计算模块,用于将每个影像块中所包括的油罐使用边界框进行裁剪,使用HSV和LAB颜色空间的变换增强裁剪出的油罐的阴影特征,得到增强影像;再通过预设阈值对前述增强影像进行过滤;对通过过滤的增强影像进行形态学处理,提取出油罐的阴影区域;根据油罐的阴影区域计算出油罐的储油量并用边界框标注出来;
合并模块,用于对所有前述影像块进行合并组合成带有储油量边界框的完整图像。
第三方面,本发明提供一种基于遥感影像智能提取储油罐库存的电子装置,包括存储器和处理器;其特征在于:所述存储器,用于存储计算机程序;所述处理器,用于当执行所述计算机程序时,实现如第一方面所述的基于遥感影像智能提取储油罐库存的方法。
第四方面,本发明提供一种计算机可读存储介质,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现如第一方面所述的基于遥感影像智能提取储油罐库存的方法。
本发明所述基于遥感影像智能提取储油罐库存的方法及装置,具有以下技术优点:
1.以分割影像块为对象,基于这个对象进行储存量预测,不仅能保证预测准确性,满足应用需要,也能提高大尺度影像目标检测的检测效率,这也对短时间检测海量遥感数据有着重要的现实意义;
2.基于阴影增强和形态学处理进行油罐阴影区域的提取。阴影在HSV色彩空间中具有低亮度、高饱和度和高色相的特点,利用这一特性,通过色调比值计算,得到增强了亮度和色调的阴影区域,再通过阈值设置,最大程度过滤掉噪音,较准确的检测出阴影位置和边界,降低了阴影面积检测误差;
3.基于YoloV3算法框架进行油罐检测,采用多尺度特征进行对象检测,对象分类用Logistic取代了softmax,加强了对小物体的识别能力,其在复杂背景下遥感图像油罐提取应用表现出一定的优势。
附图说明
图1为本发明所述基于遥感影像智能提取储油罐库存的方法流程示意图;
图2为本发明实施例所述智能提取储油罐库存的效果示意图一;
图3为本发明实施例所述智能提取储油罐库存的效果示意图二;
图4为本发明实施例所述智能提取储油罐库存的效果示意图三;
图5为本发明实施例所述智能提取储油罐库存的效果示意图四;
图6为本发明实施例所述智能提取储油罐库存的效果示意图五;
图7为本发明所述基于遥感影像智能提取储油罐库存的装置结构示意图。
具体实施方式
下面通过附图及实施例对本发明所述基于遥感影像智能提取储油罐库存的方法及装置进行详细说明。
本发明所述基于遥感影像智能提取储油罐库存的方法基于深度学习方法和计算机视觉技术,首先将大尺度遥感影像分割为若干个影像块;然后以每一个分割影像块为单位,利用YoloV3算法检测储油罐目标,通过阴影增强和阈值处理提取阴影轮廓;最后根据估算公式计算浮顶油罐的储油量,并把带有储存量标注的影像块,重新组合成全图像。
实施例一
在本公开实例中,采用开源影像和高分二号影像为数据源。一是制作遥感图像数据集,二是建立目标检测模型,通过调整模型参数得到训练最优模型,三是提取阴影轮廓和油罐体积计算,四是影像分块处理后逐块估算油罐体积,然后再合并成全影像。在本公开实施例中,所针对的测试油罐为浮顶油罐。
本公开实例所述的基于遥感影像智能提取储油罐库存的方法可以应用于对遥感影像中浮顶油罐目标的快速检测和体积估算。
本公开实施例如图1所示详细步骤包括:
第一步,制作储油罐遥感图像数据集;在本实施例中所用的数据源是来源于开源影像和高分二号影像,共获取5000张油罐样本图片,包含世界各地的工业园区和港口基地,平均分辨率为512×512,约11200个不同尺寸的油罐目标,使用其中80%的图片作为训练集,20%作为验证集。此外,为了提高训练模型的鲁棒性,设置数据增强函数,通过旋转变换、水平翻转及亮度变换等方式生成更多的训练样本。
第二步,建立储油罐目标检测模型;由于YoloV3算法的聚类分析没有油罐数据集的相关数据,使用其进行训练会影响训练的速度和精度,因此需要对油罐数据集进行聚类分析。此外,由于目标大小存在差异,为了提高边界框的检出率,依据油罐数据集样本特征设定网络节点输出的标准尺寸。本实施例分别对样本集标注框进行K-means聚类分析,然后将聚类数据反归一化处理后,确定标准框尺寸为[125,121],[18,19],[109,88],[72,72],[107,35],[36,25],[66,63],[53,17],[14,16]。
建立在DarkNet-53网络为基础的YOLO底层模型框架,依据储油罐数据集样本特征确立的3个网络节点输出尺寸;随后通过前向传播和后向传播迭代进行训练,使用模型检查点保存权重,当训练达到最优RIOU及最低ELoss时,保存权重并退出训练结束。
上文中,交并比(intersection over union,IOU)表示在一组图像中存在对象的预测区域和地面实况区域之间的相似性。YoloV3算法以IOU分数RIOU作为评估模型的指标之一,其表达式为
其中,I(X)=∑v∈VXvYv U(X)=∑v∈V(Xv+Yv-XvYv)
式中:V={1,2,3,…,N}为训练集中所有图像的像素集合;X为集合V上的像素概率的网络输出;Y为集合V的地面实况区域分配。
上文中ELoss代表交叉熵损失值。YoloV3算法的误差包含置信度误差、分类误差和定位误差3类,均采用二值交叉熵损失逻辑分类器(binary cross entrypy,,BCE)进行计算,其公式为
ELoss=-[piLogqi+(1-pi)Log(1-qi)]
式中:ELoss为交叉熵损失值;pi为样本期望输出;qi为样本实际输出。
每种下采样尺度设定3种先验框,共聚类出9个尺寸。在分配上,最小的13×13特征图上应用较大的先验框[125,121]、[109,88]、[107,35],适合检测较大的对象;中等的26×26特征图上应用中等的先验框[72,72]、[66,63]、[53,17],适合检测中等的对象;较大的52×52特征图上应用较小的先验框[18,19]、[36,25]、[14,16],适合检测较小的对象。3个YOLO输出层分别对各自前一层的特征库进行解析,输出得到预测信息。其映射到3个尺度的输出张量,代表图像各个位置存在各种对象的概率。通过横向比较不同尺度下的RIOU,完成储油罐的检测识别。
通过调整参数,初始速率设置在0.01~0.001之间,根据epoch应用余弦衰减来降低学习速率,当epoch为8以后,各参数变化基本趋于稳定,Loss值最后下降至0.1以下;训练过程中根据Eloss的变化和其他指标进行动态调整。最后为了评估储油罐检测模型,使用mAP来评估测试数据的精度,mAP为87.5%,其训练结果是较好的储油罐目标检测模型。对如图2所示的影像进行检测,检测结果如图3所示。
第三步,阴影提取和油罐体积计算。在遥感影像中,真彩色RGB的颜色方案对阴影并不敏感,但可以使用HSV和LAB颜色空间的变换增强油罐阴影特征。本发明使用边界框裁剪影像上的油罐,对其进行HSV和LAB变换,转换后的图像按单通道展示,可分为H(Hue)、S(Saturation)、V(Value)、L1(Lightness)、L2(Red/Green)、L3(Blue/Yellow),通过波段计算发现-(L1+L3)/(V+1)的比值图像能增强阴影部分。然后,通过阈值0.5×T1+0.4×T2(其中T1为最小像素值,T2为平均值)来过滤图像;再对阈值图像进行形态学处理,效果如图4所示。形态学处理包括:使用Hessian Filter过滤图像中的噪声,清晰边界,形态学闭合,形态标记等;最后提取出储油罐内部和外部的阴影区域,把其叠加在储油罐上的效果如图5所示。而油罐的体积估算通过1-(内部阴影区域/外部阴影区域)来实现,并将预测体积标注于边界框上,效果如图6所示。
第四步,大尺度影像处理。首先利用构建的分割函数,把大尺度影像分割成较小的影像块,平均分辨率为512×512,分辨率可根据实际情况设置;以每个影像块为单元预测出浮顶储油罐的容量并用边界框标注出来,然后通过构建的合并函数,合并每个影像块并组合成带有体积量边界框的大图像。
本公开实施例所述基于回归方法的YoloV3算法借鉴了残差网格结构,形成更深的网络层次,能利用多尺度特征对对象进行检测;在保持速度优势的前提下,提升了预测精度,尤其是加强了对小物体的识别能力,在一定程度改善了传统算法在复杂背景下检测效果不佳的问题。而遥感影像分块处理不仅能将大尺度的影像快速成块分割,在计算速度上也能提高影像检测效率。
实施例二
本公开实施例公开一种基于遥感影像智能提取储油罐库存的装置,如图7所示包括识别模块、分割模块、计算模块和合并模块;所述识别模块用于对待处理遥感影像中所包括的油罐进行识别;分割模块用于将待处理遥感影像分割成若干个影像块;计算模块用于将每个影像块中所包括的油罐使用边界框进行裁剪,使用HSV和LAB颜色空间的变换增强裁剪出的油罐的阴影特征,得到增强影像;再通过预设阈值对前述增强影像进行过滤;对通过过滤的增强影像进行形态学处理,提取出油罐的阴影区域;根据油罐的阴影区域计算出油罐的储油量并用边界框标注出来;合并模块用于对所有前述影像块进行合并组合成带有储油量边界框的完整图像。
实现将大尺度遥感影像分割为若干个影像块;再以每一个分割影像块为单位,利用YoloV3算法检测储油罐目标,通过阴影增强和阈值处理提取阴影轮廓;最后根据估算公式计算浮顶油罐的储油量,并把带有储存量标注的影像块,重新组合成全图像,完成智能提取储油罐库存。
实施例三
本公开另一具体实施例所述基于遥感影像智能提取储油罐库存的电子装置,包括存储器和处理器;所述存储器,用于存储计算机程序;所述处理器,用于当执行所述计算机程序时,使得计算机执行上述实施例一中的基于遥感影像智能提取储油罐库存的方法,具体提取步骤与前述实施例一相同,不再赘述。
实施例四
本公开另一具体实施例计算机可读介质,所述计算机可读介质存储有程序代码,当所述计算机程序代码在计算机上运行时,使计算机执行上述实施例一中的基于遥感影像智能提取储油罐库存的方法,具体提取步骤与前述实施例一相同,不再赘述。
所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输。所述计算机可读存储介质可以是计算机能够读取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,数字通用光盘(DVD))或者半导体介质(例如,固态硬盘(SSD))等。计算机存储代码所形成软件可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。
在本申请各实施例中的各功能单元可以集成在一个处理单元中,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单元中。在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于遥感影像智能提取储油罐库存的方法,其特征在于:
首先对待处理遥感影像中所包括的油罐进行识别;
将待处理遥感影像分割成若干个影像块,以每个影像块为单元进行后续处理;将每个影像块中所包括的油罐使用边界框进行裁剪,使用HSV和LAB颜色空间的变换增强裁剪出的油罐的阴影特征,得到增强影像;再通过预设阈值对前述增强影像进行过滤;对通过过滤的增强影像进行形态学处理,提取出油罐的阴影区域;根据油罐的阴影区域计算出油罐的储油量并用边界框标注出来;
最后对所有前述影像块进行合并组合成带有储油量边界框的完整图像。
2.根据权利要求1所述基于遥感影像智能提取储油罐库存的方法,其特征在于:所述形态学处理包括过滤图像中的噪声,清晰边界,形态学闭合,形态标记。
3.根据权利要求2所述基于遥感影像智能提取储油罐库存的方法,其特征在于:所述油罐的阴影区域包括内部阴影区域和外部阴影区域。
4.根据权利要求3所述基于遥感影像智能提取储油罐库存的方法,其特征在于:所述油罐的储油量通过1-(内部阴影区域/外部阴影区域)来实现。
5.根据权利要求1或4所述基于遥感影像智能提取储油罐库存的方法,其特征在于:所述对待处理遥感影像中所包括的油罐进行识别的过程包括:获取油罐样本图片,再对油罐样本图片进行数据集标注得到不同尺寸的油罐目标图片,形成油罐数据集;对油罐数据集通过深度学习算法构建油罐目标检测模型,通过油罐目标检测模型对待处理遥感影像中所包括的油罐进行识别。
6.根据权利要求5所述基于遥感影像智能提取储油罐库存的方法,其特征在于,所述通过深度学习算法构建油罐目标检测模型包括:对油罐数据集进行K-means聚类分析,确定边界框的大小,进而确定YoloV3算法3个尺度的网络节点;然后加载DarkNet网络的权重,使用adam优化器训练油罐的目标检测模型;再次使用油罐数据集进行迭代训练,构建出油罐目标检测模型。
7.根据权利要求6所述基于遥感影像智能提取储油罐库存的方法,其特征在于:对得到的不同尺寸的油罐目标图片,将80%的图片作为训练集,20%作为验证集。
8.一种基于遥感影像智能提取储油罐库存的装置,其特征在于包括:
识别模块,用于对待处理遥感影像中所包括的油罐进行识别;
分割模块,用于将待处理遥感影像分割成若干个影像块;
计算模块,用于将每个影像块中所包括的油罐使用边界框进行裁剪,使用HSV和LAB颜色空间的变换增强裁剪出的油罐的阴影特征,得到增强影像;再通过预设阈值对前述增强影像进行过滤;对通过过滤的增强影像进行形态学处理,提取出油罐的阴影区域;根据油罐的阴影区域计算出油罐的储油量并用边界框标注出来;
合并模块,用于对所有前述影像块进行合并组合成带有储油量边界框的完整图像。
9.一种基于遥感影像智能提取储油罐库存的电子装置,包括存储器和处理器;其特征在于:所述存储器,用于存储计算机程序;所述处理器,用于当执行所述计算机程序时,实现如权利要求1-7任一项所述的基于遥感影像智能提取储油罐库存的方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现如权利要求1-7任一项所述的基于遥感影像智能提取储油罐库存的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110074682.0A CN112749673A (zh) | 2021-01-20 | 2021-01-20 | 一种基于遥感影像智能提取储油罐库存的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110074682.0A CN112749673A (zh) | 2021-01-20 | 2021-01-20 | 一种基于遥感影像智能提取储油罐库存的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112749673A true CN112749673A (zh) | 2021-05-04 |
Family
ID=75652684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110074682.0A Pending CN112749673A (zh) | 2021-01-20 | 2021-01-20 | 一种基于遥感影像智能提取储油罐库存的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112749673A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283346A (zh) * | 2021-05-28 | 2021-08-20 | 捷佳润科技集团股份有限公司 | 一种基于机器学习的火龙果产量预测方法 |
CN113506293A (zh) * | 2021-09-08 | 2021-10-15 | 成都数联云算科技有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN113989619A (zh) * | 2021-11-05 | 2022-01-28 | 中科三清科技有限公司 | 一种基于深度学习识别模型的储罐预测方法和装置 |
CN114036971A (zh) * | 2021-11-18 | 2022-02-11 | 中科星睿科技(北京)有限公司 | 油罐信息生成方法、装置、电子设备和计算机可读介质 |
CN114240985A (zh) * | 2022-02-25 | 2022-03-25 | 天云软件技术有限公司 | 粮食储量的确定方法、装置、设备、介质和产品 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217196A (zh) * | 2014-08-26 | 2014-12-17 | 武汉大学 | 一种遥感影像圆形油罐自动检测方法 |
CN107688782A (zh) * | 2017-08-23 | 2018-02-13 | 中国科学院软件研究所 | 基于高分辨率光学遥感图像的油罐检测和储量分析方法 |
CN111368865A (zh) * | 2018-12-26 | 2020-07-03 | 北京眼神智能科技有限公司 | 遥感影像储油罐检测方法、装置、可读存储介质及设备 |
-
2021
- 2021-01-20 CN CN202110074682.0A patent/CN112749673A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217196A (zh) * | 2014-08-26 | 2014-12-17 | 武汉大学 | 一种遥感影像圆形油罐自动检测方法 |
CN107688782A (zh) * | 2017-08-23 | 2018-02-13 | 中国科学院软件研究所 | 基于高分辨率光学遥感图像的油罐检测和储量分析方法 |
CN111368865A (zh) * | 2018-12-26 | 2020-07-03 | 北京眼神智能科技有限公司 | 遥感影像储油罐检测方法、装置、可读存储介质及设备 |
Non-Patent Citations (2)
Title |
---|
人工智能遇见磐创: "基于YoloV3卫星图像的储油罐容积占用率研究", 《HTTPS://BAIJIAHAO.BAIDU.COM/S?ID=1679330272313363744&WFR=SPIDER&FOR=PC》 * |
江一帆 等: "基于改进Faster R-CNN的高分遥感影像储油罐检测与信息提取", 《遥感信息》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283346A (zh) * | 2021-05-28 | 2021-08-20 | 捷佳润科技集团股份有限公司 | 一种基于机器学习的火龙果产量预测方法 |
CN113506293A (zh) * | 2021-09-08 | 2021-10-15 | 成都数联云算科技有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN113989619A (zh) * | 2021-11-05 | 2022-01-28 | 中科三清科技有限公司 | 一种基于深度学习识别模型的储罐预测方法和装置 |
CN114036971A (zh) * | 2021-11-18 | 2022-02-11 | 中科星睿科技(北京)有限公司 | 油罐信息生成方法、装置、电子设备和计算机可读介质 |
CN114036971B (zh) * | 2021-11-18 | 2022-05-17 | 中科星睿科技(北京)有限公司 | 油罐信息生成方法、装置、电子设备和计算机可读介质 |
CN114240985A (zh) * | 2022-02-25 | 2022-03-25 | 天云软件技术有限公司 | 粮食储量的确定方法、装置、设备、介质和产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112749673A (zh) | 一种基于遥感影像智能提取储油罐库存的方法及装置 | |
CN113160192B (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
Tong et al. | Salient object detection via bootstrap learning | |
CN104866616B (zh) | 监控视频目标搜索方法 | |
CN111753828B (zh) | 一种基于深度卷积神经网络的自然场景水平文字检测方法 | |
CN109919002B (zh) | 黄色禁停线识别方法、装置、计算机设备及存储介质 | |
TW202207077A (zh) | 一種文本區域的定位方法及裝置 | |
CN103400151A (zh) | 一体化的光学遥感影像与gis自动配准与水体提取方法 | |
Hu et al. | LE–MSFE–DDNet: a defect detection network based on low-light enhancement and multi-scale feature extraction | |
Zhang et al. | Saliency detection via local structure propagation | |
CN109325407B (zh) | 基于f-ssd网络滤波的光学遥感视频目标检测方法 | |
CN110751619A (zh) | 一种绝缘子缺陷检测方法 | |
Femiani et al. | Shadow-based rooftop segmentation in visible band images | |
Han et al. | Vision-based crack detection of asphalt pavement using deep convolutional neural network | |
Shi et al. | License plate localization in complex environments based on improved GrabCut algorithm | |
CN108694411B (zh) | 一种识别相似图像的方法 | |
CN114429577A (zh) | 一种基于高置信标注策略的旗帜检测方法及系统及设备 | |
CN117593420A (zh) | 基于图像处理的平面图纸标注方法、装置、介质及设备 | |
CN111754491A (zh) | 一种图片清晰度判定方法及装置 | |
Ghandour et al. | Building shadow detection based on multi-thresholding segmentation | |
CN112686222B (zh) | 星载可见光探测器对船舶目标检测的方法和系统 | |
CN108763265A (zh) | 一种基于分块检索的图像识别方法 | |
CN114936395A (zh) | 一种户型图识别方法、装置、计算机设备及存储介质 | |
Shi et al. | Deep change feature analysis network for observing changes of land use or natural environment | |
Sun et al. | Contextual models for automatic building extraction in high resolution remote sensing image using object-based boosting method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |