CN112990085A - 养殖塘变化检测方法、装置及计算机可读存储介质 - Google Patents

养殖塘变化检测方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN112990085A
CN112990085A CN202110377110.XA CN202110377110A CN112990085A CN 112990085 A CN112990085 A CN 112990085A CN 202110377110 A CN202110377110 A CN 202110377110A CN 112990085 A CN112990085 A CN 112990085A
Authority
CN
China
Prior art keywords
remote sensing
sensing image
culture pond
stage remote
training sample
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
Application number
CN202110377110.XA
Other languages
English (en)
Inventor
刘康
朱济帅
李海霞
陈木森
黄艳红
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hainan Changguang Satellite Information Technology Co ltd
Original Assignee
Hainan Changguang Satellite Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hainan Changguang Satellite Information Technology Co ltd filed Critical Hainan Changguang Satellite Information Technology Co ltd
Priority to CN202110377110.XA priority Critical patent/CN112990085A/zh
Publication of CN112990085A publication Critical patent/CN112990085A/zh
Pending legal-status Critical Current

Links

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
    • G06V20/182—Network patterns, e.g. roads or rivers
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种养殖塘变化检测方法、装置及计算机可读存储介质。其中，方法包括预先利用已标注的养殖塘训练样本集训练得到养殖塘实例分割网络模型。将待检测养殖塘的前期遥感影像和后期遥感影像分别输入至养殖塘实例分割网络模型，得到前后两期遥感影像对应的实例分割结果。基于实例分割结果，分别提取前期遥感影像和后期遥感影像的矢量轮廓，最后根据前期遥感影像的矢量轮廓和后期遥感影像的矢量轮廓来确定待检测养殖塘在前后两期遥感图像采集时刻对应时间段内的扩增区域，从而可有效提升了基于遥感影像的养殖塘检测精度和检测效率。

Description

养殖塘变化检测方法、装置及计算机可读存储介质
技术领域
本申请涉及计算机视觉技术领域，特别是涉及一种养殖塘变化检测方法、装置及计算机可读存储介质。
背景技术
养殖塘是人工挖掘构建并用于养殖水生经济动植物如鱼虾、鸭鹅花卉、蔬菜等有水的场所，面积小于湖泊。按照水域性质，养殖塘分为海水养殖和淡水养殖，按养殖对象，养殖塘分为鱼类、虾蟹类、藻类、藕等。养殖塘一般包括池塘、围栏、网箱等，通常分布在海边或者河湖等水域边。我国水产养殖产业庞大，养殖水产品能为当地提供经济支撑，养殖产品是为我国农业经济的重要组成部分；能够弥补海洋捕捞不足，保护了天然水生生物，维持生态平衡；为工业提供原料，水产养殖是医药工业、化学工业、饲料工业等重要来源，发展水产养殖具有重要意义。
由于养殖塘带来的经济效益，养殖人员会大范围开发养殖产业，但是过分地挖掘养殖塘，有可能对耕地造成破坏，例如侵占了基本农田或者保护林地，此外养殖塘内排除的大量的废水若未经处理就直接排到河湖中，会严重污染了当地环境。于是，需要对养殖塘的扩张和变化情况进行监管，传统的监管方法是由工作人员实地考察，这种方法浪费人力物力，而且由于监管范围大、人员不足、路网可达性差等因素，人工检测常常无法取得较好的检测效果。基于遥感影像的养殖塘检测方法应用而生，遥感影像一般是指使用卫星传感器对物体的反射、辐射特性进行采集，遥感具有探测范围广、数据获取时效性高、周期短、成本低等特点，广泛应用于生态保护、环境调查、地质勘查等方面。利用可见光的遥感影像，可以较为明显地识别出养殖塘，为养殖塘地变化检测提供新的方法。
基于目视解译方法监控遥感数据中的养殖塘，解译人员根据解译目标的纹理、颜色、形状等特征和经验，可以对遥感数据解译，但是这种方法对解译人员的要求较高，工作量大，无法快速处理海量数据，无法对养殖塘的监管做出快速响应。随着深度学习的快速发展，卷积神经网络在图像的处理中表现出优异的效果，使用神经网络提取图像特征的能力进一步提升，深度学习也进一步使用在图像分类、目标提取、图像分割等场景中。为了克服上述方法存在的弊端，遂采用基于深度学习的图像分割在遥感影像中监控养殖塘。相关技术通常采用语义分割诸如FCN、Unet等来提取遥感影像中的养殖塘图像信息，具体的，通过编码器对影像的多级特征进行提取，然后通过解码器上采样，然后通过跳跃连接等方法，将不同层次的特征相连，可以获取影像中养殖塘对应的像素。但是这种方法获取的所有养殖塘存在于同一个二值图片中，各个养殖塘单体之间无法区分，精度也不高。
鉴于此，如何从遥感影像中高效、精准地提取养殖塘特征，从而有效快速地识别出养殖塘的变化情况，是所属领域技术人员需要解决的技术问题。
发明内容
本申请提供了一种养殖塘变化检测方法、装置及计算机可读存储介质，有效提升了基于遥感影像的养殖塘检测精度和检测效率。
为解决上述技术问题，本发明实施例提供以下技术方案：
本发明实施例一方面提供了一种养殖塘变化检测方法，包括：
预先利用已标注的养殖塘训练样本集训练养殖塘实例分割网络模型；
将待检测养殖塘的前期遥感影像和后期遥感影像分别输入至所述养殖塘实例分割网络模型，得到相应的实例分割结果；
基于所述实例分割结果，分别提取所述前期遥感影像和所述后期遥感影像的矢量轮廓；
根据所述前期遥感影像的矢量轮廓和所述后期遥感影像的矢量轮廓确定所述待检测养殖塘的扩增区域。
可选的，所述将待检测养殖塘的前期遥感影像和后期遥感影像分别输入至所述养殖塘实例分割网络模型之前，还包括：
对所述前期遥感影像和所述后期遥感影像分别进行图像预处理；
对经过图像预处理后的前期遥感影像和后期遥感影像进行图像配准处理。
可选的，所述利用已标注的养殖塘训练样本集训练养殖塘实例分割网络模型包括：
获取养殖塘训练样本集，所述养殖塘训练样本集包括多幅遥感影像训练样本；
对所述养殖塘训练样本集中的各训练样本进行几何校正处理、辐射定标处理和大气校正处理；
对经过处理各训练样本进行养殖塘边界标注；
利用已标注的训练样本训练SOLOv2模型得到养殖塘实例分割网络模型。
可选的，所述对经过处理各训练样本进行养殖塘边界标注包括：
对每个训练样本创建面要素，以当前训练样本为底图，将所述当前训练样本中的养殖塘进行标注，得到shpfile文件；
根据预先定义裁剪参数分别对各训练样本进行切片处理，裁剪得到多个图像块；
根据训练样本裁剪的坐标，将所述shpfile文件裁剪为相应切片的矢量；
根据各切片的位置将切片矢量中坐标左上角移动至坐标原点，以获得单个切片对应实例的位置信息，并将其转换为coco格式中的分割segmentation关键字；
将各切片矢量对应的图片信息、实例对应的宽、高、bbox、segmentation关键字信息存入到标准coco数据的json格式中。
可选的，所述预先利用已标注的养殖塘训练样本集训练养殖塘实例分割网络模型包括：
使用全卷积神经网络提取所述养殖塘训练样本集的各训练样本的图像特征；
对每个训练样本，基于当前训练样本的多个掩膜所构造的掩膜核生成掩膜特征图，对所述当前训练样本的每个格网，采用非极大值抑制方法从多个预测实例中筛选得到最优预测实例；
基于预先构建的损失函数，采用与显卡个数相匹配的学习率，使用随机梯度下降训练得到所述养殖塘实例分割网络模型。
可选的，所述将待检测养殖塘的前期遥感影像和后期遥感影像分别输入至所述养殖塘实例分割网络模型，得到相应的实例分割结果包括：
基于Ntrain*200/Ntest确定所述前期遥感影像和所述后期遥感影像的切片长度，并基于相匹配的切片长度将所述前期遥感影像和所述后期遥感影像裁剪为多个图像块；Ntrain为所述养殖塘训练样本集的训练样本的分辨率，Ntest为所述待检测养殖塘的遥感影像的分辨率；
将每个图像块输入至所述养殖塘实例分割网络模型，得到相应的实例分割结果。
可选的，所述将待检测养殖塘的前期遥感影像和后期遥感影像分别输入至所述养殖塘实例分割网络模型，得到相应的实例分割结果之后，还包括：
对每个图像块的每一个实例进行轮廓提取，并计算各实例的二值掩码对应的多边形坐标值；
获取在所述待检测养殖塘的遥感影像的裁剪过程中保存的每个切片在整个遥感影像中的索引信息；
基于所述前期遥感影像的索引信息，将所述前期遥感影像的每个图像块的坐标转换为相应的地理坐标，并根据地理坐标、所述前期遥感影像的坐标和投影系统，建立实例分割的前期shpfile文件；
基于所述后期遥感影像的索引信息，将所述后期遥感影像的每个图像块的坐标转换为相应的地理坐标，并根据地理坐标、所述后期遥感影像的坐标和投影系统，建立实例分割的后期shpfile文件。
本发明实施例另一方面提供了一种养殖塘变化检测装置，包括：
实例分割模型预构建模块，用于利用已标注的养殖塘训练样本集训练养殖塘实例分割网络模型；
实例分割结果模块，用于将待检测养殖塘的前期遥感影像和后期遥感影像分别输入至所述养殖塘实例分割网络模型，得到相应的实例分割结果；
轮廓提取模块，用于基于所述实例分割结果，分别提取所述前期遥感影像和所述后期遥感影像的矢量轮廓；
变化结果生成模块，用于根据所述前期遥感影像的矢量轮廓和所述后期遥感影像的矢量轮廓确定所述待检测养殖塘的扩增区域。
本发明实施例还提供了一种养殖塘变化检测装置，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述养殖塘变化检测方法的步骤。
本发明实施例最后还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有养殖塘变化检测程序，所述养殖塘变化检测程序被处理器执行时实现如前任一项所述养殖塘变化检测方法的步骤。
本申请提供的技术方案的优点在于，利用样本数据均已标注养殖塘区域的养殖塘训练样本集训练所得的养殖塘实例分割网络模型，可以识别待检测养殖塘遥感影像中的养殖塘区域，从而可以快速、有效检测前后两期遥感影像中的养殖塘是否有新扩增的区域，实现高效、精准地监控养殖塘的变化情况，节省了人工标注养殖塘的劳动力，为养殖塘的监管监测和环境保护提供技术支持。
此外，本发明实施例还针对养殖塘变化检测方法提供了相应的实现装置及计算机可读存储介质，进一步使得所述方法更具有实用性，所述装置及计算机可读存储介质具有相应的优点。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
为了更清楚的说明本发明实施例或相关技术的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种养殖塘变化检测方法的流程示意图；
图2为本发明实施例提供的一个示例性应用场景的前期遥感影像的实例分割结果示意图；
图3为本发明实施例提供的一个示例性应用场景的后期遥感影像的实例分割结果示意图；
图4为本发明实施例提供的一个示例性应用场景的前期遥感影像的实例分割结果示意图；
图5为本发明实施例提供的一种实例分割模型SOLOv2的框架示意图；
图6为本发明实施例提供的另一种养殖塘变化检测方法的流程示意图；
图7为本发明实施例提供的养殖塘变化检测装置的一种具体实施方式结构图；
图8为本发明实施例提供的养殖塘变化检测装置的另一种具体实施方式结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。
在介绍了本发明实施例的技术方案后，下面详细的说明本申请的各种非限制性实施方式。
首先参见图1，图1为本发明实施例提供的一种养殖塘变化检测方法的流程示意图，本发明实施例可包括以下内容：
S101：预先利用已标注的养殖塘训练样本集训练养殖塘实例分割网络模型。
本实施例中的养殖塘训练样本集中的各训练样本为包含养殖塘的遥感影像，在获取养殖塘训练样本集后，需要对养殖塘训练样本集中的每个训练样本进行养殖塘的标注，例如可使用Arcgis进行标注养殖塘的边界，标注过程中，考虑到目标的上下文信息，标注养殖塘的蓄水部分，为了进一步使用多种深度学习的模型和后期维护，可对数据进行裁剪处理，并转换为常规实例分割标注的coco格式。
S102：将待检测养殖塘的前期遥感影像和后期遥感影像分别输入至养殖塘实例分割网络模型，得到相应的实例分割结果。
本实施例中的前期遥感影像和后期遥感影像是指待检测养殖塘在某个时间段内变化情况的两个临界时间点所采集的遥感影像，举例来说，若判断2021.3.19-2021.3.29这个时间段内养殖塘的变化情况，则前期遥感影像为2021.3.19这一天所采集的遥感影像，后期遥感影像为2021.3.29这一天所采集的遥感影像。上个步骤训练的养殖塘实例分割网络模型是基于实例分割的神经网络模型，养殖塘实例分割网络模型对输入的图像进行实例分割，然后对分割后每个图像块进行图像识别，得到实例分割结果。
S103：基于实例分割结果，分别提取前期遥感影像和后期遥感影像的矢量轮廓。
可以理解的是，养殖塘的变化无非是在原有区域进行扩增或新建养殖区域或缩小养殖区域，而养殖区域都是有固定形状的，通过轮廓可确定具体的养殖区域，基于此，本步骤在得到实例分割结果后，可基于实例分割结果提取前期遥感影像的矢量轮廓和后期遥感影像的矢量轮廓。
S104：根据前期遥感影像的矢量轮廓和后期遥感影像的矢量轮廓确定待检测养殖塘的扩增区域。
本步骤中的扩增区域包括在原有养殖区域基础上扩充的区域和新增加的养殖区域。矢量轮廓可反映采集遥感影像时养殖塘的当前区域，通过比对两个矢量轮廓可确定发生变化的部分。可选的，可将前实相矢量即前期遥感影像的矢量轮廓擦除后实相矢量即后期遥感影像的矢量轮廓来确定待检测养殖塘的变化情况。考虑到坐标和数据的误差，将相减得到的结果进行筛选，去掉变化面积小于2平方米的养殖塘面要素，最后获取的就是养殖塘增加的区域。如图2-4所示，图2是前期遥感影像检测结果，图3为后期遥感影像检测结果，图中线段画出来的是养殖塘，图4为二者相比的变化部分，用白色色面要素表示。
在本发明实施例提供的技术方案中，利用样本数据均已标注养殖塘区域的养殖塘训练样本集训练所得的养殖塘实例分割网络模型，可以识别待检测养殖塘遥感影像中的养殖塘区域，从而可以快速、有效检测前后两期遥感影像中的养殖塘是否有新扩增的区域，实现高效、精准地监控养殖塘的变化情况，节省了人工标注养殖塘的劳动力，为养殖塘的监管监测和环境保护提供技术支持。
可以理解的是，为了进一步提高养殖塘实例分割网络模型的模型识别精度，在利用已标注的养殖塘训练样本集训练养殖塘实例分割网络模型之前，还可对获取的养殖塘训练样本集中的各训练样本数据进行图像预处理，各训练样本数据的图像预处理包括但并不限制于几何校正处理、辐射定标处理和大气校正处理，具体来说，上述S101的一种实施方式可为：
获取养殖塘训练样本集，养殖塘训练样本集包括多幅遥感影像训练样本；
对养殖塘训练样本集中的各训练样本进行几何校正处理、辐射定标处理和大气校正处理；
对经过处理各训练样本进行养殖塘边界标注；
利用已标注的训练样本训练SOLOv2模型得到养殖塘实例分割网络模型。
其中，养殖塘实例分割网络模型基于SOLOv2来构建，SOLOv2模型是在SOLOv1模型的基础上改进而来的，在SOLOv1的基础上，该算法引入动态机制，将mask分支分为kernel分支和mask分支两部分，学习卷积核权重。当然，所属领域技术人员可根据实际情况选择实例分割模型框架，本申请对此不做任何限定。
相应的，为了提高待检测养殖塘遥感影像数据的识别精准度，同样可对前期遥感影像和后期遥感影像分别进行图像预处理；图像预处理包括但并不限制于几何校正处理、辐射定标处理和大气校正处理。由于养殖塘的变化监测需要比对前后两期遥感影像的不同区域，为了提高检测精度，还可对经过图像预处理后的前期遥感影像和后期遥感影像进行图像配准处理，可采用任何一种目标跟踪识别算法中的图像配准方法进行配准处理，这均不影响本申请的实现。
本实施例通过对训练样本影像数据和待检测遥感影像数据进行数据预处理，可削弱遥感影像中的大气和传感器误差对影像带来的影响，便于模型的训练，提高模型识别精度。
在上述实施例中，对于如何执行步骤S101并不做限定，本实施例中给出一种训练样本的标注方式，训练样本的文件格式可为Shapefile文件或简称为shpfile文件，shpfile文件是描述空间数据的几何和属性特征的非拓扑实体矢量数据结构的一种格式，具体地，可包括如下步骤：
对每个训练样本创建面要素，以当前训练样本为底图，将当前训练样本中的养殖塘进行标注，得到shpfile文件；根据预先定义裁剪参数分别对各训练样本进行切片处理，裁剪得到多个图像块；根据训练样本裁剪的坐标，将shpfile文件裁剪为相应切片的矢量；根据各切片的位置将切片矢量中坐标左上角移动至坐标原点，以获得单个切片对应实例的位置信息，并将其转换为coco格式中的segmentation关键字；将各切片矢量对应的图片信息、实例对应的宽、高、bbox、segmentation关键字信息存入到标准coco数据的json格式中。
其中，可使用Arcgis创建面要素，坐标系统与要标注的数据相同，以遥感数据为底图，对影像内所有养殖塘进行标注，获取shpfile文件。由于遥感数据太大，需要将其每个训练样本裁剪为块，成为切片，由于部分养殖塘横跨多个切片，可在各个切片之间设立重叠区域，重叠区域可设置为200个像素。矢量裁剪：根据影像裁剪的坐标，将shpfile文件也裁剪为对应的小切片的矢量，然后根据切片的位置，将切片矢量中坐标左上角移动至坐标原点(0，0)，于是获得单个切片对应的实例的位置信息，将其转换为coco格式中的segmentation关键字。将矢量对应的图片信息、实例对应的宽、高、bbox、segmentation等信息存入到标准coco数据的json格式中。作为深度学习算法的检测指标之一的bbox，其为2D检测框的准确率。
可以理解的是，相比语义分割，实例分割是在目标检测的基础上提出的，可以将待提取的物体一个一个提取出来，常用的实例分割的方法如Mask-rcnn，Mask-rcnn使用一个特征提取网络提取特征，然后使用区域提取网络提取一个个候选框，然后将候选框进行分类和回归，最后计算loss并进行训练。虽然以Mask-rcnn为代表的实例分割方法已经取得了一定的效果，但是因为Mask-rcnn需要选取大量的候选框，时间复杂度高，精度有待进一步提升。为了解决这个技术问题，本申请采用SOLOv2模型构建养殖塘实例分割网络模型，该模型是在SOLOv1模型的基础上改进而来的，在SOLOv1的基础上，该算法引入动态机制，将mask分支分为kernel分支和mask分支两部分，学习卷积核权重。同时，使用了Matrix NMS，减少了推理时间，图5是SOLOv2模型的框架图，具体步骤如下：
使用全卷积神经网络提取养殖塘训练样本集的各训练样本的图像特征；对每个训练样本，基于当前训练样本的多个掩膜所构造的掩膜核生成掩膜特征图，对当前训练样本的每个格网，采用非极大值抑制方法从多个预测实例中筛选得到最优预测实例；基于预先构建的损失函数，采用与显卡个数相匹配的学习率，使用随机梯度下降训练得到养殖塘实例分割网络模型。
在本实施例中，首先使用特征提取网络提取特征，这里使用全卷积神经网络FCN提取特征。生成掩膜过程类似于YOLO算法，先将图片“概念上”分为S*S个网格，如果物体的中心落入一个格网中，这个格网就对应一个该物体的二值掩膜。所以，一幅图片对应了S*S个掩膜。构造掩膜核mask核。对于给定的backbone和FPN，从每层的特征金字塔，都可以获取一个卷积核G，首先将经过FCN获得的特征FI转换为S*S*C的尺寸，然后使用4个卷积核一个3*3*D大小的卷积，将其转换为S*S*D的大小。构造mask特征图：将mask特征核是分开训练，所以可以对每一层FPN都计算一个mask。具体步骤是：使用一系列3*3的卷积，group norm，Relu激活函数和两个双线性上采样，FPN的P2到P5级特征融合到一个只有原始尺寸的1/4的特征图。从上一步获取的特征图和卷积核出发，模型分为两个分支，kernel分支和feature分支。将单层的特征金字塔与卷积核求卷积，记作Mi,j＝Gi,j*F，其中，Gi,j是卷积核，Mi,j代表中心落在(i，j)位置的实例对应的掩膜mask，F为特征金字塔。最优预测实例筛选过程：对于每一个格网，由于获取了S*S个掩膜，所以最多可能出现S*S个预测实例，本实施例采用NMS(non maximum suppression，非极大值抑制)从多个预测实例中筛选得到最优的预测实例。损失计算：本实施例的损失函数L可表示为：L＝Lcata+λLmask，Lcata代表分割类别的损失，可使用Focal loss计算，Lmask代表掩膜mask的损失，可使用Dice loss计算，λ为权重参数。可使用SGD的方法调节参数，单个显卡训练时，可设置学习率learning rate为0.025以控制学习速度。
作为一种可选的实施方式，S102对前后两期影像分别进行实例分割，在实例分割过程中首先进行切片，由于影像的分辨率不同，切片大小也不同，切片长度设置为Ntrain*200/Ntest。也即基于Ntrain*200/Ntest确定前期遥感影像和后期遥感影像的切片长度，并基于相匹配的切片长度将前期遥感影像和后期遥感影像裁剪为多个图像块；Ntrain为养殖塘训练样本集的训练样本的分辨率，Ntest为待检测养殖塘的遥感影像的分辨率，在本实施例中，若计算前期遥感影像的切片长度，则Ntest为前期遥感影像的分辨率；若计算后期遥感影像的切片长度，则Ntest为后期遥感影像的分辨率。将每个图像块输入至养殖塘实例分割网络模型，得到相应的实例分割结果。切片时，可将重叠的部分设置为200像素，并保存每个切片在整景影像中的索引。将每个切片输入到训练好的模型中，获取实例分割结果。
上述实施例对如何执行S103并不做限定，本申请以示意性例子提供了分别提起前后两期影像的矢量轮廓并合并，并建立shpfile文件的实施过程，可包括：
对每个图像块的每一个实例进行轮廓提取，并计算各实例的二值掩码对应的多边形坐标值；获取在待检测养殖塘的遥感影像的裁剪过程中保存的每个切片在整个遥感影像中的索引信息；基于前期遥感影像的索引信息，将前期遥感影像的每个图像块的坐标转换为相应的地理坐标，并根据地理坐标、前期遥感影像的坐标和投影系统，建立实例分割的前期shpfile文件；基于后期遥感影像的索引信息，将后期遥感影像的每个图像块的坐标转换为相应的地理坐标，并根据地理坐标、后期遥感影像的坐标和投影系统，建立实例分割的后期shpfile文件。
在本实施例中，对每个切片中的每一个实例进行轮廓提取，此处可使用Suzuki边界跟踪拓扑分析的方法，计算实例的二值掩膜对应的多边形坐标。然后之前保存的索引，将单个切片的坐标转换为对应的地理坐标，根据地理坐标和遥感数据的坐标和投影系统，建立实例分割的shpfile文件。于是，由前后期两景影像获取了两个shpfile文件。
请参见图6，图6为本发明实施例提供的另一种养殖塘变化检测方法的流程示意图，可包括下述内容：
步骤一：影像预处理，影像包括作为训练数据的影像数据、两个用于检测养殖塘变化的影像。
步骤二：标注训练数据，建立养殖塘训练样本数据集。
步骤三：构建SOLOv2模型，并进行训练。
步骤四：利用训练好的模型，对待检测的前后两期影像分别进行实例分割。
步骤五：对于两期影像，分别提取矢量轮廓并合并，建立shpfile文件。
步骤六：将前实相矢量擦除后实相矢量，也即对矢量进行空间相减，得到养殖塘变化情况。
本实施例首先对数据进行预处理，标注shpfile格式的训练数据，建立养殖塘训练样本数据集，然后使用SOLOv2模型对训练数据进行训练，保存训练模型和参数，然后输入需要检测的两个时相的影像，将数据切片，保存每个切片在影像中的索引，然后将切片输入到训练好的模型中，得到实例分割的二值图，使用拓扑分析的方法，获取每个实例的轮廓，根据切片的索引，将轮廓坐标转换为矢量的地理坐标，并将所有切片的矢量合并，得到两期影像的养殖塘的矢量数据，将前实相矢量擦除后实相矢量，得到养殖塘扩展的部分，该方法可以快速有效检测影像中的养殖塘变化情况，节省了劳动力，为养殖塘的监管监测提供技术支持
需要说明的是，本申请中各步骤之间没有严格的先后执行顺序，只要符合逻辑上的顺序，则这些步骤可以同时执行，也可按照某种预设顺序执行，图1、图5-图6只是一种示意方式，并不代表只能是这样的执行顺序。
本发明实施例还针对养殖塘变化检测方法提供了相应的装置，进一步使得所述方法更具有实用性。其中，装置可从功能模块的角度和硬件的角度分别说明。下面对本发明实施例提供的养殖塘变化检测装置进行介绍，下文描述的养殖塘变化检测装置与上文描述的养殖塘变化检测方法可相互对应参照。
基于功能模块的角度，参见图7，图7为本发明实施例提供的养殖塘变化检测装置在一种具体实施方式下的结构图，该装置可包括：
实例分割模型预构建模块701，用于利用已标注的养殖塘训练样本集训练养殖塘实例分割网络模型。
实例分割结果模块702，用于将待检测养殖塘的前期遥感影像和后期遥感影像分别输入至养殖塘实例分割网络模型，得到相应的实例分割结果。
轮廓提取模块703，用于基于实例分割结果，分别提取前期遥感影像和后期遥感影像的矢量轮廓。
变化结果生成模块704，用于根据前期遥感影像的矢量轮廓和后期遥感影像的矢量轮廓确定待检测养殖塘的扩增区域。
可选的，在本实施例的一些实施方式中，上述装置例如还可以包括图像预处理，所述图像预处理用于对前期遥感影像和后期遥感影像分别进行图像预处理；对经过图像预处理后的前期遥感影像和后期遥感影像进行图像配准处理。
可选的，在本实施例的另一些实施方式中，上述实例分割模型预构建模块701可进一步用于：
获取养殖塘训练样本集，养殖塘训练样本集包括多幅遥感影像训练样本；对养殖塘训练样本集中的各训练样本进行几何校正处理、辐射定标处理和大气校正处理；对经过处理各训练样本进行养殖塘边界标注；利用已标注的训练样本训练SOLOv2模型得到养殖塘实例分割网络模型。
作为本实施例的一种可选的实施方式，上述实例分割模型预构建模块701还可进一步用于：
对每个训练样本创建面要素，以当前训练样本为底图，将当前训练样本中的养殖塘进行标注，得到shpfile文件；根据预先定义裁剪参数分别对各训练样本进行切片处理，裁剪得到多个图像块；根据训练样本裁剪的坐标，将shpfile文件裁剪为相应切片的矢量；根据各切片的位置将切片矢量中坐标左上角移动至坐标原点，以获得单个切片对应实例的位置信息，并将其转换为coco格式中的segmentation关键字；
将各切片矢量对应的图片信息、实例对应的宽、高、bbox、segmentation关键字信息存入到标准coco数据的json格式中。
作为本实施例的另一种可选的实施方式，上述实例分割模型预构建模块701还可进一步用于：使用全卷积神经网络提取养殖塘训练样本集的各训练样本的图像特征；对每个训练样本，基于当前训练样本的多个掩膜所构造的掩膜核生成掩膜特征图，对当前训练样本的每个格网，采用非极大值抑制方法从多个预测实例中筛选得到最优预测实例；基于预先构建的损失函数，采用与显卡个数相匹配的学习率，使用随机梯度下降训练得到养殖塘实例分割网络模型。
在本实施例的其他一些实施方式中，上述实例分割结果模块702还可进一步用于：基于Ntrain*200/Ntest确定前期遥感影像和后期遥感影像的切片长度，并基于相匹配的切片长度将前期遥感影像和后期遥感影像裁剪为多个图像块；Ntrain为养殖塘训练样本集的训练样本的分辨率，Ntest为待检测养殖塘的遥感影像的分辨率；将每个图像块输入至养殖塘实例分割网络模型，得到相应的实例分割结果。
在本实施例的其他一些实施方式中，上述装置例如还可包括shpfile文件生成模块，用于对每个图像块的每一个实例进行轮廓提取，并计算各实例的二值掩码对应的多边形坐标值；获取在待检测养殖塘的遥感影像的裁剪过程中保存的每个切片在整个遥感影像中的索引信息；基于前期遥感影像的索引信息，将前期遥感影像的每个图像块的坐标转换为相应的地理坐标，并根据地理坐标、前期遥感影像的坐标和投影系统，建立实例分割的前期shpfile文件；基于后期遥感影像的索引信息，将后期遥感影像的每个图像块的坐标转换为相应的地理坐标，并根据地理坐标、后期遥感影像的坐标和投影系统，建立实例分割的后期shpfile文件。
本发明实施例所述养殖塘变化检测装置的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
由上可知，本发明实施例可有效提升基于遥感影像的养殖塘检测精度和检测效率。
上文中提到的养殖塘变化检测装置是从功能模块的角度描述，进一步的，本申请还提供一种养殖塘变化检测装置，是从硬件角度描述。图8为本申请实施例提供的另一种养殖塘变化检测装置的结构图。如图8所示，该装置包括存储器80，用于存储计算机程序；处理器81，用于执行计算机程序时实现如上述任一实施例提到的养殖塘变化检测方法的步骤。
其中，处理器81可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器81可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field-Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器81也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器81可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器81还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器80可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器80还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器80至少用于存储以下计算机程序801，其中，该计算机程序被处理器81加载并执行之后，能够实现前述任一实施例公开的养殖塘变化检测方法的相关步骤。另外，存储器80所存储的资源还可以包括操作系统802和数据803等，存储方式可以是短暂存储或者永久存储。其中，操作系统802可以包括Windows、Unix、Linux等。数据803可以包括但不限于养殖塘变化检测结果对应的数据等。
在一些实施例中，养殖塘变化检测装置还可包括有显示屏82、输入输出接口83、通信接口84、电源85以及通信总线86。
本领域技术人员可以理解，图8中示出的结构并不构成对养殖塘变化检测装置的限定，可以包括比图示更多或更少的组件，例如还可包括传感器87。
本发明实施例所述养殖塘变化检测装置的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
由上可知，本发明实施例可有效提升基于遥感影像的养殖塘检测精度和检测效率。
可以理解的是，如果上述实施例中的养殖塘变化检测方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、磁碟或者光盘等各种可以存储程序代码的介质。
基于此，本发明实施例还提供了一种计算机可读存储介质，存储有养殖塘变化检测程序，所述养殖塘变化检测程序被处理器执行时如上任意一实施例所述养殖塘变化检测方法的步骤。
本发明实施例所述计算机可读存储介质的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
由上可知，本发明实施例可有效提升基于遥感影像的养殖塘检测精度和检测效率。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
以上对本申请所提供的一种养殖塘变化检测方法、装置及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

Claims (10)

1.一种养殖塘变化检测方法，其特征在于，包括：
预先利用已标注的养殖塘训练样本集训练养殖塘实例分割网络模型；
将待检测养殖塘的前期遥感影像和后期遥感影像分别输入至所述养殖塘实例分割网络模型，得到相应的实例分割结果；
基于所述实例分割结果，分别提取所述前期遥感影像和所述后期遥感影像的矢量轮廓；
根据所述前期遥感影像的矢量轮廓和所述后期遥感影像的矢量轮廓确定所述待检测养殖塘的扩增区域。
2.根据权利要求1所述的养殖塘变化检测方法，其特征在于，所述将待检测养殖塘的前期遥感影像和后期遥感影像分别输入至所述养殖塘实例分割网络模型之前，还包括：
对所述前期遥感影像和所述后期遥感影像分别进行图像预处理；
对经过图像预处理后的前期遥感影像和后期遥感影像进行图像配准处理。
3.根据权利要求1所述的养殖塘变化检测方法，其特征在于，所述利用已标注的养殖塘训练样本集训练养殖塘实例分割网络模型包括：
获取所述养殖塘训练样本集，所述养殖塘训练样本集包括多幅遥感影像训练样本；
对所述养殖塘训练样本集中的各训练样本进行几何校正处理、辐射定标处理和大气校正处理；
对经过处理的各训练样本进行养殖塘边界标注；
利用已标注的训练样本训练SOLOv2模型得到养殖塘实例分割网络模型。
4.根据权利要求3所述的养殖塘变化检测方法，其特征在于，所述对经过处理的各训练样本进行养殖塘边界标注包括：
对每个训练样本创建面要素，以当前训练样本为底图，将所述当前训练样本中的养殖塘进行标注，得到shpfile文件；
根据预先定义裁剪参数分别对各训练样本进行切片处理，裁剪得到多个图像块；
根据训练样本裁剪的坐标，将所述shpfile文件裁剪为相应切片的矢量；
根据各切片的位置将切片矢量中坐标左上角移动至坐标原点，以获得单个切片对应实例的位置信息，并将其转换为coco格式中的分割关键字；
将各切片矢量对应的图片信息、实例对应的宽、高、bbox、分割关键字信息存入到标准coco数据的json格式中。
5.根据权利要求1至4任意一项所述的养殖塘变化检测方法，其特征在于，所述预先利用已标注的养殖塘训练样本集训练养殖塘实例分割网络模型包括：
使用全卷积神经网络提取所述养殖塘训练样本集的各训练样本的图像特征；
对每个训练样本，基于当前训练样本的多个掩膜所构造的掩膜核生成掩膜特征图，对所述当前训练样本的每个格网，采用非极大值抑制方法从多个预测实例中筛选得到最优预测实例；
基于预先构建的损失函数，采用与显卡个数相匹配的学习率，使用随机梯度下降训练得到所述养殖塘实例分割网络模型。
6.根据权利要求5所述的养殖塘变化检测方法，其特征在于，所述将待检测养殖塘的前期遥感影像和后期遥感影像分别输入至所述养殖塘实例分割网络模型，得到相应的实例分割结果包括：
基于Ntrain*200/Ntest确定所述前期遥感影像和所述后期遥感影像的切片长度，并基于相匹配的切片长度将所述前期遥感影像和所述后期遥感影像裁剪为多个图像块；Ntrain为所述养殖塘训练样本集的训练样本的分辨率，Ntest为所述待检测养殖塘的遥感影像的分辨率；
将每个图像块输入至所述养殖塘实例分割网络模型，得到相应的实例分割结果。
7.根据权利要求6所述的养殖塘变化检测方法，其特征在于，所述将待检测养殖塘的前期遥感影像和后期遥感影像分别输入至所述养殖塘实例分割网络模型，得到相应的实例分割结果之后，还包括：
对每个图像块的每一个实例进行轮廓提取，并计算各实例的二值掩码对应的多边形坐标值；
获取在所述待检测养殖塘的遥感影像的裁剪过程中保存的每个切片在整个遥感影像中的索引信息；
基于所述前期遥感影像的索引信息，将所述前期遥感影像的每个图像块的坐标转换为相应的地理坐标，并根据地理坐标、所述前期遥感影像的坐标和投影系统，建立实例分割的前期shpfile文件；
基于所述后期遥感影像的索引信息，将所述后期遥感影像的每个图像块的坐标转换为相应的地理坐标，并根据地理坐标、所述后期遥感影像的坐标和投影系统，建立实例分割的后期shpfile文件。
8.一种养殖塘变化检测装置，其特征在于，包括：
实例分割模型预构建模块，用于利用已标注的养殖塘训练样本集训练养殖塘实例分割网络模型；
实例分割结果模块，用于将待检测养殖塘的前期遥感影像和后期遥感影像分别输入至所述养殖塘实例分割网络模型，得到相应的实例分割结果；
轮廓提取模块，用于基于所述实例分割结果，分别提取所述前期遥感影像和所述后期遥感影像的矢量轮廓；
变化结果生成模块，用于根据所述前期遥感影像的矢量轮廓和所述后期遥感影像的矢量轮廓确定所述待检测养殖塘的扩增区域。
9.一种养殖塘变化检测装置，其特征在于，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至7任一项所述养殖塘变化检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有养殖塘变化检测程序，所述养殖塘变化检测程序被处理器执行时实现如权利要求1至7任一项所述养殖塘变化检测方法的步骤。
CN202110377110.XA 2021-04-08 2021-04-08 养殖塘变化检测方法、装置及计算机可读存储介质 Pending CN112990085A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110377110.XA CN112990085A (zh) 2021-04-08 2021-04-08 养殖塘变化检测方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110377110.XA CN112990085A (zh) 2021-04-08 2021-04-08 养殖塘变化检测方法、装置及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN112990085A true CN112990085A (zh) 2021-06-18

Family

ID=76339481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110377110.XA Pending CN112990085A (zh) 2021-04-08 2021-04-08 养殖塘变化检测方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN112990085A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113989681A (zh) * 2021-12-29 2022-01-28 航天宏图信息技术股份有限公司 遥感影像变化检测方法、装置、电子设备及存储介质
CN115620148A (zh) * 2022-11-30 2023-01-17 航天宏图信息技术股份有限公司 一体化像素级变化样本标注和模型优化方法及装置
CN116091870A (zh) * 2023-03-01 2023-05-09 哈尔滨市科佳通用机电股份有限公司 从板座破损故障识别检测网络训练及检测方法、系统及介质
CN117557414A (zh) * 2023-11-30 2024-02-13 重庆欣荣土地房屋勘测技术研究所有限责任公司 基于遥感图像自动解译的耕地监管方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110060273A (zh) * 2019-04-16 2019-07-26 湖北省水利水电科学研究院 基于深度神经网络的遥感影像滑坡测图方法
CN110751075A (zh) * 2019-10-12 2020-02-04 海南长光卫星信息技术有限公司 一种基于实例分割的遥感影像养殖塘检测方法
CN110853026A (zh) * 2019-11-16 2020-02-28 四创科技有限公司 一种融合深度学习与区域分割的遥感影像变化检测方法
CN111340792A (zh) * 2020-03-05 2020-06-26 宁波市测绘设计研究院 一种遥感影像变化检测方法
WO2020244261A1 (zh) * 2019-06-05 2020-12-10 中国科学院长春光学精密机械与物理研究所 高分辨率遥感图像的场景识别系统及模型生成方法
CN112287832A (zh) * 2020-10-29 2021-01-29 江苏科博空间信息科技有限公司 一种基于高分辨率遥感影像的城镇违法建筑物检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110060273A (zh) * 2019-04-16 2019-07-26 湖北省水利水电科学研究院 基于深度神经网络的遥感影像滑坡测图方法
WO2020244261A1 (zh) * 2019-06-05 2020-12-10 中国科学院长春光学精密机械与物理研究所 高分辨率遥感图像的场景识别系统及模型生成方法
CN110751075A (zh) * 2019-10-12 2020-02-04 海南长光卫星信息技术有限公司 一种基于实例分割的遥感影像养殖塘检测方法
CN110853026A (zh) * 2019-11-16 2020-02-28 四创科技有限公司 一种融合深度学习与区域分割的遥感影像变化检测方法
CN111340792A (zh) * 2020-03-05 2020-06-26 宁波市测绘设计研究院 一种遥感影像变化检测方法
CN112287832A (zh) * 2020-10-29 2021-01-29 江苏科博空间信息科技有限公司 一种基于高分辨率遥感影像的城镇违法建筑物检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈璐;管霜霜;: "基于深度学习的城市高分遥感图像变化检测方法的研究", 计算机应用研究, no. 1 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113989681A (zh) * 2021-12-29 2022-01-28 航天宏图信息技术股份有限公司 遥感影像变化检测方法、装置、电子设备及存储介质
CN113989681B (zh) * 2021-12-29 2022-04-08 航天宏图信息技术股份有限公司 遥感影像变化检测方法、装置、电子设备及存储介质
CN115620148A (zh) * 2022-11-30 2023-01-17 航天宏图信息技术股份有限公司 一体化像素级变化样本标注和模型优化方法及装置
CN116091870A (zh) * 2023-03-01 2023-05-09 哈尔滨市科佳通用机电股份有限公司 从板座破损故障识别检测网络训练及检测方法、系统及介质
CN116091870B (zh) * 2023-03-01 2023-09-12 哈尔滨市科佳通用机电股份有限公司 从板座破损故障识别检测网络训练及检测方法、系统及介质
CN117557414A (zh) * 2023-11-30 2024-02-13 重庆欣荣土地房屋勘测技术研究所有限责任公司 基于遥感图像自动解译的耕地监管方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Gonçalves et al. Mapping marine litter using UAS on a beach-dune system: a multidisciplinary approach
Muñoz et al. From local to regional compound flood mapping with deep learning and data fusion techniques
CN110059758B (zh) 一种基于语义分割的遥感影像养殖塘检测方法
CN111986099B (zh) 基于融合残差修正的卷积神经网络的耕地监测方法及系统
CN112990085A (zh) 养殖塘变化检测方法、装置及计算机可读存储介质
Hou et al. Marine floating raft aquaculture extraction of hyperspectral remote sensing images based decision tree algorithm
Qiao et al. An automatic active contour method for sea cucumber segmentation in natural underwater environments
Groom et al. Remote sensing image data and automated analysis to describe marine bird distributions and abundances
CN108510467A (zh) 基于深度可变形卷积神经网络的sar图像目标识别方法
CN112990086A (zh) 遥感影像建筑物检测方法、装置及计算机可读存储介质
CN110751075A (zh) 一种基于实例分割的遥感影像养殖塘检测方法
Andriolo et al. Drones for litter mapping: An inter-operator concordance test in marking beached items on aerial images
CN110929592A (zh) 一种用于海上养殖区外边界的提取方法及系统
CN110009010A (zh) 基于兴趣区域重检测的宽幅光学遥感目标检测方法
WO2014071060A2 (en) Scale-invariant superpixel region edges
CN114092487A (zh) 目标果实实例分割方法及系统
CN112712535A (zh) 基于模拟困难样本的Mask-RCNN滑坡分割方法
Wang et al. Side-view apple flower mapping using edge-based fully convolutional networks for variable rate chemical thinning
Hidaka et al. Pixel-level image classification for detecting beach litter using a deep learning approach
CN112819796A (zh) 烟丝异物识别方法及设备
Klodt et al. High-resolution plant shape measurements from multi-view stereo reconstruction
CN113610070A (zh) 一种基于多源数据融合的滑坡灾害识别方法
CN111199195A (zh) 一种基于遥感图像的池塘状态全自动监测方法和装置
CN115861409B (zh) 大豆叶面积测算方法、系统、计算机设备及存储介质
Liu et al. Mapping China’s offshore mariculture based on dense time-series optical and radar data

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