CN113033403A - 基于影像瓦片的生态保护红线地物目标识别方法及系统 - Google Patents
基于影像瓦片的生态保护红线地物目标识别方法及系统 Download PDFInfo
- Publication number
- CN113033403A CN113033403A CN202110321771.0A CN202110321771A CN113033403A CN 113033403 A CN113033403 A CN 113033403A CN 202110321771 A CN202110321771 A CN 202110321771A CN 113033403 A CN113033403 A CN 113033403A
- Authority
- CN
- China
- Prior art keywords
- red line
- ecological protection
- data
- ground object
- protection red
- 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 47
- 238000012549 training Methods 0.000 claims description 34
- 238000012795 verification Methods 0.000 claims description 18
- 238000013135 deep learning Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000011160 research Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000013523 data management Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 2
- 238000013136 deep learning model Methods 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 14
- 230000005540 biological transmission Effects 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000004806 packaging method and process Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 210000001320 hippocampus Anatomy 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06V20/176—Urban or other man-made structures
-
- 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
- G06F18/24—Classification techniques
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于影像瓦片的生态保护红线地物目标识别方法及系统，该方法包括：基于影像瓦片服务，下载目标生态保护红线区域的实时遥感影像瓦片数据，并进行数据拼接；将拼接后的实时遥感影像瓦片数据输入提前训练后的地物目标自动识别模型；识别出所述目标生态保护红线区域的典型地物目标；结合生态保护红线监管业务需要，根据所述实时遥感影像和识别出的典型地物目标图斑进行空间展示。克服了传统基于影像实体数据进行信息提取模式中影像数据查询检索效率低，影像数据共享和传输难度大、协同作业难度大，业务成果与影像叠加展示效率低等弊端，同时保证提取精度与采用影像实体精度相当。
Description
技术领域
本发明属于地理信息领域、生态保护遥感应用技术领域，特别涉及基于 影像瓦片的生态保护红线地物目标识别方法及系统。
背景技术
随着近些年来越来越多的国产高分辨率卫星载荷的发射，使得遥感影像 在生态环境领域的应用更加广泛和深入。生态保护红线为生态环境保护领域 的一个新兴事物。
目前，在影像地物自动化识别方面，常用的技术方法有面向对象规则集、 深度学习等技术，关注的地物目标一般是分布规模较大、地物特征明显的水 体、植被、城镇等，自动化识别相对容易。而生态保护红线内的典型地物目 标主要是指光伏用地、推填土用地、建筑用地、交通设施用地等，这些地物 目标通常面积较小、地物特征不太明显，自动化识别精度也普遍较低。此外， 用于地物目标自动化识别的影像数据源主要是经过预处理、大气校正、融合 等之后的影像实体数据，是需要输入单景或镶嵌后的实体数据进行信息提取，由于生态保护红线破碎化、面积大等原因，基于影像数据实体开展红线区域 内典型地物目标识别的方法很难满足实际的生态保护红线监管业务需求。
现有问题：
(1)目前，无论是哪种自动化识别算法技术，基本都是基于卫星影像 实体数据源，其弊端在于：在进行影像数据信息提取及成果展示时，数据的 查询检索效率低、影像数据共享和传输难度大、协同作业难度大，无法实现 所提取的业务成果与影像进行叠加展示，很难满足实际的生态保护红线监管 业务需求；
(2)生态保护红线内所关注的典型地物特点一般是面积较小、地物特 征不明显，与以往的自动化识别技术所关注的地物类型不太一样。
发明内容
鉴于上述情况，本发明提出了一种基于影像瓦片的生态保护红线地物目 标识别方法及系统，该方法基于影像瓦片服务，采用深度学习技术实现生态 保护红线内典型地物目标的自动化识别，可解决目前难满足实际的生态保护 红线监管业务需求的问题。
为实现上述目的，本发明采取的技术方案为：
第一方面，本发明实施例提供基于影像瓦片的生态保护红线地物目标识 别方法，包括以下步骤：
基于影像瓦片服务，下载目标生态保护红线区域的实时遥感影像瓦片数 据，并进行数据拼接；
将拼接后的实时遥感影像瓦片数据输入提前训练后的地物目标自动识别 模型；所述地物目标自动识别模型采用多组数据训练，多组数据包括：基于 影像瓦片服务获取的生态保护红线区域遥感影像瓦片数据；所述生态保护红 线区域遥感影像瓦片数据包含典型地物标注；
识别出所述目标生态保护红线区域的典型地物目标；
结合生态保护红线监管业务需要，根据所述实时遥感影像和识别出的典 型地物目标图斑进行空间展示。
进一步地，所述影像瓦片服务，包括：
将全球空间范围进行网格划分，构建一个无数据状态下的全球空间索引 体系；
以单景影像作为网格数据管理的基本单元，为每景影像生成全球唯一的 网格编码；
根据起点、坐标系和栅格瓦片的分辨率，结合所关注的生态保护红线研 究区范围，计算其所在的行列号；
根据所述行列号、选择瓦片级别和瓦片下载格式的实时请求，提供每个 实时请求影像瓦片下载和拼接服务。
进一步地，所述地物目标自动识别模型的构建过程，包括：
基于影像瓦片服务，下载多组生态保护红线区域遥感影像瓦片数据并进 行拼接；对拼接后的遥感影像瓦片数据进行典型地物标注及分析处理，按照 预设比例分为训练集、验证集和测试集样本；
构建深度学习网络模型，对训练集样本分别进行特征提取，并进行迭代 训练；
采用所述测试集样本和验证集样本，对深度学习网络模型进行准确率验 证；
当训练后的所述深度学习网络模型的评价指标满足预设条件后，得到地 物目标自动识别模型。
进一步地，对拼接后的遥感影像瓦片数据进行典型地物标注及分析处理， 包括：
对拼接后的遥感影像瓦片数据进行光伏用地、推填土用地、建筑用地、 交通设施用地的类型标注；
对标注后的样本，采用随机旋转、颜色抖动、高斯噪声处理进行图像增 强。
进一步地，按照预设比例分为训练集、验证集和测试集样本，包括：
基于k折交叉验证的方式，按照8:1:1分为训练集、验证集和测试集样本。
进一步地，所述深度学习模型采用多尺度特效的语义分割deeplab_v3网 络结构，选择ResNet-50骨干网络；训练过程中损失函数选择交叉熵损失函数。
第二方面，本发明实施例还提供基于影像瓦片的生态保护红线地物目标 识别系统，包括：
下载拼接模块：基于影像瓦片服务，下载目标生态保护红线区域的实时 遥感影像瓦片数据，并进行数据拼接；
输入模块：将拼接后的实时遥感影像瓦片数据输入提前训练后的地物目 标自动识别模型；所述地物目标自动识别模型采用多组数据训练，多组数据 包括：基于影像瓦片服务获取的生态保护红线区域遥感影像瓦片数据；所述 生态保护红线区域遥感影像瓦片数据包含典型地物标注；
识别模块：识别出所述目标生态保护红线区域的典型地物目标；
展示模块：结合生态保护红线监管业务需要，根据所述实时遥感影像和 识别出的典型地物目标图斑进行空间展示。
与现有技术相比，本发明具有如下有益效果：
本发明实施例所提出的基于影像瓦片的生态保护红线地物目标识别方法：
(1)基于实时动态影像瓦片服务提取典型地物目标的方法，突破了传 统实体数据传输麻烦、存储量大、应用不便利的瓶颈，可实现任意大小和数 量的数据动态调用、实时更新、按需浏览等，节省了时间和存储成本，避免 大量冗余数据产生。
(2)极大的满足了一份数据服务多个应用场景的需求，不仅仅可以用 于典型地物目标识别的数据源输入，还可以用于目标识别结果展示与分析的 底图，方便生态保护红线监管业务的使用。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说 明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优 点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实 现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本 发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例提供的基于影像瓦片的生态保护红线地物目标识别 方法流程图；
图2为本发明实施例提供的影像瓦片服务的流程图；
图3为本发明实施例提供的地物目标自动识别模型的构建的流程图；
图4为deeplab_v3模型的结构图；
图5为ResNeSt系列网络的结构图；
图6为典型地物目标类型及样本标注示例图；
图7为本发明实施例提供的基于影像瓦片的生态保护红线地物目标识别 技术路线图；
图8为本发明实施例提供的基于影像瓦片的生态保护红线地物目标识别 系统的框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示 了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不 应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地 理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明提供了基于影像瓦片的生态保护红线地物目标识别方法，如图1 所示，该方法包括：
S100：基于影像瓦片服务，下载目标生态保护红线区域的实时遥感影像 瓦片数据，并进行数据拼接；
S200：将拼接后的实时遥感影像瓦片数据输入提前训练后的地物目标自 动识别模型；所述地物目标自动识别模型采用多组数据训练，多组数据包括： 基于影像瓦片服务获取的生态保护红线区域遥感影像瓦片数据；所述生态保 护红线区域遥感影像瓦片数据包含典型地物标注；
S300：识别出所述目标生态保护红线区域的典型地物目标；
S400：结合生态保护红线监管业务需要，根据所述实时遥感影像和识别 出的典型地物目标图斑进行空间展示。
本实施例中，该方法通过基于实时动态发布的影像瓦片地图服务开展红 线人类活动信息提取业务模式，克服了传统基于影像实体数据进行信息提取 模式中影像数据查询检索效率低，影像数据共享和传输难度大、协同作业难 度大，业务成果与影像叠加展示效率低等弊端，同时保证提取精度与采用影 像实体精度相当。
下面分别对上述各个步骤进行详细的说明。
在一个实施中，上述步骤S100中的影像瓦片服务，如图2所示，包括：
S1001、将全球空间范围进行网格划分，构建一个无数据状态下的全球空 间索引体系；
S1002、以单景影像作为网格数据管理的基本单元，为每景影像生成全球 唯一的网格编码；
S1003、根据起点、坐标系和栅格瓦片的分辨率，结合所关注的生态保护 红线研究区范围，计算其所在的行列号；
S1004、根据所述行列号、选择瓦片级别和瓦片下载格式的实时请求，提 供每个实时请求影像瓦片下载和拼接服务。
本实施例中，基于现有的空间网格检索方法，将全球空间范围进行网格 划分，构建一个无数据状态下的全球空间索引体系，以单景影像作为数据管 理的基本单元，利用全球经纬度划分网格，根据空间范围，为每景影像自动 生成全球唯一的网格编码，同时也就插入到统一的空间网格索引。所以当面 对数据增加、删除、更新等变化的情况时，空间网格索引并不发生变化，从 而实现对海量异构遥感影像数据的统一组织、管理和调度。
在以上构建好的空间网格基础上，根据起点(-180，90)、坐标系(比 如选择默认CGCS2000)和栅格瓦片的分辨率(比如默认512*512，相应级别 和分辨率见表1)，结合生态保护红线研究区范围，计算该保护区范围所在的 行列号。根据计算得到的行列号，选择瓦片级别(默认14级)和瓦片下载格 式(默认jpg，也可以选择PNG、GIF格式等)，针对每个瓦片实时请求影像 瓦片服务的提供方，进行瓦片的下载。瓦片下载完成后，比如可按照80*80个的标准拼接进行拼接，拼接好的影像放在指定位置，供后续进行自动化识 别。
上述瓦片级别与影像分辨率对应关系如下：
表1瓦片级别与影像分辨率对应关系表
| 瓦片级别 | 分辨率(米) |
| 0 | 39135.8 |
| 1 | 19567.8 |
| 2 | 9783.94 |
| 3 | 4891.97 |
| 4 | 2445.98 |
| 5 | 1222.99 |
| 6 | 611.496 |
| 7 | 305.748 |
| 8 | 152.874 |
| 9 | 76.437 |
| 10 | 38.2185 |
| 11 | 19.1093 |
| 12 | 9.55463 |
| 13 | 4.77731 |
| 14 | 2.38866 |
| 15 | 1.19433 |
| 16 | 0.59716 |
在一个实施例中，上述步骤S200中地物目标自动识别模型的构建过程， 参照图3所示，包括：
S2001、基于影像瓦片服务，下载多组生态保护红线区域遥感影像瓦片数 据并进行拼接；对拼接后的遥感影像瓦片数据进行典型地物标注及分析处理， 按照预设比例分为训练集、验证集和测试集样本；
S2002、构建深度学习网络模型，对训练集样本分别进行特征提取，并进 行迭代训练；
S2003、采用所述测试集样本和验证集样本，对深度学习网络模型进行准 确率验证；
S2004、当训练后的所述深度学习网络模型的评价指标满足预设条件后， 得到地物目标自动识别模型。
本实施例中，基于深度学习方法的典型地物目标识别技术主要分为学习 阶段和运行阶段。学习阶段是以多源影像数据和标注好的样本数据为输入， 基于开源的Pytorch深度学习框架，采用多尺度特性的语义分割deeplab_v3模 型(可参照图4所示)和ResNeSt系列网络(可参照图5所示)，编写训练 流程，并利用预测数对训练效果进行智能预测与实时监控，通过迭代训练不 断调整优化训练参数，根据预测结果进行mIoU指标的计算，最终选择精度较 高的训练模型。运行阶段是利用训练好的智能分析模型对上述拼接好的影像进行识别，并对预测出的图片进行矢量化，得到典型地物提取图斑。具体技 术方法步骤如下：
S1：样本标注及分析；对于每一种特定地物，都要采用人工交互式采编 的方式进行地物类型样本标注，并将标注的样本比如按80％，10％，10％分为 训练集、验证集、测试集。训练集用来整个模型的训练，验证集在训练过程 中验证是否过拟合，测试集用在最终判断模型的质量方面，可检验训练模型 的适用性和健壮性。
S1.1基于遥感影像数据，通过目视解译的方法进行典型地物样本的标注， 样本标注要求边界准确，属性无误；
S1.2对于标注后的样本，采用随机旋转、颜色抖动、高斯噪声处理等进 行图像增强，进一步增加样本量；
S1.3可基于k折交叉验证的方式，划分训练集、验证集，避免因偶然因 素引起的验证集的不同。
S2：深度学习网络构建；基于开源的Pytorch深度学习框架，利用增强后 的大量的训练数据，搭建deeplab_v3网络，如图4所示；对这些特征信息征 进行深度挖掘，来学习分类数据与遥感影像的内在丰富信息，将信息抽象为 模型，进而最终提升分类或预测的准确性。
S2.1考虑到多源数据空间分辨率跨度大，采用多尺度特性的语义分割 deeplab_v3网络。该网络模型的解码器中首先将编码特征进行4倍上采样，然 后与解码器中下采样前的卷积特征拼接到一起再进行3*3的卷积，最后上采 样4倍得到结果层。
S2.2考虑到效率和特征提取能力，选用降低参数量提升模型效率具有分 隔注意力机制的ResNeSt系列网络作为特征提取骨干网络，这里选择 ResNeSt-50网络。ResNeSt将残差网络的7x7卷积用3个3x3卷积，这样在节 省参数的同时获得了相同感受野以及更多网络非线性能力。同时利用核大小 为3×3的平均池化替代0填充来减少图像的空间维度，更好的支持密集预测。
S3：网络模型迭代训练；
S3.1基于上述网络，编写训练流程，定义损失函数为交叉熵损失函数 (CrossEntropy Loss),公式如下：
其中，H(p,q)为交叉熵，概率分布p为期望输出，概率分布q为实际输出；
S3.2加载标注好的数据，进行反复迭代训练，使Loss达到最小，此时认 为该模型为最优，保存模型；
S4：模型验证与评价；在测试集或者验证集上对准确率进行评估，评价 指标主要为正判率和漏判率，各自计算公式如下：
正判率＝TP/(TP+FP)
漏判率＝1-TP/(TP+FN)
式中，TP为被正确自动检测出的业务类变化图斑的个数，FP为非业务类 变化图斑被检测为业务类变化图斑的个数，即误检变化图斑的个数；FN代表 未检测出的正确图斑个数，TN代表未检测出的错误图斑(像素)，即将非目 标检测为非目标。可根据具体应用场景，适当调整设定正判率和漏判率的阈 值。
表2精度评价混淆矩阵
S5：智能分析模型封装；对上述训练好的模型进行封装，封装成为可执 行文件，并且进一步部署到生产中，实现特定地物的自动信息提取。
其中，本发明实施例中，生态保护红线内所关注的典型地物的类型以及 具体含义如下：可参照6所示；
(1)光伏用地：光伏产业太阳能电池板占地图斑。
(2)建筑用地：有建筑、构筑物特征的图斑。
(3)推填土用地：有明显推填土、地表裸露特征(如土堆等)的图斑。
(4)道路设施用地：有明显的道路或线性工程特征的图斑。
参照图7所示，为本发明实施例提供的基于影像瓦片的生态保护红线地 物目标识别技术路线图，展示了地物目标自动识别模型的学习训练过程和运 行过程；其中，在运行过程中，基于影像瓦片服务，下载目标生态保护红线 区域的实时遥感影像，并进行数据拼接；作为地物目标自动识别模型的输入； 最后，应用该模型，可输出典型地物目标自动识别结果。
本发明基于实时动态影像瓦片服务提取典型地物目标的方法，突破了传 统实体数据传输麻烦、存储量大、应用不便利的瓶颈，可实现任意大小和数 量的数据动态调用、实时更新、按需浏览等，节省了时间和存储成本，避免 大量冗余数据产生。
同时，也极大的满足了一份数据服务多个应用场景的需求，不仅仅可以 用于典型地物目标识别的数据源输入，还可以用于目标识别结果展示与分析 的底图，方便生态保护红线监管业务的使用。
本发明实施例选取河北省生态保护红线区为例，开展了基于影像瓦片服 务的生态保护红线典型地物目标识别技术应用，分别提取了生态保护红线内 光伏用地、推填土用地、建筑用地、交通设施用地四类典型地物目标类型。
步骤一：数据准备：选取河北省高分1号、高分2号和高分6号卫星遥 感影像融合数据，通过全色数据和多光谱数据融合而成，数据时间为2020年 全年，云量低于10％；生态红线保护区边界数据来源于2018年河北省提交的 红线边界数据。
步骤二：实时动态影像瓦片服务发布：基于空间网格检索技术，将准备 好的河北省影像融合数据发布成实时动态影像瓦片服务。
步骤三：典型地物目标自动识别：河北省生态保护红线内典型地物目标 的识别是基于深度学习技术方法。
①各典型地物目标样本标注示例如图6所示。
②模型构建与迭代训练：采用多尺度特性的语义分割deeplab_v3网络和 降低参数量提升模型效率具有分隔注意力机制的ResNeSt-50网络作为特征提 取骨干网络，编写模型训练流程，加载标注好的数据，使用交叉熵损失函数 进行反复迭代训练，使loss达到最小，此时认为该模型为最优，保存模型；
③精度验证与分析：针对于各地物自动识别结果，从业务使用角度设计 了一套说明正判率和漏判率的精度评价方法，核心思路采取统计学中的随机分 层抽样原理，将影像范围生成相应的网格，基于地物分布情况，随机抽取一 定量的网格后在网格内随机生成300个任意点，人工对300个点解译判读得 到地物目标真值，与提取成果的落入情况进行分析，计算正判率和漏判率。
表3典型地物目标提取精度表
| 典型地物目标类型 | 正判率 | 漏判率 |
| 光伏用地 | 75％ | 5％ |
| 建筑用地 | 75％ | 8％ |
| 推填土用地 | 40％ | 9％ |
| 道路设施用地 | 60％ | 17％ |
可满足典型地物目标的提取要求。
④各典型地物目标识别模型封装：对上述训练好的典型地物目标识别模 型进行封装，封装成为可执行文件，并且进一步部署到生产中，实现特定地 物的自动信息提取。
步骤四：成果展示：基于影像瓦片服务和自动识别得到的典型地物目标 类型矢量图斑，在生态保护红线业务系统中汇总展示成果。
基于同一发明构思，本发明实施例还提供基于影像瓦片的生态保护红线 地物目标识别系统，参照图8所示，包括：
下载拼接模块81：基于影像瓦片服务，下载目标生态保护红线区域的实 时遥感影像瓦片数据，并进行数据拼接；
输入模块82：将拼接后的实时遥感影像瓦片数据输入提前训练后的地物 目标自动识别模型；所述地物目标自动识别模型采用多组数据训练，多组数 据包括：基于影像瓦片服务获取的生态保护红线区域遥感影像瓦片数据；所 述生态保护红线区域遥感影像瓦片数据包含典型地物标注；
识别模块83：识别出所述目标生态保护红线区域的典型地物目标；
展示模块84：结合生态保护红线监管业务需要，根据所述实时遥感影像 和识别出的典型地物目标图斑进行空间展示。
由于该系统所解决问题的原理与前述基于影像瓦片的生态保护红线地物 目标识别方法相似，因此该系统的实施可以参见前述方法的实施，重复之处 不再赘述。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本 发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要 求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (7)
1.基于影像瓦片的生态保护红线地物目标识别方法，其特征在于，包括以下步骤：
基于影像瓦片服务，下载目标生态保护红线区域的实时遥感影像瓦片数据，并进行数据拼接；
将拼接后的实时遥感影像瓦片数据输入提前训练后的地物目标自动识别模型；所述地物目标自动识别模型采用多组数据训练，多组数据包括：基于影像瓦片服务获取的生态保护红线区域遥感影像瓦片数据；所述生态保护红线区域遥感影像瓦片数据包含典型地物标注；
识别出所述目标生态保护红线区域的典型地物目标；
结合生态保护红线监管业务需要，根据所述实时遥感影像和识别出的典型地物目标图斑进行空间展示。
2.根据权利要求1所述的基于影像瓦片的生态保护红线地物目标识别方法，其特征在于，所述影像瓦片服务，包括：
将全球空间范围进行网格划分，构建一个无数据状态下的全球空间索引体系；
以单景影像作为网格数据管理的基本单元，为每景影像生成全球唯一的网格编码；
根据起点、坐标系和栅格瓦片的分辨率，结合所关注的生态保护红线研究区范围，计算其所在的行列号；
根据所述行列号、选择瓦片级别和瓦片下载格式的实时请求，提供每个实时请求影像瓦片下载和拼接服务。
3.根据权利要求1所述的基于影像瓦片的生态保护红线地物目标识别方法，其特征在于，所述地物目标自动识别模型的构建过程，包括：
基于影像瓦片服务，下载多组生态保护红线区域遥感影像瓦片数据并进行拼接；对拼接后的遥感影像瓦片数据进行典型地物标注及分析处理，按照预设比例分为训练集、验证集和测试集样本；
构建深度学习网络模型，对训练集样本分别进行特征提取，并进行迭代训练；
采用所述测试集样本和验证集样本，对深度学习网络模型进行准确率验证；
当训练后的所述深度学习网络模型的评价指标满足预设条件后，得到地物目标自动识别模型。
4.根据权利要求3所述的基于影像瓦片的生态保护红线地物目标识别方法，其特征在于，对拼接后的遥感影像瓦片数据进行典型地物标注及分析处理，包括：
对拼接后的遥感影像瓦片数据进行光伏用地、推填土用地、建筑用地、交通设施用地的类型标注；
对标注后的样本，采用随机旋转、颜色抖动、高斯噪声处理进行图像增强。
5.根据权利要求3所述的基于影像瓦片的生态保护红线地物目标识别方法，其特征在于，按照预设比例分为训练集、验证集和测试集样本，包括：
基于k折交叉验证的方式，按照8:1:1分为训练集、验证集和测试集样本。
6.根据权利要求2所述的基于影像瓦片的生态保护红线地物目标识别方法，其特征在于，所述深度学习模型采用多尺度特效的语义分割deeplab_v3网络结构，选择ResNet-50骨干网络；训练过程中损失函数选择交叉熵损失函数。
7.基于影像瓦片的生态保护红线地物目标识别系统，其特征在于，包括：
下载拼接模块：基于影像瓦片服务，下载目标生态保护红线区域的实时遥感影像瓦片数据，并进行数据拼接；
输入模块：将拼接后的实时遥感影像瓦片数据输入提前训练后的地物目标自动识别模型；所述地物目标自动识别模型采用多组数据训练，多组数据包括：基于影像瓦片服务获取的生态保护红线区域遥感影像瓦片数据；所述生态保护红线区域遥感影像瓦片数据包含典型地物标注；
识别模块：识别出所述目标生态保护红线区域的典型地物目标；
展示模块：结合生态保护红线监管业务需要，根据所述实时遥感影像和识别出的典型地物目标图斑进行空间展示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110321771.0A CN113033403A (zh) | 2021-03-25 | 2021-03-25 | 基于影像瓦片的生态保护红线地物目标识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110321771.0A CN113033403A (zh) | 2021-03-25 | 2021-03-25 | 基于影像瓦片的生态保护红线地物目标识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113033403A true CN113033403A (zh) | 2021-06-25 |
Family
ID=76474088
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110321771.0A Pending CN113033403A (zh) | 2021-03-25 | 2021-03-25 | 基于影像瓦片的生态保护红线地物目标识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113033403A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113566704A (zh) * | 2021-07-16 | 2021-10-29 | 哈尔滨理工大学 | 一种基于机器视觉的轴承总成滚珠尺寸检测方法 |
| CN113792045A (zh) * | 2021-08-25 | 2021-12-14 | 生态环境部卫星环境应用中心 | 会商生态保护红线区生态破坏问题数据的混合存储方法 |
| CN114049569A (zh) * | 2022-01-13 | 2022-02-15 | 自然资源部第三地理信息制图院 | 一种深度学习模型性能评价方法及系统 |
| CN114155433A (zh) * | 2021-11-30 | 2022-03-08 | 北京新兴华安智慧科技有限公司 | 一种违法土地的检测方法、装置、电子设备及存储介质 |
| CN114266872A (zh) * | 2022-03-01 | 2022-04-01 | 西安羚控电子科技有限公司 | 一种基于真实地形数据的三维地形仿真方法及系统 |
| CN118035324A (zh) * | 2024-04-15 | 2024-05-14 | 航天宏图信息技术股份有限公司 | 数据处理查询方法、装置、服务器及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103455624A (zh) * | 2013-09-16 | 2013-12-18 | 湖北文理学院 | 一种轻量级全球多维遥感影像网络地图服务实现方法 |
| CN111899249A (zh) * | 2020-08-05 | 2020-11-06 | 吉林大学 | 基于ResNet50和DeeplabV3+的卷积神经网络的遥感图像变化检测方法 |
| CN111967341A (zh) * | 2020-07-27 | 2020-11-20 | 广东融合通信股份有限公司 | 一种卫星地图目标物轮廓的识别方法 |
| CN112101429A (zh) * | 2020-08-27 | 2020-12-18 | 广东工业大学 | 一种基于Mask R-CNN的地图地理环境自动识别方法 |
| CN112329751A (zh) * | 2021-01-06 | 2021-02-05 | 北京道达天际科技有限公司 | 一种基于深度学习的多尺度遥感影像目标识别系统及方法 |
-
2021
- 2021-03-25 CN CN202110321771.0A patent/CN113033403A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103455624A (zh) * | 2013-09-16 | 2013-12-18 | 湖北文理学院 | 一种轻量级全球多维遥感影像网络地图服务实现方法 |
| CN111967341A (zh) * | 2020-07-27 | 2020-11-20 | 广东融合通信股份有限公司 | 一种卫星地图目标物轮廓的识别方法 |
| CN111899249A (zh) * | 2020-08-05 | 2020-11-06 | 吉林大学 | 基于ResNet50和DeeplabV3+的卷积神经网络的遥感图像变化检测方法 |
| CN112101429A (zh) * | 2020-08-27 | 2020-12-18 | 广东工业大学 | 一种基于Mask R-CNN的地图地理环境自动识别方法 |
| CN112329751A (zh) * | 2021-01-06 | 2021-02-05 | 北京道达天际科技有限公司 | 一种基于深度学习的多尺度遥感影像目标识别系统及方法 |
Non-Patent Citations (4)
| Title |
|---|
| LIANG-CHIEH CHEN等: ""Rethinking Atrous Convolution for Semantic Image Segmentation"", 《ARXIV》 * |
| 方卫华: "《跨栏河建筑物安全状态感知、融合与预测》", 30 June 2019, 河海大学出版社 * |
| 朱庆棠等: "《周围神经缺损修复材料的生物制造与临床评估》", 31 August 2018, 中山大学出版社 * |
| 程光等: "《互联网大数据挖掘与分类》", 31 December 2015, 东南大学出版社 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113566704A (zh) * | 2021-07-16 | 2021-10-29 | 哈尔滨理工大学 | 一种基于机器视觉的轴承总成滚珠尺寸检测方法 |
| CN113792045A (zh) * | 2021-08-25 | 2021-12-14 | 生态环境部卫星环境应用中心 | 会商生态保护红线区生态破坏问题数据的混合存储方法 |
| CN113792045B (zh) * | 2021-08-25 | 2022-09-13 | 生态环境部卫星环境应用中心 | 会商生态保护红线区生态破坏问题数据的混合存储方法 |
| CN114155433A (zh) * | 2021-11-30 | 2022-03-08 | 北京新兴华安智慧科技有限公司 | 一种违法土地的检测方法、装置、电子设备及存储介质 |
| CN114155433B (zh) * | 2021-11-30 | 2022-07-19 | 北京新兴华安智慧科技有限公司 | 一种违法土地的检测方法、装置、电子设备及存储介质 |
| CN114049569A (zh) * | 2022-01-13 | 2022-02-15 | 自然资源部第三地理信息制图院 | 一种深度学习模型性能评价方法及系统 |
| CN114049569B (zh) * | 2022-01-13 | 2022-03-18 | 自然资源部第三地理信息制图院 | 一种深度学习模型性能评价方法及系统 |
| CN114266872A (zh) * | 2022-03-01 | 2022-04-01 | 西安羚控电子科技有限公司 | 一种基于真实地形数据的三维地形仿真方法及系统 |
| CN118035324A (zh) * | 2024-04-15 | 2024-05-14 | 航天宏图信息技术股份有限公司 | 数据处理查询方法、装置、服务器及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113033403A (zh) | 基于影像瓦片的生态保护红线地物目标识别方法及系统 | |
| Shi et al. | Exploring spatiotemporal patterns of electric power consumption in countries along the Belt and Road | |
| Barber et al. | Target‐group backgrounds prove effective at correcting sampling bias in Maxent models | |
| CN102521273B (zh) | 一种高分辨率遥感的多功能城市用地空间信息生成方法 | |
| CN113505842B (zh) | 一种适用于大尺度区域遥感影像城市建筑物自动提取方法 | |
| CN111598101A (zh) | 基于遥感影像场景分割的城区智能提取方法、系统及设备 | |
| CN111028255A (zh) | 基于先验信息与深度学习的农田区域预筛选方法及装置 | |
| CN115630567A (zh) | 一种海岸带土壤有机碳储量模拟及预测方法 | |
| CN116416626B (zh) | 圆形印章数据的获取方法、装置、设备及存储介质 | |
| CN113223042A (zh) | 一种遥感影像深度学习样本智能采集方法及设备 | |
| Xu et al. | Building height calculation for an urban area based on street view images and deep learning | |
| CN114418021B (zh) | 模型优化方法、装置及计算机程序产品 | |
| CN113628180B (zh) | 一种基于语义分割网络的遥感建筑物检测方法及系统 | |
| CN115527113A (zh) | 一种遥感图像裸土地分类方法及装置 | |
| CN110826454A (zh) | 一种遥感影像变化检测方法及装置 | |
| CN103985249A (zh) | 道路的高程信息提取方法及装置 | |
| CN101887522A (zh) | 基于多点同时快速行进的遥感影像道路提取方法 | |
| CN113989287A (zh) | 城市道路遥感图像分割方法、装置、电子设备和存储介质 | |
| CN115620148B (zh) | 一体化像素级变化样本标注和模型优化方法及装置 | |
| CN114414090B (zh) | 基于遥感影像和多层感知的地表温度预测方法及系统 | |
| Jakab et al. | Development of a program tool for the determination of the landscape visual exposure potential | |
| CN114003640A (zh) | 一种不稳定耕地的分析方法 | |
| CN112348030A (zh) | 一种太阳能光伏板识别方法、装置、电子设备及存储介质 | |
| Kou et al. | A new tool for exploring climate change induced range shifts of conifer species in China | |
| CN117333781B (zh) | 黑土区侵蚀沟卫星遥感智能提取方法、装置、设备及介质 |
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 |