CN114549972B - 露天矿采场提取方法、装置、设备及介质 - Google Patents
露天矿采场提取方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114549972B CN114549972B CN202210050976.4A CN202210050976A CN114549972B CN 114549972 B CN114549972 B CN 114549972B CN 202210050976 A CN202210050976 A CN 202210050976A CN 114549972 B CN114549972 B CN 114549972B
- Authority
- CN
- China
- Prior art keywords
- feature
- image
- stope
- network
- extraction
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种露天矿采场提取方法、装置、设备及介质,包括:获取露天采场的待检测遥感影像,并对待检测遥感影像进行降采样;将降采样后的待检测遥感影像输入至Faster R‑CNN,得到露天采场的矩形范围信息;基于矩形范围信息,在待检测遥感影像上进行截取,得到影像块,并在影像块上叠加NDVI和RRI波段得到具有红、绿、蓝、近红、NDVI、RRI六个波段的待提取影像;将待提取影像输入至改进的U‑Net网络,得到露天采场提取结果。本发明用以解决现有技术中消耗计算机内存和运行时间,以及识别露天矿采场的精度低的缺陷,实现了提升定位和提取的计算效率和精度。
Description
技术领域
本发明涉及深度学习技术领域,尤其涉及一种露天矿采场提取方法、装置、设备及介质。
背景技术
矿产资源是重要的自然资源,合理开发利用是国家资源管理和监测的关键。矿产资源的开发给生态环境造成了严重危害,尤其是露天矿山的开采,带来了水污染、空气污染、固体废物污染以及地质灾害等。精确的露天矿范围信息对于全面了解采矿活动、评价环境影响、识别非法采矿等至关重要,因此实现露天采场高效和准确识别是目前亟待解决的问题之一。传统露天采场监测通常采用人工外业调查的方法,人工测量数据虽然精度高,但是存在消耗人力、物力,监测不及时,危险区域人不能至等问题。
随着遥感技术和深度学习的快速发展,人们可以获取大量的高分辨率遥感影像,使得基于高分辨率遥感影像自动识别的方式可以替代传统的人工方式,能够快速高效地应用于露天采场的自动识别。深度学习卷积神经网络(CNN)的层次化结构,可以自动学习影像深层次、结构化的特征,相较于人工选取特征,具有更强的可分能力和鲁棒性,极大地提高了遥感影像的分类精度,因此,目前通常将深度学习卷积神经网络应用至识别目标地物上。
以下为深度学习识别目标地物常采用的三种方式:
第一种典型的方式是采用影像块预测,即将固定大小的影像块输入训练好的CNN模型(如AlexNet、ResNet、DenseNet等)进行逐像素分类。
第二种方式采用目标检测,即从一幅场景影像中分类和定位目标,包括定位和分类两个过程,最终实现每个目标实例的类别和空间位置的确定。Faster R-CNN是最常用的目标检测网络架构之一,Faster R-CNN通过两阶段方法可以有效地捕获影像特征细节,实现露天采场目标空间位置的确定。
第三种方式语义分割,即通过特定方法将图像分割成具有逐像素语义标注的结果图像,即实现像素级别的分类。U-Net网络是目前精度最高的语义分割网络之一,在小样本条件下具有优异的语义分割能力。
第一种典型的方式是采用影像块预测,即将固定大小的影像块输入训练好的CNN模型(如AlexNet、ResNet、DenseNet等)进行逐像素分类,然而这种方式存在以下问题:1)逐像素预测的方式消耗计算机内存和运行时间;2)无法获得精确的露天采场几何信息。
第二种方式采用目标检测,即从一幅场景影像中分类和定位目标,包括定位和分类两个过程,最终实现每个目标实例的类别和空间位置的确定。Faster R-CNN是最常用的目标检测网络架构之一,Faster R-CNN通过两阶段方法可以有效地捕获影像特征细节,实现露天采场目标空间位置的确定。但是Faster R-CNN只能以输出矩形框的形式实现露天采场的识别与定位,不能实现矿区的边界范围识别。
第三种方式语义分割,即通过特定方法将图像分割成具有逐像素语义标注的结果图像,即实现像素级别的分类。U-Net网络是目前精度最高的语义分割网络之一,在小样本条件下具有优异的语义分割能力,但是直接使用U-Net网络进行矿区地物识别存在以下问题:1)由于矿区内部地物易混淆性强,例如采场内有煤层覆盖的区域与植被、采场内的挖掘区与排土场易混淆;2)传统的卷积层输出没有考虑各个通道的重要性权重,并且对特征所有区域采用相同的计算方式,没有考虑不同区域的关键信息,所以在运算过程中难以充分利用有效特征,抑制无用特征;3)由于矿区往往存在边界难分的问题,且露天采场的形状和尺度存在较大异质性,所以在使用U-Net网络对露天采场进行提取时,容易造成边界破损等情况;4)实际工程应用中,在大范围遥感影像中分割提取露天采场,由于露天采场所占比例较小,需要消耗大量时间对无矿区域进行特征提取和语义分割。
因此,综上所述,现有的深度学习识别目标地物的方式存在消耗计算机内存和运行时间,以及识别露天矿采场的精度低的技术问题。
发明内容
本发明提供一种露天矿采场提取方法、装置、设备及介质,用以解决现有技术中消耗计算机内存和运行时间,以及识别露天矿采场的精度低的缺陷,实现提升定位和提取的计算效率和精度。
本发明提供一种露天矿采场提取方法,包括:
获取露天采场的待检测遥感影像,并对所述待检测遥感影像进行降采样;
将降采样后的待检测遥感影像输入至Faster R-CNN,以通过所述Faster R-CNN对露天采场进行定位,得到露天采场的矩形范围信息;
基于所述矩形范围信息,在所述待检测遥感影像上进行截取,得到影像块,并在所述影像块上叠加NDVI和RRI波段得到具有红、绿、蓝、近红、NDVI、RRI六个波段的待提取影像;
将所述待提取影像输入至改进的U-Net网络,以通过所述改进的U-Net网络对截取后的影像进行露天采场提取,得到露天采场提取结果。
根据本发明提供的一种露天矿采场提取方法,所述改进的U-Net网络为将U-Net网络在编码阶段的所有特征提取卷积修改成多尺度空洞卷积后得到的U-Net网络;
多尺度空洞卷积特征提取网络用于将输入的特征图分别经过1×1卷积、空洞为2的3×3卷积、空洞为4的3×3卷积、空洞为8的3×3卷积四层特征提取网络进行特征提取,得到四层特征提取网络输出的四个大小相同的特征图,并将四个特征图进行拼接得到输出特征图。
根据本发明提供的一种露天矿采场提取方法,所述将所述待提取影像输入至改进的U-Net网络,以通过所述改进的U-Net网络对截取后的影像进行露天采场提取,得到露天采场提取结果的步骤包括:
将所述待提取影像输入至改进的U-Net网络中的特征编码层,得到所述特征编码层输出的特征图;
将所述特征编码层输出的特征图输入至所述改进的U-Net网络中的特征解码层,得到所述特征解码层输出的露天采场提取结果。
根据本发明提供的一种露天矿采场提取方法,所述特征编码层包括四个依次连接的编码模块,所述编码模块包括依次连接的两个多尺度空洞卷积特征提取网络和一个最大池化层;
所述特征解码层包括四个依次连接的解码模块,所述解码模块包括依次连接的两个3*3卷积层和一个上采样操作层。
根据本发明提供的一种露天矿采场提取方法,所述将降采样后的待检测遥感影像输入至Faster R-CNN,以通过所述Faster R-CNN对露天采场进行定位,得到露天采场的矩形范围信息的步骤包括:
将降采样后的待检测遥感影像输入至Faster R-CNN中的特征提取网络,得到所述特征提取网络输出的特征图;
将所述特征图输入至所述Faster R-CNN中的RPN网络,得到所述RPN网络输出的候选图,所述候选图中包含露天采场的目标检测候选框;
将所述候选图输入至所述Faster R-CNN中的分类与回归网络,以通过所述分类与回归网络判断所述目标检测候选框内物体的类别和物体边界框的回归系数,得到边界框坐标,所述边界框坐标为露天采场的矩形范围信息。
根据本发明提供的一种露天矿采场提取方法,基于目标损失函数对所述FasterR-CNN和所述改进的U-Net网络进行训练,所述目标损失函数是由目标检测部分和语义分割部分的损失函数组成的,所述目标损失函数的公式表示为:
L=w1*LFasterR-CNN+w2*LU-Net
其中,LFaster R-CNN为目标检测部分的损失函数,LU-Net为语义分割部分的损失函数,w1为目标检测部分的损失函数的权重,w2为语义分割网络的损失函数权重。
本发明还提供一种露天矿采场提取装置,包括:
降采样模块,用于获取露天采场的待检测遥感影像,并对所述待检测遥感影像进行降采样;
第一任务模块,用于将降采样后的待检测遥感影像输入至Faster R-CNN,以通过所述Faster R-CNN对露天采场进行定位,得到露天采场的矩形范围信息;
截取处理模块,用于基于所述矩形范围信息,在所述待检测遥感影像上进行截取,得到影像块,并在所述影像块上叠加NDVI和RRI波段得到具有红、绿、蓝、近红、NDVI、RRI六个波段的待提取影像;
第二任务模块,用于将所述待提取影像输入至改进的U-Net网络,以通过所述改进的U-Net网络对截取后的影像进行露天采场提取,得到露天采场提取结果。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述露天矿采场提取方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述露天矿采场提取方法的步骤。
本发明提供的露天矿采场提取方法、装置、设备及介质,通过将Faster R-CNN和改进的U-Net网络相结合,构建多任务网络,实现采场的先定位再提取。在定位过程中将待检测遥感影像进行降采样,可以在满足矿区目标检测任务需求的同时,在一幅影像中呈现更多的数据信息,实现大范围遥感影像采场的快速目标检测。然后利用定位到的矩形范围信息对待检测遥感影像进行重新裁剪,获取包含采场的影像块,利用改进的U-Net网络实现露天采场的语义分割,即范围提取,实现了高大范围遥感影像场景下露天矿采场提取,并且将Faster R-CNN和改进的U-Net网络相结合,结合目标检测和语义分割构建多任务网络,可以实现露天采场的快速定位与分割提取,避免了大范围无采场区域遥感影像的语义分割计算。同时,目标检测关注目标整体区域,而语义分割获得特征图中目标每个位置的局部线索信息,因此两者相结合进行并行训练,可以进一步强化网络对于目标边缘位置信息的提取能力,从而显著提升定位和提取精度。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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是本发明提供的露天矿采场提取方法的流程示意图之一;
图2是本发明提出的多任务网络对露天矿采场提取过程;
图3是本发明提供的露天矿采场提取方法中改进的U-Net网络的网络结构;
图4是多尺度空洞卷积特征提取网络的网络结果以及对输入图像的处理过程;
图5是本发明提供的露天矿采场提取方法的流程示意图之二;
图6是本发明中注意力机制模块对输入影像的处理过程;
图7是本发明中注意力机制模块中的通道注意力模块对输入影像的处理过程;
图8是本发明中注意力机制模块中的空间注意力模块对输入影像的处理过程;
图9是本发明提供的露天矿采场提取方法的流程示意图之三;
图10是本发明中Faster R-CNN的网络结构以及Faster R-CNN对输入图像的处理过程;
图11是本发明提供的露天矿采场提取装置的结构示意图;
图12是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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作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。
本发明提出的露天矿采场提取方法,具有以下的有益效果包括:
(1)本发明结合目标检测和语义分割构建多任务网络,可以实现露天采场的快速定位与分割提取,避免了大范围无采场区域遥感影像的语义分计算。同时,目标检测关注目标整体区域,而语义分割获得特征图中目标每个位置的局部线索信息,因此两者相结合进行并行训练,可以进一步强化网络对于目标边缘位置信息的提取能力,从而显著提升定位和提取精度。
(2)本发明将两种分辨率影像输入到网络模型中,在进行目标检测时首先将影像进行降采样,在满足露天采场分类与定位需求的同时,具有快速实现大范围采场定位的优点。同时在进行语义分割时采用的是原始分辨率的遥感影像,可以满足采场范围的精准化识别。
(3)本发明在进行语义分割时采用了基于U-Net网络的改进网络。首先引入了NDVI和RRI两个特征波段,可以在进行语义分割时减少颜色较暗的植被与颜色较亮的排土场对采场的识别干扰。在跳跃连接部分引入通道注意力和空间注意力机制,前者可以自学习各波段数据的权重,突出有用波段数据信息的重要性,后者建模像素空间相关性,增强模型对于重要特征区域的提取,抑制无关特征信息。
(4)由于露天采场边界相较于其他地物类型边界模糊,且露天采场的形状和尺度存在较大异质性,所以本发明采用多尺度卷积特征提取模块,通过引入4个不同扩张率和平行的空洞卷积,在不增加参数的前提下,可以增大感受野感知,提升网络对多形状和多尺度的露天采场识别的敏感性,增强局部模糊特征的识别能力,改善提取结果出现的边界模糊、破碎等问题。
本发明能够替代传统测绘采用外业调查或者人工勾绘等方式的露天矿采场范围识别工作,兼顾采场提取的效率和精度。对于矿区生态环境保护和矿区非法开采活动动态监测具有重要的意义。
下面结合图1-图10描述本发明的露天矿采场提取方法。
请参照图1,本发明提供一种露天矿采场提取方法,包括:
为了实现大范围场景下露天矿采场精准定位与提取,本发明提出一种基于FasterR-CNN和改进U-Net多任务网络的露天矿采场提取方法,为露天矿区开采活动的动态监测和生态环境保护提供数据支持。
为了提高大范围遥感影像场景下露天矿采场提取的效率和精度,本发明将FasterR-CNN和改进的U-Net网络相结合,构建多任务网络,实现采场的先定位再提取。在定位过程中将原始影像进行降采样,可以在满足矿区目标检测任务需求的同时,在一幅影像中呈现更多的数据信息,实现大范围遥感影像采场的快速目标检测。然后利用定位信息对原始影像进行重新裁剪,获取包含采场的影像块,利用改进的U-Net网络实现露天采场的语义分割,即范围提取。
为了提高语义分割过程的精度,加入了NDVI和RRI两个特征波段,用来抑制植被、排土场等易混淆地物的信息,突出露天采场特征信息。
一种基于Faster R-CNN和改进U-Net多任务网络的露天矿采场提取方法,具体包括模型训练过程以及模型应用过程。
模型训练过程包括:
步骤一:制作露天矿采场的样本数据集;
步骤二:搭建Faster R-CNN和改进U-Net的多任务网络模型,其中,多任务网络模型包括Faster R-CNN和改进U-Net;
步骤三:利用样本数据集对多任务网络模型进行训练;
模型应用过程包括:
步骤四:应用训练完成的多任务网络模型进行大范围露天矿采场识别与提取。
在模型训练过程中,首先制作露天矿采场的样本数据集,主要包括4m分辨率1536×1536×4像素大小的原始遥感影像、相同分辨率和像素大小的二值影像、包含露天采场范围信息和矩形位置信息的可扩展的标记性语言文件(xml文件)。
制作采场样本数据集中的样本数据集应满足Faster R-CNN和改进U-Net多任务网络模型输入影像的规定格式。制作采场样本数据集的方法如下:
A1.人工外业实地调查露天采场位置和边界范围的地理坐标信息,了解采场边界特征,内业利用地理信息软件ArcGIS对露天矿区遥感影像数据进行数据标注,即勾画影像中露天采场边界,得到露天采场的矢量数据。利用ArcGIS对标注得到矢量数据进行栅格化,得到样本栅格数据,最后将原始遥感影像数据和样本栅格数据进行裁剪得到分辨率相同,像素大小同为1536×1536的影像块。
A2.将1536×1536像素大小的原始遥感影像进行降采样处理,得到800×800像素大小的影像,然后利用labelimg软件进行露天采场最大外包矩形勾画,制作包含矿区位置和矩形范围的可扩展的标记性语言文件(xml文件)。
A3.通过图像颜色畸变、几何畸变等方式对降采样前后的遥感影像、样本影像和可扩展的标记性语言文件进行相同方式的数据扩充,以扩大样本数据量,增强模型的泛化能力。
A4.将降采样前后的遥感影像、样本影像和可扩展的标记性语言文件按照7:3的比例将数据集随机分为训练集和验证集,训练集用来训练多任务网络模型,验证集用来检验模型训练的精度与泛化能力。
之后,进行搭建Faster R-CNN和改进U-Net的多任务网络模型。
以下为模型应用过程,进行露天矿采场提取,请参照图2,图2为本发明提出的多任务网络对露天矿采场提取过程,具体包括步骤10-步骤40:
步骤10,获取露天采场的待检测遥感影像,并对所述待检测遥感影像进行降采样;
在本实施例中,在模型应用过程中,首先获取露天矿采场的待检测遥感影像,然后将原始分辨率的原始遥感影像进行降采样得到降采样后的待检测遥感影像。例如,待检测遥感影像可以是4m分辨率1536×1536×4像素大小的遥感影像。本实施例中在进行目标检测时首先将待检测遥感影像进行降采样,在满足露天采场分类与定位需求的同时,具有快速实现大范围采场定位的优点。
步骤20,将降采样后的待检测遥感影像输入至Faster R-CNN,以通过所述FasterR-CNN对露天采场进行定位,得到露天采场的矩形范围信息;
在本实施例中,将降采样后的待检测遥感影像输入至预先训练完成的Faster R-CNN中,以利用Faster R-CNN对露天采场进行定位,得到待检测遥感影像中露天采场的矩形范围信息,得到露天采场在图片中的矩形范围。需要说明的是,本发明提出的露天矿采场提取方法中,方案原理为对遥感照片中的露天矿采场进行定位,得到露天采场在图片中的矩形范围,再对矩形范围中的露天采场进行精确的分割提取,实现对露天矿采场的快速定位与分割提取。
步骤30,基于所述矩形范围信息,在所述待检测遥感影像上进行截取,得到影像块,并在所述影像块上叠加NDVI和RRI波段得到具有红、绿、蓝、近红、NDVI、RRI六个波段的待提取影像;
在本实施例中,通过Faster R-CNN对露天采场进行定位得到露天采场的矩形范围信息后,根据露天采场的矩形范围信息,在待检测遥感影像上进行截取,得到包含露天矿采场的影像块,从而,截取得到原始的待检测遥感影像中的露天矿采场的影像,以便后续分割提取露天矿采场。之后,在影像块上叠加NDVI和RRI波段得到具有红、绿、蓝、近红、NDVI、RRI六个波段的待提取影像。本实施例通过在进行语义分割(分割提取)之前对影像引入NDVI和RRI两个特征波段,能够在进行语义分割时减少颜色较暗的植被与颜色较亮的排土场对采场的识别干扰。
具体地,利用Faster R-CNN得到的精确的露天采场的矩形边界框的四至坐标,计算矩形边界框的长度H和宽度W。然后利用原始的待检测影像与降采样之后的遥感影像的坐标对应关系,将矩形边界框的中心点坐标投射到原始分辨率的待检测遥感影像上,并以该点为中心,在原始影像和样本栅格上裁剪出(H+b)×(W+b)像素大小的影像块(其中,b为采场识别的缓冲区域,可以视采场的边界识别结果而定,一般取25-50单位像素个数)。
根据裁剪出的(H+b)×(W+b)像素大小的影像块,计算出NDVI(归一化植被指数)和RRI(比值居民地指数)两个特征波段,NDVI可以有效地对植被信息和有煤层覆盖的区域进行区分,RRI波段可以有效地对排土场和采场内的开采区进行区分。将计算出的特征波段与遥感影像中的Blue、Green、Red、Nir四个波段进行合并,得到六个波段的影像块,像素大小为(H+b)×(W+b)。
步骤40,将所述待提取影像输入至改进的U-Net网络,以通过所述改进的U-Net网络对截取后的影像进行露天采场提取,得到露天采场提取结果。
其中,改进的U-Net网络为基于U-Net网络的改进网络。
在本实施例中,将待提取影像输入至改进的U-Net网络,以通过改进的U-Net网络对截取后的影像进行露天采场提取,得到露天采场提取结果,最后利用改进的U-Net网络对截取后的影像进行露天采场提取。本实施例,在对遥感照片中的露天矿采场进行定位,得到露天采场在图片中的矩形范围,再对矩形范围中的露天采场进行精确的分割提取,实现对露天矿采场的快速定位与分割提取。
本发明提出的露天矿采场提取方法,将Faster R-CNN和改进的U-Net网络相结合,构建多任务网络,实现采场的先定位再提取。在定位过程中将待检测遥感影像进行降采样,可以在满足矿区目标检测任务需求的同时,在一幅影像中呈现更多的数据信息,实现大范围遥感影像采场的快速目标检测。然后利用定位到的矩形范围信息对待检测遥感影像进行重新裁剪,获取包含采场的影像块,利用改进的U-Net网络实现露天采场的语义分割,即范围提取,实现了高大范围遥感影像场景下露天矿采场提取,并且将Faster R-CNN和改进的U-Net网络相结合,结合目标检测和语义分割构建多任务网络,可以实现露天采场的快速定位与分割提取,避免了大范围无采场区域遥感影像的语义分割计算。同时,目标检测关注目标整体区域,而语义分割获得特征图中目标每个位置的局部线索信息,因此两者相结合进行并行训练,可以进一步强化网络对于目标边缘位置信息的提取能力,从而显著提升定位和提取精度。
在其他一些实施例中,请参照图3,图3中示出了改进的U-Net网络的网络结构,所述改进的U-Net网络为将U-Net网络在编码阶段的所有特征提取卷积修改成多尺度空洞卷积后得到的U-Net网络;
请参照图4,图4示出了多尺度空洞卷积特征提取网络的网络结果以及对输入图像的处理过程,多尺度空洞卷积特征提取网络用于将输入的特征图分别经过1×1卷积、空洞为2的3×3卷积、空洞为4的3×3卷积、空洞为8的3×3卷积四层特征提取网络进行特征提取,得到四层特征提取网络输出的四个大小相同的特征图,并将四个特征图进行拼接得到输出特征图。
在本实施例中,将裁剪好的影像块输入到改进的U-Net模型中,本发明将U-Net模型在编码阶段的所有特征提取卷积修改为多尺度空洞卷积,多尺度空洞卷积输入的特征图分别经过1×1卷积、空洞为2的3×3卷积、空洞为4的3×3卷积、空洞为8的3×3卷积四层特征提取网络进行特征提取,得到四个大小相同的特征图,最后将四个特征图进行拼接得到多尺度空洞卷积特征提取网络的输出特征图。
由于露天采场边界相较于其他地物类型边界模糊,且露天采场的形状和尺度存在较大异质性,所以本发明的改进的U-Net模型中采用多尺度空洞卷积特征提取网络,通过引入4个不同扩张率和平行的空洞卷积,在不增加参数的前提下,可以增大感受野感知,提升网络对多形状和多尺度的露天采场识别的敏感性,增强局部模糊特征的识别能力,改善提取结果出现的边界模糊、破碎等问题。
在其他一些实施例中,请参照图5,步骤40、所述将所述待提取影像输入至改进的U-Net网络,以通过所述改进的U-Net网络对截取后的影像进行露天采场提取,得到露天采场提取结果的步骤包括:
步骤41,将所述待提取影像输入至改进的U-Net网络中的特征编码层,得到所述特征编码层输出的特征图;
步骤42,将所述特征编码层输出的特征图输入至所述改进的U-Net网络中的特征解码层,得到所述特征解码层输出的露天采场提取结果。
在本实施例中,请参照图3,图3中示出了改进的U-Net网络对输入影像的处理过程,改进的U-Net网络包括特征编码层和特征解码层。具体地,改进的U-Net网络为将U-Net模型在编码阶段的所有特征提取卷积修改为多尺度空洞卷积,即,在改进的U-Net网络中的特征编码层中,特征提取卷积为多尺度空洞卷积。
具体地,通过改进的U-Net网络对截取后的影像进行露天采场提取的具体步骤为:将待提取影像输入至改进的U-Net网络中的特征编码层,得到特征编码层输出的特征图;将特征编码层输出的特征图输入至改进的U-Net网络中的特征解码层,得到特征解码层输出的露天采场提取结果。
在其他一些实施例中,所述特征编码层包括四个依次连接的编码模块,所述编码模块包括依次连接的两个多尺度空洞卷积特征提取网络和一个最大池化层;
所述特征解码层包括四个依次连接的解码模块,所述解码模块包括依次连接的两个3*3卷积层和一个上采样操作层。
在本实施例中,具体请参照图3,图3中示出了改进的U-Net网络对输入影像的处理过程,使用两个多尺度空洞卷积对输入的影像块进行处理获得64个通道的特征图像,然后使用2×2的最大池化层,将图像缩小为一半,通过重复4次上述过程,将图像的特征通道逐渐增加,图像的大小逐渐减小,最终获得Int((H+b)/16)×Int((W+b)/16)×512大小的特征图,这一过程为特征编码过程。在解码阶段中,将编码阶段获得的特征图进行上采样操作逐渐恢复图像的大小。具体地,在各个解码模块中,编码阶段每一层得到的特征图都通过含有空间注意力和通道注意力的跳跃连接与上采样得到的特征图进行拼接。然后使用普通的3×3卷积对图像进行降维。重复这一操作四次,可以得到(H+b)×(W+b)×64大小的特征图。最后利用1×1卷积分类器,得到(H+b)×(W+b)×1像素大小的二值分类结果,从而得到卷积分类器输出的露天采场提取结果。
进一步地,请参考图6-图8,图6为本发明中注意力机制模块对输入影像的处理过程,图7为本发明中注意力机制模块中的通道注意力模块对输入影像的处理过程,图8为本发明中注意力机制模块中的空间注意力模块对输入影像的处理过程。解码模块还包括注意力机制模块,注意力机制模块包括通道注意力机制模块和空间注意力机制模块。在各个解码模块中,编码阶段每一层得到的特征图都通过解码模块中的空间注意力模块和通道注意力模块的跳跃连接与上采样得到的特征图进行拼接。
在其他一些实施例中,请参照图9,所述将降采样后的待检测遥感影像输入至Faster R-CNN,以通过所述Faster R-CNN对露天采场进行定位,得到露天采场的矩形范围信息的步骤包括:
步骤31,将降采样后的待检测遥感影像输入至Faster R-CNN中的特征提取网络,得到所述特征提取网络输出的特征图;
步骤32,将所述特征图输入至所述Faster R-CNN中的RPN网络,得到所述RPN网络输出的候选图,所述候选图中包含露天采场的目标检测候选框;
步骤33,将所述候选图输入至所述Faster R-CNN中的分类与回归网络,以通过所述分类与回归网络判断所述目标检测候选框内物体的类别和物体边界框的回归系数,得到边界框坐标,所述边界框坐标为露天采场的矩形范围信息。
在本实施例中,请参照图10,图10示出了本发明中Faster R-CNN的网络结构以及Faster R-CNN对输入图像的处理过程,Faster R-CNN是实现露天采场分类与定位的基础网络结构,本发明使用VGG16网络作为Faster R-CNN的特征提取网络。经过去掉全连接层的VGG网络进行处理,得到50×50×512像素大小的特征层。然后利用RPN网络生成一系列露天采场的目标检测候选框。最后利用分类与回归网络判断候选框内物体的类别和物体边界框的回归系数,得到精确的边界框坐标,所得到的边界框坐标为露天采场的矩形范围信息。
在其他一些实施例中,基于目标损失函数对所述Faster R-CNN和所述改进的U-Net网络进行训练,所述目标损失函数是由目标检测部分和语义分割部分的损失函数组成的,所述目标损失函数的公式表示为:
L=w1*LFasterR-CNN+w2*LU-Net
其中,LFaster R-CNN为目标检测部分的损失函数,LU-Net为语义分割部分的损失函数,w1为目标检测部分的损失函数的权重,w2为语义分割网络的损失函数权重;
目标检测部分的损失函数为Faster R-CNN对应的损失函数,语义分割部分的损失函数为改进的U-Net网络对应的损失函数。
在本实施例中,利用降采样前后的原始遥感影像、可扩展的标记性语言文件标签和人工勾画的样本栅格对多任务网络包括Faster R-CNN和改进U-Net网络进行训练。多任务网络的损失函数是由目标检测部分和语义分割部分的损失函数共同组成,如公式(1)所示。
L=w1*LFasterR-CNN+w2*LU-Net (1)
其中,LFaster R-CNN为目标检测部分的损失函数,LU-Net为语义分割部分的损失函数,w1为目标检测部分的损失函数的权重,w2为语义分割网络的损失函数权重。L为模型的损失值之和,以此来表示模型的误差大小。
目标检测部分的损失函数又分为目标分类的损失函数和目标边界框回归损失函数,如公式(2)所示。
其中,Lcls为目标检测网络的目标分类损失函数,如公式(3)所示,Lreg为边界框回归损失函数,如公式(4)所示。Ncls是训练样本的数量,Nreg是标签为正的训练样本数量。
式中,pi为候选框i的预测概率。如果候选框为正,则Pi *是1,如果是负,则Pi *是0。ti是预测边界框的4个坐标参数,ti *是与预测边界框相关的真值框的坐标参数。
语义分割的损失函数采用的是二值交叉熵损失函数,如公式(5)所示。
式中,yi *为像元对应的真实类别,yi为模型预测的像元结果。
训练过程中,设置模型训练的迭代次数epoch。训练前期(前1/2个epoch)目标检测网络的精确性更加重要,所以将公式(1)中的损失函数权重设置为w1>w2,且满足w1+w2=1。在训练后期(后1/2个epoch),目标检测网络训练接近完成,则对语义分割的精确性要求更高,所以将公式(1)中的损失函数的权重设置为w1<w2,且满足w1+w2=1。每一次迭代训练,利用Adam优化算法来优化并更新模型的参数(模型的参数是指神经网络中层与层之间连接的权重值)以降低模型的损失函数值。
下面对本发明提供的露天矿采场提取装置进行描述,下文描述的露天矿采场提取装置与上文描述的露天矿采场提取方法可相互对应参照。
请参照图11,本发明还提供一种露天矿采场提取装置,包括:
降采样模块1110,用于获取露天采场的待检测遥感影像,并对所述待检测遥感影像进行降采样;
第一任务模块1120,用于将降采样后的待检测遥感影像输入至Faster R-CNN,以通过所述Faster R-CNN对露天采场进行定位,得到露天采场的矩形范围信息;
截取处理模块1130,用于基于所述矩形范围信息,在所述待检测遥感影像上进行截取,得到影像块,并在所述影像块上叠加NDVI和RRI波段得到具有红、绿、蓝、近红、NDVI、RRI六个波段的待提取影像;
第二任务模块1140,用于将所述待提取影像输入至改进的U-Net网络,以通过所述改进的U-Net网络对截取后的影像进行露天采场提取,得到露天采场提取结果。
进一步地,所述改进的U-Net网络为将U-Net网络在编码阶段的所有特征提取卷积修改成多尺度空洞卷积后得到的U-Net网络;
多尺度空洞卷积特征提取网络用于将输入的特征图分别经过1×1卷积、空洞为2的3×3卷积、空洞为4的3×3卷积、空洞为8的3×3卷积四层特征提取网络进行特征提取,得到四层特征提取网络输出的四个大小相同的特征图,并将四个特征图进行拼接得到输出特征图。
进一步地,所述第二任务模块,还用于:
将所述待提取影像输入至改进的U-Net网络中的特征编码层,得到所述特征编码层输出的特征图;
将所述特征编码层输出的特征图输入至所述改进的U-Net网络中的特征解码层,得到所述特征解码层输出的露天采场提取结果。
进一步地,所述特征编码层包括四个依次连接的编码模块,所述编码模块包括依次连接的两个多尺度空洞卷积特征提取网络和一个最大池化层;
所述特征解码层包括四个依次连接的解码模块,所述解码模块包括依次连接的两个3*3卷积层和一个上采样操作层。
进一步地,所述第一任务模块,还用于:
将降采样后的待检测遥感影像输入至Faster R-CNN中的特征提取网络,得到所述特征提取网络输出的特征图;
将所述特征图输入至所述Faster R-CNN中的RPN网络,得到所述RPN网络输出的候选图,所述候选图中包含露天采场的目标检测候选框;
将所述候选图输入至所述Faster R-CNN中的分类与回归网络,以通过所述分类与回归网络判断所述目标检测候选框内物体的类别和物体边界框的回归系数,得到边界框坐标,所述边界框坐标为露天采场的矩形范围信息。
进一步地,基于目标损失函数对所述Faster R-CNN和所述改进的U-Net网络进行训练,所述目标损失函数是由目标检测部分和语义分割部分的损失函数组成的,所述目标损失函数的公式表示为:
L=w1*LFasterR-CNN+w2*LU-Net
其中,LFaster R-CNN为目标检测部分的损失函数,LU-Net为语义分割部分的损失函数,w1为目标检测部分的损失函数的权重,w2为语义分割网络的损失函数权重。
图12示例了一种电子设备的实体结构示意图,如图12所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)1220、存储器(memory)1230和通信总线1240,其中,处理器1210,通信接口1220,存储器1230通过通信总线1240完成相互间的通信。处理器1210可以调用存储器1230中的逻辑指令,以执行露天矿采场提取方法,该方法包括:获取露天采场的待检测遥感影像,并对所述待检测遥感影像进行降采样;将降采样后的待检测遥感影像输入至Faster R-CNN,以通过所述Faster R-CNN对露天采场进行定位,得到露天采场的矩形范围信息;基于所述矩形范围信息,在所述待检测遥感影像上进行截取,得到影像块,并在所述影像块上叠加NDVI和RRI波段得到具有红、绿、蓝、近红、NDVI、RRI六个波段的待提取影像;将所述待提取影像输入至改进的U-Net网络,以通过所述改进的U-Net网络对截取后的影像进行露天采场提取,得到露天采场提取结果。
此外,上述的存储器1230中的逻辑指令可以通过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,本发明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,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的露天矿采场提取方法,该方法包括:获取露天采场的待检测遥感影像,并对所述待检测遥感影像进行降采样;将降采样后的待检测遥感影像输入至Faster R-CNN,以通过所述Faster R-CNN对露天采场进行定位,得到露天采场的矩形范围信息;基于所述矩形范围信息,在所述待检测遥感影像上进行截取,得到影像块,并在所述影像块上叠加NDVI和RRI波段得到具有红、绿、蓝、近红、NDVI、RRI六个波段的待提取影像;将所述待提取影像输入至改进的U-Net网络,以通过所述改进的U-Net网络对截取后的影像进行露天采场提取,得到露天采场提取结果。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的露天矿采场提取方法,该方法包括:获取露天采场的待检测遥感影像,并对所述待检测遥感影像进行降采样;将降采样后的待检测遥感影像输入至Faster R-CNN,以通过所述Faster R-CNN对露天采场进行定位,得到露天采场的矩形范围信息;基于所述矩形范围信息,在所述待检测遥感影像上进行截取,得到影像块,并在所述影像块上叠加NDVI和RRI波段得到具有红、绿、蓝、近红、NDVI、RRI六个波段的待提取影像;将所述待提取影像输入至改进的U-Net网络,以通过所述改进的U-Net网络对截取后的影像进行露天采场提取,得到露天采场提取结果。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种露天矿采场提取方法,其特征在于,包括:
获取露天采场的待检测遥感影像,并对所述待检测遥感影像进行降采样;
将降采样后的待检测遥感影像输入至Faster R-CNN,以通过所述Faster R-CNN对露天采场进行定位,得到露天采场的矩形范围信息;
基于所述矩形范围信息,在所述待检测遥感影像上进行截取,得到影像块,并在所述影像块上叠加NDVI和RRI波段得到具有红、绿、蓝、近红、NDVI、RRI六个波段的待提取影像;
将所述待提取影像输入至改进的U-Net网络,以通过所述改进的U-Net网络对截取后的影像进行露天采场提取,得到露天采场提取结果;
其中,所述改进的U-Net网络为将U-Net网络在编码阶段的所有特征提取卷积修改成多尺度空洞卷积后得到的U-Net网络,且在跳跃连接中增加通道注意力机制和空间注意力机制;
多尺度空洞卷积特征提取网络用于将输入的特征图分别经过1×1卷积、空洞为2的3×3卷积、空洞为4的3×3卷积、空洞为8的3×3卷积四层特征提取网络进行特征提取,得到四层特征提取网络输出的四个大小相同的特征图,并将四个特征图进行拼接得到输出特征图;
所述通道注意力机制用于学习浅层特征不同波段的重要性权重,所述空间注意力机制用于学习浅层特征不同空间位置的重要性权重。
2.根据权利要求1所述的露天矿采场提取方法,其特征在于,所述将所述待提取影像输入至改进的U-Net网络,以通过所述改进的U-Net网络对截取后的影像进行露天采场提取,得到露天采场提取结果的步骤包括:
将所述待提取影像输入至改进的U-Net网络中的特征编码层,得到所述特征编码层输出的特征图;
将所述特征编码层输出的特征图输入至所述改进的U-Net网络中的特征解码层,得到所述特征解码层输出的露天采场提取结果。
3.根据权利要求2所述的露天矿采场提取方法,其特征在于,所述特征编码层包括四个依次连接的编码模块,所述编码模块包括依次连接的两个多尺度空洞卷积特征提取网络和一个最大池化层;
所述特征解码层包括四个依次连接的解码模块,所述解码模块包括依次连接的两个3*3卷积层和一个上采样操作层。
4.根据权利要求1所述的露天矿采场提取方法,其特征在于,所述将降采样后的待检测遥感影像输入至Faster R-CNN,以通过所述Faster R-CNN对露天采场进行定位,得到露天采场的矩形范围信息的步骤包括:
将降采样后的待检测遥感影像输入至Faster R-CNN中的特征提取网络,得到所述特征提取网络输出的特征图;
将所述特征图输入至所述Faster R-CNN中的RPN网络,得到所述RPN网络输出的候选图,所述候选图中包含露天采场的目标检测候选框;
将所述候选图输入至所述Faster R-CNN中的分类与回归网络,以通过所述分类与回归网络判断所述目标检测候选框内物体的类别和物体边界框的回归系数,得到边界框坐标,所述边界框坐标为露天采场的矩形范围信息。
5.根据权利要求1至4任一项所述的露天矿采场提取方法,其特征在于,基于目标损失函数对所述Faster R-CNN和所述改进的U-Net网络进行训练,所述目标损失函数是由目标检测部分和语义分割部分的损失函数组成的,所述目标损失函数的公式表示为:
L=w1*LFasterR-CNN+w2*LU-Net
其中,LFaster R-CNN为目标检测部分的损失函数,LU-Net为语义分割部分的损失函数,w1为目标检测部分的损失函数的权重,w2为语义分割网络的损失函数权重。
6.一种露天矿采场提取装置,其特征在于,包括:
降采样模块,用于获取露天采场的待检测遥感影像,并对所述待检测遥感影像进行降采样;
第一任务模块,用于将降采样后的待检测遥感影像输入至Faster R-CNN,以通过所述Faster R-CNN对露天采场进行定位,得到露天采场的矩形范围信息;
截取处理模块,用于基于所述矩形范围信息,在所述待检测遥感影像上进行截取,得到影像块,并在所述影像块上叠加NDVI和RRI波段得到具有红、绿、蓝、近红、NDVI、RRI六个波段的待提取影像;
第二任务模块,用于将所述待提取影像输入至改进的U-Net网络,以通过所述改进的U-Net网络对截取后的影像进行露天采场提取,得到露天采场提取结果;
其中,所述改进的U-Net网络为将U-Net网络在编码阶段的所有特征提取卷积修改成多尺度空洞卷积后得到的U-Net网络,且在跳跃连接中增加通道注意力机制和空间注意力机制;
多尺度空洞卷积特征提取网络用于将输入的特征图分别经过1×1卷积、空洞为2的3×3卷积、空洞为4的3×3卷积、空洞为8的3×3卷积四层特征提取网络进行特征提取,得到四层特征提取网络输出的四个大小相同的特征图,并将四个特征图进行拼接得到输出特征图;
所述通道注意力机制用于学习浅层特征不同波段的重要性权重,所述空间注意力机制用于学习浅层特征不同空间位置的重要性权重。
7.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述露天矿采场提取方法的步骤。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述露天矿采场提取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210050976.4A CN114549972B (zh) | 2022-01-17 | 2022-01-17 | 露天矿采场提取方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210050976.4A CN114549972B (zh) | 2022-01-17 | 2022-01-17 | 露天矿采场提取方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114549972A CN114549972A (zh) | 2022-05-27 |
CN114549972B true CN114549972B (zh) | 2023-01-03 |
Family
ID=81670843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210050976.4A Active CN114549972B (zh) | 2022-01-17 | 2022-01-17 | 露天矿采场提取方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114549972B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117011719B (zh) * | 2023-04-21 | 2024-06-18 | 汇杰设计集团股份有限公司 | 一种基于卫星图像的水资源信息采集方法 |
CN117671437B (zh) * | 2023-10-19 | 2024-06-18 | 中国矿业大学(北京) | 基于多任务卷积神经网络的露天采场识别与变化检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243387A (zh) * | 2015-07-30 | 2016-01-13 | 王植 | 一种基于无人机影像的露天矿典型地物分类方法 |
CN109816707A (zh) * | 2018-12-25 | 2019-05-28 | 中铁第四勘察设计院集团有限公司 | 一种基于高分辨率卫星影像的露天采矿场信息提取方法 |
CN111047551A (zh) * | 2019-11-06 | 2020-04-21 | 北京科技大学 | 一种基于U-net改进算法的遥感影像变化检测方法及系统 |
CN112270280A (zh) * | 2020-11-02 | 2021-01-26 | 重庆邮电大学 | 一种基于深度学习的遥感图像中的露天矿场检测方法 |
WO2021184891A1 (zh) * | 2020-03-20 | 2021-09-23 | 中国科学院深圳先进技术研究院 | 遥感影像地物分类方法及系统 |
CN113705990A (zh) * | 2021-08-17 | 2021-11-26 | 内蒙古申科国土技术有限责任公司 | 自然资源信息处理方法、装置、电子设备及存储介质 |
CN113887459A (zh) * | 2021-10-12 | 2022-01-04 | 中国矿业大学(北京) | 一种基于改进Unet++的露天矿区采场变化区域检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111985376A (zh) * | 2020-08-13 | 2020-11-24 | 湖北富瑞尔科技有限公司 | 一种基于深度学习的遥感影像舰船轮廓提取方法 |
CN112668494A (zh) * | 2020-12-31 | 2021-04-16 | 西安电子科技大学 | 基于多尺度特征提取的小样本变化检测方法 |
-
2022
- 2022-01-17 CN CN202210050976.4A patent/CN114549972B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243387A (zh) * | 2015-07-30 | 2016-01-13 | 王植 | 一种基于无人机影像的露天矿典型地物分类方法 |
CN109816707A (zh) * | 2018-12-25 | 2019-05-28 | 中铁第四勘察设计院集团有限公司 | 一种基于高分辨率卫星影像的露天采矿场信息提取方法 |
CN111047551A (zh) * | 2019-11-06 | 2020-04-21 | 北京科技大学 | 一种基于U-net改进算法的遥感影像变化检测方法及系统 |
WO2021184891A1 (zh) * | 2020-03-20 | 2021-09-23 | 中国科学院深圳先进技术研究院 | 遥感影像地物分类方法及系统 |
CN112270280A (zh) * | 2020-11-02 | 2021-01-26 | 重庆邮电大学 | 一种基于深度学习的遥感图像中的露天矿场检测方法 |
CN113705990A (zh) * | 2021-08-17 | 2021-11-26 | 内蒙古申科国土技术有限责任公司 | 自然资源信息处理方法、装置、电子设备及存储介质 |
CN113887459A (zh) * | 2021-10-12 | 2022-01-04 | 中国矿业大学(北京) | 一种基于改进Unet++的露天矿区采场变化区域检测方法 |
Non-Patent Citations (2)
Title |
---|
An Accurate and Real-time Method of Self-blast Glass Insulator Location Based on Faster R-CNN and U-net with Aerial Images;Zenan Ling 等;《IEEE》;20191231;第5卷(第4期);全文 * |
基于深度卷积网络的矿岩图像分割算法研究;张振江 等;《采矿技术》;20210930;第21卷(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114549972A (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111080645B (zh) | 基于生成式对抗网络的遥感图像半监督语义分割方法 | |
CN113516135B (zh) | 一种基于深度学习的遥感影像建筑物提取及轮廓优化方法 | |
CN114549972B (zh) | 露天矿采场提取方法、装置、设备及介质 | |
CN115205264A (zh) | 一种基于改进YOLOv4的高分辨率遥感船舶检测方法 | |
CN110910360B (zh) | 电网图像的定位方法和图像定位模型的训练方法 | |
Madhuanand et al. | Deep convolutional neural networks for surface coal mines determination from sentinel-2 images | |
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 | |
CN113537070A (zh) | 一种检测方法、装置、电子设备及存储介质 | |
CN112883900A (zh) | 遥感影像裸地反演可视图的方法及装置 | |
CN114429577B (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 | |
CN116452850A (zh) | 一种基于数据挖掘和深度学习的道路积水区域识别方法 | |
CN114332644B (zh) | 一种基于视频卫星数据的大视场交通密度获取方法 | |
CN115527121A (zh) | 一种端到端林地变化检测方法、系统、介质、设备及终端 | |
CN113378642B (zh) | 一种对农村违法占地建筑物进行检测的方法 | |
CN117437647B (zh) | 基于深度学习和计算机视觉的甲骨文字检测方法 | |
CN113870196A (zh) | 一种基于锚点切图的图像处理方法、装置、设备和介质 | |
CN113628180A (zh) | 一种基于语义分割网络的遥感建筑物检测方法及系统 | |
CN111369515A (zh) | 一种基于计算机视觉的隧道水渍检测系统及方法 | |
CN117115498A (zh) | 用于识别气象图的方法和电子设备 | |
Spasov et al. | Transferability assessment of open-source deep learning model for building detection on satellite data | |
CN110163081A (zh) | 基于ssd的实时区域入侵检测方法、系统及存储介质 | |
CN115423798A (zh) | 缺陷识别方法、装置、计算机设备、存储介质和计算机程序产品 | |
CN115761223A (zh) | 一种利用数据合成的遥感影像实例分割方法 | |
CN112990100A (zh) | 一种基于深度学习的道路灾情遥感智能检测方法 | |
Guindon | A framework for the development and assessment of object recognition modules from high-resolution satellite images |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |