CN115082779B - 基于遥感影像的煤电企业检测方法和装置 - Google Patents

基于遥感影像的煤电企业检测方法和装置 Download PDF

Info

Publication number
CN115082779B
CN115082779B CN202210478613.0A CN202210478613A CN115082779B CN 115082779 B CN115082779 B CN 115082779B CN 202210478613 A CN202210478613 A CN 202210478613A CN 115082779 B CN115082779 B CN 115082779B
Authority
CN
China
Prior art keywords
bounding box
remote sensing
circle
cooling tower
sensing image
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
Application number
CN202210478613.0A
Other languages
English (en)
Other versions
CN115082779A (zh
Inventor
吴玲
马万栋
申文明
张文国
肖桐
毕京鹏
郭艳玲
张雪
史园莉
任致华
邰文飞
史雪威
陈绪慧
张玉环
张新胜
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.)
Satellite Application Center for Ecology and Environment of MEE
Original Assignee
Satellite Application Center for Ecology and Environment of MEE
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 Satellite Application Center for Ecology and Environment of MEE filed Critical Satellite Application Center for Ecology and Environment of MEE
Priority to CN202210478613.0A priority Critical patent/CN115082779B/zh
Publication of CN115082779A publication Critical patent/CN115082779A/zh
Application granted granted Critical
Publication of CN115082779B publication Critical patent/CN115082779B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Abstract

本发明公开了一种基于遥感影像的煤电企业检测方法和装置，属于遥感监测领域。本发明将深度卷积神经网络技术应用于煤电企业智能识别中，将冷却塔作为煤电企业目标检测的特征训练神经网络模型，识别得到冷却塔的顶圆边界框和底圆边界框，实现了在卫星影像上对煤电厂进行自动化快速识别与定位。解决了目前仅靠统计上报来采集煤电企业分布的问题，提升了工作效率，有利于对煤电企业进行及时监管。并且本发明根据冷却塔在遥感影像上的成像特征进一步的对识别得到的顶圆边界框和底圆边界框进行验证，排除其余塔状干扰物的影响，提高了煤电企业的识别精度。

Description

基于遥感影像的煤电企业检测方法和装置
技术领域
本发明涉及遥感监测领域，特别是指一种基于遥感影像的煤电企业检测方法和装置。
背景技术
当前，我国产业结构仍然偏重，能源体系高度依赖煤炭等化石能源，能源消耗和污染排放量大，煤电企业作为重要的污染源企业需要对其进行统计和监管。传统的煤电企业监控，主要依靠实地调研、污染指数监控、公共监督等进行统计汇总，工作效率低，监管滞后。
遥感作为一种现代化高新技术，能够获取高时效、高精度、大范围的地面信息，凭借遥感技术的宏观、客观、及时等特点，使用高分辨率遥感图像对地面目标进行精确、快速的目标检测成为可能。但是，目前基于高空间分辨率卫星遥感影像对水泥厂、尾矿库、设施农用地等建设行业的识别和提取较多，而对于煤电企业的识别精度不高。遥感影像对目标地物进行识别和提取，主要是基于目标检测及深度学习等技术，该项技术对水泥厂等企业提取精度较高，但是对于煤电企业，由于未充分考虑煤电企业的行业特点在空间结构的差异，因此对于煤电企业的识别精度不高。
发明内容
为解决上述技术问题，本发明提供一种基于遥感影像的煤电企业检测方法和装置，实现了对煤电企业的全自动化、精确、快速的提取。
本发明提供技术方案如下：
一种基于遥感影像的煤电企业检测方法，所述方法包括：
S1：将获取的待检测遥感影像输入训练好的神经网络模型，通过所述神经网络模型对冷却塔的顶圆和底圆进行目标检测，得到冷却塔的若干个顶圆边界框和若干个底圆边界框；
其中，所述顶圆和底圆的形状为正圆形或椭圆形；
S2：计算所述顶圆边界框与所述底圆边界框的中心距离L，并计算所述顶圆和所述底圆的离心率e1和e2；
Figure GDA0003774573800000021
e1＝bh1/bw1
e2＝bh2/bw2
其中，(bx1,by1)为所述顶圆边界框的中心坐标，(bx2,by2)为所述底圆边界框的中心坐标，bh1和bw1分别表示所述顶圆边界框的长度和宽度分别相对于所述待检测遥感影像的长度和宽度的比例，bh2和bw2分别表示所述底圆边界框的长度和宽度分别相对于所述待检测遥感影像的长度和宽度的比例；
S3：若一个顶圆边界框与一个底圆边界框既满足0≤L≤h*k*tanα，又满足T1≤e1≤T2且T1≤e2≤T2，则将该一个顶圆边界框和一个底圆边界框设置为属于一个冷却塔目标；
其中，T1和T2分别为设置的下限阈值和上限阈值，α为所述待检测遥感影像的卫星天顶角，h的取值范围为我国煤电企业冷却塔的高度范围，k为设定的容差系数；
S4：将所述冷却塔目标所在区域确定为煤电企业。
进一步的，所述S1中，还通过所述神经网络模型对冷却塔的整体进行目标检测，得到冷却塔的若干个整体边界框；
所述S3之后，S4之前还包括：
S3.1：判断属于一个冷却塔目标的一个顶圆边界框和一个底圆边界框是否全部位于同一个整体边界框内，若是，则保留该冷却塔目标，否则，剔除该冷却塔目标。
进一步的，所述S1中，还通过所述神经网络模型对冷却塔的整体进行目标检测，得到冷却塔的若干个整体边界框；
所述S2包括：
S2.1：将全部位于同一整体边界框内的一个顶圆边界框和一个底圆边界框设置为一组；
S2.2：计算同一组内的一个顶圆边界框与一个底圆边界框的中心距离L，并计算同一组内的一个顶圆和一个底圆的离心率e1和e2；
所述S3包括：若同一组内的一个顶圆边界框与一个底圆边界框既满足0≤L≤h*k*tanα，又满足T1≤e1≤T2且T1≤e2≤T2，则将该同一组内的一个顶圆边界框和一个底圆边界框设置为属于一个冷却塔目标。
进一步的，所述神经网络模型通过如下方法训练得到：
S10：获取训练用的遥感影像样本的集合，初始化待训练的神经网络模型的各个参数；
S20：将遥感影像样本划分为S*S的网格，在遥感影像样本上标注得到标注框，并为每个网格i设置样本标签；其中，i＝1,2,…,S2；
所述标注框的类别包括顶圆边界框类、底圆边界框类和整体边界框类，网格i的样本标签包括中心位于该网格i内的标注框truthi的中心坐标(xi，yi)、长度wi和宽度hi，中心位于该网格i内的标注框truthi属于真实的冷却塔的概率Ci，中心位于该网格i内的标注框truthi分别属于顶圆边界框类，底圆边界框类和整体边界框类的类别概率pi(c)，c∈classes，classes＝{顶圆边界框类、底圆边界框类和整体边界框类}；
S30：将选取的一个批次的遥感影像样本输入待训练的神经网络模型，每个网格i预测得到B个预测框predij的中心坐标
Figure GDA0003774573800000031
长度
Figure GDA0003774573800000032
和宽度
Figure GDA0003774573800000033
并预测得到每个预测框predij分别属于顶圆边界框类、底圆边界框类和整体边界框类的类别概率
Figure GDA0003774573800000034
其中，j＝1,2,…,B；
S40：计算每个网格i的每个预测框predij的置信度
Figure GDA0003774573800000035
并得到每个网格i的输出向量；其中，每个网格i的输出向量包括B个预测框predij的中心坐标
Figure GDA0003774573800000036
长度
Figure GDA0003774573800000037
和宽度
Figure GDA0003774573800000038
B个预测框predi的置信度
Figure GDA0003774573800000039
每个预测框predij分别属于顶圆边界框类、底圆边界框类和整体边界框类的类别概率
Figure GDA0003774573800000041
Figure GDA0003774573800000042
其中，当网格i内存在标注框的中心点时，Pr(Object)＝1，否则Pr(Object)＝0，
Figure GDA0003774573800000043
表示网格i预测的预测框predij与中心位于该网格i内的标注框truthi的交并比；
50：根据所有的网格i的输出向量与该网格i的样本标签计算预测损失loss；
S60：进行反向传播过程，利用所述预测损失loss更新神经网络模型的各个参数；
S70：选取另外一个批次的遥感影像样本，并返回S30，重复迭代若干次，直至达到设定的停止条件，完成神经网络模型的训练。
进一步的，所述预测损失包括中心坐标误差、长度误差、宽度误差、置信度误差和类别概率误差。
进一步的，预测损失loss的计算公式为：
Figure GDA0003774573800000044
其中，λcoord和λnoobj分别为设定的权重系数，当网格i内的预测框j内存在预测对象时，
Figure GDA0003774573800000045
否则
Figure GDA0003774573800000046
当网格i内的预测框j内不存在预测对象时，
Figure GDA0003774573800000047
否则
Figure GDA0003774573800000048
当网格i内存在标注框的中心点时，
Figure GDA0003774573800000049
否则
Figure GDA00037745738000000410
进一步的，所述S10还包括：对遥感影像样本进行数据增强，所述数据增强包括图像翻转、图像透视变化、图像旋转和图像错切。
进一步的，所述神经网络模型通过如下过程得到冷却塔的顶圆边界框、底圆边界框和整体边界框：
S1.1：将待检测遥感影像划分为S*S的网格后输入训练好的神经网络模型；
S1.2：每个网格i输出B个检测框的中心坐标、长度和宽度，每个检测框的置信度，每个检测框分别属于顶圆边界框类、底圆边界框类和整体边界框类的类别概率；
S1.3：将每个检测框的置信度分别与每个检测框分别属于顶圆边界框类、底圆边界框类和整体边界框类的类别概率相乘，得到每个检测框分别是顶圆边界框、底圆边界框和整体边界框的概率；
S1.4：根据所述概率，对所有检测框进行NMS操作，去除冗余框，得到冷却塔的顶圆边界框、底圆边界框和整体边界框。
进一步的，所述S1中，通过如下方法获取待检测遥感影像：
S11：获取包含待检测区域的遥感影像；
S12：对所述遥感影像进行预处理；所述预处理包括辐射定标、辐射校正、大气校正、几何校正、影像配准和镶嵌；
S13：利用待检测区域的矢量边界对预处理后的遥感影像进行裁剪，得到待检测遥感影像。
一种基于遥感影像的煤电企业检测装置，所述装置包括：
目标检测模块，用于将获取的待检测遥感影像输入训练好的神经网络模型，通过所述神经网络模型对冷却塔的顶圆和底圆进行目标检测，得到冷却塔的若干个顶圆边界框和若干个底圆边界框；
其中，所述顶圆和底圆的形状为正圆形或椭圆形；
计算模块，用于计算所述顶圆边界框与所述底圆边界框的中心距离L，并计算所述顶圆和所述底圆的离心率e1和e2；
Figure GDA0003774573800000061
e1＝bh1/bw1
e2＝bh2/bw2
其中，(bx1,by1)为所述顶圆边界框的中心坐标，(bx2,by2)为所述底圆边界框的中心坐标，bh1和bw1分别表示所述顶圆边界框的长度和宽度分别相对于所述待检测遥感影像的长度和宽度的比例，bh2和bw2分别表示所述底圆边界框的长度和宽度分别相对于所述待检测遥感影像的长度和宽度的比例；
冷却塔判断模块，用于若一个顶圆边界框与一个底圆边界框既满足0≤L≤h*k*tanα，又满足T1≤e1≤T2且T1≤e2≤T2，则将该一个顶圆边界框和一个底圆边界框设置为属于一个冷却塔目标；
其中，T1和T2分别为设置的下限阈值和上限阈值，α为所述待检测遥感影像的卫星天顶角，h的取值范围为我国煤电企业冷却塔的高度范围，k为设定的容差系数；
煤电企业确定模块，用于将所述冷却塔目标所在区域确定为煤电企业。
进一步的，所述目标检测模块还用于：通过所述神经网络模型对冷却塔的整体进行目标检测，得到冷却塔的若干个整体边界框；
所述装置还包括：
验证模块，用于判断属于一个冷却塔目标的一个顶圆边界框和一个底圆边界框是否全部位于同一个整体边界框内，若是，则保留该冷却塔目标，否则，剔除该冷却塔目标。
进一步的，所述目标检测模块还用于：通过所述神经网络模型对冷却塔的整体进行目标检测，得到冷却塔的若干个整体边界框；
所述计算模块包括：
分组单元，用于将全部位于同一整体边界框内的一个顶圆边界框和一个底圆边界框设置为一组；
计算单元，用于计算同一组内的一个顶圆边界框与一个底圆边界框的中心距离L，并计算同一组内的一个顶圆和一个底圆的离心率e1和e2；
所述冷却塔判断模块用于：若同一组内的一个顶圆边界框与一个底圆边界框既满足0≤L≤h*k*tanα，又满足T1≤e1≤T2且T1≤e2≤T2，则将该同一组内的一个顶圆边界框和一个底圆边界框设置为属于一个冷却塔目标。
进一步的，所述神经网络模型通过如下模块训练得到：
数据准备模块，用于获取训练用的遥感影像样本的集合，初始化待训练的神经网络模型的各个参数；
标注模块，用于将遥感影像样本划分为S*S的网格，在遥感影像样本上标注得到标注框，并为每个网格i设置样本标签；其中，i＝1,2,…,S2；
所述标注框的类别包括顶圆边界框类、底圆边界框类和整体边界框类，网格i的样本标签包括中心位于该网格i内的标注框truthi的中心坐标(xi，yi)、长度wi和宽度hi，中心位于该网格i内的标注框truthi属于真实的冷却塔的概率Ci，中心位于该网格i内的标注框truthi分别属于顶圆边界框类，底圆边界框类和整体边界框类的类别概率pi(c)，c∈classes，classes＝{顶圆边界框类、底圆边界框类和整体边界框类}；
预测模块，用于将选取的一个批次的遥感影像样本输入待训练的神经网络模型，每个网格i预测得到B个预测框predij的中心坐标
Figure GDA0003774573800000071
长度
Figure GDA0003774573800000072
和宽度
Figure GDA0003774573800000073
并预测得到每个预测框predij分别属于顶圆边界框类、底圆边界框类和整体边界框类的类别概率
Figure GDA0003774573800000074
其中，j＝1,2,…,B；
类别概率确定模块，用于计算每个网格i的每个预测框predij的置信度
Figure GDA0003774573800000075
并得到每个网格i的输出向量；其中，每个网格i的输出向量包括B个预测框predij的中心坐标
Figure GDA0003774573800000076
长度
Figure GDA0003774573800000077
和宽度
Figure GDA0003774573800000078
B个预测框predi的置信度
Figure GDA0003774573800000079
每个预测框predij分别属于顶圆边界框类、底圆边界框类和整体边界框类的类别概率
Figure GDA00037745738000000710
Figure GDA00037745738000000711
其中，当网格i内存在标注框的中心点时，Pr(Object)＝1，否则Pr(Object)＝0，
Figure GDA0003774573800000081
表示网格i预测的预测框predij与中心位于该网格i内的标注框truthi的交并比；
损失计算模块，用于根据所有的网格i的输出向量与该网格i的样本标签计算预测损失loss；
反向传播模块，用于进行反向传播过程，利用所述预测损失loss更新神经网络模型的各个参数；
循环迭代模块，用于选取另外一个批次的遥感影像样本，并返回预测模块，重复迭代若干次，直至达到设定的停止条件，完成神经网络模型的训练。
进一步的，所述预测损失包括中心坐标误差、长度误差、宽度误差、置信度误差和类别概率误差。
进一步的，预测损失loss的计算公式为：
Figure GDA0003774573800000082
其中，λcoord和λnoobj分别为设定的权重系数，当网格i内的预测框j内存在预测对象时，
Figure GDA0003774573800000083
否则
Figure GDA0003774573800000084
当网格i内的预测框j内不存在预测对象时，
Figure GDA0003774573800000085
否则
Figure GDA0003774573800000086
当网格i内存在标注框的中心点时，
Figure GDA0003774573800000087
否则
Figure GDA0003774573800000088
进一步的，所述数据准备模块还用于：对遥感影像样本进行数据增强，所述数据增强包括图像翻转、图像透视变化、图像旋转和图像错切。
进一步的，所述目标检测模块中，所述神经网络模型通过如下单元得到冷却塔的顶圆边界框、底圆边界框和整体边界框：
输入单元，用于将待检测遥感影像划分为S*S的网格后输入训练好的神经网络模型；
预测单元，用于每个网格i输出B个检测框的中心坐标、长度和宽度，每个检测框的置信度，每个检测框分别属于顶圆边界框类、底圆边界框类和整体边界框类的类别概率；
概率计算单元，用于将每个检测框的置信度分别与每个检测框分别属于顶圆边界框类、底圆边界框类和整体边界框类的类别概率相乘，得到每个检测框分别是顶圆边界框、底圆边界框和整体边界框的概率；
NMS单元，用于根据所述概率，对所有检测框进行NMS操作，去除冗余框，得到冷却塔的顶圆边界框、底圆边界框和整体边界框。
进一步的，所述目标检测模块中，通过如下单元获取待检测遥感影像：
获取单元，用于获取包含待检测区域的遥感影像；
预处理单元，用于对所述遥感影像进行预处理；所述预处理包括辐射定标、辐射校正、大气校正、几何校正、影像配准和镶嵌；
裁剪单元，用于利用待检测区域的矢量边界对预处理后的遥感影像进行裁剪，得到待检测遥感影像。
本发明具有以下有益效果：
本发明将深度卷积神经网络技术应用于煤电企业智能识别中，将冷却塔作为煤电企业目标检测的特征训练神经网络模型，识别得到冷却塔的顶圆边界框和底圆边界框，实现了在卫星影像上对煤电厂进行自动化快速识别与定位。解决了目前仅靠统计上报来采集煤电企业分布的问题，提升了工作效率，有利于对煤电企业进行及时监管。并且本发明根据冷却塔在遥感影像上的成像特征进一步的对识别得到的顶圆边界框和底圆边界框进行验证，排除其余塔状干扰物的影响，提高了煤电企业的识别精度。
附图说明
图1为本发明的基于遥感影像的煤电企业检测方法的流程图；
图2为煤电企业冷却塔的实物图；
图3为煤电企业冷却塔的示意图；
图4为煤电企业冷却塔的遥感成像图；
图5为煤电企业冷却塔的遥感影像投影示意图；
图6为图像翻转的示意图；
图7为图像透视变化的示意图；
图8为图像旋转的示意图；
图9为图像错切的示意图；
图10为遥感影像样本标注的示意图；
图11为本发明的基于遥感影像的煤电企业检测装置的示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
实施例1：
本发明实施例提供一种基于遥感影像的煤电企业检测方法，如图1所示，该方法包括：
S1：将获取的待检测遥感影像输入训练好的神经网络模型，通过神经网络模型对冷却塔的顶圆和底圆进行目标检测，得到冷却塔的若干个顶圆边界框和若干个底圆边界框。其中，顶圆和底圆的形状为正圆形或椭圆形。
本步骤手下需要获取待检测遥感影像，在一个示例中，获取的一种方法包括：
S11：获取包含待检测区域的遥感影像。
选定需要进行煤电企业检测的区域，获取包含待检测区域的高分辨率遥感影像。
S12：对遥感影像进行预处理；预处理包括辐射定标、辐射校正、大气校正、几何校正、影像配准和镶嵌等。
本发明不限制辐射定标、辐射校正、大气校正、几何校正、影像配准和镶嵌的实现方式，可以通过本领域技术人员熟知的现有技术进行。
S13：利用待检测区域的矢量边界对预处理后的遥感影像进行裁剪，得到待检测遥感影像。
通过上述S11～S13获取待检测遥感影像后，将其调整到合适的大小，输入提前训练好的神经网络模型，通过神经网络模型对冷却塔的顶圆和底圆进行目标检测，即可得到冷却塔的若干个顶圆边界框和若干个底圆边界框。
冷却塔是是将冷却介质在装置中与空气直接或间接接触，通过蒸发和(或)对流，把冷却介质携带的热量散发到大气中的冷却设施。经分析确定，冷却塔可作为大多数煤电企业的解译标志。目前我国煤电厂常见冷却塔为双曲面型，高度约为40米至250米，底部直径约为40米至200米,出口直径约为30米至150米。冷却塔的实物照片如图2所示，示意图如图3所示，遥感影像上的冷却塔成像如图4所示。
卫星投影方向与竖直方向的夹角为天顶角，如图5所示，天顶角以α表示。卫星垂直投影时，天顶角为0°，遥感影像上冷却塔的顶圆和底圆为两个同心的正圆形；卫星倾斜投影时，天顶角不是0°，遥感影像上冷却塔的顶圆和底圆为两个椭圆形。
由于遥感影像上冷却塔的顶圆和底圆成特定的形状，因此可以将遥感影像输入神经网络模型，利用目标识别方法将冷却塔的顶圆和底圆识别出来，识别出的顶圆和底圆以矩形的顶圆边界框和底圆边界框表示。顶圆边界框通过参数bx1,by1,bh1和bw1表示，(bx1,by1)为顶圆边界框的中心坐标，代表顶圆边界框的位置，bh1和bw1分别表示顶圆边界框的长度和宽度分别相对于待检测遥感影像的长度和宽度的比例，代表顶圆边界框的大小。底圆边界框的表示类似。
神经网络模型在使用前需要预先进行训练，训练时，使用冷却塔的一系列顶圆和底圆的遥感影像优化神经网络模型的参数，使神经网络模型向着识别冷却塔的顶圆和底圆的方向优化，使其能够胜任识别冷却塔的顶圆和底圆的任务。
S2：计算顶圆边界框与底圆边界框的中心距离L，并计算所述顶圆和所述底圆的离心率e1和e2。
Figure GDA0003774573800000121
e1＝bh1/bw1
e2＝bh2/bw2
其中，(bx1,by1)为顶圆边界框的中心坐标，(bx2,by2)为底圆边界框的中心坐标，bh1和bw1分别表示顶圆边界框的长度和宽度分别相对于待检测遥感影像的长度和宽度的比例，bh2和bw2分别表示底圆边界框的长度和宽度分别相对于待检测遥感影像的长度和宽度的比例。
通过目标识别得到顶圆边界框和底圆边界框后，即可粗略的认为该顶圆边界框和底圆边界框处是煤电企业冷却塔目标，认为顶圆边界框和底圆边界框所在区域是煤电企业。
但是这种方式并不准确，因为可能存在一些其他塔状物对目标识别过程进行干扰，导致识别得到的顶圆边界框和底圆边界框不全部属于冷却塔。为解决这一问题，冷却塔的实物具有特定的几何特征，其成像到遥感影像上后，即具有特定的成像特征，根据冷却塔的成像特征可以对目标识别得到的顶圆边界框和底圆边界框进行判断，只将符合条件的顶圆边界框和底圆边界框认为属于冷却塔目标，不符合条件的为其他塔状干扰物。
冷却塔的顶圆和底圆的实际结构是在不同高度上平行的两个同心圆，在遥感影像上，冷却塔的顶圆和底圆总是应该成组出现，并且两者的距离应该比较近。即应当是一个顶圆边界框和一个底圆边界框成组出现，且成组的一个顶圆边界框和一个底圆边界框应该比较接近。因此，可以计算顶圆边界框与底圆边界框的中心距离L，根据这一中心距离L判断顶圆边界框和底圆边界框是否属于冷却塔目标。
冷却塔的顶圆和底圆投影到遥感影像上后，两者的大小不同，但是形状应该类似，例如两者全部是正圆(天顶角为0°)，或者两者全部是椭圆(天顶角不为0°)，且由于卫星天顶角不可能过大，一般不超过30°，所以两个椭圆不会太扁平，即两个椭圆的离心率近似等于1。因此，可以计算顶圆和底圆的离心率e1和e2，根据离心率e1和e2判断顶圆边界框和底圆边界框是否属于冷却塔目标。
顶圆边界框和底圆边界框均为矩形，冷却塔的顶圆和底圆均为圆形或椭圆形，圆形或椭圆形位于矩形的顶圆边界框和底圆边界框内。顶圆边界框的长度和宽度的比值可以代表冷却塔的顶圆的离心率e1，底圆边界框的长度和宽度的比值可以代表冷却塔的底圆的离心率e2。
S3：若一个顶圆边界框与一个底圆边界框既满足0≤L≤h*k*tanα，又满足T1≤e1≤T2且T1≤e2≤T2，则将该一个顶圆边界框和一个底圆边界框设置为属于一个冷却塔目标。
其中，T1和T2分别为设置的下限阈值和上限阈值，α为待检测遥感影像的卫星天顶角，h的取值范围为我国煤电企业冷却塔的高度范围，k为设定的容差系数。
冷却塔的遥感影像投影示意图如图5所示，卫星天顶角为α，冷却塔高度为h，冷却塔的顶圆和底圆投影到地面上，投影到地面上的顶圆中心点和底圆中心点的距离L应不大于h*tanα。为保证余量，设置容差系数k，即目标为冷却塔时，应满足0≤L≤h*k*tanα。
h的取值范围为我国煤电企业冷却塔的高度范围，约为40米至250米，对于h在40米至250米内的任意一个取值，如果L≤h*k*tanα，即认为满足条件。α为待检测遥感影像的卫星天顶角，可以从遥感影像的信息中获取；不能获取遥感影像的卫星天顶角时，由于卫星天顶角一般不超过30°，所以将其设置为30°。
由于顶圆和底圆的离心率近似等于1，所以设置下限阈值T1和上限T2，目标为冷却塔时，应满足T1≤e1≤T2且T1≤e2≤T2。T1为小于1且接近1的一个数值，例如取值为0.95，T1为大于1且接近1的一个数值，例如取值为1.05。
所以，若一个顶圆边界框与一个底圆边界框既满足0≤L≤h*k*tanα，又满足T1≤e1≤T2且T1≤e2≤T2，则二者是属于冷却塔目标，且属于同一个冷却塔目标。将该顶圆边界框与底圆边界框处标记为一个冷却塔目标，且将该顶圆边界框与底圆边界框与这一个冷却塔目标关联。如果一个顶圆边界框与一个底圆边界框不满足上述条件，那么不认为其属于冷却塔目标，可能是其他的塔状干扰物。
S4：将冷却塔目标所在区域确定为煤电企业。
标记完毕所有冷却塔目标后，将各个冷却塔目标所在的区域确定为煤电企业。
本发明将深度卷积神经网络技术应用于煤电企业智能识别中，将冷却塔作为煤电企业目标检测的特征训练神经网络模型，识别得到冷却塔的顶圆边界框和底圆边界框，实现了在卫星影像上对煤电厂进行自动化快速识别与定位。解决了目前仅靠统计上报来采集煤电企业分布的问题，提升了工作效率，有利于对煤电企业进行及时监管。并且本发明根据冷却塔在遥感影像上的成像特征进一步的对识别得到的顶圆边界框和底圆边界框进行验证，排除其余塔状干扰物的影响，提高了煤电企业的识别精度。
作为本发明实施例的一种改进，在S1中通过神经网络模型进行目标检测时，不仅对冷却塔的顶圆和底圆进行目标检测，得到冷却塔的顶圆边界框和底圆边界框，还通过神经网络模型对冷却塔的整体进行目标检测，得到冷却塔的若干个整体边界框。在这种情况下，还应当预先使用冷却塔的整体训练神经网络模型。
得到冷却塔的整体边界框后，即可使用该整体边界框对前述的顶圆边界框和底圆边界框进行验证，验证的方式可以有多种，下面给出两个示例。
示例一：
在S3之后，S4之前还包括：
S3.1：判断属于一个冷却塔目标的一个顶圆边界框和一个底圆边界框是否全部位于同一个整体边界框内，若是，则保留该冷却塔目标，否则，剔除该冷却塔目标。
冷却塔的顶圆和底圆是冷却塔的一部分，那么识别得到的一个冷却塔的顶圆边界框和底圆边界框应当全部位于一个整体边界框内。特殊的，顶圆边界框和底圆边界框的在外侧边界应当与一个整体边界框的边界重合。
本示例是先得到冷却塔目标后，再进行验证。前述S3中将一个顶圆边界框和一个底圆边界框设置为属于一个冷却塔目标后，通过整体边界框进行验证，如果这一个顶圆边界框和一个底圆边界框是否全部位于同一个整体边界框内，则验证通过，说明这一个顶圆边界框和一个底圆边界框属于同一个冷却塔目标，将该冷却塔目标保留，否则将其剔除。
示例二：
S2包括：
S2.1：将全部位于同一整体边界框内的一个顶圆边界框和一个底圆边界框设置为一组。
本示例是先验证后，再进行后续操作。先通过整体边界框对顶圆边界框和底圆边界框记性验证，如果一个顶圆边界框和一个底圆边界框全部位于同一整体边界框内，则验证通过，将两者设置为一组。
S2.2：计算同一组内的一个顶圆边界框与一个底圆边界框的中心距离L，并计算同一组内的一个顶圆和一个底圆的离心率e1和e2。
经过整体边界框验证后，剔除了验证不通过的顶圆边界框和底圆边界框，因此在计算中心距离L和离心率e1、e2时，只计算分为一组的顶圆边界框和底圆边界框即可，其他不必计算，可以提高计算效率。
S3包括：若同一组内的一个顶圆边界框与一个底圆边界框既满足0≤L≤h*k*tanα，又满足T1≤e1≤T2且T1≤e2≤T2，则将该同一组内的一个顶圆边界框和一个底圆边界框设置为属于一个冷却塔目标。
同样的，经过整体边界框验证后，只需判断分为一组的顶圆边界框和底圆边界框是否满足中心距离L和离心率e1、e2的条件即可，提高了计算效率。
作为本发明实施例的另一种改进，当本发明通过神经网络模型既对冷却塔的顶圆和底圆进行目标检测，又对冷却塔的整体进行目标检测，得到冷却塔的顶圆边界框、底圆边界框和整体边界框时。神经网络模型通过如下方法训练得到：
S10：获取训练用的遥感影像样本的集合，初始化待训练的神经网络模型的各个参数。
高质量的样本集图片是构建一个优秀的神经网络模型的关键因素，遥感影像冷却塔数据集存在严重的样本不均衡现象，会对训练的准确率造成影响，因此需要通过数据增强方法对遥感影像样本进行数据增强。
数据增强方法可以将遥感影像样本集合的数据量增大，从而极大化利用每个遥感影像样本，使之可以训练得到一个较好的神经网络模型模型，以增强鲁棒性，避免过拟合。本发明才用的数据增强方法包括图像翻转、图像透视变化、图像旋转和图像错切，对遥感影像样本进行几何变换，仅改变其空间位置，不改变图像中的像素值，使得遥感影像样本的数据多样性大大增加。
1、图像翻转
图像翻转是沿一定方向对原始图片进行翻转，本发明的图像翻转采用了上下翻转和左右反转的形式。
上下翻转可以直接通过坐标y轴翻转，左右翻转可以直接通过坐标x轴翻转。原始遥感影像样本如图6中(a)所示，图6中(b)、(c)分别为上下翻转和左右翻转后的遥感影像样本。
2、透视变化
透视变化是将一个平面通过投影矩阵投影到指定平面上，图7中(a)为原始遥感影像样本，图7中(b)为透视变化后的遥感影像样本。
3、图像旋转
图像旋转是指将图像按照一定角度进行旋转，图8中(a)为原始遥感影像样本，图8中(b)为图像旋转后的遥感影像样本。
4、图像错切
图像错切是固定图像一边，对另外平行一边施加一个推力形成的变形，图9中(a)为原始遥感影像样本，图9中(b)为图像错切后的遥感影像样本。
S20：将遥感影像样本划分为S*S的网格，在遥感影像样本上标注得到标注框，并为每个网格i设置样本标签，i＝1,2,…,S2。
其中，S可以取值为6，遥感影像样本划分为36个网格。因为神经网络模型需要进行共三类任务，即预测顶圆边界框、底圆边界框和整体边界框，所以标注框的类别classes应包括顶圆边界框类、底圆边界框类和整体边界框类。
网格i的样本标签包括中心位于该网格i内的标注框truthi的中心坐标(xi，yi)、长度wi和宽度hi，中心位于该网格i内的标注框truthi属于真实的冷却塔的概率Ci，中心位于该网格i内的标注框truthi分别属于顶圆边界框类，底圆边界框类和整体边界框类的类别概率pi(c)，c∈classes，classes＝{顶圆边界框类、底圆边界框类和整体边界框类}。
例如，如果网格i内存在一个标注框truthi的中心点，且该标注框truthi的类别为顶圆边界框，那么该网格i的样本标签即为[xi,yi,wi,hi,Ci,pi(顶圆边界框类),pi(底圆边界框类),pi(整体边界框类)]。其中，xi,yi,wi,hi分别根据标注框truthi取相应的数值，Ci＝1，pi(顶圆边界框类)＝1，pi(底圆边界框类)＝0，pi(整体边界框类)＝0。并且，由该网格i负责预测这个顶圆边界框，其他网格不负责预测这个顶圆边界框。
如图10所示，划分了6*6的网格，标注了两个冷却塔的顶圆和底圆的标注框。
S30：将选取的一个批次的遥感影像样本输入待训练的神经网络模型，每个网格i预测得到B个预测框predij的中心坐标
Figure GDA0003774573800000171
长度
Figure GDA0003774573800000172
和宽度
Figure GDA0003774573800000173
并预测得到每个预测框predij分别属于顶圆边界框类、底圆边界框类和整体边界框类的类别概率
Figure GDA0003774573800000174
其中，j＝1,2,…,B。
遥感影像样本的集合包括大量的遥感影像样本，每次训练时，选择一个批次的较少的遥感影像样本输入神经网络模型。遥感影像样本经过神经网络模型的一系列处理，在每个网格i按照不同的大小预测得到B个预测框predij，j＝1,2,…,B。每个预测框predij均包括其中心坐标
Figure GDA0003774573800000181
长度
Figure GDA0003774573800000182
和宽度
Figure GDA0003774573800000183
此处的长度
Figure GDA0003774573800000184
和宽度
Figure GDA0003774573800000185
为预测框相的长度和宽度对于遥感影像样本的长度和宽度的比值。
同时，每个网格i还预测得到该网格i的B个预测框predij分别属于顶圆边界框类、底圆边界框类和整体边界框类的类别概率
Figure GDA0003774573800000186
S40：计算每个网格i的每个预测框predij的置信度
Figure GDA0003774573800000187
并得到每个网格i的输出向量；其中，每个网格i的输出向量包括B个预测框predij的中心坐标
Figure GDA0003774573800000188
长度
Figure GDA0003774573800000189
和宽度
Figure GDA00037745738000001810
B个预测框predi的置信度
Figure GDA00037745738000001811
每个预测框predij分别属于顶圆边界框类、底圆边界框类和整体边界框类的类别概率
Figure GDA00037745738000001812
Figure GDA00037745738000001813
其中，当网格i内存在标注框的中心点时，Pr(Object)＝1，表示标注框内存在预测对象，否则Pr(Object)＝0，表示标注框内不存在预测对象。
Figure GDA00037745738000001814
表示网格i预测的预测框predij与中心位于该网格i内的标注框truthi的交并比。
Figure GDA00037745738000001815
反映了真实目标的标注框truthi和预测目标的预测框predij之间的重合度。
计算得到置信度
Figure GDA00037745738000001816
后，将其与前述每个网格i输出的数据组成每个网格i的输出向量[
Figure GDA00037745738000001817
Figure GDA00037745738000001818
(顶圆边界框类),
Figure GDA00037745738000001819
(底圆边界框类),
Figure GDA00037745738000001820
(整体边界框类)]。其中，
Figure GDA00037745738000001821
Figure GDA00037745738000001822
Figure GDA00037745738000001823
分别为预测得到的预测框predij的相应数值，
Figure GDA00037745738000001824
根据上述计算得到，
Figure GDA00037745738000001825
(顶圆边界框类),
Figure GDA00037745738000001826
(底圆边界框类),
Figure GDA00037745738000001827
(整体边界框类)分别为预测得到的类的类别概率
Figure GDA00037745738000001828
50：根据所有的网格i的输出向量与该网格i的样本标签计算预测损失loss。
网格i的输出向量代表该网格的预测数据，网格i的样本标签代表该网格的真实数据，通过所有网格的预测数据与真实数据即可计算出本次训练的预测损失，即误差。
预测损失loss包括中心坐标误差、长度误差、宽度误差、置信度误差和类别概率误差。中心坐标误差通过
Figure GDA0003774573800000191
与(xi，yi)计算得到，长度误差和宽度误差通过wi、hi与
Figure GDA0003774573800000192
计算得到，置信度误差通过Ci与
Figure GDA0003774573800000193
计算得到，类别概率误差通过pi(c)与
Figure GDA0003774573800000194
计算得到。
具体的，预测损失loss的计算公式为：
Figure GDA0003774573800000195
其中，λcoord和λnoobj分别为设定的权重系数，可以分别取值为5和0.5。
Figure GDA0003774573800000196
的意义为：当网格i内的预测框j内存在预测对象时，
Figure GDA0003774573800000197
否则
Figure GDA0003774573800000198
Figure GDA0003774573800000199
的意义为：当网格i内的预测框j内不存在预测对象时，
Figure GDA00037745738000001910
否则
Figure GDA00037745738000001911
Figure GDA00037745738000001912
的意义为：当网格i内存在标注框的中心点时，
Figure GDA00037745738000001913
否则
Figure GDA00037745738000001914
Figure GDA00037745738000001915
S60：进行反向传播过程，利用预测损失loss更新神经网络模型的各个参数。
S70：选取另外一个批次的遥感影像样本，并返回S30，重复迭代若干次，直至达到设定的停止条件，完成神经网络模型的训练。
设定的停止条件可以是设定的迭代次数，也可以是当预测损失loss小于设定的值，通过反向传播不断的去优化模型，使预测数据与真实数据之间的损失越来越小，直到模型最终训练结束，得到最终的模型参数，完成模型的训练。模型训练完毕后，将其部署即可，例如部署在服务器上。
神经网络模型训练完毕并部署后，即可以通过其进行目标检测，得到冷却塔的顶圆边界框、底圆边界框和整体边界框，具体执行过程为：
S1.1：将待检测遥感影像划分为S*S的网格后输入训练好的神经网络模型。
S1.2：每个网格i输出B个检测框的中心坐标、长度和宽度，每个检测框的置信度Confidence，每个检测框分别属于顶圆边界框类、底圆边界框类和整体边界框类的类别概率P(c∣Object)。
S1.3：将每个检测框的置信度分别与每个检测框分别属于顶圆边界框类、底圆边界框类和整体边界框类的类别概率相乘，得到每个检测框分别是顶圆边界框、底圆边界框和整体边界框的概率Score。
Score＝P(c∣Object)*Confidence
S1.4：根据概率，对所有检测框进行NMS操作，去除冗余框，得到冷却塔的顶圆边界框、底圆边界框和整体边界框。
NMS操作的过程为：选择概率最高的检测框作为输出，与该检测框重叠的检测框去掉，不断重复这一过程直到所有备选检测框处理完。
本发明的神经网络模型为“单阶段检测器”算法，该算法没有候选区的预测过程，直接由输入的遥感影像获得预测结果，通过在输出特征图上划分网格的方法直接进行目标坐标回归和类别分类，得到目标的类别和位置信息，在处理速度上具有明显的优势。
实施例2：
本发明实施例提供一种基于遥感影像的煤电企业检测装置，如图11所示，该装置包括：
目标检测模块1，用于将获取的待检测遥感影像输入训练好的神经网络模型，通过神经网络模型对冷却塔的顶圆和底圆进行目标检测，得到冷却塔的若干个顶圆边界框和若干个底圆边界框；其中，顶圆和底圆的形状为正圆形或椭圆形。
计算模块2，用于计算顶圆边界框与底圆边界框的中心距离L，并计算所述顶圆和所述底圆的离心率e1和e2；
Figure GDA0003774573800000211
e1＝bh1/bw1
e2＝bh2/bw2
其中，(bx1,by1)为顶圆边界框的中心坐标，(bx2,by2)为底圆边界框的中心坐标，bh1和bw1分别表示顶圆边界框的长度和宽度分别相对于待检测遥感影像的长度和宽度的比例，bh2和bw2分别表示底圆边界框的长度和宽度分别相对于待检测遥感影像的长度和宽度的比例。
冷却塔判断模块3，用于若一个顶圆边界框与一个底圆边界框既满足0≤L≤h*k*tanα，又满足T1≤e1≤T2且T1≤e2≤T2，则将该一个顶圆边界框和一个底圆边界框设置为属于一个冷却塔目标；
其中，T1和T2分别为设置的下限阈值和上限阈值，α为待检测遥感影像的卫星天顶角，h的取值范围为我国煤电企业冷却塔的高度范围，k为设定的容差系数。
煤电企业确定模块4，用于将冷却塔目标所在区域确定为煤电企业。
本发明将深度卷积神经网络技术应用于煤电企业智能识别中，将冷却塔作为煤电企业目标检测的特征训练神经网络模型，识别得到冷却塔的顶圆边界框和底圆边界框，实现了在卫星影像上对煤电厂进行自动化快速识别与定位。解决了目前仅靠统计上报来采集煤电企业分布的问题，提升了工作效率，有利于对煤电企业进行及时监管。并且本发明根据冷却塔在遥感影像上的成像特征进一步的对识别得到的顶圆边界框和底圆边界框进行验证，排除其余塔状干扰物的影响，提高了煤电企业的识别精度。
作为本发明实施例的一种改进，前述的目标检测模块还用于：通过神经网络模型对冷却塔的整体进行目标检测，得到冷却塔的若干个整体边界框。
相应的，本发明的装置还包括：
验证模块，用于判断属于一个冷却塔目标的一个顶圆边界框和一个底圆边界框是否全部位于同一个整体边界框内，若是，则保留该冷却塔目标，否则，剔除该冷却塔目标。
或者，相应的，本发明的计算模块包括：
分组单元，用于将全部位于同一整体边界框内的一个顶圆边界框和一个底圆边界框设置为一组。
计算单元，用于计算同一组内的一个顶圆边界框与一个底圆边界框的中心距离L，并计算同一组内的一个顶圆和一个底圆的离心率e1和e2。
冷却塔判断模块用于：若同一组内的一个顶圆边界框与一个底圆边界框既满足0≤L≤h*k*tanα，又满足T1≤e1≤T2且T1≤e2≤T2，则将该同一组内的一个顶圆边界框和一个底圆边界框设置为属于一个冷却塔目标。
作为本发明实施例的另一种改进，神经网络模型可以通过如下模块训练得到：
数据准备模块，用于获取训练用的遥感影像样本的集合，初始化待训练的神经网络模型的各个参数。
标注模块，用于将遥感影像样本划分为S*S的网格，在遥感影像样本上标注得到标注框，并为每个网格i设置样本标签；其中，i＝1,2,…,S2；
标注框的类别包括顶圆边界框类、底圆边界框类和整体边界框类，网格i的样本标签包括中心位于该网格i内的标注框truthi的中心坐标(xi，yi)、长度wi和宽度hi，中心位于该网格i内的标注框truthi属于真实的冷却塔的概率Ci，中心位于该网格i内的标注框truthi分别属于顶圆边界框类，底圆边界框类和整体边界框类的类别概率pi(c)，c∈classes，classes＝{顶圆边界框类、底圆边界框类和整体边界框类}。
预测模块，用于将选取的一个批次的遥感影像样本输入待训练的神经网络模型，每个网格i预测得到B个预测框predij的中心坐标
Figure GDA0003774573800000221
长度
Figure GDA0003774573800000222
和宽度
Figure GDA0003774573800000223
并预测得到每个预测框predij分别属于顶圆边界框类、底圆边界框类和整体边界框类的类别概率
Figure GDA0003774573800000224
其中，j＝1,2,…,B。
类别概率确定模块，用于计算每个网格i的每个预测框predij的置信度
Figure GDA0003774573800000231
并得到每个网格i的输出向量；其中，每个网格i的输出向量包括B个预测框predij的中心坐标
Figure GDA0003774573800000232
长度
Figure GDA0003774573800000233
和宽度
Figure GDA0003774573800000234
B个预测框predi的置信度
Figure GDA0003774573800000235
每个预测框predij分别属于顶圆边界框类、底圆边界框类和整体边界框类的类别概率
Figure GDA0003774573800000236
Figure GDA0003774573800000237
其中，当网格i内存在标注框的中心点时，Pr(Object)＝1，否则Pr(Object)＝0，
Figure GDA0003774573800000238
表示网格i预测的预测框predij与中心位于该网格i内的标注框truthi的交并比。
损失计算模块，用于根据所有的网格i的输出向量与该网格i的样本标签计算预测损失loss。
反向传播模块，用于进行反向传播过程，利用预测损失loss更新神经网络模型的各个参数。
循环迭代模块，用于选取另外一个批次的遥感影像样本，并返回预测模块，重复迭代若干次，直至达到设定的停止条件，完成神经网络模型的训练。
其中，预测损失可以包括中心坐标误差、长度误差、宽度误差、置信度误差和类别概率误差。
具体的，预测损失loss的计算公式为：
Figure GDA0003774573800000239
其中，λcoord和λnoobj分别为设定的权重系数，当网格i内的预测框j内存在预测对象时，
Figure GDA0003774573800000241
否则
Figure GDA0003774573800000242
当网格i内的预测框j内不存在预测对象时，
Figure GDA0003774573800000243
否则
Figure GDA0003774573800000244
当网格i内存在标注框的中心点时，
Figure GDA0003774573800000245
否则
Figure GDA0003774573800000246
前述的数据准备模块还用于：对遥感影像样本进行数据增强，数据增强包括图像翻转、图像透视变化、图像旋转和图像错切。
在目标检测模块中，神经网络模型可以通过如下单元得到冷却塔的顶圆边界框、底圆边界框和整体边界框：
输入单元，用于将待检测遥感影像划分为S*S的网格后输入训练好的神经网络模型。
预测单元，用于每个网格i输出B个检测框的中心坐标、长度和宽度，每个检测框的置信度，每个检测框分别属于顶圆边界框类、底圆边界框类和整体边界框类的类别概率。
概率计算单元，用于将每个检测框的置信度分别与每个检测框分别属于顶圆边界框类、底圆边界框类和整体边界框类的类别概率相乘，得到每个检测框分别是顶圆边界框、底圆边界框和整体边界框的概率。
NMS单元，用于根据概率，对所有检测框进行NMS操作，去除冗余框，得到冷却塔的顶圆边界框、底圆边界框和整体边界框。
在目标检测模块中，可以通过如下单元获取待检测遥感影像：
获取单元，用于获取包含待检测区域的遥感影像。
预处理单元，用于对遥感影像进行预处理；预处理包括辐射定标、辐射校正、大气校正、几何校正、影像配准和镶嵌。
裁剪单元，用于利用待检测区域的矢量边界对预处理后的遥感影像进行裁剪，得到待检测遥感影像。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例1中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于遥感影像的煤电企业检测方法，其特征在于，所述方法包括：
S1：将获取的待检测遥感影像输入训练好的神经网络模型，通过所述神经网络模型对冷却塔的顶圆和底圆进行目标检测，得到冷却塔的若干个顶圆边界框和若干个底圆边界框；
其中，所述顶圆和底圆的形状为正圆形或椭圆形；
S2：计算所述顶圆边界框与所述底圆边界框的中心距离L，并计算所述顶圆和所述底圆的离心率e1和e2；
Figure FDA0003626730480000011
e1＝bh1/bw1
e2＝bh2/bw2
其中，(bx1,by1)为所述顶圆边界框的中心坐标，(bx2,by2)为所述底圆边界框的中心坐标，bh1和bw1分别表示所述顶圆边界框的长度和宽度分别相对于所述待检测遥感影像的长度和宽度的比例，bh2和bw2分别表示所述底圆边界框的长度和宽度分别相对于所述待检测遥感影像的长度和宽度的比例；
S3：若一个顶圆边界框与一个底圆边界框既满足0≤L≤h*k*tanα，又满足T1≤e1≤T2且T1≤e2≤T2，则将该一个顶圆边界框和一个底圆边界框设置为属于一个冷却塔目标；
其中，T1和T2分别为设置的下限阈值和上限阈值，α为所述待检测遥感影像的卫星天顶角，h的取值范围为我国煤电企业冷却塔的高度范围，k为设定的容差系数；
S4：将所述冷却塔目标所在区域确定为煤电企业。
2.根据权利要求1所述的基于遥感影像的煤电企业检测方法，其特征在于，所述S1中，还通过所述神经网络模型对冷却塔的整体进行目标检测，得到冷却塔的若干个整体边界框；
所述S3之后，S4之前还包括：
S3.1：判断属于一个冷却塔目标的一个顶圆边界框和一个底圆边界框是否全部位于同一个整体边界框内，若是，则保留该冷却塔目标，否则，剔除该冷却塔目标。
3.根据权利要求1所述的基于遥感影像的煤电企业检测方法，其特征在于，所述S1中，还通过所述神经网络模型对冷却塔的整体进行目标检测，得到冷却塔的若干个整体边界框；
所述S2包括：
S2.1：将全部位于同一整体边界框内的一个顶圆边界框和一个底圆边界框设置为一组；
S2.2：计算同一组内的一个顶圆边界框与一个底圆边界框的中心距离L，并计算同一组内的一个顶圆和一个底圆的离心率e1和e2；
所述S3包括：若同一组内的一个顶圆边界框与一个底圆边界框既满足0≤L≤h*k*tanα，又满足T1≤e1≤T2且T1≤e2≤T2，则将该同一组内的一个顶圆边界框和一个底圆边界框设置为属于一个冷却塔目标。
4.根据权利要求2或3所述的基于遥感影像的煤电企业检测方法，其特征在于，所述神经网络模型通过如下方法训练得到：
S10：获取训练用的遥感影像样本的集合，初始化待训练的神经网络模型的各个参数；
S20：将遥感影像样本划分为S*S的网格，在遥感影像样本上标注得到标注框，并为每个网格i设置样本标签；其中，i＝1,2,…,S2；
所述标注框的类别包括顶圆边界框类、底圆边界框类和整体边界框类，网格i的样本标签包括中心位于该网格i内的标注框truthi的中心坐标(xi，yi)、长度wi和宽度hi，中心位于该网格i内的标注框truthi属于真实的冷却塔的概率Ci，中心位于该网格i内的标注框truthi分别属于顶圆边界框类，底圆边界框类和整体边界框类的类别概率pi(c)，c∈classes，classes＝{顶圆边界框类、底圆边界框类和整体边界框类}；
S30：将选取的一个批次的遥感影像样本输入待训练的神经网络模型，每个网格i预测得到B个预测框predij的中心坐标
Figure FDA0003626730480000033
长度
Figure FDA0003626730480000034
和宽度
Figure FDA0003626730480000035
并预测得到每个预测框predij分别属于顶圆边界框类、底圆边界框类和整体边界框类的类别概率
Figure FDA0003626730480000036
其中，j＝1,2,…,B；
S40：计算每个网格i的每个预测框predij的置信度
Figure FDA0003626730480000037
并得到每个网格i的输出向量；其中，每个网格i的输出向量包括B个预测框predij的中心坐标
Figure FDA0003626730480000038
长度
Figure FDA0003626730480000039
和宽度
Figure FDA00036267304800000310
B个预测框predi的置信度
Figure FDA00036267304800000311
每个预测框predij分别属于顶圆边界框类、底圆边界框类和整体边界框类的类别概率
Figure FDA00036267304800000312
Figure FDA0003626730480000031
其中，当网格i内存在标注框的中心点时，Pr(Object)＝1，否则Pr(Object)＝0，
Figure FDA0003626730480000032
表示网格i预测的预测框predij与中心位于该网格i内的标注框truthi的交并比；
50：根据所有的网格i的输出向量与该网格i的样本标签计算预测损失loss；
S60：进行反向传播过程，利用所述预测损失loss更新神经网络模型的各个参数；
S70：选取另外一个批次的遥感影像样本，并返回S30，重复迭代若干次，直至达到设定的停止条件，完成神经网络模型的训练。
5.根据权利要求4所述的基于遥感影像的煤电企业检测方法，其特征在于，所述预测损失包括中心坐标误差、长度误差、宽度误差、置信度误差和类别概率误差。
6.根据权利要求5所述的基于遥感影像的煤电企业检测方法，其特征在于，预测损失loss的计算公式为：
Figure FDA0003626730480000041
其中，λcoord和λnoobj分别为设定的权重系数，当网格i内的预测框j内存在预测对象时，
Figure FDA0003626730480000042
否则
Figure FDA0003626730480000043
当网格i内的预测框j内不存在预测对象时，
Figure FDA0003626730480000044
否则
Figure FDA0003626730480000045
当网格i内存在标注框的中心点时，
Figure FDA0003626730480000046
否则
Figure FDA0003626730480000047
7.根据权利要求4所述的基于遥感影像的煤电企业检测方法，其特征在于，所述S10还包括：对遥感影像样本进行数据增强，所述数据增强包括图像翻转、图像透视变化、图像旋转和图像错切。
8.根据权利要求4所述的基于遥感影像的煤电企业检测方法，其特征在于，所述神经网络模型通过如下过程得到冷却塔的顶圆边界框、底圆边界框和整体边界框：
S1.1：将待检测遥感影像划分为S*S的网格后输入训练好的神经网络模型；
S1.2：每个网格i输出B个检测框的中心坐标、长度和宽度，每个检测框的置信度，每个检测框分别属于顶圆边界框类、底圆边界框类和整体边界框类的类别概率；
S1.3：将每个检测框的置信度分别与每个检测框分别属于顶圆边界框类、底圆边界框类和整体边界框类的类别概率相乘，得到每个检测框分别是顶圆边界框、底圆边界框和整体边界框的概率；
S1.4：根据所述概率，对所有检测框进行NMS操作，去除冗余框，得到冷却塔的顶圆边界框、底圆边界框和整体边界框。
9.根据权利要求1所述的基于遥感影像的煤电企业检测方法，其特征在于，所述S1中，通过如下方法获取待检测遥感影像：
S11：获取包含待检测区域的遥感影像；
S12：对所述遥感影像进行预处理；所述预处理包括辐射定标、辐射校正、大气校正、几何校正、影像配准和镶嵌；
S13：利用待检测区域的矢量边界对预处理后的遥感影像进行裁剪，得到待检测遥感影像。
10.一种基于遥感影像的煤电企业检测装置，其特征在于，所述装置包括：
目标检测模块，用于将获取的待检测遥感影像输入训练好的神经网络模型，通过所述神经网络模型对冷却塔的顶圆和底圆进行目标检测，得到冷却塔的若干个顶圆边界框和若干个底圆边界框；
其中，所述顶圆和底圆的形状为正圆形或椭圆形；
计算模块，用于计算所述顶圆边界框与所述底圆边界框的中心距离L，并计算所述顶圆和所述底圆的离心率e1和e2；
Figure FDA0003626730480000051
e1＝bh1/bw1
e2＝bh2/bw2
其中，(bx1,by1)为所述顶圆边界框的中心坐标，(bx2,by2)为所述底圆边界框的中心坐标，bh1和bw1分别表示所述顶圆边界框的长度和宽度分别相对于所述待检测遥感影像的长度和宽度的比例，bh2和bw2分别表示所述底圆边界框的长度和宽度分别相对于所述待检测遥感影像的长度和宽度的比例；
冷却塔判断模块，用于若一个顶圆边界框与一个底圆边界框既满足0≤L≤h*k*tanα，又满足T1≤e1≤T2且T1≤e2≤T2，则将该一个顶圆边界框和一个底圆边界框设置为属于一个冷却塔目标；
其中，T1和T2分别为设置的下限阈值和上限阈值，α为所述待检测遥感影像的卫星天顶角，h的取值范围为我国煤电企业冷却塔的高度范围，k为设定的容差系数；
煤电企业确定模块，用于将所述冷却塔目标所在区域确定为煤电企业。
CN202210478613.0A 2022-05-05 2022-05-05 基于遥感影像的煤电企业检测方法和装置 Active CN115082779B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210478613.0A CN115082779B (zh) 2022-05-05 2022-05-05 基于遥感影像的煤电企业检测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210478613.0A CN115082779B (zh) 2022-05-05 2022-05-05 基于遥感影像的煤电企业检测方法和装置

Publications (2)

Publication Number Publication Date
CN115082779A CN115082779A (zh) 2022-09-20
CN115082779B true CN115082779B (zh) 2022-11-15

Family

ID=83247269

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210478613.0A Active CN115082779B (zh) 2022-05-05 2022-05-05 基于遥感影像的煤电企业检测方法和装置

Country Status (1)

Country Link
CN (1) CN115082779B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
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
CA2995850A1 (en) * 2015-08-31 2017-03-09 Ryan Kottenstette Systems and methods for analyzing remote sensing imagery
CN111414968A (zh) * 2020-03-26 2020-07-14 西南交通大学 一种基于卷积神经网络特征图的多模态遥感影像匹配方法
CN112084860A (zh) * 2020-08-06 2020-12-15 中国科学院空天信息创新研究院 目标对象检测、火力发电厂检测方法和装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210073692A1 (en) * 2016-06-12 2021-03-11 Green Grid Inc. Method and system for utility infrastructure condition monitoring, detection and response

Patent Citations (4)

* Cited by examiner, † Cited by third party
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
CA2995850A1 (en) * 2015-08-31 2017-03-09 Ryan Kottenstette Systems and methods for analyzing remote sensing imagery
CN111414968A (zh) * 2020-03-26 2020-07-14 西南交通大学 一种基于卷积神经网络特征图的多模态遥感影像匹配方法
CN112084860A (zh) * 2020-08-06 2020-12-15 中国科学院空天信息创新研究院 目标对象检测、火力发电厂检测方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Detection of Transmission Towers and Insulators in Remote Sensing Images with Deep Learning;Tong Wang等;《2021 China Automation Congress (CAC)》;20220314;第3298-3303页 *
Power Plant Classification from Remote Imaging with Deep Learning;Michael Mommert等;《 2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS》;20211012;第6391-6394页 *
基于遥感影像的火电厂识别关键技术研究;彭昕;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20210515(第05期);第C028-142页 *

Also Published As

Publication number Publication date
CN115082779A (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
CN111914795B (zh) 一种航拍图像中旋转目标检测方法
CN110310259B (zh) 一种基于改进YOLOv3算法的木结瑕疵检测方法
CN111062915B (zh) 一种基于改进YOLOv3模型的实时钢管缺陷检测方法
CN108961235A (zh) 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法
CN113192040A (zh) 一种基于YOLO v4改进算法的织物瑕疵检测方法
CN111178190B (zh) 基于深度图像的目标检测方法、装置及存储介质
CN110781882A (zh) 一种基于yolo模型的车牌定位和识别方法
CN112801094B (zh) 一种指针式仪表图像倾斜校正方法
CN110852315A (zh) 环形文字快速识别方法及装置
CN103353941B (zh) 基于视角分类的自然标志物注册方法
CN114612406A (zh) 一种基于可见光和红外视觉的光伏板缺陷检测方法
CN111027538A (zh) 一种基于实例分割模型的集装箱检测方法
CN113393426A (zh) 一种轧钢板表面缺陷检测方法
CN116385374A (zh) 基于卷积神经网络的细胞计数方法
CN112906689B (zh) 一种基于缺陷检测与分割深度卷积神经网络的图像检测方法
CN113705564A (zh) 一种指针式仪表识别读数方法
CN113902792A (zh) 基于改进RetinaNet网络的建筑物高度检测方法、系统和电子设备
CN115082779B (zh) 基于遥感影像的煤电企业检测方法和装置
CN116503398B (zh) 绝缘子污闪检测方法、装置、电子设备及存储介质
CN114445726B (zh) 一种基于深度学习的样本库建立方法和装置
CN116091946A (zh) 一种基于YOLOv5的无人机航拍图像目标检测方法
Peng et al. Application of deep residual neural network to water meter reading recognition
CN114266784A (zh) 基于线型掩膜扫描寻界的田间作物行区域实例分割方法
CN114037822A (zh) 一种行驶证检测方法和系统
CN117314906B (zh) 基于阵列分布信息引导的晶圆晶粒检测方法

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