具体实施方式
为详细说明本发明的技术内容、所实现目的及效果,以下结合实施方式并配合附图详予说明。
请参阅图1,一种线路交叉跨越区识别方法,包括:
获取待识别遥感影像,并通过预设的最优多尺度特征语义分割模型对待识别遥感影像进行道路识别,得到待识别遥感影像对应的最终概率特征图;
根据预设的二值化阈值,对所述最终概率特征图进行二值化处理,得到道路提取结果,并对所述道路提取结果进行矢量化处理,得到道路矢量化提取结果;
获取输电线路信息,并根据所述输电线路信息中同一输电线路的输电线路点位编号、点位经度、点位纬度和安全距离,确定所述同一输电线路的输电线路缓冲区;
根据所述道路矢量化提取结果和所述输电线路缓冲区,确定线路交叉跨越区。
从上述描述可知,本发明的有益效果在于:通过采用遥感影像作为道路提取的数据源,可解决城建库信息及监测端交通数据难以获取的问题;通过融合了多尺度特征的语义分割模型对遥感影像进行道路识别,可从原始数据中自动抽取特征,避免了昂贵的人工特征筛选及先验知识获取流程,为道路的高精度提取提供技术支撑,从而为线路交叉跨越区的高精度提取提供保障。
进一步地,所述获取待识别遥感影像,并通过预设的最优多尺度特征语义分割模型对待识别遥感影像进行道路识别,得到待识别遥感影像对应的最终概率特征图之前,进一步包括:
获取遥感影像,并对所述遥感影像进行预处理,得到高分辨率遥感图像,所述预处理包括辐射定标、大气校正、正射校正以及真彩色变换处理;
根据所述高分辨率遥感图像,获取样本数据集合,所述样本数据集合中的样本数据包括样本影像及其对应的标签,所述标签为二值图像,所述标签中对应道路的像素点的像素值为1,对应背景的像素点的像素值为0;
构建多尺度特征语义分割模型,并根据所述样本数据集合,对所述多尺度特征语义分割模型进行训练,得到最优多尺度特征语义分割模型。
进一步地,所述根据所述高分辨率遥感图像,获取样本数据集合,包括:
根据预设的样方框,在所述高分辨率遥感图像中选取样本区域,并对所述样本区域中的道路进行标绘,得到道路矢量样本;
对所述道路矢量样本进行栅格化,生成对应的样本标签,所述样本标签中对应道路的像素点的像素值为1,对应背景的像素点的像素值为0;
对所述样本区域及其对应的样本标签进行随机裁剪以及样本增强处理,生成样本数据集合。
进一步地,所述多尺度特征语义分割模型包括编码层、中间层和解码层;所述编码层包括卷积层和n个池化残差模块,所述池化残差模块包括池化层和残差网络,所述残差网络包括三个残差块;所述解码层包括n个特征融合模块、n个卷积反卷积模块和一个加权叠加模块;其中,n为预设的数值;
所述卷积层,用于分别根据三种预设大小的卷积核,对输入的样本影像进行卷积处理,得到与所述三种预设大小的卷积核一一对应的三组特征图,并将所述三组特征图输出至池化层;
所述池化层,用于根据预设的下采样倍数,分别对输入的三组特征图进行下采样,并将下采样后的三组特征图输出至同一池化残差模块中的残差网络中的第一个残差块;
所述残差块,用于分别根据输入的三组特征图对应的预设大小的卷积核,对输入的三组特征图进行两次卷积处理,得到与三组特征图一一对应的第一卷积结果;根据大小为1×1的卷积核,分别对输入的三组特征图进行卷积处理,得到与三组特征图一一对应的三组第二卷积结果;将对应同一组特征图的第一卷积结果和第二卷积结果进行叠加,得到残差处理后的所述同一组特征图;若所述残差块为残差网络中的第一个或第二个残差块,则将残差处理后的三组特征图输出至同一残差网络中的下一残差块;若所述残差块为前n-1个池化残差模块中的残差网络中的第三个残差块,则将残差处理后的三组特征图输出至下一池化残差模块中的池化层以及编码层;若所述残差块为第n个池化残差模块中的残差网络中的第三个残差块,则将残差处理后的三组特征图输出至中间层和编码层;
所述中间层,用于根据预设的第一膨胀系数,分别对输入的三组特征图进行空洞卷积处理,得到三组第一膨胀特征图;根据预设的第二膨胀系数,分别对所述三组第一膨胀特征图进行空洞卷积处理,得到三组第二膨胀特征图;根据预设的第三膨胀系数,分别对所述三组第二膨胀特征图进行空洞卷积处理,得到三组第三膨胀特征图;根据预设的第四膨胀系数,分别对所述三组第三膨胀特征图进行空洞卷积处理,得到三组第四膨胀特征图;将同一组特征图对应的第一膨胀特征图、第二膨胀特征图、第三膨胀特征图和第四膨胀特征图进行叠加,得到所述同一组特征图对应的融合特征图;
所述解码层中的第i个特征融合模块,用于根据预设的上采样倍数,对三组第n+2-i阶叠加特征图进行上采样,并将上采样后的三组第n+2-i阶叠加特征图与第n+1-i个池化残差模块中的残差网络输出的三组特征图一一对应地进行叠加,得到三组第n+1-i阶叠加特征图,其中,将所述三组融合特征图作为三组第n+1阶叠加特征图;
所述解码层中的第i个卷积反卷积模块,用于分别对三组第n+1-i阶叠加特征图依次进行一次第一卷积运算、n-i次反卷积运算以及一次第二卷积运算,得到三组初始概率特征图,并对所述三组初始概率特征图进行加权叠加,得到第n+1-i阶概率特征图;其中,i∈[1,n]且i为整数,所述第一卷积运算中对应三组第n+1-i阶叠加特征图的卷积核分别为所述三种预设大小的卷积核,所述反卷积运算的步长为2,所述反卷积运算的卷积核与所述第一卷积运算的卷积核相同,所述第二卷积运算的卷积核的大小为1×1;
所述加权叠加模块,用于对n个卷积反卷积模块输出的n个概率特征图进行加权叠加,得到最终概率特征图。
由上述描述可知,在编码层通过多尺度卷积核扩大特征感受野,丰富了图像的特征,从全局的视角获取图像中的感兴趣特征信息进而提高图像的分割性能;通过引入残差网络,同等层数的前提下收敛得更快,同时,很好地解决了深度神经网络的退化问题,使得神经网络可以采用更深的设计;在中间层进行空洞卷积处理,通过设置不同的膨胀系数以获取不同的感受野,在扩大感受野的同时保证图像特征的分辨率,有利于保留完整的空间信息,减小了过拟合的风险。
进一步地,所述根据所述样本数据集合,对所述多尺度特征语义分割模型进行训练,得到最优多尺度特征语义分割模型,包括:
遍历所述样本数据集合,根据预设的批次大小,依次从所述样本数据集合中获取一批次的样本数据;
将所述一批次的样本数据中的各样本数据的样本影像输入最新的多尺度特征语义分割模型,得到各样本数据对应的n个概率特征图以及最终概率特征图;
根据同一样本数据对应的n个概率特征图以及所述同一样本数据中的标签,通过预设的损失函数,计算所述同一样本数据对应的损失值;
根据一样本数据对应的最终概率特征图以及所述一样本数据中的标签,计算所述一样本数据对应的交并比;
当遍历完所述样本数据集合后,计算所述样本数据集合中的各样本数据对应的损失值的平均值,作为本次训练的损失率,并计算所述样本数据集合中的各样本数据对应的交并比的平均值,作为本次训练的交并比;
若本次训练的交并比大于上一次训练的交并比,则根据本次训练的损失率,通过反向传播算法更新最新的多尺度特征语义分割模型,并将更新后的多尺度特征语义分割模型作为最新的多尺度特征语义分割模型;
获取最新的连续第一次数的训练的损失率中的最大值和最小值,当所述最大值与所述最小值的差值小于预设的损失阈值,或训练次数达到预设的训练次数阈值,则将最新的多尺度特征语义分割模型作为最优多尺度特征语义分割模型。
进一步地,所述根据同一样本数据对应的n个概率特征图以及所述同一样本数据中的标签,通过预设的损失函数,计算所述同一样本数据对应的损失值,包括:
若i小于或等于预设的阶数阈值,则根据预设的低阶损失函数,计算所述同一样本数据对应的第i阶概率特征图的损失值;
若i大于预设的阶数阈值,则根据预设的高阶损失函数,计算所述同一样本数据对应的第i阶概率特征图的损失值;
根据预设的损失权重,对所述同一样本数据对应的n个概率特征图的损失值进行加权求和,得到所述同一样本数据对应的损失值;
其中,所述低阶损失函数为
所述高阶损失函数为
m为概率特征图和标签中的像素点总数,pi’表示概率特征图中第i个像素点为道路的概率,pi表示标签中第i个像素点的像素值。
由上述描述可知,通过混合使用低阶损失函数Cross Entropy Loss和高阶损失函数Jaccard Loss来计算损失值,可更好地保持特征细节信息,从而更好地指导下一步的训练向正确的方向进行,增强了模型的可靠性。
进一步地,所述根据一样本数据对应的最终概率特征图以及所述一样本数据中的标签,计算所述一样本数据对应的交并比,包括:
根据交并比计算公式,计算所述一样本数据对应的交并比,所述交并比计算公式为
其中,m为最终概率特征图和标签中的像素点总数,qi表示最终概率特征图中第i个像素点为道路的概率,pi表示标签中第i个像素点的像素值。
由上述描述可知,交并比表示的是预测正确的像素点个数占实际道路的像素点总个数的比例,依据交并比确定下一次训练所使用的模型,可保证训练向正确的方向进行。
进一步地,所述根据所述输电线路信息中同一输电线路的输电线路点位编号、点位经度、点位纬度和安全距离,确定所述同一输电线路的输电线路缓冲区,包括:
根据同一输电线路的各点位的点位经度和点位纬度,确定所述同一输电线路的各点位的位置;
根据所述同一输电线路的各点位的输电线路点位编号,依次连接所述同一输电线路的各点位,生成输电线路;
以所述输电线路为中心线,以所述同一输电线路的安全距离为缓冲距离,确定所述同一输电线路的输电线路缓冲区。
进一步地,所述根据所述道路矢量化提取结果和所述输电线路缓冲区,确定线路交叉跨越区,包括:
对所述道路矢量化提取结果和所述输电线路缓冲区进行叠加分析,确定重合区,将所述重合区作为线路交叉跨越区。
由上述描述可知,通过矢量图层间的叠加分析,可快速确定重合区,从而快速确定线路交叉跨越区。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的方法。
实施例一
请参照图2-图5,本发明的实施例一为:一种线路交叉跨越区识别方法,本方法基于遥感影像的深度学习,可为输电走廊规划及线路安全提供保障。
如图2所示,包括如下步骤:
S1:获取遥感影像,并对所述遥感影像进行预处理,得到高分辨率遥感图像,所述预处理包括辐射定标、大气校正、正射校正以及真彩色变换处理。
遥感数据具备时效性高、覆盖面广、不易受环境影响、监测自动化、监测成本低等优势,为道路提取及交叉跨越区提取提供了稳定的数据源。
S2:根据所述高分辨率遥感图像,获取样本数据集合,其中,每个样本数据均包括样本影像及其对应标签,该标签为二值图像,像素值为1的像素点表示道路,像素值为0的像素点表示背景。
具体地,根据预设的样方框,在高分辨率遥感图像中选取样本区域,并对样本区域中的道路进行标绘,得到道路矢量样本;然后对道路矢量样本进行栅格化,生成对应的样本标签,在样本标签中,对应道路的像素点的像素值为1,对应背景的像素点的像素值为0;最后对样本区域及其对应的样本标签进行随机裁剪以及样本增强处理,生成样本数据集合。其中,样本增强处理包括仿射变换、翻转、旋转、亮度增强、添加噪声等。
S3:构建多尺度特征语义分割模型。
如图3所示,本实施例中,多尺度特征语义分割模型包括编码层、中间层和解码层;编码层包括一个卷积层和n个池化残差模块,每个池化残差模块包括一个池化层和一个残差网络;解码层包括n个特征融合模块、n个卷积反卷积模块和一个加权叠加模块,n个特征融合模块和n个卷积反卷积模块一一对应。其中,n为预设的数量;在实际应用中,可根据样本影像的大小确定n的取值。本实施例中,样本影像的大小为224×224,由RGB三个波段构成,n=4。
如图4所示,每个残差网络均由3个残差块构成,每个残差块对输入的特征图依次进行两次卷积处理(卷积核大小为k×k,本实施例中,对应输入的三组特征图的卷积核大小分别为3×3、5×5和7×7)生成残差项,并采用跳层连接的形式,将输入特征图进行1×1卷积处理后与残差项进行叠加输出,再将输出结果输入下一个残差块进行相同处理。这不仅可使上一个残差块的信息没有阻碍地流入到下一个残差块,提高了信息流通,并且也避免了由于网络过深所引起的消失梯度问题和退化问题。
结合图3-图4所示,所述卷积层,用于分别根据三种预设大小的卷积核,对输入的样本影像进行卷积处理,得到与所述三种预设大小的卷积核一一对应的三组特征图,并将所述三组特征图输出至池化层。本实施例中,三个卷积核的大小分别为3×3、5×5和7×7。通过三种不同尺度的卷积核,扩大特征图的感受野,实现在每个特征级别的阶段,学习不同尺度下影像的语义信息。
所述池化层,用于根据预设的下采样倍数,分别对输入的三组特征图进行下采样,并将下采样后的三组特征图输出至同一池化残差模块中的残差网络中的第一个残差块。本实施例中,下采样倍数为4;通过最大池化处理不断下采样,减少网络参数并逐渐降低空间维度,提高图像特征的鲁棒性。
所述残差块,用于分别根据输入的三组特征图对应的预设大小的卷积核,对输入的三组特征图进行两次卷积处理,得到与三组特征图一一对应的第一卷积结果;根据大小为1×1的卷积核,分别对输入的三组特征图进行卷积处理,得到与三组特征图一一对应的三组第二卷积结果;将对应同一组特征图的第一卷积结果和第二卷积结果进行叠加,得到残差处理后的所述同一组特征图;若所述残差块为残差网络中的第一个或第二个残差块,则将残差处理后的三组特征图输出至同一残差网络中的下一残差块;若所述残差块为前n-1个池化残差模块中的残差网络中的第三个残差块,则将残差处理后的三组特征图输出至下一池化残差模块中的池化层以及编码层;若所述残差块为第n个池化残差模块中的残差网络中的第三个残差块,则将残差处理后的三组特征图输出至中间层和编码层。
所述中间层,用于分别对编码层输出的三组特征图依次进行四次空洞卷积处理,三组特征图对应的卷积核大小分别为3×3、5×5和7×7,四次空洞卷积处理的膨胀系数分别为预设的第一膨胀系数、预设的第二膨胀系数、预设的第三膨胀系数以及预设的第四膨胀系数(本实施例中,四个膨胀系数分别为1、2、4、8),最后将对应同一卷积核的特征图每次空洞卷积处理的结果进行叠加,得到三组融合特征图。
中间层在扩大感受野的同时不会降低特征的分辨率,以帮助解码层更好地修复目标的细节,提高提取精度。
所述解码层中的第i个特征融合模块,用于根据预设的上采样倍数,对三组第n+2-i阶叠加特征图进行上采样,并将上采样后的三组第n+2-i阶叠加特征图与第n+1-i个池化残差模块中的残差网络输出的三组特征图一一对应地进行叠加,得到三组第n+1-i阶叠加特征图,其中,将所述三组融合特征图作为三组第n+1阶叠加特征图;
第i个卷积反卷积模块,用于分别对三组第n+1-i阶叠加特征图依次进行一次第一卷积运算、n-i次反卷积运算以及一次第二卷积运算,得到三组初始概率特征图,并对所述三组初始概率特征图进行加权叠加,得到第n+1-i阶概率特征图;其中,第一卷积运算中对应三组第n+1-i阶叠加特征图的卷积核分别为所述三种预设大小的卷积核(本实施例中即3×3、5×5和7×7),反卷积运算的步长为2,卷积核为k(本实施例中k=3、5、7),第二卷积运算的卷积核的大小为1;
加权叠加模块,用于对n个卷积反卷积模块输出的n个概率特征图进行加权叠加,得到最终概率特征图,即对第一阶概率特征图至第n阶概率特征图进行加权叠加,各概率特征图的权重一样,均为1/n,得到最终概率特征图。
解码层通过对中间层输出的三组融合特征图进行上采样操作来恢复特征图的分辨率,并与编码层输出的同阶特征图进行特征融合,再经过卷积、反卷积运算,得到三组初始概率特征图,接着对这三组初始概率特征图进行特征加权,得到该阶概率特征图。最后对各阶概率特征图进行加权叠加,得到最终概率特征图。
本实施例中,大小为224×224×3的样本影像输入至多尺度特征语义分割模型后,多尺度特征语义分割模型的编码层先通过大小分别为3×3、5×5和7×7的三个卷积核进行卷积处理,得到大小均为224×224×64的三组特征图。
然后通过第一个池化层对这三组特征图进行第一次下采样(下采样倍数为4),第一次下采样后的三组特征图的大小均为112×112×64;接着通过第一个残差网络对第一次下采样后的三组特征图进行处理,第一个残差网络输出的三组特征图的大小均为112×112×64。
然后通过第二个池化层对第一个残差网络输出的三组特征图进行第二次下采样,第二次下采样后的三组特征图的大小均为56×56×64;接着通过第二个残差网络对第二次下采样后的三组特征图进行处理,第二个残差网络输出的三组特征图的大小均为56×56×128。
然后通过第三个池化层对第二个残差网络输出的三组特征图进行第三次下采样,第三次下采样后的三组特征图的大小均为28×28×128;接着通过第三个残差网络对第三次下采样后的三组特征图进行处理,第三个残差网络输出的三组特征图的大小均为28×28×256。
然后通过第四个池化层对第三个残差网络输出的三组特征图进行第四次下采样,第四次下采样后的三组特征图的大小均为14×14×256;接着通过第四个残差网络对第四次下采样后的三组特征图进行处理,第四个残差网络输出的三组特征图的大小均为14×14×512。
第四个残差网络输出的三个特征图会输出至中间层,同时,四个残差网络输出的特征图会一一对应地输出至解码层的四个特征融合模块。
中间层根据预设的第一膨胀系数(本实施例中第一膨胀系数为1),分别对输入的三组特征图进行空洞卷积处理,得到三组第一膨胀特征图;根据预设的第二膨胀系数(本实施例中第二膨胀系数为2),分别对三组第一膨胀特征图进行空洞卷积处理,得到三组第二膨胀特征图;根据预设的第三膨胀系数(本实施例中第三膨胀系数为4),分别对三组第二膨胀特征图进行空洞卷积处理,得到三组第三膨胀特征图;根据预设的第四膨胀系数(本实施例中第四膨胀系数为8),分别对三组第三膨胀特征图进行空洞卷积处理,得到三组第四膨胀特征图。然后将同一组特征图对应的第一膨胀特征图、第二膨胀特征图、第三膨胀特征图和第四膨胀特征图进行叠加,得到同一组特征图对应的融合特征图,从而得到三组特征图对应的三组融合特征图。其中,三组第一膨胀特征图、三组第二膨胀特征图、三组第三膨胀特征图、三组第四膨胀特征图和三组融合特征图的大小均为14×14×512。最后将三组融合特征图输出至解码层中的第一个特征融合模块。
解码层中的第一个特征融合模块根据预设的上采样倍数(本实施例中,上采样的倍数为4),对三组融合特征图进行上采样,并将上采样后的三组融合特征图与第四个残差网络输出的三组特征图一一对应地进行叠加,得到三组第四阶叠加特征图,最后将三组第四阶叠加特征图输出至第一个卷积反卷积模块和第二个特征融合模块。
第一个卷积反卷积模块分别对三组第四阶叠加特征图进行一次k×k卷积运算,再进行三次步长为2、卷积核为k的反卷积运算,接着进行一次卷积核为1的卷积运算,得到三组初始概率特征图,其中,三组第四阶叠加特征图对应的k分别为3、5、7;最后对这三组初始概率特征图进行加权叠加,权重分别为1/3,得到第四阶概率特征图。
第二个特征融合模块对三组第四阶叠加特征图进行四倍上采样,并将上采样后的三组第四阶叠加特征图与第三个残差网络输出的三组特征图一一对应地进行叠加,得到三组第三阶叠加特征图,最后将三组第三阶叠加特征图输出至第二个卷积反卷积模块和第三个特征融合模块。
第二个卷积反卷积模块分别对三组第三阶叠加特征图进行一次k×k卷积运算,再进行两次步长为2、卷积核为k的反卷积运算,接着进行一次卷积核为1的卷积运算,得到三组初始概率特征图,其中,三组第三阶叠加特征图对应的k分别为3、5、7;最后对这三组初始概率特征图进行加权叠加,权重分别为1/3,得到第三阶概率特征图。
第三个特征融合模块对三组第三阶叠加特征图进行四倍上采样,并将上采样后的三组第三阶叠加特征图与第二个残差网络输出的三组特征图一一对应地进行叠加,得到三组第二阶叠加特征图,最后将三组第二阶叠加特征图输出至第三个卷积反卷积模块和第四个特征融合模块。
第三个卷积反卷积模块分别对三组第二阶叠加特征图进行一次k×k卷积运算,再进行一次步长为2、卷积核为k的反卷积运算,接着进行一次卷积核为1的卷积运算,得到三组初始概率特征图,其中,三组第二阶叠加特征图对应的k分别为3、5、7;最后对这三组初始概率特征图进行加权叠加,权重分别为1/3,得到第二阶概率特征图。
第四个特征融合模块对三组第二阶叠加特征图进行四倍上采样,并将上采样后的三组第二阶叠加特征图与第一个残差网络输出的三组特征图一一对应地进行叠加,得到三组第一阶叠加特征图,最后将三组第一阶叠加特征图输出至第四个卷积反卷积模块。
第四个卷积反卷积模块分别对三组第一阶叠加特征图进行一次k×k卷积运算,再进行一次卷积核为1的卷积运算,得到三组初始概率特征图,其中,三组第一阶叠加特征图对应的k分别为3、5、7;最后对这三组初始概率特征图进行加权叠加,权重分别为1/3,得到第一阶概率特征图。
最后,加权叠加模块对四个卷积反卷积模块输出的四个概率特征图进行加权叠加,即对第一阶概率特征图、第二阶概率特征图、第三阶概率特征图和第四阶概率特征图进行加权叠加,各概率特征图的权重均为1/4,得到最终概率特征图。
S4:根据所述样本数据集合,对所述多尺度特征语义分割模型进行训练,得到最优多尺度特征语义分割模型。
具体地,如图5所示,包括如下步骤:
S401:遍历样本数据集合,根据预设的批次大小,依次从所述样本数据集合中获取一批次的样本数据,作为当前批次样本数据。本实施例中,批次大小为16-32。
S402:将当前批次样本数据中的各样本数据的样本影像输入最新的多尺度特征语义分割模型,得到各样本数据对应的n个概率特征图以及最终概率特征图,其中,n个概率特征图即第一阶概率特征图至第n阶概率特征图。
S403:分别根据各样本数据对应的n个概率特征图以及各样本数据的标签,计算各样本数据对应的损失值。
具体地,对于低阶概率特征图,采用低阶损失函数计算其损失值,以保持细节信息;对于高阶概率特征图,采用高阶损失函数计算其损失值,以提取语义特征。其中,若i小于或等于预设的阶数阈值,则认为第i阶概率特征图为低阶概率特征图,若i大于预设的阶数阈值,则认为第i阶概率特征图为高阶概率特征图。本实施例中,阶数阈值为1,即本实施例中,根据低阶损失函数,计算第一阶概率特征图的损失值,根据高阶损失函数,计算第二阶概率特征图、第三阶概率特征图和第四阶概率特征图的损失值。
所述低阶损失函数为:
所述高阶损失函数为:
其中,m为概率特征图和标签中的像素点总数,pi’表示概率特征图中第i个像素点为道路的概率,pi表示标签中第i个像素点的像素值。
通过上述方法,计算同一样本数据对应的n个概率特征图的损失值,并根据预设的损失权重进行加权求和,得到所述同一样本数据对应的损失值。
本实施例中,损失值的计算公式为:
Loss=λ1CEL+λ2JL1+λ3JL2+λ4JL3
其中,CEL为同一样本数据对应的第一阶概率特征图的损失值,JL1、JL2、JL3分别为第二阶概率特征图的损失值、第三阶概率特征图的损失值、第四阶概率特征图的损失值;λ1、λ2、λ3、λ4分别为预设的损失权重,本实施例中,λ1=λ2=λ3=λ4=0.25。
通过混合使用低阶损失函数Cross Entropy Loss和高阶损失函数Jaccard Loss来计算损失值,可更好地保持特征细节信息,从而更好地指导下一步的训练向正确的方向进行,增强了模型的可靠性。
S404:分别根据各样本数据对应的最终概率特征图以及各样本数据的标签,计算各样本数据对应的交并比。
具体地,交并比计算公式为:
其中,m为最终概率特征图和标签中的像素点总数,qi表示最终概率特征图中第i个像素点为道路的概率,pi表示标签中第i个像素点的像素值。
S405:当遍历完样本数据集合后,令训练次数加一,训练次数的初始值为0。
具体地,判断是否遍历完样本数据集合,若是,则表示样本数据集合中的每个样本数据均参与了一次训练,令训练次数epoch=epoch+1,epoch的初始值为0;若否,则表示样本数据集合中还有样本数据未参与训练,则重复执行步骤S401-S404,直至遍历完样本数据集合。
S406:计算样本数据集合中的各样本数据对应的损失值的平均值,作为本次训练的损失率,并计算样本数据集合中的各样本数据对应的交并比的平均值,作为本次训练的交并比。
S407:判断本次训练的交并比是否大于上一次训练的交并比,若是,则对本次训练所使用的多尺度特征语义分割模型进行更新以进行下一次训练,即执行步骤S408,若否,则不更新本次训练所使用的多尺度特征语义分割模型,继续使用本次训练所使用的多尺度特征语义分割模型进行下一次训练,然后执行步骤S409。
S408:根据本次训练的损失率,通过反向传播算法更新最新的多尺度特征语义分割模型,并将更新后的多尺度特征语义分割模型作为最新的多尺度特征语义分割模型。
S409:判断是否达到预设的训练终止条件,若是,则执行步骤S410,若否,则继续进行下一次训练,即返回执行步骤S401。
其中,训练终止条件为连续预设第一次数的训练的损失率无明显下降,即最新的连续预设第一次数的训练的损失率中的最大值和最小值之差小于预设的损失阈值,或训练次数达到预设的训练次数阈值。
本实施例中,第一次数为10,训练次数阈值为200,损失阈值为0.01,即获取最新的连续10次训练的损失率,如果这10个损失率中的最大值和最小值的差值小于0.01,或者训练次数达到了200次,则认为达到了训练终止条件,结束训练,反之则继续进行下一次的训练。
S410:将最新的多尺度特征语义分割模型作为最优多尺度特征语义分割模型。
S5:获取待识别遥感影像,并输入至最优多尺度特征语义分割模型,得到待识别遥感影像对应的最终概率特征图。
S6:根据预设的二值化阈值,对待识别遥感影像对应的最终概率特征图进行二值化处理,得到道路提取结果,并对所述道路提取结果进行矢量化处理,得到道路矢量化提取结果。
本实施例中,二值化阈值为0.5,即若最终概率特征图中的一像素点的像素值大于0.5,则判定该像素点为道路,将该像素点的像素值重新赋值为1,反之赋值为0。
S7:获取输电线路信息,并根据所述输电线路信息中同一输电线路的输电线路点位编号、点位经度、点位纬度和安全距离,确定所述同一输电线路的输电线路缓冲区。
具体地,构建输电线路信息库,该信息库中存储的内容包括输电线路编号、输电线路点位编号、点位经度、点位纬度、输电电压和安全距离等信息。
然后提取输电线路信息库中存储的信息,依据输电线路编号获取同一输电线路的多个点位信息,依据点位经度和点位纬度信息实现该输电线路的节点定位,依据输电线路点位编号实现点位自动连接,再以该条输电线路为中心线,以安全距离为缓冲距离,确定输电线路缓冲区。
步骤S7与步骤S1-S6可不分先后执行。
S8:根据所述道路矢量化提取结果和所述输电线路缓冲区,确定线路交叉跨越区。具体地,将输电线路缓冲区与道路矢量化提取结果进行叠加分析,提取图层重合区,即为线路交叉跨越区。
本实施例利用高分辨率遥感卫星影像数据(分辨率亚米级),基于深度学习技术实现道路提取,并自动将道路提取结果与输电线路进行叠加分析,进而实现线路交叉跨越区提取。在数据源方面,卫星遥感数据具备时效性高、覆盖面广、不易受环境影响、监测自动化、监测成本低等优势,采用高分辨率影像数据可缓解中低分辨率数据存在的“混合像元”问题及中低分辨率数据空间特征贫乏的问题。在道路提取方法方面,突破传统遥感面向像素、面向对象解译等手段的桎梏,通过构建多尺度特征语义分割模型,从原始数据中自动抽取特征,避免了昂贵的人工特征筛选及先验知识获取流程。
现有的语义分割模型(Unet等)虽然取得了较好的分类精度,但由于卷积核的大小往往是固定的,导致神经元的感知野被限制在图像的特定区域,不利于挖掘图像的空间上下文特征。而本实施例中的语义分割模型融合多尺度特征,更大限度、更深层次地挖掘数据本身的信息,为道路的高精度提取提供技术支撑。通过道路及输电线路矢量图层间的叠加分析,提取线路交叉跨越区,为输电走廊规划及线路安全提供保障。
针对城建库信息及监测端交通数据难以获取的问题,本实施例充分利用遥感数据实现道路提取,为道路信息数据的来源提供了新的可能;针对道路典型地物,通过构建多尺度特征语义分割模型,从原始数据中自动抽取特征,避免了昂贵的人工特征筛选及先验知识获取流程,同时,突破传统道路提取方法的桎梏,改进已有深度学习算法模型,更大限度、更深层次地挖掘数据本身的信息,为道路的高精度提取提供技术支撑,从而为线路交叉跨越区的高精度提取提供保障。
实施例二
本发明的实施例二提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的线路交叉跨越区识别方法实施例中的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
综上所述,本发明提供的一种线路交叉跨越区识别方法及计算机可读存储介质,通过采用遥感影像作为道路提取的数据源,由于卫星遥感数据具备时效性高、覆盖面广、不易受环境影响、监测自动化、监测成本低等优点,因此可解决城建库信息及监测端交通数据难以获取的问题;针对道路典型地物,通过构建多尺度特征语义分割模型,从原始数据中自动抽取特征,避免了昂贵的人工特征筛选及先验知识获取流程;在编码层通过多尺度卷积核扩大特征感受野,丰富了图像的特征,从全局的视角获取图像中的感兴趣特征信息进而提高图像的分割性能;通过引入残差网络,同等层数的前提下收敛得更快,同时,很好地解决了深度神经网络的退化问题,使得神经网络可以采用更深的设计;在中间层进行空洞卷积处理,通过设置不同的膨胀系数以获取不同的感受野,在扩大感受野的同时保证图像特征的分辨率,有利于保留完整的空间信息,减小了过拟合的风险。通过混合使用低阶损失函数Cross Entropy Loss和高阶损失函数Jaccard Loss来计算损失值,可更好地保持特征细节信息,从而更好地指导下一步的训练向正确的方向进行,增强了模型的可靠性。通过道路及输电线路矢量图层间的叠加分析,提取线路交叉跨越区,为输电走廊规划及线路安全提供保障。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等同变换,或直接或间接运用在相关的技术领域,均同理包括在本发明的专利保护范围内。