CN115641506A - 基于深度学习的拌合站遥感影像识别方法、系统及应用 - Google Patents

Abstract

本发明属于拌合站图像处理技术领域，公开了基于深度学习的拌合站遥感影像识别方法、系统及应用。该方法包括以下步骤：利用目标检测算法对拌合站样本数据训练，得到推理模型；利用推理模型对高分遥感影像进行拌合站检测；通过像素点坐标转换经纬度坐标获得拌合站坐标，获取拌合站定位信息。本发明提供的深度学习算法识别率能够达到90％以上，识别效果准确度高。拌合站在非城市地域通常为交通领域建筑，通过分析拌合站的密集程度可知附近有大量的交通设施在建设，对于后续的道路养护可以提供参考，并减少养护公司对该地区人员投入。替换拌合站，可以做地物提取，识别其他类型的建筑物，减少人工操作，提高效率。

Description

基于深度学习的拌合站遥感影像识别方法、系统及应用

技术领域

本发明属于拌合站图像处理技术领域，尤其涉及基于深度学习的拌合站遥感影像识别方法、系统及应用。

背景技术

遥感图像识别的大致经历了如下几个过程：传统基于象元的遥感图像识别方法，如最大似然法、K-Means均值法，但图像光谱亮度信息易受干扰，且这些不能挖掘整体信息，易产生“椒盐噪声”，现在只作为对比项或预处理方法使用；基于面向对象的遥感识别方法，虽然发挥了多边形对象属性特征丰富的优势，但易过分割或欠分割，且分割的尺度不容易确定；同样基于象元的图像语义分割成为了当今遥感图像识别的热门研究方向，其自学习能力和容错能力强的特点源自于深度学习，也奠定了如今成千上万分类方法的研究与实现。

不过深度学习方法的有效性也很大程度上取决于训练数据的丰富程度，大量的样本数据成为了研究必备条件。样本扩充可使用翻转等简单数据增强方法获得，也可以用生成对抗网络等机器学习方法进行图片合成来获得。另外，深度学习相关研究方法常常要求训练数据和测试数据特征分布相似，但在实际项目应用中这个要求很难达到，因此深度学习方法因其数据要求，很难在工程项目中被应用。迁移学习作为深度学习研究方法的分支，是目前的一大研究热点。

现有中国专利CN113537033A，公开日：2021年10月22日，公开了一种基于深度学习的建筑垃圾遥感影像识别方法，通过以下步骤实现：步骤一、对获取的遥感图像进行预处理，得到遥感图像数据集；步骤二、对遥感图像数据集样本进行扩充，在神经网络的第七层加入L2正则化惩罚项，利用扩充后的数据集对加入L2正则化惩罚项的网络模型进行训练，获取目标识别模型；步骤三、通过计算DeepLab的语义分割方法中真实值和预测值两个集合的交集和并集之mIOU比，实现语义分割算法的改进；步骤四、利用改进的识别模型以及算法进行图像识别。其技术缺陷在于：对于物体的定位信息研究较少。

目前公路系统相当部分的拌合站的具体建设位置信息不能及时、准确的掌握，从而一定程度影响生成效率。对于定位的问题，由于无线技术与行动装置的快速发展，许多应用与服务应运而生，例如通过具有定位功能的行动装置计算目前的所在地，以提供相对应的服务，比如寻找附近信息、导航、车辆管理等。而目前最知名的就是全球定位系统(GPS)，其通过太空中的卫星结合三角测量原理进行定位，故GPS需要与卫星保持通讯才能进行定位，因此当环境有过多遮蔽物时，则会影响GPS定位，所以GPS无法应用在室内环境中。因此有业者应用其他技术于室内定位，例如红外线、超音波、无线网络等，但这些技术有成本高、准确度不足等缺点。

现有中国专利CN106371061A，公开日：2017年02月01日，公开了定位信息建立方法及空间定位方法，一种定位信息建立方法，应用在一空间场域中，该空间场域设置有至少一定位装置；该方法包括：(A)一路径产生装置执行一路径产生模块，使根据该空间场域的一电子地图上设定的数个主节点，以至少两个主节点为端点，自动于该电子地图上产生至少一条路径；(B)一衍生节点产生装置执行一节点衍生模块，使根据该路径的两个主节点自动产生位于两个主节点之间的至少一衍生节点，且自动产生各该主节点及衍生节点的至少一节点信息并提供给一汇集服务器；(C)以至少一侦测装置根据步骤(B)产生的该电子地图及所述主节点和该衍生节点的该节点信息，通过该空间场域中与所述主节点和该衍生节点其中至少一节点对应之处，并与所述定位装置进行通讯、单向扫描或互相扫描，以获得与该至少一节点对应的一感测信息，并由该侦测装置或所述定位装置将该感测信息提供给该汇集服务器；及(D)该汇集服务器根据收到的所述感测信息及其相对应的各该节点信息，运算出该电子地图上至少一衍生节点对应的一感测信息并记录。上述专利的技术缺陷在于：对于信息存在规则不统一，位置点偏差较大时，缺乏通过坐标的转换进一步确定要定位物体的位置信息。

通过上述分析，现有技术存在的问题及缺陷为：

(1)现有技术在需要获取到各地建设所必须的拌合站的位置信息时，通过网络地图关键词检索得到的信息误差较大。

(2)目前网络地图拌合站位置点数据过多依赖用户自行上传，且用户上传信息存在规则不统一，位置点偏差较大，信息更新不及时，偏远地区数据较少等问题难以解决。

发明内容

为克服相关技术中存在的问题，本发明公开实施例提供了基于深度学习的拌合站遥感影像识别方法、系统及应用。

所述技术方案如下：该基于深度学习的拌合站遥感影像识别方法，包括以下步骤：

S1，利用目标检测算法对拌合站样本数据训练，得到推理模型；

S2，利用推理模型对高分遥感影像进行拌合站检测；

S3，通过像素点坐标转换经纬度坐标获得拌合站坐标，并获取拌合站定位信息。

在一个实施例中，在步骤S1前进行数据集的收集制作，使用遥感影像制作拌合站数据集；具体包括以下步骤：

(1)搜集不同传感器影像的拌合站影像数据集；

(2)将每种传感器在每个拌合站不同比例尺的样本图片作为正样本，与拌合站的相似建筑信息样本图片作为负样本；

(3)汇总生成的正负样本数据集，并对该数据集作标注。

在一个实施例中，在步骤S1中，得到推理模型包括：

1)将生成的已标注的数据集按照测试集，验证集，训练集随机划分；

2)配置好目标检测算法的运行环境，并将步骤1)划分的数据路径配置到train.py的文件路径下，运行该脚本进行模型推理并生成推理模型文件；

3)在步骤2)的基础上，动态调整epochs参数、batch-size参数、lr参数及样本数量，将训练出来的推理模型测试结果的准确率判断最优推理模型。

在一个实施例中，在步骤S2中，利用推理模型对高分遥感影像进行拌合站检测包括：

对高分遥感影像中的拌合站进行识别，将高分遥感影像以5km×5km切割，作为被预测数据，使产生的推理模型对切割的高分影像作拌合站识别。

在一个实施例中，所述对高分遥感影像中的拌合站进行识别具体包括以下步骤：

(i)将大范围的遥感影像切割成5km×5km的瓦片；

(ii)在目标检测算法的detect.py中配置生成的模型文件，配置切割的遥感影像使得该脚本读取到模型文件和遥感影像，并执行该脚本，输出遥感影像数据，对有拌合站的影像添加框选标识；

(iii)对识别有拌合站的遥感影像，目标检测算法自动输出每个拌合站的四个顶点像素点坐标，对没有拌合站遥感影像，目标检测算法不输出像素点坐标；

(iv)应用gdal工具编写代码对遥感影像读取左上角顶点的经度lon1，纬度lat1，影像的宽度w，影像的高度h，像素宽度unit_lon，像素高度unit_lat，x像素偏旋转值unit_lon_offset，y像素旋转值unit_lat_offset，并通过计算得到其他三个顶点的经纬度坐标及四个像素点坐标，计算公式如下：

左上经度＝lon1

左上纬度＝lat1

右下经度＝lon2＝lon1+w×unit_lon+h×unit_lat_offset

右下纬度＝lat2＝lat1+w×unit_lon_offset+h×unit_lat

其中，左上经度和左上纬度为已知数据。

在一个实施例中，在步骤S3中，通过像素点坐标转换经纬度坐标获得拌合站坐标包括：

(a)通过gdal工具读取，获取像素点坐标及经纬度坐标关系；

(b)像素坐标转经纬度公式中(w，h)，(lon1，lat1)，(x3，y3)，(x4，y4为获取的高分影像已知数据，(lon3，lat3)，(lon4，lat4)数据的计算公式如下：

lon3＝x3×unit_lon+lon1

lat3＝y3×unit_lat+lat1

lon4＝x4×unit_lon+lon1

lat4＝y4×unit_lat+lat1

(c)通过矩形中心点计算公式计算拌合站中心点坐标，矩形中心点计算公式为；

center_lon＝(lon3+lon4)×0.5

center_lat＝(lat3+lat4)×0.5。

本发明的另一目的在于提供一种实施所述基于深度学习的拌合站遥感影像识别方法的系统，该基于深度学习的拌合站遥感影像识别系统包括：

影像图片截取模块，使用遥感影像截取有拌合站目标的影像图片，并进行存储；

图片标注模块，利用图片标注软件对生成的图片作标注；

推理模型文件优化模块，利用目标检测算法对标注样本进行训练，并通过调参对比得到优化的推理模型文件；

小幅影像顶点经纬度坐标及像素点坐标获取模块，用于将大幅的高分影像按照5km×5km大小切割成小幅影像，同时通过编写算法计算得到小幅影像的四个顶点的经纬度坐标及四个顶点的像素点坐标；

拌合站小幅影像及像素点坐标输出模块，用于将得到的推理模型文件及生成的小幅影像作为原始输入，在目标检测算法中进行拌合站检测，输出被框选拌合站的影像，并输出框选拌合站矩形的四个像素点坐标；

拌合站四顶点经纬度坐标获取模块，用于由得到的小幅影像的四顶点经纬度坐标，四顶点像素点坐标，以及得到的拌合站四顶点像素点坐标，通过像素点坐标转经纬度坐标公式计算得到拌合站四顶点经纬度坐标；

拌合站坐标确定模块，用于通过矩形中心点计算公式得到的计算拌合站中心点坐标可视为拌合站坐标。

本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述基于深度学习的拌合站遥感影像识别方法。

本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行实施所述基于深度学习的拌合站遥感影像识别方法。

本发明的另一目的在于提供一种如所述基于深度学习的拌合站遥感影像识别方法在交通建设领域拌合站定位上的应用。

结合上述的所有技术方案，本发明所具备的优点及积极效果为：

第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。达到拌合站提取，并在地图上显示的效果之后：拌合站在非城市地域通常为交通领域建筑，通过分析拌合站的密集程度可知附近有大量的交通设施在建设，对于后续的道路养护可以提供参考，并减少养护公司对该地区人员投入。替换拌合站，可以做地物提取，识别其他类型的建筑物；

一般的“上图”是指将识别的建筑物在电子地图上展示出来。例如：在百度地图上搜索加油站，百度地图会将附近的加油站用红点的形式显示出来。而红点就是代表加油站。因此本发明利用“上图”，识别建筑物，并计算出该建筑物的经纬度，可将经纬度数据自动上传到电子地图上显示出来。该自动化过程减少人工操作，提高效率；对上图的其他建筑物进行空间数据分析，可得到对其他行业有益影响的结论。

第二、把技术方案看作一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：本发明利用目标检测算法对拌合站样本数据作训练得到推理模型，并用模型对高分遥感影像做拌合站检测，然后通过像素点坐标转换经纬度坐标获得拌合站坐标从而实现拌合站定位信息，避免了网络地图用户上传数据的诸多缺点。本发明提供的深度学习算法识别率能够达到90％以上，识别效果准确度高。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是本发明实施例提供的基于深度学习的拌合站遥感影像识别方法流程图；

图2是本发明实施例1提供的基于深度学习的拌合站遥感影像识别方法详细方案流程图；

图3是本发明实施例1提供的输出的结果为遥感影像上框选的拌合站效果图；

图4是本发明实施例提供的像素点坐标及经纬度坐标关系图；

图5是本发明实施例提供的基于深度学习的拌合站遥感影像识别方法原理图；

图6是本发明实施例提供的基于深度学习的拌合站遥感影像识别系统示意图；

图中：1、影像图片截取模块；2、图片标注模块；3、推理模型文件优化模块；4、小幅影像顶点经纬度坐标及像素点坐标获取模块；5、拌合站小幅影像及像素点坐标输出模块；6、拌合站四顶点经纬度坐标获取模块；7、拌合站坐标确定模块。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。

一、解释说明实施例：

如图1所示，本发明实施例提供的基于深度学习的拌合站遥感影像识别方法包括：

S101，利用目标检测算法对拌合站样本数据作训练得到推理模型；

S102，并用推理模型对高分遥感影像做拌合站检测；

S103，然后通过像素点坐标转换经纬度坐标获得拌合站坐标从而获取拌合站定位信息。

实施例1

如图2所示，本发明实施例提供的基于深度学习的拌合站遥感影像识别方法包括以下步骤：

S201：数据集的收集制作，使用遥感影像制作拌合站数据集。

(1)搜集不同传感器影像的拌合站影像数据集，传感器指的是卫星，不同传感器功能分辨率不同，所以拍出的遥感影像会有部分差异。比如国产高分二号卫星拍摄的遥感影像与谷歌卫星拍摄的遥感影像会有色差；

(2)每种传感器在每个拌合站点取1:25000，1:21000，1:18000，1:15000，1:12000比例尺的样本图片作为正样本；与拌合站的相似建筑信息样本图片作为负样本；

(3)汇总生成的正负样本数据集，并对该数据集作标注。

S202：算法调优及模型训练，使用目标检测算法对步骤(1)生成的数据集做训练，并生成推理模型。

1)将步骤S201生成的已标注的数据集按照测试集，验证集，训练集三类以1:1:8的比例随机划分三份；

2)配置好目标检测算法的运行环境，并将步骤1)划分的三份数据路径配置到train.py的文件路径下，运行该脚本进行模型推理并生成模型文件；

3)在步骤2)的基础上，调整样本数量及综合动态调优epochs、batch-size、lr参数，训练出检测结果准确率判断达到90％或更高的推理模型。

S203：对高分遥感影像中的拌合站进行识别，将高分遥感影像以5km×5km切割，作为被预测数据，使用步骤S202产生的推理模型对切割的高分影像做拌合站识别。

(i)将大范围的遥感影像切割成5km×5km的瓦片；

(ii)在目标检测算法的detect.py中配置步骤S202对步骤2)生成的模型文件，配置步骤1)切割的遥感影像使得该脚本能够读取到模型文件和遥感影像，并执行该脚本，输出遥感影像数据，对有拌合站的影像添加框选标识，产生的结果效果如图3所示；

(iii)对步骤(ii)识别有拌合站的遥感影像，目标检测算法自动输出每个拌合站的四个顶点像素点坐标，对没有拌合站的遥感影像，目标检测算法不会对像素点坐标有任何输出；

(iv)应用gdal工具编写代码对步骤(i)的遥感影像读取左上角顶点的经纬度(lon1，lat1)，影像的宽高(w，h)，像素宽度unit_lon，像素高度unit_lat，x像素偏旋转值unit_lon_offset(图像朝北x像素旋转值为0)，y像素旋转值unit_lat_offset(图像朝北y像素旋转值为0)，并通过计算得到其他三个顶点的经纬度坐标及四个像素点坐标，计算公式如下：

左上经度＝lon1

左上纬度＝lat1

右下经度＝lon2＝lon1+w×unit_lon+h×unit_lat_offset

右下纬度＝lat2＝lat1+w×unit_lon_offset+h×unit_lat

其中，左上经度和左上纬度为已知数据。

S204：对识别的影像的四个像素点进行经纬度换算。

(a)像素点坐标及经纬度坐标关系如图4所示；其中结合图3可以理解为：以图像左上顶点为原点(0，0)的坐标系，图像位于坐标系的第四象限。其中以x，y为前缀的符号代表像素坐标，以lon，lat为前缀或后缀的符号代表经纬度坐标。w，h代表已知图像的以像素点为单位的宽和高。

(b)像素坐标转经纬度公式，其中(w,h),(lon1,lat1),(x3,y3),(x4,y4)为步骤S203第(iv)步获取的高分影像已知数据，(lon3,lat3),(lon4,lat4)本步骤所求数据，计算公式如下：

lon3＝x3×unit_lon+lon1

lat3＝y3×unit_lat+lat1

lon4＝x4×unit_lon+lon1

lat4＝y4×unit_lat+lat1

(c)通过矩形中心点计算公式计算拌合站中心点坐标，矩形中心点计算公式为；

center_lon＝(lon3+lon4)×0.5

center_lat＝(lat3+lat4)×0.5。

S205：将步骤S204计算得到的拌合站经纬度上图即可。

实施例2

如图5所示，本发明另一实施例提供的基于深度学习的拌合站遥感影像识别方法包括以下步骤：

步骤1：使用遥感影像截取有拌合站目标的影像图片，以jpg格式存储。

步骤2：用图片标注软件对步骤1生成的图片作标注。

步骤3：使用可以正常运行的目标检测算法对标注样本进行训练，并通过多次调参对比得到优化的推理模型文件。

步骤4：将大幅的高分影像按照5km×5km大小切割成小幅影像，同时通过编写算法计算得到小幅影像的四个顶点的经纬度坐标及四个顶点的像素点坐标。

步骤5：将步骤3得到的推理模型文件及步骤4生成的小幅影像作为原始输入，在目标检测算法中进行拌合站检测，输出被框选拌合站的影像，并输出框选拌合站矩形的四个像素点坐标。

步骤6：由步骤4得到的小幅影像的四顶点经纬度坐标，四顶点像素点坐标，步骤5得到的拌合站四顶点像素点坐标，通过像素点坐标转经纬度坐标公式计算得到拌合站四顶点经纬度坐标。

步骤7：通过矩形中心点计算公式得到的计算拌合站中心点坐标可视为拌合站坐标。

实施例3

如图6所示，本发明实施例提供的基于深度学习的拌合站遥感影像识别系统包括：

影像图片截取模块1，用于使用遥感影像截取有拌合站目标的影像图片，以jpg格式存储。

图片标注模块2，利用图片标注软件对生成的图片作标注。

推理模型文件优化模块3，用于使用可以正常运行的目标检测算法对标注样本进行训练，并通过多次调参对比得到优化的推理模型文件。

小幅影像顶点经纬度坐标及像素点坐标获取模块4，用于将大幅的高分影像按照5km×5km大小切割成小幅影像，同时通过编写算法计算得到小幅影像的四个顶点的经纬度坐标及四个顶点的像素点坐标。

拌合站小幅影像及像素点坐标输出模块5，用于将得到的推理模型文件及生成的小幅影像作为原始输入，在目标检测算法中进行拌合站检测，输出被框选拌合站的影像，并输出框选拌合站矩形的四个像素点坐标。

拌合站四顶点经纬度坐标获取模块6，用于由得到的小幅影像的四顶点经纬度坐标，四顶点像素点坐标，以及得到的拌合站四顶点像素点坐标，通过像素点坐标转经纬度坐标公式计算得到拌合站四顶点经纬度坐标。

拌合站坐标确定模块7，用于通过矩形中心点计算公式得到的计算拌合站中心点坐标可视为拌合站坐标。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

上述装置/单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

二、应用实施例：

应用例1

本发明应用实施例提供了一种计算机设备，该计算机设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。

应用例2

本发明应用实施例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存储有计算机程序，所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。

应用例3

本发明应用实施例还提供了一种信息数据处理终端，所述信息数据处理终端用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤，所述信息数据处理终端不限于手机、电脑、交换机。

应用例4

本发明应用实施例还提供了一种服务器，所述服务器用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤。

应用例5

本发明应用实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行时可实现上述各个方法实施例中的步骤。

所述集成的单元如果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，本发明实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。

以上所述，仅为本发明较优的具体的实施方式，但本发明的保护范围并不局限于此，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，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于深度学习的拌合站遥感影像识别方法，其特征在于，该方法包括以下步骤：

S1，利用目标检测算法对拌合站样本数据训练，得到推理模型；

S2，利用推理模型对高分遥感影像进行拌合站检测；

S3，通过像素点坐标转换经纬度坐标获得拌合站坐标，并获取拌合站定位信息。

2.根据权利要求1所述的基于深度学习的拌合站遥感影像识别方法，其特征在于，在步骤S1前进行数据集的收集制作，使用遥感影像制作拌合站数据集；具体包括以下步骤：

(1)搜集不同传感器影像的拌合站影像数据集；

(2)将每种传感器在每个拌合站不同比例尺的样本图片作为正样本，与拌合站的相似建筑信息样本图片作为负样本；

(3)汇总生成的正负样本数据集，并对该数据集作标注。

3.根据权利要求1所述的基于深度学习的拌合站遥感影像识别方法，其特征在于，在步骤S1中，得到推理模型包括：

1)将生成的已标注的数据集按照测试集，验证集，训练集随机划分；

2)配置好目标检测算法的运行环境，并将步骤1)划分的数据路径配置到train.py的文件路径下，运行该脚本进行模型推理并生成推理模型文件；

3)在步骤2)的基础上，动态调整epochs参数、batch-size参数、lr参数及样本数量，将训练出来的推理模型测试结果的准确率判断最优推理模型。

4.根据权利要求1所述的基于深度学习的拌合站遥感影像识别方法，其特征在于，在步骤S2中，利用推理模型对高分遥感影像进行拌合站检测包括：

对高分遥感影像中的拌合站进行识别，将高分遥感影像以5km×5km切割，作为被预测数据，使产生的推理模型对切割的高分影像作拌合站识别。

5.根据权利要求4所述的基于深度学习的拌合站遥感影像识别方法，其特征在于，所述对高分遥感影像中的拌合站进行识别具体包括以下步骤：

(i)将大范围的遥感影像切割成5km×5km的瓦片；

(ii)在目标检测算法的detect.py中配置生成的模型文件，配置切割的遥感影像使得该脚本读取到模型文件和遥感影像，并执行该脚本，输出遥感影像数据，对有拌合站的影像添加框选标识；

(iii)对识别有拌合站的遥感影像，目标检测算法自动输出每个拌合站的四个顶点像素点坐标，对没有拌合站遥感影像，目标检测算法不输出像素点坐标；

(iv)应用gdal工具编写代码对遥感影像读取左上角顶点的经度lon1，纬度lat1，影像的宽度w，影像的高度h，像素宽度unit_lon，像素高度unit_lat，x像素偏旋转值unit_lon_offset，y像素旋转值unit_lat_offset，并通过计算得到其他三个顶点的经纬度坐标及四个像素点坐标，计算公式如下：

左上经度＝lon1

左上纬度＝lat1

右下经度＝lon2＝lon1+w×unit_lon+h×unit_lat_offset

右下纬度＝lat2＝lat1+w×unit_lon_offset+h×unit_lat

其中，左上经度和左上纬度为已知数据。

6.根据权利要求1所述的基于深度学习的拌合站遥感影像识别方法，其特征在于，在步骤S3中，通过像素点坐标转换经纬度坐标获得拌合站坐标包括：

(a)通过gdal工具读取，获取像素点坐标及经纬度坐标关系；

(b)像素坐标转经纬度公式，其中(w，h)，(lon1，lat1)，(x3，y3)，(x4，y4)为获取的高分影像已知数据，(lon3，lat3)，(lon4，lat4)数据的计算公式如下：

lon3＝x3×unit_lon+lon1

lat3＝y3×unit_lat+lat1

lon4＝x4×unit_lon+lon1

lat4＝y4×unit_lat+lat1

(c)通过矩形中心点计算公式计算拌合站中心点坐标，矩形中心点计算公式为；

center_lon＝(lon3+lon4)×0.5

center_lat＝(lat3+lat4)×0.5。

7.一种实施权利要求1-6任意一项所述基于深度学习的拌合站遥感影像识别方法的系统，其特征在于，该基于深度学习的拌合站遥感影像识别系统包括：

影像图片截取模块(1)，使用遥感影像截取有拌合站目标的影像图片，并进行存储；

图片标注模块(2)，利用图片标注软件对生成的图片作标注；

推理模型文件优化模块(3)，利用目标检测算法对标注样本进行训练，并通过调参对比得到优化的推理模型文件；

小幅影像顶点经纬度坐标及像素点坐标获取模块(4)，用于将大幅的高分影像按照5km×5km大小切割成小幅影像，同时通过编写算法计算得到小幅影像的四个顶点的经纬度坐标及四个顶点的像素点坐标；

拌合站小幅影像及像素点坐标输出模块(5)，用于将得到的推理模型文件及生成的小幅影像作为原始输入，在目标检测算法中进行拌合站检测，输出被框选拌合站的影像，并输出框选拌合站矩形的四个像素点坐标；

拌合站四顶点经纬度坐标获取模块(6)，用于由得到的小幅影像的四顶点经纬度坐标，四顶点像素点坐标，以及得到的拌合站四顶点像素点坐标，通过像素点坐标转经纬度坐标公式计算得到拌合站四顶点经纬度坐标；

拌合站坐标确定模块(7)，用于通过矩形中心点计算公式得到的计算拌合站中心点坐标可视为拌合站坐标。

8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1-6任意一项所述基于深度学习的拌合站遥感影像识别方法。

9.一种计算机可读存储介质，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，使得所述处理器执行权利要求1-6任意一项所述基于深度学习的拌合站遥感影像识别方法。

10.一种如权利要求1-6任意一项所述基于深度学习的拌合站遥感影像识别方法在交通建设领域拌合站定位上的应用。

Images