CN116935232A - 海上风力设备的遥感图像处理方法和装置、设备和介质 - Google Patents
海上风力设备的遥感图像处理方法和装置、设备和介质 Download PDFInfo
- Publication number
- CN116935232A CN116935232A CN202311187726.6A CN202311187726A CN116935232A CN 116935232 A CN116935232 A CN 116935232A CN 202311187726 A CN202311187726 A CN 202311187726A CN 116935232 A CN116935232 A CN 116935232A
- Authority
- CN
- China
- Prior art keywords
- image
- training
- frame
- recognition model
- initial
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 132
- 238000001514 detection method Methods 0.000 claims abstract description 73
- 238000002372 labelling Methods 0.000 claims abstract description 33
- 238000012360 testing method Methods 0.000 claims description 47
- 238000012545 processing Methods 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012805 post-processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
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
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Abstract
本实施例公开了一种海上风力设备的遥感图像处理方法和装置、设备和介质，应用于图像识别领域。包括：获取训练图像集和待训练的初始识别模型，待训练的初始识别模型为YOLO模型，训练图像集包括多帧训练图像，多帧训练图像中的各帧训练图像均包括目标对象的标注信息，各帧训练图像均由合成孔径雷达采集得到，目标对象为海上风力设备；将各帧训练图像输入待训练的初始识别模型，分别得到各帧训练图像的预测信息；基于各帧训练图像的标注信息和预测信息，确定损失函数值；基于损失函数值调整待训练的初始识别模型的模型参数，直至满足训练停止条件，得到目标识别模型；利用目标识别模型对由合成孔径雷达采集的待检测图像进行识别，得到检测结果。
Description
技术领域
本发明涉及图像识别技术，尤其是一种海上风力设备的遥感图像处理方法和装置、设备和介质。
背景技术
由于海上风力发电设施位于海上，易受云雨雾等因素影像，不适宜使用光学卫星进行提取。合成孔径雷达具有全天候工作能力，射频辐射不受云，降水或其他大气条件的明显影响，因此不受气候和云雾限制，可以在任何天气条件下工作。现有技术中，合成孔径雷达成像技术比较繁琐，使得合成孔径雷达的图像数据后处理难度稍大，往往需要大量的人力和物力。
发明内容
本发明实施例提供一种方法和装置、电子设备和存储介质，以解决上述问题。
本发明实施例的一个方面，提供了一种海上风力设备的遥感图像处理方法，包括：获取训练图像集和待训练的初始识别模型，其中，所述待训练的初始识别模型为YOLO模型，所述训练图像集包括多帧训练图像，所述多帧训练图像中的各帧训练图像均包括目标对象的标注信息，所述各帧训练图像均由合成孔径雷达采集得到，所述目标对象为海上风力设备；将所述各帧训练图像输入所述待训练的初始识别模型，分别得到所述各帧训练图像的预测信息；基于所述各帧训练图像的标注信息和预测信息，确定损失函数值；基于所述损失函数值调整所述待训练的初始识别模型的模型参数，直至满足训练停止条件，得到目标识别模型；利用所述目标识别模型对由所述合成孔径雷达采集的待检测图像进行识别，得到检测结果，其中，所述检测结果包括所述待检测图像中是否包括所述目标对象。
在一些可选实施方式中，本发明实施例中的所述获取训练图像集，包括：利用所述合成孔径雷达采集多帧初始图像，其中，所述多帧初始图像中的各帧初始图像均包括目标对象；针对所述各帧初始图像，提取所述初始图像中包括目标对象的目标区域；对所述初始图像的目标区域进行图像预处理和目标对象标注，得到训练图像；基于所述各帧初始图像得到的训练图像构建训练图像集。
在一些可选实施方式中，本发明实施例中的所述对所述初始图像的目标区域进行图像预处理和目标对象标注，得到训练图像，包括：对所述目标区域进行去噪和裁剪处理，得到所述初始训练图像。
在一些可选实施方式中，本发明实施例中的所述待训练的初始识别模型包括：输入层、Backone层、Neck层和输出层。
在一些可选实施方式中，本发明实施例还包括：获取测试图像集，其中，所述测试图像集包括多帧测试图像，所述多帧测试图像中的各帧测试图像均包括所述目标对象的标注信息，所述各帧测试图像均由合成孔径雷达采集得到；将所述各帧测试图像输入所述目标识别模型，由所述目标识别模型输出所述各帧测试图像的检测结果；基于所述各帧测试图像的检测结果和标注信息，确定所述目标识别模型的检测精确度。
在一些可选实施方式中，本发明实施例中的所述利用所述目标识别模型对待检测图像进行识别，得到检测结果，其中，所述结果包括所述待检测图像中是否包括所述目标对象，包括：将所述待检测图像输入所述目标识别模型；利用所述目标识别模型对所述待检测图像进行检测，得到所述检测结果。
在一些可选实施方式中，本发明实施例还包括：响应于所述检测结果指示所述待检测图像包括目标对象，对所述待检测图像和所述检测结果进行矢量化处理，得到矢量图像；提取所述矢量图像中的所述目标对象，并在终端显示所述目标对象。
本发明实施例的另一个方面，提供了一种海上风力设备的遥感图像处理装置，包括：第一获取模块，用于获取训练图像集和待训练的初始识别模型，其中，所述待训练的初始识别模型为YOLO模型，所述训练图像集包括多帧训练图像，所述多帧训练图像中的各帧训练图像均包括目标对象的标注信息，所述各帧训练图像均由合成孔径雷达采集得到，所述目标对象为海上风力设备；第一输入模块，用于将所述各帧训练图像输入所述待训练的初始识别模型，分别得到所述各帧训练图像的预测信息；第一确定模块，用于基于所述各帧训练图像的标注信息和预测信息，确定损失函数值；训练模块，用于基于所述损失函数值调整所述待训练的初始识别模型的模型参数，直至满足训练停止条件，得到目标识别模型；识别模块，用于利用所述目标识别模型对由所述合成孔径雷达采集的待检测图像进行识别，得到检测结果，其中，所述检测结果包括所述待检测图像中是否包括所述目标对象。
本发明实施例的又一个方面，提供了一种电子设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述存储器中存储的计算机程序，且所述计算机程序被执行时，实现海上风力设备的遥感图像处理方法。
本发明实施例的在一个方面，提供了一种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，实现海上风力设备的遥感图像处理方法。
在本发明的海上风力设备的遥感图像处理方法和装置、设备和介质中，先获取训练图像集和待训练的初始识别模型，该待训练的初始识别模型为YOLO模型，训练图像集包括多帧训练图像，多帧训练图像中的各帧训练图像均包括目标对象的标注信息，各帧训练图像均由合成孔径雷达采集得到，目标对象为海上风力设备；之后利用训练图像集训练待训练的初始识别模型，得到目标识别模型，然后利用所述目标识别模型对由所述合成孔径雷达采集的待检测图像进行识别，得到检测结果。由此，本发明实施例中选用YOLO模型作为待训练的初始识别模型，并利用由合成孔径雷达采集的包括目标对象的训练图像，对待训练的初始识别模型进行模型训练，使得到的目标识别模型可以高效的对合成孔径雷达采集的图像进行高效准确的识别，不仅有效降低了合成孔径雷达采集的图像的后处理难度，提高了合成孔径雷达采集的图像的识别效率，而且由于目标识别模型对图像的识别过程为全自动，由此也节省了大量的人力和物力。
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
构成说明书的一部分的附图描述了本发明的实施例，并且连同描述一起用于解释本发明的原理。
参照附图，根据下面的详细描述，可以更加清楚地理解本发明，其中：
图1是本发明一示例性实施例提供的海上风力设备的遥感图像处理方法的流程示意图；
图2是本发明一示例性实施例提供的待训练的初始识别模型的结构示意图；
图3是本发明另一示例性实施例提供的海上风力设备的遥感图像处理方法的流程示意图；
图4是本发明又一示例性实施例提供的海上风力设备的遥感图像处理方法的流程示意图；
图5是本发明一示例性实施例提供的海上风力设备的遥感图像处理装置的结构示意图；
图6为本发明电子设备一个应用实施例的结构示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
本发明实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令（诸如程序模块）的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
合成孔径雷达（Synthetic Aperture Radar，SAR）是一种高分辨率成像雷达，可以在能见度极低的气象条件下得到类似光学照相的高分辨雷达图像。
图1是本发明一示例性实施例提供的海上风力设备的遥感图像处理方法的流程示意图。本实施例可应用在电子设备上等，如图1所示，包括如下步骤：
步骤S110，获取训练图像集和待训练的初始识别模型。
其中，该待训练的初始识别模型为YOLO模型。例如，该训练的初始识别模型可以为YOLO V5模型。
该训练图像集包括多帧训练图像，该多帧训练图像中的各帧训练图像均包括目标对象的标注信息，该各帧训练图像均由合成孔径雷达采集得到，该目标对象为海上风力设备。
其中，海上风力设备可以为用于海上的风力发电设备，例如，海上风力发电机等。该各帧训练图像均为由合成孔径雷达采集得到遥感图像（SAR卫星影像）。遥感图像也称遥感影像（Remote Sensing Image，RS）是指记录各种地物电磁波大小的胶片或照片。
对于各帧训练图像，该帧训练图像中的标注信息可以包括：目标对象的检测框和标注标签，标签表示目标对象是什么。例如，目标对象的标注标签可以为风力发电机等。
步骤S120，将各帧训练图像输入待训练的初始识别模型，分别得到各帧训练图像的预测信息。
其中，对于各帧训练图像，该帧训练图像的预测信息包括：预测检测框和预测标签。
在一个具体实现中，将各帧训练图像依次输入待训练的初始识别模型，由待训练的初始识别模型分别输出各帧训练图像的预测信息。
步骤S130，基于各帧训练图像的标注信息和预测信息，确定损失函数值。
其中，可以预先设置预设损失函数，该预设损失函数将可以例如包括但不限于：交叉熵误差函数、均方误差函数等。具体地，可以根据各帧训练图像的标注信息和预测信息，利用设损失函数，计算得到损失函数值。
步骤S140，基于损失函数值调整待训练的初始识别模型的模型参数，直至满足训练停止条件，得到目标识别模型。
其中，可以迭代执行操作步骤S120-步骤S130的操作，通过迭代调整待训练的初始识别模型的各模型参数，以使损失函数值逐渐减小，当待训练的初始识别模型的损失函数值不再下降时，确定满足训练停止条件，此时对待训练的初始识别模型训练完成，由待训练的初始识别模型训练得到目标识别模型。
在一种实施方式中，可以采用任意可以实施的参数优化器调整待训练的初始识别模型的各模型参数实现。例如，其中的参数优化器可以包括但不限于为SGD（StochasticGradient Descent，随机梯度下降）、Adagrad（自适应梯度算法），Adam（Adaptive MomentEstimation，自适应矩估计）、RMSprop（Root Mean Square Prop ，均方根）、LBFGS（Limited-memory Broyden–Fletcher–Goldfarb–Shanno，有限内存中进行BFGS）算法等。
在一个具体实现中，可以利用参数优化器计算待训练的初始识别模型的各模型参数的梯度，将各模型参数沿梯度的方向进行调整，其中的梯度表示损失函数值减小最多的方向，重复上述步骤S120-步骤S130，直至待训练的初始识别模型的损失函数值不再下降，即可以确定满足训练停止条件，由待训练的初始识别模型训练后得到目标识别模型。
步骤S150，利用目标识别模型对由合成孔径雷达采集的待检测图像进行识别，得到检测结果。
其中，该检测结果包括所述待检测图像中是否包括目标对象。该待检测图像为由合成孔径雷达采集得到遥感图像（SAR卫星影像）。该检测结果可以包括检测框和标签。
在一些可选实施方式中，将待检测图像输入目标识别模型；利用目标识别模型对待检测图像进行检测，得到检测结果。
本发明实施例中选用YOLO模型作为待训练的初始识别模型，并利用由合成孔径雷达采集的包括目标对象的训练图像，对待训练的初始识别模型进行模型训练，使得到的目标识别模型可以高效的对合成孔径雷达采集的图像进行高效准确的识别，不仅有效降低了合成孔径雷达采集的图像的后处理难度，提高了合成孔径雷达采集的图像的识别效率，而且由于目标识别模型对图像的识别过程为全自动，由此也节省了大量的人力和物力。
在一些可选的实施方式中，如图2所示，本发明实施例中待训练的初始识别模型包括：输入层、Backone层、Neck层和输出层。相应的，本发明实施例中的目标识别模型也包括：输入层、Backone层、Neck层和输出层。
其中，输入层（Input Layer）采用Mosaic数据增强以丰富数据集。其中的Mosaic数据增强的主要是将四帧不同训练图像合并成一张混合图片，然后将这个混合图像作为训练数据输入到Backone层。具体的，Mosaic数据增强可以包括图像选取、图像混合及标签处理三部分。通过Mosaic数据增强使输入Backone层的图像涵盖多种尺度、角度和背景的目标对象，有助于提升目标识别模型对多样性和复杂性的数据的泛化能力，从而增强目标识别模型的性能。通过将多帧训练图像混合在一起，待训练的初始识别模型需要学会处理不同图像之间的边界、颜色变化、纹理差异等情况，从而增强了其泛化能力。此外，Mosaic数据增强还可以有效地扩充训练图像集，提升目标识别模型的鲁棒性和性能。
Backbone层由Focus结构和CSP结构组成。Focus结构作为待训练的初始识别模型的第一个卷积层，用于对输入混合图像进行下采样，以减少计算量和参数量。同时将输入混合图像中的信息进行压缩和组合，提取出更高层次的特征表示。
具体的，输入层向Backbone层输入大小为512×512×1混合图像，在Backbone层，进行通道分离得到大小为512×512×1/4=128的两个特征图x和y。对x和y分别进行步长为2的卷积操作，得到大小为256×256×1/4=32的两个特征图x'和y'。将x'和y'进行通道拼接，得到大小为256×256×1/2=64的特征图z。对z进行步长为2的卷积操作，得到大小为128×128×1/2=32的特征图r，即为第一个卷积层Focus结构的输出。
之后使用CSP结构将Focus结构输出的特征图r分为两部分r1和r2，r1进行CSP结构的子网络的处理，r2直接进行CSP结构下一层的处理。在子网络中，先使用一个卷积层将输入特征图r1进行压缩，然后进行一系列卷积操作，最后再使用一个卷积层进行扩张，之后提取出相对较少的高层次特征，然后将经过子网络处理的特征图r1与特征图r2进行拼接，再进行卷积操作，得到特征图m。将低层次的细节特征和高层次的抽象特征结合起来，提高特征提取的效率。
Neck网络位于待训练的初始识别模型的中间层，连接Backbone层和输出层（Head），在增强特征表达能力、感受野以及多尺度信息处理方面起关键作用。其中，在Neck网络中通过SPPF结构加强特征表达和感知能力，提升模型整体感知和检测性能；随后，利用PAN结构进行多层级的特征融合，增强模型对不同尺度目标的感知，从而提高目标检测性能。这些结构协同作用于Neck层，通过神经网络的正向传播进行数据传输和特征处理，为模型提供了更强的特征表达能力和更广的感受野，从而提升目标检测任务的准确性与性能。
输出层会生成多个候选预测框，每个预测框包含置信度、类别概率、检测框、检测框位置和标签等信息。输出层在目标检测的后处理阶段，采用NMS（Non-MaximumSuppression，非极大值抑制）算法来筛选检测框，以保留最有可能代表真实的检测框。
具体的：对于每个训练图像中，首先，按照置信度对所有的预测框进行排序，将置信度大于第一预设阈值的预测框放入最终的检测结果列表中，作为目标预测框。之后，逐个遍历未处理的预测框，对每个未处理的预测框，计算该未处理的检测框与目标检测框的IoU（Intersection over Union，交并比）。如果该未处理的检测框与任一目标框的IoU大于或等于第二预设阈值，则将该框视为冗余框，剔除之；如果IoU未超过第二预设阈值，则保留该未处理的检测框。这样，可以确保每个目标对象仅与一个检测框关联。重复上述的筛选过程，直到所有的预测框都被处理完毕。最终，留在结果列表中的框即为经过NMS筛选后的有效预测结果，每个目标对象对应着唯一一个检测框。综合以上步骤，输出层生成多个预测框，经过NMS筛选过程，仅保留与真实目标对象最相关的、无冗余的检测框，从而提高了目标对象检测的准确性和可靠性。
在一些可选的实施方式中，本发明实施例中的步骤S110可以包括：
步骤S110-1，利用合成孔径雷达采集多帧初始图像。
其中，多帧初始图像中的各帧初始图像均包括目标对象，即该各初始图像均为由合成孔径雷达采集得到遥感图像（SAR卫星影像）。示例性的，首先获取分辨率精度优于10m的单极化的合成孔径雷达图像，并将该合成孔径雷达图像作为初始图像。
步骤S110-2，针对各帧初始图像，提取该初始图像中包括目标对象的目标区域。
在一个具体实现中，可以预先设置目标区域的尺寸，针对各帧初始图像，可以利用预先训练好的用于目标对象识别的神经网络对该初始图像中的目标对象进行识别，确定该初始图像中的感兴趣区域（Region of Interest，ROI），并将该感兴趣区域作为目标区域。其中，用于目标对象识别的神经网络例如可以为包括但不限于：CNN（ConvolutionalNeural Network，卷积神经网络），DNN（Deep-Learning Neural Network，深度神经网络），RNN（Recurrent Neural Network，循环神经网络）等。具体的，用于目标对象识别的神经网络可以利用标注有目标对象的图像训练上述神经网络得到，其中的标注有目标对象的图像为合成孔径雷达图像。
步骤S110-3，对该初始图像的目标区域进行图像预处理和目标对象标注，得到训练图像。
在一些实施方式中，对该初始图像的目标区域进行去噪和裁剪处理，得到初始训练图像。具体的，可以利用python的GDAL（Geospatial Data Abstraction Library，开源栅格空间数据转换库）、rasterio库和ET图库等第三方库对每帧初始图像的目标区域进行预图像处理，如，通过脚本对应输入每帧初始图像的目标区域的默认参数进行滤波抑制图像的噪点（去噪），之后裁剪成大小为512×512（长×宽，单位：像素）的初始训练图像。或者，还可以通过使用Arcgis pro软件批量对初始图像进行初始图像进行目标对象提取，以及目标区域去噪和裁剪处理。
可以自动或人工标注方式对各初始训练图像中的目标对象进行标注，以使各初始训练图像具有对目标对象的标注信息，即得到训练图像。
步骤S110-4，基于各帧初始图像得到的训练图像构建训练图像集。
在一些可选的实施方式中，如图3所示，本发明实施例中的海上风力设备的遥感图像处理方法，还包括：
步骤S210，获取测试图像集。
其中，该测试图像集包括多帧测试图像，该多帧测试图像中的各帧测试图像均包括目标对象的标注信息，该各帧测试图像均由合成孔径雷达采集得到，即该各帧测试图像均为由合成孔径雷达采集得到遥感图像（SAR卫星影像）。
测试图像集获得方法与训练图像集的获得方法相同，此处不再赘述。或者，也可以将一部分训练图像作为测试图像，构建测试图像集，如，用85%的训练图像构建训练图像集，将15%的训练图像作为测试图像，构建测试图像集。
步骤S220，将各帧测试图像输入目标识别模型，由目标识别模型输出各帧测试图像的检测结果。
其中，每帧测试图像的检测结果包括：该帧测试图像中目标对象的检测框和标签。
步骤S230，基于各帧测试图像的检测结果和标注信息，确定目标识别模型的检测精确度。
其中，对应每个测试图像，其的检测结果中的标签与其的标注信息中的标注标签相同，则确定为该检测结果为正确检测结果。基于此，确定正确检测结果的数量，并用正确检测结果的数量除以测试图像的数量，得到检测精确度。
在一些可选的实施方式中，如图4所示，本发明实施例中的海上风力设备的遥感图像处理方法，还包括：
步骤S310，响应于待检测图像的检测结果指示待检测图像包括目标对象，对待检测图像进行矢量化处理，得到矢量图像。
步骤S320，提取矢量图像中的目标对象，并在终端显示目标对象。
其中，矢量图像是使用直线和曲线来描述图形，这些图形的元素是一些点、线、矩形、多边形、圆和弧线等，它们都是通过数学公式计算获得的。
终端可以为具有显示功能的计算设备，如，终端可以为计算机、笔记本、平板电脑、智能手机等。
在一个具体实现中，当待检测图像的检测结果指示待检测图像包括目标对象，将待检测图像和检测结果进行矢量化处理，得到包括检测结果的待检测图像的矢量图像。示例性的，可以利用矢量化软件，如，Pixso、RasterID、WiseImage、AutoCAD、AdobeIllustrator等，对包括检测框的待检测图像（待检测图像和检测结果）进行矢量化处理，得到矢量图像；之后利用地理信息软件，如，ENVI（The Environment for VisualizingImages，遥感图像处理平台）、ArcGIS、GDAL等，提取矢量图像中的目标对象，并将提取得到的目标对象传输到终端显示。
图5是本发明一个实施例中海上风力设备的遥感图像处理装置的结构框图。如图5所示，海上风力设备的遥感图像处理装置包括：
第一获取模块410，用于获取训练图像集和待训练的初始识别模型，其中，所述待训练的初始识别模型为YOLO模型，所述训练图像集包括多帧训练图像，所述多帧训练图像中的各帧训练图像均包括目标对象的标注信息，所述各帧训练图像均由合成孔径雷达采集得到，所述目标对象为海上风力设备；
第一输入模块420，用于将所述各帧训练图像输入所述待训练的初始识别模型，分别得到所述各帧训练图像的预测信息；
第一确定模块430，用于基于所述各帧训练图像的标注信息和预测信息，确定损失函数值；
训练模块440，用于基于所述损失函数值调整所述待训练的初始识别模型的模型参数，直至满足训练停止条件，得到目标识别模型；
识别模块450，用于利用所述目标识别模型对由所述合成孔径雷达采集的待检测图像进行识别，得到检测结果，其中，所述检测结果包括所述待检测图像中是否包括所述目标对象。
在本发明的一个实施例中，本发明实施例中的所述第一获取模块410具体用于：
用于利用所述合成孔径雷达采集多帧初始图像，其中，所述多帧初始图像中的各帧初始图像均包括目标对象；
针对所述各帧初始图像，提取所述初始图像中包括目标对象的目标区域；
对所述初始图像的目标区域进行图像预处理和目标对象标注，得到训练图像；
基于所述各帧初始图像得到的训练图像构建训练图像集。
在本发明的一个实施例中，本发明实施例中的所述对所述初始图像的目标区域进行图像预处理和目标对象标注，得到训练图像，包括：
对所述目标区域进行去噪和裁剪处理，得到所述初始训练图像。
在本发明的一个实施例中，本发明实施例中的所述待训练的初始识别模型包括：输入层、Backone层、Neck层和输出层。
在本发明的一个实施例中，本发明实施例中的海上风力设备的遥感图像处理装置还包括：
第二获取模块，用于获取测试图像集，其中，所述测试图像集包括多帧测试图像，所述多帧测试图像中的各帧测试图像均包括所述目标对象的标注信息，所述各帧测试图像均由合成孔径雷达采集得到；
第二输入模块，用于将所述各帧测试图像输入所述目标识别模型，由所述目标识别模型输出所述各帧测试图像的检测结果；
第二确定模块，用于基于所述各帧测试图像的检测结果和标注信息，确定所述目标识别模型的检测精确度。
在本发明的一个实施例中，本发明实施例中的所述识别模块450具体用于：
将所述待检测图像输入所述目标识别模型；
利用所述目标识别模型对所述待检测图像进行检测，得到所述检测结果。
在本发明的一个实施例中，本发明实施例中的海上风力设备的遥感图像处理装置还包括：
矢量化模块，用于响应于所述检测结果指示所述待检测图像包括目标对象，对所述待检测图像和所述检测结果进行矢量化处理，得到矢量图像；
提取模块，用于提取所述矢量图像中的所述目标对象，并在终端显示所述目标对象。
另外，本发明实施例还提供了一种电子设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述存储器中存储的计算机程序，且所述计算机程序被执行时，实现本发明上述任一实施例所述的海上风力设备的遥感图像处理方法。
图6为本发明电子设备一个应用实施例的结构示意图。下面，参考图6来描述根据本发明实施例的电子设备。该电子设备可以是第一设备和第二设备中的任一个或两者、或与它们独立的单机设备，该单机设备可以与第一设备和第二设备进行通信，以从它们接收所采集到的输入信号。
如图6所示，电子设备包括一个或多个处理器和存储器。
处理器可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。
存储器可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器可以运行所述程序指令，以实现上文所述的本发明的各个实施例的海上风力设备的遥感图像处理方法以及/或者其他期望的功能。
在一个示例中，电子设备还可以包括：输入装置和输出装置，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。
此外，该输入装置还可以包括例如键盘、鼠标等等。
该输出装置可以向外部输出各种信息，包括确定出的距离信息、方向信息等。该输出设备可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图6中仅示出了该电子设备中与本发明有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备还可以包括任何其他适当的组件。
除了上述方法和设备以外，本发明的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述部分中描述的根据本发明各种实施例的海上风力设备的遥感图像处理方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本发明的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述部分中描述的根据本发明各种实施例的海上风力设备的遥感图像处理方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种海上风力设备的遥感图像处理方法，其特征在于，包括：
获取训练图像集和待训练的初始识别模型，其中，所述待训练的初始识别模型为YOLO模型，所述训练图像集包括多帧训练图像，所述多帧训练图像中的各帧训练图像均包括目标对象的标注信息，所述各帧训练图像均由合成孔径雷达采集得到，所述目标对象为海上风力设备；
将所述各帧训练图像输入所述待训练的初始识别模型，分别得到所述各帧训练图像的预测信息；
基于所述各帧训练图像的标注信息和预测信息，确定损失函数值；
基于所述损失函数值调整所述待训练的初始识别模型的模型参数，直至满足训练停止条件，得到目标识别模型；
利用所述目标识别模型对由所述合成孔径雷达采集的待检测图像进行识别，得到检测结果，其中，所述检测结果包括所述待检测图像中是否包括所述目标对象。
2.根据权利要求1所述的方法，其特征在于，所述获取训练图像集，包括：
利用所述合成孔径雷达采集多帧初始图像，其中，所述多帧初始图像中的各帧初始图像均包括目标对象；
针对所述各帧初始图像，提取所述初始图像中包括目标对象的目标区域；
对所述初始图像的目标区域进行图像预处理和目标对象标注，得到训练图像；
基于所述各帧初始图像得到的训练图像构建训练图像集。
3.根据权利要求2所述的方法，其特征在于，所述对所述初始图像的目标区域进行图像预处理，包括：
对所述目标区域进行去噪和裁剪处理。
4.根据权利要求1所述的方法，其特征在于，所述待训练的初始识别模型包括：输入层、Backone层、Neck层和输出层。
5.根据权利要求1所述的方法，其特征在于，还包括：
获取测试图像集，其中，所述测试图像集包括多帧测试图像，所述多帧测试图像中的各帧测试图像均包括所述目标对象的标注信息，所述各帧测试图像均由合成孔径雷达采集得到；
将所述各帧测试图像输入所述目标识别模型，由所述目标识别模型输出所述各帧测试图像的检测结果；
基于所述各帧测试图像的检测结果和标注信息，确定所述目标识别模型的检测精确度。
6.根据权利要求1所述的方法，其特征在于，所述利用所述目标识别模型对待检测图像进行识别，得到检测结果，其中，所述结果包括所述待检测图像中是否包括所述目标对象，包括：
将所述待检测图像输入所述目标识别模型；
利用所述目标识别模型对所述待检测图像进行检测，得到所述检测结果。
7.根据权利要求5所述的方法，其特征在于，还包括：
响应于所述检测结果指示所述待检测图像包括目标对象，对所述待检测图像和所述检测结果进行矢量化处理，得到矢量图像；
提取所述矢量图像中的所述目标对象，并在终端显示所述目标对象。
8.一种海上风力设备的遥感图像处理装置，其特征在于，包括：
第一获取模块，用于获取训练图像集和待训练的初始识别模型，其中，所述待训练的初始识别模型为YOLO模型，所述训练图像集包括多帧训练图像，所述多帧训练图像中的各帧训练图像均包括目标对象的标注信息，所述各帧训练图像均由合成孔径雷达采集得到，所述目标对象为海上风力设备；
第一输入模块，用于将所述各帧训练图像输入所述待训练的初始识别模型，分别得到所述各帧训练图像的预测信息；
第一确定模块，用于基于所述各帧训练图像的标注信息和预测信息，确定损失函数值；
训练模块，用于基于所述损失函数值调整所述待训练的初始识别模型的模型参数，直至满足训练停止条件，得到目标识别模型；
识别模块，用于利用所述目标识别模型对由所述合成孔径雷达采集的待检测图像进行识别，得到检测结果，其中，所述检测结果包括所述待检测图像中是否包括所述目标对象。
9.一种电子设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述存储器中存储的计算机程序，且所述计算机程序被执行时，实现上述权利要求1-7任一所述的海上风力设备的遥感图像处理方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时，实现上述权利要求1-7任一所述的海上风力设备的遥感图像处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311187726.6A CN116935232A (zh) | 2023-09-15 | 2023-09-15 | 海上风力设备的遥感图像处理方法和装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311187726.6A CN116935232A (zh) | 2023-09-15 | 2023-09-15 | 海上风力设备的遥感图像处理方法和装置、设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116935232A true CN116935232A (zh) | 2023-10-24 |
Family
ID=88386417
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311187726.6A Pending CN116935232A (zh) | 2023-09-15 | 2023-09-15 | 海上风力设备的遥感图像处理方法和装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116935232A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020164282A1 (zh) * | 2019-02-14 | 2020-08-20 | 平安科技（深圳）有限公司 | 基于yolo的图像目标识别方法、装置、电子设备和存储介质 |
| CN111950329A (zh) * | 2019-05-16 | 2020-11-17 | 长沙智能驾驶研究院有限公司 | 目标检测及模型训练方法、装置、计算机设备和存储介质 |
| CN114120138A (zh) * | 2021-11-02 | 2022-03-01 | 中山大学·深圳 | 一种遥感影像目标检测识别方法、装置、设备及介质 |
| CN114463586A (zh) * | 2022-01-30 | 2022-05-10 | 中国农业银行股份有限公司 | 图像识别模型的训练与图像识别方法、装置、设备和介质 |
| CN114627052A (zh) * | 2022-02-08 | 2022-06-14 | 南京邮电大学 | 一种基于深度学习的红外图像漏气漏液检测方法及系统 |
| WO2022213879A1 (zh) * | 2021-04-07 | 2022-10-13 | 腾讯科技（深圳）有限公司 | 目标对象检测方法、装置、计算机设备和存储介质 |
| CN115393655A (zh) * | 2022-09-28 | 2022-11-25 | 南京华苏科技有限公司 | 基于YOLOv5s网络模型的工业运载车的检测方法 |
| CN116385888A (zh) * | 2023-06-06 | 2023-07-04 | 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) | 解译标志确定方法和装置、电子设备和存储介质 |
-
2023
- 2023-09-15 CN CN202311187726.6A patent/CN116935232A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020164282A1 (zh) * | 2019-02-14 | 2020-08-20 | 平安科技（深圳）有限公司 | 基于yolo的图像目标识别方法、装置、电子设备和存储介质 |
| CN111950329A (zh) * | 2019-05-16 | 2020-11-17 | 长沙智能驾驶研究院有限公司 | 目标检测及模型训练方法、装置、计算机设备和存储介质 |
| WO2022213879A1 (zh) * | 2021-04-07 | 2022-10-13 | 腾讯科技（深圳）有限公司 | 目标对象检测方法、装置、计算机设备和存储介质 |
| CN114120138A (zh) * | 2021-11-02 | 2022-03-01 | 中山大学·深圳 | 一种遥感影像目标检测识别方法、装置、设备及介质 |
| CN114463586A (zh) * | 2022-01-30 | 2022-05-10 | 中国农业银行股份有限公司 | 图像识别模型的训练与图像识别方法、装置、设备和介质 |
| CN114627052A (zh) * | 2022-02-08 | 2022-06-14 | 南京邮电大学 | 一种基于深度学习的红外图像漏气漏液检测方法及系统 |
| CN115393655A (zh) * | 2022-09-28 | 2022-11-25 | 南京华苏科技有限公司 | 基于YOLOv5s网络模型的工业运载车的检测方法 |
| CN116385888A (zh) * | 2023-06-06 | 2023-07-04 | 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) | 解译标志确定方法和装置、电子设备和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 孙梓超;谭喜成;洪泽华;董华萍;沙宗尧;周松涛;杨宗亮;: "基于深度卷积神经网络的遥感影像目标检测", 上海航天, no. 05 * |
| 杜兰;刘彬;王燕;刘宏伟;代慧;: "基于卷积神经网络的SAR图像目标检测算法", 电子与信息学报, no. 12 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6977873B2 (ja) | 画像処理装置、画像処理方法、及び、画像処理プログラム | |
| Hormese et al. | Automated road extraction from high resolution satellite images | |
| CN110516541B (zh) | 文本定位方法、装置、计算机可读存储介质和计算机设备 | |
| CN111754394B (zh) | 鱼眼图像中的对象检测方法、装置及存储介质 | |
| CN110443258B (zh) | 文字检测方法、装置、电子设备及存储介质 | |
| CN111814794A (zh) | 文本检测方法、装置、电子设备及存储介质 | |
| CN113761999A (zh) | 一种目标检测方法、装置、电子设备和存储介质 | |
| CN113743385A (zh) | 一种无人船水面目标检测方法、装置及无人船 | |
| CN112364873A (zh) | 弯曲文本图像的文字识别方法、装置及计算机设备 | |
| CN113239736A (zh) | 一种基于多源遥感数据的土地覆盖分类标注图获取方法、存储介质及系统 | |
| CN115995042A (zh) | 一种视频sar运动目标检测方法及装置 | |
| EP4323952A1 (en) | Semantically accurate super-resolution generative adversarial networks | |
| CN111652181B (zh) | 目标跟踪方法、装置及电子设备 | |
| CN111582012A (zh) | 一种检测小目标船只方法及装置 | |
| US20220366646A1 (en) | Computer Vision Systems and Methods for Determining Structure Features from Point Cloud Data Using Neural Networks | |
| CN113902744B (zh) | 基于轻量级网络的图像检测方法、系统、设备和存储介质 | |
| CN116935232A (zh) | 海上风力设备的遥感图像处理方法和装置、设备和介质 | |
| Yu et al. | A lightweight ship detection method in optical remote sensing image under cloud interference | |
| CN113743346A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
| CN117036982B (zh) | 海上养殖区的光学卫星图像处理方法和装置、设备和介质 | |
| CN117292276B (zh) | 基于编解码注意力交互的云检测方法、系统、介质及设备 | |
| US11651511B2 (en) | Computer vision systems and methods for determining roof shapes from imagery using segmentation networks | |
| CN113762266B (zh) | 目标检测方法、装置、电子设备和计算机可读介质 | |
| Vu | Building extraction from high-resolution satellite image for tsunami early damage estimation | |
| Stuyck et al. | Semi-Supervised Cloud Detection With Weakly Labeled Rgb Aerial Images Using Generative Adversarial Networks |
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 |