深度卷积网络卫星图像水泥厂目标检测

深度卷积网络卫星图像水泥厂目标检测

论文摘要

目的水泥厂作为重要的污染源企业需要对其进行统计和监管,近几年随着卫星遥感技术的发展和遥感影像分辨率的提高,使得基于卫星影像进行水泥厂目标检测成为可能。但是由于遥感图像中建筑目标的环境复杂多变,同时各个水泥厂在生产规模、设备构成、厂区结构、坐落方位上存在较大差异,图像表观上的形态各异和复杂环境干扰使得传统图像识别方法难以设计和提取有效特征。鉴于深度学习在视觉目标检测领域的成功应用,本文将研究应用深度卷积神经网络方法,实现在卫星图像上识别与定位水泥厂目标,为环保部门提供一种高效便捷的水泥厂目标检测和统计方法。方法基于面向目标检测与定位的Faster R-CNN深度学习框架,以准确检测与定位水泥厂区域为目的,以京津冀地区的水泥厂位置作为训练和测试数据集,选用3种结构不同的提取特征卷积神经网络模型进行了对比实验。并针对小样本训练容易出现的过拟合和误检问题,采用图像去雾预处理、数据扩充、引入负样本等技术进一步提升模型能力。结果测试集实验结果表明Res Net特征提取网络效果最好,准确率达到74%。为了进一步提高检出率并降低误检率,引入3种模型能力提升方法,在扩充检测数据集中的检出率达到94%,误检率降低到14%;在全球水泥厂数据集中的图像检出率达到96%,万幅随机图像的误检数量为30幅(0. 3%)。对上海地区的卫星图像进行扫描检测,结果检测出11个已登记的水泥厂(共登记16个),另外还检测出17个未登记的水泥厂。结论对于卫星地图上水泥厂这种具有特殊建筑构造但也存在厂区几何形状各异、所处地理环境复杂、随季节性变化等特点,本文提出的基于深度卷积网络的卫星图像水泥厂检测方法,能够自动学习提取有效的图像特征并对目标进行准确检测。针对小样本训练问题,引入3种方法显著提高了模型的检测精度。在模型泛化能力测试中,经过优化后的模型在水泥厂建筑目标检测任务中表现良好,具有重要的应用价值。

论文目录

  • 0 引言
  • 1 卫星图像目标检测方案
  •   1.1 Faster R-CNN简介
  •   1.2 水泥厂目标检测流程
  •   1.3 特征提取网络
  •   1.4 水泥厂数据集制作
  •   1.5 评价指标
  • 2 模型训练与测试
  •   2.1 调参训练阶段
  •   2.2 测试集表现
  •   2.3 置信度的选择
  • 3 模型能力提升
  •   3.1 图像预处理
  •   3.2 正样本扩充
  •   3.3 引入负样本
  • 4 泛化能力测试
  •   4.1 Global Cement数据集测试结果
  •   4.2 上海地区扫描测试结果
  • 5 结论
  • 文章来源

    类型: 期刊论文

    作者: 徐刚,岳继光,董延超,娄启佳,熊文成,聂忆黄

    关键词: 高分辨率卫星图像,目标检测,卷积神经网络,深度学习,模型优化

    来源: 中国图象图形学报 2019年04期

    年度: 2019

    分类: 信息科技,工程科技Ⅱ辑

    专业: 工业通用技术及设备,自动化技术

    单位: 同济大学电子与信息工程学院,环境保护部卫星环境应用中心

    基金: 国家自然科学基金项目(61873189),中央高校基本科研业务费专项资金项目(KX0080020172601),上海市自然科学基金项目(18ZR1442500)~~

    分类号: TP751;TP18

    页码: 550-561

    总页数: 12

    文件大小: 9040K

    下载量: 336

    相关论文文献

    标签:;  ;  ;  ;  ;  

    深度卷积网络卫星图像水泥厂目标检测
    下载Doc文档

    猜你喜欢