基于Faster R-CNN深度网络的遥感影像目标识别方法研究

遥感影像目标识别在众多领域中具有极高的理论意义与应用价值,更快速、更精确的目标识别方法研究是目前遥感及图像研究领域的热点与难点。本文将深度学习的方法应用于遥感影像目标识别中,提出基于Faster R-CNN深度学习网络的目标快速精确识别方法。该方法采用了包括基于RPN的建议区域提取方法和VGG16训练卷积网络模型,构建了面向遥感影像目标识别的深度卷积神经网络。为验证该方法的精度及性能,在Caffe深度学习框架上,选取高分辨率遥感影像中飞机、油罐、操场及立交桥目标进行验证实验。结果表明,基于Faster R-CNN的深度学习方法能够实现对遥感影像目标的快速、准确识别,同时具有较好的推广性。通过本文的研究,证明基于Faster R-CNN深度学习的高分遥感影像目标识别方法具有显著优势和潜力,对基于其他深度学习方法的目标识别研究也有一定的参考意义。     

基于无人机测绘技术的露天矿区边坡变形识别方法

为了提高露天矿区边坡变形区域的识别准确率,研究基于无人机测绘技术的露天矿区边坡变形识别方法,引用无人机倾斜摄影测量技术采集露天矿区边坡图像,通过尺度不变特征变化算法从图像中提取边缘特征点,实现图像配准,使用小面元微分校正法和空三解算方法校正图像偏移和倾斜,从配准后的图像中提取监测桩特征点,计算监测桩位移并生成位移云图,...     

设施农业典型地物改进Faster R-CNN识别方法

深度学习方法可有效提高传统基于遥感影像的设施农业典型地物识别与提取方法的结果精度,对传统农业的转型和发展意义重大。本文针对遥感影像大背景小目标的特点,以及设施农业典型地物的图像特征,结合深度残差思想和Faster R-CNN提出DRTOMA算法：首先,使用深度残差网络作为其基础特征提取网络,以此获得更深层次的图像特征,并抑制网络退化和衰退问题;然后在残差单元和全连接层之间加入改进的空间金字塔池化层,从而去除输入图像固定大小的限制,增加网络对图像尺度的敏感度;最后,在全连接层间添加dropout层,减少网络计算的复杂度,提升抗过拟合效果。仿真结果表明：同部分已有的检测算法相比,DRTOMA算法的平均识别准确率和召回率均取为最优,分别为91.87%和90.63%;在最优识别精度近似的情况下,DRTOMA算法比Faster R-CNN算法的召回率高约2%,网络更易收敛,训练难度较低。综上所述,DRTOMA算法是一种有效可行的设施农业典型地物检测方法。     

基于卷积神经网络的古建筑脊兽自动识别方法

针对古建筑脊兽识别准确率和自动化程度不高的问题,本文提出一种基于卷积神经网络的脊兽自动识别方法.该方法主要分为4个步聚:①爬取众源数据建立脊兽数据集;②构建脊兽特征金字塔网络(Ridge Beast-Feature Pyramid Network,RB-FPN)提取图像深度语义,检测脊兽的潜在区域;③利用ImageNet预训练权重精调ResNet50模型参数,实现脊兽种类精细分类;④识别测试集样本综合评价性能指标.试验结果表明,本文所提出的脊兽自动识别方法准确率可达92.17％,召回率为82.02％,F1值为0.87,能有效地识别数字图像中的脊兽装饰件种类,结果可满足屋顶精细三维重建、维护管理与断代等应用需求.     

高分辨率遥感影像目标分类与识别研究进展

高分辨率遥感影像的目标分类与识别,是对地观测系统进行图像分析理解,以及自动目标识别系统提取目标信息的重要手段。本文综述了当前国内外在可见光、红外、合成孔径雷达和合成孔径声纳等遥感影像的目标分类与识别的关键技术和最新研究进展。首先,讨论了高分辨率遥感影像的目标分类与识别问题的主要研究层次和内容;其次,深入分析了高分辨率遥感影像目标分类与识别,在滤波降噪、特征提取、目标检测、场景分类、目标分类和目标识别的关键技术及其所存在的问题;最后,结合并行计算、神经计算和认知计算等技术,讨论了目标分类与识别的可行性方案。具体包括：（1）高性能并行计算在高分辨率遥感图像处理的主流技术,并给出了基于Hadoop+OpenMP+CUDA的高分辨率遥感影像混合并行处理架构;（2）深度学习对于提升目标分类和识别精度的应用前景,以及基于深度神经网络的多层次遥感影像目标识别方法;（3）认知计算在解决遥感影像大数据不确定性分析的模型与算法,并讨论了层次主题模型的多尺度遥感影像场景描述方案。此外,根据媒体神经认知计算的相关研究,探讨了遥感影像大数据的目标分类和识别的发展趋势和研究方向。     

基于卷积神经网络与条件随机场方法提取乡镇非正规固体废弃物

随着村镇经济建设发展,生活垃圾和工业固体废弃物造成的污染问题日益突出,已经成为制约新农村建设发展和生态文明建设的关键问题,而目前针对乡镇非正规固体废弃物的调查与统计主要依赖全国各乡镇相关部门逐级调查上报,工作量较大。本文基于高分辨率遥感影像,将深度学习模型和条件随机场模型相结合引入到乡镇固体废弃物的提取研究中,探索一种基于深度卷积神经网络的乡镇固体废弃物提取模型。由于固体废弃物在影像上表现为面积小,分布破碎等特点,为了提高工作效率,将模型特分为识别和提取2个部分：① 通过全连接卷积网络（CNN）对固体废弃物进行快速识别判断,筛选感兴趣区域影像块;② 在传统的全卷积神经网络(FCN)的基础上加入条件随机场模型(CRF)提取固体废弃物边界,提高整体分割精度。根据安徽、山西等地区相关部门上报固体废弃物堆放点以及住房与城乡建设部城乡规划管理中心进行野外检查的结果,实验最终识别精度达到86.87%以上;形状提取精度为89.84%,Kappa系数为0.7851,识别与提取精度均优于传统分类方法。同时,该方法已经逐步应用于住房和城乡建设部有关成都、兰州、河北等部分乡镇非正规固体废弃物的核查工作,取得了较为满意的结果。     

基于全卷积神经网络的建筑物屋顶自动提取

高分辨率遥感影像在地面自动目标提取中得到了广泛应用,然而利用传统算法,很难高精度地进行实时的建筑物屋顶绘图。本文使用深度学习方法探讨建筑物屋顶分割,由于卷积运算对形变、旋转、光照条件的不敏感,设计了一种用于建筑物屋顶提取的深度卷积神经网络,提出的网络为级联式全卷积神经网络,在深度卷积神经网络的设计中使用了特征复用和特征增强,实现建筑物的自动精确提取。以美国马萨诸塞州建筑物数据集为基础的实验结果表明,本文提出的网络结构取得了92.3%的总体预测精度,和其他方法相比,本文提出的方法具有更高的精度     

基于线段检测算法的倾斜摄影直角像控点目标检测方法

针对航空摄影测量中空三加密时数据内业精校正的人工刺点效率低下,误差较大等问题,本文提出了一种基于线段检测（Line Segment Detector,LSD）算法的直角像控点目标检测方法。该方法首先通过Retinex算法增强影像彩色信息;再对影像进行双边滤波,在去除噪声的同时能很好的保留边缘信息;然后使用LSD算法提取线段,并结合最小二乘拟合将线段进行合并;经角度、距离和长度信息筛选出最外沿直角边,最后相交得到直角像控点。采用大疆无人机拍摄的“L”形像控点80景影像,“X”形像控点69景影像进行实验,结果表明,本文算法在复杂背景下的直角像控点检测中具有较高的准确率和精度,整体像控点提取准确率达到93.75%,像控点定位精度可以到2.37个像素,在复杂背景和目标失真的情况下依然能保持很高的准确率,定位精度明显优于人工刺点,相对于Radon和PPHT算法,本文算法的像控点组检测准确率明显提高,表明其检测精度受拍摄角度的影响较小。     

基于无人机巡检倾斜影像的绝缘子爆片自动检测方法

绝缘子是输电线路中重要的绝缘部件,其运行状况直接影响着输电线路的运行安全,在输电线路运行中具有不可或缺的作用.本文结合无人机巡检高效安全的优点,提出一种基于无人机倾斜影像的绝缘子自爆检测方法,首先以DeepLabV3+深度神经网络为基础网络架构分割绝缘子影像,然后利用绝缘子串中相邻绝缘子片间距一致的特性,对绝缘子进行自...     

基于改进主动轮廓模型的无人机影像矿区地裂缝提取

矿区地裂缝精准识别对防灾、减灾和生态环境修复具有重要意义。针对高分辨率无人机影像较难自动精确提取地裂缝的问题,本文提出了一种基于改进主动轮廓模型的无人机影像矿区地裂缝提取方法。首先,采用Otsu算法计算背景和地裂缝初值作为先验知识;其次,构建背景和地裂缝初值的提取能量函数,并引入到传统CV主动轮廓模型,增强地裂缝提取的针对性;最后,通过轮廓的不断演化实现地裂缝的提取。以内蒙古扎赉诺尔矿区为研究区、无人机影像为数据源,采用改进主动轮廓模型方法进行地裂缝提取,并与传统的Canny边缘检测算法、支持向量机（SVM）、最大似然（MLM）和传统CV主动轮廓模型方法进行对比分析。结果表明：在地物类型较为单一的小范围区域,传统的Canny边缘检测算法和传统CV主动轮廓模型提取效果较差,改进主动轮廓模型、SVM和MLM共3种方法均可以取得较好的效果,其中,改进主动轮廓模型方法精度最高;在地物类型相对复杂的大范围区域,传统的Canny边缘检测算法、SVM、MLM和传统CV主动轮廓模型方法存在较多的漏提和误提,Kappa系数均低于0.7,而本文改进主动轮廓方法依然可以取得较好的效果,Kappa系数达到0.9左右。因此,本文提出的方法通过引入先验知识可有效提高地裂缝提取的精度和稳定性。     

Detection of ocean internal waves based on Faster R-CNN in SAR images

Ocean internal waves appear as irregular bright and dark stripes on synthetic aperture radar(SAR) remote sensing images. Ocean internal waves detection in SAR images consequently constituted a difficult and popular research topic. In this paper, ocean internal waves are detected in SAR images by employing the faster regions with convolutional neural network features(Faster R-CNN) framework; for this purpose, 888 internal wave samples are utilized to train the convolutional network and identify internal waves. The experimental results demonstrate a 94.78% recognition rate for internal waves, and the average detection speed is 0.22 s/image. In addition, the detection results of internal wave samples under dif ferent conditions are analyzed. This paper lays a foundation for detecting ocean internal waves using convolutional neural networks.     

无人机模糊图像自动检测方法

图像模糊程度是图像评价的一个关键指标参数,它影响着图像的质量和信息。特别对于无人机拍摄的图像,如果利用模糊的图像参与计算,会造成很大的误差甚至出现颠覆性的结果。因此对于图像模糊的检测显得至关重要。传统的图像模糊检测方法大都基于人工检测、且有合格的参考图像参与评价过程,方法耗时、费力,无法用于大量无人机拍摄图像的分析。因此本文基于Sobel边缘检测原理,利用4个方向的Sobel算子,寻找图像中每个Sobel边缘点的模糊邻域,并构建模糊邻域宽度值的计算准则,由此来计算出整幅图像的平均模糊邻域宽度值,并将这个计算结果作为检测模糊的直接依据。同时考虑到无人机拍摄图像的特点,将其按照拍摄时间顺序排列,依次将相邻图像互为参考,通过对比互为参考图像的模糊邻域宽度值的变化情况,将宽度值突变的图像确定为模糊图像。据此对无人机拍摄的所有图像进行模糊检测。最终通过7组2322张 图像进行自动检测发现151张图像模糊,通过人工检测发现158张图像模糊,平均检测率95.57%。该检测方法具有较强的 适用性。     

基于Anchor-free的交通标志检测

交通标志检测是自动驾驶中的重要研究方向,实时准确地从街景图像中检测交通标志对实现自动驾驶及智慧城市的发展具有重要意义。传统的算法基于颜色、形状特征进行检测,只能提取特定种类的交通标志,算法无法同时检测不同类型的交通标志。基于图像特征+机器学习分类器的算法需要人工设计特征,算法速度较慢。主流的基于深度学习的方法多基于先验框,在网络设计上引入了额外的超参数,且在训练过程中产生过量的冗余边界框,容易造成正负样本不平衡。本文受Anchor-free思想的启发,引用YOLO检测器直接回归物体边界框的思路,提出一种基于Anchor-free的实时交通标志检测网络AF-TSD（Anchor-free Traffic Sign Detection）。AF-TSD摒弃了先验框的设计,并引入自适应采样位置可变卷积与注意力机制,大大提高网络的特征表达能力。本文开展大量对比实验,实验结果表明本文提出的AF-TSD交通标志检测网络速度接近主流算法,但精度优于主流算法,在德国GTSDB交通标志检测数据集上取得了96.80%的精度,检测速度平均单张图片32 ms,达到实时检测的要求。     

Object-oriented crop classification based on UAV remote sensing imagery

UAV remote sensing images have the advantages of high spatial resolution,fast speed,strong real-time performance,and convenient operation,etc.,and have become a recently developed,vital means of acquiring surface information.It is an important research task for precision agriculture to make full use of the spectrum,texture,color and other characteristic information of crops,especially the spatial arrangement and structure information of features,to explore effective methods for the classification of multiple varieties of crops.In order to explore the applicability of the object-oriented method to achieve accurate classification of UAV high-resolution images,the paper used the object-oriented classification method in ENVI to classify the UAV high-resolution remote sensing image obtained from the orderly structured 28 species of crops in the test field,which mainly includes image segmentation and object classification.The results showed that the plots obtained after classification were continuous and complete,basically in line with the actual situation,and the overall accuracy of crop classification was 91.73%,with Kappa coefficient of 0.87.Compared with the crop planting area based on remote sensing interpretation and field survey,the area error of 17 species of crops in this study was controlled within 15%,which provides a basis for object-oriented crop classification of UAV remote sensing images.     

基于无人飞行平台的小型Ka波段合成孔径 雷达系统研制

无人飞行平台具有滞空时间长、使用维护方便等优点,在军事侦查打击、国土资源普查、灾害监测等领域的应用日益广泛。合成孔径雷达是一种二维成像雷达,能够得到类似光学图片的雷达图像,具有全天候、高分辨率、宽检测范围等优点,是无人飞行平台的重要载荷之一。然而,受限于无人飞行平台相对较小的空间与负载能力,雷达载荷必须向小型、轻量以及低功耗等方面发展。Ka波段电磁波信号具有波长短、带宽大、关键微波器件的体积小等特点,适合应用于高分辨率微小型雷达载荷。2015年中国科学院电子学研究所面向中小型无人飞行平台,开展了研制的小型高分辨率Ka波段合成孔径雷达工作,并通过试飞验证了雷达性能。本文研究了Ka波段SAR雷达系统各项关键技术,介绍了雷达系统及关键模块设计方案、雷达各工作模式的参数设计和实时成像算法,展示了该雷达在轻型飞行平台上获得的高分辨率飞行图像,并对图像进行了指标分析。试验结果表明：该Ka波段雷达系统成像清晰,图像分辨率优于0.2 m,满足设计指标要求;实测雷达重量低于10 Kg,峰值功耗小于100 W,适用于轻小型无人飞行平台。     

基于无人机成像点云的禄丰恐龙谷南缘环状地貌空间特征探测实验分析

为了定量获取复杂地貌构造的特征参数,需要获取高精度、高分辨率的地形地貌数据。在复杂地貌特征探测中,基于无人机航测结合成像点云,可以快速、高效、安全、准确地完成复杂地貌空间探测任务。针对禄丰恐龙谷南缘环状地貌的典型局地场景,采用无人机测量技术获取测区高分辨率的地貌影像数据,构建实景三维场景模型并对其地貌特征进行探测分析研究。试验结果表明:①基于无人机成像点云构建0.2 m分辨率DEM数据能够精准表达研究区真实地貌特征。②通过构建环状场景"内-中-外"7条典型高程剖面线,对比分析证实了研究区地形呈现环形"盆缘"形态特征,内外两侧高程逐渐递减,并且"盆缘"外部剖面高程起伏变化剧烈,地形相较于内部地貌更加复杂。③为进一步探测提取微形地貌特征信息,利用无人机成像原理构建的精准DEM数据结合测区实景三维模型,定量提取了该区坡度、坡向、相对高差、等值线、山脊线、山谷线等相关参数进行精准定量测量及分析探讨。④利用立体三维模型的多视角目视解译与典型场景分析,可清楚辨别出测区冲沟发育以及地质体的节理层理面等微地貌特征。通过以上对地貌三维场景探测试验研究表明,利用实景三维模型能够快速准确呈现测区地貌形态特征,并且成像点云数据综合分析,能够量化、半量化揭示区域构造地质信息。总体而言,无人机测量技术与成像点云3D产品在地质调查中的应用具有实用意义,并具备独特的技术优势。      

基于YOLOv5算法的飞机类型光学遥感识别

飞机类型检测是遥感影像分析领域的研究热点,在机场监控和情报分析等应用中起着重要的作用。其中,深度学习方法作为遥感影像分析领域广泛应用的手段之一,在飞机类型检测任务中仍面临许多问题,如使用未公开的自制数据集、实验复现困难、无法验证泛化能力等。同时,光学遥感影像易受光照条件、云雨变化等因素影响,使检测任务更加困难。为了解决这些问题,本文首先利用MTARSI数据集对样本进行筛选,再结合Google Earth等开源方法收集飞机影像,采用随机旋转、改变亮度等方法构建新的飞机类型检测数据集。其次,采用YOLOv5作为基础网络框架,针对其多层卷积和池化操作可能会削弱或完全丢失飞机特征的问题,进行多尺度优化训练,有效检测飞机类型特征。最后,利用跨数据集验证模型的泛化能力。实验结果表明,本文方法能准确、有效地检测出光学遥感影像中的飞机的具体类型,具有较强的鲁棒性和泛化能力,跨数据集进行飞机类型检测正确率达到82.12%,可为智能化的飞机目标语义分析、星上应用等研究提供技术支撑。     

无控制点数据的无人机影像快速处理

本文以四川地震灾区作为典型研究区,尝试在无其他控制点数据时,仅利用小型无人机影像和无人机系统自身记录的辅助数据,进行无人机影像的快速匹配、拼接和纠正处理。首先,对小型无人机获取的影像数据和辅助数据进行了详细分析,然后,将小区域原始影像利用影像匹配算法进行自动拼接,拼接后的分块区域再根据辅助数据进行纠正处理。SIFT算法被运用到无人机影像的匹配中,达到了较好的速度和精度;分块拼接后的成果利用辅助数据的伪中心点进行纠正,相对精度较高,镶嵌结果无视觉错位。最后,将纠正结果和GoogleEarth影像数据叠加进行精度检查,主要标志性地物重叠良好。     

基于对象BOW特征的高分辨率遥感影像变化检测方法

针对传统基于像素的变化检测方法的缺点,以及底层特征表现能力不足等问题,提出一种基于对象BOW特征的变化检测方法。首先,将经过预处理操作的两期影像进行波段组合得到组合后影像,再考虑地物光谱特征和几何空间信息对组合后影像进行多尺度分割,获得相对应的对象基元;同时,分别提取两幅影像的底层特征（包括影像各波段的均值和方差以及灰度图像的6种纹理特征）。其次,将对象视作文档,像素的特征向量视作单词,利用BOW模型构建影像对象的中层表达,即对象的BOW特征。最后,通过相似性度量算法比较相应对象的BOW特征,从而识别出影像上的变化区域。本文利用2组WorldView-2影像进行了检验,结果表明本文方法的变化检测结果较为完整,精度优于对比方法。本文方法基本能够满足变化检测的需求,为高分辨率遥感影像上的数据挖掘分析提供了有效的手段。