一种轻量级网络模型的遥感水体提取方法

针对遥感影像水体提取网络模型特征捕捉能力差的问题,提出一种轻量级Unet模型。基于原Unet的编码-解码结构,使用轻量级网络MobileNetV3构建编码器以降低模型复杂度,避免连续下采样导致细节损失;将空洞空间金字塔池化模块作为编码网络与解码网络的连接桥,对编码网络传入的高级语义特征进一步处理;在网络阶跃连接部分,通过引入卷积注意力机制抑制非目标特征通道与特征信息的干扰,均衡提升网络的识别精度;使用交叉熵损失和Dice损失结合的综合损失函数适应训练集。经国产GF-6 PMS水体数据集实验,并将结果与单波段阈值法、NDWI指数法、SVM分类法、DeepLabV3+模型、Unet模型进行比较,结果表明：该模型能够准确区别水体与其他地物,分割精度达到93.78%,证明该方法具有较高的分割精度,能够准确提取水体信息。     

基于无人机遥感的大坡度地质露头岩性分类

针对卫星影像难以获取大坡度地质露头数据、传统分类方法无法有效利用影像信息导致地质露头剖面岩性分类精度较低等问题,本文通过无人机遥感技术获取高精度野外大坡度地质露头数据,并提出了一种多尺度混合特征网络模型。研究结果表明：无人机与贴近摄影测量技术相结合的方法在采集地质露头数据的应用中具有较强的可行性;多尺度混合特征网络模型能够有效地提取无人机多光谱影像中的光谱特征和空间特征,实现了大坡度地质露头岩性的高精度分类。以云台山地质公园某露头为例,本文模型的总体分类精度可达89.91%,Kappa系数可达0.85,相比于传统的机器学习算法SVM和MLC精度提高接近15%,相比于Inception V3和ResNet18总体分类精度提高约10%,相比于Hybrid CNN总体分类精度提高1.5%。     

无人机摄影测量技术在阿娘寨滑坡应急调查中的应用

无人机摄影测量技术具有数据获取效率高、响应速度快、成果丰富多样等优势,逐步应用于地质灾害应急调查中。2020年6月18日阿娘寨滑坡复活后,采用无人机摄影测量技术进行应急调查。首先,通过检查点验证了无人机免像控摄影测量技术的可行性,总结性研究了无人机影像数据快速拼接和全面处理的软件选取,生成了调查区三维实景模型、数字表面模型(DSM)、正射影像(DOM)及密集点云等基础数据;最后对基础数据处理分析,完成了滑坡地形快速测绘、滑坡特征调查等工作,并对多期次的高精度无人机摄影测量数据进行差分计算,识别了滑坡形变较大的区域,定量表征了滑坡的形变特征,为监测仪器的选位提供了指导。滑坡体上GNSS监测的最大累计形变可达16m,将现场布设的专业监测设备的数据接入地质灾害实时监测预警系统中,有效保证了灾害防治工程的顺利实施。     

遥感影像目标检测的轻量化密集连接网络北大核心CSCD

针对无人机遥感影像中可能出现的多个密集的小目标,在检测时会出现误检、漏检的难点问题,本文提出了一种基于YOLO v4的具有密集连接网络模块的遥感影像轻量化目标检测算法,实现了对无人机遥感影像中车辆小目标的高精度识别。首先,对YOLO v4主干网络CSP Darknet53的卷积层采用密集连接、稀疏连接两种处理方式,加强特征的提取和重复使用,以缓解梯度消失问题;然后,对此模块进行模型剪裁,减少网络层数并定义为新的密集连接网络模块;最后,在NWPU-VHR-10数据集和笔者所在课题组制作的Vehicle-850无人机影像数据集上进行了对比试验并取得了较好的效果。本文改进后的网络结构在提高遥感影像目标检测准确率的同时,缩短了网络模型的收敛时间,减少了模型占用的内存空间,提高了遥感影像中目标检测的速度。     

无人机多光谱影像土地利用信息提取方法研究

以无人机多光谱和倾斜影像为数据源,运用面向对象自动分类的方法,首先利用分型网络演化分割算法(Fractal Net Evolution Approach,FNEA)进行分割实验,确定研究区每个地类最优分割尺度,并结合多光谱影像的光谱特征、纹理特征、空间特征、语义关系以及通过倾斜摄影提取的数字表面模型(Digital Surface Model,DSM)和其衍生的坡度数据等,构建研究区分类规则集,并采用多尺度分割后的多层次信息提取方法,将地物分为3个尺度,在不同尺度下提取相应的地物,总体精度为88.03%,Kappa系数为86.12%,分类结果较好。同时设置对比实验,利用传统的决策树方法分类,其总体精度仅为77.78%,Kappa系数为74.23%。研究表明,针对无人机的高分辨率多光谱影像面向对象的多尺度信息提取方法在信息提取时要优于决策树分类方法,同时验证了该多光谱传感器在信息提取上应用的可行性。     

基于Relief F与卷积神经网络的湿地植物群落精细分类

湿地是陆地生态系统和水生生态系统之间的重要过渡带,准确高效地获取湿地植物群落分布信息对于保护湿地具有深远的意义。本文以无人机多光谱影像为数据源,首先构建包含光谱特征、植被指数和纹理特征的多维特征数据集,并采用Relief F算法进行特征优选,确定最优特征数据集;然后构建基于特征优选的卷积神经网络(CNN)分类模型,对最优特征数据集进行分类,并与基于原始多光谱影像的CNN和随机森林(RF)分类方法进行对比。结果表明：(1)随着特征个数的增加,分类精度先增加后下降,当特征数为32时分类精度最高;(2)窗口为13×13的GLCM提取的信息熵和同质性等纹理特征及GNDVI、MSAVI2、RVI等多光谱植被指数重要性较高;(3)基于最优特征数据集的CNN分类模型,能够有效提取空间光谱信息,抑制“椒盐现象”的产生,分类效果最佳,总体精度达93.40%,与未进行特征优选的RF和CNN分类模型相比分别提高了9.80%和7.40%。     

基于单阶段神经网络的房屋屋顶检测方法

针对现有方法利用无人机影像对房屋目标进行检测的过程中存在错检、漏检率高等问题,构建了单阶段卷积神经网络来实施无人机影像房屋检测,并在德国宇航中心开源数据集(Deutsches Zentrum für Luft-und Raum fahrt,DLR)3KVehicle的基础上,采用多种数字图像增强手段对原始图像进行数据增强处理,提高训练后模型的泛化能力.在测试数据集上对训练后的网络进行测试,采用精度均值(Average Precision,AP)和每秒传输帧数(Frames Per Second,FPS)指标进行评价.并将检测结果与经典的目标检测模型单激发多盒探测器(Single Shot Multi-Box Detector,SSD)以及YOLOv3的检测结果进行对比.结果表明,所构建的卷积神经网络对于无人机影像中的房屋目标尤其是小目标有着较高的检测精度,检测精度可以达到91.3％AP,相比SSD和YOLOv3在精度方面提高了11.5％和8.3％.同时网络的检测速度可以达到每秒传输帧数21m·s-1,能够快速精确地检测出无人机影像中的房屋目标.     

特征变换的延安建筑物提取研究

针对高空间分辨率卫星遥感数据多光谱波段数较少和原始波段组合光谱特征利用有限等问题,该文提出了一种基于特征变换的建筑物信息提取方法。以陕西省延安市宝塔地区为研究区,基于快鸟数据采取特征变换、波段选择、数据融合等解决高空间分辨率原始光谱特征利用有限等问题,采用知识规则的面向对象分类方法进行建筑物识别研究。实验表明,缨帽变换波段能有效地突出建筑物信息,4种融合算法中主成分变换融合适用进一步面向对象分类,建筑物识别的总体精度达到89.3%。此方法能有效识别沿坡脚或滑坡体分散分布的建筑物,为快速获取居民空间分布信息和辅助灾害应急评估等提供参考。     

基于改进YOLOV5模型的嵌入式端航拍图像目标检测

随着基于深度学习目标检测模型日渐成熟,将目标检测模型部署到航拍无人机上已成为重要研究方向,针对无人机机载推理设备算力和内存有限,提出一种结构重参化的YOLOV5(you only look once V5)航拍目标检测算法。首先替换YOLOV5模型的特征提取网络为结构可重参网络,然后借助开源数据集训练多分支YOLOV5模型,再对多分支网络重参化得到单路网络模型,最后把Pytorch模型转化为ONNX模型,完成在无人机嵌入式端推理部署。实验表明：重参化YOLOV5模型推理速度提高3倍左右,检出率增加0.03%,召回率增加0.02%,mAP0.5增加1.22。     

一种草地高光谱图像分类方法北大核心CSCD

针对传统的大规模草地牧草的识别,不仅浪费大量的人力、物力,还浪费大量的时间和经费。该文提出了一种基于高光谱成像采集系统的草地动态监测新手段,利用采集到的可见-近红外光谱(范围400~1 000nm)图像和光谱信息进行自动分类。该方法主要包括预处理、特征波段提取以及分类识别3个步骤。(1)利用ENVI(4.7)提取图片的感兴趣区域光谱数据,由于存在大量的数据冗余以及外界的噪声干扰等因素,因此采用多元散射校正去除散射,增强与成分含量相关的光谱吸收信息。(2)采用连续投影选取出13个特征波段消除数据冗余。(3)采用支持向量机对选取的特征波段进行分类,分类识别率可达100%。结果表明,采用高光谱成像技术对野外牧草种类的无损识别是可行的,SPA提取光谱特征波段及SVM进行判别野外田间牧草种类取得较好的效果。     

一种草地高光谱图像分类方法

针对传统的大规模草地牧草的识别,不仅浪费大量的人力、物力,还浪费大量的时间和经费。该文提出了一种基于高光谱成像采集系统的草地动态监测新手段,利用采集到的可见-近红外光谱(范围400~1 000nm)图像和光谱信息进行自动分类。该方法主要包括预处理、特征波段提取以及分类识别3个步骤。(1)利用ENVI(4.7)提取图片的感兴趣区域光谱数据,由于存在大量的数据冗余以及外界的噪声干扰等因素,因此采用多元散射校正去除散射,增强与成分含量相关的光谱吸收信息。(2)采用连续投影选取出13个特征波段消除数据冗余。(3)采用支持向量机对选取的特征波段进行分类,分类识别率可达100%。结果表明,采用高光谱成像技术对野外牧草种类的无损识别是可行的,SPA提取光谱特征波段及SVM进行判别野外田间牧草种类取得较好的效果。     

机载GPS无人机数据的应急处理框架试验研究

介绍了快速无人机拼图、机载GPS无人机自由网平差、机载GPS无人机附加参数(相机自检校)的光束法区域网平差、机载GPS无人机辅助数据的联合平差和大重叠度的无人机三维点云和三维数字地表模型(DSM)的制作等5种机载GPS无人机应急处理关键技术,通过试验效率和方法性能分析,提出基于机载GPS无人机数据应急处理框架,可为城市无人机应急体系建设提供参考。     

泰森多边形区域高斯连接函数的遥感影像分割

为了更好地描述多光谱遥感影像波段间的相关性,提高影像分割的精度,该文提出基于区域高斯连接函数的遥感影像分割方法。(1)利用泰森多边形划分技术将影像域划分成若干泰森多边形,在此基础上,利用马尔可夫随机场(MRF)模型对标号场进行定义;(2)引进高斯连接函数建立影像子区域像素光谱测度的多变量统计模型,以表达影像特征场光谱波段间的相关性;(3)定义各模型参数的先验概率,在贝叶斯定理的架构下实现影像分割模型的建立;(4)采用M-H算法对分割模型进行模拟,并利用最大后验概率(MAP)得到最优分割。利用所提算法分别对模拟影像和真实影像进行分割实验,结果表明：该文所提方法可以更准确地描述影像波段间的相关性,更有效地提高影像的分割精度。     

基于改进YOLOv5的无人机影像道路裂缝检测方法

道路裂缝的出现对道路使用寿命和人车安全带来明显影响,需及时检测出道路裂缝。针对无人机影像中裂缝目标小、图像背景复杂导致检测精度低等问题,本文以无人机采集裂缝图像作为研究数据,提出了一种改进YOLOv5模型的深度学习道路裂缝检测方法。在YOLOv5模型骨干网络中分别加入CBAM、SimAM、CA注意力机制,提高模型对裂缝的识别能力及检测精度,通过消融试验进行对比分析,同时在YOLOv5模型上融入自适应空间特征融合算法,改善裂缝特征提取能力。研究表明,改进后的YOLOv5网络模型相比于原模型,精度得到明显提高,均值平均精度(mAP)提升20.6%,在保证准确性的同时有效提高了检测精度,可为道路裂缝检测提供新的方法。     

集成学习和条件随机场的影像招弧角识别

无人机巡检是目前电力部门主推的一种巡检方式,招弧角是一种重要的电网设备、但其呈现细长的几何形状特征,其测量需要优于1 cm空间分辨率的影像.为了从无人机获取的高分辨率影像上提取招弧角,该文提出了基于随机森林、集成学习、全连接条件随机场的无人机影像分类和招弧角提取方法.首先,提取了影像的12个光谱和纹理特征.接着,建立训练样本库,训练了多个独立的随机森林分类器、并形成随机森林集成模型进行影像分类.最后,利用全连接条件随机场优化分类结果.该文采用5000张无人机影像进行了实验.实验表明,该文提出方法的整体分类精度达到85.5％,招弧角识别的正确率为98.3％、完整率为74.3％,表明该方法具有潜在的工程应用价值.     

新疆哈密三种典型蚀变矿物的HyMap高光谱遥感信息提取

利用机载的可见光、近红外及短波红外成像光谱(ＨyMap)数据,对新疆哈密地区岩矿信息识别方法进行研究。基于方解石、 绿泥石和绢云母3种常见蚀变矿物的光谱特征,在遥感数据定标和反射率图像转换的基础上,应用光谱角度模型（SAM）分类法进行自 动匹配识别和信息提取。通过掩膜技术进行方解石、绿泥石和绢云母矿物填图,并结合实验室光谱数据库光谱进行了验证。     

光谱分辨率对地物分辨能力的影响分析

对高光谱数据进行地物识别处理时,如果直接采用原始观测值进行分析,由于相邻波段之间相关性强,进行地物识别时需要大量的训练样本,而且对于一些分布较少的地物类别则无法处理,因此需要通过特征选择来消除数据中存在的冗余,提高数据分析效率。本文针对在不同光谱分辨率条件下,对典型地物分辨能力的统计,分析了光谱分辨率对地物自动识别能力的影响情况。同时通过模拟数据的办法比较了高光谱数据和多光谱数据(以TM数据为例)对地物光谱特征的描述能力,指出高光谱数据存在的优势。通过本文的研究,为高光谱遥感技术在地物自动识别方面的应用提出了初步的方向。     

高光谱影像小目标谐波分析探测模型

针对高光谱影像小目标探测问题,结合白化处理(WP)与约束能量最小化(CEM)算法,提出一种基于谐波分析(HA)的小目标探测新模型,即HA-WP-CEM模型.该模型首先对原始影像进行3次谐波分析,提取出最适合小目标探测的高光谱影像谐波分析余项、振幅和相位等7个能量谱特征成分.其次通过对谐波分析特征成分的白化处理,实现各特征成分的背景抑制,突出低概率的小目标信息.在采集白化数据的探测目标参考像元光谱之后,将参考光谱矢量和白化数据协方差矩阵输入CEM算子,得到小目标的探测结果.最后利用高分辨率影像进行定性评价,并选取3个重点区域,通过计算模型探测结果的信噪比、探测率、漏检率和虚警率进行定量评价.研究结果表明,HA-WP-CEM探测模型在运行简易性、可靠性、实用性和准确性等方面均明显优于直接采用CEM、WP-CEM等方法.同时该模型在数据变换、抑制背景、降噪等方面也达到了很好的效果.     

一种面向绝缘子缺陷检测的YOLOv5l优化模型

由于无人机电力影像存在绝缘子器件尺度变化大,输电线路背景复杂,绝缘子缺陷目标小的特点,导致传统目标检测算法识别精度不高。该文提出以YOLOv5l为基础的CA、Transformer编码块和多尺度相融合的改进网络模型,较好的提高了大尺度变化影像上绝缘子缺陷检测的准确性,提升了复杂背景下多类型绝缘子缺陷识别的能力,并解决了微小绝缘子缺陷漏检的问题。基于在某电网公司的数据集上完成训练和验证实验,表明优化模型相比原YOLOv5l模型,准确率提升8.9%,召回率提升4.4%,平均精度均值提升3.5%,说明改进模型对绝缘子缺陷检测有效。     

光流网络的无人机视频运动目标检测方法

针对传统光流技术的无人机视频运动目标检测方法计算效率低等问题,提出一种基于改进光流网络的无人机视频运动目标检测方法.首先利用卷积神经网络分别提取视频序列影像中目标的运动特征,并利用所提取特征进行光流计算;其次通过堆叠网络结构增加网络深度、引入小位移子网络等方法提高光流计算的精度和效率;最后通过光流阈值分割实现运动目标的检测.采用4组不同飞行模式下的无人机视频数据进行实验,实验结果表明,无论是在悬停模式还是在航行模式下,所提方法均能实现单目标、多目标和遮挡目标的检测,检测效果更好、计算效率更高(计算时间≤35 ms),基本能满足无人机视频运动目标实时处理的需求.