基于卷积神经网络的无人机影像违章建筑检测应用

无人机航拍影像具有分辨率高、回访周期短等特点,利用无人机遥感技术手段对城市范围的建设进行动态监测,可及时、有效地发现涉嫌违法的建设活动.本文结合实际项目需求,研究通过卷积神经网络方法进行违章建筑的自动检测,替代过去靠大量人力检查的模式,目前测试区域无人机影像试验取得了较好的效果,在样本数据不足5000份的情况下,准确率...     

基于高清工业相机的盾构隧道裂缝智能识别算法分析

裂缝一直是隧道病害的重点检测对象,但传统人工巡检仅能通过肉眼发现后记录,人工识别精准度与效率完全取决于个人经验判断,无信息化手段辅助,作业效率识别精度亟待提升.针对以上问题,本文借助高清工业相机成像分辨率高、采集速度快等特点,将高清工业相机部署于轨道车上获取隧道表面裂缝病害信息,大幅提高了隧道裂缝识别效率,将识别精度提...     

遥感影像智能解译样本库现状与研究

我国遥感对地观测等项目顺利实施,获取了大量时效性强、覆盖范围广、信息量丰富的遥感数据.但遥感影像智能化自动处理技术发展仍相对滞后,无法满足区域/全球大范围地物信息快速提取的需求.近年来,人们利用深度学习技术显著提高了影像特征提取成效,但由于所使用的深度学习样本数量和类型有限,对于多源遥感影像的自动解译能力仍然不足.本文...     

面向WebGL的矢量数据三维绘制技术

矢量数据的叠加显示能够提高三维虚拟地球的表达效果与分析能力。受限于GPU的计算精度,在三维虚拟地球中矢量数据绘制普遍存在抖动现象和深度冲突现象。对基于WebGL的矢量数据三维绘制中计算精度问题进行了分析,提出了使用CPU RTC技术和GPU RTE技术提高顶点变换的精度,使用多视锥渲染算法和深度平面技术解决深度缓存精度问题。实验证明,这几种技术和算法可以有效缓解抖动现象和深度冲突现象导致的视觉干扰,改善了各种尺度和范围的矢量数据在三维地形上的叠加显示效果。     

车载激光雷达点云快速栅格化算法研究及应用

针对车载激光雷达点云数据量大、密度高且存在分层错位和噪点等情况,提出了一种具实时性激光点云快速栅格化算法,该算法根据雷达扫描精度预设栅格单元大小,可在不丢失对象形状特征的情况下,能快速完成点云数据平滑及降采样处理,并将数据量缩小为处理前的60%。将该栅格算法处理后的点云数据应用于深度学习,作为pointnet++神经网络的训练集及测试集,完成语义分割模型训练与测试。实验结果表明,该算法可在1 s内完成上百万量级的点云栅格处理,并且经该算法处理后的点云数据能有效缩短训练时长、提升网络测试精度。     

遥感影像分析在新增建设用地督察中的应用

以卫星影像大数据和时空数据挖掘技术为基础,采用深度学习框架支撑,构建了面向新增建设用地遥感监测应用需求的深度学习训练平台,可智能发现自然资源督察线索,全面提高自然资源督察问题的发现能力.该技术可广泛服务于大范围、高频次的督察工作,为督察工作提供更及时客观全面的信息基础和保障.     

IEU-Net高分辨率遥感影像房屋建筑物提取

房屋建筑物作为人类活动的主要场所,快速准确地将其从高分辨率遥感影像中提取出来,对促进遥感信息在防灾减灾、城镇管理等方面的应用具有重要意义。本文基于深度学习,提出了高分辨率遥感影像房屋建筑物像素级精确提取方法。首先,针对样本图像边缘像素特征不足现象,以U-Net模型为基础提出IEU-Net模型,设计了全新的忽略边缘交叉熵函数IELoss并将其作为损失函数,另外添加Dropout和BN层在避免过拟合的同时提高模型训练速度和鲁棒性。其次,为解决模型特征丰富度有限的问题,引入形态学建筑物指数MBI,与遥感影像RGB波段一同参与到模型的分类过程。最后,在模型预测时与IELoss相对应采用忽略边缘预测策略从而获得最佳建筑物提取结果。实验对比分析表明：本文方法能有效克服样本边缘像素特征不足问题并抑制道路、建筑物阴影对结果的影响,提升高分辨率遥感影像中房屋建筑物的提取精度。     

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.     

基于DBN的车载激光点云路侧多目标提取

提出一种基于深度信念网络（DBN）的车载激光点云路侧多目标提取方法。首先通过预处理对原始数据进行分段,并将地面和建筑物点云与路侧目标进行分离;然后利用连通分支聚类分析算法进行路侧点云聚类,并采用基于体素的归一化分割方法分割重叠点云,从而生成独立目标点云;在此基础上,生成基于多方向目标对象的二值图像并展开成二值向量作为独立目标点云的描述特征;最后构建并训练DBN,利用训练好的DBN提取行道树、车辆及杆状目标等3类路侧目标。试验采用两份不同城市道路场景的点云数据,行道树、车辆及杆状目标提取结果的准确率分别达97.31%、97.79%、92.78%,召回率分别达98.30%、98.75%和96.77%,精度分别达95.70%、93.81%和90.00%,F1值分别达97.80%、96.81%和94.73%。试验结果验证了本文的有效性。     

利用主动深度学习提取极化SAR影像建筑区

针对利用传统监督分类方法从极化SAR影像中提取建筑区存在标记样本数量不足、难以挖掘有效特征等问题,提出一种主动学习与深度学习相结合的极化SAR影像建筑区提取方法。首先通过自动编码器对训练样本训练得到初始分类器;接着利用主动学习得到未标记样本中最富有信息量的样本进行人工标记;并将标记好的样本加入到训练样本中重新训练分类器。分别采用RADARSAT-2和ALOS-2极化SAR影像进行实验。结果表明传统的SVM方法和深度学习的方法加入主动学习后建筑区的提取精度都有所提高,而主动深度学习方法的提取效果优于主动SVM方法。