0 引言
随着我国工业的快速发展,生产过程中产生的采矿废石、选矿尾矿和冶炼废渣等形成了大量露天堆积的尾矿库、废石堆等历史遗留工业固废堆场[1],同时露天采场作为矿区工业固废的主要来源,开采过程中产生的大量剥离物和废石堆积于采场或其周边地区[2],在侵占具有重要利用价值的土地资源的同时,也造成了严重的重金属环境污染,危害人类健康[3]。因此,及时有效地监测和评估工业固废与露天采场的空间分布和动态变化情况,对于固废精准管控和生态环境保护具有重要意义。然而,传统的监测方法主要依靠实地调查和采样分析,成本高、效率低,难以对工业固废堆场及露天采场实时有效监测,同时由于某些历史固废堆场已被处理且缺乏历史调查数据,无法对已受固废污染的场地进行历史回溯。而遥感技术凭借其宏观、动态、高时间分辨率的优势可弥补传统方法的不足,已成为追溯工业固废及露天采场历史分布的新兴监测手段[4]。
近年来,深度学习方法已在工业固废和露天采场的识别中广泛应用,现有研究主要基于高分卫星和Worldview等高空间分辨率遥感影像构建训练样本集,建立如SSD[14-15],U-Net[16],Mask R-CNN[17-18]和Segnet[19]等卷积神经网络深度学习算法,在大区域范围工业固废和露天采场识别方面取得了较好的识别精度。在诸多深度学习算法中,U-Net神经网络模型因能很好捕捉上下文特征信息,在工业固废和露天采场的遥感识别中得到了大量应用,如张成业等[20]在尾矿库遥感识别中对比U-Net方法与传统机器学习方法,结果表明前者在效率与精度上均更为优异。然而,目前绝大多数基于深度学习方法的识别研究仅考虑了单一尺度的样本集构建,难以充分反应不同种类工业固废及露天采场形态和大小差异特征[21]。影像样本集尺度设计过小,会导致大面积堆场无法被影像样本完整覆盖,信息表达不完整。反之,影像样本集尺度设计过大,则会造成大量背景因素干扰,致使小面积堆场特征信息被弱化。因此,样本集尺度大小的选择至关重要,构建能够覆盖研究区各种工业固废和露天采场不同形态与大小差异特征的多尺度样本集,或是提升矿区大范围工业固废和露天采场监测精度的有效手段。
对此,鉴于不同种类工业固废与露天采场形态大小差异特性,本研究拟采用3种常用的不同像素尺度窗口裁剪GF-1B,GF-1C和GF-6号卫星遥感影像,提出一种基于多尺度样本集优化策略的工业固废及露天采场遥感识别方法,构建U-Net深度学习网络识别模型,对比检验多尺度样本集优化策略的有效性。
1 研究区概况与数据源
1.1 研究区概况
1.2 遥感数据源与预处理
自2010年高分专项正式启动实施以来,中国已经形成了国产高分辨率卫星对地观测体系,2 m级空间分辨率的卫星遥感数据理论上已实现全国覆盖[24],但受云雨遮盖的影响,单一卫星存在部分地区遥感数据缺失或不完整的问题,故本研究于湖南省卫星云遥系统(https://www.img.net/)综合选取GF-1B,GF-1C和GF-6共10景卫星遥感影像联合实现研究区范围全覆盖,遥感影像具体说明如表1所示。为消除卫星影像在数据获取过程中受到地球自转、卫星轨道和大气吸收散射等因素引起的几何畸变和辐射失真等影响[25],基于ENVI5.6软件对影像数据进行了一系列的预处理操作,包括辐射定标、大气校正和正射校正,并借助Python编程语言实现遥感影像全色波段与多光谱波段图像融合,最终得到包含4个波段信息(红光、绿光、蓝光、近红外波段)的高空间分辨率(2 m)遥感正射影像数据。
表1 遥感影像数据说明
Tab.1
| 遥感平台 | 图幅 数量/景 | 获取时间 | 空间分 辨率/m | 波段范围/nm |
|---|---|---|---|---|
| GF-1B | 3 | 2022-04-27 | 2(全色波段) 8(多光谱波段) | 450~890 |
| GF-1C | 3 | 2022-10-14 | ||
| GF-6 | 4 | 2022-12-24 |
2 研究方法
2.1 工业固废及露天采场样本集制作
2.1.1 单尺度样本集制作
表2 工业固废与露天采场遥感解译标志
Tab.2
| 目标类型 | 影像图例 | 特征概括 |
|---|---|---|
| 废石堆场 |  | 一般位于矿山或选矿厂附近,大多随意堆放,呈现不规则的矩形或圆形;影像上常呈现棕黑色、深灰色等,与周围地物存在明显色差 |
| 尾矿库 |  | 呈现出规则或不规则的三角形、半圆形、矩形等形状;影像上表现为明显的封闭区域,可见明显的阶梯状筑坝,常位于谷沟内;纹理特征明显细致,色调较亮 |
| 露天采场 |  | 周边常有显著的矿山裸露地带,矿体颜色明亮;存在坑洞或裂缝等纹理特征,影像上可识别出道路或行车痕迹 |
图1
图1
工业固废与露天采场的分布
Fig.1
Distribution of industrial solid waste samples and open-pit mining areas
2.1.2 多尺度样本集制作
为确保输入模型的影像切片能够全面覆盖2类工业固废堆场以及露天采场,充分考虑其形态和大小差异特征,结合前期实地调研结果以及监测目标在遥感影像上的分布情况,采用3种常用的不同像素尺度窗口(256×256,512×512,1 024×1 024)进行遥感影像裁剪,通过合理设置步长遍历整个影像,确保滑动窗口能够完整覆盖各个堆场,由此裁剪得到影像切片后统一缩放至512像素×512像素以符合U-Net神经网络模型的输入大小,构建多尺度工业固废与露天采场样本集。这一策略有助于更全面地捕捉废石堆场、尾矿库以及露天采场在形态和大小上的差异特征,为模型训练提供更具代表性的样本数据。
2.1.3 数据增强
为有效防止因样本不平衡、不充足而造成的建模过拟合问题,提高深度学习模型在遥感影像识别中的准确性,本研究对不同尺度工业固废及露天采场样本集经水平翻转、垂直翻转以及对角翻转的数据进行增强处理,从而扩充样本集数量,提高数据多样性。最终得到包含588张影像的单尺度样本集和包含1 986张影像的多尺度样本集,并分别按照6∶ 2∶ 2的比例确定训练样本、验证样本以及测试样本,用于U-Net神经网络模型训练与精度验证。
2.2 U-Net神经网络模型构建
U-Net神经网络模型采用全卷积运算方式,由对称的编码器和解码器组成,有助于从不同层次获取影像特征,在小样本学习中表现良好[26],理论上能提高识别的准确度和稳定性。本研究构建的U-Net神经网络模型(图2)以4个波段的512像素×512像素遥感影像切片作为输入数据,经过卷积和池化操作实现模型的下采样从而提取影像的全局特征,得到底层特征图像。为将特征图像恢复到原始输入影像的尺寸大小,网络通过反卷积层和激活层实现模型的上采样。上采样和下采样之间存在直接跳跃层连接,有助于融合底层和高层特征,提升网络对识别目标细节和形状特征的感知能力。U-Net神经网络模型的输出数据是一个与输入影像尺寸相同的单波段分类结果图像,其中不同的像素值分别代表背景、废石堆场、尾矿库和露天采场4个类别。
图2
2.3 实验环境配置与模型参数设置
为确保基于单一尺度和多尺度样本集构建的U-Net神经网络模型的精度对比具有有效性,实验在统一的硬件和软件环境下进行。实验硬件环境采用Intel(R) Xeon(R) Silver 4210R CPU,搭载NVIDIA GeForce RTX 3080(10 GB)显卡,并配备128 GB内存。软件环境搭建PyTorch 2.0.1深度学习框架,使用Python语言编程实现U-Net神经网络模型构建。在不同尺度样本集下构建的U-Net神经网络模型参数设置保持一致,具体参数设置见表3。
表3 模型参数设置
Tab.3
| 训练参数 | 参数值 |
|---|---|
| 初始学习率 | 0.001 |
| 优化器 | Adam |
| 损失函数 | Binary cross entropy |
| 批尺寸 | 3 |
| 迭代次数 | 200 |
2.4 精度评价方法
本研究采用遥感影像识别领域中常用的精确率、召回率、F1分数以及平均交并比(mean intersection-over-union,mIoU)4个指标进行模型精度评定,从多个角度对识别效果进行定量评估,充分对比不同深度学习网络算法模型的优劣。在目标识别过程中,精确率衡量模型准确预测目标像素的能力;召回率则评估模型对真实目标像素的捕获程度; F1分数综合考虑精确率和召回率,提供对模型性能的综合评估;mIoU计算真实值集合和预测值集合之间的交并比,进一步度量模型的空间重叠性能。各指标具体计算公式为:
式中:P为精确率;R为召回率;F为F1分数;C为类别数;TP为正确预测的前景像素(即正类像素);FP为错误将背景预测为前景的像素(即误检的像素);FN为错误将前景预测为背景的像素(即漏检的像素);
3 结果与分析
本研究基于遥感影像实现了工业固废及其来源露天采场的一体化识别,在准确掌握矿区工业固废空间分布的同时,也识别了工业固废产生的源头——露天采场,有助于更深入地了解工业固废产生及分布的关联性,为矿区的环境管理和固废管控提供更为精准的数据支撑。
3.1 模型精度评价
为充分验证本文方法的优越性,选取DeepLabv3+[27]与Segmenter[28]2种目前较为成熟的语义分割模型与U-Net神经网络模型进行对比。表4中的精度评价结果表明,基于不同尺度构建的U-Net神经网络模型识别精度相较于DeepLabv3+与Segmenter模型表现更为优异,证实了U-Net神经网络模型在矿区工业固废与露天采场识别中具有更好的适用性。进一步对比不同尺度样本集构建的U-Net神经网络模型识别精度指标发现,单尺度样本集与多尺度样本集的精确率分别为75.21%和81.23%,召回率分别为65.86%和66.88%,F1分数分别为70.24%和73.36%,mIoU分别为63.69%和73.55%。这一结果虽然表明2种样本集模型在工业固废与露天采场识别识别中都能表现出良好精度,但多尺度样本集模型在精确率、召回率、F1分数和mIoU方面均优于单尺度样本集模型,分别提升了6.02百分点、1.02百分点、3.12百分点和9.86百分点。因此,相较于单尺度样本集模型,多尺度样本集模型在测试精度上表现更为优秀,证实了本文提出的方法在工业固废与露天采场识别中的可行性和有效性。
表4 不同尺度样本集模型识别精度对比
Tab.4
| 模型 | 样本集 | 精确率 | 召回率 | F1分数 | mIoU |
|---|---|---|---|---|---|
| U-Net | 单尺度 | 75.21 | 65.86 | 70.24 | 63.69 |
| 多尺度 | 81.23 | 66.88 | 73.36 | 73.55 | |
| DeepLabv3+ | 单尺度 | 73.06 | 58.68 | 65.09 | 61.70 |
| 多尺度 | 79.52 | 58.29 | 67.27 | 69.91 | |
| Segmenter | 单尺度 | 66.72 | 68.59 | 67.64 | 60.39 |
| 多尺度 | 71.81 | 69.28 | 70.52 | 65.81 |
3.2 模型稳定性分析
损失函数的收敛效果是判断卷积神经网络模型训练结果稳定性的一个关键影响因素[29]。由图3(a)可知,基于多尺度样本集构建的U-Net神经网络模型损失函数随着迭代次数的增加呈现梯度下降趋势,并在125次迭代后趋于稳定,表明模型对训练数据的拟合能力逐渐增强,收敛效果较好。同时图4表明,随着迭代次数的增加,模型的精确率也逐步提升,进一步证明模型训练效果良好。相反,单尺度样本集U-Net神经网络模型在训练过程中(图3(b)),损失函数曲线的震荡显著,特别是在第50个迭代时,损失函数上升至0.78。这反映单尺度样本集相较于多尺度样本集噪声更大,构建的U-Net神经网络模型稳定性较差,这一结果也再次证实了基于多尺度样本集构建的U-Net神经网络模型在训练时表现出更好的稳定性。
图3-1
图3-2
3.3 精度差异成因分析
为进一步深入分析基于不同尺度样本集构建的U-Net神经网络模型精度差异,对2种模型在废石堆场、尾矿库和露天采场3类目标识别效果方面进行分析,结果如表5所示。由表中结果可知,单尺度样本集模型基本能够识别工业固废的空间范围,但在废石堆场的识别中出现了错分现象,将部分露天采场像元误分为废石堆场像元。分析认为,由于废石堆场与露天采场在纹理特征上相似,基于单尺度样本集无法充分表达不同类别工业固废的特征,导致模型学习的信息不够全面,从而出现错分现象。不仅如此,在尾矿库的识别中也出现了漏检现象,少部分尾矿库像元未被正确识别。这种误差可能是由于尾矿库与紧邻地物如道路、房屋发生特征混淆,致使模型学习不够准确,造成漏检。而多尺度样本集模型对3类目标的识别效果均表现出色,能够高精度地识别出各类目标的空间范围,并未出现明显错分和漏检现象。综合分析不同尺度样本集建模的识别结果,可以看出基于多尺度样本集的模型在识别效果上表现更为优异,证明多尺度样本集能够更充分地表达工业固废及露天采场形态各异的特征信息,增强模型识别精度。
表5 不同尺度样本集模型识别结果对比
Tab.5
| 类型 | 单尺度样本集 | 多尺度样本集 | ||||
|---|---|---|---|---|---|---|
| 遥感影像 | 样本标注 | 识别结果 | 遥感影像 | 样本标注 | 识别结果 | |
| 废石堆场 |  | |||||
| 尾矿库 |  | |||||
| 露天采场 |  | |||||
4 结论
本文基于GF-1B,GF-1C和GF-6号卫星遥感影像数据制作了郴州市多尺度工业固废及露天采场样本集,构建了U-Net神经网络模型,开展了工业固废及露天采场遥感识别,对比了不同尺度样本集下模型的稳定性以及精度指标。主要结论如下:
1)提出的多尺度样本集优化策略可有效改善不同种类工业固废堆场及露天采场特征表达不完整的问题,由此构建的U-Net神经网络模型可实现郴州市废石堆场、尾矿库以及露天采场的精准识别。模型识别的精确率、召回率、F1分数和mIoU分别可达81.23%,66.88%,73.36%和73.55%。
2)多尺度样本集可更好地表达不同种类工业固废与露天采场的形态和大小特征差异。相较于单一尺度样本集,基于多尺度样本集构建的U-Net神经网络模型在精确率、召回率、F1分数和mIoU可分别提升6.02百分点、1.02百分点、3.12百分点和9.86百分点。
本研究提出的多尺度样本集优化策略虽为工业固废及露天采场的一体化监测提供了一种可靠的改进方法,但未来工作中,可针对工业固废本身成分混杂和光谱混淆的问题进一步完善。一方面根据不同类别工业固废及露天采场对象确定细分类型的工业固废样本集尺寸,实现不同类别目标对象的自适应、自动化样本集构建,提升模型的泛化能力和识别准确性;另一方面,利用高光谱遥感数据光谱信息丰富的优势提取更多种类工业固废先验光谱知识,帮助模型更好地区分纹理相似、光谱混淆的工业固废及露天采场,通过减少错分和漏分现象提高模型识别精度。
参考文献
工业固体废弃物资源综合利用技术现状
[J].
Present situation of comprehensive utilization technology of industrial solid waste
[J].
Mapping opencast iron mine and mine solid waste based on a new spectral index from medium spatial re-solution satellite data
[J].
Spectroscopic response of soil organic matter in mining area to Pb/Cd heavy metal interaction:A mirror of coherent structural variation
[J].
Assessment of Kuwait’s Al-Qurain landfill using remote sensing imagery
[J].
Multi-scale hierarchical sampling change detection using Random Forest for high-resolution satellite imagery
[J].
An assessment of the effectiveness of a random forest classifier for land-cover classification
[J].
Urban building damage detection from very high resolution imagery using OCSVM and spatial features
[J].
A targeted change-detection procedure by combining change vector analysis and post-classification approach
[J].
A method for the remote sensing identification of uncontrolled landfills:Formulation and validation
[J].
东江源稀土矿区土地利用变化遥感监测研究
[J].
Remote sensing monitoring of land-use change in rare earth mining area in the source region of Dongjiang River
[J].
综合机载LiDAR与高分影像的煤矿区典型地物提取方法
[J].
DOI:10.13474/j.cnki.11-2246.2015.378
[本文引用: 1]
综合利用LiDAR点云数据与WorldView-2高空间分辨率遥感影像,采用面向对象分类的矿区地表覆盖信息提取方法,利用nDSM高度阈值区分候选分割对象,构建了基于决策树分类器的矿区典型地物提取模型,在此基础上将图像光谱信息、DSM数据和地形参数等多源数据进行了融合,提取了出矸石堆、煤堆等典型煤矿区地物要素及植被、道路、水体等地表覆被要素信息。
Typical surface features extraction in mining area based on data of LiDAR and WorldView-2
[J].
DOI:10.13474/j.cnki.11-2246.2015.378
[本文引用: 1]
综合利用LiDAR点云数据与WorldView-2高空间分辨率遥感影像,采用面向对象分类的矿区地表覆盖信息提取方法,利用nDSM高度阈值区分候选分割对象,构建了基于决策树分类器的矿区典型地物提取模型,在此基础上将图像光谱信息、DSM数据和地形参数等多源数据进行了融合,提取了出矸石堆、煤堆等典型煤矿区地物要素及植被、道路、水体等地表覆被要素信息。
Deep learning-based welding image recognition:A comprehensive review
[J].
基于SSD模型的京津冀地区尾矿库检测
[J].
DOI:10.11873/j.issn.1004-0323.2021.2.0293
[本文引用: 1]
我国尾矿库事故频发，所造成的危害极其严重。掌握尾矿库的数量及分布情况对预防尾矿库事故和开展尾矿库应急工作具有重大意义。传统的调查方法主要以地面调查为主，难以做到大范围高频次的监测。因此提出了一种基于深度学习的尾矿库目标检测方法，可以快速识别尾矿库的位置并掌握其地理分布。首先分析尾矿库在遥感图像上的特征，制作适合训练的样本，根据样本的情况优化调整训SSD （Single Shot Multibox Detector）模型，基于优化后的模型进行京津冀地区尾矿库的自动提取。实验结果表明：京津冀地区检测出尾矿库2 696座，召回率达到93.3%。说明采用深度学习目标检测的方法提取尾矿库，取得了较好的效果，所提出的尾矿库提取方法可应用于全国及全球尾矿库的提取。
Detection of tailings pond in Beijing-Tianjin-Hebei Region based on SSD model
[J].
基于深度学习的SSD模型尾矿库自动提取
[J].
DOI:10.7523/j.issn.2095-6134.2020.03.009
[本文引用: 1]
针对华北地区尾矿库自动提取问题，将基于深度学习的SSD目标检测模型应用于遥感图像尾矿库提取。首先标记华北地区2 000个样本，随机挑选1 500个作为训练样本，剩余样本作为测试样本，验证模型的检测精度。分析卷积层对应感受野与图像中尾矿库尺寸关系，发现原始SSD模型漏检误检大型尾矿库。改进SSD模型结构，提出增加额外卷积层的策略，提高对大型尾矿库目标的检测精度。实验表明，在置信度阈值为0.3时，改进的SSD模型相比原始模型，检测精确率提高10.0%，召回率提高14.4%，提高了大型尾矿库检测精度。验证了基于深度学习的SSD目标检测模型自动提取尾矿库的可行性以及改进算法的有效性。
Automatic extraction of tailing pond based on SSD of deep learning
[J].
DOI:10.7523/j.issn.2095-6134.2020.03.009
[本文引用: 1]
In order to automatically extract tailing ponds in North China, the SSD target detection model based on deep learning is applied to extract tailing ponds from remote sensing images. Firstly, 2 000 samples in North China were labeled as the foundation of database. 1 500 samples were randomly selected as training samples, and the remaining samples were used as test samples to verify the detection accuracy of the model. By using the original SSD model, the targets of large tailing ponds can not be detected accurately. In this work the relationship between the corresponding receptive field of convolution layer and the size of tailing reservoir in image was analyzed. Moreover, in order to improve the detection accuracy of the model for large-scale tailing pond targets, we modified the structure of SSD model by introducing an extra convolution layer. Experiments show that, compared with the original SSD model, the modified SSD model improves the detection accuracy by 10% and the recall rate by 14.4% at 0.3 confidence level. The detection accuracy for large tailing ponds is also improved. In this work, the feasibility of automatic extraction of tailing reservoir based on deep learning SSD model and the effectiveness of the modified algorithm were verified.
深度学习支持下的尾矿库遥感识别方法
[J].
Remote sensing identification of tailings pond based on deep learning model
[J].
露天开采矿区要素遥感提取研究进展及展望
[J].
Research progress and prospect of remote sensing-based feature extraction of opencast mining areas
[J].
基于U-Net网络和GF-6影像的尾矿库空间范围识别
[J].
Recognition of the spatial scopes of tailing ponds based on U-Net and GF-6 images
[J].
矿产资源型城市的生态承载力与可持续发展研究——以湖南省郴州市为例
[J].
Research on ecological carrying capacity and sustainable development:In a mining city a case study in Chenzhou City
[J].
郴州创建国家可持续发展议程创新示范区的实施路径与思考
[J].
Implementation path and thinking of creating national sustainable development agenda innovation demonstration zone in Chenzhou
[J].
国产遥感影像分类技术应用研究进展综述
[J].
DOI:10.3778/j.issn.1002-8331.2007-0101
[本文引用: 1]
遥感影像分类技术为我国遥感影像应用于生态建设、绿色发展、乡村振兴、脱贫攻坚和“一带一路”构建等提供了重要的技术支撑，在服务经济社会发展、建设美丽中国、保障民生安全等方面具有重要意义。近年来，大数据、人工智能技术的飞速发展，使得国产遥感影像在分类应用的研究取得重大发展。简要分析了遥感影像分类技术及每阶段存在的问题；对国内主要六个系列遥感卫星数据进行了概述；综合分析了国产遥感影像基于像元的、混合像元的、面向对象的、基于深度学习的四种分类方法，并探讨其在分类应用中的研究进展，通过国产遥感影像分类领域中的应用情况，进一步在方法上对四种分类分别进行比较分析；提出国产遥感影像分类应用中存在的问题，对未来国产遥感影像应用发展的趋势进行了预估。
Summary of research progress on application of domestic remote sensing image classification technology
[J].
DOI:10.3778/j.issn.1002-8331.2007-0101
[本文引用: 1]
<p>Remote sensing image classification technology provides important technical support for the application of the domestic remote sensing images in ecological construction, green development, rural revitalization, poverty alleviation and the construction of the Belt and Road, etc, which is of great significance for serving economic and social development, building a beautiful China, and ensuring the safety of people’s livelihood, etc. In recent years, the rapid development of big data technology and artificial intelligence technology has made great progress in the research on classification application of domestic remote sensing image. This paper briefly analyzes the remote sensing image classification technology and the problems in each stage, and summarizes the data of the six main domestic remote sensing satellites. The four classification methods of domestic remote sensing images based on pixel, mixed pixel, object-oriented and deep learning are comprehensively analyzed, and their research progress in classification application is discussed. Through the application in the field of domestic remote sensing image classification, the four classifications are further compared and analyzed in terms of methods. Finally, it summarizes the existing issues of domestic remote sensing image classification application, and predicts the future directions of domestic remote sensing image application.</p>
高分辨率遥感影像建筑物提取的空洞卷积E-Unet算法
[J].
DOI:10.11947/j.AGCS.2022.20200601
[本文引用: 1]
利用高分辨率遥感影像提取建筑物是目前研究热点之一，但由于建筑物颜色各异、形状大小不同、细节繁多，提取结果普遍存在边缘模糊、转角圆滑和细节丢失等问题。本文提出一种基于空洞卷积的E-Unet深度学习网络。在E-Unet的结构设计中，引入跳跃连接以减少边缘和转角的细节损失；采用新设计的卷积模块，使其扩大感受野的同时减少参数量；底层增加Dropout模块避免网络发生过拟合现象；遥感影像输入网络前先进行直方图均衡化、高斯双边滤波和波段间比值运算，然后合并为多波段张量输入模型（不转换为灰度图像）。为验证网络性能、明确性能提升的原因，本文在Massachusetts和WHU建筑物数据集上设计了两组试验。第1组是E-Unet、Unet和Res-net 3种网络的对比试验，结果表明E-Unet不仅精度评价结果优于Unet和Res-net，而且建筑物边角的细节被完整提取。第2组是消融试验，目的是明确预处理模块对提取精度的提升效果，结果表明预处理模块能提升不同网络提取精度。通过这两组试验证明了预处理模块的有效性和本文提出网络的优越性。
E-Unet:Aatrous convolution-based neural network for building extraction from high-resolution remote sensing images
[J].
Building extraction and number statistics in WUI areas based on UNet structure and ensemble learning
[J].
Encoder-decoder with atrous separable convolution for semantic image segmentation
[C]//
Segmenter:Transformer for semantic segmentation
[C]//
基于深度学习模型的遥感图像分割方法
[J].
DOI:10.11772/j.issn.1001-9081.2019030529
[本文引用: 1]
利用遥感图像快速准确地检测地物信息是当前的研究热点。针对遥感图像地表物的传统人工目视解译分割方法效率低下和现有基于深度学习的遥感图像分割算法在复杂场景下准确率不高、背景噪声多的问题，提出一种基于改进的U-net架构与全连接条件随机场的图像分割算法。首先，融合VGG16和U-net构建新的网络模型，以有效提取具有高背景复杂度的遥感图像特征；然后，通过选取适当的激活函数和卷积方式，在提高图像分割准确率的同时显著降低模型预测时间；最后，在保证分割精度的基础上，使用全连接条件随机场进一步优化分割结果，以获得更加细致的分割边缘。在ISPRS提供的标准数据集Potsdam上进行的仿真测试表明，相较于U-net，所提算法的准确率、召回率和均交并比（MIoU）分别提升了15.06个百分点、29.11个百分点和0.3662，平均绝对误差（MAE）降低了0.02892。实验结果验证了该算法具备有效性和鲁棒性，是一种有效的遥感图像地表物提取算法。
Remote sensing image segmentation method based on deep learning model
[J].
DOI:10.11772/j.issn.1001-9081.2019030529
[本文引用: 1]
To detect surface object information quickly and accurately by using remote sensing images is a current research hot spot. In order to solve the problems of inefficiency of the traditional manual visual interpretation segmentation method as well as the low accuracy and a lot of background noise of the existing remote sensing image segmentation based on deep learning in complex scenes, an image segmentation algorithm based on improved U-net network architecture and fully connected conditional random field was proposed. Firstly, a new network model was constructed by integrating VGG16 and U-net to effectively extract the features of remote sensing images with highly complex background. Then, by selecting the appropriate activation function and convolution method, the image segmentation accuracy was improved while the model prediction time was significantly reduced. Finally, on the basis of guaranteeing the segmentation accuracy, the segmentation result was further improved by using fully connected conditional random field. The simulation test on the standard dataset Potsdam provided by ISPRS showed that the accuracy, recall and the Mean Intersection over Union (MIoU) of the proposed algorithm were increased by 15.06 percentage points, 29.11 percentage points and 0.3662 respectively, and the Mean Absolute Error (MAE) of the algorithm was reduced by 0.02892 compared with those of U-net. Experimental results verify that the proposed algorithm is an effective and robust algorithm for extracting surface objects from remote sensing images.
