基于注意力机制和Faster R-CNN深度学习的海洋目标识别模型

为进一步提升对复杂海洋目标的检测能力,引入自适应尺度的注意力机制,提出一种适应多尺度复杂海洋目标的改进Faster R-CNN模型,该模型通过将卷积网络与SKNet网络相结合,增强模型的特征提取能力与特征有效性,并针对船舶、蚝排、红树林、海岸线4类典型海洋目标,利用91卫图助手与无人机高清影像建立了12 000张样本库,分别基于改进的Faster R-CNN模型与原模型进行对比测试试验。结果表明:改进的模型虽然略微增加了计算量,但其特征提取能力与目标检测能力明显强于原模型,整体识别准确率为87.1%;在4类典型海洋目标中,船舶的识别准确率最高,可达94.4%,而红树林由于其特征比较复杂,边界不明显,其整体识别准确率为75.1%。研究表明,引入SKNet网络的Faster R-CNN网络模型,不仅增强了模型对多尺度复杂目标的特征提取能力,更适用于对复杂海洋目标的检测与识别。     

基于迁移学习的公路边坡滑塌识别研究

自动化拍摄代替人工进行边坡滑塌病害巡查是近年来的新趋势,本文提出基于迁移学习的边坡病害识别方法。首先采集3000余张边坡病害照片,并将样本量扩充了7倍后划分为70:30的训练集与验证集。然后基于预训练目标识别模型,更新模型目标推荐模块,建立了多个Faster R-CNN框架下的目标识别模型。然后结合模型误差随机梯度下降等训练策略,完成模型训练。分别以目标框内病害的判别概率大于90%、80%、70%作为识别依据,计算准确率、召回率,在验证集上验证模型效果。发现：降低目标识别框的类别概率阈值要求后,边坡病害的漏判率有明显下降,准确率降低。训练效果最好的Faster R-CNN ResNet-50 FPN模型以大于70%概率作为识别目标标准时,对验证集的漏判率低于4%。适当放松准确率要求,模型漏判率随之降低,对缺陷、异常的图像识别具有实用价值。     

U-net深度学习神经网络结合面向对象的城市森林高分影像信息提取

城市森林结构复杂、分布破碎,采用高分遥感数据,通过深度学习等智能机器学习算法精准监测提取城市森林信息,是城市森林资源智能监测管理的关键性基础环节。本文以杭州市余杭区部分城区WorldView-3高分卫星遥感影像为数据源,采用改进的U-net深度学习神经网络,并结合面向对象多尺度分割方法,研究城市森林智能精准提取。首先,通过大量的训练数据获得最佳模型参数;其次,使用U-net网络进行语义分割得到分类结果图;最后,结合面向对象最优分割修正深度学习城市森林提取结果,从而最终得到城市森林提取结果。研究表明,(1)基于改进的U-net深度学习神经网络得到的城市森林总体分类精度达90.50%,Kappa系数为0.886;(2)经面向对象分割对U-net深度学习神经网络结果中的"椒盐现象"及边界地物错分现象进行修正后,分类总精度提高到93.83%,Kappa系数提高到0.9295。因此,U-net网络模型结合面向对象方法可以有效地改善遥感目标识别及地物分类的效果,保证城市碎片化植被提取与植被区域边界的准确性,从而提高城市森林植被提取精度。     

基于Faster R-CNN的交通标志检测方法

文章提出了一种基于Faster R-CNN的交通标志检测方法。首先,通过采集公路两侧交通标志的图像建立数据集;其次,使用预训练的VGG16对Faster R-CNN模型的相应参数进行初始化;最后,对Faster R-CNN模型进行训练。实验表明,其mAP可达81.21%,可以满足实际需求。     

融合多层卷积特征的绝缘子目标检测

提出了一种基于多层卷积特征融合的Faster R-CNN绝缘子检测算法,首先对卷积神经网络中包含更多目标细节信息的浅层特征图与特征信息更加明显的深层特征图进行融合,提高算法对目标特征的提取能力;然后根据绝缘子的形状特点改进锚框的比例,减小锚框尺寸,提升对小尺度绝缘子的检测能力,并在训练过程中加入多尺度训练,降低不同尺度绝缘子对识别率的影响。结果表明,在检测速度基本不变的情况下,所提出的算法平均精度均值(mAP)可达93.6%,比原始算法Faster R-CNN高出6.8%,对多尺度绝缘子的识别性能更优。     

基于深度学习的绝缘子精确识别

针对大量高分辨率的无人机航拍影像中自爆绝缘子的检测问题,提出一种基于SSD检测网络改进的MFPSSD网络(Multidirectional Feature Pyramid Single Shot Detector,MFPSSD),实现绝缘子目标的精确识别.第一,利用K-means算法对训练数据进行聚类分析得到绝缘子数据集中的样本形状分布特征,然后设置默认框参数.第二,将多向特征金字塔结构引入SSD目标检测算法,实现低层网络与高层网络的多向连接,有效将底层信息与高层信息进行特征融合.实验结果表明,与SSD、Faster R-CNN等算法相比较,MFPSSD目标检测算法在检测速度和检测精度两方面性能更好.     

基于改进Faster R-CNN的二维图纸中建筑构件识别方法

自2010年以来,我国既有建筑占比不断扩大,而既有建筑普遍面临能源消耗大、CO_2排放量居高等问题。BIM作为数字化产物,包含运维管理中所需要的大量数据,可通过提高运维管理效率解决既有建筑当前的难题。然而,现存的老旧建筑缺少BIM,且手工重建BIM费时费力。再者,作为当前主流的重建技术,激光扫描和摄影测量因成本高和精度低而难以满足要求。因此,为了克服上述局限性,本文提出了基于二维图纸的建筑构件识别方法,通过改进的Faster R-CNN实现建筑构件信息自动提取,为后续BIM的自动重生成提供数据支持。具体地,采用ResNet-101代替传统的VGG-16作为特征提取网络,再通过改进初始锚框尺寸和非极大值抑制算法,使得改进后的Faster R-CNN更适用于建筑构件小目标识别。实验结果表明,改进后的Faster R-CNN在建筑构件的识别上具有出色表现,mAP达到93.8%。另外,通过基于Tesseract的OCR技术实现了对图纸中文本信息的识别和提取。     

深度学习在矿产资源卫片执法中的应用研究

矿产资源卫片执法是资源监管与保护的重要技术手段,而深度学习是当前人工智能领域中的研究热点,为提高卫片执法效率、降低人力解译工作量提供了可能。本文提出了一种基于Mask RCNN的遥感影像露天矿山疑似违法图斑自动检测提取方法,通过采集、扩充、规范矿山样本,制作特定的coco数据集输入到Mask RCNN进行有监督学习训练。利用训练出的分类网络模型进行遥感影像矿山图斑的自动提取,并以采矿权矢量图层作为判定依据,自动圈取影像中的疑似违法图斑。经实验,本文方法的mAP精度达87%以上,高于传统方法,对深度学习在卫片执法中的应用研究作出了有效实践。     

深度学习在矿产资源卫片执法中的应用研究

矿产资源卫片执法是资源监管与保护的重要技术手段,而深度学习是当前人工智能领域中的研究热点,为提高卫片执法效率、降低人力解译工作量提供了可能。本文提出了一种基于Mask RCNN的遥感影像露天矿山疑似违法图斑自动检测提取方法,通过采集、扩充、规范矿山样本,制作特定的coco数据集输入到Mask RCNN进行有监督学习训练。利用训练出的分类网络模型进行遥感影像矿山图斑的自动提取,并以采矿权矢量图层作为判定依据,自动圈取影像中的疑似违法图斑。经实验,本文方法的mAP精度达87%以上,高于传统方法,对深度学习在卫片执法中的应用研究作出了有效实践。     

基于面向对象的高分影像城市房屋信息提取与分析

本文利用基于面向对象的高分遥感影像房屋信息的提取方法,使用多尺度分割结合同一特征的地物融合方式区分成互不交合的地物图像,并结合目标地物的各类属性特征、关系特征,辅以地物的边缘信息来提取房屋信息。结果证明,基于面向对象的提取信息方法分类精度更高。基于面向对象高分遥感信息提取方法与传统的基于面向像元分类方法相比,更加有利于提取高分遥感图像里的房屋。