遥感影像中的火力发电站目标识别方法技术

本发明专利技术给出一种遥感影像中的火力发电站目标识别方法，包括：根据目标大小，设定anchor尺寸，预测相关类别的候选区域；根据设定的面积比率和尺度比率计算由步骤一设定anchor计算将生成的所有区域框，并根据区域框与标注框的重叠比例划分正负样本并进行训练；构建深度卷积神经网络特征提取器；构建基于目标特征的特征提取器；将提取的特征进行组合，作为生成框的最终描述特征；根据最终描述特征的结果进行目标候选框的定位精处理，得到遥感图像电力基础设施目标识别结果。本发明专利技术利用多源光学影像与雷达影像相结合的方式不仅大大降低了成本，且操作方便，大大提高了工作效率。而对于植被的影响，通过植被指数来筛选非植被覆盖的地区进行专题信息的提取。

【技术实现步骤摘要】
遥感影像中的火力发电站目标识别方法
本专利技术涉及目标自动识别
，特别是涉及一种针对遥感影像中火力发电站的自动识别方法。
技术介绍
建设智能电网是全球能源互联网的要求，火力发电作为一种电力能源来源，因此建设智能电网首先需要获取全球范围的已有火力发电站及相关专题目标的空间信息。随着高光谱、高空间、高时间分辨率遥感技术的发展，极大提高了遥感地理信息获取的准确性和精确性，有效缩小了空间数据误差，使得获取高精度火力发电站空间信息成为可能。因此，在遥感影像中实现火力发电站的自动识别对建设智能电网具有重要意义。传统的遥感图像目标检测方法一般分为三个步骤：一是区域搜索，二是特征提取，三是分类器判定。目前大多数目标识别研究主要综合考虑目标的光谱特征、几何结构特征、纹理特征、空间拓扑特征等，使得各类目标的提取结果更接近目视解译。由于形状、纹理、光谱、结构等特征是大部分地面目标的关键区分性特征，大部分遥感图像目标识别方法都以这三种特征为基础进行综合分析。随着深度学习的发展，深度卷积神经网络强大的特征提取能力在图像分类、目标识别等领域发挥了巨大的潜力，目前有研究将其用在遥感影像飞机、道路、建筑物等目标提取方面，并已取得很好的效果。得益于深度学习——主要是卷积神经网络(convolutionneuralnetwork:CNN)和候选区域(regionproposal)算法，从2014年开始，目标检测取得了巨大的突破。传统目标检测的方法一般分为三个阶段：首先在给定的图像上选择一些候选的区域，然后对这些区域提取特征，最后使用训练的分类器进行分类。1)区域选择这一步是为了对目标的位置进行定位。由于目标可能出现在图像的任何位置，而且目标的大小、长宽比例也不确定，所以最初采用滑动窗口的策略对整幅图像进行遍历，而且需要设置不同的尺度，不同的长宽比。这种穷举的策略虽然包含了目标所有可能出现的位置，但是缺点也是显而易见的：时间复杂度太高，产生冗余窗口太多，这也严重影响后续特征提取和分类的速度和性能。(实际上由于受到时间复杂度的问题，滑动窗口的长宽比一般都是固定的设置几个，所以对于长宽比浮动较大的多类别目标检测，即便是滑动窗口遍历也不能得到很好的区域)2)特征提取由于目标的形态多样性，光照变化多样性，背景多样性等因素使得设计一个鲁棒的特征并不是那么容易。然而提取特征的好坏直接影响到分类的准确性(这个阶段常用的特征有SIFT、HOG等)。3)分类器主要有SVM,Adaboost等。传统目标检测存在的两个主要问题：一个是基于滑动窗口的区域选择策略没有针对性，时间复杂度高，窗口冗余；二是手工设计的特征对于多样性的变化并没有很好的鲁棒性。对于滑动窗口存在的问题，regionproposal提供了很好的解决方案。regionproposal(候选区域)是预先找出图中目标可能出现的位置。但由于regionproposal利用了图像中的纹理、边缘、颜色等信息，可以保证在选取较少窗口(几千个甚至几百个)的情况下保持较高的召回率。这大大降低了后续操作的时间复杂度，并且获取的候选窗口要比滑动窗口的质量更高(滑动窗口固定长宽比)。有了候选区域，剩下的工作实际就是对候选区域进行图像分类的工作(特征提取+分类)。R-CNN的目标检测流程：(1)输入测试图像(2)利用selectivesearch算法在图像中提取2000个左右的regionproposal。(3)将每个regionproposal缩放(warp)成227x227的大小并输入到CNN，将CNN的fc7层的输出作为特征。(4)将每个regionproposal提取到的CNN特征输入到SVM进行分类。但是R-CNN框架也存在着很多问题:(1)训练分为多个阶段，步骤繁琐:微调网络+训练SVM+训练边框回归器(2)训练耗时，占用磁盘空间大：5000张图像产生几百G的特征文件(3)速度慢:使用GPU,VGG16模型处理一张图像需要47s。与R-CNN框架对比，FastR-CNN主要有两处不同：一是最后一个卷积层后加了一个ROIpoolinglayer，二是损失函数使用了多任务损失函数(multi-taskloss)，将边框回归直接加入到CNN网络中训练。(1)ROIpoolinglayer实际上是SPP-NET的一个精简版，SPP-NET对每个proposal使用了不同大小的金字塔映射，而ROIpoolinglayer只需要下采样到一个7x7的特征图。对于VGG16网络conv5_3有512个特征图，这样所有regionproposal对应了一个7*7*512维度的特征向量作为全连接层的输入。(2)R-CNN训练过程分为了三个阶段，而FastR-CNN直接使用softmax替代SVM分类，同时利用多任务损失函数边框回归也加入到了网络中，这样整个的训练过程是端到端的(除去regionproposal提取阶段)。(3)FastR-CNN在网络微调的过程中，将部分卷积层也进行了微调，取得了更好的检测效果。FastR-CNN融合了R-CNN和SPP-NET的精髓，并且引入多任务损失函数，使整个网络的训练和测试变得十分方便。在PascalVOC2007训练集上训练，在VOC2007测试的结果为66.9％(mAP)，如果使用VOC2007+2012训练集训练，在VOC2007上测试结果为70％(数据集的扩充能大幅提高目标检测性能)。使用VGG16每张图像总共需要3s左右。
技术实现思路
针对目前暂无成熟的火力发电站自动识别技术，本专利技术基于火力发电站专业知识和深度卷积神经网络方法，提供一种基于专业知识和深度特征的遥感影像中火力发电站的识别方法，该方法能够从复杂遥感影像中较快较好的识别出各类火力发电站。本专利技术提供的一种遥感影像中的火力发电站目标识别方法，包括：步骤一、根据目标大小，设定anchor尺寸，预测相关类别的候选区域；步骤二、根据设定的面积比率和尺度比率计算由步骤一设定anchor计算将生成的所有区域框，并根据区域框与标注框的重叠比例划分正负样本并进行训练；步骤三、构建深度卷积神经网络特征提取器；步骤四、构建基于目标特征的特征提取器；步骤五、将步骤三和步骤四中提取的特征进行组合，作为生成框的最终描述特征；步骤六、根据步骤五所得结果进行目标候选框的定位精处理，得到遥感图像电力基础设施目标识别结果。优选的，上述目标为火力发电站，上述步骤二通过训练生成RPN网络。优选的，上述步骤三提取所有的区域框和标注框的自身特征和内部特征的学习和提取，组合得到融合描述特征。优选的，上述步骤四针对带有冷凝塔的火力发电站，以冷凝塔为主要目标特征，包括水汽特征、上下文背景特征、火力发电站与变电站和输电塔的逻辑关系特征等。优选的，上述目标特征包括：带有冷凝塔的火力发电站在遥感图像上呈百色雾状；以水作为冷却剂的火力发电站建在具有丰富水资源的地区；火力发电站不远范围内有变电站和一定数量的输电塔。优选的，上述步骤五利用最终描述特征，基于softmax函数进行多分类，得到目标候选框的类别属性和属于这个类别的概率，Softmax函数将输出的特征映射到(0,1)区间内。优选的，上述步骤三设计模型，利用模型提取影像的特征，得到特征图，并将该特征图应用于本文档来自技高网...

【技术保护点】
1.一种遥感影像中的火力发电站目标识别方法，其特征在于，所述方法包括：步骤一、根据目标大小，设定anchor尺寸，预测相关类别的候选区域；步骤二、根据设定的面积比率和尺度比率计算由步骤一设定anchor计算将生成的所有区域框，并根据区域框与标注框的重叠比例划分正负样本并进行训练；步骤三、构建深度卷积神经网络特征提取器；步骤四、构建基于目标特征的特征提取器；步骤五、将步骤三和步骤四中提取的特征进行组合，作为生成框的最终描述特征；步骤六、根据步骤五的结果进行目标候选框的定位精处理，得到遥感图像电力基础设施目标识别结果。

【技术特征摘要】
1.一种遥感影像中的火力发电站目标识别方法，其特征在于，所述方法包括：步骤一、根据目标大小，设定anchor尺寸，预测相关类别的候选区域；步骤二、根据设定的面积比率和尺度比率计算由步骤一设定anchor计算将生成的所有区域框，并根据区域框与标注框的重叠比例划分正负样本并进行训练；步骤三、构建深度卷积神经网络特征提取器；步骤四、构建基于目标特征的特征提取器；步骤五、将步骤三和步骤四中提取的特征进行组合，作为生成框的最终描述特征；步骤六、根据步骤五的结果进行目标候选框的定位精处理，得到遥感图像电力基础设施目标识别结果。2.根据权利要求1所述的遥感影像中的火力发电站目标识别方法，其特征在于，所述目标为火力发电站，所述步骤二通过训练生成RPN网络。3.根据权利要求1所述的遥感影像中的火力发电站目标识别方法，其特征在于，所述步骤三提取所有的区域框和标注框的自身特征和内部特征的学习和提取，组合得到融合描述特征。4.根据权利要求1所述的遥感影像中的火力发电站目标识别方法，其特征在于，所述步骤四针对带有冷凝塔的火力发电站，以冷凝塔为主要目标特征，包括水汽特征、上下文背景特征、火力发电站与变电站和输电塔的逻辑关系特征等。5.根据权利要求2或4所述的遥感影像中的火力发电站目标识别方法，其特征在于，所述目标特征包括：带有冷凝塔的火力发电站在遥感图像上呈百色雾状；以水作为冷却剂的火力发电站建在具有丰富水资源的地区；火力发电站不远范围内有变电站和一定数量的输电塔。6.根据权利要求1所述...

【专利技术属性】
技术研发人员：韩文军，刘海波，张济勇，孙小虎，刘首文，李晓军，张苏，张亚平，于高，陈颖，蒲洁，赵雨，戴艳，姚春静，
申请(专利权)人：国网经济技术研究院有限公司，国网湖北省电力有限公司，武汉大学，
类型：发明
国别省市：北京,11