【技术实现步骤摘要】
一种基于实例分割的遥感影像养殖塘检测方法
本专利技术属于计算机视觉,深度学习,遥感影像处理领域,主要涉及到实例分割算法以及相关空间拓扑分析算法。
技术介绍
水产养殖是指商业性的饲养水生生物(包括鱼类、软体动物、甲壳类动物和水生植物)的活动,按操作的基面性质可分为陆地、水面和滩涂等3大类。以陆地为主的系统主要包括池塘、稻田以及陆地建造的其他设施;以水面为基础的研制系统包括拦湾、围栏、网箱及筏式养殖,通常位于设有围场的沿海或内陆水域;以滩涂为基础的养殖系统包括基塘养殖和高位池养殖。我国是世界第一水产养殖大国,也是世界唯一的养殖产量超过捕捞产量的国家,而且目前水产养殖规模仍在继续快速增长中。为满足世界水产品需求做出巨大贡献的同时,我国的水产养殖正面临着水环境状况的日益恶化、社会舆论的监督、政策与法规的监控及水产品品质要求日益提高等各方面的压力,水产养殖日益成为当前研究热点之一。由于海岸带陆域范围内水产养殖的便利性和经济性,大量养殖塘建设在海岸带生态保护区域内,养殖塘内氮磷超标的废水经暗管直接排入海里,海防林地被不法侵占,造成生态环境极大破坏。而遥感具有探测范围广、获取资料速度、周期短、时效性强、成本低、经济效益大等优点。近年来,随着遥感技术的发展,多平台、多种类、多分辨率的遥感数据为水产养殖信息获取提供了契机,利用遥感影像可以快速识别和定位养殖塘。遥感图像的养殖塘提取方法主要有目视解译,即根据解译标志(位置、形状、大小、色调、阴影、纹理等)和解译经验,这对解译人员专业水平要求较高,同时存在工作量大、费工费时 ...
【技术保护点】
1.一种基于实例分割的遥感影像养殖塘检测方法,其特征在于,包括以下步骤:/n步骤一、建立养殖塘实例分割样本库;/n步骤二、图像预处理:对训练样本进行形态学滤波,图像随机翻转,裁剪,像素归一化,图像增强处理;/n步骤三、构建Mask R-CNN养殖塘实例分割检测模型,并进行训练;/n步骤四、利用训练好的实例分割模型,设计针对亚米级遥感影像养殖塘检测的工程生产流程,自动裁剪分块,在Mask R-CNN模型推理中采用多GPU分布式并行处理,提高计算效率;/n步骤五、根据模型计算得到的每个养殖塘位置二值掩模图,计算轮廓信息,得到每个遥感影像块的多边形矢量,根据影像块的索引信息,对相邻影像块的多边形矢量进行空间分析、合并,最后输出整个遥感影像的养殖塘矢量Shp文件。/n
【技术特征摘要】
1.一种基于实例分割的遥感影像养殖塘检测方法,其特征在于,包括以下步骤:
步骤一、建立养殖塘实例分割样本库;
步骤二、图像预处理:对训练样本进行形态学滤波,图像随机翻转,裁剪,像素归一化,图像增强处理;
步骤三、构建MaskR-CNN养殖塘实例分割检测模型,并进行训练;
步骤四、利用训练好的实例分割模型,设计针对亚米级遥感影像养殖塘检测的工程生产流程,自动裁剪分块,在MaskR-CNN模型推理中采用多GPU分布式并行处理,提高计算效率;
步骤五、根据模型计算得到的每个养殖塘位置二值掩模图,计算轮廓信息,得到每个遥感影像块的多边形矢量,根据影像块的索引信息,对相邻影像块的多边形矢量进行空间分析、合并,最后输出整个遥感影像的养殖塘矢量Shp文件。
2.如权利要求1所述的一种基于实例分割的遥感影像养殖塘检测方法,其特征在于,所述步骤一中的建立养殖塘实例分割样本库,采用LabelMe图像标注工具进行亚米级遥感影像的养殖塘标注,包含各种状态、环境下的养殖塘,以此作为训练数据集,完成对MaskR-CNN模型的训练。
3.如权利要求1所述的一种基于实例分割的遥感影像养殖塘检测方法,其特征在于,所述步骤二中的图像预处理,为了扩充训练样本,以及去除噪声和图片尺度因素的影响,便于模型网络的训练与推理。
4.如权利要求1-3任一所述的一种基于实例分割的遥感影像养殖塘检测方法,其特征在于,所述步骤三中的构建MaskR-CNN养殖塘实例分割模型,该模型继承于FasterR-CNN,在FasterR-CNN的基础上增加MaskPrediction模块,优化了RoIPooling,提出了RoIAlign,结合了FasterR-CNN和FCN,同时完成目标检测、分类以及分割三类任务,模型的训练主要分为两个阶段,分别为:第一阶段训练区域生成网络RPN,第二阶段使用RoIAlign将RPN生成的RoI映射到featuremap对应位置,将映射后的生成的特征图进行分类、坐标回归和二值掩模图输出,具体如下:
a)首先输入图像进入主干特征提取框架,该框架采用了ResNet101网络,通过直接将输入信息绕道传到输出,保护信息的完整性;分为五部分输出,从C1级到C5级;
b)然后将提取到C2级到C5级特征输入到FPN(FeaturePyramidNetwork)网络中,得到P2到P6的5级特征,融合了从底层到高层的FeatureMaps,能够充分利用提取到各个阶段的特征;
c)根据得到的特征图[P2,P3,P4,P5,P6]的每个像素点都生成Anchor锚框,借助锚框,通过计算每个Anchor与图片上真实的GroundTruth之间的IoU,阈值大于0.7作为正样本,阈值小于0.3作为负样本,建立RPN网络训练时的正类和负类,并且计算An...
【专利技术属性】
技术研发人员:胡永利,朱济帅,李海霞,
申请(专利权)人:海南长光卫星信息技术有限公司,
类型:发明
国别省市:海南;46
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。