一种深度学习的遥感影像农村公路砂化路段的提取方法技术

本发明专利技术公开了一种深度学习的遥感影像农村公路砂化路段的提取方法，包括以下步骤：S100：选用卫星采集到的分辨率1m以内的遥感影像，经预处理后得到的高分辨率影像作为数据源；S200：构建“畅返不畅”路段提取的网络结构和损失函数；S300：利用训练集对“畅返不畅”路段提取网络进行训练并反复调节其网络参数；S400：测试集输入到训练好的“畅返不畅”网络中，提取“畅返不畅”路段以验证和回调网络使其达到更好的实验结果并保存网络；S500：通过卫星采集到的遥感影像输入到网络输入端进行“畅返不畅”路段的识别和提取。本发明专利技术与传统方式方法相比能极大地减轻人工工作量，更加适用于交通行业业务需求，能有效地检测出农村公路中“畅返不畅”的路段。

An in-depth learning remote sensing image extraction method for sandy road section of rural road

【技术实现步骤摘要】
一种深度学习的遥感影像农村公路砂化路段的提取方法
本专利技术涉及高分辨率卫星遥感影像的应用
，特别涉及一种深度学习的遥感影像农村公路砂化路段的提取方法。
技术介绍
随着农村公路建设里程的不断增长，养护难度逐渐加大，早期建成的部分农村公路已出现路面坑槽、松散、裂缝等病害，给行车安全带来了隐患。2017年，交通运输部将已硬化通乡镇和建制村公路技术状况指数MQI或路面使用性能指数低于70分的路线确定为“畅返不畅”路线，随之对这些路线提出了整治要求。目前各省对于农村公路“畅返不畅”路段的确定主要依靠县市进行逐层上报和人工现场核查，存在数据逻辑性错误、数据反馈处理效率慢、资料完整性低、人工成本高等问题。因此各省交通运输主管部门对上报成果的真实性和准确性缺少评价与核查手段，给监督和管理造成极大障碍。“畅返不畅”主要分为两种：老化和破损，遥感影像中破损路段清楚明显，人工判断相对准确，老化路段则不明显，人工很难判断。因作业员经验不同，且查找畅返不畅路段时，需对整个影像进行查找，工作量巨大。
技术实现思路
本专利技术的目的在于提供一种深度学习的遥感影像农村公路砂化路段的提取方法，以解决传统作业中工作人员工作量大和危险系数高，及目视解译中“畅返不畅”路段特征不明显，人工主观性判断干预影响数据的真实性等问题。本专利技术在解决上述问题的同时保证了“畅返不畅”路段检测的准确率。为实现上述目的，本专利技术提供如下技术方案：一种深度学习的遥感影像农村公路砂化路段的提取方法，包括以下步骤:S100：获取遥感影像，选用卫星采集到的分辨率1m以内的遥感影像，经预处理后得到的高分辨率影像作为数据源，制作网络对应的训练集和测试集；S200：构建“畅返不畅”路段提取的网络结构和损失函数；S300：利用训练集对“畅返不畅”路段提取网络进行训练并反复调节其网络参数，直至网络满足损失函数的要求时保存好训练网络；S400：测试集输入到训练好的“畅返不畅”网络中，提取“畅返不畅”路段以验证和回调网络使其达到更好的实验结果并保存网络；S500：通过卫星采集到的遥感影像输入到网络输入端进行“畅返不畅”路段的识别和提取。进一步地，步骤S100包括以下步骤：S101：对卫星采集到的分辨率1m以内的遥感影像做预处理。将遥感影像作为底图在Arcgis中建立矢量文件，沿底图中道路的中心线绘制路线，并按道路宽度做缓冲区生成面状路网，将面状路网图栅格化得到路网的标签数据label1；将栅格化后数据的3/4作为训练样本train1，剩余的1/4作为测试样本test1；S102、以遥感影像为底图，在Arcgis中建立矢量文件，将影像中的“畅返不畅”路段标记出来；以标记好的“畅返不畅”路段中心为中心，裁剪原始遥感影像和路网标签数据为d*d的正方形图像块，并生成相应图像块中的“畅返不畅”的标签数据label2；将裁剪后的图像块中的3/4作为训练样本train2，剩余的1/4作为测试样本test2。进一步地，步骤S200包括以下步骤：“畅返不畅”路段提取的网络构建叠加了Unet和Faster-Rcnn两个网络架构，采用Unet网络首先对遥感影像中的道路进行提取，采用Faster-Rcnn网络对提取到的道路中“畅返不畅”路段进行提取。进一步地，步骤S200还包括以下步骤：S201：输入制作好的道路影像到Unet网络中，经过五次卷积运算，激活函数RELU作用以及最大池化处理后得到输入影像的特征图，完成对于遥感影像的特征提取，然后五次上采样和反卷积处理得到与原始影像大小相同的分类，实现道路与非道路的分割，完成道路提取，输出用于道路提取，对遥感影像中的路网进行提取；构建Faster-Rcnn网络用于检测“畅返不畅”路段；S202：对遥感影像中Unet提取到的道路的其余部分做掩模处理，在处理过后的遥感图像中找到“畅返不畅”路段中中心后进行样本和标签数据的制作，将制作好的样本数据和标签数据输入Faster-Rcnn网络，经过13个卷积层，13个RELU激活函数层以及4个池化层提取样本的特征，形成样本的特征图，借助RPN网络对样本的特征图进行候选框(anchors)的选取，两个候选框的重叠度来作为判断候选框内的样本类型，以此实现对于“畅返不畅”路段的识别和提取；S203：采用交叉熵损失函数作为道路提取的损失函数将包含正样本惩罚和负样本惩罚的交叉熵损失函数作为卷积神经网络部分的损失函数以及计算距离的绝对损失函数作为“畅返不畅”边框回归部分的损失函数，两者加和为“畅返不畅”路段提取总体的损失函数进一步地，步骤S300包括以下步骤：S301：采用VGG进行预训练，以及随机梯度下降的方法对网络参数进行优化调节；S302：训练的每一步进行损失函数的计算，对每一次的参数生成对应的损失函数LossUnet和Lossfaster-rcnn，重复采用随机梯度下降的方法来对网络的参数做优化；S303：当损失函数的值在设置的最小误差值δ(δ＝1e-5)范围内停止网络的训练并保存此时的参数值作为网络结构。进一步地，步骤S400包括以下步骤：S401：对测试集数据进行实验检验训练好的网络性能；S402：根据测试集的结果微调网络的相关参数值并计算损失函数LossUnet和Lossfaster-rcnn来调整网络；S403：保存调整好的网络。进一步地，步骤S500包括以下步骤：S501：将采集到的遥感影像裁剪尺寸与步骤S200中网络输入样本大小相同的多个样本；S502：将裁剪好的样本输入到训练好的“畅返不畅”路段提取网络中，提取出“畅返不畅”路段。与现有技术相比，本专利技术的有益效果是：本专利技术提供了深度学习的遥感影像农村公路砂化路段的提取方法，在提取道路的前提下进行“畅返不畅”道路的检测。本专利技术的自动化程度高、人工干预少，与传统方式方法相比能极大地减轻人工工作量，更加适用于交通行业业务需求，能有效地检测出农村公路中“畅返不畅”的路段，为“畅返不畅”路段的检测提供了一种新的方法。附图说明图1为本专利技术深度学习的遥感影像农村公路砂化路段的提取方法流程图；图2为本专利技术使用的Unet网络结构图；图3为本专利技术的遥感影像道路提取结果图；图4为本专利技术使用的Faster-Rcnn网络架构图；图5为本专利技术畅返不畅路段的提取结果图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。一种深度学习的遥感影像农村公路砂化路段的提取方法，如图1所示，本专利技术的实施过程如下：1、高分辨率卫星遥感影像的获取和处理本专利技术使用的是分辨率在1m以内的高分辨率本文档来自技高网...

【技术保护点】
1.一种深度学习的遥感影像农村公路砂化路段的提取方法，其特征在于，包括以下步骤:/nS100：获取遥感影像，选用卫星采集到的分辨率1m以内的遥感影像，经预处理后得到的高分辨率影像作为数据源，制作网络对应的训练集和测试集；/nS200：构建“畅返不畅”路段提取的网络结构和损失函数；/nS300：利用训练集对“畅返不畅”路段提取网络进行训练并反复调节其网络参数，直至网络满足损失函数的要求时保存好训练网络；/nS400：测试集输入到训练好的“畅返不畅”网络中，提取“畅返不畅”路段以验证和回调网络使其达到更好的实验结果并保存网络；/nS500：通过卫星采集到的遥感影像输入到网络输入端进行“畅返不畅”路段的识别和提取。/n

【技术特征摘要】
1.一种深度学习的遥感影像农村公路砂化路段的提取方法，其特征在于，包括以下步骤:
S100：获取遥感影像，选用卫星采集到的分辨率1m以内的遥感影像，经预处理后得到的高分辨率影像作为数据源，制作网络对应的训练集和测试集；
S200：构建“畅返不畅”路段提取的网络结构和损失函数；
S300：利用训练集对“畅返不畅”路段提取网络进行训练并反复调节其网络参数，直至网络满足损失函数的要求时保存好训练网络；
S400：测试集输入到训练好的“畅返不畅”网络中，提取“畅返不畅”路段以验证和回调网络使其达到更好的实验结果并保存网络；
S500：通过卫星采集到的遥感影像输入到网络输入端进行“畅返不畅”路段的识别和提取。


2.根据权利要求1所述的深度学习的遥感影像农村公路砂化路段的提取方法，其特征在于，步骤S100包括以下步骤：
S101：对卫星采集到的分辨率1m以内的遥感影像做预处理。将遥感影像作为底图在Arcgis中建立矢量文件，沿底图中道路的中心线绘制路线，并按道路宽度做缓冲区生成面状路网，将面状路网图栅格化得到路网的标签数据label1；将栅格化后数据的3/4作为训练样本train1，剩余的1/4作为测试样本test1；
S102、以遥感影像为底图，在Arcgis中建立矢量文件，将影像中的“畅返不畅”路段标记出来；以标记好的“畅返不畅”路段中心为中心，裁剪原始遥感影像和路网标签数据为d*d的正方形图像块，并生成相应图像块中的“畅返不畅”的标签数据label2；将裁剪后的图像块中的3/4作为训练样本train2，剩余的1/4作为测试样本test2。


3.根据权利要求1所述的深度学习的遥感影像农村公路砂化路段的提取方法，其特征在于，步骤S200包括以下步骤：
“畅返不畅”路段提取的网络构建叠加了Unet和Faster-Rcnn两个网络架构，采用Unet网络首先对遥感影像中的道路进行提取，采用Faster-Rcnn网络对提取到的道路中“畅返不畅”路段进行提取。


4.根据权利要求3所述的深度学习的遥感影像农村公路砂化路段的提取方法，其特征在于，步骤S200还包括以下步骤：
S201：输入制作好的道路影像到Unet网络中，经过五次卷积运算，激活函数RELU作用以及最大池化处理后得到输入影像的特征图，完成对于遥感影像的特征提取，然后五次上采样...

【专利技术属性】
技术研发人员：阳柯，李鑫，袁胜古，魏晨，罗伦，徐昊，盛光晓，
申请(专利权)人：中国交通通信信息中心，国交空间信息技术北京有限公司，
类型：发明
国别省市：北京;11