结合空间距离约束的多尺度船企场景识别与提取方法技术

本发明专利技术提供结合空间距离约束的多尺度船企场景识别与提取方法，包括以下：获取全国船企分布情况和结构特征，制作高分辨率船企遥感数据集；利用遥感数据集，基于全局和局部两种尺度进行船企遥感图像识别模型训练；采用船企遥感图像识别模型对待预测遥感图像进行多模型多尺度检测；基于多尺度检测结果，提取待预测遥感图像船企对象之间的空间距离；结合全局和局部多尺度检测结果、局部对象标签组合方式和对象空间距离约束条件对待预测遥感图像进行场景类别综合评判。本发明专利技术提供的有益效果是：有效进行船企复杂场景提取，能够为我国船舶产业发展、沿岸环境监测提供理论支撑，对境外船企的提取可以进一步为政府产能调控、产业布局提供宏观决策依据。

【技术实现步骤摘要】
结合空间距离约束的多尺度船企场景识别与提取方法
本专利技术涉及遥感
，尤其涉及结合空间距离约束的多尺度船企场景识别与提取方法。
技术介绍
在国民经济发展中，船舶修造业为海洋资源开发、航运运输以及海洋领域国防建设等提供装备支持，在多个领域都发挥着重要作用，得到了世界各国尤其是沿海地区和国家的重视。在享受船舶产业飞速发展带来的经济红利的同时，随之而来的水域生态环境污染问题也日益严峻。因此，明确造船企业的分布情况，可以为政府部门产能调控、生态环境监测提供帮助，辅助政府查证非法用地建设船企，及时发现是否存在“僵尸”船企重新开工、船企违规扩大生产规模以及“黑名单”船企产能过剩、改造停滞不前等现象，对修复沿岸生态环境、保护水域环境以及促进修船企的协调发展都具有巨大的现实意义。近年来，随着遥感影像空间分辨率的提高，影像中所包含的信息越来越丰富，利用人工判读的方式来实现地物识别早已无法满足涌现的应用需求，且船企作为复杂场景，内部格局多样，与沿海其他地物类型存在一定的混淆性，难以采用常规方法进行识别。相比于传统方法，卷积神经网络能学习到更丰富的语义信息和高层次的图像特征表征，能更好地描述不同目标之间的差异。且卷积神经网络是一种端到端的模型结构，将原始图像作为整个网络的输入，经过逐层计算直接将最后的结果输出，减少了以往复杂的数据预处理、特征提取、特征表征等人工操作。但船企场景具有语义信息丰富、内部结构复杂、尺度表现多样的特性，船企内部分为造船区、舾装区、涂装区、码头区、动力设施区等多个模块，有些模块在遥感影像上的区分度并不高。且船企内部格局和尺度存在多样性，一些小型船企的内部格局更是随机，这些因素导致船企在遥感影像上表现各异。同时船企场景是由船只、船坞、厂房等地物构成，这些地物并不是只单独存在于船企中，如厂房作为一种常见的建筑，也普遍存在于沿海工厂中；在建船只能够代表船企的造船能力，属于船企的独特性地物，但由于影像分辨率等问题，在建船只在影像上的特征与常规船只差异不大，因此在场景判别时，港口中停泊船只和航行船舶也会被检测出。而船坞是船企最重要的船舶修造区域，也船企场景具有唯一性的判别依据，但船坞在造船前后会表现出不一样的特征，某些时期的特征可能会和背景地物之间存在一定的混淆性，这些不同场景之间的相似性会导致船企的判别度下降，为检测增加难度。船企内部地物在不同的条件下也会表现出不同的影像特征。以船坞为例，船坞是指修造船用的坞式建筑物，灌水后可容船舶进出，排水后能在干底上修造船舶，船舶主体在船坞内修造完成后就从造船平台下水。因此不同时期、不同区域的船坞在遥感影像上的差异较大；另外，遥感影像图幅大，背景复杂。与自然影像不同，遥感影像是由距离陆地几百公里外的卫星传感器拍摄，影像的幅面较大，检测时对计算机配置和性能的要求较高，且地物目标在影像上可能只占非常小的比例；且目前，船企相关研究资料较少。目前尚未有学者将遥感技术应用于船企场景提取上，特别是深度学习领域。目前深度学习应用的主要方向仍为提升模型精度，因此该方向可供参考的研究资料较少。虽然遥感技术和计算机技术发展推动了深度学习在遥感领域应用愈加广泛，遥感训练样本集的种类和数量也随之增多，但目前的数据集多为学校、建筑、河流等常见土地覆盖类型，没有船企类复杂人工岸线的相关样本集。综上所述，利用遥感图像自动分析船企场景，存在以下问题：(1)船企场景复杂；(2)遥感图像大，船企比例小；(3)缺乏船企人工岸线分布数据集。以上问题导致利用遥感图像自动分析船企场景的识别效果低、精度差。
技术实现思路
有鉴于此，本专利技术对船企布局状况、内部构造、光谱、纹理和空间特征等方面进行分析，制作了船企分布样本集，同时对样本集进行了多模型多尺度的船企场景提取，依据多尺度检测结果，采用多个约束条件进行船企场景综合评判，最终提出一种结合空间距离约束的多尺度船企场景识别与提取方法。本专利技术提供了结合空间距离约束的多尺度船企场景识别与提取方法，包括以下：S101：基于船企背景资料，对全国船企矢量提取，获取船企分布情况，并依据船企分布情况设计船企遥感样本集；S102：建立卷积神经网络模型，利用所述船企遥感样本集对所述卷积神经网络模型进行训练，得到多个船企遥感图像识别模型；所述多个船企遥感图像识别模型，包括船企场景识别模型和船企场景对象的识别模型；S103：采用船企场景识别模型对待处理的遥感影像进行场景全局尺度初检测，得到遥感影像的疑似船企区域及船企场景语义标签；将所述疑似船企区域进行拆解，得到多个图像块；对每个图像块分别采用船企场景对象的识别模型进行局部尺度检测，得到每个图像块中存在的船企场景对象及其对应的语义标签得分；S104：对所述每个图像块中存在的船船企场景对象，采用弱监督学习方法提取船企场景对象的像素级位置信息，计算船企场景对象之间的空间距离；S105：根据船企场景语义标签得分、每个图像块中存在船企场景对象及其对应的语义标签得分、船企场景对象标签组合、船企场景对象之间的空间距离约束，进行场景类别的综合判定，得到船企提取最终结果。进一步地，所述船企遥感样本集包括：船企场景样本集、船企场景内船坞对象样本集、厂房对象样本集和船只对象样本集。进一步地，步骤S102中所述的船企场景对象的识别模型，具体包括：船坞识别模型、厂房识别模型和船只识别模型；所述船企场景识别模型，利用所述船企场景样本集训练所述卷积神经网络模型得到；所述船坞识别模型，利用所述船坞对象样本集训练所述卷积神经网络模型得到；所述厂房识别模型，利用所述厂房对象样本集训练所述卷积神经网络模型得到；所述船只识别模型，利用所述船只对象样本集训练所述卷积神经网络模型得到。进一步地，步骤S101具体为：S201：对研究区域的检测影像水边线缓冲区进行裁剪，得到待检测水陆交接影像，缩小船企检测范围；S202：对船企场景进行解译，得到船企解译标志；所述解译标志包括船坞、厂房和船只；S203：根据船企解译标志，提取船企的分布情况；S204：根据船企解译标志和船企分布情况，基于遥感影像对全国船企进行矢量化，获得船企内部地物轮廓以及面积等信息；S205：基于船企矢量提取结果，对船企空间布局信息进行统计与分析，得到船企场景对象之间的空间约束范围；所述船企空间布局信息，包括：船企占地面积、船企内船坞、厂房和船只的占地面积和空间距离；S206：基于船企矢量提取结果、资源三号影像和谷歌地球影像数据，制作船企遥感样本集。进一步地，步骤S102中所述的卷积神经网络模型，采用ResNet作为基准网络。进一步地，步骤S104中所述的弱监督学习法为不精确监督法，采用Grad-CAM算法，提取每个图像块中存在的船坞、厂房和船只对象的像素级位置信息，此时获取三类对象的像素点位置，进而计算船坞、厂房和船只像素点连线的长度，即为对象之间的空间距离。进一步地，步骤S105中，所述船企场景对象标签组合，具体为：当检测场景内存在厂房、本文档来自技高网...

【技术保护点】
1.一种结合空间距离约束的多尺度船企场景识别与提取方法，其特征在于：具体包括：/nS101：基于船企背景资料，对全国船企矢量提取，获取船企分布情况，并依据船企分布情况设计船企遥感样本集；/nS102：建立卷积神经网络模型，利用所述船企遥感样本集对所述卷积神经网络模型进行训练，得到多个船企遥感图像识别模型；所述多个船企遥感图像识别模型，包括船企场景识别模型和船企场景对象的识别模型；/nS103：采用船企场景识别模型对待处理的遥感影像进行场景全局尺度初检测，得到遥感影像的疑似船企区域及船企场景语义标签得分；/n将所述疑似船企区域进行拆解，得到多个图像块；/n对每个图像块分别采用船企场景对象的识别模型进行局部尺度检测，得到每个图像块中存在的船企场景对象及其对应的语义标签得分；/nS104：对所述每个图像块中存在的船企场景对象，采用弱监督学习方法提取船企场景对象的像素级位置信息，计算船企场景对象之间的空间距离；/nS105：根据船企场景语义标签得分、每个图像块中存在船企场景对象及其对应的语义标签得分、船企场景对象标签组合、船企场景对象之间的空间距离约束，进行场景类别的综合判定，得到船企提取最终结果。/n...

【技术特征摘要】
1.一种结合空间距离约束的多尺度船企场景识别与提取方法，其特征在于：具体包括：
S101：基于船企背景资料，对全国船企矢量提取，获取船企分布情况，并依据船企分布情况设计船企遥感样本集；
S102：建立卷积神经网络模型，利用所述船企遥感样本集对所述卷积神经网络模型进行训练，得到多个船企遥感图像识别模型；所述多个船企遥感图像识别模型，包括船企场景识别模型和船企场景对象的识别模型；
S103：采用船企场景识别模型对待处理的遥感影像进行场景全局尺度初检测，得到遥感影像的疑似船企区域及船企场景语义标签得分；
将所述疑似船企区域进行拆解，得到多个图像块；
对每个图像块分别采用船企场景对象的识别模型进行局部尺度检测，得到每个图像块中存在的船企场景对象及其对应的语义标签得分；
S104：对所述每个图像块中存在的船企场景对象，采用弱监督学习方法提取船企场景对象的像素级位置信息，计算船企场景对象之间的空间距离；
S105：根据船企场景语义标签得分、每个图像块中存在船企场景对象及其对应的语义标签得分、船企场景对象标签组合、船企场景对象之间的空间距离约束，进行场景类别的综合判定，得到船企提取最终结果。


2.如权利要求1所述的一种结合空间距离约束的多尺度船企场景识别与提取方法，其特征在于：所述船企遥感样本集包括：船企场景样本集、船企场景内船坞对象样本集、厂房对象样本集和船只对象样本集。


3.如权利要求2所述的一种结合空间距离约束的多尺度船企场景识别与提取方法，其特征在于：步骤S102中所述的船企场景对象的识别模型，具体包括：船坞识别模型、厂房识别模型和船只识别模型；所述船企场景识别模型，利用所述船企场景样本集训练所述卷积神经网络模型得到；所述船坞识别模型，利用所述船坞对象样本集训练所述卷积神经网络模型得到；所述厂房识别模型，利用所述厂房对象样本集训练所述卷积神经网络模型得到；所述船只识别模型，利用所述船只对象样本集训练所述卷积神经网络模型得到。


4.如权利要求1所述的一种结合空间距离约束的多尺度船企场景识别与提取方法，其特征在于：步骤S101具体为：
S201：对研究区域的检测影像水边线缓冲区进行裁剪，得到待检测水陆交接影像，缩小船企检测范围；
S202：对船企场...

【专利技术属性】
技术研发人员：宋妍，杨淼，于新莉，马珍妮，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北;42