【技术实现步骤摘要】
一种基于改进UNet网络的港口矿堆分割及储量计算方法
本专利技术涉及一种基于改进UNet网络的港口矿堆分割及储量计算方法，属于光学遥感图像处理与深度学习领域。
技术介绍
图像语义分割是计算机视觉当中的重要领域，图像语义分割能够在像素级别识别物体，预测出图像中每一个像素所属的类别。港口矿石堆放区是港口堆放待运输矿石的特定区域，同一矿石堆放区的矿石堆排列有序但是由于矿石堆随着不停运输会逐渐增加或减少，所以形状并不规则，而且许多矿石与裸地颜色较为接近，导致传统的计算机视觉方法难以检测遥感图像当中的矿石边缘。深度学习图像语义分割方法能有效解决矿堆形状不规则，颜色与裸地接近的问题。使用图像语义分割技术找出矿石堆放区可以进一步计算矿堆面积从而估测港口矿石储量，有很高的应用价值。虽然目前很少有关于矿堆遥感图像语义分割的研究，不过随着高空间分辨率光学遥感卫星技术的发展，许多研究者使用深度学习的方法将图像语义分割作用于光学遥感图像领域并产生了诸多应用成果。UNet是Ronneberger等人在2015年提出的一种图像语义分割网络。UN...
【技术保护点】
1.一种基于改进UNet网络的港口矿堆分割及储量计算方法，其特征在于，所述港口矿堆分割及储量计算方法包括以下步骤：/n步骤1、制作基于高分辨率光学遥感图像的港口矿堆语义分割数据集；/n步骤2、对UNet网络算法进行改进：使用空洞卷积层对UNet网络下采样过程进行优化；/n步骤3、对矿堆分割数据集使用改进的UNet网络进行训练；/n步骤4、使用训练后的网络对包含矿堆的图像测试数据进行图像语义分割；/n步骤5、使用矿堆体积估算方法对分割后的矿堆进行储量估算。/n
【技术特征摘要】
1.一种基于改进UNet网络的港口矿堆分割及储量计算方法，其特征在于，所述港口矿堆分割及储量计算方法包括以下步骤：
步骤1、制作基于高分辨率光学遥感图像的港口矿堆语义分割数据集；
步骤2、对UNet网络算法进行改进：使用空洞卷积层对UNet网络下采样过程进行优化；
步骤3、对矿堆分割数据集使用改进的UNet网络进行训练；
步骤4、使用训练后的网络对包含矿堆的图像测试数据进行图像语义分割；
步骤5、使用矿堆体积估算方法对分割后的矿堆进行储量估算。
2.根据权利要求1所述的一种基于改进UNet网络的港口矿堆分割及储量计算方法，其特征在于，在步骤1中，具体包括以下步骤：
步骤1.1、选定用作分割的矿堆数据集图像，数据集图像选用谷歌底图，随机抽选40张包含港口矿石堆放区的图像进行截取，包括了不同形状、颜色、大小、堆放方式的港口矿堆，将其中36张图像用于网络训练，另外4张用于测试集；
步骤1.2、将选定的图像使用labelme工具进行人工标注，生成分割结果json，使用labelme工具进行转化，将分割结果json转化为标签图像形式；
步骤1.3、将矿石堆放区图像与对应标签图像进行切割，切割成256×256大小的图像，对于切割后大小不足256×256的部分，使用0值填充到256×256，然后去除不含有效标签的图像，将切割后的346张图像划分为80％的训练集和20％的验证集。
3.根据权利要求1所述的一种基于改进UNet网络的港口矿堆分割及储量计算方法，其特征在于，在步骤2中，具体包括以下步骤：
步骤2.1、构建改进UNet网络，将UNet网络下采样过程中的五次卷积层替换为空洞卷积，空洞卷积相比于标准卷积层有许多间隔，改进UNet网络采用间隔数量为1的5×5空洞卷积；
步骤2.2、在上下采样过程中使用0值进行填充。
4.根据权利要求1所述的一种基于改进UNet网络的港口矿堆分割及储量计算方法，其特征在于，在步骤3中，具体包括以下步骤：
步骤3.1、对数据集进行训练时超参数如下，初始学习速率learning_rate＝0.001，批尺寸batch_size＝4，训练代数epochs＝100，分割类别n_classes＝2；
步骤3.2、训练过程中，使用ReduceLROnPlateau在连续两代训练中验证集loss值不变时使学习率降低一半；
步骤3.3、训练结果每一代保...
【专利技术属性】
技术研发人员：陈文韬，罗霄，刘欣悦，胡坤，特日根，
申请(专利权)人：长光卫星技术有限公司，
类型：发明
国别省市：吉林;22
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。