一种使用深度学习和空间分析的广域未知大坝自动探测方法技术

本发明专利技术涉及一种使用深度学习和空间分析的广域未知大坝自动探测方法，包含以下步骤：候选区提取——地表水面积约束和行政边界数据集相交约束以获取更准确的候选区；深度学习模型训练——训练三种目标识别模型，NMS算法和长度阈值融合检测结果；地理分析与综合判别——综合地形约束，相交原则和其他目标开放数据集将误检框删除，进一步提升大坝探测中的准确率。本发明专利技术提出的自动探测方法在测试数据集上表现良好，探测结果做了人工校验，准确率为80.0%，召回率为91.1%，同时，发现39个不在任何数据集上的新大坝。结果显示，本发明专利技术可以自动、快速、可靠的探测未知区域大坝的空间位置，并为其他遥感目标空间位置探测提供了流程思路。路。路。

【技术实现步骤摘要】
一种使用深度学习和空间分析的广域未知大坝自动探测方法


[0001]本专利技术涉及一种使用深度学习和空间分析的广域未知大坝自动探测方法。

技术介绍

[0002]近年来，为适应环境和水利建设的需要，世界范围内的大坝的采用和实施稳步增加。大坝作为重要的水利设施，其数据质量从局部到大尺度影响着流域变化和生态评价。其中一个关键问题是如何快速获取大坝的空间位置。一些组织和机构通过地面调查、政府网站或互联网上的信息汇编和现有数据库属性融合等方式构建了大坝数据集。然而会导致时间、人力和金钱的流失。因此，开发一种自动化探测大坝空间位置方法是十分迫切的。
[0003]许多学者在机场、太阳能光伏电站和导弹征地等规模较大目标的广域识别方面做了一些建设性的工作。这些学者使用地理分析方法获取目标候选区，利用场景分类和目标识别模型做进一步的准确率提升，这些目标的广域空间位置数据的获取如今已并不困难。但，大坝规模较小，类型多样，目前的研究仍然是基于单一图像或者稍大范围的拼接图像，仍然存在广域目标识别的问题。所以，为了提高现有方法的准确率和广域检测能力，我们重点开发一种广域未知大坝自动探测方法。

技术实现思路

[0004]本专利技术要解决的技术问题是：克服现有技术的上述不足，提出一种广域未知大坝自动探测方法。
[0005]为解决上述技术问题，本专利技术提出使用深度学习和空间分析的广域未知大坝自动探测方法，包含以下步骤：
[0006]步骤1、候选区提取——获取大坝检测的候选区点位，数据处理方法如下：
[0007]1.1)、面积约束，对全球地表水数据集中面积较小的区域进行删除，保留面积较大的区域作为初步候选区；
[0008]1.2)、相交约束，对初步候选区中与海岸线相交的多边形进行删除，获取大坝的候选区，候选区边界进行点位采样，获取大坝检测点位；
[0009]步骤2、深度学习模型训练——训练三种目标识别模型，第一种是基于YOLO
‑
v3的大坝检测模型，第二种是基于YOLO
‑
v5l的大坝检测模型，第三种是基于YOLO
‑
v5x的大坝检测模型，训练过程如下：
[0010]2.1)、样本标注，人工随机选取目标地域范围内若干含有大坝的影像，并进行多边形标注，得到标注过的大坝影像；
[0011]2.2)、数据增广，对选取的含有大坝的影像进行数据增广作为训练样本，包括几何增强和颜色增强；
[0012]2.3)、利用训练样本对YOLO
‑
v3的大坝检测模型进行训练，使用训练后的YOLO
‑
v3的大坝检测模型对大坝检测点位处的影像进行识别，获得第一初始检测结果；
[0013]2.4)、利用训练样本对分别对基于YOLO
‑
v5l和YOLO
‑
v5x的大坝检测模型进行训
练，使用训练后的基于YOLO
‑
v5l和YOLO
‑
v5x的大坝检测模型分别对大坝检测点位处的影像进行识别，分别获得第二初始检测结果和第三初始检测结果；
[0014]2.5)、利用NMS算法和长度阈值对第一、第二、第三初始检测结果进行融合合并，获得模型检测的综合初始检测结果；
[0015]步骤3、地理分析与综合判别——应用综合判别中的三个地理约束对综合初始检测结果进行判别具体如下：
[0016]3.1)、地形起伏度，基于DEM、坡向、地形粗糙指数和汇流累积量的阈值进行候选区的地形起伏度判断，如果判定地形起伏度较低，则该候选区为误检测候选框，删除误检测候选框并得到剩余的检测结果；
[0017]3.2)、相交原则如果该候选区不在道路线和河网相交的范围内，则该候选区为误候选框；如果相交区域的线的类型均为主要道路，则该候选区为道路误候选框；与海岸线相交候选区为港口或者海岸线误候选框；删除这些误候选框并得到剩余的检测结果；
[0018]3.3)、其他目标数据，利用其他开放数据集中的目标位置信息，删除误候选框，开放数据集信息包括：全球土地利用数据、Open Street Map的农田和桥数据；如果该候选框中的土地利用类型不包含不透水面、裸地和农田数据，则该候选框为误候选框；如果候选框中包含较大面积的农田位置信息和桥位置信息，则该候选框为误候选框；剔除这些误候选框并得到最终的检测结果。
[0019]本专利技术提出的广域未知大坝自动探测方法在测试数据集上表现良好，探测结果做了人工校验，准确率为80.0％，召回率为91.1％，同时，发现39个不在任何数据集上的新大坝。结果显示，本专利技术可以自动、快速、可靠的探测未知区域大坝的空间位置，并为其他遥感目标空间位置探测提供了流程思路。
附图说明
[0020]下面结合附图对本专利技术作进一步的说明。
[0021]图1为本专利技术实例的总体流程图。
[0022]图2为本专利技术在三个试验区域青森、神奈川和冲绳的三模型融合后大坝空间位置的检测结果。
[0023]图3为本专利技术三模型融合后丢失的大坝影像。
[0024]图4为本专利技术地理分析与综合判别中各约束条件的说明图。
[0025]图5为本专利技术地理分析与综合判别中各个约束条件下删除的错误候选框的数量分析图。
[0026]图6为本专利技术实例在广域范围内大坝空间位置的探测结果图。
具体实施方式
[0027]下面根据附图详细阐述本专利技术，使本专利技术的技术路线和操作步骤更加清晰。
[0028]本专利技术候选区的选取中地表水数据集是Joint Research Centre的全球地表水栅格数据集，由7个波段组成，选用最大水体范围数据集，空间分辨率是30米。经过面积阈值的删减，将栅格数据集转为矢量面数据集。采用的行政边界数据是GADM组织的矢量面数据。
[0029]本专利技术三种目标识别模型的训练中，采用的大坝样本随机选取Grand开放数据集
中526个点位，下载谷歌影像并进行数据增强。大坝检测中影像数据来源于谷歌地球19级切片(分辨率约0.23米)，切片以0.005度*0.005度的大小下载并拼接成完整的影像，此大小的影像可以充分涵盖潜在大坝点位周围的影像。
[0030]本专利技术中地理分析与综合判别中所需数据集包含，DEM数据集(STRM1和AW3D)，空间分辨率为30米、FROM
‑
GLC10全球土地利用数据集，空间分辨率为10米和Open Street Map的道路、桥和农田矢量数据集。目视验证中获得的新发现的大坝，不存在与当前的大坝数据集。大坝数据集来源于：Grand
‑
v1.1、Grand
‑
v1.3、GOOD
‑
2015、GOOD
‑
2020、OSM、FAO、GNIS等开放获取数据库和日本国家基础地理信息中心所提供的大坝开放数据集。
[0031]本实例使用深度学习和空间分析的广域未知大坝自动探测方法，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种使用深度学习和空间分析的广域未知大坝自动探测方法，包含以下步骤：步骤1、候选区提取——获取大坝检测的候选区点位，数据处理方法如下：1.1）、面积约束，对全球地表水数据集中面积较小的区域进行删除，保留面积较大的区域作为初步候选区；1.2）、相交约束，对初步候选区中与海岸线相交的多边形进行删除，获取大坝的候选区，候选区边界进行点位采样，获取大坝检测点位；步骤2、深度学习模型训练——训练三种目标识别模型，第一种是基于YOLO
‑
v3的大坝检测模型，第二种是基于YOLO
‑
v5l的大坝检测模型，第三种是基于YOLO
‑
v5x的大坝检测模型，训练过程如下：2.1）、样本标注，人工随机选取目标地域范围内若干含有大坝的影像，并进行多边形标注，得到标注过的大坝影像；2.2）、数据增广，对选取的含有大坝的影像进行数据增广作为训练样本，包括几何增强和颜色增强；2.3）、利用训练样本对YOLO
‑
v3的大坝检测模型进行训练，使用训练后的YOLO
‑
v3的大坝检测模型对大坝检测点位处的影像进行识别，获得第一初始检测结果；2.4）、利用训练样本对分别对基于YOLO
‑
v5l和YOLO
‑
v5x的大坝检测模型进行训练，使用训练后的基于YOLO
‑
v5l和YOLO
‑
v5x的大坝检测模型分别对大坝检测点位处的影像进行识别，分别获得第二初始检测结果和第三初始检测结果；2.5）、利用NMS算法和长度阈值对第一、第二、第三初始检测结果进行融合合并，获得模型检测的综合初始检测结果；步骤3、地理分析与综合判别——应用综合判别中的三个地理约束对综合初始检测结果进行判别具体如下：3.1）、地形起伏度，基于DEM、坡向、地形粗糙指数和汇流累积量的阈值进行候选区的地形起伏度判断，如果判定地形起伏度较低，则该候选区为误检测候选框，删除误检测候选框并得到剩余的检测结果；3.2）、相交原则如果该候选区不在道...

【专利技术属性】
技术研发人员：程亮，景旻，季辰，毛君亚，李宁，段志鑫，李泽明，东野升鹍，
申请(专利权)人：南京大学，
类型：发明
国别省市：