基于深度学习的地表绿网苫盖提取方法技术

本发明专利技术公开了一种基于深度学习的地表绿网苫盖提取方法，包括以下步骤：步骤S1、获取数据；步骤S2、数据预处理；步骤S3、样本数据集制作；步骤S4、基于深度神经网络进行模型构建；步骤S5、深度神经网络模型训练；步骤S6、深度神经网络模型测试；步骤S7、端到端提取模型整合完善。本发明专利技术主要利用深度神经网络构建模型从高分辨率遥感影像中提取绿网苫盖图斑，来获取绿网苫盖在城市中的分布和数量，提高绿网苫盖提取的精度，提升城市管理的自动化、智能化水平，可为城市规划、生态环境建设和城市精细管理提供支持，对城市扩张模式的研究与城市建设管理提供辅助。提供辅助。提供辅助。

【技术实现步骤摘要】
基于深度学习的地表绿网苫盖提取方法


[0001]本专利技术涉及一种地表绿网苫盖提取方法，尤其涉及一种基于深度学习的地表绿网苫盖提取方法。

技术介绍

[0002]城市发展带动了整个社会经济发展，城市建设成为现代化建设的重要引擎，也带来了大量的施工建设工地。然而施工建设过程会对周边环境造成污染，所以在实际建设过程中，相关管理部门和施工企业需要采取有效的应对措施最大程度的减少施工现场各类污染，保护建设区域的周边环境。施工过程中使用绿网覆盖裸露的土地，可以有效的治理扬尘，这是治理扬尘的有效措施，因此绿网苫盖作为建筑工地抑尘的主要措施而被广泛使用。快速获取地表绿网苫盖的空间分布与数量信息，对防尘抑尘、生态环境保护措施的制定具有重要的指导意义。
[0003]目前对于绿网苫盖的提取研究较少，尚未有系统性的方法技术提出，现主要依靠施工建设台账数据进行估算统计。现有的方法主要存在两个弊端：(1)缺乏精确性，从现有数据仅能得到施工建设的位置，无法得到具体的绿网苫盖分布和数量；(2)缺乏直观性，无法从图像的角度直观展示绿网苫盖的覆盖状况。而地理信息科学(GI本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的地表绿网苫盖提取方法，其特征在于：提取方法包括以下步骤：步骤S1、获取数据；步骤S2、数据预处理；步骤S3、样本数据集制作；步骤S4、基于深度神经网络进行模型构建；步骤S5、深度神经网络模型训练；步骤S6、深度神经网络模型测试；步骤S7、端到端提取模型整合完善。2.根据权利要求1所述的基于深度学习的地表绿网苫盖提取方法，其特征在于：所述步骤S1的过程为：确定要提取的地理区域范围，获取对应区域的某一年或者近几年的高分辨率遥感影像；如果提取的区域需要多幅影像覆盖，则应选择时间接近的影像，并且影像应少云或者无云。3.根据权利要求1所述的基于深度学习的地表绿网苫盖提取方法，其特征在于：所述步骤S2中，将收集的遥感影像数据进行预处理，使用ENVI软件对影像进行校正、镶嵌，必要时对镶嵌影像进行匀色，减少影像色差对提取结果的影响。4.根据权利要求1所述的基于深度学习的地表绿网苫盖提取方法，其特征在于：所述步骤S3中，利用经过预处理的数据构建样本数据集，准备好训练数据集、验证数据集和测试数据集，以供之后的模型训练和测试，具体包括以下步骤：S31、将预处理后的遥感影像导入ArcGIS软件中；S32、创建训练集区域的掩模AOImask；S33、利用AOImask裁剪得到训练图像数据；S34、在原始遥感影像上选定验证集区域，使用S32、S33中的方法和工具剪裁得到验证图像数据BOIimage.tif；S35、在原始遥感影像上选定测试集区域，使用S32、S33中的方法和工具剪裁得到测试图像数据COIimage.tif；S36、标注训练集区域的绿网苫盖要素；S37、将矢量标签AOIshp转换为栅格标签AOIlabel；S38、使用S36、S37中的方法和工具分别对验证集区域和测试集区域进行绿网苫盖的标注，得到栅格标签文件BOIlabel和COIlabel；S39、对训练集影像文件AOIimage和标签文件AOIlabel进行裁剪；S310、对裁剪后的训练样本进行“正样本”筛选；S311、对筛选后的训练样本进行数据增强；S312、使用S39中的方法对验证集影像文件BOIimage和标签文件BOIlabel进行裁剪，并整理放入相应的文件夹，得到验证集数据；S313、使用S39中的方法对测试集影像文件COIimage和标签文件COIlabel进行裁剪，并整理放入相应的文件夹，得到测试集数据。5.根据权利要求1所述的基于深度学习的地表绿网苫盖提取方法，其特征在于：所述步骤S4中，以UNet 3+网络为基础构建深度学习网络模型，用于提取绿网苫盖，具体包括以下步骤：
S41、搭建TensorFlow深度学习环境；S42、搭建模型核心架构：模型核心架构采用UNet 3+网络，该网络包括一侧的收缩路径，用于特征提取的编码器结构，另一侧的扩张路径，用于恢复图像尺寸实现像素级预测的解码器结构；S43、在TensorFlow中构建模型功能模块，其包括数据读取模块，编码器解码器模块，精度评价模块；其中，数据读取模块接收的是裁剪过后的影像和标签数据并对影像图片进行归一化处理；编码器解码器模块即S42中的UNet 3+网络，该网络有5个输出值，将经过4次上采样的输出值作为模型的最终输出，而侧边输出值用于深度监督；精度评价模块将模型提取的绿网苫盖图斑与标签中的绿网苫盖真值进行对比，计算精确度、召回率、总体精度、Kappa系数四个指标进行精度评价。6.根据权利要求5所述的基于深度学习的地表绿网苫盖提取方法，其特征在于：所述步骤S42中，模型的损失函数L采用focal loss和IoU loss的混合损失函数，如下所示：L＝Lfl+Liou其中，Lfl表示focal loss，Liou表示IoU loss；Focal loss的计算公式如下所示：L
fl
＝
‑
α
t
(1
‑
p
t
)
γ
log(p
t
)设y为地面真值，取值为0或1，p为模型预测的概率，p∈[0，1]，那么α
t<...

【专利技术属性】
技术研发人员：梁晨，陈品祥，余永欣，秦飞，
申请(专利权)人：北京市测绘设计研究院，
类型：发明
国别省市：