基于无人机低空采样的地物分类人工智能识别方法及其系统技术方案

本发明专利技术涉及一种基于无人机低空采样的地物分类人工智能识别方法及其系统，方法包括如下步骤：S1采用低空飞行无人机对地物进行多期高光谱图像采样和图像处理；S2对采集的样本进行人工分类，并以此建模针对不同地物类型的典型地物智能识别模型系；S3按照步骤S1的方法采集并进行图像处理过的待分类地物高光谱图像维，输入步骤S2建立的地物智能识别模型系中，得到预测概率最高地物类型作为待测地物的分类。本发明专利技术的方法和系统能够兼顾拍摄条件、算法、地物变化之间的协调、预测准确率和建模效率的提高。率的提高。率的提高。

【技术实现步骤摘要】
基于无人机低空采样的地物分类人工智能识别方法及其系统


[0001]本专利技术涉及一种分类地物识别的方法，尤其涉及到基于无人机低空采样的地物分类人工智能识别方法及其系统。

技术介绍

[0002]地物识别是通过对地面物体进行图像采集之后进行分类识别，从而研究其分布以及产业布局，属于地理数字地图，尤其涉及城市、军事用图中的一个基础的课题。其中图像采集时至关重要的步骤，图像时识别的数据基础，尤其涉及到人工智能识别，需要对海量的图像进行拍摄。另一方面，不同时间、不同季节、不同天气条件下，对于同一地点的地物图像采集来说都需要有图像的大气校正，图像的光照度尽量统一，时间间隔尽量一致，这就造成采集的成本增加，工程耗时久往往是痛点。
[0003]此外，不同的地物类别一般也仅服从于同一种智能算法。比如现有技术利用高光谱中的光谱维的特征波段来进行识别。然而正因为特征波段的强度会因为采集图像的光照，天气条件而不同而会有差别，因此在现实场景下具体使用训练完毕的模型进行识别预测时会有相应的错误率增加。
[0004]第三，地物也有可能会产生变化，对于同一地理区域内的地物而言，可能会产生地物变化，比如建筑因拆除变为空地，空地因城市规划而产生建筑，海面部分不断产生人工陆地，并在陆地上产生新增的地物等等。
[0005]因此如何综合考量并兼顾拍摄条件、算法、地物变化之间的协调、预测准确率和建模效率的提高，是一个亟待解决的技术问题。

技术实现思路

[0006]为了解决上述问题，我们考虑如下三个解决方案，第一，使用低空飞行无人机排除大气校正因素，第二，考虑图像处理方法制造“伪”训练集；第三，针对不同的地物类别采用针对性的适用算法，进一步体现地物分类的准确性。
[0007]鉴于上述考虑，本专利技术一方面提供了一种基于无人机低空采样的地物分类人工智能识别方法，其特征在于包括如下步骤：
[0008]S1采用低空飞行无人机对地物进行多期高光谱图像维采样和图像处理；
[0009]S2对采集的样本进行人工分类，并以此建立针对不同地物类型的典型地物智能识别模型系；
[0010]S3按照步骤S1的方法采集并进行图像处理过的待分类地物高光谱图像维，输入步骤S2建立的地物智能识别模型系中，得到预测概率最高地物类型作为待测地物的分类。
[0011]关于S1
[0012]S1具体包括
[0013]S1
‑
1研究区典型地物智能识别样本构造；
[0014]S1
‑
2研究区变化检测样本构造。
[0015]其中S1
‑
1具体包括如下步骤：
[0016]S1
‑1‑
1数据收集：收集包含各类目标典型地表覆盖物的高分遥感影像数据，包括公开数据集与专用数据集；
[0017]S1
‑1‑
2样本筛选：从收集的遥感影像数据中剔除质量不高的图片，包括云雾遮挡严重、光照不足、模糊等低质量图片；
[0018]S1
‑1‑
3典型地物样本标注：使用标注工具，对典型地物进行标注，包括地物类型与位置；
[0019]S1
‑1‑
4图像切割：对标注好的图片进行裁剪，形成统一的尺寸规格，便于模型训练；
[0020]S1
‑1‑
5数据增广：通过对图像数据采用几何及色彩变幻两种增广操作；通过这些操作获得更多“伪”训练集，本质上能够在获得更多可用样本的同时，增加了样本的变化，从而可提高深度学习模型的抗噪声能力与泛化能力。就此不用采集同一地物分类更多不同的的高光谱图像样本，大大减少了建模的数据准备耗时；
[0021]S1
‑1‑
6样本输出与存储：对标准样本进行统一编号，并按规定格式进行存储管理；
[0022]优选地，步骤S1
‑1‑
2中云雾遮挡严重、光照不足、模糊的图片剔除方法包括，预设标准采样天气条件，查询拍摄时间对应的天气参数，将天气参数不符合所述预设标准采样天气条件的图片予以剔除。
[0023]步骤S1
‑1‑
3中所述标注工具为GoogleEarthpro或geowayfeature。
[0024]其中S1
‑
2具体包括如下步骤：
[0025]S1
‑2‑
1多期高光谱图像维获取：收集包含各类典型地表覆盖物的多期高光谱图像维数据，时间间隔、光照条件要素相近；
[0026]S1
‑2‑
2区域选择：从收集的高光谱图像维数据中选择包含各类典型地物且存在变化的区域；
[0027]S1
‑2‑
3变化区域标注：标注出发生变化的对各类典型地物进行标注，包括发生变化的地物类型及其变化区域；
[0028]S1
‑2‑
4图像切割与数据增广：对标注好的图片进行裁剪，形成统一的尺寸规格，便于模型训练，并同样通过对图像数据采用几何及色彩变幻两种增广操作；
[0029]S1
‑2‑
5样本输出与存储：对标准样本进行统一编号，并按规定格式进行存储管理。
[0030]其中，步骤S1
‑2‑
1中多期高光谱图像维获取包括如下步骤：
[0031]将研究区划分为k个子区域，配备无人机架数kN,k＝1,2,3,4,5，N为每个子区域的无人机架数；
[0032]在预设的气象条件下，将多架无人机沿着预定的飞行路线对各种类的地理实体的多个子区域进行高光谱采集，将所述多个子区域采集的高光谱中图像维进行拼接，形成研究区内的高光谱图像；
[0033]优选地，所有无人机的飞行高度一致，所有无人机按照预定的飞行路线在同一时刻同时开始飞行，且在同一时间点停止一切采集。以保证采集的地物处于大致同一个时段内，防止出现一些地理实体之间采集工作明显是处于不同的两个间隔时长的时段，导致高光谱图像维数据不能准确反映同一时段的状态。
[0034]步骤S1
‑1‑
4和S1
‑2‑
4中的裁剪的具体步骤如下：首先，对收集包含各类目标典型
地表覆盖物的高分遥感影像数据标注的真值数据转换为与原始数据相同尺寸的栅格数据，并作为最后一个波段与原始影像进行叠加，而对于多期高光谱图像维则直接用于裁剪；第二，在研究区范围内设定随机点，以此为原点生成具有随机角度的裁切框，而对于真值数据转换为与原始数据相同尺寸的栅格数据额外需通过约束裁切框内包含某类真值数据的比例，对采样的正负样本比例进行约束，按照设定获取切片样本的数量进行图像随机裁剪。
[0035]优选地，所述随机裁剪的尺寸为225
×
225
‑
590
×
590。传统获取样本切片的方式是按照规定的切片大小，按照一定的步长规则移动裁切框从而获取切片数据，这种方式的缺点是获取切片数据数量有限，且无法保证获取正样本比例，从而导致构造样本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无人机低空采样的地物分类人工智能识别方法，其特征在于，包括如下步骤：S1采用低空飞行无人机对地物进行多期高光谱图像维采样和图像处理；S2对采集的样本进行人工分类，并以此建立针对不同地物类型的典型地物智能识别模型系；S3按照步骤S1的方法采集并进行图像处理过的待分类地物高光谱图像维，输入步骤S2建立的地物智能识别模型系中，得到预测概率最高地物类型作为待测地物的分类。2.根据权利要求1所述的方法，其特征在于，S1具体包括：S1
‑
1研究区典型地物智能识别样本构造；S1
‑
2研究区变化检测样本构造。3.根据权利要求2所述的方法，其特征在于，其中S1
‑
1具体包括如下步骤：S1
‑1‑
1数据收集：收集包含各类目标典型地表覆盖物的高分遥感影像数据，包括公开数据集与专用数据集；S1
‑1‑
2样本筛选：从收集的遥感影像数据中剔除质量不高的图片，包括云雾遮挡严重、光照不足、模糊的低质量图片；S1
‑1‑
3典型地物样本标注：使用标注工具，对典型地物进行标注，包括地物类型与位置；S1
‑1‑
4图像切割：对标注好的图片进行裁剪，形成统一的尺寸规格，便于模型训练；S1
‑1‑
5数据增广：通过对图像数据采用几何及色彩变幻两种增广操作；S1
‑1‑
6样本输出与存储：对标准样本进行统一编号，并按规定格式进行存储管理；其中S1
‑
2具体包括如下步骤：S1
‑2‑
1多期高光谱图像维获取：收集包含各类典型地表覆盖物的多期高光谱图像维数据，时间间隔、光照条件要素相近；S1
‑2‑
2区域选择：从收集的高光谱图像维数据中选择包含各类典型地物且存在变化的区域；S1
‑2‑
3变化区域标注：标注出发生变化的对各类典型地物进行标注，包括发生变化的地物类型及其变化区域；S1
‑2‑
4图像切割与数据增广：对标注好的图片进行裁剪，形成统一的尺寸规格，便于模型训练，并同样通过对图像数据采用几何及色彩变幻两种增广操作；S1
‑2‑
5样本输出与存储：对标准样本进行统一编号，并按规定格式进行存储管理。4.根据权利要求3所述的方法，其特征在于，步骤S1
‑1‑
2中云雾遮挡严重、光照不足、模糊的图片剔除方法包括，预设标准采样天气条件，查询拍摄时间对应的天气参数，将天气参数不符合所述预设标准采样天气条件的图片予以剔除；步骤S1
‑1‑
3中所述标注工具为GoogleEarthpro或geowayfeature；所述随机裁剪的尺寸为225
×
225
‑
590
×
590；步骤S1
‑1‑
4和S1
‑2‑
4中的裁剪的具体步骤如下：首先，对收集包含各类目标典型地表覆盖物的高分遥感影像数据标注的真值数据转换为与原始数据相同尺寸的栅格数据，并作为最后一个波段与原始影像进行叠加，而对于多期高光谱图像维则直接用于裁剪；第二，在研究区范围内设定随机点，以此为原点生成具有随机角度的裁切框，而对于真值数据转换
为与原始数据相同尺寸的栅格数据需额外通过约束裁切框内包含某类真值数据的比例，对采样的正负样本比例进行约束，按照设定获取切片样本的数量进行图像随机裁剪；步骤S1
‑1‑
5和S1
‑2‑
4中数据增广中几何变换包括对数据进行翻转、旋转、缩放、位移，色彩变换包括改变数据的饱和度、亮度、对比度、锐度、模糊、加噪；其中，步骤S1
‑2‑
1中多期高光谱图像维获取包括如下步骤：将研究区划分为k个子区域，配备无人机架数kN,k＝1,2,3,4,5，N为每个子区域的无人机架数；在预设的气象条件下，将多架无人机沿着预定的飞行路线对各种类的地理实体的多个子区域进行高光谱采集，将所述多个子区域采集的高光谱中图像维进行拼接，形成研究区内的高光谱图像；其中，所有无人机的飞行高度一致，所有无人机按照预定的飞行路线在同一时刻同时开始飞行，且在同一时间点停止一切采集；步骤S1
‑2‑
3中的发生变化的具体判别包括如下步骤：将同在随机裁剪的图像的区域内的图像之间进行叠加差分得到差分图，若差分图像素总值超出预设范围则确认变化，或者在差分图内选择叠加预设几何阵列图案的模板，计算模板内像素总值，若模板内像素总值超出预设范围则确认变化，或者计算像素值分布曲线，比较无变化的分布曲线与该分布曲线之间的相似度，如果相似度超过预设值则表明无变化，否则确认变化，所述无变化的分布曲线与该分布曲线的形式是以几何阵列图案中编号排序的每一个阵列元素区域为自变量、对应的区域内像素总值为变量的折线，所述相似度是指比较无变化的分布曲线与该分布曲线中对应的几何阵列图案中编号排序的每一个阵列元素区域内的像素值的大小比值的对于所有阵列元素区域个数的平均值。5.根据权利要求1
‑
4中任一项所述的方法，其特征在于，S2具体包括：S2
‑
1根据典型地物智能识别样本以及变化检测样本中的标注结果将样本按照不同地物类型分为：(1)自然地物类型，包括林地、草地、耕地、裸地、海面、河流；(2)人工建筑物类型，包括房屋、道路、灯塔；(3)重要目标类型，包括船舰、飞机、码头、油罐；(4)建筑物变化类型；其中每一类地物都包含未变化和变化区域都分为训练集、验证集以及测试集比例为5
‑
2:1:1
‑
2；S2
‑
2按照不同地物类型采用不同的人工智能模型进行相应地物分类识别模型系建立，具体包括：(5)PSPNet、UNet或UNet++、DeeplabV3+进行林地、草地、耕地、裸地、海面识别；(6)利用改进的D
‑
linkNet对多尺度道路、河流识别；(7)基于SCRDET+CSL进行船舰，灯塔，飞机，码头，油罐，房屋重要目标类型识别；(8)利用基于孪生网络SCNN的STANet模型对多时期建筑物变化进行检测；(9)将PSPNet、UNet、UNet++、DeeplabV3+、改进的D
‑
LinkNet、SCRDET+CSL、基于孪生网络SCNN的STANet构建模型系MS＝{PSPNet、UNet、UNet++、DeeplabV3+、D
‑
LinkNet+、SCRDET+CSL、SCNN
‑
STANet}；
其中对林地、草地采用PSPNet模型识别建模，对耕地、裸地采用UNet或UNet++模型识别建模，而对海面采用DeeplabV3+模型识别建模。6.根据权利要求5所述的方法，其特征在于，具体地，PSPNet建模包括如下步骤：A
‑
1将未变化区域的训练集输入CNN骨架网路中，获得特征图；A
‑
2将A
‑
1中的特征图输入4种不同金字塔尺度的金字塔池化模块PPM，得到连接特征；A
‑
3将PPM中输出的连接特征输入卷积层得到预测图，利用验证集验证正确率以及获得损失函数值，反向传播调整PPM网络参数，直到正确率和损失函数值稳定，训练完毕；其中A
‑
1使用预训练过的ResNet模型来提取特征图，最终特征图尺寸为输入图像的1/8，PPM中按照4种不同金字塔尺度将特征图进行池化，通过各自卷积层获得不同的特征映射，通过上采样获得全局上下文信息，最终融合得到全局特征，并与输入的特征图连接起来获得连接特征；UNet和UNet++建模包括如下步骤：B
‑
1将未变化区域的训练集输入双池化作用层，将输出端进行2
×
2最大池化后继续进行双池化作用和2
×
2的最大池化，以此循环N次，直到最后一次2
×
2的最大池化后形成最小尺寸特征图，再经过最后一次双池化作用连同每一次循环之后得到多个最大池化特征图；B
‑
2将第N次循环双池化作用得到的特征图与第N
‑
1次循环双池化作用并2
×
2反卷积之后得到的特征图进行复制、裁剪、以及拼接，其中在复制之后，裁剪是将两者之间尺寸较大者进行裁剪以适应与较小者的尺寸；然后将拼接的特征图继续双池化作用后，继续2
×
2反卷积，得到的特征图与第N
‑
2循环双池化作用得到的特征图继续进行复制、裁剪、以及拼接；以此不断循环，直到第一次双池化作用得到的特征图与最后一次拼接并双池化作用得到的特征图进行复制、裁剪、以及拼接，得到最后一次拼接的特征图；B
‑
3将最后一次拼接的特征图进行最后一次双池化作用，并做1
×
1卷积输出分割图；采用验证集验证正确率和损失函数值，反向传播调整各池化和反卷积和卷积参数，直到正确率和损失函数值稳定，训练完毕；其中，双池化作用都是3
×
3卷积后ReLu函数激活，且stride是1，padding策略是vaild，最大池化操作需要选取合适的输入大小，以防止池化之前特征图的大小是奇数而损失信息；UNet++建模与UNet区别在于第一次双池化作用以及在第N
‑
1次循环中的双池化作用之后的特征图都进行H卷积函数反复作用并激活，从而对于第1次循环和第倒数第二次循环中得到连续的多个特征图，形成一种底层特征图个数为1、顶层个数为N+1，且从底层开始逐层增加一个特征图的的到三角形特征图结构；其中，倒三角的左侧一条边的多个特征图即为UNet中的第一次双池化作用和后续循环中各最大池化作用得到池化图，选择这些连续的多个特征图和除最底层之外的倒三角的左侧一条边的特征图中的任一一个特征图用于进行跳跃式地与UNet一致的特征复制、裁剪、拼接，所述的跳跃是指所述的任...

【专利技术属性】
技术研发人员：刘俊伟，
申请(专利权)人：泰瑞数创科技北京股份有限公司，
类型：发明
国别省市：