基于深度学习的遥感影像厂房识别方法和系统技术方案

一种基于深度学习的遥感影像厂房识别方法和系统，所述方法包括：步骤1，采集遥感影像数据，筛选出有厂房的区域，裁剪出一系列子影像作为厂房原始样本；步骤2，对厂房原始样本进行标注和裁剪，构成语义分割数据集，并对语义分割数据集进行扩充；步骤3，搭建语义分割网络模型；步骤4，使用现有遥感影像语义分割数据集训练语义分割网络模型；步骤5，使用训练好的语义分割网络模型进行厂房提取；步骤6，将所有子图的预测图按裁剪时的起始点坐标进行拼接，得到一幅完整遥感影像的厂房语义分割结果图，根据厂房语义分割结果图的像素分布确定是否有厂房。实现对厂房的精确提取并获得地理坐标，还可根据运维路线评定厂房的风险等级。还可根据运维路线评定厂房的风险等级。还可根据运维路线评定厂房的风险等级。

【技术实现步骤摘要】
基于深度学习的遥感影像厂房识别方法和系统


[0001]本专利技术涉及电力传输领域，具体涉及基于深度学习的遥感影像厂房识别方法和系统。

技术介绍

[0002]电是现代社会最基本的能源，无论是在居民生活还是工业生产中，都发挥着巨大作用。为保障电力稳定与安全供应，对高压输电塔运行状态监测、输电线路的定期巡检、危险源排查尤为重要。对于输电距离远、设备所处环境恶劣的电网形态，人工巡检监测效率低下、危险性高。相比之下，利用卫星遥感观测技术具有观测范围广、动态及时且基本不受自然条件影响，优势十分明显。
[0003]一些现有的基于遥感影像的输电线路检测技术对数据要求较高，或过于简单粗糙，鲁棒性不高。如MIT林肯实验室基于高分辨率的SAR图像上进行白化滤波对电塔进行检测，密歇根大学Sarabandi等人则利用毫米极化的SAR图像进行输电线路的提取。另外，基于光学的输电线路检测也取得了一定发展，如构建导线在Cluster Randon(CR)频域空间的峰值特征，在可见光遥感影像上提取输电导线；利用深度学习的目标检测技术实现电塔检测等。对于输电线路沿线分布的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的遥感影像厂房识别方法，其特征在于，所述方法包括：步骤1，采集遥感影像数据，筛选出有厂房的区域，裁剪出一系列子影像作为厂房原始样本；步骤2，对厂房原始样本进行标注和裁剪，构成语义分割数据集，并对语义分割数据集进行扩充；步骤3，搭建语义分割网络模型；步骤4，使用现有遥感影像语义分割数据集训练语义分割网络模型；步骤5，使用训练好的语义分割网络模型进行厂房提取；步骤6，将所有子图的预测图按裁剪时的起始点坐标进行拼接，得到一幅完整遥感影像的厂房语义分割结果图，根据厂房语义分割结果图的像素分布确定是否有厂房。2.根据权利要求1所述的一种基于深度学习的遥感影像厂房识别方法，其特征在于，步骤2中，对厂房原始样本进行裁剪采用滑窗法，从左上角开始，对于没有标注的子图，按设定步长选择性保留作为负样本，其余丢弃，以此控制负样本数量；对于有标注的子图，在标注目标周围随机平移多次生成多张不同的子图作为正样本，扩充正样本，依次遍历完整幅影像，构成语义分割数据集，其中，根据厂房在影像中分布密度确定标注目标周围随机平移次数。3.根据权利要求1所述的一种基于深度学习的遥感影像厂房识别方法，其特征在于，步骤2中，对语义分割数据集进行扩充包括：旋转、翻转、饱和度、亮度、长宽扭曲、缩放、平移和裁剪增强操作。4.根据权利要求1所述的一种基于深度学习的遥感影像厂房识别方法，其特征在于，步骤3中，语义分割网络模型包括：特征主干网络模块，输出层像素点分类模块，目标函数模块。5.根据权利要求4所述的一种基于深度学习的遥感影像厂房识别方法，其特征在于，特征主干网络模块为先做下采样再做上采样的U型对称网络，并将中间填满，整个网络提取不同层次的图像抽象特征，并将不同层次的图像抽象特征通过特征堆叠的方式整合，确保边缘信息在下采样、上采样过程中不丢失，同时，将网络顶部的所有层直接连接到输出层，实现深监督。6.根据权利要求4所述的一种基于深度学习的遥感影像厂房识别方法，其特征在于，输出层像素点分类模块使用sigmoid函数，其输入为基础...

【专利技术属性】
技术研发人员：苏晓，丁争，陈峻宇，申若飞，张卓成，张明晖，李浪，许华栋，白万崧，王德新，杨光兴，李毅，朱立夫，周兵，刘鸿燕，康晓，段丁丁，王成港，程锐，牛帆帆，
申请(专利权)人：航天宏图信息技术股份有限公司，
类型：发明
国别省市：