一种基于遥感影像的铁路及其伴行公路智能识别方法技术

本发明专利技术公开一种基于遥感影像的铁路及其伴行公路智能识别方法，涉及遥感影像图像处理技术，拟解决现有技术中存在有标注样本匮乏

【技术实现步骤摘要】
一种基于遥感影像的铁路及其伴行公路智能识别方法


[0001]本专利技术涉及遥感影像图像处理
，具体涉及一种基于遥感影像的铁路及其伴行公路智能识别方法
。

技术介绍

[0002]自新中国成立以来，与国家逐渐强盛紧密相连的便是中国铁路的飞速发展
。1952
年，新中国的第一条铁路成渝线投入运营，中国铁路建设拉开了序幕
。
十一届三中全会之后，伴随着中国铁路干线的建设战略，中国经济迎来新的变革
。
再到如今，我国铁路营业里程已突破
14
万公里，高速铁路里程更是接近4万公里位居世界第一
。
而根据联合印发的
《
中长期铁路网规划
》
，我国已经建成了“四纵四横”铁路网络，“八纵八横”高铁网络正稳步推行
。
但高速铁路在飞速发展的同时，也对铁路的建设和维护等方面提出了更高的要求，高速铁路不仅需要定期的检查和维护，在面临地震塌方
、
泥石流
、
山体滑坡等灾害带来的破坏时，还需要进行紧急的抢修，而铁路的建设和维护主要还是依靠伴行公路来提供人员和物资
。
在遥感影像普及以前，铁路的维护和抢修一直面临只有当列车或者巡护人员到达现场才能发现问题，从而耽误抢修时机，甚至产生列车反应不及发生危险的情况
。
同时，缺少影像定位，导致维护人员难以直接报告需要抢修及维护的具体位置
。
随着高分辨率遥感影像的普及，在灾害发生后，工作人员能够及时利用遥感影像观测灾害路段高速铁路及其伴行公路的情况，定位需要维护和抢修的路段，有效节省时间和降低风险
。

技术实现思路

[0003]为了解决上述现有技术中存在的问题，本专利技术拟提供了一种基于遥感影像的铁路及其伴行公路智能识别方法，拟解决现有技术中存在有标注样本匮乏
、
自动化识别困难的问题
。
[0004]一种基于遥感影像的铁路及其伴行公路智能识别方法，包括以下步骤：
[0005]步骤
S1
：选取高分辨率遥感影像，选择重点目标人工构建精准语义标注，并采样至算力相对的图像切块，其中重点目标包括车站；
[0006]步骤
S2
：采用无标注样本对模型进行预训练，进而采用的有监督样本对模型进行优化；再通过替换分类器以及损失函数，迭代获得分类效果优异的模型；
[0007]步骤
S3
：采用路网搜索的方法对步骤
S1
的遥感影像进行预测计算；
[0008]步骤
S4
：针对步骤
S3
的预测结果采用形态学滤波算法，过滤奇点引起的噪声信号，并采用中心点拼接算法将切块合成为整幅影像
。
[0009]优选的，所述步骤
S1
包括如下步骤：
[0010]步骤
S11
：根据高分辨率卫星遥感影像，选取
200
‑
400m
构建缓冲区对铁路线矢量进行裁剪；
[0011]步骤
S12
：采用
QGIS
工具对缓冲区影像车站
、
居民区进行矢量化；
[0012]步骤
S13
：构建包含铁路及其伴行公路的路网遥感影像切片，并将包含铁路与伴行
公路的正样本切片与其它信息的负样本切片单独存储；其中正样本切片包括有标签的遥感影像切块和无标签的遥感影像切块
。
[0013]优选的，所述步骤
S2
包括如下步骤：
[0014]步骤
S21
：基于对比学习，采用
InfoNCE
作为损失函数，以个体判别作为代理任务构建自监督方式的特征学习模型，采用步骤1所得正样本以及负样本切块对模型的参数进行预训练；其中
InfoNCE
损失函数公式如下：
[0015][0016]式中
L
InfoNCE
是衡量对比学习的损失函数，其中
q
是样本原始值，
k
+
是
q
经过旋转
、
裁剪
、
色差等变换过后的到的近似值，
k
‑
则是其它样本，
τ
是温度用于限定
L
InfoNCE
的平滑程度
。
[0017]步骤
S22
：采用
S21
自监督训练所得的模型参数，替换模型的分类器以及损失函数，使用带有标注的样本进行语义分割网络微调训练，微调时使用的损失函数包括：
[0018][0019]L
||
ε
％
,
ε
||
＝
|
ε
％
‑
ε
|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0020]L(
ε
％
,
ε
)
＝
L
ms
‑
ssim
(
ε
％
,
ε
)+L
||
ε
％
,
ε
||
ꢀꢀꢀꢀꢀꢀꢀ
(4)
[0021]式中
M
代表了缩放因子，
[
ε
％
,
ε
]分别代表了真实影像与预测影像
,[
μ
ε
％
,
μ
ε
]分别代表了真实影像与预测影像的均值
,[
σ
ε
％
,
σ
ε
]分别代表了真实影像与预测影像的方差
,
σ
ε
％
ε
代表了真实影像与预测影像之间的协方差
,[
β
m
,
γ
m
]是两个常数代表了均值与方差的重要性
,[c1,c2]是两个值很小的常数因子，防止分母为零的情况出现
。L
||
ε
％
,
ε
||
是真实影像与预测影像一范数差距，
L
ms
‑
ssim
(
ε
％
,
ε
)
是真实影像与预测影像的结构相似性差距
。L(
ε
％
,
ε
)
代表了有监督训练时微调所采用的最终损失函数
。
[0022]优选的，所述步骤
S3
包括如下步骤：
[0023]步骤
S31<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于遥感影像的铁路及其伴行公路智能识别方法，其特征在于，包括以下步骤：步骤
S1
：选取高分辨率遥感影像，选择重点目标人工构建精准语义标注，并采样至算力相对的图像切块，其中重点目标包括车站；步骤
S2
：采用无标注样本对模型进行预训练，而后采用有监督样本对模型进行优化；再通过替换分类器以及损失函数，迭代获得分类效果优异的模型；步骤
S3
：采用路网搜索的方法对步骤
S1
的遥感影像进行预测计算；步骤
S4
：针对步骤
S3
的预测结果采用形态学滤波算法，过滤奇点引起的噪声信号，并采用中心点拼接算法将切块合成为整幅影像
。2.
根据权利要求1所述的一种基于遥感影像的铁路及其伴行公路智能识别方法，其特征在于，所述步骤
S1
包括如下步骤：步骤
S11
：根据高分辨率卫星遥感影像，选取
200
‑
400m
构建缓冲区对铁路线矢量进行裁剪；步骤
S12
：采用
QGIS
工具对缓冲区影像车站
、
居民区进行矢量化；步骤
S13
：构建包含铁路及其伴行公路的路网遥感影像切片，并将包含铁路与伴行公路的正样本切片与其它信息的负样本切片单独存储；其中正样本切片包括有标签的遥感影像切块和无标签的遥感影像切块
。3.
根据权利要求2所述的一种基于遥感影像的铁路及其伴行公路智能识别方法，其特征在于，所述步骤
S2
包括如下步骤：步骤
S21
：基于对比学习，采用
InfoNCE
作为损失函数，以个体判别作为代理任务构建自监督方式的特征学习模型，采用步骤1所得正样本以及负样本切块对模型的参数进行预训练；其中
InfoNCE
损失函数公式如下：式中
L
InfoNCE
是衡量对比学习的损失函数，其中
q
是样本原始值，
k
+
是
q
经过旋转
、
裁剪
、
色差等变换过后的到的近似值，
k
‑
则是其它样本，
τ
是温...

【专利技术属性】
技术研发人员：刘国祥，徐正宣，张瑞，王栋，吴仁哲，扈森，张营旭，王晓文，贾哲强，肖红玉，毛邦燕，王朋，舒杨，贺建军，
申请(专利权)人：西南交通大学中铁二院工程集团有限责任公司，
类型：发明
国别省市：