一种基于多特征制造技术

本发明专利技术涉及图像识别处理技术领域，具体涉及一种基于多特征

【技术实现步骤摘要】
一种基于多特征U
‑
Net网络的工程活动图斑的识别方法


[0001]本专利技术涉及图像识别处理
，尤其涉及一种基于多特征
U
‑
Net
网络的工程活动图斑的识别方法
。

技术介绍

[0002]工程建设活动对城市现代化
、
设施完善
、
经济发展起着推动性的作用
。
当前，工程活动遥感监测工作主要依靠人工目视解译，不仅效率低下，结果还易受主观影响造成错误和遗漏
。
[0003]随着影像质量的提高
、
成像频次的加快，通过图斑自动识别分类技术可代替人工目视监测，如早期研究方法有
K
邻近法
(KNN)、BP
神经网络
、
支持向量机
(SVM)
等，近年来，深度学习技术在计算机视觉
、
语音识别
、
信息检索等方面成效显著，也为工程活动图斑的自动识别提供了新的思路
。Chen
等将栈式自编码网络应用于高光谱数据图像分类中，
Luus
等采用深度卷积神经网络进行遥感影像土地利用分类，
Li
等基于
DeepUNet
模型实现了遥感影像海陆分割
。
然而这些方法的精度远不及人实际生产工作的要求，识别精度低
。

技术实现思路

[0004]本专利技术的目的在于提供一种基于多特征
U
‑
Net
网络的工程活动图斑的识别方法，使用
U
‑
Net
网络模型进行训练，
U
‑
Net
网络模型由经典全卷积语义分割神经网络改进而来，其基于编码器
‑
解码器架构使网络模块清晰，能够更精确地捕获细节信息，提高识别精度
。
[0005]为实现上述目的，本专利技术提供了一种基于多特征
U
‑
Net
网络的工程活动图斑的识别方法，包括以下步骤：
[0006]获取光学遥感影像数据，并对光学遥感影像数据进行构建反映露天工程活动的标注，得到影像样本集；
[0007]提取所述影像样本集的多维特征，并基于多特征
U
‑
Net
网络模型进行训练；
[0008]获取待识别光学遥感影像数据基于训练后的多特征
U
‑
Net
网络模型，输出工程活动图斑识别结果
。
[0009]在一实施方式中，提取所述影像样本集的多维特征，并基于多特征
U
‑
Net
网络模型进行训练，其中，所述提取影像样本集的多维特征，具体步骤包括：
[0010]提取光谱特征；
[0011]提取纹理特征；
[0012]基于所述光谱特征和所述纹理特征定义图像多维特征向量
。
[0013]在一实施方式中，所述提取光谱特征，具体步骤包括：
[0014]选取波段均值和波段标准差作为基本统计量
。
[0015]在一实施方式中，所述提取纹理特征，具体步骤包括：
[0016]计算图像的灰度共生矩阵，并选取对比度
、
能量
、
同质度作为基本统计量
。
[0017]在一实施方式中，提取所述影像样本集的多维特征，并基于多特征
U
‑
Net
网络模型
进行训练，具体步骤包括：
[0018]基于反卷积层对最后一个卷积层的特征图进行上采样
。
[0019]在一实施方式中，获取光学遥感影像数据，并对光学遥感影像数据进行构建反映露天工程活动的标注，得到影像样本集，具体步骤包括：
[0020]获取未施工的包含规划施工类型施工区域的第一图片，对所述第一图片设置第一坐标轴和进行网格划分，得到每个网格的第一坐标值，提取规划施工区域对应的第一坐标值组成坐标集；其中，所述规划施工类型包括破土类
、
施工类
、
采矿类
、
弃渣碎石类；
[0021]第一预设时间获取包含工程施工的第二图片，标识工程活动边缘线，得到第一待划分图片，其中所述第一图片与所述第二图片的大小相同；
[0022]对所述第一待划分图片中标识的工程活动边缘线进行工程活动类别划分，所述工程活动类别包括破土类
、
施工类
、
采矿类
、
弃渣碎石类
。
[0023]在一实施方式中，获取光学遥感影像数据，并对光学遥感影像数据进行构建反映露天工程活动的标注，得到影像样本集，具体步骤包括：
[0024]对所述第一待划分图片设置第二坐标轴和进行网格划分，得到每个网格的第二坐标值，提取标识工程活动边缘线内对应区域的第二坐标值，标识为第一待识别坐标值，其中所述第一坐标轴与所述第二坐标轴相同，网格划分大小相同；
[0025]获取所述第一待识别坐标值和所述坐标集进行对比；
[0026]若所述第一待识别坐标值均属于所述坐标集，则标注为待识别施工；
[0027]若至少其中一个所述第一待识别坐标值不属于所述坐标集，则标注为非正常施工
。
[0028]本专利技术的一种基于多特征
U
‑
Net
网络的工程活动图斑的识别方法，通过使用
U
‑
Net
网络模型进行数据训练，该模型以高分二号光学遥感影像为数据源，采用
U
‑
Net
深度神经网络架构，通过标注构建了反映露天工程活动的影像样本集，并提取样本的多维特征投入模型进行训练，从而实现了工程活动图斑的快速识别，提高识别精度
。
附图说明
[0029]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍
。
[0030]图1是本专利技术提供的一种基于多特征
U
‑
Net
网络的工程活动图斑的识别方法的流程示意图；
[0031]图2是不同方法总体精度与平均精度对比图；
[0032]图3是不同方法分类结果并交比对比图
。
具体实施方式
[0033]下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，下面通过参考附图描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制
。
[0034]请参阅图1，图1是本专利技术提供的一种基于多特征
U
‑
Net
网络的工程活动图斑的识别方法的流程示意图
。
具体的，所述基于多特征
U
‑
Net...

【技术保护点】

【技术特征摘要】
1.
一种基于多特征
U
‑
Net
网络的工程活动图斑的识别方法，其特征在于，包括以下步骤：获取光学遥感影像数据，并对光学遥感影像数据进行构建反映露天工程活动的标注，得到影像样本集；提取所述影像样本集的多维特征，并基于多特征
U
‑
Net
网络模型进行训练；获取待识别光学遥感影像数据基于训练后的多特征
U
‑
Net
网络模型，输出工程活动图斑识别结果
。2.
如权利要求1所述的基于多特征
U
‑
Net
网络的工程活动图斑的识别方法，其特征在于，提取所述影像样本集的多维特征，并基于多特征
U
‑
Net
网络模型进行训练，其中，所述提取影像样本集的多维特征，具体步骤包括：提取光谱特征；提取纹理特征；基于所述光谱特征和所述纹理特征定义图像多维特征向量
。3.
如权利要求2所述的基于多特征
U
‑
Net
网络的工程活动图斑的识别方法，其特征在于，所述提取光谱特征，具体步骤包括：选取波段均值和波段标准差作为基本统计量
。4.
如权利要求2所述的基于多特征
U
‑
Net
网络的工程活动图斑的识别方法，其特征在于，所述提取纹理特征，具体步骤包括：计算图像的灰度共生矩阵，并选取对比度
、
能量
、
同质度作为基本统计量
。5.
如权利要求1所述的基于多特征
U
‑
Net
网络的工程活动图斑的识别方法，其特征在于，提取所述影像样本集的多维特征，并基于多特征
U<...

【专利技术属性】
技术研发人员：黄磊，何德平，陈尔东昊，张秋，王新胜，潘科，潘成军，周隽，蒋奔，孙建华，罗旭，何超，王志耕，
申请(专利权)人：重庆市测绘科学技术研究院重庆市地图编制中心，
类型：发明
国别省市：