【技术实现步骤摘要】
本专利技术涉及计算机视觉，更具体的说是涉及一种基于farseg算法的城市建成区施工工地扬尘源提取方法。
技术介绍
1、遥感影像处理和深度学习技术近年来得到了迅猛发展。在遥感影像处理领域，传统的图像分割方法如基于边缘检测、阈值分割等在一定程度上能够提取施工工地扬尘源，但在复杂场景和遥感影像上的表现受限。而深度学习技术的兴起，尤其是语义分割算法，为遥感影像中的城市建成区施工工地扬尘源提取带来了新的突破。
2、目前，提取城市建成区施工工地扬尘源有多个方法，比如传统扬尘源监测方法，主要基于人工规则和阈值，难以充分挖掘影像中复杂的特征，导致扬尘源提取的精度有限，准确度不高，需要依赖专家经验，存在主观性和不稳定性，传统方法需要大量的人工干预和复杂的计算，导致扬尘源提取的效率较低，无法满足实时监测需求。基于图像处理技术的扬尘源提取，常用的方法包括去噪、配准、矫正等，虽然这些技术能够改善影像质量，但未针对扬尘源提取问题进行优化。基于传统机器学习方法常被用于遥感影像的扬尘源提取，例如支持向量机(svm)和随机森林(random forests)。
3、上面这些方法虽然在城市建成区施工工地扬尘源提取有一定效果，但仍然存在一些问题和局限，难以应对城市建成区多样化的扬尘源场景，对于不同类型的工地扬尘源提取效果不稳定。
4、因此，如何提高扬尘源提取的准确性和效率是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本专利技术提供了一种基于farseg算法的城市建成
2、为了实现上述目的，本专利技术采用如下技术方案：
3、一种基于farseg算法的城市建成区施工工地扬尘源提取方法，具体步骤包括：
4、采集城市建成区的遥感数据，并对遥感数据进行预处理；
5、在预处理后的的遥感数据上标注施工工地扬尘源，得到标注数据；将标注数据制作成标注样本，并对标注样本进行数据增强；
6、根据数据增强后的标注样本，对farseg模型进行训练，得到训练好的farseg模型；
7、将待测数据输入训练好的farseg模型，进行图像语义分割，提取扬尘源，获取对应的矢量结果；
8、对矢量结果进行后处理优化，得到待测数据的扬尘源区域边界。
9、优选的，遥感数据通过卫星遥感或无人机获取，具有较大范围和高分辨率的特点；预处理步骤包括去除云层、辐射定标、大气校正，以及对影像进行配准，确保数据的质量和一致性。
10、优选的，标注采用像素级别的标签，以便进行语义分割；标注数据包括多种类型的扬尘源场景，确保模型学习到丰富的特征表示。
11、优选的，制作标注样本的过程为：将标注数据的矢量栅格化，根据预设尺寸将标注数据中的图像以及对应的栅格化矢量进行切片，切片具体流程是将一整张大的遥感影像以及对应的矢量标注转化为一个个小的并且互相对应的样本过程，从而制作成标注样本。
12、优选的，数据增强包括旋转、裁切、重采样和对比度变化。
13、优选的，训练farseg模型的过程为：将标注样本分批次放入farseg模型的神经网络中，通过迭代优化，学习扬尘源场景的特征，以提高扬尘源的识别准确度，得到训练好的farseg模型。
14、优选的，farseg模型包括：骨干网络、aspp模块、渐进式分割模块、特征融合模块和图像语义分割模块；
15、骨干网络，对输入的待测数据进行特征提取，得到多组具有不同分辨率的语义信息的特征图；
16、aspp模块，对提取的特征图进行空洞卷积操作，扩大感受野，在不同空洞率下捕捉不同尺度的语义信息，使模型在感受野较小和感受野较大的情况下都能有效理解图像内容；
17、渐进式分割模块，将语义信息的高级特征逐渐上采样并与语义信息的低级特征进行融合，逐渐提高特征的分辨率，得到分割结果；
18、特征融合模块，将分割结果进行融合，获取融合后的语义信息；
19、图像语义分割模块，根据融合后的语义信息将待测数据中的每个像素进行分类，将扬尘源的像素与其他类别的像素进行区分，提取扬尘源。
20、优选的，后处理优化包括：去除噪点，填充空洞和边缘平滑；去除噪点为将面积小于预设数值的图斑清除掉；填充空洞为将图斑内面积小于预设数值的空缺进行添补；边缘平滑为将图斑边缘噪声凸起部分全部磨平。
21、经由上述的技术方案可知，本专利技术公开提供了一种基于farseg算法的城市建成区施工工地扬尘源提取方法，充分利用了深度学习的优势，通过语义分割方式进行扬尘源提取，通过优化算法和后处理手段，提高扬尘源提取的准确性和效率，解决了现有技术中准确率低、效率低和通用性低等问题，使其更适合于实际城市规划和环境保护等领域的应用。
22、相较于现有技术，本专利技术具有以下优势：1、提取准确度显著提升：本专利技术采用深度学习模型farseg进行扬尘源提取，相较于传统的基于规则或阈值的方法，深度学习模型能够学习复杂的特征表示，有效提高扬尘源提取的准确度，降低漏检和误检率；通过像素级别的语义分割，本专利技术能够更全面准确地捕捉城市建成区施工工地扬尘源的位置和边界。
23、2、效率大幅提高：传统方法需要大量的人工干预和复杂的计算，导致扬尘源提取效率较低；而本专利技术采用深度学习模型，可以进行并行计算，提高了扬尘源提取的效率，适用于大范围城市建成区的实时监测需求。
24、3、适应性强：本专利技术采用遥感影像作为输入数据，遥感影像具有获取大范围和高分辨率的优势，适用于城市建成区的扬尘源提取任务；同时，深度学习模型能够学习抽象特征，使得该方法适应复杂多样的扬尘源场景。
25、4、通用性强：本专利技术采用farseg算法作为基础模型，该模型在图像语义分割领域具有广泛的应用价值，因此，本专利技术的技术方案具有较强的通用性，可用于其他遥感影像分割任务，具有拓展应用前景。
26、5、精细化环境监测：准确提取城市建成区施工工地扬尘源可以为城市环境监测提供更精细化的数据支持；城市管理部门可以根据实时提取的扬尘源信息，制定针对性的扬尘污染治理措施，有效改善空气质量，保护居民健康。
本文档来自技高网...【技术保护点】
1.一种基于FarSeg算法的城市建成区施工工地扬尘源提取方法，其特征在于，具体步骤包括：
2.根据权利要求1所述的一种基于FarSeg算法的城市建成区施工工地扬尘源提取方法，其特征在于，遥感数据通过卫星遥感或无人机获取；预处理步骤包括去除云层、辐射定标、大气校正，以及对影像进行配准。
3.根据权利要求1所述的一种基于FarSeg算法的城市建成区施工工地扬尘源提取方法，其特征在于，标注采用像素级别的标签；标注数据包括多种类型的扬尘源场景。
4.根据权利要求1所述的一种基于FarSeg算法的城市建成区施工工地扬尘源提取方法，其特征在于，制作标注样本的过程为：将标注数据的矢量栅格化，根据预设尺寸将标注数据中的图像以及对应的栅格化矢量进行切片，将所有切片制作成标注样本。
5.根据权利要求1所述的一种基于FarSeg算法的城市建成区施工工地扬尘源提取方法，其特征在于，数据增强包括旋转、裁切、重采样和对比度变化。
6.根据权利要求3所述的一种基于FarSeg算法的城市建成区施工工地扬尘源提取方法，其特征在于，训练FarSeg模型的
7.根据权利要求1所述的一种基于FarSeg算法的城市建成区施工工地扬尘源提取方法，其特征在于，FarSeg模型包括：骨干网络、ASPP模块、渐进式分割模块、特征融合模块和图像语义分割模块；
8.根据权利要求1所述的一种基于FarSeg算法的城市建成区施工工地扬尘源提取方法，其特征在于，后处理优化包括：去除噪点，填充空洞和边缘平滑；去除噪点为将面积小于预设数值的图斑清除掉；填充空洞为将图斑内面积小于预设数值的空缺进行添补；边缘平滑为将图斑边缘噪声凸起部分全部磨平。
...【技术特征摘要】
1.一种基于farseg算法的城市建成区施工工地扬尘源提取方法，其特征在于，具体步骤包括：
2.根据权利要求1所述的一种基于farseg算法的城市建成区施工工地扬尘源提取方法，其特征在于，遥感数据通过卫星遥感或无人机获取；预处理步骤包括去除云层、辐射定标、大气校正，以及对影像进行配准。
3.根据权利要求1所述的一种基于farseg算法的城市建成区施工工地扬尘源提取方法，其特征在于，标注采用像素级别的标签；标注数据包括多种类型的扬尘源场景。
4.根据权利要求1所述的一种基于farseg算法的城市建成区施工工地扬尘源提取方法，其特征在于，制作标注样本的过程为：将标注数据的矢量栅格化，根据预设尺寸将标注数据中的图像以及对应的栅格化矢量进行切片，将所有切片制作成标注样本。
5.根据权利要求1所述的一种基于farseg算法的城市建成区施工工地扬尘源提取方法，...
【专利技术属性】
技术研发人员：孙建欣，曹飞，李成芳，白爽，徐丹，吴跃，孙浩，张旭，高乾，周子牧，孙中平，郭文婷，赵永林，雷云龙，郑晓雄，施蕾蕾，
申请(专利权)人：生态环境部卫星环境应用中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。