基于改进U-Net模型的无人机影像建筑物提取研究
这是一篇关于深度学习,无人机影像,U-Net,空洞卷积,注意力机制的论文, 主要内容为地表建筑物提取对于当今城市规划和经济发展具有重大现实意义,对地观测卫星和无人机能提供大量高分影像数据源,随着遥感图像数据量的日益庞大,图像处理的难点已经从获取困难转变成处理能力低下。深度学习神经网络具备自主分析遥感影像数据所携带细节信息的能力,众多学者将其应用于遥感图像语义分割领域并取得一定成果,但仍存在提取精度不高、后处理效果不好等局限之处。针对这些问题,本文改进经典的语义分割网络进行建筑物提取研究,以实现对无人机数据集中建筑物精准、高效的提取。本文对国内外深度学习建筑物提取研究现状进行调研,选取青海省玉树藏族自治州称多县作为研究区域。利用无人机作业得到遥感影像并通过滑动窗口裁剪得到影像切片图,为防止模型产生过拟合利用随机擦除数据增强操作提升数据复杂程度,增强网络泛化能力。进行人工标注制作标签数据,创建无人机数据集。基于无人机数据集和开源WHU数据集,对比PSPNet、SegNet、Deeplabv3+和U-Net四种经典语义分割网络的建筑物提取效果。训练过程中计算模型在验证集上的表现,结合早停法训练技巧使模型在验证集上的表现开始下降时停止训练。对提取结果进行形态学后处理,使建筑物轮廓更加平滑,建筑物区域内细小空洞和非建筑区域阴影碎片得以去除,断裂线得到弥合。实验结果表明U-Net网络具有较强鲁棒性和普适性。针对遥感影像背景复杂、目标地物尺度差异较大、存在漏检及错检现象的问题,选取U-Net网络结合空洞卷积、正则化方法以及scSE注意力模块进行网络架构改进。引入空洞卷积以扩大网络感受野,提高各种不同尺度背景信息的利用效率,增强网络对复杂特征的表达能力;引入正则化方法以解决网络的过拟合问题,提高网络泛化能力;引入scSE注意力模块可以有效提取特征图上的显著信息,强化网络对建筑物特征的识别能力,减少浅层特征和深层特征的语义差异。为探究不同改进策略对实验结果造成的具体影响,基于无人机数据集进行改进网络消融实验,结果表明空洞卷积和正则化方法使U-Net经典网络总体精度提高2.2%,F1-Score提高0.9%,交并比提高1.9%;scSE注意力模块使U-Net经典网络总体精度提高2.9%,F1-Score提高0.4%,交并比提高2.1%,Kappa系数提高2.8%,加入全部改进策略的总体精度提高3.6%,F1-Srore提高2.8%,交并比提高2.9%,Kappa系数提高2.9%,数据证明本文每个改进策略均有意义和效果,改进的U-Net模型具有更强的泛化能力和更高的提取精度。该论文有图49幅,表8个,参考文献63篇。
基于改进U-Net++的云台山植被类型分类技术研究
这是一篇关于无人机影像,植被类型分类,语义分割,注意力机制,损失函数的论文, 主要内容为森林作为一项可再生资源在人类文明的生存发展中扮演着重要的角色,及时的了解森林资源的存量及相应分布状况,是林业可持续发展的基础,同时森林植被类型的正确识别为保护森林资源提供依据和基础。然而植被类型分类有较大的难度,体现在不同植被间光谱信息相似,并且同种植被还会表现出不同的遥感解译标志。传统基于像元的分类方法应用于高分辨率遥感影像分类时,已不能充分利用其高分辨率、丰富的几何纹理信息的优势,只能学习到影像浅层特征,无法解决植被分类难点。因此本文针对上述植被信息提取存在的问题进行研究,使用深度学习进行植被提取,具体内容及结论如下:(1)在云台山地区植被类型分类中,将研究区树种分为十三种类别。组建小队进行野外数据采样,从而获取云台山部分植被的分布情况,并用于之后数据集的制作。(2)使用野外调查中植被的详细位置,借助易康(e Cognition)、Arc GIS、Arc GIS Pro,对无人机航拍图像进行像素级标注,建立植被覆盖图像数据集。(3)在网络中添加注意力机制,并通过不同位置添加注意力机制所表现出的实验精度与分割效果,确定了注意力机制所添加的最佳方案。结合注意力机制以及针对数据不平衡问题进而优化损失函数,设计出高分辨遥感影像植被提取模型,实现对高分影像的高精度提取,充分学习影像的光谱空间纹理信息和深层语义信息。(4)提取了云台山植被与非植被区域,并使用改进的U-Net++、U-Net、Seg Net进行实验对比,借助忽略边缘预测法,预测实验区植被分类情况,与提取出的植被非植被分布情况进行结合,制作植被专题图。之后对专题图进行精度验证,实验结果证明了改进的UNet++优于U-Net、Seg Net,精度达到84.79%,Kappa系数达到0.8215。并且分割结果连贯,无“椒盐”现象。该论文有图30幅,表11个,参考文献55篇。
基于改进U-Net模型的无人机影像建筑物提取研究
这是一篇关于深度学习,无人机影像,U-Net,空洞卷积,注意力机制的论文, 主要内容为地表建筑物提取对于当今城市规划和经济发展具有重大现实意义,对地观测卫星和无人机能提供大量高分影像数据源,随着遥感图像数据量的日益庞大,图像处理的难点已经从获取困难转变成处理能力低下。深度学习神经网络具备自主分析遥感影像数据所携带细节信息的能力,众多学者将其应用于遥感图像语义分割领域并取得一定成果,但仍存在提取精度不高、后处理效果不好等局限之处。针对这些问题,本文改进经典的语义分割网络进行建筑物提取研究,以实现对无人机数据集中建筑物精准、高效的提取。本文对国内外深度学习建筑物提取研究现状进行调研,选取青海省玉树藏族自治州称多县作为研究区域。利用无人机作业得到遥感影像并通过滑动窗口裁剪得到影像切片图,为防止模型产生过拟合利用随机擦除数据增强操作提升数据复杂程度,增强网络泛化能力。进行人工标注制作标签数据,创建无人机数据集。基于无人机数据集和开源WHU数据集,对比PSPNet、SegNet、Deeplabv3+和U-Net四种经典语义分割网络的建筑物提取效果。训练过程中计算模型在验证集上的表现,结合早停法训练技巧使模型在验证集上的表现开始下降时停止训练。对提取结果进行形态学后处理,使建筑物轮廓更加平滑,建筑物区域内细小空洞和非建筑区域阴影碎片得以去除,断裂线得到弥合。实验结果表明U-Net网络具有较强鲁棒性和普适性。针对遥感影像背景复杂、目标地物尺度差异较大、存在漏检及错检现象的问题,选取U-Net网络结合空洞卷积、正则化方法以及scSE注意力模块进行网络架构改进。引入空洞卷积以扩大网络感受野,提高各种不同尺度背景信息的利用效率,增强网络对复杂特征的表达能力;引入正则化方法以解决网络的过拟合问题,提高网络泛化能力;引入scSE注意力模块可以有效提取特征图上的显著信息,强化网络对建筑物特征的识别能力,减少浅层特征和深层特征的语义差异。为探究不同改进策略对实验结果造成的具体影响,基于无人机数据集进行改进网络消融实验,结果表明空洞卷积和正则化方法使U-Net经典网络总体精度提高2.2%,F1-Score提高0.9%,交并比提高1.9%;scSE注意力模块使U-Net经典网络总体精度提高2.9%,F1-Score提高0.4%,交并比提高2.1%,Kappa系数提高2.8%,加入全部改进策略的总体精度提高3.6%,F1-Srore提高2.8%,交并比提高2.9%,Kappa系数提高2.9%,数据证明本文每个改进策略均有意义和效果,改进的U-Net模型具有更强的泛化能力和更高的提取精度。该论文有图49幅,表8个,参考文献63篇。
基于深度语义分割的无人机影像烟草提取方法研究
这是一篇关于面积提取,无人机影像,语义分割,深度学习,烟草的论文, 主要内容为烟草在我国是国家管控的一种特殊的经济作物。随着烟叶种植规模不断扩大,对烟田产量和质量提出了更高要求;为实现“优质高产高效”目标,必须加强烤烟生产中的精准化控制。其中烟田面积测量尤为重要,烟田面积测量是监测烟农根据承包烟叶数量和面积实际移栽烟叶的重要手段。目前,西南烟草种植区是我国重要烟区,但地形地貌复杂,烟草种植相对分散,并存在偷种、瞒种现象。传统的采用人工丈量烟草地块面积并记录其位置的方式,资金消耗大,工作效率和时效性低,且容易受到人为主观因素的影响,出现统计误差,不能满足农业现代化的要求。近年来,得益于计算机硬件的快速发展,深度学习方法在自然场景分类中的成果受到遥感领域的广泛关注。该方法具有良好的表达、自学习和容错能力,可用于分层、高效、准确地提取遥感图像的代表性和区分性特征,针对复杂地形的遥感图像亦有很好的分类效果。同时,随着无人机技术的日益成熟,由于其灵活方便等特点使它在各个领域得到广泛应用。许多学者和专家分别将以上两项技术引入到了农业领域,但对于烟草种植领域的研究相对较少。本文针对现有烟草种植面积提取研究现状,提出将无人机技术与深度学习方法相结合,实现烟草种植面积的自动提取。挖掘基于深度学习的语义分割模型在无人机影像烟草种植面积自动提取及其相关研究的潜在价值,较好的满足山区自动化、动态统计烟草种植面积的需求。主要研究内容和结论如下:(1)基于深度语义分割的烟草种植面积提取研究。为实现烟草种植面积地提取,提出了基于四种深度语义分割模型(Psp Net、Seg Net、U-Net和Deeplab V3+)的无人机影像烟草面积提取方法。首先对烟草数据集进行训练;然后利用训练好的网络对预测图像进行语义分割;最后采用平均交并比(Mean Intersection Over Union,m Io U)来评估其提取精度。实验结果表明,四种深度语义分割网络预测得到的m Io U分别为93.47、94.53、94.72和95.58,语义分割精度较高。为了更进一步验证深度语义分割网络的泛化能力,对不同平台烟草数据集进行预测,四种语义分割网络预测得到的m Io U分别为80.75、59.71、38.43和93.08。结果表明,Deeplab V3+深度语义分割网络的泛化性能较好。同时,开展了多分辨率烟草数据集预测效果的探究,通过制作三种不同分辨率的烟草数据集,采用四种网络对数据集进行训练与预测,得到的m Io U分别为32.99、58.95、43.95和94.93。预测结果表明,Deeplab V3+深度语义分割网络在多分辨率烟草数据集中有较好的预测效果。(2)基于轻量级Deeplab V3+的烟草种植面积提取方法研究及图像后处理。Deeplab V3+深度语义分割网络具有优秀的分割效果,但训练时间过长。本文在保证预测精度的同时,研究如何缩短训练时间。基于Deeplab V3+模型,测试了四种主干网络(Res Net50、Mobile Net V1、Mobile Net V2和Xception)的预测精度与时间效率。实验结果表明,Mobile Net V2主干网络在大幅度缩短训练时间的情况下,预测得到的m Io U为94.86;同时分割图像后处理实验结果表明,该方法可以有效提高模型的预测精度。
基于U2-Net模型优化的无人机影像堤坝裂缝检测研究
这是一篇关于堤坝,裂缝检测,深度学习,语义分割,无人机影像的论文, 主要内容为修筑水利工程是调节水流兴利除害的重要途径,其中堤坝是重要的挡水建筑物,所处环境受力情况复杂,在长期服役过程中易出现裂缝等病害,如不做到及时发现与处理,经过发展极有可能引发溃坝,给人民财产、生态环境和社会经济等带来灾难性后果。本文研究基于无人机影像来实现裂缝的快速检测任务,可以做到裂缝的及时发现,对保障堤坝安全服役具有重要意义。目前对于堤坝裂缝检测的方法较少,主要以人工目视检查为主,存在效率低、主观性强和易漏检等问题。另外堤坝存在轴线较长、检测环境危险且裂缝特征不明显等特点,采用常规方式检测难度较大,因此需要一种自动化的方式来实现堤坝裂缝检测。随着无人机及数字摄影技术的发展,利用无人机拍摄堤坝表面图像再结合图像处理算法进行裂缝检测可以提高效率。但以往基于图像处理的裂缝检测算法存在适应性差、精度低和速度慢等劣势。目前较为热门的深度学习法在图像识别领域取得了显著成效,具有拟合能力强、精度高和速度快等优势,有望弥补基于图像处理的裂缝检测算法的缺陷。但深度学习需要大量数据驱动且训练成本高。另外现有的深度学习法在堤坝裂缝数据上表现不够理想,且不适用于在无人机影像中检测堤坝裂缝。针对上述问题,本文对U2-Net模型进行优化,并结合迁移学习实现了堤坝裂缝的自动检测与特征提取。主要研究内容如下:(1)为降低U2-Net训练成本,提出了新的残差模块(RSU-ECA-AS),在该残差块的基础上构建了U2Net-ECA-AS模型用于裂缝检测,新的模型训练成本更低,精度更高。将提出的模型与多种常用的深度学习裂缝检测模型对比,取得了80.45%的交并比和88.88%的综合评价指标,验证了模型在堤坝裂缝检测上的适用性。(2)针对堤坝场景的裂缝检测数据集缺乏问题,基于开源建筑裂缝数据集进行迁移学习,通过对U2Net-ECA-AS模型进行实验,确定了采用迁移浅层编码层特征的微调策略。(3)研究基于无人机影像的切片检测和配准修正方法,实现了模型对无人机在安全距离外拍摄的高分辨率图像的裂缝检测,获得了良好的检测效果。(4)对无人机影像端到端裂缝检测的结果进行了特征提取研究,并提出了相应的特征提取流程。将裂缝分为了线性裂缝和非线性裂缝,对比研究了不同方式的裂缝长度和宽度计算方法。文章实现了对堤坝裂缝自动化、非接触式的检测与量化,并将成果应用于长江新洲区某处堤防和某防洪墙的实地裂缝检测,取得了较好的效果。为堤坝的裂缝检测提供了新的方法,可为养护和修缮提供检测数据。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码客栈 ，原文地址：https://m.bishedaima.com/lunwen/52425.html
