冷卻塔排放容易造成大氣污染,利用高分辨率遙感影像對(duì)冷卻塔進(jìn)行檢測(cè),可以為廢氣排放治理提供決策數(shù)據(jù)。針對(duì)傳統(tǒng)算法在高分辨率遙感影像目標(biāo)檢測(cè)中檢測(cè)精度不高、檢測(cè)速度慢等問(wèn)題,采用無(wú)采樣機(jī)制改進(jìn)Retina Net目標(biāo)檢測(cè)框架從而提取冷卻塔。首先,將數(shù)據(jù)集標(biāo)注為工作中的冷卻塔和非工作中的冷卻塔;然后,根據(jù)數(shù)據(jù)集中目標(biāo)類別數(shù)、訓(xùn)練中正樣本的比例等特點(diǎn)對(duì)分類子網(wǎng)絡(luò)最后一層的偏置項(xiàng)進(jìn)行初始化并確定類別自適應(yīng)閾值,此外,通過(guò)回歸損失來(lái)設(shè)置分類損失的調(diào)整比例以避免損失函數(shù)被眾多負(fù)樣本所支配;最后,采用Res Net50提取圖像特征,利用特征金字塔網(wǎng)絡(luò)(feature pyramid networks,FPN)模塊生成多尺度卷積特征金字塔,對(duì)每層特征進(jìn)行檢測(cè)框回歸以及類別置信度計(jì)算。實(shí)驗(yàn)結(jié)果表明:對(duì)于高分辨率遙感影像冷卻塔目標(biāo)檢測(cè),該算法相比原始Retina Net模型在保證檢測(cè)速度的同時(shí)提高了檢測(cè)精度,證明算法的有效性。

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

圖1 Retina Net框架

RetinaNet框架如圖1所示。RetinaNet由特征提取網(wǎng)絡(luò)、特征金字塔網(wǎng)絡(luò)(featurepyramidnetworks,FPN)、分類子網(wǎng)絡(luò)和邊框回歸子網(wǎng)絡(luò)組成。使用ResNet[15]作為特征提取網(wǎng)絡(luò)，將卷積層conv3,conv4和conv5輸出的特征圖表....

圖2 數(shù)據(jù)集示例

實(shí)驗(yàn)數(shù)據(jù)裁剪自谷歌影像，截取的圖片均為雙曲線自然通風(fēng)冷卻塔，使用開(kāi)源圖像標(biāo)注軟件LabelImg進(jìn)行圖像標(biāo)注，標(biāo)注方法與PascalVOC數(shù)據(jù)集一致。數(shù)據(jù)集共1200張圖像，圖像尺寸不一，如圖2所示，檢測(cè)目標(biāo)包括工作中的冷卻塔(coolingtowerworking,C....

圖3 冷卻塔測(cè)試集上的目標(biāo)檢測(cè)結(jié)果

圖3顯示了本文算法在冷卻塔測(cè)試集的部分正檢(圖3(a)—(d))和誤檢(圖3(e)—(h))結(jié)果。對(duì)檢測(cè)結(jié)果進(jìn)行分析，遙感影像中冷卻塔目標(biāo)的環(huán)境復(fù)雜并且一幅影像中存在多個(gè)目標(biāo)，對(duì)于在大小、工作狀態(tài)和坐落方位上存在較大差異的冷卻塔都能夠有效檢測(cè)出，說(shuō)明本文算法能夠在復(fù)雜環(huán)境的干擾下....

圖4-1遙感影像冷卻塔目標(biāo)檢測(cè)結(jié)果

實(shí)際應(yīng)用中通常在較大范圍的場(chǎng)景中進(jìn)行冷卻塔目標(biāo)檢測(cè)，為了驗(yàn)證本文算法的實(shí)用性，在較大圖像分辨率的谷歌遙感影像上進(jìn)行檢測(cè)，結(jié)果如圖4所示�？梢钥吹�，冷卻塔目標(biāo)在不同場(chǎng)景中所占的比例較小，受背景的干擾較大，在3個(gè)大型場(chǎng)景中共檢測(cè)出15個(gè)目標(biāo)，其中12個(gè)冷卻塔目標(biāo)被全部檢出且分類正確，....

本文編號(hào)：4013131