管道在運輸氣體、液體等物體時具有安全、高效率等優(yōu)勢,對管線自身以及周邊環(huán)境的變化檢測是一個重要環(huán)節(jié)。傳統(tǒng)的人工實際勘察作業(yè),在效率和成本方面存在一定的局限性,如何實現(xiàn)自動化、高精度的管線變化檢測是一個值得研究的課題。本研究基于無人機技術,獲取管線覆蓋區(qū)域的多幅影像,拼接成檢測目標的完整影像數(shù)據(jù),再利用深度學習方法進行多時相的無人機管線的變化檢測研究。具體包括:（1）由于一幅無人機影像不能涵蓋所有的檢測目標和區(qū)域,如何對拍攝的多幅連續(xù)目標影像進行精確拼接是進行高精度管線變化檢測的前提條件。針對該問題,本文基于SIFT算子,利用RANSAC算法消除異常值、Levenberg-Marquardt算法對單應矩陣求精,采用影像多級分組的方式拼接影像等優(yōu)化手段,研究并實現(xiàn)高精度、高魯棒性的優(yōu)化SIFT匹配與拼接算法,實現(xiàn)管線影像的精準拼接。（2）基于深度學習技術,設計并實現(xiàn)基于無人機遙感影像的管線變化檢測深度學習模型,通過Adam算法對Mask R-CNN網(wǎng)絡進行優(yōu)化,并在Keras框架下進行實現(xiàn)。利用該模型,將（1）拼接后的完整影像作為輸入,可實現(xiàn)像素級的管線變化檢測。（3）以PyQt5作為系統(tǒng)... 

【文章頁數(shù)】：92 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 無人機遙感變化檢測及系統(tǒng)研究
            1.2.1.1 變化檢測方法
            1.2.1.2 處理系統(tǒng)分析
        1.2.2 影像配準與拼接
    1.3 本文的主要貢獻與創(chuàng)新
        1.3.1 研究內(nèi)容
        1.3.2 技術路線
    1.4 本文組織結構
第二章 相關技術及理論介紹
    2.1 無人機遙感影像配準與拼接
        2.1.1 影像配準基本定義
        2.1.2 影像配準的分類
            2.1.2.1 點特征
            2.1.2.2 線特征
            2.1.2.3 面特征
    2.2 深度學習
        2.2.1 深度學習理論基礎
        2.2.2 卷積神經(jīng)網(wǎng)絡
        2.2.3 主流深度學習框架
    2.3 圖像變化檢測
    2.4 PyQt5 簡介
    2.5 本章小結
第三章 無人機遙感影像配準與拼接
    3.1 基于標準SIFT算法的無人機影像配準與拼接
    3.2 基于優(yōu)化SIFT算法的無人機影像配準與拼接
        3.2.1 優(yōu)化SIFT算法設計
        3.2.2 RANSAC算法消除異常值
        3.2.3 單應矩陣求解
        3.2.4 Levenberg-Marquardt算法對單應矩陣求精
        3.2.5 影像拼接
    3.3 實驗結果及分析
        3.3.1 實驗方案
            3.3.1.1 實驗數(shù)據(jù)獲取
            3.3.1.2 實驗步驟
        3.3.2 實驗結果及分析
            3.3.2.1 選定對比影像集
            3.3.2.2 特征點提取分析
            3.3.2.3 特征點匹配分析
            3.3.2.4 拼接效果驗證分析
    3.4 本章小結
第四章 基于深度學習的管線變化檢測
    4.1 Mask R-CNN介紹
    4.2 基于Mask R-CNN的無人機遙感影像變化檢測優(yōu)化方法設計
        4.2.1 管線變化檢測模型設計
        4.2.2 無人機遙感影像變化檢測模型的優(yōu)化方法設計
    4.3 基于Keras框架的管線變化檢測模型實現(xiàn)
        4.3.1 數(shù)據(jù)集準備
            4.3.1.1 數(shù)據(jù)獲取
            4.3.1.2 數(shù)據(jù)增強
            4.3.1.3 數(shù)據(jù)預處理
        4.3.2 管線變化檢測模型實現(xiàn)
    4.4 實驗結果及分析
    4.5 本章小結
第五章 基于無人機遙感影像與深度學習的管線變化檢測系統(tǒng)設計與實現(xiàn)
    5.1 系統(tǒng)整體設計
        5.1.1 系統(tǒng)可行性分析
            5.1.1.1 技術可行性
            5.1.1.2 用戶使用可行性
        5.1.2 系統(tǒng)需求分析
            5.1.2.1 功能需求
            5.1.2.2 非功能需求
        5.1.3 系統(tǒng)概要設計
    5.2 系統(tǒng)設計與實現(xiàn)
        5.2.1 系統(tǒng)實現(xiàn)環(huán)境
        5.2.2 系統(tǒng)詳細設計
        5.2.3 系統(tǒng)實現(xiàn)
    5.3 系統(tǒng)測試
        5.3.1 系統(tǒng)測試環(huán)境
        5.3.2 系統(tǒng)功能測試
    5.4 本章小結
第六章 總結與展望
    6.1 全文總結
    6.2 研究展望
致謝
參考文獻
攻讀碩士學位期間取得的成果


【參考文獻】：
期刊論文
[1]高分辨率遙感影像的深度學習變化檢測方法[J]. 張鑫龍,陳秀萬,李飛,楊婷.  測繪學報. 2017(08)
[2]改進的SIFT圖像匹配算法[J]. 李煬,翟社平.  計算機技術與發(fā)展. 2016(11)
[3]利用影像分割和匹配特征進行無人機影像變化檢測[J]. 徐亞明,石娟,安動動,馬旭東.  武漢大學學報(信息科學版). 2016(10)
[4]無人機遙感系統(tǒng)的研究進展與應用前景[J]. 李德仁,李明.  武漢大學學報(信息科學版). 2014(05)
[5]遙感變化檢測技術方法綜述[J]. 馬云飛,李宏.  測繪與空間地理信息. 2014(01)
[6]一種面向災害應急的UAV影像快速拼接方法[J]. 李明,劉歡,朱欣焰.  災害學. 2012(03)
[7]基于分數(shù)階微分的尺度不變特征變換圖像匹配算法[J]. 張麗敏,周尚波.  計算機應用. 2011(04)
[8]基于LBP/C紋理的遙感影像居民地變化檢測[J]. 張劍清,佘瓊,潘勵.  武漢大學學報(信息科學版). 2008(01)
[9]基于邊緣特征匹配的遙感影像變化檢測預處理方法[J]. 袁修孝,宋妍.  武漢大學學報(信息科學版). 2007(05)
[10]基于正射影像匹配的地形變化檢測與更新算法[J]. 李德仁,夏松,江萬壽.  地理與地理信息科學. 2006(06)

博士論文
[1]基于無人機影像的變化檢測關鍵技術研究[D]. 石娟.武漢大學 2015
[2]基于特征點的圖像配準與拼接技術研究[D]. 楊占龍.西安電子科技大學 2008

碩士論文
[1]基于深度學習的地質(zhì)統(tǒng)計學反演方法[D]. 謝鵬飛.長江大學 2019
[2]基于深度學習的異源圖像變化檢測[D]. 李朝良.西安電子科技大學 2018
[3]基于深度學習的多源遙感影像目標檢測技術的研究[D]. 楊詩寓.哈爾濱工業(yè)大學 2018
[4]基于SIFT算法的無人機影像優(yōu)化拼接研究[D]. 張志成.東北大學 2013
[5]無人機遙感影像變化檢測若干關鍵技術的研究[D]. 李渭.集美大學 2013
[6]基于圖像拼接的車載全視角觀測器研究與實現(xiàn)[D]. 楊萍.北京工業(yè)大學 2011



本文編號：3708244