深度学习在矿产资源卫片执法中的应用研究

发布时间：2025-01-15 12:30

　　 矿产资源卫片执法是资源监管与保护的重要技术手段,而深度学习是当前人工智能领域中的研究热点,为提高卫片执法效率、降低人力解译工作量提供了可能。本文提出了一种基于Mask RCNN的遥感影像露天矿山疑似违法图斑自动检测提取方法,通过采集、扩充、规范矿山样本,制作特定的coco数据集输入到Mask RCNN进行有监督学习训练。利用训练出的分类网络模型进行遥感影像矿山图斑的自动提取,并以采矿权矢量图层作为判定依据,自动圈取影像中的疑似违法图斑。经实验,本文方法的mAP精度达87%以上,高于传统方法,对深度学习在卫片执法中的应用研究作出了有效实践。

【文章页数】：4 页

【部分图文】：

图1 Mask RCNN网络结构图

上式中，Lclass表示分类识别的损失，本文采用softmax的分类交叉熵形式表示；Lbbox表示边框回归的损失，边框回归的目的是增大输出边框与真实边框之间的重叠度；Lmask表示掩膜的损失，根据RoI中每个像素点计算sigmoid形式的平均二值交叉熵得出，该定义允许每个类都生成....

图2 ResNet结构示意图

图1MaskRCNN网络结构图1.3网络模型

图3 矿山提取效果图

1）人工解译遥感影像制作矿山图斑，并切割为512×512尺寸的小样本，样本包含tif影像和shp矢量文件。2）扩充样本，对样本进行旋转、翻转操作。

本文编号：4027396