基于迁移学习的多源遥感影像建筑垃圾识别

发布时间：2020-11-09 04:37

　　 近年来,伴随着我国城镇化进程的不断推进,拆迁、棚户改造、市政工程等项目日益增多,城市面临的建筑垃圾管理不当的问题愈显突出。不规范的建筑垃圾堆放不仅会带来安全隐患,同时也会造成严重的环境污染。针对建筑垃圾堆存的监管排查工作是建筑垃圾治理的重点任务之一,目前主要采用实地检查和现场测量相结合的形式。但这种方法存在时效性差,人力?物力?财力消耗大等问题。遥感对地观测技术具有远距离探测?大面积覆盖?重访周期短等优势,目前已在建筑垃圾堆存监测领域展开应用。并且,随着以神经网络为代表的深度学习技术的发展,其在遥感图像处理、识别等方面取得了较好的应用成效。因此,本文研究将深度学习的方法应用于建筑垃圾堆存的遥感识别中,围绕2个方面开展研究:一是针对建筑垃圾遥感数据集样本不足问题,使用改进的生成对抗网络实现了建筑垃圾遥感图像样本的扩充;二是利用迁移学习手段实现了建筑垃圾遥感图像语义分割,为建筑垃圾堆存的遥感识别研究提供技术支持。现就主要开展的研究工作简述如下:(1)首先对三种经典的遥感识别方法研究现状进行了梳理。基于像元的遥感地物识别,仅利用了图像的光谱信息,不能充分利用影像的上下文信息,提取精度较差;面向对象的遥感地物识别,其分割得到的图像往往不能比较精准的表示整个物体,从而影响识别精度;基于深度学习语义分割的遥感提取方法是热门研究方向,可以解决以上两种方法的问题,但需要大量数据样本提供支持。(2)通过对三种遥感识别方式的研究,本文选取了基于语义分割的遥感识别方式,并开展了制作建筑垃圾堆存样本集的工作。选取高分二号2018年9月5日北京南部区域5景图像,经预处理与剪裁后,共选取956张,尺寸为512×512像素的图片作为样本集原图。经实地调研与影像特征解译,制定了语义分割实验的6种类别,通过人工标注,得到了原图对应标签,为今后实验研究积累了样本数据。(3)基于改进的生成对抗网络进行样本生成实验。生成对抗网络由生成模型和判别模型组成。本文根据可提取特征的LBP算子改进了生成模型损失函数,并且在模型训练的时候引入参数迁移学习的思想,提高了模型对重点特征的学习能力。实验使用956张样本集原图进行训练,结果显示生成图像对比原图的最高均方误差(MSE)、峰值信噪比(PSNR)分别达到12.9873与5838.7155,相较于原始网络小幅提升,且生成样本颜色与纹理符合客观现实,可以实现数据集的有效扩充。(4)基于迁移学习的建筑垃圾语义分割研究。研究中迁移学习采用的预训练模型为DeepLabV3模型,该模型包含空洞卷积、ASPP池化,以及骨干网络ResNet。研究共包含三个实验:实验一选择以ResNet-50为骨干网络的DeepLab模型作为预训练模型进行建筑垃圾语义分割;实验二使用实验一训练后模型进行不同层参数迁移实验;实验三使用实验一训练后模型以及本文生成样本进行样本迁移实验。实验一结果表明,平均交并比mIoU为75.32%,存在裸地被误判的情况,总体符合建筑垃圾遥感识别要求。实验二结果表明参数迁移方法可提升平均交并比mIoU(最高为78.12%),若样本量不足时,可适当进行参数迁移学习达到一定精度;实验三结果表明使用生成样本方法获得样本参与分割网络的训练,可以在一定程度上提升建筑垃圾分割算法的语义分割精度;对于建筑垃圾分割研究,生成样本与真实样本比例为1:3为佳。
【学位单位】：北京建筑大学
【学位级别】：硕士
【学位年份】：2020
【中图分类】：X799.1;X87
【部分图文】：

类再利用，其余建筑垃圾将被不规范的堆放，甚至被随意地乱倒偷倒，如图1（a）所示。这些垃圾在侵占了一定数量的土地的同时，通过长时间裸露在地表上，经过太阳暴晒、雨水浸泡，有害微生物的分解与发酵等，垃圾中的有毒物质与土壤中的有机物质发生反应，产生大量的有害污染物，经地表漫流，污染土壤、地表水、地下水，其危害性不容忽视。(a)侵占河道的建筑垃圾[2](a)Constructionwasteencroachingonrivercourses(b)2006-2018年中国建筑垃圾产生量[3](b)China"sconstructionwasteproductionfrom2006to2018图1-1违规建筑垃圾与中国建筑垃圾产量Fig.1-1IllegalconstructionwasteandconstructionwasteproductioninChina目前，针对建筑垃圾堆存的监管排查主要采用实地访问和现场测量等形式，这种方法存在很多不足：第一，时效性差，采取每年或者每月若干次监管排查的方式不能做到建筑垃圾的快速检测；第二，人工实地调查会耗费大量的人力物力财力，并且不能做到全方位无遗漏的排查而对地观测遥感技术具有远距离探测大面积覆盖重访周期短等特点[4]，不仅可以快速发现建筑垃圾是否清运，掌握其堆放面积等现状信息，还可以监测违规堆放的处理进度，实现动态跟踪监测。已有不少学者使用遥感数据进行建筑垃圾监测，文献[1]采用北京1号小卫星实现了非正规垃圾场的监测。文献[5]中北京市针对300平方米以上的1.2万多处的重点拆违项目开展每月一次遥感监测。而机器学习应用不断扩展，利用高分辨率遥感影像数据及4.75.526.066.758.129.7711.2112.9714.3214.214.4915.9317.0402468101214161820062007200820092010201120122013201420152016201720182006-2018年中国建筑垃圾产生量（单位：亿吨）

第2章研究区概况与实验数据11图2-1实验数据位置示意图Fig.2-1Experimentaldatalocationdiagram2.2实验数据与建筑垃圾特征2.2.1实验数据本研究采用的遥感数据为高分二号L1A级数据，卫星参数如表2-2所示。成像时间包括2017年5月14日与2018年9月5日共5景图像，单幅遥感图像如2-2所示。数据包括全色波段和4个多光谱波段，数据参数如表2-3所示。图像裁剪尺寸为256×256。表2-2高分二号卫星参数Table2-2GF-2satelliteparameters参数指标轨道类型太阳同步回归轨道轨道高度631km轨道倾角97.9090°降交点地方时10:30AM回归周期69天单景面积约500平方公里

第2章研究区概况与实验数据12表2-3高分二号卫星传感数据Table2-3GF-2satellitesensingdata载荷谱段号谱段范围（μm）空间分辨率（m）幅宽（km）侧摆能力重访时间（天）全色10.45~0.90145±35°（机动35°的时间≤180秒）多光5谱20.45~0.52430.52~0.5940.63~0.6950.77~0.89图2-2高分二号影像L1A0002808485Fig.2-2GF-2imageL1A0002808485本文另外还使用UCMercedLandUseDataset遥感样本集[62]作为补充实验UCMercedLandUseDataset数据集，用于研究目的的21级土地利用图像遥感数据集，于2010年10月28日由UCMerced计算机视觉实验室发布图像取自USGSNationalMap
【参考文献】

相关期刊论文 前3条

1 张方利;杜世宏;郭舟;;应用高分辨率影像的城市固体废弃物提取[J];光谱学与光谱分析;2013年08期

2 刘亚岚;任玉环;魏成阶;汪爱华;周会珍;迟耀斌;;北京1号小卫星监测非正规垃圾场的应用研究[J];遥感学报;2009年02期

3 陈文凯;何少林;张景发;周中红;郭晓宁;;利用遥感技术提取震害信息方法的研究进展[J];西北地震学报;2008年01期

相关博士学位论文 前2条

1 鲍建敏;基于生成对抗网络的图像合成[D];中国科学技术大学;2019年

2 赵福军;遥感影像震害信息提取技术研究[D];中国地震局工程力学研究所;2010年

相关硕士学位论文 前6条

1 陈梦;基于深度学习的建筑物震害遥感识别研究[D];中国地震局地震预测研究所;2019年

2 杨壮;面向Bin Picking的虚拟数据集构建及智能识别方法的研究[D];华东理工大学;2019年

3 陈俊;基于R-YOLO的多源遥感图像海面目标融合检测算法研究[D];华中科技大学;2019年

4 肖莎;基于机器学习的高分辨率遥感影像城市固废检测[D];福州大学;2018年

5 刘雪龙;面向对象的遥感影像工业固体废物信息提取方法研究[D];中国地质大学（北京）;2013年

6 柳稼航;利用遥感技术进行城市建筑物震害的自动识别与分类方法研究[D];中国地震局地质研究所;2003年

本文编号：2875898