[发明专利]一种使用深度学习和空间分析的广域未知大坝自动探测方法

说明书

本发明涉及一种使用深度学习和空间分析的广域未知大坝自动探测方法，包含以下步骤：候选区提取——地表水面积约束和行政边界数据集相交约束以获取更准确的候选区；深度学习模型训练——训练三种目标识别模型，NMS算法和长度阈值融合检测结果；地理分析与综合判别——综合地形约束，相交原则和其他目标开放数据集将误检框删除，进一步提升大坝探测中的准确率。本发明提出的自动探测方法在测试数据集上表现良好，探测结果做了人工校验，准确率为80.0%，召回率为91.1%，同时，发现39个不在任何数据集上的新大坝。结果显示，本发明可以自动、快速、可靠的探测未知区域大坝的空间位置，并为其他遥感目标空间位置探测提供了流程思路。

技术领域

本发明涉及一种使用深度学习和空间分析的广域未知大坝自动探测方法。

背景技术

近年来，为适应环境和水利建设的需要，世界范围内的大坝的采用和实施稳步增加。大坝作为重要的水利设施，其数据质量从局部到大尺度影响着流域变化和生态评价。其中一个关键问题是如何快速获取大坝的空间位置。一些组织和机构通过地面调查、政府网站或互联网上的信息汇编和现有数据库属性融合等方式构建了大坝数据集。然而会导致时间、人力和金钱的流失。因此，开发一种自动化探测大坝空间位置方法是十分迫切的。

许多学者在机场、太阳能光伏电站和导弹征地等规模较大目标的广域识别方面做了一些建设性的工作。这些学者使用地理分析方法获取目标候选区，利用场景分类和目标识别模型做进一步的准确率提升，这些目标的广域空间位置数据的获取如今已并不困难。但，大坝规模较小，类型多样，目前的研究仍然是基于单一图像或者稍大范围的拼接图像，仍然存在广域目标识别的问题。所以，为了提高现有方法的准确率和广域检测能力，我们重点开发一种广域未知大坝自动探测方法。

发明内容

本发明要解决的技术问题是：克服现有技术的上述不足，提出一种广域未知大坝自动探测方法。

为解决上述技术问题，本发明提出使用深度学习和空间分析的广域未知大坝自动探测方法，包含以下步骤：

步骤1、候选区提取——获取大坝检测的候选区点位，数据处理方法如下：

1.1)、面积约束，对全球地表水数据集中面积较小的区域进行删除，保留面积较大的区域作为初步候选区；

1.2)、相交约束，对初步候选区中与海岸线相交的多边形进行删除，获取大坝的候选区，候选区边界进行点位采样，获取大坝检测点位；

步骤2、深度学习模型训练——训练三种目标识别模型，第一种是基于YOLO-v3的大坝检测模型，第二种是基于YOLO-v5l的大坝检测模型，第三种是基于YOLO-v5x的大坝检测模型，训练过程如下：

2.1)、样本标注，人工随机选取目标地域范围内若干含有大坝的影像，并进行多边形标注，得到标注过的大坝影像；

2.2)、数据增广，对选取的含有大坝的影像进行数据增广作为训练样本，包括几何增强和颜色增强；

2.3)、利用训练样本对YOLO-v3的大坝检测模型进行训练，使用训练后的YOLO-v3的大坝检测模型对大坝检测点位处的影像进行识别，获得第一初始检测结果；

2.4)、利用训练样本对分别对基于YOLO-v5l和YOLO-v5x的大坝检测模型进行训练，使用训练后的基于YOLO-v5l和YOLO-v5x的大坝检测模型分别对大坝检测点位处的影像进行识别，分别获得第二初始检测结果和第三初始检测结果；

2.5)、利用NMS算法和长度阈值对第一、第二、第三初始检测结果进行融合合并，获得模型检测的综合初始检测结果；

步骤3、地理分析与综合判别——应用综合判别中的三个地理约束对综合初始检测结果进行判别具体如下：