[发明专利]一种遥感图像桥梁检测方法、装置、电子设备及存储介质

说明书

本发明一种遥感图像桥梁检测方法、装置、电子设备及存储介质，方法包括：获取待检测的遥感图像；将待检测的遥感图像输入至预先训练得到的桥梁检测器网络模型中，得到遥感图像中的桥梁位置信息；其中，桥梁检测器网络模型包括FPN网络和改进型的Faster R‑CNN网络；改进型的Faster R‑CNN网络包括改进型的Backbone网络、RPN网络和RoiHead网络；改进型的Backbone网络是在常规Backbone网络的基础上，在常规Backbone网络中引入调制可变形卷积模块形成；桥梁检测器网络模型是根据训练图像集预先训练得到的，其中，训练图像集中的每一训练图像均带有位置标注信息。本发明提升了桥梁检测性能。

技术领域

本发明属于信号与信息处理技术领域，具体涉及一种遥感图像桥梁检测方法、装置、电子设备及存储介质。

背景技术

随着电子和信息技术的发展，大规模机载星载遥感数据的获取越来越容易，遥感图像的质量也越来越高。桥梁是交通运输网络中的关键节点，获取遥感图像中桥梁的精确位置与数量对于城市监测，灾害评估和军事侦察具有重要意义。

针对桥梁检测问题，国内外学者开展了大量研究，现有成果可归纳为两类，分别是知识驱动检测方法和数据驱动检测方法。知识驱动检测方法依赖人为设定的关于目标的先验知识，该方法通常首先分析场景，人为定义桥梁出现的情况与桥梁的特点，并将其作为判决规则。之后使用数学形态学等技术对遥感图像进行处理，依据判决规则提取相应特征，获取最终的桥梁目标。该方法通常物理意义清晰，实时性高，对数据量要求不高。但是实际应用场景下，桥梁形态尺度各异，背景环境也各不相同，人为定义的先验知识难以涵盖所有实际情况。数据驱动检测方法通常首先从数据集中广泛提取特征。之后通过优化算法将提取到的众多特征与目标类别进行匹配，这一过程称之为训练过程。训练后的模型即具备从各类特征中抽取桥梁相关特征，实现桥梁检测的能力。该方法不需要人为定义关于桥梁的先验知识，但特征提取是否充分，优化算法是否合适将直接影响模型的表现。近些年热门的基于深度学习的目标检测方法即属于数据驱动检测方法，典型桥梁检测器网络模型有两阶段Faster R-CNN网络模型和单阶段YOLO算法族。

但是，大部分基于深度学习的桥梁检测器网络模型均依靠常规卷积神经网络提取特征，然而常规卷积神经网络感受野均为固定正方形，应用到桥梁检测任务中，存在桥梁特征提取不充分和不相关背景信息干扰的问题。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种遥感图像桥梁检测方法、装置、电子设备及存储介质。本发明要解决的技术问题通过以下技术方案实现：

第一方面，本发明实施例提供了一种遥感图像桥梁检测方法，包括：

获取待检测的遥感图像；

将所述待检测的遥感图像输入至预先训练得到的桥梁检测器网络模型中，得到所述遥感图像的桥梁位置信息；

其中，所述桥梁检测器网络模型包括FPN网络和改进型的Faster R-CNN网络；所述改进型的Faster R-CNN网络包括改进型的Backbone网络、RPN网络和RoiHead网络；所述改进型的Backbone网络是在常规Backbone网络的基础上，在所述常规Backbone网络中引入调制可变形卷积模块形成；所述桥梁检测器网络模型是根据训练图像集预先训练得到的，其中，所述训练图像集中的每一训练图像均带有位置标注信息。

在本发明的一个实施例中，在所述桥梁检测器网络模型中，

所述改进型的Backbone网络，用于对输入的所述待检测的遥感图像进行特征提取，得到若干特征信息；

所述FPN网络，用于将所述若干特征信息进行特征融合，得到多尺度特征图；

所述RPN网络，用于对所述多尺度特征图进行候选区域选择，得到候选推荐区域；