CN111539494A - 基于U-Net和SVM的水工保护损毁检测方法 - Google Patents

基于U-Net和SVM的水工保护损毁检测方法 Download PDF

Info

Publication number
CN111539494A
CN111539494A CN202010653611.1A CN202010653611A CN111539494A CN 111539494 A CN111539494 A CN 111539494A CN 202010653611 A CN202010653611 A CN 202010653611A CN 111539494 A CN111539494 A CN 111539494A
Authority
CN
China
Prior art keywords
hydraulic protection
net
semantic segmentation
svm
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010653611.1A
Other languages
English (en)
Inventor
杨秦敏
滕卫明
沈佳园
钱济人
陈积明
范海东
张国民
李清毅
童歆
周君良
周凯
丁楠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Energy Group Co ltd
Zhejiang Zheneng Natural Gas Operation Co ltd
Zhejiang University ZJU
Original Assignee
Zhejiang Energy Group Co ltd
Zhejiang Zheneng Natural Gas Operation Co ltd
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Energy Group Co ltd, Zhejiang Zheneng Natural Gas Operation Co ltd, Zhejiang University ZJU filed Critical Zhejiang Energy Group Co ltd
Priority to CN202010653611.1A priority Critical patent/CN111539494A/zh
Publication of CN111539494A publication Critical patent/CN111539494A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于水工保护设施巡检技术领域，具体涉及基于U‑Net和SVM的水工保护损毁检测方法，包括以下步骤：S1、实时采集含有水工保护设施的现场图像；S2、将含有水工保护设施的现场图像输入已训练的U‑Net语义分割网络，以提取水工保护设施图像；S3、将水工保护设施图像输入已训练的SVM分类器中，以检测水工保护设施是否存在损毁。本发明利用U‑Net语义分割网络，从实时采集的含有水工保护设施的现场图像中提取出水工保护设施，减小了背景图像对水工保护损毁检测的干扰；然后输入SVM分类器中进行识别，检测水工保护设施是否存在损毁，数据噪声小，检测精度高。

Description

基于U-Net和SVM的水工保护损毁检测方法
技术领域
本发明属于水工保护设施巡检技术领域，具体涉及基于U-Net和SVM的水工保护损毁检测方法。
背景技术
水工保护，指用于防止水流冲刷造成管道回填土流失和周围环境破坏，从而保护管线安全的护坡、堡坎等设施；主要有挡土墙、护坡、护岸、排水沟、淤土坝、过水面、穿河管线的打桩、压石笼、配重块、覆盖层等形式。
经常保持管道覆土厚度及其排水、防护、加固管道附近水土保护状态，及时整治水害，预防水害的发生和发展，才能有效地保证管道的安全。特别是石油、天然气的长距离管道的建设，由于管道经过的地域及地质条件复杂，如有高山、丘陵、沙漠、沼泽、河流、矿区等等不良工程地质地段。其中，水害问题对管道的威胁十分严重，水工保护可以降低水本身及因为水而产生的山体滑坡等灾害对管道安全的影响。因此，对水工保护设施的巡检尤为重要。
目前，对水工保护设施的巡检仍然主要依靠人工巡线，巡检成本较高，且效率低。另外，现有技术也有关于管道的智能检测技术，例如：公开号为CN110108783A的专利文献公开了一种基于卷积神经网络的管道缺陷检测方法，包括：获取测试管道的缺陷样本，建立初始卷积神经网络模型；通过缺陷样本对所述初始卷积神经网络模型进行训练学习并得到测试管道缺陷尺寸的最终卷积神经网络模型；基于最终卷积神经网络模型对实测管道的周向漏磁信号、轴向漏磁信号以及径向漏磁信号进行卷积神经处理，得到实测管道的缺陷尺寸。即采用特征提取结合分类器的方式对缺陷进行检测识别。
然而，水工保护设施所处的地理环境较为复杂，采集的含有水工保护设施的图像中的背景图像对水工保护设施的损毁检测存在干扰，造成检测精度不高。
发明内容
针对现有技术中存在的上述不足之处，本发明提供基于U-Net和SVM的水工保护损毁检测方法。
为了达到上述发明目的，本发明采用以下技术方案：
基于U-Net和SVM的水工保护损毁检测方法，包括以下步骤：
S1、实时采集含有水工保护设施的现场图像；
S2、将含有水工保护设施的现场图像输入已训练的U-Net语义分割网络，以提取水工保护设施图像；
S3、将水工保护设施图像输入已训练的SVM分类器中，以检测水工保护设施是否存在损毁。
作为优选方案，所述U-Net语义分割网络及SVM分类器的训练，包括以下步骤：
SA、采集正常样本和异常样本；其中，正常样本为含有水工保护设施正常的图像，异常样本为含有水工保护设施损毁的图像；
SB、对正常样本和异常样本进行图像预处理，分别制作语义分割数据集和水工保护损毁数据集；
SC、利用语义分割数据集对U-Net语义分割网络进行训练，得到已训练的U-Net语义分割网络；利用水工保护损毁数据集对SVM分类器进行训练，得到已训练的SVM分类器。
作为优选方案，所述步骤SB中，图像预处理包括对图像进行Z-score标准化以及直方图均衡。
作为优选方案，所述步骤SB中，语义分割数据集的制作，包括：
利用LableMe对预处理之后的正常样本和异常样本进行标注，将图像中的像素分为水工保护设施和非水工保护设施，水工保护设施标注为1，非水工保护设施标注为0。
作为优选方案，所述步骤SC中，利用语义分割数据集对U-Net语义分割网络进行训练，包括：
建立U-Net语义分割网络，U-Net语义分割网络包含4次池化操作，4次上采样操作，25次卷积操作，4次裁剪和复制操作；
将语义分割数据集输入U-Net语义分割网络进行训练。
作为优选方案，所述卷积操作中有24个卷积层的卷积核大小为3×3，1个卷积层的卷积核大小为1×1；
所述池化操作包含4个池化核大小为2×2的池化层，步长为1，填充为0；
所述上采样操作中，解卷积操作过滤器大小均为3×3，步长为2，填充为0。
作为优选方案，所述卷积核大小为3×3的卷积操作之后接入批归一化处理。
作为优选方案，编码部分的池化层之后加入Dropout，在解编码部分的解卷积和卷积中间加入Dropout处理；
U-Net语义分割网络的隐含层采用修正线性单元ReLU作为激活函数，输出层采用Sigmoid函数作为激活函数，将输出结果映射至[0，1]区间内。
作为优选方案，所述SVM分类器的训练，包括以下步骤：
利用SIFT算法从水工保护损毁数据集中提取水工保护损毁特征x i ；
构建训练数据集Q；
Figure 958702DEST_PATH_IMAGE001
其中，i=1，2，…，n；n为正常样本和异常样本的数量，y i 为类标记；当y i 取值为1时，代表图像存在水工保护设施损毁；当y i 取值为-1时，代表图像不存在水工保护设施损毁；
最优超平面为：（w*x+b）=0
为构建最优超平面，将最大间隔分离转化为优化问题，并将其转化为Lagmage对偶问题：
Figure 718847DEST_PATH_IMAGE002
求解超平面的b和w：
Figure 438410DEST_PATH_IMAGE003
得到的已训练的SVM分类器为
Figure 840573DEST_PATH_IMAGE004
。
作为优选方案，若SVM分类器的输出结果为水工保护设施存在损毁，则执行报警。
本发明与现有技术相比，有益效果是：
本发明利用U-Net语义分割网络，从实时采集的含有水工保护设施的现场图像中提取出水工保护设施，减小了背景图像对水工保护损毁检测的干扰；然后输入SVM分类器中进行识别，检测水工保护设施是否存在损毁，数据噪声小，检测精度高。
附图说明
图1是本发明实施例1的基于U-Net和SVM的水工保护损毁检测方法的流程图。
图2是本发明实施例1的U-Net语义分割网络和SVM分类器的训练流程图。
具体实施方式
为了更清楚地说明本发明实施例，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
实施例1：
如图1所示，本实施例的基于U-Net和SVM的水工保护损毁检测方法，包括以下步骤：
S1、实时采集含有水工保护设施的现场图像；
S2、将含有水工保护设施的现场图像输入已训练的U-Net语义分割网络，以提取水工保护设施图像；
S3、将水工保护设施图像输入已训练的SVM分类器中，以检测水工保护设施是否存在损毁。
其中，上述步骤S1中，通过无人机航拍获得水工保护设施的现场图像。
如图2所示，本实施例的U-Net语义分割网络及SVM分类器的训练，包括以下步骤：
SA、采集正常样本和异常样本；其中，正常样本为含有水工保护设施正常的图像，异常样本为含有水工保护设施损毁的图像；
具体地，通过无人机航拍获得水工保护的现场样本图像，采集水工保护周边图像5000张，尺寸为1024*1024，其中，2500张图像包含正常的水工保护设施，2500张照片包含水工保护设施损毁；采集的图像需包含多种水工保护设施的图像，以及各种代表性干扰的图像，例如树的阴影、山的遮挡、建筑干扰等。
SB、对正常样本和异常样本进行图像预处理，分别制作语义分割数据集和水工保护损毁数据集；
其中，图像预处理包括对图像进行Z-score标准化以及直方图均衡。对图像进行Z-score标准化，使经过处理的图像数据符合标准正态分布；由于对比度信息在图像分割中起着重要作用，采用直方图均衡来改善灰度图像的对比度。
本实施例的语义分割数据集的制作，包括：
利用LableMe软件对预处理之后的无人机航拍的现场样本图像的正常样本和异常样本进行标注，将图像中的像素分为水工保护设施和非水工保护设施，水工保护设施标注为1，非水工保护设施标注为0。
本实施例的水工保护损毁数据集的制作，包括：
从图像预处理之后的无人机航拍的现场样本图像中分割出存在水工保护设施损毁的图像和水工保护设施正常的图像，制作成水工保护损毁数据集。
SC、利用语义分割数据集对U-Net语义分割网络进行训练，得到已训练的U-Net语义分割网络；利用水工保护损毁数据集对SVM分类器进行训练，得到已训练的SVM分类器。
本实施例利用语义分割数据集对U-Net语义分割网络进行训练，包括：
首先，建立U-Net语义分割网络，U-Net语义分割网络包含4次池化操作，4次上采样操作，25次卷积操作，4次裁剪和复制操作；其中，卷积操作中有24个卷积层的卷积核大小为3×3，1个卷积层的卷积核大小为1×1；池化操作包含4个池化核大小为2×2的池化层，步长为1，填充为0；上采样操作中，解卷积操作过滤器大小均为3×3，步长为2，填充为0。
另外，卷积核大小为3×3的卷积操作之后接入批归一化处理，以适应不同分布的数据，达到提升模型训练速度和泛化能力的效果。其中，批归一化处理的步骤如下：
Figure 978293DEST_PATH_IMAGE005
其中，M为经过卷积操作后特征图的所有像素点个数，
Figure 925652DEST_PATH_IMAGE006
为各个样本点，
Figure 883243DEST_PATH_IMAGE007
为所有像 素点的均值，
Figure 89097DEST_PATH_IMAGE008
为批数据的方差，
Figure 330591DEST_PATH_IMAGE009
为一个很小的正数，以保证分母大于0，
Figure 963698DEST_PATH_IMAGE010
为经过批归 一化后的样本点。
为了消除模型训练的过拟合问题，在编码部分的池化层之后加入Dropout，在解编码部分的解卷积和卷积中间加入Dropout处理。
所建立的U-Net语义分割网络的隐含层采用修正线性单元ReLU作为激活函数，其作用使模型以非线性的方式逼近任意函数，从而增加深层神经网络的表达能力。
所建立的U-Net语义分割网络的输出层采用Sigmoid函数作为激活函数，将输出结果映射到[0，1]区间内，用于二分类。
所建立的U-Net语义分割网络的损失函数采用二元交叉熵，如下：
Figure 408586DEST_PATH_IMAGE011
其中，
Figure 897424DEST_PATH_IMAGE012
为真实输出，
Figure 744157DEST_PATH_IMAGE013
为神经元实际输出。
所建立的U-Net语义分割网络采用Momentum动量优化方法来提高模型的学习速度和收敛速度。
本实施例利用水工保护损毁数据集对SVM分类器进行训练，包括以下步骤：
利用SIFT算法从水工保护损毁数据集中提取水工保护损毁特征x i ；
构建训练数据集Q；
Figure 548165DEST_PATH_IMAGE014
其中，i=1，2，…，n；n为正常样本和异常样本的数量，y i 为类标记；当y i 取值为1时，代表图像存在水工保护设施损毁；当y i 取值为-1时，代表图像不存在水工保护设施损毁；
最优超平面为：（w*x+b）=0
为构建最优超平面，将最大间隔分离转化为优化问题，并将其转化为Lagmage对偶问题：
Figure 729616DEST_PATH_IMAGE015
求解超平面的b和w：
Figure 277272DEST_PATH_IMAGE016
得到的已训练的SVM分类器为
Figure 978512DEST_PATH_IMAGE017
。
利用训练好的SVM分类器对语义分割后的水工保护设施进行检测，如果检测到水工保护设施损毁之后，发出报警信号通知巡线人员到水工保护损毁现场进行保护。
实施例2：
本实施例的基于U-Net和SVM的水工保护损毁检测方法与实施例1的不同之处在于：
在步骤S1中，实时采集含有水工保护设施的现场图像之后，在输入已训练的U-Net语义分割网络之前，还对实时采集的含有水工保护设施的现场图像进行直方图均衡，改善灰度图像的对比度，提升水工保护设施的检测效果和精度。
其他步骤可以参考实施例1。
实施例3：
本实施例的基于U-Net和SVM的水工保护损毁检测方法与实施例1的不同之处在于：
对于水工保护设施的图像采集不限于实施例1的无人机采集，也可以是水工保护设施沿线的摄像机等图像采集设备进行采集。
其他步骤可以参考实施例1。
以上所述仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。

Claims (10)

1.基于U-Net和SVM的水工保护损毁检测方法，其特征在于，包括以下步骤：
S1、实时采集含有水工保护设施的现场图像；
S2、将含有水工保护设施的现场图像输入已训练的U-Net语义分割网络，以提取水工保护设施图像；
S3、将水工保护设施图像输入已训练的SVM分类器中，以检测水工保护设施是否存在损毁。
2.根据权利要求1所述的基于U-Net和SVM的水工保护损毁检测方法，其特征在于，所述U-Net语义分割网络及SVM分类器的训练，包括以下步骤：
SA、采集正常样本和异常样本；其中，正常样本为含有水工保护设施正常的图像，异常样本为含有水工保护设施损毁的图像；
SB、对正常样本和异常样本进行图像预处理，分别制作语义分割数据集和水工保护损毁数据集；
SC、利用语义分割数据集对U-Net语义分割网络进行训练，得到已训练的U-Net语义分割网络；利用水工保护损毁数据集对SVM分类器进行训练，得到已训练的SVM分类器。
3.根据权利要求2所述的基于U-Net和SVM的水工保护损毁检测方法，其特征在于，所述步骤SB中，图像预处理包括对图像进行Z-score标准化以及直方图均衡。
4.根据权利要求2所述的基于U-Net和SVM的水工保护损毁检测方法，其特征在于，所述步骤SB中，语义分割数据集的制作，包括：
利用LableMe对预处理之后的正常样本和异常样本进行标注，将图像中的像素分为水工保护设施和非水工保护设施，水工保护设施标注为1，非水工保护设施标注为0。
5.根据权利要求4所述的基于U-Net和SVM的水工保护损毁检测方法，其特征在于，所述步骤SC中，利用语义分割数据集对U-Net语义分割网络进行训练，包括：
建立U-Net语义分割网络，U-Net语义分割网络包含4次池化操作，4次上采样操作，25次卷积操作，4次裁剪和复制操作；
将语义分割数据集输入U-Net语义分割网络进行训练。
6.根据权利要求5所述的基于U-Net和SVM的水工保护损毁检测方法，其特征在于，所述卷积操作中有24个卷积层的卷积核大小为3×3，1个卷积层的卷积核大小为1×1；
所述池化操作包含4个池化核大小为2×2的池化层，步长为1，填充为0；
所述上采样操作中，解卷积操作过滤器大小均为3×3，步长为2，填充为0。
7.根据权利要求6所述的基于U-Net和SVM的水工保护损毁检测方法，其特征在于，所述卷积核大小为3×3的卷积操作之后接入批归一化处理。
8.根据权利要求6所述的基于U-Net和SVM的水工保护损毁检测方法，其特征在于，编码部分的池化层之后加入Dropout，在解编码部分的解卷积和卷积中间加入Dropout处理；
U-Net语义分割网络的隐含层采用修正线性单元ReLU作为激活函数，输出层采用Sigmoid函数作为激活函数，将输出结果映射至[0，1]区间内。
9.根据权利要求2所述的基于U-Net和SVM的水工保护损毁检测方法，其特征在于，所述SVM分类器的训练，包括以下步骤：
利用SIFT算法从水工保护损毁数据集中提取水工保护损毁特征x i ；
构建训练数据集Q；
Figure 951382DEST_PATH_IMAGE001
其中，i=1，2，…，n；n为正常样本和异常样本的数量，y i 为类标记；当y i 取值为1时，代表图像存在水工保护设施损毁；当y i 取值为-1时，代表图像不存在水工保护设施损毁；
最优超平面为：（w*x+b）=0；
为构建最优超平面，将最大间隔分离转化为优化问题，并将其转化为Lagmage对偶问题：
Figure 760200DEST_PATH_IMAGE002
求解超平面的b和w：
Figure 274358DEST_PATH_IMAGE003
得到的已训练的SVM分类器为
Figure 856518DEST_PATH_IMAGE004
。
10.根据权利要求1-9任一项所述的基于U-Net和SVM的水工保护损毁检测方法，其特征在于，若SVM分类器的输出结果为水工保护设施存在损毁，则执行报警。
CN202010653611.1A 2020-07-08 2020-07-08 基于U-Net和SVM的水工保护损毁检测方法 Pending CN111539494A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010653611.1A CN111539494A (zh) 2020-07-08 2020-07-08 基于U-Net和SVM的水工保护损毁检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010653611.1A CN111539494A (zh) 2020-07-08 2020-07-08 基于U-Net和SVM的水工保护损毁检测方法

Publications (1)

Publication Number Publication Date
CN111539494A true CN111539494A (zh) 2020-08-14

Family

ID=71979837

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010653611.1A Pending CN111539494A (zh) 2020-07-08 2020-07-08 基于U-Net和SVM的水工保护损毁检测方法

Country Status (1)

Country Link
CN (1) CN111539494A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113298846A (zh) * 2020-11-18 2021-08-24 西北工业大学 基于时频语义感知的干扰智能检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110245673A (zh) * 2018-03-09 2019-09-17 浙江宇视科技有限公司 车位检测方法及装置
CN110321897A (zh) * 2019-07-08 2019-10-11 四川九洲视讯科技有限责任公司 基于图像语义分割识别非机动车异常行为的方法
CN110717886A (zh) * 2019-09-03 2020-01-21 南京理工大学 复杂环境下基于机器视觉的路面坑塘检测方法
CN111242955A (zh) * 2020-01-21 2020-06-05 河海大学 基于全卷积神经网络的道路表面裂缝图像分割方法
CN111339823A (zh) * 2019-12-30 2020-06-26 南京艾特斯科技有限公司 基于机器视觉和反向投影算法的打谷晒场检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110245673A (zh) * 2018-03-09 2019-09-17 浙江宇视科技有限公司 车位检测方法及装置
CN110321897A (zh) * 2019-07-08 2019-10-11 四川九洲视讯科技有限责任公司 基于图像语义分割识别非机动车异常行为的方法
CN110717886A (zh) * 2019-09-03 2020-01-21 南京理工大学 复杂环境下基于机器视觉的路面坑塘检测方法
CN111339823A (zh) * 2019-12-30 2020-06-26 南京艾特斯科技有限公司 基于机器视觉和反向投影算法的打谷晒场检测方法
CN111242955A (zh) * 2020-01-21 2020-06-05 河海大学 基于全卷积神经网络的道路表面裂缝图像分割方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113298846A (zh) * 2020-11-18 2021-08-24 西北工业大学 基于时频语义感知的干扰智能检测方法
CN113298846B (zh) * 2020-11-18 2024-02-09 西北工业大学 基于时频语义感知的干扰智能检测方法

Similar Documents

Publication Publication Date Title
CN109934200B (zh) 一种基于改进M-Net的RGB彩色遥感图像云检测方法及***
Kang et al. Robust median filtering forensics using an autoregressive model
CN117078943B (zh) 融合多尺度特征和双注意力机制的遥感影像道路分割方法
CN111274918B (zh) 基于多源遥感影像的河流干涸断流监测方法和装置
CN113887459A (zh) 一种基于改进Unet++的露天矿区采场变化区域检测方法
Dotel et al. Disaster assessment from satellite imagery by analysing topographical features using deep learning
Noh et al. Unsupervised change detection based on image reconstruction loss
CN113887472A (zh) 基于级联颜色及纹理特征注意力的遥感图像云检测方法
Kaur et al. A review on natural disaster detection in social media and satellite imagery using machine learning and deep learning
CN113378642B (zh) 一种对农村违法占地建筑物进行检测的方法
CN111539494A (zh) 基于U-Net和SVM的水工保护损毁检测方法
CN113469097B (zh) 一种基于ssd网络的水面漂浮物多相机实时检测方法
CN117315446B (zh) 一种面向复杂环境下水库溢洪道异常智能识别方法
CN114724023A (zh) 一种基于孪生网络的水体变化检测方法
CN114241310A (zh) 基于改进yolo模型的堤防管涌险情智能识别方法
Zhao et al. Squnet: An high-performance network for crater detection with dem data
CN113158770A (zh) 一种改进的全卷积孪生神经网络的矿区变化检测方法
CN117191268A (zh) 一种基于多模态数据的油气管道泄漏信号检测方法及***
CN116843946A (zh) 一种基于图像识别的隧道岩体主要结构面判识方法及装置
CN115456957B (zh) 一种全尺度特征聚合的遥感影像变化检测的方法
CN117095396A (zh) 基于特征增强的文档图像篡改检测与定位方法及装置
Khan et al. Analyzing the land cover change and degradation in Sundarbans mangrove forest using machine learning and remote sensing technique
CN114972760B (zh) 基于多尺度注意力增强U-Net的电离图自动描迹方法
CN115953394A (zh) 基于目标分割的海洋中尺度涡检测方法及***
Carani et al. Detection of Tornado damage in forested regions via convolutional neural networks and uncrewed aerial system photogrammetry

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200814

RJ01 Rejection of invention patent application after publication