CN111914767B - 一种基于多源遥感数据的散乱污企业检测方法及*** - Google Patents
一种基于多源遥感数据的散乱污企业检测方法及*** Download PDFInfo
- Publication number
- CN111914767B CN111914767B CN202010779783.3A CN202010779783A CN111914767B CN 111914767 B CN111914767 B CN 111914767B CN 202010779783 A CN202010779783 A CN 202010779783A CN 111914767 B CN111914767 B CN 111914767B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- target detection
- detection model
- data
- images
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多源遥感数据的散乱污企业检测方法及***,该方法包括:包括获取检测区域内的多源遥感数据;将所述多源遥感数据,输入预设目标检测模型,得到输出结果;所述预设目标检测模型,基于Faster‑RCNN网络通过多组训练数据训练获得;所述多组训练数据包括:多组散乱污企业的不同类型的图像以及所述图像所包含的企业类别、类别标签和位置标注信息;根据所述输出结果识别出所述监测区域内存在的散乱污企业。采用神经网络模型的检测算法对多源遥感图像进行散乱污企业自动化检测,能够免去复杂的人工解译过程,从多种遥感图像数据中获得散乱污企业的位置和类别信息,提高工作效率;可为后续对乱污企业的治理提供技术支持。
Description
技术领域
本发明涉及遥感监测技术领域,特别涉及一种基于多源遥感数据的散乱污企业检测方法及***。
背景技术
遥感图像数据种类多,图像覆盖面积广,利用多源遥感图像实行大范围的调查工作,相比实地考察方式十分迅速高效。但是遥感图像的利用往往涉及到复杂的人工解译过程,需要专业的解译人员,解译工作也十分复杂,不能充分发挥遥感图像本身的优势。
近年来遥感技术发展迅猛,多源遥感图像的应用却并不充分,一方面大部分遥感图像需要通过人工解译的方式获取可利用的信息,过程复杂,需要专业的解译人员,费时费力;另一方面遥感图像不像自然图像易于获得且方便利用,与遥感图像相关的人工智能算法在不同场景下的应用并不广泛。
目前,散乱污企业包括钢铁厂、水泥厂、发电厂、汽修厂、垃圾处理厂、储油罐在内的六种污染企业。
对于散乱污企业的检测问题,目前还是依赖专业人员对遥感图像进行解译,没有相关的检测算法在该领域实现。
因此,如何基于多源遥感图像,对散乱污企业检测问题实现自动化,是同行从业人员亟待解决的问题。
发明内容
鉴于上述问题,本发明提供一种基于多源遥感数据的散乱污企业检测方法及***,可以解决现有技术中人工解译途径消耗的人力和时间问题,以实现对散乱污企业检测问题的自动化。
第一方面,本发明实施例提供一种基于多源遥感数据的散乱污企业检测方法,包括以下步骤:
获取检测区域内的多源遥感数据;
将所述多源遥感数据,输入预设目标检测模型,得到输出结果;所述预设目标检测模型,基于Faster-RCNN网络通过多组训练数据训练获得;所述多组训练数据包括:多组散乱污企业的不同类型的图像以及所述图像所包含的企业类别和位置标注信息;
根据所述输出结果识别出所述监测区域内存在的散乱污企业。
在一个实施例中,还包括:
根据预设阈值,确定所述散乱污企业的规模是否存在变化。
在一个实施例中,所述获取检测区域内的多源遥感数据,包括:
每间隔预设时间获取所述检测区域的多源遥感数据。
在一个实施例中,将所述多源遥感数据,输入预设目标检测模型,得到输出结果,包括:
根据所述多源遥感数据的图像类型,输入对应的预设目标检测模型,得到输出结果;所述图像类型包括:多光谱遥感图像、全色遥感图像、高光谱遥感图像和红外遥感图像;所述预设目标检测模型包括:多光谱目标检测模型、全色目标检测模型、高光谱目标检测模型和红外目标检测模型。
在一个实施例中,所述预设目标检测模型的特征提取网络中第一个卷积层的输入通道数,根据输入不同类型图像的通道数进行调整。
第二方面,本发明实施例还提供一种基于多源遥感数据的散乱污企业检测***,包括:
获取模块,用于获取检测区域内的多源遥感数据;
检测模块,用于将所述多源遥感数据,输入预设目标检测模型,得到输出结果;所述预设目标检测模型,基于Faster-RCNN网络通过多组训练数据训练获得;所述多组训练数据包括:多组散乱污企业的不同类型的图像以及所述图像所包含的企业类别和位置标注信息;
识别模块,用于根据所述输出结果识别出所述监测区域内存在的散乱污企业。
在一个实施例中,还包括:
确定模块,用于根据预设阈值,确定所述散乱污企业的规模是否存在变化。
在一个实施例中,所述获取模块,具体用于每间隔预设时间获取所述检测区域的多源遥感数据。
在一个实施例中,所述检测模块,具体用于根据所述多源遥感数据的图像类型,输入对应的预设目标检测模型,得到输出结果;所述图像类型包括:多光谱遥感图像、全色遥感图像、高光谱遥感图像和红外遥感图像;所述预设目标检测模型包括:多光谱目标检测模型、全色目标检测模型、高光谱目标检测模型和红外目标检测模型。
在一个实施例中,所述检测模块中,所述预设目标检测模型的特征提取网络中第一个卷积层的输入通道数,根据输入不同类型图像的通道数进行调整。
本发明实施例提供的上述技术方案的有益效果至少包括:
本发明实施例提供的一种基于多源遥感数据的散乱污企业检测方法,该方法采用神经网络模型的检测算法对多源遥感图像进行散乱污企业自动化检测,能够免去复杂的人工解译过程,从多种遥感图像数据中获得散乱污企业的位置和类别信息,提高工作效率;可为后续对乱污企业的治理提供技术支持。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例提供的一种基于多源遥感数据的散乱污企业检测方法的流程图;
图2为本发明实施例提供的多源遥感图像散乱污企业检测结构图;
图3为本发明实施例提供的预设目标检测模型的基本结构图;
图4为本发明实施例提供的检测结果示意图;
图5为本发明实施例提供的一种基于多源遥感数据的散乱污企业检测***结构图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
参照图1所示,本发明实施例提供的一种基于多源遥感数据的散乱污企业检测方法,包括:
S10:获取检测区域内的多源遥感数据;
S20:将所述多源遥感数据,输入预设目标检测模型,得到输出结果;所述预设目标检测模型,基于Faster-RCNN网络通过多组训练数据训练获得;所述多组训练数据包括:多组散乱污企业的不同类型的图像以及所述图像所包含的企业类别、类别标签和位置标注信息;
S30:根据所述输出结果识别出所述监测区域内存在的散乱污企业。
本实施例中,多源遥感数据指的是多光谱遥感数据(4m分辨率)、全色遥感数据(1m分辨率)、高光谱遥感数据(5m分辨率)、红外遥感数据(4m分辨率),散乱污企业包括钢铁厂、水泥厂、发电厂、汽修厂、垃圾处理厂、储油罐在内的六种污染企业。
其中,上述步骤S10中,可从各种对地观测卫星获取检测区域的多源遥感数据,也可从其他公开的数据库中获取;该实施例对获取方式不作限定。另外,可根据检测目标或任务的参数,每间隔预设时间进行获取。比如可每天获取一次、或每周获取一次等。
为便于输入神经网络模型进行识别,需要对多源遥感数据进行预处理,具体包括对多源遥感数据中的多源遥感图像进行辐射校正、几何校正和遥感图像融合处理,最后得到预处理后的多源遥感数据,使得预处理后的多源遥感数据的大小和格式与神经网络的输入要求相匹配。
遥感图像辐射校正:由于传感器响应特性和大气的吸收、散射以及其他随机因素影响,导致图像模糊失真,造成图像的分辨率和对比度相对下降,这些都需要通过辐射校正复原,消除遥感图像数据中依附在辐射亮度中的各种失真。
遥感图像几何校正:几何校正是利用控制点进行的,它是用一种数学模型来近似描述遥感图像的几何畸变过程,并利用畸变的遥感图像与标准地图之间的一些对应点(即控制点)球的这个几何畸变模型,然后利用次模型进行几何畸变的校正,这种校正不考虑畸变的具体原因,而只考虑如何利用畸变模型来校正图像。
遥感图像融合:图像融合技术是以图像为研究对象的信息融合,它把对同一目标或场景用不同传感器获得的多种图像,或用同种传感器以不同成像方式或在不同成像时间获得的不同图像,融合为一幅图像,在这一幅融合图像中能反映多重原始图像的信息,以达到对目标和地物的综合描述。
本实施例中,采用多源遥感数据是指多个传感器获得的同一区域的遥感图像或同一传感器在不同时刻获得的同一区域的遥感图像数据。多源信息融合能富集同一区域的不同数据源的互补信息,降低数据的不精确性,减少数据的模糊度,使分类更加精确和可靠,以形成对目标区域的完整一致的信息描述。
步骤S20中,参照图2所示,根据多源遥感数据的不同类型,分别对应预设目标检测模型。其中,数据的不同类型包括:多光谱遥感图像、全色遥感图像、高光谱遥感图像、红外遥感图像四种遥感图像数据。对应的预设目标检测模型分别是:多光谱目标检测模型、全色目标检测模型、高光谱目标检测模型、红外遥目标检测模型。
本发明实施例针对上述四种遥感数据,训练了对应的四个目标检测模型,遥感图像作为输入,经过相应的目标检测模型处理后输出带有检测框(表明散乱污企业类别)和类别标签(表明散乱污企业种类)的检测结果图。
其中,预设目标检测模型,基于Faster-RCNN网络通过多组训练数据训练获得;多组训练数据包括:多组散乱污企业的不同类型的图像以及该图像所包含的企业类别、类别标签和位置标注信息。该训练数据同样也需要进行辐射校正、几何校正和遥感图像融合处理,最后得到预处理后的多源遥感数据。比如可将训练数据按照比例3:7分为测试集和训练集数据;训练后可对测试集进行测试,验证其准确率;当准确率满足预期时,可停止训练,获得模型;当准确率低于预期时,则继续训练,也可适当随时调整或增加训练集数据的种类和数量,直到训练结果满足预期。
如图3所示为预设目标检测模型的基本结构,可实现散乱污企业的检测,具体的检测流程如下:
特征提取:这一部分由特征提取网络完成,特征提取网络包含多个卷积层和池化层的组合,遥感图像作为输入,经过特征提取网络内部的卷积操作和池化操作,输出特征图。特征图相比原始图像来讲,能更突出地表示目标(钢铁厂、水泥厂、发电厂、汽修厂、垃圾处理厂、储油罐在内的六种污染企业)的特征,能够使网络对目标进行定位和分类。
候选框提取:这一部分由候选框提取网络完成,候选框提取网络有两个分支,一个分支把特征图分割成多个小区域,对这些小区域属于前景(即目标)还是背景进行判断;另一分支对判断为前景的小区域在遥感图像上的空间位置的大致坐标进行回归,实现粗略的目标定位。输入为上一部分生成的特征图,输出为多个候选区域,包括位置和大小。候选框的提取是训练模型时学习到的能力,训练模型时使用的数据具有目标种类(钢铁厂、水泥厂、发电厂、汽修厂、垃圾处理厂、储油罐在内的六种污染企业)、类别(散、乱和污)、位置的标注,网络将特征图进行分割对其判断时要参考标注信息,与标注信息相符的区域为感兴趣区域,候选框即为感兴趣区域的包络框。
感兴趣区域池化:这一部分由感兴趣区域池化网络完成,将上一步得到的候选区域对应到第一步得到的特征图中,并将这一部分作为感兴趣区域输入到感兴趣区域池化网络,将每个感兴趣区域映射成特定大小的特征图。
精确检测分类:这一部分由一个简单的检测网络实现,主要包括两部分内容,一部分是对上一步生成的特征图进行分类,得到其具体的类别(比如钢铁厂),这一部分也是根据训练过程中学习到的映射关系实现的,训练过程中特征图与类别的对应关系的是已知的(通过历史数据中大量人为标注的信息),通过这种已知关系的训练,测试时网络可以对未知类别的特征图进行类别映射,从而得知目标的类别;另一部分是对上一部分生成的特征图进行回归,精确调整该区域的位置与真实位置之间的偏差,实现精确定位。
经过上述过程,步骤S30中,即可根据输出的结果,识别出输入图像中包含的散乱污企业的类别和位置信息,将这些信息在图像上进行标注,即可获得完整的检测结果。
在一个实施例中,参照图1所示,该方法还包括:
S40:根据预设阈值,确定所述散乱污企业的规模是否存在变化。
比如,可根据识别出的目标区域与历史数据中区域面积进行比较,以确定该目标企业的规模是扩大了还是缩减了,以发出提醒给相应的管理部门,或直接发送相应的治理措施给相应的管理部门。
再比如,根据识别出水泥厂的占地面积为500亩地,与当地环保制定的不得大于400亩阈值相比,则可得出该水泥厂明显违规,私自扩大规模;环保部门根据该结论,对该水泥厂采取相应的治理措施;以规范其经营,达到环保的目的。
在一个实施例中,由于上述四种遥感图像数据种类不同,各有特点,所以针对每一种数据各自训练了一个目标检测模型。又因为四种数据的分辨率不同,所以训练得到的模型对目标的检测性能不同,全色与多光谱数据的空间分辨率较高,分别为1m和4m,这两种数据训练得到的模型都能检测出六类散乱污目标。而红外图像与高光谱图像因为分辨率更低,目标特征不明显,只检测了发电厂,水泥厂和钢铁厂三类大型目标。
另外,目标检测模型的结构也根据遥感图像的种类略作调整,全色遥感图像和红外遥感图像都是单通道的图像,多光谱遥感图像有三个通道,高光谱遥感图像有20个通道,特征提取网络中的第一个卷积层的输入通道数根据输入图像的通道数进行调整,使网络适应不同种类的数据,以提高检测的准确率。
在实际应用时,一般只输入某一种遥感数据,根据数据的类型选择对应的模型。可通过上面的检测流程对目标进行检测与分类。
如果图像中包含训练时所包含的目标,模型很大程度上能够检测出来并给出正确的分类。基于训练数据的数量和种类不同,所训练出的目标检测模型的准确率也不同,不一定能够将目标全部检测出来,检测出来的目标类别也不一定判定正确。当训练的四个模型在测试集上都能够获得平均检测率高于70%,虚警率小于30%时,可满足检测的要求。平均检测率与虚警率的计算公式如下:
本发明实施例提供的预设目标检测模型的实用意义在于辅助判读,因为遥感图像一般场景较大,图像视角为俯视,图像上的目标不易识别,人工解译不仅需要专业人员的参与而且十分耗时。而通过这样的自动化模型则可以大大地提升效率,将检测出的结果进行精细化的二次人工判读需要耗费的人力与时间成本也将大大减小。将“散乱污”企业目标检测出来即可,利用遥感图像检测范围广,获取成本低的特点,对大范围区域内的“散乱污”企业情况进行监测,可以实现不出门而知其增减变化的效果,信息的获取更加简单。
上述预设目标检测模型检测的“散乱污”企业种类与训练数据中包含的类别有关,钢铁厂、水泥厂、发电厂、汽修厂、垃圾处理厂、储油罐等都是容易造成污染的企业,更丰富的种类的“散乱污”企业训练样本可以进一步挖掘模型对其他种类“散乱污”企业的检测性能。
本发明提供的一种基于多源遥感数据的散乱污企业检测方法,采用神经网络模型的检测算法对多源遥感图像进行散乱污企业自动化检测,能够免去复杂的人工解译过程,从多种遥感图像数据中获得散乱污企业的位置和类别信息。检测结果示例如图4所示,将散乱污企业的位置用矩形框标注,类别信息以文字的方式标注在右上角。可以实现不出门而知其增减变化的效果,信息的获取更加简单,且提高了工作效率;可为后续对乱污企业的治理提供技术支持。
基于同一发明构思,本发明实施例还提供了一种基于多源遥感数据的散乱污企业检测***,由于该***所解决问题的原理与一种基于多源遥感数据的散乱污企业检测方法相似,因此该***的实施可以参见前述方法的实施,重复之处不再赘述。
第二方面,本发明实施例还提供一种基于多源遥感数据的散乱污企业检测方法,参照图5所示,包括:
获取模块51,用于获取检测区域内的多源遥感数据;
检测模块52,用于将所述多源遥感数据,输入预设目标检测模型,得到输出结果;所述预设目标检测模型,基于Faster-RCNN网络通过多组训练数据训练获得;所述多组训练数据包括:多组散乱污企业的不同类型的图像以及所述图像所包含的企业类别和位置标注信息;
识别模块53,用于根据所述输出结果识别出所述监测区域内存在的散乱污企业。
在一个实施例中,还包括:
确定模块54,用于根据预设阈值,确定所述散乱污企业的规模是否存在变化。
在一个实施例中,所述获取模块51,具体用于每间隔预设时间获取所述检测区域的多源遥感数据。
在一个实施例中,所述检测模块52,具体用于根据所述多源遥感数据的图像类型,输入对应的预设目标检测模型,得到输出结果;所述图像类型包括:多光谱遥感图像、全色遥感图像、高光谱遥感图像和红外遥感图像;所述预设目标检测模型包括:多光谱目标检测模型、全色目标检测模型、高光谱目标检测模型和红外目标检测模型。
在一个实施例中,所述检测模块53中,所述预设目标检测模型的特征提取网络中第一个卷积层的输入通道数,根据输入不同类型图像的通道数进行调整。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种基于多源遥感数据的散乱污企业检测方法,其特征在于,包括以下步骤:
获取检测区域内的多源遥感数据;
将所述多源遥感数据,输入预设目标检测模型,得到输出结果;所述预设目标检测模型,基于Faster-RCNN网络通过多组训练数据训练获得;所述多组训练数据包括:多组散乱污企业的不同类型的图像以及所述图像所包含的企业类别和位置标注信息;
根据所述输出结果识别出所述检测区域内存在的散乱污企业;
其中,将所述多源遥感数据,输入预设目标检测模型,得到输出结果,包括:
根据所述多源遥感数据的图像类型,输入对应的预设目标检测模型,得到输出结果;所述图像类型包括:多光谱遥感图像、全色遥感图像、高光谱遥感图像和红外遥感图像;所述预设目标检测模型包括:多光谱目标检测模型、全色目标检测模型、高光谱目标检测模型和红外目标检测模型;
针对每一种数据各自训练了一个目标检测模型;目标检测模型的结构也根据遥感图像的种类略作调整,全色遥感图像和红外遥感图像都是单通道的图像,多光谱遥感图像有三个通道,高光谱遥感图像有20个通道,特征提取网络中的第一个卷积层的输入通道数根据输入图像的通道数进行调整,使网络适应不同种类的数据。
2.如权利要求1所述的方法,其特征在于,还包括:
根据预设阈值,确定所述散乱污企业的规模是否存在变化。
3.如权利要求1所述的方法,其特征在于,所述获取检测区域内的多源遥感数据,包括:
每间隔预设时间获取所述检测区域的多源遥感数据。
4.一种基于多源遥感数据的散乱污企业检测***,其特征在于,包括:
获取模块,用于获取检测区域内的多源遥感数据;
检测模块,用于将所述多源遥感数据,输入预设目标检测模型,得到输出结果;所述预设目标检测模型,基于Faster-RCNN网络通过多组训练数据训练获得;所述多组训练数据包括:多组散乱污企业的不同类型的图像以及所述图像所包含的企业类别和位置标注信息;
识别模块,用于根据所述输出结果识别出所述检测区域内存在的散乱污企业;
其中,所述检测模块,具体用于根据所述多源遥感数据的图像类型,输入对应的预设目标检测模型,得到输出结果;所述图像类型包括:多光谱遥感图像、全色遥感图像、高光谱遥感图像和红外遥感图像;所述预设目标检测模型包括:多光谱目标检测模型、全色目标检测模型、高光谱目标检测模型和红外目标检测模型;针对每一种数据各自训练了一个目标检测模型;目标检测模型的结构也根据遥感图像的种类略作调整,全色遥感图像和红外遥感图像都是单通道的图像,多光谱遥感图像有三个通道,高光谱遥感图像有20个通道,特征提取网络中的第一个卷积层的输入通道数根据输入图像的通道数进行调整,使网络适应不同种类的数据。
5.如权利要求4所述的***,其特征在于,还包括:
确定模块,用于根据预设阈值,确定所述散乱污企业的规模是否存在变化。
6.如权利要求4所述的***,其特征在于,所述获取模块,具体用于每间隔预设时间获取所述检测区域的多源遥感数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010779783.3A CN111914767B (zh) | 2020-08-05 | 2020-08-05 | 一种基于多源遥感数据的散乱污企业检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010779783.3A CN111914767B (zh) | 2020-08-05 | 2020-08-05 | 一种基于多源遥感数据的散乱污企业检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111914767A CN111914767A (zh) | 2020-11-10 |
CN111914767B true CN111914767B (zh) | 2023-10-10 |
Family
ID=73287195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010779783.3A Active CN111914767B (zh) | 2020-08-05 | 2020-08-05 | 一种基于多源遥感数据的散乱污企业检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111914767B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112686162B (zh) * | 2020-12-31 | 2023-12-15 | 鄂尔多斯市空港大数据运营有限公司 | 仓库环境整洁状态的检测方法、装置、设备和存储介质 |
CN113077133B (zh) * | 2021-03-19 | 2022-04-01 | 南京大学 | 一种基于多源数据的危险废物非法倾倒风险区域识别和溯源方法 |
CN113033483B (zh) * | 2021-04-20 | 2024-02-02 | 北京百度网讯科技有限公司 | 检测目标对象的方法、装置、电子设备和存储介质 |
CN116385903B (zh) * | 2023-05-29 | 2023-09-19 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种面向1级遥感数据的抗畸变在轨目标检测方法与模型 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063594A (zh) * | 2018-07-13 | 2018-12-21 | 吉林大学 | 基于YOLOv2的遥感图像快速目标检测方法 |
CN109886132A (zh) * | 2019-01-25 | 2019-06-14 | 北京市遥感信息研究所 | 一种云海背景飞机目标检测方法、装置及*** |
-
2020
- 2020-08-05 CN CN202010779783.3A patent/CN111914767B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063594A (zh) * | 2018-07-13 | 2018-12-21 | 吉林大学 | 基于YOLOv2的遥感图像快速目标检测方法 |
CN109886132A (zh) * | 2019-01-25 | 2019-06-14 | 北京市遥感信息研究所 | 一种云海背景飞机目标检测方法、装置及*** |
Non-Patent Citations (6)
Title |
---|
Attention Receptive Pyramid Network for Ship Detection in SAR Images;Zhao Y等;《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》;2738-2756 * |
SAR Target Detection Based on SSD With Data Augmentation and Transfer Learning;Zhaocheng Wan等;《IEEE Geoscience and Remote Sensing Letters》;150-154 * |
基于faster R-CNN模型的遥感污水处理厂目标检测;杨路江等;《第五届高分辨率对地观测学术年会论文集》;第1节、第2.2节、图3 * |
基于Faster R-CNN的卫星图像污水处理厂识别;***;张晓;;计算机应用(第S2期);55-59 * |
基于多视角融合的夜间无人车三维目标检测;王宇岚;孙韶媛;刘致驿;卜德飞;;应用光学(第02期);70-75 * |
复杂场景下单通道SAR目标检测及鉴别研究进展综述;杜兰;王兆成;王燕;魏迪;李璐;;雷达学报(第01期);38-58 * |
Also Published As
Publication number | Publication date |
---|---|
CN111914767A (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914767B (zh) | 一种基于多源遥感数据的散乱污企业检测方法及*** | |
Jianya et al. | A review of multi-temporal remote sensing data change detection algorithms | |
CN109785337B (zh) | 一种基于实例分割算法的栏内哺乳动物清点方法 | |
CN111598098B (zh) | 一种基于全卷积神经网络的水尺水位线检测及有效性识别方法 | |
CN110598784B (zh) | 基于机器学习的建筑垃圾分类方法及装置 | |
CN110910350B (zh) | 一种用于风电塔筒的螺母松动检测方法 | |
CN111931565A (zh) | 一种基于光伏电站uav的自主巡检与热斑识别方法及*** | |
CN111401419A (zh) | 基于改进RetinaNet的员工着装规范检测方法 | |
CN112270291B (zh) | 一种基于多源光学遥感图像的违法建设用地开发自动检测方法 | |
CN110837839B (zh) | 一种高精度无人机正射影像制作及数据采集方法 | |
CN112100301A (zh) | 一种利用高分遥感技术实现水域岸线动态监测的方法 | |
CN111881851A (zh) | 一种基于uav和卷积神经网络的园林苗木智能检测与计数方法 | |
CN112967255A (zh) | 一种基于深度学习的盾构管片缺陷类型识别及定位***及其方法 | |
CN104537367A (zh) | 一种vin码的校验方法 | |
Kausika et al. | GeoAI for detection of solar photovoltaic installations in the Netherlands | |
CN114511784A (zh) | 环境监测预警方法、装置、设备及存储介质 | |
CN113033385A (zh) | 一种基于深度学习的违章建筑遥感识别方法及*** | |
CN114241332A (zh) | 一种基于深度学习的固废场识别方法、装置以及存储介质 | |
CN112577473A (zh) | 一种双时相的高分辨率遥感影像变化检测算法 | |
CN109671038A (zh) | 一种基于伪不变特征点分类分层的相对辐射校正方法 | |
Fiorillo et al. | Automated Mapping of the roof damage in historic buildings in seismic areas with UAV photogrammetry | |
CN117197085A (zh) | 基于改进YOLOv8网络的公路快检图像路面病害检测方法 | |
Busch et al. | Automated verification of a topographic reference dataset: System design and practical results | |
CN115661446A (zh) | 基于深度学习的指针式仪表示数自动读取***及方法 | |
CN113298755B (zh) | 基于时序影像的生态环境变化斑块快速检测方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |