[發明專利]結合空間距離約束的多尺度船企場景識別與提取方法

有效

• 申請號: 202010517131.2
• 申請日: 2020-06-09
• 公開（公告）號: CN111639623B
• 公開（公告）日: 2022-04-26
• 發明（設計）人: 宋妍;楊淼;于新莉;馬珍妮
• 申請（專利權）人: 中國地質大學（武漢）
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/774;G06V10/82;G06K9/62;G06N3/04
• 代理公司: 武漢知產時代知識產權代理有限公司 42238
• 代理人: 彭建怡

1.一種結合空間距離約束的多尺度船企場景識別與提取方法，其特征在于：具體包括：

S101：基于船企背景資料，對全國船企矢量提取，獲取船企分布情況，并依據船企分布情況設計船企遙感樣本集；

S102：建立卷積神經網絡模型，利用所述船企遙感樣本集對所述卷積神經網絡模型進行訓練，得到多個船企遙感圖像識別模型；所述多個船企遙感圖像識別模型，包括船企場景識別模型和船企場景對象的識別模型；

S103：采用船企場景識別模型對待處理的遙感影像進行場景全局尺度初檢測，得到遙感影像的疑似船企區域及船企場景語義標簽得分；

將所述疑似船企區域進行拆解，得到多個圖像塊；

對每個圖像塊分別采用船企場景對象的識別模型進行局部尺度檢測，得到每個圖像塊中存在的船企場景對象及其對應的語義標簽得分；

S104：對所述每個圖像塊中存在的船企場景對象，采用弱監督學習方法提取船企場景對象的像素級位置信息，計算船企場景對象之間的空間距離；

S105：根據船企場景語義標簽得分、每個圖像塊中存在船企場景對象及其對應的語義標簽得分、船企場景對象標簽組合、船企場景對象之間的空間距離約束，進行場景類別的綜合判定，得到船企提取最終結果。

2.如權利要求1所述的一種結合空間距離約束的多尺度船企場景識別與提取方法，其特征在于：所述船企遙感樣本集包括：船企場景樣本集、船企場景內船塢對象樣本集、廠房對象樣本集和船只對象樣本集。

3.如權利要求2所述的一種結合空間距離約束的多尺度船企場景識別與提取方法，其特征在于：步驟S102中所述的船企場景對象的識別模型，具體包括：船塢識別模型、廠房識別模型和船只識別模型；所述船企場景識別模型，利用所述船企場景樣本集訓練所述卷積神經網絡模型得到；所述船塢識別模型，利用所述船塢對象樣本集訓練所述卷積神經網絡模型得到；所述廠房識別模型，利用所述廠房對象樣本集訓練所述卷積神經網絡模型得到；所述船只識別模型，利用所述船只對象樣本集訓練所述卷積神經網絡模型得到。

4.如權利要求1所述的一種結合空間距離約束的多尺度船企場景識別與提取方法，其特征在于：步驟S101具體為：

S201：對研究區域的檢測影像水邊線緩沖區進行裁剪，得到待檢測水陸交接影像，縮小船企檢測范圍；

S202：對船企場景進行解譯，得到船企解譯標志；所述解譯標志包括船塢、廠房和船只；

S203：根據船企解譯標志，提取船企的分布情況；

S204：根據船企解譯標志和船企分布情況，基于遙感影像對全國船企進行矢量化，獲得船企內部地物輪廓以及面積等信息；

S205：基于船企矢量提取結果，對船企空間布局信息進行統計與分析，得到船企場景對象之間的空間約束范圍；所述船企空間布局信息，包括：船企占地面積、船企內船塢、廠房和船只的占地面積和空間距離；

S206：基于船企矢量提取結果、資源三號影像和谷歌地球影像數據，制作船企遙感樣本集。

5.如權利要求1所述的一種結合空間距離約束的多尺度船企場景識別與提取方法，其特征在于：步驟S102中所述的卷積神經網絡模型，采用ResNet作為基準網絡。

6.如權利要求1所述的一種結合空間距離約束的多尺度船企場景識別與提取方法，其特征在于：步驟S104中所述的弱監督學習法為不精確監督法，采用Grad-CAM算法，提取每個圖像塊中存在的船塢、廠房和船只對象的像素級位置信息，此時獲取三類對象的像素點位置，進而計算船塢、廠房和船只像素點連線的長度，即為對象之間的空間距離。

7.如權利要求2所述的一種結合空間距離約束的多尺度船企場景識別與提取方法，其特征在于：步驟S105中，所述船企場景對象標簽組合，具體為：當檢測場景內存在廠房、船只和船塢時，場景判斷為船企。