[發明專利]一種基于深度學習的違章建筑遙感識別方法及系統

在審

• 申請號: 202110309208.1
• 申請日: 2021-03-23
• 公開（公告）號: CN113033385A
• 公開（公告）日: 2021-06-25
• 發明（設計）人: 劉智勇;祁宏昌;劉澤楷;張滔;來立永;黃海生;袁俊健;冉倩;雷超平
• 申請（專利權）人: 廣東電網有限責任公司廣州供電局
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08;G06T7/13;G06T7/181
• 代理公司: 廣州駿思知識產權代理有限公司 44425
• 代理人: 潘桂生

本發明公開了一種基于深度學習的違章建筑遙感識別方法及系統，對遙感影像的矢量數據進行卷積、池化、反卷積，提取房屋特征得到矢量數據特征圖，對房屋輪廓像素矢量化，將矢量數據特征圖轉化為柵格圖像，用于模型訓練；將柵格圖像輸入深度學習網絡，得到建筑物輪廓訓練模型；將待測試的遙感影像作為測試集輸入深度學習網絡，對測試集進行遙感影像分類輸出結果，實現遙感影像的目標識別，通過遙感圖像分析、深度學習和視覺大數據識別技術的結合，為違章建筑的快速準確識別提供了新的檢測和監控技術手段，可以助力城市管理部門提高違章建筑的識別效率，及時發現違章建筑，降低管理成本，提升城市管理水平。

技術領域

本發明涉及城市違章建筑自動檢測的技術領域，尤其是指一種基于深度學習的違章建筑遙感識別方法及系統。

背景技術

將目前，城市違章建筑檢測主要依賴人工對0.3米分辨率遙感影像進行比對排查，為解決人力資源有限、人工比對耗時長的問題，眾多學者提出了很多方案。詹金瑞提出了以歷年衛星影像為基礎，結合實地測繪和規劃信息的違章建筑檢測總體架構；朱建偉等提出利用無人機低空環拍影像構建三維模型進而識別違章建筑的系統。在遙感影像變化檢測領域，Malila最早提出變化矢量分析法(CVA)，利用多波段的遙感影像數據將每個像素描述為一個一維列向量，進而計算前后時期同位置像素之間的向量差值，代表變化的強度；黃維等結合主成分分析(PCA)和變化矢量分析(CVA)，對多波段影像數據提取第一主成分后進行差值運算和閾值劃分，降低了圖像噪聲的影響。近年來，隨著計算機運算性能的提高，基于深度學習的監督分類方法往往在實際中取得更好的效果，張曉東等將目標檢測領域的主流網絡Faster R-CNN應用到高分辨率遙感圖像變化檢測中去取得了理想的效果。國內外學者為違章建筑檢測貢獻了有效的系統架構和技術方法，然而傳統的基于像素的變化檢測算法容易出現“椒鹽”現象，難以滿足違章建筑粗篩選的精度需求，而基于深度學習的運算時間高度依賴計算機的性能，難以適用實時的檢測系統，因此如何有效快速地實現違章建筑識別工作自動化仍有待于繼續不斷地研究。現有技術中存在的識別效率不高的問題。

發明內容

針對上述背景技術中的問題，提供一種全新的基于深度學習的違章建筑遙感識別方法。利用深度網絡強有效的特征提取技術，通過圖片相似度分析至少能部分解決現有圖片識別技術無法滿足環境變化導致的違章建筑隱患識別，例如房屋自建建筑物，屋頂自建建筑物，院落自建建筑物，陽臺自建建筑物，公共通道自建建筑物等。

本發明所述的一種基于深度學習的違章建筑遙感識別方法，包括：

S1獲取地面環境中建筑物和道路的遙感影像，對所述遙感影像的矢量數據進行卷積、池化、反卷積，提取房屋特征得到矢量數據特征圖，對房屋輪廓像素矢量化，將矢量數據特征圖轉化為柵格圖像，用于模型訓練；

S2將所述柵格圖像輸入深度學習網絡，得到建筑物輪廓訓練模型；

S3將待測試的遙感影像作為測試集輸入深度學習網絡，對測試集進行遙感影像分類輸出結果，實現遙感影像的目標識別。

本發明通過遙感圖像分析、深度學習和視覺大數據識別技術的結合，為違章建筑的快速準確識別提供了新的檢測和監控技術手段，可以助力城市管理部門提高違章建筑的識別效率，及時發現違章建筑，降低管理成本，提升城市管理水平。

具體地，所述對測試集進行遙感影像分類輸出結果的步驟包括：通過結構相似度算法對比原始數據集和測試集的差異圖和相似度，根據圖片相似度的最大值判斷是否出現違章建筑，并提示違章建筑位置。

進一步地，對所述原始數據集和測試集進行均值模糊處理，轉化為灰度圖；對灰度圖進行去噪處理；

再通過結構相似度算法對比得到差異圖，檢測差異圖輪廓并標注相似度，相似度低于設定閾值時，告警處理。

進一步地，所述建筑物輪廓訓練模型可通過如下步驟進行優化：獲取遙感影像中多個角度和多個距離的違章建筑圖像作為訓練數據；