[發(fā)明專利]一種基于深度學(xué)習(xí)的建筑垃圾遙感影像識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110785190.2
• 申請(qǐng)日: 2021-07-12
• 公開（公告）號(hào): CN113537033A
• 公開（公告）日: 2021-10-22
• 發(fā)明（設(shè)計(jì)）人: 顏?zhàn)咏?/a>;董靜薇
• 申請(qǐng)（專利權(quán)）人: 哈爾濱理工大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 哈爾濱三目知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 23214
• 代理人: 劉冰;馮慶柱

1.一種基于深度學(xué)習(xí)的建筑垃圾遙感影像識(shí)別方法，其特征在于：所述方法通過(guò)以下步驟實(shí)現(xiàn)：

步驟一、對(duì)獲取的遙感圖像進(jìn)行預(yù)處理，得到遙感圖像數(shù)據(jù)集；

步驟二、對(duì)遙感圖像數(shù)據(jù)集樣本進(jìn)行擴(kuò)充，在神經(jīng)網(wǎng)絡(luò)的第七層加入L2正則化懲罰項(xiàng)，利用擴(kuò)充后的數(shù)據(jù)集對(duì)加入L2正則化懲罰項(xiàng)的網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，獲取目標(biāo)識(shí)別模型；

步驟三、通過(guò)計(jì)算DeepLab的語(yǔ)義分割方法中真實(shí)值和預(yù)測(cè)值兩個(gè)集合的交集和并集之mIOU比，實(shí)現(xiàn)語(yǔ)義分割算法的改進(jìn)；

步驟四、利用改進(jìn)的識(shí)別模型以及算法進(jìn)行圖像識(shí)別。

2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的建筑垃圾遙感影像識(shí)別方法，其特征在于：步驟一所述的對(duì)獲取的遙感圖像進(jìn)行預(yù)處理，得到遙感圖像數(shù)據(jù)集的步驟包括：

采用ENVI平臺(tái)對(duì)遙感圖像進(jìn)行正射校正、影像融合的遙感圖像預(yù)處理操作，并對(duì)其結(jié)果數(shù)據(jù)進(jìn)行直方圖均值化操作。

3.根據(jù)權(quán)利要求1或2所述的一種基于深度學(xué)習(xí)的建筑垃圾遙感影像識(shí)別方法，其特征在于：步驟二所述的對(duì)遙感圖像數(shù)據(jù)集樣本進(jìn)行擴(kuò)充的步驟采用改進(jìn)生成對(duì)抗網(wǎng)絡(luò)的方式融合多個(gè)圖像的特征，具體步驟包括：

GAN在原有數(shù)據(jù)集的基礎(chǔ)上生成新的數(shù)據(jù)，GAN生成對(duì)抗網(wǎng)絡(luò)包括兩個(gè)模型：生成模型和判別模型，這兩個(gè)模型的代表符號(hào)分別是G和D；利用這兩個(gè)模型的博弈實(shí)現(xiàn)生成對(duì)抗網(wǎng)絡(luò)，

其中，GAN的基本模型:設(shè)z為隨機(jī)噪聲，x為真實(shí)數(shù)據(jù)，生成式網(wǎng)絡(luò)和判別式網(wǎng)絡(luò)以分別用G和D表示，其中D可以看作一個(gè)二分類器，那么采用交叉熵表示，寫作:

minmaxV＝Ex～pdata(x)[logD(x)]+Ez～pz(z)[log(1-D(G(z)))]

其中第一項(xiàng)的logD(x)表示判別器對(duì)真實(shí)數(shù)據(jù)的判斷，第二項(xiàng)log(1-D(G(z)))表示則對(duì)數(shù)據(jù)的合成與判斷；通過(guò)這樣一個(gè)極大極小(Max-min)博弈，循環(huán)交替地分別優(yōu)化G和D來(lái)訓(xùn)練所需要的生成式網(wǎng)絡(luò)與判別式網(wǎng)絡(luò)，直到到達(dá)Nash均衡點(diǎn)；

DCGAN是在GAN的基礎(chǔ)上提出了一種訓(xùn)練架構(gòu)，DCGAN對(duì)GAN做訓(xùn)練指導(dǎo)，用卷積層取代全連接層，去掉池化層，采用批標(biāo)準(zhǔn)化(Batch Normalization,BN)技術(shù)將判別模型的發(fā)展成果引入到了生成模型中。

4.根據(jù)權(quán)利要求3所述的一種基于深度學(xué)習(xí)的建筑垃圾遙感影像識(shí)別方法，其特征在于：步驟三所述的通過(guò)計(jì)算DeepLab的語(yǔ)義分割方法中真實(shí)值和預(yù)測(cè)值兩個(gè)集合的交集和并集之mIOU比，實(shí)現(xiàn)識(shí)別模型以及識(shí)別語(yǔ)義分割算法的改進(jìn)的步驟包括：

采用DeepLab的語(yǔ)義分割方法，通過(guò)條件隨機(jī)性和卷積神經(jīng)網(wǎng)絡(luò)的結(jié)合，利用全卷積網(wǎng)絡(luò)作為基礎(chǔ)，不斷優(yōu)化每一個(gè)層次；然后，計(jì)算真實(shí)值和預(yù)測(cè)值兩個(gè)集合的交集和并集之mIOU比，實(shí)現(xiàn)語(yǔ)義分割算法的改進(jìn)。