【摘要】：遙感影像可以迅速準確的提供大范圍地理信息,影像中包含的地物種類豐富多樣、信息量巨大,各類信息價值較高,廣泛的應用于國民經濟建設、城市現代化建設、環(huán)境保護與環(huán)境監(jiān)測、災害預測與防災減災、農業(yè)生產等領域。隨著低空輕小型無人機遙感系統(tǒng)的出現,實現了測繪需求快速獲取小范圍區(qū)域的高分辨率遙感影像,技術適用面更廣,很好的補充和完善了現今航空遙感監(jiān)測體系。遙感影像的獲取技術發(fā)展迅速,但是傳統(tǒng)的遙感影像信息處理和檢測的算法研究進展比較緩慢。為應對日趨復雜的遙感影像中的地物場景情況,在傳統(tǒng)遙感影像地物檢測方法基礎上推陳出新,實現地物信息檢測的快速化、智能化、自動化和遙感影像中地物信息的有效利用一直是當今遙感技術中主要研究方向之一。而近幾年來迅速發(fā)展的卷積神經網絡算法在目標檢測領域應用成果顯著。本文通過對當前主流卷積神經網絡知識的研究,將卷積神經網絡算法應用于無人機影像中建筑物的檢測,論文主要工作總結如下:(1)介紹了卷積神經網絡發(fā)展過程和基礎網絡結構及基本工作原理,并對目前卷積神經網絡中具有代表性的R-CNN、SPPNet、Fast R-CNN、Faster R-CNN、Mask R-CNN幾種算法的核心原理和基本的檢測過程進行了闡述。針對本文選取的Mask R-CNN算法的核心優(yōu)勢點進行了重點闡述。最后通過對不同算法網絡結構和實驗結果的對比分析,對算法的網絡構建原理有了更加深入的理解。逡逡(2)本文在經典Mask R-CNN算法網絡模型的研究基礎上結合了建筑物在無人機影像中的特征屬性和檢測的特殊性問題,對建立的建筑物檢測模型做出了相應的調整。首先將模型訓練樣本的制作與無人機航測內業(yè)的實際生產過程相結合基本實現了與Mask-RCNN算法端到端的訓練過程,解決了海量深度學習訓練數據集獲取和制作的難題;其次選取了適合的建筑物特征檢測器又對特征檢測網絡層數進行了精簡,通過實驗結果發(fā)現當模型的特征提取網絡層數精簡為6層時,模型的檢測性能最佳,減少了特征提取過程產生的冗余信息,達到節(jié)省空間成本提升算法效率的作用;最后利用模型檢測結果提取出了建筑物的大致輪廓。逡(3)通過測試樣本數據對本文建立的建筑物檢測模型測試,實驗結果表明:本文改進的Mask R-CNN檢測模型能夠有效的檢測出無人機影像中的各類建筑物,基于模型檢測結果的建筑物輪廓提取優(yōu)化算法能夠提取出建筑物的大致輪廓。建立的檢測模型有較好的檢測速度和精度,算法具有一定的穩(wěn)定性、泛化性,所得到的建筑物檢測模型檢測效果能夠達到預期要求。
【學位授予單位】：東華理工大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：P237

【參考文獻】

相關期刊論文 前8條

1 楊貴寶;李瑞俊;高霞;;基于Snake和動態(tài)規(guī)劃優(yōu)化的屋頂輪廓提取算法[J];內蒙古大學學報(自然科學版);2015年06期

2 黃凱奇;任偉強;譚鐵牛;;圖像物體分類與檢測算法綜述[J];計算機學報;2014年06期

3 李德仁;李明;;無人機遙感系統(tǒng)的研究進展與應用前景[J];武漢大學學報(信息科學版);2014年05期

4 鄭胤;陳權崎;章毓晉;;深度學習及其在目標和行為識別中的新進展[J];中國圖象圖形學報;2014年02期

5 余凱;賈磊;陳雨強;徐偉;;深度學習的昨天、今天和明天[J];計算機研究與發(fā)展;2013年09期

6 張俊;于慶國;侯家槐;;面向對象的高分辨率影像分類與信息提取[J];遙感技術與應用;2010年01期

7 徐煒君;劉國忠;;空間域和頻域結合的圖像增強技術及實現[J];中國測試;2009年04期

8 閆友彪,陳元琰;機器學習的主要策略綜述[J];計算機應用研究;2004年07期

，

本文編號：2709295