技术特征:
1.一种基于深度学习的建筑垃圾遥感影像识别方法,其特征在于:所述方法通过以下步骤实现:步骤一、对获取的遥感图像进行预处理,得到遥感图像数据集;步骤二、对遥感图像数据集样本进行扩充,在神经网络的第七层加入l2正则化惩罚项,利用扩充后的数据集对加入l2正则化惩罚项的网络模型进行训练,获取目标识别模型;步骤三、通过计算deeplab的语义分割方法中真实值和预测值两个集合的交集和并集之miou比,实现语义分割算法的改进;步骤四、利用改进的识别模型以及算法进行图像识别。2.根据权利要求1所述的一种基于深度学习的建筑垃圾遥感影像识别方法,其特征在于:步骤一所述的对获取的遥感图像进行预处理,得到遥感图像数据集的步骤包括:采用envi平台对遥感图像进行正射校正、影像融合的遥感图像预处理操作,并对其结果数据进行直方图均值化操作。3.根据权利要求1或2所述的一种基于深度学习的建筑垃圾遥感影像识别方法,其特征在于:步骤二所述的对遥感图像数据集样本进行扩充的步骤采用改进生成对抗网络的方式融合多个图像的特征,具体步骤包括:gan在原有数据集的基础上生成新的数据,gan生成对抗网络包括两个模型:生成模型和判别模型,这两个模型的代表符号分别是g和d;利用这两个模型的博弈实现生成对抗网络,其中,gan的基本模型:设z为随机噪声,x为真实数据,生成式网络和判别式网络以分别用g和d表示,其中d可以看作一个二分类器,那么采用交叉熵表示,写作:minmaxv=ex~pdata(x)[logd(x)] ez~pz(z)[log(1
‑
d(g(z)))]其中第一项的logd(x)表示判别器对真实数据的判断,第二项log(1
‑
d(g(z)))表示则对数据的合成与判断;通过这样一个极大极小(max
‑
min)博弈,循环交替地分别优化g和d来训练所需要的生成式网络与判别式网络,直到到达nash均衡点;dcgan是在gan的基础上提出了一种训练架构,dcgan对gan做训练指导,用卷积层取代全连接层,去掉池化层,采用批标准化(batch normalization,bn)技术将判别模型的发展成果引入到了生成模型中。4.根据权利要求3所述的一种基于深度学习的建筑垃圾遥感影像识别方法,其特征在于:步骤三所述的通过计算deeplab的语义分割方法中真实值和预测值两个集合的交集和并集之miou比,实现识别模型以及识别语义分割算法的改进的步骤包括:采用deeplab的语义分割方法,通过条件随机性和卷积神经网络的结合,利用全卷积网络作为基础,不断优化每一个层次;然后,计算真实值和预测值两个集合的交集和并集之miou比,实现语义分割算法的改进。
技术总结
一种基于深度学习的建筑垃圾遥感影像识别方法,属于遥感图像识别领域。现有的遥感图像识别方法易受干扰,且这些不能挖掘整体信息,导致识别精度低。一种基于深度学习的建筑垃圾遥感影像识别方法,对获取的遥感图像进行预处理,得到遥感图像数据集;对遥感图像数据集样本进行扩充,在神经网络的第七层加入L2正则化惩罚项,利用扩充后的数据集对加入L2正则化惩罚项的网络模型进行训练,获取目标识别模型;通过计算DeepLab的语义分割方法中真实值和预测值两个集合的交集和并集之mIOU比,实现语义分割算法的改进;利用改进的识别模型以及算法进行图像识别。本发明方法识别精度稿,可以监测违规堆放的处理进度,实现动态跟踪监测净化城市环境。净化城市环境。净化城市环境。
技术研发人员:颜子健 董静薇
受保护的技术使用者:哈尔滨理工大学
技术研发日:2021.07.12
技术公布日:2021/10/23
再多了解一些
本文用于企业家、创业者技术爱好者查询,结果仅供参考。