一种基于遥感影像的储油罐检测方法及装置与流程

1.本技术涉及遥感影像处理技术领域，尤其是涉及一种基于遥感影像的储油罐检测方法及装置。


背景技术：

2.目前储油罐的检测算法主体分为两大类。第一类是以人工特征为主的传统算法，例如：改进的canny边缘检测和hough变换以及快速模板匹配结合的算法、基于合成孔径雷达图阴影和亮弧的油罐检测算法、基于对称特征的检测算法、基于svm分类器的算法等；第二类是基于深度学习算法，例如：fast r-cnn、faster r-cnn、yolov4算法等。第一类算法具有参数设置困难、对半径敏感、仅适用于对比度清晰且轮廓完整的图像等缺点，由于未考虑阴影、纹理等因素，该算法并不能对似圆建筑物做出比较准确的判断，所以会出现大量的误检结果，检测效果较差。第二类算法提高了检测的准确率，但是对于大尺寸遥感影像，储油罐属于小目标，有些呈规则，有些又杂乱地分布着，由于可见光图像会受到云层影响，油罐的背景不尽相同，储油罐颜色各异，检测过程中出现误检的概率较高，通常会将遥感图像中白色圆斑状的物体误检为储油罐。


技术实现要素：

3.有鉴于此，本技术提供了一种基于遥感影像的储油罐检测方法及装置，以解决上述技术问题。
4.第一方面，本技术实施例提供了一种基于遥感影像的储油罐检测方法，所述方法包括：
5.获取目标区域的遥感影像；
6.利用预先训练完成的yolov5模型对遥感影像进行处理，得到第一储油罐预测框集合；
7.利用非极大值抑制对第一储油罐预测框集合进行过滤处理，得到第二储油罐预测框集合；
8.获取第二储油罐预测框集合中的每个储油罐预测框的宽高以及宽高比，当一个储油罐预测框的宽高达不到预设的宽高阈值或宽高比不在预设的区间，从第二储油罐预测框集合中去除该储油罐预测框，得到第三储油罐预测框集合；
9.从第三储油罐预测框集合中检测出被大储油罐预测框包围的小储油罐预测框并进行去除，得到最终的储油罐检测结果。
10.进一步地，利用预先训练完成的yolov5模型对遥感影像进行处理，得到第一储油罐预测框集合；包括：
11.对遥感影像进行滑块切片操作，得到多个预设尺寸的子影像；
12.利用预先训练完成的yolov5模型分别对每个子影像进行处理，得到其中的若干个储油罐预测框；
13.将每个子影像的若干个储油罐预测框进行拼接，得到第一储油罐预测框集合。
14.进一步地，利用非极大值抑制对第一储油罐预测框集合进行过滤处理，得到第二储油罐预测框集合；包括：
15.步骤s1：将第一储油罐预测框集合的所有储油罐预测框放入集合x中；
16.步骤s2：将集合x中的每个储油罐检测框按照置信度进行降序排序；
17.步骤s3：获取集合x中置信度最大的储油罐检测框，放入集合y中，将该储油罐检测框从集合x中删除；
18.步骤s4：逐一计算置信度最大的储油罐检测框与集合x的其它储油罐检测框的交并比值，如果交并比值大于预设的阈值，则从集合x中删除置信度小的储油罐检测框；
19.步骤s5：判断集合x是否为空集，若为否，则转入步骤s2；否则，进入步骤s6；
20.步骤s6：将集合y中的所有储油罐预测框放入第二储油罐预测框集合。
21.进一步地，从第三储油罐预测框集合中检测出被大储油罐预测框包围的小储油罐预测框并进行去除，得到最终的储油罐检测结果；包括：
22.对第三储油罐预测框集合的所有储油罐预测框的面积从大到小排序，得到area[1],area[2]
…
area[n]，其中，n为第三储油罐检测结果中储油罐预测框的个数；area[1]为储油罐预测框的面积的最大值，area[n]为储油罐预测框的面积的最小值；
[0023]
计算第i个储油罐预测框和第j个储油罐预测框的iof
(i,j)
：
[0024][0025]
其中，i＝1,
…
n；j＝1,
…
n；
[0026]
判断iof
(i,j)
中是否大于预设的阈值，若为是，获取i和j中大的对应的储油罐预测框，从第三储油罐预测框集合中去除该储油罐预测框，得到最终的储油罐检测结果。
[0027]
第二方面，本技术实施例提供了一种基于遥感影像的储油罐检测装置，所述装置包括：
[0028]
获取单元，用于获取目标区域的遥感影像；
[0029]
检测单元，用于利用预先训练完成的yolov5模型对遥感影像进行处理，得到第一储油罐预测框集合；
[0030]
第一过滤单元，用于利用非极大值抑制对第一储油罐预测框集合进行过滤处理，得到第二储油罐预测框集合；
[0031]
第二过滤单元，用于获取第二储油罐预测框集合中的每个储油罐预测框的宽高以及宽高比，当一个储油罐预测框的宽高达不到预设的宽高阈值或宽高比不在预设的区间，从第二储油罐预测框集合中去除该储油罐预测框，得到第三储油罐预测框集合；
[0032]
第三过滤单元，用于从第三储油罐预测框集合中检测出被大储油罐预测框包围的小储油罐预测框并进行去除，得到最终的储油罐检测结果。
[0033]
第三方面，本技术实施例提供了一种电子设备，包括：存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本技术实施例的基于遥感影像的储油罐检测方法。
[0034]
第四方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令被处理器执行时实现本技术实施例的基于遥感影
像的储油罐检测方法。
[0035]
本技术降低了储油罐检测误检率，提高了检测精度。
附图说明
[0036]
为了更清楚地说明本技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0037]
图1为本技术实施例提供的基于遥感影像的储油罐检测方法的流程图；
[0038]
图2为本技术实施例提供的切片算法原理的示意图；
[0039]
图3为本技术实施例提供的基于遥感影像的储油罐检测方法装置的功能结构图；
[0040]
图4为本技术实施例提供的电子设备的结构图。
具体实施方式
[0041]
为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。
[0042]
因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0043]
首先对本技术实施例的设计思想进行简单介绍。
[0044]
为解决现有基于深度学习的储油罐检测方法存在的检测准确率不高的问题，本技术提供了一种基于遥感影像的储油罐检测方法,该方法能够剔除检测框中的重叠框以及明显不符合油罐特性的检测框，降低误检概率，提高油罐检测的准确率。
[0045]
在介绍了本技术实施例的应用场景和设计思想之后，下面对本技术实施例提供的技术方案进行说明。
[0046]
如图1所示，本技术实施例提供了一种基于遥感影像的储油罐检测方法，包括：
[0047]
步骤101：获取目标区域的遥感影像；
[0048]
其中，遥感影像为worldview、天绘数据，分辨率为0.5m和2m；
[0049]
步骤102：利用预先训练完成的yolov5模型对遥感影像进行处理，得到第一储油罐预测框集合；
[0050]
在大影像中进行滑块操作得到小尺寸影像，切片算法原理如图2，按照从左到右从上到下的顺序以一定的步长遍历所有切片即可；将一张大的影像分为若干个patch size尺寸的影像；
[0051]
采用基于focus结构，csp结构的backbone进行特征提取，通过neck层进行特征融合之后再输出到prediction结构中进行推理，得到模型检测小图的结果；
[0052]
根据切片算法记录的坐标，将小图的检测结果拼接成大图的检测结果。
[0053]
步骤103：利用非极大值抑制对第一储油罐预测框集合进行过滤处理，得到第二储油罐预测框集合；
[0054]
具体的，该步骤包括：
[0055]
步骤s1：将第一储油罐预测框集合的所有储油罐预测框放入集合x中；
[0056]
步骤s2：将集合x中的每个储油罐检测框按照置信度进行降序排序；
[0057]
步骤s3：获取集合x中置信度最大的储油罐检测框，放入集合y中，将该储油罐检测框从集合x中删除；
[0058]
步骤s4：逐一计算置信度最大的储油罐检测框与集合x的其它储油罐检测框的交并比值(iou)，如果交并比值大于预设的阈值，则从集合x中删除置信度小的储油罐检测框；
[0059]
步骤s5：判断集合x是否为空集，若为否，则转入步骤s2；否则，进入步骤s6；
[0060]
步骤s6：将集合y中的所有储油罐预测框放入第二储油罐预测框集合。
[0061]
步骤104：获取第二储油罐预测框集合中的每个储油罐预测框的宽高以及宽高比，当一个储油罐预测框的宽高达不到预设的宽高阈值或宽高比不在预设的区间，从第二储油罐预测框集合中去除该储油罐预测框，得到第三储油罐预测框集合；
[0062]
相对大尺寸的遥感影像，储油罐属于小目标，但是小目标也有像素可视化的范围，设置最小的宽高像素为10个像素。获取第二储油罐检测结果中的每个预测框bbox的宽和高，与设置的最小的宽高进行比较，则去除该预测框。
[0063]
由于检测算法输出矩形框，而储油罐属于圆形目标，因此可以通过控制输出矩形框的宽高比过滤过检的目标。设置最小的宽高比为0.5，最大的宽高比为2，在[0.5,2]区间内的宽高比的预测框bbox满足要求，否则去除该预测框。
[0064]
步骤105：从第三储油罐预测框集合中检测出被大储油罐预测框包围的小储油罐预测框并进行去除，得到最终的储油罐检测结果；
[0065]
在检测的过程中，会出现两个储油罐的检测bbox，一个bbox完全包围了油罐，另一个bbox只包围了同一油罐的一部分，在这种情况下，通过iou阈值不会抑制重复的bbox，但是通过iof算法可以过滤掉。
[0066]
本实施例中，该步骤包括：
[0067]
对第三储油罐预测框集合的所有储油罐预测框的面积从大到小排序，得到area[1],area[2]
…
area[n]，其中，n为第三储油罐检测结果中储油罐预测框的个数；area[1]为储油罐预测框的面积的最大值，area[n]为储油罐预测框的面积的最小值；
[0068]
计算第i个储油罐预测框和第j个储油罐预测框的iof
(i,j)
：
[0069][0070]
其中，i＝1,
…
n；j＝1,
…
n；
[0071]
判断iof
(i,j)
中是否大于预设的阈值，若为是，获取i和j中大的对应的储油罐预测框，从第三储油罐预测框集合中去除该储油罐预测框，得到最终的储油罐检测结果。
[0072]
目标检测中常用map指标来衡量目标检测的精度。map指的是在不同的召回率下计算的平均准确率。其中准确率(precision)和召回率(recall)来衡量算法精度。
[0073]
混淆矩阵是精度评价的一种标准格式，如表1所示：
[0074]
表1混淆矩阵
[0075][0076]
true、false的分类标准是iou。
[0077]
positive、negative的分类标准是置信度阈值。
[0078]
precision＝tp/(tp fp)表示预测正确的正样本占预测为正样本的比例，recall＝tp/(tp fn)表示预测正确的正样本占实际为正样本的比例。
[0079]
如表2所示，处理前是只使用了yolov5模型的检测结果，处理后为本技术的方法得到的检测结果：
[0080]
表2：储油罐检测指标比较
[0081]
影像precisionrecallap处理前0.8240.8650.893处理后0.9240.8510.899
[0082]
可以看出，处理后影像的准确率提高了接近10个百分点，召回率降低了1个百分点，但是整体的检测精度ap是有所提高，即本技术的储油罐检测的准确率有显著提高。
[0083]
基于上述实施例，本技术实施例提供了种基于遥感影像的储油罐检测装置，参阅图3所示，本技术实施例提供的基于遥感影像的储油罐检测装置200至少包括：
[0084]
获取单元201，用于获取目标区域的遥感影像；
[0085]
检测单元202，用于利用预先训练完成的yolov5模型对遥感影像进行处理，得到第一储油罐预测框集合；
[0086]
第一过滤单元203，用于利用非极大值抑制对第一储油罐预测框集合进行过滤处理，得到第二储油罐预测框集合；
[0087]
第二过滤单元204，用于获取第二储油罐预测框集合中的每个储油罐预测框的宽高以及宽高比，当一个储油罐预测框的宽高达不到预设的宽高阈值或宽高比不在预设的区间，从第二储油罐预测框集合中去除该储油罐预测框，得到第三储油罐预测框集合；
[0088]
第三过滤单元205，用于从第三储油罐预测框集合中检测出被大储油罐预测框包
围的小储油罐预测框并进行去除，得到最终的储油罐检测结果。
[0089]
需要说明的是，本技术实施例提供的基于遥感影像的储油罐检测装置200解决技术问题的原理与本技术实施例提供的基于遥感影像的储油罐检测方法相似，因此，本技术实施例提供的基于遥感影像的储油罐检测装置200的实施可以参见本技术实施例提供的基于遥感影像的储油罐检测方法的实施，重复之处不再赘述。
[0090]
如图4所示，本技术实施例提供的电子设备300至少包括：处理器301、存储器302和存储在存储器302上并可在处理器301上运行的计算机程序，处理器301执行计算机程序时实现本技术实施例提供的基于遥感影像的储油罐检测方法。
[0091]
本技术实施例提供的电子设备300还可以包括连接不同组件(包括处理器301和存储器302)的总线303。其中，总线303表示几类总线结构中的一种或多种，包括存储器总线、外围总线、局域总线等。
[0092]
存储器302可以包括易失性存储器形式的可读介质，例如随机存储器(random access memory，ram)3021和/或高速缓存存储器3022，还可以进一步包括只读存储器(read only memory，rom)3023。
[0093]
存储器302还可以包括具有一组(至少一个)程序模块3025的程序工具3024，程序模块3025包括但不限于：操作子系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
[0094]
电子设备300也可以与一个或多个外部设备304(例如键盘、遥控器等)通信，还可以与一个或者多个使得用户能与电子设备300交互的设备通信(例如手机、电脑等)，和/或，与使得电子设备300与一个或多个其它电子设备300进行通信的任何设备(例如路由器、调制解调器等)通信。这种通信可以通过输入/输出(input/output，i/o)接口305进行。并且，电子设备300还可以通过网络适配器306与一个或者多个网络(例如局域网(local area network，lan)，广域网(wide area network，wan)和/或公共网络，例如因特网)通信。如图4所示，网络适配器306通过总线303与电子设备300的其它模块通信。应当理解，尽管图4中未示出，可以结合电子设备300使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列(redundant arrays of independent disks，raid)子系统、磁带驱动器以及数据备份存储子系统等。
[0095]
需要说明的是，图4所示的电子设备300仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
[0096]
本技术实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机指令，该计算机指令被处理器执行时实现本技术实施例提供的基于遥感影像的储油罐检测方法。
[0097]
此外，尽管在附图中以特定顺序描述了本技术方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
[0098]
尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改。
[0099]
最后应说明的是：以上各实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述各实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的范围。