一种风力发电设施遥感智能提取方法技术

本发明专利技术公开了一种风力发电设施遥感智能提取方法，所述提取方法包括如下步骤，S1、在一个百万分幅2米分辨率的遥感影像中，使用能够框住风力发电设施目标的矩形方框作为标记信息将遥感影像内的所有目标进行标记，将所有目标及其对应的遥感数据打包为真实样本训练集GTSet，将其中一部分目标及其对应的遥感数据另外打包为风力发电设施目标检测的初始训练样本集TRSet；S2、应用初始训练样本集TRSet执行Faster R‑CNN风力发电设施目标训练并推演，获取风力发电设施目标初步提取结果集RESet；等步骤。优点是：针对大范围内遥感数据中复杂背景和干扰因素具有较强鲁邦性，可以精准地识别遥感影像中多类场景下的风力发电设施，并取得较高的检测精度。

【技术实现步骤摘要】
一种风力发电设施遥感智能提取方法
本专利技术涉及遥感影像风力发电设施目标检测领域，尤其涉及一种风力发电设施遥感智能提取方法。
技术介绍
对于风力发电系统，及时获得风力发电设施在空间中的数量和空间分布具有重要意义。利用遥感数据覆盖面广、及时更新等优势，基于遥感数据的风力发电设施提取成为近几年遥感目标检测领域的研究热点。传统的目标检测算法主要是基于手工设计目标特征实现目标识别，以信息区域选择、特征提取、目标分类为主要思路，典型的算法有Viola-Jones、HOG+SVM、DPM等；基于深度学习的目标检测算法不需要依赖人工自主设计特征即可获取较高的目标检测精度，典型的算法有基于回归与分类同步进行的YOLO系列算法、SSD系列算法和基于区域建议框两步检测的R-CNN、SPP-net、FastR-CNN、FasterR-CNN、R-FCN、FPN、MaskR-CNN等算法。随着众多目标检测算法在遥感领域的成功应用，遥感目标识别不论是从检测精度还是检测速度均取得了长足的发展。然而，由于遥感数据覆盖范围广阔且位于其中的风力发电设施目标较小，所以在进行风机目标识别时，特征目标容易受到冗余和干扰信息的影响，同谱异物和同物异谱现象明显，从而加大了大范围遥感影像风力发电设施提取的难度。目前常用的目标检测算法均以大量训练样本作为支撑，在一个百万分幅范围内2米分辨率的遥感影像中使用FasterR-CNN风力发电设施检测，也只能达到30％左右的识别精度。因此针对大范围遥感影像上风力发电设施的目标检测，需要更加有效的检测算法。<br>
技术实现思路
本专利技术的目的在于提供一种风力发电设施遥感智能提取方法，从而解决现有技术中存在的前述问题。为了实现上述目的，本专利技术采用的技术方案如下：一种风力发电设施遥感智能提取方法，所述提取方法包括如下步骤，S1、在一个百万分幅2米分辨率的遥感影像中，使用能够框住风力发电设施目标的矩形方框作为标记信息将遥感影像内的所有目标进行标记，将所有目标及其对应的遥感数据打包为真实样本训练集GTSet，将其中一部分目标及其对应的遥感数据另外打包为风力发电设施目标检测的初始训练样本集TRSet；S2、应用初始训练样本集TRSet执行FasterR-CNN风力发电设施目标训练并推演，获取风力发电设施目标初步提取结果集RESet；S3、将结果集RESet与初始训练样本集TRSet一起输入正负样本判别分类网络PNSampleNet，对结果集RESet和初始训练样本集TRSet进行相似度计算，并依据相似度判定阈值σ进行二次分类判别，获取风力发电设施正负样本集TFTRSet，同时计算正样本与总体真实目标之间的精度比η；S4、将风力发电设施的正负样本集TFTRSet以多类别的形式再次执行步骤S2，令FasterR-CNN学习与风力发电设施相似的伪目标信息，得到含有伪目标信息的结果并更新结果集RESet，得到更新后结果集RESet’；S5、将更新后结果集RESet’再次输入到正负样本判别分类网络PNSampleNet中，并将得到的结果以更新风力发电设施的正负样本集TFTRSet，得到更新后风力发电设施正负样本集TFTRSet’；S6、迭代执行步骤S2-步骤S5，直至正样本与总体真实目标之间的精度比η大于或等于设定阈值ε，结束迭代训练，得到基于FasterR-CNN的风电设施目标检测模型MD和基于PNSampleNet二次分类模型MC；S7、利用风电设施目标检测模型MD和基于PNSampleNet二次分类模型MC，对待检测遥感影像实施风力发电设施目标提取的推演过程，将提取结果空间矢量化，得到与遥感影像坐标系一致的风力发电设施目标矢量结果。优选的，所述遥感影像以RGB波段组合的真彩色模式。优选的，所述真实样本训练集GTSet和所述初始训练样本集TRSet中的遥感影像大小为800pi*800pi。优选的，所述初始训练样本集TRSet占所述真实样本训练集GTSet的最低比例不小于5％。优选的，所述正负样本判别分类网络PNSampleNet为基于深度学习的分类网络，包括若干个卷积池化层对训练样本进行特征提取，并依据与正样本特征之间的交叉熵作为相似度评价，交叉熵方程为，其中，R(xi)为结果集RESet的特征向量，T(xi)为初始训练样本集TRSet的特征向量，n为向量的维度，相似度判别公式为，其中，ST为风机目标正例样本，SF为风机目标负例样本，SH为结果集RESet与初始训练样本集TRSet的交叉熵，σ为相似度判定阈值。优选的，正样本与总体真实目标之间的精度比η的计算公式为，其中，为风机目标正例样本的个数，训练区域内所有正例风机样本的个数。优选的，步骤S4具体为，将负样本作为新增加类别标签联合正样本一起训练，使得FasterR-CNN可以学习易混淆的伪目标特征，以得到含有伪目标结果的结果并更新结果集RESet，得到更新后结果集RESet’；其中类别标签变化如下。优选的，更新结果集RESet具体为，将发现新的风力发电设施或者伪风机设施扩展至原结果集RESet，不覆盖结果集RESet中已存在的相同目标。优选的，对待检测遥感影像实施风力发电设施目标提取的推演过程的时候，先使用风电设施目标检测模型MD进行初步检测，再利用基于PNSampleNet二次分类模型MC进行二次分类过滤，优化检测结果。优选的，步骤S7中，将得到的与遥感影像坐标系一致的风力发电设施目标矢量结果以ESRIShapefile(.shp)文件格式保存。本专利技术的有益效果是：1、本专利技术提供的提取方法针对全国范围内遥感数据中的各类干扰因素具有较强鲁棒性，可以精准地识别遥感影像中多类场景(草地、戈壁、山地、海域等)的风力发电设施，从而获得较高的精度和召回率。2、本专利技术初始训练只需要少量目标样本，即可得到高精度的风力发电设施检测结果。3、本专利技术采用迭代式机制实现目标检测精度的自我更新及最优化训练，从处理流程提高目标检测的识别精度。4、由于本专利技术扩展分类鉴别网络，可以自动扩展除目标样本之外伪目标样本信息，从而提高FasterR-CNN在单类目标识别能力，不仅可识别目标，也可区分容易混淆的伪目标，应对遥感数据中复杂场景及多类干扰因素具有较强鲁棒性。5、本专利技术为遥感影像单类目标检测具体实施提供较为可靠的参考模式。附图说明图1是本专利技术实施例中提取方法的流程示意图；图2是本专利技术实施例中使用模型训练的空间范围内遥感数据及相应的样本信息示意图；图3是本专利技术实施例中第一次经过目标检测后的结果示意图；图4是本专利技术实施例中的正负样本判别分类网络PNSampleNet特征提取网络示意图；图5是本专利技术实施例中的迭代一次的风力发电设施目标检测结果展示示意图；图6是本专利技术实施例中利用遥感影像及检测风力发电设施成果示意图。具体实施方式...

【技术保护点】
1.一种风力发电设施遥感智能提取方法，其特征在于：所述提取方法包括如下步骤，/nS1、在一个百万分幅2米分辨率的遥感影像中，使用能够框住风力发电设施目标的矩形方框作为标记信息将遥感影像内的所有目标进行标记，将所有目标及其对应的遥感数据打包为真实样本训练集GTSet，将其中一部分目标及其对应的遥感数据另外打包为风力发电设施目标检测的初始训练样本集TRSet；/nS2、应用初始训练样本集TRSet执行Faster R-CNN风力发电设施目标训练并推演，获取风力发电设施目标初步提取结果集RESet；/nS3、将结果集RESet与初始训练样本集TRSet一起输入正负样本判别分类网络PNSampleNet，对结果集RESet和初始训练样本集TRSet进行相似度计算，并依据相似度判定阈值σ进行二次分类判别，获取风力发电设施正负样本集TFTRSet，同时计算正样本与总体真实目标之间的精度比η；/nS4、将风力发电设施的正负样本集TFTRSet以多类别的形式再次执行步骤S2，令FasterR-CNN学习与风力发电设施相似的伪目标信息，得到含有伪目标信息的结果并更新结果集RESet，得到更新后结果集RESet’；/nS5、将更新后结果集RESet’再次输入到正负样本判别分类网络PNSampleNet中，并将得到的结果以更新风力发电设施的正负样本集TFTRSet，得到更新后风力发电设施正负样本集TFTRSet’；/nS6、迭代执行步骤S2-步骤S5，直至正样本与总体真实目标之间的精度比η大于或等于设定阈值ε，结束迭代训练，得到基于Faster R-CNN的风电设施目标检测模型M...

【技术特征摘要】
1.一种风力发电设施遥感智能提取方法，其特征在于：所述提取方法包括如下步骤，
S1、在一个百万分幅2米分辨率的遥感影像中，使用能够框住风力发电设施目标的矩形方框作为标记信息将遥感影像内的所有目标进行标记，将所有目标及其对应的遥感数据打包为真实样本训练集GTSet，将其中一部分目标及其对应的遥感数据另外打包为风力发电设施目标检测的初始训练样本集TRSet；
S2、应用初始训练样本集TRSet执行FasterR-CNN风力发电设施目标训练并推演，获取风力发电设施目标初步提取结果集RESet；
S3、将结果集RESet与初始训练样本集TRSet一起输入正负样本判别分类网络PNSampleNet，对结果集RESet和初始训练样本集TRSet进行相似度计算，并依据相似度判定阈值σ进行二次分类判别，获取风力发电设施正负样本集TFTRSet，同时计算正样本与总体真实目标之间的精度比η；
S4、将风力发电设施的正负样本集TFTRSet以多类别的形式再次执行步骤S2，令FasterR-CNN学习与风力发电设施相似的伪目标信息，得到含有伪目标信息的结果并更新结果集RESet，得到更新后结果集RESet’；
S5、将更新后结果集RESet’再次输入到正负样本判别分类网络PNSampleNet中，并将得到的结果以更新风力发电设施的正负样本集TFTRSet，得到更新后风力发电设施正负样本集TFTRSet’；
S6、迭代执行步骤S2-步骤S5，直至正样本与总体真实目标之间的精度比η大于或等于设定阈值ε，结束迭代训练，得到基于FasterR-CNN的风电设施目标检测模型MD和基于PNSampleNet二次分类模型MC；
S7、利用风电设施目标检测模型MD和基于PNSampleNet二次分类模型MC，对待检测遥感影像实施风力发电设施目标提取的推演过程，将提取结果空间矢量化，得到与遥感影像坐标系一致的风力发电设施目标矢量结果。


2.根据权利要求1所述的风力发电设施遥感智能提取方法，其特征在于：所述遥感影像以RGB波段组合的真彩色模式。


3.根据权利要求2所述的风力发电设施遥感智能提取方法，其特征在于：所述真实样本训练集GTSet和所述初始训练样本集TRSet中的遥感影像大小为800pi*800pi。


4.根据权利要求3所...

【专利技术属性】
技术研发人员：张伟，齐建伟，王光辉，张涛，王界，刘宇，王更，郑书磊，韩杰，
申请(专利权)人：自然资源部国土卫星遥感应用中心，
类型：发明
国别省市：北京;11