(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211175223.2 (22)申请日 2022.09.26 (71)申请人 河北省科 学院地理科 学研究所 地址 050011 河北省石家庄市长安区西大 街94号 (72)发明人 郝庆涛　孙雷刚　鲁军景　左璐　 刘剑锋　张胜海　马晓倩　黄亚云　 (74)专利代理 机构 北京德崇智捷知识产权代理 有限公司 1 1467 专利代理师 郜彦茹 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/10(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于遥感影像的地表目标地物检测方 法 (57)摘要 本发明公开了一种基于遥感影像的地表目 标地物检测方法， 包括： 对遥感影像进行预处理； 对预处理后的遥感影像进行切片， 得到影像切片 集合； 进行样本挑选、 数据增强、 标注等， 构建遥 感影像目标检测样本集； 提出一种用于遥感影像 的YOLOv3‑RSI目标检测模型； 利用构建的样本集 对模型进行训练， 得到训练好的模型； 利用训练 好的模型对待检测遥感影像进行目标检测； 对检 测结果进行后处理， 得到矢量化的检测结果。 该 方法提高了对遥感影像复杂场景的理解能力和 小目标的识别 能力， 能够快速地从大批量、 大范 围遥感影像中检测出感兴趣的目标地物， 并生成 矢量化的检测结果， 为基于遥感影像快速、 准确 和智能化的信息提取提供了手段， 操作简单， 易 于在大尺度范围推广应用。 权利要求书4页 说明书11页 附图5页 CN 115457396 A 2022.12.09 CN 115457396 A 1.一种基于 遥感影像的地表目标地物检测方法， 其特 征在于， 包括以下步骤： S1， 对原始遥感影像进行预处理， 得到像元值为地物真实反射率的多光谱遥感影像结 果图； S2， 针对步骤S1所得遥感影像结果 图， 将遥感影像结果图按照预定尺寸进行规则化切 片以得到遥感影像切片， 同时使遥感影像切片分别在水平方向和垂 直方向保持至少部 分重 叠， 以保持目标地物的完整性， 得到规则化的遥感影 像切片集 合； S3， 针对步骤S2中得到的规则化的遥感影像切片集合， 筛选出包含目标地物的遥感影 像切片， 得到目标地物样本集 合； S4， 针对步骤S3中得到的目标地物样本集 合中的遥感影 像切片进行以下操作： S4‑1， 对每个遥感影像切片分别进行旋转数据增强处理与镜像数据增强处理中的一种 或两种， 将处理后的遥感影像切片加入到目标地物样本集合中， 得到增强后的增强目标地 物样本集 合； S4‑2， 数据增强处理是指通过对图像进行翻转、 裁剪、 变换、 加噪声处理中的一种或多 种， 以增加样本的数量和多样性， 进 而增强模型的泛化能力； S4‑3， 对增强目标地物样本集合中的每个遥感影像切片进行样本标注， 将其中包含的 目标地物的轮廓用矩形框标注出来， 将矩形框的坐标和目标地物的类别保存到文件中以得 到遥感影像切片对应的样本标注集 合； S5， 针对步骤S4得到样本标注集合， 根据随机原则， 按照预先设定的比例， 划分成训练 集、 验证集和 测试集三部分， 得到 遥感影像目标检测样本集； S6， 构建用于遥感影像目标地物的YOLOv3 ‑RSI目标检测模型， 该模型在YOLOv3 目标检 测模型的基础上添加用于对遥感影像切片所有波段进 行特征提取且可扩展的CNN模块和用 于对提取 得到的特 征图的空间维与通道维的语义相关性进行建模的双重注意力模块； S7， 针对步骤S5得到的遥感影像目标检测样本集和步骤S6构建的YOLOv3 ‑RSI目标检测 模型进行训练， 训练过程包括以下操作： S7‑1， 对CNN模块进行 预训练； 首先修改YOLOv3 ‑RSI目标检测模型的网络结构， 屏蔽YOLOv3 ‑RSI目标检测模型的 Darknet‑53模块， 将CNN模块提取的特征经双重注 意力模块处理后输入到分类回归网络中； 然后对YOLOv3‑RSI目标检测模 型的参数进行随机初始 化， 接着用步骤S5得到的遥感影像目 标检测样本集对YOLOv3 ‑RSI目标检测模型进行训练， 得到预训练的CN N模块； S7‑2， 对YOLOv3 ‑RSI模型进行整体训练； 首先修改YOLOv3 ‑RSI模型的网络结构， 放开YOLOv3 ‑RSI目标检测模型的Darknet ‑53模 块， 将Darknet ‑53模块和CNN模块提取的特征进行连接并经双重注意力模块处理后再输入 到分类回归网络中， 然后对模型的参数进行初始化， Darknet ‑53模块加载自然场景图像数 据集上迁移学习的参数， CNN模块加载步骤S7 ‑1中预训练的参数； 接着用步骤S5得到的遥感 影像目标检测样 本集对YOLOv3 ‑RSI目标检测模型进行训练， 得到训练好的YOLOv3 ‑RSI目标 检测模型； S7‑3， 利用步骤S5得到的遥感影像目标检测样本集 中的测试集对训练好的YOLOv3 ‑RSI 目标检测模型进行精度验证， 采用目标检测领域的统计学指标： 精确度P、 召回率R、 调和平 均数F， 对YOLOv3 ‑RSI目标检测模型的精度进行评价， 当模型精度满足实际应用需求时，权　利　要　求　书 1/4 页 2 CN 115457396 A 2YOLOv3‑RSI目标检测模 型训练完成； 否则， 采 取包括增加样 本量、 提高样 本集的多样性以及 增加训练迭代次数中的一种或多种措施进行重新训练， 直到YOLOv3 ‑RSI目标检测模型精度 满足要求， 得到最终训练好的YOLOv3 ‑RSI目标检测模型； S8， 按照步骤S1将待检测遥感影像进行预处理， 得到像元值为地物真实反射率的待检 测的多光谱遥感影 像结果图； S9， 按照步骤S2将待检测的多光谱遥感影像结果图进行规则化切片， 得到规则化切片 的遥感影 像切片集 合； S10， 将步骤S9得到的遥感影像切片集合中的遥感影像切片依次输入到步骤S7中训练 好的YOLOv3 ‑RSI目标检测模型， 得到每个遥感影像切片对应的目标检测结果， 包括可视化 的检测结果示意图以及结果描述表， 其中， 结果描述表记录了每个遥感影像切片 中所有目 标地物检测框的坐标、 判别类别以及置信度； S11， 针对步骤S10得到的检测结果， 通过设置筛选条件， 保留存在目标地物的检测结 果； S12， 针对步骤S11筛选得到的目标地物的检测结果， 将目标地物的检测结果矢量化， 过 程包括以下操作： S12‑1， 创建矢量图层， 包括创建图层、 设置坐标系 、 添加字段中的一种或多种； S12‑2， 针对步骤S11筛选得到的检测结果， 对检测结果中的检测框通过设置置信度阈 值进行筛 选； 将筛选得到的检测框的相对坐标转换为真实地理坐标； S12‑3， 针对步骤S12 ‑2坐标转换后的检测框， 为每个转换后的检测框创建一个矢量要 素， 并将创建的要素 添加到步骤S12 ‑1中创建的矢量图层中； S12‑4， 对矢量图层中要素的属性信息进行维护： 将每个检测框的目标地物的判别类别 以及置信度赋值到对应的矢量图层的相应字段中； S13， 将步骤S8中预处理后的遥感影像结果图与步骤S12得到的矢量图层叠加显示， 得 到遥感影像目标检测结果 示意图。 2.如权利要求1所述的一种基于遥感影像的地表目标地物检测方法， 其特征在于， 步骤 S5还包括针对遥感影像切片集合进行筛选、 数据增强和标注处理中的一种或多种， 得到遥 感影像目标检测样本集。 3.如权利要求1所述的一种基于遥感影像的地表目标地物检测方法， 其特征在于， 步骤 S6中的用于对遥感影 像所有波段进行 特征提取的可扩展的CN N模块结构为： (1)输入为多光谱遥感影 像的多维矩阵； (2)中间层包括2个卷积核尺寸为3*3， 步长为1*1， 深度为64的卷积层， 1个尺寸为2*2的 最大池化层； 2个卷积核尺寸为3*3， 步长为1*1， 深度为128的卷积层， 1个尺寸为2*2的最大 池化层； 3个卷积核尺寸为3*3， 步长为1*1， 深度为256的卷积层， 1个尺寸为2*2的最大池化 层； 3个卷积核尺寸为3*3， 步长为1*1， 深度为512的卷积层， 1个尺寸为2*2的最大池化层； 3 个卷积核尺寸 为3*3， 步长为1*1， 深度为1024的卷积层， 1个尺寸 为2*2的最大池化层； (3)输出为输入影 像8倍、 16倍和32倍下采样的三种尺度的特 征图。 4.如权利要求1所述的一种基于遥感影像的地表目标地物检测方法， 其特征在于， 步骤 S6中的用于对特 征图的空间维和通道维的语义相关性进行建模的双重注意力模块特 征为： (1)将提取的特征图分别输入空间注意力模块和通道注意力模块， 通过自注意力机制权　利　要　求　书 2/4 页 3 CN 115457396 A 3