基于深度学习的固体废物无人机遥感识别方法研究
文献类型：学位论文
| 作者 | 杨洁 |
| 答辩日期 | 2023-06 |
| 文献子类 | 学术型学位 |
| 授予单位 | 中国科学院大学 |
| 授予地点 | 中国科学院地理科学与资源研究所 |
| 导师 | 黄耀欢 |
| 关键词 | 固体废物 无人机遥感 深度学习 卷积神经网络 遥感识别 |
| 学位名称 | 硕士 |
| 学位专业 | 地图学与地理信息系统 |
| 英文摘要 | 固体废物是伴随着人类生产、生活过程中产生的丧失原有利用价值的固态废弃物体，对大气、土壤、水源以及人类居住环境的卫生安全具有一定的危害性。随着人类社会城市化进程的推进，人类高强度的生成、生活活动加速了固体废物的产生，固体废物随处堆放的问题日益突出，固体废物污染也逐渐成为世界性的环境保护问题之一。为响应中共中央、国务院《关于全面加强生态环境保护 坚决打好污染防治攻坚战的意见》中明确提出的强化固体废物污染防治要求，深入推进长江经济带、黄河流域固体废物大排查活动，生态环境部于2018年起连续5年分别开展了对长江经济带和黄河流域的“清废行动”。 固体废物排查是落实流域经济带生态环境排查整治的基础性工作，也是从源头监测以减少固体废物污染的有效方法。近年来，无人机遥感技术为固体废物排查工作提供了高精度的遥感影像数据，然而现有研究大多聚焦于采用人工目视解译结合实地调查验证的方法识别固体废物，需要耗费大量人力物力构建解译标志同时自动化程度低。为了克服现有方法的局限，充分利用无人机遥感影像的精细空间信息、进一步提高固体废物无人机遥感识别效率，本研究从图像目标检测、实例分割的角度出发，采用深度卷积神经网络模型开展固体废物检测，并根据固体废物对象的特征优化模型参数。主要的研究内容和成果如下： （1）针对遥感图像目标检测领域内固体废物数据集的空缺，基于无人机遥感影像、高分系列卫星（GF-1/2/6 PMS）及北京二号卫星（BJ-2）多光谱影像人工目视解译得到固体废物样本矢量数据，使用样本矢量对影像数据进行切片划分生成不同大小的切片影像，使用代码对应切片图像和固体废物目标矢量生成通用COCO（Microsoft Common Objects in Context）格式固体废物实例分割样本数据集，包括0.1米级的无人机固体废物样本数据集和十米级的多光谱固体废物样本数据集。 （2）引入深度卷积神经网络目标检测的思想，采用Mask R-CNN模型构建固体废物检测框架，分别对0.1米级的无人机固体废物样本数据集和十米级的多光谱固体废物样本数据集进行固体废物检测，验证高空间分辨率的无人机影像对于深度学习固体废物检测模型的优势；从特征提取网络、目标区域建议网络以及得到兴趣区域后非极大值抑制处理三个角度出发，结合固体废物对象本身在样本数据中的尺寸、面积、长宽比等特征，优化基础固体废物检测模型的参数，并从中选出固体废物检测结果精度最高的模型参数组合，相对基础模型63.04%的平均精度，优化后模型的平均精度为67.14%。 （3）结合分类混淆矩阵和遥感影像特征分析优化后固体废物检测模型对工业固废、生活垃圾、建筑垃圾三种固体废物对象的检测性能，与通过人工目视解译方法构建的不同类型固体废物判别标志相对比，同时利用基于夜间灯光影像提取的城郊乡数据统计并分析不同类型固体废物在不同居住区域的分布特征。综合以上分析对比结果，考虑计算机视觉领域（Computer Vision，CV）图像目标检测、实例分割的基本原理和实际应用需求，重构基于CV的固体废物分类规则，并使用优化后固体废物检测模型对重构的固体废物数据集进行检测。相对基准模型在原始数据集上的检测结果，优化后模型在重构数据集上的平均精度达到81.08%，平均召回率为88.3%。 研究表明，高空间分辨率的无人机遥感影像数据相对于米级GF-1/2/6 PMS、BJ-2多光谱遥感影像数据能提供更多的固体废物结构特征和背景地物空间信息供深度学习网络模型学习和训练，获得更精确的检测结果；针对固体废物等非典型目标的深度学习目标检测，结合样本数据本身的特征优化深度学习识别模型参数，可以调整基础模型基于COCO、PASCAL VOC等经典目标检测数据集预设的模型网络参数，从而有效提高模型对于固体废物的检测性能；适用于深度卷积神经网络模型的固体废物分类体系需要从图像本身特征出发，对比人工目视解译从社会经济要素角度出发构建的固体废物判别标志，并结合不同类型固体废物分布与人类活动强度的关系，重构固体废物样本数据集，从而减少基础模型分类混淆的现象。 |
| 语种 | 中文 |
| 页码 | 91 |
| 源URL | [http://ir.igsnrr.ac.cn/handle/311030/199728]  |
| 专题 | 地理科学与资源研究所_研究生部 |
| 推荐引用方式 GB/T 7714 | 杨洁. 基于深度学习的固体废物无人机遥感识别方法研究[D]. 中国科学院地理科学与资源研究所. 中国科学院大学. 2023. |
入库方式： OAI收割
来源：地理科学与资源研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。