基于改进的Faster R-CNN污水处理厂目标提取
郝志航1
张小咏1
陈正超2
卢凯旋2
1.北京信息科技大学 高动态导航技术北京市重点实验室,北京 1001012.中国科学院 空天信息创新研究院,北京 100094
摘要：目的 为解决传统污水处理厂检测耗时耗力,很难满足大范围、高频次污水处理厂监测的问题,方法 选取国产高分二号卫星影像(GF-2)数据作为样本制作来源,选择京津冀地区作为研究区域,以深度学习技术作为基础,提出一种面向污水处理厂目标提取的自适应可变形卷积网络(adaptive deformable convolution network,ADCN).结果 消融实验结果表明,随着卷积神经网络深度逐步递增,模型精确度和召回率均有所提高;通过特征金字塔融合的多尺度特征,有效弥补了小目标漏检的缺陷,ADCN在以上基础上增加的可变形卷积和可变形区域池化,在提高精度的同时,可明显改善边框的回归精度,ADCN在精度为 85%的前提下,召回率达到95.1%;对比实验表明,相比于SSD,YOLO,Retinanet,Faster R-CNN算法,ADCN的mAP精度最高,达 95.32%,同时该算法在大、中、小三种尺度的污水处理厂提取的结果中表现优异;通过ADCN对京津冀地区的污水处理厂进行提取,共提取京津冀地区污水处理厂152个,其中北京15个、天津26个,河北111个,人工对比后误检为17个,检出率为92.68%.结论 通过结合深度学习技术和遥感影像数据,可以大范围、快速提取污水处理厂目标,有效解决传统污水处理厂检测耗时问题,提高对污水处理厂的管理和监控.
关键词：深度学习目标检测污水处理厂目标提取京津冀地区可变形卷积
分类号：TP753(遥感技术)
资助基金：国家自然科学基金(41871348)国家科技重大专项(03-Y30F03-9001-20/22)
论文发表日期：2024-02-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：10( 68-77 )
英文信息