[发明专利]一种风力发电设施遥感智能提取方法

说明书

本发明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、在一个百万分幅的2米分辨率遥感影像区域内，使用风力发电设施目标的最小外接矩形方框作为标记信息，对遥感影像内的所有目标进行标记，并将所有目标的标记信息及其对应的遥感数据打包为真实样本训练集GTSet，随机在其中选择一部分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风力发电设施目标识别模型训练并进行推演预测，进而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棒性，可以精准地识别遥感影像中多类场景下的风力发电设施，取得较高的检测精度。

技术领域

本发明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。

背景技术

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、Fast R-CNN、Faster R-CNN、R-FCN、FPN、Mask R-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。

发明内容

本发明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，本发明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、在一个百万分幅的2米分辨率遥感影像区域内，使用风力发电设施目标的最小外接矩形方框作为标记信息，对遥感影像内的所有目标进行标记，并将所有目标的标记信息及其对应的遥感数据打包为真实样本训练集GTSet，随机在其中选择一部分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风力发电设施目标识别模型训练并进行推演预测，进而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Faster R-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’；