基于改进的Faster R-CNN污水处理厂目标提取

作     者：郝志航 张小咏 陈正超 卢凯旋 HAO Zhihang;ZHANG Xiaoyong;CHEN Zhengchao;LU Kaixuan

作者机构：北京信息科技大学高动态导航技术北京市重点实验室北京100101 中国科学院空天信息创新研究院北京100094 

出 版 物：《河南理工大学学报（自然科学版）》 (Journal of Henan Polytechnic University（Natural Science）)

年 卷 期：2024年第43卷第1期

页      面：68-77页

学科分类：0810[工学-信息与通信工程] 08[工学] 081002[工学-信号与信息处理] 

基　　金：国家自然科学基金资助项目(41871348) 国家科技重大专项项目(03-Y30F03-9001-20/22) 

主　　题：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 

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。