论文部分内容阅读
城市化进程的加快导致固废随处堆放的问题日益突出,因此对城市固废进行快速检测的需求也愈发强烈。现有研究大多聚焦于采用人工目视解译和影像监督分类的方法识别大型垃圾场,然而这些方法面临自动化程度低、很难建立判别标志、难以检测出小面积露天固废堆等问题。为了克服现有方法的局限,本文从图像目标检测的角度,引入传统机器学习方法和区域卷积神经网络(Region-based convolutional neural networks,RCNN)模型开展固废检测,并针对基础的Faster R-CNN模型样本信息不足的问题,提出了基于样本合成的卷积神经固废检测框架(Sample composition based Faster R-CNN,SC Faster R-CNN)。主要的研究内容和成果如下:(1)基于传统机器学习的固废检测。引入传统机器学习目标检测思想,实现了基于选择性搜索(Selective Search,SS)、局部二值模式(Local Binary Pattern,LBP)、尺度不变特征变换(Scale Invariant Feature Transform,SIFT)、梯度方向直方图(Histogram of Oriented Gradient,HOG)、支持向量机(Support Vector Machine,SVM)人工特征提取的固废检测,通过对比实验表明了 SS+LBP+SVM方法在检测精度和检测效率上的优越性。将SS+LBP+SVM方法应用于2个较大区域范围遥感影像,准确率和召回率均低于40%,说明该方法暂时无法满足实际工程的需求。(2)基于样本合成的卷积神经网络的固废检测。引入卷积神经网络目标检测思想,针对现有模型样本信息输入不足的问题,提出了基于样本合成的卷积神经固废检测框架——SC Faster R-CNN。实现 了基于 R-CNN、Fast R-CNN、Faster R-CNN、SC Faster R-CNN的固废检测,通过对比实验展示了 SC Faster R-CNN模型在检测精度和检测效率上的绝对优势。SC Faster R-CNN较传统的机器学习方法在检测精度和检测效率上都有明显提升。在2个较大区域范围的应用中,,准确率分别为96.29%、77.45%,召回率分别为98.11%、92.94%,总检测时间分别为356s、287s。由此说明了卷积神经网络模型主动学习的特征比人工设计的特征更适合表达固废样本,而样本合成方法能够有效的抑制错检和漏检现象。