(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211109160.0 (22)申请日 2022.09.13 (71)申请人 国网江苏省电力有限公司无锡供电 分公司 地址 214000 江苏省无锡市梁 溪区梁溪路 12号 申请人 航天宏图信息技 术股份有限公司 (72)发明人 苏晓　丁争　陈峻宇　申若飞　 张卓成　张明晖　李浪　许华栋　 白万崧　王德新　杨光兴　李毅　 朱立夫　周兵　刘鸿燕　康晓　 段丁丁　王成港　程锐　牛帆帆　 (74)专利代理 机构 北京智绘未来专利代理事务 所(普通合伙) 11689 专利代理师 肖继军(51)Int.Cl. G06V 20/10(2022.01) G06V 20/70(2022.01) G06V 10/10(2022.01) G06V 10/26(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于深度学习的遥感影像厂房识别方法和 系统 (57)摘要 一种基于深度学习的遥感影像厂房识别方 法和系统， 所述方法包括： 步骤1， 采集遥感影像 数据， 筛选出有厂房的区域， 裁剪出一系列子影 像作为厂房原始样本； 步骤2， 对厂房原始样本进 行标注和裁剪， 构成语义分割数据集， 并对语义 分割数据集进行扩充； 步骤3， 搭建语义 分割网络 模型； 步骤4， 使用现有遥感影像语义分割数据集 训练语义 分割网络模型； 步骤5， 使用训练好的语 义分割网络模型进行厂房提取； 步骤6， 将所有子 图的预测图按裁剪时的起始点坐标进行拼接， 得 到一幅完整遥感影像的厂房语义 分割结果图， 根 据厂房语义分割结果图的像素分布确定是否有 厂房。 实现对厂房的精确提取并获得地理坐标， 还可根据运维路线评 定厂房的风险等级。 权利要求书2页 说明书7页 附图2页 CN 115546629 A 2022.12.30 CN 115546629 A 1.一种基于深度学习的遥感影 像厂房识别方法， 其特 征在于， 所述方法包括： 步骤1， 采集遥感影像数据， 筛选出有厂房的区域， 裁剪出一系列子影像作为厂房原始 样本； 步骤2， 对厂房原始样本进行标注和裁剪， 构成语义分割数据集， 并对语义分割数据集 进行扩充； 步骤3， 搭建语义分割网络模型； 步骤4， 使用现有遥感影 像语义分割数据集训练语义分割网络模型； 步骤5， 使用训练好的语义分割网络模型进行厂房提取； 步骤6， 将所有子图的预测图按裁剪时的起始点坐标进行拼接， 得到一幅完整遥感影像 的厂房语义分割结果图， 根据厂房语义分割结果图的像素分布确定是否有 厂房。 2.根据权利要求1所述的一种基于深度学习的遥感影 像厂房识别方法， 其特 征在于， 步骤2中， 对厂房原始样本进行裁剪采用滑窗法， 从左上角开始， 对于没有标注的子图， 按设定步长选择性保留作为负样本， 其余丢弃， 以此控制负样本数量； 对于有标注的子图， 在标注目标周围随机平移多次生成多张不同的子图作为正样本， 扩充正样本， 依 次遍历完 整幅影像， 构成语义分割数据集， 其中， 根据厂房在影像中分布密度确定标注目标周围随机 平移次数。 3.根据权利要求1所述的一种基于深度学习的遥感影 像厂房识别方法， 其特 征在于， 步骤2中， 对语义分割数据集进行扩充包括： 旋转、 翻转、 饱和度、 亮度、 长宽扭曲、 缩放、 平移和裁剪增强操作。 4.根据权利要求1所述的一种基于深度学习的遥感影 像厂房识别方法， 其特 征在于， 步骤3中， 语义分割网络模型包括： 特征主干网络模块， 输出层像素点分类模块， 目标函 数模块。 5.根据权利要求 4所述的一种基于深度学习的遥感影 像厂房识别方法， 其特 征在于， 特征主干网络模块为先做下采样再做上采样的U型对称网络， 并将中间填满， 整个网络 提取不同层次的图像抽象特征， 并将不同层次的图像抽象特征通过特征堆叠的方式整合， 确保边缘信息在下采样、 上采样过程中不丢失， 同时， 将网络顶部的所有层直接连接到输出 层， 实现深监 督。 6.根据权利要求 4所述的一种基于深度学习的遥感影 像厂房识别方法， 其特 征在于， 输出层像素点分类模块使用sigmoid函数， 其输入为基础网络的输出， 该层作用是将值 较分散基础网络输出层映射到(0,1)， 然后设定阈值， 大于阈值判定为前景并将 像素置1， 其 他为背景并将像素置 0， 网络输出最终的分割结果图， 计算公式如下： 式中， x表示激活函数的输入， 主干网络模块的输出矩阵。 7.根据权利要求1所述的一种基于深度学习的遥感影 像厂房识别方法， 其特 征在于， 步骤3中， 使用Dice  Loss与BCE Loss结合， 计算公式如下 所示： 权　利　要　求　书 1/2 页 2 CN 115546629 A 2式中， A表示网络 输出层， B表示标注生成的掩膜， yi表示输出层中与输入图像 每个像素点对应的预测值， 表示标注图像掩膜与输入图像 每个像素点对应的标签值， ωi表示权重参数。 8.一种利用权利要求1 ‑7任一项权利要求所述方法的一种基于深度学习的遥感影像厂 房识别系统， 包括： 采集模块， 数据预 处理模块， 模 型搭建模块， 模型训练模块， 提取模块， 判 断模块， 其特 征在于， 采集模块用于采集遥感影像数据， 筛选出有厂房的区域， 裁剪出一系列子影像作为厂 房原始样本； 数据预处理模块用于对厂房原始样本进行标注和裁剪， 构成语义分割数据集， 并对语 义分割数据集进行扩充； 模型搭建模块用于搭建语义分割网络模型； 模型训练模块用于使用现有遥感影 像语义分割数据集训练语义分割网络模型； 提取模块用于使用训练好的语义分割网络模型进行厂房提取； 判断模块用于将所有子图的预测图按裁剪时的起始点坐标进行拼接， 得到一幅完整遥 感影像的厂房语义分割结果图， 根据厂房语义分割结果图的像素分布确定是否有 厂房。 9.一种终端， 包括处 理器及存 储介质； 其特 征在于： 所述存储介质用于存 储指令； 所述处理器用于根据 所述指令进行操作以执行根据权利要求1 ‑8任一项所述一种基于 深度学习的遥感影 像厂房识别方法的步骤。 10.计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该程序被处理器执行 时实现权利要求1 ‑8任一项所述 一种基于深度学习的遥感影 像厂房识别方法的步骤。权　利　要　求　书 2/2 页 3 CN 115546629 A 3