基于无人机低空遥感和深度学习的DEM生产技术

• 作 者: 赵秀臣
• 出 处: 西安电子科技大学
• 发表日期: 2020年04期
• 关键词: 数字高程模型 无人机低空摄影 深度学习 语义分割

数字高程模型(DEM)是重要的国家地理信息数据,它用数字化的高程数据来模拟地形表面的起伏变化。通过数字摄影技术进行DEM的生产会需要海量的图片数据,无人机技术和深度学习技术的日渐成熟,分别为海量图片的获取和处理提供了新方式。本文旨在结合无人机摄影技术、深度学习语义分割技术、DEM修补技术完成DEM制作。主要研究工作如下:(1)在调查区域设计并实施无人机航摄试验。对遥感数据进行收集和预处理是DEM生产的第一步,本文先在四川省绵阳市北川县测区实地使用大鹏无人机进行航摄实验,获取目标地区的遥感影像。然后,对航空图像进行预处理,通过影像匹配技术结合坐标信息生成测区的数字表面模型(DSM),为DEM的生产提供基础数据。(2)设计了更加适合遥感任务的轻量语义分割网络。对遥感图像中的非地面目标进行识别是将DSM制作成DEM的重要步骤,本文详细分析了深度学习语义分割网络的基本架构,考虑到遥感数据的海量性和冗余性,基于DeepLabV3设计了更加轻量的语义分割网络。网络使用反向残差模块进行特征提取,使用级联的空洞卷积和带孔空间金字塔池化采样获取语境信息,最后进行分类和上采样,实现对遥感影像的语义分割。在分割精确度相近的前提下,本文网络运算量比DeepLabV3减少了 76%。(3)设计了本文网络与DeepLabV3的对比实验,验证了本文网络的有效性。本文使用ISPR数据集和测区数据集对神经网络进行训练。测区数据集的制作是为了补充ISPR数据集中未包含的测区目标物,如农作物、湖泊。为了完成数据标注工作,本文采用分水岭算法编写了语义分割数据集标注工具,完成了对北川测区2838张语遥感数据集的标注。测区数据集结合7776张ISPR分割数据集,构成网络训练最终的数据集。实验从像素准确度、交并比、损失函数、训练时间、预测时间等指标对比分析,实验表明两个网络的分割精确度相近,误差不超过5%,但本文网络比DeepLabV3量级更小,更加适合数据海量、冗余度高的遥感数据。(4)将深度学习语义分割技术应用在DEM制作流程中。将深度学习语义分割技术应用在遥感目标识别,可以确定遥感图片生成的DSM中的非地面物体。针对不同非地面物体的高程属性,本文制定了高程剔除、平滑滤波和减去固定阈值三种DEM修补策略。设计对比实验,使用本文方法、人工处理和普通滤波三种方法对DEM进行修补,相比滤波方法,本文方法的外符合精度提升了 63.6%;相比人工方法,本文更加自动化。本文提出的基于深度学习的DEM修补策略可以提升DEM的生产效率。