熊國華

摘要：當(dāng)前遙感影像廣泛應(yīng)用于礦產(chǎn)勘探、精準(zhǔn)農(nóng)業(yè)、城市規(guī)劃、林業(yè)測量、軍事目標(biāo)識別和災(zāi)害評估中，隨著遙感數(shù)據(jù)的急劇增加，遙感數(shù)據(jù)處理與分析面對新的挑戰(zhàn)，針對海量遙感影像數(shù)據(jù)下目標(biāo)地物的檢測識別，本文利用TensorFlow平臺將深度學(xué)習(xí)模型的目標(biāo)學(xué)習(xí)與遙感數(shù)據(jù)處理相結(jié)合，對圖像中典型目標(biāo)地物進(jìn)行檢測與識別，從而達(dá)到提高遙感地物識別精度的目的。

關(guān)鍵詞：深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)TensorFlow遙感影像

Application of Image Feature Recognition Technology Based on Tensorflow Platform

XIONG Guohua

（Zhejiang Construction Vocational and Technical College， Hangzhou， Zhejiang Province，311231 China）

Abstract： At present， remote sensing images are widely used in mineral exploration， precision agriculture， urban planning， forestry measurement， military target recognition and disaster assessment. With the rapid increase of remote sensing data， remote sensing data processing and analysis are facing new challenges. For the detection and recognition of target features under massive remote sensing image data， this paper uses tensorflow platform to combine the target learning of deep learning model with remote sensing data processing to detect and recognize typical target features in the image， so as to improve the accuracy of remote sensing feature recognition.

Key Words： Deep learning; Neural network; TensorFlow; Remote sensing image

目前我國已經(jīng)正式開啟高分辨率對地觀測系統(tǒng)的建設(shè)項目，以此構(gòu)建全球天空地一體化立體對地觀測網(wǎng)，并以高光譜、高空間、寬地面覆蓋以及高時間分辨率為基本特征，從而有效保障國家安全。在此大背景下不難發(fā)現(xiàn)，當(dāng)代社會已經(jīng)迎來了遙感大數(shù)據(jù)時代，尤其是最近科研工作者們借助深度學(xué)習(xí)方法，基于卷積神經(jīng)網(wǎng)絡(luò)的遙感影像自動地物識別取得了令人印象深刻的結(jié)果。深度卷積網(wǎng)絡(luò)是一種具有“端對端”學(xué)習(xí)特性的機(jī)器學(xué)習(xí)方式，以多層化、隱藏化、非線性為基本特性，從而在處理數(shù)據(jù)的過程中實現(xiàn)自動學(xué)習(xí)，達(dá)到掌握全局特征的目的。而這正是遙感影像自動識別技術(shù)發(fā)展的核心動力，也意味著特征模型開始從傳統(tǒng)的手工特征轉(zhuǎn)向?qū)W習(xí)特征。本文則深入探析以TensorFlow為主體的深度學(xué)習(xí)平臺，并分析其使用卷積神經(jīng)網(wǎng)絡(luò)提供的程序框架，利用TensorFlow平臺實現(xiàn)遙感影像地物分類、目標(biāo)檢測以及目標(biāo)分割等應(yīng)用。

1 TensorFlow簡介

TensorFlow是當(dāng)前第二代人工智能學(xué)習(xí)系統(tǒng)，由谷歌公司研發(fā)，由DistBelief系統(tǒng)發(fā)展而來。其命名方式與其系統(tǒng)原理具有一致性，Tensor表示張量，可代表N維數(shù)組;Flow表示流，特指數(shù)據(jù)流圖的計算[1]，由此組合即可表示張量在流圖中傳遞的過程。而TensorFlow恰恰就是將復(fù)雜的數(shù)據(jù)流入學(xué)習(xí)網(wǎng)絡(luò)中，進(jìn)而在分析和處理時實現(xiàn)學(xué)習(xí)效果的系統(tǒng)。

TensorFlow不僅具有系統(tǒng)性功能，同時也是谷歌為廣大科研工作者提供的開源深度學(xué)習(xí)庫，能夠在處理音頻、分類圖形、系統(tǒng)推薦、語言處理等環(huán)境中應(yīng)用，是構(gòu)建和測試深度神經(jīng)網(wǎng)絡(luò)的重要方式。

深度學(xué)習(xí)則是一種特殊的計算模型，通過多個處理層的組合，達(dá)到不斷深化學(xué)習(xí)的效果。深度學(xué)習(xí)讓人們能夠以極高的準(zhǔn)確性構(gòu)建復(fù)雜的應(yīng)用程序。圖像、視頻、文本、音頻等相關(guān)內(nèi)容，都能依靠深度學(xué)習(xí)完成學(xué)習(xí)[2]，由此TensorFlow可以用于實現(xiàn)前述所有應(yīng)用。

神經(jīng)網(wǎng)絡(luò)則是基于生物大腦而建立的計算與學(xué)習(xí)模型，其按照神經(jīng)元的方式，通過其他細(xì)胞提供的加權(quán)輸入，在神經(jīng)元中進(jìn)行處理后實現(xiàn)二進(jìn)制或連續(xù)輸出。

2 遙感技術(shù)概述

遙感技術(shù)是在航空攝影技術(shù)的基礎(chǔ)上發(fā)展而來的。該技術(shù)起源于20世紀(jì)60年代。當(dāng)美國在1972年發(fā)射了第一個陸地衛(wèi)星以后，便意味著世界開始進(jìn)入到了航天遙感時代。經(jīng)過這幾十年的發(fā)展，遙感技術(shù)的應(yīng)用越發(fā)廣泛，在資源勘探、環(huán)境監(jiān)測、氣象等領(lǐng)域都有著較為廣闊的應(yīng)用。目前遙感技術(shù)已經(jīng)成為一門實用且較為先進(jìn)的空間探測技術(shù)。遙感主要是利用遙感器和傳感器，從空中來對地面上的物體進(jìn)行探索，不同的物體對應(yīng)不同的波譜，從而識別地面上各種各樣的物體。簡單來講，就是借助飛機(jī)、衛(wèi)星等飛行物體上所具有的遙感器來收集地面上的數(shù)據(jù)資料，從而獲取相應(yīng)的信息，緊接著對這些信息進(jìn)行分析、判斷、識別來感知地面物體。

遙感技術(shù)的實現(xiàn)需要一整套的技術(shù)和設(shè)備之間相互配合才可實現(xiàn)。從遙感的定義視角出發(fā)，可將遙感系統(tǒng)劃分成為四大部分：首先是信息源。信息源是指遙感對所探測的地面目標(biāo)。任何的目標(biāo)都具有反射、吸收電磁波的特點，當(dāng)目標(biāo)物體與電磁波之間產(chǎn)生相互作用的時候，會形成特定的電磁波，從而為遙感探測獲取目標(biāo)的信息。其次是信息獲取。想要獲取信息就需要利用遙感設(shè)備來接受目標(biāo)物所探測的電磁波變化的過程，在信息獲取階段，所運(yùn)用到的遙感技術(shù)包含了兩部分，即平臺和傳感器。平臺是運(yùn)用運(yùn)載傳感器，比較常見的有飛機(jī)、衛(wèi)星等;傳感器則是用來探測目標(biāo)物體的電磁波變化特點。常用的傳感器有照相機(jī)、掃描儀以及雷達(dá)。然后是信息處理設(shè)備，該設(shè)備主要運(yùn)用到了光學(xué)儀器和計算機(jī)。在這些設(shè)備儀器的幫助下，可以對獲取的遙感信息進(jìn)行校正和分析，從而掌握傳感信息與原始信息之間的誤差，進(jìn)而分析出目標(biāo)物體的影像特點，并分析出其中的可以應(yīng)用的信息。最后則是信息應(yīng)用。主要是將獲得信息應(yīng)用在人們的生產(chǎn)、生活以及各個領(lǐng)域之中。77A5E70F-01BF-4160-B531-BC9347DEEA74

3技術(shù)應(yīng)用

伴隨著遙感數(shù)據(jù)技術(shù)的不斷進(jìn)步與發(fā)展，遙感技術(shù)的應(yīng)用面領(lǐng)著前所未有的挑戰(zhàn)。傳統(tǒng)的圖像分類算法大多以監(jiān)督學(xué)習(xí)為基本方法，但其應(yīng)用于地物識別中的效果不佳，一方面，其算法需要依托于統(tǒng)計模型;另一方面，大量樣本的獲取過程也有過高的時間與經(jīng)濟(jì)成本，是當(dāng)前時代逐步淘汰的方式。

以TensorFlow 為載體的深度學(xué)習(xí)手段并不是特立獨(dú)行的，而是需要大量的數(shù)據(jù)樣本作為支撐，通過對數(shù)據(jù)樣本本身的特征進(jìn)行分析，來觀測這種特征與遙感數(shù)據(jù)得到的特征是否符合[3] 。現(xiàn)階段，雖然說遙感影像地物識別檢測已經(jīng)有了廣闊的應(yīng)用空間，但是真正應(yīng)用的地方仍然存在著局限性，大多是在飛機(jī)、艦船等較為明顯的大型設(shè)備上。基于此，本文將根據(jù)特征較為明顯的地物目標(biāo)進(jìn)行遙感數(shù)據(jù)識別、檢測與分析。

本研究借助TensorFlow [4]平臺作為基礎(chǔ)進(jìn)行研究，通過該平臺的優(yōu)勢，可以構(gòu)建出網(wǎng)絡(luò)模型，然后用網(wǎng)絡(luò)模型對遙感影像地物進(jìn)行識別和檢測，過程如圖1所示。

對于那些比較常見的數(shù)據(jù)來講，是很難模擬出較為理想狀態(tài)下的目標(biāo)的。為了解決這個問題，本文著重采用專業(yè)的遙感圖像數(shù)據(jù)庫來對飛機(jī)、艦船等設(shè)備類型進(jìn)行識別。圖像是從Google Earth和Vaihingen數(shù)據(jù)集中提取并由專家人工標(biāo)注。

本文嘗試以飛機(jī)為主體進(jìn)行實驗，并嘗試得到一系列的數(shù)據(jù)。得到數(shù)據(jù)及其分析數(shù)據(jù)的方法為迅雷鏈。在數(shù)據(jù)庫之中尋找到樣本進(jìn)行標(biāo)記，這種標(biāo)記需要從0開始且不可間斷。本文采用區(qū)域擬合的方式來對候選的區(qū)域進(jìn)行搜索，并且通過準(zhǔn)確定位來確定物體的位置。通過對其進(jìn)行預(yù)訓(xùn)練，可以借助卷積神經(jīng)網(wǎng)絡(luò)模型，來調(diào)整其訓(xùn)練的參數(shù)，最后進(jìn)行圖像提取和分析。

選定TensorFlow平臺需要使用的數(shù)據(jù)庫作為圖像的解譯器。在此過程中應(yīng)優(yōu)先對卷積層和池化層進(jìn)行定義，并采取交替進(jìn)行的方案，最后通過全連接層將特征向量輸出，并將訓(xùn)練好的模型進(jìn)行加載[5]。在試驗網(wǎng)絡(luò)優(yōu)化的過程中，則要優(yōu)先采取隨機(jī)梯度下降法，尤其注意在SVM的分類訓(xùn)練中，正負(fù)樣本需重新定義[6]。將得出矩陣中的每一類進(jìn)行非極大值抑制以消除重疊，對每一類進(jìn)行線性回歸操作，根據(jù)損失函數(shù)進(jìn)行回歸，得出使其最小的回歸參數(shù)[7]。

本文選取了一部分結(jié)果圖像作為示例，如圖2所示，紅色選框標(biāo)記的便是識別檢測出的飛機(jī)目標(biāo)，對于類型、大小各異的飛機(jī)目標(biāo)都可以準(zhǔn)確地識別檢測。

3 結(jié)語

TensorFlow為人們提供了目標(biāo)識別的新方法，在深度學(xué)習(xí)的輔助下，不僅解決了傳統(tǒng)學(xué)習(xí)方式與大數(shù)據(jù)的不兼容問題，而且還在原有方法上提高了網(wǎng)絡(luò)精度。在VGGNET網(wǎng)絡(luò)中，通過多層神經(jīng)網(wǎng)絡(luò)組合，實現(xiàn)了卷積和池化的交替效果，網(wǎng)絡(luò)濾波器也能實現(xiàn)從左到右的依次深化，最終實現(xiàn)一個或多個全連接的層組合。

本文研究利用TensorFlow平臺，將深度學(xué)習(xí)模型的目標(biāo)學(xué)習(xí)與遙感數(shù)據(jù)處理相結(jié)合，通過定義網(wǎng)絡(luò)模型實現(xiàn)對影像中典型目標(biāo)地物進(jìn)行檢測與識別，從而達(dá)到提高遙感地物識別精度的目的。通過研究深度學(xué)習(xí)模型，顯著提升海量數(shù)據(jù)中地物識別效率，從而節(jié)約時間和人力成本，同時，在地質(zhì)災(zāi)害損失實物量評估中發(fā)揮重要作用，為國家決策和防止更大經(jīng)濟(jì)損失提供參考依據(jù)。此外，利用地物檢測變化技術(shù)，在國家民生工程中也發(fā)揮中顯著作用。

參考文獻(xiàn)

[1]張燕，苗思達(dá).淺析遙感影像地物分類識別的研究與實現(xiàn)[J].世界有色金屬，2020（11）：273-274.

[2]任芳語，肖揚(yáng)，鄭思遠(yuǎn)，黃任遠(yuǎn).基于TensorFlow的遙感影像地物識別方法研究[J].科技創(chuàng)新導(dǎo)報，2018（11）：53-54.

[3]王斌，范冬林.深度學(xué)習(xí)在遙感影像分類與識別中的研究進(jìn)展綜述[J].測繪通報，2019（2）：99-102.

[4]張超.基于深度學(xué)習(xí)的無人機(jī)影像設(shè)施農(nóng)業(yè)典型地物識別方法研究[D].贛州：江西理工大學(xué)，2018.

[5]楊帆.基于高光譜遙感影像的城市地物目標(biāo)識別算法研究[D].西安：西安石油大學(xué)，2020.

[6]HENGHUI ZHAO，YANHUI LI，F(xiàn)ANWEI LIU，et al.State and tendency： an empirical study of deep learning question&answer topics on Stack Overflow[J].Science China（Information Sciences），2021，64（11）：131-153.

[7]MANNO D.，CIPRIANI G.，CIULLA G.，et al.Deep learning strategies for automatic fault diagnosis in photovoltaic systems by thermographic images[J].Energy Conversion and Management，2021，241：1-17.77A5E70F-01BF-4160-B531-BC9347DEEA74