基于DeeplabV3+的建筑垃圾堆放点识别

doi:10.13474/j.cnki.11-2246.2022.0103

测绘通报 ›› 2022, Vol. 0 ›› Issue (4): 16-19,43.doi: 10.13474/j.cnki.11-2246.2022.0103

• 工程测量分会年会（2021年）优选论文 • 上一篇下一篇

基于DeeplabV3+的建筑垃圾堆放点识别

刘小玉¹, 刘扬^1,2, 杜明义^1,2, 张敏¹, 贾竞珏¹, 杨恒¹

1. 北京建筑大学测绘与城市空间信息学院, 北京 102616;
2. 北京建筑大学北京未来城市设计高精尖创新中心, 北京 100044

收稿日期:2021-07-14 修回日期:2022-02-10 出版日期:2022-04-25 发布日期:2022-04-26
作者简介:刘小玉(1996-),女,硕士生,主要研究方向为遥感影像图像识别。E-mail:2108570020072@stu.bucea.edu.cn
基金资助:
国家重点研发计划（2108YFC0706003）；北京建筑大学市属高校基本科研业务费专项资金（X20070）；促进高校内涵发展定额项目（31081021004）

Research on construction and demolition waste stacking point identification based on DeeplabV3+

LIU Xiaoyu¹, LIU Yang^1,2, DU Mingyi^1,2, ZHANG Min¹, JIA Jingjue¹, YANG Heng¹

1. School of Geomatics and Urban Spatial Informatics, Beijing University of Civil Engineering and Architecture, Beijing 102616, China;
2. Beijing Advanced Innovation Center for Future Urban Design, Beijing University of Civil Engineering and Architecture, Beijing 100044, China

Received:2021-07-14 Revised:2022-02-10 Online:2022-04-25 Published:2022-04-26

摘要/Abstract

摘要： 针对遥感影像中建筑垃圾非法堆放，难以快速、准确、有效地识别建筑垃圾堆放的位置、类型、面积和体量等动态信息的问题。本文基于卷积神经网络模型，对多光谱遥感影像和全色遥感影像进行NNDiffuse算法融合处理，以提高图像分辨精度，并深入分析遥感影像中建筑垃圾堆放点的特征信息，采用DeeplabV3+网络模型，采用编码器将目标所需的浅层特征和高层语义特征相结合，从图像样本数据平衡的角度，调整样本权重系数，进一步提高识别精度。试验结果表明，使用DeeplabV3+网络对建筑垃圾堆放点的识别精度达82%，有利于实现建筑垃圾动态监测与管理。

关键词: 建筑垃圾, 遥感影像, 语义分割, DeeplabV3+, 图像融合

Abstract: It is difficult to identify the location, type, area and volume of construction waste piled up illegally in remote sensing images quickly, accurately and effectively. In this paper, based on convolution model, the multi-spectral remote sensing image and panchromatic remote sensing image on its NNDiffuse pan sharpening algorithm fusion processing, it improves the precision of image resolution, in-depth analysis the characteristics of the construction waste pile up some information in remote sensing image. Use DeeplabV3+ network model and the encoder to target the shallow features and high-level semantic feature. From the perspective of image sample data balance adjust the sample weight coefficient to further improve the identification accuracy. Experimental results show that the identification accuracy of construction waste dumps using DeeplabV3+ network reach 82%, which is beneficial to realize the dynamic monitoring and management of construction waste.

Key words: construction waste, remote sensing image, semantic segmentation, DeeplabV3+, image fusion

中图分类号:

P237

刘小玉, 刘扬, 杜明义, 张敏, 贾竞珏, 杨恒. 基于DeeplabV3+的建筑垃圾堆放点识别[J]. 测绘通报, 2022, 0(4): 16-19,43.

LIU Xiaoyu, LIU Yang, DU Mingyi, ZHANG Min, JIA Jingjue, YANG Heng. Research on construction and demolition waste stacking point identification based on DeeplabV3+[J]. Bulletin of Surveying and Mapping, 2022, 0(4): 16-19,43.

参考文献 15

[1]	佚名.我国建筑垃圾治理试点总体推进顺利[J]. 北方建筑, 2019, 4(4):4.
[2]	袁立, 袁吉收, 张德政. 基于DeepLab-v3+的遥感影像分类[J]. 激光与光电子学进展,2019,56(15):152.
[3]	王俊强, 李建胜, 丁波, 等. 深度学习语义分割方法在遥感影像分割中的性能分析[J]. 计算机测量与控制, 2019, 27(7):231-235.
[4]	贺浩, 王仕成, 杨东方, 等. 基于Encoder-Decoder网络的遥感影像道路提取方法[J]. 测绘学报, 2019, 48(3):330-338.
[5]	叶沅鑫, 谭鑫, 孙苗苗, 等. 基于增强DeepLabV3网络的高分辨率遥感影像分类[J]. 测绘通报, 2021(4):40-44.
[6]	祝一诺, 高婷, 王术东, 等. 基于迁移学习再训练模型和高分遥感数据的建筑垃圾自动识别方法[J]. 遥感技术与应用, 2021, 36(2):314-323.
[7]	尚群锋. 基于深度学习高分辨率遥感影像语义分割研究[D]. 杭州:浙江理工大学, 2020.
[8]	王俊强, 李建胜, 周华春, 等. 基于Deeplabv3+与CRF的遥感影像典型要素提取方法[J]. 计算机工程, 2019, 45(10):260-265.
[9]	赵起越, 李令军, 张立坤, 等. 建筑垃圾的危害、监测及管理[J]. 环境保护与循环经济, 2019, 39(7):75-80.
[10]	刘懿兰, 黄晓霞, 李红旮, 等. 基于卷积神经网络与条件随机场方法提取乡镇非正规固体废弃物[J]. 地球信息科学学报, 2019, 21(2):259-268.
[11]	邹源. 基于卷积神经网络的高分辨率遥感影像分类[D]. 成都:成都理工大学, 2020.
[12]	王萌. 基于高分辨率遥感影像的变化检测方法研究[D]. 成都:电子科技大学, 2020.
[13]	孙晓丹. 整村搬迁中建筑垃圾的测算与填埋区确定研究[D]. 北京:中国地质大学(北京), 2013.
[14]	SODA P. A multi-objective optimisation approach for class imbalance learning[J]. Pattern Recognition, 2011, 44(8):1801-1810.
[15]	陶有生. 建筑垃圾及其利用[J]. 砖瓦世界, 2008(11):9-10.

基于DeeplabV3+的建筑垃圾堆放点识别

Research on construction and demolition waste stacking point identification based on DeeplabV3+

可视化

摘要/Abstract

引用本文

使用本文

参考文献 15

相关文章 15

编辑推荐

Metrics

本文评价

[1]	李茂林, 闫庆武, 仲晓雅. 一种复合型校正植被信息的方法[J]. 测绘通报, 2022, 0(6): 49-54142.
[2]	任月娟, 葛小三. 改进DeepLabV3+网络的遥感影像道路综合提取方法[J]. 测绘通报, 2022, 0(6): 55-61.
[3]	张龚泉, 岳建平, 刘胜男, 王海龙, 杨智翔, 周航宇. 基于遥感影像的鄱阳湖地形提取方法[J]. 测绘通报, 2022, 0(5): 62-66,73.
[4]	潘建平, 付占宝, 程卫华, 陆世安, 李鑫, 孙博文, 黄桂萍. 基于地表类型的山地海绵城市生态建设评估[J]. 测绘通报, 2022, 0(5): 84-88.
[5]	陈智朗, 付振华, 朱紫阳, 王慧慧, 刘沁雯, 杨钰灵, 许耿然. 基于HRNet的高分辨率遥感影像建筑物变化信息提取[J]. 测绘通报, 2022, 0(5): 126-132.
[6]	王雪, 梁珂, 隋立春, 钟棉卿, 朱剑锋. 膨胀卷积与金字塔表达的深度学习模型用于农村建筑物提取[J]. 测绘通报, 2022, 0(4): 61-65.
[7]	高鸣, 周鑫鑫, 刘琦, 杨光迪, 吴长彬. 深度学习网络支持下的农房侵占耕地自动化监测[J]. 测绘通报, 2022, 0(3): 47-53.
[8]	王胜利, 朱寿红, 蒋毅. 基于CNN模型迁移的OLI影像光伏电池板场景识别[J]. 测绘通报, 2022, 0(2): 5-9.
[9]	杨素妨, 杜林. 多特征流形鉴别嵌入的高分辨率遥感影像分类[J]. 测绘通报, 2021, 0(9): 37-42.
[10]	耿万轩, 周维勋, 金双根. 基于LDCNN特征提取的多核SVM高分辨率遥感影像场景分类[J]. 测绘通报, 2021, 0(8): 14-21.
[11]	苏艺凡, 党建武, 王阳萍, 杨景玉. 改进的区间二型模糊聚类遥感影像变化检测[J]. 测绘通报, 2021, 0(7): 44-51,58.
[12]	武花, 张新长, 孙颖, 蔡伟男, 颜军, 邓剑文, 张建国. 融合多特征改进型PSPNet模型应用于复杂场景下的建筑物提取[J]. 测绘通报, 2021, 0(6): 21-27.
[13]	聂倩, 七珂珂, 赵艳福. 融入超像素分割的高分辨率影像面向对象分类[J]. 测绘通报, 2021, 0(6): 44-49.
[14]	吴永静, 吴锦超, 林超, 窦宝成, 黎珂. 基于深度学习的高分辨率遥感影像光伏用地提取[J]. 测绘通报, 2021, 0(5): 96-101.
[15]	侯翘楚, 李必军, 蔡毅. 高分辨率遥感影像的车道级高精地图要素提取[J]. 测绘通报, 2021, 0(3): 38-43.