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

• 作者: 祝一诺 高婷 王术东 周磊 杜明义
• 来源期刊: 遥感技术与应用
• 关键词: 高分遥感影像 建筑垃圾 迁移学习 自动识别 Inception-V3
• 年，卷（期）: 2021,（2）
• 所属期刊栏目: CNN专栏
• 页码范围: 314-323
• 页数: 10页
• 分类号: TP75
• 语种: 中文
• DOI: 10.11873/j.issn.1004-0323.2021.2.0314

摘要

目前城市建筑垃圾大量持续产生且堆积严重,利用率较低同时危害城市生态环境.建筑垃圾的识别是实现建筑垃圾分割、提取以及监测的技术基础,但由于建筑垃圾本身的复杂特征和遥感影像的尺度差异、光谱差异等因素导致其识别和监管困难.提出了 一种利用迁移学习再训练模型来实现自动识别建筑垃圾的方法.首先根据建筑垃圾的典型遥感特征构建样本库,样本库包含30 292张建筑垃圾和110 110张典型地物在内的共计140 402张样本.之后基于国际先进的深度学习环境Tensorflow,利用迁移学习在模型的最后一层重新输入了建筑垃圾等6类训练数据集,对Inception-V3模型进行了再训练,在较短时间内得到了建筑垃圾识别模型.随机抽取6 016张样本构成验证集逐个输入建筑垃圾识别模型,统计验证样本的模型识别结果构成混淆矩阵,得出该模型对所有地物的整体识别率K为97.43％,Kappa系数Ka为0.96,模型识别建筑垃圾的识别精确度Pv为9 9.10％,识别灵敏度为94.88％.与传统的航片监测、实地考察等纯人工识别方法相比,该方法所需时间较短且识别精度较高,有利于实现建筑垃圾的全过程实时监控和精准管理.