江一帆，于海洋，李朝亮，劉鵬，張慧勇

(1.河南理工大學(xué) 測(cè)繪與國(guó)土信息工程學(xué)院，河南 焦作 454000；2.自然資源部礦山時(shí)空信息與生態(tài)修復(fù)重點(diǎn)實(shí)驗(yàn)室，河南 焦作 454000；3.河南省國(guó)土資源科學(xué)研究院，鄭州 450053；4.河南省國(guó)土資源調(diào)查規(guī)劃院新鄭分院，鄭州 450053)

0 引言

石油在國(guó)民經(jīng)濟(jì)生產(chǎn)中占有重要的地位，快速估算當(dāng)前的全球石油儲(chǔ)備并預(yù)測(cè)產(chǎn)量變化是決定石油采購(gòu)和運(yùn)輸措施的關(guān)鍵[1]。儲(chǔ)油罐是國(guó)家石油存儲(chǔ)的主要儲(chǔ)備容器，通過(guò)快速提取儲(chǔ)油罐的體積和分布能夠?qū)崿F(xiàn)各國(guó)的石油儲(chǔ)備量的準(zhǔn)確評(píng)估。高分辨率遙感影像是快速獲取目標(biāo)信息的一種有效手段，從高分辨率衛(wèi)星影像中獲取儲(chǔ)油罐信息，關(guān)鍵是如何從二維圖像中快速找到儲(chǔ)油罐并有效地獲得其高度信息。已有部分文獻(xiàn)在遙感影像上直接提取目標(biāo)陰影[2-4]，通過(guò)幾何關(guān)系計(jì)算高度，這類方法一般不能很好地區(qū)分深色地物與陰影，需要增加一系列的人工干預(yù)來(lái)剔除非陰影區(qū)域[5-8]。近年來(lái)深度學(xué)習(xí)算法發(fā)展快速，在圖像目標(biāo)檢測(cè)領(lǐng)域成果斐然。本文引入Faster R-CNN(region-based convolutional neural network)[9]模型，根據(jù)遙感影像中儲(chǔ)油罐的特點(diǎn)采用改進(jìn)特征提取網(wǎng)絡(luò)和優(yōu)化區(qū)域建議網(wǎng)絡(luò)(region proposal network，RPN)等策略，改進(jìn)原始的Faster R-CNN網(wǎng)絡(luò)模型，能夠快速且高精度地檢測(cè)遙感影像中儲(chǔ)油罐，然后結(jié)合陰影信息提取油罐目標(biāo)參數(shù)。該方法能夠很好地剔除非目標(biāo)因素對(duì)陰影信息的影響，提高了儲(chǔ)油罐參數(shù)估算的精度。

1 研究方法

1.1 儲(chǔ)油罐檢測(cè)與信息提取技術(shù)流程

本文首先構(gòu)建了儲(chǔ)油罐樣本集；其次利用改進(jìn)的Faster R-CNN訓(xùn)練儲(chǔ)油罐檢測(cè)模型，將訓(xùn)練好的模型在GF-2遙感影像上檢測(cè)儲(chǔ)油罐目標(biāo)；然后基于光譜比值法和閾值分割法來(lái)提取檢測(cè)到的儲(chǔ)油罐的陰影，根據(jù)提取的陰影長(zhǎng)度及遙感成像陰影空間幾何關(guān)系計(jì)算儲(chǔ)油罐高度；最后綜合Hough變換獲取的儲(chǔ)油罐半徑計(jì)算儲(chǔ)油罐儲(chǔ)量信息。技術(shù)流程如圖1所示。

圖1 技術(shù)流程

1.2 基于改進(jìn)Faster R-CNN的儲(chǔ)油罐檢測(cè)

Faster R-CNN模型的核心網(wǎng)絡(luò)是RPN，它的優(yōu)點(diǎn)是能生成高質(zhì)量建議區(qū)域框，實(shí)現(xiàn)了與檢測(cè)網(wǎng)絡(luò)卷積層的共享，有效地減少了區(qū)域建議檢測(cè)耗費(fèi)的時(shí)間[7]。Faster R-CNN模型主要由3個(gè)部分組成，包括特征提取網(wǎng)絡(luò)、RPN和分類與回歸網(wǎng)絡(luò)。特征提取網(wǎng)絡(luò)通過(guò)一系列的卷積與池化操作，獲取特征圖。RPN處理特征圖得到候選框，通過(guò)ROI Pooling[10]，將所有獲取的候選框轉(zhuǎn)化為固定大小特征圖，最后通過(guò)分類與回歸網(wǎng)絡(luò)得到目標(biāo)的類別與準(zhǔn)確位置。Faster R-CNN模型結(jié)構(gòu)如圖2所示。

圖2 Faster R-CNN模型結(jié)構(gòu)

1)改進(jìn)特征提取網(wǎng)絡(luò)。原始Faster R-CNN算法中，卷積操作通常使用VGG16[11]網(wǎng)絡(luò)或者ResNet101[12]網(wǎng)絡(luò)提取圖像特征。其中，VGG16網(wǎng)絡(luò)包括13個(gè)卷積層和4個(gè)池化層，每一個(gè)卷積層都包括一個(gè)非線性ReLU激活函數(shù)，并且卷積核大小均為3×3，步長(zhǎng)為1。這13個(gè)卷積層被分成5組，每組之間通過(guò)池化層來(lái)連接，每個(gè)池化層均采用尺寸為2×2的最大池化形式，步長(zhǎng)為2。由于遙感影像中部分儲(chǔ)油罐尺寸較小，如果直接使用原始VGG16網(wǎng)絡(luò)提取特征，卷積操作不會(huì)改變特征圖的尺寸，但經(jīng)過(guò)4次下采樣后，特征圖的面積為原來(lái)的1/16，會(huì)造成小尺寸的特征直接丟失。為了提高遙感影像儲(chǔ)油罐目標(biāo)的檢測(cè)精度，本文改進(jìn)了VGG16網(wǎng)絡(luò)，根據(jù)儲(chǔ)油罐樣本尺寸特點(diǎn)，刪除最后一個(gè)池化層以及最后3個(gè)卷積層，擴(kuò)大輸出特征圖的尺寸，使其能包含更多小目標(biāo)特征，改進(jìn)的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 改進(jìn)特征提取網(wǎng)絡(luò)結(jié)構(gòu)

2)優(yōu)化區(qū)域建議網(wǎng)絡(luò)。RPN的主要過(guò)程是將卷積生成的特征圖的點(diǎn)與原始影像的位置進(jìn)行匹配，并將其作為一個(gè)基準(zhǔn)點(diǎn)(錨點(diǎn))，然后以這個(gè)基準(zhǔn)點(diǎn)為中心選取m個(gè)不同面積、不同長(zhǎng)寬比的anchor[7]，再利用邊框回歸得到多尺度的建議區(qū)域，最后將建議區(qū)域分別傳入分類層與回歸層。在分類層中利用softmax分類器判斷錨點(diǎn)的類別(前景與背景)；在回歸層中，通過(guò)優(yōu)化邊框的參數(shù)，擬合出候選框位置，最后對(duì)整張圖片產(chǎn)生的候選區(qū)域使用非極大值抑制算法剔除多余的候選區(qū)域。原始網(wǎng)絡(luò)中anchor的面積大小為1282、2562、5122，長(zhǎng)寬比為1∶1、1∶2、2∶1，但是原始網(wǎng)絡(luò)的anchor參數(shù)對(duì)小尺寸目標(biāo)無(wú)法召回。因此，本文在檢測(cè)遙感影像儲(chǔ)油罐目標(biāo)時(shí)，在默認(rèn)參數(shù)的基礎(chǔ)上，加入一組面積為642的anchor，使得網(wǎng)絡(luò)可以檢測(cè)到更多的小目標(biāo)。在訓(xùn)練過(guò)程中，RPN 部分的每個(gè)錨點(diǎn)使用12個(gè)anchor，面積分別為642、1282、2562、5122，3個(gè)長(zhǎng)寬比保持不變。故分類層共輸出24個(gè)節(jié)點(diǎn)，回歸層共輸出48個(gè)節(jié)點(diǎn)。利用分類層和回歸層的損失函數(shù)輸出的損失值分別求導(dǎo)，其結(jié)果反饋出反向傳播的數(shù)據(jù)。其中，RPN的損失函數(shù)、分類層損失函數(shù)與回歸層損失函數(shù)如式(1)所示[13，15]。

(1)

其中

(2)

(3)

(4)

(5)

1.3 基于Hough變換的儲(chǔ)油罐半徑計(jì)算

本文采用Hough變換檢測(cè)提取儲(chǔ)油罐圓形頂部及半徑。Hough變換適用于檢測(cè)直線或者圓形的目標(biāo)，其實(shí)質(zhì)是利用影像空間與參數(shù)空間的點(diǎn)-線對(duì)偶性，通過(guò)計(jì)算圓心坐標(biāo)(a，b)和半徑r建立一個(gè)累加數(shù)組B(a，b，r)的三維空間，對(duì)空間遍歷搜索計(jì)算出相關(guān)參數(shù)。圓形的幾何方程如式(6)所示[16]。

(x-a)2+(y-b)2=r2

(6)

式中：(a，b)是圓心坐標(biāo)；r是半徑。

1.4 儲(chǔ)油罐的陰影提取與高度計(jì)算

1)儲(chǔ)油罐陰影提取。針對(duì)Faster R-CNN檢測(cè)提取的儲(chǔ)油罐及其周邊影像，本文利用陰影的色彩空間特征檢測(cè)儲(chǔ)油罐陰影，將RGB影像轉(zhuǎn)換到HSV色彩空間，并利用閾值分割的方法提取陰影。陰影在HSV色彩空間影像中具有高色調(diào)和低亮度的性質(zhì)，利用式(7)得到比值圖像。

(7)

式中：Hij為像元(i，j)色調(diào)通道分量；Vij為像元(i，j)亮度通道分量。最后采用閾值分割和數(shù)學(xué)形態(tài)學(xué)優(yōu)化得到最終的目標(biāo)陰影。

2)陰影長(zhǎng)度計(jì)算。儲(chǔ)油罐的陰影類似于新月形，根據(jù)陰影與儲(chǔ)油罐空間幾何關(guān)系原理，儲(chǔ)油罐沿太陽(yáng)光線方向上形成陰影。本文基于亞像素細(xì)分定位的思想來(lái)提取陰影中與太陽(yáng)光線平行的線段，根據(jù)式(8)、式(9)計(jì)算線段的長(zhǎng)度L。

(8)

S=L×k

(9)

式中：(s，t)、(x，y)分別是線段2端點(diǎn)p、q的坐標(biāo)；S是儲(chǔ)油罐陰影長(zhǎng)度；k是空間分辨率。其陰影長(zhǎng)度計(jì)算的詳細(xì)步驟如下。

①在提取的儲(chǔ)油罐陰影基礎(chǔ)上，分別獲取陰影的內(nèi)外邊緣像元點(diǎn)坐標(biāo)；

②在陰影的內(nèi)外邊緣上分別選取一個(gè)像元點(diǎn)構(gòu)建像元對(duì)，計(jì)算像元對(duì)所在直線的方位角，然后分別在內(nèi)外邊緣上遍歷所有像元點(diǎn)；

③比較每個(gè)像元對(duì)的方位角與太陽(yáng)方位角的差值，記錄差值小于1°的像元對(duì)坐標(biāo)；

④根據(jù)亞像元細(xì)分定位的思想[1]，將步驟③選取的像元對(duì)的外邊緣坐標(biāo)細(xì)等分，通過(guò)遍歷操作，獲得使方位角差值小于0.05°的點(diǎn)，將獲得的點(diǎn)與陰影內(nèi)邊緣像元的中心點(diǎn)(陰影內(nèi)邊像元是混合像元，所以選擇像元中心點(diǎn))根據(jù)式(8)計(jì)算出長(zhǎng)度；

⑤對(duì)所有求取的像元對(duì)長(zhǎng)度取均值，根據(jù)式(9)，計(jì)算陰影的實(shí)際長(zhǎng)度。

3)儲(chǔ)油罐高度及體積計(jì)算。遙感影像中儲(chǔ)油罐陰影的形成與儲(chǔ)油罐的大小、太陽(yáng)高度角、太陽(yáng)方位角和衛(wèi)星方位角有關(guān)。儲(chǔ)油罐的周邊一般地面平坦，油罐垂直于地面，儲(chǔ)油罐之間具有一定間隔。根據(jù)遙感衛(wèi)星成像角度的不同，選取儲(chǔ)油罐的陰影完全落在間隔地面的影像。在上述限定條件下，利用儲(chǔ)油罐、衛(wèi)星方位角、太陽(yáng)方位角和太陽(yáng)高度角之間的幾何關(guān)系，可以計(jì)算儲(chǔ)油罐的高度信息。儲(chǔ)油罐的高度與其陰影之間的位置關(guān)系可以分為3種情況：①衛(wèi)星方位角與太陽(yáng)方位角的差值大于180°；②衛(wèi)星方位角等于太陽(yáng)方位角；③衛(wèi)星方位角與太陽(yáng)方位角的差值小于180°[17]。本文選取的實(shí)驗(yàn)數(shù)據(jù)屬于第一種情況，以下論述為該條件下數(shù)據(jù)處理過(guò)程，其他條件可以此類推。

在遙感衛(wèi)星成像時(shí)，如果衛(wèi)星方位角與太陽(yáng)方位角的差值大于180°，即衛(wèi)星和太陽(yáng)位于儲(chǔ)油罐的兩側(cè)，那么遙感影像包含儲(chǔ)油罐所有的陰影，這種情況的幾何關(guān)系如圖4所示。根據(jù)式(10)計(jì)算儲(chǔ)油罐高度。

圖4 衛(wèi)星、太陽(yáng)和儲(chǔ)油罐幾何關(guān)系示意

h=S×tanα

(10)

式中：α是太陽(yáng)高度角；h是儲(chǔ)油罐高度；S是儲(chǔ)油罐陰影長(zhǎng)度。然后利用式(11)計(jì)算儲(chǔ)油罐體積。

V=π×r2×h

(11)

式中：r是儲(chǔ)油罐底面半徑。

2 實(shí)驗(yàn)與結(jié)果分析

2.1 實(shí)驗(yàn)平臺(tái)搭建

實(shí)驗(yàn)平臺(tái)為臺(tái)式計(jì)算機(jī)，處理器為Intel Core i9-9900k，32 GB內(nèi)存，512 GB固態(tài)硬盤，GPU為NVIDIA RTX2080，運(yùn)行環(huán)境為Ubuntu16.04系統(tǒng)，Python 3.5，Tensorflow1.2.1。

2.2 改進(jìn)Faster R-CNN儲(chǔ)油罐檢測(cè)模型訓(xùn)練

1)實(shí)驗(yàn)數(shù)據(jù)集。在模型訓(xùn)練的實(shí)驗(yàn)中，本文以高分二號(hào)數(shù)據(jù)、部分開放的高分辨率遙感影像以及部分公開的遙感數(shù)據(jù)集為數(shù)據(jù)源，按照VOC格式制作數(shù)據(jù)集。其中，根據(jù)儲(chǔ)油罐建造方法的不同以及遙感影像觀測(cè)特點(diǎn)將儲(chǔ)油罐分為2類：外浮頂式儲(chǔ)油罐(外浮頂罐)和固定頂式儲(chǔ)油罐(固定頂罐)。圖片尺寸為512像素×512像素，獲得共計(jì)1 215張圖片，最后按照訓(xùn)練集∶驗(yàn)證集∶測(cè)試集=2∶2∶1的比例進(jìn)行訓(xùn)練。

Faster R-CNN訓(xùn)練方式分為2種：分階段交替訓(xùn)練和近似聯(lián)合訓(xùn)練。近似聯(lián)合訓(xùn)練占用的顯存更小并且效率更高，2種方法識(shí)別效果基本相同，因此，本文采用近似聯(lián)合訓(xùn)練方式。

2)模型訓(xùn)練實(shí)驗(yàn)結(jié)果與分析。實(shí)驗(yàn)中采用mAP(mean average precision)作為評(píng)價(jià)指標(biāo)[18]。mAP的計(jì)算方法如式(12)所示。

(12)

式中：n為類別數(shù)；Pre為精準(zhǔn)率；Rrc為召回率。mAP體現(xiàn)模型識(shí)別效果的優(yōu)劣程度，其值越大效果越好。

為了檢驗(yàn)改進(jìn)方法的效果，實(shí)驗(yàn)中分別采用不同的方案來(lái)訓(xùn)練和測(cè)試網(wǎng)絡(luò)模型。具體實(shí)驗(yàn)結(jié)果見(jiàn)表1。在原始網(wǎng)絡(luò)中anchor默認(rèn)參數(shù)為9，即(長(zhǎng)寬比為1∶1、1∶2、2∶1；尺度為1282、2562、5122)。但是原始Faster R-CNN采用的數(shù)據(jù)集照片不是遙感影像，其獲得的尺度參數(shù)與本文的數(shù)據(jù)集不匹配，為了降低漏檢率，根據(jù)遙感影像中儲(chǔ)油罐大小特點(diǎn)增添一種參數(shù)為642的尺度，將anchor的數(shù)量從原來(lái)的9增加到12，使得模型可以檢測(cè)更多的儲(chǔ)油罐。從表1可以得出，運(yùn)用合適的anchor尺度，可以使mAP提升2%以上；通過(guò)對(duì)比不同特征提取網(wǎng)絡(luò)的訓(xùn)練結(jié)果，本文改進(jìn)的特征提取網(wǎng)絡(luò)相比經(jīng)典的VGG16網(wǎng)絡(luò)，可以使mAP值提升3%以上，與層數(shù)更多的ResNet101網(wǎng)絡(luò)相比，也保持較快的檢測(cè)速度。從整個(gè)對(duì)比實(shí)驗(yàn)可看出，通過(guò)改進(jìn)網(wǎng)絡(luò)模型，最終可使儲(chǔ)油罐檢測(cè)的mAP達(dá)到90.29%，識(shí)別每張圖片僅需183 ms。實(shí)驗(yàn)證明，改進(jìn)后的Faster R-CNN算法能夠有效地優(yōu)化儲(chǔ)油罐檢測(cè)模型。

表1 不同策略訓(xùn)練模型對(duì)比實(shí)驗(yàn)

2.3 儲(chǔ)油罐參數(shù)提取

本文選取蘭州地區(qū)的一景高分二號(hào)影像為實(shí)驗(yàn)數(shù)據(jù)，其衛(wèi)星成像時(shí)間是2018年4月18日，太陽(yáng)高度角是63.06°，太陽(yáng)方位角是161.98°，衛(wèi)星方位角是281.84°。為了保證目標(biāo)提取的精度，在進(jìn)行陰影提取之前，原始遙感影像需要預(yù)處理，首先對(duì)高分二號(hào)衛(wèi)星的原始數(shù)據(jù)進(jìn)行輻射定標(biāo)，并利用FLAASH模型進(jìn)行大氣校正；然后基于RPC模型和DEM數(shù)據(jù)進(jìn)行正射校正，并采用超分辨率貝葉斯法融合多光譜影像和全色影像。

利用訓(xùn)練好的改進(jìn)Faster R-CNN模型對(duì)預(yù)處理后的影像進(jìn)行目標(biāo)檢測(cè)，得到含有儲(chǔ)油罐的錨框，結(jié)果如圖5(a)所示。影像中40個(gè)儲(chǔ)油罐全部被檢測(cè)到，沒(méi)有漏撿；3個(gè)其他地物被錯(cuò)檢為儲(chǔ)油罐，精準(zhǔn)率為93%。一般生成的錨框邊長(zhǎng)約是儲(chǔ)油罐的直徑，恰好包括整個(gè)的儲(chǔ)油罐，如圖5(b)所示，而實(shí)際生產(chǎn)中大型儲(chǔ)油罐的高徑比小于1[19]，因衛(wèi)星成像角度的原因，遙感影像中建筑物的陰影長(zhǎng)度一般小于高度。本文在原始錨框尺寸的基礎(chǔ)上將錨框的邊長(zhǎng)擴(kuò)大一倍，將儲(chǔ)油罐及儲(chǔ)油罐的陰影全部包括，得到圖5(c)。由圖5(c)可知，圖中只有儲(chǔ)油罐、陰影及地面，沒(méi)有其他的地物干擾陰影的提取，達(dá)到了預(yù)期目的。

圖5 目標(biāo)檢測(cè)結(jié)果

1)儲(chǔ)油罐陰影長(zhǎng)度提取。將修改尺寸后的RGB色彩空間的錨框圖像轉(zhuǎn)化為HSV色彩空間的影像(圖6(a))，對(duì)HSV色彩空間的影像分別提取影像的H通道分量、V通道分量，利用式(7)計(jì)算二者的比值圖像，結(jié)果如圖6(b)所示。然后利用閾值分割得到圖6(c)。由圖6(c)可知，儲(chǔ)油罐陰影為典型的月牙形狀，通過(guò)數(shù)學(xué)形態(tài)學(xué)的閉運(yùn)算，剔除非目標(biāo)陰影的圖斑，得到儲(chǔ)油罐陰影，如圖6(d)所示。最后提取陰影的邊界(圖6(e))得到內(nèi)外邊緣坐標(biāo)，根據(jù)上文中的式(8)、式(9)計(jì)算得到陰影長(zhǎng)度，由幾何關(guān)系推算儲(chǔ)油罐高度(式(10))。儲(chǔ)油罐的半徑直接通過(guò)Hough變換從RGB影像上提取，結(jié)果如圖6(f)所示。

圖6 陰影提取各步驟結(jié)果

2)儲(chǔ)油罐參數(shù)提取精度分析。本文選取蘭州國(guó)家石油儲(chǔ)備基地的30個(gè)儲(chǔ)油罐作為實(shí)驗(yàn)?zāi)繕?biāo)，其參數(shù)計(jì)算結(jié)果如表2所示。根據(jù)相關(guān)文獻(xiàn)資料，實(shí)驗(yàn)區(qū)內(nèi)儲(chǔ)油罐高度均為21.8 m，半徑均為40 m[19]。從表2高度部分可知，絕大部分儲(chǔ)油罐計(jì)算高度與實(shí)際高度的絕對(duì)誤差在0.5 m以內(nèi)，相對(duì)誤差在3%以內(nèi)，說(shuō)明本文所采用的利用儲(chǔ)油罐陰影長(zhǎng)度的均值估算油罐高度的方法是可行的。圖7(a)為30個(gè)儲(chǔ)油罐高度的相對(duì)誤差統(tǒng)計(jì)曲線。

表2 儲(chǔ)油罐的參數(shù)計(jì)算

儲(chǔ)油罐的高度估算精度取決于陰影的提取結(jié)果，本文中半徑提取存在誤差的主要原因是儲(chǔ)油罐的陰影不是規(guī)則的扇形，且因成像角度的原因，陰影中包含儲(chǔ)油罐的部分柱面；在儲(chǔ)油罐陰影提取過(guò)程中，儲(chǔ)油罐的柱面被誤識(shí)別為陰影區(qū)域，導(dǎo)致計(jì)算出來(lái)的儲(chǔ)油罐高度偏大。

本文是在目標(biāo)檢測(cè)的基礎(chǔ)上逐個(gè)提取儲(chǔ)油罐半徑，實(shí)驗(yàn)中儲(chǔ)油罐的半徑全部提取成功。半徑統(tǒng)計(jì)結(jié)果如表2所示，圖7(b)為30個(gè)儲(chǔ)油罐半徑的相對(duì)誤差統(tǒng)計(jì)曲線。從表2的統(tǒng)計(jì)結(jié)果可知，儲(chǔ)油罐半徑的計(jì)算結(jié)果與實(shí)際長(zhǎng)度的絕對(duì)誤差處于2種誤差量級(jí)(0.014 m和0.8 m)，并且相對(duì)誤差在2%以內(nèi)。在半徑提取實(shí)驗(yàn)中，由于本文先利用Faster R-CNN檢測(cè)儲(chǔ)油罐，然后逐個(gè)提取儲(chǔ)油罐半徑，相比傳統(tǒng)的直接采用Hough變換在影像上提取半徑的方法，大大減少了儲(chǔ)油罐的漏檢的情況。表2中儲(chǔ)油罐半徑的絕對(duì)誤差都處于2個(gè)量級(jí)。因?yàn)槿诤虾蟮母叻侄?hào)影像的分辨率是0.81 m，而儲(chǔ)油罐的罐壁存在一定的厚度，導(dǎo)致在提取邊界時(shí)存在接近一個(gè)像元大小的誤差，造成計(jì)算半徑與實(shí)際半徑存在0.8 m左右的誤差。本文將儲(chǔ)油罐罐體視為標(biāo)準(zhǔn)圓柱體，然后利用式(11)來(lái)估算儲(chǔ)油罐體積，結(jié)果如表2體積部分所示。圖7(c)為30個(gè)儲(chǔ)油罐預(yù)估體積相對(duì)誤差統(tǒng)計(jì)曲線圖。

圖7 儲(chǔ)油罐各參數(shù)相對(duì)誤差曲線

綜合上述結(jié)論可知，絕大部分儲(chǔ)油罐體積的估算結(jié)果與實(shí)際的絕對(duì)誤差范圍在0.017 8×104～0.512×104m3之間，相對(duì)誤差范圍在0.07%～4.71%之間。說(shuō)明本文方法具有一定的實(shí)際應(yīng)用價(jià)值。

3 結(jié)束語(yǔ)

本文首先構(gòu)建了用于Faster R-CNN網(wǎng)絡(luò)訓(xùn)練的高分遙感影像儲(chǔ)油罐數(shù)據(jù)集，根據(jù)遙感影像中儲(chǔ)油罐的特點(diǎn)使用改進(jìn)特征提取網(wǎng)絡(luò)、增加錨點(diǎn)數(shù)量策略優(yōu)化原始的Faster R-CNN網(wǎng)絡(luò)模型。實(shí)驗(yàn)結(jié)果證明，本文方法對(duì)儲(chǔ)油罐檢測(cè)精度相比原始網(wǎng)絡(luò)提高6.39%，儲(chǔ)油罐檢測(cè)的mAP達(dá)到90.29%。本文基于高分二號(hào)遙感影像，開展了大面積影像儲(chǔ)油罐自動(dòng)檢測(cè)實(shí)驗(yàn)，得到了含有完整儲(chǔ)油罐陰影的錨框影像，通過(guò)陰影長(zhǎng)度計(jì)算儲(chǔ)油罐的高度，利用Hough變換計(jì)算半徑，進(jìn)而預(yù)估儲(chǔ)油罐體積。實(shí)驗(yàn)中儲(chǔ)油罐體積估算結(jié)果的平均相對(duì)誤差為2.37%，說(shuō)明本文建立的提取方法具有較高的應(yīng)用價(jià)值。