张阳阳,詹 炜,孙晨帆
(长江大学计算机科学学院,湖北荆州 434023)
本文基于深度学习方法,通过无人机采集城市建筑图像,经过筛选和标注构造数据集,在tensorflow 深度框架下构建神经网络对建筑图像数据集进行训练,得到高鲁棒性的检测模型,从而实现对目标建筑物的实时检测。
在深度学习技术出现以前,传统的建筑监测方法主要是利用遥感影像数据检测[1],由人工对遥感影像[2]进行解释。对违建问题由群众监督举报,再由主管执法部门到现场确认,其缺点显而易见:①取证难;②成本高,巡查速度慢、效率低;③发现、过程处理及事后监管难,易反复。识别违章建筑的关键是检测建筑物的变化情况。早期建筑物变化检测大都通过人工解释,效率较低且存在建筑物遗漏问题。
20 世纪90 年代以来,学者通过遥感影像数据检测城市建筑物变化。通过分析在相同地区不同时间段所获取的遥感图像中光谱的变化情况,比较不同时间段图像的差异从而检测发生变化的地物并区分变化类别[3]。该方法实现路线是:首先计算同区不同时段两期影像的变化矢量,然后利用直方图阈值、贝叶斯最小错误率、经验公式、人工判别等阈值法设置变化量阈值,将遥感影像分为变化区域和未变化区域两部分,最后通过分析变化区域内像素的变化方向对变化类别进行区分。基于遥感影像的城市建筑物变化检测方法缺点是:①该方法是一种对比方法,需要规划部门提供原始的建筑物规划数据用于对比,规划数据难以获得;……