基于ResNet的面向对象矿区占地信息提取研究_甄娜.pdf

第41卷 第4期2023年4月河 南 科 学HENAN SCIENCEVol.41 No.4Apr.2023收稿日期：2022-09-26基金项目：河南省财政项目（豫财预 2014 134号，豫财预 2015 128号，豫财环 2016 44号）；国家自然科学基金（62071439）作者简介：甄娜（1985-），女，工程师，主要研究方向为自然资源调查及监测文章编号：1004-3918（2023）04-0619-06基于ResNet的面向对象矿区占地信息提取研究甄娜1，陈涛2，霍光杰1，李小芳3（1.河南省自然资源监测院，河南省地质灾害防治重点实验室，郑州450000；2.中国地质大学（武汉）地球物理与空间信息学院，武汉430074；3.河南邦尔环保科技有限公司，郑州450000）摘要：利用高分二号影像结合面向对象方法展开矿区占地信息提取研究，采用面积比均值法确定分割尺度进行多尺度分割获取对象，基于空间优化工具选取特征后标记样本，其中训练集、测试集和验证集比例为3 1.将样本集在ResNet模型中训练，应用于全部对象，并与CNN模型进行对比.结果表明，面向对象方法结合ResNet 模型进行矿区占地信息提取总体精度为91.41%，Kappa系数为0.89，优于CNN方法.该方法适用于以露天采场和矿堆为主的矿区环境，可以为后续的矿区环境治理工作提供有效的技术支持.关键词：矿区占地信息；面向对象方法；ResNet；信息提取；遥感图像中图分类号：TP 753文献标识码：AResearch on Mining Area Land Occupation Information ExtractionBased on ResNet and Object-oriented MethodZHEN Na1，CHEN Tao2，HUO Guangjie1，LI Xiaofang3（1.Henan Key Laboratory of Geological Disaster Prevention and Control，Natural Resources Monitoring Institute of Henan Province，Zhengzhou 450000，China；2.Institute of Geophysics and Geomatics，China University of Geosciences，Wuhan 430074，China；3.Henan Banger Environmental Protection Technology Co.Ltd.，Zhengzhou 450000，China）Abstract：In this paper，the mining area information extraction research is carried out by combining Gaofen-2image with object-oriented method，and the area ratio mean method is used to determine the segmentation scale formulti-scale segmentation to obtain objects.The samples are labeled after selecting features based on the spatialoptimization tool，and the ratio of training set，test set and verification set is 3 1.The sample set is trained in theResNet model，applied to all objects，and compared to the CNN model.The results show that the overall accuracy ofmining land area information extraction by object-oriented method combined with ResNet model is 91.41%，and theKappa coefficient is 0.89，which is better than that of CNN method.The proposed method is suitable for the miningenvironment dominated by open-pit and mine piles，and can provide effective technical support for subsequentenvironmental governance work in mining areas.Key words：mining area information；object-oriented method；ResNet；information extraction；remote sense image近年来，我国矿业蓬勃发展，同时带来了大量的矿山开采活动1.随着制度的不断完善，我国对生态环境保护尤为重视2-4，准确地掌握矿区占地信息是矿山环境治理十分关键的一步.国内最早的遥感矿山环境监测研究工作用的是航空影像的热红外数据和Landsat-5 TM等中分辨率的卫星影像5-6.21世纪高分辨率商业遥感飞速发展，为查明我国矿山地质环境现状提供基础数据上的支持，有学者采用目视解译在高空间分辨率影像中提取尾矿库7-8.由于基于像素的方法忽略了高分辨率影像的空间信息和纹理信息，面向对象第41卷 第4期河 南 科 学2023年4月的方法逐渐被应用于矿区环境治理的工作中.祝振江基于SPOT5数据采用面向对象结合标准最邻近法对辽宁省某一露天矿进行分类9；曹筱莹应用模糊C均值聚类对大小范围进行面向对象的矿山占地提取评价10；黄丹等应用面向对象方法对鄂尔多斯市东胜区露天矿区的土地覆盖类型分类，精度达到89.47%11；程璐应用面向对象结合支持向量机的方法提取了木里煤田江仓矿区的土地覆盖信息，取得了较好的效果12；Chen等将面向对象方法与卷积神经网络（Convolutional Neural Networks，CNN）结合提取露天采场信息，总体精度较支持向量机提高了7.28%，Kappa系数提升到了0.8613.伴随着机器学习的发展，智能化的遥感影像分类技术能够进一步降低人工目视解译的成本，提高矿区信息获取的精度和效率.基于CNN的基本结构，又有学者相继提出了更为高效的网络结构，其中，He 等提出的残差卷积神经网络（Residual Networks，ResNet）能够在加深网络层数的同时更好地完成图像分类任务14.综上所述，面向对象方法是提高高分辨率影像提取精度的有效途径，深度学习可以为矿山环境监测提供新的技术方法.但目前针对矿区环境应用的深度学习方法较少，其效果与优势都有待深入研究.由此，本文利用高分二号影像，以河南省禹州市北部的部分矿区为研究区，将面向对象方法与ResNet结合，探究其在矿区占地信息提取中的应用效果，为绿色矿山发展提供新的决策支持.1研究区与数据源禹州市为河南省许昌市代管的县级市，面积约1461 km2.北部、西部分布山地丘陵，中部和东南部为冲积平原，地势由西北向东南倾斜.研究区位于禹州市北部1132240E1133225E和341451N342016N之间.本文所用的两景高分影像的成像时间为2018年4月16日，包含红、绿、蓝、近红外四个波段，实验数据通过1 m和4 m的图像融合得到（图1）.其他数据包括行政区划数据和研究区土地利用数据，作为后续研究的参考数据.在实地调查的基础上，将研究区划分为7类地物，分别为露天采场、植被、道路、裸土、建筑、水体和矿堆.2研究方法本文的实验主要分为数据准备、影像分割、矿区占地信息提取、提取结果评价四个部分，流程图如图2所示.2.1多尺度分割及最优尺度选取方法多尺度分割方法的原理是：从图像底层的像素开始搜索，结合与该像素属性相似的相邻像素，并与之结合形成一个新的具有相同属性的像素块，称为影像对象15.在这个过程中，遵循的是最小异质性原则，即像图1研究区影像（红：波段4，绿：波段3，蓝：波段2）Fig.1Image of the study area（R：band4，G：band3，B：band2）34200 N34150 N113250 E113300 E01.53.0 km野外验证露天采场N-620权重层权重层ReLUReLU+xxF(x)F(x)+xH(x)引用格式：甄娜，陈涛，霍光杰，等.基于ResNet的面向对象矿区占地信息提取研究 J.河南科学，2023，41（4）：619-624.素的生长方向为异质性最小的方向.异质性f由颜色特性和形状特性组成，形状异质性与紧致度和平滑度有关，二者的和为1.f=wcolorhcolor+wshapehshape，（1）wcolor+wshape=1，（2）hshape=wcompacthcompact+wsmoothhsmooth，（3）wcompact+wsmooth=1.（4）式中：wcolor、wshape是颜色因子和形状因子的权重；hcolor、hshape分别表示光谱异质性和形状异质性；hcompact和hsmooth分别为紧致度变化量和平滑度变化量；wcompact、wsmooth表示紧致度因子和平滑度因子的权重值.在研究中，需要在eCognition软件中设置权重值再进行后续分割工作.面积比均值法是一种考虑分割前后的面积关系和对象个数关系的最优尺度的选取办法，其通过寻找最大的面积比均值R，来确定图像的最优分割尺度16，其公式如下：R=1mi=1mSTiniSOi.（5）式中：m为图像中该类地物的总个数；ni为第i个目标地物分割后的对象的个数；STi为第i个目标地物的实际面积；SOi为第i个目标地物分割后对象的面积和.由此，R越接近1时，分割效果越好.2.2对象特征选择影像的特征主要有：通过灰度值计算的光谱特征，表示对象几何信息的形状特征，表示像元间空间分布信息的纹理特征和表征相邻对象关系的邻域特征17-19.选取的特征过少会影响分类精度，选取的特征过多会导致数据冗余，增加计算量，实验中选取合适的特征有助于提高提取精度.2.3CNN模型LeNet5是最早的卷积神经网络之一，其定义的卷积神经网络由卷积层、池化层和全连接层组成20.卷积层通过卷积核的移动提取特征，池化层对数据进行压缩避免数据冗余，全连接层通常位于模型末端来与分类器连接.本文中应用的CNN模型基于LeNet5进行改进，其结构如图3所示，包括2个卷积层、2个池化层、2个全连接层和1个Dropout层，Dropout层的作用是随机抑制神经元，防止模型过拟合.2.4ResNet模型ResNet将残差表示与CNN模型相结合，形成可以进行残差学习的块结构（图4），其通过跳跃连接结构传递不同层的特征，将输入的x连接到输出上，残差网络使堆叠的权重层拟合残差映射F(x)而不是原始映射H(x)，此时F()x=H()x-x.由此来对深层网络进行优化，以解决梯度消失问题，从而提高网络的收敛速度和准确率.本文中应用的ResNet模型总共包含18层，如图5（a）所示.首先对输入图2研究流程图Fig.2Research flowchart图3CNN模型结构Fig.3Model structure of CNN图4残差块Fig.4Residual block输入卷积层1最大池化层1最大池化层2卷积层2全连接层1Dropout层全连接层2Softmax输出数据准备高分二号影像行政区划图土地利用图ResNet5模型CNN模型确定最优尺度影像分割预处理多尺度分割制作样本集特征选择网络训练网络训练提取结果提取结果提取结果评价总体精度生产者精度使用者精度Kappa系数F值