基于深度学习与无人机遥感影像的管线变化检测技术研究

发布时间：2022-12-04 12:10

　　管道在运输气体、液体等物体时具有安全、高效率等优势,对管线自身以及周边环境的变化检测是一个重要环节。传统的人工实际勘察作业,在效率和成本方面存在一定的局限性,如何实现自动化、高精度的管线变化检测是一个值得研究的课题。本研究基于无人机技术,获取管线覆盖区域的多幅影像,拼接成检测目标的完整影像数据,再利用深度学习方法进行多时相的无人机管线的变化检测研究。具体包括:（1）由于一幅无人机影像不能涵盖所有的检测目标和区域,如何对拍摄的多幅连续目标影像进行精确拼接是进行高精度管线变化检测的前提条件。针对该问题,本文基于SIFT算子,利用RANSAC算法消除异常值、Levenberg-Marquardt算法对单应矩阵求精,采用影像多级分组的方式拼接影像等优化手段,研究并实现高精度、高鲁棒性的优化SIFT匹配与拼接算法,实现管线影像的精准拼接。（2）基于深度学习技术,设计并实现基于无人机遥感影像的管线变化检测深度学习模型,通过Adam算法对Mask R-CNN网络进行优化,并在Keras框架下进行实现。利用该模型,将（1）拼接后的完整影像作为输入,可实现像素级的管线变化检测。（3）以PyQt5作为系统... 

【文章页数】：92 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 无人机遥感变化检测及系统研究
            1.2.1.1 变化检测方法
            1.2.1.2 处理系统分析
        1.2.2 影像配准与拼接
    1.3 本文的主要贡献与创新
        1.3.1 研究内容
        1.3.2 技术路线
    1.4 本文组织结构
第二章 相关技术及理论介绍
    2.1 无人机遥感影像配准与拼接
        2.1.1 影像配准基本定义
        2.1.2 影像配准的分类
            2.1.2.1 点特征
            2.1.2.2 线特征
            2.1.2.3 面特征
    2.2 深度学习
        2.2.1 深度学习理论基础
        2.2.2 卷积神经网络
        2.2.3 主流深度学习框架
    2.3 图像变化检测
    2.4 PyQt5 简介
    2.5 本章小结
第三章 无人机遥感影像配准与拼接
    3.1 基于标准SIFT算法的无人机影像配准与拼接
    3.2 基于优化SIFT算法的无人机影像配准与拼接
        3.2.1 优化SIFT算法设计
        3.2.2 RANSAC算法消除异常值
        3.2.3 单应矩阵求解
        3.2.4 Levenberg-Marquardt算法对单应矩阵求精
        3.2.5 影像拼接
    3.3 实验结果及分析
        3.3.1 实验方案
            3.3.1.1 实验数据获取
            3.3.1.2 实验步骤
        3.3.2 实验结果及分析
            3.3.2.1 选定对比影像集
            3.3.2.2 特征点提取分析
            3.3.2.3 特征点匹配分析
            3.3.2.4 拼接效果验证分析
    3.4 本章小结
第四章 基于深度学习的管线变化检测
    4.1 Mask R-CNN介绍
    4.2 基于Mask R-CNN的无人机遥感影像变化检测优化方法设计
        4.2.1 管线变化检测模型设计
        4.2.2 无人机遥感影像变化检测模型的优化方法设计
    4.3 基于Keras框架的管线变化检测模型实现
        4.3.1 数据集准备
            4.3.1.1 数据获取
            4.3.1.2 数据增强
            4.3.1.3 数据预处理
        4.3.2 管线变化检测模型实现
    4.4 实验结果及分析
    4.5 本章小结
第五章 基于无人机遥感影像与深度学习的管线变化检测系统设计与实现
    5.1 系统整体设计
        5.1.1 系统可行性分析
            5.1.1.1 技术可行性
            5.1.1.2 用户使用可行性
        5.1.2 系统需求分析
            5.1.2.1 功能需求
            5.1.2.2 非功能需求
        5.1.3 系统概要设计
    5.2 系统设计与实现
        5.2.1 系统实现环境
        5.2.2 系统详细设计
        5.2.3 系统实现
    5.3 系统测试
        5.3.1 系统测试环境
        5.3.2 系统功能测试
    5.4 本章小结
第六章 总结与展望
    6.1 全文总结
    6.2 研究展望
致谢
参考文献
攻读硕士学位期间取得的成果


【参考文献】：
期刊论文
[1]高分辨率遥感影像的深度学习变化检测方法[J]. 张鑫龙,陈秀万,李飞,杨婷.  测绘学报. 2017(08)
[2]改进的SIFT图像匹配算法[J]. 李炀,翟社平.  计算机技术与发展. 2016(11)
[3]利用影像分割和匹配特征进行无人机影像变化检测[J]. 徐亚明,石娟,安动动,马旭东.  武汉大学学报(信息科学版). 2016(10)
[4]无人机遥感系统的研究进展与应用前景[J]. 李德仁,李明.  武汉大学学报(信息科学版). 2014(05)
[5]遥感变化检测技术方法综述[J]. 马云飞,李宏.  测绘与空间地理信息. 2014(01)
[6]一种面向灾害应急的UAV影像快速拼接方法[J]. 李明,刘欢,朱欣焰.  灾害学. 2012(03)
[7]基于分数阶微分的尺度不变特征变换图像匹配算法[J]. 张丽敏,周尚波.  计算机应用. 2011(04)
[8]基于LBP/C纹理的遥感影像居民地变化检测[J]. 张剑清,佘琼,潘励.  武汉大学学报(信息科学版). 2008(01)
[9]基于边缘特征匹配的遥感影像变化检测预处理方法[J]. 袁修孝,宋妍.  武汉大学学报(信息科学版). 2007(05)
[10]基于正射影像匹配的地形变化检测与更新算法[J]. 李德仁,夏松,江万寿.  地理与地理信息科学. 2006(06)

博士论文
[1]基于无人机影像的变化检测关键技术研究[D]. 石娟.武汉大学 2015
[2]基于特征点的图像配准与拼接技术研究[D]. 杨占龙.西安电子科技大学 2008

硕士论文
[1]基于深度学习的地质统计学反演方法[D]. 谢鹏飞.长江大学 2019
[2]基于深度学习的异源图像变化检测[D]. 李朝良.西安电子科技大学 2018
[3]基于深度学习的多源遥感影像目标检测技术的研究[D]. 杨诗寓.哈尔滨工业大学 2018
[4]基于SIFT算法的无人机影像优化拼接研究[D]. 张志成.东北大学 2013
[5]无人机遥感影像变化检测若干关键技术的研究[D]. 李渭.集美大学 2013
[6]基于图像拼接的车载全视角观测器研究与实现[D]. 杨萍.北京工业大学 2011



本文编号：3708244