论文题目：基于无人机遥感的建筑垃圾机器辨识与变化检测方法研究
摘要：建筑垃圾的精准识别与变化检测是解决城市环境污染和建筑垃圾围城问题的关键。露天堆存的建筑垃圾对城市环境和居民健康都产生了不利影响,而由于缺乏及时准确的堆存的建筑垃圾动态监测数据,无疑增加了城市管理部门的监管难度。针对目前建筑垃圾快速识别和精准定位的问题,本研究适用于无人机遥感影像的建筑垃圾识别、分类与变化检测方法,建立具有较高准确性、快捷实用的语义分割与变化检测模型,探索无人机遥感的建筑垃圾识别与提取的工程化应用新技术与新途径,以期为试点城市规划和建筑垃圾管理提供科学参考。本文的研究内容与研究成果如下:（1）建筑垃圾语义分割与变化检测数据集制作以河南省平顶山市、山东省济宁市为研究区,使用大疆Phantom 4 RTK多旋翼无人机获取建筑垃圾堆存区域正射航拍影像,经过图像筛选、图像拼接和正射校正等一系列处理技术,形成样本量为25620张的语义分割数据集;对建筑垃圾同一堆存地点不同时期的影像数据进行直方图匹配和地理配准,共生成573对具有前后时序的变化检测数据集。（2）基于多语义分割的建筑垃圾机器辨识方法使用上述建筑垃圾语义分割数据集,基于Pytorch深度学习环境,分别以PSPNet、Deeplab V3+和U-Net网络模型构建识别模型并开展建筑垃圾识别实验;在进行训练和验证后,逐一统计验证样本的识别结果。结果表明,U-Net网络模型的整体性能及识别精度最高,平均交并比值为91.64%,类平均像素精度值为95.43%,1得分为0.955。在上述识别实验基础上,开展更为详细的建筑垃圾进分类实验。首先,通过增加U-Net原始网络的深度进行模型优化,获得IUNet网络模型;其次,基于图像处理技术提取无人机图像的边缘、纹理和颜色三种图像特征,并将这些特征以不同组合方式输入到IUNet模型中,构建覆盖防尘网的建筑垃圾IUNet-IF分类模型。结果表明,纹理特征、颜色特征与原图组合的输入方式为最优分类模型,像素精度指标高达98.96%,平均交并比高达93.60%,类平均像素精度高达97.18%。（3）建筑垃圾二值区域变化检测方法以U-Net网络为基础,在跳跃连接部分引入空间注意力模块,构建A-UNet建筑垃圾变化检测模型。将两幅不同时期的影像通道合并形成一个六通道数据,输入到改进的变化检测模型中进行训练。结果表明,模型的召回率高达93.1%,变化检测精度高达91.78%,引入的空间注意力模块可以有效地提升模型的鲁棒性。综上所述,本研究针对无人机遥感数据,结合深度学习与图像处理手段构建IUNet-IF建筑垃圾分类模型,基于U-Net网络引入空间注意力模块构建A-UNet建筑垃圾变化检测模型,实现了建筑垃圾的识别、分类与变化检测,形成一套完整的建筑垃圾机器辨识及动态监测体系。该体系在实际应用中能快速、精准地识别覆盖防尘网的建筑垃圾,获取其可靠类型,检测其变化区域,模型运行结果良好,达到了预期效果,可为建筑垃圾遥感无人机遥感监测的工程化应用提供有力支撑。
关键词：建筑垃圾;无人机遥感;语义分割;图像识别;图像分类;变化检测
学科专业：测绘工程（专业学位）
摘要
Abstract
第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 低空无人机遥感技术
1.2.2 基于语义分割的图像识别
1.2.3 基于深度学习的变化检测
1.2.4 建筑垃圾辨识与变化检测
1.3 论文研究框架体系
1.3.1 研究内容
1.3.2 技术路线
1.3.3 章节安排
第2章 研究区与相关理论基础
2.1 试点城市基本概况
2.2 无人机影像数据获取与处理
2.2.1 无人机影像数据获取
2.2.2 无人机正射影像处理
2.3 无人机遥感建筑垃圾样本数据库构建
2.3.1 建筑垃圾数据划分
2.3.2 语义分割数据集
2.3.3 变化检测数据集
2.4 本章小结
第3章 基于多语义分割的建筑垃圾机器辨识方法
3.1 语义分割简介及网络
3.1.1 全卷积神经网络
3.1.2 U-Net网络
3.1.3 Mobile Net V2网络
3.1.4 Deeplab V3+网络
3.1.5 PSPNet网络
3.2 建筑垃圾图像特征提取
3.2.1 颜色特征
3.2.2 边缘特征
3.2.3 纹理特征
3.3 实验环境配置
3.4 建筑垃圾识别实验结果与分析
3.4.1 精度评价指标
3.4.2 实验结果
3.4.3 结果分析
3.5 建筑垃圾分类实验结果与分析
3.5.1 Unet网络的改进
3.5.2 精度评价指标
3.5.3 实验总体流程
3.5.4 实验结果
3.5.5 结果分析
3.6 本章小结
第4章 建筑垃圾二值区域变化检测方法
4.1 变化检测基本流程
4.2 无人机遥感影像处理
4.2.1 直方图匹配
4.2.2 图像地理配准
4.3 基于U-Net网络变化检测方法
4.3.1 U-Net变化检测模型
4.3.2 U-Net网络的改进
4.4 实验结果与分析
4.4.1 实验环境配置
4.4.2 精度评价指标
4.4.3 实验结果
4.4.4 结果分析
4.5 本章小结
第5章 总结与展望
5.1 本文总结
5.2 研究展望
参考文献
致谢