学习记录
一、文献阅读记录
1.1 识别无人机拍摄的车辆
基于深度学习的无人机遥感图像目标识别方法研究-祝思君(硕士论文)
-
研究无人机遥感图像处理
辐射校正-几何校正-SIFT特征点提取算法(处理拍摄角度的不同导致图像的变形)-无人机图像拼接(Levenberg-Marquet算法-homography算法)
-
采用Faster R-CNN(90.59%)、YOLOv3(90.31%)、改进后的YOLOv3(92.25%),对无人机拍摄的车辆进行识别分类(目标检测)
改进后的YOLOv3多加了几个卷积层(多尺度检测)、增加dropout、正则化约束、relu函数
1.2土地利用/覆被综述
土地利用/覆被深度学习遥感分类研究综述
[1]冯权泷,牛博文,朱德海,陈泊安,张超,杨建宇.土地利用/覆被深度学习遥感分类研究综述[J].农业机械学报,2022,53(03):1-17.
写作架构:
- 介绍深度学习相关知识
- 对所研究遥感对象样本进行综述
- 模型介绍-泛化能力
- 展望
图像标签:
图像块级样本集:直接给一张图像命名,图像处理中常用的打标签方式(过程简单,但是不能获取特定地物的边界信息)
像素级样本集:遥感影像配以类别标签,对某一地物涵盖的所有像素进行标注(可以获取特定地物边界信息,但标注工作量大)
1.2.1卷积神经网络
优势在于遥感影像的空间特征提取
借助传统CV模型,并没有考虑到遥感多光谱成像特点的研究文献
双路神经网络(空间特征提取子网络,光谱特征提取子网络 )
1.2.2循环神经网络
RNN对光谱特征和时序特征的学习能力要强于CNN,可对耕地中的农作物进行精细分类
1.2.3卷积-循环神经网络
将两者耦合,既能提取空间特征又能提取光谱和时序特征
上面这篇文献可以去读一下:笔者针对小尺度的土地利用/覆被精细分类问题,构建了一种基于循环注意力网络的CNN-RNN耦合模型,并应用在多时相无人机可见光影像分类中。
1.2.4全卷积神经网络
可以实现像素级的地物分类,计算效率高
FCN-8s、UNet、DeepLab
未来展望:
1.可以继续借鉴CV领域最新研究成果,结合遥感影像自身特点针对性修改
2.设计深度学习模型时,如何考虑增加地学的先验知识,从而提高模型结构的合理性。
3.无监督(自监督)、半监督、迁移学习
1.3深度学习-林火监测
基于深度学习的林火监测算法研究-金邦(重大硕士论文)
1.3.1林火监测常用方法:
- 卫星监测:热红外辐射不同,利用GIS对热红外点进行定位。(成本高、扫描周期长)
- 航空巡护: 当林火发展到一定态势才能被观察到(飞行成本高)
- 地面巡护:观察范围有限
- 近地面观测:主要包括瞭望台监测(容易受到地势地形影响存在监测死角且对瞭望员的要求高)、传感器监测(价格实惠,但需要达到一定的浓度才能很好监测)、视频监控(远程视频监控,可以实现24小时不间断监测,更合理)。
1.3.2.传统现代两方法
1.基于视频图像的林火监测研究大多基于传统机器学习方法1.提取感兴趣区域ROI 2.对感兴趣区域进行林火特征提取 3.对提取的特征进行分类识别
结论:基于传统机器学习….过于依赖人工提取林火特征,特征提取的好坏,直接影响到检测效果。
2. cv领域目标检测和语义分割相比于图像分类这两种方法更能准确的检测到火焰区域
主流网络:
Faster R-CNN 、YOLO系列、SqueezeNet、U-Net
缺点:没有考虑森林环境噪声以及雾的干扰
1.3.3.数据来源
目前很难有公开的图像能够覆盖复杂多样的森林场景
- 土耳其比尔肯大学实验室
- 北亚桑那大学公开了基于航拍图像的森林火灾数据集:FLAME
- 网上爬取
数据集标记可以采用LablImg
1.3.4.主要内容
采用图像增强、去雾算法、图像滤波去除噪声
对YOLOv4改进得到DM-YOLOv4,引入了深度可分离卷积结构块和MobilenetV2
在U-net中引入金字塔模块PPM,设计PPM-U-net
1.4 Modis-林火监测(2022/9/4)
基于Modis数据的重庆市森林火灾监测与预警系统-硕士论文 刘琳
1.4.1遥感数据支持下林火监测
-
基于NOAA/AVHRR(极轨气象卫星)的林火监测(1980)
主要算法:(通道3/4)
- 固定阈值法(设定一个临界值)
- 邻近像元法(考虑火点与其周围的环境不同,而不是一个阈值,通过监测点与周围像元对比进行火灾识别)
- 亮温结合归一化植被指数(NDVI)法(利用某一时间点前后的植被指数变化情况来判别该点是否起火,利用通道3找出潜在火点,火点周围NDVI值会降低。)
-
基于EOS/MODIS的林火监测
NOAA空间分辨率低,EOS/MODIS传感器灵敏度和量化精度高,通道数多。Modis的火点判别方法是在NOAA-AVHRR的基础上改进而成。
三种方法:
- 绝对火点识别(固定阈值结合背景)–漏/误判
- 上下文法(先分6类再结合背景筛选)–复杂
- 三通道合成(7,2,1)
Modis仪器与NOAA卫星比较:
- 空间分辨率从NOAA的千米级提升到了百米级
- 时间分辨率提升,一天过境4次。
- 光谱分辨率提升,有36个波段。
1.4.2 理论基础
背景辐射:未发生燃烧的森林辐射。(利用背景辐射差异监测森林火灾)
普朗克辐射定律:
M
λ
(
λ
,
T
)
=
2
π
h
c
2
λ
5
∗
1
e
h
c
/
λ
K
T
−
1
M_\lambda(\lambda,T)=\frac{2\pi hc^2}{\lambda ^5}*\frac{1}{e^{hc/\lambda KT}-1}
Mλ(λ,T)=λ52πhc2∗ehc/λKT−11
斯特潘-波尔兹曼定律:
M
=
σ
T
4
M=\sigma T^4
M=σT4
维恩位移定律:
λ
m
a
x
.
T
=
b
\lambda_{max} .T=b
λmax.T=b
森林火灾的发生必然会导致温度的升高,进而辐射波长向短波方向移动
**亮温:**如果实际物体和黑体在同一波长下的光辐射度相同,则此黑体的温度称为该波长下的实际物体亮度温度。
1.4.3 本文火点监测方法
利用中红外波段的亮温来判别高温点并结合中红外波段与远红外波段亮温差值来排除伪火点确定真正的森林火灾火点。
1.5 无人机遥感+深度学习
A review on deep learning in UAV remote sensing(SCI 一区top) 深度学习在无人机遥感上的应用综述
国际应用地球观测和地球信息杂志
1.5.1 主要内容
- 对使用深度学习方法处理无人机影像的研究(232)进行全面回顾
二、会议、讲座记录
2.1 林火图像识别
基于深度学习的林火图像识别及其检测系统研发-南京林业大学信息学院-刘云飞(第二届中国林草计算机应用大会)
人工巡查:要耗费大量的时间,效率很低
传感器监测:对森林全方位覆盖的话安装成本太大
遥感卫星监测:由于卫星扫描分辨率的问题,所以难以及时发现局部地区的小火灾,且受限于轨道运行
瞭望塔:人工值守,人力成本大,需要护林员经验,基于无人机也需要人工值守,增加成本,难以常态化运行。
基于漏检和误检(太阳等识别成火焰)提出集成学习方案
火焰不具备清晰的轮廓,且无固定形状,林火属于弱监督类型(不完全监督、不确切监督、不精确监督)YOLOv5识别长条形火焰比较好,但是会漏检,EfficienDet对长条形火焰不敏感,但在识别其他类型林火时更为仔细,能够识别出所有火焰区域。
两种模型结合起来–提出集成学习模型(弱学习之间相互弥补错误)
结合无人机做一套实时监测的系统
1.机场检测与分类任务
2.遥感图像舰船检测与属性预测技术
3.遥感图像中河流矢量化技术
三、补充知识
3.1 遥感类期刊影响因子(impact factor)
SCI期刊:是美国信息科学研究所(ISI)出版的期刊文献检索工具,被该索引收录刊登的就叫做SCI论文。
JCR分区:期刊引用报告。根据不同学科将SCI期刊由影响因子的高低顺序平均划分为四个分区
- Q1区: 影响因子前25%(含25%)的期刊;
- Q2区: 影响因子位于25-50%(含50%)的期刊;
- Q3区: 影响因子位于50-75%(含75%)的期刊;
- Q4区: 影响因子位于75%之后的期刊。
**中科院分区:**中国版的JCR分区。在大类分区中设置Top期刊。通常Top期刊都是中科院一区或者部分二区的期刊(JCR Q1类期刊),国外不看区,看IF。
- 一区: 3年平均IF排名前5%;
- 二区: 3年平均IF排名前6%~20%;
- 三区: 3年平均IF排名前21%~50%;
- 四区: 3年平均IF排名前51%~100%;
遥感类期刊IF如下
No. | Journal Title | 2022IF | 2021 IF | 2020 IF | 2019 IF | JCR | 中科院 | Top |
---|---|---|---|---|---|---|---|---|
1 | IEEE Geoscience and Remote Sensing Magazine | 13.925 | 8.225 | 13.000 | 9.659 | Q1 | 一区 | 是 |
2 | Remote Sensing of Environment | 13.850 | 10.164 | 9.085 | 8.218 | Q1 | 一区 | 是 |
3 | ISPRS Journal of Photogrammetry and Remote Sensing | 11.774 | 8.979 | 7.319 | 6.942 | Q1 | 一区 | 是 |
4 | Giscience and Remote Sensing | 6.397 | 6.39 | 5.965 | 3.588 | Q1 | 一区 | 是 |
5 | IEEE Transactions on Geoscience and Remote Sensing | 8.125 | 5.600 | 5.855 | 5.630 | Q1 | 二区 | 是 |
6 | Remote Sensing in Ecology and Conservation | 5.787 | 5.481 | 5.360 | 4.780 | Q1 | 二区 | 否 |
7 | Journal oF Geodesy | 4.809 | 4.260 | 4.806 | 4.528 | Q1 | 二区 | 否 |
8 | International Journal of Applied Earth Observation and Geoinformation | 7.672 | 5.933 | 4.650 | 4.846 | Q1 | 一区 | 是 |
9 | Remote Sensing | 5.349 | 4.848 | 4.509 | 4.118 | Q1 | 二区 | 是 |
10 | IEEE Geoscience and Remote Sensing Letters | 5.343 | 3.966 | 3.833 | 3.534 | Q1 | 三区 | 否 |
11 | IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing | 4.715 | 3.784 | 3.827 | 3.392 | Q1 | 三区 | 否 |
3.2 林火监测
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-HunGAVFd-1662952214140)(image-20220829170656933.png)]
在网上一家公司找的防火案例,用摄像头24小时监测,无线传输
3.3 NOAA/AVHRR
NOAA气象卫星:(NOAA:美国海洋和大气管理局) 官网链接
NOAA气象卫星是近极地、与太阳同步的卫星,高度为833km~870km,轨道倾角98.7°,成像周期12小时。NOAA系列卫星采用双星运行,中低纬度地区每天可有四次过境机会。
AVHRR(Advanced Very High Resolution Radiometer):一种多光谱通道的扫描辐射仪,一共经历了三代传感器。
- AVHRR/1有4个原始波段,只有一个热红外(TIR)波段,第一代传感器搭载于TIROS-N,NOAA-6,NOAA-8,NOAA-10上
- AVHRR/2在前一代基础上增加了一个热红外的波段(11.5~12.5μm),便于反演地表温度。
- AVHRR/3搭载于AVHRR KLM ,NOAA18/19以及Metop A/B上,额外增加了一个中红外波段(3b波段)。
AVHRR常常经过处理、重采样成全球或者区域的地表温度(LST),海表温度(SST),归一化植被指数(NDVI)产品等。
AVHRR波段介绍:
通道 | 波长范围(μ m ) | 对应的波段 | 地面分辨率(星下点, km ) |
---|---|---|---|
AVHRR - 1 | 0.55 ~ 0.68 | 可见光 | 1.1 |
AVHRR - 2 | 0.725 ~ 1.1 | 近红外 | 1.1 |
AVHRR - 3 | 3.55 ~ 3.93 | 中红外 | 1.1 |
AVHRR - 4 | 10.5 ~ 11.3 | 热红外 | 1.1 |
AVHRR - 5 | 11.5 ~ 12.5 | 热红外 | 1.1 |
当卫星在星下点进行摄像时,影像的几何畸变最小。星下点分辨率是卫星在星下点摄像时能达到的最佳分辨率。
3.4 Modis数据
参考链接:https://blog.csdn.net/ESA_DSQ/article/details/70080617?
EOS(Earth Observation System):美国地球观测系统计划中的一系列卫星的简称(其中包括Terra和Aqua卫星)。
Modis传感器简介:
- 490个探测器分布在36个离散光谱波段,从0.4微米(可见光)到14.4微米(热红外)全光谱覆盖
- 空间分辨率——250 m (1-2波段);500 m (3-7波段);1000 m (8-36波段)
Modis命名规则:
- MOD04 是产品名称,表示MODIS气溶胶产品。
2.L2 表示 产品级别,Level2。
A2005224 表示产品时间2005年第224天(以每年1月1日为第一天)。
0205 表示卫星过境时间,换算成北京时间要加8小时。
005表示产品版本,Version005,之前是v004,相比之前版本有很多改进。
2006225195920 表示的是产品处理时间。
林火监测运用
运用MODIS的热红外波段,通过劈窗算法(类似AVHRR)可以反演地表温度。包括温度异常和林火产品。
3.5 一些参数
3.5.1 NDVI
归一化植被指数,反映农作物长势和营养信息的重要参数之一,两个波段反射率的计算
NDVI(Normalized Difference Vegetation Index)=(NIR-R)/(NIR+R)
(NIR:近红外波段发射值 R:红光波段反射值)
原理还没弄明白
◆TM/ETM: NDVI=(Band4-Band3)/(Band4+Band3)
◆Modis: NDVI=(Band2-Band1)/(Band2+Band1)
◆AVHRR: NDVI=(CH2-CH1)/(CH2+CH1)
3.5.2 辐射度量
辐射能量(W):电磁辐射的能量 J
辐射通量( Φ \Phi Φ):单位时间内由2π空间通过某一面积的辐射能量( ϕ = d W / d T \phi=dW/dT ϕ=dW/dT)
辐射通量密度:单位面积上的辐射通量
辐照度(E):单位面积上被辐射物理所接受的辐射通量(w/
m
2
m^2
m2)
辐射出射度(M):单位面积上辐射源物体辐射出的辐射通量
辐射强度(I):点辐射源在单位立体角、单位时间内,向某一方向辐射出的辐射能量。( I = d Φ / d Ω I=d\Phi/d\Omega I=dΦ/dΩ) 单位:瓦特/球面度(W/Sr)
辐射亮度(L):面辐射源在单位立体角、单位时间内,向某一方向辐射出的辐射能量。( I = d Φ / d Ω I=d\Phi/d\Omega I=dΦ/dΩ) 单位:瓦特/球面度(W/Sr)
四、一些思考
采用视频实时监测的方法虽然很有效,但是在人迹罕至的地方还得靠卫星遥感影像的热红外成像来分析。特别是对云南、广西、西藏国界线上或国界附近的热点进行重点监测,有效防止外火入境,弥补地面和护林飞机巡护监测的空白和死角。
下一步学习计划(9月5日-10月):
mooc上的《遥感原理》-中科大看一遍,边看边做笔记
mooc上的《遥感数字图像处理》-北师大,看一遍,边看边做笔记
把林火监测方法弄懂,自己做一遍
航天宏图
ppt加页码
noteexpress :可以引用
多读英文文献
(前期1两个月)中文:遥感学报、看第一作者是不是行业大牛
英文怎么读:
- 关键词
- 题目看个大概
- 先看好期刊的文章
- 看不懂的先放着,回头再去看。
- 水平上不去–好文章还没看够
实验:
-
目前先学知识(我也是这样想的!)
-
算法不用太多的深入
周三:三、四、五
的热点进行重点监测,有效防止外火入境,弥补地面和护林飞机巡护监测的空白和死角。
下一步学习计划(9月5日-10月):
mooc上的《遥感原理》-中科大看一遍,边看边做笔记
mooc上的《遥感数字图像处理》-北师大,看一遍,边看边做笔记
把林火监测方法弄懂,自己做一遍
航天宏图
ppt加页码
noteexpress :可以引用
多读英文文献
(前期1两个月)中文:遥感学报、看第一作者是不是行业大牛
英文怎么读:
- 关键词
- 题目看个大概
- 先看好期刊的文章
- 看不懂的先放着,回头再去看。
- 水平上不去–好文章还没看够
实验:
-
目前先学知识(我也是这样想的!)
-
算法不用太多的深入
周三:三、四、五