遥感地图区域识别方法、装置、系统和可读存储介质

技术领域

本发明涉及图像识别技术领域，尤其涉及一种遥感地图区域识别方法、装置、系统和可读存储介质。

背景技术

随着风电资源的开发，部分风电场布局于居民区、林区、保护区、红线等限制区域的附近，由此引发风电场的选址与这些限制区域关系的探讨。在此过程中，需要先识别出这些限制区域。

相关技术中，工程师人工基于遥感地图识别限制区域，人力投入大、准确度较低。

发明内容

本申请提供一种遥感地图区域识别方法、装置、系统和可读存储介质，人力投入小、准确度较高。

本申请提供一种遥感地图区域识别方法包括：

获取卫星遥感影像地图图像及标记数据，所述图像包括风电场布局的限制区域，所述标记数据用于标记所述限制区域的区域轮廓；

依据所述图像及所述标记数据，生成训练样本集；

将所述训练样本集输入至区域识别模型中，对所述区域识别模型进行训练；

在所述区域识别模型的识别准确度达到预定识别准确度时，得到训练好的目标区域识别模型并输出所述目标区域识别模型的所述限制区域的像素数据。

进一步的，所述依据所述图像及标记数据，生成训练样本集，包括：

将所述图像进行图像增广处理，形成初始训练样本集；

归一化所述初始训练样本集中的图像格式，并按照限制区域种类对所述初始训练样本集中的限制区域的边界进行标记，生成所述训练样本集。

进一步的，在所述获取卫星遥感影像地图图像及标记数据之后，所述方法还包括：

依据所述图像及标记数据，生成数据集；

将所述数据集依据训练集、开发集与测试集的数据比例进行划分，得到所述训练样本集、开发样本集及测试样本集；

使用所述开发样本集调整所述区域识别模型的超参数，更新所述区域识别模型；

在所述将所述训练样本集输入至区域识别模型中，对所述区域识别模型进行训练之后，所述方法还包括：

将所述测试样本集输入训练后的区域识别模型，对训练后的区域识别模型进行测试，得到测试结果；

依据所述测试结果，确定所述训练后的区域识别模型的识别准确度。

进一步的，所述依据所述测试结果，确定所述训练后的区域识别模型的识别准确度，包括：

依据所述目标区域识别模型输出的所述限制区域的像素数据与所述像素数据中的错误像素数据，确定所述训练后的区域识别模型的识别准确度。

进一步的，位于所述在所述区域识别模型的识别准确度达到预定识别准确度时，得到训练好的目标区域识别模型，并得到所述目标区域识别模型输出的所述限制区域的像素数据之后，所述方法还包括：

向前端展示所述目标区域识别模型输出的所述限制区域的像素数据，获得所述限制区域。

进一步的，所述前端包括展示于Web GIS界面中的卫星遥感影像地图图像；

在所述向前端展示所述目标区域识别模型输出的所述限制区域的像素数据，确定所述限制区域之后，所述方法还包括：

获取用户从所述图像中选择的区域图像；

依据所述区域图像，生成输入数据；

将所述输入数据输入至所述目标区域识别模型，以输出区域像素数据；

依据所述区域像素数据，提取所述限制区域的边界信息；

向所述前端展示所述限制区域的边界信息。

进一步的，所述目标区域识别模型为多个目标区域识别模型，所述向所述前端展示所述限制区域的边界信息，包括：

向所述前端展示所述多个目标区域识别模型相应的所述限制区域的边界信息；

确定所述多个目标区域识别模型的评价指标；

依据所述评价指标，选择所述评价指标中的最好所述评价指标对应的目标区域识别模型；

将所述区域图像、所选模型及所选模型的输出的区域像素数据，作为样本，存储于数据库。

进一步的，所述获取卫星遥感影像地图图像及标记数据，包括：

获取用户的输入信息，所述输入信息包括所述用户输入的卫星遥感影像地图图像及标记数据。

进一步的，在所述获取用户输入的卫星遥感影像地图图像及标记数据之后，所述方法还包括：

获取数据库中的存储信息，所述存储信息包括存储于所述数据库中的卫星遥感影像地图图像及标记数据；

若所述输入信息相较于所述存储信息的数据增量大于预设增量，则依据所述输入信息，生成训练样本集，执行所述将所述训练样本集输入至区域识别模型中，对所述区域识别模型进行训练。

本申请的提供一种遥感地图区域识别装置，包括：

数据获取模块，用于获取卫星遥感影像地图图像及标记数据，所述图像包括风电场布局的限制区域，所述标记数据用于标记所述限制区域的区域轮廓；

样本集生成模块，用于依据所述图像及标记数据，生成训练样本集；

模型训练模块，用于将所述训练样本集输入至区域识别模型中，对所述区域识别模型进行训练；

模型优化模块，用于在所述区域识别模型的识别准确度达到预定识别准确度时，得到训练好的目标区域识别模型并输出所述目标区域识别模型的所述限制区域的像素数据。

本申请的提供一种遥感地图区域识别方法系统，包括一个或多个处理器，用于实现如上任一项所述的方法。

本申请的提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现如上任一项所述的方法。

在一些实施例中，本申请的遥感地图区域识别方法，依据卫星遥感影像地图图像及用于标记限制区域的区域轮廓的标记数据，生成训练样本集，然后训练样本集输入至区域识别模型中，对区域识别模型进行训练，得到限制区域边界信息，在区域识别模型的识别准确度达到预定识别准确度时，得到训练好的目标区域识别模型并输出目标区域识别模型的限制区域的像素数据。如此区域识别模型自动训练，自动识别，人力投入小，并且使用标记数据，减少卫星遥感影像地图图像中其他各类地理信息对识别的干扰，识别的准确性较高。

附图说明

图1所示为本申请实施例提供的遥感地图区域识别方法的流程示意图；

图2所示为图1所示的遥感地图区域识别方法的另一流程示意图；

图3所示为图1所示的遥感地图区域识别方法中的限制区域为农田的应用示意图；

图4所示为图1所示的遥感地图区域识别方法中的限制区域为居民区的应用示意图；

图5所示为图1所示的遥感地图区域识别方法中的限制区域为农田的识别结果示意图；

图6所示为图1所示的遥感地图区域识别方法的具体流程示意图；

图7所示为本申请实施例提供的遥感地图区域识别装置的模块示意图；

图8所示为本申请实施例提供的遥感地图区域识别方法系统的模块框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施例并不代表与本说明书一个或多个实施例相一致的所有实施例。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。

需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。

为解决人力投入大、准确度较低的技术问题，本申请实施例提供了一种遥感地图区域识别方法，依据卫星遥感影像地图图像及用于标记限制区域的区域轮廓的标记数据，生成训练样本集。然后训练样本集输入至区域识别模型中，对区域识别模型进行训练，得到限制区域边界信息，在区域识别模型的识别准确度达到预定识别准确度时，得到训练好的目标区域识别模型并输出目标区域识别模型的限制区域的像素数据。如此区域识别模型自动训练，自动识别，人力投入小，耗时较短，并且使用标记数据，减少卫星遥感影像地图图像中其他各类地理信息对识别的干扰，识别的准确性较高。

图1所示为本申请实施例提供的遥感地图区域识别方法的流程示意图。

如图1所示，该遥感地图区域识别方法可以包括如下步骤110至步骤140：

步骤110，获取卫星遥感影像地图图像及标记数据，图像包括风电场布局的限制区域，标记数据用于标记限制区域的区域轮廓。

卫星遥感影像地图图像可以作为高清的图像源。卫星遥感影像地图图像可以包括风电场待规划区域图像。待规划区域图像可以包括限制区域，以限定待规划区域所能规划的区域。限制区域是指需要识别的且无法建立风电场的区域。标记数据用于标记图像的多个角点的经纬度坐标和不同种类的限制区域轮廓。上述标记数据是用户标记的数据，可以作为训练模型的标签信息。限制区域轮廓可以包括限制区域轮廓线。示例性的，限制区域轮廓线为红色的不规则的线条。

在一些实施例中，上述步骤110可以包括获取用户的输入信息，输入信息包括用户输入的卫星遥感影像地图图像及标记数据。其中，在系统中增加人工输入的接口。如此用户的输入信息，可以方便用户标记和绘制，可提供扩展性，并且，后续可以将标记数据和卫星遥感影像地图图像，作为样本，存入数据库。在另一些实施例中，获取遥感图像，使用遥感图像生成卫星遥感影像地图图像，作为后续训练的基础。

其中，在上述步骤110之后，遥感地图区域识别方法还包括第一步骤，获取数据库中的存储信息，存储信息包括存储于数据库中的卫星遥感影像地图图像及标记数据。第二步骤，若输入信息相较于存储信息的数据增量大于预设增量，输入信息相较于存储信息的数据增量大于预设增量可以反映修改的内容比较多，则依据输入信息，生成训练样本集，执行将训练样本集输入至区域识别模型中，对区域识别模型进行训练。如此为了避免人工修改的内容少，数据更新少而导致从头更新训练模型进行训练，在达到更多数据修改的情况，更新区域识别模型进行训练，提高区域识别模型训练的有效性。

其中，在上述步骤110之后，所述方法还可以包括将预先收集的图像及标记数据录入数据库，其中，建立非关系型数据库，其键值至少包含数据条目索引index、图像地址、图像角点经纬度、图像中不同类型区域的边界拐点坐标；通过将图像存储在非关系型数据库中，并标记图像的存储路径。

上述预设增量可以大于或等于1％。如此预设增量为存储信息的数据增量的1％时，重新进行步骤120至步骤140，从而升级区域识别模型，并将升级后的区域识别模型存储于数据库中，以便升级数据库。

步骤120，依据图像及标记数据，生成训练样本集。

在上述步骤120的一些实施例中，上述步骤120可以进一步包括第1步骤，将图像进行图像增广处理，形成初始训练样本集。第2步骤，归一化初始训练样本集中的图像格式，比如，数据集中所有图像转换为R红G绿B蓝的数据。并按照限制区域种类对初始训练样本集中的限制区域的边界进行标记，生成训练样本集。其中，限制区域种类用于反映各种限制区域。限制区域种类比如可以包括但不限于居民区、林区、保护区、农田及红线区中的一者或多者。示例性的，对居民区的边界进行标记为1，对林区的边界进行标记为2，对农田的边界进行标记为3等。如此按照限制区域种类对初始训练样本集中的限制区域的边界进行标记，分类标记，使得区域识别模型的训练更有针对性，后续方便得到限制区域的像素数据的识别结果，并且，归一化处理图像，方便后续训练的统一使用。

其中上述第1步骤进一步可以包括对图像进行随机翻转、剪裁及变形处理，形成初始训练样本集。初始训练样本集的数量超过图像增广处理之前的图像集N倍。示例性的，N可以包括但不限于100。

在上述步骤120的另一些实施例中，将图像进行图像增广处理，形成初始训练样本集，并归一化初始训练样本集中的图像格式，统一标记初始训练样本集中的限制区域的边界，生成训练样本集。如此可以使用统一格式的训练样本集进行后续训练，方便统一使用。

步骤130，将训练样本集输入至区域识别模型中，对区域识别模型进行训练。

上述区域识别模型是需要训练的模型，其可以用于可以通过训练，来识别卫星遥感影像地图图像中的限制区域。所述区域识别模型包括Alexnet模型，VGG(VisualGeometry Group，简称计算机视觉组)模型及Resnet(deep residual network，深度残差网络)中的一者或多者。可选的，VGG模型包括VGG-16模型。Resnet模型可以包括Resnet-18模型，Resnet-34模型及Resnet-50模型中的一者或多者。如此，可以使用这五种经典卷积神经网络模型作为备选模型，用户可以根据需求选择使用哪个区域识别模型。将五种CNN(Convolutional Neural Networks，卷积神经网络)模型的全连接层转换为全卷积层，使用带参数的转置卷积并添加跳过连接，从而将CNN模型调整为对应的FCN(Fully Conv NeuralNetworks，全卷积神经网络)模型。本申请实施例可以使用任一区域识别模型进行训练或使用，本申请实施例也可以每次使用多个区域识别模型进行训练或使用。在使用多个区域识别模型进行训练或使用的时候，方便用户可以按照各区域识别模型的评价指标，选择使用。详细说明如下文。

继续图1所示，在上述步骤110之后，所述遥感地图区域识别方法还包括：

第1步，依据图像及标记数据，生成数据集。数据集是样本集形成的数据。数据集可以称为样本集。第2步，将数据集依据训练集、开发集与测试集的数据比例进行划分，得到训练样本集、开发样本集及测试样本集。其中，训练集、开发集与测试集的数据比例可以是根据用户需求进行设置。一般训练集的样本量分别大于开发集和测试集的样本量。训练集的样本量可以是开发集的样本量的10倍左右，是测试集的样本量的100倍左右。示例性的，训练集、开发集与测试集的数据比例可以但不限于为90：9：1。第3步，使用开发样本集调整区域识别模型的超参数，更新区域识别模型。后续使用区域识别模型执行步骤130之后，所述遥感地图区域识别方法还包括第4步，将测试样本集输入训练后的区域识别模型，对训练后的区域识别模型进行测试，得到测试结果。第5步，依据测试结果，确定训练后的区域识别模型的识别准确度。如此开发样本集调整区域识别模型的超参数，以及测试样本集可以提高区域识别模型的准确性。

进一步地，利用测试样本集，对上述训练后的五种经典卷积神经网络模型中的一者或多者进行测试，校验区域识别模型的准确性。

其中，上述第5步可以进一步包括依据目标区域识别模型输出的限制区域的像素数据与像素数据中的错误像素数据，确定训练后的区域识别模型的识别准确度。根据地图图像中限制区域的实际像素数据与目标区域识别模型输出的限制区域的像素数据比较，确定错误像素数据和正确像素数据。此过程可以人工可以协助，也可以模型自动比较。示例性，像素数据可以包括像素点。需要识别的限制区域的20000个像素点，测试输出限制区域的15000个正确像素点，准确率为75％。

依据满足和优化指标(Satisficing and Optimizing Metrics)，采用如下识别准确度公式，确定训练后的区域识别模型的识别准确度，其中满足和优化指标可以包括准确度和识别时间中一者或多者，此处满足和优化指标为识别准确度。识别准确度公式为：

其中，Accuracy为识别准确度，L为限制区域种类的总数，比如区分居民区、林区、农田，则L＝3，l为限制区域种类的个数，m

上述满足和优化指标可以包括准确度及开发样本集的图像的平均识别时间，以秒为单位，具体请参见如下表1：

表1满足和优化指标

步骤140，在区域识别模型的识别准确度达到预定识别准确度时，得到训练好的目标区域识别模型并输出目标区域识别模型的限制区域的像素数据。

在本申请实施例中，区域识别模型自动训练，自动识别，人力投入小，耗时较短，并且使用标记数据，减少卫星遥感影像地图图像中其他各类地理信息对识别的干扰，提高识别的准确性。

在获得目标区域识别模型后，将其封装至遥感地图区域识别系统，并将遥感地图区域识别系统与GIS(Geographic Information System或Geo－Information system，系统与地理信息系统)进行整合一体。GIS提供卫星遥感影像地图图像，遥感地图区域识别系统中的区域识别模型，区域识别模型获得卫星遥感影像地图图像，执行上述步骤110至步骤140，以判定输出哪些像素数据是要识别的限制区域，然后再将限制区域的像素数据给WebGIS进行展示。

Web GIS是指工作在Web网络上的GIS，是传统的GIS在网络上的延伸和发展。以WebGIS技术为前端支撑，可以提供卫星遥感影像地图图像，同时共享数据库及用户输入的地理信息。并且，前端可以包括用户界面，方便显示卫星遥感影像地图图像等。详细说明如下文。

图2所示为图1所示的遥感地图区域识别方法的另一流程示意图。

如图2所示，在上述步骤140之后，方法还包括向前端展示目标区域识别模型输出的限制区域的像素数据，获得限制区域，如此前端展示，方便用户使用。

其中，前端包括展示于Web GIS(Geographic Information System或Geo－Information system，系统与地理信息系统)界面中的卫星遥感影像地图图像。如此系统可以提供展示已有数据的功能，可提供已被录入数据库的限制区域及限制区域种类。

结合图2所示，在向前端展示目标区域识别模型输出的限制区域的像素数据，确定限制区域之后，或者在步骤140之后，所述方法还包括步骤150，获取用户从图像中选择的区域图像，区域图像是指用户从卫星遥感影像地图图像选择的区域。此区域图像可以大于或等于限制区域，即包含有限制区域，后续方便找出此区域中的限制区域。步骤160，依据区域图像，生成输入数据。输入数据是指将区域图像转换为满足目标区域识别模型输入的数据格式的数据。步骤170，将输入数据输入至目标区域识别模型，进行识别，以输出区域像素数据。区域像素数据是指区域图像的像素数据。步骤180，依据区域像素数据，提取限制区域的边界信息。步骤190，向前端展示限制区域的边界信息。如此通过与Web GIS中的卫星遥感影像地图图像配合，对用户需求的区域图像，自动生成输入数据，并自动将输入数据输入至上述目标区域识别模型，自动识别出限制区域的边界信息，并展示给用户，方便用户查看使用，不需要用户人工识别，这样提高识别效率和准确性。

其中，目标区域识别模型为多个目标区域识别模型，上述步骤170进一步可以包括分别将输入数据输入至多个目标区域识别模型，分别获取多个目标区域识别模型输出区域像素数据输出的区域像素数据，后续可以根据多个结果，选择更好的结果。详细说明如下文。

步骤180进一步可以包括依据区域像素数据，提取多个目标区域识别模型相应的限制区域的边界信息。

步骤190进一步可以包括第1个步骤，向前端展示多个目标区域识别模型相应的限制区域的边界信息，其中边界信息可以作为标识或者标签展示。第2个步骤，确定多个目标区域识别模型的评价指标，其中评价指标可以称为满足和优化指标。评价指标用于反映目标区域识别模型的好坏的维度。评价指标可以包括准确度和识别时间中的一者或多者。第3个步骤，依据评价指标，选择评价指标中的最好评价指标对应的目标区域识别模型。将区域图像、所选模型及所选模型的输出的区域像素数据，作为样本，存储于数据库。如此多个目标区域识别模型供系统用户进行查看，从多个训练好的区域识别模型中选择出的最好评价指标对应的目标区域识别模型，即所选模型，然后并记录用户在当次所选模型，将该次操作选择的区域图像，所选模型的输出作为样本，回传至后台，存入数据库，备用，以提高所选模型的通用性。这样将Web GIS、数据库和图像识别耦合，可以通过收集和处理用户的输入数据，持续训练所选模型，获得良好的识别效果。

在数据库中的数据表中，存储数据条目结构包括每条记录的标记的唯一标识id、该条记录对应的图像存储位置gismap_path，图像角点的经纬度坐标boundary_points及限制区域标志special_area。其中，id为每条数据记录的标记，在录入时随机生成。经纬度坐标用于在Web GIS上对应该图像的位置；限制区域标志中的1，2为限制区域种类的编号，如1代表居民区、2代表林区，可根据实际需求扩展。每个编号中对应该图像中属于该类限制区域的拐点坐标，不包含该类，则列表为空。

本申请实施例中，可通过图像及标记数据的收集、区域识别模型训练、目标区域识别模型整合以及样本数据回传的方式，搭建一个有效的、可更新迭代的遥感地图区域识别系统。该遥感地图区域识别系统可服务于风电场内限制区域的识别，以及与卫星遥感影像地图图像的限制区域识别相关的设计、勘测工作。使用该遥感地图区域识别系统，可以大幅度地减少工程师在图像识别方面的工作投入，提升识别准确度，提升工作效率。

图3所示为图1所示的遥感地图区域识别方法中的限制区域为农田的应用示意图。图4所示为图1所示的遥感地图区域识别方法中的限制区域为居民区的应用示意图。图5所示为图1所示的遥感地图区域识别方法中的限制区域为农田的识别结果示意图。图6所示为图1所示的遥感地图区域识别方法的具体流程示意图。

如图3和图5所示的平地区域包含众多小块的农田。图4所示中的平地区域包含众多小块的居民区等。由于地形简单，未进行实地踏勘，但在风电场设计过程中，需确定限制区域的位置，以避免风力发电机影响。

如图6所示，基于本申请实施例的遥感地图区域识别系统，将Web GIS界面定位至风电场待规划区域对应的卫星遥感影像地图图像，将输入数据输入至目标区域识别模型进行图像识别，识别完毕后，选择和查看不同模型标记的限制区域的像素数据，如图3至图5所示。用户选择限制区域的正确像素数据及所选目标区域识别模型，回传至数据库，可以与限制区域的像素数据的识别结果，一起作为训练数据。

图7所示为本申请实施例提供的遥感地图区域识别装置的模块示意图。

如图7所示，该遥感地图区域识别装置可以包括如下模块：

数据获取模块31，用于获取卫星遥感影像地图图像及标记数据，图像包括风电场布局的限制区域，标记数据用于标记限制区域的区域轮廓。

样本集生成模块32，用于依据图像及标记数据，生成训练样本集。

模型训练模块33，用于将训练样本集输入至区域识别模型中，对区域识别模型进行训练。

模型优化模块34，用于在区域识别模型的识别准确度达到预定识别准确度时，得到训练好的目标区域识别模型并输出目标区域识别模型的限制区域的像素数据。

上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

图8所示为本申请实施例提供的遥感地图区域识别方法系统40的模块框图。遥感地图区域识别方法系统40包括一个或多个处理器41，用于实现如上所述的遥感地图区域识别方法。

在一些实施例中，遥感地图区域识别方法系统40可以包括计算机可读存储介质49，计算机可读存储介质49可以存储有可被处理器41调用的程序，可以包括非易失性存储介质。在一些实施例中，遥感地图区域识别方法系统40可以包括内存48和接口47。在一些实施例中，遥感地图区域识别方法系统40还可以根据实际应用包括其他硬件。

本申请实施例的计算机可读存储介质49，其上存储有程序，该程序被处理器41执行时，用于实现如上描述的遥感地图区域识别方法。

本申请可采用在一个或多个其中包含有程序代码的计算机可读存储介质49(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可读存储介质49包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机可读存储介质49的例子包括但不限于：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

上述遥感地图区域识别方法系统可以包括电子设备70。具体的，该电子设备可以为：服务器等。在此不作限定，任何可以实现本发明实施例的电子设备，均属于本发明的保护范围。

以上所述仅为本说明书的较佳实施例而已，并不用以限制本说明书，凡在本说明书的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书保护的范围之内。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。