استخراج اتوماتیک عوارض شهری از تصاویر با قدرت تفکیک بالای مکانی با استفاده از شبکه‌های عصبی پیچشی (منطقه مورد مطالعه: شهر اهواز)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید چمران اهواز

2 گروه علوم مهندسی، بخش ریاضیات، مهندسی کامپیوتر و نقشه برداری. شوبرگ، لارس

چکیده

استخراج و بازسازی اتوماتیک عوارض از داده‌های هوایی و ماهواره‌ای می‌تواند نقش انسان را در تولید اطلاعات مکانی بزرگ مقیاس شهری به حداقل رسانده و هزینه و زمان تولید آنها را به شدت کاهش دهد. شناسایی اشیاء هدف از تصاویر هوایی و ماهواره‌ای به خصوص در مناطق شهری با استفاده از تکنیک‌های پردازش تصاویر کامپیوتری و الگوریتم‌های هوش مصنوعی یکی از پرکاربردترین حوزه‌های تحقیقاتی به شمار می‌رود. از انواع این الگوریتم‌ها، شبکه‌های عصبی پیچشی (Convolution Neural Networks) هستند که از توان بالایی برای استخراج ویژگی‌های سطح بالا در انواع تصاویر برخوردارند. در این پژوهش بیش از 850 نمونه آموزشی از عوارض ساختاری مهم شهری شامل ساختمان، راه و تک درخت تهیه شده است. در این تحقیق از میان انواع مختلف شبکه‌های موجود، با توجه به سرعت بالاتر انجام پردازش، از شبکه عصبی کانولوشون بر مبنای آشکاساز چندباکس تک شات با پایه شبکه ResNet به منظور کشف و استخراج خودکار محدوده این عوارض استفاده شده است. مدل پیشنهادی توسط نمونه‌های آموزشی بر مبنای 85 درصد داده آموزشی و 15 درصد داده اعتبارسنجی، با 120 دوره تکرار و دقت 93 درصد آموزش داده شده است. مدل آموزش دیده بر روی تصاویر مختلف از منطقه مورد مطالعه برای کشف عوارض هدف اجرا شده است. نتایج ارزیابی مدل بر اساس معیار دقت برابر 86/0 و معیار بازیابی برابر 82/0 و معیار F1Score برابر 83/0 می‌باشد. نتایج نشان‌دهنده آنست که الگوریتم پیشنهادی می‌تواند در زمینه‌هایی چون تولید و بروزرسانی نقشه‌های بزرگ مقیاس شهری و همچنین کشف تغییرات در مناطق شهری مورد استفاده قرار گیرد.

کلیدواژه‌ها

موضوعات

مراجع

 
Abdollahi, A., Pradhan, B., Shukla, N., Chakraborty, S., Alamri, A., 2021. Multi-Object Segmentation in Complex Urban Scenes from High-Resolution Remote Sensing Data. Journal of Remote Sensing 13(18), 1-22. https://doi.org/10.3390/rs13183710
Alsabhan, W., Alotaiby, T., 2022. Automatic Building Extraction on Satellite Images Using Unet and ResNet50. Hindawi, Computational Intelligence and Neuroscience 2022, 1-12. https://doi.org/10.1155/2022/5008854
Baghani, A., Valadanzoej, M.J., Mokhtarzadeh, M., 2016. Large-scale cadastral map production from urban areas using UAV photogrammetry. The 1st National Conference on Geospatial Information Technology. 1-17. https://civilica.com/doc/461639
Daneshtalab, S., Rastiveis, H., Hosseiny, B., 2019. CNN-Based Feature-Level Fusion of Very High Resolution Aerial Imagery and LIDAR Data. ISPRS - International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 279-284.
Granados-Bolanos, S., Quesada-Roman, A., Alvarado, G.E., 2020. Low-cost UAV applications in dynamic tropical volcanic landforms. Journal of Volcanology and Geothermal Research 410. https://doi.org/10.1016/j.jvolgeores.2020.107143
He, K., Zhang, X., Ren, S., Sun, J., 2015. Deep Residual Learning for Image Recognition.
arXiv:1512.03385. https://doi.org/10.48550/arXiv.1512.03385
He, K., Zhang, X., Ren, S. Sun, J., 2015. Deep Residual Learning for Image Recognition. IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 770-778. https://doi.org/10.1109/CVPR.2016.90
Onishi, M., Ise, T., 2018. Automatic classification of trees using UAV onboard camera and deep learning. ArXiv abs/1804.10390. https://doi.org/10.48550/arXiv.1804.10390
Rakianipour, S., 2019. Automatic building extraction from digital imagsusing artificial intelligence method. MSc thesis. Shahid Chamran University of Ahvaz.
Wang, X., Xu, N., Wang, B., Liu, Y., Zhang, Sh., 2022. Urban building extraction from high-resolution remote sensing imagery based on multi-scale recurrent conditional generative adversarial network. GIScience and Remote Sensing 59, 861-884. https://doi.org/10.1080/15481603.2022.2076382
Wang, Y., Li, Sh., Teng, F., Lin, Y., Wang, M., Cai, H., 2022. Improved Mask R-CNN for Rural Building Roof Type Recognition from UAV High-Resolution Images: A Case Study in Hunan Province, China. Journal of Remote Sensing 14(2), 1-25. https://doi.org/10.3390/rs14020265
Wang, K., Meng, Z., Wu, Z., 2021. Deep Learning-Based Ground Target Detection and Tracking for Aerial Photography from UAVs. Applied Sciences 11(18), 1-11. https://doi.org/10.3390/app11188434
Watanabe, S., Sumi, K., Ise, T., 2020. Identifying the vegetation type in Google Earth images using a convolutional neural network: a case study for Japanese bamboo forests. BMC Ecology 20(65), 1-14. https://doi.org/10.1186/s12898-020-00331-5
Xu, B., Wang, N., Chen, T., Li, M., 2015. Empirical evaluation of rectified activations in convolutional network. ArXiv Prepr. arXiv:1505.00853. https://doi.org/10.48550/arXiv.1505.00853
Xu, Z., 2022. UAV surveying and mapping information collection method based on Internet of Things. Internet of Things and Cyber–Physical Systems, 18, 138-144. https://doi.org/10.1016/j.iotcps.2022.07.002
زمین شناسی کاربردی پیشرفته
دوره 13، شماره 2
مقالات
تیر 1402
صفحه 408-422

فایل ها

هم رسانی

ارجاع به این مقاله

آمار