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
论文名称：《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》
指导教师：陆俊
论文作者：黄方
毕业院校：电子科技大学
文章内容概要
- 阐述了与本文研究相关的技术和理论，从无人机影像拼接及配准技术，基于深度学习的变化检测技术以及 PyQt5 可视化系统实现技术三大方面进行介绍
- 重点研究了基于特征点的 SIFT 算法，通过 SIFT 算法得到的同名特征点中存在大量错误匹配等问题，使用 RANSAC 算法消除异常值
- 使用 RANSAC 算法消除异常值，并且用线性最小二乘法求出初始解的猜测，得到同形矩阵，然后用 Levenberg-Marquardt 算法改进猜测
- 使用 Mask R-CNN 网络模型对管线进行识别和变化检测，通过优化多任务的损失函数以及网络，调整内参参数
- 影像预处理及地面上管线变化检测集成处理，在保证结果正确性的基础上简化了流程，实现变化检测的自动化
基于标准SIFT算法的无人机影像配准与拼接
- 对影像进行特征提取时获得的特征点数目较少，同时在匹配时容易出现误匹配，从而影响后续影像拼接效果。针对所拍摄到的管线影像存在特征不明显、特征点提取效果不理想等问题
- RANSAC 算法最常用的方法是通过直线拟合的方法来剔除误差匹配，其实质是一个反复测试、迭代的过程
- 设置置阈值 T，在匹配集合 S 中随机选择n对匹配点，并将这些匹配点作为初始内点计算单应矩阵 H
- 将 S 中其余匹配点对拟合初始单应矩阵，并计算对应点位置坐标与实际位置的距离 d
- 若 T>d ，则该点为外点，若 T<d ，则该点为内点，并添加到内点集合中，用线性最小二乘法更新单应矩阵
- 重复上述步骤，选择内点数最大的一组集合作为正确匹配点对，并根据结果计算新的单应矩阵
- 用 RANSAC 算法来剔除异常值，并找到最佳的内点集合，求得了初始单应矩阵，该单应矩阵通过线性最小二乘法求得
基于Mask R-CNN的无人机遥感影像变化检测优化方法设计
- Mask R-CNN 作为卷积神经网络体系中的一种深度神经网络，具有 CNN 特点，即能通过子采样层和卷积层多层组合的方式来不断学习输入样本影像数据的特征信息
- Mask R-CNN 使用的 RoI Align 能够实现特征的对准，并且能够准确的保存空间位置，引入的分割分支还能实现对目标检测物的分割，进而能实现对物体的变化检测
- 优化算法就是一种能够减小或使损失函数最小化的一类算法，整个模型的损失值越小，则这个模型就越接近真实情况
实验结果图
-
实验结果图
