摘要
近年来海岸线资源瓶颈与生态环境制约的矛盾日益突出，获取海岸带地物信息，分析海岸带的变化趋势及其影响因素，对其进行修复、保护，都亟需设计一个高效、准确的地物识别分类手段。随着实时通讯技术、计算机硬件设备的不断更新迭代，无人机平台因其体积小、速度快、操作简单等优点成为遥感数据获取的新流行平台，本文采用无人机作为获取海岸带地物信息的遥感平台。 海岸带区域具有面积广阔、遥感数据量大、背景复杂多变、不同地物尺寸差异极大等特点，传统影像分割方法耗费人工成本巨大，并且精度低、速度慢、不能批量处理海量数据，无法完成端到端的影像分割；如今发展迅速的深度学习技术可以实现对影像的像素级分割。海岸带区域影像分割中不显眼类别及边缘分割精度问题明显，如何在让无人机在海岸带区域场景下可以既准确又高效地对采集影像进行语义分割、实现实时摄影感知是本文研究的重点。目前语义分割技术都是致力于对影像分割精度的提升，在分割速度方面表现并不好，并不直接适用于无人机在海岸带区域场景下的影像分割工作。 本文针对无人机在海岸带区域场景下对影像高效准确分割的需求，设计基于卷积神经网络的语义分割模型结构，在主干特征提取网络部分分别引入深层残差网络ResNet50和轻量级网络结构MobileNetV2，融合金字塔池化模块对特征进行加强提取，使用边界标签松弛函数来替代原损失函数提高影像边缘分割精度，更改MobileNetV2宽度因子α为0.5以加快推理速度。以温州和台州的海岸带区域无人机遥感影像作为实验数据集，其改进之后的A-ResNet50和A-MobileNetV2的mIoU指标分别为81.85%和79.77%，FPS指标分别为1.70和8.56，验证了本文针对无人机海岸带场景语义分割问题所设计模型的合理性。实验选取表现优异的A-MobileNetV2进行后续改进，继续针对遥感影像不规则物体边缘分割精度差的问题，引入注意力机制加强特征提取，并且融合前文所述改进模块，与其它经典语义分割模型在相同遥感影像数据集进行对比实验。融合之后的模型在mIoU指标和FPS指标分别可以达到80.31%和5.23，对比于其它网络模型，本文方法有效提高遥感影像中不规则物体的分割精度，并且满足无人机平台的高效推理速度要求。使用改进模型，对其他海岸带地区的无人机遥感影像进行语义分割实验，验证了本文所改进模型的普遍适用性以及鲁棒性。
NETL