博客型網站建設葉濤網站推廣優(yōu)化
遙感是快速檢測非法采礦行為的重要技術工具。由于露天煤礦的復雜性，目前關于露天煤礦自動開采的研究較少?；诰矸e神經網絡和Dense Block，我們提出了一種用于從Sentinel-2遙感圖像中提取露天煤礦區(qū)域的輕量級密集連接網絡-AD-Net，并構建了三個露天煤礦區(qū)域樣本庫在山西省忻州市中北部。AD-Net 模型由兩個卷積層、兩個池化層、一個通道注意模塊和一個 Dense Block 組成。兩個卷積層大大降低了模型的復雜度，Dense Block在減少參數計算的同時加強了特征傳播。應用程序設計在不同的模塊中，這些模塊獨立運行在不同的機器上并相互通信。此外，我們創(chuàng)建并構建了一個獨特的遙感圖像服務系統(tǒng)，該系統(tǒng)采用邊緣云架構連接遠程數據中心及其相關的邊緣網絡。數據中心充當云平臺，負責存儲和處理原始遙感圖像，邊緣網絡主要用于緩存、預測和傳播處理后的圖像。首先，我們通過大量實驗找出最佳優(yōu)化器和輸入圖像的最佳尺寸，然后我們將 AD-Net 的提取效果與研究中的 AlexNet、VGG-16、GoogLeNet、Xception、ResNet50 和 DenseNet121 模型進行比較區(qū)域。實驗結果表明，NIR、紅色、綠色、藍色波段合成更適合露天煤礦的開采，AD-Net的OA和Kappa分別達到0.959和0.918，優(yōu)于其他模型，很好地平衡了分類精度和運行速度.?通過這種邊緣云設計，所提出的系統(tǒng)不僅可以在邊緣均勻分布處理活動的壓力，還可以在邊緣之間實現數據效率，降低數據傳輸成本并改善延遲。
介紹
包括云計算、物聯網和更快的網絡在內的現代計算技術在現實生活的各個領域都有應用。例如，各個領域收集到的海量數據需要存儲在某個地方，需要時進行處理，并采用一定的方法進行監(jiān)控和管理。地理信息系統(tǒng)也是一個重要的研究領域，技術應用意義重大。礦產資源是人類社會賴以生存的重要物質基礎，是國家安全和經濟發(fā)展的重要保障[?1].?我國幅員遼闊，礦產資源豐富，部分地區(qū)礦產資源埋藏淺，易于開發(fā)。一些不法礦工為了切身利益，不按有關規(guī)定對各種礦產資源進行掠奪式開采，有的甚至未經批準擅自占用土地私人開采。這些行為造成了國家資源的流失和生態(tài)環(huán)境的嚴重破壞，相關監(jiān)管部門難以快速發(fā)現一些非法采礦行為[?2?]。因此，快速、準確地掌握露天礦區(qū)的土地利用和破壞情況，對于發(fā)現非法采礦行為并及時制止具有重要意義 [ 3?]。
露天開采可使原有土地形態(tài)發(fā)生劇烈變化，而非法開采往往為逃避監(jiān)管而迅速猛烈，這種高強度的露天采煤會對周圍環(huán)境造成嚴重破壞。為了更好地及時發(fā)現非法采礦活動，許多學者結合遙感影像提取露天礦山信息。由于傳統(tǒng)的基于圖像元素的分類容易受到“鹽和胡椒”現象的影響，因此大多數研究人員采用面向對象的方法來提取露天礦的信息。如第 2 節(jié)所述，各種研究工作展示了深度學習技術在遙感圖像及其高效處理中的應用。然而，
以上研究表明，深度學習技術在遙感影像中得到了廣泛應用，深度學習方法進行識別是推動遙感自動提取方法走向實用化的有效途徑。從露天煤礦識別研究中的研究方法來看，基于深度學習技術的露天煤礦遙感圖像提取研究不多，主要采用傳統(tǒng)的識別方法，但傳統(tǒng)的遙感傳感自動提取方法存在精度低、泛化性差、效率低、訓練時長長、自動化程度高等問題[?4]].?我們相信，使用相對未被探索的遙感現代云技術可以幫助存儲大量圖像并快速訓練模型；因此，減少了整體模型延遲和執(zhí)行時間。
為了解決上述問題，我們提出了一種基于密集連接的輕量級 CNN 模型，以中國山西忻州中北部為研究區(qū)域，從 Sentinel-2 衛(wèi)星圖像中提取露天煤礦。我們以這樣一種方式使用邊緣云基礎設施，即提出的應用程序分為不同的模塊，即訓練和預測，每個模塊在不同的節(jié)點上獨立運行。我們不斷在數據集上進行實驗，比較模型評估精度，找到輸入數據的最優(yōu)大小和模型的最優(yōu)超參數。經過詳細分析，確定了露天煤礦的最佳抽采范圍。最后，我們在 AlexNet [?5?]、VGG-16[?6?]、GoogLeNet[?7]、Xception [?8?]、ResNet50[?9?]和DenseNet121[?10?]模型，并比較了每個模型的精度。我們研究的主要亮點和貢獻如下所示。
-
? 基于卷積神經網絡和密集塊，我們提出了一種輕量級密集連接網絡-AD-Net，用于從Sentinel-2 遙感圖像中提取露天煤礦區(qū)域。
-
? AD-Net 模型由兩個卷積層、兩個池化層、一個通道注意模塊和一個密集塊組成。兩個卷積層大大降低了模型的復雜度，Dense Block在減少參數計算的同時加強了特征傳播。
-
? 為邊緣云設計了深度神經框架，不同模塊獨立運行，相互通信，提高處理效率。
-
? 此外，我們創(chuàng)建并構建了一個獨特的遙感圖像服務系統(tǒng)，該系統(tǒng)采用邊緣云架構連接許多數據中心及其相關的邊緣網絡。
本手稿的其余部分結構如下。我們在第 2 節(jié)中概述了相關工作和以前的研究。第 3 節(jié)中描述了各種模型（深度學習）和材料以及各種方法的概述。第 4 節(jié)中描述了所提出的 AD-Net 網絡模型。評估參數、實驗設置和實證結果在第 5 節(jié)中進行了說明。最后，第 6 節(jié)總結了這篇手稿，并提供了一些未來的研究領域和進一步調查的方向。
材料
學習區(qū)
本論文的研究區(qū)域為薛家洼鄉(xiāng)及鄰近的幾個地區(qū)。研究區(qū)位于山西省忻州市中北部，經緯度范圍為112°20′45″～112°41′30″E，38°56′48″～39°08′46″ N（圖1）。薛家洼鄉(xiāng)屬高山寒旱區(qū)，溫差大，年均氣溫6.2℃，年均降水量470-770毫米[?39].?研究區(qū)獨特的地質條件使其礦產資源異常豐富。主要礦種為煤和氧化鋁，另有鐵、錳、石灰石等礦產。煤田主要成分多為石炭系和侏羅系煤，煤炭儲量豐富，煤質低灰、低摔、熱值高，埋藏淺，易開采，多為露天開采[?40?]。
圖。1
研究區(qū)的簡要說明
密集塊及其架構
DenseNet 由 Huang 等人提出。該模型借鑒了ResNet的思想，都包含跳轉連接結構，不同的是ResNet中層與層是元素的求和，而Densenet中層與層是維度上的串聯，因此其網絡結構是全新的。DenseNet 最重要的貢獻是緊密連接的 CNN，它在網絡中使用了大量的 Dense Block（圖3 ）。這個神經網絡中的任意兩層都是直連的，也就是說網絡中每一層的輸入都是前面所有層的輸出的拼接，而這一層學習到的特征直接作為輸入傳遞給后面的所有層.
圖 3
dense Block及其結構
提出的 AD-Net 模型
基于現有知識，我們構建了AD-Net（圖5)，一個輕量級的密集連接網絡，實現露天煤礦的開采。首先，我們使用雙層卷積網絡來提取特征，其次，我們將卷積層替換為密集塊，其中設計了六層卷積，每層的輸入是所有層的輸出的串聯前幾層，每一層的輸出是確定的通道數。這樣的設計數緩解了梯度消失的問題，增強了特征的傳播性，大大減少了參數的數量，具有正則化效果，即使在較小的訓練集上也能減少過擬合。最后，在特征提取網絡之后引入通道注意力模塊，使得卷積神經網絡更加關注每個通道的信息。
圖 5
擬議的 AD-Net 深度學習架構
?
?
?
數據集描述
本文的研究數據來自 ESA 的哥白尼數據中心，該中心提供對 Sentinel-2 數據的免費訪問。Sentinel-2 由兩顆衛(wèi)星（A 和 B）組成，分別于 2015 年 6 月和 2017 年 3 月發(fā)射。兩顆衛(wèi)星均搭載具有 13 個光譜波段的多光譜成像儀 (MSI)，可提供植被、土壤和水覆蓋、內陸水道和沿海地區(qū)的圖像，也可用于緊急救援服務。在光學數據中，哨兵二號數據是唯一包含紅邊范圍內三個波段的數據，對于監(jiān)測植被健康信息非常有效?？梢姽夂徒t外波段的空間分辨率增加到 10 米和 20 米。一顆衛(wèi)星的重訪期為 10 天，兩顆互補衛(wèi)星的重訪期為 5 天。我們在波段 2、3、4 和 8 中使用了 10 米分辨率的 Sentinel-2 LA 數據。L2A 級數據主要包含輻射校準和大氣校正的大氣底部反射率數據。我們下載了研究區(qū)域的 2018 年 Sentinel-2 圖像，圖像云覆蓋率低于 1%。
數據集處理
圖2概述了準備數據集的步驟。我們在 ESA 哥白尼數據中心下載研究區(qū)域的 Sentinel-2 衛(wèi)星圖像，選擇云覆蓋較少的圖像。下載的衛(wèi)星圖像有 13 個波段，并使用紅色、綠色、藍色和近紅外波段生成三個數據集，以確定哪種波段組合更適合露天煤礦的開采。第一個數據集是通過合成紅色、綠色和藍色波段形成的，第二個數據集是通過合成紅色、綠色和 NIR 波段形成的，第三個數據集是使用 NIR、紅色、綠色和藍色波段形成的。然后，以Google Earth高分辨率遙感影像為參考，對礦區(qū)進行矢量化處理，并轉換為與衛(wèi)星影像格式相同的柵格文件，本文采用的格式為TIFF。數據集中的 Sentinel-2 圖像和 shp 文件已根據相同的坐標系進行投影，確保礦區(qū)與標簽相對應。根據行政區(qū)域的shp文件對衛(wèi)星圖和標簽圖進行裁剪，使得標簽圖覆蓋的區(qū)域與裁剪后的衛(wèi)星圖相同。最后，將裁剪后的衛(wèi)星圖像和標簽圖像切片輸入到模型中。
圖 2
數據預處理和各種步驟
用于分布式 CNN 模型的邊緣云
邊緣云平臺用于實現智能應用的各個階段，如圖6所示。邊緣平臺負責對收集到的數據進行預處理，然后將其發(fā)送到遠程云端進行存儲和訓練。圖7討論智能應用的兩個重要模塊，即通道注意力模塊和空間注意力模塊如何在邊緣云基礎設施上實現，以便數據可以在本地處理，并且只將基本數據用于訓練目的。這有助于減少訓練時間和應用程序延遲。預測發(fā)生在邊緣節(jié)點，而模型訓練以分布式 AI 方式發(fā)生在遠程云。事實上，整個應用程序被設計成兩個不同的模塊，即模型訓練和模型預測。由于大量圖像及其特征，兩個模塊相互通信，而訓練在遠程云端進行。同樣，預測模塊在邊緣節(jié)點上運行，并使用經過訓練的模型來獲得結果。盡管如此，
圖 6
提出的邊緣-云深度學習架構
結果與討論
本研究中的所有實驗都是在配備 24 GB 內存和 Windows 10 操作系統(tǒng)的 GeForce RTX 3090 服務器上使用 TensorFlow（版本 2.8.0）框架實現的。對于每個數據集，非挖掘像素均大于挖掘像素，為了平衡正負樣本，在正樣本像素的基礎上選取等量的負樣本，訓練集與訓練集的比例驗證集是 6:4。為了使模型達到最佳精度，對模型進行了各種實驗，實驗分為兩個主要部分：
-
第一部分：確定輸入數據的最佳切片大小和模型的最佳優(yōu)化器。
-
第二部分：最優(yōu)模型與先進的CNN和RNN模型進行比較，使用Recall、Precision、F1、OA和kappa作為評價指標。
切片實驗
輸入網絡的切片大小對訓練結果有影響，因為圖像特征因圖像尺度而異。圖像越大，它具有的紋理和上下文信息就越多，它可以捕獲的重要特征也就越多。此外，當圖像變大時，可以更好地獲得一些判別性特征。然而，當尺寸變得足夠大時，分類性能可能不再提高甚至降低，并且計算量相應地變得更大。本實驗研究區(qū)Sentinel-2圖像和shp文件大小為3001×2205，分別切成9×9、17×17和33×33大小的切片。表1、2和3?_?_顯示AD??-Net基于三個數據集的評估結果，包括Recall、Precision、F1-Score、OA和Kappa。
不同CNN模型的比較
基于切片實驗和參數實驗選擇最優(yōu)切片和最優(yōu)優(yōu)化器，另外分別比較切片大小相同、優(yōu)化器相同的三個數據集的OA和Kappa值，不難看出數據集 3 的實驗結果優(yōu)于其他兩個數據集。這意味著近紅外、紅綠藍波段的組合更適合10 m空間分辨率衛(wèi)星圖像中露天煤礦的提取
在數據集 3 上比較模型的精度、OA 和 Kappa 指標以及建議的模型
結論和未來的工作
針對Sentinel-2影像中露天煤礦提取任務創(chuàng)建了三個數據集。提出了一種基于 CNN 和 DenseNet 的輕量級密集連接模型 AD-Net。對于這個模型，最佳切片大小和優(yōu)化器是通過大量實驗確定的。為了更好地從Sentinel-2數據中提取露天煤礦，研究了Sentinel-2衛(wèi)星波段的最佳組合，發(fā)現NIR、紅綠藍波段合成優(yōu)于紅綠藍波段合成， NIR、紅色和綠色波段合成。所提出的模型與其他 CNN 模型進行了比較，包括 AlexNet、VGG-16、GoogLeNet、Xception、ResNet50 和 DenseNet121。實驗結果表明，Recall、Precision、
為了提高檢測精度，可以加入一些圖像預處理方法，如去模糊，增加此類訓練樣本的數量，以提高檢測精度。未來，我們希望細化提取露天煤礦的任務，以從圖像中提取更多信息，例如采礦點、排放點和邊幫。同樣，我們還將調查各種網絡激活函數對取得的結果和發(fā)現的影響。我們將研究一些數據預處理方法，這些方法可以減少收集數據的冗余，以便僅存儲重要數據并將其用于訓練目的。這將顯著減少模型訓練和預測的持續(xù)時間。此外，它將減少網絡流量，從而提高網絡性能。
?