針對遙感影像的MSA-YOLO儲油罐目標檢測
2022年電子技術應用第11期
李 想1，2，特日根1，2，趙宇恒1，2，陳文韜1，2，徐國成3
1.長光衛星技術股份有限公司，吉林 長春130000； 2.吉林省衛星遙感應用技術重點實驗室，吉林 長春130000； 3.吉林大學 材料科學與工程學院，吉林 長春130000
摘要： 原油作為一種重要的戰略物資，在我國經濟和軍事等多個領域均起到重要作用。提出一種算法MSA-YOLO(MultiScale Adaptive YOLO)，該算法在YOLOv4算法的基礎上進行優化，并基于以吉林一號光學遙感衛星影像為主的遙感圖像數據集進行實驗，對特定監控區域內的儲油罐進行識別與分類。算法優化內容包括：為簡化儲油罐監測模型同時保證模型的效率，對YOLOv4的網絡結構中的多尺度識別模塊進行修剪；使用k-means++聚類算法進行初始錨框的選取，使模型加速收斂；使用基于CIoU-NMS的優化，進一步提升推理速度和準確度。實驗結果表明，與YOLOv4相比，MSA-YOLO模型參數數量減少25.84%；模型尺寸減少62.13%；在Tesla V100的GPU環境下，模型的訓練速度提升6 s/epoch，推理速度提升15.76 F/s；平均精度為95.65%。與此同時，MSA-YOLO算法在多種通用目標識別算法進行的對比實驗中均體現出了更高效的特點。MSA-YOLO算法對儲油罐進行準確且實時的識別具有通用可行性，可為遙感數據在能源期貨領域提供技術參考。
中圖分類號： TP75
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.223191
中文引用格式： 李想，特日根，趙宇恒，等. 針對遙感影像的MSA-YOLO儲油罐目標檢測[J].電子技術應用，2022，48(11)：24-32，40
英文引用格式： Li Xiang，Te Rigen，Zhao Yuheng，et al. MSA-YOLO oil storage tank target detection for remote sensing images[J]. Application of Electronic Technique，2022，48(11)：24-32，40
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.223191
中文引用格式： 李想，特日根，趙宇恒，等. 針對遙感影像的MSA-YOLO儲油罐目標檢測[J].電子技術應用，2022，48(11)：24-32，40
英文引用格式： Li Xiang，Te Rigen，Zhao Yuheng，et al. MSA-YOLO oil storage tank target detection for remote sensing images[J]. Application of Electronic Technique，2022，48(11)：24-32，40
MSA-YOLO oil storage tank target detection for remote sensing images
Li Xiang1，2，Te Rigen1，2，Zhao Yuheng1，2，Chen Wentao1，2，Xu Guocheng3
1.Chang Guang Satellite Technology Co.，Ltd.，Changchun 130000，China； 2.Main Laboratory of Satellite Remote Sensing Technology of Jilin Province，Changchun 130000，China； 3.School of Materials Science and Engineering，Jilin University，Changchun 130000，China
Abstract： Crude oil, as an important strategic material, plays an important role in many fields such as my country′s economy and military. This paper proposes an algorithm MSA-YOLO(MultiScale Adaptive YOLO), which is optimized on the basis of the YOLOv4 algorithm, and is experimented based on the remote sensing image dataset mainly based on Jilin-1 optical remote sensing satellite images，to make identification and classification of oil storage tanks. The algorithm optimization contents include: in order to simplify the oil storage tank monitoring model and ensure the efficiency of the model, prune the multi-scale identification module in the network structure of YOLOv4; use the k-means++ clustering algorithm to select the initial anchor frame to accelerate the convergence of the model;use CIoU-NMS-based optimization to further improve inference speed and accuracy. The experimental results show that compared with YOLOv4, the number of parameters of MSA-YOLO model is reduced by 25.84%; the model size is reduced by 62.13%; in the GPU environment of Tesla V100, the training speed of the model is increased by 6 s/epoch, and the inference speed is increased by 15.76 F/s; the average accuracy is 95.65%. At the same time, the MSA-YOLO algorithm shows more efficient characteristics in the comparative experiments of various general target recognition algorithms. The MSA-YOLO algorithm has universal feasibility for accurate and real-time identification of oil storage tanks, and can provide technical reference for remote sensing data in the field of energy futures.
Key words : computer vision；target recognition；deep learning；YOLO；sorage tank detection
0 引言
近年來，隨著高分辨率光學衛星遙感影像處理技術的快速發展，基于遙感影像的目標識別取得了大量成果。其中，對地表自然形成或人造物體進行識別一直是從業人員的關注重點之一。儲油罐是在石油、天然氣等石化行業中使用的設備，用于儲存在環境溫度下為液態的原油或者其他化工產品度下為液態的原油或者其他化工產品。按照儲油罐的不同用途，分為固定頂型和外浮頂型。利用遙感影像的太陽高度角和內外陰影參數，可以對外浮頂儲油罐的滿油率進行估算，通過滿油率數據在能源期貨價格的預測模型中進行回歸分析，不但可以為能源期貨交易機構提供參考，還能對我國原油的采購及存儲等起到指導作用。而在上述工作中，首要任務是在高分辨率遙感影像中實現固定頂和外浮頂儲油罐的高效識別與分類。
本文詳細內容請下載：http://m.xxav2194.com/resource/share/2000005000。
作者信息：
李 想1，2，特日根1，2，趙宇恒1，2，陳文韜1，2，徐國成3
(1.長光衛星技術股份有限公司，吉林 長春130000；
2.吉林省衛星遙感應用技術重點實驗室，吉林 長春130000；
3.吉林大學 材料科學與工程學院，吉林 長春130000)
此內容為AET網站原創，未經授權禁止轉載。