48
最早的尾矿库安全调查是依靠人工统计和检查，但这种安全调查成本高、耗时长[1]。遥感技术是尾矿库识别的一种方法[2]。高空间分辨率的遥感图像具有覆盖面广、纹理清晰的特点。结合光谱和纹理特征，可以直接从遥感图像中检测出物体[3] 。深度学习技术可以帮助研究人员提取遥感图像中最具代表性的特征。根据高分辨率遥感影像中尾矿库的复杂结构特点，为了研究适用于亚米级影像的尾矿库检测、提取方法。本文制作了一个包含全国多个省份的尾矿库数据集，并提出了一个深度学习框架，可以大面积快速准确地检测、提取尾矿库。 1 研究区概况和数据1.1 研究区概况
攀枝花市位于北纬26°05-27°21，东经101°08-102°15，面积7440.398平方公里。攀枝花市位于川滇南北构造带中部及其滇藏“歹”构造中段，攀西古裂谷中南段，是著名的攀西成矿带的重要组成部分。截至2011年，攀枝花市共发现矿产76种，有一定储量的矿产39种。矿床（含矿点和矿化点）490余个，其中大型、特大型矿床45个，中型矿床31个；已开发利用了40多种矿产资源。然而，为了储存采矿和冶炼产生的大量废渣和尾矿，攀枝花市建造了大量的尾矿库。
椒盐噪声基于深度学习的高分遥感影像尾矿库提取
刘亮1，2，3 杨洋1，2，3 齐峰4 仲凤呈5 陈璐洁6
1. 西南石油大学地球科学与技术学院 四川 成都 610500
2.西南石油大学油气藏地质与开发国家重点实验室 四川 成都 610500
3.西南石油大学空间信息技术与大数据挖掘研究所 成都 610500
4.东方原油储运有限公司 江苏 徐州 221008
5.四川省新阳安创科技有限公司 四川 成都 610500
6.中国石油天然气集团公司青海油田分公司勘探开发研究院 甘肃 敦煌 736202
摘要：尾矿库检测和边界提取对于尾矿库的数字化管理和监测非常重要。利用改进U-Net模型进一步对目标区域准确地提取尾矿库，框架的整体精度达到98.12%。该方法能够从大面积高空间分辨率遥感影像中高精度、高速度地提取各种尾矿库，有效减少了尾矿库数字化管理的人力和财力成本，为政府部门快速获取尾矿库边界信息提供一定的参考。
关键词：尾矿库 YOLOv4 U-Net 高空间分辨率 遥感影像Ｅｘｔｒａｃｔｉｏｎ ｏｆ ｔａｉｌｉｎｇｓ ｐｏｎｄｓ ｂａｓｅｄ ｏｎ ｄｅｅｐ ｌｅａｒｎｉｎｇ ｆｒｏｍ ｈｉｇｈ－ｒｅｓｏｌｕｔｉｏｎ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｓ
Ｌｉｕ Ｌｉａｎｇ １，２，３，Ｙａｎｇ Ｙａｎｇ１，２，３，Ｑｉ Ｆｅｎｇ４，Ｚｈｏｎｇ Ｆｅｎｇｃｈｅｎｇ５，Ｃｈｅｎ Ｌｕｊｉｅ６ 1.School of Geosciences and Technology ，Southwest Petroleum University ，Chengdu 6105002. Southwest Petr Univ ，State Key Lab Oil Gas Reservoir Geol & Exploit ，Chengdu 610500
3. Southwest Petr Univ ，Spatial Informat T echnol & Big Data Min Res Ctr ，Sch Earth Sci & T echnol ，Chengdu 610500
4. Eastern Crude Oil Storage and Transportation Co.，LTD.，Xuzhou 221008
5.Sichuan Xinyang Anchuang T echnol Co Ltd ，Chengdu 610500
6.China National Petroleum Corporation Qinghai Oilfield Branch Exploration and Development Research Institute ，Dunhuang 736202
Abstract ：Tailings pond detection and boundary extraction are important for the digital management
and monitoring of tailings ponds. The tailings reservoir was further extracted accurately for the target area using the improved U-Net model ，and the overall accuracy of the framework reached 98.12%. This method can extract various tailings ponds with high accuracy and speed from large area high spatial resolution remote sensing images ，which effectively reduces the human and financial cost of tailings pond digital management and provides some reference for government departments to obtain tailings pond boundary information quickly.
Keywords ：tailings pond ；YOLOv4；U-Net ；high spatial resolution ；remote sensing image
基金资助：国家管网集团有限公司东部原油储运技术开发项目（无人机视角下的潜在管道威胁事件识别）（GWHT20220021074）Copyright ©博看网. All Rights Reserved.
49
1.2 数据为了实现基于深度学习的尾矿库检测，本文制作了高空间分辨率遥感影像尾矿库检测数据集和语义分割数据集。以Google Earth 第17级遥感影像为数据来源，分辨率为1.07米。数据集中包括攀枝花市和其他省（如江西省、安徽省、河北省、山西省、陕西省）的尾矿库。根据专家经验和目视
解译，使用LabelImg制作检测数据集，使用ArcGIS制作语义分割数据集。考虑到尾矿库的空间异质性，本文尽可能选择各种类型的尾矿库进行样本制作，避免检测结果出现严重遗漏。
尾矿库检测数据集包含413个正样本和2477个负样本，总共包含510个标注；语义分割数据集包含407个正样本和2433个负样本。但是，深度学习需要大样本来防止训练产生过拟合的现象，通常采用数据增强的方法来扩充样本数量。本文采用添加椒盐噪声（0.02）、垂直翻转、对角镜像、添加高斯噪声、水平翻转等方法增加尾矿库数据集的多样性。通过数据增强，尾矿库检测数据集包含4955个样本，其中正样本2478个，负样本2477个，总共包含3060个标注；语义分割数据集包含4875个样本，其中正样本2442个，负样本2433个。
2 方法
本文提出的研究方法包括为以下步骤：①根据专家经验和目视解译，使用LabelImg制作尾矿库检测数据集，训练YOLOv4模型；②使用ArcGIS制作语义分割数据集，训练改进U-Net模型；③输入研究区高空间分辨率遥感影像检测尾矿库目标区域，首先根据目标区域制作尾矿库空间分布图，然后对目标区域进行语义分割，提取尾矿库。
2.1 尾矿库区域检测
为了实现尾矿库大面积、智能化的提取，本文首先对尾矿库区域进行检测。利用YOLOv4目标检测模型来检测尾矿库区域。YOLOv4实现了准确性和速度的最佳平衡，该特点使YOLOv4能够在大面积遥感影像中快速检测尾矿库。
Y O L O v 4的网络结构与由空间金字塔池化（SPP）、CSPDarknet53、YOLOv3 的head和路径聚合网络（PANet）组成。CSPDarknet53 被用作骨干网络来提取图像的特征，SPP块用于增加感受野，PANet用于合并提取的特征。输入图像大小为608×608大小时，经过CSPDarkNet53五次采样后获得三个有效特征层（52×52，26×26，13×13）。第三个特征层经过5×5、9×9和13×13的最大池化处理，得到三个特征层，然后将结果和第三个特征层进行合并得到一个13×13的特征层。通过PANet结构对获取的 13×13 特征
层与26×26和52×52特征层进行处理，得到三个尺度的预测特征层。最后，通过对预测的特征层进行回归和分类操作，得到尾矿库的边界坐标和置信度。
2.2 尾矿库语义分割
除了定位到尾矿库的地理位置外，稳健的分割算法也十分重要。本文在对尾矿库进行检测后，进一步采用改进的U-Net模型提取尾矿库。
U-Net是一个语义分割模型，被广泛应用于遥感影像分割、工业生产中瑕疵检测等。但是，传统的U-Net模型难以分割地物丰富、背景复杂的高空间分辨率遥感影像。考虑到尾矿库的复杂特征和模型分割性能，本文对模型进行了改进。适当地增加卷积层可以获得更加准确的特征信息，经过实验，本文分别在第三个、第四个、第五个特征层增加一次卷积操作，以此获得更高的分割准确率；本文的网络不存在任何全连接层，在上采样部分依然有大量的特征通道，这使得网络可以将尾矿库特征信息向更高的层传播，最大程度保留了尾矿库特征信息。
2.3 精度评估
为了评估本研究框架的性能，本文分别评估了检测精度和整体精度。尾矿库检测精度评估采用Precision（精度）、Recall（召回率）、F1-score、mAP来评估YOLOv4模型的性能。对YOLOv4检测到的正确尾矿库区域进行语义分割后，本文根据尾矿库提取结果基于像元的混淆矩阵计算尾矿库的遗漏误差、误检误差和mAP，最终以mAP作为所提框架整体精度。
3 结果
3.1 基于YOLOv4模型的尾矿库检测
本文共标记4955个尾矿库数据，将尾矿库数据集随机以7：3的比例分为训练集和测试集，批大小设置
为4，经过300次的迭代训练。在对模型训练到大约200次后，模型趋于稳定。结果表明，置信度的改变，YOLOv4模型检测到的尾矿库数量逐渐减少，误检的尾矿库同样在减少。当置信度为0.9时，精度与mAP达到良好的平衡，此时的检测效果最佳。结果表明，YOLOv4模型能够准确检测尾矿库，为尾矿库进一步的提取提供有效的依据。
将攀枝花的遥感图像切片为608×608像素大小的图像，共得到33，174张图像。通过视觉解译得到了36个尾矿库。使用最佳的尾矿库检测器进行检测，得到42个图像，其中36个目视解译的的尾矿库全部包括在结果中，结果表明YOLOv4模型容易出现预测误差。排除被错误地检测为尾矿库的地物，攀枝花市共检测到36个尾矿库。
Copyright ©博看网. All Rights Reserved.
50
3.2 基于改进U-Net 模型的尾矿库提取结果本文基于改进的U-Net模型和传统的U-Net 模型对尾矿库数据集进行了训练和验证。结果表明，改进的U-Net模型比传统的U-Net模型有更佳的性能。PA、Recall和mIOU分别提高了2.03%、11.56%和12.62%。
3.3 最终精度评估
本文将YOLOv4模型检测到的尾矿库区域进行分层采样，并与语义分割结果进行比较。最终共获得75，415，714个像素。尾矿库和其他地物分别分配了26，178，596个和49，237，118个。基于像元估计的误差混淆矩阵如表1所示。所提框架整体准确率为98.12%，遗漏误差为5%，误检误差
表1 基于像元估计的误差混淆矩阵
类别尾矿库其他地物像素精度尾矿库24，870，130109，13024，979，26032.98%其他地物1，308，46649，127，98850，436，45465.14%总和（像素）
26，178，596
49，237，118
75，415，714
98.12%
为0.22%。结果表明，所提框架在整个研究区域提取尾矿库具有良好的鲁棒性。
3.4 模型比较
为证明本文所提方法在尾矿库提取中更有效，本文还使用了传统U-Net模型直接提取尾矿
库。本文提出的方法的提取时间为3640s，直接使用传统U-Net模型提取尾矿库的时间为8275s。基于YOLOv4模型正确检测到的尾矿库区域，两种方
法的提取结果如图1所示。
图1 不同模型提取尾矿库对比
a. YOLOv4检测的尾矿库区域；
b. 是所提方法的提取结果；
c. 是传统U-Net模型的提取结果
4 结束语
本文提出了一个将YOLOv4与改进U-Net模型相结合的框架，从高空间分辨率遥感影像中提取尾矿库。以攀枝花市为研究区域，提出的框架在提取尾矿库空间位置方面实现了高精度（精度=97.74%，召回率=84.02%，mAP=94.4%）。基于改进的U-Net模型，进一步提取尾矿库，获得尾矿库在研究区域的空间分布，总体准确率为98.12%。与传统U-Net模型相比，本文提出的框架提取尾矿库的时间显著减少，耗时3640s。该框架能够从大面积高空间分辨率遥感影像中高精度、高速度地提取各种尾矿库，有效减少了尾矿库信息化管理的人力和财力成本，为政府部门快速获取尾矿库清单、矿山安全防护提供一定的参考。参考文献
[1] 张丹，武伟伟.尾矿库安全管理信息化建设重要性探讨[J].矿业研究与开发，2021，41（03）：117-120.
[2] 赵永明. 基于3S 技术山西省塔儿山尾矿库监测[D].北京：中国地质大学（北京），2011.
[3] 吕洪斌. 攀枝花市矿山环境保护与治理分区研究[D].成都：成都理工大学，2011.
作者简介
刘亮（1997.7—），男，汉族，重庆人，硕士在读，主要从事GIS 技术应用和图像识别方面的研究工作。
Copyright ©博看网. All Rights Reserved.
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议