面向光伏電站識別的深度實(shí)例分割方法

周樹芳，張小詠，陳正超，盧凱旋

(1. 北京信息科技大學(xué)高動態(tài)導(dǎo)航技術(shù)北京市重點(diǎn)實(shí)驗(yàn)室，北京 100101; 2. 中國科學(xué)院空天信息創(chuàng)新研究院，北京 100094)

0 引言

太陽能等清潔能源，對于發(fā)展綠色經(jīng)濟(jì)十分必要. 我國地域廣闊，大部分地區(qū)太陽輻射照度較大，可以直接利用的太陽能資源非常豐富. 因此，準(zhǔn)確獲得光伏電站的位置、空間分布和面積信息，對優(yōu)化能源結(jié)構(gòu)、合理開采不可再生能源具有重要意義. 遙感通過非接觸、遠(yuǎn)距離、大范圍的測量，為客觀公正地獲取光伏電站的產(chǎn)能情況提供新的途徑.

作為一種實(shí)現(xiàn)人工智能的強(qiáng)大技術(shù)，深度學(xué)習(xí)已經(jīng)在手寫數(shù)字識別、維數(shù)約簡、語音識別、機(jī)器翻譯、情感識別等領(lǐng)域取得應(yīng)用和發(fā)展[1]. 特別是在圖像檢測方面，深度學(xué)習(xí)可有效解決目標(biāo)圖像場景復(fù)雜、種類繁多(包括光照、遮擋、目標(biāo)形態(tài)等)諸多干擾因素，應(yīng)用較為廣泛. 對于復(fù)雜多變的遙感影像，深度學(xué)習(xí)技術(shù)相比傳統(tǒng)的基于物理模型特征提取技術(shù)在精度和速度上都有較大優(yōu)勢. 將基于深度學(xué)習(xí)的實(shí)例分割算法應(yīng)用于新疆地區(qū)的大面積光伏電站提取，可以顯著提升國家能源部門對光伏電站位置、空間分布以及產(chǎn)能研判能力.

隨著深度學(xué)習(xí)在自然圖像上的廣泛應(yīng)用，近幾年遙感學(xué)者將用于RGB三波段真彩色自然圖像的實(shí)例分割算法引入遙感圖像領(lǐng)域，并在原網(wǎng)絡(luò)的基礎(chǔ)上做了不同的改進(jìn). Lu等[2]設(shè)計一個基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的實(shí)例分割模型，可有效提取細(xì)粒度實(shí)例，同時采用基于特征的方法獲得更準(zhǔn)確的局部特征匹配，對建筑物實(shí)現(xiàn)更準(zhǔn)確的定位效果, 但該網(wǎng)絡(luò)對于目標(biāo)深度特征的提取依賴于手工特征，導(dǎo)致網(wǎng)絡(luò)對于目標(biāo)的深度特征提取不夠，影響模型對于目標(biāo)邊界的精細(xì)化提取. Feng等[3]提出一種稱為SLCMASK-Net的新網(wǎng)絡(luò)，通過引入局部連續(xù)的上下文模塊(SLC)逐步學(xué)習(xí)多尺度信息，避免不同實(shí)例之間的混淆，有效分離了不同的船舶. Su等[4]提出一種基于級聯(lián)Mask R-CNN 的遙感影像實(shí)例分割新方法，該方法利用高分辨率特征金字塔網(wǎng)絡(luò)，對高分辨率多級特征圖進(jìn)行充分利用，并維護(hù)高分辨率特征圖，以提升遙感圖像的實(shí)例分割效果. 張昆侖等[5]提出一個兩分支結(jié)構(gòu)的實(shí)例分割網(wǎng)絡(luò)，目標(biāo)分支采用級聯(lián)結(jié)構(gòu)，通過逐步增加閾值篩選目標(biāo)框； 語義分割分支通過計算目標(biāo)實(shí)例特征圖和分割特征圖的點(diǎn)積，提升了網(wǎng)絡(luò)對于尾礦庫的識別能力. 上述學(xué)者已經(jīng)在實(shí)例分割網(wǎng)絡(luò)上做了很多工作，由于遙感圖像具有拍攝范圍大，背景信息復(fù)雜、光照陰影差異大等特點(diǎn)，其提出的網(wǎng)絡(luò)對于大范圍內(nèi)遙感影像邊界信息的理解不足，導(dǎo)致檢測精度有待進(jìn)一步優(yōu)化.

基于遙感圖像復(fù)雜特征衍生出來的光伏電站特征更加復(fù)雜，具體表現(xiàn)為如下兩個方面. 1) 光伏電站的邊界不規(guī)則，目標(biāo)輪廓并非方正的矩形構(gòu)造，其建設(shè)要根據(jù)當(dāng)?shù)氐牡匦我虻刂埔?，最終在遙感影像上呈現(xiàn)的特征是雜亂無章的. 2) 根據(jù)當(dāng)?shù)氐膶?shí)際需求光伏電站的建設(shè)規(guī)模不一，導(dǎo)致目標(biāo)的尺度范圍大，故在樣本的制作和網(wǎng)絡(luò)的構(gòu)造過程中需要對光伏電站的尺度信息進(jìn)行綜合考慮，對光伏電站的特征進(jìn)行擬合以提升網(wǎng)絡(luò)對于目標(biāo)輪廓的精細(xì)化提取. 在對光伏電站進(jìn)行提取時，傳統(tǒng)的實(shí)例分割網(wǎng)絡(luò)Mask RCNN分別學(xué)習(xí)目標(biāo)矩形框的位置和類別信息，目標(biāo)Mask像素位置信息. 其中，網(wǎng)絡(luò)學(xué)習(xí)得到的目標(biāo)特征分類置信度由目標(biāo)矩形框的質(zhì)量決定，對于遙感圖像上光伏電站這類外形呈面狀，尺度大小不一，空間幾何特征(比如，方形、長條形、不規(guī)則多邊形)存在較大不同的，目標(biāo)特征的質(zhì)量非常關(guān)鍵，多數(shù)情況下目標(biāo)框的質(zhì)量并不能代表目標(biāo)Mask像素的質(zhì)量，從而影像光伏電站的精細(xì)化提取.

基于以上考慮，在傳統(tǒng)實(shí)例分割網(wǎng)絡(luò)基礎(chǔ)上設(shè)計了一種融合逐像素置信度的兩分支(目標(biāo)檢測分支與分割分支)深度實(shí)例分割網(wǎng)絡(luò). 該深度實(shí)例分割網(wǎng)絡(luò)通過4個損失結(jié)構(gòu)(邊界框回歸損失、邊界框置信度損失、Mask像素交叉熵?fù)p失、Mask置信度損失)和2個分支結(jié)構(gòu)完成，在縱向上保證了網(wǎng)絡(luò)每一層的語義信息，在橫向上保證了目標(biāo)檢測分支和分割分支的信息共享，使得網(wǎng)絡(luò)每個階段都能得到更高質(zhì)量的預(yù)測結(jié)果，最終實(shí)現(xiàn)了新疆地區(qū)的光伏電站精細(xì)提取.

1 研究區(qū)域和數(shù)據(jù)

1.1 研究區(qū)域

選取新疆作為光伏電站的提取區(qū)域. 新疆是中國陸地面積最大的省級行政區(qū)且光照充足，是大型光伏電站建設(shè)選址的理想?yún)^(qū)域. 但該地區(qū)產(chǎn)業(yè)結(jié)構(gòu)層次低，經(jīng)濟(jì)的增長過度依賴傳統(tǒng)能源，長期高投入、高產(chǎn)出、高污染的粗放型增長已經(jīng)嚴(yán)重阻礙了新疆生態(tài)文明建設(shè)與經(jīng)濟(jì)的可持續(xù)發(fā)展. 近年來，新疆地區(qū)已經(jīng)建設(shè)了眾多光伏電站，為實(shí)現(xiàn)傳統(tǒng)能源戰(zhàn)略向新能源戰(zhàn)略的轉(zhuǎn)變提供了條件.

1.2 數(shù)據(jù)預(yù)處理

1.2.1數(shù)據(jù)源及預(yù)處理

采用國產(chǎn)高分一號(簡稱GF-1)衛(wèi)星數(shù)據(jù)為數(shù)據(jù)源，數(shù)據(jù)源采集條件是2臺2 m全色/8 m多光譜相機(jī)且天氣晴朗. 使用像素工廠軟件對2016—2020年的GF-1衛(wèi)星影像進(jìn)行預(yù)處理. 首先，對全色影像和多光譜影像做自適應(yīng)分段線性拉伸，改善原始影像的清晰度和對比度. 然后，通過空中三角測量優(yōu)化有理多項(xiàng)式函數(shù)模型(rational polynomial coefficients model, RPC模型)[6]參數(shù)，提高高分影像的定位精度. 利用優(yōu)化后的有理多項(xiàng)式函數(shù)模型參數(shù)進(jìn)行正射校正，在有地面控制點(diǎn)或者參考影像條件下，經(jīng)正射校正的影像絕對精度可優(yōu)于4個像素. 最后，使用全色融合方法融合全色影像和多光譜影像，生成分辨率為2 m的RGB遙感影像. 經(jīng)過預(yù)處理后的GF-1遙感影像尺寸太大，無法直接輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練. 所以在制作樣本之前，需要對遙感影像進(jìn)行切割處理，切片像素大小為2 560 px × 2 560 px.

1.2.2樣本和測試數(shù)據(jù)

采用爬蟲和人工解譯方法，共獲取全國467個光伏電站的點(diǎn)位，其中新疆63個，部分樣本如圖1所示. 通過LabelMe標(biāo)注非新疆地區(qū)的404個樣本，將其作為訓(xùn)練數(shù)據(jù).

圖1 形狀多變的光伏電站Fig.1 Photovoltaic power plants with variable shapes

樣本制作應(yīng)考慮如下3種因素的影響：

1) 尺度劃分. 光伏電站是對太陽能直接利用，其占地面積大，最大的占地面積可達(dá)到3.8 km2. 要保證光伏電站的特征(電站輪廓、紋理，變電室、檢修通道等)提取無損失，選取空間分辨率為2 m的GF-1號衛(wèi)星影像作為樣本的數(shù)據(jù)源，綜合考慮影像分辨率、尺度大小、設(shè)備處理能力，將GF1號衛(wèi)星影像裁剪成像素大小為2 560 px × 2 560 px的切片，裁剪中心點(diǎn)定為光伏電站的坐標(biāo).

2) 區(qū)域選擇. 光伏電站整體表現(xiàn)為面狀(看似簡單實(shí)則沒有區(qū)分度)，且部分檢修通道存在的干擾物，局部特征學(xué)習(xí)不利于光伏電站的提取，樣本制作將連續(xù)成片的光伏板、檢修通道看作單一目標(biāo)物，將它們作為整體特征進(jìn)行學(xué)習(xí)，樣本標(biāo)記采用沿著目標(biāo)邊界對光伏電站進(jìn)行標(biāo)記，同時消除多余背景對光伏電站特征造成的影響.

3) 時相影響. 目前正處于傳統(tǒng)能源向清潔能源轉(zhuǎn)型時期，光伏電站建造受時間影響較大，不同時期的光伏電站特征存在差異，為準(zhǔn)確全面提取光伏電站的特征，采用近5年的多時相遙感影像用于制備樣本.

基于以上原則，共制作1 747張光伏電站訓(xùn)練集樣本，300張驗(yàn)證集樣本，成像時間2016—2020年； 測試數(shù)據(jù)146 153張，成像時間為2020年6月.

2 研究方法

采用深度實(shí)例分割網(wǎng)絡(luò)對光伏電站進(jìn)行提取，具體過程如圖2所示. 具體采用如下6個步驟：

1) 對GF-1影像進(jìn)行預(yù)處理后將影像制做成樣本，得到訓(xùn)練集和驗(yàn)證集.

2) 采用ResNet-50提取光伏電站的基礎(chǔ)特征和用FPN豐富多尺度信息.

3) 在分割分支通過逐像素置信度模塊計算預(yù)測Mask和真值之間的IoU.

4) 計算分割分支的IoU和目標(biāo)分支分類置信度的乘積，實(shí)現(xiàn)分割分支和目標(biāo)分支之間的信息共享.

圖2 新疆地區(qū)光伏電站提取流程Fig.2 Extraction process of photovoltaic power plants in Xinjiang

5) 在網(wǎng)絡(luò)頭部添加目標(biāo)框位置、目標(biāo)框置信度、逐像素位置、逐像素置信度4個損失結(jié)構(gòu)，構(gòu)建面向光伏電站的目標(biāo)提取網(wǎng)絡(luò)(如圖3所示).

6) 對設(shè)計的網(wǎng)絡(luò)進(jìn)行訓(xùn)練得到優(yōu)化的檢測模型，再將優(yōu)化檢測模型對新疆地區(qū)進(jìn)行光伏電站檢測，得到新疆地區(qū)光伏電站的空間分布信息.

2.1 逐像素置信度模塊

傳統(tǒng)Mask RCNN網(wǎng)絡(luò)，首先經(jīng)過殘差網(wǎng)絡(luò)(residual network, ResNet)[7]提取光伏電站一些淺層的特征； 接著使用特征金字塔網(wǎng)絡(luò)(feature pyramid networks, FPN)[8]進(jìn)一步豐富這些淺層特征； 然后采用區(qū)域推薦網(wǎng)絡(luò)(region proposal network，RPN)[9]絡(luò)提取候選區(qū)域； 最后經(jīng)過ROIAlign[10]優(yōu)化候選區(qū)域，并執(zhí)行候選框分類、邊界框回歸和Mask掩膜生成. 其中，Mask的類別信息由目標(biāo)檢測分支的目標(biāo)框提供. 但是，目標(biāo)框置信度只能區(qū)分提議框的語義類別，并不能反映Mask的類別信息，所以使用目標(biāo)框置信度來評價Mask的分類會使分割結(jié)果出現(xiàn)偏差，對于光伏電站這類背景繁雜、邊界模糊的對象而言分割誤差會更大. 基于上述考慮，通過計算逐像素的類別損失來評價Mask區(qū)域的類別置信度，使Mask區(qū)域的類別置信度不僅由目標(biāo)檢測分支目標(biāo)框框提供，從而提升掩膜質(zhì)量的完整性，優(yōu)化網(wǎng)絡(luò)對光伏電站邊界信息的提取.

圖3 深度實(shí)例分割網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.3 Structure diagram of the deep instance segmentation network

為了使網(wǎng)絡(luò)學(xué)習(xí)到Mask區(qū)域的類別置信度，首先要保證分割分支和目標(biāo)檢測分支保持信息共享. 針對傳統(tǒng)Mask RCNN不同任務(wù)分支之間沒有信息交流，沒有實(shí)現(xiàn)檢測分支和分割分支之間的參數(shù)共享學(xué)習(xí). 先通過逐像素置信度模塊實(shí)現(xiàn)預(yù)測Mask和真值Mask之間的IoU計算. 逐像素置信度模塊的輸入為Mask RCNN的掩膜輸出和ROIAlign特征層，主要采用卷積核為2，步長為2的最大池化使Mask掩膜的空間大小和RoI特征層一致，以便后面通道融合； 在回歸時，只回歸目標(biāo)一類(即光伏電站). 逐像素置信度模塊由4個卷積層和3個全連接層組成. 卷積層保持和Mask RCNN相同，卷積核的大小設(shè)置為3、個數(shù)設(shè)置為256. 對于全連接層，按照RCNN頭部結(jié)構(gòu)將全連接層的輸出設(shè)為1 024，最終輸出網(wǎng)絡(luò)的類別數(shù).

圖4 逐像素置信度模塊Fig.4 Pixel-by-pixel confidence module

對于逐像素模塊的輸入，采用4組對比試驗(yàn)，通過實(shí)驗(yàn)結(jié)果選擇最優(yōu)結(jié)構(gòu)的網(wǎng)絡(luò)對新疆地區(qū)的光伏電站進(jìn)行提取. 4組對比實(shí)驗(yàn)如下：

1) 第1組將單個類別的Mask和RoI特征層相加，記為Mask + RoI，結(jié)構(gòu)圖如圖4所示;

2) 第2組將單個類別的Mask和RoI特征層相乘，記為Mask × RoI;

3) 第3組將所有的C種類別的Mask和RoI特征層相加，記為CMask + RoI;

4) 第4組采用原始的Mask RCNN算法.

通過逐像素置信度模塊(Mask+RoI)先進(jìn)行預(yù)測Mask和真值之間的IoU的計算； 然后將分割分支的IoU和目標(biāo)檢測分支分類置信度相乘，完成分割分支和目標(biāo)檢測分支之間的信息共享； 最后，通過預(yù)測的Mask每個像素點(diǎn)的損失函數(shù)反向傳播，優(yōu)化預(yù)測的Mask像素分類精度，提升預(yù)測Mask的質(zhì)量. 整個網(wǎng)絡(luò)的損失為：

L=Lbox+Lcls+Lseg+Lconf

(1)

式中：Lbox表示分類損失；Lcls目標(biāo)邊界框損失；Lseg表示像素交叉熵?fù)p失；Lconf表示Mask置信度損失.

2.2 網(wǎng)絡(luò)訓(xùn)練

對GF-1影像進(jìn)行預(yù)處理后得到用于訓(xùn)練的光伏電站樣本，接著將樣本輸入到網(wǎng)絡(luò). 首先網(wǎng)絡(luò)對輸入數(shù)據(jù)進(jìn)行增強(qiáng)，豐富樣本的多樣性，防止較少的數(shù)據(jù)造成網(wǎng)絡(luò)過擬合. 數(shù)據(jù)增強(qiáng)后卷積網(wǎng)絡(luò)對樣本進(jìn)行訓(xùn)練，卷積核在特征圖上進(jìn)行滑動來提取圖像特征信息； 然后網(wǎng)絡(luò)對特征圖上每個像素產(chǎn)生一定寬高比的候選框，并將候選框與真值框進(jìn)行IoU計算，若IoU大于0.5網(wǎng)絡(luò)將該候選框判斷為正樣本，否者判為負(fù)樣本. 以此過程進(jìn)行網(wǎng)絡(luò)迭代優(yōu)化，得到最佳參數(shù)配置的模型.

實(shí)例分割網(wǎng)絡(luò)基礎(chǔ)參數(shù)batch_size表示每一批次GPU處理的圖片樣本數(shù)，它與輸入圖像大小和GPU處理能力有關(guān)，設(shè)置合理將提高內(nèi)存利用效率，設(shè)為2； 學(xué)習(xí)率(learning rate)代表網(wǎng)絡(luò)每次更新參數(shù)的速度，學(xué)習(xí)率越小，網(wǎng)絡(luò)訓(xùn)練時間越長，設(shè)為0.02； 權(quán)重衰減系數(shù)(weight_decay)設(shè)為0.000 1； 動量因子(momentum)為0.9； 總的迭代批次total_epochs設(shè)為30，其中學(xué)習(xí)率采用線性增加的學(xué)習(xí)率策略. 實(shí)驗(yàn)硬件環(huán)境為4個12 GB顯存的NVIDIA Titan XP GPU、CUDA2.0及 Intel Xeon E5 CPU，采用的軟件框架為Pytorch.

2.3 精度評價方法

模型優(yōu)劣的評價需要選擇評價標(biāo)準(zhǔn)，采用精度(Precision)、召回率(Recall)和F1分?jǐn)?shù)(F1Score)這3個常用的深度學(xué)習(xí)目標(biāo)檢測領(lǐng)域評價指標(biāo)對光伏電站結(jié)果進(jìn)行分析評價. 指標(biāo)定義如下：

(2)

(3)

(4)

式中：TP表示目標(biāo)為光伏電站檢測結(jié)果也為光伏電站(正檢)； FP表示目標(biāo)非光伏電站檢測結(jié)果為光伏電站(誤檢)； FN表示目標(biāo)為光伏電站檢測結(jié)果為背景(漏檢). 通常情況下，精度和召回率表現(xiàn)為負(fù)相關(guān)，而F1分?jǐn)?shù)是將兩者結(jié)合起來對網(wǎng)絡(luò)進(jìn)行綜合評價.

3 實(shí)驗(yàn)結(jié)果與分析

3.1 模型性能

使用相同的數(shù)據(jù)集(訓(xùn)練集1 747張、測試集300張)對改進(jìn)的Mask RCNN(Mask + RoI、Mask × RoI、CMask + RoI、Mask RCNN)和原始Mask RCNN進(jìn)行訓(xùn)練，最終得到4種針對光伏電站檢測的實(shí)例分割模型，然后對比分析不同檢測模型對于光伏電站的識別能力.

3.1.1平均精度均值(mAP)

圖5 網(wǎng)絡(luò)訓(xùn)練的平均精度均值曲線Fig.5 mAP curve for network training

平均精度均值能從整體上反映出一個模型的優(yōu)劣程度，它是實(shí)例分割中模型評價的重要評價指標(biāo). 為降低無關(guān)變量的影響，在訓(xùn)練不同模型時除改進(jìn)部分, 其余參數(shù)的設(shè)置均保持相同，如圖5所示. 從圖5可見，在相同數(shù)據(jù)集的情況下，不同網(wǎng)絡(luò)的mAP存在一定的差異，且采用改進(jìn)的Mask + RoI結(jié)構(gòu)的網(wǎng)絡(luò)表現(xiàn)最佳，經(jīng)過30次迭代訓(xùn)練之后mAP達(dá)到85.8%，比Mask × RoI、CMask + RoI和原始Mask RCNN分別高出3.8%、2.9%、6.4%. 在光伏電站的數(shù)據(jù)集上，原始Mask RCNN的mAP最低，其最佳的mAP為79.6%.

3.1.2驗(yàn)證集精度、召回率和F1分?jǐn)?shù)

將4種網(wǎng)絡(luò)經(jīng)過30次迭代訓(xùn)練后得到4種模型，然后用4種模型對驗(yàn)證集中的光伏電站進(jìn)行檢測，每一種模型測試采用10組閾值(0.50～0.95), 得到10種不同的檢測結(jié)果. 最后, 得到每一種模型下10組閾值的精度、召回率、F1分?jǐn)?shù)，并繪制它們的變化趨勢，如圖6所示.

由圖6可知，置信度閾值和精度呈現(xiàn)正相關(guān)，與召回率呈現(xiàn)為負(fù)相關(guān). 在這四種網(wǎng)絡(luò)中帶有Mask + RoI結(jié)構(gòu)的網(wǎng)絡(luò)呈現(xiàn)出最佳性能，最高精度達(dá)到92.6%，在0.50以上置信度閾值的情況下召回率保持在96.4%以上，而在閾值為0.95時F1分?jǐn)?shù)達(dá)到94.45%. 對比分析可知，帶有CMask + RoI、Mask × RoI結(jié)構(gòu)的網(wǎng)絡(luò)性能依次降低，其最大精度依次為，90.1%、89.4%； 召回率兩者在95.0%以上； 其最大的F1分?jǐn)?shù)依次為92.5%、92.1%； 原始Mask RCNN性能表現(xiàn)最差，最高精度為77.4%，召回率在94.2%以上，F(xiàn)1分?jǐn)?shù)最高為85.0%.

圖6 不同閾值下的精度曲線、召回率曲線和F1分?jǐn)?shù)曲線Fig.6 Trend of precision, recall and F1 Score curves at different confidence threshold

通過以上實(shí)驗(yàn)和分析，添加Mask + RoI、Mask × RoI、CMask + RoI模塊相比于原始Mask RCNN網(wǎng)絡(luò)精度、召回率、F1分?jǐn)?shù)都有一定程度的提升. 其中添加Mask + RoI模塊的網(wǎng)絡(luò)在這3種評價指標(biāo)中均表現(xiàn)出了最好的性能. 深度實(shí)例分割網(wǎng)絡(luò)通過添加逐像素置信度模塊，同時考慮預(yù)測掩膜與真實(shí)掩膜之間的IoU, 以及目標(biāo)檢測分支分類置信度，取代了原始Mask RCNN中僅僅只使用分類分?jǐn)?shù)來評估最終掩膜質(zhì)量的處理方法，結(jié)果表明，這種改進(jìn)提升了光伏電站的檢測精度.

3.2 新疆地區(qū)光伏電站提取結(jié)果與分析

通過上述實(shí)驗(yàn)，最終選擇加入逐像素置信度模塊(Mask + RoI)的網(wǎng)絡(luò)，使用1.2.2節(jié)中制作完成的訓(xùn)練集和測試集經(jīng)過30次迭代得到最終用于光伏電站檢測的模型； 采用1.2.2節(jié)中的測試數(shù)據(jù)使用4個GPU在17 h完成.

在對新疆地區(qū)光伏電站實(shí)際檢測中，采用綜合性能最好的模型對光伏電站進(jìn)行提取，考慮到召回率的優(yōu)先級更高，先采用0.2的置信度將模型用于新疆地區(qū)光伏電站的檢測，后逐步提高置信度得檢測結(jié)果如表1所示. 在置信度為0.8時得到光伏電站295個，通過人工解譯發(fā)現(xiàn)誤判49個，漏檢29個，經(jīng)計算在置信度為0.8時光伏電站的檢測精度為83.4%. 新疆地區(qū)光伏電站檢測結(jié)果如圖7所示.

表1 不同閾值下模型的檢測結(jié)果

圖7 新疆地區(qū)光伏電站檢測結(jié)果Fig.7 Detection results of photovoltaic power plants in Xinjiang Region

對新疆不同地區(qū)光伏電站檢測結(jié)果的面積、數(shù)量、分布、大小光伏的貢獻(xiàn)進(jìn)行統(tǒng)計分析，結(jié)果如圖8所示. 由圖8可見，新疆地區(qū)光伏電站總面積為198.38 km2, 其中，吐魯番地區(qū)、哈密地區(qū)等東部地區(qū)比克孜勒蘇柯爾克孜自治州、喀什地區(qū)等西部地區(qū)光伏產(chǎn)業(yè)密集，光伏電站面積達(dá)77.09 km2； 阿勒泰地區(qū)、塔城地區(qū)等北部地區(qū)光伏產(chǎn)業(yè)分布較少，光伏電站面積為5.15 km2； 其余地區(qū)分布相對均勻. 從光伏個數(shù)上看，新疆各地區(qū)光伏電站數(shù)量越多，該地區(qū)光伏電站面積一般也越大，表明各個地區(qū)單個光伏電站建設(shè)規(guī)模大體上一致. 從大小光伏的貢獻(xiàn)上看，光伏電站建設(shè)面積在0.80 km2以下的較多，數(shù)量為211個，總面積為92.65 km2； 光伏電站建設(shè)面積在0.80 km2以上的較少，數(shù)量為64個，面積為105.73 km2，表明總體上新疆大面積光伏建設(shè)和小面積光伏建設(shè)對新疆光伏發(fā)電的貢獻(xiàn)基本相當(dāng).

圖8 新疆地區(qū)光伏電站檢測結(jié)果統(tǒng)計Fig.8 Statistical map of detection results of photovoltaic power plants in Xinjiang Region

4 結(jié)語

通過分析基于遙感影像的光伏電站特征，改進(jìn)傳統(tǒng)Mask RCNN的特征分類信息的衡量標(biāo)準(zhǔn)，提出添加逐像素置信度模塊的深度實(shí)例分割網(wǎng)絡(luò). 該網(wǎng)絡(luò)通過改變衡量Mask掩膜的標(biāo)準(zhǔn)，即將預(yù)測掩膜與真值掩膜二者之間的IoU和目標(biāo)檢測分支分類置信度結(jié)合起來度量光伏電站掩膜的質(zhì)量. 最后網(wǎng)絡(luò)頭部由目標(biāo)框位置、目標(biāo)框置信度、逐像素位置、逐像素置信度4個損失結(jié)構(gòu)構(gòu)成，通過反向傳播優(yōu)化預(yù)測Mask像素的分類精度，提升網(wǎng)絡(luò)對于光伏電站精細(xì)邊界的識別. 實(shí)驗(yàn)結(jié)果表明，此改進(jìn)有利于網(wǎng)絡(luò)對于光伏電站的提取，使得該網(wǎng)絡(luò)對于光伏電站檢測精度達(dá)到83.4%. 同時，實(shí)驗(yàn)也證明了將深度學(xué)習(xí)方法應(yīng)用于遙感大數(shù)據(jù)中能夠?qū)崿F(xiàn)對復(fù)雜目標(biāo)的準(zhǔn)確獲取. 相比于傳統(tǒng)的統(tǒng)計方法，該方法對于大面積區(qū)域中目標(biāo)的高效獲得具有重要意義. 當(dāng)然，該方法也可以應(yīng)用于基于遙感影像的其他目標(biāo)的獲取，獲取結(jié)果可為相關(guān)行業(yè)提供數(shù)據(jù)支撐.

由于光伏電站特征比較復(fù)雜，我國中部和東部的山區(qū)光伏電站的樣本不便制作，導(dǎo)致用于模型訓(xùn)練的數(shù)據(jù)較少，這在一種程度上限制了模型的精度. 但光伏電站特征豐富，山區(qū)中光伏電站局部地區(qū)特征具備一致性，今后主要對山區(qū)光伏電站局部特征進(jìn)行研究，進(jìn)一步優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，從而提升光伏電站整體特征的識別，實(shí)現(xiàn)更大范圍的光伏電站提取.