案例简介

近年来，高尔夫球场的快速增长引起了政府和大众的广泛关注。在国家高分辨率对地观测重大专项的支持下，中国科学院空天信息创新研究院利用宽覆盖中分辨率卫星遥感影像技术，实现了对标准高尔夫球场的检测，为相关部门提供高尔夫球场数量、面积和空间分布及其变化信息。

城市遥感图像

 

中科院空天信息创新研究院应用飞桨深度学习开源框架对高尔夫球场进行遥感监测，针对目标进行了一系列优化，大大提升了遥感图像解译工作的效率，为高尔夫球场检测提供半自动化技术手段。

相关产品

PaddleDetection

场景分析

业务挑战

• 难点一: 样本规模小 中国内地标准高尔夫球场仅数百个，样本量较小。
• 难点二: 特征差异大 球场特征随季节变化，气象条件变化。 

 

时相和影像质量差异

左图为2015年8月4日，中图为2013年3月3日，有图为2010年11月19日

 

• 难点三: 地物混淆强 高尔夫球场与山区林地、城市绿地间存在混淆。

山区林地、城市绿地造成的误检

 

• 难点四: 边界模糊 米影像中球场与周边地物边界较为模糊。

球场边界模糊

 

技术方案

影像裁剪

• 波段裁剪方面，高尔夫球场以植被为主体(约占 70%)，植被在近红外波段具有高反射特征，因此保留影像绿、红与近红外波段而形成 3 波段影像数据。
• 空间裁剪方面，以球场为中心，在影像与目标地物边界的控制下，裁切出包含目标地物的 1200×1200 影像块。
• 通过最优线性拉伸生成 8 位影像数据。

裁切影像及其目标地物边框示意图

 

样本增强

采用随机裁剪和旋转样本增强方法，将 600 余幅 1200×1200 图像增强得到 10 万张训练样本图像。

                                            原图1200×1200                                 裁剪小图                                裁剪小图旋转30°

 

模型训练调优

采用经典的目标检测算法 Faster R-CNN，并根据高夫夫球场的特性对输入图像的长宽比进行了调优。

Faster R-CNN 模型结构

 

上线效果

算法上线后，相对传统方法大大提高了效率，使得周期性、自动化高尔夫球场遥感监测成为可能。在京津冀地区 GF-6 WFV 影像中取得的面积检测率为 86%，数量检测率为 95%，单景 GF-6 WFV 影像检测耗时 10 分钟。

高尔夫球场检测结果示意图

 

案例企业简介

中科院空天信息创新研究院是中国科学院直属综合性科研机构，在中国科学院电子学研究所、遥感与数字地球研究所、光电研究院的基础上整合组建，拥有 20 个国家级 / 院级重点实验室、中心、非法人单位，聚焦国家战略需求，以重大产出和支撑国家实验室建设为目标，已基本形成了空天信息领域高起点、大格局、全链条布局的研究方向。