程序基于TensorFlow的人工智能遥感识别系统设计

版权声明

作者允许以下形式的使用

1、 在参与大学生人工智能比赛撰写报告时用作参考资料。

2、 在论文、报告中引用。但是需要注明来源以及作者。

3、 在发表的文章中引用本文的部分内容。但是需要注明来源以及作者。

以下形式的使用需要向作者发送邮件获取授权

1、 下载本文档上传到其他文档平台公开并提供免费下载。

2、 将本文改编并发表到刊物或者校报。

以下形式的使用我们严格禁止

1、 下载本文档并上传到其他文档平台公开并要求付费或者网站积分下载。

2、 篡改文章内容并以个人的名义发表。

3、 未经作者允许商业化使用。

1

成都理工大学第一届人工智能大赛

程序说明文档程序赛道

目录

一、程序简介. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2

1. 1程序名称以及参赛团队信息. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2

1. 1. 1参赛团队. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2

1. 1.2程序名称. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3

1.2程序功能. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3

1.2. 1机器学习训练模块. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3

1.2.2遥感识别模块. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3

1.3识别正确率. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3

二、程序文件说明. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4

三、程序步骤、流程图. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4

3. 1模型的框架. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4

3. 1. 1程序的构成. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4

3. 1. 1 yolo_v3模型框架. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .5

3.2简单流程图. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .5

3.2. 1训练模块. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .5

3.2.2预测模块. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .6

3.3训练过程部分截图. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .7

四、程序运行说明. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .9

4. 1程序的运行环境要求. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .9

4. 1. 1机器学习训练模块运行需要的环境. . . . . . . . . . . . . . . . . . . . . . . . .9

4. 1.2遥感识别模块运行需要的环境. . . . . . . . . . . . . . . . . . . . . . . . . . . . .9

4.2程序的使用方法、输入与输出. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .9

4.2. 1机器学习训练模块. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .9

4.2.2遥感预测模块. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .9

五、程序自测截图. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .11

5. 1训练过程的截图. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .11

5.2验证过程的截图. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .12

六、其它说明. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .16

6. 1原始数据的标注修改. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .16

一、程序简介

1. 1程序名称以及参赛团队信息

1. 1. 1参赛团队

队名 AIErrorLog

2

团队成员 5人

选题遥感识别

1. 1.2程序名称

程序名称 RemoteSenseYolo

版本 V0.9

开发环境 WindowsX64Python 3.6 TensorFlow1. 13. 1

1.2程序功能

RemoteSenseYolo程序包括了两个模块机器学习训练模块Train和遥感预测模块Yolo_predict。其功能分别是训练模型检测遥感图片中的对象并生成相关的权重文件和基于已有的权重文件识别预测新的遥感图像中的机场、港口、桥梁等对象。

1.2. 1机器学习训练模块

该模块基于已经人工标注的特征文件和对应的图片文件进行有监督学习提取图片中检测目标的特征数据进行学习和处理后生成权重文件供遥感识别模块使用。

1.2.2遥感识别模块

基于训练生成的权重文件读取待测遥感图片识别图像中的港口 Harbor、飞机场Airport、桥梁Bridge对象并由程序自动在图片上进行框选和标注,然后将框选出对象的图片展示给用户输出检测出的目标个数 以及预测过程所用的时长。

1.3识别正确率

我们对30张单独只有机场的图片 30张单独只有港口的图片 30张单独只有桥梁的图片 20张包含了桥梁和机场的图片 8张包含了桥梁和港口的图片 20张以贴图方式混合了桥梁港口机场的图片使用该程序进行预测然后通过人工方式对比程序标注的图片和原始图片上的对象。

评判的标准为

1 对象检测率以x表示以程序是否将图上的对象标记出来标签是否正

确为标准。同时包含两种对象的图片只识别出一种对象视为预测失败

不计入统计数据。此项占综合评测权重的40%。

2 框选正确率以y表示以对象是否大部分落在框选的范围内为标准。此

项占综合评测权重的30%。

3 误判率以z表示以程序预测结果中是否含有错误的标记错误标记的

数量占总数的百分比为准。此项占综合评测权重的30%。

加权单项识别正确率的计算公式为

P0=x*40%+y*30%-z*30%

综合识别正确率的计算方法

分别取机场权重为15%桥权重10%港口权重15%机场和桥梁权重15%港口和

桥梁权重20%综合图片权重25%。

程序预测结果如下表

综合以上数据加权计算后粗略计算得预测的综合正确率为0.2548。

二、程序文件说明

程序包含的文件主要有

三、程序步骤、流程图

3. 1模型的框架

3. 1. 1程序的构成

程序底层基于TensorFlow神经网络使用Karas基于yolo_v3框架构建。关系图如下

3. 1. 1yolo_v3模型框架

该结构图引用自CSDN详见参考文献1

为了让yolo_v3结构图更好理解对结构图做一些补充解释

DBL:如图左下角所示也就是代码中的Darknetconv2d_BN_Leaky是yolo_v3的基本组件。就是卷积+BN+Leakyrelu。对于v3来说 BN和leaky relu已经是和卷积层不可分离的部分了(最后一层卷积除外) 共同构成了最小组件。resn n代表数字有res1 res2, „,res8等等表示这个res_block里含有多少个res_unit。这是yolo_v3的大组件 yolo_v3开始借鉴了ResNet的残差结构使用这种结构可以让网络结构更深(从v2的darknet-19上升到v3的darknet-53前者没有残差结构) 。对于res_block的解释可以在图1的右下角直观看到其基本组件也是DBL。concat张量拼接。将darknet中间层和后面的某一层的上采样进行拼接。拼接的操作和残差层add的操作是不一样的拼接会扩充张量的维度而add只是直接相加不会导致张量维度的改变。 1

3.2简单流程图

3.2. 1训练模块

3.2.2预测模块

3.3训练过程部分截图

7

8