留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于深度学习的机载激光海洋测深海陆波形分类

胡善江 贺岩 陶邦一 俞家勇 陈卫标

胡善江, 贺岩, 陶邦一, 俞家勇, 陈卫标. 基于深度学习的机载激光海洋测深海陆波形分类[J]. 红外与激光工程, 2019, 48(11): 1113004-1113004(8). doi: 10.3788/IRLA201948.1113004
引用本文: 胡善江, 贺岩, 陶邦一, 俞家勇, 陈卫标. 基于深度学习的机载激光海洋测深海陆波形分类[J]. 红外与激光工程, 2019, 48(11): 1113004-1113004(8). doi: 10.3788/IRLA201948.1113004
Hu Shanjiang, He Yan, Tao Bangyi, Yu Jiayong, Chen Weibiao. Classification of sea and land waveforms based on deep learning for airborne laser bathymetry[J]. Infrared and Laser Engineering, 2019, 48(11): 1113004-1113004(8). doi: 10.3788/IRLA201948.1113004
Citation: Hu Shanjiang, He Yan, Tao Bangyi, Yu Jiayong, Chen Weibiao. Classification of sea and land waveforms based on deep learning for airborne laser bathymetry[J]. Infrared and Laser Engineering, 2019, 48(11): 1113004-1113004(8). doi: 10.3788/IRLA201948.1113004

基于深度学习的机载激光海洋测深海陆波形分类

doi: 10.3788/IRLA201948.1113004
基金项目: 

国家重点研发计划(2016YFC1400902);国家重大科学仪器设备开发专项(2013YQ120343)

详细信息
    作者简介:

    胡善江(1981-),男,高级工程师,博士生,主要从事激光遥感和仪器开发设计等方面的研究。Email:sjhu@siom.ac.cn

  • 中图分类号: TN958.98

Classification of sea and land waveforms based on deep learning for airborne laser bathymetry

  • 摘要: 机载激光雷达的海陆波形分类对于沿海地区及其变化性质的研究至关重要。提出了一种在原始的机载激光雷达回波上使用深度学习进行分类的方法。构建全连接神经网络和一维卷积神经网络(CNN),在一个测量海域的数据集上进行训练和测试,最优模型获得了99.6%的分类精度。该最优模型对来自不同测量海域的数据进行分类,分类精度达到了95.6%,相比支持向量机方法,处理速度提高了约52%。结果表明:深度学习方法对机载激光雷达回波波形的分类具有较高的精度和速度,它可以进一步作为通过机载激光测深技术对海底种类进行分类的候选方法。
  • [1] Baltsavias E P. Airborne laser scanning:existing systems and firms and other resources[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 1999, 54(2-3):164-198.
    [2] Tuell G, Barbor K, Wozencraft J. Overview of the coastal zone mapping and imaging lidar (CZMIL):A new multisensor airborne mapping system for the US army corps of engineers[C]//Algorithms and Technologies for Multispectral, Hyperspectral, and Ultraspectral Imagery XVI. International Society for Optics and Photonics, 2010, 7695:76950R.
    [3] Pe'eri S, Morgan L V, Philpot W D, et al. Land-water interface resolved from airborne LiDAR bathymetry (ALB) waveforms[J]. Journal of Coastal Research, 2011,62:75-85.
    [4] Collin A, Long B, Archambault P. Merging land-marine realms:Spatial patterns of seamless coastal habitats using a multispectral LiDAR[J]. Remote Sensing of Environment, 2012, 123:390-399.
    [5] Allouis T, Bailly J S, Pastol Y, et al. Comparison of LiDAR waveform processing methods for very shallow water bathymetry using Raman, near-infrared and green signals[J]. Earth Surface Processes and Landforms, 2010, 35(6):640-650.
    [6] Huang Tiancheng, Tao Bangyi, Mao Zhihua, et al.Classification of sea and land waveform based on multi-channel ocean lidar[J]. Chinese Journal of Lasers, 2017, 44(6):0610002. (in Chinese)
    [7] Ma Yue, Zhang Wenhao, Zhang Zhiyu, et al. Sea and sea-ice waveform classification for the laser altimeter based on semi-analytic model[J]. Infrared and Laser Engineering, 2018, 47(5):0506005. (in Chinese)
    [8] Nahhas F H, Shafri H Z M, Sameen M I, et al. Deep learning approach for building detection using lidar-orthophoto fusion[J]. Journal of Sensors, 2018:7212307.
    [9] Hu X, Yuan Y. Deep-learning-based classification for DTM extraction from ALS point cloud[J]. Remote Sensing, 2016, 8(9):730.
    [10] Arief H, Strand G H, Tveite H, et al. Land cover segmentation of airborne LiDAR data using stochastic atrous network[J]. Remote Sensing, 2018, 10(6):973.
    [11] Maturana D, Scherer S. 3d convolutional neural networks for landing zone detection from lidar[C]//2015 IEEE International Conference on Robotics and Automation (ICRA), 2015:3471-3478.
    [12] Velas M, Spanel M, Hradis M, et al. Cnn for very fast ground segmentation in velodyne lidar data[C]//2018 IEEE International Conference on Autonomous Robot Systems and Competitions (ICARSC), 2018:97-103.
    [13] Matti D, Ekenel H K, Thiran J P. Combining lidar space clustering and convolutional neural networks for pedestrian detection[C]//2017 14th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS), 2017:1-6.
    [14] Dewan A, Oliveira G L, Burgard W. Deep semantic classification for 3d lidar data[C]//2017 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2017:3544-3549.
    [15] Wang A, He X, Ghamisi P, et al. Lidar data classification using morphological profiles and convolutional neural networks[J]. IEEE Geoscience and Remote Sensing Letters, 2018, 15(5):774-778.
    [16] LeCun Y, Bottou L, Bengio Y, et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11):2278-2324.
    [17] Dai W, Dai C, Qu S, et al. Very deep convolutional neural networks for raw waveforms[C]//2017 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2017:421-425.
    [18] Zhao Ming, Chen Shi, Yuen Dave. Waveform classification and seismic recognition by convolution neural network[J]. Chinese Journal of Geophysics, 2019, 62(1):374-382. (in Chinese)
  • [1] 陈寒梅, 于春荣, 刘智超.  基于深度学习的室内照明智能调节系统 . 红外与激光工程, 2022, 51(7): 20210829-1-20210829-6. doi: 10.3788/IRLA20210829
    [2] 吴志洋, 王双, 刘铁根, 靳党鹏.  基于深度学习视觉和激光辅助的盾构管片自动拼装定位方法 . 红外与激光工程, 2022, 51(4): 20210183-1-20210183-9. doi: 10.3788/IRLA20210183
    [3] 郑淑君, 姚曼虹, 王晟平, 张子邦, 彭军政, 钟金钢.  基于光电混合神经网络的单像素快速运动物体分类(特邀) . 红外与激光工程, 2021, 50(12): 20210856-1-20210856-11. doi: 10.3788/IRLA20210856
    [4] 范有臣, 马旭, 马淑丽, 钱克昌, 郝红星.  基于深度学习的激光干扰效果评价方法 . 红外与激光工程, 2021, 50(S2): 20210323-1-20210323-7. doi: 10.3788/IRLA20210323
    [5] 黄宜帆, 贺岩, 胡善江, 侯春鹤, 朱小磊, 李凯鹏, 刘芳华, 陈勇强, 郭守川.  海洋激光雷达图像处理提取海水深度的方法 . 红外与激光工程, 2021, 50(6): 20211034-1-20211034-8. doi: 10.3788/IRLA20211034
    [6] 钟锦鑫, 尹维, 冯世杰, 陈钱, 左超.  基于深度学习的散斑投影轮廓术 . 红外与激光工程, 2020, 49(6): 20200011-1-20200011-11. doi: 10.3788/IRLA20200011
    [7] 李晓龙, 赵朝方.  激光雷达探测海洋物质垂直分布的应用及发展趋势 . 红外与激光工程, 2020, 49(S2): 20200381-20200381. doi: 10.3788/IRLA20200381
    [8] 杨程, 鄢秋荣, 祝志太, 王逸凡, 王明, 戴伟辉.  基于深度学习的压缩光子计数激光雷达 . 红外与激光工程, 2020, 49(S2): 20200380-20200380. doi: 10.3788/IRLA20200380
    [9] 梁欣凯, 宋闯, 赵佳佳.  基于深度学习的序列图像深度估计技术 . 红外与激光工程, 2019, 48(S2): 134-141. doi: 10.3788/IRLA201948.S226002
    [10] 周宏强, 黄玲玲, 王涌天.  深度学习算法及其在光学的应用 . 红外与激光工程, 2019, 48(12): 1226004-1226004(20). doi: 10.3788/IRLA201948.1226004
    [11] 张河辉, 丁宇星, 黄庚华.  光子计数激光测深系统 . 红外与激光工程, 2019, 48(1): 106002-0106002(5). doi: 10.3788/IRLA201948.0106002
    [12] 华灯鑫, 王骏.  海洋激光遥感技术研究进展(特邀) . 红外与激光工程, 2018, 47(9): 903003-0903003(7). doi: 10.3788/IRLA201847.0903003
    [13] 唐聪, 凌永顺, 杨华, 杨星, 郑超.  基于深度学习物体检测的视觉跟踪方法 . 红外与激光工程, 2018, 47(5): 526001-0526001(11). doi: 10.3788/IRLA201847.0526001
    [14] 张秀玲, 侯代标, 张逞逞, 周凯旋, 魏其珺.  深度学习的MPCANet火灾图像识别模型设计 . 红外与激光工程, 2018, 47(2): 203006-0203006(6). doi: 10.3788/IRLA201847.0203006
    [15] 唐聪, 凌永顺, 郑科栋, 杨星, 郑超, 杨华, 金伟.  基于深度学习的多视窗SSD目标检测方法 . 红外与激光工程, 2018, 47(1): 126003-0126003(9). doi: 10.3788/IRLA201847.0126003
    [16] 马跃, 张文豪, 张智宇, 马昕, 李松.  基于半解析模型的激光测高回波海水海冰波形分类方法 . 红外与激光工程, 2018, 47(5): 506005-0506005(7). doi: 10.3788/IRLA201847.0506005
    [17] 罗海波, 许凌云, 惠斌, 常铮.  基于深度学习的目标跟踪方法研究现状与展望 . 红外与激光工程, 2017, 46(5): 502002-0502002(7). doi: 10.3788/IRLA201746.0502002
    [18] 刘志青, 李鹏程, 郭海涛, 张保明, 陈小卫, 丁磊, 赵传.  基于相关向量机的机械LiDAR点云数据分类 . 红外与激光工程, 2016, 45(S1): 98-104. doi: 10.3788/IRLA201645.S130006
    [19] 李峰, 梁汉东, 米晓楠, 卫爱霞.  Landsat8卫星影像的多子区决策树土地覆被分类方法 . 红外与激光工程, 2015, 44(7): 2224-2230.
    [20] 普晗晔, 王斌, 张立明.  基于流形学习的新高光谱图像降维算法 . 红外与激光工程, 2014, 43(1): 232-237.
  • 加载中
计量
  • 文章访问数:  509
  • HTML全文浏览量:  92
  • PDF下载量:  35
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-03-13
  • 修回日期:  2019-05-10
  • 刊出日期:  2019-11-25

基于深度学习的机载激光海洋测深海陆波形分类

doi: 10.3788/IRLA201948.1113004
    作者简介:

    胡善江(1981-),男,高级工程师,博士生,主要从事激光遥感和仪器开发设计等方面的研究。Email:sjhu@siom.ac.cn

基金项目:

国家重点研发计划(2016YFC1400902);国家重大科学仪器设备开发专项(2013YQ120343)

  • 中图分类号: TN958.98

摘要: 机载激光雷达的海陆波形分类对于沿海地区及其变化性质的研究至关重要。提出了一种在原始的机载激光雷达回波上使用深度学习进行分类的方法。构建全连接神经网络和一维卷积神经网络(CNN),在一个测量海域的数据集上进行训练和测试,最优模型获得了99.6%的分类精度。该最优模型对来自不同测量海域的数据进行分类,分类精度达到了95.6%,相比支持向量机方法,处理速度提高了约52%。结果表明:深度学习方法对机载激光雷达回波波形的分类具有较高的精度和速度,它可以进一步作为通过机载激光测深技术对海底种类进行分类的候选方法。

English Abstract

参考文献 (18)

目录

    /

    返回文章
    返回