高速铁路沿线地表环境隐患的语义理解与遥感智能识别

It has the great significance to improve the safe level of the high-speed railway system by detecting and removing the environment risk elements along the railway. However, there is not a complete definition of environmental risks in the current railway safety system. It is also short of modern technical means for the normal dynamic monitoring on these risks. Considering the perspective of high-resolution remote sensing image target recognition, this project takes into account the key scientific problems about the definition, classification of environmental risks. Researches about the semantic representation, samples collection and scene comprehension/target recognition are carried out respectively. Above all, the multiple classification systems and the ontology expression models of environmental risks are proposed by analyzing the threat mechanism, triggering condition and image representation form. And then, a heuristic method for risks discovery is put forward by taking into account the public information. Finally, this project set up a frame for the scene detection and target recognition based on the multi-layer convolution neural network and multiple semantic descriptions. As result, this project will improve the methods and means for the discovery of environmental risks. It will also create the innovation of the theory and method on the scene comprehension and target recognition from high-resolution remote sensing image. This study can facilitate the advancement of high-speed railway security system, enhance the application level of remote sensing technology in the railway industry.

高速铁路沿线地表环境隐患的精细化描述与准确认知，对于及时发现和消除安全隐患，提升铁路系统安全运营保障水平具有重要意义。然而目前铁路安全系统中没有对环境隐患进行完整明晰的定义，同时也缺乏现代化的技术手段进行常态化的动态监测。本项目从高分辨率遥感影像目标识别的角度出发，针对环境隐患定义、分类及表达，隐患样本自动标注，场景理解/目标识别协同认知等关键科学问题开展研究。通过剖析环境隐患的威胁机理、触发条件及影像表征形式，构建环境隐患的多重分类体系及本体表达模型，提出顾及公众参与信息的启发式隐患发现方法，形成联合多层卷积神经网络与多重语义模型的场景检测与目标识别方法，实现长距离复杂环境中高速铁路沿线地表环境隐患的主动发现技术。突破现有方法对环境隐患认知不清与发现手段单一的缺陷，实现基于高分遥感数据隐患要素认知的理论与方法创新，并完善高速铁路运营安全保障体系，深化高分遥感技术的行业应用。

本项目的总体研究目标是构建基于空间遥感信息技术的铁路沿线地表环境隐患要素智能检测与分析方法，从而为铁路安全运营提供技术保障。在4年的研究周期内，项目组系统开展了铁路沿线地表环境隐患要素分类、隐患对象特征描述与样本库构建、隐患对象的遥感智能检测分析、示范线路地表环境隐患调查与分析等相关研究工作，同时在高分辨率遥感影像智能分析、地理要素遥感样本库智能构建与精化等方面也有相应的研究成果。.本项目针对铁路沿线地表环境隐患的遥感检测方法开展研究，取得的主要研究进展和成果如下：① 联合发布了《基于遥感技术的高铁沿线地物覆盖分类系统》，构建了高分辨率铁路沿线地表环境隐患遥感样本库(包括临时轻质建筑物、采砂采石作业场所、固废垃圾堆放场所等3类，场景样本数量20000余个，语义标签类样本超过100幅(5000*5000))；② 针对小样本深度学习中的数据增强问题，提出了具有关键信息保持的数据增强策略，同时面对采挖区等样本数量极其少的类型，提出了基于Rel-SAGAN的样本增强方法；③ 提出了多连接深度残差模型与类别注意力模型集成的统一深度学习框架，在ISPRS测试数据中取得了较高的语义分类精度(项目提交的深度学习地物分类算法在ISPRS-Potsdam: 2D Labelling challenge比赛中排名第一(2018.06-2019.06))，较为完整地从粗略化的场景级检测到精细化的地物分类两个层面提供了铁路沿线高精度建筑物遥感识别的技术方法；④ 引入分层金字塔池化策略，构建了多尺度环境隐患对象遥感识别的基本框架，提出了可用于采挖区、固废堆积场识别的多尺度卷积神经网络框架M-VGG，在沪昆高铁、郑西高铁的实验结果表明M-VGG可在显著降低漏检的情况下保持较高的识别精度；⑤ 研发了《铁路沿线地表环境隐患监测与分析信息系统》，通过集成相关的算法、模型与数据成果，为铁路沿线的地表环境隐患检测业务化实施提供了技术支撑；⑥ 本项目生成了郑西高铁全线、京沪高铁济南段、沪昆高铁贵州段等区域的完整的铁路沿线地物覆盖分类数据，可为后续智能化的铁路沿线地表环境变化检测提供基础数据。