基于MTBNet的唐山尾礦庫(kù)提取

張昆侖，常玉光，潘潔，盧凱旋，昝露洋，陳正超

（1.中國(guó)科學(xué)院 空天信息創(chuàng)新研究院航空遙感中心，北京 100094；2.河南理工大學(xué) 測(cè)繪與國(guó)土信息工程學(xué)院，河南 焦作 454000）

0 引 言

尾礦庫(kù)作為維持礦山正常生產(chǎn)的必要設(shè)施，既是重大危險(xiǎn)源，又是重要污染源，威脅著周圍居民和基礎(chǔ)設(shè)施安全。近年來，許多未取得安全生產(chǎn)許可證的企業(yè)違建尾礦庫(kù)，導(dǎo)致尾礦庫(kù)重大事故時(shí)有發(fā)生。因此，實(shí)時(shí)監(jiān)測(cè)尾礦庫(kù)，記錄尾礦庫(kù)數(shù)量、位置和面積十分必要。傳統(tǒng)尾礦庫(kù)監(jiān)測(cè)以地面調(diào)查為主，輔以人工目視解譯，這些方法效率低、成本高，無法滿足大區(qū)域尾礦庫(kù)實(shí)時(shí)監(jiān)測(cè)的需求。利用遙感影像加強(qiáng)尾礦庫(kù)的動(dòng)態(tài)監(jiān)測(cè)，可以遏制無證勘查和開采、亂采濫挖、浪費(fèi)破壞尾礦庫(kù)等違法行為，提高尾礦庫(kù)開發(fā)利用規(guī)?；图s化程度，減少生態(tài)環(huán)境污染。遙感作為一種非接觸、遠(yuǎn)距離的探測(cè)技術(shù)，具有監(jiān)測(cè)范圍廣、周期短、成本低等特點(diǎn)，可作為一種客觀監(jiān)測(cè)尾礦庫(kù)變化情況的技術(shù)手段。隨著衛(wèi)星遙感快速發(fā)展，利用衛(wèi)星遙感數(shù)據(jù)對(duì)尾礦庫(kù)進(jìn)行高精度、高頻次監(jiān)測(cè)已成為可能。

深度學(xué)習(xí)是人工智能中機(jī)器學(xué)習(xí)發(fā)展的新階段［1］，利用數(shù)字計(jì)算機(jī)模型模擬人腦的多通路信息傳遞機(jī)制，實(shí)現(xiàn)輸入數(shù)據(jù)的分層表達(dá)和知識(shí)推理，有效解決了復(fù)雜對(duì)象特征的刻畫和復(fù)雜場(chǎng)景的關(guān)聯(lián)分析等問題，在計(jì)算機(jī)視覺、語(yǔ)音識(shí)別、自然語(yǔ)言處理等領(lǐng)域取得了很多突破性進(jìn)展，已有大量創(chuàng)新應(yīng)用［2-5］。對(duì)于場(chǎng)景復(fù)雜的高分辨率遙感影像，深度學(xué)習(xí)技術(shù)相較傳統(tǒng)基于物理模型的信息提取技術(shù)，在效率和精度兩方面都具有不可比擬的技術(shù)優(yōu)勢(shì)［6］。將深度學(xué)習(xí)技術(shù)應(yīng)用于大區(qū)域遙感影像的尾礦庫(kù)信息提取，可顯著提高尾礦庫(kù)動(dòng)態(tài)監(jiān)測(cè)的效率與自動(dòng)化水平。

實(shí)例分割是計(jì)算機(jī)領(lǐng)域中一項(xiàng)基本的視覺任務(wù)，能實(shí)現(xiàn)對(duì)象輪廓的逐像素識(shí)別。較經(jīng)典的實(shí)例分割網(wǎng)絡(luò)有Mask RCNN［7］和FCNs［8］，其在計(jì)算機(jī)領(lǐng)域多個(gè)數(shù)據(jù)集上取得了良好效果。近幾年，遙感學(xué)者將RGB三波段真彩色自然圖像實(shí)例分割網(wǎng)絡(luò)引入遙感圖像領(lǐng)域，在其基礎(chǔ)上做了不同嘗試和改進(jìn)，取得了遠(yuǎn)優(yōu)于傳統(tǒng)算法的應(yīng)用效果［9-11］。不同于地面上使用普通數(shù)碼相機(jī)在水平視角獲取的自然圖像，遙感影像由遙感器從衛(wèi)星或飛機(jī)對(duì)地面拍攝獲取，具有觀測(cè)尺度大、光照陰影差異大、地物場(chǎng)景復(fù)雜等特點(diǎn)，現(xiàn)有網(wǎng)絡(luò)模型對(duì)遙感圖像的理解和特征提取還存在明顯不足。

尾礦庫(kù)為一類復(fù)雜目標(biāo)，使用深度學(xué)習(xí)算法提取尾礦庫(kù)存在誤檢和漏檢等問題。除了位置信息，還提取了尾礦庫(kù)邊界輪廓和面積信息。傳統(tǒng)實(shí)例分割任務(wù)中，Mask RCNN分別學(xué)習(xí)目標(biāo)的邊界矩形框位置類別信息和目標(biāo)Mask像素位置信息，其目標(biāo)特征分類置信度由目標(biāo)矩形框質(zhì)量決定，對(duì)于遙感圖像上尾礦庫(kù)這類邊界不清晰、形狀尺度多變的目標(biāo)，多數(shù)情況下目標(biāo)框質(zhì)量并不能代表目標(biāo)Mask像素質(zhì)量，從而影響目標(biāo)邊界的精細(xì)化提取。

因此，針對(duì)尾礦庫(kù)識(shí)別誤檢、漏檢和邊界精細(xì)化等難點(diǎn)，本文以尾礦庫(kù)安全和生態(tài)問題日益嚴(yán)重的唐山市為研究區(qū)，提出了一個(gè)具有多任務(wù)分支結(jié)構(gòu)的實(shí)例分割網(wǎng)絡(luò)（multi-task-branch network，MTBNet），用于遙感圖像下尾礦庫(kù)精細(xì)邊界的快速提取。該方法提高了唐山地區(qū)尾礦庫(kù)監(jiān)測(cè)效果和精度，對(duì)于經(jīng)濟(jì)產(chǎn)業(yè)發(fā)展和環(huán)境保護(hù)都具有重要意義。

MTBNet以深度 殘 差網(wǎng) 絡(luò)ResNet-50［12］為 基礎(chǔ)，首先提取目標(biāo)的多層特征，并依照FPN（feature pyramid network）結(jié)構(gòu)［13］融合多層特征，其次通過RPN（region proposal network）［14］生成一系列候選框，接著將網(wǎng)絡(luò)分為目標(biāo)檢測(cè)分支和語(yǔ)義分割分支，然后在原有Mask交叉熵基礎(chǔ)上，計(jì)算Mask重疊度與目標(biāo)框分類置信度的乘積，并添加Mask像素點(diǎn)類別損失計(jì)算，通過反向傳播學(xué)習(xí)Mask特征。最后MTBNet同時(shí)計(jì)算邊界框回歸損失、邊界框置信度損失、Mask像素交叉熵?fù)p失、Mask置信度損失。MTBNet的多任務(wù)分支結(jié)構(gòu)縱向保證了各層的語(yǔ)義信息，橫向保證了各階段的信息交互，使得每個(gè)階段都能得到更高質(zhì)量的預(yù)測(cè)結(jié)果。

1 研究區(qū)概況和數(shù)據(jù)來源

1.1 研究區(qū)概況

唐山市位于河北省東部，東經(jīng)117°31′～119°19′，北緯38°55′～40°28′，占地面積13 472 km2，人口796萬(wàn)，分布著大量的礦產(chǎn)資源。隨著該區(qū)域工業(yè)發(fā)展，尾礦庫(kù)數(shù)量越來越多，同時(shí)唐山位于華北平原地震帶，地質(zhì)運(yùn)動(dòng)較活躍。

1.2 數(shù)據(jù)獲取

1.2.1 數(shù)據(jù)源

本文采用的數(shù)據(jù)源為國(guó)產(chǎn)高分一號(hào)（以下簡(jiǎn)稱GF-1）衛(wèi)星數(shù)據(jù)。GF-1衛(wèi)星是中國(guó)高分辨率對(duì)地觀測(cè)系統(tǒng)的第一顆衛(wèi)星，于2013年4月26日12時(shí)13分04秒由長(zhǎng)征二號(hào)丁運(yùn)載火箭成功發(fā)射。GF-1衛(wèi)星搭載了1臺(tái)2 m分辨率全色相機(jī)、1臺(tái)8 m分辨率多光譜相機(jī)和4臺(tái)16 m分辨率多光譜相機(jī)，其中多光譜相機(jī)幅寬800 km。本文通過對(duì)唐山地區(qū)2019年6月成像的GF-1遙感影像預(yù)處理，得到空間分辨率為2 m的RGB影像（圖1）。

圖1 唐山市RGB影像Fig.1 RGB image of Tangshan City

1.2.2 樣本與測(cè)試數(shù)據(jù)

以人工解譯的尾礦庫(kù)點(diǎn)位為基礎(chǔ)，GF-1遙感影像為底圖，制作尾礦庫(kù)實(shí)例分割樣本，樣本制作主要考慮以下因素：

（1）尾礦庫(kù)尺度變化較大，一般尾礦庫(kù)實(shí)際長(zhǎng)寬均為1～2 km，為了在包含尾礦庫(kù)整體特征的情況下，保證尾礦庫(kù)紋理清晰、特征明顯，選取空間分辨率為2 m的GF-1遙感影像，并以尾礦庫(kù)坐標(biāo)為中心點(diǎn)裁剪GF-1遙感影像生成1 536像素×1 536像素的樣本切片。

（2）根據(jù)尾礦庫(kù)局部特征（如壩體、尾砂、廢水等）的非典型性及相互之間的差異性，選擇尾礦庫(kù)的整體特征作為檢測(cè)對(duì)象進(jìn)行樣本標(biāo)記，標(biāo)記尾礦庫(kù)的精細(xì)邊界輪廓，同時(shí)生成邊界輪廓的最小外接矩形，避免多余背景對(duì)尾礦庫(kù)特征造成影響。

基于以上原則，共制作1 500張尾礦庫(kù)訓(xùn)練樣本，300張驗(yàn)證樣本（驗(yàn)證樣本不是唐山市尾礦庫(kù)的）。唐山市測(cè)試數(shù)據(jù)為空間分辨率為2 m、切片大小為1 536像素×1 536像素的GF-1遙感影像，共1 497張，成像時(shí)間為2019年6月。

2 研究方法

遙感圖像目標(biāo)簡(jiǎn)單（目標(biāo)單一，特征明顯，且模式相對(duì)固定，如運(yùn)動(dòng)場(chǎng)、輪船等），尾礦庫(kù)包含特征更豐富，一般由壩體、尾砂和廢水等要素組成，特征形狀多變，尺度不一，空間紋理、陰影、顏色、幾何特征等千差萬(wàn)別，如圖2（a）所示。尾礦庫(kù)自身的復(fù)雜性為準(zhǔn)確識(shí)別帶來巨大挑戰(zhàn)；其次，尾礦庫(kù)空間分布不固定，一般分為傍山型、山谷型和平地型3種類型，如圖2（b）所示（從左到右分別為山谷型、傍山型和平地型），導(dǎo)致尾礦庫(kù)背景條件復(fù)雜多樣，同時(shí)遙感圖像背景混亂，蘊(yùn)含繁雜的語(yǔ)義信息，使得目標(biāo)尾礦庫(kù)難以與背景分離，降低尾礦庫(kù)識(shí)別的召回率。

圖2 復(fù)雜的尾礦庫(kù)Fig.2 Complex tailing pond

針對(duì)以上難點(diǎn)，MTBNet提取唐山地區(qū)的尾礦庫(kù)，提取流程如圖3所示。首先對(duì)GF-1遙感影像進(jìn)行預(yù)處理（幾何校正、輻射校正等），得到空間分辨率為2 m的RGB影像；其次，基于影像制備尾礦庫(kù)樣本和唐山地區(qū)待預(yù)測(cè)數(shù)據(jù)，得到訓(xùn)練集和驗(yàn)證集，然后構(gòu)建面向尾礦庫(kù)實(shí)例分割的MTBNet；最后通過網(wǎng)絡(luò)訓(xùn)練得到最優(yōu)檢測(cè)模型，運(yùn)用該模型對(duì)唐山地區(qū)進(jìn)行尾礦庫(kù)實(shí)例分割，得到唐山市尾礦庫(kù)的分布和數(shù)量。

圖3 尾礦庫(kù)提取流程Fig.3 Flow chart of tailing pond extraction

使用ResNet50，F(xiàn)PN，RPN作為尾礦庫(kù)淺層特征提取的基礎(chǔ)結(jié)構(gòu)。引入深度殘差學(xué)習(xí)框架解決網(wǎng)絡(luò)層數(shù)增加導(dǎo)致的梯度退化問題，通過使網(wǎng)絡(luò)層滿足殘差映射優(yōu)化網(wǎng)絡(luò)參數(shù)。FPN是一種橫向連接的自上而下的架構(gòu)，用于在所有尺度構(gòu)建高級(jí)語(yǔ)義特征映射，通過融合不同分辨率的特征圖提升每一層的語(yǔ)義信息。RPN提取供網(wǎng)絡(luò)學(xué)習(xí)的目標(biāo)候選區(qū)域。本文研究方法主要體現(xiàn)在RPN后續(xù)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)上，將網(wǎng)絡(luò)按任務(wù)需求分為目標(biāo)檢測(cè)分支和語(yǔ)義分割分支，在保證兩個(gè)分支信息共享的情況下，分別實(shí)現(xiàn)目標(biāo)框提取和語(yǔ)義分割任務(wù)。MTBNet結(jié)構(gòu)如圖4所示。

圖4 MTBNet結(jié)構(gòu)圖Fig.4 Structure map of MTBNet

2.1 目標(biāo)檢測(cè)分支

傳統(tǒng)實(shí)例分割網(wǎng)絡(luò)，如Mask RCNN在候選區(qū)推薦后，直接通過卷積候選區(qū)域輸出目標(biāo)框的位置信息（x，y，w，h）和類別信息（confidence）。由于尾礦庫(kù)形狀不規(guī)則、尺度變化較大，簡(jiǎn)單的卷積操作無法適用于其不規(guī)則的外觀變化特征，使得生成的目標(biāo)框質(zhì)量差，易出現(xiàn)位置匹配錯(cuò)誤。顯然，通過調(diào)高目標(biāo)框與真值框之間的IoU閾值（目標(biāo)框與真值的重疊度，通過閾值確定目標(biāo)框?qū)儆谡蜇?fù)例），可以得到更高質(zhì)量的目標(biāo)框，但只提升IoU閾值會(huì)導(dǎo)致網(wǎng)絡(luò)學(xué)習(xí)到的樣本數(shù)量少，造成網(wǎng)絡(luò)過擬合。另外，在目標(biāo)檢測(cè)網(wǎng)絡(luò)中，使用某個(gè)IoU閾值界定正負(fù)樣本時(shí)，當(dāng)預(yù)設(shè)目標(biāo)框與真值的IoU閾值接近該閾值時(shí)，此時(shí)得到的目標(biāo)框質(zhì)量（位置和類別信息）最好。因此，為了得到最優(yōu)化的檢測(cè)效果，本文在目標(biāo)檢測(cè)階段設(shè)計(jì)了一個(gè)3階段漸進(jìn)精細(xì)化結(jié)構(gòu)，不同階段設(shè)置不同的IoU閾值（分別為0.1，0.3，0.5），計(jì)算每個(gè)階段目標(biāo)框的位置偏移（δx，δy，δw，δh），最后統(tǒng)計(jì)多個(gè)階段的目標(biāo)框平均位置損失：

式中：Lloc為L(zhǎng)2損失函數(shù)，用于描述位置（location）的損失；S為網(wǎng)絡(luò)設(shè)置的階段總數(shù)。

通過設(shè)置多階段結(jié)構(gòu)，網(wǎng)絡(luò)既能優(yōu)化目標(biāo)框質(zhì)量，又能保證目標(biāo)框數(shù)量。

2.2 語(yǔ)義分割分支

傳統(tǒng)實(shí)例分割網(wǎng)絡(luò)，如Mask RCNN在候選區(qū)域推薦后，直接通過卷積候選區(qū)域輸出Mask逐像素的位置信息，Mask像素的類別信息由目標(biāo)檢測(cè)階段的目標(biāo)框提供，這種做法保證了目標(biāo)框的分類質(zhì)量，卻忽略了Mask本身的類別信息，導(dǎo)致目標(biāo)Mask像素信息與目標(biāo)分類相關(guān)性不強(qiáng)。因此，使用目標(biāo)框置信度評(píng)價(jià)Mask分類會(huì)使分割結(jié)果出現(xiàn)偏差，對(duì)尾礦庫(kù)這類背景繁雜、邊界模糊的對(duì)象而言分割誤差會(huì)更大。

為了使語(yǔ)義分割分支學(xué)習(xí)到目標(biāo)Mask的置信度，首先應(yīng)保證目標(biāo)檢測(cè)分支與語(yǔ)義分割分支信息共享。傳統(tǒng)實(shí)例分割網(wǎng)絡(luò)不同任務(wù)的結(jié)構(gòu)沒有任何信息交流，檢測(cè)分支和分割分支用同一批數(shù)據(jù)訓(xùn)練，然后在推理階段整合在一起，沒有發(fā)揮結(jié)構(gòu)間參數(shù)共享學(xué)習(xí)的作用。為了解決這一問題，本文首先計(jì)算產(chǎn)生的Mask區(qū)域與真值區(qū)域的IoU閾值，其次在檢測(cè)分支和分割分支間增加連接操作，計(jì)算Mask IoU與特征圖之間的乘積，實(shí)現(xiàn)兩種分支之間的信息交流共享，從而提供豐富的特征信息（圖5）。然后計(jì)算目標(biāo)Mask區(qū)域每個(gè)像素點(diǎn)的置信度分?jǐn)?shù)，通過每個(gè)點(diǎn)的損失反向傳播優(yōu)化目標(biāo)Mask像素點(diǎn)的分類精度，提升目標(biāo)Mask的分割精度，最終語(yǔ)義分割分支的損失Lmask為

圖5 Mask置信度計(jì)算結(jié)構(gòu)Fig.5 Calculation structure of Mask confidence

式中：Lseg為像素交叉熵?fù)p失函數(shù)；Lconf為Mask的置信度損失涵數(shù)。

2.3 網(wǎng)絡(luò)訓(xùn)練

本文在網(wǎng)絡(luò)前端數(shù)據(jù)載入階段添加了多種數(shù)據(jù)增強(qiáng)模塊，包括顏色亮度飽和度變換、翻轉(zhuǎn)、隨機(jī)裁剪放大及縮小等，增加樣本多樣性，減緩小樣本造成的過擬合現(xiàn)象。數(shù)據(jù)增強(qiáng)后的圖片統(tǒng)一重采樣為1024×1024×3像素，然后輸入模型進(jìn)行訓(xùn)練，網(wǎng)絡(luò)模型通過反向傳播算法迭代更新每一層參數(shù)?？紤]到輸入影像尺寸和GPU顯存大小，MTBNet參數(shù)設(shè)置如表1所示。在合理范圍內(nèi)，增大批處理參數(shù)BATCH_SIZE可以提高內(nèi)存利用率和大矩陣乘法的并行化效率。

表1 網(wǎng)絡(luò)參數(shù)設(shè)置Tab.1 Network parameter settings

本文訓(xùn)練MTBNet的軟件框架為Pytorch，硬件環(huán)境為4個(gè)12 G顯存的NVIDIA Titan XP GPU，CUDA2.0以及Intel Xeon E5 CPU，訓(xùn)練20個(gè)epoch需要18 h，最后將得到充分訓(xùn)練的模型后用于唐山地區(qū)尾礦庫(kù)檢測(cè)。

2.4 精度評(píng)價(jià)方法

模型精度評(píng)價(jià)使用深度學(xué)習(xí)領(lǐng)域目標(biāo)檢測(cè)網(wǎng)絡(luò)的常用指標(biāo)有精度（Precision）、召回率（Recall）和平均精度均值（mean Average Precision，mAP）。精度、召回率、mAP、F1定義為

式中：TP為正確檢出尾礦庫(kù)的個(gè)數(shù)；FP為誤檢的尾礦庫(kù)的個(gè)數(shù)；FN為未檢出尾礦庫(kù)的個(gè)數(shù)；mAP為不同閾值下（Precision，Recall）繪制的PR曲線與坐標(biāo)軸橫坐標(biāo)所圍的面積，值為［0，1］；F1為綜合考慮了精度和召回率的性能指標(biāo)。本文以0.05的步長(zhǎng)逐步增加置信度閾值（0.5～0.95），記錄模型在不同置信度閾值下的檢測(cè)性能。

3 試驗(yàn)和結(jié)果

3.1 模型精度評(píng)價(jià)

使用同樣的數(shù)據(jù)（1 500張訓(xùn)練樣本，300張驗(yàn)證樣本）分別訓(xùn)練Mask RCNN，Mask Scoring RCNN［16］（以下簡(jiǎn)稱MS RCNN）、優(yōu)化了檢測(cè)分支Obj-B的MTBNet-1、優(yōu)化了分割分支Seg-B的MTBNet-2及同時(shí)優(yōu)化了檢測(cè)分支和分割分支的MTBNet-3，分析不同模型對(duì)尾礦庫(kù)的檢測(cè)性能。為了降低其他因素影響，除了優(yōu)化部分，其他網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)保持一致，通過GPU訓(xùn)練模型，訓(xùn)練20次epoch后停止，各模型mAP結(jié)果如表2所示。

表2 不同模型mAP結(jié)果Tab.2 mAP results of different models

從表2可以看出，同一數(shù)據(jù)集，不同網(wǎng)絡(luò)的mAPbox（box的mAP）和mAPseg（seg的mAP）不同。相對(duì)于傳統(tǒng)實(shí)例分割網(wǎng)絡(luò)，優(yōu)化檢測(cè)分支Obj_B或優(yōu)化語(yǔ)義分支Seg_B都提升了網(wǎng)絡(luò)檢測(cè)精度，同時(shí)優(yōu)化了檢測(cè)分支和分割分支的MTBNet精度最高，其mAPbox和mAPseg分別提升了約6%和12%。

不同網(wǎng)絡(luò)模型經(jīng)過20次epoch迭代訓(xùn)練后，不同置信度閾值（0.5～0.95）下，使用模型對(duì)驗(yàn)證集中尾礦庫(kù)樣本進(jìn)行檢測(cè)，通過檢測(cè)結(jié)果計(jì)算不同閾值下的F1，比較不同模型的檢測(cè)性能。F1隨置信度閾值的變化曲線如圖6所示，從圖6可以看出，較低的置信度閾值（如0.5）對(duì)應(yīng)高召回率和低精度；較高的置信度閾值（如0.95）對(duì)應(yīng)低召回率和高精度。3種模型中，MTBNet性能最佳，F(xiàn)1最高達(dá)95.2%，MS RCNN的F1最高達(dá)94.1%，Mask RCNN的F1最高達(dá)92.6%。

圖6 不同置信度閾值下的F1Fig.6 Trend of F1-score with different confidence threshold

綜上所述，網(wǎng)絡(luò)參數(shù)和數(shù)據(jù)一致時(shí)，MTBNet比Mask RCNN，MSRCNN等在mAP和F1上的表現(xiàn)好得多。試驗(yàn)結(jié)果表明，對(duì)尾礦庫(kù)這類面狀復(fù)雜地物進(jìn)行實(shí)例分割，需要同時(shí)關(guān)注本身特征和背景特征，本文提出的MTBNet通過添加多分支任務(wù)，優(yōu)化檢測(cè)分支提升目標(biāo)框質(zhì)量及優(yōu)化語(yǔ)義分支實(shí)現(xiàn)信息交流共享，較大地提升了網(wǎng)絡(luò)性能和檢測(cè)精度。

3.2 唐山地區(qū)尾礦庫(kù)實(shí)例分割結(jié)果

通過以上試驗(yàn)，本文選擇訓(xùn)練好的MTBNet模型對(duì)唐山地區(qū)進(jìn)行尾礦庫(kù)實(shí)例分割。檢測(cè)數(shù)據(jù)為GF-1遙感影像，空間分辨率為2 m，切片像素大小為1 536×1 536，總共1 497張，使用4個(gè)GPU在1 h內(nèi)完成檢測(cè)任務(wù)。

選用訓(xùn)練得到的最佳MTBNet模型預(yù)測(cè)唐山地區(qū)1 497張影像，通過目視解譯得到影像中有852座尾礦庫(kù)，并將其作為結(jié)果判斷的真值。隨著置信度提升，模型預(yù)測(cè)數(shù)逐漸減少，TP減少，F(xiàn)N增多，F(xiàn)P減少，分別將置信度設(shè)置為0.2，0.4，0.6和0.8，檢測(cè)結(jié)果如表3所示。

表3 不同閾值下的準(zhǔn)確率和召回率對(duì)比Tab.3 Precision and Recall statistics with different confidence threshold

在尾礦庫(kù)檢測(cè)應(yīng)用中，尾礦庫(kù)召回率的優(yōu)先級(jí)比精度更高，本文權(quán)衡了準(zhǔn)確率和召回率，最后將模型置信度閾值設(shè)為0.6，最終在唐山地區(qū)共提取975座尾礦庫(kù)，召回率為95.8%時(shí)，準(zhǔn)確率達(dá)78.8%。圖7為驗(yàn)證集中真值與預(yù)測(cè)結(jié)果的對(duì)比，圖8為唐山地區(qū)尾礦庫(kù)分布，圖9為部分尾礦庫(kù)實(shí)例分割結(jié)果。

圖7 真值與預(yù)測(cè)結(jié)果對(duì)比Fig.7 Comparison of ground truth and prediction result

圖8 唐山地區(qū)尾礦庫(kù)分布Fig.8 Tailing ponds distribution in Tangshan area

圖9 部分尾礦庫(kù)實(shí)例分割結(jié)果Fig.9 Segmentation instance results of some tailing ponds

4 結(jié) 語(yǔ)

MTBNet大大提升了尾礦庫(kù)的檢測(cè)精度，在唐山地區(qū)大范圍的尾礦庫(kù)實(shí)例分割任務(wù)中取得了較好效果，召回率為95.8%時(shí)，準(zhǔn)確率達(dá)到78.8%。試驗(yàn)證明利用深度學(xué)習(xí)方法在海量遙感影像數(shù)據(jù)中快速識(shí)別復(fù)雜目標(biāo)具備可行性?？紤]到遙感影像中尾礦庫(kù)檢測(cè)難度大，本文提出的MTBNet對(duì)于提高大區(qū)域尾礦庫(kù)檢測(cè)的效率具有重要意義。同時(shí)，此方法可以推廣到與尾礦庫(kù)類似的其他礦產(chǎn)資源開采檢測(cè)中，進(jìn)一步提升礦產(chǎn)監(jiān)控和環(huán)境保護(hù)力度。

尾礦庫(kù)內(nèi)部結(jié)構(gòu)是進(jìn)行災(zāi)前風(fēng)險(xiǎn)評(píng)估的關(guān)鍵，今后將主要精細(xì)化分割尾礦庫(kù)內(nèi)部要素（壩體、尾砂、廢水），提升尾礦庫(kù)監(jiān)測(cè)能力。