Die Forschungsmethodik dieses Papiers zur Verbesserung des Algorithmus besteht aus drei Teilen. Zunächst wird die Genauigkeit des Trainingssatzes überprüft, Problembereiche werden eliminiert und Bildverarbeitungsmethoden werden verwendet, um die Anzahl der Proben für Kategoriedaten von Elementen zu erweitern. Der Mas R-CNN-Backbone-Netzwerk wird modifiziert und ein CA-Aufmerksamkeitsmechanismus hinzugefügt. Die Trainingsdaten werden in den Algorithmus geladen und die Elemente identifiziert. Die Validierung erfolgt über Vergleichs- und Ablationsexperimente.
Die experimentellen Daten für den Trainings- und Validierungssatz beinhalten bestimmte Elementkategorien für Wohngebäude, geologische Gefahren und brennbare Orte wie Öl- und Gasspeicher. Der Trainingsdatensatz wird verbessert, indem Daten aus offenen Quellen verwendet und Datenverstärkungstechniken angewendet werden. Das Verhältnis von Trainings- zu Validierungssätzen beträgt 5:1. Der Testbereich ist der Jieyang-Meizhou Pipelineabschnitt in Guangdong, mit komplexer Topographie und verschiedenen Landformen. Die Testdaten sind UAV-Luftbildaufnahmen.
Die Experimente werden auf einem Dell XPS 15-Computer mit Intel Core i7-9750H, 16 GB RAM und NVIDIA GeForce GTX 1650-GPU durchgeführt. Die Ausführung des Trainings des Deep Learning-Experiments dauert 14 Stunden. Die Kategorieelemente entlang des Pipeline-Streifens werden extrahiert, und hochwichtige Bereiche werden identifiziert. Die Modellevaluation erfolgt durch P-R-Kurven und Vergleich von Performance-Metriken wie F1-Score, Durchschnittspräzision und Mittlerer Durchschnittsprecision (mAP).
Die Validierung zeigt, dass der verbesserte Algorithmus mit dem CA-Aufmerksamkeitsmechanismus bessere Vorhersagefähigkeiten in verschiedenen Kategorien aufweist. Die Leistungsmetriken des modifizierten Algorithmus übersteigen die des ursprünglichen Algorithmus. In den Ergebnissen der Identifikation von Hochgefahrenzonen werden fünf dicht besiedelte Hochgefahrenzonen, eine geologisch gefährliche Zone und eine brennbare-explosive Zone identifiziert. Der Vergleich mit der traditionellen Methode zeigt eine höhere Genauigkeit und zusätzliche Elemente in den hochgefährlichen Bereichen.