尧图网站建设 
简介针对城市治理中日益突出的违章建筑问题这份二十九页的PDF文档系统讲解了基于YOLOv11与卫星影像融合的智能检测方案。内容从YOLO系列算法的发展历程讲起细致剖析YOLOv11的整体架构、目标检测原理及其优势局限并介绍卫星影像的预处理、特征提取与分类方法进而探讨数据级与模型级的融合策略完整呈现违章建筑检测系统的需求分析、数据准备、模型训练、系统集成、测试优化与部署维护等开发步骤同时包含不同城市规模、不同地理区域的实践案例与经验总结。文档覆盖从理论到落地的全链路既适合智慧城市、遥感信息处理与计算机视觉方向的工程师系统学习也可作为相关课题研究的方法参考。文档支持目录章节跳转阅读器大纲快速定位便于按需查阅。资源包共一个文件为PDF格式大小约2.24MB内容完整、图表清晰。目前已有八十六人学习下载这份兼顾原理与实践的资料能够帮助读者快速建立技术路线认知掌握违章建筑智能检测的落地关键。1. 违章建筑检测的尺度陷阱卫星影像加了YOLOv11才谈得上巡检效率违章建筑检测最尴尬的地方不是卫星影像不够清晰而是“看得到但认不过来”。高分影像一张就覆盖几平方公里可一半版面是合法建筑和道路真正要查的临时彩钢棚、加建楼层往往只有几十个像素。传统人工目视解译一天盯不了几屏像元级监督分类又容易把水泥屋顶和裸土混在一起。YOLOv11这种单阶段检测器把目标检测当作回归问题宽幅切片过一次前向就能同时输出类别和框速度上比两阶段检测更适合城市级巡检。但卫星影像和自然图像差异很大直接把YOLOv11跑在真彩色影像上漏检率会很高。需要把多光谱通道、坐标配准和变化检测揉进一条完整管线里才能让“两违”治理的执法闭环真正跑起来。这套方案对智慧城市算法团队、遥感服务商和规划执法部门做技术选型时都有参考价值。2. YOLOv11检测管线与遥感场景下的残差结构选型2.1 从单阶段回归到多尺度输出YOLO为什么适合大范围巡查YOLO系列从v1开始就把目标检测形式化成一次回归输入图像经过网络直接输出边界框和类别置信度。v2用批量归一化和锚框解决收敛和形状适配问题v3引入多尺度特征融合来改善小目标检测之后的v4到v11主要在做结构搜索、训练策略和注意力机制的加法。对违章建筑来说覆盖范围动辄几百平方公里如果用先候选区域再分类的两阶段思路GPU显存和推理时延都顶不住。单阶段一次前向出框配合NMS去重可以在同一套硬件上处理更多遥感瓦片。YOLOv11延续了单阶段的优势但也不能把它当成万能模型。遥感影像里的建筑呈现强几何规则性屋顶光谱接近水泥、沥青和阴影和自然场景里的猫、车、人完全不同。所以选型时要关注的不是榜单上的mAP而是“在密集框、小目标、弱纹理条件下还能不能稳”。2.2 主干、残差块和检测头的分工YOLOv11的输入层一般把影像统一缩放到640×640或1280×1280具体尺寸要看瓦片里目标占多少像素。主干特征提取网络由卷积、池化和残差块叠加卷积负责提取局部边缘、角点和纹理池化压缩空间尺寸残差块则通过“输入直连卷积输出”缓解深层网络的梯度消失。以下是我常用来理解主干结构的简化残差实现import torch import torch.nn as nn class ConvLayer(nn.Module): def __init__(self, in_channels, out_channels, kernel_size, stride1, padding0): super().__init__() self.conv nn.Conv2d(in_channels, out_channels, kernel_size, stride, padding) self.bn nn.BatchNorm2d(out_channels) self.relu nn.ReLU(inplaceTrue) def forward(self, x): return self.relu(self.bn(self.conv(x))) class ResidualBlock(nn.Module): def __init__(self, in_channels, out_channels): super().__init__() self.conv1 ConvLayer(in_channels, out_channels, kernel_size3, padding1) self.conv2 ConvLayer(out_channels, out_channels, kernel_size3, padding1) def forward(self, x): residual x x self.conv1(x) x self.conv2(x) return x residual这段代码里ConvLayer先做卷积再批量归一化和ReLU顺序上把BN放在激活前是目前检测网络里的常规写法。ResidualBlock里最关键的变量是out_channels它决定这条支路输出多少个特征通道如果遥感瓦片包含多光谱数据输入端的in_channels也要从3改成4或更多这样才能把近红外等波段送进网络。实际工程里我不会自己从头写主干而是从主流的YOLO开源仓库加载预训练权重再把输入端和检测头改一下这样迁移更快。检测头通常分成多个尺度分别负责大、中、小目标。输出层按网格划分每个格子回归中心坐标、宽高、置信度和类别。这种“网格先验框”的机制决定了目标越小落入某个网格的特征就越少所以遥感场景里常需要把输入分辨率提到1280或者用高重叠滑窗。2.3 损失函数里的三个分量怎么调到不打架YOLOv11的训练损失由边界框回归损失、置信度损失和分类损失组成。一个极简的示意如下import torch.nn.functional as F def yolo_loss(pred_boxes, pred_confs, pred_cls, target_boxes, target_confs, target_cls): box_loss F.mse_loss(pred_boxes, target_boxes) conf_loss F.binary_cross_entropy_with_logits(pred_confs, target_confs) cls_loss F.cross_entropy(pred_cls, target_cls) return box_loss conf_loss cls_loss实际落地时不会让三个loss等权重相加。违章建筑检测里大量背景网格会把置信度损失“带偏”所以一般给回归损失和高置信样本更高权重。常见做法是把三项分别乘系数比如box_weight0.05、conf_weight1.0、cls_weight0.5具体值要看验证集上的漏检率调节。如果发现预测框经常偏大偏小优先调高回归损失的权重而不是盲目调学习率。还要注意简化代码用的是MSE主流实现里往往换成CIoU或SIoU后者对重叠框和长宽比更敏感更适合卫星视角下密集建筑。2.4 先摸清能力边界再进场YOLOv11的优势是快、精度高、易部署但小目标检测和遮挡目标检测仍然是硬伤。违章建筑常被树冠、高层投影遮挡或者只有二三十个像素大小模型很容易漏。对这类场景我会先做一个快速实验把影像切到640×640统计标注框的宽高分布如果大量框小于16×16像素就要考虑提高输入分辨率、切入更小的瓦片或单独增加一个小目标检测头。先把边界摸清楚后面的融合才有意义。3. 卫星影像预处理链路辐射几何校正、瓦片切片与特征化3.1 多光谱源数据怎么选Landsat、Sentinel和高分各有分工卫星影像不是“一张图”那么简单选择什么源数据直接决定后续YOLOv11能学到什么。Landsat系列空间分辨率在30米上下适合宏观土地覆盖但不适合识别单栋建筑Sentinel系列有10米分辨率多光谱波段丰富适合做区域变化监测高分系列能做到亚米级城市建筑轮廓清晰是违章建筑精细识别的主力数据源。把这些源数据混合在同一套样本集里时要先统一坐标系和分辨率否则模型会学到无意义的分辨率偏差。3.2 先辐射后几何顺序不能乱原始影像在传感器响应、大气散射作用下像元亮度值和地物真实反射率并不一致。如果不做辐射校正同一材质屋顶在不同时期影像里会出现明显色差导致模型以为屋顶“变了”。辐射校正分为传感器校正和大气校正工程上常用FLAASH或6S模型。这一步做完再做几何校正用地面控制点建立多项式变换把影像从传感器坐标对准到地理坐标。重采样方法上最近邻法速度快但边缘锯齿明显双线性内插居中三次卷积质量好但计算量大。从经验上看后续要做目标检测和边缘提取优先选三次卷积如果只是分类双线性就够。3.3 裁剪、镶嵌和切片别把建筑拦腰切断几何校正后的数据通常按行政区边界或执法网格裁剪把无关区域直接丢掉。多景相邻影像拼接时要用影像镶嵌功能并做色调均衡否则拼接缝会在检测特征图上形成伪边缘。给YOLOv11训练时更常见的是把大影像切成640×640或1024×1024的瓦片相邻瓦片之间保持10%到20%的重叠。这样可以避免一栋建筑被切成两半后变成两个残缺目标。用GDAL做快速裁剪的命令一般是gdal_translate -projwin 120.35 31.85 120.55 31.70 -of GTiff raw_scene.tif roi.tif-projwin后面依次是左上角经度、左上角纬度、右下角经度、右下角纬度。-of GTiff指定输出格式。如果用矢量边界裁剪可以把矢量栅格化成掩膜再做gdalwarp -cutline。切片时我会记录瓦片左上角的地理坐标因为后面模型输出的像素坐标要靠这个才转得回经纬度很多融合项目卡在“检测框画出来了但没法落图”就是这个信息丢了。3.4 光谱、纹理和形状特征怎么和深度学习共处传统遥感分类里光谱特征用波段反射率、波段比值、植被指数等描述地物纹理特征用灰度共生矩阵、局部二值模式描述重复结构形状特征用面积、周长、长宽比区分建筑和道路。这些特征在只有传统分类器的时代是主力在YOLOv11时代仍然有价值但作用变了。它们不再是最终分类依据而是可以做成额外输入通道或辅助分类分支帮深度模型弥补光谱信息损失。例如NDVI可以把植被和建筑分开减少把绿色屋顶当违章建筑的误检灰度共生矩阵的对比度和同质性能强化密集建筑区和空地的差异。3.5 监督、非监督与面向对象分类的工程位置监督分类通过人工选训练样本建立分类器适合已知地类非监督分类用K-Means或ISODATA自动聚类适合快速摸底。面向对象分类先把像元分割成对象再综合光谱、纹理、形状判断能显著减少“椒盐噪声”式误分。我在融合流程里通常把面向对象分割结果作为YOLOv11的一个辅助特征层而不是单独输出一张分类图。因为后端执法需要的是“目标框类型”而不是一张栅格标签图分类图可以用于规则校验例如检测到的目标落在“禁止建设区”就把置信度加一半。4. 特征级、决策级和模型级融合配准、注意力与置信度策略4.1 配准是融合的天花板先解决坐标统一卫星影像和YOLOv11检测框能不能融合第一道门槛不是模型而是配准精度。YOLOv11输出的是像素坐标卫星影像有自己的地理坐标如果两者没对齐融合出一个偏移10米的框在执法现场毫无意义。我一般会先把训练用的瓦片、标注框和卫星影像统一到同一个坐标系用矢量道路边线或建筑物角点做参考检查。配准误差在亚米级数据上应控制在一个像素以内如果超过两三个像素后面谈融合方法都是空谈。边界上可通过RPC或GCP修正历史影像有偏移时先做同名点匹配再做仿射变换。4.2 特征级融合从通道拼接开始最直接的特征级融合是把多光谱波段和YOLOv11主干特征在通道维度拼接起来。比如卫星影像提供RGB加近红外共4个通道YOLOv11的原始输入只有3个通道那就在输入层直接改成4通道或者把多光谱特征抽成一个小的特征张量再和检测特征图做拼接import torch # yolo_features: 主干网输出形状为 [batch, 256, H, W] yolo_features torch.randn(1, 256, 32, 32) # sat_features: 从对齐后的卫星影像提取的多光谱特征 sat_features torch.randn(1, 4, 32, 32) merged torch.cat([yolo_features, sat_features], dim1) print(merged.shape) # 期望输出 [1, 260, 32, 32]torch.cat在dim1上拼接后检测头看到的是“视觉特征光谱特征”的混合张量。这里有两个参数值得注意一是不同来源特征的通道数不能差太多否则模型会把多光谱特征当成噪声二是拼接前要把多光谱特征上采样或下采样到和yolo_features相同的分辨率H和W不一致时拼接会直接报错。特征级融合适合光谱信息明显、配准精度高的场景例如利用归一化植被指数辅助排除绿化区域。4.3 给融合特征加注意力只放大有用波段通道拼接属于“全量塞给模型”更好的做法是让模型自己决定每个通道的权重。通道注意力机制通过全局池化和两次卷积给不同特征通道生成一个0到1之间的权重再乘回原特征。原理上相当于对“屋顶蓝白色”“植被近红外反射高”这类特征做选择。对于遥感多光谱通道我会在骨干网络之后加一个通道注意力模块结构如下import torch import torch.nn as nn class ChannelAttention(nn.Module): def __init__(self, in_planes, ratio16): super().__init__() self.avg_pool nn.AdaptiveAvgPool2d(1) self.max_pool nn.AdaptiveMaxPool2d(1) self.fc1 nn.Conv2d(in_planes, in_planes // ratio, 1, biasFalse) self.relu nn.ReLU() self.fc2 nn.Conv2d(in_planes // ratio, in_planes, 1, biasFalse) self.sigmoid nn.Sigmoid() def forward(self, x): avg_out self.fc2(self.relu(self.fc1(self.avg_pool(x)))) max_out self.fc2(self.relu(self.fc1(self.max_pool(x)))) return self.sigmoid(avg_out max_out)使用时把注意力权重和原特征相乘也就是out ca(feature) * feature。ratio控制降维通道数ratio16意味着如果输入是256通道中间先压到16通道再映射回256ratio太小参数多容易过拟合太大则通道间的区分度不够。avg_pool和max_pool并存是为了同时捕捉全局的统计信息和局部最显著响应对卫星影像里停着一辆白色货车这种情况最大池化能保留“白点高亮”平均池化则负责平滑背景。4.4 决策级融合规则简单但别忽略未知区域决策级融合不需要改模型结构在推理阶段同时获得YOLOv11检测结果和卫星影像分类结果再用规则组合。示例逻辑很直观yolo_result 1 # 1表示YOLO检测到疑似违章建筑 sat_result 1 # 1表示卫星分类结果显示该区域不符合规划用途 if yolo_result 1 and sat_result 1: final_result 1 else: final_result 0 # 进入人工复核这种“两个都说是才算数有一个不确定就转人工”的策略能显著降低执法误伤但也会提高漏检率。更平滑的方案是把YOLO的置信度和卫星分类概率都作为特征输入随机森林或逻辑回归做软决策。特征包括检测框面积、YOLO置信度、NDVI均值、GLCM对比度、所在地块规划标识。训练一个小模型只需要几千个样本效果通常比手写规则更稳。参数上随机森林我会设n_estimators200、max_depth6避免对训练集里的异常样本过度拟合。4.5 模型级融合的改进方向和一个大坑模型级融合是直接把多光谱波段接入YOLOv11输入层让整个网络端到端学习光谱和空间特征的组合。这样做的好处是融合得更充分坏处是训练数据量和算力要求明显上升。卫星影像和自然图像的域差异太大不能只做RGB到多通道的简单替换我会把每个波段的均值和标准差单独算一遍做逐通道归一化而不是用ImageNet的统计量。另一个大坑是数据噪声卫星影像标注往往存在一两个像素的偏差这在自然图像里可能无所谓但在小目标检测里会直接导致正样本错位。所以训练前要用形态学膨胀或边缘对齐检查一遍标注把错位超过两个像素的框修正或删除否则损失函数会被噪声主导。5. 落地验证评估指标、历史影像变化监测和切图重叠率5.1 评估指标先选对再谈调优违章建筑检测不是刷分游戏。只盯着mAP不够因为mAP把各类目标平均后小目标的漏检会被大目标的高分掩盖。我会固定三个指标AP50、漏检率和虚警率。AP50衡量预测框和真值框IOU大于0.5时的平均精度建工场景更看重召回率。漏检率公式为“未检出的违章建筑数量除以总违章建筑数量”这个指标直接决定执法能不能兜底虚警率衡量“误报为违章的合法建筑数量”虚警多会让执法队对系统失去信任。上线前还会做分区域评估把结果按城市中心、城乡结合部、工业区三个子集统计。很多模型整体分数不错但到了城乡结合部漏检率明显升高这种问题不分开评估根本发现不了。5.2 历史卫星影像变化监测一套成本低、效果明显的进阶玩法单期影像检测只能告诉执法队员“现在哪里疑似有违建”很难区分是存量合法建筑还是新增违建。利用历史卫星影像做两期对比可以在很大程度上筛选出真正需要重点核查的目标。做法是分别用同一个YOLOv11模型对时间点t1和t2的同一地理范围做检测然后把两个检测框都投影到统一地理坐标计算重叠程度if iou(det_t1, det_t2) 0.3 and conf_t2 0.6: candidate_changes.append(det_t2)iou阈值0.3表示“新增或者变化显著的框”conf_t2阈值0.6用来过滤低置信度的噪声检测。这里要注意一个细节t1可能没有对应检测框原因是目标被云遮挡而不是不存在所以在做决策前我会检查t1该位置是否有云层掩膜有云就转入人工复核而不是直接判定为新增违建。5.3 切瓦片重叠率可能比模型结构更影响漏检最后提一个经常被忽视的参数瓦片切分的重叠率。很多人图省事把大影像切成无重叠瓦片结果一栋建筑正好落在两张瓦片边缘被截断后的局部特征不足以触发检测。处理方案很简单在训练和预测时统一使用15%到20%的重叠切片推理后再用NMS把跨瓦片的重复检测框合并。合并阈值设在IOU0.5太低会残留重复框太高会把两次独立检测的不同目标也合并掉。配合5.2节的变化判断这套流程可以在不换模型的情况下把最终推送给执法人员的疑似违建清单减少三分之一以上。落地到“两违”治理时先把配准误差压到两三个像素内再调模型参数。本文还有配套的精品资源点击获取 YOLOv11驱动的卫星影像违章建筑检测：从多光谱融合到变化监测
简介针对城市治理中日益突出的违章建筑问题这份二十九页的PDF文档系统讲解了基于YOLOv11与卫星影像融合的智能检测方案。内容从YOLO系列算法的发展历程讲起细致剖析YOLOv11的整体架构、目标检测原理及其优势局限并介绍卫星影像的预处理、特征提取与分类方法进而探讨数据级与模型级的融合策略完整呈现违章建筑检测系统的需求分析、数据准备、模型训练、系统集成、测试优化与部署维护等开发步骤同时包含不同城市规模、不同地理区域的实践案例与经验总结。文档覆盖从理论到落地的全链路既适合智慧城市、遥感信息处理与计算机视觉方向的工程师系统学习也可作为相关课题研究的方法参考。文档支持目录章节跳转阅读器大纲快速定位便于按需查阅。资源包共一个文件为PDF格式大小约2.24MB内容完整、图表清晰。目前已有八十六人学习下载这份兼顾原理与实践的资料能够帮助读者快速建立技术路线认知掌握违章建筑智能检测的落地关键。1. 违章建筑检测的尺度陷阱卫星影像加了YOLOv11才谈得上巡检效率违章建筑检测最尴尬的地方不是卫星影像不够清晰而是“看得到但认不过来”。高分影像一张就覆盖几平方公里可一半版面是合法建筑和道路真正要查的临时彩钢棚、加建楼层往往只有几十个像素。传统人工目视解译一天盯不了几屏像元级监督分类又容易把水泥屋顶和裸土混在一起。YOLOv11这种单阶段检测器把目标检测当作回归问题宽幅切片过一次前向就能同时输出类别和框速度上比两阶段检测更适合城市级巡检。但卫星影像和自然图像差异很大直接把YOLOv11跑在真彩色影像上漏检率会很高。需要把多光谱通道、坐标配准和变化检测揉进一条完整管线里才能让“两违”治理的执法闭环真正跑起来。这套方案对智慧城市算法团队、遥感服务商和规划执法部门做技术选型时都有参考价值。2. YOLOv11检测管线与遥感场景下的残差结构选型2.1 从单阶段回归到多尺度输出YOLO为什么适合大范围巡查YOLO系列从v1开始就把目标检测形式化成一次回归输入图像经过网络直接输出边界框和类别置信度。v2用批量归一化和锚框解决收敛和形状适配问题v3引入多尺度特征融合来改善小目标检测之后的v4到v11主要在做结构搜索、训练策略和注意力机制的加法。对违章建筑来说覆盖范围动辄几百平方公里如果用先候选区域再分类的两阶段思路GPU显存和推理时延都顶不住。单阶段一次前向出框配合NMS去重可以在同一套硬件上处理更多遥感瓦片。YOLOv11延续了单阶段的优势但也不能把它当成万能模型。遥感影像里的建筑呈现强几何规则性屋顶光谱接近水泥、沥青和阴影和自然场景里的猫、车、人完全不同。所以选型时要关注的不是榜单上的mAP而是“在密集框、小目标、弱纹理条件下还能不能稳”。2.2 主干、残差块和检测头的分工YOLOv11的输入层一般把影像统一缩放到640×640或1280×1280具体尺寸要看瓦片里目标占多少像素。主干特征提取网络由卷积、池化和残差块叠加卷积负责提取局部边缘、角点和纹理池化压缩空间尺寸残差块则通过“输入直连卷积输出”缓解深层网络的梯度消失。以下是我常用来理解主干结构的简化残差实现import torch import torch.nn as nn class ConvLayer(nn.Module): def __init__(self, in_channels, out_channels, kernel_size, stride1, padding0): super().__init__() self.conv nn.Conv2d(in_channels, out_channels, kernel_size, stride, padding) self.bn nn.BatchNorm2d(out_channels) self.relu nn.ReLU(inplaceTrue) def forward(self, x): return self.relu(self.bn(self.conv(x))) class ResidualBlock(nn.Module): def __init__(self, in_channels, out_channels): super().__init__() self.conv1 ConvLayer(in_channels, out_channels, kernel_size3, padding1) self.conv2 ConvLayer(out_channels, out_channels, kernel_size3, padding1) def forward(self, x): residual x x self.conv1(x) x self.conv2(x) return x residual这段代码里ConvLayer先做卷积再批量归一化和ReLU顺序上把BN放在激活前是目前检测网络里的常规写法。ResidualBlock里最关键的变量是out_channels它决定这条支路输出多少个特征通道如果遥感瓦片包含多光谱数据输入端的in_channels也要从3改成4或更多这样才能把近红外等波段送进网络。实际工程里我不会自己从头写主干而是从主流的YOLO开源仓库加载预训练权重再把输入端和检测头改一下这样迁移更快。检测头通常分成多个尺度分别负责大、中、小目标。输出层按网格划分每个格子回归中心坐标、宽高、置信度和类别。这种“网格先验框”的机制决定了目标越小落入某个网格的特征就越少所以遥感场景里常需要把输入分辨率提到1280或者用高重叠滑窗。2.3 损失函数里的三个分量怎么调到不打架YOLOv11的训练损失由边界框回归损失、置信度损失和分类损失组成。一个极简的示意如下import torch.nn.functional as F def yolo_loss(pred_boxes, pred_confs, pred_cls, target_boxes, target_confs, target_cls): box_loss F.mse_loss(pred_boxes, target_boxes) conf_loss F.binary_cross_entropy_with_logits(pred_confs, target_confs) cls_loss F.cross_entropy(pred_cls, target_cls) return box_loss conf_loss cls_loss实际落地时不会让三个loss等权重相加。违章建筑检测里大量背景网格会把置信度损失“带偏”所以一般给回归损失和高置信样本更高权重。常见做法是把三项分别乘系数比如box_weight0.05、conf_weight1.0、cls_weight0.5具体值要看验证集上的漏检率调节。如果发现预测框经常偏大偏小优先调高回归损失的权重而不是盲目调学习率。还要注意简化代码用的是MSE主流实现里往往换成CIoU或SIoU后者对重叠框和长宽比更敏感更适合卫星视角下密集建筑。2.4 先摸清能力边界再进场YOLOv11的优势是快、精度高、易部署但小目标检测和遮挡目标检测仍然是硬伤。违章建筑常被树冠、高层投影遮挡或者只有二三十个像素大小模型很容易漏。对这类场景我会先做一个快速实验把影像切到640×640统计标注框的宽高分布如果大量框小于16×16像素就要考虑提高输入分辨率、切入更小的瓦片或单独增加一个小目标检测头。先把边界摸清楚后面的融合才有意义。3. 卫星影像预处理链路辐射几何校正、瓦片切片与特征化3.1 多光谱源数据怎么选Landsat、Sentinel和高分各有分工卫星影像不是“一张图”那么简单选择什么源数据直接决定后续YOLOv11能学到什么。Landsat系列空间分辨率在30米上下适合宏观土地覆盖但不适合识别单栋建筑Sentinel系列有10米分辨率多光谱波段丰富适合做区域变化监测高分系列能做到亚米级城市建筑轮廓清晰是违章建筑精细识别的主力数据源。把这些源数据混合在同一套样本集里时要先统一坐标系和分辨率否则模型会学到无意义的分辨率偏差。3.2 先辐射后几何顺序不能乱原始影像在传感器响应、大气散射作用下像元亮度值和地物真实反射率并不一致。如果不做辐射校正同一材质屋顶在不同时期影像里会出现明显色差导致模型以为屋顶“变了”。辐射校正分为传感器校正和大气校正工程上常用FLAASH或6S模型。这一步做完再做几何校正用地面控制点建立多项式变换把影像从传感器坐标对准到地理坐标。重采样方法上最近邻法速度快但边缘锯齿明显双线性内插居中三次卷积质量好但计算量大。从经验上看后续要做目标检测和边缘提取优先选三次卷积如果只是分类双线性就够。3.3 裁剪、镶嵌和切片别把建筑拦腰切断几何校正后的数据通常按行政区边界或执法网格裁剪把无关区域直接丢掉。多景相邻影像拼接时要用影像镶嵌功能并做色调均衡否则拼接缝会在检测特征图上形成伪边缘。给YOLOv11训练时更常见的是把大影像切成640×640或1024×1024的瓦片相邻瓦片之间保持10%到20%的重叠。这样可以避免一栋建筑被切成两半后变成两个残缺目标。用GDAL做快速裁剪的命令一般是gdal_translate -projwin 120.35 31.85 120.55 31.70 -of GTiff raw_scene.tif roi.tif-projwin后面依次是左上角经度、左上角纬度、右下角经度、右下角纬度。-of GTiff指定输出格式。如果用矢量边界裁剪可以把矢量栅格化成掩膜再做gdalwarp -cutline。切片时我会记录瓦片左上角的地理坐标因为后面模型输出的像素坐标要靠这个才转得回经纬度很多融合项目卡在“检测框画出来了但没法落图”就是这个信息丢了。3.4 光谱、纹理和形状特征怎么和深度学习共处传统遥感分类里光谱特征用波段反射率、波段比值、植被指数等描述地物纹理特征用灰度共生矩阵、局部二值模式描述重复结构形状特征用面积、周长、长宽比区分建筑和道路。这些特征在只有传统分类器的时代是主力在YOLOv11时代仍然有价值但作用变了。它们不再是最终分类依据而是可以做成额外输入通道或辅助分类分支帮深度模型弥补光谱信息损失。例如NDVI可以把植被和建筑分开减少把绿色屋顶当违章建筑的误检灰度共生矩阵的对比度和同质性能强化密集建筑区和空地的差异。3.5 监督、非监督与面向对象分类的工程位置监督分类通过人工选训练样本建立分类器适合已知地类非监督分类用K-Means或ISODATA自动聚类适合快速摸底。面向对象分类先把像元分割成对象再综合光谱、纹理、形状判断能显著减少“椒盐噪声”式误分。我在融合流程里通常把面向对象分割结果作为YOLOv11的一个辅助特征层而不是单独输出一张分类图。因为后端执法需要的是“目标框类型”而不是一张栅格标签图分类图可以用于规则校验例如检测到的目标落在“禁止建设区”就把置信度加一半。4. 特征级、决策级和模型级融合配准、注意力与置信度策略4.1 配准是融合的天花板先解决坐标统一卫星影像和YOLOv11检测框能不能融合第一道门槛不是模型而是配准精度。YOLOv11输出的是像素坐标卫星影像有自己的地理坐标如果两者没对齐融合出一个偏移10米的框在执法现场毫无意义。我一般会先把训练用的瓦片、标注框和卫星影像统一到同一个坐标系用矢量道路边线或建筑物角点做参考检查。配准误差在亚米级数据上应控制在一个像素以内如果超过两三个像素后面谈融合方法都是空谈。边界上可通过RPC或GCP修正历史影像有偏移时先做同名点匹配再做仿射变换。4.2 特征级融合从通道拼接开始最直接的特征级融合是把多光谱波段和YOLOv11主干特征在通道维度拼接起来。比如卫星影像提供RGB加近红外共4个通道YOLOv11的原始输入只有3个通道那就在输入层直接改成4通道或者把多光谱特征抽成一个小的特征张量再和检测特征图做拼接import torch # yolo_features: 主干网输出形状为 [batch, 256, H, W] yolo_features torch.randn(1, 256, 32, 32) # sat_features: 从对齐后的卫星影像提取的多光谱特征 sat_features torch.randn(1, 4, 32, 32) merged torch.cat([yolo_features, sat_features], dim1) print(merged.shape) # 期望输出 [1, 260, 32, 32]torch.cat在dim1上拼接后检测头看到的是“视觉特征光谱特征”的混合张量。这里有两个参数值得注意一是不同来源特征的通道数不能差太多否则模型会把多光谱特征当成噪声二是拼接前要把多光谱特征上采样或下采样到和yolo_features相同的分辨率H和W不一致时拼接会直接报错。特征级融合适合光谱信息明显、配准精度高的场景例如利用归一化植被指数辅助排除绿化区域。4.3 给融合特征加注意力只放大有用波段通道拼接属于“全量塞给模型”更好的做法是让模型自己决定每个通道的权重。通道注意力机制通过全局池化和两次卷积给不同特征通道生成一个0到1之间的权重再乘回原特征。原理上相当于对“屋顶蓝白色”“植被近红外反射高”这类特征做选择。对于遥感多光谱通道我会在骨干网络之后加一个通道注意力模块结构如下import torch import torch.nn as nn class ChannelAttention(nn.Module): def __init__(self, in_planes, ratio16): super().__init__() self.avg_pool nn.AdaptiveAvgPool2d(1) self.max_pool nn.AdaptiveMaxPool2d(1) self.fc1 nn.Conv2d(in_planes, in_planes // ratio, 1, biasFalse) self.relu nn.ReLU() self.fc2 nn.Conv2d(in_planes // ratio, in_planes, 1, biasFalse) self.sigmoid nn.Sigmoid() def forward(self, x): avg_out self.fc2(self.relu(self.fc1(self.avg_pool(x)))) max_out self.fc2(self.relu(self.fc1(self.max_pool(x)))) return self.sigmoid(avg_out max_out)使用时把注意力权重和原特征相乘也就是out ca(feature) * feature。ratio控制降维通道数ratio16意味着如果输入是256通道中间先压到16通道再映射回256ratio太小参数多容易过拟合太大则通道间的区分度不够。avg_pool和max_pool并存是为了同时捕捉全局的统计信息和局部最显著响应对卫星影像里停着一辆白色货车这种情况最大池化能保留“白点高亮”平均池化则负责平滑背景。4.4 决策级融合规则简单但别忽略未知区域决策级融合不需要改模型结构在推理阶段同时获得YOLOv11检测结果和卫星影像分类结果再用规则组合。示例逻辑很直观yolo_result 1 # 1表示YOLO检测到疑似违章建筑 sat_result 1 # 1表示卫星分类结果显示该区域不符合规划用途 if yolo_result 1 and sat_result 1: final_result 1 else: final_result 0 # 进入人工复核这种“两个都说是才算数有一个不确定就转人工”的策略能显著降低执法误伤但也会提高漏检率。更平滑的方案是把YOLO的置信度和卫星分类概率都作为特征输入随机森林或逻辑回归做软决策。特征包括检测框面积、YOLO置信度、NDVI均值、GLCM对比度、所在地块规划标识。训练一个小模型只需要几千个样本效果通常比手写规则更稳。参数上随机森林我会设n_estimators200、max_depth6避免对训练集里的异常样本过度拟合。4.5 模型级融合的改进方向和一个大坑模型级融合是直接把多光谱波段接入YOLOv11输入层让整个网络端到端学习光谱和空间特征的组合。这样做的好处是融合得更充分坏处是训练数据量和算力要求明显上升。卫星影像和自然图像的域差异太大不能只做RGB到多通道的简单替换我会把每个波段的均值和标准差单独算一遍做逐通道归一化而不是用ImageNet的统计量。另一个大坑是数据噪声卫星影像标注往往存在一两个像素的偏差这在自然图像里可能无所谓但在小目标检测里会直接导致正样本错位。所以训练前要用形态学膨胀或边缘对齐检查一遍标注把错位超过两个像素的框修正或删除否则损失函数会被噪声主导。5. 落地验证评估指标、历史影像变化监测和切图重叠率5.1 评估指标先选对再谈调优违章建筑检测不是刷分游戏。只盯着mAP不够因为mAP把各类目标平均后小目标的漏检会被大目标的高分掩盖。我会固定三个指标AP50、漏检率和虚警率。AP50衡量预测框和真值框IOU大于0.5时的平均精度建工场景更看重召回率。漏检率公式为“未检出的违章建筑数量除以总违章建筑数量”这个指标直接决定执法能不能兜底虚警率衡量“误报为违章的合法建筑数量”虚警多会让执法队对系统失去信任。上线前还会做分区域评估把结果按城市中心、城乡结合部、工业区三个子集统计。很多模型整体分数不错但到了城乡结合部漏检率明显升高这种问题不分开评估根本发现不了。5.2 历史卫星影像变化监测一套成本低、效果明显的进阶玩法单期影像检测只能告诉执法队员“现在哪里疑似有违建”很难区分是存量合法建筑还是新增违建。利用历史卫星影像做两期对比可以在很大程度上筛选出真正需要重点核查的目标。做法是分别用同一个YOLOv11模型对时间点t1和t2的同一地理范围做检测然后把两个检测框都投影到统一地理坐标计算重叠程度if iou(det_t1, det_t2) 0.3 and conf_t2 0.6: candidate_changes.append(det_t2)iou阈值0.3表示“新增或者变化显著的框”conf_t2阈值0.6用来过滤低置信度的噪声检测。这里要注意一个细节t1可能没有对应检测框原因是目标被云遮挡而不是不存在所以在做决策前我会检查t1该位置是否有云层掩膜有云就转入人工复核而不是直接判定为新增违建。5.3 切瓦片重叠率可能比模型结构更影响漏检最后提一个经常被忽视的参数瓦片切分的重叠率。很多人图省事把大影像切成无重叠瓦片结果一栋建筑正好落在两张瓦片边缘被截断后的局部特征不足以触发检测。处理方案很简单在训练和预测时统一使用15%到20%的重叠切片推理后再用NMS把跨瓦片的重复检测框合并。合并阈值设在IOU0.5太低会残留重复框太高会把两次独立检测的不同目标也合并掉。配合5.2节的变化判断这套流程可以在不换模型的情况下把最终推送给执法人员的疑似违建清单减少三分之一以上。落地到“两违”治理时先把配准误差压到两三个像素内再调模型参数。本文还有配套的精品资源点击获取