潘勇卓，谢洪斌，杨 雪，姜良美，张 勇

（1.外生成矿与矿山环境重庆市重点实验室（重庆地质矿产研究院），重庆 401120；2.煤炭资源与安全开采国家重点实验室重庆研究中心，重庆 401120）

矿产资源是人类社会存在与发展的重要物质基础，矿产资源的合理开发、利用是国土资源监管的重要主题。为及时发现矿产资源的偷采、盗采、乱采行为，国土资源部开展了土地矿产卫片执法专项行动，对违法采矿行为进行了有力打击，有效维护了矿业开采秩序。然而卫片执法过程中，海量遥感影像的矿山信息提取工作主要为人工解译，不仅成本高、时效性差，而且解译结果受人为主观影响，容易出现错误和遗漏。随着遥感技术的发展，影像的获取将更加快捷、频繁，影像所包含的监测信息也更加海量，这无疑对传统的人工信息提取工作带来更大的考验。

遥感影像信息自动提取分类常用的方法有BP 神经网络、支持向量机（SVM）等，然而这些分类方法难以应用于卫片执法工作，究其原因主要在于其自动提取的精度难以达到生产需求，因此难以代替人工解译。近年来，人工智能领域的深度学习技术在计算机视觉、语音识别、信息检索等领域取得了良好的效果，具有高精度、高时效的特点，为遥感影像信息的分类提取提供了新的思路。

在此，本文以石灰岩矿山为例，将深度学习的方法引入到遥感影像矿山信息精确识别中，利用大量人工解译的矿山图斑制作样本，通过深度卷积神经网络框架Mask R-CNN 进行机器训练圈取矿山，并结合采矿权信息与GIS空间分析技术，探索露天矿山疑似违法图斑线索快速提取的应用方法。……