尾矿库是指由尾矿坝拦截谷口或围地所构成的矿山生产设施，用来长期堆存矿石选别后在当前经济技术条件下不宜进一步分选的固体废弃材料。尾矿库中含有的液体通常有毒、有害或具有放射性。因此，一旦发生溃坝，将会造成严重的人员伤亡、经济损失及难以修复的环境污染。受矿产资源、地形等因素的限制，尾矿库多位于偏远山区，监管相对薄弱。近年来，尾矿库频繁发生环境突发事件，对经济发展和社会稳定产生了极其不利的影响。因此，快速获取尾矿库对区域资源有效利用和矿山安全监测具有重要意义。

因此，我们提出了一个结合深度学习进行大范围区域尾矿库快速提取的方法。所提方法首先根据高分辨率遥感影像中尾矿库的特征建立了尾矿库数据集；然后通过建立的数据集训练YOLOv4模型并进行检测，获得尾矿库的目标区域；根据所获得的目标区域，利用随机森林模型，结合尾矿库的光谱和纹理特征进行尾矿库的提取；最后采用形态学处理提取到最终的尾矿库。

尾矿库数据集说明：

原始影像数据为铜陵市及其他部分城市（马鞍山、池州、六安、黄石等）的2.05 m分辨率的Google图像。我们将影像切割成500×500像素大小，并结合高分辨率遥感影像中尾矿库的颜色和形态特征进行目视解译，对尾矿库进行标注。由于高分辨率遥感影像场景的复杂性，为减少干扰，加入了负样本（如水库、矿区）。获得的原始数据集包含352个正样本和430个负样本。为增加样本多样性，对原始数据集进行了数据增强，包括旋转、高斯噪声、水平和垂直翻转和亮度变化。最终数据集的包括6150张样本，其中正样本3140张、负样本3010张。
图1. 尾矿库数据集样本示例。(a)和(b)为尾矿库样本示例，(c)和(d)为负样本示例

预训练的检测模型说明：

尾矿库检测模型采用的是YOLOv4模型。YOLOv4是目前目标检测中实现精度和速度最佳平衡的模型，该特性赋予了YOLOv4在大面积内快速检测尾矿库的能力。YOLOv4将CSPDarkNet53作为主干网络对输入的图像进行特征提取，并采用SPP（Spatial Pyramid Pooling）结构增大感受野，采用PANet（Path Aggregation Network）对提取的特征进行合并。使用YOLOv4模型对高分辨率遥感影像中的尾矿库进行识别，最后输出尾矿库的边界坐标和被识别为尾矿库的概率。

模型结构如下：

图2. YOLOv4+RF模型的主要结构