CN109544579A - 一种利用无人机进行灾后损毁建筑物评估的方法 - Google Patents
一种利用无人机进行灾后损毁建筑物评估的方法 Download PDFInfo
- Publication number
- CN109544579A CN109544579A CN201811294144.7A CN201811294144A CN109544579A CN 109544579 A CN109544579 A CN 109544579A CN 201811294144 A CN201811294144 A CN 201811294144A CN 109544579 A CN109544579 A CN 109544579A
- Authority
- CN
- China
- Prior art keywords
- calamity
- image
- unmanned plane
- damage
- carrying
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000013439 planning Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 4
- 230000009977 dual effect Effects 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种利用无人机进行灾后损毁建筑物评估的方法,涉及灾害评估领域,利用多架无人机在灾区上空划空域进行灾区影像的拍摄,然后利用无人机传输回来的拍摄好的高清图片在一台GPU服务器上快速构建灾区TIFF格式遥感影像。利用神经网络图像分割模型提取遥感影像中完好的房屋和灾前遥感影像进行比对,以街区为单位记录损毁数据和对应GPS坐标,利用地理坐标极球面投影的方式在灾区地图上绘制房屋损毁情况分布图。本发明能够快速对灾情进行评估,检测结果可信度高。
Description
技术领域
本发明涉及灾害评估领域,尤其涉及一种利用无人机进行灾后损毁建筑物评估的方法。
背景技术
灾害评估是对灾害情况进行的判断估计,现代社会主流的用于灾情评估的手段是通过卫星遥感图像。而且通过卫星遥感影像对灾情评估存在评估周期过长的缺点。灾情发生后,人们希望第一时间通过快速的对灾情做出评估来对接下来投入抗震救灾的人员和物资调度提供参考。
因此,本领域的技术人员致力于开发一种新的能够在灾害发生后快速对灾情进行评估的系统。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是对灾情评估存在评估周期过长的缺点。
为实现上述目的,本发明提供了一种利用无人机进行灾后损毁建筑物评估的方法,所述方法包括以下步骤:
步骤1、多架无人机协同任务规划;
步骤2、快速处理无人机返回的实时画面;
步骤3、利用图像分割方法对灾情遥感影像分割;
步骤4、房屋损毁评估。
进一步地,所述步骤1还包括:
步骤1.1、多无人机协同路径规划;
步骤1.2、多无人机效能提高任务分配。
进一步地,所述步骤1.1的多无人机协同路径规划采用基于V图的协同路径规划和算法。
进一步地,所述步骤1.2的多无人机效能提高任务分配采用基于证书编码的遗传算法。
进一步地,所述步骤2在GPU服务器上快速拼接无人机拍摄的灾区遥感影像。
进一步地,所述步骤2采用基于区域相似性的、改进的归一化相互关算法,检测到图像中的匹配点,并通过随机采样一致性算法进行参数估计,得到图像之间的映射变换模型,经过映射变换、最佳拼接缝选择与图像融合后,得到最终的拼接结果。
进一步地,所述步骤3运用图像分割方法来从遥感图像中提出房屋在图像中的位置,进而统计遥感影像中房屋的数量,所述图像分割方法为基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法或者基于U-net神经网络的分割方法。
进一步地,所述U-net神经网络包括一条收缩路径和一条扩展路径。
进一步地,所述步骤4采用基于灾前和灾后的遥感影像进行的双重识别,通过两者建筑物在图像上的变化,分析出灾后的房屋损害程度。
进一步地,所述步骤4基于地理坐标极球面投影的方式统计损毁的房屋分布,根据对象损坏像元所占的比例获取最终的损毁建筑物区域,将灾后建筑物街区划分为基本完好、轻度损坏、严重损坏3个类别。
在本发明的较佳实施方式中,具有旋转不变性的NOC匹配、基于RANSAC的图像变换模型求解以及图像映射变,都在GPU上并行完成的,具有非常高的实时性。
在本发明的另一较佳实施方式中,通过利用大量已标注好卫星影像来训练房屋分割模型,最终在广泛的测试中证明该模型泛化能力良好,能够有效地识别出1公里内房屋近似数量。本发明根据地震后部分建筑物严重损毁导致计算机无法识别器原来面貌,发明通过无人机航拍图和灾前遥感影像相结合并利用经纬度或GPS坐标定位来对受损建筑物双重目标识别。检测结果具有可信度高的优点。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明的一个较佳实施例的一种利用无人机进行灾后损毁建筑物评估的方法的基于V图的无人机路线图;
图2是本发明的一个较佳实施例的一种利用无人机进行灾后损毁建筑物评估的方法的基于CUDA的实时图像拼接算法流程图;
图3是本发明的一个较佳实施例的一种利用无人机进行灾后损毁建筑物评估的方法的U-net神经网络结构图;
图4是本发明的一个较佳实施例的一种利用无人机进行灾后损毁建筑物评估的方法的网络模型对分辨率为0.5米的一公里卫星图做预测的对比图;
图5是本发明的一个较佳实施例的一种利用无人机进行灾后损毁建筑物评估的方法的房屋损毁评估原理图。
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例,使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现,本发明的保护范围并非仅限于文中提到的实施例。
在附图中,结构相同的部件以相同数字标号表示,各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的,本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰,附图中有些地方适当夸大了部件的厚度。
多无人机的任务规划从功能上划分主要包括多无人机协同路径规划和多无人机效能提高任务分配。针对多无人机协同路径规划,提出了相应的解决方案,采用基于V图的协同路径规划和算法,提出基于证书编码的遗传算法,用于多无人机的任务分配算法实现。采用基于V图的协同路径规划额算法,设计中采用矢量法建立V图,计算V图中的每条线段,采用狄利克雷算法从V图中计算最优路径。由于无人机规划方法基于的环境要求不同,基于约束规则下的多无人机飞行路径规划算法需要提前得到无人机任务执行区域的基本环境构型,根据环境构型规划处一个或多个可供无人机任务执行是依赖的初始飞行区域。首先构建用于描述任务环境的V图,V图构建方法一般包括栅格空间生成算法(简称为栅格法和矢量空间生成算法)。本专利一个实施例中采用矢量法构建V图,矢量法可以更精确和有效的构建V图。如图1所示,在V图中多架无人机的飞行路径做如下表示:V途中定点可以看作是飞行路径中途点,V图的V边看作是飞行路径端,从飞行起始点至任务区域目标点的多条V边组成多条备选路径。从备选路径中再选择N条从飞行起始点到任务区域目标点的飞行路径,从而组成多架无人机协同任务执行的初始飞行路径。
由于灾害后的救援是争分夺秒的,快速的灾害识别首先需要能够实现地震后无人机拍摄的灾区遥感影像的快速拼接。图像拼接过程主要分为图像获取、图像预处理、图像匹配和图像融合4个步骤,其中最核心的技术就是图像匹配。图像匹配的关键是确定两幅图像中重叠部分的位置,从而得到两幅图像的变换关系。该过程计算复杂度较大,可采用GPU进行优化加速。利用基于区域相似性的、改进的归一化相互关算法,他检测到图像中的匹配点,并通过随机采样一致性算法进行参数估计,得到图像之间的映射变换模型。经过映射变换、最佳拼接缝选择与图像融合后,得到最终的拼接结果。其中,具有旋转不变性的NOC匹配、基于RANSAC的图像变换模型求解以及图像映射变,都在GPU上并行完成的,具有非常高的实时性。
本发明一个实施例针对实时图像拼接的应用需求,采用了一种基于先验信息的自适应图像匹配方法。其基本思想为:首先根据事先得知的待拼接图像重叠区域范围,在左图像IL的重叠区域内均匀选取km×kn个待匹配点Pi(i=1,2,…,km×kn);然后通过区域相似度和自适应匹配搜索区域在左图像IR中进行最佳匹配搜索,得到km×kn个最佳点(i=1,2,…,km×kn)。自适应图像匹配算法的计算复杂度
对于两幅带匹配图像IL和IR,假设IL中有k个带匹配点,匹配窗口W的大小为Wd×Wd,选择的相似性度量算子的计算复杂度为f,则在IR中进行最佳匹配点搜索的计算量为
式中,SRm×SRn自适应匹配搜索区域的大小。由此可见,自适应图像匹配算法的计算复杂度主要取决于待匹配点的个数、匹配窗口的尺寸、相似性度量算子和搜索区域大小4个方面。
待匹配点选取
由于图像拼接的关键是找到两幅图像之间的变换模型,因此它并不需要太多的匹配点。对于射影变换来讲,理论上需要4对匹配点即可得到其变换模型,但过少的匹配点会使匹配精度和稳定性都无法保证。因此,根据事先得知的待拼接图像的重叠区域范围,在做图像IL的重叠区域内均匀选取km×kn个像素点作为待匹配点。
在预计的重叠区域内均匀选取km×kn个待匹配点、具有如下优点:
a、避免了焦点监测,减少了算法的计算复杂度;
b、待匹配点均匀分布,数量稳定;
c、待匹配点之间已知结构信息是判断结果是否正确的有效依据。
d、在边缘特征不明显的图像中具有较强的适应性。
(1)区域相似性度量
区域相似性度量是以待匹配图像IL中待匹配点Pi为中心像素来创建一个匹配窗口W,窗口内图像的灰度信息来表征改像素的特征。在图像IR搜索区域SR中取出一个与W同样大小的像素区域,根据相似性度量准则计算两个窗口之间的相似程度。
(2)自适应匹配搜索区域
搜索区域SR的大小对算法效率的影响不可忽视。过大的搜索范围不仅会严重影响算法的实时性,而且会使误匹配的概率增大。为了解决这一问题,本文利用待匹配图像IL和IR之间已知的大致重叠范围,得到左右图像间的偏移量,并利用待匹配点之间的结构信息来缩小搜索范围,使搜索区域能够自动适应待匹配点的位置。具体实现方法为:先领搜索区域SR为IL和IR之间大致重叠区域,从中选取位于重叠区域中部的3个匹配点,在SR中搜索得到3个最佳匹配点,凝聚着3个待匹配点的位置计算得到IL和IR之间的大致偏移量Dispxy;在对其它的待匹配点进行搜索时,就可以根据Dispxy和待匹配点在IL中的位置,初步估计出它在IR中的对应点位置,并以此作为搜索区域SR的中心。在确保SR能够包括真实匹配点的前提下,使其尽可能的小,以减少搜索范围。
如图2所示,基于CUDA的实时图像拼接算法分为Host端和Device端两部分。其中,Host端主要完成对图像读取、待匹配点的选取、GPU资源的分配、自适应搜索区域SR计算和图像融合等功能;Device端负责完成最佳匹配点的并行化搜索、射影变换模型并行求解以及对图像进行射影变换等功能。
在本发明一个实施例所构建的评估系统中,借鉴并改进了一种最经典的图像分割网络模型——U-Net。U-net包括两个部分,第一部分,特征提取,CGG类似。第二部分上采样部分。由于网络结构像U型,所以叫U-net网络。
U-net特征提取部分,每经过一个池化层就一个尺度,包括原图尺度一共有5个尺度。U-net上采样部分,每次上采样一次,就和特征提取部分对应的通道数相同尺度融合,但是融合之前要将其crop。这里的融合也要拼接。
U-net网络构架如图3所示。它由一条收缩路径(左侧)和一条扩展路径(右侧)组成。U-net遵循卷积网络的典型体系结构。它由两次3×3卷积组成,每卷积一个整流线性单元(ReLU)和一个2x2最大池化操作,步进2用于下采样。在每个下采样步骤中我们将特征通道的数量加倍。膨胀路径中的每一步包括对特征映射进行上采样,然后进行2×2卷积,该特征映射将特征通道的数量减半,与来自收缩路径的响应裁剪特征映射级联,以及两个3×3卷积,每个卷积后面跟一个ReLU,裁剪是必须的,因为每个卷积都会丢失边界像素,最后一层使用1×1卷积将每个64个分量特征向量映射到期望类数,网络有23个卷积层。
为了实现输出分段映射的无缝平铺,输入切片大小非常重要,以便将所有2×2最大池化操作应用于偶数x和y大小的图层。
只有很少的样本可用时,数据增强对于训练网络所需的不变性和鲁棒性属性至关重要。在分割遥感图像这种情况下,我们通过对图像快随机地应用水平翻转、垂直翻转、随机旋转和颜色抖动等方法增加批次中图像的数量。虽然在处理数据集的不平衡类问题时,有欠采样和调整数据集权重等多种方法,如上过采样方法是最有效果和最简单的办法。
通过借鉴U-net网络结构来建立卷积网络模型,其中U-net网络能够通过对低层次特征映射的组合,构建高层次复杂特征,来实现精确定位。
该模型能够对输入图像的每个像素做出该点属于目标类的概率,根据图像的实际类别,将预处理的图像保持不变,或者将图像及其相应标签共同调整为1920×1920分辨率的正方形图像。在训练期间,我们从不同的图像中随机搜集大小为144×144的图像块,其中一半的图像块总是包含了一些正像素,即分类的目标对象。在一台没有GPU单纯依靠CPU训练的服务器上大约花了两周时间完成了从权值初始化开始进行的网络训练过程。
在预测过程中时使用滑动窗口的方法,窗口大小固定为144×144,滑动步幅为32,图像块边界的对象在没有周围环境时只能部分显示,通过上述操作能够消除图像块边界效果较弱的预测。为了进一步提高预测质量,将输入图像的翻转和旋转版本,以及在不同尺寸下训练的网络模型进行平均操作。总而言之,获得了很好的平滑输出效果,如图4所示,上面两幅图为真实房屋分布,下面两幅图为模型预测中的房屋分布。
地面实际标签通过WKT格式文件进行加载,以由顶点定义的多表型来表示对象。在生成CSV房屋预测结果文档过程中需要建立所生成的多边形,去除不必要的噪声干扰。这样评估系统可以快速处理所提交的结果,避免超时而限制实际效果。可以通过使用二值化输出上的参数化操作,以最小的评估指标损失来实现多边形简单化。在后期处理阶段,本发明一个实施例使用了形态学上的膨胀和腐蚀操作,简单有效的去除了小于给定阈值的物体及小孔。
在分割卫星图像上的建筑物时,本发明一个实施例运用了分水岭算法来进行区域推荐,避免滑动窗口在非建筑物区域的时间空耗,提升了建筑物分割速度。
如图5所示,利用多架无人机在灾区上空划空域进行灾区影像的拍摄,然后利用无人机传输回来的拍摄好的高清图片在一台GPU服务器上快速构建灾区二维地图。利用神经网络图像分割模型提取遥感影像中完好的房屋和灾前遥感影像进行比对。基于地理坐标极球面投影的方式统计损毁的房屋分布,根据对象损坏像元所占的比例获取最终的损毁建筑物区域。结合震后卫星全色遥感图像和城市道路矢量数据提供的街区信息,以建筑物街区为单元进行局部空间统计等震害损失数据分析,并构建多特征分类模型。将震后建筑物街区划分为基本完好(损坏房屋占全部房屋的20%以下)、轻度损坏(损坏房屋占全部房屋的20%到50%之间)、严重损坏(损坏房屋占全部房屋的60%以上)3个类别。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种利用无人机进行灾后损毁建筑物评估的方法,其特征在于,所述方法包括以下步骤:
步骤1、多架无人机协同任务规划;
步骤2、快速处理无人机返回的实时画面;
步骤3、利用图像分割方法对灾情遥感影像分割;
步骤4、房屋损毁评估。
2.如权利要求1所述的利用无人机进行灾后损毁建筑物评估的方法,其特征在于,所述步骤1还包括:
步骤1.1、多无人机协同路径规划;
步骤1.2、多无人机效能提高任务分配。
3.如权利要求2所述的利用无人机进行灾后损毁建筑物评估的方法,其特征在于,所述步骤1.1的多无人机协同路径规划采用基于V图的协同路径规划和算法。
4.如权利要求2所述的利用无人机进行灾后损毁建筑物评估的方法,其特征在于,所述步骤1.2的多无人机效能提高任务分配采用基于证书编码的遗传算法。
5.如权利要求1所述的利用无人机进行灾后损毁建筑物评估的方法,其特征在于,所述步骤2在GPU服务器上快速拼接无人机拍摄的灾区遥感影像。
6.如权利要求1所述的利用无人机进行灾后损毁建筑物评估的方法,其特征在于,所述步骤2采用基于区域相似性的、改进的归一化相互关算法,检测到图像中的匹配点,并通过随机采样一致性算法进行参数估计,得到图像之间的映射变换模型,经过映射变换、最佳拼接缝选择与图像融合后,得到最终的拼接结果。
7.如权利要求1所述的利用无人机进行灾后损毁建筑物评估的方法,其特征在于,所述步骤3运用图像分割方法来从遥感图像中提出房屋在图像中的位置,进而统计遥感影像中房屋的数量,所述图像分割方法为基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法或者基于U-net神经网络的分割方法。
8.如权利要求7所述的利用无人机进行灾后损毁建筑物评估的方法,其特征在于,所述U-net神经网络包括一条收缩路径和一条扩展路径。
9.如权利要求1所述的利用无人机进行灾后损毁建筑物评估的方法,其特征在于,所述步骤4采用基于灾前和灾后的遥感影像进行的双重识别,通过两者建筑物在图像上的变化,分析出灾后的房屋损害程度。
10.如权利要求1所述的利用无人机进行灾后损毁建筑物评估的方法,其特征在于,所述步骤4基于地理坐标极球面投影的方式统计损毁的房屋分布,根据对象损坏像元所占的比例获取最终的损毁建筑物区域,将灾后建筑物街区划分为基本完好、轻度损坏、严重损坏3个类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811294144.7A CN109544579A (zh) | 2018-11-01 | 2018-11-01 | 一种利用无人机进行灾后损毁建筑物评估的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811294144.7A CN109544579A (zh) | 2018-11-01 | 2018-11-01 | 一种利用无人机进行灾后损毁建筑物评估的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109544579A true CN109544579A (zh) | 2019-03-29 |
Family
ID=65845806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811294144.7A Pending CN109544579A (zh) | 2018-11-01 | 2018-11-01 | 一种利用无人机进行灾后损毁建筑物评估的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109544579A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110108257A (zh) * | 2019-05-20 | 2019-08-09 | 苏州中飞遥感技术服务有限公司 | 一种基于无人机航拍影像和静态规划图相匹配的展示方法 |
CN110175548A (zh) * | 2019-05-20 | 2019-08-27 | 中国科学院光电技术研究所 | 基于注意力机制和通道信息的遥感图像建筑物提取方法 |
CN110312085A (zh) * | 2019-06-06 | 2019-10-08 | 武汉易科空间信息技术股份有限公司 | 基于多个无人机航拍技术的图像融合方法及系统 |
CN110400323A (zh) * | 2019-07-30 | 2019-11-01 | 上海艾麒信息科技有限公司 | 一种自动抠图系统、方法以及装置 |
CN110619282A (zh) * | 2019-08-26 | 2019-12-27 | 海南撰云空间信息技术有限公司 | 一种无人机正射影像建筑物自动提取方法 |
CN110751639A (zh) * | 2019-10-16 | 2020-02-04 | 黑龙江地理信息工程院 | 一种基于深度学习的水稻倒伏智能评估定损系统及其评估定损方法 |
CN110781261A (zh) * | 2019-10-14 | 2020-02-11 | 西南交通大学 | 基于地理空间信息的建筑物损坏风险筛查方法及系统 |
CN110844068A (zh) * | 2019-10-30 | 2020-02-28 | 北京理工大学 | 一种集群式小体积目标毁伤图像采集系统及其采集方法 |
CN110889394A (zh) * | 2019-12-11 | 2020-03-17 | 安徽大学 | 基于深度学习UNet网络的水稻倒伏识别方法 |
CN111126183A (zh) * | 2019-12-09 | 2020-05-08 | 武汉大学 | 一种基于近地面影像数据的震后建筑物损毁检测方法 |
CN111126308A (zh) * | 2019-12-26 | 2020-05-08 | 西南交通大学 | 结合灾前和灾后遥感影像信息的损毁建筑物自动识别方法 |
CN111144335A (zh) * | 2019-12-30 | 2020-05-12 | 自然资源部国土卫星遥感应用中心 | 一种构建建筑物深度学习模型的方法及装置 |
CN111160199A (zh) * | 2019-12-23 | 2020-05-15 | 云南省交通规划设计研究院有限公司 | 一种基于高分辨率遥感影像的公路灾害信息检测方法 |
CN111582102A (zh) * | 2020-04-28 | 2020-08-25 | 中国科学院空天信息创新研究院 | 一种遥感数据地物要素精细化分类方法及装置 |
CN111985355A (zh) * | 2020-08-01 | 2020-11-24 | 桂林理工大学 | 基于深度学习和云计算的遥感建筑物震害评估方法和系统 |
CN114782846A (zh) * | 2022-06-20 | 2022-07-22 | 绵阳天仪空间科技有限公司 | 一种灾后救援引导系统及方法 |
CN114782826A (zh) * | 2022-06-20 | 2022-07-22 | 绵阳天仪空间科技有限公司 | 一种灾后建筑物的安全监测系统及方法 |
CN114821345A (zh) * | 2022-06-27 | 2022-07-29 | 绵阳天仪空间科技有限公司 | 一种基于遥感影像的灾后建筑物的安全检测系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091369A (zh) * | 2014-07-23 | 2014-10-08 | 武汉大学 | 一种无人机遥感影像建筑物三维损毁检测方法 |
CN104239885A (zh) * | 2014-09-05 | 2014-12-24 | 北京航天控制仪器研究所 | 一种基于无人机航拍的地震灾害损毁度评估方法 |
CN104268879A (zh) * | 2014-09-28 | 2015-01-07 | 民政部国家减灾中心 | 基于遥感多光谱图像的建筑物实物量损毁评估方法 |
CN105631892A (zh) * | 2016-02-23 | 2016-06-01 | 武汉大学 | 一种基于阴影和纹理特征的航空影像建筑物损毁检测方法 |
-
2018
- 2018-11-01 CN CN201811294144.7A patent/CN109544579A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091369A (zh) * | 2014-07-23 | 2014-10-08 | 武汉大学 | 一种无人机遥感影像建筑物三维损毁检测方法 |
CN104239885A (zh) * | 2014-09-05 | 2014-12-24 | 北京航天控制仪器研究所 | 一种基于无人机航拍的地震灾害损毁度评估方法 |
CN104268879A (zh) * | 2014-09-28 | 2015-01-07 | 民政部国家减灾中心 | 基于遥感多光谱图像的建筑物实物量损毁评估方法 |
CN105631892A (zh) * | 2016-02-23 | 2016-06-01 | 武汉大学 | 一种基于阴影和纹理特征的航空影像建筑物损毁检测方法 |
Non-Patent Citations (7)
Title |
---|
仲筱艳 等: "一种典型任务的多无人机协同任务分配算法研究", 《控制理论与应用》 * |
孙佳艺 等: "多无人机协同任务规划的数学模型", 《白城师范学院学报》 * |
朱毅 等: "多UAV协同任务规划研究", 《系统仿真学报》 * |
李爱农 等: "四川芦山"4·20"强烈地震核心区灾损遥感快速调查与评估", 《自然灾害学报》 * |
邓道靖 等: "基于并行GAPSO算法的多无人机协同任务规划", 《电光与控制》 * |
郭一汉 等: "基于GPU的实时图像拼接", 《计算机科学》 * |
陈景文 等: "基于U-net网络的航拍绝缘子检测", 《陕西科技大学学报》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110108257A (zh) * | 2019-05-20 | 2019-08-09 | 苏州中飞遥感技术服务有限公司 | 一种基于无人机航拍影像和静态规划图相匹配的展示方法 |
CN110175548A (zh) * | 2019-05-20 | 2019-08-27 | 中国科学院光电技术研究所 | 基于注意力机制和通道信息的遥感图像建筑物提取方法 |
CN110108257B (zh) * | 2019-05-20 | 2021-05-14 | 苏州中飞遥感技术服务有限公司 | 一种基于无人机航拍影像和静态规划图相匹配的展示方法 |
CN110175548B (zh) * | 2019-05-20 | 2022-08-23 | 中国科学院光电技术研究所 | 基于注意力机制和通道信息的遥感图像建筑物提取方法 |
CN110312085A (zh) * | 2019-06-06 | 2019-10-08 | 武汉易科空间信息技术股份有限公司 | 基于多个无人机航拍技术的图像融合方法及系统 |
CN110400323A (zh) * | 2019-07-30 | 2019-11-01 | 上海艾麒信息科技有限公司 | 一种自动抠图系统、方法以及装置 |
CN110400323B (zh) * | 2019-07-30 | 2020-11-24 | 上海艾麒信息科技股份有限公司 | 一种自动抠图系统、方法以及装置 |
CN110619282A (zh) * | 2019-08-26 | 2019-12-27 | 海南撰云空间信息技术有限公司 | 一种无人机正射影像建筑物自动提取方法 |
CN110781261A (zh) * | 2019-10-14 | 2020-02-11 | 西南交通大学 | 基于地理空间信息的建筑物损坏风险筛查方法及系统 |
CN110751639A (zh) * | 2019-10-16 | 2020-02-04 | 黑龙江地理信息工程院 | 一种基于深度学习的水稻倒伏智能评估定损系统及其评估定损方法 |
CN110844068A (zh) * | 2019-10-30 | 2020-02-28 | 北京理工大学 | 一种集群式小体积目标毁伤图像采集系统及其采集方法 |
CN111126183A (zh) * | 2019-12-09 | 2020-05-08 | 武汉大学 | 一种基于近地面影像数据的震后建筑物损毁检测方法 |
CN110889394A (zh) * | 2019-12-11 | 2020-03-17 | 安徽大学 | 基于深度学习UNet网络的水稻倒伏识别方法 |
CN111160199A (zh) * | 2019-12-23 | 2020-05-15 | 云南省交通规划设计研究院有限公司 | 一种基于高分辨率遥感影像的公路灾害信息检测方法 |
CN111126308A (zh) * | 2019-12-26 | 2020-05-08 | 西南交通大学 | 结合灾前和灾后遥感影像信息的损毁建筑物自动识别方法 |
CN111144335A (zh) * | 2019-12-30 | 2020-05-12 | 自然资源部国土卫星遥感应用中心 | 一种构建建筑物深度学习模型的方法及装置 |
CN111582102A (zh) * | 2020-04-28 | 2020-08-25 | 中国科学院空天信息创新研究院 | 一种遥感数据地物要素精细化分类方法及装置 |
CN111985355A (zh) * | 2020-08-01 | 2020-11-24 | 桂林理工大学 | 基于深度学习和云计算的遥感建筑物震害评估方法和系统 |
CN111985355B (zh) * | 2020-08-01 | 2022-09-27 | 桂林理工大学 | 基于深度学习和云计算的遥感建筑物震害评估方法和系统 |
CN114782846A (zh) * | 2022-06-20 | 2022-07-22 | 绵阳天仪空间科技有限公司 | 一种灾后救援引导系统及方法 |
CN114782826A (zh) * | 2022-06-20 | 2022-07-22 | 绵阳天仪空间科技有限公司 | 一种灾后建筑物的安全监测系统及方法 |
CN114821345A (zh) * | 2022-06-27 | 2022-07-29 | 绵阳天仪空间科技有限公司 | 一种基于遥感影像的灾后建筑物的安全检测系统及方法 |
CN114821345B (zh) * | 2022-06-27 | 2022-12-02 | 绵阳天仪空间科技有限公司 | 一种基于遥感影像的灾后建筑物的安全检测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109544579A (zh) | 一种利用无人机进行灾后损毁建筑物评估的方法 | |
US11869192B2 (en) | System and method for vegetation modeling using satellite imagery and/or aerial imagery | |
US20210199460A1 (en) | System and method enabling a collaborative 3d map data fusion platform and virtual world system thereof | |
CN113780296B (zh) | 基于多尺度信息融合的遥感图像语义分割方法及系统 | |
US20160379388A1 (en) | System and method for combining geographical and economic data extracted from satellite imagery for use in predictive modeling | |
CN107690840B (zh) | 无人机视觉辅助导航方法及系统 | |
CN108205797A (zh) | 一种全景视频融合方法及装置 | |
CN102959946A (zh) | 基于相关3d点云数据来扩充图像数据的技术 | |
EP3389014B1 (en) | Specularity determination from images | |
Hormese et al. | Automated road extraction from high resolution satellite images | |
US20220156636A1 (en) | Efficient flood waters analysis from spatio-temporal data fusion and statistics | |
US20230281913A1 (en) | Radiance Fields for Three-Dimensional Reconstruction and Novel View Synthesis in Large-Scale Environments | |
Li et al. | Photo-realistic simulation of road scene for data-driven methods in bad weather | |
US20220004740A1 (en) | Apparatus and Method For Three-Dimensional Object Recognition | |
CN114863380B (zh) | 车道线识别方法、装置及电子设备 | |
Michaelsen et al. | Stochastic reasoning for structural pattern recognition: An example from image-based UAV navigation | |
CN110298281A (zh) | 视频结构化方法、装置、电子设备及存储介质 | |
CN115019163A (zh) | 基于多源大数据的城市要素识别方法 | |
CN113343900A (zh) | 基于cnn与超像素结合的组合核遥感影像目标检测方法 | |
Kusetogullari et al. | Unsupervised change detection in landsat images with atmospheric artifacts: a fuzzy multiobjective approach | |
CN115410173B (zh) | 多模态融合的高精地图要素识别方法、装置、设备及介质 | |
Ardiansyah et al. | EagleEYE: Aerial edge-enabled disaster relief response system | |
He et al. | Sparse depth map upsampling with rgb image and anisotropic diffusion tensor | |
Xu | [Retracted] Application of Remote Sensing Image Data Scene Generation Method in Smart City | |
CN113514053A (zh) | 生成样本图像对的方法、装置和更新高精地图的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190329 |