CN109684910A - 一种网络检测输电线路地表环境变化的方法及系统 - Google Patents
一种网络检测输电线路地表环境变化的方法及系统 Download PDFInfo
- Publication number
- CN109684910A CN109684910A CN201811272106.1A CN201811272106A CN109684910A CN 109684910 A CN109684910 A CN 109684910A CN 201811272106 A CN201811272106 A CN 201811272106A CN 109684910 A CN109684910 A CN 109684910A
- Authority
- CN
- China
- Prior art keywords
- image
- transmission line
- time
- original image
- ground surface
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种网络检测输电线路地表环境变化的方法及系统,包括:获取数据输电线路所在地的原始图像和时间序列图像;将获取的原始图像和时间序列图像带入预先建立的全卷积网络预测模型得到所述原始图像和时间序列图像的当前地表元素特征图;将原始图像和所述当前地表元素特征图进行比对,确定所述输电线路地表环境是否发生变化,可在极短时间内成功提取裸地、建筑物、植被、道路以及阴影,准确率极高。
Description
技术领域
本发明涉及理论技术领域,具体涉及一种网络检测输电线路地表环境变化的方法及系统。
背景技术
传统的高分辨率遥感影像主要应用方式为目视解译,即通过判图人员沿输电通道、逐个区域进行地面目标人工判读,最终给出地表覆盖、变化等地表目标属性的获取,再此基础上进一步做出输电通道风险评估决策。这种纯人工方式往往过度依赖判图人员的解译经验,无法实现统一解译标准。在针对长距离输电通道环境检测任务时,该方式需要投入大量解译工作,实效性往往难以保证要求。在高分辨率影像智能分析领域,很多研究都将应用自动分类等模式识别技术,部分实现自动/半自动解译。然而自动解译成果往往由于精度不足无法实际应用。
发明内容
为了解决现有技术中所存在的问题,本发明提供一种网络检测输电线路地表环境变化的方法及系统。
本发明提供的技术方案是:
一种网络检测输电线路地表环境变化的方法,其特征在于,所述方法包括:
获取数据输电线路所在地的原始图像和时间序列图像;
将获取的原始图像和时间序列图像带入预先建立的全卷积网络预测模型得到所述原始图像和时间序列图像的当前地表元素特征图;
将原始图像和所述当前地表元素特征图进行比对,确定所述输电线路地表环境是否发生变化。
优选的,所述全卷积网络预测模型的建立,包括:
基于所述历史地表的原始图像和时间序列图像划分为训练集和验证集;
将训练集中的原始图像和时间序列图像进行融合;
基于所述融合后的图像与通过卷积、池化和反卷积得到的元素特征图与所述时间序列图像的特征进行映射;
基于所述映射关系建立所述全卷积网络预测模型。
优选的,所述将获取的原始图像和时间序列图像带入预先建立的全卷积网络预测模型得到所述原始图像和时间序列图像的当前地表的元素特征图,包括:
将所述原始图像和时间序列图像进行融合;
基于融合后的图像获取RGB、灰度图和边缘检测图,并进行卷积和池化得到对应的三张热图;
对所述三张热图加权叠加合并成一张热图,对所述热图进行反卷积获得当前地表的元素特征图。
优选的,所述基于所述映射关系建立所述全卷积网络预测模型,还包括:全卷积网络预测模型的损失函数,计算式如下:
式中,C表示预测的元素特征个数;wij表示输电线路所在地原始图像的第i个卷积层的第j个卷积特征;b为偏置;zi表示全卷积网络输电线路所在地原始图像的第i个卷积输出;ai表示每个像素点的元素特征值;yi表示每个像素点真实的特征值。
优选的,所述全卷积网络预测模型的建立,还包括:全卷积网络预测模型的验证;
将所述验证集带入所述全卷积网络预测模型,得到验证集原始图像和时间序列图像的元素特征图;
基于所述元素特征图与验证集的地表图像对比,计算召回率和精度;
基于所述回率和精度得到计算评价指标值;
基于所述召回率、精度和评价指标值对所述全卷积网络预测模型进行验证,并。
优选的,所述召回率的计算式如下:
式中,recall为召回率。
优选的,所述精度的计算式如下:
式中,precision为召精度。
优选的,所述综合评价指标计算式如下:
式中,F1为综合评价指标;precision为精度;recall为召回率。
优选的,所述地表元素特征,包括:
裸地、建筑物、植被、道路以及阴影。
一种网络检测输电线路地表环境变化的系统,所述系统包括:
获取模块:用于获取数据输电线路所在地的原始图像和时间序列图像;
预测模块:用于将获取的原始图像和时间序列图像带入预先建立的全卷积网络预测模型得到所述原始图像和时间序列图像的当前地表元素特征图;
对比模块:用于将原始图像和所述当前地表元素特征图进行比对,确定所述输电线路地表环境是否发生变化。
优选的,所述预测模块,还包括:模型建立单元;
所述模型建立单元,用于基于所述历史地表的原始图像和时间序列图像划分为训练集和验证集;
将训练集中的原始图像和时间序列图像进行融合;
基于所述融合后的图像与通过卷积、池化和反卷积得到的元素特征图与所述时间序列图像的特征进行映射;
基于所述映射关系建立所述全卷积网络预测模型。
与现有技术相比,本发明的有益效果为:
一种网络检测输电线路地表环境变化的方法及系统,获取数据输电线路所在地的原始图像和时间序列图像;将获取的原始图像和时间序列图像带入预先建立的全卷积网络预测模型得到所述原始图像和时间序列图像的当前地表元素特征图;将原始图像和所述当前地表元素特征图进行比对,确定所述输电线路地表环境是否发生变化,可在极短时间内成功提取裸地、建筑物、植被、道路以及阴影,准确率极高。
附图说明
图1为本发明的网络检测输电线路地表环境变化的方法流程图;
图2为本发明的基于时间序列多尺度特征融合的全卷积网络预测模型结构图;
图3为本发明的训练集数据图;
图4为本发明的训练集数据对应的标签数据图;
图5为本发明的预测数据结果示意图;
图6为本发明的结果混淆矩阵图。
具体实施方式
为了更好地理解本发明,下面结合说明书附图和实例对本发明的内容做进一步的说明。
如图1所示,具体步骤为:
步骤一:获取数据输电线路所在地的原始图像和时间序列图像;
步骤二:将获取的原始图像和时间序列图像带入预先建立的全卷积网络预测模型得到所述原始图像和时间序列图像的当前地表元素特征图;
步骤三:将原始图像和所述当前地表元素特征图进行比对,确定所述输电线路地表环境是否发生变化。
实施例1
步骤一:获取数据输电线路所在地的原始图像和时间序列图像;
首先,对输电通道范围内的地表高分辨率遥感图像进行分割,调整成合适的尺寸来适应网络结构。为了加快全卷积网络对于地物类型的提取速度,本方法先采用KNN对分割出的图像进行分类筛选,剔除掉有云或阴影区域图像来减少全卷积网络对非地物类别图像的处理时间。其中全卷积网络中有5个2x2的下采样层。全卷积网络有5个下采样层,每个下采样层之前有若干个卷积层,最后一层的输出图像为热图(heat map)。全卷积网络有三种不同的特征融合方式,将FCN-16s的特征图进行2倍上采样,与第三次池化层输出的特征图进行融合,再进行8倍上采样的方法叫做FCN-8s,本方法采用基于时间序列多尺度特征融合的FCN-8s进行数据的训练及后续的预测,如图2所示。
步骤二:将获取的原始图像和时间序列图像带入预先建立的全卷积网络预测模型得到所述原始图像和时间序列图像的当前地表元素特征图;
基于时间序列多尺度特征融合的FCN-8s的输入数据为:原始图像与时间序列图像,其中时间序列图像为多时相下的土地利用变化,可通过人工目视解译获得。利用原始图像与时间序列图像进行融合操作后,将融合影像作为网络的输入端,通过卷积与池化的操作可得到最终的预测图像。
模型在预测时,同时读入RGB、灰度图和边缘检测图,三个卷积通道分别对RGB、灰度图和边缘检测图进行特征采样,在卷积通道的末端输出三张热图,将这三张热图进行加权叠加,合并成一张热图后输入到反卷积通道,采用基于时间序列的FCN-8s的特征融合方式,对热图和下采样图进行特征融合,之后通过上采样输出一张结果图。
本方法采用softmax交叉熵函数作为模型的损失函数,其数学表达式如式(1)所示:
其中:wij表示第i个神经元的第j个权重;b为偏置;zi表示该网络的第i个输出;ai表示softmax的输出值,即对应了每个像素点的预测值;yi表示真实的分类结果,即每个像素点的标签值;训练过程中加入了Dropout,目的是使模型在每次训练时随机让某些隐藏层节点不工作,这种方法可以有效的减少每次训练迭代中参数的个数,防止过拟合现象的发生。
步骤三:将原始图像和所述当前地表元素特征图进行比对,确定所述输电线路地表环境是否发生变化。
基于原始图像和输电线路当前地表原图像进行对比确定输电线路当前地表的裸地、建筑物、植被、道路以及阴影。
实施例2
本次实验采取Linux下的Tensorflow机器学习框架,使用Anaconda软件进行程序编写,实验平台的配置如下:CPU为Inter Xeon E5-2650 3.5GHz,GPU为Nvidia Tesla K80。
在深度学习的分类算法中,训练集的质量直接决定了训练出来模型的好坏。训练集分为原始图像(包括RGB、Gary及特征图像)和与之对应的标签图像。根据手动划分的矢量文件制作标签图像,具体标签的RGB值如表所示。为了节省内存并适应网络结构,将训练图片裁剪成256*256的图片进行训练,本次实验共选取10000对原始图像和标签图像,其中训练集为8000对,验证集为2000对,且训练集和测试集不重复,如图3和图4所示。
表一地物类别的RGB值
其中预测数据集运算耗时在2分钟内,如图5所示。在精度方面,预测集数据与验证数据的对比结果为,像素级精度(Pixcel Accuracy)在0.931880,而IoU值在(Intersectionover Union)0.743998,表2为各地物类别的精度指标,如图6所示。结果数值表明利用该方法可较高精度地实现全自动的输电通道地表环境巡检业务的大范围开展。精度评价方面,针对于每一类的召回率(recall),精度(precision)和F1分数(F1-score)进行评价,计算公式如式(2)-式(4)。
表2各地物类别的精度指标
实施例3:
基于同一种发明构思,本发明还提供了一种网络检测输电线路地表环境变化的系统,所述系统包括:
获取模块:用于获取数据输电线路所在地的原始图像和时间序列图像;
预测模块:用于将获取的原始图像和时间序列图像带入预先建立的全卷积网络预测模型得到所述原始图像和时间序列图像的当前地表元素特征图;
对比模块:用于将原始图像和所述当前地表元素特征图进行比对,确定所述输电线路地表环境是否发生变化。
所述预测模块,还包括:模型建立单元;
所述模型建立单元,用于基于所述历史地表的原始图像和时间序列图像划分为训练集和验证集;
将训练集中的原始图像和时间序列图像进行融合;
基于所述融合后的图像与通过卷积、池化和反卷积得到的元素特征图与所述时间序列图像的特征进行映射;
基于所述映射关系建立所述全卷积网络预测模型。
所述模型建立单元,还包括:验证单元;
所述验证单元,用于将所述验证集带入所述全卷积网络预测模型,得到验证集原始图像和时间序列图像的元素特征图;
基于所述元素特征图与验证集的地表图像对比,计算召回率和精度;
基于所述回率和精度得到计算评价指标值;
基于所述召回率、精度和评价指标值对所述全卷积网络预测模型进行验证,并。
所述召回率的计算式如下:
式中,recall为召回率。
所述精度的计算式如下:
式中,precision为召精度。
所述综合评价指标计算式如下:
式中,F1为综合评价指标;precision为精度;recall为召回率。
所述预测模块,包括:融合单元、热图单元和特征图单元;
所述融合单元,用于将所述原始图像和时间序列图像进行融合;
所述热图单元,用于基于融合后的图像获取RGB、灰度图和边缘检测图,并进行卷积和池化得到对应的三张热图;
所述特征图单元,用于对所述三张热图加权叠加合并成一张热图,对所述热图进行反卷积获得当前地表的元素特征图。
所述预测单元,还包括函数单元;
所述函数单元,包括全卷积网络预测模型的损失函数,计算式如下:
式中,C表示预测的元素特征个数;wij表示输电线路所在地原始图像的第i个卷积层的第j个卷积特征;b为偏置;zi表示全卷积网络输电线路所在地原始图像的第i个卷积输出;ai表示每个像素点的元素特征值;yi表示每个像素点真实的特征值。
对比模块,包括:采集单元、对比单元和确定单元;
所述采集单元,用于采集所述原始图像的特征;
所述对比单元,用于基于所述原始图像的特征图与所述当前地表元素特征图进行特征对比;
所述确定单元,用于基于所述对比结果确定当前地表是否新增裸地、建筑物、植被、道路以及阴影。
显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (11)
1.一种网络检测输电线路地表环境变化的方法,其特征在于,所述方法包括:
获取数据输电线路所在地的原始图像和时间序列图像;
将获取的原始图像和时间序列图像带入预先建立的全卷积网络预测模型得到所述原始图像和时间序列图像的当前地表元素特征图;
将原始图像和所述当前地表元素特征图进行比对,确定所述输电线路地表环境是否发生变化。
2.如权利要求1所述的网络检测输电线路地表环境变化的方法,其特征在于,所述全卷积网络预测模型的建立,包括:
基于所述历史地表的原始图像和时间序列图像划分为训练集和验证集;
将训练集中的原始图像和时间序列图像进行融合;
基于所述融合后的图像与通过卷积、池化和反卷积得到的元素特征图与所述时间序列图像的特征进行映射;
基于所述映射关系建立所述全卷积网络预测模型。
3.如权利要求2所述的网络检测输电线路地表环境变化的方法,其特征在于,所述将获取的原始图像和时间序列图像带入预先建立的全卷积网络预测模型得到所述原始图像和时间序列图像的当前地表的元素特征图,包括:
将所述原始图像和时间序列图像进行融合;
基于融合后的图像获取RGB、灰度图和边缘检测图,并进行卷积和池化得到对应的三张热图;
对所述三张热图加权叠加合并成一张热图,对所述热图进行反卷积获得当前地表的元素特征图。
4.如权利要求2所述的网络检测输电线路地表环境变化的方法,其特征在于,所述基于所述映射关系建立所述全卷积网络预测模型,还包括:全卷积网络预测模型的损失函数,计算式如下:
式中,C表示预测的元素特征个数;wij表示输电线路所在地原始图像的第i个卷积层的第j个卷积特征;b为偏置;zi表示全卷积网络输电线路所在地原始图像的第i个卷积输出;ai表示每个像素点的元素特征值;yi表示每个像素点真实的特征值。
5.如权利要求2所述的网络检测输电线路地表环境变化的方法,其特征在于,所述全卷积网络预测模型的建立,还包括:全卷积网络预测模型的验证;
将所述验证集带入所述全卷积网络预测模型,得到验证集原始图像和时间序列图像的元素特征图;
基于所述元素特征图与验证集的地表图像对比,计算召回率和精度;
基于所述回率和精度得到计算评价指标值;
基于所述召回率、精度和评价指标值对所述全卷积网络预测模型进行验证,并。
6.如权利要求5所述的网络检测输电线路地表环境变化的方法,其特征在于,所述召回率的计算式如下:
式中,recall为召回率。
7.如权利要求5所述的网络检测输电线路地表环境变化的方法,其特征在于,所述精度的计算式如下:
式中,precision为召精度。
8.如权利要求5所述的网络检测输电线路地表环境变化的方法,其特征在于,所述综合评价指标计算式如下:
式中,F1为综合评价指标;precision为精度;recall为召回率。
9.如权利要求1所述的网络检测输电线路地表环境变化的方法,其特征在于,所述地表元素特征图,包括:
裸地、建筑物、植被、道路以及阴影。
10.一种网络检测输电线路地表环境变化的系统,其特征在于,所述系统包括:
获取模块:用于获取数据输电线路所在地的原始图像和时间序列图像;
预测模块:用于将获取的原始图像和时间序列图像带入预先建立的全卷积网络预测模型得到所述原始图像和时间序列图像的当前地表元素特征图;
对比模块:用于将原始图像和所述当前地表元素特征图进行比对,确定所述输电线路地表环境是否发生变化。
11.如权利要求10所述的网络检测输电线路地表环境变化的系统,其特征在于,所述预测模块,还包括:模型建立单元;
所述模型建立单元,用于基于所述历史地表的原始图像和时间序列图像划分为训练集和验证集;
将训练集中的原始图像和时间序列图像进行融合;
基于所述融合后的图像与通过卷积、池化和反卷积得到的元素特征图与所述时间序列图像的特征进行映射;
基于所述映射关系建立所述全卷积网络预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811272106.1A CN109684910A (zh) | 2018-10-30 | 2018-10-30 | 一种网络检测输电线路地表环境变化的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811272106.1A CN109684910A (zh) | 2018-10-30 | 2018-10-30 | 一种网络检测输电线路地表环境变化的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109684910A true CN109684910A (zh) | 2019-04-26 |
Family
ID=66185742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811272106.1A Pending CN109684910A (zh) | 2018-10-30 | 2018-10-30 | 一种网络检测输电线路地表环境变化的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109684910A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008604A (zh) * | 2019-12-09 | 2020-04-14 | 上海眼控科技股份有限公司 | 预测图像获取方法、装置、计算机设备和存储介质 |
WO2020248847A1 (zh) * | 2019-06-14 | 2020-12-17 | 平安科技(深圳)有限公司 | 智能心脏疾病检测方法、装置及计算机可读存储介质 |
CN113744220A (zh) * | 2021-08-25 | 2021-12-03 | 中国科学院国家空间科学中心 | 一种基于pynq的无预选框检测系统 |
CN115984273A (zh) * | 2023-03-20 | 2023-04-18 | 深圳思谋信息科技有限公司 | 道路病害检测方法、装置、计算机设备及可读存储介质 |
-
2018
- 2018-10-30 CN CN201811272106.1A patent/CN109684910A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020248847A1 (zh) * | 2019-06-14 | 2020-12-17 | 平安科技(深圳)有限公司 | 智能心脏疾病检测方法、装置及计算机可读存储介质 |
CN111008604A (zh) * | 2019-12-09 | 2020-04-14 | 上海眼控科技股份有限公司 | 预测图像获取方法、装置、计算机设备和存储介质 |
CN113744220A (zh) * | 2021-08-25 | 2021-12-03 | 中国科学院国家空间科学中心 | 一种基于pynq的无预选框检测系统 |
CN113744220B (zh) * | 2021-08-25 | 2024-03-26 | 中国科学院国家空间科学中心 | 一种基于pynq的无预选框检测系统 |
CN115984273A (zh) * | 2023-03-20 | 2023-04-18 | 深圳思谋信息科技有限公司 | 道路病害检测方法、装置、计算机设备及可读存储介质 |
CN115984273B (zh) * | 2023-03-20 | 2023-08-04 | 深圳思谋信息科技有限公司 | 道路病害检测方法、装置、计算机设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110136170B (zh) | 一种基于卷积神经网络的遥感影像建筑物变化检测方法 | |
CN108334847B (zh) | 一种真实场景下的基于深度学习的人脸识别方法 | |
CN109684910A (zh) | 一种网络检测输电线路地表环境变化的方法及系统 | |
CN110069972A (zh) | 自动探测真实世界物体 | |
CN110517487B (zh) | 基于热力图变化识别的城市区域交通资源调控方法及系统 | |
CN109711288A (zh) | 基于特征金字塔和距离约束fcn的遥感船舶检测方法 | |
CN109615611A (zh) | 一种基于巡检影像的绝缘子自爆缺陷检测方法 | |
CN109993734A (zh) | 用于输出信息的方法和装置 | |
CN106408015A (zh) | 基于卷积神经网络的岔路口识别及深度估计方法 | |
CN108182724B (zh) | 一种高精度城市热岛检测方法、设备及存储设备 | |
CN110443862A (zh) | 基于无人机的岩性填图方法及系统、电子设备 | |
CN115409069A (zh) | 村镇建筑的识别方法、分类方法、装置、电子设备和介质 | |
CN109272487A (zh) | 一种基于视频的公共区域内人群的数量统计方法 | |
CN109935080A (zh) | 一种交通线路上的车流量实时计算的监测系统及方法 | |
CN111598942A (zh) | 一种用于对电力设施仪表进行自动定位的方法及系统 | |
CN104820826B (zh) | 一种基于数字高程模型的坡形提取与识别方法 | |
CN113033516A (zh) | 对象识别统计方法及装置、电子设备、存储介质 | |
CN109035223A (zh) | 一种用于卫星遥感图像可用度的智能评估方法 | |
Shirowzhan et al. | Developing metrics for quantifying buildings’ 3D compactness and visualizing point cloud data on a web-based app and dashboard | |
CN107657262A (zh) | 一种计算机自动分类精度评价方法 | |
CN115861816A (zh) | 一种立体低涡识别方法、装置、存储介质及终端 | |
CN105023016B (zh) | 基于压缩感知分类的目标感知方法 | |
CN113514053A (zh) | 生成样本图像对的方法、装置和更新高精地图的方法 | |
Song | The Fine Design Strategy of Urban Streets Using Deep Learning with the Assistance of the Internet of Things | |
CN116052088B (zh) | 基于点云的活力空间测度方法、系统及计算机设备 |
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 |