CN111340001B - 一种基于遥感影像深度学习的交通拥堵识别方法 - Google Patents

一种基于遥感影像深度学习的交通拥堵识别方法 Download PDF

Info

Publication number
CN111340001B
CN111340001B CN202010214226.7A CN202010214226A CN111340001B CN 111340001 B CN111340001 B CN 111340001B CN 202010214226 A CN202010214226 A CN 202010214226A CN 111340001 B CN111340001 B CN 111340001B
Authority
CN
China
Prior art keywords
intersection
congestion
remote sensing
year
sensing image
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.)
Active
Application number
CN202010214226.7A
Other languages
English (en)
Other versions
CN111340001A (zh
Inventor
崔巍
颜语忻
杨建飞
欧阳元俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202010214226.7A priority Critical patent/CN111340001B/zh
Publication of CN111340001A publication Critical patent/CN111340001A/zh
Application granted granted Critical
Publication of CN111340001B publication Critical patent/CN111340001B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
    • G06V20/38—Outdoor scenes

Abstract

本发明涉及卫星遥感图像处理与应用技术，具体涉及一种基于遥感影像深度学习的交通拥堵识别方法，使用高空间分辨率遥感影像作为交叉口样本集和所研究地段交叉口图像的数据源进行基于CNN卷积神经网络的拥堵识别与分类；根据出现拥堵的交叉口年份与其拥堵状态出现概率，获得常年拥堵的交叉口；包括如下步骤：数据获取；数据预处理；样本切割；建立拥堵分类体系并完成交叉口数据集制作；在TensorFlow上构建CNN模型并训练；应用模型分类研究地段的多时相交叉口状态；输出机器分类结果和指定交叉口年份拥堵率变化折线图。该方法采用获取遥感影像数据和建立神经网络模型的方式以更低廉的成本、更高效的手段识别城市大区域路网交叉口的交通拥堵状态。

Description

一种基于遥感影像深度学习的交通拥堵识别方法
技术领域
本发明属于卫星遥感图像处理与应用技术领域，尤其涉及一种基于遥感影像深度学习的交通拥堵识别方法。
背景技术
交通拥堵是近些年关注度较高的城市问题，道路拥挤和行车困难现象是国内外各大城市所面临并亟待解决的问题，交叉口是解决交通拥堵问题的重要部分。道路交通运行状态，尤其交叉口交通状态的获取与拥堵状态的识别是关键。
目前国内外对道路交通状态的研究多使用GPS技术、车载自组织网络技术等，也有一部分使用图像监控的识别技术，但由于其获取门槛高、成本大而使用受限。
发明内容
本发明的目的是提供一种基于遥感影像深度学习的交通拥堵识别方法。
为实现上述目的，本发明采用的技术方案是：一种基于遥感影像深度学习的交通拥堵识别方法，使用高空间分辨率遥感影像作为交叉口样本集和所研究地段交叉口图像的数据源进行基于CNN卷积神经网络的拥堵识别与分类；根据出现拥堵的交叉口年份与其拥堵状态出现概率，获得常年拥堵的交叉口；包括以下步骤：
步骤1、获取高空间分辨率遥感影像数据；
步骤2、对获取的遥感影像数据进行预处理；
步骤3、样本切割；
步骤4、确立拥堵分类体系，制作交叉口样本数据集；
步骤5、CNN模型训练与验证：采用交叉验证的方法，将交叉口样本打乱后以一定比例随机选取训练集与验证集；
步骤6、在TensorFlow上构建CNN网络模型并训练；输入交叉口样本数据集；加入正则化和dropout方法进行训练；保存模型文件和训练过程中的日志文件；
步骤7、输出训练好的CNN模型用于所研究区域的多时相交叉口状态；
步骤8、输出机器识别拥堵分类结果和指定交叉口年份拥堵率变化拆线图，分别保存于文本文件和图片文件中。
在上述的基于遥感影像深度学习的交通拥堵识别方法中，步骤1所述高空间分辨率遥感影像数据包括城市中心区域高空间分辨率遥感影像及所研究区域的历年高空间分辨率遥感影像数据。
在上述的基于遥感影像深度学习的交通拥堵识别方法中，步骤3所述样本切割包括利用ArcGIS脚本对城市中心区域交叉口进行切割，并以ID加影像格式后缀名命名，得到一份交叉口样本图片集；利用ArcGIS脚本对所研究区域的遥感影像进行切割，ArcGIS中更换栅格年份底图而不更换矢量切割图层，得到所研究区域各交叉口的不同时相数据。
在上述的基于遥感影像深度学习的交通拥堵识别方法中，步骤3所述样本切割是利用Arcmap工具结合手动添加的脚本文件将研究需要的数据从原始影像中用掩膜提取的方式完成。
在上述的基于遥感影像深度学习的交通拥堵识别方法中，步骤4的实现包括根据文献标准建立拥堵分类体系；以拥堵分类体系为依据，采取人工解译方法，为交叉口样本数据集加上0或1标签，0表示拥堵、1表示畅通，完成对交叉口样本数据集制作。
在上述的基于遥感影像深度学习的交通拥堵识别方法中，步骤7的实现包括使用训练后得到的CNN模型，对完成切割后得到的所研究区域内各指定交叉口在各年限中的交叉口影像进行拥堵识别与分类。
在上述的基于遥感影像深度学习的交通拥堵识别方法中，步骤8的实现包括以下子步骤：
步骤8.1、机器识别拥堵分类结果包括获取分类结果中各指定交叉口在每年份的拥堵、非拥堵次数，计算指定交叉口每年的拥堵率，确立权重并根据每年拥堵率加权求和计算指定交叉口的拥堵率；若指定交叉口的拥堵率大于某一依实际情况指定的小于1大于0的数值，认定该交叉口为常年拥堵；
步骤8.2、完成分类后将各交叉口的各时相分类结果、各年份的拥堵次数与各年份的拥堵率、年份加权拥堵率保存于文本文件中；
步骤8.3、指定交叉口年份拥堵率变化拆线图包括根据指定交叉口每年的拥堵率，绘制该交叉口的拥堵率变化折线图；将折线图保存于图片文件中。
在上述的基于遥感影像深度学习的交通拥堵识别方法中，步骤8所述输出机器识别拥堵分类结果和指定交叉口年份拥堵率变化拆线图，利用Python语言及相关库函数实现。
本发明的有益效果：采用获取遥感影像数据和建立神经网络模型的方式可以以更低廉的成本、更高效的方式识别城市大区域路网交叉口的交通拥堵状态。
附图说明
图1为本发明一种基于遥感影像深度学习的交通拥堵识别方法的流程图；
图2为本发明实例intersection14的2016年-2019年交叉口影像与机器分类结果；
图3为本发明实例所研究区域内14个交叉口的拥堵率变化与年份折线图。
具体实施方式
下面结合附图对本发明的实施方式进行详细描述。
本实施例是在TensorFlow上建立一个CNN网络模型对城市道路交叉口遥感影像图片进行识别训练，并使用训练后的模型对不同时相的城市道路交叉口影像进行分类，根据出现拥堵的交叉口年份与其拥堵状态出现概率，获得常年拥堵的交叉口和各交叉口的拥堵率年变化情况。
本实施例是通过以下技术方案来实现的，如图1所示，一种基于遥感影像深度学习的交通拥堵识别方法，在TensorFlow上建立一个CNN网络模型对城市道路交叉口遥感影像图片进行识别训练，并使用训练后的模型对不同时相的城市道路交叉口影像进行分类，根据出现拥堵的交叉口年份与其拥堵状态出现概率，获得常年拥堵的交叉口。具体步骤如下：
数据获取：获取大量城市中心区域高空间分辨率遥感影像、本实施例所研究区域的多年高空间分辨率遥感影像。
数据预处理：对获取的遥感影像数据进行预处理。
样本切割：选取合适的切割尺度，切割时应突出中心为交叉口并能反映交通状态。利用ArcGIS脚本对大量城市中心区域交叉口进行切割，切出来的样本以ID加影像格式后缀名来命名，得到一份交叉口样本图片集。另利用ArcGIS脚本对所研究区域的遥感影像进行切割，ArcGIS中更换栅格年份底图而不更换矢量切割图层，得到所研究区域各交叉口的不同时相数据。
建立拥堵分类体系和交叉口样本图片分类：根据《城市道路交通拥堵评价指标体系》等相关文献标准，认为车辆密度高于50辆/千米/车道为拥堵。以拥堵分类体系为依据，采取人工解译方法，为交叉口样本数据集加上0(拥堵)、1(畅通)标签，完成对交叉口样本数据集制作。
CNN模型训练与验证准确率：采用交叉验证的方法，在样本中打乱后以一定比例随机选取训练集与验证集，训练集用于训练模型，验证集用来验证训练模型的准确率。在TensorFlow上构建一个CNN网络模型，将准备的样本集数据喂入。在训练过程中，注意加入正则化和dropout方法进行训练，防止过拟合。训练结束后保存模型文件和训练过程中的日志文件。
导出训练好的模型应用于所研究区域的多时相交叉口图片：使用训练后得到的CNN模型，对完成切割后得到的研究区域内各指定交叉口在各年限中的交叉口影像进行拥堵识别与分类。
输出机器识别分类结果：模型在对交叉口影像进行分类后，可获取分类结果中各指定交叉口在每年份的拥堵、非拥堵次数，并依此计算指定交叉口每年的拥堵率rn(n为年份号)，确立权重并根据每年拥堵率加权求和计算指定交叉口的拥堵率Ri(i为交叉口号)。若Ri大于某一依实际情况指定的小于1大于0的数值，认定该交叉口为常年拥堵。权重与年份相关，年份越近，权重越大。各参数间应满足如下所示关系：
R＝∑wnrn
∑wn＝1
wn+1＞wn
该步骤下，机器在完成分类后将把各交叉口的各时相分类结果、各年份的拥堵次数与各年份的拥堵率、年份加权拥堵率自动保存在文本文件中。
输出交叉口拥堵年限变化：根据指定交叉口每年的拥堵率，绘制该交叉口的拥堵率变化折线图。折线图横坐标为时间/年份，纵坐标为各交叉口的年份拥堵率。该步骤下，机器在完成分类后将把折线图自动保存在图片文件中。
具体实施时，S1，数据获取：获取大量城市中心区域高空间分辨率遥感影像、获取研究地段的高空间分辨率遥感影像。本实例使用的是截取自Google Earth客户端的影像数据，截取的视角高度约350m，空间分辨率约0.5m。选定的研究地段及时间年限为武汉市洪山区中南路区域、2016年-2019年间。
S2，数据预处理:对获取的遥感影像数据进行预处理，应包括几何校正、大气校正、裁剪处理等。由于本实例采用自Google Earth客户端获取的处理后数据，只需进行降噪和标准化等基本图像处理过程。
S3，样本切割：选取合适的切割尺度，切割时应突出中心为交叉口并能反映交通状态。利用ArcGIS脚本对大量城市中心区域交叉口进行切割，切出来的样本以ID加影像格式后缀名来命名，必要时可对切割后原始图像进行翻转以扩大样本数目，得到一份交叉口样本图片集。另利用ArcGIS脚本对所研究区域的遥感影像进行切割，ArcGIS中更换栅格年份底图而不更换矢量切割图层，切出来的样本存放在研究区域内不同交叉口的不同年份文件夹下，得到所研究区域各交叉口的不同时相数据。其中多时相交叉口数据保存的文件夹结构如下所示：
S4，建立拥堵分类体系：根据《城市道路交通拥堵评价指标体系》等相关文献标准，认为车辆密度高于50辆/千米/车道为拥堵。在交叉口样本图片集中应尽量选取典型的拥堵状态。以拥堵分类体系为依据，采取人工解译方法，为交叉口样本数据集加上0(拥堵)、1(畅通)标签，完成对交叉口样本数据集制作。
S5，CNN模型训练的数据预处理：采用交叉验证的方法，在样本中打乱后以一定比例随机选取训练集与验证集，训练集用于训练模型，验证集用来验证训练模型的准确率。本实例中选取总样本的80％作为训练集(train)而20％作为验证集(val)；并对交叉口数据集内图片大小进行调整：统一设置resize为100×100大小像素；以及图片的编码处理：将二维图片转化为图片矩阵和标签矩阵。
S6，在TensorFlow上构建CNN模型：本实例构建了一个简单的CNN网络模型，该网络由输入输出层、4个卷积层(每一层卷积层后均使用池化层)、3个全连接层构成。网络结构为input-layer→conv1→conv2→conv3→conv4→fc1→fc2→fc3→softmaxoutput-layer。
S7，TensorFlow反向传播训练网络参数的过程：深度学习框架TensorFlow反向传播的过程是自动完成的，但需要定义loss值以及训练时loss值大小的变化方向，选择梯度算法等。本实例中采用分数减缓的学习率，基础学习率0.001，滑动平均衰减率0.99。设置batch_size为16，迭代次数为1000。后将准备的样本集数据喂入神经网络，算法会自动更新网络中参数并往定义的loss方向改变参数。训练结束后保存模型文件和训练过程中的日志文件。在二分类问题上，简单的CNN模型取得了不错的分类效果。经过4000张样本的1000次迭代后，在训练集和验证集上模型准确率约为97％。
S8，应用模型识别分类所研究区域的多时相交叉口交通状态，输出机器分类结果：使用模型对交叉口影像进行分类后，可获取分类结果中各指定交叉口在每年份的拥堵、非拥堵次数，并依此计算指定交叉口每年的拥堵率rn(n为年份号)，确立权重并根据每年拥堵率加权求和计算指定交叉口的拥堵率Ri(i为交叉口号)。若Ri大于某一依实际情况指定的小于1大于0的数值，如本实例中取值0.8，即Ri＞0.8时认定该交叉口为常年拥堵。权重与年份相关，年份越近，权重越大，本实例中w各项分别取常数值为0.1、0.2、0.3、0.4。各参数间应满足如下关系式：
w2019＞w2018＞w2017＞w2016
该步骤下，机器在完成分类后将把各交叉口的各时相分类结果、各年份的拥堵次数与各年份的拥堵率、年份加权拥堵率自动保存在文本文件中。以研究区域内编号为14的交叉口为例：如图2所示，
S9，应用模型识别分类所研究区域的多时相交叉口交通状态，输出交叉口拥堵年限变化折线图：根据指定交叉口每年的拥堵率，绘制该交叉口的拥堵率变化折线图。折线图横坐标为时间/年份，纵坐标为各交叉口的年份拥堵率。该步骤下，机器在完成分类后将把折线图自动保存在图片文件中，如图3所示。
本实施例采用遥感技术获取交通影像图片，不仅可以降低数据获取成本，而且遥感影像具有获取周期短、对象区域广、数据准确等优势。采用深度学习的方法，可以快速识别交叉口拥堵状态，提高拥堵识别效率，且具有较高的识别准确率。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
虽然以上结合附图描述了本发明的具体实施方式，但是本领域普通技术人员应当理解，这些仅是举例说明，可以对这些实施方式做出多种变形或修改，而不背离本发明的原理和实质。本发明的范围仅由所附权利要求书限定。

Claims (3)

1.一种基于遥感影像深度学习的交通拥堵识别方法，其特征是，使用高空间分辨率遥感影像作为交叉口样本集和所研究地段交叉口图像的数据源进行基于CNN卷积神经网络的拥堵识别与分类；根据出现拥堵的交叉口年份与其拥堵状态出现概率，获得常年拥堵的交叉口；包括以下步骤：
步骤1、获取高空间分辨率遥感影像数据；包括城市中心区域高空间分辨率遥感影像及所研究区域的历年高空间分辨率遥感影像数据；
步骤2、对获取的遥感影像数据进行预处理；采用自Google Earth客户端获取的处理后数据，进行降噪和标准化处理；
步骤3、样本切割；利用ArcGIS脚本对城市中心区域交叉口进行切割，并以ID加影像格式后缀名命名，得到一份交叉口样本图片集；利用ArcGIS脚本对所研究区域的遥感影像进行切割，ArcGIS中更换栅格年份底图而不更换矢量切割图层，得到所研究区域各交叉口的不同时相数据；
步骤4、确立拥堵分类体系，制作交叉口样本数据集；根据文献标准建立拥堵分类体系；以拥堵分类体系为依据，采取人工解译方法，为交叉口样本数据集加上0或1标签，0表示拥堵、1表示畅通，完成对交叉口样本数据集制作；
步骤5、CNN模型训练与验证：采用交叉验证的方法，将交叉口样本打乱后以一定比例随机选取训练集与验证集；
步骤6、在TensorFlow上构建CNN网络模型并训练；输入交叉口样本数据集；加入正则化和dropout方法进行训练；训练结束后保存模型文件和训练过程中的日志文件；
步骤7、输出训练好的CNN模型用于所研究区域的多时相交叉口图片；使用训练后得到的CNN模型，对完成切割后得到的研究区域内各指定交叉口在各年限中的交叉口影像进行拥堵识别与分类；
步骤8、输出机器识别拥堵分类结果和指定交叉口年份拥堵率变化拆线图，分别保存于文本文件和图片文件中；步骤8.1、机器识别拥堵分类结果包括获取分类结果中各指定交叉口在每年份的拥堵、非拥堵次数，计算指定交叉口每年的拥堵率，确立权重并根据每年拥堵率加权求和计算指定交叉口的拥堵率；若指定交叉口的拥堵率大于某一依实际情况指定的小于1大于0的数值，认定该交叉口为常年拥堵；
步骤8.2、完成分类后将各交叉口的各时相分类结果、各年份的拥堵次数与各年份的拥堵率、年份加权拥堵率保存于文本文件中；
步骤8.3、指定交叉口年份拥堵率变化拆线图包括根据指定交叉口每年的拥堵率，绘制该交叉口的拥堵率变化折线图；将折线图保存于图片文件中。
2.如权利要求1所述的基于遥感影像深度学习的交通拥堵识别方法，其特征是，步骤3所述样本切割是利用Arcmap工具结合手动添加的脚本文件将研究需要的数据从原始影像中用掩膜提取的方式完成。
3.如权利要求1所述的基于遥感影像深度学习的交通拥堵识别方法，其特征是，步骤8所述输出机器识别拥堵分类结果和指定交叉口年份拥堵率变化拆线图，利用Python语言及相关库函数实现。
CN202010214226.7A 2020-03-24 2020-03-24 一种基于遥感影像深度学习的交通拥堵识别方法 Active CN111340001B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010214226.7A CN111340001B (zh) 2020-03-24 2020-03-24 一种基于遥感影像深度学习的交通拥堵识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010214226.7A CN111340001B (zh) 2020-03-24 2020-03-24 一种基于遥感影像深度学习的交通拥堵识别方法

Publications (2)

Publication Number Publication Date
CN111340001A CN111340001A (zh) 2020-06-26
CN111340001B true CN111340001B (zh) 2023-10-10

Family

ID=71186117

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010214226.7A Active CN111340001B (zh) 2020-03-24 2020-03-24 一种基于遥感影像深度学习的交通拥堵识别方法

Country Status (1)

Country Link
CN (1) CN111340001B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114399900B (zh) * 2021-12-31 2023-03-21 黑龙江工程学院 一种基于遥感技术的智慧城市交通管理系统和方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855759A (zh) * 2012-07-05 2013-01-02 中国科学院遥感应用研究所 高分辨率卫星遥感交通流信息自动采集方法
CN104851296A (zh) * 2015-06-06 2015-08-19 薛青 一种基于遥感通信的路段拥堵程度检测方法
CN106297297A (zh) * 2016-11-03 2017-01-04 成都通甲优博科技有限责任公司 基于深度学习的交通拥堵判别方法
CN107480679A (zh) * 2017-04-20 2017-12-15 北京工业大学 基于卷积神经网络的分类和连通区域分析的路网提取方法
CN109241846A (zh) * 2018-08-06 2019-01-18 广州市城市规划勘测设计研究院 遥感影像的时空变化估测方法、装置与存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8750618B2 (en) * 2012-01-31 2014-06-10 Taif University Method for coding images with shape and detail information
US9965950B2 (en) * 2016-06-03 2018-05-08 Here Global B.V. Method and apparatus for classifying a traffic jam from probe data

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855759A (zh) * 2012-07-05 2013-01-02 中国科学院遥感应用研究所 高分辨率卫星遥感交通流信息自动采集方法
CN104851296A (zh) * 2015-06-06 2015-08-19 薛青 一种基于遥感通信的路段拥堵程度检测方法
CN106297297A (zh) * 2016-11-03 2017-01-04 成都通甲优博科技有限责任公司 基于深度学习的交通拥堵判别方法
CN107480679A (zh) * 2017-04-20 2017-12-15 北京工业大学 基于卷积神经网络的分类和连通区域分析的路网提取方法
CN109241846A (zh) * 2018-08-06 2019-01-18 广州市城市规划勘测设计研究院 遥感影像的时空变化估测方法、装置与存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
崔华.基于CNN深度学习模型的交通图像拥堵识别.科技创新与应用.2018,(第undefined期),第2、3节. *
张祎.基于交通指数的上海城市快速路网常发性拥堵时变特征分析.交通与运输（学术版）.2017,(第undefined期),第2、3节. *

Also Published As

Publication number Publication date
CN111340001A (zh) 2020-06-26

Similar Documents

Publication Publication Date Title
CN110796168B (zh) 一种基于改进YOLOv3的车辆检测方法
CN111814623A (zh) 一种基于深度神经网络的车辆车道偏离视觉检测方法
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
CN110728658A (zh) 一种基于深度学习的高分辨率遥感影像弱目标检测方法
CN112380921A (zh) 一种基于车联网的道路检测方法
CN110298227B (zh) 一种基于深度学习的无人机航拍图像中的车辆检测方法
CN112232371B (zh) 一种基于YOLOv3与文本识别的美式车牌识别方法
CN110263717A (zh) 一种融入街景影像的土地利用类别确定方法
CN115223063B (zh) 基于深度学习的无人机遥感小麦新品种倒伏面积提取方法及系统
CN111428558A (zh) 一种基于改进YOLOv3方法的车辆检测方法
CN111652075B (zh) 结合迁移学习的高分辨率卫星影像道路快速提取方法、系统
CN113591617B (zh) 基于深度学习的水面小目标检测与分类方法
CN113343858B (zh) 路网地理位置识别方法、装置、电子设备及存储介质
CN111539432A (zh) 一种利用众源数据辅助遥感影像提取城市道路的方法
CN111784017A (zh) 一种基于路况因素回归分析的公路交通事故数量预测方法
CN112749654A (zh) 一种用于视频大雾监测的深度神经网络模型构建方法、系统及装置
CN115393712B (zh) 基于动态混合池化策略的sar图像道路提取方法及系统
CN114913498A (zh) 一种基于关键点估计的并行多尺度特征聚合车道线检测方法
CN112950780A (zh) 一种基于遥感影像的网络地图智能生成方法及系统
CN111340001B (zh) 一种基于遥感影像深度学习的交通拥堵识别方法
CN111414878A (zh) 一种关于地块的社会属性分析、图像处理方法及装置
CN113469097B (zh) 一种基于ssd网络的水面漂浮物多相机实时检测方法
CN111242028A (zh) 基于U-Net的遥感图像地物分割方法
CN114385611A (zh) 一种基于人工智能算法和知识图谱的降水预测方法和系统
CN1252588C (zh) 高光谱遥感图像联合加权随机分类方法

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
GR01 Patent grant
GR01 Patent grant