CN112036265A - 道路施工进度跟踪方法、装置、设备及存储介质 - Google Patents

道路施工进度跟踪方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112036265A
CN112036265A CN202010814843.0A CN202010814843A CN112036265A CN 112036265 A CN112036265 A CN 112036265A CN 202010814843 A CN202010814843 A CN 202010814843A CN 112036265 A CN112036265 A CN 112036265A
Authority
CN
China
Prior art keywords
image
construction progress
images
progress state
construction
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
Application number
CN202010814843.0A
Other languages
English (en)
Inventor
王国强
罗天文
杨文锋
李囡囡
赵朝彬
董泽辉
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.)
River Water Conservancy And Hydropower Consulting Center
Guizhou Survey and Design Research Institute for Water Resources and Hydropower
Original Assignee
River Water Conservancy And Hydropower Consulting Center
Guizhou Survey and Design Research Institute for Water Resources and Hydropower
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 River Water Conservancy And Hydropower Consulting Center, Guizhou Survey and Design Research Institute for Water Resources and Hydropower filed Critical River Water Conservancy And Hydropower Consulting Center
Priority to CN202010814843.0A priority Critical patent/CN112036265A/zh
Publication of CN112036265A publication Critical patent/CN112036265A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06V20/182—Network patterns, e.g. roads or rivers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种道路施工进度跟踪方法、装置、设备及存储介质，属于水利水电工程与管理技术领域，其中，方法包括：根据监督分类方法构建无人机航摄影像分类对象解译模型，根据多个特征样本对无人机影像解译模型进行训练，得到训练好的分类对象解译模型；获取无人机按照预设路线拍摄的带有地理空间坐标信息的多个航飞影像；对多个航飞影像进行影像镶嵌，得到镶嵌影像；从镶嵌影像中提取待跟踪施工路段的影像；对待跟踪施工路段的影像进行分割，得到多个影像块；将多个影像块输入训练好的分类对象解译模型进行分类，根据分类结果判断待跟踪施工路段的施工进度状态。本发明能够节省人力资源、时间以及大大提高效率，随时跟踪道路的施工进度状态。

Description

道路施工进度跟踪方法、装置、设备及存储介质
技术领域
本发明涉及水利水电工程与管理技术领域，尤其是涉及一种道路施工进度跟踪方法、装置、设备及存储介质。
背景技术
道路工程项目是一项复杂的、长期的项目工程，而且容易受到多个方面因素的影响，道路工程项目管理包含了各个层面的事项。其中，施工进度的跟踪在整个道路工程中占据很重要的地位，因为道路工程的施工进度直接关系到道路工程的完成时间，通过判断道路工程的施工进度状态可以预期道路工程的完成时间，并及时调整工程计划，保证在预定工期内完成建设；而是否能在预定期限内完成工程建设，会直接影响到投资商和开发商的利益。
目前，通常采用人工方式判断道路工程的施工进度，由于施工道路较长，因此需要耗费较多的人力资源和时间，不能及时跟踪道路的施工进度状态，从而影响道路工程的顺利完成。
发明内容
本发明目的一是提供一种道路施工进度跟踪方法，能够节省人力资源和时间，随时跟踪道路的施工进度状态。
本发明的上述发明目的一是通过以下技术方案得以实现的：
根据监督分类方法构建无人机影像解译模型，根据多个特征样本对所述无人机影像解译模型进行训练，得到训练好的无人机影像解译模型；
获取无人机按照预设路线拍摄的带有地理空间坐标信息的多个航飞影像；
对所述多个航飞影像进行影像镶嵌，得到镶嵌影像；
从所述镶嵌影像中提取待跟踪施工路段的影像；
对所述待跟踪施工路段的影像进行分割，得到多个影像块；
将所述多个影像块输入到所述训练好的分类对象解译模型中进行分类，根据分类结果判断所述待跟踪施工路段的施工进度状态。
通过采用上述技术方案，通过无人机航拍和监督分类方法可以简单方便地判断待跟踪施工路段的施工进度状态，便于判断道路工程是否能够在预定的期限之内完成，相比于传统的人工方式，能够节省人力资源和时间，保证道路工程的顺利完成，保障投资商和开发商的利益。
优选的，所述根据监督分类方法构建无人机影像解译模型，根据所述多个特征样本对所述无人机影像解译模型进行训练，得到训练好的分类对象解译模型，包括：
将所述多个特征样本按照多种施工进度状态进行分类，构成每种施工进度状态的特征样本规则集；
分别计算每种施工进度状态的特征样本规则集中每个特征样本的特征均值向量；
分别计算每种施工进度状态的特征样本规则集的均值向量；
设置所述每种施工进度状态的特征样本规则集的分类阈值，根据所述每种施工进度状态的特征样本规则集中每个特征样本的均值向量、所述每种施工进度状态的特征样本规则集的均值向量以及分类阈值，通过最小距离法进行分类；
根据分类结果调整每种施工进度状态的特征样本集的分类阈值。
通过采用上述技术方案，对无人机影像解译模型进行训练，使模型误差最小化，从而使分类结果更准确，通过最小距离法进行分类，计算速度快，分类效率高。
优选的，所述对所述多个航飞影像进行影像镶嵌，得到镶嵌影像，包括：
分别对所述多个航飞影像中每个航飞影像进行几何纠正，使每个航飞影像均处于同一坐标系；
从所述多个航飞影像中选取一基准影像，将其它航飞影像以所述基准影像为基准进行影像镶嵌；
根据所述无人机的航向重叠度判断影像镶嵌后的相邻两个航飞影像的重叠部分；
所述相邻两个航飞影像的重叠部分的特征像素值取平均值，将所述平均值作为所述镶嵌影像中所述相邻两个航飞影像的重叠部分的特征像素值。
通过采用上述技术方案，可以将无人机拍摄的多个航飞影像进行影像镶嵌，获得单一航飞影像所无法得到的更大覆盖范围的影像，实现对整个待跟踪施工道路的影像覆盖。
优选的，所述从所述镶嵌影像中提取待跟踪施工路段的影像，包括：
获取所述待跟踪施工路段的矢量图，将所述矢量图与所述镶嵌影像进行叠加，通过矢量线提取所述待跟踪施工路段的影像。
通过采用上述技术方案，通过矢量数据与镶嵌影像进行叠加，准确地将待跟踪施工路段的影像从镶嵌影像中提取出来。
优选的，所述根据分类结果判断所述待跟踪施工路段的施工进度状态，包括：
按照所述地理空间信息将属于同一施工进度状态的影像块进行合并显示，每种施工进度状态显示不同的颜色。
通过采用上述技术方案，便于区分待跟踪施工路段所处的施工进度状态。
本发明目的二是提供一种道路施工进度跟踪装置，能够节省人力资源和时间，随时跟踪道路的施工进度状态。
本发明的上述目的二是通过以下技术方案得以实现的：
一种道路施工进度跟踪装置，包括：
训练模块，用于根据监督分类方法构建无人机影像解译模型，根据多个特征样本对所述无人机影像解译模型进行训练，得到训练好的无人机影像解译模型；
获取模块，用于获取无人机按照预设路线拍摄的带有地理空间坐标信息的多个航飞影像；
镶嵌模块，用于对所述多个航飞影像进行影像镶嵌，得到镶嵌影像；
提取模块，用于从所述镶嵌影像中提取待跟踪施工路段的影像；
分割模块，用于对所述待跟踪施工路段的影像进行分割，得到多个影像块；以及
分类模块，用于将所述多个影像块输入到所述训练好的分类对象解译模型中进行分类，根据分类结果判断所述待跟踪施工路段的施工进度状态。
通过采用上述技术方案，通过无人机航拍和监督分类方法可以简单方便地判断待跟踪施工路段的施工进度状态，便于判断道路工程是否能够在预定的期限之内完成，相比于传统的人工方式，能够节省人力资源和时间，保证道路工程的顺利完成，保障投资商和开发商的利益。
优选的，所述训练模块，具体用于将所述多个特征样本按照多种施工进度状态进行分类，构成每种施工进度状态的特征样本规则集；分别计算每种施工进度状态的特征样本规则集中每个特征样本的特征均值向量；分别计算每种施工进度状态的特征样本规则集的均值向量；设置所述每种施工进度状态的特征样本规则集的分类阈值，根据所述每种施工进度状态的特征样本规则集中每个特征样本的均值向量、所述每种施工进度状态的特征样本规则集的均值向量以及分类阈值，通过最小距离法进行分类；根据分类结果调整每种施工进度状态的特征样本集的分类阈值。
通过采用上述技术方案，对无人机影像解译模型进行训练，使模型误差最小化，从而使分类结果更准确，通过最小距离法进行分类，计算速度快，分类效率高。
优选的，所述镶嵌模块，具体用于分别对所述多个航飞影像中每个航飞影像进行几何纠正，使每个航飞影像均处于同一坐标系；从所述多个航飞影像中选取一基准影像，将其它航飞影像以所述基准影像为基准进行影像镶嵌；根据所述无人机的航向重叠度判断影像镶嵌后的相邻两个航飞影像的重叠部分；所述相邻两个航飞影像的重叠部分的特征像素值取平均值，将所述平均值作为所述镶嵌影像中所述相邻两个航飞影像的重叠部分的特征像素值。
通过采用上述技术方案，可以将无人机拍摄的多个航飞影像进行影像镶嵌，获得单一航飞影像所无法得到的更大覆盖范围的影像，实现对整个待跟踪施工道路的影像覆盖。
本发明目的三是提供一种计算机设备，能够节省人力资源和时间，随时跟踪道路的施工进度状态。
本发明的上述目的三是通过以下技术方案得以实现的：
一种计算机设备，包括存储器和处理器，所述存储器上存储有能够被所述处理器加载并执行上述任一种道路施工进度跟踪方法的计算机程序。
通过采用上述技术方案，通过无人机航拍和监督分类方法可以简单方便地判断待跟踪施工路段的施工进度状态，便于判断道路工程是否能够在预定的期限之内完成，相比于传统的人工方式，能够节省人力资源和时间，保证道路工程的顺利完成，保障投资商和开发商的利益。
本发明目的四是提供一种计算机可读存储介质，能够存储相应的程序，具有便于实现节省人力资源和时间，随时跟踪道路的施工进度状态的特点。
本发明的上述目的四是通过以下技术方案得以实现的：
一种计算机可读存储介质，存储有能够被处理器加载并执行上述任一种道路施工进度跟踪方法的计算机程序。
通过采用上述技术方案，通过无人机航拍和监督分类方法可以简单方便地判断待跟踪施工路段的施工进度状态，便于判断道路工程是否能够在预定的期限之内完成，相比于传统的人工方式，能够节省人力资源和时间，保证道路工程的顺利完成，保障投资商和开发商的利益。
附图说明
图1是本发明实施例一提供的道路施工进度跟踪方法的流程示意图。
图2是本发明实施例一中步骤S101的子步骤的流程示意图。
图3是本发明实施例二提供的道路施工进度跟踪装置的结构框图。
图4是本发明实施例三提供的计算机设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
实施例一
本实施例提供一种道路施工进度跟踪方法，如图1所示，该方法的主要流程描述如下(步骤S101～S106)：
步骤S101：根据监督分类方法构建无人机影像解译模型，根据多个特征样本对无人机影像解译模型进行训练，得到训练好的分类对象解译模型。
如图2所示，可选的，步骤S101包括以下子步骤(步骤S1011～S1015)：
步骤S1011：将多个特征样本按照多种施工进度状态进行分类，构成每种施工进度状态的特征样本规则集。获取无人机拍摄的多个包含施工路段的影像，每个施工路段均对应多个无人机影像，将属于同一施工路段的多个无人机影像进行影像镶嵌，然后从镶嵌后的影像中提取所属施工路段的影像，再对其进行影像分割，得到多个影像块，一个影像块即为一个特征样本。
将属于同一施工进度状态的特征样本构成该施工进度状态的特征样本集，其中，施工进度状态包括泥石路基、水稳层和柏油路面。
步骤S1012：分别计算每种施工进度状态的特征样本规则集中每个特征样本的特征均值向量。
一个特征样本中每一个像元都包含多个特征值，特征值可以包括图像特征值、形状指数和植被指数等，其中，图像特征值包括颜色特征值和纹理特征值等。
分别计算特征样本中所有像元的各特征值的均值，根据各特征值的均值构成特征样本的均值向量。假设一特征样本中各像元的图像特征值的均值为X1，形状指数的均值为X2，植被指数的均值为X3，则该特征样本的特征均值向量为(X1，X2，X3)。
步骤S1013：分别计算每种施工进度状态的特征样本规则集的均值向量。
例如，泥石路基状态的特征样本集包括特征样本A和特征样本B，特征样本A的特征均值向量为(XA1，XA2，XA3，……，XAn)，特征样本B的均值向量为(XB1，XB2，XB3，……，XBn)，则泥石路基状态的特征样本集的均值向量为
Figure BDA0002632310590000061
步骤S1014：设置每种施工进度状态的特征样本规则集的分类阈值，根据每种施工进度状态的特征样本规则集中每个特征样本的均值向量、每种施工进度状态的特征样本规则集的均值向量以及分类阈值，通过最小距离法进行分类。
分别计算每个特征样本的特征均值向量与每种施工进度状态的特征样本集的均值向量的欧式距离，若不满足所有施工进度状态的分类阈值，则该特征样本就采用人工解译的方法进行分类；若满足分类阈值，且该特征样本的均值向量与某个施工进度状态的特征样本集的均值向量的欧式距离最小，则该特征样本就归入到该施工进度状态中。
步骤S1015：根据分类结果调整每种施工进度状态的特征样本集的分类阈值。
所有特征样本都已知其所属施工进度状态，将特征样本通过最小距离法进行分类的分类结果与其真实结果做比较，调整对应的分类阈值。
步骤S102：获取无人机按照预设路线拍摄的带有地理空间坐标信息的多个航飞影像。
具体的，通过Pix4D对无人机拍摄的影像进行转换，从而生成带有地理空间坐标信息的航飞影像。
步骤S103：对多个航飞影像进行影像镶嵌，得到镶嵌影像；该步骤具体如下：
(1)分别对多个航飞影像中每个航飞影像进行几何纠正，使每个航飞影像均处于同一坐标系。
(2)从多个航飞影像中选取一基准影像，将其它航飞影像以基准影像为基准进行影像镶嵌。
(3)根据无人机的航向重叠度判断影像镶嵌后的相邻两个航飞影像的重叠部分。
(4)相邻两个航飞影像的重叠部分的特征像素值取平均值，将平均值作为镶嵌影像中相邻两个航飞影像的重叠部分的特征像素值。
可选的，还可以对相邻两个航飞影像的重叠部分进行色调调整，并消除相邻两个航飞影像的重叠部分的痕迹。具体可以采用Multiresolution Spline算法。
步骤S104：从镶嵌影像中提取待跟踪施工路段的影像。
可以通过CAD软件绘制待跟踪施工路段的CAD矢量图，将CAD矢量图和镶嵌影像导入GIS软件，通过GIS软件将CAD矢量图与镶嵌影像进行叠加，通过矢量线提取待跟踪施工路段的影像并输出。
还可以通过GIS软件绘制待跟踪施工路段的GIS矢量图，将镶嵌影像导入GIS软件，GIS软件将GIS矢量图与镶嵌影像进行叠加，通过矢量线提取待跟踪施工路段的影像并输出。
步骤S105：对待跟踪施工路段的影像进行分割，得到多个影像块。
按一定分割尺寸将待跟踪施工路段的影像进行分割，将分割后的影像块转成tif格式。
步骤S106：将多个影像块输入到训练好的分类对象解译模型中进行分类，根据分类结果判断待跟踪施工路段的施工进度状态。
通过易康(eCognition)软件，将tif格式的影像块输入到训练好的无人机影像解译模型中进行分类，将属于同一施工进度状态的影像块用同一种颜色进行显示，并且将属于同一施工进度状态的影像块的进行合并，直至全部影像块分类完成，分类完成后，显示不同的施工进度状态所属的区域，从而自动判断施工进度状态。
实施例二
为了更好地实施以上方法，本发明实施例提供了一种道路施工进度跟踪装置，该装置具体可以集成在道路施工进度跟踪设备中，例如终端或服务器等设备中，该终端可以包括平板电脑或台式电脑等设备。
图3为本发明实施例提供的一种道路施工进度跟踪装置的结构框图，如图3所示，该道路施工进度跟踪装置主要包括：
训练模块201，用于根据监督分类方法构建无人机影像解译模型，根据多个特征样本对分类对象解译模型进行训练，得到训练好的分类对象解译模型；
获取模块202，用于获取无人机按照预设路线拍摄的带有地理空间坐标信息的多个航飞影像；
镶嵌模块203，用于对多个航飞影像进行影像镶嵌，得到镶嵌影像；
提取模块204，用于从镶嵌影像中提取待跟踪施工路段的影像；
分割模块205，用于对待跟踪施工路段的影像进行分割，得到多个影像块；以及
分类模块206，用于将多个影像块输入到训练好的分类对象解译模型中进行分类，根据分类结果判断待跟踪施工路段的施工进度状态。
可选的，训练模块201，具体用于将多个特征样本按照多种施工进度状态进行分类，构成每种施工进度状态的特征样本规则集；分别计算每种施工进度状态的特征样本规则集中每个特征样本的特征均值向量；分别计算每种施工进度状态的特征样本规则集的均值向量；设置每种施工进度状态的特征样本规则集的分类阈值，根据每种施工进度状态的特征样本规则集中每个特征样本的均值向量、每种施工进度状态的特征样本规则集的均值向量以及分类阈值，通过最小距离法进行分类；根据分类结果调整每种施工进度状态的特征样本集的分类阈值。
可选的，镶嵌模块203，具体用于分别对多个航飞影像中每个航飞影像进行几何纠正，使每个航飞影像均处于同一坐标系；从多个航飞影像中选取一基准影像，将其它航飞影像以基准影像为基准进行影像镶嵌；根据无人机的航向重叠度判断影像镶嵌后的相邻两个航飞影像的重叠部分；相邻两个航飞影像的重叠部分的特征像素值取平均值，将平均值作为镶嵌影像中相邻两个航飞影像的重叠部分的特征像素值。
可选的，提取模块204，具体用于获取待跟踪施工路段的矢量图，将矢量图与镶嵌影像进行叠加，通过矢量线提取待跟踪施工路段的影像。
可选的，分类模块206，具体用于按照地理空间信息将属于同一施工进度状态的影像块进行合并显示，每种施工进度状态显示不同的颜色。
实施例一提供的方法中的各种变化方式和具体实例同样适用于本实施例的道路施工进度跟踪装置，通过前述对道路施工进度跟踪方法的详细描述，本领域技术人员可以清楚的知道本实施例中的道路施工进度跟踪装置的实施方法，为了说明书的简洁，在此不再详述。
实施例三
为了更好地执行上述方法的程序，本发明实施例提供一种计算机设备，如图4所示，计算机设备300包括存储器301和处理器302。
计算机设备300可以以各种形式来实施，包括平板电脑、掌上电脑、笔记本电脑和台式计算机等固定终端。
其中，存储器301可用于存储指令、程序、代码、代码集或指令集。存储器301可以包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如对无人机影像解译模型进行训练、对多个航飞影像进行影像镶嵌和提取待跟踪施工路段的影像等)以及用于实现上述实施例一提供的道路施工进度跟踪方法的指令等；存储数据区可存储上述实施例一提供的道路施工进度跟踪方法中涉及到的数据等。
处理器302可以包括一个或者多个处理核心。处理器302通过运行或执行存储在存储器301内的指令、程序、代码集或指令集，调用存储在存储器301内的数据，执行本发明的各种功能和处理数据。处理器302可以为特定用途集成电路(Application SpecificIntegrated Circuit，ASIC)、数字信号处理器(Digital Signal Processor，DSP)、数字信号处理装置(Digital Signal Processing Device，DSPD)、可编程逻辑装置(ProgrammableLogic Device，PLD)、现场可编程门阵列(Field Programmable Gate Array，FPGA)、中央处理器(Central Processing Unit，CPU)、控制器、微控制器和微处理器中的至少一种。可以理解地，对于不同的设备，用于实现上述处理器302功能的电子器件还可以为其它，本发明实施例不作具体限定。
实施例四
本发明实施例提供一种计算机可读存储介质，例如包括：U盘、移动硬盘、只读存储器(Read Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。该计算机可读存储介质存储有能够被处理器加载并执行上述实施例一的道路施工进度跟踪方法的计算机程序。
本发明具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。

Claims (10)

1.一种道路施工进度跟踪方法，其特征在于，包括：
根据监督分类方法构建无人机影像解译模型，根据多个特征样本对所述解译模型进行训练，得到训练好的分类对象解译模型；
无人机按照预设路线拍摄的带有地理空间坐标信息的多个航飞影像；
对所述多个航飞影像进行影像镶嵌，得到镶嵌影像；
从所述镶嵌影像中提取待跟踪施工路段的影像；
对所述待跟踪施工路段的影像进行分割，得到多个影像块；
将所述多个影像块输入所述训练好的分类对象解译模型中进行分类，根据分类结果判断所述待跟踪施工路段的施工进度状态。
2.根据权利要求1所述的方法，其特征在于所述根据监督分类方法构建无人机影像解译模型，根据所述多个特征样本对所述无人机影像解译模型进行训练，得到训练好的分类对象解译模型，包括：将所述多个特征样本按照多种施工进度状态进行分类，构成每种施工进度状态的特征样本规则集；
分别计算每种施工进度状态的特征样本规则集中每个特征样本的特征均值向量；
分别计算每种施工进度状态的特征样本规则集的均值向量；
设置所述每种施工进度状态的特征样本规则集的分类阈值，根据所述每种施工进度状态的特征样本规则集中每个特征样本的均值向量、所述每种施工进度状态的特征样本规则集的均值向量以及分类阈值，通过最小距离法进行分类；
根据分类结果调整每种施工进度状态的特征样本集的分类阈值。
3.根据权利要求1所述的方法，其特征在于，所述对所述多个航飞影像进行影像镶嵌，得到镶嵌影像，包括：
分别对所述多个航飞影像中每个航飞影像进行几何纠正，使每个航飞影像均处于同一坐标系；
从所述多个航飞影像中选取一基准影像，将其它航飞影像以所述基准影像为基准进行影像镶嵌；
根据所述无人机的航向重叠度判断影像镶嵌后的相邻两个航飞影像的重叠部分；
所述相邻两个航飞影像的重叠部分的特征像素值取平均值，将所述平均值作为所述镶嵌影像中所述相邻两个航飞影像的重叠部分的特征像素值。
4.根据权利要求1所述的方法，其特征在于所述从所述镶嵌影像中提取待跟踪施工路段的影像，包括：
获取所述待跟踪施工路段的矢量图，将所述矢量图与所述镶嵌影像进行叠加，通过矢量线提取所述待跟踪施工路段的影像。
5.根据权利要求1所述的方法，其特征在于，所述根据分类结果判断所述待跟踪施工路段的施工进度状态，包括：
按照所述地理空间信息将属于同一施工进度状态的影像块进行合并显示，每种施工进度状态显示不同的颜色。
6.一种道路施工进度跟踪装置，其特征在于，包括：
训练模块，用于根据监督分类方法构建无人机影像解译模型，根据特征样本对所述无人机影像解译模型进行训练，得到训练好的分类对象解译模型；
获取模块，用于获取无人机按照预设路线拍摄的带有地理空间坐标信息的多个航飞影像；
镶嵌模块，用于对所述多个航飞影像进行影像镶嵌，得到镶嵌影像；
提取模块，用于从所述镶嵌影像中提取待跟踪施工路段的影像；
分割模块，用于对所述待跟踪施工路段的影像进行分割，得到多个影像块；以及
分类模块，用于将所述多个影像块输入到所述训练好的分类对象解译模型中进行分类，根据分类结果判断所述待跟踪施工路段的施工进度状态。
7.根据权利要求6所述的装置，其特征在于，所述训练模块，具体用于将所述多个特征样本按照多种施工进度状态进行分类，构成每种施工进度状态的特征样本规则集；分别计算每种施工进度状态的特征样本规则集中每个特征样本的特征均值向量；分别计算每种施工进度状态的特征样本规则集的均值向量；设置所述每种施工进度状态的特征样本规则集的分类阈值，根据所述每种施工进度状态的特征样本规则集中每个特征样本的均值向量、所述每种施工进度状态的特征样本规则集的均值向量以及分类阈值，通过最小距离法进行分类；根据分类结果调整每种施工进度状态的特征样本集的分类阈值。
8.根据权利要求6所述的装置，其特征在于，所述镶嵌模块，具体用于分别对所述多个航飞影像中每个航飞影像进行几何纠正，使每个航飞影像均处于同一坐标系；从所述多个航飞影像中选取一基准影像，将其它航飞影像以所述基准影像为基准进行影像镶嵌；根据所述无人机的航向重叠度判断影像镶嵌后的相邻两个航飞影像的重叠部分；所述相邻两个航飞影像的重叠部分的特征像素值取平均值，将所述平均值作为所述镶嵌影像中所述相邻两个航飞影像的重叠部分的特征像素值。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器上存储有能够被所述处理器加载并执行如权利要求1至7中任一种方法的计算机程序。
10.一种计算机可读存储介质，其特征在于，存储有能够被处理器加载并执行如权利要求1至7中任一种方法的计算机程序。
CN202010814843.0A 2020-08-13 2020-08-13 道路施工进度跟踪方法、装置、设备及存储介质 Pending CN112036265A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010814843.0A CN112036265A (zh) 2020-08-13 2020-08-13 道路施工进度跟踪方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010814843.0A CN112036265A (zh) 2020-08-13 2020-08-13 道路施工进度跟踪方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN112036265A true CN112036265A (zh) 2020-12-04

Family

ID=73577251

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010814843.0A Pending CN112036265A (zh) 2020-08-13 2020-08-13 道路施工进度跟踪方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112036265A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11076589B1 (en) 2020-10-16 2021-08-03 Verdant Robotics, Inc. Autonomous agricultural treatment system using map based targeting of agricultural objects
US11399531B1 (en) 2021-10-20 2022-08-02 Verdant Robotics, Inc. Precision detection and control of vegetation with real time pose estimation
US11425852B2 (en) 2020-10-16 2022-08-30 Verdant Robotics, Inc. Autonomous detection and control of vegetation
CN115775116A (zh) * 2023-02-13 2023-03-10 华设设计集团浙江工程设计有限公司 基于bim的路桥工程管理方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1837853A (zh) * 2006-04-28 2006-09-27 武汉大学 一种遥感影像镶嵌中的拼接缝消除方法
CN106778605A (zh) * 2016-12-14 2017-05-31 武汉大学 导航数据辅助下的遥感影像道路网自动提取方法
CN111191307A (zh) * 2019-12-16 2020-05-22 福建建工集团有限责任公司 一种基于bim+gis技术的土方工程虚拟施工方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1837853A (zh) * 2006-04-28 2006-09-27 武汉大学 一种遥感影像镶嵌中的拼接缝消除方法
CN106778605A (zh) * 2016-12-14 2017-05-31 武汉大学 导航数据辅助下的遥感影像道路网自动提取方法
CN111191307A (zh) * 2019-12-16 2020-05-22 福建建工集团有限责任公司 一种基于bim+gis技术的土方工程虚拟施工方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
NISHA PURI 等: "Bridge construction progress monitoring using lidar and 4D design models", 《AUTOMATION IN CONSTRUCTION》, pages 1 - 15 *
贾永红 等: "结合规划矢量的高分辨率遥感道路施工进度监测", 《测绘地理信息》, vol. 45, no. 2, pages 106 - 110 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11076589B1 (en) 2020-10-16 2021-08-03 Verdant Robotics, Inc. Autonomous agricultural treatment system using map based targeting of agricultural objects
WO2022081180A1 (en) * 2020-10-16 2022-04-21 Verdant Robotics, Inc. Autonomous agricultural treatment system using map based targetting of agricultural objects
US11425852B2 (en) 2020-10-16 2022-08-30 Verdant Robotics, Inc. Autonomous detection and control of vegetation
US11751558B2 (en) 2020-10-16 2023-09-12 Verdant Robotics, Inc. Autonomous agricultural treatment system using map based targeting of agricultural objects
US11785873B2 (en) 2020-10-16 2023-10-17 Verdant Robotics, Inc. Detecting multiple objects of interest in an agricultural environment
US11937524B2 (en) 2020-10-16 2024-03-26 Verdant Robotics, Inc. Applying multiple processing schemes to target objects
US11399531B1 (en) 2021-10-20 2022-08-02 Verdant Robotics, Inc. Precision detection and control of vegetation with real time pose estimation
US11517008B1 (en) 2021-10-20 2022-12-06 Verdant Robotics, Inc. Targeting objects of interest in an agricultural environment
US11751559B2 (en) 2021-10-20 2023-09-12 Verdant Robotics, Inc. Detecting and treating a target from a moving platform
CN115775116A (zh) * 2023-02-13 2023-03-10 华设设计集团浙江工程设计有限公司 基于bim的路桥工程管理方法及系统

Similar Documents

Publication Publication Date Title
Wei et al. Scribble-based weakly supervised deep learning for road surface extraction from remote sensing images
CN112036265A (zh) 道路施工进度跟踪方法、装置、设备及存储介质
Zhang et al. A review of deep learning-based semantic segmentation for point cloud
US11100366B2 (en) Methods and systems for semi-automated image segmentation and annotation
Yin et al. FD-SSD: An improved SSD object detection algorithm based on feature fusion and dilated convolution
US10726599B2 (en) Realistic augmentation of images and videos with graphics
CN110796026A (zh) 一种基于全局特征拼接的行人重识别方法
Xu et al. csboundary: City-scale road-boundary detection in aerial images for high-definition maps
CN112562001B (zh) 一种物体6d位姿估计方法、装置、设备及介质
CN116453121B (zh) 一种车道线识别模型的训练方法及装置
Yu et al. Artificial intelligence for Dunhuang cultural heritage protection: the project and the dataset
Xia et al. Refined extraction of buildings with the semantic edge-assisted approach from very high-resolution remotely sensed imagery
Franken et al. Rebuilding the cadastral map of The Netherlands, the artificial intelligence solution
Ikeno et al. An enhanced 3D model and generative adversarial network for automated generation of horizontal building mask images and cloudless aerial photographs
Pei et al. Detecting potholes in asphalt pavement under small-sample conditions based on improved faster region-based convolution neural networks
CN114943888A (zh) 基于多尺度信息融合的海面小目标检测方法、电子设备及计算机可读介质
US11423611B2 (en) Techniques for creating, organizing, integrating, and using georeferenced data structures for civil infrastructure asset management
CN114399692A (zh) 基于深度学习的违建识别监控检测方法及系统
CN114549562A (zh) 基于UNet的半自动化的倾斜摄影实景模型建筑物单体化方法、系统、设备和存储介质
CN113628180A (zh) 一种基于语义分割网络的遥感建筑物检测方法及系统
Zhang et al. License plate recognition model based on CNN+ LSTM+ CTC
CN117011658A (zh) 图像处理方法、装置、设备、存储介质和计算机程序产品
CN116503347A (zh) 电力系统渗漏油检测、模型训练方法、装置和计算机设备
Cao et al. IBCO-Net: Integrity-Boundary-Corner Optimization in a General Multi-Stage Network for Building Fine Segmentation from Remote Sensing Images
Chen et al. Accurate segmentation of small targets for LCD defects using deep convolutional neural networks

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
CB02 Change of applicant information

Address after: 100032 no.2-1 Kangbei street, Liupu, Xicheng District, Beijing

Applicant after: Jianghe water resources and Hydropower Consulting Center Co.,Ltd.

Applicant after: Guizhou water resources and Hydropower Survey, design and Research Institute Co., Ltd

Address before: 100032 no.2-1 Kangbei street, Liupu, Xicheng District, Beijing

Applicant before: River water conservancy and Hydropower Consulting Center

Applicant before: Guizhou water resources and Hydropower Survey, design and Research Institute Co., Ltd

CB02 Change of applicant information