CN112508441A - 基于深度学习三维重建的城市高密度区室外热舒适评价方法 - Google Patents
基于深度学习三维重建的城市高密度区室外热舒适评价方法 Download PDFInfo
- Publication number
- CN112508441A CN112508441A CN202011506360.0A CN202011506360A CN112508441A CN 112508441 A CN112508441 A CN 112508441A CN 202011506360 A CN202011506360 A CN 202011506360A CN 112508441 A CN112508441 A CN 112508441A
- Authority
- CN
- China
- Prior art keywords
- urban high
- model
- density
- image data
- remote sensing
- 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.)
- Granted
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 35
- 238000011156 evaluation Methods 0.000 title claims abstract description 28
- 238000003062 neural network model Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000004088 simulation Methods 0.000 claims abstract description 17
- 230000007613 environmental effect Effects 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000011478 gradient descent method Methods 0.000 claims abstract description 6
- 238000005094 computer simulation Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 10
- 241000512668 Eunectes Species 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 241000254032 Acrididae Species 0.000 claims description 3
- 241000255749 Coccinellidae Species 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 2
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000005447 environmental material Substances 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005259 measurement Methods 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
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习三维重建的城市高密度区室外热舒适评价方法，包括：获取城市高密度区遥感图像数据；在Python集成平台下对城市高密度区遥感图像数据进行预处理，得到遥感图像数据集；建立基于CNN‑LSTM的神经网络模型，采用随机梯度下降法对该模型进行训练；将遥感图像数据集输入至训练好的神经网络模型中，获得城市高密度区三维重建模型；对城市高密度区三维信息模型进行计算机模拟，生成城市高密度区环境信息模型；借助ENVI‑met对城市高密度区环境信息模型进行模拟分析，根据数据模拟分析结果进行室外热舒适评价。该方法解决了城市高密度区室外热舒适评价中建筑环境信息建模精度与效率瓶颈问题。
Description
技术领域
本发明涉及深度学习技术领域，特别涉及一种基于深度学习三维重建的城市高密度区室外热舒适评价方法。
背景技术
随着城市化进程加快，城市高密度区热岛效应加剧。高效、准确的城市高密度区室外热舒适评价对于指导城市规划与城市设计具有重要作用。既有城市高密度区热舒适评价方法需基于城市建筑报批数据、实地测量数据来建立室外热舒适评价模型，存在建模效率低、建筑周边环境信息易丢失、既有建筑改扩建情况更新不及时等问题，影响了城市高密度区热舒适评价精度和效率的提升，制约了其在城市高密度区规划与设计过程中的应用。一次亟待一种城市高密度区室外热舒适的评价方法。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的目的在于提出一种基于深度学习三维重建的城市高密度区室外热舒适评价方法，该方法实现了城市环境信息模型获取的精确性，保证了前期环境信息模型的建立与后期的室外热舒适性评价的快速、实时的衔接，对于获得城市尺度的室外环境指标具有重要的指导意义。
为达到上述目的，本发明实施例提出了基于深度学习三维重建的城市高密度区室外热舒适评价方法，包括以下步骤：步骤S1，获取城市高密度区遥感图像数据；步骤S2，在Python集成平台Anaconda下对所述城市高密度区遥感图像数据进行预处理，得到遥感图像数据集；步骤S3，建立基于CNN-LSTM的神经网络模型，采用随机梯度下降法对所述神经网络模型进行训练；步骤S4，将所述遥感图像数据集输入至训练好的神经网络模型中，获得城市高密度区三维重建模型；步骤S5，对所述城市高密度区三维信息模型进行计算机模拟，赋予城市高密度区环境物理信息，生成城市高密度区环境信息模型；步骤S6，借助 ENVI-met对所述城市高密度区环境信息模型进行模拟分析，根据数据模拟分析结果进行室外热舒适评价。
本发明实施例的基于深度学习三维重建的城市高密度区室外热舒适评价方法，通过无人机多倾角低空摄影获得城市高密度区建筑与环境的几何信息，利用深度学习三维重建技术对获得的城市高密度区建筑与环境的几何信息进行三维重建，获得城市高密度区的三维信息模型，赋予城市高密度区三维信息模型环境气象、环境材质参数，获得城市高密度区室外热舒适性环境信息模型，使其与后期的室外热舒适分析精准的衔接，对城市层面的设计产生指导意义。
另外，根据本发明上述实施例的基于深度学习三维重建的城市高密度区室外热舒适评价方法还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，通过无人机以不同倾角对城市高密度区域拍摄N张、像素为 4000*3000的照片，组成所述城市高密度区遥感图像数据，其中，N为正整数。
进一步地，在本发明的一个实施例中，所述步骤S2进一步包括：在Python集成运行环境Anaconda 下，并采用tensorflow深度学习框架，对所述城市高密度区遥感图像数据依次进行序列编码；利用PIL库的Image模块对所述城市高密度区遥感图像数据进行整理与特征缩放，并使用PCA算法进行降维处理，生成所述遥感图像数据集。
进一步地，在本发明的一个实施例中，所述步骤S2进一步包括：在Python集成运行环境Anaconda 下，并采用tensorflow深度学习框架，对所述城市高密度区遥感图像数据依次进行序列编码；采用opencv 图像处理库的resize函数对所述城市高密度区遥感图像数据进行分割与等比例缩放，得到所述遥感图像数据集。
进一步地，在本发明的一个实施例中，所述步骤S3进一步包括：建立基于卷积神经网络CNN的Encoder 模型、基于长短期记忆网络LSTM的Decoder模型，组建成所述基于CNN-LSTM的神经网络模型；采用 Shapenet和Pascal 3D数据集作为所述神经网络模型的训练集和测试集，以交叉熵损失函数作为评价指标，并采用随机梯度下降法对所述神经网络模型进行训练。
进一步地，在本发明的一个实施例中，所述步骤S4进一步包括：将所述遥感图像数据集逐帧输入训练好的卷积神经网络CNN模型中，得到卷积神经网络CNN图像特征向量；所述训练好的长短期记忆网络 LSTM模型由3D-LSTM网络与3D-GRUs网络共同构成，所述3D-LSTM网络以单词的嵌入式向量为输入，所述3D-GRUs网络以所述3D-LSTM网络的运算结果和所述卷积神经网络CNN图像特征向量为输入，通过计算后得到隐层输出向量；使所述隐层输出向量循环进行3D反卷积、激活、池化操作，直至达到预设目标输出分辨率，得到所述城市高密度区三维重建模型。
进一步地，在本发明的一个实施例中，所述步骤S6进一步包括：借助Grasshopper平台插件Ladybug 调用ENVI-met，载入所述城市高密度区环境信息模型，赋予模型不同界面物理信息，生成.inx格式模型；编辑城市高密度区的气象边界，完善环境信息，编辑模拟时间，输出结果时间间隔，生成sim格式模型，对所述sim格式模型进行模拟，得到edx信息；将所述edx信息导入LEONARDO中，获得可视化室外热舒适模拟结果，并对所述可视化室外热舒适模拟结果进行分析评估。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明一个实施例的基于深度学习三维重建的城市高密度区室外热舒适评价方法流程图；
图2是本发明一个实施例的基于深度学习三维重建的城市高密度区室外热舒适性评价方法的具体执行流程图；
图3是本发明一个实施例的残差网络结构图。
具体实施方式
下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的基于深度学习三维重建的城市高密度区室外热舒适评价方法。
图1是本发明一个实施例的基于深度学习三维重建的城市高密度区室外热舒适评价方法流程图。
如图1所示，该基于深度学习三维重建的城市高密度区室外热舒适评价方法包括以下步骤：
在步骤S1中，获取城市高密度区遥感图像数据。
具体地，利用无人机(如消费级多旋翼无人机)以不同倾角对预设成熟高密度区域进行低空摄影，得到城市高密度区遥感图像数据，采集照片的数量在为N张，单张影像数据的大小为4000*3000像素，其中，N为正整数。
在步骤S2中，在Python集成平台Anaconda下对城市高密度区遥感图像数据进行预处理，得到遥感图像数据集。
具体而言，如图2所示，首先在Python集成平台Anaconda下，采用tensorflow深度学习框架，对城市高密度区遥感图像数据依次进行序列编码，之后本发明实施例可采用Python集成平台中的PIL库的 Image模块对城市高密度区遥感图像数据进行整理与特征缩放，并使用PCA算法进行降维处理，生成遥感图像数据集，也可采用opencv图像处理库resize函数对城市高密度区遥感图像数据进行分割与等比例缩放，得到小尺寸的遥感图像数据集，即易于易于后续的深度学习神经网络处理的数据集。
举例而言，使用Python集成运行环境Anaconda使用tensorflow作为深度学习框架，通过python对采集的城市高密度区遥感图像数据依次进行序列编码。采用opencv图像处理库resize 函数对大尺寸4000*3000像素的遥感图像进行分割与缩放处理，构建512*512的遥感图像数据集。
在步骤S3中，建立基于CNN-LSTM的神经网络模型，采用随机梯度下降法对神经网络模型进行训练。
进一步地，如图2所示，本发明步骤S3具体步骤为：
建立基于卷积神经网络CNN的Encoder模型，以实现对输入图像的特征编码，同时采用多输入结构，以实现多视角三维重构任务，提高模型可扩展性；建立基于长短期记忆网络LSTM的Decoder模型，将上一层的特征编码作为输入，以实体三维模型作为输出；将建立好的Encoder、Decoder模型结合起来，构建成基于CNN-LSTM的神经网络模型；或是建立两个不同的2D-CNN解码器，一个是标准CNN网络，如图 3所示，另一个则是残差网络。其中，第一个CNN模型是由标准的卷积层、池化层、全连接层组成，卷积核的大小为1*1*1[3D-LSTM/GRU-3]或者3×3×3[3D-LSTM/GRU-3]，随机深度模型卷积核为 3×3×3[res3d-Gru-3]。
采用Shapenet和Pascal 3D数据集对神经网络模型进行训练与验证，其中，Shapenet数据集是根据WordNet组织的3D CAD模型的集合，Pascal 3D数据是由PascalVOC2012中用3D CAD模型增强的图片组成，将该两个数据集分为训练集和测试集，其中的4/5用于训练模型，1/5用于测试。在训练过程中，每一个被训练的物体都使用5个不同视角的视图，并采用随机梯度下降法(SGD)的训练策略依次对神经网络模型进行训练，以提高模型的鲁棒性，最终选用训练过程中测试集损失最小的模型作为使用模型。
可以理解的是，解码器包括LSTM网络和3D反卷积网络两个结构，其中LSTM网络由3D-LSTM网络与3D-GRUs网络共同构成，3D反卷积则由N个3DDCNN-ReLU-Pooling层串联组成。
在步骤S4中，将遥感图像数据集输入至训练好的神经网络模型中，获得城市高密度区三维重建模型。
也就是说，将512*512的低空城市遥感影像数据集输入到训练好的CNN-LSTM模型中，经过CNN 特征编码、LSTM和3DDCNN特征解码、三维重构的过程，获得具有体素特征的城市高密度区三维重建模型，具体步骤为：
加载训练好的三维重构模型，将遥感影像数据集图像逐帧输入到训练好的神经网络模型中；
图像经过卷积神经网络CNN网络后，将得到1024维的CNN图像特征向量；
训练好的长短期记忆网络LSTM模型由3D-LSTM网络与3D-GRUs网络共同构成，3D-LSTM以单词的嵌入式向量为输入，3D-GRUs则以3D-LSTM的输出结果和CNN网络输出的图像特征为输入，进而得到1个隐层输出向量；
其中，3D-LSTM网络的基本处理原理为：3D-LSTM单元空间上分布在被分割成小的三维的单元中，负责重建特定的部分。有N*N*N个3D-LSTM单元，3D-LSTM网格的控制方程为：
ht＝tanh(st)
式中，索引(i,j,k)具有独立的隐藏状态ht，(i,j,k)∈RNh，ft，it，st，ht作为4维的张量，分别表示遗忘门、输入和输出、记忆单元、隐藏状态，x1、x2、x3…、xt为卷积LSTM的输入，Wf， Wi，Ws为LSTM网络的权值，h1,…,ht，ht为隐藏状态，bf，bi，bs为LSTM网络的训练得到的偏置，
为第X张图像的低维特征。公式中均是四维张量。*表示卷积滤波，σ表示sigmoid函数，⊙表示各元素的乘积，tanh表示双曲正切函数。
每一个3D-LSTM单元重建特定体素空间的一部分，各个重建单元之间相互独立，只允许相邻的隐藏的状态相互影响，最终得到一个隐层输出向量。
解码器末端由一个5层3D反卷积层、1个深度残差层以及1个卷积层共同构成，其中深度残差层中包含有4个残差块。将上一步中计算的隐藏状态ht进一步往下传递，通过多个3D反卷积曾、激活层、3D池化层逐步提高输出分辨率，直至达到目标输出为止。直至达到目标输出的分辨率为止。
在达到目标输出分辨率之后，利用softmax函数将最终的
转化为占用率为 P(i,j,k)的体素细胞。
LSTM网络的损失函数是按照体素方向的交叉熵之和定义的，设最终输出的每个体素(i,j,k)为伯努利分布[1-P(i,j,k),P(i,j,k)]，使得对输入的X＝{xt}t∈{1,…,T}依赖消失，设置相应的真实标注 y(i,j,k)∈{0,1}，计算公式为：
L(X,y)＝∑i,j,ky(i,j,k)log(P(i,j,k))+(1-y(i,y,k))log(1-P(i,j,k))
在步骤S5中，对城市高密度区三维信息模型进行计算机模拟，赋予城市高密度区环境物理信息，生成城市高密度区环境信息模型。
在步骤S6中，借助ENVI-met对城市高密度区环境信息模型进行模拟分析，根据数据模拟分析结果进行室外热舒适评价。
具体地，如图2所示，通过对城市高密度区三维信息模型进行计算机模拟，赋予城市高密度区环境物理信息，生成城市高密度区环境信息模型；借助Grasshopper平台插件Ladybug调用ENVI-met，载入城市高密度区环境信息模型，赋予模型不同界面物理信息，生成.inx格式模型；编辑城市高密度区的气象边界，完善包括初始风速、风向、空气温度、相对湿度等环境信息，编辑模拟时间，输出结果时间间隔，生成sim格式模型，对完善后的模型进行模拟；将模拟获得的edx信息导入 LEONARDO，实现室外热舒适模拟结果的可视化，并对结果进行分析评估。
本发明实施例提出的基于深度学习三维重建的城市高密度区室外热舒适评价方法与现有技术相比，具有以下优点：
1、本发明充分利用了低空影像快速、高效、全面的获取调查区域三维信息的特点，通过深度学习算法对消费级无人机采集的图像数据进行解码计算生成三维模型的方法，实现了一种低成本、高效快速获取可计算编辑的城市高密度区环境信息模型的采集计算方法。本发明采用深度学习算法对目标图像的识别重建技术，避免了人工操作的高耗时低效率，有效的促进了数据采集整理的自动化，规范化，快速化；
2、本发明基于CNN-LSTM深度学习神经网络对城市高密度区二维图像的三维重建，此网络允许以一张或者多张图像组成的一组目标对象进行学习，并以三维体素网络的形式输出对象，在后续的学习中也可以增加目标图像，使其自适应地、持续地学习物体的三维表达，大大提高了对目标物体三维重建的效率以及轮廓的准确度；
3、本发明采用深度学习三维重建后的城市高密度区环境信息模型进行室外热舒适性评价，通过深度学习，实现了城市环境信息模型获取的精确性，保证了前期环境信息模型的建立与后期的室外热舒适性评价的快速、实时的衔接，对于获得城市尺度的室外环境指标具有重要的指导意义，同时实现实时的对城市高密度区室外热舒适性指标进行监测，为后期的城市规划以及城市建设提供了帮助。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (7)
1.一种基于深度学习三维重建的城市高密度区室外热舒适评价方法，其特征在于，包括以下步骤：
步骤S1，获取城市高密度区遥感图像数据；
步骤S2，在Python集成平台Anaconda下对所述城市高密度区遥感图像数据进行预处理，得到遥感图像数据集；
步骤S3，建立基于CNN-LSTM的神经网络模型，采用随机梯度下降法对所述神经网络模型进行训练；
步骤S4，将所述遥感图像数据集输入至训练好的神经网络模型中，获得城市高密度区三维重建模型；
步骤S5，对所述城市高密度区三维信息模型进行计算机模拟，赋予城市高密度区环境物理信息，生成城市高密度区环境信息模型；
步骤S6，借助ENVI-met对所述城市高密度区环境信息模型进行模拟分析，根据数据模拟分析结果进行室外热舒适评价。
2.根据权利要求1所述的基于深度学习三维重建的城市高密度区室外热舒适评价方法，其特征在于，通过无人机以不同倾角对城市高密度区域拍摄N张、像素为4000*3000的照片，组成所述城市高密度区遥感图像数据，其中，N为正整数。
3.根据权利要求1所述的基于深度学习三维重建的城市高密度区室外热舒适评价方法，其特征在于，所述步骤S2进一步包括：
在Python集成运行环境Anaconda下，并采用tensorflow深度学习框架，对所述城市高密度区遥感图像数据依次进行序列编码；
利用PIL库的Image模块对所述城市高密度区遥感图像数据进行整理与特征缩放，并使用PCA算法进行降维处理，生成所述遥感图像数据集。
4.根据权利要求1所述的基于深度学习三维重建的城市高密度区室外热舒适评价方法，其特征在于，所述步骤S2进一步包括：
在Python集成运行环境Anaconda下，并采用tensorflow深度学习框架，对所述城市高密度区遥感图像数据依次进行序列编码；
采用opencv图像处理库的resize函数对所述城市高密度区遥感图像数据进行分割与等比例缩放，得到所述遥感图像数据集。
5.根据权利要求1所述的基于深度学习三维重建的城市高密度区室外热舒适评价方法，其特征在于，所述步骤S3进一步包括：
建立基于卷积神经网络CNN的Encoder模型、基于长短期记忆网络LSTM的Decoder模型，组建成所述基于CNN-LSTM的神经网络模型；
采用Shapenet和Pascal 3D数据集作为所述神经网络模型的训练集和测试集，以交叉熵损失函数作为评价指标，并采用随机梯度下降法对所述神经网络模型进行训练。
6.根据权利要求1所述的基于深度学习三维重建的城市高密度区室外热舒适评价方法，其特征在于，所述步骤S4进一步包括：
将所述遥感图像数据集逐帧输入训练好的卷积神经网络CNN模型中，得到卷积神经网络CNN图像特征向量；
所述训练好的长短期记忆网络LSTM模型由3D-LSTM网络与3D-GRUs网络共同构成，所述3D-LSTM网络以单词的嵌入式向量为输入，所述3D-GRUs网络以所述3D-LSTM网络的运算结果和所述卷积神经网络CNN图像特征向量为输入，通过计算后得到隐层输出向量；
使所述隐层输出向量循环进行3D反卷积、激活、池化操作，直至达到预设目标输出分辨率，得到所述城市高密度区三维重建模型。
7.根据权利要求1所述的基于深度学习三维重建的城市高密度区室外热舒适评价方法，其特征在于，所述步骤S6进一步包括：
借助Grasshopper平台插件Ladybug调用ENVI-met，载入所述城市高密度区环境信息模型，赋予模型不同界面物理信息，生成.inx格式模型；
编辑城市高密度区的气象边界，完善环境信息，编辑模拟时间，输出结果时间间隔，生成sim格式模型，对所述sim格式模型进行模拟，得到edx信息；
将所述edx信息导入LEONARDO中，获得可视化室外热舒适模拟结果，并对所述可视化室外热舒适模拟结果进行分析评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011506360.0A CN112508441B (zh) | 2020-12-18 | 2020-12-18 | 基于深度学习三维重建的城市高密度区室外热舒适评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011506360.0A CN112508441B (zh) | 2020-12-18 | 2020-12-18 | 基于深度学习三维重建的城市高密度区室外热舒适评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112508441A true CN112508441A (zh) | 2021-03-16 |
| CN112508441B CN112508441B (zh) | 2022-04-29 |
Family
ID=74921764
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011506360.0A Expired - Fee Related CN112508441B (zh) | 2020-12-18 | 2020-12-18 | 基于深度学习三维重建的城市高密度区室外热舒适评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112508441B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107967251A (zh) * | 2017-10-12 | 2018-04-27 | 北京知道未来信息技术有限公司 | 一种基于Bi-LSTM-CNN的命名实体识别方法 |
| CN110059878A (zh) * | 2019-04-15 | 2019-07-26 | 中国计量大学 | 基于cnn lstm光伏发电功率预测模型及其构建方法 |
| CN110659770A (zh) * | 2019-09-03 | 2020-01-07 | 新奥数能科技有限公司 | 基于lstm模型的温度预测方法及装置 |
| CN111080794A (zh) * | 2019-12-10 | 2020-04-28 | 华南农业大学 | 一种耕地现场边云协同的三维重建方法 |
-
2020
- 2020-12-18 CN CN202011506360.0A patent/CN112508441B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107967251A (zh) * | 2017-10-12 | 2018-04-27 | 北京知道未来信息技术有限公司 | 一种基于Bi-LSTM-CNN的命名实体识别方法 |
| CN110059878A (zh) * | 2019-04-15 | 2019-07-26 | 中国计量大学 | 基于cnn lstm光伏发电功率预测模型及其构建方法 |
| CN110659770A (zh) * | 2019-09-03 | 2020-01-07 | 新奥数能科技有限公司 | 基于lstm模型的温度预测方法及装置 |
| CN111080794A (zh) * | 2019-12-10 | 2020-04-28 | 华南农业大学 | 一种耕地现场边云协同的三维重建方法 |
Non-Patent Citations (3)
| Title |
|---|
| KATIA PERINI等: "Modeling and simulating urban outdoor comfort:Coupling ENVI-Met and TRNSYS by grasshopper", 《ENERGY AND BUILDINGS》 * |
| 殷青等: "基于LSTM算法的严寒地区办公建筑过渡季室内温度预测模型构建", 《低温建筑技术》 * |
| 殷青等: "基于无人机技术的建筑环境信息采集及其拓展应用研究", 《建筑与文化》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112508441B (zh) | 2022-04-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109886066B (zh) | 基于多尺度和多层特征融合的快速目标检测方法 | |
| CN113850825A (zh) | 基于上下文信息和多尺度特征融合的遥感图像道路分割方法 | |
| CN110009674B (zh) | 基于无监督深度学习的单目图像景深实时计算方法 | |
| CN111127538B (zh) | 一种基于卷积循环编码-解码结构的多视影像三维重建方法 | |
| CN111414923B (zh) | 基于单幅rgb图像的室内场景三维重建方法及系统 | |
| CN106599053B (zh) | 一种三维模型检索方法 | |
| CN112560966B (zh) | 基于散射图卷积网络的极化sar图像分类方法、介质及设备 | |
| CN112434586A (zh) | 一种基于域自适应学习的多复杂场景目标检测方法 | |
| CN110930378A (zh) | 基于低数据需求的肺气肿影像处理方法及系统 | |
| CN113627093A (zh) | 一种基于改进Unet网络的水下机构跨尺度流场特征预测方法 | |
| CN113345106A (zh) | 一种基于多尺度多层级转换器的三维点云分析方法及系统 | |
| CN110992366A (zh) | 一种图像语义分割方法、装置及存储介质 | |
| CN115861619A (zh) | 一种递归残差双注意力核点卷积网络的机载LiDAR城市点云语义分割方法与系统 | |
| CN114332473A (zh) | 目标检测方法、装置、计算机设备、存储介质及程序产品 | |
| CN115439694A (zh) | 一种基于深度学习的高精度点云补全方法及装置 | |
| CN116310339A (zh) | 基于矩阵分解增强全局特征的遥感图像分割方法 | |
| CN114663880A (zh) | 基于多层级跨模态自注意力机制的三维目标检测方法 | |
| CN112634174B (zh) | 一种图像表示学习方法及系统 | |
| CN114187506A (zh) | 视点意识的动态路由胶囊网络的遥感图像场景分类方法 | |
| CN115849202B (zh) | 基于数字孪生技术的智能起重机操作目标识别方法 | |
| CN116012709B (zh) | 一种高分辨率遥感影像建筑物提取方法及系统 | |
| CN112508441B (zh) | 基于深度学习三维重建的城市高密度区室外热舒适评价方法 | |
| CN116467948A (zh) | 一种数字孪生模型机理和外观联合参数学习方法 | |
| CN116385667A (zh) | 三维模型的重建方法、纹理重构模型的训练方法以及装置 | |
| CN117011219A (zh) | 物品质量检测方法、装置、设备、存储介质和程序产品 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220429 |