CN112651931B - 建筑物变形监测方法、装置和计算机设备 - Google Patents
建筑物变形监测方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN112651931B CN112651931B CN202011481727.8A CN202011481727A CN112651931B CN 112651931 B CN112651931 B CN 112651931B CN 202011481727 A CN202011481727 A CN 202011481727A CN 112651931 B CN112651931 B CN 112651931B
- Authority
- CN
- China
- Prior art keywords
- building
- remote sensing
- sensing image
- image
- region
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000010586 diagram Methods 0.000 claims abstract description 38
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 34
- 238000012806 monitoring device Methods 0.000 claims abstract description 20
- 230000011218 segmentation Effects 0.000 claims description 26
- 238000005520 cutting process Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 238000012423 maintenance Methods 0.000 abstract description 13
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- 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
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及建筑物变形监测方法、装置和计算机设备，其中，建筑物变形监测方法包括：获取建筑物第一时刻的第一遥感图像和第二时刻的第二遥感图像；通过预先设置的卷积神经网络，分别分割出第一遥感图像中的建筑物区域和第二遥感图像中的建筑物区域，得到标注有建筑物区域的第一特征图和第二特征图；根据第一特征图和第二特征图，确定建筑物是否变形，解决了相关技术中通过使用数据监测装置监测建筑物上布设的多个梁监测点的形变数据来达到对建筑物形变的监测，存在建筑物的变形监测精度低、硬件成本以及维护成本高的问题，提高了建筑物的变形监测精度，以及降低硬件和其维护的成本，并且监测结果可视化好，可以直观地反映出建筑整体出现的问题。
Description
技术领域
本申请涉及视频监控技术领域，特别是涉及建筑物变形监测方法、装置和计算机设备。
背景技术
对于运营期的桥梁、大坝等建筑物，随着时间的增加会出现破损、变形等各种问题，倘若不能及时发现并且处置很有可能会造成不可估量的后果，其中在桥梁的监测问题中，特别是桥梁橡胶支座的变形问题将会进一步威胁桥梁的安全使用，桥梁养护规范中明确要求桥梁的例行检查中必须重点检查桥梁橡胶支座的变形状况。
在相关技术中，一些建筑物变形的检测，例如大坝，通常是利用设置于大坝内部的监测管道、测量桩、测量装置和信号传输单元，以及设置于地面的信号处理器和信号显示装置，达到监测的目的；例如桥梁，通常使用数据监测装置监测桥梁上布设的多个桥梁监测点的形变数据，并传输给数据处理装置进行处理分析；但上述建筑物形变监测方式存在以下不足：
1.通常使用数据监测装置监测桥梁上布设的多个桥梁监测点的形变数据，监测装置需要的数量往往很多，所以监测装置的成本很高；
2.例如大坝桥梁环境比较恶劣，监测装置易老化、失效，监测装置的维护和更换成本也很高，而且如果安装更换不及时会导致延误，存在建筑物的变形监测精度低，容易造成危险；
3.由于监测装置分布离散，出现问题反应不直观，不能全局地体现所发生的问题。
目前针对相关技术中，通过使用数据监测装置监测建筑物上布设的多个梁监测点的形变数据来达到对建筑物形变的监测，存在建筑物的变形监测精度低、硬件成本以及维护成本高的问题，尚未提出有效的解决方案。
发明内容
本申请实施例提供了建筑物变形监测方法、装置和计算机设备，以至少解决相关技术中通过使用数据监测装置监测建筑物上布设的多个梁监测点的形变数据来达到对建筑物形变的监测，存在建筑物的变形监测精度低的问题。
第一方面，本申请实施例提供了一种建筑物变形监测方法，所述方法包括：
获取建筑物第一时刻的第一遥感图像和第二时刻的第二遥感图像；
通过预先设置的卷积神经网络，分割出所述第一遥感图像中的建筑物区域，得到标注有所述建筑物区域的第一特征图，以及通过预先设置的卷积神经网络，分割出所述第二遥感图像中的建筑物区域，得到标注有所述建筑物区域的第二特征图；
将所述第一特征图与所述第二特征图进行比对，确定所述建筑物是否变形。
在其中一些实施例中，通过预先设置的卷积神经网络，分割出所述第一遥感图像中的建筑物区域得到标注有所述建筑物区域的第一特征图包括：
将所述第一遥感图像进行裁剪，得到多个第一图像块；
通过预先设置的卷积神经网络，分别分割出多个所述第一图像块中的建筑物区域，得到标注有建筑物区域的多个第一分割特征图；
将多个所述第一分割特征图进行拼接，得到与所述第一遥感图像相对应的所述第一特征图；
通过预先设置的卷积神经网络，分割出所述第二遥感图像中的建筑物区域，得到标注有所述建筑物区域的第二特征图包括：
将所述第二遥感图像进行裁剪，得到多个第二图像块；
通过预先设置的卷积神经网络，分别分割出多个所述第二图像块中的建筑物区域，得到标注有建筑物区域的多个第二分割特征图；
将多个所述第二分割特征图进行拼接，得到与所述第二遥感图像相对应的所述第二特征图。
在其中一些实施例中，将所述第一遥感图像进行裁剪，得到多个第一图像块包括：采用固定的滑动步长对所述第一遥感图像进行裁剪，得到多个所述第一图像块，其中，所述滑动步长小于所述第一图像块的边长；
将多个所述第一分割特征图进行拼接，得到与所述第一遥感图像相对应的所述第一特征图之前，所述方法还包括：去除所述第一分割图的边界；
将所述第二遥感图像进行裁剪，得到多个第二图像块包括：采用固定的滑动步长对所述第二遥感图像进行裁剪，得到多个所述第二图像块，其中，所述滑动步长小于所述第二图像块的边长；
将多个所述第二分割特征图进行拼接，得到与所述第二遥感图像相对应的所述第二特征图之前，所述方法还包括：去除所述第二分割图的边界。
在其中一些实施例中，将所述第一遥感图像进行裁剪，得到多个第一图像块之前，所述方法还包括：对所述第一遥感图像的边界进行填充，且所述填充边界的像素值为零；
将所述第二遥感图像进行裁剪，得到多个第二图像块之前，所述方法还包括：对所述第二遥感图像的边界进行填充，且所述填充边界的像素值为零。
在其中一些实施例中，将所述第一特征图与所述第二特征图进行比对，确定所述建筑物是否变形包括：
将所述第一特征图和所述第二特征图进行差分，得到差分后的数据点；
通过聚类算法对所述数据点进行划分，所述数据点划分为变化类和非变化类；
将所述变化类的数据点数量与预先设定的阈值进行比较，确定所述建筑物是否变形。
在其中一些实施例中，所述方法还包括：
若所述建筑物变形则告警，并根据所述变化类的数据点，确定所述建筑物变形的区域坐标以及所述建筑物变形的区域图像。
在其中一些实施例中，获取建筑物第一时刻的第一遥感图像和第二时刻的第二遥感图像包括：
通过无人机或者卫星，采集所述建筑物第一时刻的第一遥感图像和第二时刻的第二遥感图像。
第二方面，本申请实施例提供了一种建筑物变形监测装置，其特征在于，所述装置包括：获取模块、特征图生成模块和变形判断模块；
所述获取模块，用于获取建筑物第一时刻的第一遥感图像和第二时刻的第二遥感图像；
所述特征图生成模块，用于通过预先设置的卷积神经网络，分割出所述第一遥感图像中的建筑物区域，得到标注有所述建筑物区域的第一特征图，以及通过预先设置的卷积神经网络，分割出所述第二遥感图像中的建筑物区域，得到标注有所述建筑物区域的第二特征图；
所述变形判断模块，用于将所述第一特征图与所述第二特征图进行比对，确定所述建筑物是否变形。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的建筑物变形监测方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的建筑物变形监测方法。
相比于相关技术，本申请实施例提供的建筑物变形监测方法、装置和计算机设备，通过获取建筑物第一时刻的第一遥感图像和第二时刻的第二遥感图像，通过预先设置的卷积神经网络，分割出所述第一遥感图像中的建筑物区域，得到标注有所述建筑物区域的第一特征图，以及通过预先设置的卷积神经网络，分割出所述第二遥感图像中的建筑物区域，得到标注有所述建筑物区域的第二特征图，将所述第一特征图与所述第二特征图进行比对，确定所述建筑物是否变形，解决了相关技术中通过使用数据监测装置监测建筑物上布设的多个梁监测点的形变数据来达到对建筑物形变的监测，存在建筑物的变形监测精度低、硬件成本以及维护成本高的问题，提高了建筑物的变形监测精度，以及降低硬件和其维护的成本，并且监测结果可视化好，可以直观地反映出建筑整体出现的问题。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的建筑物变形监测方法的流程图；
图2是根据本申请实施例的获取第一特征图的方法的流程图一；
图3是根据本申请实施例的获取第一特征图的方法的流程图二；
图4是根据本申请实施例的获取第一特征图的方法的流程图三；
图5a是根据本申请实施例的遥感图像边界填充的示意图；
图5b是根据本申请实施例的裁剪遥感图像的示意图一；
图5c是根据本申请实施例的裁剪遥感图像的示意图二；
图5d是根据本申请实施例的裁剪遥感图像的示意图三；
图6是根据本申请实施例的确定建筑物是否变形的方法的流程图；
图7是根据本申请实施例的建筑物变形监测装置的结构框图；
图8是根据本申请实施例的计算机设备的内部结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
在相关技术中，一些建筑物变形的检测，例如大坝，通常是利用设置于大坝内部的监测管道、测量桩、测量装置和信号传输单元，以及设置于地面的信号处理器和信号显示装置，达到监测的目的；例如桥梁，通常使用数据监测装置监测桥梁上布设的多个桥梁监测点的形变数据，并传输给数据处理装置进行处理分析。但一方面，硬件设备及其维护成本高；另一方面，由于像大坝、桥梁等建筑物所处的环境比较恶劣，进而设于该建筑物上的硬件设备易老化、失效，而且如果硬件设备安装更换不及时，则存在所采集的数据出现延误的情况，进而降低建筑物变形监测的精度，且由于传感器硬件分布离散，出现问题反应不直观。本申请提供的建筑物变形监测方法，利用卫星或者无人机等采集目标不同时段的遥感图像，并使用AI算法对图像进行处理与分析完成形变检测，节省了硬件设备及其维护的成本，解决了相关技术中通过使用数据监测装置监测建筑物上布设的多个梁监测点的形变数据来达到对建筑物形变的监测，存在建筑物的变形监测精度低、硬件成本以及维护成本高的问题，提高了建筑物的变形监测精度，以及降低硬件和其维护的成本，并且监测结果可视化好，可以直观地反映出建筑整体出现的问题。
本实施例提供了一种建筑物变形监测方法，图1是根据本申请实施例的建筑物变形监测方法的流程图，如图1所示，该方法包括如下步骤：
步骤S101，获取建筑物第一时刻的第一遥感图像和第二时刻的第二遥感图像；
具体地，在前后两个时刻利用无人机或者卫星在相同位置(相同的高度和相同的经纬度)分别采集2张建筑物所在区域的遥感图像，遥感影像是指记录各种地物电磁波大小的胶片或照片，其中，建筑物可以是桥梁、大坝等，
步骤S102，通过预先设置的卷积神经网络，分割出第一遥感图像中的建筑物区域，得到标注有建筑物区域的第一特征图，以及通过预先设置的卷积神经网络，分割出第二遥感图像中的建筑物区域，得到标注有建筑物区域的第二特征图；
需要说明的是，标注有建筑物区域的第一特征图是通过建筑物区域的像素值与其他区域的像素值不同，得以将第一特征图中的建筑物区域进行标注；同样的，第二特征图中建筑物区域的像素值与其他区域的像素值也是不同的。
步骤S103，将第一特征图与第二特征图进行比对，确定建筑物是否变形；
其中，一方面，可以是具有一定经验的工作人员将第一特征图和第二特征图进行比对，来判断建筑物是否变形；另一方面，可以是将第一特征图和第二特征图进行差分，并利用聚类算法进行聚类从而完成第一特征图和第二特征图的对比分析，来确定建筑物是否变形。
通过上述步骤S101至步骤S103，获取建筑物不同时刻的第一遥感图像和第二遥感图像，使用卷积神经网络对第一遥感图像和第二遥感图像进行处理，得到标注有建筑物区域的第一特征图和第二特征图，并进一步将第一特征图与第二特征图进行比对，确定建筑物是否变形，解决了相关技术中通过使用数据监测装置监测建筑物上布设的多个梁监测点的形变数据来达到对建筑物形变的监测，存在建筑物的变形监测精度低、硬件成本以及维护成本高的问题，提高了建筑物的变形监测精度，以及降低硬件和其维护的成本。
在其中一些实施例中，图2是根据本申请实施例的获取第一特征图的方法的流程图一，如图2所示，通过预先设置的卷积神经网络，分割出第一遥感图像中的建筑物区域得到标注有建筑物区域的第一特征图包括如下步骤：
步骤S201，将第一遥感图像进行裁剪，得到多个第一图像块；
考虑到遥感图像的分辨率非常大，为了减少服务器单位时间内的运算量以及提高处理速度，分别将第一遥感图像和第二遥感图像进行裁剪，得到多个第一图像块和多个第二图像块，具体地，令第一遥感图像和第二遥感图像的尺寸均为n×n，所裁剪的图像块的尺寸均为p×p。
步骤S202，通过预先设置的卷积神经网络，分别分割出多个第一图像块中的建筑物区域，得到标注有建筑物区域的多个第一分割特征图；
步骤S203，将多个第一分割特征图进行拼接，得到与第一遥感图像相对应的第一特征图；
同样的，通过预先设置的卷积神经网络，分割出第二遥感图像中的建筑物区域，得到标注有建筑物区域的第二特征图包括：将第二遥感图像进行裁剪，得到多个第二图像块；通过预先设置的卷积神经网络，分别分割出多个第二图像块中的建筑物区域，得到标注有建筑物区域的多个第二分割特征图；将多个第二分割特征图进行拼接，得到与第二遥感图像相对应的第二特征图；
通过上述步骤S201至步骤S203，先将第一遥感图像和第二遥感图像进行裁剪，得到第一图像块和第二图像块，然后通过预先设置的卷积神经网络对第一图像块和第二图像块进行处理，得到标注有建筑物区域的第一分割特征图和第二分割特征图，最后将第一分割特征图进行拼接得到与第一遥感图像相对应的第一特征图，将第二分割特征图进行拼接得到与第二遥感图像相对应的第二特征图，一定程度上避免了因遥感图像分辨率非常大而带来的服务器单位时间内的运算量大以及处理速度低的问题。
在其中一些实施例中，将第一遥感图像进行裁剪，得到多个第一图像块包括：采用固定的滑动步长对第一遥感图像进行裁剪，得到多个第一图像块，其中，滑动步长小于第一图像块的边长；将第二遥感图像进行裁剪，得到多个第二图像块包括：采用固定的滑动步长对第二遥感图像进行裁剪，得到多个第二图像块，其中，滑动步长小于第二图像块的边长；
具体地，分别在第一遥感图像和第二遥感图像上从左向右、从上向下，以p×p的正方形区域作为裁剪窗口裁剪出该行第一块图像块，然后将裁剪窗口以某一数值的滑动步长在行方向上进行滑动，每一步都裁剪出一块图像块，直到窗口到达该行最右端边界；将窗口返回该行最左端初始位置沿列方向向下滑动一个滑动步长，再在该行重复上述操作，直到将第一遥感图像和第二图像裁剪完成。
图3是根据本申请实施例的获取第一特征图的方法的流程图二，如图3所示，将多个第一分割特征图进行拼接，得到与第一遥感图像相对应的第一特征图之前，建筑物变形监测方法还包括如下步骤：
步骤S301，去除第一分割图的边界，
同样的，将多个第二分割特征图进行拼接，得到与第二遥感图像相对应的第二特征图之前，方法还包括：去除第二分割图的边界；
其中，舍去的边界长度T与滑动步长S的关系，可以是2T＝P-S，p是第一图像块和第二图像块的边长；
需要说明的是，每个图像块的分割特征图都舍去边界部分，一定程度上消除第一图像块边缘和第二图像块边缘对卷积神经网络的分割结果所带来的不利影响。
在其中一些实施例中，图4是根据本申请实施例的获取第一特征图的方法的流程图三，如图4所示，将第一遥感图像进行裁剪，得到多个第一图像块之前，建筑物变形监测方法还包括如下步骤：
步骤S401，对第一遥感图像的边界进行填充，且填充边界的像素值为零；
同样的，将第二遥感图像进行裁剪，得到多个第二图像块之前，方法还包括：对第二遥感图像的边界进行填充，且填充边界的像素值为零；
需要说明的是，由于在拼接前第一图像块和第二图像块均需要去除周围一定长度的像素，也就是舍去边界部分，进而如果不对第一遥感图像和第二遥感图像在裁剪前进行全零填充，处于第一遥感图像边界的第一图像块以及处于第二遥感图像边界的第二图像块，周围的有效像素也会被去除掉，造成拼接后的第一特征图与第一遥感图像之间、第二特征图和第二遥感图像之间尺寸不一致且特征丢失，进而，在裁剪前，分别对第一遥感图像的边界和第二遥感图像的边界进行填充，使得后期拼接出与对应遥感图像尺寸相同的对应特征图并且避免特征丢失；
需要进一步说明的是，针对裁剪时的滑动步长、全零填充的长度、拼接前舍去的边界长度和图像块边长之间的关系：
定义裁剪时的滑动步长为S、全零填充的长度为Z、拼接前舍去的边界长度为T、图像块边长为P；
为了确保后期拼接出的第一特征图与第一遥感图像之间、第二特征图与第二遥感图像之间尺寸相同并且避免特征丢失，全零填充的长度Z是等于拼接前舍去的边界长度T，即：T＝Z
而舍去的边界长度T和全零填充长度Z与滑动步长S、图像块边长P的关系如下式：
这样就可以保证去除第一图像块以及第二图像块的边界部分后，刚好可以拼接成完整的第一特征图和第二特征图。
在其中一些实施例中，图5a是根据本申请实施例的遥感图像边界填充的示意图，如图5a所示，可以将第一遥感图像和第二遥感图像的尺寸均设为n×n，裁剪图像块的尺寸均设为p×p，且第一遥感图像和第二遥感图像的边界填充尺寸可以为0.25p；
图5b是根据本申请实施例的裁剪遥感图像的示意图一，如图5b所示，分别在第一遥感图像和第二遥感图像上从左向右、从上向下，以p×p的正方形区域作为裁剪窗口裁剪出该行第一块的图像块；
图5c是根据本申请实施例的裁剪遥感图像的示意图二，如图5c所示，分别在第一遥感图像和第二遥感图像上从左向右、从上向下，以p×p的正方形区域作为裁剪窗口裁剪出该行第一块的图像块，然后将裁剪窗口以某一数值的滑动步长在行方向上进行滑动，每一步都裁剪出一块图像块，直到窗口到达该行最右端边界，在本申请实施例中，滑动步长为0.5p；
图5d是根据本申请实施例的裁剪遥感图像的示意图三，如图5d所示，将裁剪窗口以某一数值的滑动步长在行方向上进行滑动，每一步都裁剪出一块图像块，直到窗口到达该行最右端边界后，将窗口返回该行最左端初始位置沿列方向向下滑动一个滑动步长，再在该行重复上述操作，直到将第一遥感图像和第二图像裁剪完成。
在其中一些实施例中，图6是根据本申请实施例的确定建筑物是否变形的方法的流程图，如图6所示，根据第一特征图和第二特征图，确定建筑物是否变形包括如下步骤：
步骤S601，将第一特征图和第二特征图进行差分，得到差分后的数据点；
需要说明的是，将第一特征图和第二特征图进行差分，就是将第一特征图和第二特征图对应的像素值相减，以削弱图像的相似部分，突出显示图像的变化部分。
步骤S602，通过聚类算法对数据点进行划分，数据点划分为变化类和非变化类；
具体地，聚类的目标函数为：
其中，表示隶属度函数，表示对象x隶属于集合A的程度的函数，其自变量的范围是所有可能属于集合A的对象，其取值范围为[0,1]；C1为模糊组I的聚类中心，为第I个聚类中心与第j个数据点间的欧式距离；且m∈[1，∞)是一个加权指数；C为聚类数目，该变化检测中则为2，即变化类和非变化类。
步骤S603，将变化类的数据点数量与预先设定的阈值进行比较，确定建筑物是否变形；
其中，若存在变化类的数据点数量大于预先设定的阈值，则判定为发生形变，反之则判断为正常。
通过上述步骤S601至步骤S603，将第一特征图和第二特征图进行差分以得到差分后的数据点，利用聚类算法将数据点划分为变化类和非变化类，并将变化类的数据点数量与预先设定的阈值进行比较，若存在变化类的数据点数量大于预先设定的阈值，则判定为发生形变，进一步提高建筑物形变监测结果的精度。
在其中一些实施例中，建筑物变形监测方法还包括：若建筑物变形，则告警，并根据变化类的数据点，确定建筑物变形的区域坐标以及建筑物变形的区域图像；
其中，根据变化类的数据点位置，来确定建筑物变形的区域坐标，并进一步的根据建筑物变形的区域坐标，获取与区域坐标相对应的建筑物变形的区域图像，并将该区域坐标和区域图像传输至显示装置，便于显示装置进行显示，进行使得建筑物变形监测的监测结果可视化，可以直观地反映出建筑整体出现的问题。
在其中一些实施例中，获取建筑物第一时刻的第一遥感图像和第二时刻的第二遥感图像包括：通过无人机或者卫星，采集建筑物第一时刻的第一遥感图像和第二时刻的第二遥感图像；
具体地，第一遥感图像和第二遥感图像可通过无人机获取，或者第一遥感图像和第二遥感图像可通过卫星获取，进而能够获取到建筑物不同时刻的分辨率高的遥感图像。
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例还提供了一种建筑物变形监测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
在一些实施例中，图7是根据本申请实施例的建筑物变形监测装置的结构框图，如图7所示，该装置包括：获取模块71、特征图生成模块72和变形判断模块73；
获取模块71，用于获取建筑物第一时刻的第一遥感图像和第二时刻的第二遥感图像；
特征图生成模块72，用于通过预先设置的卷积神经网络，分割出第一遥感图像中的建筑物区域，得到标注有建筑物区域的第一特征图，以及通过预先设置的卷积神经网络，分割出第二遥感图像中的建筑物区域，得到标注有建筑物区域的第二特征图；
变形判断模块73，用于将第一特征图与第二特征图进行比对，确定建筑物是否变形。
在其中一些实施例中，获取模块71、特征图生成模块72和变形判断模块73还用于实现上述各实施例提供的建筑物变形监测方法中的步骤，在这里不再赘述。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种建筑物变形监测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
在一个实施例中，图8是根据本申请实施例的计算机设备的内部结构示意图，如图8所示，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种建筑物变形监测方法。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述各实施例提供的建筑物变形监测方法中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各个实施例提供的建筑物变形监测方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种建筑物变形监测方法，其特征在于，所述方法包括：
获取建筑物第一时刻的第一遥感图像和第二时刻的第二遥感图像；
通过预先设置的卷积神经网络，分割出所述第一遥感图像中的建筑物区域，得到标注有所述建筑物区域的第一特征图，以及通过预先设置的卷积神经网络，分割出所述第二遥感图像中的建筑物区域，得到标注有所述建筑物区域的第二特征图；
将所述第一特征图与所述第二特征图进行比对，确定所述建筑物是否变形；
所述通过预先设置的卷积神经网络，分割出所述第一遥感图像中的建筑物区域，得到标注有所述建筑物区域的第一特征图，以及通过预先设置的卷积神经网络，分割出所述第二遥感图像中的建筑物区域，得到标注有所述建筑物区域的第二特征图，包括：
对所述第一遥感图像的边界进行填充，且填充边界的像素值为零；
将所述第一遥感图像进行裁剪，得到多个第一图像块；
通过所述预先设置的卷积神经网络，分别分割出多个所述第一图像块中的建筑物区域，得到标注有所述建筑物区域的多个第一分割特征图；
将多个所述第一分割特征图进行拼接，得到与所述第一遥感图像相对应的所述第一特征图；
对所述第二遥感图像的边界进行填充，且所述填充边界的像素值为零；
将所述第二遥感图像进行裁剪，得到多个第二图像块；
通过所述预先设置的卷积神经网络，分别分割出多个所述第二图像块中的建筑物区域，得到标注有所述建筑物区域的多个第二分割特征图；
将多个所述第二分割特征图进行拼接，得到与所述第二遥感图像相对应的所述第二特征图。
2.根据权利要求1所述的建筑物变形监测方法，其特征在于，将所述第一遥感图像进行裁剪，得到多个第一图像块包括：采用固定的滑动步长对所述第一遥感图像进行裁剪，得到多个所述第一图像块，其中，所述滑动步长小于所述第一图像块的边长；
将多个所述第一分割特征图进行拼接，得到与所述第一遥感图像相对应的所述第一特征图之前，所述方法还包括：去除所述第一分割图的边界；
将所述第二遥感图像进行裁剪，得到多个第二图像块包括：采用固定的滑动步长对所述第二遥感图像进行裁剪，得到多个所述第二图像块，其中，所述滑动步长小于所述第二图像块的边长；
将多个所述第二分割特征图进行拼接，得到与所述第二遥感图像相对应的所述第二特征图之前，所述方法还包括：去除所述第二分割图的边界。
3.根据权利要求1所述的建筑物变形监测方法，其特征在于，将所述第一特征图与所述第二特征图进行比对，确定所述建筑物是否变形包括：
将所述第一特征图和所述第二特征图进行差分，得到差分后的数据点；
通过聚类算法对所述数据点进行划分，所述数据点划分为变化类和非变化类；
将所述变化类的数据点数量与预先设定的阈值进行比较，确定所述建筑物是否变形。
4.根据权利要求3所述的建筑物变形监测方法，其特征在于，所述方法还包括：
若所述建筑物变形则告警，并根据所述变化类的数据点，确定所述建筑物变形的区域坐标以及所述建筑物变形的区域图像。
5.根据权利要求4所述的建筑物变形监测方法，其特征在于，获取建筑物第一时刻的第一遥感图像和第二时刻的第二遥感图像包括：
通过无人机或者卫星，采集所述建筑物第一时刻的第一遥感图像和第二时刻的第二遥感图像。
6.一种建筑物变形监测装置，其特征在于，所述装置包括：获取模块、特征图生成模块和变形判断模块；
所述获取模块，用于获取建筑物第一时刻的第一遥感图像和第二时刻的第二遥感图像；
所述特征图生成模块，用于通过预先设置的卷积神经网络，分割出所述第一遥感图像中的建筑物区域，得到标注有所述建筑物区域的第一特征图，以及通过预先设置的卷积神经网络，分割出所述第二遥感图像中的建筑物区域，得到标注有所述建筑物区域的第二特征图；
所述变形判断模块，用于将所述第一特征图与所述第二特征图进行比对，确定所述建筑物是否变形；
其中，所述特征图生成模块，具体用于：
所述通过预先设置的卷积神经网络，分割出所述第一遥感图像中的建筑物区域，得到标注有所述建筑物区域的第一特征图，以及通过预先设置的卷积神经网络，分割出所述第二遥感图像中的建筑物区域，得到标注有所述建筑物区域的第二特征图，包括：
对所述第一遥感图像的边界进行填充，且填充边界的像素值为零；
将所述第一遥感图像进行裁剪，得到多个第一图像块；
通过所述预先设置的卷积神经网络，分别分割出多个所述第一图像块中的建筑物区域，得到标注有所述建筑物区域的多个第一分割特征图；
将多个所述第一分割特征图进行拼接，得到与所述第一遥感图像相对应的所述第一特征图；
对所述第二遥感图像的边界进行填充，且所述填充边界的像素值为零；
将所述第二遥感图像进行裁剪，得到多个第二图像块；
通过所述预先设置的卷积神经网络，分别分割出多个所述第二图像块中的建筑物区域，得到标注有所述建筑物区域的多个第二分割特征图；
将多个所述第二分割特征图进行拼接，得到与所述第二遥感图像相对应的所述第二特征图。
7.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的建筑物变形监测方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至5中任一项所述的建筑物变形监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011481727.8A CN112651931B (zh) | 2020-12-15 | 2020-12-15 | 建筑物变形监测方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011481727.8A CN112651931B (zh) | 2020-12-15 | 2020-12-15 | 建筑物变形监测方法、装置和计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112651931A CN112651931A (zh) | 2021-04-13 |
| CN112651931B true CN112651931B (zh) | 2024-04-26 |
Family
ID=75354170
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011481727.8A Active CN112651931B (zh) | 2020-12-15 | 2020-12-15 | 建筑物变形监测方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112651931B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115311574B (zh) * | 2022-10-12 | 2023-02-07 | 山东乾元泽孚科技股份有限公司 | 一种建筑物监测方法、设备及介质 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105467390A (zh) * | 2016-01-12 | 2016-04-06 | 重庆大学 | 一种基于地基InSAR的桥梁形变近距离监测方法 |
| CN107066980A (zh) * | 2017-04-18 | 2017-08-18 | 腾讯科技（深圳）有限公司 | 一种图像变形检测方法及装置 |
| CN108805863A (zh) * | 2018-05-02 | 2018-11-13 | 南京工程学院 | 深度卷积神经网络结合形态学检测图像变化的方法 |
| WO2018214195A1 (zh) * | 2017-05-25 | 2018-11-29 | 中国矿业大学 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
| CN109886106A (zh) * | 2019-01-15 | 2019-06-14 | 浙江大学 | 一种基于深度学习的遥感图像建筑物变化检测方法 |
| CN109919944A (zh) * | 2018-12-29 | 2019-06-21 | 武汉大学 | 一种复杂场景建筑物变化检测的联合超像素图割优化方法 |
| CN110163294A (zh) * | 2019-05-29 | 2019-08-23 | 广东工业大学 | 基于降维操作和卷积网络的遥感图像变化区域检测方法 |
| CN110473137A (zh) * | 2019-04-24 | 2019-11-19 | 华为技术有限公司 | 图像处理方法和装置 |
| WO2020019915A1 (zh) * | 2018-07-25 | 2020-01-30 | 北京市商汤科技开发有限公司 | 一种图像处理方法、装置和计算机存储介质 |
| CN111126335A (zh) * | 2019-12-31 | 2020-05-08 | 珠海大横琴科技发展有限公司 | 一种结合显著性和神经网络的sar船只识别方法及系统 |
| CN111126251A (zh) * | 2019-12-20 | 2020-05-08 | 深圳市商汤科技有限公司 | 图像处理方法、装置、设备和存储介质 |
| CN111640116A (zh) * | 2020-05-29 | 2020-09-08 | 广西大学 | 基于深层卷积残差网络的航拍图建筑物分割方法及装置 |
| WO2020192692A1 (zh) * | 2019-03-25 | 2020-10-01 | 华为技术有限公司 | 图像处理方法以及相关设备 |
| CN111738972A (zh) * | 2019-03-19 | 2020-10-02 | 阿里巴巴集团控股有限公司 | 建筑检测系统、方法和装置 |
| CN111767764A (zh) * | 2019-04-02 | 2020-10-13 | 丰图科技(深圳)有限公司 | 建筑楼块的识别方法、装置、服务器及存储介质 |
| CN111798498A (zh) * | 2020-07-16 | 2020-10-20 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
| CN112052783A (zh) * | 2020-09-02 | 2020-12-08 | 中南大学 | 一种结合像素语义关联和边界注意的高分影像弱监督建筑物提取方法 |
-
2020
- 2020-12-15 CN CN202011481727.8A patent/CN112651931B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105467390A (zh) * | 2016-01-12 | 2016-04-06 | 重庆大学 | 一种基于地基InSAR的桥梁形变近距离监测方法 |
| CN107066980A (zh) * | 2017-04-18 | 2017-08-18 | 腾讯科技（深圳）有限公司 | 一种图像变形检测方法及装置 |
| WO2018214195A1 (zh) * | 2017-05-25 | 2018-11-29 | 中国矿业大学 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
| CN108805863A (zh) * | 2018-05-02 | 2018-11-13 | 南京工程学院 | 深度卷积神经网络结合形态学检测图像变化的方法 |
| WO2020019915A1 (zh) * | 2018-07-25 | 2020-01-30 | 北京市商汤科技开发有限公司 | 一种图像处理方法、装置和计算机存储介质 |
| CN109919944A (zh) * | 2018-12-29 | 2019-06-21 | 武汉大学 | 一种复杂场景建筑物变化检测的联合超像素图割优化方法 |
| CN109886106A (zh) * | 2019-01-15 | 2019-06-14 | 浙江大学 | 一种基于深度学习的遥感图像建筑物变化检测方法 |
| CN111738972A (zh) * | 2019-03-19 | 2020-10-02 | 阿里巴巴集团控股有限公司 | 建筑检测系统、方法和装置 |
| WO2020192692A1 (zh) * | 2019-03-25 | 2020-10-01 | 华为技术有限公司 | 图像处理方法以及相关设备 |
| CN111767764A (zh) * | 2019-04-02 | 2020-10-13 | 丰图科技(深圳)有限公司 | 建筑楼块的识别方法、装置、服务器及存储介质 |
| CN110473137A (zh) * | 2019-04-24 | 2019-11-19 | 华为技术有限公司 | 图像处理方法和装置 |
| CN110163294A (zh) * | 2019-05-29 | 2019-08-23 | 广东工业大学 | 基于降维操作和卷积网络的遥感图像变化区域检测方法 |
| CN111126251A (zh) * | 2019-12-20 | 2020-05-08 | 深圳市商汤科技有限公司 | 图像处理方法、装置、设备和存储介质 |
| CN111126335A (zh) * | 2019-12-31 | 2020-05-08 | 珠海大横琴科技发展有限公司 | 一种结合显著性和神经网络的sar船只识别方法及系统 |
| CN111640116A (zh) * | 2020-05-29 | 2020-09-08 | 广西大学 | 基于深层卷积残差网络的航拍图建筑物分割方法及装置 |
| CN111798498A (zh) * | 2020-07-16 | 2020-10-20 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
| CN112052783A (zh) * | 2020-09-02 | 2020-12-08 | 中南大学 | 一种结合像素语义关联和边界注意的高分影像弱监督建筑物提取方法 |
Non-Patent Citations (5)
| Title |
|---|
| Remote Sensing Image Building Extraction Based on Deep Convolutional Neural network;Yi, Yang Qun et al.;International Symposium on Power Electronics and Control Engineering (ISPECE);20190906;全文 * |
| 一种基于DTSVM的遥感图像分割方法;苏菱;吴克伟;黄帅;;合肥工业大学学报(自然科学版);20110331(03);全文 * |
| 利用深度残差网络的遥感影像建筑物提取;刘亦凡;张秋昭;王光辉;李益斌;;遥感信息;20200430(02);全文 * |
| 城市航空影像中建筑群的FCM聚类分割方法;谢兴灿, 裴继红, 黄建军, 唐亮;计算机仿真;20040430(04);全文 * |
| 基于多尺度形变特征卷积网络的高分辨率遥感影像目标检测;邓志鹏;孙浩;雷琳;周石琳;邹焕新;;测绘学报;20180930(09);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112651931A (zh) | 2021-04-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11288525B2 (en) | Object detection for distorted images | |
| CN110969145B (zh) | 一种遥感图像匹配优化方法、装置、电子设备及存储介质 | |
| CN111310770B (zh) | 目标检测方法和装置 | |
| CN112733812A (zh) | 三维车道线检测方法、装置及存储介质 | |
| CN112739983B (zh) | 校正点云数据的方法和相关装置 | |
| CN112651931B (zh) | 建筑物变形监测方法、装置和计算机设备 | |
| CN111862187A (zh) | 基于神经网络的杯盘比确定方法、装置、设备及存储介质 | |
| CN112419231A (zh) | 能见度确定方法、装置、计算机设备和存储介质 | |
| US20220254062A1 (en) | Method, device and storage medium for road slope predicating | |
| CN110910432A (zh) | 一种遥感图像匹配方法、装置、电子设备及可读存储介质 | |
| CN112634628B (zh) | 一种车辆速度确定方法、终端及存储介质 | |
| CN117745537A (zh) | 隧道设备温度检测方法、装置、计算机设备和存储介质 | |
| WO2021200038A1 (ja) | 道路劣化診断装置、道路劣化診断方法、及び、記録媒体 | |
| CN114037953A (zh) | 边坡安全监测方法、装置、计算机设备及存储介质 | |
| CN113506293A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
| CN111582296B (zh) | 一种遥感图像综合匹配方法、装置、电子设备及存储介质 | |
| CN111582013A (zh) | 一种基于灰度共生矩阵特征船只检索方法及装置 | |
| CN116051998A (zh) | 一种自然保护区界桩监测方法及系统 | |
| CN114913500A (zh) | 位姿确定方法、装置、计算机设备和存储介质 | |
| CN113099210B (zh) | 三维图像还原方法、装置、计算机设备和存储介质 | |
| CN112863183B (zh) | 一种交通流数据融合方法及系统 | |
| CN117740186B (zh) | 隧道设备温度检测方法、装置和计算机设备 | |
| CN117112091B (zh) | 基于数字孪生的水情及大坝安全监测系统及模型解耦方法 | |
| CN113822800B (zh) | 一种全景图像拼接融合的方法及装置 | |
| CN113902748B (zh) | 一种基于改进U-net的无人机海上溢油路径识别方法及装置 |
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 |