CN112712033B - 一种城市排水管网汇水区自动划分方法 - Google Patents
一种城市排水管网汇水区自动划分方法 Download PDFInfo
- Publication number
- CN112712033B CN112712033B CN202011628206.0A CN202011628206A CN112712033B CN 112712033 B CN112712033 B CN 112712033B CN 202011628206 A CN202011628206 A CN 202011628206A CN 112712033 B CN112712033 B CN 112712033B
- Authority
- CN
- China
- Prior art keywords
- road
- convolutional neural
- network
- neural network
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000000605 extraction Methods 0.000 claims abstract description 54
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 36
- 230000008878 coupling Effects 0.000 claims abstract description 8
- 238000010168 coupling process Methods 0.000 claims abstract description 8
- 238000005859 coupling reaction Methods 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 24
- 230000004927 fusion Effects 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 12
- 238000010276 construction Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种城市排水管网汇水区自动划分方法,解决了现有汇水区划分效率不高的问题,属于环境工程、可见光遥感影像语义分割与计算机视觉交叉应用领域。本发明包括:S1、获取城市目标区域遥感图像,构建训练数据集;S2、利用卷积神经网络耦合变体残差网络来构建路网提取卷积神经网络模型,变体残差网络作为卷积神经网络的编码结构;S3、利用训练数据集训练路网提取卷积神经网络模型,确定路网提取卷积神经网络模型的参数;S4、将城市待划分区域遥感影像输入至路网提取卷积神经网络模型中,提取路网信息;S5、对提取的路网信息划分出汇水区域,结合雨水井点分布的先验信息,利用反距离加权的泰森多边形方法进一步划分出子汇水区。
Description
技术领域
本发明涉及一种基于卷积神经网络耦合变体残差学习单元的城市排水管网汇水区自动划分方法,属于环境工程、可见光遥感影像语义分割与计算机视觉交叉应用领域。
背景技术
城市排水管网模型的建立过程主要包括汇水区划分、管段参数录入、关键涉水设施的参数设置、敏感性参数率定等环节。其中汇水区划分是整个排水管网模型的构建基础,划分结果精度的高低直接影响城市雨水在下渗、蒸发与径流过程的计算准确性。
在传统城市排水管网建模过程中,汇水区的划分主要分为两种方法,一是基于城市行政区划图、地形图、规划图等资料的人工手绘,划分精度较高,但耗时长、效率低;二是基于泰森多边形法则的汇水区机械性自动划分,以雨水检查井为中心划分为不规则多边形汇水区,划分速率快,但精度较低,雨水汇流方式与实际情况经常相差甚远。因此如何进行高效精确的汇水区划分,是城市排水管网模型建设过程中的重要瓶颈问题。
发明内容
针对现有汇水区划分效率不高的问题,本发明提供一种城市排水管网汇水区自动划分方法。
本发明的一种城市排水管网汇水区自动划分方法,所述方法包括:
S1、获取城市目标区域遥感图像,构建训练数据集;
S2、利用卷积神经网络耦合变体残差网络来构建路网提取卷积神经网络模型,变体残差网络作为卷积神经网络的编码结构;
S3、利用训练数据集训练路网提取卷积神经网络模型,确定路网提取卷积神经网络模型的参数;
S4、将城市待划分区域遥感影像输入至路网提取卷积神经网络模型中,提取路网信息;
S5、对提取的路网信息划分出汇水区域,结合雨水井点分布的先验信息,利用反距离加权的泰森多边形方法进一步划分出子汇水区。
作为优选,所述S1包括:
S11、利用地图下载工具下载城市遥感影像与城市道路图层,作为原始遥感图像;
S12、对原始遥感图像进行HSV对比度变换和空间几何变换的数据増强处理;
S13、对S12增强处理后的图像按照预定尺寸裁切;
S14、对S13裁切后的原始遥感图像进行处理,包括:对道路图层进行二值化处理,得到仅有道路目标信息的二值图像,及对遥感图像进行阈值分割,划分出含有道路信息的区域;
S15、分析并提取出道路特征:
提取S14处理后的图像LBP特征,得到第一特征图;
将S14处理后的图像滤波,再使用边缘检测一阶sobel算子或二阶canny算子提取图像特征,然后通过闭运算,得到第二特征图;
将第一特征图、第二特征图与S14处理后的图像叠加,存入训练数据集。
作为优选,所述S2中,构建路网提取卷积神经网络模型的方法包括:
S21、构建变体残差网络作为编码结构,变体残差网络包括特征提取模块和特征融合模块;
特征提取模块,用于对城市遥感图像进行下采样,完成特征提取,所述特征提取模块为一级双层卷积叠加四级变体残差学习单元连接;
所述四级变体残差学习单元采用所包含的残差块数目分别为3,4,6,3,并在后面加入条状池化单元;
所述变体残差学习单元包括主干路和次干路,主干路通过将特征图依次进行卷积化、批量归一化、激活函数非线性处理,再卷积化、激活函数非线性化得到第一更新特征图;
次干路通过将特征图依次进行一次卷积化和批量归一化得到第二更新特征图像;将第一更新特征图与第二更新特征图进行叠加输出,完成特征提取;
特征融合模块,用于对提取的特征进行上采样,完成特征融合,所述特征融合模块为四级叠加一层反卷积单元;
S22、构建5级D-Linknet膨胀卷积模块,其输入为S21中特征融合模块的输出;
S23、构建解码结构,解码结构采用四级上采样模块后补充构建一层反卷积单元,连接Softmax函数模块。
作为优选,所述S3中,利用交叉熵损失函数用以监督路网提取卷积神经网络模型参数的训练优化,所述交叉熵损失函数为:
其中正则化项为:
f(di)=0(di=0)
其中,I表示当前图像内所有像素点的集合;di代表第i个像素点到图像内道路区域的最小欧氏距离;maxi∈I{di}代表当前图像内的所有像素点中到道路区域的最大欧氏距离;T是设置的阈值;在当前的像素点距离道路区域足够远时T≤di,将惩罚系数定义为L表示损失值,yi表示地面真值,若第i个像素点为道路,则yi=1,若第i个像素点不是道路,则yi=0,ai表示网络输出,即当前第i个像素点为道路的概率。
作为优选,所述S3还包括利用评价指标F1-score对确定参数的路网提取卷积神经网络模型进行评估:
式中,TP表示预测正确的正例数目,FP表示预测错误的正例数目,FN表示预测错误的反例数目,Recall为召回率,Precision为查准率。
作为优选,所述S5包括:
S51、对汇水区域内离散的雨水井点位构建Delaunay三角网,对雨水井点和形成的三角形编号,记录每个三角形的三个雨水井点;
S52、找出每个雨水井点相邻的所有三角形的编号,并记录下来,在已构建的三角网中找出具有一个相同雨水井点的所有三角形;
S53、对每个雨水井点相邻的三角形按顺时针或逆时针方向排序;
S54、计算并记录每个三角形的外接圆圆心点位;
S55、根据每个雨水井点的相邻三角形,连接这些相邻三角形的外接圆圆心点位,即得到泰森多边形;
S56、对三角网边缘的泰森多边形,作垂直平分线与图廓相交,与图廓一起构成泰森多边形,对泰森多边形的轮廓进行反距离加权修正,将汇水区划分为多个子汇水区。
作为优选,S56中,反距离加权修正的方法为:
两个已知雨水井点A和B,坐标分别为(X1,Y1)和(X2,Y2),计算出各自最邻近雨水井点的距离权重λ1和λ2,对外接圆圆心点位(X,Y)坐标修正为(OX,OY)为:
外接圆的半径为:
d(A,B)表示雨水井点A与B的直线距离。
作为优选,所述方法还包括:
S6、对汇水区分布栅格数据进行地理配准和矢量转化,将栅格数据转为矢量数据,提取汇水区要素关键折点地理位置坐标信息。
本发明的有益效果:本发明具体流程包括卷积神经网络融合变体残差学习单元的框架构建与训练、汇水区识别与泰森多边形细致划分、以及地理信息校准后续处理。本发明的具体优势在于:本发明弥补了传统人工目译法效率低和单纯泰森多边形法精度低的两个弊端,利用卷积神经网络+泰森多边形法联用,实现了排水管网汇水区的自动划分;本发明在汇水区划分过程中充分综合考虑了遥感影像地图多尺度的上下文、纹理及像素值等信息,相比较于人工目译法,汇水区划分精度明显提升;本发明的汇水区划分结果可直接输入至排水管网模型,显著加速了排水管网建模过程,极大地提高了建模效率。
附图说明
图1为本发明方法的流程示意图。
具体实施方式
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,显然,所描述的实施例仅仅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,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
本实施方式的一种城市排水管网汇水区自动划分方法,包括:
步骤一、获取城市目标区域遥感图像,构建训练数据集;
步骤二、利用卷积神经网络耦合变体残差网络来构建路网提取卷积神经网络模型,变体残差网络作为卷积神经网络的编码结构;
步骤三、利用训练数据集训练路网提取卷积神经网络模型,确定路网提取卷积神经网络模型的参数;
步骤四、将城市待划分区域遥感影像输入至路网提取卷积神经网络模型中,提取路网信息;
步骤五、对提取的路网信息划分出汇水区域,结合雨水井点分布的先验信息,利用反距离加权的泰森多边形方法进一步划分出子汇水区。
本实施方式针对城市排水管网汇水区的划分流程,提出了基于卷积神经网络耦合变体残差学习单元的城市排水管网汇水区自动划分方法,本实施方式建立卷积神经网络模型D-Linknet耦合变体残差网络Resnet34-blocks对城市遥感影像进行基于建筑物和路网的精准快速提取,实现基于城市区块建筑分布的边缘特征识别;结合雨水检查井先验分布信息,基于泰森多边形原则对汇水区进行进一步分割;完成汇水区栅格数据地理配准,并转为矢量数据,将结果输入至城市排水管网模型。本实施方式突破了传统汇水区划分效率低、精度差的弊端,实现高效高精度自动化流程运行,从而提升城市排水管网模型的建模效率与模型精度。
本实施方式的步骤一包括:
步骤一一、利用地图下载工具下载城市遥感影像与城市道路图层,作为原始遥感图像;
步骤一二、对原始遥感图像进行HSV对比度变换和空间几何变换的数据増强处理;
步骤一三、对步骤一二增强处理后的图像按照预定尺寸裁切;
步骤一四、对步骤一三裁切后的原始遥感图像进行处理,包括:对道路图层进行二值化处理,得到仅有道路目标信息的二值图像,及对遥感图像进行阈值分割,划分出含有道路信息的区域;
步骤一五、分析并提取出道路特征:
提取步骤一四处理后的图像LBP特征,得到第一特征图;
将步骤一四处理后的图像滤波,再使用边缘检测一阶sobel算子或二阶canny算子提取图像特征,然后通过闭运算,得到第二特征图;
将第一特征图、第二特征图与步骤一四处理后的图像叠加,存入训练数据集。
本实施方式的步骤二包括:
步骤二一、构建变体残差网络作为编码结构,变体残差网络包括特征提取模块和特征融合模块;
特征提取模块,用于对城市遥感图像进行下采样,完成特征提取,所述特征提取模块为一级双层卷积叠加四级变体残差学习单元连接;
所述四级变体残差学习单元采用所包含的残差块数目分别为3,4,6,3,并在后面加入条状池化单元;
所述变体残差学习单元包括主干路和次干路,主干路通过将特征图依次进行卷积化、批量归一化、激活函数非线性处理,再卷积化、激活函数非线性化得到第一更新特征图;
次干路通过将特征图依次进行一次卷积化和批量归一化得到第二更新特征图像;将第一更新特征图与第二更新特征图进行叠加输出,完成特征提取;
特征融合模块,用于对提取的特征进行上采样,完成特征融合,所述特征融合模块为四级叠加一层反卷积单元;
其中每个上采样层连接对应的下采样上下四层结构;
步骤二二、构建5级D-Linknet膨胀卷积模块,其输入为S21中特征融合模块的输出;
步骤二三、构建解码结构,解码结构采用四级上采样模块后补充构建一层反卷积单元,连接Softmax函数模块。Softmax函数公式如下,其中C是标签类别个数。
本实施方式的步骤三对路网提取卷积神经网络模型进行训练:
步骤三一、训练数据加载:载入训练数据集和标签数据集,验证训练数据集和标签数据集。
步骤三二、模型初始化:初始化模型,设置模型迭代次数、学习率与衰减周期、训练数据数目、训练模型地址等训练参数和目标值。
步骤三三、训练模型:对路网提取卷积神经网络模型进行训练,其中将预处理后的遥感图像输入至路网提取卷积神经网络模型中,将标签图像作为路网提取卷积神经网络模型输出的真值标签;计算路网提取卷积神经网络模型每一次输出结果与对应真值标签之间的损失函数,以最小化损失函数为目标函数,利用网络参数的优化算法对路网提取卷积神经网络模型中的参数不断进行优化;当损失函数值不再下降时,将此时的路网提取卷积神经网络模型参数保存为最终的网络模型参数。
本实施方式利用交叉熵损失函数用以监督路网提取卷积神经网络模型参数的训练优化,所述交叉熵损失函数为:
其中正则化项为:
f(di)=0(di=0)
其中,I表示当前图像内所有像素点的集合;di代表第i个像素点到图像内道路区域的最小欧氏距离;maxi∈I{di}代表当前图像内的所有像素点中到道路区域的最大欧氏距离;T是设置的阈值;在当前的像素点距离道路区域足够远时T≤di,将惩罚系数定义为L表示损失值,yi表示地面真值,若第i个像素点为道路,则yi=1,若第i个像素点不是道路,则yi=0,ai表示网络输出,即当前第i个像素点为道路的概率。
步骤三四、输出结果:将待划分区域遥感影像输入路网提取卷积神经网络模型,得到路网识别的栅格图像信息。
本实施方式的步骤三还包括通过计算交互比(kappa系数矩阵)与F1-score评估模型训练结果。具体为利用评价指标F1-score对确定参数的路网提取卷积神经网络模型进行评估:
式中,TP表示预测正确的正例数目,FP表示预测错误的正例数目,FN表示预测错误的反例数目,Recall为召回率,Precision为查准率。
本实施方式的步骤五包括:
步骤五一、对汇水区域内离散的雨水井点位构建Delaunay三角网,对雨水井点和形成的三角形编号,记录每个三角形的三个雨水井点;
步骤五二、找出每个雨水井点相邻的所有三角形的编号,并记录下来,在已构建的三角网中找出具有一个相同雨水井点的所有三角形;
步骤五三、对每个雨水井点相邻的三角形按顺时针或逆时针方向排序,以便下一步连接生成泰森多边形。设一雨水井点位为o。找出以o为顶点的一个三角形,设为A;再取三角形A中除o点外的另一雨水井点位,设为a,则可找出另一个点位,即为f;则下一个三角形必然是以of为边的,即为三角形F;则三角形F的另一点位为e,则下一三角形是以oe为边的;如此重复进行,直到回到oa边;
步骤五四、计算并记录每个三角形的外接圆圆心点位;
步骤五五、根据每个雨水井点的相邻三角形,连接这些相邻三角形的外接圆圆心点位,即得到泰森多边形;
步骤五六、对三角网边缘的泰森多边形,作垂直平分线与图廓相交,与图廓一起构成泰森多边形,对泰森多边形的轮廓进行反距离加权修正,将汇水区划分为多个子汇水区;反距离加权修正的方法为:
两个已知雨水井点A和B,坐标分别为(X1,Y1)和(X2,Y2),计算出各自最邻近雨水井点的距离权重λ1和λ2,对外接圆圆心点位(X,Y)坐标修正为(OX,OY)为:
外接圆的半径为:
d(A,B)表示已知两个雨水井点A与B的直线距离。
本实施方式还包括:
步骤六、对汇水区分布栅格数据进行地理配准和矢量转化,将栅格数据转为矢量数据,提取汇水区要素关键折点地理位置坐标信息,增加其地理属性:
步骤六一、在ArcMap中,选择坐标系统并添加需要与投影数据对齐的汇水区分布栅格数据集。
步骤六二、添加控制点,绿色十字丝为原始坐标,红色十字丝为目标坐标。将步骤五所得汇水区分布栅格数据集的已知位置链接到地图坐标中的已知位置。
步骤六三、检查残差,即起点所落的位置与指定的实际位置之间的差。并依据可校正畸变的复杂程度选择对应阶次的地理配准方法。查看链接表以检查各点的残差和RMS总误差(RMS为所有控制点残差的均方根,即总体误差)。若RMS误差大于1的控制点则需删除。若对地理配准结果满意,则保存地理配准信息。
步骤六四、栅格数据转为矢量数据,提取汇水区面要素关键折点地理位置坐标信息,从而导出至排水管网模型使用。
具体实施例:
某城市A,环境配置采用主频4.0GHz、内存为64GB Intel(R)Core(TM)i9-9700K处理器,显存11GB的英伟达GTX 2080Ti显卡。具体过程如下:
步骤1、A城市目标区域图像获取与预处理:
使用全能地图下载器从Google Earth下载A城市的遥感影像与道路提取图层;利用ArcGIS将同一地理位置遥感图像和道路提取图层矢量化并裁切成1024×1024的图元;
预处理包括:对城市A原始遥感图像进行HSV对比度变换和空间几何变换的数据増强处理;将城市A增强遥感图像和道路提取图层按照1024×1024裁切;对道路提取图层进行二值化处理,获得仅有道路信息的二值图像,及对遥感图像进行阈值分割,划分出含有道路信息的区域;分析图像,提取出道路特征:提取城市A原图LBP特征,得到第一特征图;将原图通过滤波器,再使用边缘检测算法中的一阶sobel算子或二阶canny算子提取图像特征,然后通过闭运算得到第二特征图;将上述第一特征图、第二特征图与原图叠加,最终获得城市A1024×1024大小的训练/测试数据集。
步骤2、构建变体残差网络单元Resnet34-blocks耦合D-Linknet的城市A路网提取卷积神经网络模型:
步骤2.1主体编码解码体系的网络模型首先利用一级双层卷积及四级变体残差学习单元对输入的城市A图像数据集进行下采样,完成特征提取;利用四级叠加一层反卷积单元(3×3,步长2)进行上采样,完成特征融合。其中模型的每个上采样层连接对应的下采样上下四层结构。
步骤2.2编码结构中的变体残差学习单元包含主干路和次干路的处理,主干路部分通过将特征图进行卷积化、批量归一化、激活函数非线性处理,再卷积化、激活函数非线性化得到第一更新特征图;次干路部分通过将特征图进行一次卷积化和批量归一化得到第二更新特征图像;将第一更新特征图与第二更新特征图进行叠加输出。四层变体残差学习单元Resnet34-blocks所包含的残差块数目分别为3,4,6,3,其后面加入了strip-pooling条状池化单元,用于提取图像多维度下的道路纹理特征。
步骤2.3在变体残差网络的基础上构建5层D-Linknet膨胀卷积模块,其每层的感受野大小依次设置为31,15,7,3,1,构建起中心体模块单元R-DlinkNet深度卷积神经网络。
步骤2.4解码结构中四级上采样模块后补充构建一层反卷积单元(4×4,步长2),连接sigmoid函数模块完成解码结构的网络模型输出。
步骤3、训练变体残差网络单元Resnet34-blocks耦合D-Linknet的城市A路网提取卷积神经网络模型:
步骤3.1对R-DlinkNet解码编码体系的深度卷积神经网络耦合D-Linknet膨胀卷积模块进行训练,获取遥感图像路网提取系统。其中将预处理后的遥感图像输入耦合D-Linknet膨胀卷积模块的R-DLinkNet深度卷积神经网络中,将标签图像作为网络输出的真值标签;计算卷积层神经网络每一次输出结果与对应真值标签之间的损失函数,以最小化损失函数为目标函数,利用网络参数优化算法对网络中的参数不断进行优化;当损失值不再下降时,将此时的网络参数保存为最终的网络模型参数。
本实施例中损失函数使用基于城市A道路结构特性的交叉熵损失函数用以监督参数优化过程。本实施例中网络参数的优化算法具体优化过程为:将初始学习率设置为0.0002,每个循环运算2000次,每次运算两张图像,每四个循环后,将学习率变为原始学习率的0.997倍,使用多个遥感路网标签图像对网络模型进行训练,当损失值缩小10倍后,将学习率缩小10倍继续训练,当损失值不再下降,将此时网络参数保存为最终的网络模型参数。训练的环境配置采用主频4.0GHz、内存为64GB Intel(R)Core(TM)i9-9700K处理器,显存11GB的英伟达GTX 2080Ti显卡。训练批次与迭代数设置如表1所示。模型评估效果如表2所示。
表1训练参数设置
参数名称 | 数值 |
Batch Size | 4 |
Epochs | 160 |
表2模型评估结果
分析可知:当迭代次数达到150次时,模型平均交互比达到82%,F1-Score达到93%。由此可见,本实施例提出的变体残差网络单元耦合D-Linknet卷积神经网络模型可以用于精准提取划分城市A汇水区所依据的路网信息。
步骤3.2将城市A待划分区域遥感影像输入R-D-LinkNet卷积神经网络模型,得到路网信息。
步骤4、依据步骤3.2中所提取的包含建筑分布、街道走向等边缘信息的城市A路网图,精准划出子流域,包含278个汇水区。然后结合雨水检查井分布等先验信息,利用ArcGIS中ArcScan矢量化工具将栅格数据转为矢量数据,再应用ArcToolbox空间分析模块中插值分析-反距离加权的泰森多边形方法进一步细分得到子汇水区848个。
步骤5、利用ArcGIS对步骤4所得848个子汇水区分布原始栅格数据进行地理配准,增加其地理属性。同时利用ArcGIS中ArcScan矢量化工具将栅格数据转为矢量数据,输入至管网模型进行后续建模工作。
虽然在本文中参照了特定的实施方式来描述本发明,但是应该理解的是,这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是,可以对示例性的实施例进行许多修改,并且可以设计出其他的布置,只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是,可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是,结合单独实施例所描述的特征可以使用在其他所述实施例中。
Claims (7)
1.一种城市排水管网汇水区自动划分方法,其特征在于,所述方法包括:
S1、获取城市目标区域遥感图像,构建训练数据集;
S2、利用卷积神经网络耦合变体残差网络来构建路网提取卷积神经网络模型,变体残差网络作为卷积神经网络的编码结构;
所述S2中,构建路网提取卷积神经网络模型的方法包括:
S21、构建变体残差网络作为编码结构,变体残差网络包括特征提取模块和特征融合模块;
特征提取模块,用于对城市遥感图像进行下采样,完成特征提取,所述特征提取模块为一级双层卷积叠加四级变体残差学习单元连接;
所述四级变体残差学习单元采用所包含的残差块数目分别为3,4,6,3,并在后面加入条状池化单元;
所述变体残差学习单元包括主干路和次干路,主干路通过将特征图依次进行卷积化、批量归一化、激活函数非线性处理,再卷积化、激活函数非线性化得到第一更新特征图;
次干路通过将特征图依次进行一次卷积化和批量归一化得到第二更新特征图像;将第一更新特征图与第二更新特征图进行叠加输出,完成特征提取;
特征融合模块,用于对提取的特征进行上采样,完成特征融合,所述特征融合模块为四级叠加一层反卷积单元;
S22、构建5级D-Linknet膨胀卷积模块,其输入为S21中特征融合模块的输出;
S23、构建解码结构,解码结构采用四级上采样模块后补充构建一层反卷积单元,连接Softmax函数模块;
S3、利用训练数据集训练路网提取卷积神经网络模型,确定路网提取卷积神经网络模型的参数;
S4、将城市待划分区域遥感影像输入至路网提取卷积神经网络模型中,提取路网信息;
S5、对提取的路网信息划分出汇水区域,结合雨水井点分布的先验信息,利用反距离加权的泰森多边形方法进一步划分出子汇水区。
2.根据权利要求1所述的城市排水管网汇水区自动划分方法,其特征在于,所述S1包括:
S11、利用地图下载工具下载城市遥感影像与城市道路图层,作为原始遥感图像;
S12、对原始遥感图像进行HSV对比度变换和空间几何变换的数据増强处理;
S13、对S12增强处理后的图像按照预定尺寸裁切;
S14、对S13裁切后的原始遥感图像进行处理,包括:对道路图层进行二值化处理,得到仅有道路目标信息的二值图像,及对遥感图像进行阈值分割,划分出含有道路信息的区域;
S15、分析并提取出道路特征:
提取S14处理后的图像LBP特征,得到第一特征图;
将S14处理后的图像滤波,再使用边缘检测一阶sobel算子或二阶canny算子提取图像特征,然后通过闭运算,得到第二特征图;
将第一特征图、第二特征图与S14处理后的图像叠加,存入训练数据集。
5.根据权利要求1所述的城市排水管网汇水区自动划分方法,其特征在于,所述S5包括:
S51、对汇水区域内离散的雨水井点位构建Delaunay三角网,对雨水井点和形成的三角形编号,记录每个三角形的三个雨水井点;
S52、找出每个雨水井点相邻的所有三角形的编号,并记录下来,在已构建的三角网中找出具有一个相同雨水井点的所有三角形;
S53、对每个雨水井点相邻的三角形按顺时针或逆时针方向排序;
S54、计算并记录每个三角形的外接圆圆心点位;
S55、根据每个雨水井点的相邻三角形,连接这些相邻三角形的外接圆圆心点位,即得到泰森多边形;
S56、对三角网边缘的泰森多边形,作垂直平分线与图廓相交,与图廓一起构成泰森多边形,对泰森多边形的轮廓进行反距离加权修正,将汇水区划分为多个子汇水区。
7.根据权利要求1所述的城市排水管网汇水区自动划分方法,其特征在于,所述方法还包括:
S6、对汇水区分布栅格数据进行地理配准和矢量转化,将栅格数据转为矢量数据,提取汇水区要素关键折点地理位置坐标信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011628206.0A CN112712033B (zh) | 2020-12-30 | 2020-12-30 | 一种城市排水管网汇水区自动划分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011628206.0A CN112712033B (zh) | 2020-12-30 | 2020-12-30 | 一种城市排水管网汇水区自动划分方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112712033A CN112712033A (zh) | 2021-04-27 |
CN112712033B true CN112712033B (zh) | 2021-11-19 |
Family
ID=75547683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011628206.0A Active CN112712033B (zh) | 2020-12-30 | 2020-12-30 | 一种城市排水管网汇水区自动划分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112712033B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673067B (zh) * | 2021-08-25 | 2023-09-01 | 福州市规划设计研究院集团有限公司 | 基于排水管网数字高程模型的城市汇水区划分方法及系统 |
CN115049028B (zh) * | 2022-08-17 | 2022-12-13 | 中建五局第三建设有限公司 | 基于无监督学习的施工区域分区方法、系统、终端及介质 |
CN116071348B (zh) * | 2023-03-02 | 2023-06-13 | 深圳市捷牛智能装备有限公司 | 基于视觉检测的工件表面检测方法及相关装置 |
CN117291476B (zh) * | 2023-11-27 | 2024-02-13 | 南京如昼信息科技有限公司 | 基于遥控机器人的城市排水管道的评估方法及系统 |
CN117407479A (zh) * | 2023-12-13 | 2024-01-16 | 中电建水环境科技有限公司 | 基于gis的城市排水管网子汇水区自动快速划分方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101692273A (zh) * | 2009-09-28 | 2010-04-07 | 北京工业大学 | 城市排水管网在线水力模型建模方法 |
JP6984350B2 (ja) * | 2017-11-28 | 2021-12-17 | 株式会社明電舎 | 下水道管渠内水位予測装置及び下水道管渠内水位予測プログラム |
CN111797920B (zh) * | 2020-06-30 | 2022-08-30 | 武汉大学 | 门控特征融合的深度网络不透水面遥感提取方法及系统 |
-
2020
- 2020-12-30 CN CN202011628206.0A patent/CN112712033B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112712033A (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112712033B (zh) | 一种城市排水管网汇水区自动划分方法 | |
CN109446992B (zh) | 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备 | |
CN110705457B (zh) | 一种遥感影像建筑物变化检测方法 | |
CN111666918B (zh) | 一种基于多因素的海岸线变化识别方法 | |
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
WO2024077812A1 (zh) | 基于点云语义分割与结构拟合的单体建筑三维重建方法 | |
CN110163213B (zh) | 基于视差图和多尺度深度网络模型的遥感图像分割方法 | |
CN108564588B (zh) | 一种基于深度特征和图割法的建成区自动提取方法 | |
CN114092697B (zh) | 注意力融合全局和局部深度特征的建筑立面语义分割方法 | |
CN114444791A (zh) | 一种基于机器学习的洪涝灾害遥感监测评估方法 | |
CN111753682B (zh) | 一种基于目标检测算法的吊装区域动态监控方法 | |
CN114821342B (zh) | 一种遥感影像道路提取方法及系统 | |
CN113724279B (zh) | 路网自动划分交通小区的系统、方法、设备及存储介质 | |
CN115223017B (zh) | 一种基于深度可分离卷积的多尺度特征融合桥梁检测方法 | |
CN114283285A (zh) | 交叉一致性自训练遥感图像语义分割网络训练方法及装置 | |
CN115512247A (zh) | 基于图像多参数提取的区域建筑损伤等级评定方法 | |
CN116524189A (zh) | 一种基于编解码索引化边缘表征的高分辨率遥感图像语义分割方法 | |
CN115019163A (zh) | 基于多源大数据的城市要素识别方法 | |
CN113591608A (zh) | 一种基于深度学习的高分辨率遥感影像不透水面提取方法 | |
CN117173595A (zh) | 基于改进YOLOv7的无人机航拍图像目标检测方法 | |
CN115690597A (zh) | 一种基于深度背景差分的遥感影像城市地物变化检测方法 | |
CN114882490A (zh) | 一种基于点引导定位的无受限场景车牌检测分类方法 | |
CN111738324B (zh) | 一种基于分频卷积的多频率和多尺度融合的自动化裂缝检测方法 | |
CN116091911A (zh) | 一种地震勘探工区建筑物自动识别方法及系统 | |
CN114219701A (zh) | 敦煌壁画艺术风格转换方法、系统、计算机设备及存储介质 |
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 |