CN113159044A - 一种基于深度学习的卷积神经网络的道路材质识别方法 - Google Patents
一种基于深度学习的卷积神经网络的道路材质识别方法 Download PDFInfo
- Publication number
- CN113159044A CN113159044A CN202110357460.XA CN202110357460A CN113159044A CN 113159044 A CN113159044 A CN 113159044A CN 202110357460 A CN202110357460 A CN 202110357460A CN 113159044 A CN113159044 A CN 113159044A
- Authority
- CN
- China
- Prior art keywords
- road
- image
- deep learning
- neural network
- convolutional neural
- 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
Links
- 239000000463 material Substances 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 19
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 239000003086 colorant Substances 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000010586 diagram Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 abstract description 13
- 238000007781 pre-processing Methods 0.000 abstract description 4
- 230000003595 spectral effect Effects 0.000 abstract description 4
- 238000010183 spectrum analysis Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 15
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000001629 suppression Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 241000442452 Parapenaeus longirostris Species 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004568 cement Substances 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
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007726 management method 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
- 238000012805 post-processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于道路材质识别技术领域,公开了一种基于深度学习的卷积神经网络的道路材质识别方法,包括以下步骤:输入影像,找到道路位置;将非道路位置亮度调0;将影像转为红、绿、近红三通道,对道路材质进行识别;收集好数据后,搭建以ResNet50为特征提取器的deeplabV3+语义分割模型,在影像上进行训练;得到每条道路都着色的热力图,通过颜色判定道路的材质类别。本发明通过结合路网数据,以及部分手工矫正,避免了在道路位置的提取上花费过大的计算资源,同时,本发明结合了卫星影像所具有多波段光谱信息这一特点,对不同的路面材质进行了光谱分析,使输入数据中含有的特征信息更加丰富且更具有代表性,并通过预处理凸显目标的所有特征,提高了识别精度。
Description
技术领域
本发明属于道路材质识别技术领域,具体是涉及一种基于深度学习的卷积神经网络的道路材质识别方法。
背景技术
我国面积辽阔,人口众多,道路作为一种重要的基础设施,其发展规划和测量一直以来备受关注。由于我国地势主要分为三大阶梯状,西高东低等原因造成我国道路分布情况复杂。城市道路、山区道路、乡村道路的复杂程度也不完全相同,其中城市道路路网较为密集,相互交错且主干道与次干道宽窄不一,每段道路路面材料也不相同;山区道路主要分布在较为恶劣的自然环境中,或者分布在高原、峡谷,道路盘旋曲折,形状各异;乡村道路较为狭窄且道路分布密疏不一,有的道路可能被树木,建筑物等遮挡。
传统的道路材质识别都是由人工完成,这样的方法耗费着国家巨大的人力、物力和财力。遥感影像具有覆盖面广,价格低廉等优点,为道路快速高效的材质识别提供良好的数据支撑。遥感影像从低空间分辨率到高空间分辨率的跨越过程中,地物呈现的特征越来越明显,道路和周边地物的边界也愈发清晰,比较常见的特征有颜色信息纹理和形状轮廓信息。我国道路主要分为沥青路、水泥路、砂石路、土路,道路材质的识别有助于衡量道路的载重能力和车辆通行能力,而且对于不同材质的道路,可以合理分配管理成本,使资源得到合理利用。
目前,基于遥感图像获取道路信息主要是靠人工特征提取,但该方法远远不能满足实际道路数据的需求。如何利用遥感图像,实现城市道路的自动和智能识别已经成为当前遥感领域的一个重要研究热点。城市道路的智能识别可以为大量应用提供帮助,如车辆导航、城市规划和地理信息系统升级等。然而,由于遥感图像中有噪声、遮挡和复杂背景的原因,有效地完成城市道路智能识别是非常具有挑战性的。
道路材质识别目的是标记图像中所有道路像素,大多数现有的道路材质识别方法主要依赖于像素级分割或分类技术。然而,由于汽车的遮挡以及周边的树木和阴影问题,基于现有方法道路材质识别通常精度不高。在道路中心线提取方面,形态学细化算法被广泛使用。尽管算法简单且容易实现,但基于这些方法产生的中心线周围都会有一些小的突起,精度不是很高。为了解决这个问题,回归方法(regression methods)和非极大值抑制方法(nonmaximum suppressionmethods)被用来进行中心线提取。然而,回归方法无法在道路交叉点周围提取好的中心线像素,且非极大值抑制方法会产生一个宽的中心线。
例如:Song和Civco等人先利用SVM对图像像素分类,然后再通过分割算法进一步细化提取的道路像素。Zhang等人提出了一种综合方法,先将图像分割成簇,然后再通过使用角度纹理特征的模糊逻辑分类器对道路进行聚类识别。Yuan等人采用三阶段法进行道路检测,Das等人针对道路检测提出了一种多级道路检测框架,Wegner等人利用高阶条件随机场(CRF)进行道路提取。
直接从图像识别道路中心线还是有难度的,大多研究都是先通过道路检测,然后再提取中心线。Gamba等人先通过利用自适应方向滤过器提取道路像素,然后在这基础上再进行中心线识别。Huang和Zhang等人利用多尺度结构特征和SVM来进行道路检测,并使用形态学细化算法提取中心线。Unsalan等人设计了一个自动化的中心线提取系统,包括道路中心检测、道路形状提取和基于图论的道路网重建三个阶段。Miap等人利用多元自适应回归方法进行中心线提取。同样,Shi等人首先利用自适应领域方法进行道路检测,然后再利用核平滑回归方法提取中心线。为了提高中心线提取的效率,Hu等人先利用自适应均值平移算法进行道路中心点的提取,然后采用张量投票来增强线性特征的显著性,最后通过加权Hough方法识别道路中心线。
通过上述方法发现大多数道路识别主要存在两个不足之处:(1)这些方法大多是多阶段方法,若第一阶段产生了错误就会影响后期的中心线提取;(2)道路检测和中心线提取通常被视为独立任务进行解决。
由于深度学习在传统计算机视觉任务上取得了巨大的成果,如图像分类,图像分割等。近来,一些研究学者也开始基于深度学习实现遥感任务,并取得了很好的成果,这些研究工作表明了利用深度学习技术进行遥感图像处理的巨大潜力。
以下为现有技术中的基于深度学习模型的道路识别方法。例如,Mnih和Hinton等人针对道路识别,提出了一种基于路径的深度学习模型,并引入无监督的预训练和后处理阶段,进一步提高道路识别精度。近来,Zhang等人通过结合深度残余网络(ResidualNeural Network,ResNet)和UNet架构,设计了一个深度残余的U-Net(ResUnet),进行道路提取。然而,这些算法都是解决道路识别任务中的单一任务,即道路检测。Cheng等人提出了一个级联CNN网络模型,可以同时解决道路检测和中心线提取。然而该模型仍然存在两个缺点:(1)算法中的普通CNN单元无法完全解决汽车遮挡、周围的树木和阴影问题;(2)虽然级联架构可以解决两个任务,但是该算法没有学习将两个任务放在一起考虑,即中心线提取和道路检测是分开的两个任务。Zhang等人通过将残差网络引入到U-Net架构,即ResUnet,进行道路检测。Cheng等人提出了一个级联CNN网络模型,可以同时解决道路检测和中心线提取。Mattyus等人将CNN模型和二值阈值法以及形态学细化算法结合起来,提出了一种DeepRoadMapper对遥感图像进行道路网提取。Mosinska等人针对道路检测的深度学习模型,提出了一种新的损失函数,即拓扑感知损失函数。Mattyus和Urtasun等人提出了一个匹配对抗网络(MatAN)来解决图像分割问题,该模型可以应用于道路检测。Bastani等人提出了一种基于CNN的迭代道路像素点搜索方法,即RoadTracer,可以直接从遥感图像中提取道路网。然而该方法依赖于CNN进行决策,一旦CNN判断错误,就会产生一些错误的路段,或者丢失一些重要路段。Intel的Vladlen Koltun等人使用基于梯度的多目标优化方法来优化多目标优化问题,提出优化一个上界,并证明在现实情况下,优化这个上界可以得到帕累托最优解。
发明内容
本发明要解决的问题是提供一种提取便捷、特征信息更加丰富且更具有代表性、精确度高的基于深度学习的卷积神经网络的道路材质识别方法。
为解决上述技术问题,本发明采用的技术方案是:一种基于深度学习的卷积神经网络的道路材质识别方法,包括以下步骤:
步骤一、输入影像,找到道路位置;
步骤二、将非道路位置亮度调0;
步骤三、将影像转为红、绿、近红三通道,对道路材质进行识别;
步骤四、收集好数据后,搭建以ResNet50为特征提取器的deeplabV3+语义分割模型,在影像上进行训练;
步骤五、得到每条道路都着色的热力图,通过颜色判定道路的材质类别。
确定好每条道路的类别之后,返回道路材质属性,并在ArcGis端进行查阅或修改。
在步骤一中,通过路网和手动标注找到道路位置。
在步骤一中,采取先腐蚀后膨胀的图像处理方式,去掉宽度小于2m的道路。
在步骤五中,不同颜色代表不同材质,同一条道路若存在有集中不同的颜色交错,便采取像素级统计,以占比最高的一种颜色所代表的类别设定为当前道路的材质类别。
与现有技术相比,本发明的有益效果在于:本发明通过结合路网数据,以及部分手工矫正,避免了在道路位置的提取上花费过大的计算资源。
本发明主要聚焦于材质识别,结合了卫星影像所具有多波段光谱信息这一特点,对不同的路面材质进行了光谱分析,使输入数据中含有的特征信息更加丰富且更具有代表性,并最终得到了理想的结果。由于遥感影像的分辨率并不是很高,本发明通过预处理尽可能地去凸显目标的所有特征,提高了识别精度。
附图说明
下面通过参考附图并结合实例具体地描述本发明,本发明的优点和实现方式将会更加明显,其中附图所示内容仅用于对本发明的解释说明,而不构成对本发明的任何意义上的限制,在附图中:
图1是本发明实施例的流程图;
具体实施方式
下面结合实施例及其附图进一步叙述本发明:
本发明提供了一种基于深度学习的卷积神经网络的道路材质识别方法,包括以下步骤:
选取了北京,河北,甘肃和青海四个省市的1500多张卫星影像,通过路网和手动标注找到道路的位置,然后将其他部分的亮度调0,只对道路的材质进行识别;
在识别之前对路面的光谱信息进行了分析,最终判定蓝通道对材质识别意义不大,遂将蓝通道替换为近红通道,即采取红、绿、近红三通道影像进行识别,并将影像由.tif格式转为.jpg格式;
收集好数据后,搭建以ResNet50为特征提取器的deeplabV3+语义分割模型,在1500张影像上进行训练,共训练了40个epoch最终完成收敛;
在应用识别部分,采取先腐蚀后膨胀的图像处理方式,去掉了宽度小于2m的道路,将注意力集中于2m以上的道路,影像经过背景亮度调0后,输入模型进行分割处理,最终输出一张给每条道路都着了色的热力图,不同的颜色代表不同的材质,而同一条道路有时候会有集中不同的颜色交错,采取了像素级的统计,以占比最高的一种颜色所代表的类别为当前道路的材质类别;
确定好每条道路的类别之后,返回一个值域为1到4的标量,作为tif格式下,当前道路的材质属性,可在ArcGis等软件中进行查阅和修改。
具体的,我们选取了河北省保定市阜平县的一景高分2号影像进行了测试,结合路网数据提取道路位置后,做了相应预处理。将剔除背景后的道路影像按流程进行处理之后,路面材质识别的准确率达到了81.5%,达到了实用要求的标准。
通过结合路网数据,以及部分手工矫正,避免了在道路位置的提取上花费过大的计算资源,并且实验证明大量的计算资源也并不能很好地改善这一部分的表现。将研究方向主要聚焦于材质识别之后,我们结合了卫星影像所具有多波段光谱信息这一特点,对不同的路面材质进行了光谱分析,使输入数据中含有的特征信息更加丰富且更具有代表性,这是我们最终得到理想结果的重要原因。由于我们使用的遥感影像的分辨率并不是很高,所以通过预处理尽可能地去凸显了目标的所有特征,因此得到了比较好的精度。
以上对本发明的实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。其各步骤的实现方式是可以有所变化的,凡依本发明范围所作的均等变化与改进等,均应仍归属于本专利涵盖范围之内。
Claims (5)
1.一种基于深度学习的卷积神经网络的道路材质识别方法,其特征在于:包括以下步骤:
步骤一、输入影像,找到道路位置;
步骤二、将非道路位置亮度调0;
步骤三、将影像转为红、绿、近红三通道,对道路材质进行识别;
步骤四、收集好数据后,搭建以ResNet50为特征提取器的deeplabV3+语义分割模型,在影像上进行训练;
步骤五、得到每条道路都着色的热力图,通过颜色判定道路的材质类别。
2.根据权利要求1所述的基于深度学习的卷积神经网络的道路材质识别方法,其特征在于:确定好每条道路的类别之后,返回道路材质属性,并在ArcGis端进行查阅或修改。
3.根据权利要求1所述的基于深度学习的卷积神经网络的道路材质识别方法,其特征在于:在步骤一中,通过路网和手动标注找到道路位置。
4.根据权利要求3所述的基于深度学习的卷积神经网络的道路材质识别方法,其特征在于:在步骤一中,采取先腐蚀后膨胀的图像处理方式,去掉宽度小于2m的道路。
5.根据权利要求1所述的基于深度学习的卷积神经网络的道路材质识别方法,其特征在于:在步骤五中,不同颜色代表不同材质,同一条道路若存在有集中不同的颜色交错,便采取像素级统计,以占比最高的一种颜色所代表的类别设定为当前道路的材质类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110357460.XA CN113159044A (zh) | 2021-04-01 | 2021-04-01 | 一种基于深度学习的卷积神经网络的道路材质识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110357460.XA CN113159044A (zh) | 2021-04-01 | 2021-04-01 | 一种基于深度学习的卷积神经网络的道路材质识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113159044A true CN113159044A (zh) | 2021-07-23 |
Family
ID=76886264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110357460.XA Pending CN113159044A (zh) | 2021-04-01 | 2021-04-01 | 一种基于深度学习的卷积神经网络的道路材质识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113159044A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821333A (zh) * | 2022-05-16 | 2022-07-29 | 中国人民解放军61540部队 | 一种高分辨率遥感影像道路材质识别方法及装置 |
CN114998639A (zh) * | 2022-04-19 | 2022-09-02 | 安徽农业大学 | 一种基于深度学习的中药材品类识别方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150072470A (ko) * | 2013-12-19 | 2015-06-30 | 건국대학교 산학협력단 | 도심 및 고속도로에서의 교통흐름의 시간 및 공간 도메인 의존성 분석 시스템 |
KR101613849B1 (ko) * | 2014-12-04 | 2016-04-29 | 현대모비스 주식회사 | 자동차 주행보조 시스템 |
CN108256424A (zh) * | 2017-12-11 | 2018-07-06 | 中交信息技术国家工程实验室有限公司 | 一种基于深度学习的高分辨率遥感图像道路提取方法 |
CN108710875A (zh) * | 2018-09-11 | 2018-10-26 | 湖南鲲鹏智汇无人机技术有限公司 | 一种基于深度学习的航拍公路车辆计数方法及装置 |
CN109190481A (zh) * | 2018-08-06 | 2019-01-11 | 中国交通通信信息中心 | 一种遥感影像道路材质提取方法和系统 |
CN111157524A (zh) * | 2020-01-09 | 2020-05-15 | 北京观澜智图科技有限公司 | 基于高分影像的道路材质识别方法及装置和电子设备 |
US20200175260A1 (en) * | 2018-11-30 | 2020-06-04 | Qualcomm Incorporated | Depth image based face anti-spoofing |
CN111523606A (zh) * | 2020-04-28 | 2020-08-11 | 中交信息技术国家工程实验室有限公司 | 一种道路信息的更新方法 |
CN111630551A (zh) * | 2018-01-23 | 2020-09-04 | X开发有限责任公司 | 图像中的作物类型分类 |
US20210027055A1 (en) * | 2019-07-24 | 2021-01-28 | Ordnance Survey Limited | Methods and Systems for Identifying Topographic Features |
CN112507891A (zh) * | 2020-12-12 | 2021-03-16 | 武汉中海庭数据技术有限公司 | 自动化识别高速路口并构建路口向量的方法及装置 |
-
2021
- 2021-04-01 CN CN202110357460.XA patent/CN113159044A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150072470A (ko) * | 2013-12-19 | 2015-06-30 | 건국대학교 산학협력단 | 도심 및 고속도로에서의 교통흐름의 시간 및 공간 도메인 의존성 분석 시스템 |
KR101613849B1 (ko) * | 2014-12-04 | 2016-04-29 | 현대모비스 주식회사 | 자동차 주행보조 시스템 |
CN108256424A (zh) * | 2017-12-11 | 2018-07-06 | 中交信息技术国家工程实验室有限公司 | 一种基于深度学习的高分辨率遥感图像道路提取方法 |
CN111630551A (zh) * | 2018-01-23 | 2020-09-04 | X开发有限责任公司 | 图像中的作物类型分类 |
CN109190481A (zh) * | 2018-08-06 | 2019-01-11 | 中国交通通信信息中心 | 一种遥感影像道路材质提取方法和系统 |
CN108710875A (zh) * | 2018-09-11 | 2018-10-26 | 湖南鲲鹏智汇无人机技术有限公司 | 一种基于深度学习的航拍公路车辆计数方法及装置 |
US20200175260A1 (en) * | 2018-11-30 | 2020-06-04 | Qualcomm Incorporated | Depth image based face anti-spoofing |
US20210027055A1 (en) * | 2019-07-24 | 2021-01-28 | Ordnance Survey Limited | Methods and Systems for Identifying Topographic Features |
CN111157524A (zh) * | 2020-01-09 | 2020-05-15 | 北京观澜智图科技有限公司 | 基于高分影像的道路材质识别方法及装置和电子设备 |
CN111523606A (zh) * | 2020-04-28 | 2020-08-11 | 中交信息技术国家工程实验室有限公司 | 一种道路信息的更新方法 |
CN112507891A (zh) * | 2020-12-12 | 2021-03-16 | 武汉中海庭数据技术有限公司 | 自动化识别高速路口并构建路口向量的方法及装置 |
Non-Patent Citations (4)
Title |
---|
JOANNÈS BERQUE等: "Transect method for Antarctic cloud property retrieval using AVHRR data", INTERNATIONAL JOURNAL OF REMOTE SENSING, vol. 32, no. 10, pages 2887 - 2903 * |
KASHIF AHMAD等: "Automatic detection of passable roads after floods in remote sensed and social media data", SIGNAL PROCESSING: IMAGE COMMUNICATION, vol. 74, pages 110 - 118 * |
刘志强等: "基于深度学习的高分辨率遥感影像道路提取", 第四届高分辨率对地观测学术年会论文集, pages 1316 - 1320 * |
张蕴灵等: "多源遥感数据融合的道路材质精细识别", 公路, no. 3, pages 206 - 213 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998639A (zh) * | 2022-04-19 | 2022-09-02 | 安徽农业大学 | 一种基于深度学习的中药材品类识别方法 |
CN114998639B (zh) * | 2022-04-19 | 2024-04-26 | 安徽农业大学 | 一种基于深度学习的中药材品类识别方法 |
CN114821333A (zh) * | 2022-05-16 | 2022-07-29 | 中国人民解放军61540部队 | 一种高分辨率遥感影像道路材质识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN107392925B (zh) | 基于超像素编码和卷积神经网络的遥感影像地物分类方法 | |
CN113449594B (zh) | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 | |
CN109389163B (zh) | 一种基于地形图的无人机影像分类系统及方法 | |
Wang et al. | Object-scale adaptive convolutional neural networks for high-spatial resolution remote sensing image classification | |
CN102013017B (zh) | 一种高分辨率遥感图像场景粗分类方法 | |
CN106934418B (zh) | 一种基于卷积递归网络的绝缘子红外诊断方法 | |
CN109034233B (zh) | 一种结合OpenStreetMap的高分辨率遥感影像多分类器联合分类方法 | |
CN105893703B (zh) | 一种基于多边形的城市道路网主干道选取方法 | |
CN113609889B (zh) | 基于敏感特征聚焦感知的高分辨遥感影像植被提取方法 | |
CN102254326A (zh) | 利用核传递进行图像分割的方法 | |
CN106340016A (zh) | 一种基于细胞显微镜图像的dna定量分析方法 | |
CN110399819A (zh) | 一种基于深度学习的遥感影像居民区自动提取方法 | |
CN114694038A (zh) | 基于深度学习的高分辨率遥感影像分类方法及系统 | |
CN113159044A (zh) | 一种基于深度学习的卷积神经网络的道路材质识别方法 | |
CN112989985B (zh) | 一种融合夜间灯光数据与Landsat8 OLI影像的城市建成区提取方法 | |
CN112767413B (zh) | 综合区域连通和共生知识约束的遥感影像深度语义分割方法 | |
US11847811B1 (en) | Image segmentation method combined with superpixel and multi-scale hierarchical feature recognition | |
CN113223042A (zh) | 一种遥感影像深度学习样本智能采集方法及设备 | |
Zhu et al. | Change detection based on the combination of improved SegNet neural network and morphology | |
CN110070545A (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
CN116630971A (zh) | 基于CRF_ResUnet++网络的小麦赤霉病孢子分割方法 | |
CN104036294A (zh) | 基于光谱标记的多光谱遥感图像自适应分类方法 | |
CN108090913A (zh) | 一种基于对象级Gauss-Markov随机场的图像语义分割方法 | |
Wang et al. | Hybrid remote sensing image segmentation considering intrasegment homogeneity and intersegment heterogeneity |
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 |