CN113902720A - 一种基于建筑物剖面图深度学习的屋顶样式识别方法 - Google Patents

一种基于建筑物剖面图深度学习的屋顶样式识别方法 Download PDF

Info

Publication number
CN113902720A
CN113902720A CN202111197392.1A CN202111197392A CN113902720A CN 113902720 A CN113902720 A CN 113902720A CN 202111197392 A CN202111197392 A CN 202111197392A CN 113902720 A CN113902720 A CN 113902720A
Authority
CN
China
Prior art keywords
building
roof
deep learning
section
profile
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
Application number
CN202111197392.1A
Other languages
English (en)
Other versions
CN113902720B (zh
Inventor
韦胜
高湛
陈军
徐云翼
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.)
Jiangsu Urban Planning And Design Institute Co ltd
Original Assignee
Jiangsu Urban Planning And Design Institute Co ltd
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 Jiangsu Urban Planning And Design Institute Co ltd filed Critical Jiangsu Urban Planning And Design Institute Co ltd
Priority to CN202111197392.1A priority Critical patent/CN113902720B/zh
Publication of CN113902720A publication Critical patent/CN113902720A/zh
Application granted granted Critical
Publication of CN113902720B publication Critical patent/CN113902720B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images
    • 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
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于建筑物剖面图深度学习的屋顶样式识别方法，涉及三维建模、历史建筑与文化保护、旅游规划、城市第五立面规划设计等技术领域，首先，依次确定研究区内所有建筑物的外轮廓边界、外接矩形以及对角线。其次，用建筑物的外轮廓边界对建筑物的对角线进行裁剪。再，基于裁剪的结果，生成研究区内所有建筑物的剖面图。最后，利用图像深度学习算法，基于所有建筑物的剖面图的分类，实现不同屋顶样式识别。本发明能够利用建筑物屋顶的剖面图差异性，通过图像深度学习来实现建筑屋顶样式的识别。

Description

一种基于建筑物剖面图深度学习的屋顶样式识别方法
技术领域
本发明涉及三维建模、历史建筑与文化保护、旅游规划、城市第五立面规划设计技术领域，特别是一种基于建筑物剖面图深度学习的屋顶样式识别方法。
背景技术
建筑屋顶样式的确认在城市规划设计中有着重要的作用，特别是在历史建筑与文化保护等方面。建筑屋顶也是城市第五立面设计的重要组成内容之一。历史文化名城往往也兼具有重要的城市旅游功能，中国建筑中屋顶样式是一个比较能反映地方历史和文化特色的核心要素。因此，建筑屋顶样式研究的意义重大。
在三维建模领域，利用倾斜摄影数据开展城市建筑屋顶样式分析是一个较新的研究领域。现有研究成果主要是通过三维数据的各类复杂空间计算以先实现建筑物及其屋顶提取等操作，并以此进一步开展屋顶样式特征的分析。然而，尽管提取了屋顶，但其样式分析的计算复杂度仍然较大和准确性也难以把控。
发明内容
本发明所要解决的技术问题是克服现有技术的不足而提供一种基于建筑物剖面图深度学习的屋顶样式识别方法，本发明能够利用建筑物屋顶的剖面图差异性，通过图像深度学习来实现建筑屋顶样式的识别。
本发明为解决上述技术问题采用以下技术方案：
根据本发明提出的一种基于建筑物剖面图深度学习的屋顶样式识别方法，包括以下步骤：
步骤1、确定研究区内所有建筑物的外轮廓边界；
步骤2、对研究区内所有建筑物的外轮廓边界均生成外接矩形；
步骤3、对研究区内所有建筑物的外接矩形进一步生成对角线；
步骤4、用建筑物的外轮廓边界对建筑物的对角线进行裁剪，最终剪裁出的对角线记为剖面范围线；
步骤5、生成建筑物屋顶剖面线的两个端点；
步骤5.1、提取剖面范围线的两个端点的平面地理坐标值；
步骤5.2、基于研究区内的倾斜摄影模型，根据剖面范围线的两个端点的平面地理坐标值，分别提取出剖面范围线的两个端点的高度值；
步骤5.3、基于平面地理坐标值和高度值，生成建筑物屋顶剖面线的两个端点；
步骤6、基于研究区内的倾斜摄影模型，利用建筑物屋顶剖面线的两个端点，生成研究区内所有建筑物屋顶的剖面图；
步骤7、若建筑物屋顶的剖面图中的最高点与最低点之间高程差大于指定的高程差阈值，则该剖面图被认为是不合理的剖面图；否则认为是合理的剖面图；
步骤8、对所有建筑物屋顶的合理的剖面图进行图像深度学习分类，实现建筑物屋顶的不同样式提取。
作为本发明所述的一种基于建筑物剖面图深度学习的屋顶样式识别方法进一步优化方案，步骤1中外轮廓边界为二维多边形。
作为本发明所述的一种基于建筑物剖面图深度学习的屋顶样式识别方法进一步优化方案，步骤3中所生成的对角线为建筑物外接矩形的任意两个不相邻顶点的连线。
作为本发明所述的一种基于建筑物剖面图深度学习的屋顶样式识别方法进一步优化方案，步骤5.1中平面地理坐标值是指由地理经度和地理纬度值所组成的坐标对。
作为本发明所述的一种基于建筑物剖面图深度学习的屋顶样式识别方法进一步优化方案，步骤5.2中剖面范围线的两个端点的高度值是指剖面线的两个端点于研究区内倾斜摄影模型中的最高点的高度值。
作为本发明所述的一种基于建筑物剖面图深度学习的屋顶样式识别方法进一步优化方案，步骤5.3中建筑物屋顶剖面线的两个端点的坐标组织形式为：地理经度值、地理纬度值、高度值。
作为本发明所述的一种基于建筑物剖面图深度学习的屋顶样式识别方法进一步优化方案，步骤6中建筑物屋顶的剖面图生成方法包括2种方式：
第一种方式：直接基于剖面图生成专业软件，建筑物屋顶剖面线的两个端点和研究区内的倾斜摄影模型，直接生成每个建筑物的剖面图；
第二种方式：连接建筑物屋顶剖面线的两个端点，生成一条直线段；再按照等距离方式从一个端点开始，依次取所生成直线段上N个点，并计算得到这N个点在研究区内倾斜摄影模型中的相对应的高度值；同样地，这里的高度值是指要计算的点在研究区内倾斜摄影模型中的最高点的高度值；这N个点按照获取的先后顺序从1开始顺序编号；再在平面直角坐标系内，将上述N个点的编号作为横坐标值，以相对应的高度值为纵坐标值；最后，连接所有的纵坐标值形成一条曲线，该曲线即为建筑物的剖面图。
作为本发明所述的一种基于建筑物剖面图深度学习的屋顶样式识别方法进一步优化方案，步骤8中图像深度学习分类包括基于DNN的ResNet50模型。
作为本发明所述的一种基于建筑物剖面图深度学习的屋顶样式识别方法进一步优化方案，步骤8中图像深度学习分类采用研究区一定比例的样本进行训练。
作为本发明所述的一种基于建筑物剖面图深度学习的屋顶样式识别方法进一步优化方案，步骤8中进行深度学习分类的图像按照一定的比例裁剪图像的外围部分。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
（1）本发明提供了一种基于建筑物剖面图深度学习的屋顶样式识别方法，能够通过建立建筑物的剖面图，快速地实现建筑物屋顶样式的识别；
（2）本发明基于三维空间的剖面分析原理，提出了一种基于建筑物剖面图深度学习的屋顶样式识别方法，该方法可以将原有屋顶样式提取的复杂计算，转换为图像分类的研究，大大减小了计算的复杂度；后续可通过不断增加样本来实现更多类型屋顶样式的自动化识别。
附图说明
图1是本发明的整体流程示意图。
图2是建筑物外轮廓的生成过程示意图。
图3是建筑物外轮廓的对角线生成过程示意图。
图4是对角线裁剪过程示意图。
图5是第二种建筑物屋顶剖面图生产方法的示意图。
图6是建筑物不同屋顶样式的示意图。
图7是建筑物带坡度特征屋顶案例的剖面图示意图。
图8是建筑物平顶样式案例的剖面图示意图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
本发明针对背景技术中提到的问题，提出将屋顶样式的分析转换为建筑物剖面图的分类研究。
剖面分析是指根据指定的剖面线，输出剖面线与地形数据的表面高程沿某条线（截面）的变化，或剖面线所截的模型建筑物、地下管线等的轮廓线。这里所得到的轮廓线所形成的图像被称之为剖面图。在倾斜摄影模型中，建筑屋顶部分可以理解为一种特殊三维实体对象，其可能是平顶，也可能是带有坡度的屋顶。那么，如果在屋顶表面一定空间范围内绘制一条直线进行剖面分析，则带有坡度屋顶和平顶的剖面图将存在着显著差异。进一步，通过图像深度学习分类的方式，则可以完成研究区内的不同屋顶样式识别。
因此，本发明在创新性上是将屋顶样式这种传统需要大量和复杂的数学计算转换为了剖面图的图像分类问题。图像分类问题则可以利用深度学习进行较高精度的实现。用户只需要将精力放在剖面图的样本处理过程中。与此同时，本发明还提供了样本质量检查的方案，其集中体现在步骤7中。
总体来看，本发明的创新性不只是给出自动化的建筑物顶的剖面图生成方法，也不只是对剖面图合理性提供了预检查方案，还强调了将复杂点云数学计算转换为图像分类的问题，进而实现了不同科学和实践问题的转换过程。因此，本发明的创新性一方面具有集成现有方法的特征，另一方面在具体剖面图图像自动化生成以及复杂科学问题转换等方面具有极强的创新性。某种意义上，本发明将改变传统的屋顶样式识别的思路。
步骤1）参见附图1，确定研究区内所有建筑物的外轮廓边界。这里的外轮廓边界为二维多边形。因此，该项发明最先需要给定建筑物的外轮廓边界，其对于后续计算结果的精度有着一定的影响。
步骤2）参见附图2，对研究区内所有建筑物的外轮廓边界均生成外接矩形。尽管大部分建筑物外轮廓边界都是相对较为规则的，但也可能存在部分建筑物的外轮廓边界是不规则的。为此，需要对建筑物的外轮廓边界先生成外接矩形，以方便批量化计算。
步骤3）参见附图3，对研究区内所有建筑物的外接矩形进一步生成对角线；这里所生成的对角线为建筑物外接矩形的任意两个不相邻顶点的连线。
步骤4）参见附图4，用建筑物的外轮廓边界对建筑物的对角线进行裁剪，所得结果记为剖面范围线；
步骤5）、生成建筑物屋顶剖面线的两个端点；
步骤5.1、提取剖面范围线的两个端点的平面地理坐标值；
步骤5.2、基于研究区内的倾斜摄影模型，根据剖面范围线的两个端点的平面地理坐标值，分别提取出剖面范围线的两个端点的高度值；
步骤5.3、基于平面地理坐标值和高度值，生成建筑物屋顶剖面线的两个端点；
步骤6）、基于研究区内的倾斜摄影模型，利用建筑物屋顶剖面线的两个端点，生成研究区内所有建筑物屋顶的剖面图；
这里，建筑物屋顶的剖面图生成方法包含了2种：
第一种方式：直接基于剖面图生成专业软件，建筑物屋顶剖面线的两个端点和研究区内的倾斜摄影模型，直接生成每个建筑物的剖面图；
第二种方式：参见附图5，连接建筑物屋顶剖面线的两个端点，生成一条直线段；再按照等距离方式从一个端点开始，依次取所生成直线段上N个点，并计算得到这N个点在研究区内倾斜摄影模型中的相对应的高度值；同样地，这里的高度值是指要计算的点在研究区内倾斜摄影模型中的最高点的高度值；这N个点按照获取的先后顺序从1开始顺序编号；再在平面直角坐标系内，将上述N个点的编号作为横坐标值，以相对应的高度值为纵坐标值；最后，连接所有的纵坐标值形成一条曲线，该曲线即为建筑物的剖面图。
步骤7）若建筑物屋顶的剖面图的最高点与最低点之间高程差大于指定的高程差阈值，则该剖面图被认为是不合理的剖面图；否则认为是合理的剖面图。
该步骤是本发明中所提供的一种数据检查方案。在实际操作过程中，建筑物范围绘制过大，如将其他院落等包含进去。这样会使得最终生成的建筑物外轮廓的对角线超出了屋顶，从而使得剖面图出现高程集聚下降的情况。若出现这种情况，则一般不应进入到最终的图像分类环节。
步骤8）对所有建筑物顶的合理的剖面图进行图像深度学习分类，实现建筑物屋顶的不同样式提取。像深度学习分类包括了基于DNN的ResNet50等模型，且用研究区一定比例的样本进行训练。参见附图6，坡屋顶与平顶之间存在着空间形态上的显著差异。这种差异在三维空间里则可以用剖面分析进行区别。参见附图7和8，坡屋顶和平顶的剖面分析结果具有明显的差异。其原理是：坡屋顶在高度上有着显著的变化，一般先是上升，到一个高度值后，又开始下降。平顶在高度上变化不大。实际中，屋顶的样式可能较为复杂，但可以根据这一基本的原理，收集多样化的案例数据集。最终，通过深度学习分类的训练使得模型能够应对更加复杂的实际需求。与此同时，深度学习分类的图像按照一定的比例裁剪图像的外围部分。这是为了减少所绘制的建筑物边缘部分可能不是屋顶部分所带来的误差影响。
此外，在发明中只给出了2种相对常见的屋顶样式分类。实际过程中，用户可以针对复杂的样式进行类别划分，通过图像的深度学习分类实现更加复杂和多样的屋顶样式分类。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替代，都应当视为属于本发明的保护范围。

Claims (10)

1.一种基于建筑物剖面图深度学习的屋顶样式识别方法，其特征在于，包括以下步骤：
步骤1、确定研究区内所有建筑物的外轮廓边界；
步骤2、对研究区内所有建筑物的外轮廓边界均生成外接矩形；
步骤3、对研究区内所有建筑物的外接矩形进一步生成对角线；
步骤4、用建筑物的外轮廓边界对建筑物的对角线进行裁剪，最终剪裁出的对角线记为剖面范围线；
步骤5、生成建筑物屋顶剖面线的两个端点；
步骤5.1、提取剖面范围线的两个端点的平面地理坐标值；
步骤5.2、基于研究区内的倾斜摄影模型，根据剖面范围线的两个端点的平面地理坐标值，分别提取出剖面范围线的两个端点的高度值；
步骤5.3、基于平面地理坐标值和高度值，生成建筑物屋顶剖面线的两个端点；
步骤6、基于研究区内的倾斜摄影模型，利用建筑物屋顶剖面线的两个端点，生成研究区内所有建筑物屋顶的剖面图；
步骤7、若建筑物屋顶的剖面图中的最高点与最低点之间高程差大于指定的高程差阈值，则该剖面图被认为是不合理的剖面图；否则认为是合理的剖面图；
步骤8、对所有建筑物屋顶的合理的剖面图进行图像深度学习分类，实现建筑物屋顶的不同样式提取。
2.根据权利要求1所述的一种基于建筑物剖面图深度学习的屋顶样式识别方法，其特征在于，步骤1中外轮廓边界为二维多边形。
3.根据权利要求1所述的一种基于建筑物剖面图深度学习的屋顶样式识别方法，其特征在于，步骤3中所生成的对角线为建筑物外接矩形的任意两个不相邻顶点的连线。
4.根据权利要求1所述的一种基于建筑物剖面图深度学习的屋顶样式识别方法，其特征在于，步骤5.1中平面地理坐标值是指由地理经度和地理纬度值所组成的坐标对。
5.根据权利要求1所述的一种基于建筑物剖面图深度学习的屋顶样式识别方法，其特征在于，步骤5.2中剖面范围线的两个端点的高度值是指剖面线的两个端点于研究区内倾斜摄影模型中的最高点的高度值。
6.根据权利要求1所述的一种基于建筑物剖面图深度学习的屋顶样式识别方法，其特征在于，步骤5.3中建筑物屋顶剖面线的两个端点的坐标组织形式为：地理经度值、地理纬度值、高度值。
7.根据权利要求1所述的一种基于建筑物剖面图深度学习的屋顶样式识别方法，其特征在于，步骤6中建筑物屋顶的剖面图生成方法包括2种方式：
第一种方式：直接基于剖面图生成专业软件，建筑物屋顶剖面线的两个端点和研究区内的倾斜摄影模型，直接生成每个建筑物的剖面图；
第二种方式：连接建筑物屋顶剖面线的两个端点，生成一条直线段；再按照等距离方式从一个端点开始，依次取所生成直线段上N个点，并计算得到这N个点在研究区内倾斜摄影模型中的相对应的高度值；同样地，这里的高度值是指要计算的点在研究区内倾斜摄影模型中的最高点的高度值；这N个点按照获取的先后顺序从1开始顺序编号；再在平面直角坐标系内，将上述N个点的编号作为横坐标值，以相对应的高度值为纵坐标值；最后，连接所有的纵坐标值形成一条曲线，该曲线即为建筑物的剖面图。
8.根据权利要求1所述的一种基于建筑物剖面图深度学习的屋顶样式识别方法，其特征在于，步骤8中图像深度学习分类包括基于DNN的ResNet50模型。
9.根据权利要求1所述的一种基于建筑物剖面图深度学习的屋顶样式识别方法，其特征在于，步骤8中图像深度学习分类采用研究区一定比例的样本进行训练。
10.根据权利要求1所述的一种基于建筑物剖面图深度学习的屋顶样式识别方法，其特征在于，步骤8中进行深度学习分类的图像按照一定的比例裁剪图像的外围部分。
CN202111197392.1A 2021-10-14 2021-10-14 一种基于建筑物剖面图深度学习的屋顶样式识别方法 Active CN113902720B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111197392.1A CN113902720B (zh) 2021-10-14 2021-10-14 一种基于建筑物剖面图深度学习的屋顶样式识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111197392.1A CN113902720B (zh) 2021-10-14 2021-10-14 一种基于建筑物剖面图深度学习的屋顶样式识别方法

Publications (2)

Publication Number Publication Date
CN113902720A true CN113902720A (zh) 2022-01-07
CN113902720B CN113902720B (zh) 2024-08-09

Family

ID=79192110

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111197392.1A Active CN113902720B (zh) 2021-10-14 2021-10-14 一种基于建筑物剖面图深度学习的屋顶样式识别方法

Country Status (1)

Country Link
CN (1) CN113902720B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114429530A (zh) * 2022-04-06 2022-05-03 武汉峰岭科技有限公司 自动提取建筑物三维模型的方法、系统、存储介质及设备
CN115170578A (zh) * 2022-07-15 2022-10-11 中国建筑西南设计研究院有限公司 一种基于深度比较法的剖面看线的裁剪与生成方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009131108A1 (ja) * 2008-04-23 2009-10-29 株式会社パスコ 建物屋根輪郭認識装置、建物屋根輪郭認識方法、及び建物屋根輪郭認識プログラム
CN108734172A (zh) * 2018-04-02 2018-11-02 上海鹰觉科技有限公司 基于直线边缘特征的目标识别方法、系统
CN108898144A (zh) * 2018-06-28 2018-11-27 中国地震局地震预测研究所 一种建筑物损毁状态检测方法
US20190051043A1 (en) * 2017-08-14 2019-02-14 Aurora Solar Inc. 3d building modeling systems
CN111191500A (zh) * 2019-11-12 2020-05-22 广东融合通信股份有限公司 一种基于深度学习图像分割的光伏屋顶资源识别方法
CN112906487A (zh) * 2021-01-26 2021-06-04 北京建筑大学 基于规则集的明清官式建筑物样式点云分类识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009131108A1 (ja) * 2008-04-23 2009-10-29 株式会社パスコ 建物屋根輪郭認識装置、建物屋根輪郭認識方法、及び建物屋根輪郭認識プログラム
US20190051043A1 (en) * 2017-08-14 2019-02-14 Aurora Solar Inc. 3d building modeling systems
CN108734172A (zh) * 2018-04-02 2018-11-02 上海鹰觉科技有限公司 基于直线边缘特征的目标识别方法、系统
CN108898144A (zh) * 2018-06-28 2018-11-27 中国地震局地震预测研究所 一种建筑物损毁状态检测方法
CN111191500A (zh) * 2019-11-12 2020-05-22 广东融合通信股份有限公司 一种基于深度学习图像分割的光伏屋顶资源识别方法
CN112906487A (zh) * 2021-01-26 2021-06-04 北京建筑大学 基于规则集的明清官式建筑物样式点云分类识别方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114429530A (zh) * 2022-04-06 2022-05-03 武汉峰岭科技有限公司 自动提取建筑物三维模型的方法、系统、存储介质及设备
CN114429530B (zh) * 2022-04-06 2022-06-24 武汉峰岭科技有限公司 自动提取建筑物三维模型的方法、系统、存储介质及设备
CN115170578A (zh) * 2022-07-15 2022-10-11 中国建筑西南设计研究院有限公司 一种基于深度比较法的剖面看线的裁剪与生成方法
CN115170578B (zh) * 2022-07-15 2023-05-23 中国建筑西南设计研究院有限公司 一种基于深度比较法的剖面看线的裁剪与生成方法

Also Published As

Publication number Publication date
CN113902720B (zh) 2024-08-09

Similar Documents

Publication Publication Date Title
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
CN102520401B (zh) 一种基于LiDAR数据的建筑物区域提取方法
CN113902720B (zh) 一种基于建筑物剖面图深度学习的屋顶样式识别方法
CN111046462A (zh) 一种室外建筑设计用图纸展示系统及方法
CN114612488A (zh) 建筑物单体化信息提取方法、计算机装置及存储介质
CN115564926B (zh) 基于影像建筑物结构学习的三维面片模型构建方法
CN114758252A (zh) 基于图像的分布式光伏屋顶资源分割与提取方法及系统
CN110619258B (zh) 一种基于高分辨率遥感影像的道路轨迹核查方法
CN112597876A (zh) 基于特征融合的书法汉字评判方法
CN112819066A (zh) 一种Res-UNet单木树种分类技术
CN110956207B (zh) 一种光学遥感影像全要素变化检测方法
CN114331031B (zh) 一种建筑传统特征识别评价方法和系统
CN107392252A (zh) 计算机深度学习图像特征并量化感知度的方法
CN113420619A (zh) 一种遥感影像建筑物提取方法
CN113724279B (zh) 路网自动划分交通小区的系统、方法、设备及存储介质
CN115546768A (zh) 基于多尺度机制和注意力机制的路面标线识别方法及系统
CN114419430A (zh) 一种基于SE-U-Net++模型的耕地地块提取方法及装置
WO2024125434A1 (zh) 基于区域一致性的建筑物主角度修正方法
CN108287845A (zh) 一种道路信息自动提取方法和装置、及混合导航系统
CN114003623A (zh) 一种相似路径台风的检索方法
CN111914896A (zh) 一种基于多源数据的城市局部气候区分类方法
CN116051771A (zh) 一种基于无人机倾斜摄影模型的光伏bim屋顶自动建模方法
CN116935175A (zh) 一种基于多尺度检测头特征融合的车位检测方法
JP2003141567A (ja) ３次元都市モデル生成装置及び３次元都市モデル生成方法
CN113850254B (zh) 基于深度学习的建筑物矢量轮廓化简方法、模型及模型建立方法

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