CN114898215A - 一种声屏障自动布置方法 - Google Patents

一种声屏障自动布置方法 Download PDF

Info

Publication number
CN114898215A
CN114898215A CN202210646927.7A CN202210646927A CN114898215A CN 114898215 A CN114898215 A CN 114898215A CN 202210646927 A CN202210646927 A CN 202210646927A CN 114898215 A CN114898215 A CN 114898215A
Authority
CN
China
Prior art keywords
sound barrier
house
topographic map
sensitive
houses
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
Application number
CN202210646927.7A
Other languages
English (en)
Inventor
龙丹冰
雷昕
江相玲
王翊蘅
陈其铧
刘冠军
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202210646927.7A priority Critical patent/CN114898215A/zh
Publication of CN114898215A publication Critical patent/CN114898215A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Structural Engineering (AREA)
  • Civil Engineering (AREA)
  • Architecture (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明涉及声屏障布置技术领域，具体涉及一种声屏障自动布置方法。声屏障自动布置方法包括：获取完整地形图；基于Mask R‑CNN图像识别方法对完整地形图中房屋特征信息进行识别，房屋特征信息包括房屋类型和房屋面积；根据房屋特征信息筛选出满足要求的敏感性建筑并确定其在完整地形图中分布情况；基于DBSCAN聚类方法获得干线周围的敏感性建筑的集群分布结果；根据集群分布结果和规定的声屏障布置要求自动布置声屏障。其能够自动确定完整地形图中沿线建筑的类型与位置，同时自动确定沿线建筑的密集程度，实现了声屏障的自动布置，声屏障自动化布置效率提高，能够及时为线路方案比选提供反馈，为即时的线路选择提供支撑。

Description

一种声屏障自动布置方法
技术领域
本发明涉及声屏障布置技术领域，具体而言，涉及一种声屏障自动布置方法。
背景技术
本发明用于提高声屏障布置自动化程度及线路方案比选阶段的声屏障布置效率，为智慧选线提供绿色经济决策支持。
根据我国《中长期铁路网规划》（《中长期铁路网规划》发布[J].铁道技术监督，2016，44(07):23），到2030年，远期铁路网规模将达到20万公里左右，其中高速铁路4.5万公里左右，年均增速达2%左右。当铁路更频繁的穿过居民区时，需要布置声屏障以隔绝噪声并保障铁路沿线安全环境。在铁路高速发展时代，声屏障的布置需求量增高，这对声屏障的设计效率提出了新的挑战。
中国工程院的重大咨询研究项目“智能高铁战略研究（2035）”提及要将先进信息技术用于铁路智能建造。在智慧选线里，需要在线路方案的变更过程中高效制定对应的声屏障布置方案，为比选出更经济、绿色的线路提供支撑，并从设计层面助力达成国家双碳目标。因此对于声屏障的自动化能力又提出进一步的要求。目前，声屏障设计为人为分析图纸中存在的噪声敏感区，从而确定声屏障的布置。由于线路选择时会有多种方案进行比对，这种方法会重复消耗设计师精力，并且难以做出即时的方案支持。
声屏障布置一般需要考虑两点，第一为确定沿线建筑的类型与位置；第二为确定沿线建筑的密集程度。在确定沿线建筑的属性与位置时，传统做法是人眼辨识地形图上的房屋图示。继续采用这种做法不利于实现自动化，因此需要引用计算机识别的方式。常见确定CAD图纸中信息的方式为，对CAD地形图中的线性信息进行提取确定布置位置，然而CAD地形图中同一个图层信息过多，即使同一种信息，比如居民房，也采用多种绘图方式，容易造成数据漏读。如果提前对地形图预处理后识别，会降低自动化程度、影响适用范围。在确定沿线建筑的密集程度时，传统做法为人为判断沿线指定范围内建筑的密度是否满足100米范围内敏感房屋建筑数量达到10户以上，如果满足则需要布置声屏障，这种做法常常是设计师定性估计沿线距离和建筑数量，并不能做到声屏障准确地布置。
有鉴于此，特提出本申请。
发明内容
本发明的目的在于提供一种声屏障自动布置方法，其能够自动确定完整地形图中沿线建筑的类型与位置，同时自动确定沿线建筑的密集程度，实现了声屏障的自动布置，声屏障自动化布置效率提高，能够及时为线路方案比选提供反馈，为即时的线路选择提供支撑。该技术在选线方案比选中可根据变更线路高效自动布置声屏障，能够高效定位需要布置声屏障的声敏感区，推进了声屏障布置的自动化程度，提高声屏障布置效率，为绿色双碳选线提供决策支持。
本发明的实施例是这样实现的：
一种声屏障自动布置方法，其包括以下步骤：
S1：获取完整地形图。
S2：基于Mask R-CNN图像识别方法对完整地形图中的房屋特征信息进行识别，房屋特征信息包括房屋类型和房屋面积。
S3：根据房屋特征信息筛选出满足要求的敏感性建筑并确定其在完整地形图中的分布情况。
S4：基于DBSCAN聚类方法获得干线周围的敏感性建筑的集群分布结果。
S5：根据集群分布结果和规定的声屏障布置要求自动布置声屏障。
进一步地，在步骤S2中，房屋特征信息还包括房屋相对坐标。
步骤S3还包括：将满足要求的敏感性建筑的房屋相对坐标转换为房屋全图坐标。
进一步地，Mask R-CNN图像识别方法的训练集与验证集的获取方式包括以下步骤：
S01：将样本地形图按预设方式转化为样本图片，并对样本图片中的敏感性建筑和非敏感性建筑进行标记，以获得数据集。
S02：将数据集划分为训练集和验证集，其中，训练集和验证集中的样本图片数量之比为3~6∶1。
进一步地，数据集中还包括将样本图片通过扩展操作后得到的扩展样本图片，扩展操作包括：旋转和镜像中至少一者。
进一步地，房屋类型包括：混凝土房、砖房、简易房、居民房、其他类房屋、带有“棚”字样的房屋和带有“破”字样的房屋。
进一步地，在步骤S3中，根据房屋特征信息筛选出满足要求的敏感性建筑包括：筛掉带有“棚”字样的房屋和带有“破”字样的房屋；并设置面积阈值范围，过滤面积小于面积阈值范围下限和大于面积阈值范围上限的敏感性建筑。
进一步地，敏感性建筑包括：明确有人居住的房屋。
进一步地，在步骤S01中，将样本地形图按预设方式转化为样本图片包括：将样本地形图按预设尺寸分割为预设分辨率的样本图片。
本发明实施例的技术方案的有益效果包括：
本发明实施例提供的声屏障自动布置方法在使用过程中，引入图像识别方法MaskR-CNN自动开展完整地形图中的建筑物的房屋特征信息进行识别，并引入聚类方法DBSCAN根据识别得到的房屋特征信息计算沿线的敏感性建筑的集群分布结果，从而知晓干线周围的建筑密集程度，从而能够快速地确定需要布置声屏障的区域范围，实现了声屏障的布置需求的快速确定，大大提高了声屏障布置规则的确定效率和准确度。
总体而言，本发明实施例提供的声屏障自动布置方法能够自动确定完整地形图中沿线建筑的类型与位置，同时自动确定沿线建筑的密集程度，实现了声屏障的自动布置，声屏障自动化布置效率提高，能够及时为线路方案比选提供反馈，为即时的线路选择提供支撑。该技术在选线方案比选中可根据变更线路高效自动布置声屏障，能够高效定位需要布置声屏障的声敏感区，推进了声屏障布置的自动化程度，提高声屏障布置效率，为绿色双碳选线提供决策支持。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的声屏障自动布置方法的流程示意图；
图2为本发明实施例提供的声屏障自动布置方法的Mask R-CNN图像识别方法的模型架构的示意图；
图3为本发明实施例提供的声屏障自动布置方法中相对坐标和全图坐标的转化方式示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
应当理解，本发明使用的“系统”、“装置”、“单元”和/或“模组”等是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提出示例外情形，“一”、“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用的流程图用来说明根据本说明书的实施例的系统所执行的操作。可以理解，各步骤的操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
在本申请的描述中，各个步骤的标号“S1、S2、S3···”等仅用于区别各个步骤，不应被视为对各个步骤的先后顺序的限制。根据实际情况和需要，可以灵活地对各个步骤的事事顺序进行调整。
实施例
请参照图1，本实施例提供一种声屏障自动布置方法，声屏障自动布置方法包括以下步骤：
S1：获取完整地形图。
S2：基于Mask R-CNN图像识别方法对完整地形图中的房屋特征信息进行识别，房屋特征信息包括房屋类型和房屋面积。
S3：根据房屋特征信息筛选出满足要求的敏感性建筑并确定其在完整地形图中的分布情况。
S4：基于DBSCAN聚类方法获得干线周围的敏感性建筑的集群分布结果。
S5：根据集群分布结果和规定的声屏障布置要求自动布置声屏障。
在使用过程中，引入图像识别方法Mask R-CNN自动开展完整地形图中的建筑物的房屋特征信息进行识别，并引入聚类方法DBSCAN根据识别得到的房屋特征信息计算沿线的敏感性建筑的集群分布结果，从而知晓干线周围的建筑密集程度，从而能够快速地确定需要布置声屏障的区域范围，实现了声屏障的布置需求的快速确定，大大提高了声屏障布置规则的确定效率和准确度。
总体而言，声屏障自动布置方法能够自动确定完整地形图中沿线建筑的类型与位置，同时自动确定沿线建筑的密集程度，实现了声屏障的自动布置，声屏障自动化布置效率提高，能够及时为线路方案比选提供反馈，为即时的线路选择提供支撑。该技术在选线方案比选中可根据变更线路高效自动布置声屏障，能够高效定位需要布置声屏障的声敏感区，推进了声屏障布置的自动化程度，提高声屏障布置效率，为绿色双碳选线提供决策支持。
需要说明的是，干线包括但不限于：铁路或公路。
在本实施例中，在步骤S2中，房屋特征信息还包括房屋相对坐标。
步骤S3还包括：将满足要求的敏感性建筑的房屋相对坐标转换为房屋全图坐标。
通过以房屋相对坐标和房屋全图坐标相结合使用的方式，可以有效地降低中间过程的计算负担。
进一步地，Mask R-CNN图像识别方法的训练集与验证集的获取方式包括以下步骤：
S01：将样本地形图按预设方式转化为样本图片，并对样本图片中的敏感性建筑和非敏感性建筑进行标记，以获得数据集。
S02：将数据集划分为训练集和验证集，其中，训练集和验证集中的样本图片数量之比为3~6∶1。可以理解，训练集和验证集中的样本图片数量之比可以根据实际情况灵活调整，例如3：1、4：1、5：1、6：1等，且不限于此。
数据集中还包括将样本图片通过扩展操作后得到的扩展样本图片，扩展操作包括：旋转和镜像中至少一者。
房屋类型包括：混凝土房、砖房、简易房、居民房、其他类房屋、带有“棚”字样的房屋和带有“破”字样的房屋。这样能够有效地将房屋类型进行覆盖，从而提高判断的精确度。
在步骤S3中，根据房屋特征信息筛选出满足要求的敏感性建筑包括：筛掉带有“棚”字样的房屋和带有“破”字样的房屋。并设置面积阈值范围，过滤面积小于面积阈值范围下限和大于面积阈值范围上限的敏感性建筑，以排除干扰建筑的影响。
敏感性建筑包括：明确有人居住的房屋。
在步骤S01中，将样本地形图按预设方式转化为样本图片包括：将样本地形图按预设尺寸分割为预设分辨率的样本图片。
下面以一个具体演示案例对本申请的技术方案辅助进行说明。
一、获取完整地形图，完整地形图采用dwg格式文件。
二、Mask R-CNN图像识别方法。
1、本实施例所采用的Mask R-CNN图像识别方法的模型架构如图2所示。Mask R-CNN图像识别方法以残差网络（Res Net系列网络）和特征金字塔网络（FPN）为骨干网络，图片输入后，将Res Net中的卷积层作为图像特征提取器提取不同层级的图像特征，并将压缩后的特征图像用于FPN进行特征融合得到多尺度的特征图，然后区域建议网络（RegionProposal Network, RPN）根据特征图得到可能包含目标的候选区域，即建议框，建议框会对有效特征层进行截取（ROI Align），并通过池化操作将特征图调整为统一的大小，最后将特征图输入卷积神经网络和全连接网络进行掩膜预测以及目标定位、分类处理。该模型特点是集成了目标检测和实例分割，同时拥有高识别速率和高准确性。
2、数据集准备：选定样本地形图，样本地形图采用dwg文件格式，将DWG格式的样本地形图按照100m*100m的大小转换成像素1000*1000的JPG图片，制作样本图片。利用标注工具对样本图片中的敏感性建筑及非敏感性建筑进行标记。标注工具可以采用labelme，标记方式可以采用分割掩膜标记，但不限于此。
在进行标记的过程中，可以先手动标注一部分图片，为提高数据标注的效率，可以通过代码将手动标注的图例组合自动生成带有标注的新图片。同时为获得足够的样本，可以进行数据增强，以扩充与学习对象相关的训练数据量，既增加了数据的数量，又提高了数据的质量，避免了模型学习到其他不相关的特征，对于缓解模型过拟合起到一定作用，同时这也可以提升模型的泛化能力。但具体方式不限于此。
另外，还可以结合样本图片的旋转、镜像等方式获得更多的样本图片。
经过上述处理后可以得到所需数量的带有标注的样本图片，包括七类建筑物：混凝土房、砖房、简易房、居民房、其他类房屋、带有“棚”字样的房屋和带有“破”字样的房屋。针对每种类型的建筑物均需要制作足够数量的样本图片，从而得到数据集。
3、将数据集按照8∶2的比例划分为训练集与验证集进行训练。
4、模型训练：模型基于深度学习框架Pytorch进行训练，训练过程使用迁移学习减少训练时间，基于Mask R-CNN在COCO数据集上的预训练模型，布置迭代次数为4000，学习速率在第90000步至第120000步时衰减，控制每步训练数据量batch size设为16，以0.001的学习率进行训练。最终模型训练的平均AP值为85.73%，测试识别效果时能够成功识别完整地形图中七类建筑物。
可以理解，实际过程中还可以对模型继续进行优化。
在此基础上，可以利用训练后的Mask R-CNN图像识别方法对完整地形图进行识别处理，获取相应的房屋特征信息，并记录建筑物的相对坐标和房屋面积。
三、筛掉带有“棚”字样的房屋和带有“破”字样的房屋。并设置面积阈值范围，过滤面积小于面积阈值范围下限和大于面积阈值范围上限的敏感性建筑。
四、DBSCAN聚类方法。
1、声屏障布置需要依照“沿线建筑100米范围内超过10户敏感建筑，则需要在此处布置声屏障。并且声屏障布置两端要延伸50m且间隔小于50米的声屏障需要合并”的设置要求。其中敏感性建筑是指明确有人居住的环境。
2、输入的数据为由Mask R-CNN图像识别方法识别得到的房屋类型和房屋相对坐标，输出的数据为需要布置声屏障的建筑群坐标集合。
3、将建筑物的中心点的相对坐标转化为全图坐标，如图3、公式1和公式2所示：
公式1：
Figure 483482DEST_PATH_IMAGE002
。
公式2：
Figure 433858DEST_PATH_IMAGE003
。
其中vpt、upt为房屋中心点的相对坐标，其中ximg、yimg为切割图片左上角坐标，为全图坐标，xpt、ypt为房屋中心点的全图坐标，最终房屋中心点的全图坐标加入DBSCAN的数据集。
4、布置聚类算法：DBSCAN的数据集是由符合标准的敏感性建筑中心点集成。为使聚类结果符合声屏障“100米范围内大于10户需要布置声屏障”布置需求，需要对DBSCAN中的参数进行设置。
(a)Esp：DBSCAN聚类过程中的领域阈值，在声屏障布置过程中，领域阈值定为100m。
(b)MinPts：领域内的密度阈值，即是领域阈值范围内数据点的个数。在声屏障布置过程中，密度阈值定为10个。
(c)相对距离：DBSCAN中用于定义两点距离的距离度量，本算法中距离度量采用欧几里得距离，如公式3：
Figure DEST_PATH_IMAGE005
所示。在数据集中第m与第n个点之间的相对距离为dmn。
5、运算结果：最终算法输出的数据为需要布置声屏障的建筑群坐标集合，该集合将作为最后一步声屏障布置规则的依据。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种声屏障自动布置方法，其特征在于，包括以下步骤：
S1：获取完整地形图；
S2：基于Mask R-CNN图像识别方法对所述完整地形图中的房屋特征信息进行识别，所述房屋特征信息包括房屋类型和房屋面积；
S3：根据所述房屋特征信息筛选出满足要求的敏感性建筑并确定其在所述完整地形图中的分布情况；
S4：基于DBSCAN聚类方法获得所述干线周围的所述敏感性建筑的集群分布结果；
S5：根据所述集群分布结果和规定的声屏障布置要求自动布置声屏障。
2.根据权利要求1所述的声屏障自动布置方法，其特征在于，在所述步骤S2中，所述房屋特征信息还包括房屋相对坐标；
所述步骤S3还包括：将满足要求的所述敏感性建筑的所述房屋相对坐标转换为房屋全图坐标。
3.根据权利要求1所述的声屏障自动布置方法，其特征在于，所述Mask R-CNN图像识别方法的训练集与验证集的获取方式包括以下步骤：
S01：将样本地形图按预设方式转化为样本图片，并对所述样本图片中的敏感性建筑和非敏感性建筑进行标记，以获得数据集；
S02：将所述数据集划分为所述训练集和所述验证集，其中，所述训练集和所述验证集中的所述样本图片数量之比为3~6∶1。
4.根据权利要求3所述的声屏障自动布置方法，其特征在于，所述数据集中还包括将所述样本图片通过扩展操作后得到的扩展样本图片，所述扩展操作包括：旋转和镜像中至少一者。
5.根据权利要求1所述的声屏障自动布置方法，其特征在于，所述房屋类型包括：混凝土房、砖房、简易房、居民房、其他类房屋、带有“棚”字样的房屋和带有“破”字样的房屋。
6.根据权利要求5所述的声屏障自动布置方法，其特征在于，在所述步骤S3中，根据所述房屋特征信息筛选出满足要求的敏感性建筑包括：筛掉所述带有“棚”字样的房屋和所述带有“破”字样的房屋；并设置面积阈值范围，过滤面积小于所述面积阈值范围下限和大于所述面积阈值范围上限的所述敏感性建筑。
7.根据权利要求1所述的声屏障自动布置方法，其特征在于，所述敏感性建筑包括：明确有人居住的房屋。
8.根据权利要求3所述的声屏障自动布置方法，其特征在于，在所述步骤S01中，将所述样本地形图按所述预设方式转化为所述样本图片包括：将所述样本地形图按预设尺寸分割为预设分辨率的所述样本图片。
CN202210646927.7A 2022-06-09 2022-06-09 一种声屏障自动布置方法 Pending CN114898215A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210646927.7A CN114898215A (zh) 2022-06-09 2022-06-09 一种声屏障自动布置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210646927.7A CN114898215A (zh) 2022-06-09 2022-06-09 一种声屏障自动布置方法

Publications (1)

Publication Number Publication Date
CN114898215A true CN114898215A (zh) 2022-08-12

Family

ID=82728236

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210646927.7A Pending CN114898215A (zh) 2022-06-09 2022-06-09 一种声屏障自动布置方法

Country Status (1)

Country Link
CN (1) CN114898215A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117010268A (zh) * 2023-06-06 2023-11-07 西南交通大学 一种铁路沿线声屏障布置方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE2456915A1 (de) * 1974-12-02 1976-08-12 Acrow Wolff Gmbh Industrie-, betriebs-, maschinen-, verkehrs-, bau und sonstige laermgeraeusche abwehrende einrichtung
US20060206623A1 (en) * 2005-03-10 2006-09-14 Peter Gipps Path determination system for vehicle infrastructure paths
US20190261109A1 (en) * 2016-10-26 2019-08-22 Samarjit Das Mobile and Autonomous Audio Sensing and Analytics System and Method
US20210097827A1 (en) * 2017-08-28 2021-04-01 Blue Systems A.Y. Ltd Systems and methods for alerting disaster events
US20210390807A1 (en) * 2020-06-15 2021-12-16 Honeywell International Inc. Occupant health monitoring for buildings
CN113802481A (zh) * 2021-09-30 2021-12-17 深圳市绿大科技有限公司 植物声屏障配置方法、装置、设备及存储介质
WO2022047960A1 (zh) * 2020-09-04 2022-03-10 东南大学 一种基于人工智能的商业街区建筑体块生成的方法
CN114581769A (zh) * 2022-01-19 2022-06-03 西南交通大学 一种基于无监督聚类的在建房屋识别方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE2456915A1 (de) * 1974-12-02 1976-08-12 Acrow Wolff Gmbh Industrie-, betriebs-, maschinen-, verkehrs-, bau und sonstige laermgeraeusche abwehrende einrichtung
US20060206623A1 (en) * 2005-03-10 2006-09-14 Peter Gipps Path determination system for vehicle infrastructure paths
US20190261109A1 (en) * 2016-10-26 2019-08-22 Samarjit Das Mobile and Autonomous Audio Sensing and Analytics System and Method
US20210097827A1 (en) * 2017-08-28 2021-04-01 Blue Systems A.Y. Ltd Systems and methods for alerting disaster events
US20210390807A1 (en) * 2020-06-15 2021-12-16 Honeywell International Inc. Occupant health monitoring for buildings
WO2022047960A1 (zh) * 2020-09-04 2022-03-10 东南大学 一种基于人工智能的商业街区建筑体块生成的方法
CN113802481A (zh) * 2021-09-30 2021-12-17 深圳市绿大科技有限公司 植物声屏障配置方法、装置、设备及存储介质
CN114581769A (zh) * 2022-01-19 2022-06-03 西南交通大学 一种基于无监督聚类的在建房屋识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周辉宇 等: ""基于图像识别的铁路声屏障平面布置图自动生成方法研究"" *
韩运强 等: "铁路噪声治理原则及措施研究" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117010268A (zh) * 2023-06-06 2023-11-07 西南交通大学 一种铁路沿线声屏障布置方法
CN117010268B (zh) * 2023-06-06 2024-02-09 西南交通大学 一种铁路沿线声屏障布置方法

Similar Documents

Publication Publication Date Title
CN107609525B (zh) 基于剪枝策略构建卷积神经网络的遥感图像目标检测方法
CN109147254B (zh) 一种基于卷积神经网络的视频野外火灾烟雾实时检测方法
CN104992223B (zh) 基于深度学习的密集人数估计方法
CN104881662B (zh) 一种单幅图像行人检测方法
CN106529499A (zh) 基于傅里叶描述子和步态能量图融合特征的步态识别方法
CN108921201B (zh) 基于特征组合与cnn的大坝缺陷识别与分类方法
CN108334847A (zh) 一种真实场景下的基于深度学习的人脸识别方法
CN107871101A (zh) 一种人脸检测方法及装置
CN109460769A (zh) 一种基于表格字符检测与识别的移动端系统与方法
CN108648169A (zh) 高压输电塔绝缘子缺陷自动识别的方法及装置
CN106295532B (zh) 一种视频图像中的人体动作识别方法
CN110543906B (zh) 基于Mask R-CNN模型的肤质自动识别方法
CN106408030A (zh) 基于中层语义属性和卷积神经网络的sar图像分类方法
CN108509950B (zh) 基于概率特征加权融合的铁路接触网支柱号牌检测识别法
CN112232199A (zh) 基于深度学习的佩戴口罩检测方法
CN111091544A (zh) 铁路货车转向架侧面一体架构断裂故障检测方法
CN108256462A (zh) 一种商场监控视频中的人数统计方法
CN112488229A (zh) 一种基于特征分离和对齐的域自适应无监督目标检测方法
CN108305253A (zh) 一种基于多倍率深度学习的病理全切片诊断方法
CN110688888B (zh) 一种基于深度学习的行人属性识别方法和系统
CN109033944A (zh) 一种全天空极光图像分类与关键局部结构定位方法及系统
CN110516676A (zh) 一种基于图像处理的银行卡号识别系统
CN110287888A (zh) 一种台标识别方法及系统
CN111612747A (zh) 产品表面裂缝快速检测方法及检测系统
CN113221956A (zh) 基于改进的多尺度深度模型的目标识别方法及装置

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20220812

WD01 Invention patent application deemed withdrawn after publication