CN116664581B - 一种倾斜摄影模型质量校验及优化方法 - Google Patents
一种倾斜摄影模型质量校验及优化方法 Download PDFInfo
- Publication number
- CN116664581B CN116664581B CN202310960622.8A CN202310960622A CN116664581B CN 116664581 B CN116664581 B CN 116664581B CN 202310960622 A CN202310960622 A CN 202310960622A CN 116664581 B CN116664581 B CN 116664581B
- Authority
- CN
- China
- Prior art keywords
- triangular
- detection
- execution program
- triangular surface
- oblique photography
- 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 48
- 238000005457 optimization Methods 0.000 title claims abstract description 12
- 238000012795 verification Methods 0.000 title claims abstract description 6
- 238000001514 detection method Methods 0.000 claims abstract description 77
- 230000007547 defect Effects 0.000 claims abstract description 38
- 238000013507 mapping Methods 0.000 claims abstract description 32
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000002372 labelling Methods 0.000 claims abstract description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 230000003213 activating effect Effects 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000010561 standard procedure Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000009432 framing Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/21—Indexing scheme for image data processing or generation, in general involving computational photography
-
- 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
- G06T2207/30168—Image quality inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/21—Collision detection, intersection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及倾斜摄模型优化技术领域,具体公开了一种倾斜摄影模型质量校验及优化方法,是一种对倾斜摄影模型质量进行评估以及倾斜摄影模型质量进行优化的标准方法,具体的获取倾斜摄影模型,从倾斜摄影模型中按幅提取测绘矢量数据,从每幅测绘矢量数据提取若干三角面,对三角面按照设定规则进行缺陷检测,以获取每幅测绘矢量数据中三角面不完整的比率,以对倾斜摄影模型质量进行评估;将具有缺陷的三角面进行标注,标注后输入至神经网络模型进行迭代训练得到三角面的修复模型,通过三角面的修复模型将每一三角面的缺陷部分根据测绘矢量数据中的边界坐标对原三角网进行重构,以优化每一幅测绘矢量数据。
Description
技术领域
本发明涉及一种倾斜摄模型优化技术领域,具体的涉及一种倾斜摄影模型质量校验及优化方法。
背景技术
目前倾斜摄影模型,尤其Smart3D处理的倾斜摄影三维模型数据的组织方式一般是二进制存贮的、带有嵌入式链接纹理数据(.jpg)的OSGB格式。OSGB格式有助于按照分幅的形成来提取对应的测绘矢量数据,而对于模型的质量检验,也都是通过得到测绘矢量数据后进行点、线、面的单体数据进行检测,通过检测点、线、面的单体数据存在的缺陷来评估模型的质量。然而倾斜摄影模型的数据结构非常庞大,如果按照上述的方法来进行检测,需要大量的时间进行数据的整理和处理,且并没有形成一个统一的检测标准。
发明内容
有鉴于此,本发明的目的在于提供一种倾斜摄影模型质量校验及优化方法。
为实现上述目的,本发明提供了一种倾斜摄影模型质量校验及优化方法,包括如下步骤:
获取倾斜摄影模型,从倾斜摄影模型中按幅提取测绘矢量数据,从每幅测绘矢量数据提取若干三角面,对三角面按照设定规则进行缺陷检测,以获取每幅测绘矢量数据中三角面不完整的比率,以对倾斜摄影模型质量进行评估。
将具有缺陷的三角面进行标注,标注后输入至神经网络模型进行迭代训练得到三角面的修复模型,通过三角面的修复模型将每一三角面的缺陷部分根据测绘矢量数据中的边界坐标对原三角网进行重构,以优化每一幅测绘矢量数据。
进一步地,所述设定规则是基于循环碰撞检测方法、三角面区域判断方法、三角面任意一个角交点闭合逻辑、三角面中任意两条线交点重合方法来对三角面进行缺陷检测。
进一步地,对三角面按照设定规则进行缺陷检测时,包括如下步骤:
获取多个三角面中存在的缺陷形式,并模拟缺陷形式的至少一个检测路径。
将至少一个所述检测路径写入执行程序中进行循环检测,根据所述执行程序对三角面中存在的缺陷进行聚类。
进一步地,根据所述检测路径来标注所述执行程序,并使得执行程序对三角面进行缺陷检测后对检测的结果按照对应的标注符进行聚类。
进一步地,所述执行程序设置在处理器上,并基于处理器来进行运行。
进一步地,基于处理器来运行所述执行程序的方法包括:
所述处理器为每一执行程序设定一个唯一的执行线程。
并根据检测任务的进行来动态的设定每一执行程序的优先级,并将执行程序的优先级实时同步至处理器,所述处理器对执行线程按照相同的优先级进行配置;并按照配置的优先级来激活对应的执行线程来运行相匹配的执行程序。
进一步地,根据检测任务的进行来动态的设定每一执行程序的优先级的方法包括:
初始时,将每一执行程序的优先级系数设置为相同。
当检测任务进行后,按照对应的标注符获取每一执行程序的聚类结果。
以任务管理模块对类聚结果按照设定周期进行排列,按照排列的结果来设定执行程序的优先级。
进一步地,所述检测路径包括:
基于循环碰撞检测方法所形成的检测路径。
基于三角面区域判断方法所形成的检测路径。
基于三角面任意一个角交点闭合逻辑所形成的检测路径。
基于三角面中任意两条线交点重合方法所形成的检测路径。
基于循环碰撞检测方法、三角面区域判断方法、三角面任意一个角交点闭合逻辑、三角面中任意两条线交点重合方法中的任意两个或者三个或四个组合所形成的检测路径。
进一步地,所述执行程序具有指令区和数据区。
所述指令区用于将所述检测路径写入执行代码。
所述数据区用于写入每一执行程序的优先级系数。
本申请通过建立一种对倾斜摄影模型质量进行评估以及倾斜摄影模型质量进行优化的标准方法,以传统技术中面特征的抽取为路径,将倾斜摄影数据进行分幅输出得到测绘矢量数据,再通过面特征对测绘矢量数据进行检测,本申请通过设定标准的检测路径,并将所述检测路径程序化,根据所述执行程序对三角面中存在的缺陷进行聚类,这种方式有利于对于不同的模型进行检测,由于已经包含目前已经公开的所有检测路径,且又对检测路径进行了程序化设置,使得标准化程度高,执行方便,能够提高对模型进行检测效率。
本申请通过将具有缺陷的三角面进行标注,标注后输入至神经网络模型进行迭代训练得到三角面的修复模型,通过三角面的修复模型将每一三角面的缺陷部分根据测绘矢量数据中的边界坐标对原三角网进行重构,以优化每一幅测绘矢量数据,从而对模型整体进行有效的优化。
附图说明
图1为本发明的方法流程图。
图2为本发明中对三角面按照设定规则进行缺陷检测时的方法流程图。
图3为本发明中基于处理器来运行所述执行程序的方法流程图。
图4为本发明中根据检测任务的进行来动态的设定每一执行程序的优先级的方法流程图。
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做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。
参照图1至图4,为实现上述目的,本发明提供了一种倾斜摄影模型质量校验及优化方法,包括如下步骤:
获取倾斜摄影模型,从倾斜摄影模型中按幅提取测绘矢量数据,从每幅测绘矢量数据提取若干三角面,对三角面按照设定规则进行缺陷检测,以获取每幅测绘矢量数据中三角面不完整的比率,以对倾斜摄影模型质量进行评估。
将具有缺陷的三角面进行标注,标注后输入至神经网络模型进行迭代训练得到三角面的修复模型,通过三角面的修复模型将每一三角面的缺陷部分根据测绘矢量数据中的边界坐标对原三角网进行重构,以优化每一幅测绘矢量数据。
在上述中,对倾斜摄影模型按幅进行测绘矢量数据抽取,以及从测绘矢量数据中抽取面数据时,可以采用现有的知识图谱技术手段,在知识图谱中设定抽取的路径只包含面路径,将点、线路径舍弃,因为点、线最终都是形成面的主要要素,因此,相比于传统技术手段,本申请降低了对路径选择的数量,有利于检测效率的提高。
在上述中,所述设定规则是基于循环碰撞检测方法、三角面区域判断方法、三角面任意一个角交点闭合逻辑、三角面中任意两条线交点重合方法来对三角面进行缺陷检测。
在上述中,对三角面按照设定规则进行缺陷检测时,包括如下步骤:
获取多个三角面中存在的缺陷形式,并模拟缺陷形式的至少一个检测路径。
将至少一个所述检测路径写入执行程序中进行循环检测,根据所述执行程序对三角面中存在的缺陷进行聚类。
在上述中,根据所述检测路径来标注所述执行程序,并使得执行程序对三角面进行缺陷检测后对检测的结果按照对应的标注符进行聚类。
本申请通过建立一种对倾斜摄影模型质量进行评估以及倾斜摄影模型质量进行优化的标准方法,以传统技术中面特征的抽取为路径,将倾斜摄影数据进行分幅输出得到测绘矢量数据,再通过面特征对测绘矢量数据进行检测,其中,面特征检测时,一般都是抽取若干三角面,对于模型的质量来说,其最主要的是对于边界部分的质量检测,可能存在大量的三角面缺失,本申请通过设定标准的检测路径,并将所述检测路径程序化,根据所述执行程序对三角面中存在的缺陷进行聚类,这种方式有利于对于不同的模型进行检测,由于已经包含目前已经公开的所有检测路径,且又对检测路径进行了程序化设置,使得标准化程度高,执行方便,能够提高对模型进行检测效率。
在上述中,所述执行程序设置在处理器上,并基于处理器来进行运行,其中,处理器具有CPU的作用和功能,也可以使用现有的CPU来进行替代,其为执行程序提供执行载体、存储以及执行程序的配置、修改和封装。在上述中,基于处理器来运行所述执行程序的方法包括:所述处理器为每一执行程序设定一个唯一的执行线程;并根据检测任务的进行来动态的设定每一执行程序的优先级,并将执行程序的优先级实时同步至处理器,所述处理器对执行线程按照相同的优先级进行配置;并按照配置的优先级来激活对应的执行线程来运行相匹配的执行程序。
在上述中,根据检测任务的进行来动态的设定每一执行程序的优先级的方法包括:初始时,将每一执行程序的优先级系数设置为相同;当检测任务进行后,按照对应的标注符获取每一执行程序的聚类结果;以任务管理模块对类聚结果按照设定周期进行排列,按照排列的结果来设定执行程序的优先级。在一些实施例中,本申请还针对性的设置了执行程序的优先级,对于不同的模型,其存在的缺陷可能存在较大的差异,因此其所使用的检测路径可能存在较大的差异,居于此,本申请通过当检测任务进行后,按照对应的标注符获取每一执行程序的聚类结果;以任务管理模块对类聚结果按照设定周期进行排列,按照排列的结果来设定执行程序的优先级。通过针对不同的模型检测来设定执行程序的优先级,其有利于对模型本身存在的缺陷进行高效聚类。
在上述中,所述检测路径包括:基于循环碰撞检测方法所形成的检测路径;基于三角面区域判断方法所形成的检测路径;基于三角面任意一个角交点闭合逻辑所形成的检测路径;基于三角面中任意两条线交点重合方法所形成的检测路径;基于循环碰撞检测方法、三角面区域判断方法、三角面任意一个角交点闭合逻辑、三角面中任意两条线交点重合方法中的任意两个或者三个或四个组合所形成的检测路径。
在上述中,所述执行程序具有指令区和数据区;所述指令区用于将所述检测路径写入执行代码;所述数据区用于写入每一执行程序的优先级系数。
应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,比如本申请所提及的执行程序、执行代码,都是以处理器或者CPU来作为承载载体,并存储、运行在处理器或者CPU上,其对应的配置、修改和封装也都是通过处理器或者CPU来实现。
同理,本申请提供的线程,也是通过处理器或者CPU来运行,处理器或者CPU执行程序的执行时,存在多条线程之间切换,于是线程状态也会多次在运行、阻塞之间切换。因此,为了避免存在大量的线程运行,本申请还针对性的设置了执行程序的优先级,通过针对不同的模型检测来设定执行程序的优先级,其有利于处理器或者CPU来对执行线程的所使用的资源进行高效配置和优化。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个实施例中。对于不同的模型,其存在的缺陷可能存在较大的差异,因此其所使用的检测路径可能存在较大的差异,居于此,本申请通过当检测任务进行后,按照对应的标注符获取每一执行程序的聚类结果;以任务管理模块对类聚结果按照设定周期进行排列,按照排列的结果来设定执行程序的优先级。通过针对不同的模型检测来设定执行程序的优先级,其有利于对模型本身存在的缺陷进行高效聚类。
本申请的原理如下:
本申请通过建立一种对倾斜摄影模型质量进行评估以及倾斜摄影模型质量进行优化的标准方法,以传统技术中面特征的抽取为路径,将倾斜摄影数据进行分幅输出得到测绘矢量数据,再通过面特征对测绘矢量数据进行检测,其中,面特征检测时,一般都是抽取若干三角面,对于模型的质量来说,其最主要的是对于边界部分的质量检测,可能存在大量的三角面缺失,本申请通过设定标准的检测路径,并将所述检测路径程序化,根据所述执行程序对三角面中存在的缺陷进行聚类,这种方式有利于对于不同的模型进行检测,由于已经包含目前已经公开的所有检测路径,且又对检测路径进行了程序化设置,使得标准化程度高,执行方便,能够提高对模型进行检测效率。
本申请还针对性的设置了执行程序的优先级,对于不同的模型,其存在的缺陷可能存在较大的差异,因此其所使用的检测路径可能存在较大的差异,居于此,本申请通过当检测任务进行后,按照对应的标注符获取每一执行程序的聚类结果;以任务管理模块对类聚结果按照设定周期进行排列,按照排列的结果来设定执行程序的优先级。通过针对不同的模型检测来设定执行程序的优先级,其有利于对模型本身存在的缺陷进行高效聚类。
本申请通过将具有缺陷的三角面进行标注,标注后输入至神经网络模型进行迭代训练得到三角面的修复模型,通过三角面的修复模型将每一三角面的缺陷部分根据测绘矢量数据中的边界坐标对原三角网进行重构,以优化每一幅测绘矢量数据,从而对模型整体进行有效的优化。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种倾斜摄影模型质量校验及优化方法,其特征在于,包括如下步骤:
获取倾斜摄影模型,从倾斜摄影模型中按幅提取测绘矢量数据,从每幅测绘矢量数据提取若干三角面,对三角面按照设定规则进行缺陷检测,以获取每幅测绘矢量数据中三角面不完整的比率,以对倾斜摄影模型质量进行评估;
将具有缺陷的三角面进行标注,标注后输入至神经网络模型进行迭代训练得到三角面的修复模型,通过三角面的修复模型将每一三角面的缺陷部分根据测绘矢量数据中的边界坐标对原三角网进行重构,以优化每一幅测绘矢量数据;
对三角面按照设定规则进行缺陷检测时,包括如下步骤:
获取多个三角面中存在的缺陷形式,并模拟缺陷形式的至少一个检测路径;
将至少一个所述检测路径写入执行程序中进行循环检测,根据所述执行程序对三角面中存在的缺陷进行聚类;
根据所述检测路径来标注所述执行程序,并使得执行程序对三角面进行缺陷检测后对检测的结果按照对应的标注符进行聚类。
2.根据权利要求1所述的倾斜摄影模型质量校验及优化方法,其特征在于,所述设定规则是基于循环碰撞检测方法、三角面区域判断方法、三角面任意一个角交点闭合逻辑、三角面中任意两条线交点重合方法来对三角面进行缺陷检测。
3.根据权利要求1所述的倾斜摄影模型质量校验及优化方法,其特征在于,所述执行程序设置在处理器上,并基于处理器来进行运行。
4.根据权利要求3所述的倾斜摄影模型质量校验及优化方法,其特征在于,基于处理器来运行所述执行程序的方法包括:
所述处理器为每一执行程序设定一个唯一的执行线程;
并根据检测任务的进行来动态的设定每一执行程序的优先级,并将执行程序的优先级实时同步至处理器,所述处理器对执行线程按照相同的优先级进行配置;并按照配置的优先级来激活对应的执行线程来运行相匹配的执行程序。
5.根据权利要求4所述的倾斜摄影模型质量校验及优化方法,其特征在于,根据检测任务的进行来动态的设定每一执行程序的优先级的方法包括:
初始时,将每一执行程序的优先级系数设置为相同;
当检测任务进行后,按照对应的标注符获取每一执行程序的聚类结果;
以任务管理模块对类聚结果按照设定周期进行排列,按照排列的结果来设定执行程序的优先级。
6.根据权利要求1所述的倾斜摄影模型质量校验及优化方法,其特征在于,所述检测路径包括:
基于循环碰撞检测方法所形成的检测路径;
基于三角面区域判断方法所形成的检测路径;
基于三角面任意一个角交点闭合逻辑所形成的检测路径;
基于三角面中任意两条线交点重合方法所形成的检测路径;
基于循环碰撞检测方法、三角面区域判断方法、三角面任意一个角交点闭合逻辑、三角面中任意两条线交点重合方法中的任意两个或者三个或四个组合所形成的检测路径。
7.根据权利要求1至5任意一项所述的倾斜摄影模型质量校验及优化方法,其特征在于,所述执行程序具有指令区和数据区;
所述指令区用于将所述检测路径写入执行代码;
所述数据区用于写入每一执行程序的优先级系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310960622.8A CN116664581B (zh) | 2023-08-02 | 2023-08-02 | 一种倾斜摄影模型质量校验及优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310960622.8A CN116664581B (zh) | 2023-08-02 | 2023-08-02 | 一种倾斜摄影模型质量校验及优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116664581A CN116664581A (zh) | 2023-08-29 |
CN116664581B true CN116664581B (zh) | 2023-11-10 |
Family
ID=87721074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310960622.8A Active CN116664581B (zh) | 2023-08-02 | 2023-08-02 | 一种倾斜摄影模型质量校验及优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116664581B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038900A (zh) * | 2017-12-06 | 2018-05-15 | 浙江科澜信息技术有限公司 | 倾斜摄影模型单体化方法、系统及计算机可读存储介质 |
CN110189395A (zh) * | 2019-05-15 | 2019-08-30 | 中国建筑西南设计研究院有限公司 | 一种基于人视角倾斜摄影实现景观立面动态分析与定量设计的方法 |
CN114219819A (zh) * | 2021-11-19 | 2022-03-22 | 上海建工四建集团有限公司 | 基于正射影像边界检测的倾斜摄影模型单体化方法 |
CN115170749A (zh) * | 2022-06-01 | 2022-10-11 | 山东翰林科技有限公司 | 基于Cesium的WEBGIS三维可视化构建方法及系统 |
CN116051785A (zh) * | 2023-02-08 | 2023-05-02 | 广州市城市规划勘测设计研究院 | 城市实景三维模型的构建方法、装置、设备及存储介质 |
CN116402973A (zh) * | 2022-12-07 | 2023-07-07 | 奥格科技股份有限公司 | 一种基于lod重构的倾斜摄影模型优化方法、系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934914B (zh) * | 2019-03-28 | 2023-05-16 | 东南大学 | 一种嵌入式城市设计场景仿真方法及系统 |
-
2023
- 2023-08-02 CN CN202310960622.8A patent/CN116664581B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038900A (zh) * | 2017-12-06 | 2018-05-15 | 浙江科澜信息技术有限公司 | 倾斜摄影模型单体化方法、系统及计算机可读存储介质 |
CN110189395A (zh) * | 2019-05-15 | 2019-08-30 | 中国建筑西南设计研究院有限公司 | 一种基于人视角倾斜摄影实现景观立面动态分析与定量设计的方法 |
CN114219819A (zh) * | 2021-11-19 | 2022-03-22 | 上海建工四建集团有限公司 | 基于正射影像边界检测的倾斜摄影模型单体化方法 |
CN115170749A (zh) * | 2022-06-01 | 2022-10-11 | 山东翰林科技有限公司 | 基于Cesium的WEBGIS三维可视化构建方法及系统 |
CN116402973A (zh) * | 2022-12-07 | 2023-07-07 | 奥格科技股份有限公司 | 一种基于lod重构的倾斜摄影模型优化方法、系统 |
CN116051785A (zh) * | 2023-02-08 | 2023-05-02 | 广州市城市规划勘测设计研究院 | 城市实景三维模型的构建方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
Building Segmentation of UAV-based Oblique Photography Point Cloud Using DoPP and DBSCAN;Guo Wang 等;《2022 3rd International Conference on Geology, Mapping and Remote Sensing (ICGMRS)》;233-236 * |
倾斜摄影实景三维模型空洞修补技术的研究;沈大勇;蒙印;杨井源;朱桂海;;测绘(06);12-15 * |
轮廓线约束的倾斜摄影测量三维模型立面修复方法;蒯通;《 CNKI优秀硕士学位论文全文库》;I138-609 * |
Also Published As
Publication number | Publication date |
---|---|
CN116664581A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110992317B (zh) | 一种基于语义分割的pcb板缺陷检测方法 | |
Zhang et al. | SOD‐YOLO: a small target defect detection algorithm for wind turbine blades based on improved YOLOv5 | |
KR102422962B1 (ko) | 다중 인공지능 모델의 연속 처리 구조에 기반한 이미지 자동 분류 및 처리 방법, 그리고 이를 실행시키기 위해 컴퓨터 판독가능 기록매체에 저장된 컴퓨터 프로그램 | |
CN103605497A (zh) | 一种二值图像连通域标记快速识别方法 | |
CN112035345A (zh) | 一种基于代码片段分析的混合深度缺陷预测方法 | |
Li et al. | Data augmentation and layered deformable mask R-CNN-based detection of wood defects | |
CN109840878A (zh) | 一种基于SystemC的面向GPU参数管理方法 | |
CN116664581B (zh) | 一种倾斜摄影模型质量校验及优化方法 | |
CN105205476B (zh) | 一种基于lbp特征的人脸识别硬件架构 | |
CN117093260B (zh) | 一种基于决策树分类算法的融合模型网站结构解析方法 | |
CN113506281A (zh) | 一种基于深度学习框架的桥梁裂缝检测方法 | |
CN112416301A (zh) | 深度学习模型开发方法及装置、计算机可读存储介质 | |
CN116912625A (zh) | 一种基于先验缺陷特征与sspcab注意力机制的数据增强方法 | |
WO2020062277A1 (zh) | 神经网络中数据预处理阶段的计算资源的管理方法和装置 | |
Zhi-Feng et al. | Light-YOLOv3: fast method for detecting green mangoes in complex scenes using picking robots | |
CN114332491A (zh) | 一种基于特征重构的显著性目标检测算法 | |
CN115982655A (zh) | 一种基于决策树的缺失数据流程异常预测方法 | |
WO2016082474A1 (zh) | 一种人机命令脚本更新方法、装置及计算机存储介质 | |
Cheng et al. | Mobile application GUI similarity comparison based on perceptual hash for automated robot testing | |
CN105607991A (zh) | 一种基于异步线程的测试方法和装置 | |
CN103593285A (zh) | 一种基于判定识别的图像类软件单元测试方法 | |
Wang et al. | Research on automation testing technology based on image recognition | |
CN117453229B (zh) | 一种用于自动代码生成数据库的输出代码解析方法 | |
CN112948145B (zh) | 一种面向水文传感器流数据的异常检测方法 | |
Yu et al. | Research on surface defect detection method of solid wood board based on improved YOLOv5s |
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 |