CN117036457A - 一种屋顶面积的测量方法、装置、设备及存储介质 - Google Patents
一种屋顶面积的测量方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117036457A CN117036457A CN202311038366.3A CN202311038366A CN117036457A CN 117036457 A CN117036457 A CN 117036457A CN 202311038366 A CN202311038366 A CN 202311038366A CN 117036457 A CN117036457 A CN 117036457A
- Authority
- CN
- China
- Prior art keywords
- image data
- roof
- area
- target
- semantic segmentation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 83
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000004590 computer program Methods 0.000 claims description 22
- 238000001914 filtration Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 230000001629 suppression Effects 0.000 claims description 7
- 230000001788 irregular Effects 0.000 claims description 4
- 238000002955 isolation Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000005764 inhibitory process Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 239000006002 Pepper Substances 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 235000012434 pretzels Nutrition 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
- 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
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种屋顶面积的测量方法、装置、设备及存储介质,该方法包括:获取对地面采集的遥感图像数据,作为原始图像数据;在屋顶的维度下对原始图像数据进行语义分割,得到目标图像数据;在目标图像数据中检测边缘信息;依据边缘信息检测表示独栋建筑物的屋顶的目标区域;依据目标区域测量独栋建筑物的屋顶的总面积。本实施例结合语义分割与边缘检测,可以滤除大部分的噪声,保障检测屋顶的准确性,此外,遥感图像数据的来源渠道众多,可以直接复用其他项目的数据,且遥感图像数据属于二维数据,处理较为简单,可以大大降低测量屋顶总面积的成本及耗时,整体提高测量屋顶总面积的效率。
Description
技术领域
本发明涉及计算机视觉的技术领域,尤其涉及一种屋顶面积的测量方法、装置、设备及存储介质。
背景技术
分布式光伏可安装在建筑屋顶、直接接入低压配电网,具有靠近用户侧、就地消纳、降低输送成本的优势。
为了缓解能源缺口,降低对矿物能源的依赖,许多地方已经在积极推广光伏发电,在推广的过程中,会统计独栋建筑物屋顶的面积,以便快速了解用户屋顶的资源潜力,有效避免弃光现象。
目前,普遍使用车辆或飞机搭载激光雷达(Light Detection And Ranging,LiDAR),实现对城市街区的三维建模,从建模得到的房屋矢量信息中提取屋顶的面积。
但是,使用车辆或飞机遍历城市街道,三维建模的空间数据较为复杂,两者均成本高、耗时长,使得统计屋顶的面积效率较低。
发明内容
本发明提供了一种屋顶面积的测量方法、装置、设备及存储介质,以解决如何提高统计屋顶面积的效率的问题。
根据本发明的一方面,提供了一种屋顶面积的测量方法,包括:
获取对地面采集的遥感图像数据,作为原始图像数据;
在屋顶的维度下对所述原始图像数据进行语义分割,得到目标图像数据;
在所述目标图像数据中检测边缘信息;
依据所述边缘信息检测表示独栋建筑物的屋顶的目标区域;
依据所述目标区域测量所述独栋建筑物的屋顶的总面积。
根据本发明的另一方面,提供了一种屋顶面积的测量装置,包括:
图像数据获取模块,用于获取对地面采集的遥感图像数据,作为原始图像数据;
语义分割模块,用于在屋顶的维度下对所述原始图像数据进行语义分割,得到目标图像数据;
边缘信息检测模块,用于在所述目标图像数据中检测边缘信息;
目标区域检测模块,用于依据所述边缘信息检测表示独栋建筑物的屋顶的目标区域;
总面积测量模块,用于依据所述目标区域测量所述独栋建筑物的屋顶的总面积。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的屋顶面积的测量方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序用于使处理器执行时实现本发明任一实施例所述的屋顶面积的测量方法。
在本实施例中,获取对地面采集的遥感图像数据,作为原始图像数据;在屋顶的维度下对原始图像数据进行语义分割,得到目标图像数据;在目标图像数据中检测边缘信息;依据边缘信息检测表示独栋建筑物的屋顶的目标区域;依据目标区域测量独栋建筑物的屋顶的总面积。本实施例结合语义分割与边缘检测,可以滤除大部分的噪声,保障检测屋顶的准确性,此外,遥感图像数据的来源渠道众多,可以直接复用其他项目的数据,且遥感图像数据属于二维数据,处理较为简单,可以大大降低测量屋顶总面积的成本及耗时,整体提高测量屋顶总面积的效率。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1是根据本发明实施例一提供的一种屋顶面积的测量方法的流程图;
图2是根据本发明实施例一提供的一种原始图像数据的示例图;
图3是根据本发明实施例一提供的一种语义分割网络SegNet的结构示意图;
图4是根据本发明实施例一提供的一种翻转的示例图;
图5是根据本发明实施例一提供的一种色彩抖动的示例图;
图6是根据本发明实施例一提供的一种增加噪声的示例图;
图7是根据本发明实施例一提供的一种训练语义分割网络SegNet的流程示意图;
图8是根据本发明实施例一提供的一种目标图像数据的示例图;
图9是根据本发明实施例一提供的一种边缘信息的示例图;
图10是根据本发明实施例二提供的一种屋顶面积的测量装置的结构示意图;
图11是根据本发明实施例三提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发
明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的一种屋顶面积的测量方法的流程图,该方法可以由屋顶面积的测量装置来执行,该屋顶面积的测量装置可以采用硬件和/或软件的形式实现,该屋顶面积的测量装置可配置于电子设备中。如图1所示,该方法包括:
步骤101、获取对地面采集的遥感图像数据,作为原始图像数据。
在许多应用场景中,如测绘、导航、天气预测等,通常会通过卫星等方式对不同的地面采集遥感图像数据。
在本实施例中,可以预先按照业务等需求圈定待统计的区域,尤其为城市、乡镇等具有建筑物的区域,复用相同的遥感图像数据,选择对该区域采集的遥感图像数据,记为原始图像数据。
由于原始图像数据的尺寸较大,不一定满足语义分割的要求,因此,可以将原始图像数据进行分割,使其大小满足语义分割的要求。
其中,分割是指将原始图像数据中具有特殊意义的不同区域划分开来,这些区域互不相交,每个区域满足灰度、纹理、彩色等特征的某种相似性准则。
示例性地,如图2所示,若原始图像数据的级别为19级,则可以按照先从北到南,再从西至东的顺序,切分为256×256大小的若干个区域,作为新的原始图像数据。
步骤102、在屋顶的维度下对原始图像数据进行语义分割,得到目标图像数据。
在本实施例中,可以预先在屋顶的维度下构建并训练语义分割网络,将原始图像数据输入语义分割网络中、对原始图像数据进行语义分割,得到目标图像数据。
语义分割是在屋顶的维度下执行的,因此,目标图像数据中的像素点提供了与屋顶相关的类别的语义,使得目标图像数据具有真实世界的可解析性。
在二分类的情况下,类别包括屋顶、非屋顶。
在多分类的情况下,类别除了屋顶之外,还可以包含其他情况,例如,道路、田野、水域,等等,本实施例对此不加以限制。
其中,语义分割网络的结构不局限于人工设计的神经网络,也可以通过模型量化方法优化的神经网络,通过NAS(Neural Architecture Search,神经网络结构搜索)方法针对屋顶的特性搜索的神经网络,等等,本实施例对此不加以限制。
在本发明的一个实施例中,步骤102可以包括如下步骤:
步骤1021、加载在屋顶的维度下训练的语义分割网络SegNet。
在本实施例中,可以预先采集大量的样本并对其标注标签,在屋顶的维度下训练语义分割网络SegNet,使得语义分割网络SegNet可在屋顶的维度下对图像数据执行语义分割。
如图3所示,语义分割网络SegNet是多类别语义分割全卷积神经网络结构,语义分割网络SegNet由编码器、解码器和像素级的分类层构成,整个网络包含10级,Level 1至Level 5为编码器,Level6至Level 10为解码器。编码器网络由13个3×3卷积层构成,核心主干为VGG-16网络的前13层卷积层,通过抛弃全连接层,使得编码器即使在最深的网络层也能保持较好的分辨率,同时也极大减少了网络参数量。
在执行语义分割时,将语义分割网络SegNet及其参数加载至内存。
在本发明的一个实施例中,可以通过如下方式训练语义分割网络SegNet:
步骤S21、确定语义分割网络SegNet。
在本实施例中,可以预先构建语义分割网络SegNet的结构,语义分割网络SegNet可以为原生的结构,也可以为在原始的结构上进行改动的结构,本实施例对此不加以限制。
训练语义分割网络SegNet,可以指调整语义分割网络SegNet中的参数,进而拟合复杂的非线性关系。
步骤S22、获取对地面采集的遥感图像数据,作为样本图像数据。
在本实施例中,可以通过公开的数据集下载等方式获取对地面采集的遥感图像数据。
将遥感图像数据按照一定的比例(如8:2)划分为样本集与验证集,将样本集中的遥感图像数据记为样本图像数据,并对样本图像数据标注相应的标签,即,样本图像数据标注有标签。
对于二分类而言,样本图像数据的标签为背景(以类别0表示)、屋顶(以类别1表示)。
步骤S23、对样本图像数据执行预处理。
在实际应用中,样本图像数据整体覆盖了城市地区和农村地区,城市地区建筑物密集、高度不一,存在遮挡现象,而农村地区的建筑物一般较为规范,但建筑风格差异较大。
为了缓解上述问题,使得语义分割网络SegNet能够更好地提取特征,提高语义分割网络SegNet的泛化能力和鲁棒性,降低语义分割网络SegNet过拟合的风险,可以依据样本图像数据的特点对样本图像数据执行预处理,得到新的样本图像数据,实现数据增强并扩充样本集。
示例性地,预处理包括翻转、色彩抖动与增加噪声的至少一者。
在本示例中,考虑到不同地区建筑物的朝向有所不同,因此,可以对样本图像数据进行一种或多种模式的翻转。
如图4所示,图像401为原始的样本图像数据,图像402为对样本图像数据进行水平翻转后的图像,图像403为对样本图像数据进行垂直翻转后的图像,图像404为对样本图像数据进行水平、垂直翻转后的图像。
考虑到不同区域的屋顶在颜色、对比度以及亮度等存在较大差异,可以对样本图像数据基于HSV(Hue Saturation Value,色相饱和度亮度)颜色模型改变原图的色调、亮度和对比度,进行一种或多种模式的色彩抖动。
如图5所示,图像501和图像502分别是在原始的样本图像数据的基础上降低亮度和增加亮度的结果;图像503和图像504分别是在原始的样本图像数据的基础上降低色调和增加色调的结果;图像505和图像506分别是在原始的样本图像数据的基础上降低对比度和增加对比度的结果;图像507和图像508分别是在原始的样本图像数据的基础上降低锐度和增加锐度的结果。
考虑到遥感图像数据存在噪声,为了降低噪声对语义分割的影响,可对样本图像数据增加一种或多种模式的噪声。
如图6所示,图像601为原始的样本图像数据,图像602为在原始的样本图像数据的基础上增加均值为0、方差为0.05的高斯噪声,图像603为在原始的样本图像数据的基础上增加概率为0.05的椒盐噪声。
在实际的数据增强工作中,增加的噪声均较小,可增加均值为0、方差为0.001的高斯噪声,概率为0.001的椒盐噪声。
当然,上述预处理只是作为示例,在实施本实施例时,可以根据实际情况设置其它预处理,本实施例对此不加以限制。另外,除了上述XX外,本领域技术人员还可以根据实际需要采用其它预处理,本实施例对此也不加以限制。
步骤S24、将预处理之后的样本图像数据输入语义分割网络SegNet中进行语义分割,得到语义图像数据。
如图7所示,将预处理之后的样本图像数据(即原影像及降采样之后的影像)输入语义分割网络SegNet中。
在语义分割网络SegNet中,调用编码器对样本图像数据进行编码,得到图像特征,调用解码器对图像特征进行解码,得到特征图,在分类层中,使用Softmax等函数对特征图进行激活,得到分割结果,记为语义图像数据。
步骤S25、计算语义图像数据与标签之间的交叉熵,作为损失值。
如图7所示,可以将语义图像数据与标签(含降采样的标签)进行对比,二计算语义图像数据与标签之间的交叉熵,记为损失值,以此量化语义分割网络SegNet的预测值(语义图像数据)与真实值(标签)之间的误差。
其中,交叉熵表示如下:
其中,L为交叉熵,n为类别的数量,yi为类别i的标签,pi为类别i的预测值。
步骤S26、使用损失值对语义分割网络SegNet进行随机梯度下降。
如图7所示,通过损失值对语义分割网络SegNet进行反向传播,利用随机梯度下降(Stochastic Gradient Descent,SGD)来调整语义分割网络SegNet的参数,逐渐的减小语义分割网络SegNet的损失值,最终使得语义分割网络SegNet的预测值接近对应的标签。即,输入一张遥感图像数据,其中:属于屋顶的部分经过经过语义分割网络SegNet的训练后,输出为“1”(屋顶)的概率远大于输出为“0”(背景)的概率;属于背景的部分,输出为“0”(背景)的概率远大于输出为“1”(屋顶)的概率。
其中,随机梯度下降表示如下:
其中,θ为语义分割网络SegNet的参数,t为迭代的次数,α为学习率。
不断执行S24-S26,迭代更新语义分割网络SegNet的参数,当语义分割网络SegNet的损失值不再减小时,默认语义分割网络SegNet已经收敛,可以停止训练,并保存该时刻语义分割网络SegNet的参数。
若完成训练,则可以使用验证集对语义分割网络SegNet计算评估性能的指标,例如,精确度、准确率、召回率、F1值,等等,如果该指标满足要求,则可以将语义分割网络SegNet部署线上运行。
步骤1022、将原始图像数据输入语义分割网络SegNet中进行语义分割,得到目标图像数据。
在实际应用中,语义分割网络SegNet通过堆叠大量的卷积层、激活函数以及池化层等,来构建一个最优模型,将原始图像数据输入语义分割网络SegNet中,语义分割网络SegNet按照其结构对原始图像数据进行语义分割,得到目标图像数据。
如图8所示,在二分类中,目标图像数据中的像素点具有两个类别,该类别分别为背景(以“0”(黑色)表示)、屋顶(以“1”(白色)表示),使得目标图像数据为二值化的图像数据。
步骤103、在目标图像数据中检测边缘信息。
在本实施例中,如图9所示,可以使用边缘检测算法在目标图像数据中执行边缘检测,得到边缘信息。
在本发明的一个实施例中,步骤103可以包括如下步骤:
步骤1031、对目标图像数据进行滤波处理。
在本实施例中,可以对目标图像数据进行高斯滤波等滤波处理,去除目标图像数据中的噪点,使得目标图像数据更加平滑。
以高斯滤波为例,高斯滤波使用的高斯核是具有x和y两个维度的高斯函数,且两个维度上的标准差一般相同。
高斯滤波,即使用某一尺寸的二维高斯核与图像进行卷积。由于数字图像的数据形式为离散矩阵,高斯核是对连续高斯函数的离散近似,通过对高斯曲面进行离散采样和归一化得出。
在确定高斯核后,将其与图像进行离散卷积即可。
步骤1032、若完成滤波处理,则对目标图像数据的像素点计算梯度值。
如果完成了滤波处理,则可以使用Sobel(索贝尔)等算子计算像素点的梯度值。
Sobel算子是两个3×3的矩阵,分别为Sx和Sy。Sx用于计算图像x方向的像素梯度矩阵Gx,Sy用于计算图像在y方向的像素梯度矩阵Gy。
使用像素梯度矩阵Gx与像素梯度矩阵Gy计算梯度值,梯度值包含梯度的幅度G梯度的方向θ:
在边缘检测中利用的参数主要是梯度的方向,通常会选取和水平、垂直以及对角线方向近似的方向。
步骤1033、按照梯度值对像素点执行非最大值抑制。
在本实施例中,可以按照梯度值对目标图像数据中的像素点执行非最大值抑制,抑制伪边界点,减少错误检测的边缘信息。
在具体实现中,在目标图像数据中将所有非边缘点去除,利用梯度值(含幅度和方向),判断当前像素点是否为周围像素点中相同梯度方向的最大值。在垂直方向的正向上,如果当前像素点的梯度值大于横轴方向上该像素值的梯度值,那么当前点就是在边缘上,就将其保留,否则就抑制成0。
步骤1034、若完成非最大值抑制,则筛选出梯度值满足双阈值的像素点,作为边缘点。
在本实施例中,如果完成非最大值抑制,强边缘和虚边缘(又称若边缘)都包含在边缘点之中,虚边缘产生的原因可能是噪点,也可能来自目标图像数据的真实信息,因此,可以使用双阈值(即定义一个高阈值和一个低阈值)来进一步筛选出合适的边缘点,即,根据当前像素点的梯度的幅度来判断边缘点是属于哪一类,梯度的幅度大于高阈值的像素点则认为是强边缘,予以保留,梯度的幅度低于低阈值的则舍去。在两者之间的为虚边缘,也需要保留。
步骤1035、按照孤立性滤除部分边缘点,得到边缘信息。
通常而言,由真实边缘引起的弱边缘像素点将连接到强边缘像素点,而噪声响应则未连接,因此,可以按照孤立性滤除部分属于噪声的边缘点,得到边缘信息。
具体而言,通过查看弱边缘像素及其8个邻域像素点,可根据其与强边缘的连接情况来进行判断。一般情况下,可定义邻域像素点其中一个为强边缘像素点,则该弱边缘就可以保留为强边缘,即真实边缘点,否则舍弃弱边缘的像素点。
步骤104、依据边缘信息检测表示独栋建筑物的屋顶的目标区域。
在本实施例中,在目标图像数据的语义上进一步检测边缘信息,可以滤除大部分的噪声,在此基础上,结合真实的地理信息,可进一步排除噪声,得到表示独栋建筑物的屋顶的目标区域。
在具体实现中,由于独栋建筑物的屋顶多为不规则图形,因此,可以识别由边缘信息组成的不规则图形,作为候选区域。
在候选区域中查询各个顶点,在地理信息系统(如电子地图)中查询单独建筑物在真实世界的坐标点,并将该坐标点映射至目标图像数据中。
将顶点与坐标点进行比较,使用坐标点与顶点之间的几何关系对候选区域进行校验,以从候选区域筛选出表示独栋建筑物的屋顶的目标区域。
在具体实现中,针对同一个候选区域,生成坐标点与各个顶点之间的向量;将向量两两点乘,获得目标值。
对各个目标值的正负号进行判断。
若目标值均为正数或均为负数,则确定候选区域为表示独栋建筑物的屋顶的目标区域。
那么,判断目标区域的条件可以表示为:
(P-Pi)⊙(P-Pj)≥0
(P-Pi)⊙(P-Pj)≤0
其中,Pi为第i个顶点,Pj为第j个顶点,P为坐标点,⊙为点乘。
在本实施例中,通过距离测算得到独栋建筑物的轮廓线(即目标区域),在考虑距离的同时带有矢量方向,使定位更加精确。
步骤105、依据目标区域测量独栋建筑物的屋顶的总面积。
在本实施例中,如果划分出表示独栋建筑物的屋顶的目标区域,则可以将目标区域映射为独栋建筑物的屋顶的总面积。
在具体实现中,遥感图像数据均配置有级数,该级数与比例尺相关,例如,19级的遥感图像数据,比例尺为20米。
那么,可以查询原始图像数据的级数,查询级数对应的面积系数,其中,面积系数为单个像素点占据的面积,例如,19级的面积系数为0.076。
统计目标区域中所有像素点的数量,将该数量乘以面积系数,得到独栋建筑物的屋顶的总面积。
此时,总面积表示为:
S=n×β
其中,S为总面积,n为数量,β为面积系数。
在本实施例中,获取对地面采集的遥感图像数据,作为原始图像数据;在屋顶的维度下对原始图像数据进行语义分割,得到目标图像数据;在目标图像数据中检测边缘信息;依据边缘信息检测表示独栋建筑物的屋顶的目标区域;依据目标区域测量独栋建筑物的屋顶的总面积。本实施例结合语义分割与边缘检测,可以滤除大部分的噪声,保障检测屋顶的准确性,此外,遥感图像数据的来源渠道众多,可以直接复用其他项目的数据,且遥感图像数据属于二维数据,处理较为简单,可以大大降低测量屋顶总面积的成本及耗时,整体提高测量屋顶总面积的效率。
实施例二
图10为本发明实施例二提供的一种屋顶面积的测量装置的结构示意图。如图10所示,该装置包括:
图像数据获取模块1001,用于获取对地面采集的遥感图像数据,作为原始图像数据;
语义分割模块1002,用于在屋顶的维度下对所述原始图像数据进行语义分割,得到目标图像数据;
边缘信息检测模块1003,用于在所述目标图像数据中检测边缘信息;
目标区域检测模块1004,用于依据所述边缘信息检测表示独栋建筑物的屋顶的目标区域;
总面积测量模块1005,用于依据所述目标区域测量所述独栋建筑物的屋顶的总面积。
在本发明的一个实施例中,所述语义分割模块1002包括:
语义分割网络加载模块,用于加载在屋顶的维度下训练的语义分割网络SegNet;
语义分割网络处理模块,用于将所述原始图像数据输入所述语义分割网络SegNet中进行语义分割,得到目标图像数据。
在本发明的一个实施例中,还包括:
语义分割网络确定模块,用于确定语义分割网络SegNet;
样本获取模块,用于获取对地面采集的遥感图像数据,作为样本图像数据,所述样本图像数据标注有标签;
预处理模块,用于对所述样本图像数据执行预处理,所述预处理包括翻转、色彩抖动与增加噪声的至少一者;
样本处理模块,用于将预处理之后的所述样本图像数据输入所述语义分割网络SegNet中进行语义分割,得到语义图像数据;
损失值计算模块,用于计算所述语义图像数据与所述标签之间的交叉熵,作为损失值;
随机梯度下降模块,用于使用所述损失值对所述语义分割网络SegNet进行随机梯度下降。
在本发明的一个实施例中,所述边缘信息检测模块1003包括:
滤波处理模块,用于对所述目标图像数据进行滤波处理;
梯度值计算模块,用于若完成所述滤波处理,则对所述目标图像数据的像素点计算梯度值;
非最大值抑制模块,用于按照所述梯度值对所述像素点执行非最大值抑制;
双阈值筛选模块,用于若完成所述非最大值抑制,则筛选出所述梯度值满足双阈值的所述像素点,作为边缘点;
鼓励性滤除模块,用于按照孤立性滤除部分所述边缘点,得到边缘信息。
在本发明的一个实施例中,所述目标区域检测模块1004包括:
候选区域识别模块,用于识别由所述边缘信息组成的不规则图形,作为候选区域;
顶点查询模块,用于在所述候选区域中查询各个顶点;
坐标点查询模块,用于查询单独建筑物的坐标点;
点比较模块,用于将所述顶点与所述坐标点进行比较,以从所述候选区域筛选出表示独栋建筑物的屋顶的目标区域。
在本发明的一个实施例中,所述点比较模块包括:
向量生成模块,用于针对同一个所述候选区域,生成所述坐标点与各个所述顶点之间的向量;
点乘模块,用于将所述向量两两点乘,获得目标值;
目标区域确定模块,用于若所述目标值均为正数或均为负数,则确定所述候选区域为表示独栋建筑物的屋顶的目标区域。
在本发明的一个实施例中,所述总面积测量模块1005包括:
级数查询模块,用于查询所述原始图像数据的级数;
面积系数查询模块,用于查询所述级数对应的面积系数,所述面积系数为单个像素点占据的面积;
数量统计模块,用于统计所述目标区域的像素点的数量;
总面积计算模块,用于将所述数量乘以所述面积系数,得到所述独栋建筑物的屋顶的总面积。
本发明实施例所提供的屋顶面积的测量装置可执行本发明任意实施例所提供的屋顶面积的测量方法,具备执行屋顶面积的测量方法相应的功能模块和有益效果。
实施例三
图11示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图11所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,如屋顶面积的测量方法。
在一些实施例中,屋顶面积的测量方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的屋顶面积的测量方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行屋顶面积的测量方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
实施例四
本发明实施例还提供了一种计算机程序产品,该计算机程序产品包括计算机程序,该计算机程序在被处理器执行时实现如本发明任一实施例所提供的屋顶面积的测量方法。
计算机程序产品在实现的过程中,可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种屋顶面积的测量方法,其特征在于,包括:
获取对地面采集的遥感图像数据,作为原始图像数据;
在屋顶的维度下对所述原始图像数据进行语义分割,得到目标图像数据;
在所述目标图像数据中检测边缘信息;
依据所述边缘信息检测表示独栋建筑物的屋顶的目标区域;
依据所述目标区域测量所述独栋建筑物的屋顶的总面积。
2.根据权利要求1所述的方法,其特征在于,所述在屋顶的维度下对所述原始图像数据进行语义分割,得到目标图像数据,包括:
加载在屋顶的维度下训练的语义分割网络SegNet;
将所述原始图像数据输入所述语义分割网络SegNet中进行语义分割,得到目标图像数据。
3.根据权利要求2所述的方法,其特征在于,还包括:
确定语义分割网络SegNet;
获取对地面采集的遥感图像数据,作为样本图像数据,所述样本图像数据标注有标签;
对所述样本图像数据执行预处理,所述预处理包括翻转、色彩抖动与增加噪声的至少一者;
将预处理之后的所述样本图像数据输入所述语义分割网络SegNet中进行语义分割,得到语义图像数据;
计算所述语义图像数据与所述标签之间的交叉熵,作为损失值;
使用所述损失值对所述语义分割网络SegNet进行随机梯度下降。
4.根据权利要求1所述的方法,其特征在于,所述在所述目标图像数据中检测边缘信息,包括:
对所述目标图像数据进行滤波处理;
若完成所述滤波处理,则对所述目标图像数据的像素点计算梯度值;
按照所述梯度值对所述像素点执行非最大值抑制;
若完成所述非最大值抑制,则筛选出所述梯度值满足双阈值的所述像素点,作为边缘点;
按照孤立性滤除部分所述边缘点,得到边缘信息。
5.根据权利要求1所述的方法,其特征在于,所述依据所述边缘信息检测表示独栋建筑物的屋顶的目标区域,包括:
识别由所述边缘信息组成的不规则图形,作为候选区域;
在所述候选区域中查询各个顶点;
查询单独建筑物的坐标点;
将所述顶点与所述坐标点进行比较,以从所述候选区域筛选出表示独栋建筑物的屋顶的目标区域。
6.根据权利要求5所述的方法,其特征在于,所述将所述顶点与所述坐标点进行比较,以从所述候选区域筛选出表示独栋建筑物的屋顶的目标区域,包括:
针对同一个所述候选区域,生成所述坐标点与各个所述顶点之间的向量;
将所述向量两两点乘,获得目标值;
若所述目标值均为正数或均为负数,则确定所述候选区域为表示独栋建筑物的屋顶的目标区域。
7.根据权利要求1-6中任一项所述的方法,其特征在于,所述依据所述目标区域测量所述独栋建筑物的屋顶的总面积,包括:
查询所述原始图像数据的级数;
查询所述级数对应的面积系数,所述面积系数为单个像素点占据的面积;
统计所述目标区域的像素点的数量;
将所述数量乘以所述面积系数,得到所述独栋建筑物的屋顶的总面积。
8.一种屋顶面积的测量装置,其特征在于,包括:
图像数据获取模块,用于获取对地面采集的遥感图像数据,作为原始图像数据;
语义分割模块,用于在屋顶的维度下对所述原始图像数据进行语义分割,得到目标图像数据;
边缘信息检测模块,用于在所述目标图像数据中检测边缘信息;
目标区域检测模块,用于依据所述边缘信息检测表示独栋建筑物的屋顶的目标区域;
总面积测量模块,用于依据所述目标区域测量所述独栋建筑物的屋顶的总面积。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的屋顶面积的测量方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序用于使处理器执行时实现权利要求1-7中任一项所述的屋顶面积的测量方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311038366.3A CN117036457A (zh) | 2023-08-17 | 2023-08-17 | 一种屋顶面积的测量方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311038366.3A CN117036457A (zh) | 2023-08-17 | 2023-08-17 | 一种屋顶面积的测量方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117036457A true CN117036457A (zh) | 2023-11-10 |
Family
ID=88637021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311038366.3A Pending CN117036457A (zh) | 2023-08-17 | 2023-08-17 | 一种屋顶面积的测量方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117036457A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117575735A (zh) * | 2023-11-23 | 2024-02-20 | 广州方舟信息科技有限公司 | 一种药品的订购校验方法、装置、设备及存储介质 |
-
2023
- 2023-08-17 CN CN202311038366.3A patent/CN117036457A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117575735A (zh) * | 2023-11-23 | 2024-02-20 | 广州方舟信息科技有限公司 | 一种药品的订购校验方法、装置、设备及存储介质 |
CN117575735B (zh) * | 2023-11-23 | 2024-05-14 | 广州方舟信息科技有限公司 | 一种药品的订购校验方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113902897B (zh) | 目标检测模型的训练、目标检测方法、装置、设备和介质 | |
CN109635685B (zh) | 目标对象3d检测方法、装置、介质及设备 | |
CN112800915B (zh) | 建筑物变化检测方法、装置、电子设备以及存储介质 | |
CN110781756A (zh) | 基于遥感图像的城市道路提取方法及装置 | |
CN113761999A (zh) | 一种目标检测方法、装置、电子设备和存储介质 | |
CN113920420A (zh) | 一种建筑物提取方法、装置、终端设备及可读存储介质 | |
Sun et al. | Roads and intersections extraction from high‐resolution remote sensing imagery based on tensor voting under big data environment | |
CN117036457A (zh) | 一种屋顶面积的测量方法、装置、设备及存储介质 | |
CN113947188A (zh) | 目标检测网络的训练方法和车辆检测方法 | |
CN116740355A (zh) | 自动驾驶图像的分割方法、装置、设备及存储介质 | |
CN115937546A (zh) | 图像匹配、三维图像重建方法、装置、电子设备以及介质 | |
CN114299242A (zh) | 高精地图中图像处理方法、装置、设备以及存储介质 | |
CN113378837A (zh) | 车牌遮挡识别方法、装置、电子设备和存储介质 | |
CN116310832A (zh) | 遥感图像处理方法、装置、设备、介质及产品 | |
CN114283343B (zh) | 基于遥感卫星图像的地图更新方法、训练方法和设备 | |
CN115376106A (zh) | 基于雷达图的车型识别方法、装置、设备及介质 | |
CN113920273B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN115578431A (zh) | 图像深度处理方法、装置、电子设备及介质 | |
CN115359468A (zh) | 一种目标网站识别方法、装置、设备及介质 | |
CN114511862A (zh) | 表格识别方法、装置及电子设备 | |
CN114005045A (zh) | 基于轻量级深度神经网络的旋转框遥感目标检测方法 | |
CN114581890B (zh) | 确定车道线的方法、装置、电子设备和存储介质 | |
CN116129280B (zh) | 一种遥感影像雪检测的方法 | |
CN115638798A (zh) | 一种地图数据的生成方法、装置、电子设备和介质 | |
CN118154856A (zh) | 一种目标检测方法、装置及相关设备 |
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 |