CN117523417B - 应用于自然资源统一确权登记的方法及电子设备 - Google Patents
应用于自然资源统一确权登记的方法及电子设备 Download PDFInfo
- Publication number
- CN117523417B CN117523417B CN202410014175.1A CN202410014175A CN117523417B CN 117523417 B CN117523417 B CN 117523417B CN 202410014175 A CN202410014175 A CN 202410014175A CN 117523417 B CN117523417 B CN 117523417B
- Authority
- CN
- China
- Prior art keywords
- image
- data
- module
- satellite
- natural resource
- 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 37
- 238000003709 image segmentation Methods 0.000 claims abstract description 52
- 230000003993 interaction Effects 0.000 claims abstract description 14
- 238000010586 diagram Methods 0.000 claims abstract description 12
- 230000000007 visual effect Effects 0.000 claims abstract description 12
- 238000011835 investigation Methods 0.000 claims abstract description 10
- 230000001502 supplementing effect Effects 0.000 claims abstract description 7
- 230000010354 integration Effects 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 48
- 238000012795 verification Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 20
- 230000011218 segmentation Effects 0.000 claims description 16
- 238000002372 labelling Methods 0.000 claims description 15
- 238000007689 inspection Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 238000013500 data storage Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000009792 diffusion process Methods 0.000 claims description 7
- 230000010365 information processing Effects 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000012790 confirmation Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000012732 spatial analysis Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000000463 material Substances 0.000 claims description 2
- 238000009966 trimming Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241000218631 Coniferophyta Species 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G06V20/13—Satellite images
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/16—Image acquisition using multiple overlapping images; Image stitching
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- 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
- G06V10/77—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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Biomedical Technology (AREA)
- Educational Administration (AREA)
- Remote Sensing (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了应用于自然资源统一确权登记的方法及电子设备,属于土地管理技术领域。该应用于自然资源统一确权登记的方法包括以下步骤:步骤S1,获取自然资源分布图;步骤S2,匹配权属范围:将已有的权属范围与自然资源分布图进行匹配,实现影像和数据的空间匹配和整合;步骤S3,核查与补充调查:发现并修正数据中的错误和不一致,对于存在重叠、超出范围或无权属区域的区域进行实地补充调查;步骤S4,确权登记:进行自然资源确权登记;步骤S5,数据存储。本申请通过图像分割模型和自动化流程,提高了确权登记的效率和准确性;同时,通过云平台存储和可视化展示,为用户提供了方便的查询和交互体验。
Description
技术领域
本申请涉及土地管理技术领域,尤其涉及一种应用于自然资源统一确权登记的方法及电子设备。
背景技术
随着社会的不断发展和经济的不断增长,对于自然资源的管理和确权登记变得愈发重要。
在过去,自然资源的确权登记主要依赖于人工测量和记录,这种方式存在着工作效率低、成本高、易出错等问题。而随着遥感技术、深度学习和信息化技术的不断发展,自然资源管理领域出现了一系列创新的方法和设备,为自然资源的统一确权登记提供了更为先进和可行的解决方案。例如,现有技术公开号为CN115620031A的文献公开了一种自然资源确权登记信息处理方法、系统及设备,提出了一套可避免资源浪费的自然资源确权登记信息更新方法,并给出了系统化的实现方案,有效改善了资源浪费问题。又例如,现有技术公开号为CN113744106A的文献公开了一种自动划分自然资源确权登记单元的方法,提出了自然资源自动划分登记单元的整体技术方案,实现了自然资源登记单元的自动高效划分。又例如,现有技术公开号为CN114493472A的文献公开了一种应用于自然资源统一确权登记的系统平台,提出了一个面向服务、可配置、支持工作流及数据共享的自然资源统一确权登记平台。
但是,上述现有技术过于依赖统一的预设规则和算法,缺乏针对复杂和特殊场景的适应性,也缺乏基于具体实际情况的细致处理手段,从而难以适应多样化的自然资源确权登记场景。鉴于此,我们提出了一种应用于自然资源统一确权登记的方法及电子设备。
发明内容
为了克服现有技术存在的一系列缺陷,本申请的目的在于针对上述问题,提供一种应用于自然资源统一确权登记的方法,包括以下步骤。
步骤S1,获取自然资源分布图:获取待确权登记区域的卫星遥感影像数据,将卫星遥感影像数据输入图像分割模型以得到不同类型自然资源的区域范围。
步骤S2,匹配权属范围:将已有的权属范围与自然资源分布图进行匹配,使用ArcGIS Pro 的空间分析工具箱进行空间连接、空间叠加、空间选择操作,实现影像和数据的空间匹配和整合。
步骤S3,核查与补充调查:使用 ArcGIS Pro 的数据质量工具箱进行数据质量检查和验证,发现并修正数据中的错误和不一致,对于存在重叠、超出范围或无权属区域的区域进行实地补充调查。
步骤S4,确权登记:进行自然资源确权登记,包括登记申请、审核、公示、备案步骤。
步骤S5,数据存储:将步骤S1至步骤S4生成的结果存储在云平台上,方便查询和利用。
进一步的,图像分割模型的训练方法包括以下步骤。
步骤S11,从卫星平台获取校正好的包含不同类型自然资源的卫星图像。
步骤S12,将获取的卫星图像分割为512*512大小的子图像。
步骤S13,使用专业标注软件,在分割后的子图像上标注出不同类别的地物,包括水体、森林、草地、耕地和建筑物。
步骤S14,使用标注好的图像样本构建成图像分割模型的训练集和测试集。
步骤S15,使用训练集训练基于深度学习的图像分割模型Deeplabv3+,得到图像分割模型。
步骤S16,将训练好的图像分割模型应用于自然资源统一确权登记中,实现对不同类型的土地资源进行分割和识别。
进一步的,为了避免步骤S11中的数据不足,使用Stable Diffusion进行数据集补充的步骤为:下载Stable Diffusion的预训练模型;准备一个包含不同类型自然资源卫星图像和文本描述的数据集;使用train_text_to_image_lora.py脚本,指定以下超参数:模型名称、数据集名称、输出目录、学习率、批次大小和训练步数,开始微调过程;微调完成后,使用generate_text_to_image.py脚本,输入任意的卫星图像描述,生成类似的卫星图像。
进一步的,图像分割模型使用方法包括以下步骤。
从卫星平台获取待确权登记区域的卫星图像。
对获取的卫星图像进行校正处理,将校正后的卫星图像分割为512*512大小的图像。
使用超分辨率模型ESRGAN对分割后的卫星图像进行分辨率提升,以提高图像的清晰度和识别精度。
将提升分辨率的卫星图像输入图像分割模型中进行图像分割,得到不同类型的土地资源范围。
将分割后的卫星图像拼成影像,借助地理信息系统进行可视化表达。
将结果输出给用户,包括不同类型的土地资源范围和对应的坐标信息。
一种应用于自然资源统一确权登记的电子设备,包括模型训练设备、模型使用设备、自然资源确权信息登记设备、权属范围匹配设备、核查设备和可视化展示设备,其中,模型训练设备用于训练图像分割模型,模型使用设备用于将训练好的图像分割模型应用于自然资源统一确权登记中,自然资源确权信息登记设备用于记录自然资源的确权信息,权属范围匹配设备用于将分割后的卫星图像与已有的权属范围进行匹配,核查设备用于对匹配结果进行核查,可视化展示设备用于将分割后的卫星图像进行可视化展示。
进一步的,模型训练设备包括卫星图像获取模块、图像预处理模块、标注模块、训练模块和模型输出模块,其中,卫星图像获取模块用于从卫星平台获取校正好的包含不同类型自然资源的卫星图像,图像预处理模块用于对获取的卫星图像进行预处理,标注模块用于将不同类型的土地资源范围标注出来,训练模块用于使用标注好的数据集训练基于深度学习的图像分割模型,模型输出模块用于输出训练好的图像分割模型。
进一步的,模型使用设备包括输入模块、处理模块和输出模块。输入模块用于将待分割的卫星图像输入到图像分割模型中,处理模块用于对输入的卫星图像进行分割处理,输出模块用于输出分割结果。
进一步的,自然资源确权信息登记设备包括信息采集模块、信息处理模块和信息存储模块。信息采集模块用于采集自然资源的确权信息,信息处理模块用于对采集到的信息进行处理,信息存储模块用于将处理后的信息存储到云平台上。
进一步的,权属范围匹配设备包括范围获取模块、匹配模块和结果输出模块。范围获取模块用于获取已有的权属范围信息,匹配模块用于将分割后的卫星图像与已有的权属范围进行匹配,结果输出模块用于输出匹配结果。
进一步的,核查设备包括核查模块和结果更新模块。核查模块用于对匹配结果进行核查,结果更新模块用于将核查结果更新到云平台上;可视化展示设备包括展示模块和交互模块。展示模块用于将分割后的卫星图像进行可视化展示,交互模块用于与用户进行交互操作。
进一步的,所述应用于自然资源统一确权登记的电子设备还包括数据存储设备、通信设备、电源设备和用户界面设备,其中,数据存储设备用于存储训练好的模型、自然资源确权信息、匹配结果和核查结果数据;通信设备用于与云平台进行数据传输和通信;电源设备用于为整个系统提供电力供应;用户界面设备用于提供用户界面供用户进行操作和交互。
与现有技术相比,本申请至少具有如下技术效果或优点。
本申请通过图像分割模型和自动化流程,提高了确权登记的效率和准确性;同时,通过云平台存储和可视化展示,为用户提供了方便的查询和交互体验。
附图说明
图1是本申请实施例中一种应用于自然资源统一确权登记的方法的流程图。
图2是本申请实施例中图像分割模型的训练方法流程图。
图3是本申请实施例中图像分割模型使用方法流程图。
图4是本申请实施例中一种应用于自然资源统一确权登记的电子设备的结构图。
具体实施方式
为使本发明实施的目的、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更加详细的描述。在附图中,自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。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。
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。
下面通过参考附图描述的实施例以及方位性的词语均是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
图1示出了一种应用于自然资源统一确权登记的方法的流程图,该应用于自然资源统一确权登记的方法包括以下步骤。
步骤S1,获取自然资源分布图:获取待确权登记区域的卫星遥感影像数据,将卫星遥感影像数据分割后输入图像分割模型以得到不同类型自然资源的区域范围。
步骤S2,匹配权属范围:将已有的权属范围与自然资源分布图进行匹配,使用ArcGIS Pro 的空间分析工具箱进行空间连接、空间叠加、空间选择操作,实现影像和数据的空间匹配和整合。
步骤S3,核查与补充调查:使用 ArcGIS Pro 的数据质量工具箱进行数据质量检查和验证,发现并修正数据中的错误和不一致,对于存在重叠、超出范围或无权属区域的区域进行实地补充调查。
步骤S4,确权登记:进行自然资源确权登记,包括登记申请、审核、公示、备案步骤。
步骤S5,数据存储:将步骤S1至步骤S4生成的结果存储在云平台上,方便查询和利用。
步骤S1的目标是通过先进的图像处理技术,精确地识别和提取出待确权登记区域内各类自然资源的分布情况;步骤S2中,通过空间分析工具可以建立权属范围与自然资源分布的关联;步骤S3是保证后续确权登记过程准确进行的重要环节;步骤S4可以确保信息的安全性和可追溯性;步骤S5的目的是方便后续的查询和利用,云平台提供了高效的存储和管理解决方案,同时也支持数据的快速检索和分享,通过在云平台上存储数据,可以实现更好的数据管理和协作,同时提高数据的可用性和可访问性。
步骤S2中,使用 ArcGIS Pro 的空间分析工具箱进行空间连接的具体步骤包括:准备卫星图像和自然资源分布图,本步骤中,可以使用栅格分析工具箱中的工具对卫星图像和自然资源分布图进行预处理,包括裁剪、重采样、投影;将预处理后的卫星图像和自然资源分布图导入ArcGIS Pro并添加到地图视图中;设置空间连接工具的参数,其中,将卫星图像设为目标要素,将自然资源分布图设为连接要素;根据指定的参数,将连接要素的属性连接到目标要素的属性中,并输出一个新的要素类。
步骤S2中,使用 ArcGIS Pro 的空间分析工具箱进行空间叠加的具体步骤包括:准备需要叠加分析的多个栅格影像数据;将影像数据导入ArcGIS Pro,添加到地图视图中;设置“栅格叠加”参数:选择需要叠加的多个栅格,并指定输出栅格数据集位置和名称;将多个栅格中的像元值叠加到同一输出栅格中。
步骤S2中,使用 ArcGIS Pro 的空间分析工具箱进行空间选择的具体步骤包括:准备栅格和矢量数据;将数据导入ArcGIS Pro,添加数据到地图视图;基于矢量图层extent提取栅格子集即可。
使用 ArcGIS Pro 的数据质量工具箱进行数据质量检查和验证的具体步骤为:将卫星图像和自然资源分布图导入ArcGIS Pro并添加到地图视图中;选择合适的工具来执行数据质量检查和验证:根据数据质量要求和标准,选择不同类型的校验;设置校验工具的参数:指定输入要素类、输出要素类、校验规则、校验条件;对输入要素类进行数据质量检查和验证,并输出一个包含错误要素的要素类。
步骤S4中,确权登记按照要求和流程进行即可,在此不做赘述。
步骤S5中,存储在云平台上的数据包括;步骤S1生成的不同类型自然资源的区域范围数据,包括坐标边界数据、面积数据、影像截图等;步骤S2匹配处理后确定的权属范围数据;步骤S3补充调查和核实后更新修正的数据;步骤S4完成确权登记后形成的权属确认书、属性证等确权信息数据;步骤S1至步骤S4生成的中间过程数据,如质检报告、调查记录等信息资料;确权登记系统的用户操作日志、系统运行日志等记录数据。
图2示出了图像分割模型的训练方法的流程图,该图像分割模型的训练方法包括以下步骤。
步骤S11,从卫星平台获取校正好的包含不同类型自然资源的卫星图像。
步骤S12,将获取的卫星图像分割为512*512大小的子图像。
步骤S13,使用专业标注软件,在分割后的子图像上标注出不同类别的地物,包括水体、森林、草地、耕地和建筑物。
步骤S14,使用标注好的图像样本构建成图像分割模型的训练集和测试集。
步骤S15,使用训练集训练基于深度学习的图像分割模型Deeplabv3+,得到图像分割模型。
步骤S16,将训练好的图像分割模型应用于自然资源统一确权登记中,实现对不同类型的土地资源进行分割和识别。
步骤S11中,卫星图像的准确性和清晰度对图像分割模型的训练至关重要;步骤S12中,为了提高训练效率和模型的适应性,将大图像分割成较小的512*512大小的子图像,有助于模型更好地捕捉图像中的局部特征,同时降低计算复杂度;步骤S13是为了为模型提供准确的标签信息,使其能够学习不同自然资源的特征和空间分布;步骤S14中,将标注好的图像样本划分为训练集和测试集,确保模型在训练过程中能够学到泛化能力,即对新数据的适应能力,这一步骤的合理划分对于评估模型性能和避免过拟合非常关键;步骤S15中,使用深度学习模型,如Deeplabv3+,对训练集进行训练。通过反向传播算法和优化器,模型逐渐学习到图像中不同类型自然资源的特征,从而实现精准的图像分割;步骤S16中,将训练好的图像分割模型应用于自然资源确权登记的流程中。模型能够自动地对新的卫星图像进行分割和分类,实现对不同类型土地资源的精确识别,提高了效率和准确性。
为了保证卫星图像的准确性和清晰度,需要:选择高质量的卫星图像数据源,尽量避免图像的分辨率、光照、噪声、畸变等因素影响图像质量;对卫星图像进行预处理,包括裁剪、重采样、投影、配准、增强等操作,以提高图像的清晰度和准确性,减少图像的冗余和失真,这一步骤主要涉及到图像的几何变换和辐射校正,可以使用一些常用的图像处理工具或库,例如OpenCV、PIL、GDAL等,来实现这些操作。
Deeplabv3+模型是一种用于语义分割的深度学习模型,可以将图像中的每个像素分配到不同的类别,采用编码器-解码器的架构,其中编码器用于提取图像的高层语义特征,解码器用于恢复图像的细节和边界。使用空洞卷积来控制特征图的分辨率和感受野,从而在不增加计算量的情况下捕获多尺度的信息。使用空间金字塔池化模块来融合不同尺度的特征,增强模型的鲁棒性和泛化能力。使用Xception和深度可分离卷积来提高模型的效率和性能,使用Pytorch训练框架,GPU训练平台,在实施例中,数据集中包含1865张512*512大小的图像,按照8:2的比例划分数据集,学习率使用多项式衰减的策略,初始值为0.007,衰减系数为0.9,最小值为0.0001。批大小batch_size设置为64,训练步数steps设置为32,迭代次数设置为90,使用随机梯度下降(SGD),GD的动量设置为0.9。
我们通过计算平均交并比mIOU和准确率acc评估图像分割模型的效果,具体计算公式为:
mIOU=1/(k+1)∑k i=0TP/(FN+FP+TP),acc= (TP+TN)/(TP+TN+FP+FN),其中,k 表示类别,(k+1)表示加上了背景类,TP表示真正例,FP表示假正例,FN表示假负例,TN表示真负例。该图像分割模型的性能指标为:mIoU=0.993,Acc=0.976,高精度的指标结果验证了所训练模型的分割效果良好,达到实用需求。
在本申请的一个实施例中,为了避免步骤S11中的数据不足,使用扩散模型对数据集进行补充,具体使用Stable Diffusion,该模型是一种用于生成AI图像的潜在扩散模型,可以根据文本输入创建逼真的图像,使用Stable Diffusion进行数据集补充的步骤为:下载Stable Diffusion的预训练模型;准备一个包含不同类型自然资源卫星图像和文本描述的数据集;使用train_text_to_image_lora.py脚本,指定模型名称、数据集名称、输出目录、学习率、批次大小、训练步数等超参数,开始微调过程,微调完成后,可以使用generate_text_to_image. py脚本,输入任意的卫星图像描述,生成类似的卫星图像。
在本申请的一个实施例中,使用超分辨率模型对卫星图像进行增强,具体为使用ESRGAN的预训练模型,对卫星图像进行上采样,提高图像的分辨率,ESRGAN是一种用于单图像超分辨率的感知驱动的方法,能够生成具有真实纹理的图像。
在本申请另一个实施例中,对不同类型的自然资源进行更细致的图像分割,如对于森林自然资源,将其再分类为落叶阔叶林、针叶林等,对于水体自然资源,将其再分类为湖泊、河流等。即在步骤S13标注时,进行更细化的分类标注。
在本申请另一个实施例中,使用自监督语义分割模型对卫星遥感影像数据进行分割,使用收集到的或生成的卫星图像,在不需要标注的情况下直接训练自监督语义分割模型STEGO,得到可以分割出不同区域的图像分割模型,使用自监督语义分割可以减少对大量标注数据的依赖,同时提高分割的准确性和效率。STEGO是一种用于语义分割的自监督学习方法,可以在没有人工标注的情况下,从图像中发现和分割对象,基于DINO算法,使用自注意力机制,生成类激活图,用于改进分割解码器的预测结果,使用一种融合策略,将解码器和类激活图的输出结合起来,形成结构化的伪标注。
图3示出了图像分割模型使用方法的流程图,该图像分割模型使用方法包括以下步骤。
从卫星平台获取待确权登记区域的卫星图像。
对获取的卫星图像进行校正处理,将校正后的卫星图像分割为512*512大小的图像,以便于后续处理。
使用超分辨率模型ESRGAN对分割后的卫星图像进行分辨率提升,以提高图像的清晰度和识别精度。
将提升分辨率的卫星图像输入图像分割模型中进行图像分割,得到不同类型的土地资源范围。
将分割后的卫星图像拼成影像,借助地理信息系统进行可视化表达。
将结果输出给用户,包括不同类型的土地资源范围和对应的坐标信息。
图4示出了一种应用于自然资源统一确权登记的电子设备结构图,包括模型训练设备,模型使用设备,自然资源确权信息登记设备,权属范围匹配设备,核查设备,可视化展示设备,其中,模型训练设备用于训练图像分割模型,模型使用设备用于将训练好的图像分割模型应用于自然资源统一确权登记中,自然资源确权信息登记设备用于记录自然资源的确权信息,权属范围匹配设备用于将分割后的卫星图像与已有的权属范围进行匹配,核查设备用于对匹配结果进行核查,可视化展示设备用于将分割后的卫星图像进行可视化展示。
在本申请的一个实施例中,模型训练设备包括卫星图像获取模块、图像预处理模块、标注模块、训练模块和模型输出模块,其中,卫星图像获取模块用于从卫星平台获取校正好的包含不同类型自然资源的卫星图像,图像预处理模块用于对获取的卫星图像进行预处理,标注模块用于将不同类型的土地资源范围标注出来,训练模块用于使用标注好的数据集训练基于深度学习的图像分割模型,模型输出模块用于输出训练好的图像分割模型。
在本申请的一个实施例中,模型使用设备包括输入模块、处理模块和输出模块。输入模块用于将待分割的卫星图像输入到图像分割模型中,处理模块用于对输入的卫星图像进行分割处理,输出模块用于输出分割结果。
在本申请的一个实施例中,自然资源确权信息登记设备包括信息采集模块、信息处理模块和信息存储模块。信息采集模块用于采集自然资源的确权信息,信息处理模块用于对采集到的信息进行处理,信息存储模块用于将处理后的信息存储到云平台上。
在本申请的一个实施例中,权属范围匹配设备包括范围获取模块、匹配模块和结果输出模块。范围获取模块用于获取已有的权属范围信息,匹配模块用于将分割后的卫星图像与已有的权属范围进行匹配,结果输出模块用于输出匹配结果。
在本申请的一个实施例中,核查设备包括核查模块和结果更新模块。核查模块用于对匹配结果进行核查,结果更新模块用于将核查结果更新到云平台上。
在本申请的一个实施例中,可视化展示设备包括展示模块和交互模块。展示模块用于将分割后的卫星图像进行可视化展示,交互模块用于与用户进行交互操作。
在本申请的一个实施例中,电子设备还包括数据存储设备,用于存储训练好的模型、自然资源确权信息、匹配结果和核查结果等数据。
在本申请的一个实施例中,电子设备还包括通信设备,用于与云平台进行数据传输和通信。
在本申请的一个实施例中,电子设备还包括电源设备,用于为整个系统提供电力供应。
在本申请的一个实施例中,电子设备还包括用户界面设备,用于提供用户界面供用户进行操作和交互。
综上所述,本申请提供的电子设备可以方便地对自然资源进行统一确权登记和处理,提高工作效率和准确性。
最后需要指出的是:以上实施例仅用以说明本发明的技术方案,而非对其限制。尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (3)
1.一种应用于自然资源统一确权登记的方法,其特征在于,包括以下步骤:
步骤S1,获取自然资源分布图:获取待确权登记区域的卫星遥感影像数据,将卫星遥感影像数据输入图像分割模型以得到不同类型自然资源的区域范围;
步骤S2,匹配权属范围:将已有的权属范围与自然资源分布图进行匹配,使用 ArcGISPro 的空间分析工具箱进行空间连接、空间叠加、空间选择操作,实现影像和数据的空间匹配和整合;
步骤S3,核查与补充调查:使用 ArcGIS Pro 的数据质量工具箱进行数据质量检查和验证,发现并修正数据中的错误和不一致,对于存在重叠、超出范围或无权属区域的区域进行实地补充调查;
步骤S4,确权登记:进行自然资源确权登记,包括登记申请、审核、公示、备案步骤;
步骤S5,数据存储:将步骤S1至步骤S4生成的结果存储在云平台上,方便查询和利用;
步骤S2中,使用 ArcGIS Pro 的空间分析工具箱进行空间连接的具体步骤包括:准备卫星图像和自然资源分布图,本步骤中,可以使用栅格分析工具箱中的工具对卫星图像和自然资源分布图进行预处理,包括裁剪、重采样、投影;将预处理后的卫星图像和自然资源分布图导入ArcGIS Pro并添加到地图视图中;设置空间连接工具的参数,其中,将卫星图像设为目标要素,将自然资源分布图设为连接要素;根据指定的参数,将连接要素的属性连接到目标要素的属性中,并输出一个新的要素类;
步骤S2中,使用 ArcGIS Pro 的空间分析工具箱进行空间叠加的具体步骤包括:准备需要叠加分析的多个栅格影像数据;将影像数据导入ArcGIS Pro,添加到地图视图中;设置“栅格叠加”参数:选择需要叠加的多个栅格,并指定输出栅格数据集位置和名称;将多个栅格中的像元值叠加到同一输出栅格中;
步骤S2中,使用 ArcGIS Pro 的空间分析工具箱进行空间选择的具体步骤包括:准备栅格和矢量数据;将数据导入ArcGIS Pro,添加数据到地图视图;基于矢量图层extent提取栅格子集即可;
步骤S3中,使用 ArcGIS Pro 的数据质量工具箱进行数据质量检查和验证的具体步骤为:将卫星图像和自然资源分布图导入ArcGIS Pro并添加到地图视图中;选择合适的工具来执行数据质量检查和验证:根据数据质量要求和标准,选择不同类型的校验;设置校验工具的参数:指定输入要素类、输出要素类、校验规则、校验条件;对输入要素类进行数据质量检查和验证,并输出一个包含错误要素的要素类;
步骤S5中,存储在云平台上的数据包括;步骤S1生成的不同类型自然资源的区域范围数据,包括坐标边界数据、面积数据、影像截图等;步骤S2匹配处理后确定的权属范围数据;步骤S3补充调查和核实后更新修正的数据;步骤S4完成确权登记后形成的权属确认书、属性证等确权信息数据;步骤S1至步骤S4生成的中间过程数据,如质检报告、调查记录等信息资料;确权登记系统的用户操作日志、系统运行日志等记录数据;
图像分割模型的训练方法包括以下步骤:
步骤S11,从卫星平台获取校正好的包含不同类型自然资源的卫星图像;
步骤S12,将获取的卫星图像分割为512*512大小的子图像;
步骤S13,使用专业标注软件,在分割后的子图像上标注出不同类别的地物,包括水体、森林、草地、耕地和建筑物;
步骤S14,使用标注好的图像样本构建成图像分割模型的训练集和测试集;
步骤S15,使用训练集训练基于深度学习的图像分割模型Deeplabv3+,得到图像分割模型;
步骤S16,将训练好的图像分割模型应用于自然资源统一确权登记中,实现对不同类型的土地资源进行分割和识别;
图像分割模型的效果通过计算平均交并比mIOU和准确率acc评估,具体计算公式为:mIOU=1/(k+1)∑k i=0TP/(FN+FP+TP),acc= (TP+TN)/(TP+TN+FP+FN),其中,k 表示类别,(k+1)表示加上了背景类,TP表示真正例,FP表示假正例,FN表示假负例,TN表示真负例;
卫星遥感影像数据图像分割模型的使用方法包括以下步骤:
从卫星平台获取待确权登记区域的卫星图像;
对获取的卫星图像进行校正处理,将校正后的卫星图像分割为512*512大小的图像;
使用超分辨率模型ESRGAN对分割后的卫星图像进行分辨率提升,以提高图像的清晰度和识别精度;
将提升分辨率的卫星图像输入图像分割模型中进行图像分割,得到不同类型的土地资源范围;
将分割后的卫星图像拼成影像,借助地理信息系统进行可视化表达;
将结果输出给用户,包括不同类型的土地资源范围和对应的坐标信息。
2.根据权利要求1所述的一种应用于自然资源统一确权登记的方法,其特征在于,为了避免步骤S11中的数据不足,使用Stable Diffusion进行数据集补充的步骤为:下载StableDiffusion的预训练模型;准备一个包含不同类型自然资源卫星图像和文本描述的数据集;使用train_text_to_image_lora.py脚本,指定以下超参数:模型名称、数据集名称、输出目录、学习率、批次大小和训练步数,开始微调过程;微调完成后,使用generate_text_to_image.py脚本,输入任意的卫星图像描述,生成类似的卫星图像。
3.一种应用于自然资源统一确权登记的电子设备,用于实现权利要求1所述的应用于自然资源统一确权登记的方法,其特征在于,包括模型训练设备、模型使用设备、自然资源确权信息登记设备、权属范围匹配设备、核查设备、可视化展示设备、数据存储设备、通信设备、电源设备和用户界面设备,其中:
模型训练设备包括卫星图像获取模块、图像预处理模块、标注模块、训练模块和模型输出模块,卫星图像获取模块用于获取卫星图像,图像预处理模块用于对获取的卫星图像进行预处理,标注模块用于将不同类型的土地资源范围标注出来,训练模块用于训练图像分割模型,模型输出模块用于输出训练好的图像分割模型;
模型使用设备包括输入模块、处理模块和输出模块,输入模块用于将待分割的卫星图像输入到图像分割模型中,处理模块用于对输入的卫星图像进行分割处理,输出模块用于输出分割结果;
自然资源确权信息登记设备包括信息采集模块、信息处理模块和信息存储模块,信息采集模块用于采集自然资源的确权信息,信息处理模块用于对采集到的自然资源确权信息进行处理,信息存储模块用于将信息处理模块处理后的信息存储到云平台上;
权属范围匹配设备包括范围获取模块、匹配模块和结果输出模块,范围获取模块用于获取已有的权属范围信息,匹配模块用于将分割后的卫星图像与已有的权属范围进行匹配,结果输出模块用于输出匹配结果;
核查设备包括核查模块和结果更新模块,核查模块用于对匹配结果进行核查,结果更新模块用于将核查结果更新到云平台上;
可视化展示设备包括展示模块和交互模块,展示模块用于将分割后的卫星图像进行可视化展示,交互模块用于与用户进行交互操作;
数据存储设备用于存储训练好的模型、自然资源确权信息、匹配结果和核查结果数据;
通信设备用于与云平台进行数据传输和通信;
电源设备用于为整个系统提供电力供应;
用户界面设备用于提供用户界面以供用户进行操作和交互。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410014175.1A CN117523417B (zh) | 2024-01-05 | 2024-01-05 | 应用于自然资源统一确权登记的方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410014175.1A CN117523417B (zh) | 2024-01-05 | 2024-01-05 | 应用于自然资源统一确权登记的方法及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117523417A CN117523417A (zh) | 2024-02-06 |
CN117523417B true CN117523417B (zh) | 2024-03-29 |
Family
ID=89756987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410014175.1A Active CN117523417B (zh) | 2024-01-05 | 2024-01-05 | 应用于自然资源统一确权登记的方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117523417B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106131006A (zh) * | 2016-07-05 | 2016-11-16 | 广东新禾道信息科技有限公司 | 基于gis的房屋全生命周期安全管理系统 |
CN107153951A (zh) * | 2017-06-22 | 2017-09-12 | 昆明土地公公科技有限公司 | 一站式土地确权的方法 |
CN110555791A (zh) * | 2018-05-30 | 2019-12-10 | 深圳市数字城市工程研究中心 | 应用于自然资源统一确权登记的方法及电子设备 |
CN111309741A (zh) * | 2020-01-17 | 2020-06-19 | 福建省地质遥感与地理信息服务中心 | 一种基于gis的掌上自然资源管理系统及方法 |
CN111782712A (zh) * | 2020-07-02 | 2020-10-16 | 云南省地图院 | 一种自然资源资产审计综合空间分析系统及方法 |
CN113744106A (zh) * | 2021-09-17 | 2021-12-03 | 速度时空信息科技股份有限公司 | 一种自动划分自然资源确权登记单元的方法 |
CN113918611A (zh) * | 2021-10-28 | 2022-01-11 | 广东新禾道信息科技有限公司 | 自然资源的权属登记标记方法、系统及存储介质 |
CN114443793A (zh) * | 2022-01-25 | 2022-05-06 | 陈进雄 | 一种时空数据可视化的国土空间详细规划三维场景设计的方法 |
CN115062916A (zh) * | 2022-05-19 | 2022-09-16 | 长江勘测规划设计研究有限责任公司 | 基于gis的国土空间生态修复规划重点区域识别的分区方法 |
CN115774861A (zh) * | 2022-12-22 | 2023-03-10 | 广东五度空间科技有限公司 | 一种自然资源多源异构数据汇聚融合服务系统 |
CN116303390A (zh) * | 2023-02-27 | 2023-06-23 | 广州市城市规划勘测设计研究院 | 一种不动产登记数据深度治理方法、装置、终端及介质 |
CN116343103A (zh) * | 2023-05-31 | 2023-06-27 | 江西省自然资源事业发展中心 | 一种基于三维gis场景与视频融合的自然资源监管方法 |
CN116403109A (zh) * | 2023-03-23 | 2023-07-07 | 上海健康医学院 | 一种基于改进神经网络的建筑物识别与提取方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8055671B2 (en) * | 2007-08-29 | 2011-11-08 | Enpulz, Llc | Search engine using world map with whois database search restriction |
-
2024
- 2024-01-05 CN CN202410014175.1A patent/CN117523417B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106131006A (zh) * | 2016-07-05 | 2016-11-16 | 广东新禾道信息科技有限公司 | 基于gis的房屋全生命周期安全管理系统 |
CN107153951A (zh) * | 2017-06-22 | 2017-09-12 | 昆明土地公公科技有限公司 | 一站式土地确权的方法 |
CN110555791A (zh) * | 2018-05-30 | 2019-12-10 | 深圳市数字城市工程研究中心 | 应用于自然资源统一确权登记的方法及电子设备 |
CN111309741A (zh) * | 2020-01-17 | 2020-06-19 | 福建省地质遥感与地理信息服务中心 | 一种基于gis的掌上自然资源管理系统及方法 |
CN111782712A (zh) * | 2020-07-02 | 2020-10-16 | 云南省地图院 | 一种自然资源资产审计综合空间分析系统及方法 |
CN113744106A (zh) * | 2021-09-17 | 2021-12-03 | 速度时空信息科技股份有限公司 | 一种自动划分自然资源确权登记单元的方法 |
CN113918611A (zh) * | 2021-10-28 | 2022-01-11 | 广东新禾道信息科技有限公司 | 自然资源的权属登记标记方法、系统及存储介质 |
CN114443793A (zh) * | 2022-01-25 | 2022-05-06 | 陈进雄 | 一种时空数据可视化的国土空间详细规划三维场景设计的方法 |
CN115062916A (zh) * | 2022-05-19 | 2022-09-16 | 长江勘测规划设计研究有限责任公司 | 基于gis的国土空间生态修复规划重点区域识别的分区方法 |
CN115774861A (zh) * | 2022-12-22 | 2023-03-10 | 广东五度空间科技有限公司 | 一种自然资源多源异构数据汇聚融合服务系统 |
CN116303390A (zh) * | 2023-02-27 | 2023-06-23 | 广州市城市规划勘测设计研究院 | 一种不动产登记数据深度治理方法、装置、终端及介质 |
CN116403109A (zh) * | 2023-03-23 | 2023-07-07 | 上海健康医学院 | 一种基于改进神经网络的建筑物识别与提取方法及系统 |
CN116343103A (zh) * | 2023-05-31 | 2023-06-27 | 江西省自然资源事业发展中心 | 一种基于三维gis场景与视频融合的自然资源监管方法 |
Non-Patent Citations (2)
Title |
---|
Technical Connotation and Research Agenda of Natural Resources Spatio-temporal Information;Chengcheng ZHANG 等;《2022 29th International Conference on Geoinformatics》;20221231;1-6 * |
武汉市不动产登记信息管理平台的设计与实现;罗明俊;《地理空间信息》;20221231;第20卷(第8期);109-112 * |
Also Published As
Publication number | Publication date |
---|---|
CN117523417A (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112270027B (zh) | 基于实体模型的城市设计无纸化智能交互审查方法 | |
Lehner et al. | Digital geoTwin Vienna: Towards a digital twin city as geodata hub | |
Gobeawan et al. | Modeling trees for virtual Singapore: From data acquisition to CityGML models | |
CN106611438B (zh) | 三维仿真地图的局部区域更新切图方法及装置 | |
CN115984486B (zh) | 一种融合激光雷达与深度相机的桥梁模型生成方法及装置 | |
Tobiáš et al. | Rapid reconstruction of historical urban landscape: The surroundings of Czech chateaux and castles | |
CN116229001A (zh) | 一种基于空间熵的城市三维数字地图生成方法及系统 | |
CN115393837A (zh) | 图像检测方法、设备和存储介质 | |
CN114676204A (zh) | 一种基于多属性海洋监测数据立体化管理方法及系统 | |
CN117523417B (zh) | 应用于自然资源统一确权登记的方法及电子设备 | |
CN117252988A (zh) | 图像数据的处理方法、设备及计算机可读存储介质 | |
CN116992851A (zh) | 一种基于遥感数据的水体变化调查文档批量生成方法 | |
Sanders | Neural networks, AI, phone-based VR, machine learning, computer vision and the CUNAT automated translation app–not your father’s archaeological toolkit | |
CN114863274A (zh) | 基于深度学习的地表绿网苫盖提取方法 | |
CN114840673A (zh) | 基于NetCDF的多源异构海洋环境数据集成方法 | |
CN114820870A (zh) | 核电流程图辅助绘制方法、装置、计算机设备和存储介质 | |
CN113610512A (zh) | 电子签章生成方法、装置、设备及存储介质 | |
CN113762059A (zh) | 图像处理方法、装置、电子设备及可读存储介质 | |
Araujo et al. | Digital Heritage: academic research in Brazil in the last five years | |
CN113222070A (zh) | 一种仿真图像数据自动标注方法及系统 | |
Alliez et al. | Digital 3D Objects in Art and Humanities: challenges of creation, interoperability and preservation. White paper | |
Lu et al. | An efficient annotation method for big data sets of high-resolution earth observation images | |
CN118170856B (zh) | 一种适用于人工智能地质图建模的数据池构建方法及系统 | |
CN112115949B (zh) | 一种烟草证件以及订单的光学文字识别方法 | |
CN116186189B (zh) | 一种快速生成高程实景地图模型的方法及系统 |
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 |