CN110765900A - 一种基于dssd的自动检测违章建筑方法及*** - Google Patents

一种基于dssd的自动检测违章建筑方法及*** Download PDF

Info

Publication number
CN110765900A
CN110765900A CN201910956710.4A CN201910956710A CN110765900A CN 110765900 A CN110765900 A CN 110765900A CN 201910956710 A CN201910956710 A CN 201910956710A CN 110765900 A CN110765900 A CN 110765900A
Authority
CN
China
Prior art keywords
dssd
image
images
neural network
based automatic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910956710.4A
Other languages
English (en)
Other versions
CN110765900B (zh
Inventor
江寅
朱传瑞
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.)
Anhui Pan Public Mdt Infotech Ltd
Original Assignee
Anhui Pan Public Mdt Infotech Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anhui Pan Public Mdt Infotech Ltd filed Critical Anhui Pan Public Mdt Infotech Ltd
Priority to CN201910956710.4A priority Critical patent/CN110765900B/zh
Publication of CN110765900A publication Critical patent/CN110765900A/zh
Application granted granted Critical
Publication of CN110765900B publication Critical patent/CN110765900B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V20/176—Urban or other man-made structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及违章建筑物影像识别领域，尤其为基于DSSD的自动检测违章建筑方法及***，图像工作站、检测***、***终端，图像工作站负责违章建筑物图像，检测***包括有训练集和测试集预处理、标注、神经网络判别，练集和测试集预处理包括多尺度图像去噪和增强。方法为图像工作站获取采集违章建筑物图，然后利用DSSD神经网络判别，最后将检测***处理得到的结果发送到***终端。本发明以智能图像处理技术和神经网络为基础完成了一种自动检测违章建筑***，能够在一定程度上减少了人工识别的工作量，对城市动态监测，违章建筑识别和地理信息更新等具有重要意义。

Description

一种基于DSSD的自动检测违章建筑方法及***
技术领域
本发明涉及违章建筑物影像识别技术领域，具体为一种基于DSSD的自动检测违章建筑方法及***。
背景技术
建筑物变化检测作为地理国情监测的重要内容之一，对违章建筑物识别、城市动态监测以及地理信息更新等具有重要意义。以城市违章建筑物检测为例，随着我国经济社会不断发展，城市化进程不断加快，城市建筑物不断增长，违法建筑物的数量和规模也在不断增加，这种现象既破坏城市规划和城市景观，又影响城市形象和居民生活，既是老百姓关注的热点问题，又是城市管理的难点问题，更是影响社会和谐的负面因素之一。目前，“违法成本低，执法成本高”是违法建筑物屡禁不止的主要原因之一，除了相关法律环节欠缺外，对违法建筑物的检测方面也比较薄弱，由于对违法建筑物缺乏自动化的监测手段，利用人工检查的方式具有诸多弊端，一是发现过程周期较长，二是大范围的监测成本高昂。近年来北京等城市尝试了利用卫星图像数据进行违法建筑物检测，但是图像信息的自动分析技术仍然不够成熟，流程中人工识别和验证参与的比重大。每年全国的土地执法部门、城市管理部门用于该项任务的人力物力投入数以十亿计。市场上迫切需要一种自动化程度高、稳健可靠的方法进行城市违章建筑物的检测，从而推动城市违法建筑物的整治进程。
发明内容
本发明的目的在于提供一种基于DSSD的自动检测违章建筑方法及***，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于DSSD的自动检测违章建筑方法，包括如下几个步骤：
步骤1：图像工作站负责采集建筑区图像，先对图像进行图像清晰度预处理，然后送入检测***进行图像处理；
步骤2：检测***将收集来的图像分成训练集和测试集两部分进行处理和分析，其中：训练集和测试集包括预处理、标注、神经网络判别；
步骤3：将识别结果发送***终端，作为辅助诊断结果交由用户做最后诊断。
优选的，训练集和测试集预处理包括多尺度图像去噪和增强，将训练集和测试集图像进行作标注处理，放入DSSD神经网络中进行训练识别。
优选的，DSSD神经网络包括特征层、反卷积模块、反卷积层以及预测模块。
优选的，特征层为6层，其构成是以ResNet101为基础网络，conv3_x层作为ResNet101中的卷积层，之后五层是一系列逐渐变小的卷积层；预测模块是在SSD预测模块(a)的基础上添加了一个残差单元，并在残差旁路将原来的特征图做卷积处理后与网络主干道的特征图做通道间加法从而形成了一个新的预测模块(b)。
优选的，DSSD神经网络识别病灶基于回归与分类的过程，其中：生成识别边框是一个回归的过程，判断识别框内病灶所属类别是一个分类过程，因此，总体目标损失函数是定位损失和置信损失的加权和：
Figure BDA0002227574050000021
其中N是与真实边框对应的默认边框的个数；c是每一类的置信度；α是权重项被设置为1；定位损失Lloc(x,l,g)是预测框l与真实目标框g之间的smoothL1损失。l＝(lx,ly,lw,lh)各项分别表示预测边框的中心位置(x,y)和其边框的宽w、高h；g＝(gx,gy,gw,gh),各项分别表示真实目标的中心位置(x，y)和其边框的宽w、高h，
Figure BDA0002227574050000031
置信损失Lconf(x,c)是多类置信度的Softmax损失：
Figure BDA0002227574050000035
优选的，使用K-means聚类算法来获得病灶宽高比的k个聚类中心，并且使用手肘法来确定最优k值，手肘法的核心指标是SSE(sum of the squared errors，误差平方和)：
Figure BDA0002227574050000036
其中，ci是第i个簇，p是ci中的样本点，mi是ci的质心(ci中所有样本的均值)，SSE是所有样本的聚类误差，代表了聚类效果的好坏，当k小于真实聚类数时，SSE的下降幅度会很大，而当k到达真实聚类数时，SSE的下降幅度会骤减，因此，从标签文件中获取病灶的宽和高从而得到宽高比，然后以宽高比为特征运行K-means算法。
本发明还提供一种基于DSSD的自动检测违章建筑方法，包括：
图像工作站，用于负责采集建筑区图像，并将采集的图像上传到检测***进行图像处理；
检测***，将收集来的图像分成训练集和测试集两部分进行处理和分析，然后送入到DSSD神经网络；
DSSD神经网络，对检测***上传的处理分析图像进行训练识别，然后将识别结果发送至***终端；
检测***，接收该识别结果，作为辅助诊断结果交由用户做最后诊断。
优选的，检测***包括有训练集和测试集预处理、标注、DSSD神经网络判别。
优选的，训练集和测试集预处理包括多尺度图像去噪和增强。
优选的，图像工作站包括拍照设备以及图像扫描设备，拍照设备对建筑区进行拍照，图像扫描设备对拍照设备拍得的图片进行图像清晰度预处理；其中：拍照设备可采用无人机，图像扫描设备基于PC机，在该PC机装入基于Retinex图像增强算法的Matlab710。
与现有技术相比，本发明的有益效果是：
能够提供有效地辅助诊断信息，本发明以智能图像处理技术和神经网络为基础完成了一种自动检测违章建筑***，能够在一定程度上减少了人工识别的工作量，对城市动态监测，违章建筑识别和地理信息更新等具有重要意义。
附图说明
图1为本发明***原理图；
图2为本发明***工作流程图；
图3为本发明中DSSD神经网络结构原理图；
图4为本发明中DSSD神经网络的反卷积模块结构原理图；
图5为本发明中DSSD神经网络的预测模块结构原理图。
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。
请参阅图1～5，本发明提供一种技术方案：
参见图1，一种基于DSSD的自动检测违章建筑***，包括图像工作站、检测***、***终端。图像工作站负责采集建筑区图像采集。所述的检测***包括有训练集和测试集预处理、标注、神经网络判别。所述的训练集和测试集预处理包括多尺度图像去噪和增强。所述的判别主要利用DSSD神经网络。
采用DSSD神经网络，由于DSSD设计了反卷积模块融合了各个特征提取层的语义信息，所以在检测精度以及小病灶目标检测能力上有更出色的表现。其结构如图2所示，其基础网络为ResNet101，其中conv3_x层为ResNet101中的卷积层，之后五层是一系列逐渐变小的卷积层，它们一起作为DSSD网络的特征层(共6层)。在这之后DSSD添加了一系列反卷积层并设计了反卷积模块来融合先前的特征层(conv3_x、卷积层)和反卷积层。另外，DSSD还设计了新的预测模块并将预测移到了反卷积层上进行。
反卷积模块的功能是将高层特征映射信息与低层特征映射信息进行融合，其结构如图2所示。可见，DSSD使用已学习好的反卷积层代替双线性上采样，并在每个卷积层之后添加归一化层。另外，DSSD在结合高层特征映射和低层特征映射时，采用基于元素点积的方式以获得更好的精度。
DSSD的预测模块如下图4所示，它是在SSD预测模块(a)的基础上添加了一个残差单元，并在残差旁路将原来的特征图做卷积处理后与网络主干道的特征图做通道间加法从而形成了一个新的预测模块(b)。
DSSD识别病灶是一个回归与分类的过程。生成识别边框是一个回归的过程，判断识别框内病灶所属类别是一个分类过程。因此，总体目标损失函数是定位损失和置信损失的加权和：
其中N是与真实边框对应的默认边框的个数；c是每一类的置信度；α是权重项被设置为1；定位损失Lloc(x,l,g)是预测框l与真实目标框g之间的smoothL1损失。l＝(lx,ly,lw,lh)各项分别表示预测边框的中心位置(x,y)和其边框的宽w、高h；g＝(gx,gy,gw,gh),各项分别表示真实目标的中心位置(x,y)和其边框的宽w、高h。
Figure BDA0002227574050000062
Figure BDA0002227574050000063
Figure BDA0002227574050000064
Figure BDA0002227574050000065
置信损失Lconf(x,c)是多类置信度的Softmax损失：
Figure BDA0002227574050000066
Figure BDA0002227574050000067
由DSSD识别过程可知，宽高比的个数越多，先验框的数量也就越多，便能找到与真实目标更加匹配的先验框从而提高检测精度，但同时也会在预测及进行NMS时花更多的时间。所以选取一个合适的宽高比十分重要。因此针对自己的数据集，我们重新选取了先验框的宽高比。
使用K-means聚类算法来获得病灶宽高比的k个聚类中心，并且使用手肘法来确定最优k值。手肘法的核心指标是SSE(sum of the squared errors，误差平方和)：
Figure BDA0002227574050000071
其中，ci是第i个簇，p是ci中的样本点，mi是ci的质心(ci中所有样本的均值)，SSE是所有样本的聚类误差，代表了聚类效果的好坏。当k小于真实聚类数时，SSE的下降幅度会很大，而当k到达真实聚类数时，SSE的下降幅度会骤减。因此，从标签文件中获取病灶的宽和高从而得到宽高比，然后以宽高比为特征运行K-means算法。
最后将识别结果发送至***终端，作为辅助诊断结果交由用户(使用者)做最后识别，得到违章建筑物所处位置。
本发明的技术方案如下：
一种基于DSSD的自动检测违章建筑方法，包括图像工作站、检测***、***终端。图像工作站站负责采集建筑区图像。所述的检测***包括有训练集和测试集预处理、标注、神经网络判别。所述的训练集和测试集预处理包括多尺度图像去噪和增强。所述的判别主要利用DSSD神经网络。本发明中，采用无人机作为拍照设备，通过无人机能够进行低空拍照，而且降低了人工拍照难度与工作量。无人机按照预定的路线，进行城市或其他地区建筑物(包括违章建筑物)拍照，所得的图片图像先经过输入到图像扫描设备进行预处理，此处的预处理采用在电脑(PC机)在Windows XP或以上操作***下进行，在Windows XP内安装基于Retinex图像增强算法的Matlab710，通过基于Retinex算法，可以对无人机拍摄的图片或照片进行清晰化处理。由于无人机在拍照取证的过程中，存在天气或其他因素的影响，比如有雾霾情况或者收风速干扰使得拍的照片在图像的整体对比度和亮度上大大降低，图像色彩失真。采用Retinex的复原图像后处理，可以使得对图像整体增强的同时增强了图像的细节信息，边缘很清晰，图像色彩信息得到进一步增强，较好地恢复了图像色彩以及达到增强高亮区域的目的。其中基于Retinex图像增强算法的Matlab710为现有技术，具体可参照基于Retinex原理的图像增强算法-文章编号：1009-3044(2018)11-0185-02、一种提高雾天图像清晰度的方法-文章编号:100325060(2011)0120083204等。
本发明的工作原理和工作过程如下：
1、图像工作站负责采集建筑区图像，先对图像进行图像清晰度预处理，然后送入检测***进行图像处理。
2、检测***将收集来的图像分成训练集和测试集两部分进行处理和分析。包括有训练集和测试集预处理、标注、神经网络判别。其中训练集和测试集预处理包括多尺度图像去噪和增强。将训练集和测试集图像进行作标注处理，放入DSSD神经网络中进行训练识别。
3、将识别结果发送***终端，作为辅助诊断结果交由用户做最后诊断，可以得到城市或其他地区违章建筑物所处确切位置，便于执法部门进行拆除。
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 (10)

1.一种基于DSSD的自动检测违章建筑方法，其特征在于，包括如下几个步骤：
步骤1：图像工作站负责采集建筑区图像，先对图像进行图像清晰度预处理，然后送入检测***进行图像处理；
步骤2：检测***将收集来的图像分成训练集和测试集两部分进行处理和分析，其中：训练集和测试集包括预处理、标注、神经网络判别；
步骤3：将识别结果发送***终端，作为辅助诊断结果交由用户做最后诊断。
2.根据权利要求1所述的一种基于DSSD的自动检测违章建筑方法，其特征在于：训练集和测试集预处理包括多尺度图像去噪和增强，将训练集和测试集图像进行作标注处理，放入DSSD神经网络中进行训练识别。
3.根据权利要求2所述的一种基于DSSD的自动检测违章建筑方法，其特征在于：DSSD神经网络包括特征层、反卷积模块、反卷积层以及预测模块。
4.根据权利要求3所述的一种基于DSSD的自动检测违章建筑方法，其特征在于：特征层为6层，其构成是以ResNet101为基础网络，conv3_x层作为ResNet101中的卷积层，之后五层是一系列逐渐变小的卷积层；预测模块是在SSD预测模块(a)的基础上添加了一个残差单元，并在残差旁路将原来的特征图做卷积处理后与网络主干道的特征图做通道间加法从而形成了一个新的预测模块(b)。
5.根据权利要求2～4中任一项所述的一种基于DSSD的自动检测违章建筑方法，其特征在于：DSSD神经网络识别病灶基于回归与分类的过程，其中：生成识别边框是一个回归的过程，判断识别框内病灶所属类别是一个分类过程，因此，总体目标损失函数是定位损失和置信损失的加权和：
Figure FDA0002227574040000011
其中N是与真实边框对应的默认边框的个数；c是每一类的置信度；α是权重项被设置为1；定位损失Lloc(x,l,g)是预测框l与真实目标框g之间的smoothL1损失。l＝(lx,ly,lw,lh)各项分别表示预测边框的中心位置(x,y)和其边框的宽w、高h；g＝(gx,gy,gw,gh),各项分别表示真实目标的中心位置(x，y)和其边框的宽w、高h，
Figure FDA0002227574040000022
Figure FDA0002227574040000023
Figure FDA0002227574040000024
置信损失Lconf(x,c)是多类置信度的Softmax损失：
Figure FDA0002227574040000025
6.根据权利要求5所述的一种基于DSSD的自动检测违章建筑方法，其特征在于：使用K-means聚类算法来获得病灶宽高比的k个聚类中心，并且使用手肘法来确定最优k值，手肘法的核心指标是SSE(sum of the squared errors，误差平方和)：
其中，ci是第i个簇，p是ci中的样本点，mi是ci的质心(ci中所有样本的均值)，SSE是所有样本的聚类误差，代表了聚类效果的好坏，当k小于真实聚类数时，SSE的下降幅度会很大，而当k到达真实聚类数时，SSE的下降幅度会骤减，因此，从标签文件中获取病灶的宽和高从而得到宽高比，然后以宽高比为特征运行K-means算法。
7.如1至6中任一项所述的一种基于DSSD的自动检测违章建筑***，其特征在于，包括：
图像工作站，用于负责采集建筑区图像，并将采集的违章建筑物图像上传到检测***进行图像处理；
检测***，将收集来的图像分成训练集和测试集两部分进行处理和分析，然后送入到DSSD神经网络；
DSSD神经网络，对检测***上传的处理分析图像进行训练识别，然后将识别结果发送至***终端；
检测***，接收该识别结果，作为辅助诊断结果交由用户做最后诊断。
8.根据权利要求6所述的一种基于DSSD的自动检测违章建筑***，其特征在于：检测***包括有训练集和测试集预处理、标注、DSSD神经网络判别。
9.根据权利要求8所述的一种基于DSSD的自动检测违章建筑***，其特征在于：训练集和测试集预处理包括多尺度图像去噪和增强。
10.根据权利要求8所述的一种基于DSSD的自动检测违章建筑***，其特征在于：图像工作站包括拍照设备以及图像扫描设备，拍照设备对建筑区进行拍照，图像扫描设备对拍照设备拍得的图片进行图像清晰度预处理；其中：拍照设备可采用无人机，图像扫描设备基于PC机，在该PC机装入基于Retinex图像增强算法的Matlab710。
CN201910956710.4A 2019-10-10 2019-10-10 一种基于dssd的自动检测违章建筑方法及*** Active CN110765900B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910956710.4A CN110765900B (zh) 2019-10-10 2019-10-10 一种基于dssd的自动检测违章建筑方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910956710.4A CN110765900B (zh) 2019-10-10 2019-10-10 一种基于dssd的自动检测违章建筑方法及***

Publications (2)

Publication Number Publication Date
CN110765900A true CN110765900A (zh) 2020-02-07
CN110765900B CN110765900B (zh) 2023-09-05

Family

ID=69331587

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910956710.4A Active CN110765900B (zh) 2019-10-10 2019-10-10 一种基于dssd的自动检测违章建筑方法及***

Country Status (1)

Country Link
CN (1) CN110765900B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111582117A (zh) * 2020-04-29 2020-08-25 长江大学 一种无人机违章建筑物巡检方法、设备及存储介质
CN113033289A (zh) * 2021-01-29 2021-06-25 南瑞集团有限公司 一种基于dssd算法的安全帽佩戴检查方法、装置与***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190042867A1 (en) * 2017-12-28 2019-02-07 Yen-Kuang Chen Multi-domain cascade convolutional neural network
CN109711348A (zh) * 2018-12-28 2019-05-03 湖南航天远望科技有限公司 基于长期驻空平台的实时违章建筑的智能监测方法及***
CN110211137A (zh) * 2019-06-08 2019-09-06 西安电子科技大学 基于残差网络和U-Net分割网络的卫星图像分割方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190042867A1 (en) * 2017-12-28 2019-02-07 Yen-Kuang Chen Multi-domain cascade convolutional neural network
CN109711348A (zh) * 2018-12-28 2019-05-03 湖南航天远望科技有限公司 基于长期驻空平台的实时违章建筑的智能监测方法及***
CN110211137A (zh) * 2019-06-08 2019-09-06 西安电子科技大学 基于残差网络和U-Net分割网络的卫星图像分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张勇;: "遥感与GIS在厦门市违章建筑监测与管理中的应用" *
甘欣悦;佘天唯;龙瀛;: "街道建成环境中的城市非正规性 基于北京老城街景图片的人工打分与机器学习相结合的识别探索" *
钟波;: "应用无人机对于违法建筑物的影像对比判别" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111582117A (zh) * 2020-04-29 2020-08-25 长江大学 一种无人机违章建筑物巡检方法、设备及存储介质
CN113033289A (zh) * 2021-01-29 2021-06-25 南瑞集团有限公司 一种基于dssd算法的安全帽佩戴检查方法、装置与***

Also Published As

Publication number Publication date
CN110765900B (zh) 2023-09-05

Similar Documents

Publication Publication Date Title
CN111368687B (zh) 一种基于目标检测和语义分割的人行道车辆违停检测方法
CN108509954A (zh) 一种实时交通场景的多车牌动态识别方法
CN109325502B (zh) 基于视频渐进区域提取的共享单车停放检测方法和***
CN112070135A (zh) 电力设备图像检测方法、装置、电力设备及存储介质
CN110852164A (zh) 一种基于YOLOv3的自动检测违章建筑方法及***
CN112668375B (zh) 景区内游客分布分析***及方法
CN111914634A (zh) 一种抗复杂场景干扰的井盖类别自动检测方法和***
CN113450573A (zh) 基于无人机图像识别的交通监测方法和交通监测***
CN114694178A (zh) 基于Faster-RCNN算法的电力作业中安全帽监测方法及***
CN103679214A (zh) 基于在线面积估计和多特征决策融合的车辆检测方法
CN115861619A (zh) 一种递归残差双注意力核点卷积网络的机载LiDAR城市点云语义分割方法与***
CN114049572A (zh) 识别小目标的检测方法
CN116824399A (zh) 基于改进YOLOv5神经网络的路面裂缝识别方法
CN110765900A (zh) 一种基于dssd的自动检测违章建筑方法及***
Li et al. Automated classification and detection of multiple pavement distress images based on deep learning
CN112785610B (zh) 一种融合低层特征的车道线语义分割方法
CN112836590B (zh) 洪涝灾害监测方法、装置、电子设备及存储介质
CN116384844B (zh) 基于地理信息云平台的决策方法及装置
CN111428752B (zh) 一种基于红外图像的能见度检测方法
CN116229396B (zh) 高速路面病害识别及告警方法
CN111598885A (zh) 高速公路团雾图片能见度等级自动标注方法
CN110163081A (zh) 基于ssd的实时区域入侵检测方法、***及存储介质
CN115563652A (zh) 轨迹嵌入预防泄露方法及***
CN115170783A (zh) 一种使用街景图像的快速公路路面裂缝检测方法
Haryono et al. Accuracy in Object Detection based on Image Processing at the Implementation of Motorbike Parking on the Street

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