CN113808134B - 油罐布局信息生成方法、装置、电子设备、介质 - Google Patents
油罐布局信息生成方法、装置、电子设备、介质 Download PDFInfo
- Publication number
- CN113808134B CN113808134B CN202111373228.1A CN202111373228A CN113808134B CN 113808134 B CN113808134 B CN 113808134B CN 202111373228 A CN202111373228 A CN 202111373228A CN 113808134 B CN113808134 B CN 113808134B
- Authority
- CN
- China
- Prior art keywords
- information
- oil tank
- remote sensing
- sensing image
- tank
- 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
Images
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
- 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
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例公开了油罐布局信息生成方法、装置、电子设备和介质。该方法的一具体实施方式包括:对第一目标遥感图像进行图像分割,得到子图像集;获取第二目标遥感图像集;生成该第一目标遥感图像所对应的第一油罐信息集中各个第一油罐信息的位置信息和该第一油罐信息集中各个第一油罐信息的半径信息;对于该第二目标遥感图像集中的每个第二目标遥感图像,根据该第二目标遥感图像和该油罐识别模型集,生成该第二目标遥感图像所对应的第二油罐信息集中各个第二油罐信息的位置信息和该第二油罐信息集中各个第二油罐信息的半径信息;生成该目标区域的油罐布局信息。该实施方式可以准确、高效地生成针对目标区域的油罐布局信息。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及油罐布局信息生成方法、装置、电子设备和介质。
背景技术
目前,在日常生活中,油罐常常是用来储存油品的、且具有规定规则形体(例如,圆柱型)的大型容器。油罐的目标检测和参数提取对油罐监测、储油分析等应用领域具有重要的意义。对于油罐的目标检测,通常采用的方式为:采用卷积神经网络(ConvolutionalNeural Networks, CNN)来进行针对油罐的目标检测。
然而,当采用上述方式来检测油罐,经常会存在如下技术问题:
第一,使用卷积神经网络来进行针对目标区域的油罐检测,如果目标区域对应的区域图像的分辨率较大,区域图像所占的数据字节大小较大,导致训练卷积神经网络和后续目标区域的检测的计算量较大。除此之外,区域图像所需要的存储空间对应也较大。如果目标区域对应的区域图像的分辨率较小,常常存在油罐检测精准度较低的问题。
第二,使用卷积神经网络来进行针对目标区域的油罐检测常常存在精准度较低的问题。例如,卷积神经网络常常没有考虑油罐图像中的一些主要特征信息(例如,结构种类、阴影区域等),导致油罐的检测精准度较低。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了油罐布局信息生成方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种油罐布局信息生成方法,包括:对预先获取的第一目标遥感图像进行图像分割,得到子图像集,其中,上述第一目标遥感图像是由第一目标遥感图像传感器针对目标区域所拍摄的、分辨率大小满足第一预定条件的图像;获取由第二目标遥感图像传感器针对区域信息集中各个区域信息对应区域拍摄的、分辨率大小满足第二预定条件的第二目标遥感图像集,其中,上述第二目标遥感图像集中的第二目标遥感图像的分辨率大于第一目标遥感图像的分辨率,上述区域信息集与上述子图像集存在对应关系;根据上述第一目标遥感图像和预先训练的油罐识别模型集,生成上述第一目标遥感图像所对应的第一油罐信息集中各个第一油罐信息的位置信息和上述第一油罐信息集中各个第一油罐信息的半径信息;对于上述第二目标遥感图像集中的每个第二目标遥感图像,根据上述第二目标遥感图像和上述油罐识别模型集,生成上述第二目标遥感图像所对应的第二油罐信息集中各个第二油罐信息的位置信息和上述第二油罐信息集中各个第二油罐信息的半径信息;根据所述各个第一油罐信息的位置信息、所述各个第一油罐信息的半径信息、所得到的各个第二油罐信息的位置信息和所得到的各个第二油罐信息的半径信息,生成所述目标区域的油罐布局信息。
第二方面,本公开的一些实施例提供了一种油罐布局信息生成装置,包括:分割单元,被配置成对预先获取的第一目标遥感图像进行图像分割,得到子图像集,其中,上述第一目标遥感图像是由第一目标遥感图像传感器针对目标区域所拍摄的、分辨率大小满足第一预定条件的图像;获取单元,被配置成获取由第二目标遥感图像传感器针对区域信息集中各个区域信息对应区域拍摄的、分辨率大小满足第二预定条件的第二目标遥感图像集,其中,上述第二目标遥感图像集中的第二目标遥感图像的分辨率大于第一目标遥感图像的分辨率,上述区域信息集与上述子图像集存在对应关系;第一生成单元,被配置成根据上述第一目标遥感图像和预先训练的油罐识别模型集,生成上述第一目标遥感图像所对应的第一油罐信息集中各个第一油罐信息的位置信息和上述第一油罐信息集中各个第一油罐信息的半径信息;第二生成单元,被配置成对于上述第二目标遥感图像集中的每个第二目标遥感图像,根据上述第二目标遥感图像和上述油罐识别模型集,生成上述第二目标遥感图像所对应的第二油罐信息集中各个第二油罐信息的位置信息和上述第二油罐信息集中各个第二油罐信息的半径信息;第三生成单元,被配置成根据所述各个第一油罐信息的位置信息、所述各个第一油罐信息的半径信息、所得到的各个第二油罐信息的位置信息和所得到的各个第二油罐信息的半径信息,生成所述目标区域的油罐布局信息。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的上述各个实施例中具有如下有益效果:本公开的一些实施例的油罐布局信息生成方法可以准确、高效地生成针对目标区域的油罐布局信息。具体来说,造成不能准确且高效地生成针对目标区域的油罐布局信息的原因在于:使用卷积神经网络来进行针对目标区域的油罐检测,如果目标区域对应的区域图像的分辨率较大,区域图像所占的数据字节大小较大,导致训练卷积神经网络和后续目标区域的检测的计算量较大。除此之外,区域图像所需要的存储空间对应也较大。如果目标区域对应的区域图像的分辨率较小,常常存在油罐检测精准度较低的问题,由此使得后续不能高效地生成针对目标区域的油罐布局信息。具体来说,由于图像像素分布可能不均匀,分割后的图像虽然高度变小,但图像的大小可能存在较大差异。当分割后的图像大小较大时,仍然会影响图像加载速度,难以达到缩短图像加载时间的目的。基于此,本公开的一些实施例的油罐布局信息生成方法可以首先对预先获取第一目标遥感图像进行图像分割,得到子图像集,其中,上述第一目标遥感图像是由第一目标遥感图像传感器针对目标区域所拍摄的、分辨率大小满足第一预定条件的图像。在这里,对第一目标遥感图像进行图像分割的目的是为了后续获取针对目标区域的更为细节的特征信息,即与各个子图像相对应的第二目标遥感图像集的特征信息。接着,获取由第二目标遥感图像传感器针对区域信息集中各个区域信息对应区域拍摄的、分辨率大小满足第二预定条件的第二目标遥感图像集。其中,上述第二目标遥感图像集中的第二目标遥感图像的分辨率大于第一目标遥感图像的分辨率,上述区域信息集与上述子图像集存在对应关系。即,通过获取第二目标遥感图像集,可以获取更多目标区域中各个地理位置的特征信息,以使得后续油罐布局信息生成更为精准。进而,根据上述第一目标遥感图像和预先训练的油罐识别模型集,可以高效、准确地生成上述第一目标遥感图像所对应的第一油罐信息集中各个第一油罐信息的位置信息和上述第一油罐信息集中各个第一油罐信息的半径信息。同理,对于上述第二目标遥感图像集中的每个第二目标遥感图像,根据上述第二目标遥感图像和上述油罐识别模型集,可以高效、准确地生成上述第二目标遥感图像所对应的第二油罐信息集中各个第二油罐信息的位置信息和上述第二油罐信息集中各个第二油罐信息的半径信息。最后,根据上述各个第一油罐信息的位置信息、上述各个第一油罐信息的半径信息、上述各个第二油罐信息的位置信息和上述各个第二油罐信息的半径信息,可以准确、高效地生成上述目标区域的油罐布局信息。在这里,通过考虑与目标区域相对应的分辨率较低的图像的图像特征信息和目标区域相对应的分辨率较高的图像的图像特征信息,以使得根据各个第一油罐信息的位置信息、上述各个第一油罐信息的半径信息、所得到的各个第二油罐信息的位置信息和所得到的各个第二油罐信息的半径信息,可以更为精准的生成油罐布局信息。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1是根据本公开的一些实施例的油罐布局信息生成方法的一个应用场景的示意图;
图2是根据本公开的油罐布局信息生成方法的一些实施例的流程图;
图3是根据本公开的油罐布局信息生成方法的另一些实施例的流程图;
图4是根据本公开的油罐布局信息生成装置的一些实施例的结构示意图;
图5是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开一些实施例的油罐布局信息生成方法的一个应用场景的示意图。
在图1的应用场景中,电子设备101可以首先可以对上述第一目标遥感图像102进行图像分割,得到子图像集103。其中,上述第一目标遥感图像102是由第一目标遥感图像传感器针对目标区域所拍摄的、分辨率大小满足第一预定条件的图像。在本应用场景中,上述子图像集103包括:子图像1031、子图像1032、子图像1033。接着,电子设备101可以获取由第二目标遥感图像传感器针对区域信息集104中各个区域信息对应区域拍摄的、分辨率大小满足第二预定条件的第二目标遥感图像集105。其中,上述第二目标遥感图像集105中的第二目标遥感图像的分辨率大于第一目标遥感图像102的分辨率。在本应用场景中,区域信息集104包括:与子图像1031对应的区域信息1041、与子图像1032对应的区域信息1042、与子图像1033对应的区域信息1043。上述区域信息集104与上述子图像集103存在对应关系。第二目标遥感图像集105可以包括:第二目标遥感图像1051、第二目标遥感图像1052、第二目标遥感图像1053。进而,电子设备101可以根据上述第一目标遥感图像102和预先训练的油罐识别模型集106,生成上述第一目标遥感图像102所对应的第一油罐信息集中各个第一油罐信息的位置信息107和上述第一油罐信息集中各个第一油罐信息的半径信息108。在本应用场景中,油罐识别模型集106包括:油罐识别模型1061、油罐识别模型1062、油罐识别模型1063。再而,电子设备101可以对于上述第二目标遥感图像集105中的每个第二目标遥感图像,根据上述第二目标遥感图像和上述油罐识别模型集106,生成上述第二目标遥感图像所对应的第二油罐信息集中各个第二油罐信息的位置信息109和上述第二油罐信息集中各个第二油罐信息的半径信息110。最后,电子设备101可以根据上述各个第一油罐信息的位置信息107、上述各个第一油罐信息的半径信息110、所得到的各个第二油罐信息的位置信息109和所得到的各个第二油罐信息的半径信息110,生成上述目标区域的油罐布局信息111。
需要说明的是,上述电子设备101可以是硬件,也可以是软件。当电子设备为硬件时,可以实现成多个服务端或终端设备组成的分布式集群,也可以实现成单个服务端或单个终端设备。当电子设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的电子设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的电子设备。
继续参考图2,示出了根据本公开的油罐布局信息生成方法的一些实施例的流程200。该油罐布局信息生成方法,包括以下步骤:
步骤201,对预先获取的第一目标遥感图像进行图像分割,得到子图像集。
在一些实施例中,上述执行主体可以对预先获取的第一目标遥感图像进行图像分割,得到子图像集。其中,上述第一目标遥感图像是由第一目标遥感图像传感器针对目标区域所拍摄的、分辨率大小满足第一预定条件的图像。上述目标区域是待确定油罐信息的区域。第一目标遥感图像传感器可以是用来拍摄一定分辨率的遥感图像的传感器。上述第一预设条件可以是图像的分辨率大小位于第一区间范围内。例如,第一目标遥感图像传感器的分辨率大小可以是500像素×1000像素。第一预设条件对应的第一区间可以是[400,800]像素×[400,2000]像素。上述第一目标遥感图像可以是光学图像,也可以是其他格式的图像,再次不再限定。
作为示例,上述执行主体可以获取子图像集中各个子图像对应的预先设置的像素数目大小。其中,上述子图像集中各个子图像对应的像素数目可以是一致的。然后,根据上述预先设置的像素数目大小,对上述第一目标遥感图像进行图像分割,得到子图像集。
在一些实施例的一些可选的实现方式中,上述对上述第一目标遥感图像进行图像分割,得到子图像集,可以包括以下步骤:
第一步,根据上述第一目标遥感图像的分辨率大小,确定用于分割上述第一目标遥感图像的分割比例信息。
作为示例,上述执行主体可以查询预先建立的表征分辨率大小和分割比例信息之间关系的表,来根据上述第一目标遥感图像的分辨率大小,确定用于分割上述第一目标遥感图像的分割比例信息。
作为又一个示例,第一目标遥感图像的分辨率大小为240像素×320像素。通过查询上述表征分辨率大小和分割比例信息之间关系的表,可以得到分割比例信息为1:4。
第二步,根据上述分割比例信息,对上述第一目标遥感图像进行图像分割,得到上述子图像集。
作为示例,上述执行主体可以根据上述分割比例信息,对上述第一目标遥感图像进行图像均匀分割,以得到上述子图像集。即,得到的子图像集中的各个子图像的像素数目大小是一样的。
作为又一个示例,第一目标遥感图像的分辨率大小为240像素×320像素。分割比例信息为1:4。上述执行主体对第一目标遥感图像进行均匀分割,得到的子图像集中的各个子图像的分辨率为60像素×80像素。
步骤202,获取由第二目标遥感图像传感器针对所得到的区域信息集中各个区域信息对应区域拍摄的、分辨率大小满足第二预定条件的第二目标遥感图像集。
在一些实施例中,上述执行主体可以有线方式或无线方式来获取由第二目标遥感图像传感器针对所得到的区域信息集中各个区域信息对应区域拍摄的、分辨率大小满足第二预定条件的第二目标遥感图像集。其中,上述第二目标遥感图像集中的第二目标遥感图像的分辨率大于第一目标遥感图像的分辨率。第二目标遥感图像传感器可以是用来拍摄一定分辨率的遥感图像的传感器。第二目标遥感图像传感器拍摄的遥感图像的分辨率可以是大于第一目标遥感图像传感器拍摄的遥感图像的分辨率。上述第二预定条件可以是分辨率大小位于第二区间范围内。例如,第一预设条件对应的第二区间可以是[800,2000]像素×[2000,3000]像素。其中,上述区域信息可以表征区域的地理位置信息。上述子图像对应的区域信息可以是子图像所对应的地理位置信息。即,子图像对应内容的地理位置信息。例如,区域信息可以包括各个坐标来表征对应区域的地理位置信息。
步骤203,根据上述第一目标遥感图像和预先训练的油罐识别模型集,生成上述第一目标遥感图像所对应的第一油罐信息集中各个第一油罐信息的位置信息和上述第一油罐信息集中各个第一油罐信息的半径信息。
在一些实施例中,上述执行主体可以根据上述第一目标遥感图像和预先训练的油罐识别模型集,生成上述第一目标遥感图像所对应的第一油罐信息集中各个第一油罐信息的位置信息和上述第一油罐信息集中各个第一油罐信息的半径信息。其中,第一油罐信息的位置信息可以是油罐在第一目标遥感图像上的坐标信息。
其中,油罐识别模型可以是但不限于以下至少一项:SSD(Single Shot MultiBoxDetector)算法,R-CNN(Region-Convolutional Neural Networks)算法,Fast R-CNN(FastRegion- Convolutional Neural Networks)算法,Faster R-CNN(Faster Region-Convolutional Neural Networks)算法,SPP-NET(Spatial Pyramid Pooling Network)算法,YOLO(You Only Look Once)算法,FPN(Feature Pyramid Networks)算法,DCN(Deformable ConvNets)算法,RetinaNet目标检测算法。
作为示例,上述执行主体可以根据上述第一目标遥感图像和预先训练的油罐识别模型集,执行以下步骤来生成上述第一目标遥感图像所对应的第一油罐信息集中各个第一油罐信息的位置信息和上述第一油罐信息集中各个第一油罐信息的半径信息:
第一步,上述执行主体可以将上述第一目标遥感图像输入至预先训练的油罐识别模型集中的每个油罐识别模型,以输出上述第一目标遥感图像所对应的第三油罐信息集中各个第三油罐信息的位置信息和上述第三油罐信息集中各个第三油罐信息的半径信息,得到第三油罐信息集组中各个第三油罐信息的位置信息和上述第三油罐信息集组中各个第三油罐信息的半径信息。
第二步,上述执行主体可以进行位置信息去重处理,以去掉第三油罐信息集组中各个第三油罐信息的位置信息中重复的位置信息,得到上述第一目标遥感图像所对应的第一油罐信息集中各个第一油罐信息的位置信息和上述第一油罐信息集中各个第一油罐信息的半径信息。
步骤204,对于上述第二目标遥感图像集中的每个第二目标遥感图像,根据上述第二目标遥感图像和上述油罐识别模型集,生成上述第二目标遥感图像所对应的第二油罐信息集中各个第二油罐信息的位置信息和上述第二油罐信息集中各个第二油罐信息的半径信息。
在一些实施例中,上述执行主体可以对于上述第二目标遥感图像集中的每个第二目标遥感图像,根据上述第二目标遥感图像和上述油罐识别模型集,生成上述第二目标遥感图像所对应的第二油罐信息集中各个第二油罐信息的位置信息和上述第二油罐信息集中各个第二油罐信息的半径信息。其中,第二油罐信息的位置信息可以是油罐在第二目标遥感图像上的坐标信息。
作为示例,上述执行主体可以根据上述第二目标遥感图像和上述油罐识别模型集,执行以下步骤来生成上述第二目标遥感图像所对应的第二油罐信息集中各个第二油罐信息的位置信息和上述第二油罐信息集中各个第二油罐信息的半径信息:
第一步,上述执行主体可以将上述第二目标遥感图像输入至预先训练的油罐识别模型集中的每个油罐识别模型,输出上述第二目标遥感图像所对应的第五油罐信息集中各个第五油罐信息的位置信息和上述第五油罐信息集中各个第五油罐信息的半径信息,得到第五油罐信息集组中各个第五油罐信息的位置信息和上述第五油罐信息集组中各个第五油罐信息的半径信息。
第二步,上述执行主体可以进行位置信息去重处理,以去掉第五油罐信息集组中各个第五油罐信息的位置信息中重复的位置信息,得到上述第二目标遥感图像所对应的第二油罐信息集中各个第二油罐信息的位置信息和上述第二油罐信息集中各个第二油罐信息的半径信息。
在一些实施例的一些可选的实现方式中,上述根据上述第二目标遥感图像和上述油罐识别模型集,生成上述第二目标遥感图像所对应的第二油罐信息集中各个第二油罐信息的位置信息和上述第二油罐信息集中各个第二油罐信息的半径信息,可以包括以下步骤:
第一步,上述执行主体可以将上述第二目标遥感图像输入至预先训练的油罐识别模型集中的每个油罐识别模型,输出上述第二目标遥感图像所对应的第五油罐信息集中各个第五油罐信息的位置信息和上述第五油罐信息集中各个第五油罐信息的半径信息,得到第五油罐信息集组中各个第五油罐信息的位置信息和上述第五油罐信息集组中各个第五油罐信息的半径信息。
第二步,上述执行主体可以依据上述各个第五油罐信息的位置信息,对上述第五油罐信息集组进行重新划分,得到第六油罐信息集组。其中,第六油罐信息集中的各个第六油罐信息存在相同的位置信息。
第三步,上述执行主体可以确定上述第六油罐信息集组中各个第六油罐信息集对应的油罐数目,得到第二油罐数目集。
第四步,上述执行主体可以根据上述第二油罐数目集,生成上述第二目标遥感图像所对应的第二油罐信息集中各个第二油罐信息的位置信息和上述第二油罐信息集中各个第二油罐信息的半径信息。
作为示例,上述执行主体可以首先从第二油罐数目集中筛选出数目大于预设阈值的第二油罐数目,作为目标第二油罐数目,得到至少一个第二油罐数目。其中,上述预设阈值小于油罐识别模型集中油罐识别模型的数目。然后,上述执行主体可以确定上述至少一个第二油罐数目中每个第二油罐数目对应的第六油罐信息集,得到至少一个第六油罐信息集。最后,通过确定至少一个第六油罐信息集中各个第六油罐信息集对应的油罐位置信息和半径信息,生成上述第二目标遥感图像所对应的第二油罐信息集中各个第二油罐信息的位置信息和上述第二油罐信息集中各个第二油罐信息的半径信息。
在一些实施例的一些可选的实现方式中,上述根据上述第二目标遥感图像和上述油罐识别模型集,生成上述第二目标遥感图像所对应的第二油罐信息集中各个第二油罐信息的位置信息和上述第二油罐信息集中各个第二油罐信息的半径信息,可以包括以下步骤:
第一步,上述执行主体可以将上述第二目标遥感图像输入至预先训练的油罐识别模型集中的每个油罐识别模型,输出上述第二目标遥感图像所对应的第七油罐信息集中各个第七油罐信息的位置信息、上述第七油罐信息集中各个第七油罐信息的半径信息和上述第七油罐信息集中各个第七油罐信息的置信度信息,得到第七油罐信息集组中各个第七油罐信息的位置信息、上述第七油罐信息集组中各个第七油罐信息的半径信息和上述第七油罐信息集组中各个第七油罐信息的置信度信息。
第二步,上述执行主体可以依据上述各个第七油罐信息的位置信息,对上述第七油罐信息集组进行重新划分,得到第八油罐信息集组。其中,第八油罐信息集中的各个第八油罐信息存在相同的位置信息。
第三步,上述执行主体可以确定上述第八油罐信息集组中各个第八油罐信息集对应的油罐数目。
第四步,上述执行主体可以从上述第八油罐信息集组中去除油罐数目小于第一预定阈值的第八油罐信息集,得到至少一个第八油罐信息集。其中,上述第一预定阈值可以是预先设置的。
第五步,上述执行主体可以获取上述油罐识别模型集中各个油罐识别模型的优先级。其中,上述各个油罐模型的优先级可以是预先设置的。
第六步,上述执行主体可以根据上述各个油罐识别模型的优先级,生成上述各个油罐识别模型对应的权重信息。其中,上述各个油罐识别模型对应的权重信息可以是预先设置的。
第八步,上述执行主体可以根据上述各个油罐识别模型对应的权重信息、上述至少一个第八油罐信息集中各个第八油罐信息的置信度信息和上述至少一个第八油罐信息集中各个第八油罐信息集对应的油罐数目,生成上述第二目标遥感图像所对应的第二油罐信息集中各个第二油罐信息的位置信息和上述第二油罐信息集中各个第二油罐信息的半径信息。
作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题二“单单使用卷积神经网络来进行针对目标区域的油罐检测常常存在精准度较低的问题”。导致油罐检测精准度比较低的因素如下:卷积神经网络常常没有考虑油罐图像中的一些主要特征信息(例如,结构种类、阴影区域等),导致油罐的检测精准度较低。为了达到这一效果,本公开采用了多个油罐识别模型来进行油罐检测,多个油罐识别模型的综合检测可以大大提高针对目标区域的油罐检测的精准度。除此之外,对多个油罐识别模型中各个油罐识别模型分别设置了对应的优先级。设置优先级的目的在于:各个油罐识别模型都有自己的模型识别特点。针对油罐的各个特性,多个油罐识别模型中往往存在识别油罐精准性特别高的模型(即,该模型对油罐的各个特性比较敏感,容易识别)。以此,对各个油罐识别模型设置优先级可以使得目标区域中各个油罐的检测更为精准。
步骤205,根据所述各个第一油罐信息的位置信息、所述各个第一油罐信息的半径信息、所得到的各个第二油罐信息的位置信息和所得到的各个第二油罐信息的半径信息,生成所述目标区域的油罐布局信息。
在一些实施例中,上述执行主体可以根据上述各个第一油罐信息的位置信息、上述各个第一油罐信息的半径信息、所得到的各个第二油罐信息的位置信息和所得到的各个第二油罐信息的半径信息,生成上述目标区域的油罐布局信息。其中,上述油罐布局信息可以是目标区域内各个油罐对应的位置信息和半径信息。上述油罐布局信息可以是各种形式的信息。例如,可以是表格形式的信息。
作为示例,上述执行主体可以依据预定的数据格式来对上述各个第一油罐信息的位置信息、上述各个第一油罐信息的半径信息、所得到的各个第二油罐信息的位置信息和所得到的各个第二油罐信息的半径信息进行数据归纳以及数据去重,得到上述目标区域的油罐布局信息。
在一些实施例的一些可选的实现方式中,上述根据上述各个第一油罐信息的位置信息、上述各个第一油罐信息的半径信息、所得到的各个第二油罐信息的位置信息和所得到的各个第二油罐信息的半径信息,生成上述目标区域的油罐布局信息,可以包括以下步骤:
第一步,对于上述各个第一油罐信息中的每个第一油罐信息,执行以下生成步骤来生成上述油罐布局信息:
第一子步骤,上述执行主体可以确定上述第一油罐信息的位置信息。
第二子步骤,上述执行主体可以确定上述位置信息所对应的区域信息。
第三子步骤,上述执行主体可以确定与上述区域信息相对应的第二油罐信息集。
第四子步骤,上述执行主体可以对比第二油罐信息集中是否存在与上述第一油罐信息有相同地理位置的第二油罐信息。
第五子步骤,上述执行主体可以响应于确定存在,生成表征在上述目标区域中上述地理位置存在上述第一油罐信息的布局信息。
第二步,根据所得到的各个布局信息,生成上述目标区域的油罐布局信息。
作为示例,上述执行主体可以首先获取油罐布局信息的格式信息。然后,上述执行主体可以依据格式信息,将所得到的各个布局信息对应转换为目标区域的油罐布局信息。
在一些实施例的一些可选的实现方式中,上述步骤还包括:
第一步,上述执行主体可以获取油罐的各个标准规格信息。
需要说明的是,油罐的标准规格信息可以是油罐的标准半径信息。
作为示例,上述执行主体可以通过各种查询的方式来获取油罐的各个标准规格信息。
第二步,根据上述各个标准规格信息,校验上述油罐布局信息中所涉及的各个油罐是否符合标准。
作为示例,上述执行主体可以校验上述油罐布局信息中所涉及的各个油罐是否符合各个标准半径信息。
第三步,响应于确定符合,将上述油罐布局信息发送至油罐显示终端,以显示油罐布局信息。
本公开的上述各个实施例中具有如下有益效果:本公开的一些实施例的油罐布局信息生成方法可以准确、高效地生成针对目标区域的油罐布局信息。具体来说,造成不能准确且高效地生成针对目标区域的油罐布局信息的原因在于:使用卷积神经网络来进行针对目标区域的油罐检测,如果目标区域对应的区域图像的分辨率较大,区域图像所占的数据字节大小较大,导致训练卷积神经网络和后续目标区域的检测的计算量较大。除此之外,区域图像所需要的存储空间对应也较大。如果目标区域对应的区域图像的分辨率较小,常常存在油罐检测精准度较低的问题,由此使得后续不能高效地生成针对目标区域的油罐布局信息。具体来说,由于图像像素分布可能不均匀,分割后的图像虽然高度变小,但图像的大小可能存在较大差异。当分割后的图像大小较大时,仍然会影响图像加载速度,难以达到缩短图像加载时间的目的。基于此,本公开的一些实施例的油罐布局信息生成方法可以首先对预先获取第一目标遥感图像进行图像分割,得到子图像集,其中,上述第一目标遥感图像是由第一目标遥感图像传感器针对目标区域所拍摄的、分辨率大小满足第一预定条件的图像。在这里,对第一目标遥感图像进行图像分割的目的是为了后续获取针对目标区域的更为细节的特征信息,即与各个子图像相对应的第二目标遥感图像集的特征信息。接着,获取由第二目标遥感图像传感器针对区域信息集中各个区域信息对应区域拍摄的、分辨率大小满足第二预定条件的第二目标遥感图像集。其中,上述第二目标遥感图像集中的第二目标遥感图像的分辨率大于第一目标遥感图像的分辨率,上述区域信息集与上述子图像集存在对应关系。即,通过获取第二目标遥感图像集,可以获取更多目标区域中各个地理位置的特征信息,以使得后续油罐布局信息生成更为精准。进而,根据上述第一目标遥感图像和预先训练的油罐识别模型集,可以高效、准确地生成上述第一目标遥感图像所对应的第一油罐信息集中各个第一油罐信息的位置信息和上述第一油罐信息集中各个第一油罐信息的半径信息。同理,对于上述第二目标遥感图像集中的每个第二目标遥感图像,根据上述第二目标遥感图像和上述油罐识别模型集,可以高效、准确地生成上述第二目标遥感图像所对应的第二油罐信息集中各个第二油罐信息的位置信息和上述第二油罐信息集中各个第二油罐信息的半径信息。最后,根据上述各个第一油罐信息的位置信息、上述各个第一油罐信息的半径信息、上述各个第二油罐信息的位置信息和上述各个第二油罐信息的半径信息,可以准确、高效地生成上述目标区域的油罐布局信息。在这里,通过考虑与目标区域相对应的分辨率较低的图像的图像特征信息和目标区域相对应的分辨率较高的图像的图像特征信息,以使得根据各个第一油罐信息的位置信息、上述各个第一油罐信息的半径信息、所得到的各个第二油罐信息的位置信息和所得到的各个第二油罐信息的半径信息,可以更为精准的生成油罐布局信息。
进一步参考图3,示出了根据本公开的油罐布局信息生成方法的另一些实施例的流程300。该油罐布局信息生成方法,包括以下步骤:
步骤301,对预先获取的第一目标遥感图像进行图像分割,得到子图像集。
步骤302,获取由第二目标遥感图像传感器针对区域信息集中各个区域信息对应区域拍摄的、分辨率大小满足第二预定条件的第二目标遥感图像集。
步骤303,将上述第一目标遥感图像输入至预先训练的油罐识别模型集中的每个油罐识别模型,输出上述第一目标遥感图像所对应的第三油罐信息集中各个第三油罐信息的位置信息和上述第三油罐信息集中各个第三油罐信息的半径信息,得到第三油罐信息集组中各个第三油罐信息的位置信息和上述第三油罐信息集组中各个第三油罐信息的半径信息。
在一些实施例中,执行主体(例如图1所示的电子设备)可以将上述第一目标遥感图像输入至预先训练的油罐识别模型集中的每个油罐识别模型,输出上述第一目标遥感图像所对应的第三油罐信息集中各个第三油罐信息的位置信息和上述第三油罐信息集中各个第三油罐信息的半径信息,得到第三油罐信息集组中各个第三油罐信息的位置信息和上述第三油罐信息集组中各个第三油罐信息的半径信息。
步骤304,依据上述第三油罐信息集组中各个第三油罐信息的位置信息,对上述第三油罐信息集组进行重新划分,得到第四油罐信息集组。
在一些实施例中,上述执行主体可以依据上述各个第三油罐信息的位置信息,对上述第三油罐信息集组进行重新划分,得到第四油罐信息集组。其中,第四油罐信息集中的各个第四油罐信息集存在相同的位置信息。
步骤305,确定上述第四油罐信息集组中各个第四油罐信息集对应的油罐数目,得到第一油罐数目集。
在一些实施例中,上述执行主体可以确定上述第四油罐信息集组中各个第四油罐信息集对应的油罐数目,得到第一油罐数目集。
步骤306,根据上述第一油罐数目集,生成上述第一目标遥感图像所对应的第一油罐信息集中各个第一油罐信息的位置信息和上述第一油罐信息集中各个第一油罐信息的半径信息。
在一些实施例中,上述执行主体可以根据上述第一油罐数目集,生成上述第一目标遥感图像所对应的第一油罐信息集中各个第一油罐信息的位置信息和上述第一油罐信息集中各个第一油罐信息的半径信息。
步骤307,对于上述第二目标遥感图像集中的每个第二目标遥感图像,根据上述第二目标遥感图像和上述油罐识别模型集,生成上述第二目标遥感图像所对应的第二油罐信息集中各个第二油罐信息的位置信息和上述第二油罐信息集中各个第二油罐信息的半径信息。
步骤308,根据上述各个第一油罐信息的位置信息、上述各个第一油罐信息的半径信息、所得到的各个第二油罐信息的位置信息和所得到的各个第二油罐信息的半径信息,生成上述目标区域的油罐布局信息。
在一些实施例中,步骤301-302、307和308的具体实现及其所带来的技术效果,可以参考图2对应的实施例中的步骤201-202、204和205,在此不再赘述。
从图3中可以看出,与图2对应的一些实施例的描述相比,图3对应的一些实施例中的油罐布局信息生成方法的流程300更加突出了生成上述第一目标遥感图像所对应的第一油罐信息集中各个第一油罐信息的位置信息和上述第一油罐信息集中各个第一油罐信息的半径信息的具体步骤。由此,这些实施例描述的方案利用油罐识别模型集,可以更为精准、高效地生成上述第一目标遥感图像所对应的第一油罐信息集中各个第一油罐信息的位置信息和上述第一油罐信息集中各个第一油罐信息的半径信息。
进一步参考图4,作为对上述各图所示方法的实现,本公开提供了一种油罐布局信息生成装置的一些实施例,这些装置实施例与图2所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,一种油罐布局信息生成装置400包括:分割单元401、获取单元402、第一生成单元403、第二生成单元404、第三生成单元405。其中,分割单元401,被配置成对预先获取的第一目标遥感图像进行图像分割,得到子图像集,其中,上述第一目标遥感图像是由第一目标遥感图像传感器针对目标区域所拍摄的、分辨率大小满足第一预定条件的图像;获取单元402,被配置成获取由第二目标遥感图像传感器针对区域信息集中各个区域信息对应区域拍摄的、分辨率大小满足第二预定条件的第二目标遥感图像集,其中,上述第二目标遥感图像集中的第二目标遥感图像的分辨率大于第一目标遥感图像的分辨率,上述区域信息集与上述子图像集存在对应关系;第一生成单元403,被配置成根据上述第一目标遥感图像和预先训练的油罐识别模型集,生成上述第一目标遥感图像所对应的第一油罐信息集中各个第一油罐信息的位置信息和上述第一油罐信息集中各个第一油罐信息的半径信息;第二生成单元404,被配置成对于上述第二目标遥感图像集中的每个第二目标遥感图像,根据上述第二目标遥感图像和上述油罐识别模型集,生成上述第二目标遥感图像所对应的第二油罐信息集中各个第二油罐信息的位置信息和上述第二油罐信息集中各个第二油罐信息的半径信息;第三生成单元405,被配置成根据上述各个第一油罐信息的位置信息、上述各个第一油罐信息的半径信息、所得到的各个第二油罐信息的位置信息和所得到的各个第二油罐信息的半径信息,生成上述目标区域的油罐布局信息。
可以理解的是,该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元,在此不再赘述。
下面参考图5,其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的电子设备)500的结构示意图。图5示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图5所示,电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如磁带、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务端可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:对预先获取的第一目标遥感图像进行图像分割,得到子图像集,其中,上述第一目标遥感图像是由第一目标遥感图像传感器针对目标区域所拍摄的、分辨率大小满足第一预定条件的图像;获取由第二目标遥感图像传感器针对区域信息集中各个区域信息对应区域拍摄的、分辨率大小满足第二预定条件的第二目标遥感图像集,其中,上述第二目标遥感图像集中的第二目标遥感图像的分辨率大于第一目标遥感图像的分辨率,上述区域信息集与上述子图像集存在对应关系;根据上述第一目标遥感图像和预先训练的油罐识别模型集,生成上述第一目标遥感图像所对应的第一油罐信息集中各个第一油罐信息的位置信息和上述第一油罐信息集中各个第一油罐信息的半径信息;对于上述第二目标遥感图像集中的每个第二目标遥感图像,根据上述第二目标遥感图像和上述油罐识别模型集,生成上述第二目标遥感图像所对应的第二油罐信息集中各个第二油罐信息的位置信息和上述第二油罐信息集中各个第二油罐信息的半径信息;根据上述各个第一油罐信息的位置信息、上述各个第一油罐信息的半径信息、上述各个第二油罐信息的位置信息和上述各个第二油罐信息的半径信息,生成上述目标区域的油罐布局信息。
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公开的一些实施例的操作的计算机程序代码,上述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端上执行。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)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括分割单元、获取单元、第一生成单元、第二生成单元、第三生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,分割单元还可以被描述为“对预先获取的第一目标遥感图像进行图像分割,得到子图像集的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (9)
1.一种油罐布局信息生成方法,包括:
对预先获取的第一目标遥感图像进行图像分割,得到子图像集,其中,所述第一目标遥感图像是由第一目标遥感图像传感器针对目标区域所拍摄的、分辨率大小满足第一预定条件的图像,其中,所述子图像集通过以下步骤生成:根据所述第一目标遥感图像的分辨率大小,确定用于分割所述第一目标遥感图像的分割比例信息;根据所述分割比例信息,对所述第一目标遥感图像进行图像均匀分割,以得到所述子图像集,所述子图像集中的各个子图像的像素数目是相同的;
获取由第二目标遥感图像传感器针对区域信息集中各个区域信息对应区域拍摄的、分辨率大小满足第二预定条件的第二目标遥感图像集,其中,所述第二目标遥感图像集中的第二目标遥感图像的分辨率大于第一目标遥感图像的分辨率,所述区域信息集与所述子图像集存在对应关系,区域信息表征对应区域的地理位置信息,所述子图像集中的子图像对应的区域信息为子图像所对应的地理位置信息;
根据所述第一目标遥感图像和预先训练的油罐识别模型集,生成所述第一目标遥感图像所对应的第一油罐信息集中各个第一油罐信息的位置信息和所述第一油罐信息集中各个第一油罐信息的半径信息;
对于所述第二目标遥感图像集中的每个第二目标遥感图像,根据所述第二目标遥感图像和所述油罐识别模型集,生成所述第二目标遥感图像所对应的第二油罐信息集中各个第二油罐信息的位置信息和所述第二油罐信息集中各个第二油罐信息的半径信息;
对于所述各个第一油罐信息中的每个第一油罐信息,执行以下生成步骤来生成所述第一油罐信息的布局信息:
确定所述第一油罐信息的位置信息;
确定所述位置信息所对应的区域信息;
确定与所述区域信息相对应的第二油罐信息集;
对比第二油罐信息集中是否存在与所述第一油罐信息有相同地理位置的第二油罐信息;
响应于确定存在,生成表征在所述目标区域中所述地理位置存在所述第一油罐信息的布局信息;
根据所得到的各个布局信息,生成所述目标区域的油罐布局信息。
2.根据权利要求1所述的方法,其中,所述方法还包括:
获取油罐的各个标准规格信息;
根据所述各个标准规格信息,校验所述油罐布局信息中所涉及的各个油罐是否符合校验条件;
响应于确定符合,将所述油罐布局信息发送至油罐显示终端,以显示油罐布局信息。
3.根据权利要求1所述的方法,其中,所述对预先获取的第一目标遥感图像进行图像分割,得到子图像集,包括:
根据所述第一目标遥感图像的分辨率大小,确定用于分割所述第一目标遥感图像的分割比例信息;
根据所述分割比例信息,对所述第一目标遥感图像进行图像分割,得到所述子图像集。
4.根据权利要求1所述的方法,其中,所述根据所述第一目标遥感图像和预先训练的油罐识别模型集,生成所述第一目标遥感图像所对应的第一油罐信息集中各个第一油罐信息的位置信息和所述第一油罐信息集中各个第一油罐信息的半径信息,包括:
将所述第一目标遥感图像输入至预先训练的油罐识别模型集中的每个油罐识别模型,输出所述第一目标遥感图像所对应的第三油罐信息集中各个第三油罐信息的位置信息和所述第三油罐信息集中各个第三油罐信息的半径信息,得到第三油罐信息集组中各个第三油罐信息的位置信息和所述第三油罐信息集组中各个第三油罐信息的半径信息;
依据所述第三油罐信息集组中各个第三油罐信息的位置信息,对所述第三油罐信息集组进行重新划分,得到第四油罐信息集组,其中,第四油罐信息集中的各个第四油罐信息存在相同的位置信息;
确定所述第四油罐信息集组中各个第四油罐信息集对应的油罐数目,得到第一油罐数目集;
根据所述第一油罐数目集,生成所述第一目标遥感图像所对应的第一油罐信息集中各个第一油罐信息的位置信息和所述第一油罐信息集中各个第一油罐信息的半径信息。
5.根据权利要求1所述的方法,其中,所述根据所述第二目标遥感图像和所述油罐识别模型集,生成所述第二目标遥感图像所对应的第二油罐信息集中各个第二油罐信息的位置信息和所述第二油罐信息集中各个第二油罐信息的半径信息,包括:
将所述第二目标遥感图像输入至预先训练的油罐识别模型集中的每个油罐识别模型,输出所述第二目标遥感图像所对应的第五油罐信息集中各个第五油罐信息的位置信息和所述第五油罐信息集中各个第五油罐信息的半径信息,得到第五油罐信息集组中各个第五油罐信息的位置信息和所述第五油罐信息集组中各个第五油罐信息的半径信息;
依据所述第五油罐信息集组中各个第五油罐信息的位置信息,对所述第五油罐信息集组进行重新划分,得到第六油罐信息集组,其中,第六油罐信息集中的各个第六油罐信息存在相同的位置信息;
确定所述第六油罐信息集组中各个第六油罐信息集对应的油罐数目,得到第二油罐数目集;
根据所述第二油罐数目集,生成所述第二目标遥感图像所对应的第二油罐信息集中各个第二油罐信息的位置信息和所述第二油罐信息集中各个第二油罐信息的半径信息。
6.根据权利要求1所述的方法,其中,所述根据所述第二目标遥感图像和所述油罐识别模型集,生成所述第二目标遥感图像所对应的第二油罐信息集中各个第二油罐信息的位置信息和所述第二油罐信息集中各个第二油罐信息的半径信息,包括:
将所述第二目标遥感图像输入至预先训练的油罐识别模型集中的每个油罐识别模型,输出所述第二目标遥感图像所对应的第七油罐信息集中各个第七油罐信息的位置信息、所述第七油罐信息集中各个第七油罐信息的半径信息和所述第七油罐信息集中各个第七油罐信息的置信度信息,得到第七油罐信息集组中各个第七油罐信息的位置信息、所述第七油罐信息集组中各个第七油罐信息的半径信息和所述第七油罐信息集组中各个第七油罐信息的置信度信息;
依据所述第七油罐信息集组中各个第七油罐信息的位置信息,对所述第七油罐信息集组进行重新划分,得到第八油罐信息集组,其中,第八油罐信息集中的各个第八油罐信息存在相同的位置信息;
确定所述第八油罐信息集组中各个第八油罐信息集对应的油罐数目;
从所述第八油罐信息集组中去除油罐数目小于第一预定阈值的第八油罐信息集,得到至少一个第八油罐信息集;
获取所述油罐识别模型集中各个油罐识别模型的优先级;
根据所述各个油罐识别模型的优先级,生成所述各个油罐识别模型对应的权重信息;
根据所述各个油罐识别模型对应的权重信息、所述至少一个第八油罐信息集中各个第八油罐信息的置信度信息和所述至少一个第八油罐信息集中各个第八油罐信息集对应的油罐数目,生成所述第二目标遥感图像所对应的第二油罐信息集中各个第二油罐信息的位置信息和所述第二油罐信息集中各个第二油罐信息的半径信息。
7.一种油罐布局信息生成装置,包括:
分割单元,被配置成对预先获取的第一目标遥感图像进行图像分割,得到子图像集,其中,所述第一目标遥感图像是由第一目标遥感图像传感器针对目标区域所拍摄的、分辨率大小满足第一预定条件的图像,其中,所述子图像集通过以下步骤生成:根据所述第一目标遥感图像的分辨率大小,确定用于分割所述第一目标遥感图像的分割比例信息;根据所述分割比例信息,对所述第一目标遥感图像进行图像均匀分割,以得到所述子图像集,所述子图像集中的各个子图像的像素数目是相同的;
获取单元,被配置成获取由第二目标遥感图像传感器针对区域信息集中各个区域信息对应区域拍摄的、分辨率大小满足第二预定条件的第二目标遥感图像集,其中,所述第二目标遥感图像集中的第二目标遥感图像的分辨率大于第一目标遥感图像的分辨率,所述区域信息集与所述子图像集存在对应关系,区域信息表征对应区域的地理位置信息,所述子图像集中的子图像对应的区域信息为子图像所对应的地理位置信息;
第一生成单元,被配置成根据所述第一目标遥感图像和预先训练的油罐识别模型集,生成所述第一目标遥感图像所对应的第一油罐信息集中各个第一油罐信息的位置信息和所述第一油罐信息集中各个第一油罐信息的半径信息;
第二生成单元,被配置成对于所述第二目标遥感图像集中的每个第二目标遥感图像,根据所述第二目标遥感图像和所述油罐识别模型集,生成所述第二目标遥感图像所对应的第二油罐信息集中各个第二油罐信息的位置信息和所述第二油罐信息集中各个第二油罐信息的半径信息;
第三生成单元,被配置成对于所述各个第一油罐信息中的每个第一油罐信息,执行以下生成步骤来生成所述第一油罐信息的布局信息:
确定所述第一油罐信息的位置信息;确定所述位置信息所对应的区域信息;确定与所述区域信息相对应的第二油罐信息集;对比第二油罐信息集中是否存在与所述第一油罐信息有相同地理位置的第二油罐信息;响应于确定存在,生成表征在所述目标区域中所述地理位置存在所述第一油罐信息的布局信息;根据所得到的各个布局信息,生成所述目标区域的油罐布局信息。
8.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
9.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111373228.1A CN113808134B (zh) | 2021-11-19 | 2021-11-19 | 油罐布局信息生成方法、装置、电子设备、介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111373228.1A CN113808134B (zh) | 2021-11-19 | 2021-11-19 | 油罐布局信息生成方法、装置、电子设备、介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113808134A CN113808134A (zh) | 2021-12-17 |
CN113808134B true CN113808134B (zh) | 2022-05-20 |
Family
ID=78938440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111373228.1A Active CN113808134B (zh) | 2021-11-19 | 2021-11-19 | 油罐布局信息生成方法、装置、电子设备、介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113808134B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272667B (zh) * | 2022-06-24 | 2023-08-29 | 中科星睿科技(北京)有限公司 | 农田图像分割模型训练方法、装置、电子设备和介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217196A (zh) * | 2014-08-26 | 2014-12-17 | 武汉大学 | 一种遥感影像圆形油罐自动检测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7349076B2 (en) * | 2005-01-14 | 2008-03-25 | The Institute For Technology Development | Video tracking-based real-time hyperspectral data acquisition |
CN101826157B (zh) * | 2010-04-28 | 2011-11-30 | 华中科技大学 | 一种地面静止目标实时识别跟踪方法 |
EP3563295A1 (en) * | 2016-12-27 | 2019-11-06 | Telecom Italia S.p.A. | Method and system for identifying targets in scenes shot by a camera |
CN107688782A (zh) * | 2017-08-23 | 2018-02-13 | 中国科学院软件研究所 | 基于高分辨率光学遥感图像的油罐检测和储量分析方法 |
CN108363958B (zh) * | 2018-01-19 | 2021-10-01 | 中国公路工程咨询集团有限公司 | 一种基于高分辨率光学遥感影像的油罐检测方法 |
-
2021
- 2021-11-19 CN CN202111373228.1A patent/CN113808134B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217196A (zh) * | 2014-08-26 | 2014-12-17 | 武汉大学 | 一种遥感影像圆形油罐自动检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113808134A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113869293B (zh) | 车道线识别方法、装置、电子设备和计算机可读介质 | |
CN112598762A (zh) | 三维车道线信息生成方法、装置、电子设备和介质 | |
CN113607185B (zh) | 车道线信息显示方法、装置、电子设备和计算机可读介质 | |
CN114399589B (zh) | 三维车道线生成方法、装置、电子设备和计算机可读介质 | |
CN111784712B (zh) | 图像处理方法、装置、设备和计算机可读介质 | |
CN114399588B (zh) | 三维车道线生成方法、装置、电子设备和计算机可读介质 | |
CN114993328B (zh) | 车辆定位评估方法、装置、设备和计算机可读介质 | |
CN112037223B (zh) | 图像缺陷检测方法、装置及电子设备 | |
CN114894205B (zh) | 三维车道线信息生成方法、装置、设备和计算机可读介质 | |
CN115272182A (zh) | 车道线检测方法、装置、电子设备和计算机可读介质 | |
CN113592033B (zh) | 油罐图像识别模型训练方法、油罐图像识别方法和装置 | |
CN112183627A (zh) | 生成预测密度图网络的方法和车辆年检标数量检测方法 | |
CN113808134B (zh) | 油罐布局信息生成方法、装置、电子设备、介质 | |
CN115731341A (zh) | 三维人头重建方法、装置、设备及介质 | |
CN111586295B (zh) | 图像生成方法、装置和电子设备 | |
CN115100536B (zh) | 建筑物识别方法、装置、电子设备和计算机可读介质 | |
CN111680754B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
CN110334763B (zh) | 模型数据文件生成、图像识别方法、装置、设备及介质 | |
CN113568997A (zh) | 点云地图更新方法、装置、电子设备和计算机可读介质 | |
CN115086538A (zh) | 一种拍摄位置确定方法、装置、设备及介质 | |
CN111292365A (zh) | 生成深度图的方法、装置、电子设备和计算机可读介质 | |
CN114399555B (zh) | 数据在线标定方法、装置、电子设备和计算机可读介质 | |
CN113239943B (zh) | 基于部件语义图的三维部件提取组合方法和装置 | |
CN114842448B (zh) | 三维车道线生成方法、装置、电子设备和计算机可读介质 | |
CN113936203A (zh) | 油罐布局信息生成方法、装置、电子设备、介质 |
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 |