CN115100266B - 基于神经网络的数字化机场模型构建方法、***和设备 - Google Patents
基于神经网络的数字化机场模型构建方法、***和设备 Download PDFInfo
- Publication number
- CN115100266B CN115100266B CN202211015870.7A CN202211015870A CN115100266B CN 115100266 B CN115100266 B CN 115100266B CN 202211015870 A CN202211015870 A CN 202211015870A CN 115100266 B CN115100266 B CN 115100266B
- Authority
- CN
- China
- Prior art keywords
- airport
- metadata
- target
- image
- neural network
- 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 57
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 40
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000000007 visual effect Effects 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 239000012535 impurity Substances 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012800 visualization Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Graphics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于数据处理领域,具体涉及了一种于神经网络的数字化机场模型构建方法、***和设备,旨在解决现有的人工雕刻的机场建模方法需手动进行调整技术繁琐的问题。本发明包括:获取待建模机场环境的高分辨率卫星地图和深度相机图像;将所述高分辨率卫星地图和深度相机图像进行信息匹配,并转化为目标机场元数据;基于所述目标机场元数据,通过基于元数据的卷积神经网络进行特征提取,获取目标特征;基于所述目标特征,整合获得数字化机场模型。本发明避免了一张图像内存在多种类型的干扰对模型还原的影响,提高了模型还原的精确度和可视化体验。
Description
技术领域
本发明属于数据处理领域,具体涉及了一种基于神经网络的数字化机场模型构建方法、***和设备。
背景技术
随着交通技术的发展,乘坐飞机已经成为人们的主要出行方式之一,为了实现对机场中飞机的数字化管理和规划,需要将现实的机场图像构建为可视化的、数字模型。现有的机场模型构建方法需通过人工雕刻的方式根据预设的尺寸将机场的每一处模型输入到模型中,对技术人员的建模水平有较高的要求,且每个不同的机场均需要重新绘制,若是出现环境变化也需要人员重新手动更改,技术繁琐,容易出错,无法实时更新。继续一种能够自动化的实时更新地将机场图像转化为可视化的机场建模的方法。
发明内容
为了解决现有技术中的上述问题,即现有的人工雕刻的机场建模方法需手动进行调整技术繁琐,容易出错,无法实时更新的问题,本发明提供了一种基于神经网络的数字化机场模型构建方法,所述方法包括:
步骤S100,获取待建模机场环境的高分辨率卫星地图和深度相机图像;
步骤S200,将所述高分辨率卫星地图和深度相机图像进行信息匹配,并转化为目标机场元数据;
步骤S300,基于所述目标机场元数据,通过基于元数据的卷积神经网络进行特征提取,获取目标特征集;
步骤S400,基于所述目标特征集,整合获得数字化机场模型。
在一些优选的实施方式中,所述基于切片元数据的卷积神经网络,其训练方法为:
步骤A100,针对每种预设的地理描述类型,获取带有描述特征标签的标准机场元数据;
步骤A200,将每种地理描述类型标签的标准机场元数据,复制多份并同时输入多种基础特征提取子网络;其中每种基础特征提取子网络只提取一种地理描述类型;
步骤A300,通过基础特征提取子网络提取目标特征;
步骤A400,计算所述目标特征,计算损失函数;
步骤A500,重复迭代至预设的训练次数或所述损失函数低于预设的阈值,所有的基础特征提取子网络的集合即为基于元数据的卷积神经网络,所有基础特征提取子网络提取的目标特征为目标特征集基础特征提取子网络。
在一些优选的实施方式中,所述步骤S400,具体包括:将所述目标切片特征,与所述目标机场元数据进行匹配,将数据点对应的位置赋上对应的地理信息素材,生成可视化的数字化机场模型。
在一些优选的实施方式中,将所述目标特征,与所述目标机场元数据进行匹配,具体为:
根据所述目标特征集,确认目标机场元数据中包含的特征类型,并通过权重学习模型确认每个目标机场元数据中包含的地理描述类型的成分。
在一些优选的实施方式中,所述步骤S200,具体包括:
步骤S210,基于所述高分辨率卫星地图和深度相机图像,通过特征点匹配的方法,为高分辨率卫星地图添加位置信息,获得高分辨率空间图像;
步骤S220,基于所述高分辨率空间图像生成目标机场元数据。
在一些优选的实施方式中,还包括将目标机场元数据进行切片的步骤,具体为通过QGIS地理信息处理软件以预设尺寸进行裁切,获得目标机场切片元数据,将机场切片元数据作为目标机场元数据进行后续步骤。
本发明的另一方面,提出了一种基于神经网络的数字化机场模型构建***,所述***包括:
图像获取模块,配置为获取待建模机场环境的高分辨率卫星地图和深度相机图像;
数据转化模块,配置为将所述高分辨率卫星地图和深度相机图像进行信息匹配,并转化为目标机场元数据;
数据裁切模块,配置为基于所述目标机场元数据,根据地理信息进行裁切,获得多张目标机场切片;
特征提取模块,配置为基于所述目标机场切片,通过基于切片元数据的卷积神经网络进行特征提取,获取目标切片特征;
环境还原模块,配置为基于所述目标切片特征,整合获得数字化机场模型。
本发明的第三方面,提出了一种电子设备,包括:
至少一个处理器;以及
与至少一个所述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处理器执行的指令,所述指令用于被所述处理器执行以实现上述的基于神经网络的数字化机场模型构建方法。
本发明的第四方面,提出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指令,所述计算机指令用于被所述计算机执行以实现上述的基于神经网络的数字化机场模型构建方法。
本发明的有益效果:
(1)本发明通过针对每种地理信息类型都单独设置了对应的特征提取网络,提高了对复杂的图像特征提取的准确率,同时避免了一张图像内存在多种类型的干扰对模型还原的影响,提高了模型还原的精确度和可视化体验。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本发明实施例中基于神经网络的数字化机场模型构建方法的流程示意图;
图2是用于实现本申请方法、***、设备实施例的服务器的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释相关发明,而非对该发明的限定。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。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明提供一种基于神经网络的数字化机场模型构建方法,本方法通过针对每种地理信息类型都单独设置了对应的特征提取网络,提高了对复杂的图像特征提取的准确率,同时避免了一张图像内存在多种类型的干扰对模型还原的影响,提高了模型还原的精确度和可视化体验。
本发明的一种基于神经网络的数字化机场模型构建方法,包括:
步骤S100,获取待建模机场环境的高分辨率卫星地图和深度相机图像;
步骤S200,将所述高分辨率卫星地图和深度相机图像进行信息匹配,并转化为目标机场元数据;
步骤S300,基于所述目标机场元数据,通过基于元数据的卷积神经网络进行特征提取,获取目标特征集;
步骤S400,基于所述目标特征集,整合获得数字化机场模型。
为了更清晰地对本发明基于神经网络的数字化机场模型构建方法进行说明,下面结合图1对本发明实施例中各步骤展开详述。
本发明第一实施例的基于神经网络的数字化机场模型构建方法,包括步骤S100-步骤S400,各步骤详细描述如下:
步骤S100,获取待建模机场环境的高分辨率卫星地图和深度相机图像。
步骤S200,将所述高分辨率卫星地图和深度相机图像进行信息匹配,并转化为目标机场元数据。
在本实施例中,所述步骤S200,具体包括:
步骤S210,基于所述高分辨率卫星地图和深度相机图像,通过特征点匹配的方法,为高分辨率卫星地图添加位置信息,获得高分辨率空间图像;
步骤S220,基于所述高分辨率空间图像生成目标机场元数据。
在本实施例中,还包括将机场元数据进行分级连续区域粗分割的步骤;
将所述目标机场元数据转化为灰度图像,计算每个像素点的梯度纵向梯度和横向梯度;
将纵向梯度或横向梯度大于预设边界阈值的像素点设置为边界点;
边界点将灰度图像划分为多个图像块;
通过将图像块与机场跑道图像进行特征匹配,找出机场跑道的图像块,设置为一级分割区域,将其他图像块设置为二级分割区域;也可根据预设的需要将其他需要关注的图像块设置为多个分割区域;
针对所述二级分割区域,通过设置预设尺寸的空心滑动框进行扫描,使空心滑动框中心依次遍历图像中的像素;如设置空心滑动框为中心空出1像素的方形,则有空心滑动框的尺寸为3*3像素,厚度为1像素;也可根据需要为对应的分割区域设置不同尺寸的空心滑动框,如2*2、2*3、3*3、1*3……像素的空心;
判断所述空心滑动框覆盖的像素灰度差值是否均在预设的均一范围内,若是,则判断空心滑动框中心像素灰度值是否与边框中的像素的差值大于预设的杂质阈值,若大于,则将边框覆盖的平均像素对中心像素进行填充;遍历后获得降杂的机场元数据。
在机场模型绘制的过程中,需要对跑道的图像进行精确的分析和准确的划分,但是对不同的其他区域不需要达到同等的精度,比如识别出连串的草地中存在一些碎石、连续的树木区域中夹杂的杂草;如果将其依然按照跑到的精度进行识别和特征提取,不但增加了识别难度增加了资源损耗,且针对本申请的对每种特征单独设计一个基础特征提取子网络的特征提取方式,还增加了特征整合的复杂程度,通过对不重要的区域中的杂像素进行忽略,只将对机场模型绘制有意义的像素进行计算,降低了计算复杂度。
在本实施例中,还包括将目标机场元数据进行切片的步骤,具体为通过QGIS地理信息处理软件以预设尺寸进行裁切,获得目标机场切片元数据,将机场切片元数据作为目标机场元数据进行后续步骤。步骤S300,基于所述目标机场元数据,通过基于元数据的卷积神经网络进行特征提取,获取目标特征集。;
在本实施例中,所述基于切片元数据的卷积神经网络,其训练方法为:
步骤A100,针对每种预设的地理描述类型,获取带有描述特征标签的标准机场元数据;
步骤A200,将每种地理描述类型标签的标准机场元数据,复制多份并同时输入多种基础特征提取子网络;其中每种基础特征提取子网络只提取一种地理描述类型;
步骤A300,通过基础特征提取子网络提取目标特征;
步骤A400,计算所述目标特征,计算损失函数;
步骤A500,重复迭代至预设的训练次数或所述损失函数低于预设的阈值,所有的基础特征提取子网络的集合即为基于元数据的卷积神经网络,所有基础特征提取子网络提取的目标特征为目标特征集基础特征提取子网络。
传统的图像特征提取方法中,每块区域中可能会出现多个不同种类的地理信息,所获得的的特征进行分类会得出该切片属于某种地理描述类型的概率,那么在进行模型可视化仿真的时候就会将对应的位置生成最有可能属于的种类,这样的方法对于机场环境这样对模型可视化效果要求较高的场景而言会造成可视化体验降低的问题,进而影响数字化得到管理和规划。而通过本申请单独训练每个种类的特征提取模型即基础特征提取子网络能够将切片中每种类型的特征都进行提取,最后根据基础特征提取子网络的权重进行整合,能够避免同一图像中其他种类特征的影响,最终整合获得的模型具有较高的可视化体验和精确度。
步骤S400,基于所述目标特征集,整合获得数字化机场模型。
在本实施例中,所述步骤S400,具体包括:将所述目标切片特征,与所述目标机场元数据进行匹配,将数据点对应的位置赋上对应的地理信息素材,生成可视化的数字化机场模型。
在本实施例中,将所述目标特征,与所述目标机场元数据进行匹配,具体为:
根据所述目标特征集,确认目标机场元数据中包含的特征类型,并通过权重学习模型确认每个目标机场元数据中包含的地理描述类型的成分。
本发明只需将卫星图像和深度图像共同输入即可自动化的生成。
上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述,但是本领域技术人员可以理解,为了实现本实施例的效果,不同的步骤之间不必按照这样的次序执行,其可以同时(并行)执行或以颠倒的次序执行,这些简单的变化都在本发明的保护范围之内。
本发明第二实施例的基于神经网络的数字化机场模型构建***,包括:
图像获取模块,配置为获取待建模机场环境的高分辨率卫星地图和深度相机图像;
数据转化模块,配置为将所述高分辨率卫星地图和深度相机图像进行信息匹配,并转化为目标机场元数据;
数据裁切模块,配置为基于所述目标机场元数据,根据地理信息进行裁切,获得多张目标机场切片;
特征提取模块,配置为基于所述目标机场切片,通过基于切片元数据的卷积神经网络进行特征提取,获取目标切片特征;
环境还原模块,配置为基于所述目标切片特征,整合获得数字化机场模型,提高了建模的自动化水平,避免人工操作容易出现错误的问题,并且当环境产生变化如施工等情况只需要将新的图像输入即可完成更新,为机场数字化管理的实时性提供了便利。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
需要说明的是,上述实施例提供的基于神经网络的数字化机场模型构建***,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块来完成,即将本发明实施例中的模块或者步骤再分解或者组合,例如,上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。
本发明第三实施例的一种电子设备,包括:至少一个处理器;以及与至少一个所述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处理器执行的指令,所述指令用于被所述处理器执行以实现上述的基于神经网络的数字化机场模型构建方法。
本发明第四实施例的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指令,所述计算机指令用于被所述计算机执行以实现上述的基于神经网络的数字化机场模型构建方法。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的存储装置、处理装置的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的模块、方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
下面参考图2,其示出了用于实现本申请方法、***、设备实施例的服务器的计算机***的结构示意图。图2示出的服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图2所示,计算机***包括中央处理单元(CPU,Central Processing Unit)201,其可以根据存储在只读存储器(ROM,Read Only Memory)202中的程序或者从存储部分208加载到随机访问存储器(RAM,Random Access Memory)203中的程序而执行各种适当的动作和处理。在RAM203中,还存储有***操作所需的各种程序和数据。CPU 201、ROM 202以及RAM203通过总线204彼此相连。输入/输出(I/O,Input/Output)接口205也连接至总线204。
以下部件连接至I/O接口205:包括键盘、鼠标等的输入部分206;包括诸如阴极射线管(CRT,Cathode Ray Tube)、液晶显示器(LCD,Liquid Crystal Display)等以及扬声器等的输出部分207;包括硬盘等的存储部分208;以及包括诸如LAN(局域网,Local AreaNetwork)卡、调制解调器等的网络接口卡的通信部分209。通信部分209经由诸如因特网的网络执行通信处理。驱动器210也根据需要连接至I/O接口205。可拆卸介质211,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器210上,以便于从其上读出的计算机程序根据需要被安装入存储部分208。
特别地,根据本公开的实施例,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。在这样的实施例中,该计算机程序可以通过通信部分209从网络上被下载和安装,和/或从可拆卸介质211被安装。在该计算机程序被中央处理单元(CPU)201执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请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。在本申请中,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。而在本申请中,计算机可读的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。计算机可读的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:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
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申请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)。
附图中的流程图和框图,图示了按照本申请各种实施例的***、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。
术语“第一”、“第二”等是用于区别类似的对象,而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (8)
1.一种基于神经网络的数字化机场模型构建方法,其特征在于,所述方法包括:
步骤S100,获取待建模机场环境的高分辨率卫星地图和深度相机图像;
步骤S200,将所述高分辨率卫星地图和深度相机图像进行信息匹配,并转化为目标机场元数据;
还包括将机场元数据进行分级连续区域粗分割的步骤;
将所述目标机场元数据转化为灰度图像,计算每个像素点的梯度纵向梯度和横向梯度;
将纵向梯度或横向梯度大于预设边界阈值的像素点设置为边界点;
边界点将灰度图像划分为多个图像块;
通过将图像块与机场跑道图像进行特征匹配,找出机场跑道的图像块,设置为一级分割区域,将其他图像块设置为二级分割区域;针对所述二级分割区域,通过设置预设尺寸的空心滑动框进行扫描,使空心滑动框中心依次遍历图像中的像素;
判断所述空心滑动框覆盖的像素灰度差值是否均在预设的均一范围内,若是,则判断空心滑动框中心像素灰度值是否与边框中的像素的差值大于预设的杂质阈值;若大于预设的均一范围,则将边框覆盖的平均像素对中心像素进行填充;遍历后获得降杂的目标机场元数据;
步骤S300,基于所述目标机场元数据,通过基于元数据的卷积神经网络进行特征提取,获取目标特征集;
所述基于元数据的卷积神经网络,其训练方法为:
步骤A100,针对每种预设的地理描述类型,获取带有描述特征标签的标准机场元数据;
步骤A200,将每种地理描述类型标签的标准机场元数据,复制多份并同时输入多种基础特征提取子网络;其中每种基础特征提取子网络只提取一种地理描述类型;
步骤A300,通过基础特征提取子网络提取目标特征;
步骤A400,计算所述目标特征,计算损失函数;
步骤A500,重复迭代至预设的训练次数或所述损失函数低于预设的阈值,所有的基础特征提取子网络的集合即为基于元数据的卷积神经网络,所有基础特征提取子网络提取的目标特征为目标特征集基础特征提取子网络;
步骤S400,基于所述目标特征集,根据基础特征提取子网络的权重进行整合,整合获得数字化机场模型。
2.根据权利要求1所述的基于神经网络的数字化机场模型构建方法,其特征在于,所述步骤S400,具体包括:将所述目标特征,与所述目标机场元数据进行匹配,将数据点对应的位置赋上对应的地理信息素材,生成可视化的数字化机场模型。
3.根据权利要求2所述的基于神经网络的数字化机场模型构建方法,其特征在于,将所述目标特征,与所述目标机场元数据进行匹配,具体为:
根据所述目标特征集,确认目标机场元数据中包含的特征类型,并通过权重学习模型确认每个目标机场元数据中包含的地理描述类型的成分。
4.根据权利要求1所述的基于神经网络的数字化机场模型构建方法,其特征在于,所述步骤S200,具体包括:
步骤S210,基于所述高分辨率卫星地图和深度相机图像,通过特征点匹配的方法,为高分辨率卫星地图添加位置信息,获得高分辨率空间图像;
步骤S220,基于所述高分辨率空间图像生成目标机场元数据。
5.根据权利要求1所述的基于神经网络的数字化机场模型构建方法,其特征在于,还包括将目标机场元数据进行切片的步骤,具体为通过QGIS地理信息处理软件以预设尺寸进行裁切,获得目标机场切片元数据,将机场切片元数据作为目标机场元数据进行后续步骤。
6.一种基于神经网络的数字化机场模型构建***,其特征在于,所述***包括:
图像获取模块,配置为获取待建模机场环境的高分辨率卫星地图和深度相机图像;
数据转化模块,配置为将所述高分辨率卫星地图和深度相机图像进行信息匹配,并转化为目标机场元数据;
还包括将机场元数据进行分级连续区域粗分割的步骤;
将所述目标机场元数据转化为灰度图像,计算每个像素点的梯度纵向梯度和横向梯度;
将纵向梯度或横向梯度大于预设边界阈值的像素点设置为边界点;
边界点将灰度图像划分为多个图像块;
通过将图像块与机场跑道图像进行特征匹配,找出机场跑道的图像块,设置为一级分割区域,将其他图像块设置为二级分割区域;
针对所述二级分割区域,通过设置预设尺寸的空心滑动框进行扫描,使空心滑动框中心依次遍历图像中的像素;
判断所述空心滑动框覆盖的像素灰度差值是否均在预设的均一范围内,若是,则判断空心滑动框中心像素灰度值是否与边框中的像素的差值大于预设的杂质阈值;若大于预设的均一范围,则将边框覆盖的平均像素对中心像素进行填充;遍历后获得降杂的目标机场元数据;
特征提取模块,配置为基于所述目标机场元数据,通过基于元数据的卷积神经网络进行特征提取,获取目标特征集;
所述基于元数据的卷积神经网络,其训练方法为:
步骤A100,针对每种预设的地理描述类型,获取带有描述特征标签的标准机场元数据;
步骤A200,将每种地理描述类型标签的标准机场元数据,复制多份并同时输入多种基础特征提取子网络;其中每种基础特征提取子网络只提取一种地理描述类型;
步骤A300,通过基础特征提取子网络提取目标特征;
步骤A400,计算所述目标特征,计算损失函数;
步骤A500,重复迭代至预设的训练次数或所述损失函数低于预设的阈值,所有的基础特征提取子网络的集合即为基于元数据的卷积神经网络,所有基础特征提取子网络提取的目标特征为目标特征集基础特征提取子网络;
环境还原模块,配置为基于所述目标特征集,根据基础特征提取子网络的权重进行整合,整合获得数字化机场模型。
7.一种电子设备,其特征在于,包括:至少一个处理器;以及与至少一个所述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处理器执行的指令,所述指令用于被所述处理器执行以实现权利要求1-5任一项所述的基于神经网络的数字化机场模型构建方法。
8.一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指令,所述计算机指令用于被所述计算机执行以实现权利要求1-5任一项所述的基于神经网络的数字化机场模型构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211015870.7A CN115100266B (zh) | 2022-08-24 | 2022-08-24 | 基于神经网络的数字化机场模型构建方法、***和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211015870.7A CN115100266B (zh) | 2022-08-24 | 2022-08-24 | 基于神经网络的数字化机场模型构建方法、***和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115100266A CN115100266A (zh) | 2022-09-23 |
CN115100266B true CN115100266B (zh) | 2022-12-06 |
Family
ID=83299853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211015870.7A Active CN115100266B (zh) | 2022-08-24 | 2022-08-24 | 基于神经网络的数字化机场模型构建方法、***和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115100266B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991359A (zh) * | 2019-12-06 | 2020-04-10 | 重庆市地理信息和遥感应用中心(重庆市测绘产品质量检验测试中心) | 基于多尺度深度卷积神经网络的卫星图像目标检测方法 |
CN112287904A (zh) * | 2020-12-15 | 2021-01-29 | 北京道达天际科技有限公司 | 基于卫星影像的机场目标识别方法和装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2995850A1 (en) * | 2015-08-31 | 2017-03-09 | Ryan Kottenstette | Systems and methods for analyzing remote sensing imagery |
CN108446630B (zh) * | 2018-03-20 | 2019-12-31 | 平安科技(深圳)有限公司 | 机场跑道智能监控方法、应用服务器及计算机存储介质 |
KR102610989B1 (ko) * | 2019-12-26 | 2023-12-08 | 한국전자통신연구원 | 위성영상을 이용한 수치표면모델 생성 방법 및 장치 |
CN111814654B (zh) * | 2020-07-03 | 2023-01-24 | 南京莱斯信息技术股份有限公司 | 基于马尔可夫随机场的远程塔台视频目标挂标牌方法 |
-
2022
- 2022-08-24 CN CN202211015870.7A patent/CN115100266B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991359A (zh) * | 2019-12-06 | 2020-04-10 | 重庆市地理信息和遥感应用中心(重庆市测绘产品质量检验测试中心) | 基于多尺度深度卷积神经网络的卫星图像目标检测方法 |
CN112287904A (zh) * | 2020-12-15 | 2021-01-29 | 北京道达天际科技有限公司 | 基于卫星影像的机场目标识别方法和装置 |
Non-Patent Citations (2)
Title |
---|
基于视觉显著性和卷积神经网络的机场目标快速检测;张一民 等;《航天返回与遥感》;20210630;第42卷(第3期);第117-127段 * |
联合深度学习和条件随机场的遥感影像云检测;么嘉棋 等;《测绘科学》;20191231;第44卷(第12期);第121-127段 * |
Also Published As
Publication number | Publication date |
---|---|
CN115100266A (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200340813A1 (en) | Map feature extraction system for computer map visualizations | |
Turker et al. | Building‐based damage detection due to earthquake using the watershed segmentation of the post‐event aerial images | |
CN111626947B (zh) | 基于生成对抗网络的地图矢量化样本增强方法及*** | |
CN109359170B (zh) | 用于生成信息的方法和装置 | |
Koeva et al. | Towards innovative geospatial tools for fit-for-purpose land rights mapping | |
CN107832849B (zh) | 一种基于知识库的电力线廊道三维信息提取方法及装置 | |
CN114758337B (zh) | 一种语义实例重建方法、装置、设备及介质 | |
CN111104850B (zh) | 一种基于残差网络的遥感影像建筑物自动提取方法和*** | |
CN112906638A (zh) | 一种基于多层次监督和深度度量学习的遥感变化检测方法 | |
Su et al. | A new hierarchical moving curve-fitting algorithm for filtering lidar data for automatic DTM generation | |
CN114241326B (zh) | 一种渐进式遥感影像地物要素智能生产方法及*** | |
CN114187412B (zh) | 高精地图生成方法、装置、电子设备及存储介质 | |
CN113706931A (zh) | 空域的流控策略推荐方法、装置、电子设备及存储介质 | |
Tarsha Kurdi et al. | Automatic evaluation and improvement of roof segments for modelling missing details using Lidar data | |
CN113780175B (zh) | 高植被覆盖区台风暴雨型滑坡的遥感识别方法 | |
CN113158856B (zh) | 一种提取遥感图像中目标区域的处理方法和装置 | |
CN111832358A (zh) | 一种点云语义解析方法和装置 | |
CN115100266B (zh) | 基于神经网络的数字化机场模型构建方法、***和设备 | |
CN109657728A (zh) | 样例生产方法及模型训练方法 | |
CN117496073A (zh) | 一种多时相实景三维模型的构建方法及*** | |
CN112906648A (zh) | 一种地块中对象的分类方法、装置及电子设备 | |
CN110309237A (zh) | 一种更新地图的方法和装置 | |
CN116976115A (zh) | 面向量化分析与判断的遥感卫星应用需求仿真方法及装置 | |
CN109376638B (zh) | 一种基于遥感图像和地理信息***的文地率计算方法 | |
CN116563728A (zh) | 基于生成对抗网络的光学遥感影像去云雾方法和*** |
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 |