CN117789066B - 基于深度学习的无人机多视角影像钢轨线自动提取方法 - Google Patents
基于深度学习的无人机多视角影像钢轨线自动提取方法 Download PDFInfo
- Publication number
- CN117789066B CN117789066B CN202410204890.1A CN202410204890A CN117789066B CN 117789066 B CN117789066 B CN 117789066B CN 202410204890 A CN202410204890 A CN 202410204890A CN 117789066 B CN117789066 B CN 117789066B
- Authority
- CN
- China
- Prior art keywords
- image
- track
- small
- unmanned aerial
- aerial vehicle
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 44
- 239000010959 steel Substances 0.000 title claims abstract description 44
- 238000013135 deep learning Methods 0.000 title claims abstract description 25
- 238000000605 extraction Methods 0.000 title claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 17
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 238000013136 deep learning model Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 15
- 230000007797 corrosion Effects 0.000 claims description 7
- 238000005260 corrosion Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 abstract description 6
- 238000003709 image segmentation Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 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
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的无人机多视角影像钢轨线自动提取方法，包括获取原始的无人机影像，进行分割；将原始的无人机影像分割为小尺度图像；利用建立的深度学习模型进行图像语义分割，得到影像钢轨顶面像素点；将小尺度图像进行邻近轨道融合，对融合后的轨道进行同一性判断，对判定为同一轨道线的像素点进行直线拟合得到拟合轨道线；将得到的每个拟合轨道线进行串联，得到原始无人机影像中的最终轨道线。实现了多视角无人机影像钢轨线的自动分割提取，其精度可以达到像素级，可满足后续基于无人机影像开展既有线测绘的精度要求；通过距离阈值约束保证了轨道线同一性判定的准确度，解决了影像分割后钢轨线的语义化及实例化难题。
Description
技术领域
本发明涉及非接触式测绘技术领域，尤其涉及一种基于深度学习的无人机多视角影像钢轨线自动提取方法。
背景技术
在铁路工程勘测领域，既有线测绘一项重要工作内容。传统既有线测量方法是由作业人员利用全站仪、GPS/RTK等仪器设备到目标区域进行采集，作业效率低，人力成本高，且存在一定的安全隐患。随着软硬件设备的发展，无人机已经逐渐成为一种重要的测绘遥感数据获取手段。相比于传统大飞机航空摄影，无人机具有成本低廉、机动灵活等优势，其在城市建模、工程勘察设计中发挥了越发重要的作用。利用无人机平台搭载数码影像传感器，可以得到高分辨率影像数据，进而可以通过视觉三维重建的方法实现非接触式测量。利用无人机影像进行既有铁路的测绘，其核心工作是从影像中获取轨道的高精度的三维坐标，首先便需要从影像上精确提取轨道线。当前，无人机影像钢轨线的提取工作，主要以人机交互测量为主，存在内业工作繁重、作业效率低等问题，且作业人员的经验和素质在一定程度上影响了提取精度，进而对既有线测绘的质量造成影响。
发明内容
因此，本发明的目的在于提供一种基于深度学习的无人机多视角影像钢轨线自动提取方法，对于无人机拍摄得到的既有铁路高分辨率影像，基于深度学习进行轨道分割，对分割后的轨道像素点进行同一性判断同时进行轨道线拟合，最终从多视角无人机影像中得到完整的高精度铁路轨道线，从而为基于无人机影像的既有线高精度非接触式测绘提供技术支撑。
为了实现上述目的，本发明提供的一种基于深度学习的无人机多视角影像钢轨线自动提取方法，包括以下步骤：
步骤1、获取原始的无人机影像；
步骤2、对无人机影像进行裁剪得到小尺度图像数据集，将小尺度图像输入训练后的深度学习模型中，进行图像语义分割，得到影像钢轨顶面像素点；
步骤3、将所述小尺度图像进行邻近轨道融合，对融合后的轨道进行同一性判断，对判定为同一轨道线的像素点进行直线拟合得到拟合轨道线；
步骤4、将得到的每个拟合轨道线，进行串联，得到原始无人机影像中的最终轨道线。
进一步优选的，在步骤2中，所述深度学习模型的训练过程，包括以下步骤：
获取无人机影像历史数据，并裁剪成若干小尺度图像，并对所述小尺度图像中的钢轨目标进行标记；
利用标记后的小尺度图像对U-Net模型进行训练；得到训练后的U-Net最优模型；
将小尺度图像，使用U-Net最优模型进行图像语义分割，得到影像钢轨顶面像素点。
进一步优选的，在步骤3中，将所述小尺度图像进行邻近轨道融合，对融合后的轨道进行同一性判断，对判定为同一轨道线的像素点进行直线拟合得到拟合轨道线，包括以下步骤：
S301、将所述小尺度图像中轨道像素点间断的区域，采用膨胀腐蚀法将所述间断的区域连通；
S302、将连通后得到的轨道区域进行分组，对其中任意一组进行直线拟合，判断其他组中的像素点到拟合直线的垂直距离；当所述垂直距离小于预设阈值时，判定为所述其他组的像素点与拟合直线具备同一性，属于同一轨道线；循环迭代计算直至判定完所有分组；
S303、将判定为同一轨道线的像素点重新进行直线拟合，得到每个小尺度图像中的完整轨道线。
进一步优选的，在步骤4中，所述将得到的每个拟合轨道线，进行串联，包括以下步骤：
S401、分别计算相邻两张小尺度图像中拟合轨道线与相邻边界的交点，分别计算交点到另一小尺度图像中各轨道拟合线的垂直距离，当所述垂直距离小于判定阈值时，则判定相邻小尺度图像中的两条轨道拟合线为同一轨道；循环迭代计算直至判定完全部小尺度图像中的全部轨道线；
S402、将相邻小尺度图像中判定为同一轨道线的拟合线串联，串联方式为取两个轨道拟合线与邻接边界交点的中点进行连接，得到原始无人机影像中的最终轨道线。
本发明还提供一种基于深度学习的无人机多视角影像钢轨线自动提取***，包括：
图像获取模块，用于获取原始的无人机影像；对无人机影像进行裁剪得到小尺度图像数据集；
深度学习模型，用于将小尺度图像进行图像语义分割，得到影像钢轨顶面像素点；
轨道融合模块，用于将所述小尺度图像进行邻近轨道融合，对融合后的轨道进行同一性判断，对判定为同一轨道线的像素点进行直线拟合得到拟合轨道线；
轨道串联模块，用于将得到的每个拟合轨道线，进行串联，得到原始无人机影像中的最终轨道线。
进一步优选的，所述深度学习模型包括如下训练过程：
获取无人机影像历史数据，并裁剪成若干小尺度图像，并对所述小尺度图像中的钢轨目标进行标记；
利用标记后的小尺度图像对U-Net模型进行训练；得到训练后的U-Net最优模型；
将小尺度图像，使用U-Net最优模型进行图像语义分割，得到影像钢轨顶面像素点。
进一步优选的，所述轨道融合模块，将所述小尺度图像进行邻近轨道融合，对融合后的轨道进行同一性判断，对判定为同一轨道线的像素点进行直线拟合得到拟合轨道线时，包括：
将所述小尺度图像中轨道像素点间断的区域，采用膨胀腐蚀法将邻近的所述间断的区域连通；
将连通后得到的轨道区域进行分组，对其中任意一组进行直线拟合，判断其他组中的像素点到拟合直线的垂直距离；当所述垂直距离小于预设阈值时，判定为所述其他组的像素点与拟合直线具备同一性，属于同一轨道线；循环迭代计算直至判定完所有分组；
将判定为同一轨道线的像素点重新进行直线拟合，得到每个小尺度图像中的完整轨道线。
进一步优选的，所述轨道串联模块，将得到的每个拟合轨道线，进行串联，包括：
分别计算相邻两张小尺度图像中拟合轨道线与相邻边界的交点，分别计算交点到另一小尺度图像中各轨道拟合线的垂直距离，当所述垂直距离小于判定阈值时，则判定相邻小尺度图像中的两条轨道拟合线为同一轨道；循环迭代计算直至判定完全部小尺度图像中的全部轨道线；
将相邻小尺度图像中判定为同一轨道线的拟合线串联，串联方式为取两个轨道拟合线与邻接边界交点的中点进行连接，得到原始无人机影像中的最终轨道线。
本发明还提供一种电子设备，包括处理器和存储器，所述存储器，用于存储所述处理器可执行指令；所述处理器用于执行存储的指令，实现上述基于深度学习的无人机多视角影像钢轨线自动提取方法的步骤。
本发明还提供一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述基于深度学习的无人机多视角影像钢轨线自动提取方法的步骤。
本申请公开的基于深度学习的无人机多视角影像钢轨线自动提取方法及***，相比于现有技术，至少具有以下优点：
1、本发明采用深度学习计算模型，实现了多视角无人机影像钢轨线的自动分割提取，其精度可以达到像素级，可满足后续基于无人机影像开展既有线测绘的精度要求。
2、通过循环迭代计算待判定像素点到轨道拟合线的垂直距离，通过距离阈值约束保证了轨道线同一性判定的准确度，解决了影像分割后钢轨线的语义化及实例化难题。
3本发明形成了一套完整的无人机多视角影像自动提取方法，减少了人工从无人机影像上量测轨道线的工作量，提升了基于无人机影像开展既有铁路测绘的效率和经济性，具有较强的实际应用和推广价值。
附图说明
图1为本发明提供的基于深度学习的无人机多视角影像钢轨线自动提取方法的流程框图。
图2为实施例1中邻近轨道融合前后对比示意图。
图3为实施例2中其中一条轨道同一性判断示意图。
图4为实施例2中另一条轨道同一性判断示意图。
图5为同一轨道线拟合示意图。
图6 为相邻图片邻接边界示意图。
图7 为邻接图片中轨道同一性判断原理图。
图8为邻接图片中轨道拟合线串联方式。
具体实施方式
以下通过附图和具体实施方式对本发明作进一步的详细说明。
如图所示，本发明一方面实施例提供的一种基于深度学习的无人机多视角影像钢轨线自动提取方法，其特征在于，包括以下步骤：
步骤1、获取原始的无人机影像；包括：1) 实时的原始无人机影像；2) 历史获取的原始无人机影像，其中历史获取的原始无人机影像用于模型训练的数据集；
步骤2，对无人机影像进行裁剪得到小尺度图像数据集，将小尺度图像输入训练后的深度学习模型中，进行图像语义分割，得到影像钢轨顶面像素点；
首先对无人机影像进行预处理得到可以用于模型训练的数据集，然后选择U-Net算法进行模型训练，使用最优模型对无人机影像进行图像分割。具体方法如下：
步骤2.1 数据集预处理。将无人机影像裁剪成若干尺度大小为1024*1024的图片，并对这些小尺度图像中的钢轨目标进行打标签；
步骤2.2 U-Net模型训练。将步骤2.1中处理好的数据集输入U-Net网络进行训练，选取其中效果最优的模型；
步骤2.3 小尺度图像模型分割预测。将需要预测的小尺度图像送入U-Net最优模型，检测输出结果为包含轨道语义信息的钢轨顶面像素点。
步骤3，小尺度图像轨道线拟合。将所述小尺度图像进行邻近轨道融合，对融合后的轨道进行同一性判断，对判定为同一轨道线的像素点进行直线拟合得到拟合轨道线
首先对步骤2中输出的小尺度图像中轨道的像素点进行邻近轨道融合，然后对剩余轨道段进行分组，通过判断各轨道之间距离进行轨道同一性判断，最后对判定为同一轨道线的像素点进行直线拟合得到拟合轨道线。具体方法如下：
步骤301、将所述小尺度图像中轨道像素点间断的区域，采用膨胀腐蚀法将邻近的轨道区域连通。对于步骤2.3输出的小尺度图像，对于轨道的像素点由于分割精度原因导致轨道像素点并非是连续区域，采用膨胀腐蚀的操作将不连续区域连通，如图2所示；
步骤302、 将连通后得到的轨道区域进行分组，对其中任意一组进行直线拟合，判断其他组中的像素点到拟合直线的垂直距离；当所述垂直距离小于预设阈值时，判定为所述其他组的像素点与拟合直线具备同一性，属于同一轨道线；循环迭代计算直至判定完所有分组。
首先将经过步骤301后得到的轨道区域进行分组，然后依次对其中一组进行直线拟合，判断其他组中像素点到该拟合线的垂直距离，当距离小于判定阈值时，则判定为同一轨道线，通过循环迭代计算直至判定完所有分组。如图3所示，其中l1和l2分别表示对其中一组进行直线拟合，d1,d2,d3,d4分别表示其他各组中的像素点到拟合线l1的垂直距离，如图4所示，d5,d6,d7,d8分别表示其他各组中的像素点到拟合线l2的垂直距离；
步骤303、将判定为同一轨道线的像素点重新进行直线拟合，得到每个小尺度图像中的完整轨道线。
将步骤302判定为同一轨道线的像素点重新进行直线拟合，得到小尺度图像中的完整轨道线，如图5所示，l1和l2表示小尺度图像中的轨道拟合线。
步骤4，将得到的每个拟合轨道线，进行串联，包括以下步骤：
S401、分别计算相邻两张小尺度图像中拟合轨道线与相邻边界的交点，分别计算交点到另一小尺度图像中各轨道拟合线的垂直距离，当所述垂直距离小于判定阈值时，则判定相邻小尺度图像中的两条轨道拟合线为同一轨道；循环迭代计算直至判定完全部小尺度图像中的全部轨道线；
S402、将相邻小尺度图像中判定为同一轨道线的拟合线串联，串联方式为取两个轨道拟合线与邻接边界交点的中点进行连接，得到原始无人机影像中的最终轨道线。具体方法如下：
如图6所示，其中l1和l2表示小尺度图像中的两条轨道拟合线，l3和l4表示其邻接图片中的轨道拟合线，与邻接边界的交点分别为p1、p2、p3、p4，分别计算交点到另一小尺度图像中各轨道拟合线的垂直距离，当距离小于判定阈值时，则判定相邻小尺度图像中的两条轨道拟合线为同一轨道，如图7所示，其中d11和d12分别表示交点p3到拟合线l1和l2的垂直距离，d13和d14分别表示交点p4到拟合线l1和l2的垂直距离，通过循环迭代计算直至判定完全部小尺度图像中的全部轨道线；
根据得到的全部相邻小尺度图像中轨道线的同一性关系，将相邻小尺度图像中判定为同一轨道线的拟合线串联，串联方式为取两个轨道拟合线与邻接边界交点的中点进行连接，得到原始无人机影像中的最终轨道线。如图8所示，其中，l1 ’、l2 ’、l3 ’、l4 ’分别为串联后的轨道拟合线。
本发明还提供一种基于深度学习的无人机多视角影像钢轨线自动提取***，包括：
图像获取模块，用于获取原始的无人机影像；对无人机影像进行裁剪得到小尺度图像数据集；
深度学习模型，将小尺度图像进行图像语义分割，得到影像钢轨顶面像素点；
轨道融合模块，用于将所述小尺度图像进行邻近轨道融合，对融合后的轨道进行同一性判断，对判定为同一轨道线的像素点进行直线拟合得到拟合轨道线；
轨道串联模块，用于将得到的每个拟合轨道线，进行串联，得到原始无人机影像中的最终轨道线。
进一步优选的，所述深度学习模型包括如下训练过程：
获取无人机影像历史数据，并裁剪成若干小尺度图像，并对所述小尺度图像中的钢轨目标进行标记；
利用标记后的小尺度图像对U-Net模型进行训练；得到训练后的U-Net最优模型；
将小尺度图像，使用U-Net最优模型进行图像语义分割，得到影像钢轨顶面像素点。
进一步优选的，所述轨道融合模块，将所述小尺度图像进行邻近轨道融合，对融合后的轨道进行同一性判断，对判定为同一轨道线的像素点进行直线拟合得到拟合轨道线时，包括：
将所述小尺度图像中轨道像素点间断的区域，采用膨胀腐蚀法将邻近的轨道区域连通；
将连通后得到的轨道区域进行分组，对其中任意一组进行直线拟合，判断其他组中的像素点到拟合直线的垂直距离；当所述垂直距离小于预设阈值时，判定为所述其他组的像素点与拟合直线具备同一性，属于同一轨道线；循环迭代计算直至判定完所有分组；
将判定为同一轨道线的像素点重新进行直线拟合，得到每个小尺度图像中的完整轨道线。
进一步优选的，所述轨道串联模块，将得到的每个拟合轨道线，进行串联，包括：
分别计算相邻两张小尺度图像中拟合轨道线与相邻边界的交点，分别计算交点到另一小尺度图像中各轨道拟合线的垂直距离，当所述垂直距离小于判定阈值时，则判定相邻小尺度图像中的两条轨道拟合线为同一轨道；循环迭代计算直至判定完全部小尺度图像中的全部轨道线；
将相邻小尺度图像中判定为同一轨道线的拟合线串联，串联方式为取两个轨道拟合线与邻接边界交点的中点进行连接，得到原始无人机影像中的最终轨道线。
本发明还提供一种电子设备，包括处理器和存储器，所述存储器，用于存储所述处理器可执行指令；所述处理器用于执行存储的指令，实现上述基于深度学习的无人机多视角影像钢轨线自动提取方法的步骤。
本发明还提供一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述基于深度学习的无人机多视角影像钢轨线自动提取方法的步骤。
显然，上述实施例仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (8)
1.一种基于深度学习的无人机多视角影像钢轨线自动提取方法，其特征在于，包括以下步骤：
步骤1、获取原始的无人机影像；
步骤2、对无人机影像进行裁剪,得到小尺度图像数据集，将小尺度图像输入训练后的深度学习模型中，进行图像语义分割，得到影像钢轨顶面像素点；
步骤3、将所述小尺度图像进行邻近轨道融合，对融合后的轨道进行同一性判断，包括以下步骤：
S301、将所述小尺度图像中轨道像素点间断的区域，采用膨胀腐蚀法将所述间断的区域连通；
S302、将连通后得到的轨道区域进行分组，对其中任意一组进行直线拟合，判断其他组中的像素点到拟合直线的垂直距离；当所述垂直距离小于预设阈值时，判定为所述其他组的像素点与拟合直线具备同一性，属于同一轨道线；循环迭代计算直至判定完所有分组；
S303、将判定为同一轨道线的像素点重新进行直线拟合，得到每个小尺度图像中的完整轨道线；
对判定为同一轨道线的像素点进行直线拟合,得到拟合轨道线；
步骤4、将得到的每个拟合轨道线进行串联，得到原始无人机影像中的最终轨道线。
2.根据权利要求1所述的基于深度学习的无人机多视角影像钢轨线自动提取方法，其特征在于，在步骤2中，所述深度学习模型的训练过程，包括以下步骤：
获取无人机影像历史数据，并裁剪成若干小尺度图像，并对所述小尺度图像中的钢轨目标进行标记；
利用标记后的小尺度图像对U-Net模型进行训练；得到训练后的U-Net最优模型；
将小尺度图像，使用U-Net最优模型进行图像语义分割，得到影像钢轨顶面像素点。
3.根据权利要求1所述的基于深度学习的无人机多视角影像钢轨线自动提取方法，其特征在于，在步骤4中，所述将得到的每个拟合轨道线，进行串联，包括以下步骤：
S401、分别计算相邻两张小尺度图像中拟合轨道线与相邻边界的交点，分别计算交点到另一小尺度图像中各轨道拟合线的垂直距离，当所述垂直距离小于判定阈值时，则判定相邻小尺度图像中的两条轨道拟合线为同一轨道；循环迭代计算直至判定完全部小尺度图像中的全部轨道线；
S402、将相邻小尺度图像中判定为同一轨道线的拟合线串联，串联方式为取两个轨道拟合线与邻接边界交点的中点进行连接，得到原始无人机影像中的最终轨道线。
4.一种基于深度学习的无人机多视角影像钢轨线自动提取***，其特征在于，包括：
图像获取模块，用于获取原始的无人机影像；对无人机影像进行裁剪得到小尺度图像数据集；
深度学习模型，用于将小尺度图像进行图像语义分割，得到影像钢轨顶面像素点；
轨道融合模块，用于将所述小尺度图像进行邻近轨道融合，对融合后的轨道进行同一性判断，包括：将所述小尺度图像中轨道像素点间断的区域，采用膨胀腐蚀法将邻近的所述间断的区域连通；
将连通后得到的轨道区域进行分组，对其中任意一组进行直线拟合，判断其他组中的像素点到拟合直线的垂直距离；当所述垂直距离小于预设阈值时，判定为所述其他组的像素点与拟合直线具备同一性，属于同一轨道线；循环迭代计算直至判定完所有分组；
将判定为同一轨道线的像素点重新进行直线拟合，得到每个小尺度图像中的完整轨道线；
对判定为同一轨道线的像素点进行直线拟合得到拟合轨道线；
轨道串联模块，用于将得到的每个拟合轨道线，进行串联，得到原始无人机影像中的最终轨道线。
5.根据权利要求4所述的基于深度学习的无人机多视角影像钢轨线自动提取***，其特征在于，所述深度学习模型包括如下训练过程：
获取无人机影像历史数据，并裁剪成若干小尺度图像，并对所述小尺度图像中的钢轨目标进行标记；
利用标记后的小尺度图像对U-Net模型进行训练；得到训练后的U-Net最优模型；
将小尺度图像，使用U-Net最优模型进行图像语义分割，得到影像钢轨顶面像素点。
6.根据权利要求4所述的基于深度学习的无人机多视角影像钢轨线自动提取***，其特征在于，所述轨道串联模块，将得到的每个拟合轨道线，进行串联，包括：
分别计算相邻两张小尺度图像中拟合轨道线与相邻边界的交点，分别计算交点到另一小尺度图像中各轨道拟合线的垂直距离，当所述垂直距离小于判定阈值时，则判定相邻小尺度图像中的两条轨道拟合线为同一轨道；循环迭代计算直至判定完全部小尺度图像中的全部轨道线；
将相邻小尺度图像中判定为同一轨道线的拟合线串联，串联方式为取两个轨道拟合线与邻接边界交点的中点进行连接，得到原始无人机影像中的最终轨道线。
7.一种电子设备，其特征在于，包括处理器和存储器，所述存储器，用于存储所述处理器可执行指令；所述处理器用于执行存储的指令，实现上述权利要求1-3中任一项所述的基于深度学习的无人机多视角影像钢轨线自动提取方法的步骤。
8.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-3中任一项所述基于深度学习的无人机多视角影像钢轨线自动提取方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410204890.1A CN117789066B (zh) | 2024-02-26 | 2024-02-26 | 基于深度学习的无人机多视角影像钢轨线自动提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410204890.1A CN117789066B (zh) | 2024-02-26 | 2024-02-26 | 基于深度学习的无人机多视角影像钢轨线自动提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117789066A CN117789066A (zh) | 2024-03-29 |
| CN117789066B true CN117789066B (zh) | 2024-05-28 |
Family
ID=90381987
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410204890.1A Active CN117789066B (zh) | 2024-02-26 | 2024-02-26 | 基于深度学习的无人机多视角影像钢轨线自动提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117789066B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113155098A (zh) * | 2021-04-20 | 2021-07-23 | 中国铁路设计集团有限公司 | 基于无人机多视角影像的既有铁路轨道线高精度三维重建方法 |
| CN114898204A (zh) * | 2022-03-03 | 2022-08-12 | 中国铁路设计集团有限公司 | 一种基于深度学习的轨道交通周边危险源检测方法 |
| CN116012728A (zh) * | 2023-02-07 | 2023-04-25 | 北京交通大学 | 应用于无人机巡检的轨道线路识别跟踪方法及*** |
| CN116030252A (zh) * | 2023-01-06 | 2023-04-28 | 陕西师范大学 | 融合边缘信息的模糊迭代sar图像超像素分割方法 |
| CN117011413A (zh) * | 2023-09-28 | 2023-11-07 | 腾讯科技（深圳）有限公司 | 道路图像重建方法、装置、计算机设备和存储介质 |
-
2024
- 2024-02-26 CN CN202410204890.1A patent/CN117789066B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113155098A (zh) * | 2021-04-20 | 2021-07-23 | 中国铁路设计集团有限公司 | 基于无人机多视角影像的既有铁路轨道线高精度三维重建方法 |
| CN114898204A (zh) * | 2022-03-03 | 2022-08-12 | 中国铁路设计集团有限公司 | 一种基于深度学习的轨道交通周边危险源检测方法 |
| CN116030252A (zh) * | 2023-01-06 | 2023-04-28 | 陕西师范大学 | 融合边缘信息的模糊迭代sar图像超像素分割方法 |
| CN116012728A (zh) * | 2023-02-07 | 2023-04-25 | 北京交通大学 | 应用于无人机巡检的轨道线路识别跟踪方法及*** |
| CN117011413A (zh) * | 2023-09-28 | 2023-11-07 | 腾讯科技（深圳）有限公司 | 道路图像重建方法、装置、计算机设备和存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| A Method Combining Line Detection and Semantic Segmentation for Power Line Extraction from Unmanned Aerial Vehicle Images;wenbo zhao，et al.;remote sensing;20220311;全文 * |
| 一种基于无人机摄影的高精度图车道线检测与提取方法;吕可晶，严虹;重庆大学学报;20220831;第45卷(第8期);全文 * |
| 无人机倾斜摄影铁路轨道线高精度自动重建;王广帅;测绘通报;20221231;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117789066A (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111486855B (zh) | 一种具有物体导航点的室内二维语义栅格地图构建方法 | |
| CN109285220B (zh) | 一种三维场景地图的生成方法、装置、设备及存储介质 | |
| CN108318043B (zh) | 用于更新电子地图的方法、装置和计算机可读存储介质 | |
| CN109470254B (zh) | 地图车道线的生成方法、装置、***及存储介质 | |
| CN107402001B (zh) | 基于3d扫描的超高层建筑施工偏差数字化检验***及方法 | |
| CN102506824B (zh) | 一种城市低空无人机***生成数字正射影像图的方法 | |
| JP6975513B2 (ja) | カメラベースの自動化された高精度道路地図の生成システム及び方法 | |
| CN109685886A (zh) | 一种基于混合现实技术的配网三维场景建模方法 | |
| CN103605978A (zh) | 基于三维实景数据的城市违章建筑识别***及方法 | |
| CN112419512B (zh) | 一种基于语义信息的空中三维模型修复***及方法 | |
| CN112432650B (zh) | 高精地图数据的获取方法、车辆控制方法以及设备 | |
| CN102224523B (zh) | 立体匹配处理***、立体匹配处理方法和记录媒介 | |
| CN114547866B (zh) | 基于bim-无人机-机械狗的预制构件智能检测方法 | |
| CN114494618A (zh) | 地图的生成方法、装置、电子设备及存储介质 | |
| CN116630267A (zh) | 基于无人机与激光雷达数据融合的路基沉降监测方法 | |
| Jiang et al. | Low–high orthoimage pairs-based 3D reconstruction for elevation determination using drone | |
| CN109727255B (zh) | 一种建筑物三维模型分割方法 | |
| CN114663473A (zh) | 基于多视角信息融合的人员目标定位与追踪方法及*** | |
| CN117789066B (zh) | 基于深度学习的无人机多视角影像钢轨线自动提取方法 | |
| CN111754388B (zh) | 一种建图方法及车载终端 | |
| CN110174115B (zh) | 一种基于感知数据自动生成高精度定位地图的方法及装置 | |
| CN110544201A (zh) | 一种车载激光扫描点云的大范围拼接方法及装置 | |
| CN116051742A (zh) | 一种基于倾斜摄影数据与点云数据融合的建模方法及*** | |
| CN113781639B (zh) | 一种大场景道路基础设施数字化模型快速构建方法 | |
| CN115421486A (zh) | 返航控制方法、装置、计算机可读介质及自移动设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |