卷積神經(jīng)網(wǎng)絡(luò)航空影像城市建筑物分割

以高分一號(hào)衛(wèi)星遙感影像為數(shù)據(jù)源,引入形態(tài)學(xué)算法,研究采用面向?qū)ο蟮挠跋穹诸惙椒ㄟM(jìn)行城市建筑物提取的關(guān)鍵技術(shù)。研究方法結(jié)合影像分割與基于知識(shí)規(guī)則的影像分類技術(shù),首先采用基于形態(tài)學(xué)開閉重建的分水嶺分割算法對(duì)高分影像進(jìn)行分割,其次采用基于知識(shí)規(guī)則的svm分類方法對(duì)影像進(jìn)行分類,達(dá)到提取建筑物的目的。結(jié)果顯示,3個(gè)研究區(qū)建筑物提取的kappa系數(shù)分別為0.85、0.66和0.65,利用基于知識(shí)規(guī)則的面向?qū)ο蠓诸惙椒▽?duì)高分辨率遙感影像中建筑物的提取效果較好,能夠完整、準(zhǔn)確地提取出建筑物外形信息,具有較高的應(yīng)用與推廣價(jià)值。

為了從高分辨率遙感圖像中完整提取建筑物區(qū)域,采用區(qū)域分割的原理,研究了建筑物自動(dòng)檢測(cè)的方法。該方法首先利用利用k-mean分類方法將地物分為兩類:人工地物類和非人工地物類,然后利用陰影、meanshift分割信息來(lái)剔除人工地物類中干擾區(qū)域,再根據(jù)形狀分析來(lái)確定真實(shí)的建筑物區(qū)域。本文用上述方法對(duì)高分辨率航空影像進(jìn)行了實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果證明了該方法有著較高的識(shí)別率、較好的準(zhǔn)確性和魯棒性,具有實(shí)用價(jià)值。

彩色航空影像中的建筑物陰影提取

針對(duì)日益嚴(yán)峻的停車難問(wèn)題,提出一種基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)停車場(chǎng)空車位檢測(cè)方法。首先,根據(jù)車位只需用兩種狀態(tài)來(lái)表示其占空的特點(diǎn),對(duì)傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn),提出迷你卷積神經(jīng)網(wǎng)絡(luò)(mcnn)的概念;然后,通過(guò)減少網(wǎng)絡(luò)參數(shù)來(lái)減少訓(xùn)練和識(shí)別時(shí)間,并在網(wǎng)絡(luò)中加入局部響應(yīng)歸一化層以加強(qiáng)對(duì)明度的校正,以及使用小卷積核來(lái)獲取更多圖像細(xì)節(jié);最后,對(duì)視頻幀圖進(jìn)行手動(dòng)掩碼設(shè)置,通過(guò)邊緣檢測(cè)切割成單個(gè)車位圖,并使用訓(xùn)練好的mcnn進(jìn)行車位識(shí)別。實(shí)驗(yàn)結(jié)果表明,與傳統(tǒng)機(jī)器學(xué)習(xí)方式相比,基于mcnn的檢測(cè)方法識(shí)別率能提高3~8個(gè)百分點(diǎn),同時(shí)網(wǎng)絡(luò)參數(shù)僅為常規(guī)使用卷積模型的1/1000,且在文中所述的幾種不同環(huán)境中,識(shí)別率的均保持在92%以上。實(shí)驗(yàn)結(jié)果表明,mcnn可移植到低配置攝像頭,實(shí)現(xiàn)停車場(chǎng)空車位自動(dòng)檢測(cè)。

在低分辨率城市航空影像中建筑群由于陰影的存在造成其灰度呈現(xiàn)明暗變化,采用基于像素級(jí)的分割方法以及閾值分割方法均不能得到好的結(jié)果。為了充分利用這種明暗變化的信息,討論了一種以圖像子塊灰度的標(biāo)準(zhǔn)差和直方圖的熵作為特征矢量,采用基于模糊c-均值(fcm)的分塊聚類方法用于建筑群的粗略分割,由于分塊有重疊,造成邊界塊的歸屬不明確,因此根據(jù)包含邊界塊的子塊的隸屬度來(lái)確定邊界塊的歸屬,從而得到了正確的邊界區(qū)域,并利用區(qū)域生長(zhǎng)和閉合運(yùn)算對(duì)邊界進(jìn)行細(xì)化。對(duì)實(shí)際圖像進(jìn)行實(shí)驗(yàn)結(jié)果表明,該方法是有效的。

softwareengineeringandapplications軟件工程與應(yīng)用,2018,7(6),273-282 publishedonlinedecember2018inhans.http://www.hanspub.org/journal/sea https://doi.org/10.12677/sea.2018.76031 文章引用:熊輝,梁培鋒,黃俊健,胡敏.基于卷積神經(jīng)網(wǎng)絡(luò)的高樓外墻裂縫檢測(cè)系統(tǒng)[j].軟件工程與應(yīng)用,2018,7(6): 273-282.doi:10.12677/sea.2018.76031 convolutionneuralnetwork-basedsystem fordetectingcracksonexteriorwall huixiong1,2*,peife

建筑節(jié)能是當(dāng)今城市建設(shè)和社會(huì)發(fā)展的前沿和研究熱點(diǎn),對(duì)建筑的能耗現(xiàn)狀進(jìn)行綜合分析與評(píng)估是進(jìn)行節(jié)能改造或節(jié)能設(shè)計(jì)的前提和基礎(chǔ),而建立反映能耗變化的預(yù)測(cè)模型是從宏觀尺度上分析認(rèn)識(shí)建筑能耗變化與發(fā)展特性、為公共建筑節(jié)能工作提供決策依據(jù)的有效途徑和重要手段。研究針對(duì)常規(guī)bp網(wǎng)絡(luò)算法收斂速度慢、易陷入局部最小點(diǎn)的缺點(diǎn),采用了具有較快收斂速度及穩(wěn)定性的lm算法進(jìn)行預(yù)測(cè),構(gòu)造了基于bp神經(jīng)網(wǎng)絡(luò)的建筑物用電量預(yù)測(cè)模型。以某市公共建筑原始用電能耗統(tǒng)計(jì)數(shù)據(jù)作為樣本,并采用matlab對(duì)預(yù)測(cè)模型進(jìn)行了仿真預(yù)測(cè)。結(jié)果顯示:誤差在允許范圍內(nèi)。

根據(jù)建筑物實(shí)測(cè)沉降利用人工神經(jīng)網(wǎng)絡(luò)理論,建立了前饋網(wǎng)絡(luò)預(yù)測(cè)模型并提出新的學(xué)習(xí)算法,結(jié)合某建筑物糾偏工程實(shí)例對(duì)建筑物沉降進(jìn)行了預(yù)測(cè).預(yù)測(cè)結(jié)果表明神經(jīng)網(wǎng)絡(luò)方法是可行且有效的.

建筑物沉降的誘因與沉降量之間有一個(gè)復(fù)雜的非線性相關(guān)性,應(yīng)用回歸法對(duì)這種復(fù)雜的相關(guān)性進(jìn)行分析有較大的局限性。人工神經(jīng)網(wǎng)絡(luò)是由許多神經(jīng)元組成的大規(guī)模非線性系統(tǒng),具有較強(qiáng)的動(dòng)態(tài)處理能力,能對(duì)簡(jiǎn)單的非線性函數(shù)進(jìn)行多次復(fù)合,來(lái)實(shí)現(xiàn)一個(gè)復(fù)雜的非線性函數(shù)。神經(jīng)網(wǎng)絡(luò)這些特性滿足建筑物沉降分析的需求。實(shí)例表明,應(yīng)用神經(jīng)網(wǎng)絡(luò)bp算法可以對(duì)建筑物沉降原因進(jìn)行更客觀的分析,對(duì)沉降趨勢(shì)預(yù)測(cè)效果也較好。

在我們應(yīng)用回歸方法對(duì)建筑物沉降原因分析及沉降趨勢(shì)的預(yù)測(cè)中,由于實(shí)際情況的復(fù)雜性及主觀認(rèn)識(shí)的局限性,這樣所得的結(jié)果含有較多的人為因素,可能會(huì)與實(shí)際情況有所差異。針對(duì)這種情況,討論了應(yīng)用神經(jīng)網(wǎng)絡(luò)方法來(lái)發(fā)現(xiàn)和驗(yàn)證引起建筑物沉降的因素及對(duì)沉降趨勢(shì)的預(yù)測(cè)。實(shí)例表明,該方法能取得較好的效果。

為解決建筑物基礎(chǔ)沉降量的安全監(jiān)測(cè)問(wèn)題,對(duì)其進(jìn)行有效的預(yù)測(cè)、校核與分析,運(yùn)用matlab軟件建立徑向基神經(jīng)網(wǎng)絡(luò)模型對(duì)某市建筑物的基礎(chǔ)沉降量進(jìn)行預(yù)測(cè).結(jié)果表明:徑向基神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)形式簡(jiǎn)易,適應(yīng)能力更強(qiáng),預(yù)測(cè)誤差比bp網(wǎng)絡(luò)小,平均約為66.83%,達(dá)到預(yù)測(cè)精準(zhǔn)度所需的耗時(shí)短、收斂速度更快.徑向基神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果與實(shí)測(cè)結(jié)果較為吻合,表明徑向基神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型適用于建筑工程沉降預(yù)測(cè)領(lǐng)域之中.

提出基于人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)最終沉降的預(yù)測(cè)新方法,通過(guò)工程實(shí)例應(yīng)用,在較短的實(shí)測(cè)資料情況下,可獲得較小誤差的最終沉降量,所建立的模型預(yù)測(cè)精度高。

將粗糙粗集理論和神經(jīng)網(wǎng)絡(luò)原理結(jié)合起來(lái),建立了基于粗集-神經(jīng)網(wǎng)絡(luò)的建筑物震害預(yù)測(cè)模型。首先運(yùn)用粗糙集理論,根據(jù)原始樣本建立決策表進(jìn)行屬性離散化、屬性重要性排序、屬性約簡(jiǎn)和分類規(guī)則的提取;然后將所提取的關(guān)鍵成分作為神經(jīng)網(wǎng)絡(luò)的輸入訓(xùn)練模型。實(shí)例研究表明,基于粗集-神經(jīng)網(wǎng)絡(luò)的多層磚房震害預(yù)測(cè)結(jié)果與實(shí)際震害基本吻合。該模型簡(jiǎn)化了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),提高了訓(xùn)練速度和分類精度,還能對(duì)各因素對(duì)房屋震害的影響度進(jìn)行分析。

介紹了基于matlab的徑向基函數(shù)rbf神經(jīng)網(wǎng)絡(luò)對(duì)于建筑物沉降預(yù)測(cè)的方法,討論了rbf神經(jīng)網(wǎng)絡(luò)的構(gòu)造思路、參數(shù)和分布密度spread的選擇。為建筑物變形監(jiān)測(cè)人員的數(shù)據(jù)分析、變形預(yù)測(cè)提供了一個(gè)可行的概念。

基于人工神經(jīng)網(wǎng)絡(luò)強(qiáng)大的動(dòng)態(tài)數(shù)據(jù)處理能力和學(xué)習(xí)能力，本文對(duì)應(yīng)用bp神經(jīng)網(wǎng)進(jìn)行建筑物沉降預(yù)測(cè)的方法進(jìn)行了初步探討，并通過(guò)實(shí)例分析了該方法的可行性和實(shí)用性。

提出了根據(jù)實(shí)測(cè)數(shù)據(jù)構(gòu)造神經(jīng)網(wǎng)絡(luò)變形預(yù)測(cè)模型的基本思路,構(gòu)造出基于bp算法的神經(jīng)網(wǎng)絡(luò)變形預(yù)測(cè)模型,并給出應(yīng)用實(shí)例分析。結(jié)果表明,神經(jīng)網(wǎng)絡(luò)應(yīng)用于變形預(yù)測(cè)效果良好,具有一定參考價(jià)值和指導(dǎo)意義。

傳統(tǒng)的遙感影像目標(biāo)檢測(cè)方法大多利用人工提取特征,難以用于背景復(fù)雜的高分辨率遙感影像。以高分辨率遙感影像建筑物圖像為研究對(duì)象,設(shè)計(jì)了一種基于lvq神經(jīng)網(wǎng)絡(luò)的建筑物提取方法。對(duì)圖像提取其顏色、紋理與形狀特征,構(gòu)成圖像特征矢量并將其特征歸一化,利用lvq神經(jīng)網(wǎng)絡(luò)識(shí)別并提取出建筑物。通過(guò)與其它典型神經(jīng)網(wǎng)絡(luò)識(shí)別方法進(jìn)行實(shí)驗(yàn)比較,結(jié)果表明該算法相對(duì)于單層感知器識(shí)別率提高了10.0%,比bp神經(jīng)網(wǎng)絡(luò)識(shí)別率提高了22.5%,能取得更理想的提取效果。

在對(duì)航空影像中的建筑物進(jìn)行識(shí)別提取時(shí),建筑物頂部的輪廓信息是一個(gè)重要的判斷依據(jù)?；诤娇沼跋窠ㄖ飩€(gè)數(shù)繁多、形狀復(fù)雜,且存在較多的干擾信息,提出一種新穎有效的建筑物識(shí)別方法:首先,利用改進(jìn)標(biāo)記分水嶺算法提取建筑物區(qū)域。然后,對(duì)每個(gè)分割得到的建筑物區(qū)域,提取其輪廓,對(duì)輪廓進(jìn)行基于平穩(wěn)小波變換的仿射不變量計(jì)算,并構(gòu)造建筑物模型數(shù)據(jù)庫(kù),利用相關(guān)系數(shù)實(shí)現(xiàn)了建筑物的有效識(shí)別。

用vb編制了人工神經(jīng)網(wǎng)絡(luò)的通用bp算法程序。根據(jù)西安參考年氣象參數(shù),采用動(dòng)態(tài)模擬程序計(jì)算了某辦公樓4月至9月逐時(shí)冷負(fù)荷,結(jié)果顯示利用神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值與計(jì)算值吻合。

用航空遙感圖像評(píng)價(jià)晉城市建筑物現(xiàn)狀的方法研究

介紹灰色神經(jīng)網(wǎng)絡(luò)模型的建模原理和方法,并采用該模型對(duì)實(shí)際的監(jiān)測(cè)數(shù)據(jù)進(jìn)行處理和分析。結(jié)果表明,灰色神經(jīng)網(wǎng)絡(luò)模型能夠在小樣本、貧信息和波動(dòng)數(shù)據(jù)序列等情況下對(duì)變形監(jiān)測(cè)數(shù)據(jù)做出比較準(zhǔn)確的模擬和預(yù)報(bào),從而能夠?yàn)樽冃伪O(jiān)測(cè)的數(shù)據(jù)處理提供一種較好的方法,能夠滿足實(shí)際應(yīng)用的需求。

提出采用模糊處理與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，有效地實(shí)現(xiàn)對(duì)建筑物變形的短期預(yù)測(cè)，并用實(shí)例加以驗(yàn)證說(shuō)明。