一种自动发现新建建筑物识别的方法技术

本发明专利技术涉及人工智能图像识别技术领域，具体涉及一种自动发现新建建筑物识别的方法，包括采集图像，并对图像进行标注，得到标注图像，对标注图像进行划分，得到训练集和测试集，构建遥感变化检测模型，使用训练集和测试集对遥感变化检测模型进行训练和测试，得到最终模型，将待检测的图片输入最终模型，得到建筑物变化检测图片，对需要甄别的建筑物进行图像采集，并对需要甄别的地方进行标注，并进行划分，通过训练集和测试集对遥感变化检测模型进行训练和测试，得到最终模型，通过最终模型对图像进行甄别，检测数据符合新建建筑物条件时，发出预警提醒，从而解决了现有的新建建筑物不便于甄别的问题。便于甄别的问题。便于甄别的问题。

【技术实现步骤摘要】
一种自动发现新建建筑物识别的方法


[0001]本专利技术涉及人工智能图像识别
，尤其涉及一种自动发现新建建筑物识别的方法。

技术介绍

[0002][0003]新建建筑物，指在土地地块上新修建建筑物的行为。在违章建筑整治方面往往难以发现建筑是否是新增的，如果提前发现新修建的建筑物，那么可以查询知晓是否有相关备案手续，进而发现是否是违章建筑，从而改善违章建筑整治。

技术实现思路

[0004]本专利技术的目的在于提供一种自动发现新建建筑物识别的方法，旨在解决现有的新建建筑物不便于甄别的问题。
[0005]为实现上述目的，本专利技术提供了一种自动发现新建建筑物识别的方法，包括一下步骤：
[0006]采集图像，并对所述图像进行标注，得到标注图像；
[0007]对所述标注图像进行划分，得到训练集和测试集；
[0008]构建遥感变化检测模型；
[0009]使用所述训练集和所述测试集对所述遥感变化检测模型进行训练和测试，得到最终模型；
[0010]将待检测的图片输入所述最终模型，得到建筑物变化检测图片。
[0011]其中，所述采集图像，并对图像进行标注，得到标注图像的具体方式为：
[0012]采集图像；
[0013]对所述图像进行标注，得到标注数据；
[0014]对所述标注数据进行重建，得到标注图像。
[0015]其中，所述使用所述训练集和所述测试集对所述遥感变化检测模型进行训练和测试，得到最终模型的具体方式为：
[0016]使用所述训练集对所述遥感变化检测模型进行训练，得到训练模型；
[0017]使用所述测试集对所述训练模型进行测试，测试通过，得到最终模型。
[0018]其中，所述将待检测的图片输入所述最终模型，得到建筑物变化检测图片的具体方式为：
[0019]对待检测图片进行切片，得到切片图片；
[0020]将所述切片图片输入所述最终模型，得到建筑物检测图片。
[0021]其中，在步骤将待检测的图片输入所述最终模型，得到建筑物变化检测图片之后，所述方法还包括：
[0022]基于所述建筑物变化检测图片进行预警提醒。
[0023]本专利技术的一种自动发现新建建筑物识别的方法，采集图像，并对图像进行标注，得到标注图像；对所述标注图像进行划分，得到训练集和测试集；构建遥感变化检测模型；使用所述训练集和所述测试集对所述遥感变化检测模型进行训练和测试，得到最终模型；将待检测的图片输入所述最终模型，得到建筑物变化检测图片，对需要甄别的建筑物进行图像采集，并对需要甄别的地方进行标注，并进行划分，通过训练集和所述测试集对所述遥感变化检测模型进行训练和测试，得到所述最终模型，通过所述最终模型对图像进行甄别，检测数据符合新建建筑物条件时，发出预警提醒，从而解决了现有的新建建筑物不便于甄别的问题。
附图说明
[0024]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0025]图1是本专利技术提供的一种自动发现新建建筑物识别的方法的流程图。
[0026]图2是本专利技术提供的一种自动发现新建建筑物识别的方法的原理框图。
[0027]图3是基础模块ConvReluBN示意图。
[0028]图4是基础模块BasicBlock示意图。
[0029]图5是基础模块通道注意力机制CA示意图。
[0030]图6是基础模块空间注意力机制SA示意图。
[0031]图7是基础模块混合注意力机制CBAM示意图。
[0032]图8是融合注意力机制ResNet18示意图。
[0033]图9是基础模块语义标记器SemanticTokens示意图。
[0034]图10是基础模块编码器Encode示意图。
[0035]图11是基础模块解码器Decode示意图。
[0036]图12是遥感变化检测网络示意图。
具体实施方式
[0037]下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。
[0038]请参阅图1至图12，本专利技术提供一种自动发现新建建筑物识别的方法，包括一下步骤：
[0039]S1采集图像，并对所述图像进行标注，得到标注图像；
[0040]S11采集图像；
[0041]具体的，收集3000余张用于训练的2013遥感影像图与2020年遥感影像图。
[0042]S12对所述图像进行标注，得到标注数据。
[0043]具体的，将待标注区域划分为2类，包括背景、变化建筑物；使用LabelMe 工具标注图片，这里与常见的语义分割标注方式有所不同，需要同时对2张图像分别标注变化区域；
Labelme是一个图形界面的图像标注软件。Labelme可对图像进行标注，包括多边形、矩形、线、点和图像级标注。它是用Python编写的，并使用Qt作为其图形界面。
[0044]S13对所述标注数据进行重建，得到标注图像。
[0045]将多个224*224px大小的预测变化图像重建成原始影像大小变化Mask掩码图。
[0046]S2对所述标注图像进行划分，得到训练集和测试集；
[0047]具体的，使用10折交叉验证(10
‑
fold Cross Validation)算法按9:1划分训练集与测试集
[0048]S3构建遥感变化检测模型；
[0049]根据飞桨深度框架进行构建，得到遥感变化检测模型。
[0050]具体的，使用基于paddlepaddle深度学习框架开发的遥感变化检测模型，飞桨(PaddlePaddle)以百度多年的深度学习技术研究和业务应用为基础，集深度学习核心训练和推理框架、基础模型库、端到端开发套件、丰富的工具组件于一体，是中国首个自主研发、功能完备、开源开放的产业级深度学习平台。
[0051]遥感变化检测模型包含模块融合注意力机制ResNet18、语义标记 SemanticTokens、编码器Encode、解码器Decode、绝对差值、上采样Upsample、 2个ConvReluBN。
[0052]上采样Upsample使用bilinear双线性插值采样；
[0053]ConvReluBN由Conv、Relu、BN组成的一个基础单元；
[0054]Conv表示2D卷积函数、Relu表示Relu激活函数、BN表示2DBatchNorm 批次归一化；
[0055]遥感变化检测模型中骨干网络融合注意力机制本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自动发现新建建筑物识别的方法，其特征在于，包括以下步骤：采集图像，并对所述图像进行标注，得到标注图像；对所述标注图像进行划分，得到训练集和测试集；构建遥感变化检测模型；使用所述训练集和所述测试集对所述遥感变化检测模型进行训练和测试，得到最终模型；将待检测的图片输入所述最终模型，得到建筑物变化检测图片。2.如权利要求1所述的一种自动发现新建建筑物识别的方法，其特征在于，所述采集图像，并对图像进行标注，得到标注图像的具体方式为：采集图像；对所述图像进行标注，得到标注数据；对所述标注数据进行重建，得到标注图像。3.如权利要求2所述的一种自动发现新建建筑物识别的方法，其特征在于，所述使用所述训练集和所述...

【专利技术属性】
技术研发人员：孙德亮，
申请(专利权)人：中再云图技术有限公司，
类型：发明
国别省市：