一种基于卷积神经网络的智慧城市建设水平识别方法技术

本申请提供了一种基于卷积神经网络的智慧城市建设水平识别方法，对多个智慧城市的地标性建筑物进行图像采集；对地标性建筑物图像进行预处理后，随机形成多组图像集合，构建训练样本集；构建卷积神经网络模型，利用训练样本集中每组图像集合对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；对待识别的智慧城市的N个地标性建筑物进行图像采集，利用训练后的卷积神经网络模型进行智慧城市建设水平识别，产生建设水平总分值。本申请能够提高该识别方法的效率和准确性，并降低费用。用。用。

【技术实现步骤摘要】
一种基于卷积神经网络的智慧城市建设水平识别方法


[0001]本申请涉及智慧城市领域，尤其涉及一种基于卷积神经网络的智慧城市建设水平识别方法。

技术介绍

[0002]智慧城市既是现代城市发展的重要方向和目标，也是推动我国城市转型的重要动力。智慧城市建设从推动产业升级、发展绿色交通、改善人居环境以及提升城市综合承载力等方面，极大地方便了人们的生活，对当代社会的和谐发展也起着极大的促进作用。
[0003]智慧城市是通过先进的计算机处理技术，利用传感技术全面收集城市中的数据，然后利用大数据处理，云计算等手段处理分析数据，并制定出相应的城市决策与规划发展方向的一种让城市更加智能，更加聪明的建设理念。提高城市空间的可达性与便利性，增加城市活力，确保城市高效运行，合理发展。
[0004]在智慧城市建设中，建筑建设是基础。对智慧城市建设水平识别主要体现在对智慧城市的建筑建设水平识别。目前，智慧城市建设水平识别的主要缺点在于：(1)人为主观因素过强，建设水平识别过程不够客观，建设水平识别结果精度较低，适用性较差。(2)建设水平识别过程中，数据材料收集和分析过程需消耗大量人力、物力和财力，耗时过长且费用过大。因此如何提供一种高效且准确的智慧城市建设水平识别方法，降低费用，成为目前需要解决的一个技术问题。

技术实现思路

[0005]鉴于上述问题，提出了本申请，以便提供一种基于卷积神经网络的智慧城市建设水平识别方法，用于提高该识别方法的效率和准确性，降低费用。
[0006]本申请提供了一种基于卷积神经网络的智慧城市建设水平识别方法，包括：
[0007]步骤S1，对多个智慧城市的地标性建筑物进行图像采集；
[0008]步骤S2，对地标性建筑物图像进行预处理后，随机形成多组图像集合，构建训练样本集，其中每组图像集合包括N个预处理后的地标性建筑物图像，N≥5；
[0009]步骤S3，构建卷积神经网络模型，利用训练样本集中每组图像集合对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；
[0010]步骤S4，对待识别的智慧城市的N个地标性建筑物进行图像采集，利用训练后的卷积神经网络模型进行智慧城市建设水平识别，产生建设水平总分值。
[0011]进一步的，步骤S2还包括：
[0012]步骤S21，对地标性建筑物图像进行灰度化变换；
[0013]步骤S22，对灰度化的地标性建筑物图像进行目标区域分割，获取目标区域图像；
[0014]步骤S23，对目标区域图像进行图像压缩，得到预处理完成的图像；
[0015]步骤S24，将预处理后的图像，随机形成多组图像集合，构建训练样本集。
[0016]进一步的，步骤S22具体包括：
[0017](1)统计每行像素的灰度平均值和每列像素的灰度平均值，从小到大进行排序，选择中间值，作为图像初始分割阈值；
[0018](2)根据图像初始分割阈值或新的分割阈值，图像像素被分为两组A和B；
[0019](3)分别计算A、B两组的灰度平均值a1、b1；
[0020](4)计算新的分割阈值T，其中
[0021](5)循环迭代(2)
‑
(4)，直至T≤Tth，则停止循环迭代，其中Tth为预设停止阈值。
[0022]进一步的，步骤S23具体包括：
[0023](1)将目标区域图像划分成4
×
4像素邻域的网格；
[0024](2)保留4
×
4像素邻域中心区域的4个像素，将每个网格的4
×
4像素邻域转换为2
×
2像素邻域，进行图像压缩，其中，中心区域的4个像素的灰度值转换公式为：
[0025][0026][0027][0028]其中，f(p，q)表示中心区域的4个像素中任一个像素(p，q)的灰度值；第一像素(p1，q1)、第二像素(p1，q2)、第三像素(p2，q1)、第四像素(p2，q2)在4
×
4像素邻域中分别位于像素(p，q)的四周，f(p1，q1)、f(p1，q2)、f(p2，q1)、f(p2，q2)分别是第一像素(p1，q1)、第二像素(p1，q2)、第三像素(p2，q1)、第四像素(p2，q2)的灰度值，p1＝p
‑
1，q1＝q
‑
1，p2＝p+1，q2＝q+1，p、q为正整数。
[0029]进一步的，步骤S3还包括：
[0030]步骤S31，构建第一卷积神经网络支路、第二卷积神经网络支路、
……
、第N卷积神经网络支路，分别接收训练样本集中每组图像集合中的每个地标性建筑物图像，对其进行识别，得到相应的第一识别分值、第二识别分值、
……
、第N识别分值；
[0031]步骤S32，构建加法器，接收第一识别分值、第二识别分值、
……
、第N识别分值，进行求和，以得到智慧城市建设水平总分值。
[0032]进一步的，第一卷积神经网络支路、第二卷积神经网络支路、
……
、第N卷积神经网络支路结构相同。
[0033]进一步的，采用第一特征提取模块、第二特征提取模块、第三特征提取模块、第四特征提取模块、全连接模块和分类器构建每个卷积神经网络支路，其中第一特征提取模块包括第一卷积层和第一池化层，第二特征提取模块包括第二卷积层、第三卷积层和第二池化层，第三特征提取模块包括第四卷积层、第五卷积层、第六卷积层和第三池化层，第四特征提取模块包括第七卷积层、第八卷积层、第九卷积层、第十卷积层和第四池化层；具体的，将预处理后的地标性建筑物图像输入到第一卷积层的输入端，第一卷积层的输出端连接第一池化层的输入端，第一池化层的输出端连接第二卷积层的输入端，第二卷积层的输出端连接第三卷积层的输入端，第三卷积层的输出端连接第二池化层的输入端，第二池化层的输出端连接第四卷积层的输入端，第四卷积层的输出端连接第五卷积层的输入端，第五卷
积层的输出端连接第六卷积层的输入端，第六卷积层的输出端连接第三池化层的输入端，第三池化层的输出端连接第七卷积层的输入端，第七卷积层的输出端连接第八卷积层的输入端，第八卷积层的输出端连接第九卷积层的输入端，第九卷积层的输出端连接第十卷积层的输入端，第十卷积层的输出端连接第四池化层的输入端，第四池化层的输出端连接全连接模块的输入端，全连接模块的输出端连接分类器的输入端，分类器输出相应的识别分值。
[0034]进一步的，每个卷积层采用3
×
3大小的卷积核。
[0035]本申请的有益效果是：
[0036](1)、本申请采用基于卷积神经网络的智慧城市建设水平识别方法，分别对待识别的智慧城市的多个地标性建筑物进行识别，以得到建设水平总分值。本申请中卷积神经网络模型结构简单，利用卷积神经网络对智慧城市建设水平自动识别，提高了识别效率和准确性，且能够显著减低费用。
[0037](2)、本申本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的智慧城市建设水平识别方法，其特征在于，包括：步骤S1，对多个智慧城市的地标性建筑物进行图像采集；步骤S2，对地标性建筑物图像进行预处理后，随机形成多组图像集合，构建训练样本集，其中每组图像集合包括N个预处理后的地标性建筑物图像，N≥5；步骤S3，构建卷积神经网络模型，利用训练样本集中每组图像集合对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；步骤S4，对待识别的智慧城市的N个地标性建筑物进行图像采集，利用训练后的卷积神经网络模型进行智慧城市建设水平识别，产生建设水平总分值。2.根据权利要求1所述的识别方法，其特征在于，步骤S2还包括：步骤S21，对地标性建筑物图像进行灰度化变换；步骤S22，对灰度化的地标性建筑物图像进行目标区域分割，获取目标区域图像；步骤S23，对目标区域图像进行图像压缩，得到预处理完成的图像；步骤S24，将预处理后的图像，随机形成多组图像集合，构建训练样本集。3.根据权利要求2所述的识别方法，其特征在于，步骤S22具体包括：(1)统计每行像素的灰度平均值和每列像素的灰度平均值，从小到大进行排序，选择中间值，作为图像初始分割阈值；(2)根据图像初始分割阈值或新的分割阈值，图像像素被分为两组A和B；(3)分别计算A、B两组的灰度平均值a1、b1；(4)计算新的分割阈值T，其中(5)循环迭代(2)
‑
(4)，直至T≤Tth，则停止循环迭代，其中Tth为预设停止阈值。4.根据权利要求2或3所述的识别方法，其特征在于，步骤S23具体包括：(1)将目标区域图像划分成4
×
4像素邻域的网格；(2)保留4
×
4像素邻域中心区域的4个像素，将每个网格的4
×
4像素邻域转换为2
×
2像素邻域，进行图像压缩，其中，中心区域的4个像素的灰度值转换公式为：像素的灰度值转换公式为：像素的灰度值转换公式为：其中，f(p，q)表示中心区域的4个像素中任一个像素(p，q)的灰度值；第一像素(p1，q1)、第二像素(p1，q2)、第三像素(p2，q1)、第四像素(p2，q2)在4
×
4像素邻域中分别位于像素(p，q)的四周，f(p1，q1)、f(p1，q2)、f(p2，q1)、f(p2，q2)分别是第一像素(p1，q1)、第二像素(p1，q2)、第三像素(p2，...

【专利技术属性】
技术研发人员：章丹音，
申请(专利权)人：上海理工大学，
类型：发明
国别省市：