一种基于多任务学习的城市建筑物语义变化监测方法技术

本发明专利技术公开了一种基于多任务学习的城市建筑物语义变化监测方法，涉及遥感影像技术领域，所述基于多任务学习的城市建筑物语义变化监测方法包括下述操作步骤：S1、遥感影像输入；S2、地理位置获取；S3、建设信息接入；S4、多任务工程图导入；S5、建筑变化图插入和S6、信息注释。该一种基于多任务学习的城市建筑物语义变化监测方法，以前、后期遥感影像为起始点和终点，于两者之间基于城市建设信息库内部的工程信息，以及基于地理位置的获取，在起始点和终点之间对影像中的变化区域基于工程毕工日期依次插入演变图即建筑变化图，实现城市建筑物语义变化的过程可视化，由此有利于为城市规划、环境监测等方面提供更有利的帮助。环境监测等方面提供更有利的帮助。环境监测等方面提供更有利的帮助。

【技术实现步骤摘要】
一种基于多任务学习的城市建筑物语义变化监测方法


[0001]本专利技术涉及遥感影像
，具体为一种基于多任务学习的城市建筑物语义变化监测方法。

技术介绍

[0002]城市建筑物语义变化监测是通过对一区域不同时间获取的遥感影像进行数据处理和比对，从而获得地表建筑类型变化的信息，地表城市建筑物的变化信息在城市规划、环境监测等方面具有重要意义。
[0003]现有的城市建筑物语义变化监测方法可以对一区域前后不同时间的遥感影像进行处理和比对，但无法提供此时间段中该区域的演变过程，如果可以提供遥感影像之间的时间段中的变化过程，则可以更加详细建筑物的语义变化过程，为城市规划、环境监测等方面提供更有利的帮助。

技术实现思路

[0004]针对现有技术的不足，本专利技术提供了一种基于多任务学习的城市建筑物语义变化监测方法，解决了上述
技术介绍
中提出的问题。
[0005]为实现以上目的，本专利技术通过以下技术方案予以实现：一种基于多任务学习的城市建筑物语义变化监测方法，所述基于多任务学习的城市建筑物语义变化监测方法包括下述操作步骤：
[0006]S1、遥感影像输入：
[0007]将同一区域但不同时间段的两张遥感影像输入至语义变化监测模型中，得到两张遥感影像的地物分类结果，采用了大量的无人机拍摄影像作为数据集进行训练，算法模型搭建与调试，在所提出的多任务网络中，考虑并构造了跨越建筑物信息的三个任务的一致性约束，一致性约束利用了掩模预测和两个形状相关信息预测之间的对偶性，进一步提高了建筑物分割性能；
[0008]S2、地理位置获取：
[0009]获取遥感影像时顺便记录该区域的地理位置，再基于地物分类结果于遥感影像上标记变化区域，再基于地理位置于地图软件上获取变化区域的名称信息；
[0010]S3、建设信息接入：
[0011]该语义变化监测模型接入城市建设信息库，基于变化区域的地理位置和名称于城市建设信息库中搜寻对应的工程信息；
[0012]S4、多任务工程图导入：
[0013]各工程完毕日为日期依次将各工程的工程图导入深度学习网络中，深度学习网络中根据各工程图中的地理信息以及各建筑的尺寸合理布设建筑，形成建筑变化图，其中深度学习网络在正式使用前需要使用已完成的建筑变化图和其对应的工程图，以工程图输入深度学习网络进行学习，直至所输出的建筑变化图与已完成的建筑变化图一致；
[0014]S5、建筑变化图插入：
[0015]已完成地物分类结果的两张遥感影像之间复制其中时间较前的遥感影像A，在该遥感影像A上根据地理位置将对应的建筑变化图覆盖至遥感影像A上的对应区域，形成遥感影像B，并基于各工程毕工时间以遥感影像B为基础将后一个建筑变化图覆盖至遥感影像B上的对应区域，形成遥感影像C，不断重复操作直至获得最后的遥感影像，由此获得具有演变过程的城市建筑物语义变化集；
[0016]S6、信息注释：
[0017]城市建筑物语义变化集中每一张遥感影像上的变动区域根据工程信息对其进行信息注释。
[0018]进一步的，所述S1步骤中，语义变化监测模型型利用已进行地物分类的遥感影像进行训练得到。
[0019]进一步的，所述S2步骤中，地理位置为该区域的经纬度坐标。
[0020]进一步的，所述S3步骤中，城市建设信息库用于储存城市中各类建筑的工程信息。
[0021]进一步的，所述建筑的工程信息包括建筑图纸与竣工图纸，以及各工程的竣工日期，还包括各工程所代表的建筑所处的地理位置。
[0022]进一步的，所述S4步骤中，合理布设建筑的基准是对位于同一地理位置的多个建筑实行大面积覆盖覆盖小面积，高建筑覆盖低建筑。
[0023]进一步的，所述S4步骤中，建筑变化图的数量与工程数量一致。
[0024]进一步的，所述S6步骤中，变动区域的信息注释包括该变动区域的名称、作用、介绍。
[0025]进一步的，所述基于多任务学习的城市建筑物语义变化监测方法应用于城市规划、环境监测的遥感影像处理领域。
[0026]本专利技术提供了一种基于多任务学习的城市建筑物语义变化监测方法，具备以下有益效果：
[0027]1.该基于多任务学习的城市建筑物语义变化监测方法，语义变化监测模型接入城市建设信息库，以前、后期遥感影像为起始点和终点，于两者之间基于城市建设信息库内部的工程信息，以及基于地理位置的获取，在起始点和终点之间对影像中的变化区域基于工程毕工日期依次插入演变图即建筑变化图，实现城市建筑物语义变化的过程可视化，由此有利于为城市规划、环境监测等方面提供更有利的帮助。
[0028]2.该基于多任务学习的城市建筑物语义变化监测方法，城市建筑物语义变化的过程可视化的同时对每个插入的演变图上的建筑变化基于工程图信息进行注释，以方便人员明确了解变化区域的建筑信息。
附图说明
[0029]图1为本专利技术一种基于多任务学习的城市建筑物语义变化监测方法的操作流程示意图。
具体实施方式
[0030]下面结合附图和实施例对本专利技术的实施方式作进一步详细描述。以下实施例用于
说明本专利技术，但不能用来限制本专利技术的范围。
[0031]如图1所示，本专利技术提供技术方案：一种基于多任务学习的城市建筑物语义变化监测方法，所述基于多任务学习的城市建筑物语义变化监测方法包括下述操作步骤：
[0032]S1、遥感影像输入：
[0033]将同一区域但不同时间段的两张遥感影像输入至语义变化监测模型中，得到两张遥感影像的地物分类结果，采用了大量的无人机拍摄影像作为数据集进行训练，算法模型搭建与调试，在所提出的多任务网络中，考虑并构造了跨越建筑物信息的三个任务的一致性约束，一致性约束利用了掩模预测和两个形状相关信息预测之间的对偶性，进一步提高了建筑物分割性能；其中，语义变化监测模型型利用已进行地物分类的遥感影像进行训练得到；
[0034]S2、地理位置获取：
[0035]获取遥感影像时顺便记录该区域的地理位置，再基于地物分类结果于遥感影像上标记变化区域，再基于地理位置于地图软件上获取变化区域的名称信息；
[0036]其中，地理位置为该区域的经纬度坐标，进一步的可细分为该区域各建筑的经纬度坐标；
[0037]S3、建设信息接入：
[0038]该语义变化监测模型接入城市建设信息库，基于变化区域的地理位置和名称于城市建设信息库中搜寻对应的工程信息；
[0039]其中，城市建设信息库用于储存城市中各类建筑的工程信息，且建筑的工程信息包括建筑图纸与竣工图纸，以及各工程的竣工日期，还包括各工程所代表的建筑所处的地理位置；
[0040]S4、多任务工程图导入：
[0041]各工程完毕日为日期依次将各工程的工程图导入深度学习网络中，深度学习网络中根据各工程图中的地理信息以及各建筑的尺寸合理布设建筑，形成建筑变化图，其中深度学习网络在正式使用前需要使用已完成的建筑变化图和其对应本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多任务学习的城市建筑物语义变化监测方法，其特征在于：所述基于多任务学习的城市建筑物语义变化监测方法包括下述操作步骤：S1、遥感影像输入：将同一区域但不同时间段的两张遥感影像输入至语义变化监测模型中，得到两张遥感影像的地物分类结果，采用了大量的无人机拍摄影像作为数据集进行训练，算法模型搭建与调试，在所提出的多任务网络中，考虑并构造了跨越建筑物信息的三个任务的一致性约束，一致性约束利用了掩模预测和两个形状相关信息预测之间的对偶性，进一步提高了建筑物分割性能；S2、地理位置获取：获取遥感影像时顺便记录该区域的地理位置，再基于地物分类结果于遥感影像上标记变化区域，再基于地理位置于地图软件上获取变化区域的名称信息；S3、建设信息接入：该语义变化监测模型接入城市建设信息库，基于变化区域的地理位置和名称于城市建设信息库中搜寻对应的工程信息；S4、多任务工程图导入：各工程完毕日为日期依次将各工程的工程图导入深度学习网络中，深度学习网络中根据各工程图中的地理信息以及各建筑的尺寸合理布设建筑，形成建筑变化图，其中深度学习网络在正式使用前需要使用已完成的建筑变化图和其对应的工程图，以工程图输入深度学习网络进行学习，直至所输出的建筑变化图与已完成的建筑变化图一致；S5、建筑变化图插入：已完成地物分类结果的两张遥感影像之间复制其中时间较前的遥感影像A，在该遥感影像A上根据地理位置将对应的建筑变化图覆盖至遥感影像A上的对应区域，形成遥感影像B，并基于各工程毕工时间以遥感影像B为基础将后一个建筑变化图覆盖至遥感影像B上的对应区域，形成遥感影像C，不断重复操作直至获得最后的遥感影像，由此获得具有演变过程的城市建筑物语义变化集；S...

【专利技术属性】
技术研发人员：张华，樊香，王志盼，罗青青，李志飞，
申请(专利权)人：湖南星图空间信息技术有限公司，
类型：发明
国别省市：