本发明专利技术公开一种基于SSD算法的智能空三刺点的方法。具有以下技术效果：(1)、用户可以不用手动在一张张图片中进行空三刺点，由云服务器全部自动化完成，减少用户操作繁琐度。(2)、对比用户手动刺点所造成的偏差，由此深度学习模型(通过海量成功刺点用户所训练的模型)所进行的智能刺点，准确率更高，更能得出准确的空中三角计算结果。空中三角计算结果。空中三角计算结果。
【技术实现步骤摘要】
一种基于SSD算法的智能空三刺点的方法
[0001]本专利技术涉及实景建模
，尤其涉及一种基于SSD算法的智能空三刺点的方法。
技术介绍
[0002]目前实景建模的客户端在进行ContextCapture空三刺点时，需要人工去寻找图片的刺点位置，并进行手动标记，但是很多情况下外业人员是已经在像控点处，喷了油漆或者有其他的标志物体，此时软件都无法进行识别，只能人工辅助刺点。在一个实景建模项目中，往往有很多张图片进行刺点，用户的外业人员已经在照片中进行了喷漆等标记像控点的方式，但是在ContextCapture软件中，还是需要一张张进行手动刺点，费时费力。而在客户手动刺点的情况下，容易出现偏移刺点错误，导致空中三角计算结果不太准确。
[0003]因此，现有技术存在缺陷，需要改进。
技术实现思路
[0004]本专利技术要解决的技术问题是：提供一种基于SSD算法的智能空三刺点的方法，在用户在使用实景建模的客户端进行实景建模任务时，减少用户的空三刺点的操作的繁琐性，优化整个建模流程，提升空中三角计算的准确性。
[0005]本专利技术的技术方案如下：提供一种基于SSD算法的智能空三刺点的方法，包括以下步骤.
[0006]S1：训练一个基于SSD算法的目标检测模型。
[0007]S2：客户端将待进行空三刺点的图片发送到云服务器，云服务器接收客户端传来的图片；云服务器通过已训练好的目标检测模型的主干特征提取网络对图片进行提取，提取为六个有效特征预测层，并对每个特征预测层做至少一次卷积操作(优选2次卷积操作)；所述卷积操作为：通过卷积模型的滤波器进行图像上滑动，获得先验框的坐标校正信息和分类概率分布后，进行位置校正，并改名为bounding box，使用NMS(非极大值抑制)算法作为后处理删除冗余的框后，即输出图片中空三刺点的图像分类、预测分数和预测框；云服务器将图片中空三刺点的图像分类、预测分数和预测框发送给客户端。
[0008]S3：客户端按照云服务器返回的空三刺点图像分类、预测分数，找到符合该图片的空三刺点图像分类，根据一个阈值来与预测分数进行比对，如果超过阈值则获取预测框，在客户端的空三刺点界面上绘制出预测框，以此来进行空三刺点标识。如果不超过阈值，标记该图片，将该图片重新进入步骤S2。该图片进入步骤S2后，由于被标记，基于SSD算法的目标检测模型便会知晓先前的空三刺点存在偏差，需要修正。
[0009]S4：在客户端选择完坐标系之后，提交空中三角计算作业。
[0010]采用训练后的基于SSD算法的目标检测模型对图片进行进行空三刺点，极大的降低了人工的劳动强度，且能够有效提升空三刺点的准确性，提升空中三角计算结果的准确性。而且，客户端还对云服务器返回的空三刺点的预测分数进行对比，达到标准的才会进行
获取预测框，进一步保证空三刺点的准确性，继而保证空中三角计算结果的准确性。而且，基于SSD算法的目标检测模型正式对图片进行空三刺点的过程，也是在不断的训练中，步骤S3中的修正，可以更进一步提升基于SSD算法的目标检测模型后续进行空三刺点的准确性。
[0011]进一步地，云服务器创建一个服务接口来接收客户端发送来的待进行空三刺点的图片。
[0012]进一步地，步骤S1中训练的过程为：基于原有的海量成功建模的业务数据图片，进行分类及拆分，拆分为测试集和训练集；然后进行基于SSD(Single Shot MultiBox Detector)算法的神经网络模型训练。
[0013]SSD算法的神经网络模型的步骤如下。
[0014]SS1：对图像进行缩放，缩放为300*300*3的RGB图像。
[0015]SS2：进入主干网络，通过VGG up to Conv4_3的卷积层，得到第一个特征预测层，输出38*38*512的特征矩阵。
[0016]SS3：38*38*512的特征矩阵通过VGG up to fc7的卷积层，输出19*19*1024的特征矩阵。
[0017]SS4：19*19*1024的特征矩阵通过VGG up to Conv6_2的卷积层，得到第三个特征预测层，输出10*10*512的特征矩阵。
[0018]SS5：10*10*512的特征矩阵通过VGG up to Conv7_2的卷积层，得到第四个特征预测层，输出5*5*256的特征矩阵。
[0019]SS6：5*5*256的特征矩阵通过VGG up to Conv8_2的卷积层，得到第五个特征预测层，输出3*3*256的特征矩阵。
[0020]SS7：3*3*256的特征矩阵通过VGG up to Conv9_2的卷积层，得到第六个特征预测层，输出1*1*256的特征矩阵。
[0021]通过上述步骤，得到了SSD的6个特征预测层，可以在这6个特征预测层，分别预测不同大小的目标。
[0022]进一步地，所述云服务器为大雁云服务器，所述客户端为大雁云客户端。
[0023]采用上述方案，本专利技术提供一种基于SSD算法的智能空三刺点的方法，具有以下技术效果：
[0024](1)、用户可以不用手动在一张张图片中进行空三刺点，由云服务器全部自动化完成，减少用户操作繁琐度。
[0025](2)、对比用户手动刺点所造成的偏差，由此深度学习模型(通过海量成功刺点用户所训练的模型)所进行的智能刺点，准确率更高，更能得出准确的空中三角计算结果。
附图说明
[0026]图1为本专利技术的方法流程图；
[0027]图2为SSD算法的神经网络模型的流程图。
具体实施方式
[0028]以下结合附图和具体实施例，对本专利技术进行详细说明。
[0029]请参阅图1和图2，本专利技术提供一种基于SSD算法的智能空三刺点的方法，包括以下
步骤.
[0030]S1：训练一个基于SSD算法的目标检测模型。
[0031]S2：客户端将待进行空三刺点的图片发送到云服务器，云服务器接收客户端传来的图片；云服务器通过已训练好的目标检测模型的主干特征提取网络对图片进行提取，提取为六个有效特征预测层，并对每个特征预测层做至少一次卷积操作；所述卷积操作为：通过卷积模型的滤波器进行图像上滑动，获得先验框的坐标校正信息和分类概率分布后，进行位置校正，并改名为bounding box，使用NMS(非极大值抑制)算法作为后处理删除冗余的框后，即输出图片中空三刺点的图像分类、预测分数和预测框；云服务器将图片中空三刺点的图像分类、预测分数和预测框发送给客户端。在本实施例中，所述云服务器为大雁云服务器，所述客户端为大雁云客户端。
[0032]S3：客户端按照云服务器返回的空三刺点图像分类、预测分数，找到符合该图片的空三刺点图像分类，根据一个阈值来与预测分数进行比对，如果超过阈值则获取预测框，在客户端的空三刺点界面上绘制出预测框，以此来进行空三刺点标识。如果不超过阈值，标记该图片，将该图片重新进入步骤S2。
[0033本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于SSD算法的智能空三刺点的方法，其特征在于，包括以下步骤：S1：训练一个基于SSD算法的目标检测模型；S2：客户端将待进行空三刺点的图片发送到云服务器，云服务器接收客户端传来的图片；云服务器通过已训练好的目标检测模型的主干特征提取网络对图片进行提取，提取为六个有效特征预测层，并对每个特征预测层做至少一次卷积操作；所述卷积操作为：通过卷积模型的滤波器进行图像上滑动，获得先验框的坐标校正信息和分类概率分布后，进行位置校正，并改名为bounding box，使用NMS算法作为后处理删除冗余的框后，即输出图片中空三刺点的图像分类、预测分数和预测框；云服务器将图片中空三刺点的图像分类、预测分数和预测框发送给客户端；S3：客户端按照云服务器返回的空三刺点图像分类、预测分数，找到符合该图片的空三刺点图像分类，根据一个阈值来与预测分数进行比对；如果超过阈值则获取预测框，在客户端的空三刺点界面上绘制出预测框，以此来进行空三刺点标识；S4：在客户端选择完坐标系之后，提交空中三角计算作业。2.根据权利要求1所述的一种基于SSD算法的智能空三刺点的方法，其特征在于，云服务器创建一个服务接口来接收客户端发送来的待进行空三刺点的图片。3.根据权利要求1所述的一种基于SSD算法的智能空三刺点的方法，其特征在于，步骤S1中训练的过程为：基于原有的海量成功建模的业务数据图片，进行分类及拆分，拆分为测试集和训练集；然后进行基于SSD算法的神经网络模型训练。4.根据权利要求3所述的一种基...
【专利技术属性】
技术研发人员：吴伟民，高斌，邹琼，周双全，
申请(专利权)人：深圳市瑞云科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。