一种基于深度神经网络的传统民居层数识别方法技术

本发明专利技术公开了一种基于深度神经网络图像识别算法的传统民居层数识别方法，步骤如下：制作传统民居建筑图像的训练集和验证集；使用上述训练集与验证集，在YOLOv8x预训练模型的基础上，训练得到优化的传统民居建筑正立面墙体与门的识别模型；将待识别图像输入模型，得到识别结果；对识别结果坐标集进行处理，绘制墙体识别掩膜轮廓线以及门要素最高点像素坐标对应的竖向垂线，提取两线相交交点坐标；对坐标值进行计算获得正立面墙体与门相对高度值，计算二者比值；根据转换关系运算获得民居识别层数值。本方法服务于传统民居建筑基础情况普查工作，可用于传统民居建筑正立面图像的建筑层数快速、准确识别。

【技术实现步骤摘要】

本专利技术涉及基于图像的建筑检测，具体设计一种基于深度神经网络的传统民居层数识别方法。

技术介绍

1、我国传统民居建筑具有分布广、类型多等特点，其凝聚了鲜明的民族特色和地域特性，既具有丰富的历史文化内涵，又具有重大的实用与艺术价值。而建筑层数作为传统民居重要形态特征，它直接影响着建筑物的结构、使用性能与功能等多个方面。目前我国传统民居的建筑相关数据收集主要通过人工实地调查获取，此过程需要花费极大的人力、财力和时间精力，导致传统民居相关资料收集工作复杂艰难，不利于高效统计分析传统民居的建筑特性，进而影响传统民居的保护与发展工作。目前的传统民居建筑层数识别做法的主要问题：

2、(1)未提出传统民居建筑数据集的要求。目前的建筑识别数据集主要为现代建筑，没有针对传统民居建筑建立图像数据集，缺乏对于传统民居建筑特征的考量，导致在进行传统民居建筑识别时准确性不高。

3、(2)现有的识别技术所需条件复杂，计算工作量巨大。识别内容主要围绕建筑高度，规定图像必须具备建筑阴影特征，再通过遥感影像阴影长度以及照射角度进行测算，不能直接获取建筑层数数据。<本文档来自技高网...

【技术保护点】

1.一种基于深度神经网络图像识别算法的传统民居层数识别方法，其特征在于，包括下列步骤：

2.根据权利要求1所述的基于深度神经网络的传统民居层数识别方法，其特征在于，所述步骤S1中，要求采集的目标传统民居图像能清晰完整显示传统民居正立面墙体与门要素；

3.根据权利要求1所述的基于深度神经网络的传统民居层数识别方法，其特征在于，所述步骤S4中训练并获得识别模型wall_door_best.pt的过程包括：加载yolov8x预训练模型，训练迭代轮数为300世代；将训练得到的模型在验证集Y上进行测试，验证模型的有效性，最终得到传统民居建筑正立面墙体与门识别模型wall_d...

【技术特征摘要】

1.一种基于深度神经网络图像识别算法的传统民居层数识别方法，其特征在于，包括下列步骤：

2.根据权利要求1所述的基于深度神经网络的传统民居层数识别方法，其特征在于，所述步骤s1中，要求采集的目标传统民居图像能清晰完整显示传统民居正立面墙体与门要素；

3.根据权利要求1所述的基于深度神经网络的传统民居层数识别方法，其特征在于，所述步骤s4中训练并获得识别模型wall_door_best.pt的过程包括：加载yolov8x预训练模型，训练迭代轮数为300世代；将训练得到的模型在验证集y上进行测试，验证模型的有效性，最终得到传统民居建筑正立面墙体与门识别模型wall_door_best.pt。

4.根据权利要求1所述的基于深度神经网络的传统民居层数识别方法，其特征在于，所述步骤s5中，将待识别图像集u中的图片输入至模型wall_door_best.pt进行计算，其中，待识别图像集u是选取仅出现一栋建筑且能清晰完整显示传统民居建筑正立面墙体与门要素的图像所形成的图像集，设置置信度阈值conf-thres为0.80，设置交互比阈值iou-thres为0.60，得到每一幅图像的识别结果，具体为：

5.根据权利要求1所述的基于深度神经网络的传统民居层数识别方法，其特征在于，所述步骤s6中，对像素坐标文件pi判断分类储存操作为：通过python对第i幅图像对应像素坐标文件pi内容读取为列表，其中，该列表存在ki段数据，ki≥2；

6.根据...

【专利技术属性】
技术研发人员：陶金，郑颖亮，廖丹妍，丁长兴，陈梓炫，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：