卷積神經(jīng)網(wǎng)絡航空影像城市建筑物分割

以高分一號衛(wèi)星遙感影像為數(shù)據(jù)源,引入形態(tài)學算法,研究采用面向?qū)ο蟮挠跋穹诸惙椒ㄟM行城市建筑物提取的關鍵技術。研究方法結(jié)合影像分割與基于知識規(guī)則的影像分類技術,首先采用基于形態(tài)學開閉重建的分水嶺分割算法對高分影像進行分割,其次采用基于知識規(guī)則的svm分類方法對影像進行分類,達到提取建筑物的目的。結(jié)果顯示,3個研究區(qū)建筑物提取的kappa系數(shù)分別為0.85、0.66和0.65,利用基于知識規(guī)則的面向?qū)ο蠓诸惙椒▽Ω叻直媛蔬b感影像中建筑物的提取效果較好,能夠完整、準確地提取出建筑物外形信息,具有較高的應用與推廣價值。

為了從高分辨率遙感圖像中完整提取建筑物區(qū)域,采用區(qū)域分割的原理,研究了建筑物自動檢測的方法。該方法首先利用利用k-mean分類方法將地物分為兩類:人工地物類和非人工地物類,然后利用陰影、meanshift分割信息來剔除人工地物類中干擾區(qū)域,再根據(jù)形狀分析來確定真實的建筑物區(qū)域。本文用上述方法對高分辨率航空影像進行了實驗,實驗結(jié)果證明了該方法有著較高的識別率、較好的準確性和魯棒性,具有實用價值。

彩色航空影像中的建筑物陰影提取

針對日益嚴峻的停車難問題,提出一種基于改進卷積神經(jīng)網(wǎng)絡停車場空車位檢測方法。首先,根據(jù)車位只需用兩種狀態(tài)來表示其占空的特點,對傳統(tǒng)卷積神經(jīng)網(wǎng)絡結(jié)構進行改進,提出迷你卷積神經(jīng)網(wǎng)絡(mcnn)的概念;然后,通過減少網(wǎng)絡參數(shù)來減少訓練和識別時間,并在網(wǎng)絡中加入局部響應歸一化層以加強對明度的校正,以及使用小卷積核來獲取更多圖像細節(jié);最后,對視頻幀圖進行手動掩碼設置,通過邊緣檢測切割成單個車位圖,并使用訓練好的mcnn進行車位識別。實驗結(jié)果表明,與傳統(tǒng)機器學習方式相比,基于mcnn的檢測方法識別率能提高3~8個百分點,同時網(wǎng)絡參數(shù)僅為常規(guī)使用卷積模型的1/1000,且在文中所述的幾種不同環(huán)境中,識別率的均保持在92%以上。實驗結(jié)果表明,mcnn可移植到低配置攝像頭,實現(xiàn)停車場空車位自動檢測。

在低分辨率城市航空影像中建筑群由于陰影的存在造成其灰度呈現(xiàn)明暗變化,采用基于像素級的分割方法以及閾值分割方法均不能得到好的結(jié)果。為了充分利用這種明暗變化的信息,討論了一種以圖像子塊灰度的標準差和直方圖的熵作為特征矢量,采用基于模糊c-均值(fcm)的分塊聚類方法用于建筑群的粗略分割,由于分塊有重疊,造成邊界塊的歸屬不明確,因此根據(jù)包含邊界塊的子塊的隸屬度來確定邊界塊的歸屬,從而得到了正確的邊界區(qū)域,并利用區(qū)域生長和閉合運算對邊界進行細化。對實際圖像進行實驗結(jié)果表明,該方法是有效的。

softwareengineeringandapplications軟件工程與應用,2018,7(6),273-282 publishedonlinedecember2018inhans.http://www.hanspub.org/journal/sea https://doi.org/10.12677/sea.2018.76031 文章引用:熊輝,梁培鋒,黃俊健,胡敏.基于卷積神經(jīng)網(wǎng)絡的高樓外墻裂縫檢測系統(tǒng)[j].軟件工程與應用,2018,7(6): 273-282.doi:10.12677/sea.2018.76031 convolutionneuralnetwork-basedsystem fordetectingcracksonexteriorwall huixiong1,2*,peife

建筑節(jié)能是當今城市建設和社會發(fā)展的前沿和研究熱點,對建筑的能耗現(xiàn)狀進行綜合分析與評估是進行節(jié)能改造或節(jié)能設計的前提和基礎,而建立反映能耗變化的預測模型是從宏觀尺度上分析認識建筑能耗變化與發(fā)展特性、為公共建筑節(jié)能工作提供決策依據(jù)的有效途徑和重要手段。研究針對常規(guī)bp網(wǎng)絡算法收斂速度慢、易陷入局部最小點的缺點,采用了具有較快收斂速度及穩(wěn)定性的lm算法進行預測,構造了基于bp神經(jīng)網(wǎng)絡的建筑物用電量預測模型。以某市公共建筑原始用電能耗統(tǒng)計數(shù)據(jù)作為樣本,并采用matlab對預測模型進行了仿真預測。結(jié)果顯示:誤差在允許范圍內(nèi)。

根據(jù)建筑物實測沉降利用人工神經(jīng)網(wǎng)絡理論,建立了前饋網(wǎng)絡預測模型并提出新的學習算法,結(jié)合某建筑物糾偏工程實例對建筑物沉降進行了預測.預測結(jié)果表明神經(jīng)網(wǎng)絡方法是可行且有效的.

建筑物沉降的誘因與沉降量之間有一個復雜的非線性相關性,應用回歸法對這種復雜的相關性進行分析有較大的局限性。人工神經(jīng)網(wǎng)絡是由許多神經(jīng)元組成的大規(guī)模非線性系統(tǒng),具有較強的動態(tài)處理能力,能對簡單的非線性函數(shù)進行多次復合,來實現(xiàn)一個復雜的非線性函數(shù)。神經(jīng)網(wǎng)絡這些特性滿足建筑物沉降分析的需求。實例表明,應用神經(jīng)網(wǎng)絡bp算法可以對建筑物沉降原因進行更客觀的分析,對沉降趨勢預測效果也較好。

在我們應用回歸方法對建筑物沉降原因分析及沉降趨勢的預測中,由于實際情況的復雜性及主觀認識的局限性,這樣所得的結(jié)果含有較多的人為因素,可能會與實際情況有所差異。針對這種情況,討論了應用神經(jīng)網(wǎng)絡方法來發(fā)現(xiàn)和驗證引起建筑物沉降的因素及對沉降趨勢的預測。實例表明,該方法能取得較好的效果。

為解決建筑物基礎沉降量的安全監(jiān)測問題,對其進行有效的預測、校核與分析,運用matlab軟件建立徑向基神經(jīng)網(wǎng)絡模型對某市建筑物的基礎沉降量進行預測.結(jié)果表明:徑向基神經(jīng)網(wǎng)絡的結(jié)構形式簡易,適應能力更強,預測誤差比bp網(wǎng)絡小,平均約為66.83%,達到預測精準度所需的耗時短、收斂速度更快.徑向基神經(jīng)網(wǎng)絡的預測結(jié)果與實測結(jié)果較為吻合,表明徑向基神經(jīng)網(wǎng)絡預測模型適用于建筑工程沉降預測領域之中.

提出基于人工神經(jīng)網(wǎng)絡的基礎最終沉降的預測新方法,通過工程實例應用,在較短的實測資料情況下,可獲得較小誤差的最終沉降量,所建立的模型預測精度高。

將粗糙粗集理論和神經(jīng)網(wǎng)絡原理結(jié)合起來,建立了基于粗集-神經(jīng)網(wǎng)絡的建筑物震害預測模型。首先運用粗糙集理論,根據(jù)原始樣本建立決策表進行屬性離散化、屬性重要性排序、屬性約簡和分類規(guī)則的提取;然后將所提取的關鍵成分作為神經(jīng)網(wǎng)絡的輸入訓練模型。實例研究表明,基于粗集-神經(jīng)網(wǎng)絡的多層磚房震害預測結(jié)果與實際震害基本吻合。該模型簡化了神經(jīng)網(wǎng)絡結(jié)構,提高了訓練速度和分類精度,還能對各因素對房屋震害的影響度進行分析。

介紹了基于matlab的徑向基函數(shù)rbf神經(jīng)網(wǎng)絡對于建筑物沉降預測的方法,討論了rbf神經(jīng)網(wǎng)絡的構造思路、參數(shù)和分布密度spread的選擇。為建筑物變形監(jiān)測人員的數(shù)據(jù)分析、變形預測提供了一個可行的概念。

基于人工神經(jīng)網(wǎng)絡強大的動態(tài)數(shù)據(jù)處理能力和學習能力，本文對應用bp神經(jīng)網(wǎng)進行建筑物沉降預測的方法進行了初步探討，并通過實例分析了該方法的可行性和實用性。

提出了根據(jù)實測數(shù)據(jù)構造神經(jīng)網(wǎng)絡變形預測模型的基本思路,構造出基于bp算法的神經(jīng)網(wǎng)絡變形預測模型,并給出應用實例分析。結(jié)果表明,神經(jīng)網(wǎng)絡應用于變形預測效果良好,具有一定參考價值和指導意義。

傳統(tǒng)的遙感影像目標檢測方法大多利用人工提取特征,難以用于背景復雜的高分辨率遙感影像。以高分辨率遙感影像建筑物圖像為研究對象,設計了一種基于lvq神經(jīng)網(wǎng)絡的建筑物提取方法。對圖像提取其顏色、紋理與形狀特征,構成圖像特征矢量并將其特征歸一化,利用lvq神經(jīng)網(wǎng)絡識別并提取出建筑物。通過與其它典型神經(jīng)網(wǎng)絡識別方法進行實驗比較,結(jié)果表明該算法相對于單層感知器識別率提高了10.0%,比bp神經(jīng)網(wǎng)絡識別率提高了22.5%,能取得更理想的提取效果。

在對航空影像中的建筑物進行識別提取時,建筑物頂部的輪廓信息是一個重要的判斷依據(jù)。基于航空影像建筑物個數(shù)繁多、形狀復雜,且存在較多的干擾信息,提出一種新穎有效的建筑物識別方法:首先,利用改進標記分水嶺算法提取建筑物區(qū)域。然后,對每個分割得到的建筑物區(qū)域,提取其輪廓,對輪廓進行基于平穩(wěn)小波變換的仿射不變量計算,并構造建筑物模型數(shù)據(jù)庫,利用相關系數(shù)實現(xiàn)了建筑物的有效識別。

用vb編制了人工神經(jīng)網(wǎng)絡的通用bp算法程序。根據(jù)西安參考年氣象參數(shù),采用動態(tài)模擬程序計算了某辦公樓4月至9月逐時冷負荷,結(jié)果顯示利用神經(jīng)網(wǎng)絡的預測值與計算值吻合。

用航空遙感圖像評價晉城市建筑物現(xiàn)狀的方法研究

介紹灰色神經(jīng)網(wǎng)絡模型的建模原理和方法,并采用該模型對實際的監(jiān)測數(shù)據(jù)進行處理和分析。結(jié)果表明,灰色神經(jīng)網(wǎng)絡模型能夠在小樣本、貧信息和波動數(shù)據(jù)序列等情況下對變形監(jiān)測數(shù)據(jù)做出比較準確的模擬和預報,從而能夠為變形監(jiān)測的數(shù)據(jù)處理提供一種較好的方法,能夠滿足實際應用的需求。

提出采用模糊處理與人工神經(jīng)網(wǎng)絡相結(jié)合的方法，有效地實現(xiàn)對建筑物變形的短期預測，并用實例加以驗證說明。