-
公开(公告)号：CN118570485B
公开(公告)日：2025-03-18
申请号：CN202410722651.5
申请日：2024-06-05
Applicant: 南通大学
IPC: G06V10/40 , G06V10/774 , G06V10/82 , G06V10/80 , G06V20/64 , G06V20/70 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的建筑三维点云线特征提取方法，包括：首先使用地面固定站激光扫描仪获取测区内建筑激光点云数据，接着对获取的建筑三维点云做切片，将切片点云投影到二维占用概率图像，同时根据切片点云的密度计算每个像素基于权重中心分解的PCA1生成分图像；然后人工标注建筑轮廓线并制作训练样本数据集；接着构建线特征提取神经网络LALine‑Net，通过网络训练、模型评估获得神经网络模型参数；应用新的数据进行模型预测，提取测区建筑激光点云的线特征；最后对提取的线特征进重拟合和优化得到最终的建筑轮廓线特征。本发明可以快速从激光点云中提取城市建筑轮廓线，具有更好的完整性和几何精度，可以满足基于激光三维点云建筑制图的需要。
-
Patent Agency Ranking
公开(公告)号：CN118628760A
公开(公告)日：2024-09-10
申请号：CN202410712136.9
申请日：2024-06-04
Applicant: 南通大学
Abstract: 本发明公开一种融合nDSM的深度学习线特征提取方法，该方法利用无人机摄影测量获取的测区航拍照片，利用照片进行三维重建，生成DOM、DSM和三维点云；利用CSF算法分割地面点，采用反距离权重方法进行插值，生成DEM；利用地图代数计算将DSM与DEM进行相减，得到nDSM，并标准化为8位图像；接着制作深度学习训练样本数据集，利用DOM和nDSM构建四通道图像并分块，制作深度学习训练样本数据集；利用深度神经网络进行训练和模型验证，增量式构建满足泛化性的线特征提取样本数据集，实现对无人机摄影测量图像线特征的准确提取。本发明实现了基于深度学习的无人机遥感图像线特征智能提取，有效提高了线特征提取的准确性和几何完整性，满足城市建筑三维模型重建的需要。
-
公开(公告)号：CN119580128A
公开(公告)日：2025-03-07
申请号：CN202411618333.0
申请日：2024-11-13
Applicant: 南通大学
IPC: G06V20/17 , G06T5/40 , G06T5/60 , G06V20/70 , G06V10/40 , G06V10/764 , G06V10/82 , G06V10/774 , G06N3/0464
Abstract: 本发明涉及测绘科学、遥感科学技术领域，尤其涉及一种基于热红外图像和深度学习的道路井盖识别方法，该方法利用无人机摄影测量获取测区目标热红外影像，通过多路复用自适应直方图均衡化算法增强红外图像特征，利用残差网络结构改进YOLOv8深度神经网络提取图像中的道路井盖特征，通过边缘提取和圆拟合识别井盖的几何参数。本发明方法基于深度学习，实现了热红外图像中道路井盖的高精度识别和参数提取，对于城市给排水信息管理，道路安全风险识别具有重要意义。
-
公开(公告)号：CN119091155A
公开(公告)日：2024-12-06
申请号：CN202411098693.2
申请日：2024-08-12
Applicant: 南通大学
Abstract: 本发明公开了一种基于深度学习和联合优化的建筑轮廓线提取方法，采集城区建筑的多视图照片，构建DOM和DSM；制作归一化数字表面模型nDSM和坡度图、标注建筑轮廓线和多边形；构建渔网分割栅格和矢量图层，建立训练样本影像和标注，代入线特征提取网络MFLine‑Net和语义分割网络Res‑UNet分别训练；利用线特性提取网络MFLine‑Net提取线特征；利用Res‑UNet网络提取建筑屋顶语义信息；利用运动空间剖分算法生成胞腔复形；采用图割优化算法关联胞腔单元和屋顶语义信息；将相同屋顶语义信息的胞腔单元合并得到建筑轮廓图。该方法可以快速构建城市建筑轮廓图，满足基于无人机进行摄影测量建筑制图的需要。
-
公开(公告)号：CN119091040A
公开(公告)日：2024-12-06
申请号：CN202411099648.9
申请日：2024-08-12
Applicant: 南通大学
Abstract: 本发明的实施例提供了一种基于中轴变换的屋顶参数提取与建筑物三维建模的方法，属于测绘工程技术领域。所述方法包括以下步骤：对数字表面模型的DSM数据进行坡度计算，得到坡度栅格图像；对给定的建筑轮廓多边形进行离散点采样并构建KD树，遍历所述建筑轮廓多边形的每一条边，然后预设的边采样点数在每一条边上采样多个点，针对于每个采样点提取与所述每个采样点对应的中轴点；根据采样点与其对应的中轴点的连线在所述坡度栅格图像中获取各个采样点的高度和坡度，并将每条边对应采样点的高度中值和坡度中值作为该边的高程和坡度；基于建筑三维建模，根据每条边的高程和坡度，构建建筑物三维模型。
-
公开(公告)号：CN118570485A
公开(公告)日：2024-08-30
申请号：CN202410722651.5
申请日：2024-06-05
Applicant: 南通大学
IPC: G06V10/40 , G06V10/774 , G06V10/82 , G06V10/80 , G06V20/64 , G06V20/70 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的建筑三维点云线特征提取方法，包括：首先使用地面固定站激光扫描仪获取测区内建筑激光点云数据，接着对获取的建筑三维点云做切片，将切片点云投影到二维占用概率图像，同时根据切片点云的密度计算每个像素基于权重中心分解的PCA1生成分图像；然后人工标注建筑轮廓线并制作训练样本数据集；接着构建线特征提取神经网络LALine‑Net，通过网络训练、模型评估获得神经网络模型参数；应用新的数据进行模型预测，提取测区建筑激光点云的线特征；最后对提取的线特征进重拟合和优化得到最终的建筑轮廓线特征。本发明可以快速从激光点云中提取城市建筑轮廓线，具有更好的完整性和几何精度，可以满足基于激光三维点云建筑制图的需要。
-
-
-
-
-
Search Results
6
records
(took 0.012 seconds)
