[發明專利]一種基于深度學習圖像分割的光伏屋頂資源識別方法在審
| 申請號： | 201911102893.X | 申請日： | 2019-11-12 |
| 公開（公告）號： | CN111191500A | 公開（公告）日： | 2020-05-22 |
| 發明（設計）人： | 吳科春;沈翀;許健彰;魏梁 | 申請（專利權）人： | 廣東融合通信股份有限公司 |
| 主分類號： | G06K9/00 | 分類號： | G06K9/00;G06K9/62 |
| 代理公司： | 廣州恒華智信知識產權代理事務所(普通合伙) 44299 | 代理人： | 唐一鳴 |
| 地址： | 519000 廣東省珠海市橫琴新區環島東*** | 國省代碼： | 廣東;44 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 深度 學習 圖像 分割 屋頂 資源 識別 方法 | ||
1.一種基于深度學習圖像分割的光伏屋頂資源識別方法，其特征在于：包括如下步驟：
100、獲取數據：從地圖服務商獲取指定區域的衛星遙感圖片；
101、標注數據；在所述衛星遙感圖片標注出不同類型的屋頂類型；
102、訓練模型：針對不同的屋頂類型訓練建筑物屋頂分割模型；
103、組合模型：利用多個訓練好的建筑物屋頂分割模型組合成一個組合模型；
104、批量識別數據：利用組合模型批量識別遙感圖片數據，得到各種類型的屋頂輪廓數據；
105、輸出識別結果，供用戶查詢。
2.根據權利要求1所述的基于深度學習圖像分割的光伏屋頂資源識別方法，其特征在于：所述步驟103和步驟104之間包含識別測試步驟，用以檢測所述組合模型的檢測識別效果，如其檢測識別效果達到要求則進入步驟104，如其檢測識別效果未達到要求則返回步驟101。
3.根據權利要求1所述的基于深度學習圖像分割的光伏屋頂資源識別方法，其特征在于：所述步驟104與步驟105之間包含優化識別結果步驟，對所述屋頂輪廓數據的邊界和存在的空洞進行優化處理。
4.根據權利要求3所述的基于深度學習圖像分割的光伏屋頂資源識別方法，其特征在于：所述優化識別結果步驟采用CRF對預測識別結果進行后處理優化。
5.根據權利要求1所述的基于深度學習圖像分割的光伏屋頂資源識別方法，其特征在于：所述屋頂類型包含水泥屋頂、彩鋼瓦屋頂和已安裝光伏板屋頂三種類型。
6.根據權利要求1所述的基于深度學習圖像分割的光伏屋頂資源識別方法，其特征在于：所述步驟102中利用Unet卷積神經網絡訓練建筑物屋頂分割模型。
7.根據權利要求1所述的基于深度學習圖像分割的光伏屋頂資源識別方法，其特征在于：所述步驟102中用于訓練建筑物屋頂分割模型的每種屋頂類型衛星遙感圖片數量不少于800張。
8.根據權利要求1所述的基于深度學習圖像分割的光伏屋頂資源識別方法，其特征在于：各個建筑物屋頂分割模型包含一個用于判斷遙感圖片中是否包含相應類型建筑物的分類閾值。
9.根據權利要求8所述的基于深度學習圖像分割的光伏屋頂資源識別方法，其特征在于：所述分類閾值為0-1之間。
10.一種計算機可讀介質，其上存儲有計算機程序，其特征在于：該程序被計算機或處理器執行以實現如權利要求1-8任一所述的方法。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于廣東融合通信股份有限公司，未經廣東融合通信股份有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201911102893.X/1.html，轉載請聲明來源鉆瓜專利網。
- 彩色圖像和單色圖像的圖像處理
- 圖像編碼/圖像解碼方法以及圖像編碼/圖像解碼裝置
- 圖像處理裝置、圖像形成裝置、圖像讀取裝置、圖像處理方法
- 圖像解密方法、圖像加密方法、圖像解密裝置、圖像加密裝置、圖像解密程序以及圖像加密程序
- 圖像解密方法、圖像加密方法、圖像解密裝置、圖像加密裝置、圖像解密程序以及圖像加密程序
- 圖像編碼方法、圖像解碼方法、圖像編碼裝置、圖像解碼裝置、圖像編碼程序以及圖像解碼程序
- 圖像編碼方法、圖像解碼方法、圖像編碼裝置、圖像解碼裝置、圖像編碼程序、以及圖像解碼程序
- 圖像形成設備、圖像形成系統和圖像形成方法
- 圖像編碼裝置、圖像編碼方法、圖像編碼程序、圖像解碼裝置、圖像解碼方法及圖像解碼程序
- 圖像編碼裝置、圖像編碼方法、圖像編碼程序、圖像解碼裝置、圖像解碼方法及圖像解碼程序
