U型卷积神经网络航空影像建筑物检测

针对日益严峻的停车难问题,提出一种基于改进卷积神经网络停车场空车位检测方法。首先,根据车位只需用两种状态来表示其占空的特点,对传统卷积神经网络结构进行改进,提出迷你卷积神经网络(mcnn)的概念;然后,通过减少网络参数来减少训练和识别时间,并在网络中加入局部响应归一化层以加强对明度的校正,以及使用小卷积核来获取更多图像细节;最后,对视频帧图进行手动掩码设置,通过边缘检测切割成单个车位图,并使用训练好的mcnn进行车位识别。实验结果表明,与传统机器学习方式相比,基于mcnn的检测方法识别率能提高3~8个百分点,同时网络参数仅为常规使用卷积模型的1/1000,且在文中所述的几种不同环境中,识别率的均保持在92%以上。实验结果表明,mcnn可移植到低配置摄像头,实现停车场空车位自动检测。

softwareengineeringandapplications软件工程与应用,2018,7(6),273-282 publishedonlinedecember2018inhans.http://www.hanspub.org/journal/sea https://doi.org/10.12677/sea.2018.76031 文章引用:熊辉,梁培锋,黄俊健,胡敏.基于卷积神经网络的高楼外墙裂缝检测系统[j].软件工程与应用,2018,7(6): 273-282.doi:10.12677/sea.2018.76031 convolutionneuralnetwork-basedsystem fordetectingcracksonexteriorwall huixiong1,2*,peife

彩色航空影像中的建筑物阴影提取

提出了根据实测数据构造神经网络变形预测模型的基本思路,构造出基于bp算法的神经网络变形预测模型,并给出应用实例分析。结果表明,神经网络应用于变形预测效果良好,具有一定参考价值和指导意义。

为了从高分辨率遥感图像中完整提取建筑物区域,采用区域分割的原理,研究了建筑物自动检测的方法。该方法首先利用利用k-mean分类方法将地物分为两类:人工地物类和非人工地物类,然后利用阴影、meanshift分割信息来剔除人工地物类中干扰区域,再根据形状分析来确定真实的建筑物区域。本文用上述方法对高分辨率航空影像进行了实验,实验结果证明了该方法有着较高的识别率、较好的准确性和鲁棒性,具有实用价值。

建筑节能是当今城市建设和社会发展的前沿和研究热点,对建筑的能耗现状进行综合分析与评估是进行节能改造或节能设计的前提和基础,而建立反映能耗变化的预测模型是从宏观尺度上分析认识建筑能耗变化与发展特性、为公共建筑节能工作提供决策依据的有效途径和重要手段。研究针对常规bp网络算法收敛速度慢、易陷入局部最小点的缺点,采用了具有较快收敛速度及稳定性的lm算法进行预测,构造了基于bp神经网络的建筑物用电量预测模型。以某市公共建筑原始用电能耗统计数据作为样本,并采用matlab对预测模型进行了仿真预测。结果显示:误差在允许范围内。

根据建筑物实测沉降利用人工神经网络理论,建立了前馈网络预测模型并提出新的学习算法,结合某建筑物纠偏工程实例对建筑物沉降进行了预测.预测结果表明神经网络方法是可行且有效的.

建筑物沉降的诱因与沉降量之间有一个复杂的非线性相关性,应用回归法对这种复杂的相关性进行分析有较大的局限性。人工神经网络是由许多神经元组成的大规模非线性系统,具有较强的动态处理能力,能对简单的非线性函数进行多次复合,来实现一个复杂的非线性函数。神经网络这些特性满足建筑物沉降分析的需求。实例表明,应用神经网络bp算法可以对建筑物沉降原因进行更客观的分析,对沉降趋势预测效果也较好。

在我们应用回归方法对建筑物沉降原因分析及沉降趋势的预测中,由于实际情况的复杂性及主观认识的局限性,这样所得的结果含有较多的人为因素,可能会与实际情况有所差异。针对这种情况,讨论了应用神经网络方法来发现和验证引起建筑物沉降的因素及对沉降趋势的预测。实例表明,该方法能取得较好的效果。

为解决建筑物基础沉降量的安全监测问题,对其进行有效的预测、校核与分析,运用matlab软件建立径向基神经网络模型对某市建筑物的基础沉降量进行预测.结果表明:径向基神经网络的结构形式简易,适应能力更强,预测误差比bp网络小,平均约为66.83%,达到预测精准度所需的耗时短、收敛速度更快.径向基神经网络的预测结果与实测结果较为吻合,表明径向基神经网络预测模型适用于建筑工程沉降预测领域之中.

提出基于人工神经网络的基础最终沉降的预测新方法,通过工程实例应用,在较短的实测资料情况下,可获得较小误差的最终沉降量,所建立的模型预测精度高。

将粗糙粗集理论和神经网络原理结合起来,建立了基于粗集-神经网络的建筑物震害预测模型。首先运用粗糙集理论,根据原始样本建立决策表进行属性离散化、属性重要性排序、属性约简和分类规则的提取;然后将所提取的关键成分作为神经网络的输入训练模型。实例研究表明,基于粗集-神经网络的多层砖房震害预测结果与实际震害基本吻合。该模型简化了神经网络结构,提高了训练速度和分类精度,还能对各因素对房屋震害的影响度进行分析。

介绍了基于matlab的径向基函数rbf神经网络对于建筑物沉降预测的方法,讨论了rbf神经网络的构造思路、参数和分布密度spread的选择。为建筑物变形监测人员的数据分析、变形预测提供了一个可行的概念。

基于人工神经网络强大的动态数据处理能力和学习能力，本文对应用bp神经网进行建筑物沉降预测的方法进行了初步探讨，并通过实例分析了该方法的可行性和实用性。

传统的遥感影像目标检测方法大多利用人工提取特征,难以用于背景复杂的高分辨率遥感影像。以高分辨率遥感影像建筑物图像为研究对象,设计了一种基于lvq神经网络的建筑物提取方法。对图像提取其颜色、纹理与形状特征,构成图像特征矢量并将其特征归一化,利用lvq神经网络识别并提取出建筑物。通过与其它典型神经网络识别方法进行实验比较,结果表明该算法相对于单层感知器识别率提高了10.0%,比bp神经网络识别率提高了22.5%,能取得更理想的提取效果。

在对航空影像中的建筑物进行识别提取时,建筑物顶部的轮廓信息是一个重要的判断依据。基于航空影像建筑物个数繁多、形状复杂,且存在较多的干扰信息,提出一种新颖有效的建筑物识别方法:首先,利用改进标记分水岭算法提取建筑物区域。然后,对每个分割得到的建筑物区域,提取其轮廓,对轮廓进行基于平稳小波变换的仿射不变量计算,并构造建筑物模型数据库,利用相关系数实现了建筑物的有效识别。

基于航空影像的建筑物半自动提取技术研究

介绍灰色神经网络模型的建模原理和方法,并采用该模型对实际的监测数据进行处理和分析。结果表明,灰色神经网络模型能够在小样本、贫信息和波动数据序列等情况下对变形监测数据做出比较准确的模拟和预报,从而能够为变形监测的数据处理提供一种较好的方法,能够满足实际应用的需求。

用vb编制了人工神经网络的通用bp算法程序。根据西安参考年气象参数,采用动态模拟程序计算了某办公楼4月至9月逐时冷负荷,结果显示利用神经网络的预测值与计算值吻合。

本研究克服了单纯采用专家风险因子测度方法主观性较强的缺点,以及单纯采用人工神经网络评估模型模糊性的缺点,结合两种方法的优点,利用基于bp神经网络算法的microsoftvisualc++程序,在专家风险因子测度基础上,通过大量风险评估成功案例数据的训练,成功建立了航空型号项目风险预测模型。该模型可以较为精确、客观地预测型号项目的失败概率、成功概率、失败后果等风险因子,为型号项目管理决策提供更可靠的理论指导。

针对航空影像中矩形建筑物半自动重建进行了研究。该方法基于最小二乘模型影像匹配算法,通过使航空影像中提取的建筑物边缘与模型投影线之间距离和最小计算建筑物的参数。给出用csg与b-rep相结合描述的矩形体基本模型,人工在影像上选点建立建筑物的初始模型,将初始模型反投到影像上,并对影像进行边缘提取,根据最小二乘模型影像匹配算法求解最佳模型参数。实验结果证明该方法有较高的准确性。该算法除航空影像与影像方位元素外不需要其他辅助数据,只需人工计算初始值,其他计算由计算机完成,速度较快,节约了人力物力,具有较强的应用价值。

当前人工调查土地资源利用情况具有较高的人力成本且劳动强度大；对其实现自动变化检测具有较高的理论和应用价值；将深度置信网络(deepbeliefnetwork；dbn)应用于高分辨率遥感影像的建筑物变化检测；但dbn在变化检测时存在由误判现象造成的建筑物完整度欠缺、空间存在噪声等问题；提出dbn与数学形态学融合模型对高分辨率遥感影像建筑物进行变化检测；在遥感影像预处理基础上；标记少量明显的变化与未变化样本；利用搜索窗口从标记的区域获取大量带有标签的样本训练融合模型分类器对建筑物进行变化检测；检测方法准确率为94.76%；召回率为87.63%；f1为91.06%；实验结果表明；该方法可以为建筑物的变化检测提供有效依据；