[发明专利]一种基于机器视觉的用地规划方法、系统及电子设备

权利要求书

1.一种基于机器视觉的用地规划方法，其特征在于，包括：

步骤a：采集目标区域的地形图像数据；

步骤b：构建基于“区域卷积神经网络分支+对象区域全卷积分支”的卷积神经网络模型；

步骤c：将所采集的地形图像数据输入所述基于“区域卷积神经网络分支+对象区域全卷积分支”的卷积神经网络模型，通过该卷积神经网络模型提取所述地形图像数据中各地形对象的地形特征，并根据所述地形特征进行地形对象分类以及地形区域分割；

步骤d：根据地形对象分类以及地形区域分割结果判断所述目标区域的地形组成，并对所述目标区域进行用地规划；

其中，所述区域卷积神经网络分支包括输入层、可视化卷积网络、区域化目标网络层、活跃区域池化层、第一卷积层、第二卷积层、第一全连接层、第二全连接层和输出层；

所述对象区域全卷积分支包括活跃区域量化层、具备残差网络结构的特征金字塔网络、第三卷积层、第四卷积层和第五卷积层。

2.根据权利要求1所述的基于机器视觉的用地规划方法，其特征在于，在所述步骤a中，所述地形图像数据为通过航拍设备采集的地形视频数据。

3.根据权利要求2所述的基于机器视觉的用地规划方法，其特征在于，在所述步骤a中，所述采集地形图像数据还包括：

步骤a1：按照数据分割间隔时间将采集的地形视频数据分割成包含地形对象的地形图片；

步骤a2：对每幅地形图片分别进行垂直翻转和镜像处理；

步骤a3：对每幅地形图片进行向下采样；

步骤a4：分别标注每幅地形图片中各地形对象的地形类别标签、各地形对象对应的地形位置标注框以及地形区域标注值；其中，所述地形类别标签是指各地形对象的地貌形态，所述地形位置标注框是指各地形对象在地形图片中所在的位置，所述地形区域标注值是指各地形对象在地形图片中的像素点分割标注值。

4.根据权利要求3所述的基于机器视觉的用地规划方法，其特征在于，所述步骤b还包括：将训练集中的地形图片输入基于“区域卷积神经网络分支+对象区域全卷积分支”的卷积神经网络模型，对卷积神经网络模型进行训练。

5.根据权利要求4所述的基于机器视觉的用地规划方法，其特征在于，在所述步骤b中，所述对卷积神经网络模型进行训练具体包括：

步骤b1：通过所述输入层输入地形图片；

步骤b2：通过所述可视化卷积网络使用叠加五次的卷积层和池化层提取地形图片的原始地形特征；

步骤b3：通过所述区域化目标网络根据原始地形特征提取带有地形位置候选框的地形图片特征集；

步骤b4：通过所述活跃区域池化层对所述带有地形位置候选框的地形图片特征集下采样处理；

步骤b5：通过所述第一卷积层和第二卷积层对所述下采样后的地形图片特征集进行两次卷积处理，得到尺寸和维数不变的地形图片特征集；

步骤b6：通过所述第一全连接层和第二全连接层采用RELU激活函数和drop对地形图片特征集进行处理，得到地形特征集合；

步骤b7：通过输出层根据地形特征集合输出各地形对象对应的地形类别和地形位置候选框。

6.根据权利要求5所述的基于机器视觉的用地规划方法，其特征在于，在所述步骤b中，对象区域全卷积分支的可视化卷积网络和区域化目标网络层与区域卷积神经网络分支共享同一个网络，所述对卷积神经网络模型进行训练还包括：

步骤b8：通过所述活跃区域量化层对带有地形位置候选框的地形图片特征集进行下采样；

步骤b9：通过所述具备残差网络结构的特征金字塔网络对下采样后的地形图片特征集提取不同层次的地形图片特征集；

步骤b10：通过所述第三卷积层和第四卷积层对所述不同层次的地形图片特征集进行卷积处理，并通过所述第五卷积层输出各地形对象对应的地形区域。