[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

说明书

本申请涉及地形分割识别技术领域，特别涉及一种基于机器视觉的用地规划方法、系统及电子设备。所述方法包括：采集目标区域的地形图像数据；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；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；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。本申请省去了大量的人工户外测绘作业，应用场景的限制条件少，能够广泛，识别精度高。

技术领域

本申请涉及地形分割识别技术领域，特别涉及一种基于机器视觉的用地规划方法、系统及电子设备。

背景技术

图像处理和计算机视觉是指用摄影机和计算机代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步用计算机做图像处理，生成更适合人眼观察或传送给仪器检测的图像。

机器学习应用在图像(视频)识别上具有准确率高、识别速度快的优势。机器学习是人工智能的一个分支。人工智能的研究是从以“推理”为重点到以“知识”为重点，再到以“学习”为重点，一条自然、清晰的脉络。显然，机器学习是实现人工智能的一个途径，即以机器学习为手段解决人工智能中的问题。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。

湖南大学的邓维在硕士论文中提出了一种基于道路地形图的道路识别技术研究，该研究对比了各种图像分割技术，分析了阈值分割方法、边缘检测方法、区域分割方法等技术的主要特点。结合道路地形图像的道路特征，采用图像灰度化算法、灰度直方图均衡化算法，引入权植参数，提出了一种改进的中值滤波算法，在对图像进行对比度扩展后进行滤波去噪处理，然后针对道路地形特征，运用改进的中值滤波、阈值分割等图像处理技术，采用图像骨架的方式提取图像特征，对道路地形图进行识别提取，并给出了一套较为完整的目标识别算法与流程。最后，实现了一个道路地形识别系统，实现了对道路地形目标的识别定位，验证了该算法的正确性、可靠性和可行性。该方法针对于道路的识别速度效率较高，具有一定的实用性，但通过图像处理之后的图片仍然需要专业人员去阅读图片获取有效信息。

浙江大学和国家重点实验室(杭州)的朱文忠提出一种基于颜色特征的地形图要素分割和识别，该研究在《模式识别和人工智能》1996年9卷第2期中刊出。地图模式识别的基础技术是要素分，该研究在讨论分析了系列比例尺地形图的颜色特征和形状特征的基础上，结合图像处理技术和模式识别原理，提出了基于颜色特征的地形图要素分割和识别。该方法实现了地形图要素的自动分版，减少了地形图单要素识别和矢遗化的难度，但其仅仅完成主要目标的提取、识别和分类，并没有分割出各个类别目标的区域。

地形地貌对农林业的影响至关重要，在规划农垦区和林业区的过程中，如何高效准确地划分出平原和丘陵山岭地区，是地形合理规划的关键。而随着中国计算机科学和农林业自动化与智能化的发展，机器学习的相关研究成果在生产生活的应用越来越多。然而，基于机器学习的对象识别和分割技术对农垦区和林区用地进行规划目前还处于空白状态。

发明内容

本申请提供了一种基于机器视觉的用地规划方法、系统及电子设备，旨在至少在一定程度上解决现有技术中的上述技术问题之一。

为了解决上述问题，本申请提供了如下技术方案：

一种基于机器视觉的用地规划方法，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；