申请/专利权人：华南理工大学;广州大斧文化科技有限公司

申请日：2024-02-28

公开（公告）日：2024-05-03

公开（公告）号：CN117975160A

主分类号：G06V10/764

分类号：G06V10/764;G06V10/44;G06T7/60;G06V10/25;G06V10/20;G06V10/80;G06N3/0464;G06N3/096

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.21#实质审查的生效;2024.05.03#公开

摘要：本发明公开了一种基于深度神经网络图像识别算法的传统民居层数识别方法，步骤如下：制作传统民居建筑图像的训练集和验证集；使用上述训练集与验证集，在YOLOv8x预训练模型的基础上，训练得到优化的传统民居建筑正立面墙体与门的识别模型；将待识别图像输入模型，得到识别结果；对识别结果坐标集进行处理，绘制墙体识别掩膜轮廓线以及门要素最高点像素坐标对应的竖向垂线，提取两线相交交点坐标；对坐标值进行计算获得正立面墙体与门相对高度值，计算二者比值；根据转换关系运算获得民居识别层数值。本方法服务于传统民居建筑基础情况普查工作，可用于传统民居建筑正立面图像的建筑层数快速、准确识别。

主权项：1.一种基于深度神经网络图像识别算法的传统民居层数识别方法，其特征在于，包括下列步骤：S1、图像采集：以网络公开的历史建筑正面与侧面影像为基本图源，进行目标传统民居图像采集；S2、图像格式处理：对采集的图像格式转换为.jpg格式，形成采集图像集J；S3、制作训练集与验证集：在采集图像集J中，选择并标注完整显示传统民居建筑正立面墙体以及同一面上的门的图像，将正立面形态标注记为WALL，门形态标注记为DOOR，形成训练集T与验证集Y，保存生成的json标注文件；S4、训练识别模型：使用上一步骤制作的训练集T，在yolov8x预训练模型的基础上进行训练，在验证集Y上进行验证，获得传统民居建筑正立面墙体与门识别模型wall_door_best.pt；S5、传统民居正立面墙体与门识别：输入待识别图片，记为待识别图像集U，输入模型wall_door_best.pt中进行识别，设在待识别图像集U中第i幅图像识别后获得对应传统民居建筑正立面墙体与门识别掩膜像素坐标集Pi；S6、识别结果像素坐标处理：将像素坐标集Pi读取为列表，进行判断分类储存，分别获得建筑正立面墙体识别掩膜像素坐标列表Wi与门识别掩膜像素坐标列表Di；S7、建筑正立面墙体识别掩膜轮廓线绘制：从列表Wi中提取传统民居建筑正立面墙体的识别掩膜像素坐标点，依据像素坐标点绘制传统民居建筑正立面墙体的识别掩膜多边形轮廓线，记该轮廓线为α；S8、门识别掩膜最高点像素坐标提取：从列表Di中提取传统民居建筑门识别掩膜像素坐标点在像素坐标系中y轴最小值ya所对应的像素坐标点dixa,ya，并判断像素坐标点di中的x轴像素坐标xa是否在建筑正立面墙体识别掩膜x轴像素坐标的区间范围内，通过分析获取最终目标门识别掩膜最高点值；S9、传统民居建筑正立面墙体识别掩膜轮廓线与垂线相交交点像素坐标集合生成：在识别图像像素坐标系中绘制x＝xa垂直于x轴的垂线，记该垂线为β，该直线与α相交形成多个交点，记生成交点y轴像素坐标值集合为Ri；S10、正立面墙体与门相对高度值计算：墙相对高度值为图像中建筑正立面地面至檐口墙体的垂直距离，通过计算轮廓线α与垂线β交点中最高点与最低点y轴像素坐标值之差可得，即集合Ri中最大值yc与最小值yb之差，记墙相对高度值为hwall；门相对高度值为图像中地面到建筑正立面上门檐的垂直距离，通过计算轮廓线α与垂线β交点中最低点y轴像素坐标值与门要素最高点y轴像素坐标值之差可得，即集合Ri中最大值yc与ya之差，记门相对高度值为hdoor；S11、正立面墙体与门相对高度值比值计算：记正立面墙体相对高度值与门相对高度值比值为Qi，正立面墙体相对高度值与门相对高度值比值S12、层数值获得：根据正立面墙体相对高度值与门相对高度值比值与层数值转换关系，先对Qi进行取整，记整数结果为Ei，提取Qi小数部分，记为Gi，对Gi进行数值判断后得出最终层数值floor_num。

全文数据：

权利要求：

百度查询： 华南理工大学;广州大斧文化科技有限公司 一种基于深度神经网络的传统民居层数识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD