面向地理場景的人工智能技術(shù)VIP

面向地理場景的人工

智能技術(shù)軟件技術(shù)研究所-智慧地理研究室目錄/Contents01020304背景概述研究目標(biāo)技術(shù)架構(gòu)能力應(yīng)用01

背景概述人工智能領(lǐng)域發(fā)展趨勢起于1950年，計(jì)算機(jī)象棋博弈，期間經(jīng)歷了3次冰期，2010年，Alex

Net

大賽獲得成功，近十年快速發(fā)展并應(yīng)用到多個(gè)領(lǐng)域。面向地理場景的人工智能技術(shù)（GeoAI）2017年，學(xué)術(shù)界開始興起對GeoAI技術(shù)的關(guān)注，2018年開始逐步產(chǎn)業(yè)轉(zhuǎn)化。GeoAI的現(xiàn)狀與發(fā)展趨勢如何高效地實(shí)現(xiàn)土地利用數(shù)據(jù)自動(dòng)化辨識(shí)與分類？如何實(shí)現(xiàn)多種城市空間數(shù)據(jù)智能分析研判？GIS在技術(shù)發(fā)展中遇到的問題將AI應(yīng)用到GIS中解決問題并創(chuàng)造新的價(jià)值——GeoAI空間數(shù)據(jù)融合地理數(shù)據(jù)采集空間數(shù)據(jù)分析城市空間感知計(jì)算機(jī)視覺傳統(tǒng)數(shù)據(jù)分析深度學(xué)習(xí)增強(qiáng)學(xué)習(xí)人工智能機(jī)器學(xué)習(xí)GeoAI的現(xiàn)狀與發(fā)展趨勢2019年，中國人工智能市場規(guī)模將近280億元。預(yù)計(jì)在2023年，AI市場將達(dá)到1200億。其中GeoAI，作為支撐智慧城市、智慧安防、智慧公安的特色應(yīng)用，蘊(yùn)藏在其中，市場潛力巨大。國內(nèi)外從事GeoAI的研究機(jī)構(gòu)主要有：武漢大學(xué)、北京航天航空大學(xué)、浙江大學(xué)，從事GeoAI的研發(fā)企業(yè)主要有：ESRI和SuperMap，鮮有應(yīng)用廠商開展GeoAI往一般項(xiàng)目應(yīng)用，近三年將成為熱點(diǎn)。在未來的五年AI+GIS將逐步走向成熟，市場前景廣闊。GeoAI的主要研究方向：計(jì)算機(jī)視覺

深度學(xué)習(xí)

空間分析

大數(shù)據(jù)技術(shù)面向地理場景的人工智能技術(shù)（GeoAI）業(yè)務(wù)需求GISAIGeoAI產(chǎn)品模塊++應(yīng)用開發(fā)+ （協(xié)作） =060100聚焦主營業(yè)務(wù)、分兩階段、第一階段重應(yīng)用、第二階段立特色掌握階段 應(yīng)用階段 提升階段第一階段第二階段同行競品1

同行競品280團(tuán)隊(duì)簡介智慧地理研究室由國圖研究生工作站構(gòu)成，主要依托虛擬地理環(huán)境教育部重點(diǎn)實(shí)驗(yàn)室。地理學(xué)國家雙一流專業(yè)，學(xué)科排名僅次于北京大學(xué)、武漢大學(xué)。團(tuán)隊(duì)規(guī)模20余人，包括4名教授級(jí)導(dǎo)師、3名博士、社招員工及碩士近20名，團(tuán)隊(duì)始建于2014年。團(tuán)隊(duì)定位面向地理場景的人工智能新技術(shù)、新產(chǎn)品研發(fā)。團(tuán)隊(duì)簡介從工作中來，凝練提升，再到工作中去，10余篇發(fā)明專利。一種基于互聯(lián)網(wǎng)地圖地理編碼引擎的不動(dòng)產(chǎn)登記數(shù)據(jù)脫敏與空間化方法;一種基于雙線性內(nèi)插模型的不動(dòng)產(chǎn)登記數(shù)據(jù)地理信息脫密方法基于機(jī)動(dòng)站、固定站，圍繞目標(biāo)檢測模型和空間定位技術(shù)，撰寫和申報(bào)專利。一種三維樓盤表建模方法；一種基于正切空間曲線的房屋分層分戶圖自動(dòng)配準(zhǔn)算法；一種面向分層分戶圖的多邊形擴(kuò)展算法；基于YOLO-SLATC的固定站目標(biāo)檢測與定位算法；《國土資源信息化》發(fā)表4篇文章；02

研究目標(biāo)公司業(yè)務(wù)潛在需求分析視頻融合隨著海量視頻攝像頭日益被布設(shè)，

監(jiān)控?cái)z像被應(yīng)用到城市的各個(gè)角落，面對復(fù)雜的視頻場景，

視頻監(jiān)控圖像不再是我們傳統(tǒng)印象中的連續(xù)圖像畫面，而是可疊加地理信息的視頻地圖，

可疊加物聯(lián)網(wǎng)、業(yè)務(wù)數(shù)據(jù)等海量的數(shù)據(jù)庫，可進(jìn)行人工智能分析的數(shù)據(jù)分析平臺(tái)，“視頻+地圖+人工智能”的全新時(shí)代已經(jīng)到來！公司業(yè)務(wù)潛在需求分析實(shí)景融合基于三維地圖場景與監(jiān)控視頻融合的系統(tǒng)，將部署在不同地理位置的多路實(shí)時(shí)監(jiān)控視頻，與監(jiān)控區(qū)域的三維模型進(jìn)行校正配準(zhǔn)，使用三維渲染技術(shù)，將實(shí)時(shí)視頻動(dòng)態(tài)映射到三維模型中，生成大范圍監(jiān)控區(qū)域的三維全景監(jiān)控畫面。與傳統(tǒng)的單純獲取監(jiān)控目標(biāo)的實(shí)時(shí)音頻、視頻信息相比，繼承了三維空間信息的三維視頻監(jiān)控系統(tǒng)在增強(qiáng)用戶空間意識(shí)、輔助用戶應(yīng)急決策等方面將發(fā)揮更大的作用。公司業(yè)務(wù)潛在需求分析目標(biāo)監(jiān)測目標(biāo)檢測是一種運(yùn)用計(jì)算機(jī)視覺及機(jī)器學(xué)習(xí)相關(guān)算法,在圖片或者視頻序列中,檢測出感興趣目標(biāo)并給出其位置及類別信息的技術(shù)方法。由于各類物體有不同的外觀，形狀，姿態(tài)，加上成像時(shí)光照，遮擋等因素的干擾，目標(biāo)檢測一直是機(jī)器視覺領(lǐng)域最具有挑戰(zhàn)性的問題。目標(biāo)檢測在很多領(lǐng)域都有應(yīng)用需求，包括自動(dòng)駕駛、增強(qiáng)現(xiàn)實(shí)、視頻監(jiān)控安防以及基于目標(biāo)檢測的結(jié)果進(jìn)行空間分析等。公司業(yè)務(wù)潛在需求分析在“三調(diào)”業(yè)務(wù)中，以人工主導(dǎo)和機(jī)器輔助的作業(yè)方式已不滿足需求難以適應(yīng)高速的城市化進(jìn)程和深入的土地利用規(guī)劃傳統(tǒng)國土調(diào)查的弊端基于深度學(xué)習(xí)的影像分割影像分割通過基于深度學(xué)習(xí)的影像分割和分類技術(shù)，能夠快速實(shí)現(xiàn)高分辨率遙感影像的高精度分類（高效性），快速自動(dòng)化的獲取各土地利用類型的邊界和定量化指標(biāo)（準(zhǔn)確性），全程人工參與度較少（經(jīng)濟(jì)性）。還可以拓展應(yīng)用到自然資源調(diào)查監(jiān)測，國土空間規(guī)劃等領(lǐng)域。公司業(yè)務(wù)潛在需求分析。，軌跡跟蹤與定位軌跡跟蹤與定位是計(jì)算機(jī)視覺領(lǐng)域的重要研究方向之一,在智能視頻監(jiān)控、人機(jī)交互、機(jī)器人導(dǎo)航和公共安全等領(lǐng)域有著重要的作用。目標(biāo)跟蹤的基本問題是在一個(gè)視頻或圖像序列中選擇一個(gè)的目標(biāo),在接下來的連續(xù)幀中,找到該目標(biāo)的準(zhǔn)確位置并形成其運(yùn)動(dòng)軌跡。以跨境追蹤為例，根據(jù)行人的穿著、體態(tài)、發(fā)型等信息認(rèn)知行人還可以與人臉識(shí)別技術(shù)結(jié)合能夠適用于更多新的應(yīng)用場景，提供更加豐富的服務(wù)。人工智能領(lǐng)域發(fā)展趨勢實(shí)景融合影像分割GeoAI對象標(biāo)注對象定位與軌跡跟蹤圖視融合WebGIS+3DGISGIS平臺(tái)數(shù)據(jù)庫數(shù)據(jù)爬取 數(shù)據(jù)科學(xué) CV 深度學(xué)習(xí)應(yīng)用框架前端開發(fā)人工智能技術(shù)03

研究架構(gòu)技術(shù)架構(gòu)以GIS+AI為目標(biāo)，實(shí)現(xiàn)GIS+Python多源能力的技術(shù)棧組合內(nèi)核應(yīng)用基礎(chǔ)研發(fā)內(nèi)容計(jì)劃基礎(chǔ)準(zhǔn)備1臺(tái)電腦1個(gè)攝像頭一個(gè)室外地圖預(yù)計(jì)時(shí)間3個(gè)人月預(yù)期成果一套模型一套代碼一個(gè)專利視圖融合“圖”指二維地圖要素，如：圖斑；“視”指攝像頭視頻。基于計(jì)算機(jī)視覺特征匹配技術(shù)實(shí)現(xiàn)地圖要素投射到攝像頭視頻中，實(shí)現(xiàn)地圖與視頻融合。融合結(jié)果可以評(píng)價(jià)其融合的空間精度和隨距離擴(kuò)大導(dǎo)致的精度誤差損失。應(yīng)用攝像頭畫面粗方位點(diǎn)要素線要素配準(zhǔn)實(shí)戰(zhàn)應(yīng)用控制預(yù)設(shè)攝像頭畫面影像畫面刺點(diǎn)配準(zhǔn)人工標(biāo)注控制點(diǎn)研發(fā)內(nèi)容實(shí)景融合“實(shí)景”指三維模型，如：三維傾斜攝影模型、三維城市建筑物模型、三維BIM

模型。將視頻拍攝的視頻畫面，抽取幀，

基于每幀的SIFT特征，從模型中尋找特征點(diǎn)，然后實(shí)現(xiàn)特征點(diǎn)匹配。最終，該功能實(shí)現(xiàn)將視頻融合投射到三維場景中，進(jìn)而彌補(bǔ)現(xiàn)有基于攝像機(jī)擺設(shè)位置和姿態(tài)參數(shù)不準(zhǔn)確導(dǎo)致的投射效果差的問題。計(jì)劃基礎(chǔ)準(zhǔn)備1臺(tái)電腦1個(gè)攝像頭一個(gè)室內(nèi)3DMax模型預(yù)計(jì)時(shí)間4個(gè)人月預(yù)期成果一套模型一套代碼一篇碩士論文一個(gè)專利研發(fā)內(nèi)容目標(biāo)檢測基于人工智能技術(shù)中的對抗神經(jīng)網(wǎng)絡(luò)構(gòu)建多特征組合的神經(jīng)網(wǎng)絡(luò)，經(jīng)多樣本采集、打標(biāo)簽、訓(xùn)練，形成模型成果。模型成果可以應(yīng)用到城市建筑物、城市部件、城市攤點(diǎn)、地塊要素、行人等的多特征標(biāo)簽提取。然后換算空間位置，實(shí)現(xiàn)對象的空間化表達(dá)。（1）面向小尺度的室內(nèi)場景，通過目標(biāo)檢測+視覺+多攝像頭BIM+立體人流量檢測與表達(dá)+視頻，面向地鐵公安，實(shí)現(xiàn)客流三維檢測。視頻 YOLO模型目標(biāo)檢測錨點(diǎn)提取錨點(diǎn)提取預(yù)設(shè)機(jī)位投射參數(shù)錨點(diǎn)落地地理場景投射BIM模型客流三維檢測系統(tǒng)DEMO模型構(gòu)建預(yù)設(shè)機(jī)位室內(nèi)測量實(shí)施流程計(jì)劃基礎(chǔ)準(zhǔn)備1臺(tái)DL電腦1個(gè)攝像頭1個(gè)BIM模型預(yù)計(jì)時(shí)間4個(gè)人月預(yù)期成果一套模型一套代碼一個(gè)可體驗(yàn)的系統(tǒng)GTC大會(huì)現(xiàn)場體驗(yàn)一個(gè)碩士論文一篇SCI研發(fā)內(nèi)容對象標(biāo)注（2）面向大尺度的室外場景：慧眼守土（預(yù)計(jì)采用無人機(jī)的方式采集4萬個(gè)樣本，其中有效樣本不低于2萬，訓(xùn)練目標(biāo)對象含：挖掘機(jī)/渣土車/工地板房/動(dòng)土/鋼筋和磚瓦組合，應(yīng)用于河道污染檢測、森林防火檢測和城市積水檢測等等。無人機(jī)采集多類型打標(biāo)簽歷史樣本SSDYOLOFasterRCNN標(biāo)簽易網(wǎng)站VOC2007數(shù)據(jù)集構(gòu)建生成模型模型預(yù)測適應(yīng)度評(píng)價(jià)超參調(diào)整模型服務(wù)API服務(wù)調(diào)取實(shí)施流程計(jì)劃基礎(chǔ)準(zhǔn)備1臺(tái)DL電腦1個(gè)無人機(jī)預(yù)計(jì)時(shí)間4個(gè)人月預(yù)期成果一套模型一套代碼一個(gè)開工跡象服務(wù)研發(fā)內(nèi)容影像分割基于SuperMap10i平臺(tái)，將深度學(xué)習(xí)影像分割技術(shù)應(yīng)用到高分遙感影像上，實(shí)現(xiàn)三調(diào)地類變化識(shí)別和分析；面向大尺度的室外場景，定制三調(diào)一級(jí)大類（13類）的樣本數(shù)據(jù)，預(yù)計(jì)在北方和南方各找一個(gè)縣，分秋冬兩個(gè)季節(jié)，訓(xùn)練出三調(diào)分類的通用模型。另外再找其他地區(qū)（2個(gè)縣）的數(shù)據(jù)做預(yù)測，判別本模型的效果。（13類*2個(gè)縣*2個(gè)季節(jié)+2個(gè)縣預(yù)測）數(shù)據(jù)收集影像數(shù)據(jù)矢量數(shù)據(jù)數(shù)據(jù)質(zhì)檢樣本分割模型訓(xùn)練模型預(yù)測適應(yīng)度評(píng)價(jià)調(diào)參三調(diào)地類分類地類合并歷史三調(diào)地類分類難點(diǎn)地類變化檢測支撐應(yīng)用和數(shù)據(jù)生產(chǎn)其他圖層數(shù)據(jù)融入，如：微波遙感/Liadar模型改進(jìn)服務(wù)API 輸出業(yè)務(wù)模型實(shí)施流程計(jì)劃基礎(chǔ)準(zhǔn)備1臺(tái)DL電腦預(yù)計(jì)時(shí)間2-4個(gè)人月預(yù)期成果一套模型一套代碼一個(gè)碩士論文一篇SCI研發(fā)內(nèi)容軌跡追蹤與定位多目攝像頭中目標(biāo)對象的三維空間前方交會(huì)，反算人所在的空間位置，并根據(jù)對象標(biāo)注實(shí)現(xiàn)對象ID化，模擬實(shí)現(xiàn)軌跡刻畫。針對軌跡結(jié)果評(píng)價(jià)精度變化。集成第三方廠商的應(yīng)用。多粒度網(wǎng)絡(luò)架構(gòu)。ResNet-50主干在res_conv4_1殘塊之后被分成三個(gè)分支:全局分支、part2分支和part3分支。在測試過程中，所有減少的特征被連接在一起作為行人圖像的最終特征表示。注意，在每個(gè)分支中，用于降維的1×1卷積和用于身份預(yù)測的全連接層并不彼此共享權(quán)重。從特征到特定損失函數(shù)的每條路徑代表一個(gè)獨(dú)立的監(jiān)控信號(hào)。彩色效果最佳。多粒度網(wǎng)絡(luò)(MGN)

–網(wǎng)絡(luò)結(jié)構(gòu)網(wǎng)絡(luò)邏輯直觀有效、易復(fù)現(xiàn)，易遷移。StructureInput:

384*128Base:

resNet-50Branchesfrom

res_conv4_1Global Branch &Part-NBranchStride?inresconv5_1blockFeature

Map

size(見下表格)Splitfeaturestomulit

stripesMax-pooling2048-dim->256-dimSoftmax & triplet jointtraning輸出成果基于Flask的GeoAI產(chǎn)品API服務(wù)（代碼模塊）GeoAI產(chǎn)品體驗(yàn)發(fā)表發(fā)明專利3個(gè)集成到創(chuàng)新成果共享平臺(tái)階段性工作進(jìn)展2.1.1技術(shù)研發(fā)---GeoAI服務(wù)自然資源調(diào)查監(jiān)測“四位”包括：應(yīng)用模式、技術(shù)架構(gòu)、智能引擎、資源業(yè)務(wù)，“一體”即增效賦能。階段性工作進(jìn)展2.1.1技術(shù)研發(fā)---國圖地理智能引擎技術(shù)架構(gòu)設(shè)計(jì)上從目標(biāo)用戶群出發(fā)，分而治之，形成：線上、線下服務(wù)模式兼容的技術(shù)架構(gòu)體系。該技術(shù)架構(gòu)實(shí)現(xiàn)了“B/S技術(shù)架構(gòu)以監(jiān)測微服務(wù)化為中心+C/S技術(shù)架構(gòu)以影像數(shù)據(jù)高性能處理為中心。階段性工作進(jìn)展2.1.1技術(shù)研發(fā)---國圖地理智能引擎以自然資源業(yè)務(wù)應(yīng)用為抓手，形成“大規(guī)模樣本量、透視業(yè)務(wù)規(guī)則、持續(xù)學(xué)習(xí)更新”三大特色的地理智能引擎。階段性工作進(jìn)展2.1.1技術(shù)研發(fā)---基于分類網(wǎng)絡(luò)的自然資源要素核查省級(jí)自然資源主管部門需定期對地方開展的土地復(fù)墾、退耕還林、不動(dòng)產(chǎn)調(diào)查等工作進(jìn)行進(jìn)度和質(zhì)量核查工作。此類省級(jí)核查工作的檢查區(qū)域明確，判斷標(biāo)準(zhǔn)清晰，適用于人工智能技術(shù)的自動(dòng)判別，可以將待核查工作抽象成

“是不是”的判斷工作。階段性工作進(jìn)展2.1.1技術(shù)研發(fā)---自然資源影像分割樣本庫構(gòu)建多區(qū)域、多分辨率、多標(biāo)簽樣本庫設(shè)計(jì)，目前已經(jīng)和地信中心協(xié)調(diào)了60余個(gè)區(qū)縣的三調(diào)數(shù)據(jù)和3個(gè)區(qū)縣的年度土地利用變化數(shù)據(jù)，用于樣本構(gòu)建。從公司自然資源優(yōu)勢領(lǐng)域出發(fā)，構(gòu)建面向自然資源調(diào)查監(jiān)管業(yè)務(wù)的領(lǐng)域樣本庫。多區(qū)域多分辨率多標(biāo)簽階段性工作進(jìn)展2.1.1技術(shù)研發(fā)---基于影像分割網(wǎng)絡(luò)的自然資源要素提取開展了基于影像分割神經(jīng)網(wǎng)絡(luò)（

如：

UN

ET

網(wǎng)絡(luò)、M

ask

RC

NN

網(wǎng)絡(luò)）的自然資源要素特征分類的技術(shù)研發(fā)，

已能對水系、林地、耕地、道路、農(nóng)房和建設(shè)用地等要素進(jìn)行分割，并形成了一套基于影像的要素特征分類提取技術(shù)流程和系列成果。階段性工作進(jìn)展2.1.1技術(shù)研發(fā)---基于多時(shí)態(tài)影像建設(shè)用地動(dòng)態(tài)變化監(jiān)測將多年的遙感影像進(jìn)行差值，然后傳入U(xiǎn)N

ET

模型，

預(yù)測出來的柵格結(jié)果，并經(jīng)過柵格簡化、柵格轉(zhuǎn)矢量、矢量數(shù)據(jù)優(yōu)化等過程，

最后形成一套變化區(qū)域深度學(xué)習(xí)檢測矢量化結(jié)果。04

能力應(yīng)用04-1

影像分割應(yīng)用展示：影像分割+年度變化監(jiān)測國圖自然資源影像特征智能提取平臺(tái)：

土地整理中心省級(jí)自動(dòng)復(fù)墾核查第一階段：全省影像拼接第一階段：項(xiàng)目地塊裁剪功能開發(fā)第一階段:數(shù)據(jù)集制作第一階段:模型訓(xùn)練與預(yù)測第二階段：復(fù)墾地塊在線判讀系統(tǒng)開發(fā)第二階段：驗(yàn)證數(shù)據(jù)集制作制作(葛磊)第三階段:技術(shù)方案調(diào)優(yōu)——驗(yàn)證數(shù)據(jù)集重新制作在線系統(tǒng)及模型優(yōu)化判讀結(jié)果統(tǒng)計(jì)上圖第一階段：深度學(xué)習(xí)助力耕地判讀第二階段：樣本集重新制作第二階段：模型問題分析與總結(jié)工程部署與應(yīng)用第三階段:技術(shù)方案調(diào)優(yōu)——工作流程重新設(shè)計(jì)第三階段:建立新的三調(diào)地類圖斑樣本數(shù)據(jù)集第三階段:自動(dòng)化判讀模型成效總結(jié)第二階段：在線判讀系統(tǒng)的成效總結(jié)第二階段:模型訓(xùn)練與精度評(píng)定第三階段:在線判讀系統(tǒng)成效總結(jié)項(xiàng)目轉(zhuǎn)化---支撐2地項(xiàng)目1

、配合政務(wù)中心，服務(wù)江蘇省廳土地整理中心，

開展增減掛和土地增補(bǔ)平衡全省26

萬個(gè)項(xiàng)目圖斑自動(dòng)化判別耕地和非耕地工作，

此項(xiàng)工作成功后，后繼類似檢查類任務(wù)仍有多個(gè)。2

、配合政務(wù)中心，將影像分割Web

G

IS

系統(tǒng)集成到煙臺(tái)時(shí)空信息云平臺(tái)項(xiàng)目中。3

、《Geo

AI技術(shù)增效賦能自然資源調(diào)查監(jiān)測業(yè)務(wù)》推文策劃審核中。土地整理中心省級(jí)自動(dòng)復(fù)墾核查現(xiàn)使用2000張實(shí)際復(fù)墾圖斑進(jìn)行精度評(píng)價(jià)，其中預(yù)測耕地準(zhǔn)確率是88%，預(yù)測非耕地準(zhǔn)確率在93%。準(zhǔn)確區(qū)分出耕地/非耕地共884張。耕地預(yù)測準(zhǔn)確率12%

預(yù)測正確數(shù)量88%預(yù)測錯(cuò)誤數(shù)量93%7%非耕地預(yù)測準(zhǔn)確率預(yù)測正確數(shù)量 預(yù)測錯(cuò)誤數(shù)量8%總體預(yù)測準(zhǔn)確率預(yù)測正確數(shù)量92%預(yù)測錯(cuò)誤數(shù)量可自動(dòng)化判讀比例達(dá)到44.2%，其深度學(xué)習(xí)模型準(zhǔn)確率在91.8%。土地整理中心省級(jí)自動(dòng)復(fù)墾核查針對人工分類數(shù)據(jù)，開發(fā)了針對復(fù)墾項(xiàng)目的在線分類網(wǎng)站，在線分類網(wǎng)站的人工分類速度可達(dá)到1000—1200張/小時(shí)，較傳統(tǒng)基于GIS軟件上的逐一判讀工作方式提升效率6倍。對改造過后的復(fù)墾核查項(xiàng)目流程，在確保任務(wù)準(zhǔn)確率的前提下，按照預(yù)估整個(gè)復(fù)墾項(xiàng)目剩余14.5萬個(gè)，共需140-180人·時(shí)即可核查完畢。遙感影像數(shù)據(jù)待核查矢量待核查圖斑分深類度數(shù)學(xué)據(jù)習(xí)特征模糊數(shù)據(jù)在線分類網(wǎng)站04-2

目標(biāo)檢測目標(biāo)檢測基于100GB慧眼守土數(shù)據(jù)開展的標(biāo)簽標(biāo)定工作開發(fā)目標(biāo)檢測在線體驗(yàn)平臺(tái)，支持多類型開工跡象的檢測，實(shí)現(xiàn)目標(biāo)檢測模型的優(yōu)化，實(shí)現(xiàn)多模型串并聯(lián)，提升目標(biāo)檢測的精度和效率。安排了4個(gè)研究生提取了2周，打標(biāo)簽1周。最終提取有效的樣本數(shù)據(jù)量為3000多個(gè)?；贕oogle

2019

effectiveDet構(gòu)建的目標(biāo)檢測模型比當(dāng)前SOTA小4倍、計(jì)算量少9倍，谷歌最新目標(biāo)檢測器EfficientDet。目標(biāo)檢測目標(biāo)檢測應(yīng)用接口文檔

V

0.1軟件技術(shù)研究所-智慧地理研究室功能描述精準(zhǔn)識(shí)別"慧眼守土"各種開工跡象，服務(wù)自然資源全天候監(jiān)管保護(hù)。接口調(diào)用說明接口版本V

0.1請求參數(shù)data=

{‘filename’:filename}files={‘image’:file}序號(hào)參數(shù)名稱參數(shù)

code類型是否必選備注1檢測圖片imagestrY需要檢測的圖片的base64

數(shù)據(jù)流，各種照片格式轉(zhuǎn)碼成base64

的即可。2圖片名稱filenamestrN輸出結(jié)果序號(hào)名稱類型參數(shù)

code備注1圖片名strfilename2圖片寬intwidth3圖片高intheight4檢測結(jié)果strresult0:沒有檢測出挖掘機(jī)1：檢測出挖掘機(jī)5結(jié)果圖片strresultImg帶有標(biāo)注的

base64

圖片流6缺陷名稱strclass該模型檢測出的具體缺陷名稱7方框位置listposition[左上角

x,右上角

y，方框?qū)?，方框高]8檢測類別strclass其他說明無接口調(diào)用示例基于gevent模型實(shí)現(xiàn)模型服務(wù)化；基于DOCK的方式實(shí)現(xiàn)離線部署；提供江陰、安徽桐城慧眼守土項(xiàng)目調(diào)用；目標(biāo)檢測整體流程構(gòu)建了多種建設(shè)用地施工跡象分類樣本數(shù)據(jù)，如：堆土、板房、堆磚、挖掘機(jī)、工程車輛等。目標(biāo)檢測技術(shù)對于高塔攝像機(jī)所獲取到的視頻、圖片數(shù)據(jù)的智能化識(shí)別，相較于人眼識(shí)別具有更高的準(zhǔn)確性和更快的識(shí)別效率。應(yīng)用展示：目標(biāo)檢測04-3

實(shí)景融合AR地圖面向智慧城市、公共安全的實(shí)景融合技術(shù)應(yīng)用AR地圖設(shè)計(jì)與實(shí)現(xiàn)實(shí)景融合與AR地圖都是將視頻數(shù)據(jù)與地理空間數(shù)據(jù)融合展示。不同的是實(shí)景融合是在三維模型上融合視頻數(shù)據(jù)，而AR地圖是在視頻數(shù)據(jù)中融合點(diǎn)、線、面構(gòu)成的空間數(shù)據(jù)。在實(shí)景融合的技術(shù)基礎(chǔ)上，將影像和DEM數(shù)據(jù)作為視頻的承載物與視頻數(shù)據(jù)融合，同時(shí)使用實(shí)體構(gòu)建的方式，在攝像頭旋轉(zhuǎn)過程中動(dòng)態(tài)加載與影像匹配的矢量數(shù)據(jù)，以減少系統(tǒng)的性能壓力，為面向自然資源監(jiān)管等領(lǐng)域提供新的解決方案。RTSP/RTMPHLS人工建模地理空間數(shù)據(jù)實(shí)時(shí)視頻流數(shù)據(jù)三維數(shù)據(jù)模型標(biāo)準(zhǔn)計(jì)算機(jī)視覺三維GIS平臺(tái)視頻流標(biāo)準(zhǔn)技術(shù)支撐數(shù)據(jù)基礎(chǔ)應(yīng)用領(lǐng)域面向智慧城城市領(lǐng)域面向公共安防領(lǐng)域面向自然資源監(jiān)管領(lǐng)域設(shè)備傾斜建模點(diǎn)線面影像、DEM球機(jī)槍機(jī)融合應(yīng)用碼流 模型數(shù)據(jù)矢量數(shù)據(jù)柵格數(shù)據(jù)商業(yè)客流分析城市全景還原輔助城市路徑規(guī)劃園區(qū)可視化管理地鐵、高鐵人流監(jiān)測道路安全事故預(yù)警大型安保輔助決策重點(diǎn)安防區(qū)域布控違規(guī)建設(shè)開工監(jiān)測自然資源保護(hù)監(jiān)測生態(tài)環(huán)境污染監(jiān)測

違法建設(shè)用地監(jiān)測實(shí)景融合

AR地圖

地視頻與三維模型融合

視頻與矢量數(shù)據(jù)動(dòng)態(tài)融合

理視 （x,y,z）

視頻融合DEM、影

空水平面

Pitch

ViewPoint TP頻 Direction

像

間正北方向融 場景 參數(shù) 實(shí)時(shí)聯(lián)動(dòng)旋轉(zhuǎn)投射

融合

構(gòu)建矢量實(shí)體

數(shù)構(gòu)建GIS三維 求解視頻投射視角 視頻與影像動(dòng)態(tài)合 據(jù)模型切片服務(wù) 視覺特征匹配 云臺(tái)設(shè)備PTZ值求解 DEM數(shù)據(jù)疊加影像

構(gòu)建矢量數(shù)據(jù)服務(wù)與模型數(shù)據(jù)

H5S視頻傳輸

地理數(shù)據(jù)

視頻實(shí)現(xiàn)了二三維一體化GIS技術(shù)架構(gòu)AR地圖延伸應(yīng)用---地理圍欄面向自然資源、智慧城市、公共安全的AR地圖技術(shù)應(yīng)用地理圍欄精度驗(yàn)證與評(píng)價(jià)593米249米E=9米118米E=1米地理圍欄精度驗(yàn)證與評(píng)價(jià)取測試點(diǎn)間隔約7米，緯度值保持不變，藍(lán)色為原始點(diǎn)，紅色為計(jì)算點(diǎn)，相機(jī)拍攝方向方向從左到右，點(diǎn)位，展示如圖所示，隨著視距變遠(yuǎn)，原始點(diǎn)與計(jì)算點(diǎn)的誤差逐漸增大。地理圍欄精度驗(yàn)證與評(píng)價(jià)04-4

其他應(yīng)用部隊(duì)《訓(xùn)練場三維建模及變化識(shí)別與更新》項(xiàng)目某戰(zhàn)區(qū)部隊(duì)《訓(xùn)練場三維建模及變化識(shí)別與更新》項(xiàng)目的總體建設(shè)方案編制、實(shí)驗(yàn)調(diào)研與預(yù)研、實(shí)地現(xiàn)場踏勘、實(shí)證報(bào)告編制、設(shè)計(jì)計(jì)算書編制。多源采集數(shù)據(jù)三維建模流程大尺度三維地理場景POS導(dǎo)入SIFT匹配Ransic去噪提取特征點(diǎn)深度構(gòu)建關(guān)鍵特征點(diǎn)連接特征點(diǎn)加密空三解算 深度提取 Tin網(wǎng)構(gòu)建

紋理貼賦紋理計(jì)算紋理貼賦緩存生成訓(xùn)練場應(yīng)用與管理基于雙目目標(biāo)檢測與空間定位實(shí)時(shí)目標(biāo)檢測與定位基于雙目目標(biāo)檢測與空間定位地理目標(biāo)識(shí)別與空間定位組合模型（YOLO-SITCOL）的構(gòu)建與實(shí)現(xiàn)? 模型集成硬件設(shè)計(jì)兩臺(tái)可變焦槍式相機(jī)，實(shí)現(xiàn)雙目；雙目連接桿用于固定兩臺(tái)攝像機(jī)，代表攝影基線；固定桿用于將電動(dòng)云臺(tái)固定在雙目連接桿上，實(shí)現(xiàn)電動(dòng)云臺(tái)對相機(jī)姿態(tài)角的實(shí)時(shí)獲取；計(jì)算機(jī)用于連接攝像機(jī)，實(shí)現(xiàn)程序運(yùn)行與遠(yuǎn)程監(jiān)控基于雙目目標(biāo)檢測與空間定位整張監(jiān)控像片邊界框信息、標(biāo)簽、置信度YOLO模型(X,Y)識(shí)別框檢測格網(wǎng)分割中心點(diǎn)檢測地理目標(biāo)識(shí)別與空間定位組合模型（YOLO-SITCOL）的構(gòu)建與實(shí)現(xiàn)? 基于YOLO的地理目標(biāo)識(shí)別模型基于雙目目標(biāo)檢測與空間定位地理目標(biāo)識(shí)別與空間定位組合模型（YOLO-SITCOL）的構(gòu)建與實(shí)現(xiàn)? 空間坐標(biāo)定位誤差因素分析針對坐標(biāo)分量的誤差評(píng)估方法一般包括絕對誤差、相對誤差和中誤差。絕對誤差反應(yīng)的是測量值對真值偏離的絕對大小，中誤差則多應(yīng)用標(biāo)準(zhǔn)差的計(jì)算方法衡量觀測精度，主要反應(yīng)一組值的精度。根據(jù)攝像機(jī)測距誤差估計(jì)公式，初步確定定位誤差因素包括如下幾個(gè)：投影中心到目標(biāo)的距離雙目攝像機(jī)圖像的左右視差基線長度 焦距實(shí)景融合技術(shù)支撐某地公安大數(shù)據(jù)智慧服務(wù)中心實(shí)景融合技術(shù)已在國內(nèi)多地支撐項(xiàng)目應(yīng)用。實(shí)景融合2.0---三維空間中實(shí)時(shí)