基于深度学习的绿色空间服务模块识别与优化方法及系统技术方案

本发明专利技术公开了基于深度学习的绿色空间服务模块识别与优化方法及系统，涉及风景园林

【技术实现步骤摘要】
基于深度学习的绿色空间服务模块识别与优化方法及系统


[0001]本专利技术涉及风景园林
、
城市规划与人工智能
，具体的是基于深度学习的绿色空间服务模块识别与优化方法及系统
。

技术介绍

[0002]为保障城市可持续发展，城市无序蔓延被严格限制，以存量空间优化为导向的城市更新成为众多高密度城市发展重心
。
建成环境下绿色空间服务功能配置的合理性和适宜性成为当前研究和实践热点，也是城市更新实践中的关注焦点
。
但现有对绿色空间服务功能的调适通常通过现场调查等途径来研究建成环境下绿色空间的服务状态，整个过程需耗费大量的人力
、
物力和财力且时空局限性大，难以在城市内部大范围同步开展
。
[0003]现有专利
CN110288202A
公开了一种城市公园绿地设施状态评估优化方法，包括提取地理国情要素的基础数据以及交通大数据并进行整合，所示基础数据包括社区数据
、
公园数据和统计单元数据；计算6项基本统计指标，包括统计单元尺度公园绿地供给数量指标
、
公园尺度绿地供给质量指标
、
统计单元尺度公园绿地服务能力指标
、
公园尺度可达性及服务能力指标
、
小区尺度可达性及供给均等化指标和研究区域尺度公园绿地供给均等化指标；基于计算所得基本统计指标，进行聚类综合分析；基于交通大数据，根据城市内公园和社区分布状况识别盲区；基于盲区和交通大数据，利用核密度分析得到盲区较为聚集的区域，并利用粒子群优化算法得到新建公园选址的优化结果；
[0004]而现有专利存在以下问题：没有探讨绿色空间内部的设施情况：现有技术从空间分布情况出发，仅评价了绿色空间的平面形态结构，未涉及绿色空间服务水平情况；不适应大规模数据搜集要求：现有评估绿色空间内部情况的数据多从现场调研出发，难以进行大规模的全域性绿色空间评价
。

技术实现思路

[0005]为解决上述
技术介绍
中提到的不足，本专利技术的目的在于提供基于深度学习的绿色空间服务模块识别与优化方法及系统，通过自动化识别现状绿色空间承担的服务功能模块，评价绿色空间单体的服务水平及绿色空间组群的整体服务情况，为后续的绿色空间功能增补和改进提出方向引导
。
[0006]本专利技术的目的可以通过以下技术方案实现：基于深度学习的绿色空间服务模块识别与优化方法，方法包括以下步骤：
[0007]接收目标绿色空间实景图像数据，其中，所述目标绿色空间实景图像数据通过确定目标绿色空间分布范围进行获取；
[0008]将目标绿色空间实景图像数据输入至预先建立的绿色空间服务模块识别模型内，通过识别得出各张目标绿色空间实景图像数据内的绿色空间服务模块；
[0009]对绿色空间服务模块进行统计，对统计后的绿色空间服务模块通过绿色空间单体层面和绿色空间组群层面两方面进行优化
。
[0010]优选地，所述目标绿色空间分布范围根据对遥感影像进行解译获取，或基于相关规划平面图进行获取
。
[0011]优选地，所述目标绿色空间实景图像数据包括基于互联网街景数据采集所得
、
且反映对应绿色空间的实景图像数据，或由用户在地拍摄，自发上传至社交媒体，反映对应绿色空间的实景图像数据，以及外业调研拍摄所得
、
且反映对应绿色空间的实景图像数据中至少一种
。
[0012]优选地，所述绿色空间服务模块识别模型基于
YOLOV5
模型搭建，且使用绿色空间服务模块训练集内的训练样本进行训练
。
[0013]优选地，所述绿色空间服务模块训练集通过构建绿色空间服务模块体系进行制作
。
[0014]优选地，根据绿色空间服务模块体系，使用
Labelimg
工具，使用
YOLOV5
模式对目标绿色空间实景图像进行人工标注得到标注样本，汇总标注样本构建绿色空间服务模块训练集
。
[0015]优选地，所述绿色空间服务模块识别模型基于
YOLOV5
模型搭建的过程如下：
[0016]基于
YOLOV5
模型搭建绿色空间服务模块识别模型，使用训练样本训练所搭建的绿色空间服务模块识别模型，并将测试集数据输入绿色空间服务模块识别模型，使用平均精度均值
mAP
评价模型精度是否达标，若在交互比达到一定阈值要求条件下，平均精度均值
mAP
达标则完成绿色空间服务模块识别模型的建构；若不达标，则通过增加样本数量
、
调整样本类型的方式，重新制作未达标类型的绿色空间服务模块训练集的训练样本，以此增加对应类型的识别精度
。
[0017]优选地，所述精度评价指标包括平均精度均值
mAP
，其中平均精度均值是在交并比
IoU
阈值下准确率
‑
召回率曲线下的面积，并对所有类别的平均精度求取平均值，得到平均精度均值，平均精度均值
mAP
达到了
0.75
以上，绿色空间服务模块识别模型构建完成
。
[0018]优选地，其特征在于，所述绿色空间服务模块识别模型增加精度技术的过程包括非极大值抑制
NM)
和数据增强技术，非极大值抑制
NMS
指对于所有检测框中的每一个类别，按照预测得分从高到低排序，然后从得分最高的框开始，依次判断其与后面的框的交并比
IoU
是否大于阈值，如果大于阈值，则将后面的框删除，数据增强技术是指通过随机裁剪
、
随机旋转
、
随机翻转
、
随机亮度变换等方式增加样本数量，通过删除
、
拆分样本调整分类精度较低的类型样本
。
其中，随机裁剪是指随机从原始图像中裁剪一部分作为训练图像，以增加训练数据量和丰富数据分布，随机旋转是随机旋转图像一定角度，以增加模型对图像旋转不变性的学习能，随机翻转是指随机水平或垂直翻转图像，以增加模型对图像翻转不变性的学习能力，随机亮度变换是指随机调整图像的亮度
、
对比度等属性，可以增加模型对不同光照条件的适应能力
。
[0019]在本专利技术的又一方面，为了达到上述目的，公开了基于深度学习的绿色空间服务模块识别与优化系统，包括：
[0020]数据接收模块：用于接收目标绿色空间实景图像数据，其中，所述目标绿色空间实景图像数据通过确定目标绿色空间分布范围进行获取；
[0021]识别模块：用于将目标绿色空间实景图像数据输入至预先建立的绿色空间服务模块识别模型内，通过识别得出各张目标绿色空间实景图像数据内的绿色空间服务模块；
[0022]优化模块：用于对绿色空间所包含的服务模块进行统计，对统计后的绿色空本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于深度学习的绿色空间服务模块识别与优化方法，其特征在于，方法包括以下步骤：接收目标绿色空间实景图像数据，其中，所述目标绿色空间实景图像数据通过确定目标绿色空间分布范围进行获取；将目标绿色空间实景图像数据输入至预先建立的绿色空间服务模块识别模型内，通过识别得出各张目标绿色空间实景图像数据内的绿色空间服务模块；对绿色空间服务模块进行统计，对统计后的绿色空间服务模块通过绿色空间单体层面和绿色空间组群层面两方面进行优化
。2.
根据权利要求1所述的基于深度学习的绿色空间服务模块识别与优化方法，其特征在于，所述目标绿色空间分布范围根据对遥感影像进行解译获取，或基于相关规划平面图进行获取
。3.
根据权利要求1所述的基于深度学习的绿色空间服务模块识别与优化方法，其特征在于，所述目标绿色空间实景图像数据包括基于互联网街景数据采集所得
、
且反映对应绿色空间的实景图像数据，或由用户在地拍摄，自发上传至社交媒体，反映对应绿色空间的实景图像数据，或由用户在地拍摄，自发上传至社交媒体，反映对应绿色空间的实景图像数据，以及外业调研拍摄所得
、
且反映对应绿色空间的实景图像数据中至少一种
。4.
根据权利要求1所述的基于深度学习的绿色空间服务模块识别与优化方法，其特征在于，所述绿色空间服务模块识别模型基于
YOLOV5
模型搭建，且使用绿色空间服务模块训练集内的训练样本进行训练
。5.
根据权利要求4所述的基于深度学习的绿色空间服务模块识别与优化方法，其特征在于，所述绿色空间服务模块训练集通过构建绿色空间服务模块体系进行制作
。6.
根据权利要求5所述的基于深度学习的绿色空间服务模块识别与优化方法，其特征在于，根据绿色空间服务模块体系，使用
Labelimg
工具，使用
YOLO
模式对目标绿色空间实景图像数据进行人工标注得到标注样本，汇总标注样本构建绿色空间服务模块训练集
。7.
根据权利要求4所述的基于深度学习的绿色空间服务模块识别与优化方法，其特征在于，所述绿色空间服务模块识别模型基于
YOLOV5
模型搭建的过程如下：基于
YOLOV5
模型搭建绿色空间服务模块识别模型，使用训练样本训练所搭建的绿色空间服务模块识别模型，并将测试集数据输入绿色空间服务模块识别模型，使用平均精度均值
mAP
检验输出的绿色空间服务...

【专利技术属性】
技术研发人员：周聪惠，张诗宁，石纪新，李天骄，任雨豪，刘博雯，王艺璇，钱昱岑，
申请(专利权)人：东南大学，
类型：发明
国别省市：