【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。