一种基于深度学习的风景道景观评价方法与流程

1.本发明涉及风景道景观评价方法领域，具体是指一种基于深度学习的风景道景观评价方法。


背景技术：

2.现有风景道景观评价方法包括最小空间分析法、景观综合评价指数法、等距离专家组目视评测法、物元模型、熵权法以及视觉景观评价法等，但上述方法均为理想化的数学分析模型，并且依赖人工对风景道现场实地查看并拍照取样，再通过上述数学模型或定量分析模型依靠人工对照片进行量化评价。
3.上述方法主要存在以下缺点：一是需要投入大量的人力现场查看、拍照取样与打分评价，效率低下；二是对风景道照片的打分计量因人而异，存在较大的误差，无法准确反映风景道景观质量；三是风景道长度动辄成百上千公里，如果完全依靠人工拍照打分耗时长，并且受取样点与取样间隔的影响，评价精度会大大降低。


技术实现要素：

4.本发明要解决的技术问题是克服上述技术的缺陷，提供一种基于深度学习的风景道景观评价方法。
5.为解决上述技术问题，本发明提供的技术方案为一种基于深度学习的风景道景观评价方法：包括以下步骤：a.景观均质取样；b.深度学习；c.景观取样输入、自动评价、结果输出；
6.所述步骤a，采用风景道景观取样车，在车顶设置前、后、左、右四个取样摄像头，四个摄像头固定景观取样间隔时间，每隔固定的时间拍摄固定张数的风景道景观取样照片作为景观取样结果，所有的风景道景观取样照片保存在所述风景道景观取样车的存储设备中；
7.所述步骤b，借助深度学习模型，在评价前期通过大量的不同时段、不同季节、不同特征路段的风景道景观取样照片，由所述深度学习模型进行景观特征提取，由人工对不同的景观特征赋予不同的权重，所述深度学习模型根据打分结果进行加权求和，以此剔除人工评价的误差，提高评价的客观性与准确性；
8.所述步骤c，借助风景道景观评价模型系统，将风景道景观取样照片输入风景道景观评价模型系统，交由风景道景观评价模型系统自动对取样照片进行景观特征提取，并打分、加权求和，得评价结果，所述风景道景观评价模型系统包括终端，评价结果通过终端反馈。
9.作为改进，所述风景道景观取样车在不同的时段、不同的季节取样，从而保证风景道景观取样准确、完整地还原风景道景观实况。
10.作为改进，所述深度学习模型采用循环网络、卷积网络、普通深度网络、深度生产模型、自编码器中的一种或多种。
11.作为改进，所述景观特征包括道路坡度、道路平直度、道路拥挤度、视域、林相、色彩。
12.作为改进，所述终端为手机、电脑中的任意一种或多种。
13.本发明与现有技术相比的优点在于：借助规范化的自动评价模型，提高了风景道景观质量评价效率；借助深度学习模型，实现风景道景观特征取样、质量评价、结果反馈与模型优化的自动化，剔除了人为评价过程中的主观干扰因素，大大提高了评价精度；消除了风景道尺度因素的影响，保证了景观采样的均质性。
附图说明
14.图1是本发明一种基于深度学习的风景道景观评价方法的流程图。
具体实施方式
15.下面结合附图对本发明一种基于深度学习的风景道景观评价方法做进一步的详细说明。
16.结合附图1，一种基于深度学习的风景道景观评价方法，包括以下步骤：a.景观均质取样；b.深度学习；c.景观取样输入、自动评价、结果输出；
17.所述步骤a，采用风景道景观取样车，在车顶设置前、后、左、右四个取样摄像头，四个摄像头固定景观取样间隔时间，每隔固定的时间拍摄固定张数的风景道景观取样照片作为景观取样结果，所有的风景道景观取样照片保存在所述风景道景观取样车的存储设备中，通过自动化等时、等距取样，大大提高了取样的效率与精度；
18.所述步骤b，借助深度学习模型，在评价前期通过大量的不同时段、不同季节、不同特征路段的风景道景观取样照片，由所述深度学习模型进行景观特征提取，由人工对不同的景观特征赋予不同的权重，所述深度学习模型根据打分结果进行加权求和，以此剔除人工评价的误差，提高评价的客观性与准确性；
19.所述步骤c，借助风景道景观评价模型系统，将风景道景观取样照片输入风景道景观评价模型系统，交由风景道景观评价模型系统自动对取样照片进行景观特征提取，并打分、加权求和，得评价结果，实现风景道景观评价的自动化，将风景道景观评价效率成倍提升，所述风景道景观评价模型系统包括终端，评价结果通过终端反馈。
20.所述风景道景观取样车在不同的时段、不同的季节取样，从而保证风景道景观取样准确、完整地还原风景道景观实况。
21.所述深度学习模型采用循环网络、卷积网络、普通深度网络、深度生产模型、自编码器中的一种或多种。
22.所述景观特征包括道路坡度、道路平直度、道路拥挤度、视域、林相、色彩。
23.所述终端为手机、电脑中的任意一种或多种。
24.本发明借助规范化的自动评价模型，提高了风景道景观质量评价效率；借助深度学习模型，实现风景道景观特征取样、质量评价、结果反馈与模型优化的自动化，剔除了人为评价过程中的主观干扰因素，大大提高了评价精度；消除了风景道尺度因素的影响，保证了景观采样的均质性。
25.以上对本发明及其实施方式进行了描述，这种描述没有限制性，如果本领域的普
通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的实施方式，均应属于本发明的保护范围。


技术特征：
1.一种基于深度学习的风景道景观评价方法，其特征在于包括以下步骤：a.景观均质取样；b.深度学习；c.景观取样输入、自动评价、结果输出；所述步骤a，采用风景道景观取样车，在车顶设置前、后、左、右四个取样摄像头，四个摄像头固定景观取样间隔时间，每隔固定的时间拍摄固定张数的风景道景观取样照片作为景观取样结果，所有的风景道景观取样照片保存在所述风景道景观取样车的存储设备中；所述步骤b，借助深度学习模型，在评价前期通过大量的不同时段、不同季节、不同特征路段的风景道景观取样照片，由所述深度学习模型进行景观特征提取，由人工对不同的景观特征赋予不同的权重，所述深度学习模型根据打分结果进行加权求和，以此剔除人工评价的误差，提高评价的客观性与准确性；所述步骤c，借助风景道景观评价模型系统，将风景道景观取样照片输入风景道景观评价模型系统，交由风景道景观评价模型系统自动对取样照片进行景观特征提取，并打分、加权求和，得评价结果，所述风景道景观评价模型系统包括终端，评价结果通过终端反馈。2.根据权利要求1所述的一种基于深度学习的风景道景观评价方法，其特征在于：所述风景道景观取样车在不同的时段、不同的季节取样，从而保证风景道景观取样准确、完整地还原风景道景观实况。3.根据权利要求1所述的一种基于深度学习的风景道景观评价方法，其特征在于：所述深度学习模型采用循环网络、卷积网络、普通深度网络、深度生产模型、自编码器中的一种或多种。4.根据权利要求1所述的一种基于深度学习的风景道景观评价方法，其特征在于：所述景观特征包括道路坡度、道路平直度、道路拥挤度、视域、林相、色彩。5.根据权利要求1所述的一种基于深度学习的风景道景观评价方法，其特征在于：所述终端为手机、电脑中的任意一种或多种。

技术总结
本发明公开了一种基于深度学习的风景道景观评价方法，包括以下步骤：a.景观均质取样，采用风景道景观取样车，在车顶设置前、后、左、右四个取样摄像头，四个摄像头固定景观取样间隔时间，每隔固定的时间拍摄固定张数的风景道景观取样照片作为景观取样结果；b.深度学习，借助深度学习模型，在评价前期通过大量的不同时段、不同季节、不同特征路段的风景道景观取样照片，由深度学习模型进行景观特征提取，由人工对不同的景观特征赋予不同的权重，深度学习模型根据打分结果进行加权求和；c.景观取样输入、自动评价、结果输出。本发明提高了风景道景观质量评价效率；提高了评价精度；保证了景观采样的均质性。观采样的均质性。观采样的均质性。


技术研发人员：刘昌琪 朱其静 蒋鹏飞
受保护的技术使用者：刘昌琪
技术研发日：2021.06.08
技术公布日：2021/9/17