基于深度学习的独栋建筑物屋顶信息提取方法及系统

本发明涉及图片智能处理，特别是涉及一种基于深度学习的独栋建筑物屋顶信息提取方法及系统。

背景技术：

1、促进太阳能的使用是全球减少温室气体排放和应对气候挑战的重要途径。在过去的十年中，太阳能装机容量从2010年的41.5gw大幅增加到2019年的584.8gw。太阳能发电可以减少环境污染，且维护简单、不受地理位置限制。屋顶太阳能发电是分布式光伏发电的一种，通常把太阳能电池板装在建筑物的屋顶，不需要占用额外的土地资源。将建筑物屋顶光伏电池板发出的电就地消纳或直接接入附近电网，不仅降低了碳排放，还帮助用户节省了电费。建筑物屋顶面积的大小直接影响太阳能的装机容量，所以，高精度的识别建筑物屋顶面积对分布式太阳能光伏发电非常重要。传统建筑物屋顶分割通常基于一张地图影像，利用深度学习方法识别出一整张图像中所有屋顶部分。并不能指定只识别某一栋建筑物屋顶，这使得其应用受到限制。

2、现有技术公开了一种基于深度学习图像分割的光伏屋顶资源识别方法，包括获取数据：从地图服务商获取指定区域的卫星遥感图片；标注数据：在所述卫星遥感图片标注出不同类型的屋顶类型；训练模型：针对不同的屋顶类型训练建筑物屋顶分割模型；组合模型：利用多个训练好的建筑物屋顶分割模型组合成一个组合模型；批量识别数据：利用组合模型批量识别遥感图片数据，得到各种类型的屋顶轮廓数据；输出识别结果，供用户查询。该方法虽然能针对一类屋顶进行识别，但由于该方法仍不能识别出独栋建筑物屋顶部分，将其应用于屋顶分布式光伏潜力评估方面时，结果不甚理想。

技术实现思路

1、本发明的目的在于公开一种精度更高的可以识别独栋建筑物屋顶部分的基于深度学习的独栋建筑物屋顶信息提取方法及系统

2、为了实现上述目的，本发明提供了基于深度学习的独栋建筑物屋顶信息提取方法，包括以下步骤：

3、s1:输入独栋建筑位置信息和地图遥感图像；

4、s2:构建用于识别屋顶和背景的深度神经网络模型

5、s3:将地图遥感图像通过构建的用于识别屋顶和背景的深度神经网络模型，

6、获得仅有屋顶和背景的二值化图像；

7、s4:基于轮廓检测算法获得二值化图像中所有屋顶的边界线；

8、s5:根据独栋建筑物位置信息将得到的所有屋顶的边界线分配给对应的建筑物，得到每一栋建筑物的屋顶边界线；

9、s6:创建一个与地图遥感图像大小相同的全黑掩码图像，将得到的每一个屋顶的边界线填充在全黑掩码图像中，得到屋顶掩码图像；

10、s7:计算屋顶掩码图像中屋顶部分的像素点个数，根据像素点个数以及地图分辨率测算屋顶面积。

11、进一步地，在步骤s2中的所述用于识别屋顶和背景的深度神经网络模型基于u-net架构所构建，所述用于识别屋顶和背景的深度神经网络模型包括特征提取网络以及解码器；特征提取网络由4层编码器构成，编码器由若干mscan模块和下采样模块组成，解码器由特征融合模块和上采样模块组成。

12、进一步地，所述用于识别屋顶和背景的深度神经网络模型中的特征提取网络，由四个解码器依次堆叠组成，分别为第一层编码器、第二层编码器、第三层编码器和第四层编码器，每一层解码器都连接着对应的解码器；其中，第一层编码器和第二层编码器分别由3个mscan模块构成，第三层编码器由12个mscan模块构成，第四层编码器由3个mscan模块构成；当四个编码器对地图遥感图像特征提取完成后，由四个解码器将提取出的特征逐步还原到地图遥感图像大小，每一层解码器的输入为该解码器所连接的编码器的输出与上一层解码器的输出相叠加。

13、进一步地，所述mscan模块由两个标准化层、一个注意力机制层和一个前馈网络组成，输入特征图首先经过第一个标准化层，然后经过注意力机制层得到输出后特征图，输出后特征图再与第一个标准化层输入相加，进行残差连接得到带有注意力分布的特征图，带有注意力分布的特征图再依次经过第二个标准化层和前馈传播网络，进一步提取特征，具体过程为：

14、y1＝[att(bn(x))+x]

15、y2＝[ffn(bn(y1))+y1]

16、其中x表示输入特征图，bn表示标准化操作，att表示注意力机制计算，y1表示带有注意力分布的特征图，y2表示mscan模块输出。

17、进一步地，所述注意力机制层包括一个5×5的卷积以及3个并行的大内核条状卷积。

18、进一步地，所述解码器只包含一个3×3卷积。

19、进一步地，在步骤s2中，构建的用于识别屋顶和背景的深度神经网络模型所用数据集包括多个256×256分辨率大小的图片，使用labelme软件对屋顶区域进行人工标注划分为屋顶以及背景，按8：2的比例随机划分为训练集和验证集。

20、进一步地，在步骤s4中，通过用于识别屋顶和背景的深度神经网络模型，对地图遥感图像进行处理，获得仅有屋顶和背景的二值化图像，将仅有屋顶和背景的二值化图像输入至轮廓检测算法中，得到地图遥感图像中每一个屋顶的轮廓，根据独栋的位置信息，以二值化图像的左上角为坐标原点，利用代码遍历图像中所有屋顶轮廓线，找出每一个轮廓线对应的x，y坐标的最大值和最小值，通过判断输入位置信息是否分别满足x，y坐标在某一个轮廓线x，y坐标最大值和最小值之间来确定该独栋建筑属于哪一个轮廓线。

21、进一步地，在步骤s7中，得到独栋建筑屋顶部分像素点个数后，根据地图分辨率，即一个像素点对应实际面积大小计算屋顶面积；具体公式为：屋顶面积＝独栋建筑屋顶部分像素点个数*地图分辨率。

22、此外本发明还提供一种基于深度学习的独栋建筑物屋顶信息提取系统，包括：

23、输入模块:用于输入独栋建筑位置信息和地图遥感图像；

24、模型构建模块:用于构建用于识别屋顶和背景的深度神经网络模型

25、二值化图像模块:用于将地图遥感图像通过构建的用于识别屋顶和背景的深度神经网络模型，获得仅有屋顶和背景的二值化图像；

26、轮廓检测模块:用于基于轮廓检测算法获得二值化图像中所有屋顶的边界线；

27、分配模块:用于根据独栋建筑物位置信息将得到的所有屋顶的边界线分配给对应的建筑物，得到每一栋建筑物的屋顶边界线；

28、填充模块:用于创建一个与地图遥感图像大小相同的全黑掩码图像，将得到的每一个屋顶的边界线填充在全黑掩码图像中，得到屋顶掩码图像；

29、面积计算模块:用于计算屋顶掩码图像中屋顶部分的像素点个数，根据像素点个数以及地图分辨率测算屋顶面积。

30、本发明相比现有技术具有以下有益效果：

31、本发明提供的一种基于深度学习的独栋建筑物屋顶信息提取方法，所提出的将获得的地图遥感图像通过构建的用于识别屋顶和背景的深度神经网络模型，获得仅有屋顶和背景的二值化图像后，将其输入至轮廓检测算法中，得到地图遥感图像中每一个屋顶的轮廓，根据输入独栋的位置信息，将得到的所有屋顶的边界线分配给对应的建筑物，就可以得到每一栋建筑物的屋顶边界线，达成对独栋屋顶的识别效果。然后创建一个与地图遥感图像大小相同的全黑掩码图像，将得到的每一个屋顶的边界线填充在全黑掩码图像中，得到屋顶掩码图像；计算屋顶掩码图像中屋顶部分的像素点个数，根据像素点个数以及地图分辨率测算每一栋屋顶面积。

32、本发明克服了传统屋顶分割技术不能单独识别某一栋建筑物屋顶的问题。可以呈现更直观的结果。通过将每个建筑物的面积单独列出，可以清晰地展示每栋建筑物的光伏潜力。这有助于项目决策者更好地了解每个建筑物的可利用空间，并作出相应的规划和决策。同时，单独识别每栋建筑物的屋顶面积可以为不同建筑物提供个性化的能源解决方案。由于不同建筑物的面积、朝向、阴影等因素各不相同，针对每个建筑物设计定制化的光伏方案可以最大程度地利用可用资源，提供更高效的能源产出。