[发明专利]一种农村道路景观视觉评价分析方法

权利要求书

1.一种农村道路景观视觉评价分析方法，其特征在于，所述方法包括如下步骤：

步骤1：使用图像采集装置对农村道路两边景物进行图像采集；

步骤2：人工建筑物标记，识别建筑物特征点，收集训练图片；

步骤3：将训练图片输入神经网络中进行训练得到深度学习模型；

步骤4：采用视频采集装置采集农村道路两边视频并转为图像输入深度学习模型及进行训练；

步骤5：识别出含有建筑物的图像，并计算建筑物所占图像的大小权重和路边景物建筑物所占权重；

步骤6：根据路边景物建筑物所占权重进行评价路边视觉效果；

所述步骤3的具体过程为：

将训练集输入卷积神经网络中，使用改进的卷积神经网络进行训练，训练迭代学习输出最优深度学习模型，得到权重参数文件；

卷积神经网络中的网络参数初始化，加载设置好的超参数与模型配置文件，将制作好的数据集，将训练集数据输入卷积神经网络中，其中，输入图片的结构是4通道520*520像素尺寸的图片，通过传入输入层图片数据、每层的边界框数和类别数，调用网络核心方法，构建网络模块，网络为全卷积层，含有残差网络结构，通过正向传播训练输出最优损失函数，并使用随机梯度下降方法优化反向传播过程，更新权重偏置参数，训练迭代学习输出深度学习模型，得到权重参数文件分批次训练数据；

网络由卷积层以不同形式链接形成的残差网络结构，是一种组合形式的卷积操作以不同组合构成，这种组合由一个卷积层，一个批正则化层与一个以带泄露的线性修正函数为激活函数的网络层的结合构成，组合包括卷积操作，卷积操作之后的数据批正则化操作以及对数据进行输入到激活函数中的操作，整个网络将这种组合形式的卷积结构两个或多个相连构成一个小型结构，这种小型结构中的前后两个卷积层使用的卷积核维度不同，使用1*1的卷积层与3*3卷积层交替组成，达到神经网络深度的增加，之后将这种小型结构的输出结果与前层小型网络或者卷积结构输出相加，构成残差网络结构short连接形式，并输入线性单元激活函数，最后图像信息数据经过1*1卷积核的卷积层输入线性激活函数，将输出结果输出，网络共由22部分构成，每一部分中包含的卷积核的数量以及结构不同，在网络模型中，最后建筑物信息由一个输出值得到，由三个主要输出值通过重合度计算得到，三个输出值均由卷积操作后输入激活函数输出得到，每个输出值包含10种预测框对应值，输出值的过程中使用非极大值抑制保证对每个对象只检测一次，找出概率最大的边界框，通过维度聚类方法来预测边界框并用逻辑回归预测对象分数，每个边界框对应四个数据，分别为中心点坐标以及边界框的宽度与高度，训练中使用二元交叉熵对生成的边界框在进行分类预测，确定边界框中物体类别，最后输出值为建筑物预测框坐标值。

2.根据权利要求1所述的一种农村道路景观视觉评价分析方法，其特征在于：所述步骤1的具体过程为：

使用摄像装置对农村道路两边景物进行视频采样，得到农村道路两边景物采样视频，对采样视频进行帧处理得到采样图像，并设置图片尺寸，其中采样的农村道路两边景物为不同地段，不同时间段分别进行采集。

3.根据权利要求1所述的一种农村道路景观视觉评价分析方法，其特征在于：所述步骤2的具体过程为：

使用标注工具对农村道路两边景物图片进行建筑物标记，识别建筑物特征，制作训练集，训练集包括输入照片以及对应的建筑物特征分类标签；

标记关键特征点，即识别整个图片的特征，通过关键特征点定位，特征点的特性必须在所有图片中保持一致，并且所有标签在所有图片中必须保持一致，之后生成标记文件，文件内含农村道路两边景物建筑物位置像素点坐标以及建筑物特征的分类标签，即包含神经网络要预测的对象分类标签与表示边界框的四个数字，分别为中心点坐标以及边界框的宽与高。

4.根据权利要求1所述的一种农村道路景观视觉评价分析方法，其特征在于：所述步骤4中，

对摄像头采集的视频进行处理，保存为图片，按照5帧一次的对照片进行读取，对图片进行识别处理，输出建筑物特征数据，包括建筑物边框像素点坐标。