(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211015870.7 (22)申请日 2022.08.24 (65)同一申请的已公布的文献号 申请公布号 CN 115100266 A (43)申请公布日 2022.09.23 (73)专利权人 珠海翔翼航空技 术有限公司 地址 519030 广东省珠海市 保税区32号 地 (72)发明人 王杰　郝德月　刘岩　杨树　吴林　 汤芯怡　赵思媛　胡婕　阮文新　 (74)专利代理 机构 北京市恒有知识产权代理事 务所(普通 合伙) 11576 专利代理师 郭文浩　尹文会 (51)Int.Cl. G06T 7/55(2017.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06T 17/00(2006.01) G06V 10/44(2022.01) (56)对比文件 CN 112287904 A,2021.01.2 9 US 2021201570 A1,2021.07.01 US 2019213413 A1,2019.07.1 1 CN 110991359 A,2020.04.10 张一民 等.基 于视觉显著性和卷积神经网 络的机场目标快速 检测. 《航天返回与遥感》 .2021,第42卷(第3期),第1 17-127段. 么嘉棋 等.联合深度学习和条件随机场的 遥感影像云检测. 《测绘科 学》 .2019,第4 4卷(第 12期),第121-127段. 审查员 张倩倩 (54)发明名称 基于神经网络的数字化机场模 型构建方法、 系统和设备 (57)摘要 本发明属于数据处理领域， 具体涉及了一种 于神经网络的数字化机场模型构建方法、 系统和 设备， 旨在解决现有的人工雕刻的机场建模 方法 需手动进行调整技术繁琐的问题。 本发明包括： 获取待建模机场环境的高分辨率卫星地图和深 度相机图像； 将所述高分辨率卫星地图和深度相 机图像进行信息匹配， 并转化为目标机场元数 据； 基于所述目标机场元数据， 通过基于元数据 的卷积神经网络进行特征提取， 获取目标特征； 基于所述目标特征， 整合获得数字化机场模型。 本发明避免了一张图像内存在多种类型的干扰 对模型还原的影 响， 提高了模型还原的精确度和 可视化体验。 权利要求书3页 说明书7页 附图1页 CN 115100266 B 2022.12.06 CN 115100266 B 1.一种基于神经网络的数字化机场模型构建方法， 其特 征在于， 所述方法包括： 步骤S100， 获取待建模机场环境的高分辨 率卫星地图和深度相机图像； 步骤S200， 将所述高分辨率卫星地 图和深度相机图像进行信息匹配， 并转化为目标机 场元数据； 还包括将机场元 数据进行分级连续区域 粗分割的步骤； 将所述目标机场元数据转化为灰度图像， 计算每个像素点的梯度纵向梯度和横向梯 度； 将纵向梯度或横向梯度大于预设边界阈值的像素点设置为 边界点； 边界点将灰度图像划分为多个图像块； 通过将图像块与机场跑道图像进行特征匹配， 找出机场跑道的图像块， 设置为一级分 割区域， 将其他图像块设置为二级分割区域； 针对 所述二级分割区域， 通过设置预设尺寸的 空心滑动框进行扫描， 使空心 滑动框中心 依次遍历图像中的像素； 判断所述空心滑动框覆盖的像素灰度差值是否均在预设的均一范围内， 若是， 则判断 空心滑动框中心像素灰度值是否与边框中的像素的差值大于预设的杂质阈值； 若 大于预设 的均一范围， 则将边框覆盖的平均像素对中心像素进行填充； 遍历后获得降杂的目标机场 元数据； 步骤S300， 基于所述目标机场元数据， 通过基于元数据的卷积神经网络进行特征提取， 获取目标 特征集； 所述基于元 数据的卷积神经网络， 其训练方法为： 步骤A100， 针对每种预设的地理描述类型， 获取 带有描述特征标签的标准机场元 数据； 步骤A200， 将每种地理描述类型标签的标准机场元数据， 复制多份并同时输入多种基 础特征提取子网络； 其中每种基础特 征提取子网络只提取一种地理描述类型； 步骤A300， 通过基础特 征提取子网络提取目标 特征； 步骤A400， 计算所述目标 特征， 计算损失函数； 步骤A500， 重复迭代至预设的训练次数或所述损失函数低于预设的阈值， 所有的基础 特征提取子网络的集合即为基于元数据的卷积神经网络， 所有基础特征提取子网络提取的 目标特征为目标 特征集基础特 征提取子网络； 步骤S400， 基于所述目标特征集， 根据基础特征提取子 网络的权重进行整合， 整合获得 数字化机场模型。 2.根据权利要求1所述的基于神经网络的数字化机场模型构建方法， 其特征在于， 所述 步骤S400， 具体包括： 将所述目标特征， 与所述目标机场元数据进行匹配， 将数据点对应的 位置赋上对应的地理信息素 材， 生成可视化的数字化机场模型。 3.根据权利要求2所述的基于神经网络的数字化机场模型构建方法， 其特征在于， 将所 述目标特征， 与所述目标机场元 数据进行匹配， 具体为： 根据所述目标特征集， 确认目标机场元数据中包含的特征类型， 并通过权重学习模型 确认每个目标机场元 数据中包 含的地理描述类型的成分。 4.根据权利要求1所述的基于神经网络的数字化机场模型构建方法， 其特征在于， 所述 步骤S200， 具体包括： 步骤S210， 基于所述高分辨率卫星地图和 深度相机图像， 通过特征点匹配的方法， 为高权　利　要　求　书 1/3 页 2 CN 115100266 B 2分辨率卫星地图添加位置信息， 获得高分辨 率空间图像； 步骤S220， 基于所述高分辨 率空间图像生成目标机场元 数据。 5.根据权利要求1所述的基于神经网络的数字化机场模型构建方法， 其特征在于， 还包 括将目标机场元数据进 行切片的步骤， 具体为通过QGIS地理信息处理软件以预设尺寸进 行 裁切， 获得目标机场切片元 数据， 将机场切片元 数据作为目标机场元 数据进行后续 步骤。 6.一种基于神经网络的数字化机场模型构建系统， 其特 征在于， 所述系统包括： 图像获取模块， 配置为获取待建模机场环境的高分辨 率卫星地图和深度相机图像； 数据转化模块， 配置为将所述高分辨率卫星地图和深度相机 图像进行信息匹配， 并转 化为目标机场元 数据； 还包括将机场元 数据进行分级连续区域 粗分割的步骤； 将所述目标机场元数据转化为灰度图像， 计算每个像素点的梯度纵向梯度和横向梯 度； 将纵向梯度或横向梯度大于预设边界阈值的像素点设置为 边界点； 边界点将灰度图像划分为多个图像块； 通过将图像块与机场跑道图像进行特征匹配， 找出机场跑道的图像块， 设置为一级分 割区域， 将其 他图像块设置为 二级分割区域； 针对所述二级分割区域， 通过设置预设尺寸的空心滑动框进行扫描， 使空心滑动框中 心依次遍历图像中的像素； 判断所述空心滑动框覆盖的像素灰度差值是否均在预设的均一范围内， 若是， 则判断 空心滑动框中心像素灰度值是否与边框中的像素的差值大于预设的杂质阈值； 若 大于预设 的均一范围， 则将边框覆盖的平均像素对中心像素进行填充； 遍历后获得降杂的目标机场 元数据； 特征提取模块， 配置为基于所述目标机场元数据， 通过基于元数据的卷积神经网络进 行特征提取， 获取目标 特征集； 所述基于元 数据的卷积神经网络， 其训练方法为： 步骤A100， 针对每种预设的地理描述类型， 获取 带有描述特征标签的标准机场元 数据； 步骤A200， 将每种地理描述类型标签的标准机场元数据， 复制多份并同时输入多种基 础特征提取子网络； 其中每种基础特 征提取子网络只提取一种地理描述类型； 步骤A300， 通过基础特 征提取子网络提取目标 特征； 步骤A400， 计算所述目标 特征， 计算损失函数； 步骤A500， 重复迭代至预设的训练次数或所述损失函数低于预设的阈值， 所有的基础 特征提取子网络的集合即为基于元数据的卷积神经网络， 所有基础特征提取子网络提取的 目标特征为目标 特征集基础特 征提取子网络； 环境还原模块， 配置为基于所述目标特征集， 根据基础特征提取子网络的权重进行整 合， 整合获得 数字化机场模型。 7.一种电子设备， 其特征在于， 包括： 至少一个处理器； 以及与至少一个所述处理器通 信连接的存储器； 其中， 所述存储器存储有 可被所述处理器执行的指 令， 所述指 令用于被所 述处理器执行以实现权利要求1 ‑5任一项所述的基于神经网络的数字化机场模型构建方 法。权　利　要　求　书 2/3 页 3 CN 115100266 B 3