基于WGAN-GP的建筑垃圾数据集的优化与扩充

随着人工智能技术的火爆与不断成熟,人们越来越倾向于用神经网络的方式去解决现有的问题。同时随着城市化的推进,建筑的拆毁与重建过程中产生了大量的建筑垃圾。现有的建筑垃圾回收装置回收工序复杂,效率低下,导致回收成本远远高于资源本身价值,因此探索高效率,低成本的建筑垃圾回收设备尤为重要。然而现在几乎不存在针对建筑垃圾的专有数据集,且大多数数据质量都不高,导致神经网络无法应用于建筑垃圾领域。为了解决上述问题,提高神经网络在建筑垃圾方面的应用,本文提出了一个新的建筑垃圾数据集,通过手工采集与清理的方式形成初始数据集,在通过WGAN-GP模型对其完成高质量的样本扩充,从而填补建筑垃圾数据集的空白。

违章建筑检测数据集的标注与构建

目标检测作为人工智能的一个重要分支领域,在近年来得到广泛发展和应用。本文基于廊坊市某县关于违章建筑检测的项目背景,构建疑似违章建筑专用数据集。针对疑似违章建筑数据集中待检测目标占比小、图像背景复杂等问题,本文依据实际项目需求,在实地考察的基础上确定待检测目标类型,进行原始数据集图像采集。并通过对原始数据集进行图像切割、锐化、增强对比度等方法进行扩充,完成数据集标注并整理成标准PASCAL VOC格式便于后续训练。

建筑群能耗计算方法综述

快速城市化推动了经济和社会发展,但也导致了建筑能源消耗的持续增长。如何在满足人们日益增长的对建筑使用舒适性需求的同时,控制建筑用能的增长,实现节能和减排目标,具有非常重要的意义。城市建筑能源需求的准确量化能够为城市节能设计提供支撑,辅助城市形态生成和优化、建筑布局优化、建筑形体和构造设计、能源系统优化、能源计划和节能政策评估。近年来,国内外研究人员从不同角度开展了城市尺度的建筑群能耗计算方法研究和实践应用,也遇到了不同的技术难点。本研究对城市建筑群能耗计算的相关研究从以下三个方面进行综述:数据、模型和平台。通过文献综述,作者旨在指出当前的城市建筑群能耗计算方法的优势和局限,并提出以下几种可能的途径来提升城市能源计算方法:研发能够直接应用于城市建筑群能耗计算的微环境数据生成方法;结合数据挖掘技术,提升建筑信息数据的采集、过滤、转换能力;结合当前的人工智能技术,提升能耗计算的速度;研发可视化平台,实现城市设计的实时编辑和计算。

基于注意力机制与DUsamplingU-Net网络的建筑物提取

针对常用语义分割模型因神经元接受域大小固定导致特征提取不充分、双线性上采样无法精确恢复像素级预测等问题,提出基于卷积核注意力机制和DUsampling(data-dependent upsampling)的卷积神经网络改进算法。算法引入卷积核注意力机制,利用选择性卷积核提取图像整体与局部细节特征,加强网络对建筑物特征的学习能力;在合并特征图之前将待融合的特征向下采样到特征图最低分辨率,通过DUpsampling分割标签空间的冗余准确地恢复像素级的预测;最后,结合卷积核注意力机制与DUpsampling构建SD-Unet模型,并在WHU数据集上进行验证。结果表明,该模型在交并比、总体精度、精确度、召回率以及F1分数上达到最优,分别为76.25%、98.86%、86.13%、87.07%和85.85%。SD-Unet模型加强网络对建筑物特征的学习能力及准确恢复特征图像素级的预测,比传统网络模型具有更好的分类性能和分类准确率。

基于深度学习的三维点云自动生成BIM模型方法

在数字孪生、智慧城市的浪潮下,建筑行业正积极探索一种能快速重塑“既有建筑”3D信息模型的方法。从深度学习3D目标检测算法角度出发,着手大规模建筑数据集的生成和点云深度学习理论,分析点云深度学习框架所需输入数据类型,重点介绍了各类建筑构件的3D边界框及三维点云的创建过程,对比具有相同数据结构的不同点云数据集并实现了基于ScanNet数据集的目标检测算法,进而整合出一套可行的基于深度学习的三维点云自动生成BIM模型技术路线,通过该技术路线训练后的神经网络可实现“输入未知建筑物三维点云,输出BIM模型参数”。最后,对于目前该方法的优缺点和未来发展方向给出实质性建议。

基于特征压缩激活Unet网络的建筑物提取

自动提取城市建筑物对城市规划、防灾避险等行业应用具有重要意义,当前利用高空间分辨率遥感影像进行建筑物提取的卷积神经网络在网络结构和损失函数上都存在提升的空间。本研究提出一种卷积神经网络SE-Unet,以U-Net网络结构为基础,在编码器内使用特征压缩激活模块增加网络特征学习能力,在解码器中复用编码器中相应尺度的特征实现空间信息的恢复;并使用dice和交叉熵函数复合的损失函数进行训练,减轻了建筑物提取任务中的样本不平衡问题。实验采用了Massachusetts建筑物数据集,和SegNet、LinkNet、U-Net等模型进行对比,实验中SE-Unet在准确度、召回率、F1分数和总体精度4项精度指标中表现最优,分别达到0.8704、0.8496、0.8599、0.9472,在测试影像中对大小各异和形状不规则的建筑物具有更好的识别效果。