苍穹智能遥感解译产品体系—KQRS AI

描述

遥感具有动态、多时相采集空间信息的能力,遥感数据已经成为GIS的主要信息源。但是传统的遥感解译技术主要依赖人工判读和半自动遥感处理软件,难以快速获得精准的处理结果,对精细化状态分析更是缺乏有效的手段。一方面,这使得遥感应用无法从根本上脱离其劳动密集型的属性;另一方面,其生产的空间数据一般并不符合GIS严谨的数据标准,需要额外的格式转换、检查处理等大量前期工作,消耗了过多人力物力。而人工智能的兴起,则给了我们新的方向——GIS+RS+AI。

人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。因此,苍穹数码将人工智能的深度学习技术应用于遥感数据解译中,突破传统遥感面向像素与面向对象解译手段桎梏,研发了智能遥感解译产品体系——KQRS AI。它提供了一系列高效的智能算法以及训练框架,包括地物检测,变化检测,目标检测以及用地分类等。有效提升遥感影像的信息提取能力,节约人力与时间成本。

一、强大的跨平台兼容性

KQRS AI平台在底层硬件上不仅兼容包括Intel在内的X86框架,同时也完美兼容包括鲲鹏和飞腾在内ARM64框架芯片;在操作系统方面兼容麒麟、UOS等国产操作系统。强大的兼容性保证了软件相比同类产品有着更多的应用场景。

神经网络技术

图 国产化环境运行

二、支持模型自主训练

为了让用户实现更有针对性地检测目标,软件还提供了训练接口,包括地物检测训练、变化检测训练和目标检测训练。用户可以使用自己的数据集或是通过软件集成的数据标注功能生成的数据集,训练出新的模型替换软件自带的模型,实现定制化的检测。

神经网络技术

图 软件训练界面(左边为功能选择,右边为参数设置)

三、高效的图形学后处理算法

KQRS AI在使用优秀的AI模型进行推理后,软件还提供了高效的图形学后处理算法,来尽可能地消除检测误差,提供更好的检测效果。包括边界化简、边界清理、建筑物规则化、填充孔洞、去除小连通域以及收缩和细化等。

神经网络技术

图 建筑物规则化

四、智能语义分割

KQRS AI运用FCN全卷积神经网络技术,对图像进行像素级地分类,解决语义级别的图像分割问题,对于地物分类,利用深度学习的方法,可以得到一个用来解译影像中特定语义区域的模型,包括建筑群、独栋房屋、水体、道路、林地、耕地、大棚、植被、雪线等地面区域。

神经网络技术

图 语义分割

五、基于视频目标识别

基于KQRS AI的人工智能技术,我们实现了基于视频目标识别的能力,例如采集道路沿线信息,实时提取道路中心线、交通标识牌等信息。我们采用图像分割算法分割出车道、左右线及中心线,提取道路中心线。通过测试可以得出,我们的算法对光照、阴影及道路弯曲的适应性很好,精度可达0.1米,识别率超过90%,而且可以进行实时处理,可以满足200KM/天的效率。

神经网络技术

图 道路中心线提取

神经网络技术

图 道路标识牌识别

六、目标自动检测

KQRS AI运用CNN卷积神经网络技术,使用自主研发KQGIS平台进行样本标注,实现目标检测识别,如图,从卫星、航空或无人机图像中找到我们需要的类似于飞机、轮船、球场等目标,并将其绘制在地图上,其中球场识别率达90%以上。

神经网络技术

图 目标识别

七、变换检测

雪线提取的方法,从传统的实地考察测量,到结合实测数据间接量测,发展到目前基于遥感手段进行雪线高程的动态研究。KQRS AI集成了“雪线变换检测功能”,可根据遥感影像对雪线、湖面、阴影、背景等进行检测,其中雪线检测准确率达到95%以上。应用于自然资源的水域、林地、建筑群等范围检测领域。

神经网络技术

图 变换检测
       fqj

打开APP阅读更多精彩内容
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉

全部0条评论

快来发表一下你的评论吧 !

×
20
完善资料,
赚取积分