(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 202210265437.2 (22)申请日 2022.03.17 (65)同一申请的已公布的文献号 申请公布号 CN 114677522 A (43)申请公布日 2022.06.28 (73)专利权人 北京科技大 学 地址 100083 北京市海淀区学院路3 0号 (72)发明人 许镇　吴莹莹　杨雅钧　齐明珠　 (74)专利代理 机构 北京市广友专利事务所有限 责任公司 1 1237 专利代理师 张仲波　付忠林 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 11/00(2006.01) (56)对比文件 侯碧清.基 于高分辨 率卫星图像的株洲市绿 地景观结构特 征分析. 《林业科 学》 .2007,第43卷 (第3期),第127-132页. 审查员 刘秀 (54)发明名称 基于建筑图斑和深度学习的建筑结构类型 预测方法及系统 (57)摘要 本发明公开了一种基于建筑图斑和深度学 习的建筑结构类型预测方法及系统， 该方法包 括： 确定建筑图斑要素； 根据建筑层数建立建筑 轮廓与颜色的映射关系， 将建筑轮廓填充不同的 颜色； 将已知结构类型的建筑作为样本数据， 未 知结构类型的建筑作为待预测建筑物， 分别为样 本数据和待预测建筑物制作建筑图斑； 基于样本 数据的建筑图斑训练预设的卷积神经网络， 建立 建筑物结构类型预测模型； 利用预测模型， 根据 待预测建筑物的建筑图斑得到其建筑结构类型 的预测结果。 本发明基于建筑图斑， 能够考虑到 建筑外观特征及周边区域等特征的复杂性和综 合性， 通过深度学习快速准确地确定建筑物的结 构类型。 权利要求书3页 说明书9页 附图2页 CN 114677522 B 2022.12.02 CN 114677522 B 1.一种基于建筑图斑和深度学习的建筑结构类型预测方法， 其特征在于， 所述基于建 筑图斑和深度学习的建筑结构类型 预测方法包括： 确定建筑图斑要素， 所述建筑图斑要素包括： 目标建筑的建筑轮廓、 目标建筑的建筑层 数以及目标建筑的周边建筑情况； 其中， 所述周边建筑指的是目标建筑预设区域范围内的 建筑， 所述周边建筑情况包括周边建筑的建筑轮廓及周边建筑的分布； 根据建筑层数建立建筑轮廓与颜色的映射关系， 通过所述映射关系将建筑轮廓 填充不 同的颜色， 以通过建筑轮廓的颜色表示建筑的建筑层数属性 值； 将已知结构类型的建筑作为样本数据， 未知结构类型的建筑作为待预测建筑物， 分别 为样本数据和待预测建筑物制作包括所述建筑图斑要素的建筑图斑； 基于所述样本数据的建筑图斑训练预设的卷积神经网络， 建立建筑物结构类型预测模 型； 其中， 所述预测模型的输入为建筑图斑， 输出为建筑结构类型； 将待预测建筑物 的建筑图斑输入所述预测模型， 利用所述预测模型， 根据待预测建筑 物的建筑图斑， 得到待预测建筑物的建筑结构类型的预测结果； 所述映射关系包括： 当建筑层数为1～3层时， 建筑轮廓填充为第一颜色； 当建筑层数为 4～8层时， 建筑轮廓填充为第二颜色； 当建筑层数为9层以上时， 建筑轮廓填充为第三颜色； 所述分别为样本数据和待预测建筑物制作包括所述建筑图斑要素的建筑图斑， 包括： 遍历包含所述图斑要素的地理信 息系统地图中的所有建筑， 将每栋建筑依次作为目标 建筑， 并为其分割独立的建筑图斑； 其中， 所述建筑图斑涵盖目标建筑轮廓及其周边建筑轮 廓， 且目标建筑的面积占建筑图斑总面积的1/25； 在各个建筑图斑中， 通过所述映射关系为目标建筑的建筑轮廓填充颜色， 并将目标建 筑的周边建筑调整为灰色， 以明确目标建筑； 将建筑图斑以图片形式导出， 其中， 待预测建筑物的建筑图斑命名包括建筑编号， 样本 数据的建筑图斑命名包括结构类型和建筑编号； 基于所述样本数据的建筑图斑训练预设的卷积神经网络， 包括： 对样本数据的建筑图斑进行预处理； 其中， 所述预处理包括： 对样本数据的建筑图斑进 行路径读取和结构类型分类， 以及对样本数据的建筑图斑统一大小并进行标准化处理； 其 中， 对样本数据的建筑图斑进行路径读取和结构类型分类包括： 依 次读取所有样本数据的 建筑图斑的文件名； 分割读取到的文件名， 提取文件名中的结构 类型信息， 将其处理为一 维 数组； 将样本数据的建筑图斑的路径列表和对应的结构类型数组合成一个2 ×样本数量大 小的数组， 数组第一列表示所有样本数据的建筑图斑的路径， 第二列表示图斑所对应的结 构类型； 利用预处 理后的建筑图斑， 采用自训练算法， 训练预设的卷积神经网络 。 2.如权利要求1所述的基于建筑图斑和深度学习的建筑结构类型预测方法， 其特征在 于， 在将待 预测建筑物的建筑图斑输入 所述预测模 型， 利用所述预测模型， 根据待 预测建筑 物的建筑图斑， 得到待预测建筑物的建筑结构类型 的预测结果之后， 所述基于建筑图斑和 深度学习的建筑结构类型 预测方法还 包括： 输出建筑物检测结果汇总表格， 所述汇总表格包括： 建筑图斑路径、 建筑图斑 中目标建权　利　要　求　书 1/3 页 2 CN 114677522 B 2筑物是各建筑结构类型的概率， 以及目标建筑物的建筑结构类型； 其中， 所述建筑结构 类型 包括： 设防砌体、 未设防砌体、 框架结构和框 剪结构。 3.一种基于建筑图斑和深度学习的建筑结构类型预测系统， 其特征在于， 所述基于建 筑图斑和深度学习的建筑结构类型 预测系统包括： 建筑图斑要素确定模块， 用于确定建筑图斑要素， 所述建筑图斑要素包括： 目标建筑的 建筑轮廓、 目标建筑的建筑层数以及目标建筑的周边建筑情况； 其中， 所述周边建筑指的是 目标建筑预设区域范围内的建筑， 所述周边建筑情况包括周边建筑的建筑轮廓及周边建筑 的分布； 楼层与建筑图斑映射关系构建模块， 用于根据建筑层数建立建筑轮廓与颜色的映射关 系， 通过所述映射关系将建筑轮廓填充不同的颜色， 以通过建筑轮廓的颜色表示建筑的建 筑层数属性 值； 建筑图斑制作模块， 用于将已知结构类型的建筑作为样本数据， 未知结构类型的建筑 作为待预测建筑物， 分别为样本数据和待 预测建筑物制作包括所述建筑图斑要素的建筑图 斑； 卷积神经网络训练模块， 用于基于所述样本数据的建筑图斑训练预设的卷积神经网 络， 建立建筑物结构类型预测模型； 其中， 所述预测模型 的输入为建筑图斑， 输出为建筑结 构类型； 建筑结构类型预测模块， 用于将待预测建筑物的建筑图斑输入所述预测模型， 利用所 述预测模型， 根据待预测建筑物的建筑图斑， 得到待预测建筑物的建筑结构类型 的预测结 果； 所述映射关系包括： 当建筑层数为1～3层时， 建筑轮廓填充为第一颜色； 当建筑层数为 4～8层时， 建筑轮廓填充为第二颜色； 当建筑层数为9层以上时， 建筑轮廓填充为第三颜色； 所述建筑图斑制作模块具体用于： 遍历包含所述图斑要素的地理信 息系统地图中的所有建筑， 将每栋建筑依次作为目标 建筑， 并为其分割独立的建筑图斑； 其中， 所述建筑图斑涵盖目标建筑轮廓及其周边建筑轮 廓， 且目标建筑的面积占建筑图斑总面积的1/25； 在各个建筑图斑中， 通过所述映射关系为目标建筑的建筑轮廓填充颜色， 并将目标建 筑的周边建筑调整为灰色， 以明确目标建筑； 将建筑图斑以图片形式导出， 其中， 待预测建筑物的建筑图斑命名包括建筑编号， 样本 数据的建筑图斑命名包括结构类型和建筑编号； 所述卷积神经网络训练模块具体用于： 对样本数据的建筑图斑进行预处理； 其中， 所述预处理包括： 对样本数据的建筑图斑进 行路径读取和结构类型分类， 以及对样本数据的建筑图斑统一大小并进行标准化处理； 其 中， 对样本数据的建筑图斑进行路径读取和结构类型分类包括： 依 次读取所有样本数据的 建筑图斑的文件名； 分割读取到的文件名， 提取文件名中的结构 类型信息， 将其处理为一 维 数组； 将样本数据的建筑图斑的路径列表和对应的结构类型数组合成一个2 ×样本数量大 小的数组， 数组第一列表示所有样本数据的建筑图斑的路径， 第二列表示图斑所对应的结权　利　要　求　书 2/3 页 3 CN 114677522 B 3