(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211010367.2 (22)申请日 2022.08.23 (71)申请人 河海大学 地址 211100 江苏省南京市江宁开发区佛 城西路8号 (72)发明人 徐孝彬　张好杰　曹晨飞　毛志远　 冉莹莹　胡家宇　白建波　谭治英　 (74)专利代理 机构 南京纵横知识产权代理有限 公司 32224 专利代理师 董建林 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/44(2022.01) G06V 10/82(2022.01) G06V 20/10(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种建筑物内外轮廓分割方法、 装置及存储 介质 (57)摘要 本发明公开了一种建筑物内外轮廓分割方 法、 装置及存储介质， 所述方法包括采集的建筑 物上空的图像数据集， 将所述图像数据集中的 图 像进行裁剪成固定大小的尺寸， 作为测试数据 集； 将所述测试数据集输入预先构建并训练过的 建筑物内外轮廓分割网络， 使用其中训练效果最 好的权重信息对测试数据集进行建筑物内外轮 廓的分割； 再进行掩码操作， 得到最终的掩膜图 片； 将所述掩膜图片进行二值化处理， 得到光伏 地图的区域； 使用连通域图像算法计算出光伏地 图的像素面积， 再通过相机内外参数得到实际光 伏地图面积， 本发明能够高效、 准确地分割出建 筑物的轮廓， 并计算出建筑物可用于布置光伏板 的实际面积， 其计算 量小， 具有较强的普适 性。 权利要求书3页 说明书8页 附图2页 CN 115424017 A 2022.12.02 CN 115424017 A 1.一种建筑物内外轮廓分割方法， 其特 征在于， 包括： 获取预先采集的建筑物上空的图像数据集， 将所述图像数据集中的图像进行裁剪成固 定大小的尺寸， 并将采集效果 不好的图片进行剔除， 作为测试 数据集； 将所述测试数据集输入预先构建并训练过的建筑物外轮廓分割网络和建筑物内轮廓 分割网络， 使用其中训练效果最好的权重信息对测试数据集进行建筑物内外轮廓的分割， 获取建筑物内外轮廓的分割结果； 将所述建筑物内外轮廓的分割结果做掩码 操作， 得到最终的掩膜图片； 将所述掩膜图片进行二 值化处理， 得到光伏地图的区域； 使用连通域图像算法计算出光伏地图的像素面积， 再通过相机 内外参数得到实际光伏 地图面积。 2.根据权利要求1所述的建筑物内外轮廓分割方法， 其特征在于， 所述建筑物外轮廓分 割网络或建筑物内轮廓分割网络的训练方法， 包括： 获取预先采集的建筑物上空的图片样本作为源图像， 对图像进行预处理， 将其裁剪成 固定大小的尺寸并进 行标注， 构建建筑物外轮廓/内轮廓分割的数据集， 并按照比例进行数 据集划分； 搭建用于建筑物外轮廓/内轮廓分割的深度卷积神经网络， 所述深度卷积神经网络包 括特征提取模块， 特 征连接模块、 特 征恢复模块、 注意力模块、 多尺度融合模块； 将划分好的建筑物外轮廓/ 内轮廓分割训练数据集输入到深度 卷积神经网络中并使用 梯度反向传播 算法和梯度下降算法进行训练， 将训练中效果 最好的权重参数进行保存。 3.根据权利要求2所述的建筑物内外轮廓分割方法， 其特征在于， 所述对图像进行预处 理， 将其裁 剪成固定大小的尺寸并进行 标注， 包括： 将图像数据集中的所有图像均裁剪成预先设定的固定尺寸， 并进行筛选， 剔除掉无用 的部分； 从所述裁剪和筛选过的图像中分割出建筑物的外部轮廓， 然后从得到的外部轮廓中分 割出内部轮廓； 分别针对需要分割的建筑物外部轮廓和建筑物内部轮廓进行标注， 并以不同的标签进 行区分。 4.根据权利要求2所述的建筑物内外轮廓分割方法， 其特征在于， 所述数据集划分包 括： 将标注过的数据集划分成训练集和测试集， 其中， 训练集用于放入到深度卷积神经网络 中进行训练， 以供深度卷积神经网络学习权重参数， 测试集用于测试深度卷积神经网络学 习得到的权 重参数效果如何。 5.根据权利要求2所述的建筑物内外轮廓分割方法， 其特征在于， 所述将划分好的建筑 物外轮廓/内轮廓分割训练数据集输入到深度卷积神经网络中并使用梯度反向传播算法和 梯度下降算法进行训练， 包括： 将划分好的建筑物外轮廓/内轮廓分割训练数据集分别输入到深度卷积神经网络中， 其中， 所述训练数据集包括裁 剪和筛选后的图片以及标注后的图片； 训练时， 同时读取剪裁后的原图和对应的标注图， 并将其输入到深度卷积神经网络中 的损失函数和精度评估函数中进行计算， 计算得到损失值和准确度值， 然后根据得到的损 失值计算深度卷积神经网络中不同层的梯度， 然后 将计算得到的梯度参数输入到优化器中权　利　要　求　书 1/3 页 2 CN 115424017 A 2进行优化， 并根据优化的结果在下一次的训练轮数中对每一层的参数进行调整， 直至达到 最优的结果。 6.根据权利要求5所述的建筑物内外轮廓分割方法， 其特征在于， 在训练的过程中， 若 数据集中存在已经划分好的测试集， 那么在训练的过程中按照一定时间间隔来读取验证 集， 根据之前的训练结果进行测试预测， 并与测试集中的标签图进 行比照， 并将其输入到深 度卷积神经网络中的损失函数和精度评估函数中进行计算， 计算得到损失值和准确度值， 并将其输入到优化器中进行参数优化， 在下一轮中的训练中对参数做出调整。 7.根据权利要求2所述的建筑物内外轮廓分割方法， 其特 征在于： 所述特征提取模块包括但不局限于VGG系列网络、 残差系列网络、 DenseNet系列网络以 及MobileNet系列网络， 由卷积操作、 正则化操作、 激活操作、 池化操作组成， 其中卷积操作 包含但不局限于二维卷积、 空洞卷积、 可分卷积、 转置卷积等操作； 正则化操作用于方式过 拟合； 激活操作中的激活函数包括但不局限于Sigmoid、 Relu、 Tanh、 LeakyRelu； 网络结构中 给出了深层特征提取模块， 经过特征提取模块输出 的特征向量相比于输入的特征向量， 空 间数缩减一半、 通道数扩大一 倍； 所述特征连接模块用于将不同尺度的图片 或者同一尺度的图片进行连接或堆叠， 对于 同一尺度的图片， 只需要将其进 行简单堆叠 即可； 对于不同尺度的图片， 需要将其上采样为 同一尺度后进行堆叠； 所述特征恢复模块依靠上采样模块和反卷积模块实现， 用于增加图片的维度， 图片在 经过多次卷积、 正则化和激活函数后通过上采样操作进行尺度的提升， 所述的上采样操作 包括但不局限于最近邻域插值、 线性插值、 双线性插值； 网络结构中给出了深层特征恢复模 块， 该模块与深层特征提取模块相对应， 将深层特征提取后图像的尺度进 行恢复； 经过特征 恢复后输出的特 征向量相比于 输入的特 征向量， 尺寸扩大一 倍， 通道数缩 减至原来的一半； 所述的注意力模块包 含但不局限于： SE模块,CBAM模块、 E MA模块、 OC模块； 所述多尺度融合模块用于对不同尺度的图片进行特征提取， 再将其进行融合便能得到 多尺度的特征信息， 在深度卷积神经网络中通过将较低尺度的特征信息进 行上采样操作并 复制后与最终的较大尺度的特 征信息进行堆叠， 来融合 不同尺度间的特 征信息。 8.根据权利要求1所述的建筑物内外轮廓分割方法， 其特征在于， 所述将所述掩膜图片 进行二值化处理， 得到光伏地图的区域， 包括： 从图像中分割出建筑物的外轮廓， 进行粗略分割； 使用图像算法中的掩码 操作仅将源图片中的建筑物外轮廓区域保留； 进行建筑物内轮廓的分割， 得到建筑物外轮廓边缘和内部屋脊， 利用掩码操作将所述 建筑物外轮廓边 缘和内部 屋脊部分去除， 剩余的便是分割得到的光伏地图区域。 9.一种建筑物内外轮廓分割装置， 其特 征在于， 包括： 测试数据集获取单元， 用于获取预先采集的建筑物上空的图像数据集， 将所述图像数 据集中的图像进行裁剪成固定大小的尺寸， 并将采集效果不好的图片进行剔除， 作为测试 数据集； 分割单元， 用于将所述测试数据集输入预先构建并训练过的建筑物外轮廓分割网络和 建筑物内轮廓分割网络， 使用其中训练效果最好的权重信息对测试数据集进 行建筑物内外 轮廓的分割， 获取建筑物内外轮廓的分割结果；权　利　要　求　书 2/3 页 3 CN 115424017 A 3