本發(fā)明涉及三維建模，尤其涉及一種基于語義分割模型的建模方法、系統(tǒng)及存儲介質(zhì)。

背景技術(shù)：

1、數(shù)字孿生技術(shù)作為數(shù)字化新基建的頂層賦能技術(shù)體系，被廣泛應(yīng)用于基礎(chǔ)設(shè)施建設(shè)與運(yùn)維數(shù)字化、工業(yè)生產(chǎn)數(shù)字化、智慧城市、智慧交通等場景。作為場景構(gòu)建過程中的一環(huán)，植被建模一般采用無人機(jī)航拍采集傾斜攝影或激光點云等測繪技術(shù)進(jìn)行植被實景模型重建，其優(yōu)點是技術(shù)成熟對且能夠一定程度保障模型還原的真實性與準(zhǔn)確性。但其缺點諸如計算與存儲成本高，數(shù)據(jù)兼容性不佳，近景渲染效果不佳，聯(lián)動性差等都是制約此類環(huán)境建模技術(shù)難以在數(shù)字孿生場景再深入發(fā)展與應(yīng)用的原因。通過3dsmax、maya等三維建模軟件構(gòu)建的植被模型更為直觀逼真，但是由于大多數(shù)三維建模軟件缺乏對地理信息系統(tǒng)（gis）軟件的數(shù)據(jù)通信接口，包括國內(nèi)的超圖平臺與國外的arcgis等平臺。最終使其很難將創(chuàng)建的實景模型快速地部署至本地或云端的三維地理信息系統(tǒng)場景（3dgis），以進(jìn)行基礎(chǔ)的計算或渲染。與此同時其針對大型場景條件下的建模耗時費力，成本也變得不可控，只適用于小規(guī)模的數(shù)字孿生場景植被建模。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于語義分割模型的建模方法、系統(tǒng)及存儲介質(zhì)。

2、本發(fā)明的目的是通過以下技術(shù)方案來實現(xiàn)的：本發(fā)明第一方面提供：一種基于語義分割模型的建模方法，包括以下步驟：

3、s1：遙感數(shù)據(jù)預(yù)處理階段，獲取遙感數(shù)據(jù)，然后對遙感數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，最后將數(shù)據(jù)預(yù)處理后的遙感數(shù)據(jù)導(dǎo)出為訓(xùn)練數(shù)據(jù)；所述遙感數(shù)據(jù)包括多光譜雷達(dá)數(shù)據(jù)、正射全色影像數(shù)據(jù)、數(shù)字高程模型數(shù)據(jù)；所述數(shù)據(jù)預(yù)處理包括數(shù)據(jù)鑲嵌、輻射定標(biāo)、大氣校正、正射校正、增強(qiáng)型植被指數(shù)evi量化計算；

4、s2：語義分割模型訓(xùn)練與調(diào)優(yōu)階段，構(gòu)建語義分割模型并進(jìn)行模型訓(xùn)練和模型調(diào)優(yōu)得到訓(xùn)練好的語義分割模型；

5、s3：林地片區(qū)語義分割識別階段，使用訓(xùn)練好的語義分割模型對目標(biāo)區(qū)域的多光譜雷達(dá)數(shù)據(jù)進(jìn)行像素級分類得到語義分割結(jié)果，對語義分割結(jié)果進(jìn)行矢量化轉(zhuǎn)換得到有效密集型林地區(qū)域的泰森多邊形區(qū)域；

6、s4：建模場景構(gòu)建階段，將數(shù)字高程模型數(shù)據(jù)和有效密集型林地區(qū)域的泰森多邊形區(qū)域?qū)虢＼浖?，?gòu)建數(shù)字高程模型；使用地理信息系統(tǒng)軟件中的統(tǒng)計學(xué)數(shù)值方法在有效密集型林地區(qū)域的泰森多邊形區(qū)域的限定下生成植被分布點并導(dǎo)入建模軟件；最后對植被分布點進(jìn)行高程插值操作賦予植被分布點三維高度參數(shù)得到植被空間坐標(biāo)點集；

7、s5：場景資產(chǎn)生成與輸出階段，基于數(shù)字高程模型和植被空間坐標(biāo)點集生成密集型林地環(huán)境模型，密集型林地環(huán)境模型中的植被單體模型采用建模軟件內(nèi)置的模型資源或自建模型；基于cga規(guī)則對植被單體模型進(jìn)行幾何隨機(jī)變換得到數(shù)字孿生場景資產(chǎn)并輸出。

8、優(yōu)選的，所述的s1：遙感數(shù)據(jù)預(yù)處理階段，還包括以下步驟：

9、s11：從開源數(shù)據(jù)源獲取遙感數(shù)據(jù)，并從哨兵2號數(shù)據(jù)源獲取多光譜雷達(dá)數(shù)據(jù)，從alos平臺12.5m分辨率數(shù)據(jù)源獲取數(shù)字高程模型數(shù)據(jù)，從衛(wèi)星影像數(shù)據(jù)源獲取正射全色影像數(shù)據(jù)；

10、s12：將遙感數(shù)據(jù)導(dǎo)入遙感圖像處理軟件并使用無縫鑲嵌工具對分散的遙感數(shù)據(jù)做鑲嵌操作得到第一遙感數(shù)據(jù)；對第一遙感數(shù)據(jù)進(jìn)行輻射定標(biāo)得到第二遙感數(shù)據(jù)；對第二遙感數(shù)據(jù)進(jìn)行大氣校正得到第三遙感數(shù)據(jù)；對第三遙感數(shù)據(jù)進(jìn)行正射校正，針對第三遙感數(shù)據(jù)的采集時間、衛(wèi)星姿態(tài)、軌道位置、數(shù)據(jù)集范圍確定第三遙感數(shù)據(jù)的大氣模型、氣溶膠模型、地面高程參數(shù)得到第四遙感數(shù)據(jù)；計算第四遙感數(shù)據(jù)的增強(qiáng)型植被指數(shù)evi得到數(shù)據(jù)預(yù)處理后的遙感數(shù)據(jù)；增強(qiáng)型植被指數(shù)evi通過以下公式計算：

11、

12、式中，nir是近紅外波段反射率，為哨兵2號雷達(dá)的第8個波段數(shù)據(jù)；r是紅光波段反射率，為哨兵2號雷達(dá)的第4個波段數(shù)據(jù)；b是藍(lán)光波段反射率，為哨兵2號雷達(dá)的第2個波段數(shù)據(jù)；g是增益因子，取值2.5；c1和c2為第一大氣校正系數(shù)和第二大氣校正系數(shù)分別取6和7.5；l為土壤調(diào)解參數(shù)，取值為1；

13、s13：將數(shù)據(jù)預(yù)處理后的多光譜雷達(dá)數(shù)據(jù)、正射全色影像數(shù)據(jù)加載到地理信息系統(tǒng)軟件，對待處理目標(biāo)數(shù)據(jù)集進(jìn)行掩膜標(biāo)繪；對于數(shù)據(jù)預(yù)處理后的正射全色影像數(shù)據(jù)對其輪廓進(jìn)行掩膜標(biāo)繪；對于數(shù)據(jù)預(yù)處理后的多光譜雷達(dá)數(shù)據(jù)參照預(yù)處理后的正射全色影像數(shù)據(jù)并利用連續(xù)且封閉的多邊形進(jìn)行掩膜標(biāo)繪；最后將掩膜標(biāo)繪后的數(shù)據(jù)導(dǎo)出為訓(xùn)練數(shù)據(jù)。

14、優(yōu)選的，所述的s2：語義分割模型訓(xùn)練與調(diào)優(yōu)階段，還包括以下步驟：

15、s21：采用pytorch框架、u-net架構(gòu)、densenet骨干網(wǎng)絡(luò)構(gòu)建語義分割模型；

16、s22：對語義分割模型進(jìn)行模型訓(xùn)練并調(diào)整語義分割模型的超參數(shù)達(dá)到第一預(yù)設(shè)量化指標(biāo)；對語義分割模型進(jìn)行測試，根據(jù)測試結(jié)果進(jìn)行模型調(diào)優(yōu)，直至語義分割模型達(dá)到第二預(yù)設(shè)量化指標(biāo)得到訓(xùn)練好的語義分割模型。

17、優(yōu)選的，所述的s3：林地片區(qū)語義分割識別階段，還包括以下步驟：

18、s31：使用訓(xùn)練好的語義分割模型將數(shù)據(jù)預(yù)處理后的多譜雷達(dá)數(shù)據(jù)的森林區(qū)域分割為多個子區(qū)域并分別進(jìn)行數(shù)據(jù)預(yù)測得到局部分割圖，再對局部分割圖進(jìn)行數(shù)據(jù)鑲嵌從而合并得到完整分割圖；對于輸入的多譜雷達(dá)數(shù)據(jù)通過以下公式中的參數(shù)進(jìn)行分割：

19、

20、式中， c x為水平方向上針對輸入的多譜雷達(dá)數(shù)據(jù)的切割步長； i x為輸入的多譜雷達(dá)數(shù)據(jù)水平方向上切割出的樣本數(shù)； t x為輸入的多譜雷達(dá)數(shù)據(jù)水平方向上的像素個數(shù)，單位為像素； s x為切割得到的單個樣本水平方向的像素個數(shù)，單位為像素； g x為水平方向上的兩個相鄰樣本重疊區(qū)域的像素個數(shù)，單位為像素； c y豎直方向上針對輸入的多譜雷達(dá)數(shù)據(jù)的切割步長； i y為輸入的多譜雷達(dá)數(shù)據(jù)豎直方向上切割出的樣本數(shù)； t y為輸入的多譜雷達(dá)數(shù)據(jù)豎直方向上的像素個數(shù)，單位為像素； s y為切割得到的單個樣本豎直方向的像素個數(shù)，單位為像素； g y為豎直方向上的兩個相鄰樣本重疊區(qū)域的像素個數(shù)，單位為像素；“?...?”為向上取整運(yùn)算； c x、 i x、 t x、 s x、 g x、 c y、 i y、 t y、 s y、 g y均為正整數(shù)；

21、s32：加載完整分割圖，設(shè)置判斷條件將背景置空得到第一分割圖；使用柵格至矢量面轉(zhuǎn)化函數(shù)將第一分割圖的柵格中有效密集型林地區(qū)域轉(zhuǎn)換為矢量面得到第一柵格數(shù)據(jù)；將第一柵格數(shù)據(jù)作為掩膜并將s31中初始輸入的數(shù)據(jù)預(yù)處理后的多譜雷達(dá)數(shù)據(jù)的非林地區(qū)域進(jìn)行置空操作得到第二柵格數(shù)據(jù)；將第二柵格數(shù)據(jù)轉(zhuǎn)換為柵格點集，柵格點集繼承的數(shù)據(jù)字段為輸入柵格的每個像元的值；將柵格點集輸入創(chuàng)建泰森多邊形函數(shù)得到多個以柵格點集中的點為中心且各邊相互鄰接的泰森多邊形區(qū)域；使用幾何交集計算函數(shù)計算第一柵格數(shù)據(jù)和泰森多邊形區(qū)域的交集得到有效密集型林地區(qū)域的泰森多邊形區(qū)域。

22、優(yōu)選的，所述的s4：建模場景構(gòu)建階段，還包括以下步驟：

23、s41：將數(shù)字高程模型數(shù)據(jù)和有效密集型林地區(qū)域的泰森多邊形區(qū)域?qū)虢＼浖?，使用地形?dǎo)入模式輸入與目標(biāo)區(qū)域的多光譜雷達(dá)數(shù)據(jù)相同范圍的地形數(shù)據(jù)，并對地形數(shù)據(jù)進(jìn)行無縫鑲嵌和裁切操作得到數(shù)字高程模型；

24、s42：以有效密集型林地區(qū)域的泰森多邊形區(qū)域中任意矩形單元為基準(zhǔn)，計算單位面積內(nèi)的植被數(shù)量td：

25、

26、其中，a為所當(dāng)前測算區(qū)域的面積；為當(dāng)前測算區(qū)域的植被平均冠層面積；evi為有效密集型林地區(qū)域的泰森多邊形區(qū)域中當(dāng)前矩形單元的evi值；“?...?”為向上取整運(yùn)算；

27、得到單位面積內(nèi)的植被數(shù)量td后計算植被分布點：

28、

29、其中，為當(dāng)前第t個隨機(jī)坐標(biāo)點的東距，且滿足t≤td；為當(dāng)前第t個隨機(jī)坐標(biāo)點的北距，且滿足t≤td； d east為當(dāng)前矩形單元的最西側(cè)東距； d west為當(dāng)前矩形單元的最東側(cè)東距； d north為當(dāng)前矩形單元的最北側(cè)北距； d south為當(dāng)前矩形單元的最南側(cè)北距； n r為服從高斯分布的隨機(jī)數(shù)； n為滿足均勻分布條件下所生成的樣本數(shù)量； x i為第i個滿足均勻分布的樣本數(shù)值；

30、s43：將植被分布點導(dǎo)入建模軟件，使用數(shù)字高程模型作為高程數(shù)據(jù)源，將植被分布點與高程數(shù)據(jù)源進(jìn)行匹配得到植被空間坐標(biāo)點集。

31、優(yōu)選的，所述的s5：場景資產(chǎn)生成與輸出階段，還包括以下步驟：

32、s51：生成植被單體模型并對植被單體模型的屬性進(jìn)行初始化得到規(guī)則文件，選中植被空間坐標(biāo)點集中所有的坐標(biāo)點并與規(guī)則文件綁定，然后啟動模型生成指令得到密集型林地環(huán)境模型；

33、s52：基于cga規(guī)則對植被單體模型進(jìn)行幾何隨機(jī)變換，然后將植被單體模型和密集型林地環(huán)境模型導(dǎo)出為數(shù)字孿生場景資產(chǎn)并輸出。

34、優(yōu)選的，所述的語義分割模型為u-net架構(gòu)。

35、優(yōu)選的，所述的建模軟件為cityengine，地理信息系統(tǒng)軟件為arcgis?pro。

36、本發(fā)明第二方面提供：一種基于語義分割模型的建模系統(tǒng)，用于實現(xiàn)上述任一種基于語義分割模型的建模方法，包括：

37、遙感數(shù)據(jù)預(yù)處理模塊，用于獲取遙感數(shù)據(jù)，然后對遙感數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，最后將數(shù)據(jù)預(yù)處理后的遙感數(shù)據(jù)導(dǎo)出為訓(xùn)練數(shù)據(jù)；所述遙感數(shù)據(jù)包括多光譜雷達(dá)數(shù)據(jù)、正射全色影像數(shù)據(jù)、數(shù)字高程模型數(shù)據(jù)；所述數(shù)據(jù)預(yù)處理包括數(shù)據(jù)鑲嵌、輻射定標(biāo)、大氣校正、正射校正、增強(qiáng)型植被指數(shù)evi量化計算；

38、語義分割模型訓(xùn)練與調(diào)優(yōu)模塊，用于構(gòu)建語義分割模型并進(jìn)行模型訓(xùn)練和模型調(diào)優(yōu)得到訓(xùn)練好的語義分割模型；

39、林地片區(qū)語義分割識別模塊，用于使用訓(xùn)練好的語義分割模型對目標(biāo)區(qū)域的多光譜雷達(dá)數(shù)據(jù)進(jìn)行像素級分類得到語義分割結(jié)果，對語義分割結(jié)果進(jìn)行矢量化轉(zhuǎn)換得到有效密集型林地區(qū)域的泰森多邊形區(qū)域；

40、建模場景構(gòu)建模塊，用于將數(shù)字高程模型數(shù)據(jù)和有效密集型林地區(qū)域的泰森多邊形區(qū)域?qū)虢＼浖?，?gòu)建數(shù)字高程模型；使用地理信息系統(tǒng)軟件中的統(tǒng)計學(xué)數(shù)值方法在有效密集型林地區(qū)域的泰森多邊形區(qū)域的限定下生成植被分布點并導(dǎo)入建模軟件；最后對植被分布點進(jìn)行高程插值操作賦予植被分布點三維高度參數(shù)得到植被空間坐標(biāo)點集；

41、場景資產(chǎn)生成與輸出模塊，用于基于數(shù)字高程模型和植被空間坐標(biāo)點集生成密集型林地環(huán)境模型，密集型林地環(huán)境模型中的植被單體模型采用建模軟件內(nèi)置的模型資源或自建模型；基于cga規(guī)則對植被單體模型進(jìn)行幾何隨機(jī)變換得到數(shù)字孿生場景資產(chǎn)并輸出。

42、本發(fā)明第三方面提供：一種計算機(jī)可讀存儲介質(zhì)，所述的計算機(jī)可讀存儲介質(zhì)中存儲有計算機(jī)可執(zhí)行指令，所述計算機(jī)可執(zhí)行指令被處理器加載并執(zhí)行時，實現(xiàn)上述任一種基于語義分割模型的建模方法。

43、本發(fā)明的有益效果是：

44、1）基于正射全色影像數(shù)據(jù)的訓(xùn)練數(shù)據(jù)標(biāo)注流程，采用基于正射全色影像數(shù)據(jù)可視化掩模標(biāo)繪，并將其作用在多光譜雷達(dá)數(shù)據(jù)進(jìn)行輸出的思路，繞開了人眼無法辨識的多光譜雷達(dá)數(shù)據(jù)的問題，間接提升了語義分割訓(xùn)練數(shù)據(jù)的質(zhì)量。

45、2）利用evi指數(shù)，在泰森多邊形與柵格轉(zhuǎn)點等工作流的加持下，能夠獲取到細(xì)粒度的植被分布特征矢量數(shù)據(jù)，在后續(xù)描述植被分布的空間分布特征進(jìn)行密集型林地植被隨機(jī)矢量布點的工作流中起到了關(guān)鍵作用，將基于衛(wèi)星觀測的樹木空間分布特征進(jìn)行了較為準(zhǔn)確的還原，使得在低廉的成本范圍內(nèi)，又能盡可能的達(dá)到無人機(jī)航測技術(shù)方向下的環(huán)境建模的精度。

46、3）在利用cga規(guī)則對模型進(jìn)行創(chuàng)建過程中，本發(fā)明充分考慮了密集型林地植被生長隨機(jī)性，采用隨機(jī)植被點分布外加隨機(jī)模型尺寸放縮的思路，使得本發(fā)明產(chǎn)出的密集型林地植被特征可一定程度上模擬植被在空間與形態(tài)層面上隨機(jī)分布的特點。且采用代碼生成式建模規(guī)則，大幅減低了建模工作量，節(jié)省了技術(shù)實施人員的時間精力。

47、4）除語義分割任務(wù)所需數(shù)據(jù)標(biāo)注工作為前期一次性的人力投入外，其余流程均可轉(zhuǎn)化為低人為干預(yù)或無人為干預(yù)的代碼程序自動進(jìn)行執(zhí)行，使得密集型林地區(qū)域的環(huán)境建模真正能夠自動化產(chǎn)出符合遙感觀測規(guī)律的密集型林地環(huán)境場景，并輸出符合相關(guān)數(shù)字孿生標(biāo)準(zhǔn)的場景資產(chǎn)。