روش به روز رسانی شبکه جاده ای افزایشی با داده های مسیر و تصاویر سنجش از دور پهپاد

مسیر GPS و داده‌های سنجش از دور برای به‌روزرسانی شبکه‌های جاده‌ای شهری بسیار مهم هستند زیرا حاوی اطلاعات مکانی و زمانی حیاتی هستند. روش‌های به‌روزرسانی شبکه جاده‌ای موجود، چه مبتنی بر مسیر (TB) و چه مبتنی بر تصویر (IB)، ویژگی‌های هر دو نوع داده را یکپارچه نمی‌کنند. این مقاله یک روش به روز رسانی افزایشی را برای بررسی و به روز رسانی شبکه جاده ای پیشنهاد و اجرا کرد. یک چارچوب به‌روزرسانی ترکیبی برای شبکه‌های جاده‌ای ایجاد شده است که داده‌های مسیر و تصاویر سنجش از راه دور پهپاد را ادغام می‌کند. این تحقیق استفاده از اتصال بین نقاط همسان مجاور را برای حل مشکل به‌روزرسانی بخش‌های جاده مشکل‌ساز در شبکه‌ها بر اساس ویژگی‌های روش تطبیق نقشه مدل پنهان مارکوف (HMM) در شناسایی بخش‌های جاده‌ای جدید پیشنهاد کرد. یادگیری عمیق برای به روز رسانی شبکه جاده های محلی در ارتباط با ویژگی های انعطاف پذیر و با دقت بالا سنجش از راه دور پهپاد استفاده می شود. علاوه بر این، روش پیشنهادی در برابر دو روش پایه از طریق آزمایش‌های گسترده بر اساس مسیرهای دنیای واقعی و تصاویر سنجش از دور پهپاد ارزیابی می‌شود. نتایج نشان می‌دهد که روش ما دقت استخراج بالاتری نسبت به روش سل و به‌روزرسانی‌های سریع‌تری نسبت به روش IB دارد.

کلید واژه ها:

شبکه جاده ای ؛ داده های مسیر ؛ تصاویر سنجش از راه دور پهپاد ; یادگیری عمیق

1. مقدمه

داده های شبکه جاده ای بسیار دقیق و در زمان واقعی برای برنامه های شهری مبتنی بر محلی، مانند ناوبری وسیله نقلیه، رانندگی مستقل و برنامه ریزی شهری ضروری است. رشد سریع شهرها به روز رسانی شبکه های جاده ای را چالش برانگیز می کند. به عنوان مثال، دولت با گسترش مرزهای شهری، ساختمان ها و جاده های بسیاری را در مناطق شهری جدید ساخت. به طور همزمان، برخی از جاده ها در مناطق قدیمی شهری به عنوان بخشی از نوسازی شهری در حال بازسازی هستند. در نتیجه، به روز رسانی سریع و دقیق شبکه راه ها به موضوعی محبوب برای تحقیقات تبدیل شده است.

روش‌های به‌روزرسانی شبکه جاده‌ای کنونی عمدتاً بر استخراج ساختار شبکه جاده‌ای TB [ 1 ، 2 ] و استخراج ساختار شبکه جاده‌ای IB [ 3 ، 4 ] متمرکز هستند. دو حالت به روز رسانی برای روش های سل وجود دارد: به روز رسانی جهانی و به روز رسانی افزایشی محلی. روش به روز رسانی جهانی TB کل شبکه جاده ها را بر اساس مسیرها بازسازی می کند و شبکه جاده ای اصلی را با شبکه جاده بازسازی شده جایگزین می کند. روش به روز رسانی افزایشی محلی مناطقی را شناسایی می کند که در آن شبکه جاده تغییر کرده است، سپس مناطق تغییر یافته را با استفاده از داده های مسیر برای تولید شبکه جاده به روز می کند. روش‌های به‌روزرسانی شبکه جاده‌ای سل معمولاً سریع هستند.

با این وجود، روش سل نتایج با دقت کمتری نسبت به روش IB ایجاد می کند. رویکردهای سل هندسی شبکه جاده را از تصاویر سنجش از راه دور استخراج می کند و شبکه جاده را در پوشش تصویر به روز می کند. این روش ها از نظر دقت عملکرد بهتری دارند اما برای تفسیر بصری به کار زیادی نیاز دارند که زمان بر است. بعلاوه، به موقع بودن روش IB ناکافی است زیرا آخرین تصاویر ماهواره ای اغلب در دسترس نیستند. نه روش های TB و نه IB نمی توانند به سرعت و با دقت داده های شبکه جاده را به روز کنند.

این مقاله یک روش جدید به‌روزرسانی شبکه جاده‌ای افزایشی را پیشنهاد می‌کند که داده‌های مسیر GPS و تصاویر سنجش از راه دور پهپاد را یکپارچه می‌کند. این روش از ویژگی‌های روش تطبیق نقشه HMM [ 5 ، 6 ] برای شناسایی بخش‌های جاده‌ای جدید و اتصال نقاط مجاور در فرآیند تطبیق برای شناسایی بخش‌های مشکل‌ساز جاده استفاده می‌کند. فناوری یادگیری عمیق برای استخراج خودکار بخش‌های جاده از نقشه دیجیتال ارتوفوتو (DOM) ایجاد شده توسط پهپاد که داده‌های تصویری را برای محدوده محدوده جمع‌آوری می‌کند، استفاده می‌شود. به روز رسانی بخش های جاده ای جدید و مشکل دار با بازسازی توپولوژی شبکه راه تکمیل می شود. ما سه سهم اصلی را در مقایسه با روش های دیگر انجام می دهیم که به شرح زیر است:

چارچوب ترکیبی برای به‌روزرسانی شبکه جاده‌ای: این چارچوب ویژگی‌های مسیر خودرو و داده‌های تصویر را برای به‌روزرسانی سریع و دقیق شبکه جاده‌ها ادغام می‌کند.
الگوریتم شناسایی و استخراج قطعه جاده مشکل دار: این الگوریتم از رابطه بین نقاط مسیر و بخش های جاده مربوطه در طول تطبیق نقشه HMM برای شناسایی و استخراج بخش های جاده مشکل ساز استفاده می کند.
روش ادغام تصاویر سنجش از دور پهپاد و تکنیک‌های یادگیری عمیق: این روش بر اساس ویژگی‌های این دو تکنیک است که به سرعت تصاویر مناطق به‌روزرسانی را به دست می‌آورد و به طور خودکار مرزهای بخش جاده را از تصاویر استخراج می‌کند.

این مقاله به صورت زیر سازمان دهی می شود. بخش 2 کارهای مربوط به به روز رسانی شبکه جاده را شرح می دهد. بخش 3 چارچوب روش شناختی و جزئیات این مقاله را ارائه می کند. بخش 4 مطالعه تجربی و تحلیل مقایسه ای روش ها را انجام می دهد. بخش 5 مقاله را به پایان می‌رساند و چشم‌اندازی برای آینده ارائه می‌کند.

2. آثار مرتبط

روش‌های موجود برای به‌روزرسانی شبکه‌های جاده‌ای را می‌توان به دو نوع تقسیم کرد: (1) روش‌های سل که با سرعت سریع مشخص می‌شوند. و (2) روش های IB که با دقت بالا مشخص می شوند.

2.1. روش های سل

به روز رسانی شبکه جاده سل در حال حاضر از دو روش استفاده می کند: به روز رسانی جهانی و به روز رسانی افزایشی محلی. به‌روزرسانی جهانی شبکه‌های جاده‌ای را بر اساس مسیر اصلی تولید می‌کند و جایگزین شبکه‌های جاده‌ای اصلی در منطقه مربوطه می‌شود [ 7 ]. روش‌های به‌روزرسانی جهانی شامل استخراج اسکلت تصویر با چگالی، خوشه‌بندی نقطه، و درج مسیر افزایشی است. استخراج اسکلت تصویر با چگالی، خط مرکزی جاده را از تصویر چگالی استخراج می کند [ 8 ]. با گروه بندی نقاط مسیر به چندین خوشه، روش خوشه بندی نقطه ای با اتصال گره های خوشه شبکه ای ایجاد می کند [ 9 ، 10 ]. درج مسیر افزایشی شبکه های جاده ای را با ادغام مسیرهای جدید GPS می سازد [ 11 ,12 ]. این تکنیک ها می توانند به سرعت شبکه جاده ها را بازسازی کنند. با این حال، به دلیل نقص های هندسی و فرکانس نمونه برداری از داده های GPS، شبکه جاده تولید شده دقت پایینی دارد و استفاده از آن را در برنامه های واقعی چالش برانگیز می کند. بسیاری از محققان اخیراً بر تولید شبکه های جاده ای از داده های جمع سپاری تمرکز کرده اند [ 13 ]. هوانگ و همکاران روشی را برای ادغام مسیرهای جمع‌سپاری برای دستیابی به به‌روزرسانی‌های هندسی و معنایی همزمان شبکه‌های جاده‌ای پیشنهاد کرد [ 14 ]. لولیانگ تانگ و همکاران یک سیستم نظری برای درک جمع‌سپاری از نقشه‌های با دقت بالا بر اساس داده‌های بزرگ فضایی-زمانی ترافیک [ 15 ] ساخته شد.]. با این حال، به نظر نمی رسد که کیفیت شبکه های جاده ای ایجاد شده با استفاده از این فناوری ها افزایش قابل توجهی داشته باشد. علاوه بر این، یالی لی و همکاران. یک روش در مقیاس جهانی برای تولید شبکه جاده‌ای با ادغام داده‌های مسیر تاکسی و تصاویر سنجش از دور [ 16 ] پیشنهاد کرد، که بینشی را برای تحقیق ما فراهم می‌کند.

به روز رسانی افزایشی محلی مناطقی را شناسایی می کند که شبکه جاده ها با تجزیه و تحلیل رابطه بین مسیرها و شبکه جاده ها تغییر کرده است. این آزمایش با استفاده از مسیرها، شبکه جاده ها را در نواحی متغیر بازسازی می کند. روش‌های خوشه‌بندی نقطه‌ای [ 17 ، 18 ، 19 ، 20 ] اغلب برای تولید شبکه‌های جاده‌ای محلی استفاده می‌شوند، در حالی که اطلاعات معنایی فضایی مسیرها نیز در نظر گرفته می‌شوند [ 21 ]. برای به‌روزرسانی شبکه‌های راه محلی، محققان از تشخیص تغییر خودکار شبکه جاده [ 22 ]، شناسایی مسیر [ 23 ، 24 ] و تشخیص تغییر ساختار هندسی استفاده کرده‌اند. 25 ] استفاده کرده‌اند.]. از طریق تعامل بین داده‌های مسیر و شبکه جاده‌ها، این رویکردها می‌توانند به طور موثر مکان‌هایی را که شبکه جاده‌ها در آن تغییر کرده است شناسایی کنند.

با این وجود، دقت باید افزایش یابد زیرا به روز رسانی های شبکه جاده ها همیشه با موقعیت های واقعی مطابقت ندارند. احمد [ 26 ] و هاشمی [ 27 ] و همکاران. روش های مختلف بازسازی شبکه راه های موجود را مقایسه و تجزیه و تحلیل کرد. در همین حال، محققان آگاه بودند که استفاده از استراتژی‌های به‌روزرسانی تکراری مشترک [ 28 ] و مرتبط کردن گره‌های بخش جاده [ 1 ] می‌تواند کیفیت شبکه جاده‌ای را بهبود بخشد، با این حال، این اثر برای مناطق پیچیده شبکه راه‌ها مشهود نیست. یوکسیا لی و همکاران یک رویکرد دو مرحله‌ای جدید برای استنباط شبکه‌های جاده‌ای از نقاط مسیر و گرفتن هندسه جاده با دقت بهتر پیشنهاد کرد [ 29 ].

2.2. روش های IB

روش به‌روزرسانی شبکه جاده‌ای IB، DOM را با شبکه جاده اصلی پوشش می‌دهد، اختلافات هندسی بین شبکه‌های جاده‌ای و جاده‌های روی DOM را ارزیابی می‌کند، و بخش‌های جاده‌ای جدید و مشکل‌ساز را اصلاح می‌کند. ابوالفضل عبداللهی و بیسواجیت پرادهان استدلال کردند که روش‌های استخراج شبکه جاده‌ای از تصاویر هوایی شامل درخت تصمیم (DT)، نزدیک‌ترین همسایه k (KNN) و ماشین بردار پشتیبان (SVM) است که نیاز به در نظر گرفتن اطلاعات طیفی، هندسی و بافتی دارد. تصاویر [ 30 ]; فاوین باستانی و همکاران RoadTracer پیشنهادی، روشی جدید برای ساخت خودکار نقشه های شبکه جاده ای دقیق از تصاویر هوایی [ 31]. حمیدرضا ریاحی بختیاری و همکاران. استخراج نیمه خودکار تصاویر با وضوح بالا را با استفاده از روش‌های تشخیص لبه، ماشین بردار پشتیبان و روش‌های ریخت‌شناسی ریاضی پیشنهاد کرد [ 32 ]. عبداللهی و همکاران از یک رویکرد یادگیری عمیق برای استخراج خودکار شبکه های جاده ای از تصاویر سنجش از دور استفاده کرد. بخش‌بندی جاده‌ها و استخراج جاده‌ها را می‌توان با فناوری یادگیری عمیق [ 33 ، 34 ، 35 ، 36 ، 37 ، 38 ] به دست آورد. رونگ شیائو و همکاران به طور ابتکاری یک شبکه عصبی کاملاً کانولوشنال نیمه نظارت شده را برای استخراج اطلاعات بخش جاده به طور موثر با هزینه کم پیشنهاد کرد [ 39 ]]. لین گائو و همکاران روشی مبتنی بر یک شبکه عصبی کانولوشنال باقیمانده عمیق برای استخراج اطلاعات جاده از صحنه های پیچیده پیشنهاد کرد [ 40 ]. جیانگ شین و همکاران روش جدیدی را برای استخراج شبکه جاده از تصاویر سنجش از دور با استفاده از مدل DenseUNet با پارامترهای کم و ویژگی های قوی پیشنهاد کرد [ 41 ]. زی چن و همکاران یک U-Net با سوگیری بازسازی برای استخراج جاده از تصاویر سنجش از دور پیشنهاد کرد و به عملکرد بهبود یافته دست یافت [ 42 ]. Calimanut-Ionut Cira و همکاران. یک چارچوب جدید مبتنی بر شبکه‌های عصبی کانولوشنال (CNN) برای طبقه‌بندی جاده‌های ثانویه در تصاویر هوایی با وضوح بالا پیشنهاد کرد [ 43 ]. نوین چاندرا و همکاران استخراج جاده با استفاده از تصاویر با وضوح بالا توسط یک مدل تحلیل شناختی [44 ]. جیگوانگ دای و همکاران یک روش استخراج شبکه جاده ای در سطح خط بر اساس تصاویر با وضوح بالا برای بهبود اتوماسیون استخراج جاده با تنظیم صحنه های مختلف [ 45 ] پیشنهاد کرد. روش IB می‌تواند دقت شبکه جاده‌ای را با بهینه‌سازی مداوم الگوریتم بهبود بخشد، اما به محاسبات قدرتمند و زمان‌های پردازش طولانی نیاز دارد.

این مطالعات بسیاری از مشکلات را حل کرده است. با این حال، دقت روش سل ضعیف است و روش IB زمان زیادی می برد. روش های موجود نمی توانند به طور همزمان به به روز رسانی سریع و دقیق شبکه های جاده ای دست یابند. بنابراین، این مقاله یک روش به‌روزرسانی افزایشی شبکه جاده‌ای را با داده‌های مسیر و تصاویر سنجش از دور پهپاد پیشنهاد می‌کند. این روش یک چارچوب به‌روزرسانی شبکه جاده‌ای ترکیبی را پیشنهاد می‌کند که داده‌های تصویر مسیر و پهپاد را ترکیب می‌کند و بخش‌های جاده مشکل‌ساز را با استفاده از اتصال بین نقاط تطبیق مجاور در فرآیند تطبیق نقشه، شناسایی می‌کند. این روش همچنین یک تکنیک یادگیری عمیق را برای شناسایی مرزهای جاده معرفی می کند. روش پیشنهادی مزایای روش های TB و IB را برای دستیابی به به روز رسانی سریع و دقیق شبکه جاده ها ترکیب می کند.

3. روش شناسی

همانطور که در شکل 1 نشان داده شده است ، این مطالعه روش جدیدی را برای به روز رسانی تدریجی داده های شبکه جاده ها از مسیرها و تصاویر پهپاد در مقیاس محلی، از جمله پیش پردازش داده ها، شناسایی منطقه به روز رسانی، به روز رسانی تصویر منطقه، و به روز رسانی شبکه راه های محلی پیشنهاد می کند. یک استراتژی به‌روزرسانی سه فازی برای شناسایی مکان‌های هدف بالقوه و استخراج بخش‌های جاده مربوطه طراحی شده است. در مرحله اول، یک الگوریتم تشخیص مبتنی بر HMM مسیرها را با داده های اصلی شبکه جاده برای شناسایی اهداف به روز رسانی احتمالی یکپارچه می کند. در مرحله دوم، یک پهپاد تصاویری از اهداف بالقوه در دنیای واقعی گرفته و یک DOM تولید می کند. در مرحله سوم، بخش‌های جاده با تکنیک‌های یادگیری عمیق از تصاویر استخراج می‌شوند. 46] برای به روز رسانی داده های شبکه جاده در مقیاس محلی. چنین استراتژی به نفع به روز رسانی داده های شبکه جاده ای دقت و کارایی با ایده تجدید محلی است.

3.1. پیش پردازش داده ها

به دست آوردن داده های شبکه جاده در قالب فایل شیپ از وب سایت OSM (OpenStreetMap) باعث از بین رفتن برخی از اطلاعات گره و جهت بخش جاده می شود. داده های شبکه راه مورد نیاز در این مقاله یک گراف جهت دار G شامل گره ها و لبه ها است. بنابراین، پردازش شبکه جاده در قالب فایل شیپ برای به دست آوردن گراف جهت دار ضروری است جی=(V،E). V=(v1،v2،…،vn)نشان دهنده گره جاده، و n نشان دهنده شاخص گره است. E=(ه1،ه2،…،همتر)نشان دهنده بخش های جاده و m نشان دهنده شاخص بخش های جاده است. هر بخش جاده شامل پنج ویژگی است: کد شناسایی (مند)، گره شروع (سoتوrجه)، گره پایانی (تیآrgهتی)، سرعت طراحی (کیلومتر در ساعت) و طول قطعه (wهمنgساعتتی).

داده های خط سیر خام باید همانطور که در شکل 2 ب نشان داده شده است پردازش شوند، شامل پنج ویژگی شناسه نقطه مسیر ( توتومند)، شناسه مسیر ( تیrآجک_مند، زمان اکتساب نقطه مسیر ( لog_تیمنمتره، شناسه شی متحرک ( جآr_مندو سرعت ( v ). مسیرهای اصلی خودرو با پلاک خودرو برچسب گذاری شده و به ترتیب زمانی جمع آوری می شوند. همانطور که در شکل 2 الف نشان داده شده است، مسیرهای وسیله نقلیه خام فقط شامل زمان اکتساب نقطه مسیر هستند. (لog_تیمنمتره)، طول جغرافیایی (لongمنتیتوده)، و عرض جغرافیایی (لآتیمنتیتوده). طول جغرافیایی (لongمنتیتوده)و عرض جغرافیایی (لآتیمنتیتوده)می تواند فاصله اقلیدسی بین نقاط مختلف مسیر و سرعت را محاسبه کند (v)از هر نقطه مسیر برای اطمینان از کیفیت هر مسیر، این روش در صورت از دست رفتن زمان یا داده، مسیرها را به مسیرهای فرعی تقسیم کرد. شناسه هر مسیر ( تیrآجک_مند) یک مقدار از 1 تخصیص داده می شود. شناسه نقطه هر مسیر ( توتومند) به ترتیب صعودی با شروع از 1 نامگذاری شده است. مسیر خام شامل شماره پلاک است (جآr_مند)و زمان اکتساب نقطه مسیر (لog_تیمنمتره). فرآیند پردازش داده شامل مراحل زیر است:

نقاط مسیر خارج از محدوده مطالعه را حذف کنید.
فاصله ( فاصله ) بین نقاط مختلف مسیر را بر اساس طول و عرض جغرافیایی بدست آورید. سپس، سرعت (v)نقاط مسیر را می توان با فاصله به دست آورد (دمنستی)و زمان کسب (لog_تیمنمتره).
شماره پلاک را دریافت کنید (جآr_مند)از نام فایل داده های اصلی
نقاط پر سر و صدا را با سرعت کمتر از 5 کیلومتر در ساعت یا بیشتر از 120 کیلومتر در ساعت حذف کنید.
مسیرها را شماره گذاری کنید و شناسه مسیر را دریافت کنید (تیrآجک_مند).
شناسه نقطه مسیر را ایجاد کنید (توتومند)برای هر مسیر به ترتیب افزایشی که از 1 شروع می شود.
فایل مسیر مربوط به هر مسیر را ادغام کنید.
پروژکتور فایل مسیر به UTM. داده های مسیر نهایی نشان داده شده در شکل 2 ب را می توان به دست آورد.

3.2. شناسایی منطقه را به روز کنید

هدف از شناسایی مناطق به روز، محدود کردن دامنه به روز رسانی شبکه جاده ها بود. روش پیشنهادی می‌تواند دو نوع منطقه به‌روزرسانی را شناسایی کند: بخش‌های جاده جدید و بخش‌های جاده مشکل‌ساز. روش های شناسایی مناسب را می توان بر اساس خطوط مسیر و ویژگی های هندسی آن که در شبکه راه ها منعکس می شود، طراحی کرد. برای مثال، مسیرهای وسایل نقلیه مربوط به بخش های جاده جدید معمولاً به طور منظم فاصله معینی را از بخش های جاده حفظ می کنند. اکثر این نقاط مسیر دارای بخش های جاده پیش بینی شده مربوطه نیستند. در فرآیند تطبیق نقشه مبتنی بر HMM، جهت مسیر اغلب مخالف جهت بخش جاده مشکل ساز مربوطه است. بنابراین، اتصال بین نقاط تطبیق مجاور می تواند بخش های جاده مشکل ساز را شناسایی کند.

3.2.1. بخش های جاده ای جدید و بخش های جاده ای مشکل ساز

“بخش های جاده ای جدید” در درجه اول به جاده های جدید ساخته شده در مناطق شهری اشاره دارد. در شکل هندسی، بخش‌های جاده جدید با سایر بخش‌های جاده تلاقی یا همسایگی دارند. نقاط مسیری که توسط وسایل نقلیه رانندگی در بخش‌های جاده‌ای جدید ایجاد می‌شود معمولاً فاصله معینی را از سایر بخش‌های جاده حفظ می‌کنند و ویژگی‌های هندسی آنها منظم و متوالی است. همانطور که در شکل 3 نشان داده شده است ، دنباله پ9→پ10→پ11→پ12داخل منطقه A4 به وسیله نقلیه ای که در یک بخش جاده جدید رانندگی می کند اشاره دارد.

بخش‌های جاده‌ای مشکل‌ساز در این مقاله به آن‌هایی اشاره دارد که به اشتباه در جهت خود به‌روزرسانی شده‌اند یا در به‌روزرسانی با تأخیر مواجه شده‌اند.

بخش‌های اصلی جاده پس از بازسازی، از جمله وضعیت نشان داده شده در شکل 4 الف، به موقع در سیستم شبکه راه‌ها به‌روزرسانی نشدند. همانطور که در شکل 3 نشان داده شده است، دنباله ای از نقاط مسیر وجود دارد پ18→پ19→پ20در منطقه A1 بخش اصلی جاده یک بخش جاده یک طرفه است که پس از گسترش آن به یک بخش جاده دو طرفه، به موقع به روز نشد.
جهت بخش اشتباه به روز شده است، به این معنی که جهت بخش جاده به اشتباه به سیستم شبکه جاده به روز شده است، از جمله دو مورد نشان داده شده در شکل 4 ب. یکی خطای بخش جاده یک طرفه است که برخلاف وضعیت واقعی است، همانطور که در شکل 3 برای توالی نقاط مسیر نشان داده شده است.پ15→پ16→پ17در منطقه A2 دیگری خطای بخش های جاده دو طرفه است که فقط در یک جهت به روز شده اند، همانطور که در دنباله نقاط مسیر نشان داده شده است. پ1→پ2→پ3→پ4در منطقه A3 در شکل 3 . این نوع خطاها را نمی توان با تفسیر بصری شناسایی کرد.

3.2.2. شناسایی منطقه راه های جدید

الگوریتم 1، با نام Identify new segments road ، دنباله هایی را در مسیرهایی که از طریق جاده های جدید بر اساس تطبیق نقشه مبتنی بر HMM حرکت می کنند، شناسایی می کند. روش تطبیق نقشه مبتنی بر HMM شامل مشاهده و مدل‌های احتمال انتقال است. به طور رسمی، معادله احتمال مشاهده به صورت تعریف شده است نجمنjاز جمنjبا توجه به پمن:

نجمنj=12πσه-ایکسمنj-μ22σ2

(1)

جایی که ایکسمنj=دورجمنj،پمنفاصله بین است پمنو نقاط پروژه آن جمن. بر اساس تجزیه و تحلیل تجربی، انحراف معیار برای توزیع نرمال مورد استفاده در این مطالعه 30 متر است.

احتمال انتقال ترانزیت بین موقعیت های نامزد در شبکه جاده را با اعمال فرمول زیر تعیین می کند:

Vجمن-1تی→جمناس=دمن-1→منw(من-1،تی)→(من،س)

(2)

جایی که دمن-1→من=دورپمن،پمن-1فاصله اقلیدسی بین است پمنو پمن-1، و دبلیو(من-1،تی)→(من،س)) طول کوتاه ترین مسیر از جمن-1تیبه جمنتی.

مدل احتمال مشاهده روش تطبیق نقشه HMM می تواند برای شناسایی مسیر وسایل نقلیه ای که در بخش های جاده جدید حرکت می کنند استفاده شود. مدل احتمال مشاهده، احتمال مشاهده بین یک نقطه مسیر و نقطه طرح متناظر آن را محاسبه می کند. یک دایره O با هر نقطه مسیر در مسیر رسم شد. نقطه مسیر مرکز دایره O است. حداکثر خطای هندسی r شعاع دایره O است. هنگامی که دایره O با قطعه جاده قطع می شود یا مماس است Eمن، نکته سیمنبا نزدیکترین فاصله از نقطه مسیر تا بخش جاده Eمننقطه طرح نقطه مسیر در بخش جاده مربوطه است. مسیر وسیله نقلیه معمولاً در طول سفر در شبکه جاده است. مدل احتمال مشاهده می تواند نقاط مسیر را بر روی بخش های جاده مربوطه نشان دهد. بخشی از مسیرهای خودرو را نمی توان با بخش های جاده مربوطه مطابقت داد. در نظر گرفته شد که این بخش از مسیر توسط وسیله نقلیه رانندگی در بخش های جاده جدید ایجاد می شود. شبه کد ما در الگوریتم 1 نشان داده شده است. به صورت زیر پردازش می شود:

شبکه راه G ، مسیر T و تعداد نقاط مسیر N را وارد کنید.
دیکشنری های C ، L و S را مقداردهی اولیه کنید.
روی نقاط مسیر تکرار کنید پ_مندر مسیر T . اگر نقاط طرح ریزی برای پ_من، S را به پ_من. سپس S را به C اضافه کرده و دوباره S را خالی کنید.
نقاط مسیر را در فرهنگ لغت C از مسیر اصلی T حذف کنید. نقاط مسیر باقی مانده L مسیرهای وسیله نقلیه مربوط به بخش های جاده جدید هستند.

نقاط مسیر پ9، پ10، پ11، و پ12نشان داده شده در منطقه A4 در شکل 3 به وضوح توسط وسیله نقلیه رانندگی در بخش جاده جدید ایجاد می شود. خط سیر تی (پ1→پ2→…→پ20)همانطور که داده های ورودی الگوریتم 1 می تواند نقاط مسیر را خروجی دهد L (پ9،پ10،پ11،پ12).

الگوریتم 1 بخش های جدید جاده را شناسایی کنید.

ورودی: شبکه راه جی=(E،V); مسیرها تی:پ_1→پ_2→پ_3→…→پ_n; N .// N نشان دهنده تعداد نقاط در T
خروجی: نقاط بخش جدید جاده است L:ل_1→ل_2→ل_3→…→ل_n،1≤من≤n،ل_من∈تی.

1:: C ، L و S را به عنوان یک فرهنگ لغت خالی مقداردهی کنید
2:: برای من .. N انجام
3:: S =GetProjectPoints (پمن،جی،r);// پی با شعاع r
4:: C.add ( S )
5:: پایان برای
6:: L=تی\سی
7:: برگردان L

3.2.3. شناسایی منطقه مشکل دار جاده

این مطالعه الگوریتم 2 را برای شناسایی بخش های مشکل دار طراحی می کند. این به چهار بخش تقسیم شده است: ورودی، خروجی، مراحل اولیه سازی و هسته الگوریتم. نام این الگوریتم شناسایی و استخراج بخش های مشکل ساز جاده است . ورودی الگوریتم 2 شامل شبکه راه است جی=(E،V)و مجموعه نقاط مسیر C . خروجی الگوریتم 2 شامل بخش های مسئله است L(ل1،ل2،…،لn). با خطوط 1-4 در الگوریتم 2 مقداردهی اولیه می شود، از جمله:

نقاط برون فکنی نقطه مسیر را بدست آورید و احتمال مشاهده را از نقطه مسیر به نقاط پرتاب آن محاسبه کنید.
محاسبه احتمالات انتقال بین نقاط طرح مجاور.
مجموعه S از دنباله نقاط مسیر مربوط به حداکثر مسیر احتمال را بیابیداس:س1→س2→س3→…→سn.
آستانه احتمال را تنظیم کنید اسمآLL_پآرOبآبمنLمنتیY=0.00000001و N ، M و L را به عنوان دیکشنری خالی مقداردهی اولیه کنید. N نشان دهنده مجموعه نقاط غیر متصل، M نشان دهنده مجموعه نقاط متصل و L نشان دهنده مجموعه ای از بخش های مشکل دار است.

بخش اصلی الگوریتم خطوط 5-38 در الگوریتم 2 است و ایده طراحی آن در شکل 5 نشان داده شده است. نقاط مسیر در S در ابتدا تکرار می شوند. ارزش جتوrrهnتی_پoمنnتینشان دهنده نقطه فعلی است. nهایکستی_پoمنnتینشان دهنده نکته بعدی است. زمانی که احتمال انتقال بین جتوrrهnتی_پoمنnتیو nهایکستی_پoمنnتیبیشتر از آستانه تعیین شده است اسمآLL_پآرOبآبمنLمنتیY، جتوrrهnتی_پoمنnتیمتصل است nهایکستی_پoمنnتی. رابطه بین نقاط تطبیق مجاور در S را می توان به چهار مورد زیر تقسیم کرد:

اگر جتوrrهnتی_پoمنnتیمتصل است nهایکستی_پoمنnتی، اضافه کردن جتوrrهnتی_پoمنnتیبه M ، همانطور که در مراحل 0-2 در شکل 5 نشان داده شده است. اگر nهایکستی_پoمنnتیهمچنین آخرین نقطه S است، آن را به M اضافه کنید .
اگر جتوrrهnتی_پoمنnتیبا nهایکستی_پoمنnتی، و جتوrrهnتی_پoمنnتیسپس اولین نقطه S است جتوrrهnتی_پoمنnتیهمانطور که در مراحل 0-1-4 در شکل 5 نشان داده شده است، به N اضافه می شود . اگر nهایکستی_پoمنnتیهمچنین آخرین نقطه S است، آن را به N اضافه کنید .
اگر هر سه شرط رعایت شود: جتوrrهnتی_پoمنnتیبا nهایکستی_پoمنnتی، جتوrrهnتی_پoمنnتیاولین نقطه S نیست و جتوrrهnتی_پoمنnتیبا نقطه قبلی خود مرتبط است. سپس، جتوrrهnتی_پoمنnتیهمانطور که در مراحل 0-1-3-6 در شکل 5 نشان داده شده است، به M اضافه می شود . اگر nهایکستی_پoمنnتیهمچنین آخرین نقطه S است، به N اضافه می شود.
اگر هر سه شرط رعایت شود: جتوrrهnتی_پoمنnتیبا nهایکستی_پoمنnتی، جتوrrهnتی_پoمنnتیاولین نقطه S نیست و جتوrrهnتی_پoمنnتیبا نقطه قبلی خود مرتبط نیست. سپس، جتوrrهnتی_پoمنnتیهمانطور که در شکل 5 ، مراحل 0-1-3-5 نشان داده شده است، به N اضافه می شود . اگر nهایکستی_پoمنnتیهمچنین آخرین نقطه S است، به N اضافه می شود.

مجموعه نقاط قطع N را می توان با عبور از هر نقطه مسیر در S بدست آورد. هر نقطه غیر متصل در N دارای بخش های جاده مربوطه است لمن; این بخش‌های جاده مرتبط را خروجی بگیرید و بخش‌های جاده‌ای تکراری را حذف کنید تا بخش‌های جاده مشکل‌ساز نهایی استخراج شده را به دست آورید. L(ل1،ل2،…،لn).

به عنوان مثال، همانطور که شکل 3 نشان می دهد، مناطق A1، A2، و A3 مربوط به بخش های مختلف جاده مشکل ساز هستند که می توانند توسط الگوریتم 2 استخراج شوند. پایگاه داده شبکه جاده ای علیرغم تبدیل شدن به بخش دوطرفه، همانطور که در شکل 4 الف نشان داده شده است. فرآیند استخراج مراحل 0-1-4 و مراحل 0-1-3-5 را در شکل 5 ترکیب کرد. قطعه مشکل دار نشان داده شده با A2 خطای به روز رسانی جهت قطعه یک طرفه است، همانطور که در شکل 4 ب نشان داده شده است. فرآیند استخراج ترکیبی از مراحل 0-1-4، مراحل 0-1-3-5 و مراحل 0-1-3-6 در شکل 5 بود.. قطعه مشکل دار نشان داده شده توسط A3 خطای به روز رسانی جهت بخش دو طرفه است، همانطور که در شکل 4 ب نشان داده شده است. فرآیند استخراج مراحل 0-1-4 و مراحل 0-1-3-5 را در شکل 5 ترکیب کرد.

الگوریتم 2 شناسایی و استخراج بخش های جاده مشکل ساز.

ورودی: شبکه راه G = ( E , V ); نقاط مسیر C .
خروجی: بخش های جاده مشکل ساز L:ل1،ل2،⋯،لn

1:: HMM_based امتیاز پروژه را دریافت کنید و مشاهدات آن را محاسبه کنید.
2:: HMM_based محاسبه انتقال بین نقاط پروژه مجاور.
3:: مقدار دهی اولیه کنید ن،مو L به عنوان یک فرهنگ لغت خالی، SMALL_PROBABILITY = 0.00000001;//N مجموعه نقاط غیرمرتبط را نشان می دهد، M نشان دهنده مجموعه نقاط متصل، L نشان دهنده مجموعه ای از بخش های جاده مشکل ساز است.
4:: مجموعه نقاط پروژه را با مسیر حداکثر احتمال بدست آورید و آن را match_point_list بنامید اس:س1→س2→س3→…→سn; تعداد نقاط S را بدست آورید و آن را X بنامید.//نقاط S لازم نیست به یکدیگر متصل شوند. X تعداد نقاط S را نشان می دهد
5:: برای من .. X انجام می دهم
6:: جتوrrهnتی_پoمنnتی=س[من];// current_point نشان دهنده نقطه فعلی است
7:: nهایکستی_پoمنnتی=س[من+1];// next_point نشان دهنده نقطه بعدی است
8:: تیrآnسمترمنسسمنon_پroبآبمنلمنتیy=g [جتوrrهnتی_پoمنnتی][nهایکستی_پoمنnتی][‘تیrآnسمترمنسسمنon_پroبآبمنلمنتیy’];
9:: //transmission_probability نشان دهنده ارتباط بین current_point و next_point است، اگر transmission_probability=SMALL_PROBABILITY، به این معنی است که current_point و next_point متصل نیستند. در غیر این صورت متصل هستند
10:: اگر تیrآnسمترمنسسمنon_پroبآبمنلمنتیy=اسمآLL_پآرOبآبمنLمنتیY سپس
11:: اگر جتوrrهnتی_پoمنnتیپس از آن اولین نقطه S نیست
12:: اگر جتوrrهnتی_پoمنnتیپس با نقطه قبلی خود مرتبط نیست
13:: N افزودن.(point_current)
14:: نکته اول S را حذف کنید
15:: اگر نقطه بعدی آخرین نقطه باشد پس
16:: N افزودن.(next_point)
17:: پایان اگر
18:: دیگر
19:: M add.(current_point)
20:: نکته اول S را حذف کنید
21:: اگر نقطه بعدی آخرین نقطه باشد پس
22:: N افزودن.(next_point)
23:: پایان اگر
24:: پایان اگر
25:: دیگر
26:: N افزودن.(point_current)
27:: نکته اول S را حذف کنید
28:: اگر نقطه بعدی آخرین نقطه باشد پس
29:: N افزودن.(next_point)
30:: پایان اگر
31:: پایان اگر
32:: دیگر
33:: M add.(current_point) اولین نقطه S را حذف کنید
34:: اگر نقطه بعدی آخرین نقطه باشد پس
35:: M add.(next_point)
36:: پایان اگر
37:: پایان اگر
38:: پایان برای
39:: جاده را جستجو کن منDمربوط به نقطه N است و آن را به L اضافه کنید
40:: بخش های تکراری را در L حذف کنید
41:: بازگشت L ;

3.3. دریافت تصویر پهپاد از مناطق به روز رسانی

این مطالعه از یک پهپاد برای به دست آوردن تصاویر مناطق به روز استفاده می کند. فناوری سنجش از دور پهپاد نوع جدیدی از فناوری نقشه برداری و نقشه برداری است که در سال های اخیر با توسعه فناوری پهپاد ظهور کرده است. فناوری پهپاد در مقایسه با فناوری دریافت تصاویر از طریق ماهواره، ویژگی های کم هزینه، کارایی بالا و وضوح بالا را دارد. تصاویر به دست آمده را می توان پس از پردازش در یک DOM دوخت.

این تحقیق از یک پهپاد با قابلیت موقعیت یابی RTK و یک دوربین دیجیتال با وضوح بالا برای به دست آوردن تصاویر مناطق به روز استفاده می کند. تکنیک موقعیت یابی RTK باعث می شود که دقت POS تصاویر 3 سانتی متر باشد. برای بهبود کارایی عملیاتی، دوربین دیجیتال با وضوح بالا به پهپاد اجازه می دهد تا تصاویر مناطق مربوطه را در ارتفاعات پروازی بالاتر به دست آورد. مسیر عملیات در شکل 6 نشان داده شده است . پهپاد فقط در مناطق به روز رسانی عمل می کند. تصاویر به دست آمده از مناطق به روز رسانی در شکل 6 ب نشان داده شده است. تصاویر به طور منظم در دو طرف خط مرکزی مناطق به روز رسانی مرتب شده اند.

همانطور که در شکل 7 نشان داده شده است ، تصاویر به دست آمده باید توسط مراحل زیر پردازش شوند:

عناصر جهت بیرونی تصاویر را با مثلث بندی هوایی محاسبه کنید.
از مدل DEM برای حذف اعوجاج تصاویر به دلیل نامنظم بودن زمین استفاده کنید.
تصاویر تصحیح شده را به هم متصل کنید.
خط منبت را تنظیم کنید.
رنگ و نور همه تصاویر را یکسان کنید.
DOM مناطق را صادر کنید.

3.4. به روز رسانی شبکه راه های محلی

به روز رسانی شبکه جاده ها بر اساس یک استراتژی به روز رسانی ترکیبی است، از جمله استخراج بخش جاده مبتنی بر یادگیری عمیق از تصاویر پهپاد و به روز رسانی شبکه جاده ها. این مقاله از یک شبکه عصبی کانولوشن (CNN) برای استخراج مرزهای بخش‌های جاده از تصاویر استفاده می‌کند. ویژگی های جهتی مسیرها برای بهبود کارایی و دقت به روز رسانی شبکه جاده اضافه شده است.

3.4.1. استخراج قطعه جاده تصویر پهپاد مبتنی بر یادگیری عمیق

ترکیبی از U-Net [ 48 ] و ResNet [ 49 ] برای شناسایی مرزهای بخش های جاده در DOM، همانطور که در شکل 8 نشان داده شده است، استفاده شد . U-Net یک مدل یادگیری عمیق پایان به انتها است که معمولاً با ساختار متقارن U شکل مشخص می شود. نیمه اول شبکه U-Net به عنوان استخراج ویژگی عمل می کند و نیمه دوم نمونه برداری است که معمولا رمزگذار-رمزگر نامیده می شود [ 50 ]]. بخش رمزگذاری شبکه U-Net از چهار لایه کانولوشن تشکیل شده است که عمدتاً برای استخراج اطلاعات معنایی سطح بالا از تصاویر استفاده می شود. بخش رمزگشایی شامل چهار لایه upsampling است و نقشه ویژگی معنایی سطح بالا که از قسمت رمزگذاری به دست آمده است با کانولوشن انتقال به وضوح تصویر اصلی بازیابی می شود. U-Net از اتصالات پرش در همان مرحله فرآیند نمونه برداری به جای کانولوشن مستقیم و جابجایی ویژگی های معنایی سطح بالا استفاده می کند. اتصالات پرش تضمین می کند که نقشه ویژگی نهایی بازیابی شده اطلاعات فضایی سطح پایین بیشتری را در بر می گیرد و اطلاعات مکانی مقیاس های مختلف را ادغام می کند و باعث می شود نقشه تقسیم بندی اطلاعات دقیق تری مانند لبه ها را بازیابی کند. U-Net یک مدل تقسیم بندی معنایی عالی است اما در طول فرآیند رمزگذاری مستعد ناپدید شدن گرادیان است. اطلاعات از دست رفته در لایه‌های مختلف رمزگذاری حفظ می‌شود و هم‌گرایی نزول گرادیان با معرفی ResNet در فرآیند کدگذاری تسریع می‌شود. تصاویر ویژگی های سطح بالاتر را می توان به دست آورد. ساختار اصلی مدل نشان داده شده استشکل 8 .

3.4.2. به روز رسانی شبکه جاده ای

این روش از یک استراتژی به‌روزرسانی ترکیبی استفاده می‌کند که این سه منبع داده مکانی-زمانی، از جمله مسیر، شبکه جاده‌ای و تصاویر پهپاد را برای به‌روزرسانی شبکه جاده‌ای ترکیب می‌کند. همانطور که در شکل 9 نشان داده شده است ، استراتژی ما برای دو بخش جاده به طور جداگانه به روز شد: بخش های جاده جدید و مشکل ساز. بخش‌های جاده‌ای جدید در پایگاه داده شبکه راه‌ها به‌روزرسانی نشدند و هندسه آن‌ها مطمئن نبود. مشخص نبود که آیا هندسه بخش های جاده مشکل ساز تغییر کرده است یا خیر.

تکنیک CNN برای استخراج جاده از DOM منطقه مربوطه آن برای بخش های جاده جدید اعمال می شود. همانطور که در شکل 10 نشان داده شده است ، خروجی یادگیری عمیق برای استخراج جاده یک تصویر شطرنجی است. جاده استخراج شده در تصویر سفید است. سایر ویژگی ها با رنگ مشکی نشان داده شده اند. تصویر شطرنجی به بخش واقعی جاده از طریق فیلترهای جمعی، پالایش، شطرنجی به سطح، سطح به خط و عملیات هموارسازی به روز می شود.

این تحقیق ویژگی های جهت داده های مسیر را برای به روز رسانی شبکه جاده اضافه می کند. اطلاعات جهت یکی از ویژگی‌های اساسی بخش‌های جاده‌ای در هنگام به‌روزرسانی شبکه جاده‌ای در نظر گرفته می‌شود، که کمبودهای فناوری شبکه عصبی کانولوشنال را جبران می‌کند و به‌روزرسانی بخش‌های جاده دو طرفه را محقق می‌کند. با ترکیب ویژگی های جهتی مسیر، اگر قطعه جاده با دو جهت مطابقت داشته باشد، به عنوان یک جاده دو طرفه به روز می شود. اگر بخش های جاده فقط با یک جهت مطابقت داشته باشند، به عنوان بخش های جاده یک طرفه به روز می شوند. همانطور که در شکل 9 نشان داده شده است ، روند به روز رسانی یک شبکه راه را می توان در سه مورد مورد بحث قرار داد:

همانطور که در شکل 9 الف نشان داده شده است، ویژگی جهتی مسیر برای به روز رسانی شبکه جاده ترکیب شده است، عمدتاً برای تخمین بخش جاده جدید به عنوان یک بخش جاده یک طرفه یا دو طرفه.
همانطور که در شکل 9 ب نشان داده شده است، شبکه راه با استفاده از ویژگی جهتی مسیر به‌روزرسانی شده است، به‌ویژه برای شناسایی اینکه آیا بخش جاده مشکل‌ساز یک بخش جاده یک طرفه یا دو طرفه است.
همانطور که در شکل 9c نشان داده شده است ، ویژگی های جهت مسیر برای به روز رسانی بخش های جاده مشکل ساز با هندسه های تغییر یافته و تخمین اینکه آیا آنها بخش های یک طرفه یا دو طرفه هستند، ترکیب شده اند.

4. آزمایش کنید

این بخش آزمایش‌های داده‌های شبکه جاده‌ای در دنیای واقعی را برای اعتبارسنجی روش پیشنهادی انجام داد. ابتدا ویژگی های اساسی شبکه جاده، مسیر وسیله نقلیه و داده های تصویر پهپاد معرفی شدند. در مرحله دوم، شاخص‌هایی برای ارزیابی نتایج تجربی از جمله دقت، یادآوری و امتیاز F معرفی شدند. در نهایت، آزمایش‌هایی برای مقایسه روش پیشنهادی با روش‌های دیگر انجام شد. پیکربندی سخت‌افزاری کامپیوتر مورد استفاده در آزمایش به شرح زیر بود: GPU Nvidia RTX 2060، 32G رم و پردازنده Intel 8700K.

4.1. معرفی داده ها

بیشتر مناطق شهری جدید و بخشی از مناطق شهری قدیمی در ناحیه یولو شهر چانگشا به عنوان مناطق آزمایشی انتخاب شدند. همانطور که در شکل 11 الف نشان داده شده است، منطقه مورد مطالعه حدود 36 کیلومتر مربع است. داده های تجربی شامل شبکه جاده ها، مسیرها و تصاویر پهپاد بود. منطقه یوئلو به عنوان یک منطقه توسعه کلیدی در چانگشا، امسال به طور فعال در حال ساخت و بازسازی منطقه شهری خود بوده است تا نیازهای مسافرتی در حال تحول را برآورده کند. برخی از جاده های شهر قدیمی برای رفع نیازهای سفر مردم بازسازی شده اند. این شرایط زمینه مناسبی را برای مطالعه ما فراهم کرد.

داده‌های شبکه جاده‌ای از وب‌سایت OSM دانلود شد و تا سال 2019 به‌روزرسانی شد. داده‌های مسیر از 4817 خودروی شناور مجهز به GPS که در منطقه تحقیقاتی حرکت می‌کردند، با مجموع 33179 مسیر، به‌دست آمد، همانطور که در جدول 1 نشان داده شده است. محدوده زمانی برای هر مسیر 0:00-24:00 بود و شامل کابین بود اما محدود به کابین نبود. مسیرها از 1 ژانویه 2021 تا 7 ژانویه 2021 بود و فرکانس نمونه برداری از 30 ثانیه تا 2 دقیقه متغیر بود. داده های مسیر پردازش شده در شکل 11 الف نشان داده شده است. پردازش خط سیر خام شامل مراحل زیر است:

استخراج داده های مسیر در منطقه تحقیقاتی با توجه به طول محدوده تحقیق 112∘50″29″به 112∘57″33″و عرض جغرافیایی 28∘06″21″به 28∘14″20″.
سرعت و فاصله نقاط مسیر را با توجه به موقعیت های مختلف و اختلاف زمانی بین نقاط مسیر مجاور محاسبه کنید.
مسیرهای فرعی را با توجه به آستانه های زمانی و فاصله بین نقاط مسیر مجاور برش دهید.
با بدست آوردن ویژگی شناسه شی متحرک از داده های مسیر، مسیرهای برش را مجددا شماره گذاری کنید.
نقاط مسیر هر مسیر را با شروع از 1 به ترتیب صعودی شماره گذاری کنید.
تمام داده های مسیر را در یک فایل ادغام کنید و آن را به طرح ریزی UTM-49N تبدیل کنید.

یک پهپاد DJI Phantom 4 RTK که در ارتفاع 180 متری پرواز می کرد، داده های تصویر را با همپوشانی سرفصل 80 درصد و همپوشانی جهت جانبی 70 درصد ثبت کرد. همانطور که در شکل 11 ج نشان داده شده است، وضوح زمین تصاویر حدود 5 سانتی متر است. همانطور که در شکل 11 ب نشان داده شده است، تصاویر پس از پردازش داده ها به یک DOM منطقه ای دوخته شدند.

4.2. شاخص های ارزیابی

برای ارزیابی کمی عملکرد روش پیشنهادی، پrهجهسمنon، rهجآللو F – سجorه[ 51 ] استفاده شد.

پrهجمنسمنon(پ)=لهngتیساعت(تیپ)/لهngتیساعت(تیپ+افپ)

(3)

آرهجآلل(آر)=لهngتیساعت(تیپ)/لهngتیساعت(تیپ+افن)

(4)

اف-سجorه=(2∗پ∗آر)/((پ+آر))

(5)

جایی که تیپنشان دهنده بخش های جاده ای است که به درستی پیش بینی شده است، و لهngتیساعت(تیپ)نشان دهنده طول بخش های جاده ای است که به درستی پیش بینی شده است. افپنشان دهنده بخش های جاده ای است که به اشتباه پیش بینی شده اند، و لهngتیساعت(افپ)نشان دهنده طول بخش های جاده ای است که به اشتباه پیش بینی شده اند. افننشان دهنده بخش های جاده ای است که پیش بینی نشده بودند، و لهngتیساعت(افن)نشان دهنده طول بخش های جاده ای است که پیش بینی نشده بودند.

4.3. نتیجه آزمایش

در این مقاله، یک استراتژی به‌روزرسانی ترکیبی برای به‌روزرسانی دو نوع جاده استفاده می‌شود: بخش‌های جاده جدید و بخش‌های جاده مشکل‌دار. نتایج آزمایش با روش سل و روش IB مقایسه شده است.

4.3.1. مقایسه با روش سل

این روش مزایای آشکاری برای به روز رسانی بخش های جاده ای جدید دارد. شکل 12 الف به روز رسانی بخش های جاده ای جدید در منطقه تحقیقاتی را بر اساس آخرین تصاویر ماهواره ای از مناطق نشان می دهد. با ترکیب ناحیه به روز شده با DOM برای تجزیه و تحلیل همپوشانی (همانطور که در A-E نشان داده شده است) دریافتیم که نتایج به روز شده به خوبی با وضعیت واقعی مطابقت دارد. روش دنگ و همکاران. همانطور که در شکل 12 ب نشان داده شده است، اکثر بخش های جاده را در منطقه مورد مطالعه شناسایی می کند. با این حال، نتایج بهتری برای ناحیه پراکنده مسیرهای نشان داده شده در شکل A به صورت محلی بزرگ شده به دست نمی آورد. 22 ]] استراتژی در فرآیند تولید مسیر شبکه جاده‌ای، که منجر به اضافه شدن بخش‌های جاده‌ای می‌شود که با وضعیت واقعی ناسازگار است. برای وو و همکاران. با رویکرد، بخش‌های جاده T شکل جدید اضافه شده به دلیل این فرض که نقاط عدم تطابق در منطقه مشکل همه در یک بخش جاده جدید قرار دارند، به خوبی ساخته نشده‌اند. مناطق A، B و E در شکل 12 c دارای چندین بخش جاده جدید هستند که باید به روز شوند. علاوه بر این، نه روش های دنگ و نه وو نمی توانند بخش های جاده دو طرفه را به روز کنند.

جدول 2 نتایج روش پیشنهادی را در مقایسه با دو روش دیگر نشان می دهد. شبکه جاده ای OSM اصلاح شده دستی در سال 2021 پایگاه مرجع در نظر گرفته می شود. روش پیشنهادی دقت 85.31 درصدی را به دست آورد که بالاتر از 73.19 درصد با روش دنگ و 76.07 درصد با روش وو بود. فراخوان و امتیاز F به ترتیب 80.80% و 82.99% بوده که نسبت به دو روش دیگر بیشتر است. نتایج نشان می‌دهد که استراتژی به‌روزرسانی ترکیبی پیشنهادی می‌تواند در به‌روزرسانی بخش‌های جاده‌ای جدید بسیار مؤثر باشد و می‌تواند به‌طور دقیق و جامع بخش‌های جاده‌ای جدید را به‌روزرسانی کند.

روش پیشنهادی می تواند به طور موثر بخش های جاده مشکل ساز را به روز کند. شکل 13 a وضعیت واقعی بخش های جاده مشکل ساز در منطقه مورد مطالعه را نشان می دهد. شکل 13 ب نتایج به روز شده بخش های جاده مشکل ساز را با روش پیشنهادی در این مقاله نشان می دهد. شکل 13 ج نتایج به روز شده روش دنگ را نشان می دهد. شکل 13 d نتایج به روز شده روش Wu را نشان می دهد. روش‌های دنگ و وو نمی‌توانند بخش‌های جاده مشکل‌ساز را به طور موثر استخراج کنند، در حالی که روش پیشنهادی در این مقاله با موفقیت مشکل‌سازترین بخش‌های جاده را به‌روزرسانی می‌کند.

در مقایسه با شبکه جاده ای اصلاح شده OSM، روش پیشنهادی می تواند 79.37% دقت، 87.72% فراخوان و 83.34% F را بدست آورد . سجorهبرای به روز رسانی بخش های جاده ای مشکل دار نتایج نشان می‌دهد که روش پیشنهادی تأثیر خوبی بر به‌روزرسانی بخش‌های جاده‌ای مشکل‌دار در شبکه راه‌ها دارد. بخش های جاده مشکل ساز در شکل 13 بزرگنمایی جزئی نشان داده شده است که با تفسیر بصری قابل شناسایی نیست. با این حال، بخش های جاده مشکل ساز را می توان با الگوریتم ما به دقت شناسایی کرد. نتایج به روز شده در بزرگنمایی جزئی شکل D نشان داده شده است. در مقایسه با داده های شبکه جاده ای اصلاح شده، همانطور که در شکل B تا حدی بزرگ شده در شکل 13 نشان داده شده است.، متوجه شدیم که بخش کوچکی از بخش های مشکل دار جاده به روز نشده است. این عمدتاً به این دلیل است که طول بخش‌های جاده بسیار کوتاه است، بنابراین تعداد کمی از نقاط مرتبط با بخش‌های جاده استخراج نمی‌شوند. علاوه بر این، بیشتر بخش‌های مشکل‌ساز که با موفقیت استخراج نشدند، به این دلیل بود که نقاط مسیر پوشش داده نشدند (همانطور که در تصویر بزرگنمایی جزئی A در شکل 13 نشان داده شده است).

4.3.2. مقایسه با روش IB

در مجموع 23 قطعه جاده جدید و 97 قطعه جاده مشکل دار با روش پیشنهادی استخراج شد. روش پیشنهادی در مجموع 31 دقیقه (شامل شناسایی مناطق و استخراج مرزهای بخش جاده بر اساس CNN)، در حالی که روش IB 67 دقیقه (شامل استخراج مرزهای بخش جاده بر اساس CNN) طول کشید. به نظر نمی رسد تفاوت زمانی بین دو روش معنی دار باشد زیرا این مطالعه در یک منطقه شهری با شبکه جاده ای متراکم انجام شده است. زمان روش مبتنی بر CNN برای طبقه‌بندی پیکسل‌ها ارتباط نزدیکی با اندازه تصویر دارد. تراکم شبکه راه ها در مناطق غیر شهری حدود 1/20 تا 1/50 در مناطق شهری است. روش سنتی IB در سایر زمینه ها زمان بیشتری می برد و مزیت روش پیشنهادی آشکارتر خواهد بود. علاوه بر این، مشخصه‌های روش سنتی برای بخش‌های جاده‌ای مشکل‌ساز با نشانگرهای جهت اشتباه به‌طور کارآمد به‌روزرسانی نمی‌شوند. بنابراین، ترکیب مسیرهای خودرو با تصاویر پهپاد کارایی بالاتری نسبت به روش سنتی استخراج تصویر CNN دارد.

5. نتیجه گیری و چشم انداز

توسعه شهر مدرن مستلزم روش های به روز رسانی شبکه جاده ای با سرعت و دقت بالا است. روش‌های به‌روزرسانی شبکه جاده‌ای TB به دلیل سرعت سریع اما دقت ضعیف شناخته شده‌اند، در حالی که روش‌های به‌روزرسانی شبکه جاده‌ای IB به دلیل دقت عالی اما سرعت پایین‌شان شناخته می‌شوند. با ترکیب مزایای این دو روش، این مقاله یک روش به روز رسانی افزایشی را پیشنهاد می کند که مسیرهای GPS و تصاویر سنجش از راه دور پهپاد را برای دستیابی به به روز رسانی های سریع و دقیق در شبکه جاده ها ترکیب می کند. این روش در کاربرد عملی نتایج مطلوب تری به دست آورد و دارای برتری های خاصی است. در مقایسه با روش های دیگر، این روش سه سهم اصلی زیر را دارد:

یک چارچوب ترکیبی برای به روز رسانی شبکه جاده ها: این چارچوب مزایای روش های TB و IB را برای دستیابی به به روز رسانی سریع و دقیق شبکه های جاده ای یکپارچه می کند.
الگوریتم شناسایی و استخراج قطعه جاده مشکل دار: این الگوریتم از روابط توپولوژیکی بین نقاط تطبیق مجاور و شبکه جاده برای شناسایی و استخراج بخش های جاده مشکل دار در فرآیند تطبیق نقشه HMM استفاده می کند.
یکپارچه سازی تصاویر سنجش از دور پهپاد و تکنیک های یادگیری عمیق. این روش را می توان برای به روز رسانی شبکه جاده ها برای استخراج خودکار مرزهای جاده و تسریع سرعت به روز رسانی شبکه جاده ها اعمال کرد.

روش پیشنهادی گامی عملی در به روز رسانی داده های شبکه جاده برداشت. با این وجود، تنها دو نوع داده مکانی (مسیرهای GPS و تصاویر پهپاد) را برای به روز رسانی شبکه جاده در نظر گرفت. در آینده، ما عناصر بیشتری را با هم برای به روز رسانی شبکه راه در تحقیقات زیر در نظر خواهیم گرفت.

اختصارات

در این نسخه از اختصارات زیر استفاده شده است:

سل	مبتنی بر مسیر
IB	مبتنی بر تصویر
جی پی اس	سیستم موقعیت یاب جهانی
HMM	مدل مارکوف پنهان
پهپاد	وسیلهی نقلیهی هوایی بدون سرنشین
DOM	نقشه ارتوفتو دیجیتال
CNN	شبکه عصبی کانولوشنال

منابع

وو، تی. شیانگ، ال. Gong, J. به روز رسانی شبکه های جاده با تجدید محلی از مسیرهای GPS. ISPRS Int. J. Geo-Inf. 2016 ، 5 ، 163. [ Google Scholar ] [ CrossRef ]
گونگ، جی. Xu، G. داده های بزرگ مکانی-زمانی حکومت اجتماعی را امکان پذیر می کند. در تفکر جدید در GIScience ; اسپرینگر: سنگاپور، 2022؛ صص 253-264. [ Google Scholar ]
بهاردواج، ا. سام، ال. مارتین تورس، اف جی. پهپاد کومار، R. به عنوان پلت فرم سنجش از راه دور در یخبندان: کاربردهای فعلی و چشم اندازهای آینده سنسور از راه دور محیط. 2016 ، 175 ، 196-204. [ Google Scholar ] [ CrossRef ]
لو، ی. آن، دی. وانگ، دبلیو. چن، ال. Huang, X. استخراج منطقه جاده محلی در تصاویر CSAR با استفاده از آشکارساز ساختار منحنی بهبود یافته. IEEE Trans. Geosci. Remote Sens. 2022 ، 60 ، 1-15. [ Google Scholar ] [ CrossRef ]
مور، بی. گرهوال، س. Kumar, A. بررسی سیستماتیک مدل های پنهان مارکوف و کاربردهای آنها. قوس. محاسبه کنید. مهندسی روش ها 2021 ، 28 ، 1429-1448. [ Google Scholar ] [ CrossRef ]
ژنگ، ی. داده کاوی مسیر: یک مرور کلی. ACM Trans. هوشمند سیستم تکنولوژی (TIST) 2015 ، 6 ، 1-41. [ Google Scholar ] [ CrossRef ]
کونتزش، سی. سستر، ام. برنر، سی. مدل های مولد برای بازسازی شبکه راه. بین المللی جی. جئوگر. Inf. علمی 2016 ، 30 ، 1012-1039. [ Google Scholar ] [ CrossRef ]
تانگ، ال. رن، سی. لیو، ز. لی، کیو. روش پالایش نقشه راه با استفاده از مثلث سازی دلون برای داده های ردیابی بزرگ. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 45. [ Google Scholar ] [ CrossRef ]
چائو، پی. هوآ، دبلیو. مائو، آر. خو، جی. ژو، X. بررسی و مطالعه کمی در مورد الگوریتم های استنتاج نقشه از مسیرهای GPS. IEEE Trans. بدانید. مهندسی داده 2020 ، 34 ، 15-28. [ Google Scholar ] [ CrossRef ]
رنسو، سی. بوگورنی، وی. تسرپس، ک. ماتوین، اس. de Macedo، JAF تجزیه و تحلیل چند وجهی مسیرهای معنایی (MASTER). بین المللی جی. جئوگر. Inf. علمی 2021 ، 35 ، 763-766. [ Google Scholar ] [ CrossRef ]
ماریسکو-ایستودور، آر. Fränti، P. Cellnet: استنتاج شبکه های جاده از مسیرهای GPS. ACM Trans. تف کردن سیستم الگوریتم (TSAS) 2018 ، 4 ، 1-22. [ Google Scholar ] [ CrossRef ]
جو، ک. Sunwoo, M. تولید یک نقشه راه دقیق برای خودروهای خودران. IEEE Trans. هوشمند ترانسپ سیستم 2013 ، 15 ، 925-937. [ Google Scholar ] [ CrossRef ]
ژو، بی. ژنگ، تی. هوانگ، جی. ژانگ، ی. تو، دبلیو. لی، کیو. دنگ، ام. یک سیستم ساخت شبکه عابر پیاده بر اساس مسیرهای پیاده‌روی جمع‌سپاری شده. IEEE Internet Things J. 2020 , 8 , 7203–7213. [ Google Scholar ] [ CrossRef ]
هوانگ، جی. ژانگ، ی. دنگ، م. او، Z. ماینینگ مسیر جمع‌سپاری و داده‌های برچسب‌گذاری شده جغرافیایی را برای ساخت نقشه راه فضایی-معنای جمع‌آوری کرد. ترانس. GIS 2022 ، 26 ، 735-754. [ Google Scholar ] [ CrossRef ]
تانگ، ال. ژائو، ز. یانگ، ایکس. کان، ز. رن، سی. گائو، جی. لی، سی. ژانگ، ایکس. لی، کیو. سنجش جمعیت جاده با وضوح مکانی-زمانی بالا در عصر کلان داده. Acta Geod. کارتوگر. گناه 2022 ، 51 ، 1070. [ Google Scholar ]
لی، ی. شیانگ، ال. ژانگ، سی. وو، اچ. تلفیق مسیرهای تاکسی و تصاویر RS برای ساختن نقشه راه از طریق DCNN. دسترسی IEEE 2019 ، 7 ، 161487–161498. [ Google Scholar ] [ CrossRef ]
دیویس، جی جی. برسفورد، آر. Hopper، A. مقیاس پذیر، توزیع شده، تولید نقشه بلادرنگ. محاسبات فراگیر IEEE 2006 ، 5 ، 47-54. [ Google Scholar ] [ CrossRef ]
الوش، دبلیو. ولی، ع. علیمی، AM بررسی استنتاج نقشه راه موازی از داده های ردیابی GPS بزرگ. Procedia Comput. علمی 2015 ، 53 ، 131-140. [ Google Scholar ] [ CrossRef ]
وو، اچ. خو، ز. وو، جی. یک روش جدید برای تولید جاده از دست رفته در بلوک‌های شهر بر اساس داده‌های مسیر ناوبری تلفن همراه بزرگ. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 142. [ Google Scholar ] [ CrossRef ]
گوا، ی. لی، بی. لو، ز. ژو، جی. روشی جدید برای استخراج شبکه جاده ای از داده های شناور خودرو. ژئو اسپات. Inf. علمی 2022 ، 25 ، 197-211. [ Google Scholar ] [ CrossRef ]
لی، جی. Qin، Q. زی، سی. ژائو، ی. استفاده یکپارچه از روابط مکانی و معنایی برای استخراج شبکه‌های جاده‌ای از داده‌های شناور خودرو. بین المللی J. Appl. زمین Obs. Geoinf. 2012 ، 19 ، 238-247. [ Google Scholar ] [ CrossRef ]
تانگ، جی. دنگ، م. هوانگ، جی. لیو، اچ. یک روش جدید برای ساخت تقاطع جاده از داده های مسیر وسیله نقلیه. دسترسی IEEE 2019 ، 7 ، 95065–95074. [ Google Scholar ] [ CrossRef ]
چنگ، دی. یو، جی. پی، تی. Wu, M. خوشه‌بندی داده‌های موقعیت‌یابی داخلی با استفاده از E-DBSCAN. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 669. [ Google Scholar ] [ CrossRef ]
د سوزا، RS; بوکرچه، ا. Loureiro, AA در مورد پیش‌بینی مسیرهای محدود شبکه جاده‌ای در مقیاس بزرگ. محاسبه کنید. شبکه 2022 ، 206 ، 108337. [ Google Scholar ] [ CrossRef ]
وانگ، ی. یو، بی. زو، اف. ژانگ، جی. هوانگ، سی. مش سکته مغزی سلسله مراتبی: یک روش تطبیق پیش رونده جدید برای تشخیص تغییرات شبکه جاده در مقیاس چندگانه با استفاده از OpenStreetMap. محاسبات نرم. 2021 ، 25 ، 3155-3173. [ Google Scholar ] [ CrossRef ]
احمد، م. کاراگیورگو، اس. Pfoser، D.; Wenk, C. مقایسه و ارزیابی الگوریتم‌های ساخت نقشه با استفاده از داده‌های ردیابی خودرو. GeoInformatica 2015 ، 19 ، 601-632. [ Google Scholar ] [ CrossRef ]
هاشمي، م. بستر آزمايشي براي ارزيابي الگوريتم هاي ساخت شبكه از روي رديابي هاي GPS. محاسبه کنید. محیط زیست سیستم شهری 2017 ، 66 ، 96-109. [ Google Scholar ] [ CrossRef ]
ژانگ، جی. وانگ، جی. Li, H. تشخیص تضاد توپولوژی با توجه به به روز رسانی افزایشی شبکه های جاده ای چند مقیاسی. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 655. [ Google Scholar ] [ CrossRef ]
لی، ی. پنگ، بی. او، ال. فن، ک. تانگ، L. قطعه‌بندی جاده تصاویر سنجش از راه دور وسیله نقلیه هوایی بدون سرنشین با استفاده از شبکه متخاصم با تجمع زمینه چند مقیاسی. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2019 , 12 , 2279–2287. [ Google Scholar ] [ CrossRef ]
عبداللهی، ع. پرادان، ب. تکنیک یکپارچه روش‌های تقسیم‌بندی و طبقه‌بندی با تجزیه و تحلیل اجزای متصل برای استخراج جاده از تصاویر ارتوفتو. سیستم خبره Appl. 2021 ، 176 ، 114908. [ Google Scholar ] [ CrossRef ]
باستانی، ف. او هست.؛ آببر، س. علیزاده، م. بالاکریشنان، اچ. چاولا، س. مدن، اس. DeWitt, D. Roadtracer: استخراج خودکار شبکه های جاده ای از تصاویر هوایی. در مجموعه مقالات کنفرانس IEEE در مورد بینایی کامپیوتری و تشخیص الگو، سالت لیک سیتی، UT، ایالات متحده آمریکا، 18 تا 23 ژوئن 2018؛ صص 4720–4728. [ Google Scholar ]
بختیاری، HRR; عبداللهی، ع. رضائیان، ح. استخراج جاده نیمه اتوماتیک از تصاویر دیجیتال. مصر. J. Remote Sens. Space Sci. 2017 ، 20 ، 117-123. [ Google Scholar ] [ CrossRef ]
عبداللهی، ع. پرادان، بی. Shukla، N. استخراج ویژگی‌های جاده از تصاویر پهپاد با استفاده از رویکرد تقسیم‌بندی مجموعه سطح جدید. بین المللی J. Urban Sci. 2019 ، 23 ، 391-405. [ Google Scholar ] [ CrossRef ]
عبداللهی، ع. پرادان، بی. شوکلا، ن. چاکرابورتی، اس. Alamri، A. تقسیم بندی چند شی در صحنه های پیچیده شهری از داده های سنجش از دور با وضوح بالا. Remote Sens. 2021 , 13 , 3710. [ Google Scholar ] [ CrossRef ]
عبداللهی، ع. پرادان، بی. Shukla، N. استخراج جاده از تصاویر ارتوفتو با وضوح بالا با استفاده از شبکه عصبی کانولوشن. J. شرکت هندی Remote Sens. 2021 , 49 , 569–583. [ Google Scholar ] [ CrossRef ]
عبداللهی، ع. پرادان، بی. Alamri، A. RoadVecNet: رویکردی جدید برای تقسیم‌بندی شبکه جاده‌ای و برداری همزمان از تصاویر هوایی و گوگل ارث در یک مجموعه شهری پیچیده. GISci. Remote Sens. 2021 , 58 , 1151–1174. [ Google Scholar ] [ CrossRef ]
عبداللهی، ع. پرادان، بی. شوکلا، ن. چاکرابورتی، اس. Alamri، A. رویکردهای یادگیری عمیق به کار رفته در مجموعه داده های سنجش از راه دور برای استخراج جاده: یک بررسی پیشرفته. Remote Sens. 2020 , 12 , 1444. [ Google Scholar ] [ CrossRef ]
الشایخلی، ت. لیو، دبلیو. Maruyama، Y. روش خودکار استخراج جاده از تصاویر هوایی با استفاده از یک شبکه عصبی پیچیده عمیق. Appl. علمی 2019 ، 9 ، 4825. [ Google Scholar ] [ CrossRef ]
شیائو، آر. وانگ، ی. تائو، سی. درک صحنه جاده با دانه بندی ریز از تصاویر هوایی بر اساس شبکه های تقسیم بندی معنایی نیمه نظارت شده. IEEE Geosci. سنسور از راه دور Lett. 2021 ، 19 ، 1-5. [ Google Scholar ] [ CrossRef ]
گائو، ال. آهنگ، دبلیو. دای، جی. چن، ی. استخراج جاده از تصاویر سنجش از دور با وضوح بالا با استفاده از شبکه عصبی پیچیده باقیمانده عمیق تصفیه شده. Remote Sens. 2019 , 11 , 552. [ Google Scholar ] [ CrossRef ]
شین، جی. ژانگ، ایکس. ژانگ، ز. Fang, W. استخراج تصاویر از راه دور با وضوح بالا که از DenseUNet گرفته شده است. Remote Sens. 2019 , 11 , 2499. [ Google Scholar ] [ CrossRef ]
چن، ز. وانگ، سی. لی، جی. زی، ن. هان، ی. Du, J. بایاس بازسازی U-Net برای استخراج جاده از تصاویر سنجش از دور نوری. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2021 , 14 , 2284–2294. [ Google Scholar ] [ CrossRef ]
Cira، CI; آلکاریا، آر. Manso-Callejo، M.Á. Serradilla, F. چارچوبی مبتنی بر تودرتو شبکه های عصبی کانولوشن برای طبقه بندی جاده های ثانویه در تصاویر هوایی با وضوح بالا. Remote Sens. 2020 , 12 , 765. [ Google Scholar ] [ CrossRef ]
چاندرا، ن. وایدیا، اچ. Ghosh، JK Human چارچوب مبتنی بر شناخت برای تشخیص جاده ها از تصاویر سنجش از دور. Geocarto Int. 2020 ، 37 ، 2365-2384. [ Google Scholar ] [ CrossRef ]
دای، جی. زو، تی. ژانگ، ی. ما، ر. استخراج جاده در سطح Li, W. از تصاویر ماهواره‌ای نوری با وضوح بالا. Remote Sens. 2019 , 11 , 2672. [ Google Scholar ] [ CrossRef ]
ژانگ، جی. هو، کیو. لی، جی. Ai, M. یادگیری از مسیرهای GPS ماشین شناور برای استخراج جاده های شهری مبتنی بر CNN با تصاویر ماهواره ای با وضوح بالا. IEEE Trans. Geosci. Remote Sens. 2020 , 59 , 1836–1847. [ Google Scholar ] [ CrossRef ]
DJI Terra. در دسترس آنلاین: https://www.dji.com/cn/dji-terra?site=brandsite&from=nav (در 1 مه 2022 قابل دسترسی است).
دو، جی. کائو، ایکس. لیانگ، جی. چن، ایکس. Zhan, Y. تقسیم بندی تصویر پزشکی بر اساس u-net: یک بررسی. J. Imaging Sci. تکنولوژی 2020 ، 64 ، 1-12. [ Google Scholar ] [ CrossRef ]
ون، ال. لی، ایکس. Gao, L. یک شبکه عصبی کانولوشنال انتقال برای تشخیص خطا بر اساس ResNet-50. محاسبات عصبی Appl. 2020 ، 32 ، 6111-6124. [ Google Scholar ] [ CrossRef ]
او، اچ. یانگ، دی. وانگ، اس. وانگ، اس. استخراج جاده Li، Y. با استفاده از شبکه هرم فضایی آتروس که یکپارچه شبکه رمزگذار-رمزگشا و از دست دادن شباهت ساختاری است. Remote Sens. 2019 , 11 , 1015. [ Google Scholar ] [ CrossRef ]
بیاجیونی، جی. اریکسون، جی. استنتاج نقشه در مواجهه با نویز و نابرابری. در مجموعه مقالات بیستمین کنفرانس بین المللی پیشرفت در سیستم های اطلاعات جغرافیایی، ردوندو بیچ، کالیفرنیا، ایالات متحده آمریکا، 6 تا 9 نوامبر 2022؛ صص 79-88. [ Google Scholar ]

شکل 1. گردش کار روش پیشنهادی.

شکل 2. پیش پردازش داده های مسیر: ( الف ) داده های خط سیر خام. ( ب ) داده های مسیر پیش پردازش شده.

شکل 3. شناسایی منطقه را به روز کنید. A1، A2، و A3 مناطق مشکل‌ساز بخش جاده را نشان می‌دهند. A4 نشان دهنده مناطق جدید بخش جاده است.

شکل 4. دسته بندی بخش های جاده مشکل دار: ( الف ) بخش های جاده ای که به سرعت به روز نمی شوند. ( ب ) بخش‌های جاده‌ای که نسبت به جهت خود اشتباه به‌روز شده‌اند.

شکل 5. الگوریتم استخراج منطقه مشکل ساز بخش جاده. فلش ها روند اجرای الگوریتم را نشان می دهند. گره ها مراحل اجرای الگوریتم را نشان می دهند.

شکل 6. مسیر و تصاویر: ( الف ) مسیر پهپاد در مناطق به روز رسانی و ( ب ) تصاویر به دست آمده توسط پهپاد (DJI Terra [ 47 ]).

شکل 7. تولید DOM.

شکل 8. یک چارچوب یادگیری عمیق که U-net و ResNet را ترکیب می کند.

شکل 9. فرآیند به روز رسانی برای بخش جاده: ( الف ) بخش های جاده جدید. ( ب ) بخش های مشکل دار که در آن هندسه تغییر نکرده است. و ( ج ) بخش های مشکل دار که در آن هندسه تغییر کرده است.

شکل 10. پردازش پس از خروجی CNN.

شکل 11. معرفی داده های منطقه آزمایش: ( الف ) مسیر و داده های شبکه راه. ( ب ) DOM; و ( ج ) تصاویر به دست آمده توسط پهپاد.

شکل 12. نتایج به روز شده از بخش های جاده جدید: ( الف ) روش ما. ( ب ) روش دنگ و همکاران (اندازه بافر = 30 متر). ( ج ) روش وو و همکاران (شماره خوشه = 200). و ( A – E ) نقشه های بزرگ شده جزئی از نتایج به روز شده.

شکل 13. نتایج به روز شده از بخش های جاده مشکل دار: ( الف ) بخش های جاده مشکل ساز موجود. ( ب ) نتایج روش ما؛ ( ج ) نتایج روش دنگ و همکاران (اندازه بافر = 30 متر). و ( د ) نتایج روش وو و همکاران (تعداد خوشه = 200). و ( الف – د ) نقشه های بزرگ شده جزئی از نتایج به روز شده.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

روش به روز رسانی شبکه جاده ای افزایشی با داده های مسیر و تصاویر سنجش از دور پهپاد