还在手绘线划图?! 利用AI对大比例尺航测影像进行道路、建筑、地形...高精确提取
随着人工智能技术快速发展，深度学习方法在语义分割和目标检测与识别方面的成果有目共睹。人工智能结合深度学习技术与遥感结合碰出的火花我们已有体会，利用AI实现对遥感影像中的道路、水系等等的提取与自动化检测极大的减少了我们的工作量。
对于大比例尺的航测影像和点云数据与AI结合又会碰出怎样的火花？
最近无意发现美国的一家公司针对大比例尺航测影像通过人工智能和他们独有的算法可以对道路、房屋、水系等等进行高精确提取，这也就是我们常做的线划图。（文末有该网站的链接）
该公司创始人David Morczinek毕业于麻省理工，曾在Airbus公司(空中客车)任职。作为联合创始人兼首席执行官，David带头开发自主绘图技术以推进航空智能产品的应用。目前该公司有两款产品，AirWorks Automate和AirWorks CAD。
传统处理，我们需要专业的软件和长时间不断地点画才能完成的线划图，现在通过AirWorks Automate AI与深度学习结合只要3步就可以完成。
上传数据和范围矢量
提交订单进行自动处理
下载处理成果
下面我们看看AirWorks Automate处理数据要求以及提取效果。
▐ 数据
正射影像
GeoTiff 和 .tif 格式数据
0.3厘米< GSD（地面分辨率）<7.6厘米
建议GSD < 1.5 厘米获取最佳提取效果
数据必须对公认的坐标系进行地理配准
点云
支持.las 和 .laz格式
除非使用 LiDAR，否则点云密度 (PCD) 应高于每平方米400 个点，PCD 理想情况下每平方米800点以上 。
对于点云数据AirWorks Automate的要求较高，并特意给出了点云间隔的要求。
下图显示了点间距不佳的 LiDAR 点云：
每个点云数据都决定其精度的厚度。该厚度应在道路等坚硬表面上测量，且应小于所需轮廓间隔的 1/5。
范围矢量
AirWorks建议导入所需范围的KML矢量，这样可以减少自动提取中错位的问题。
目前只支持KML格式
数据大小限制
上传数据大小并没有限制，单次处理数据建议在3GB以下。
▐ 提取效果
先整体看下提取情况：
再细分看下提取情况：
道路
建筑物
路面标记
道路上可见的涂漆标记
井盖
水系
在水的外边缘标记的闭合多段线
铁路
植被
在植被冠层的外边缘（树叶或树枝的边缘）处标记的闭合折线
地形图
以等高线间隔确定的间隔沿高程标记的折线
点云分类
除此之外还可以附加一些特定物体进行AI识别提取
水塔、水箱
发电机、变压器
空调
太阳能电池板
消火栓
电线杆
输电塔
墙壁
▐ 输出成果
.dxf 格式的 CAD 文件
.landxml 文件格式的表面文件
.las 文件格式的分类点云（仅限地面/非地面）
在AI的加持下大大提高了那些简单而繁琐的数据处理能力，还在加班画图的你是不是蠢蠢欲动？不管怎么，科技才是第一生产力！
如果想体验（数据安全重中之重！涉密数据不能使用！）
在公众号后台发送数字
1280
获取网站链接（需要申请注册试用）
- END -