一种声屏障自动布置方法

1.本发明涉及声屏障布置技术领域，具体而言，涉及一种声屏障自动布置方法。


背景技术：

2.本发明用于提高声屏障布置自动化程度及线路方案比选阶段的声屏障布置效率，为智慧选线提供绿色经济决策支持。
3.根据我国《中长期铁路网规划》（《中长期铁路网规划》发布[j].铁道技术监督，2016，44(07):23），到2030年，远期铁路网规模将达到20万公里左右，其中高速铁路4.5万公里左右，年均增速达2%左右。当铁路更频繁的穿过居民区时，需要布置声屏障以隔绝噪声并保障铁路沿线安全环境。在铁路高速发展时代，声屏障的布置需求量增高，这对声屏障的设计效率提出了新的挑战。
[0004]
中国工程院的重大咨询研究项目“智能高铁战略研究（2035）”提及要将先进信息技术用于铁路智能建造。在智慧选线里，需要在线路方案的变更过程中高效制定对应的声屏障布置方案，为比选出更经济、绿色的线路提供支撑，并从设计层面助力达成国家双碳目标。因此对于声屏障的自动化能力又提出进一步的要求。目前，声屏障设计为人为分析图纸中存在的噪声敏感区，从而确定声屏障的布置。由于线路选择时会有多种方案进行比对，这种方法会重复消耗设计师精力，并且难以做出即时的方案支持。
[0005]
声屏障布置一般需要考虑两点，第一为确定沿线建筑的类型与位置；第二为确定沿线建筑的密集程度。在确定沿线建筑的属性与位置时，传统做法是人眼辨识地形图上的房屋图示。继续采用这种做法不利于实现自动化，因此需要引用计算机识别的方式。常见确定cad图纸中信息的方式为，对cad地形图中的线性信息进行提取确定布置位置，然而cad地形图中同一个图层信息过多，即使同一种信息，比如居民房，也采用多种绘图方式，容易造成数据漏读。如果提前对地形图预处理后识别，会降低自动化程度、影响适用范围。在确定沿线建筑的密集程度时，传统做法为人为判断沿线指定范围内建筑的密度是否满足100米范围内敏感房屋建筑数量达到10户以上，如果满足则需要布置声屏障，这种做法常常是设计师定性估计沿线距离和建筑数量，并不能做到声屏障准确地布置。
[0006]
有鉴于此，特提出本技术。


技术实现要素：

[0007]
本发明的目的在于提供一种声屏障自动布置方法，其能够自动确定完整地形图中沿线建筑的类型与位置，同时自动确定沿线建筑的密集程度，实现了声屏障的自动布置，声屏障自动化布置效率提高，能够及时为线路方案比选提供反馈，为即时的线路选择提供支撑。该技术在选线方案比选中可根据变更线路高效自动布置声屏障，能够高效定位需要布置声屏障的声敏感区，推进了声屏障布置的自动化程度，提高声屏障布置效率，为绿色双碳选线提供决策支持。
[0008]
本发明的实施例是这样实现的：
一种声屏障自动布置方法，其包括以下步骤：s1：获取完整地形图。
[0009]
s2：基于mask r-cnn图像识别方法对完整地形图中的房屋特征信息进行识别，房屋特征信息包括房屋类型和房屋面积。
[0010]
s3：根据房屋特征信息筛选出满足要求的敏感性建筑并确定其在完整地形图中的分布情况。
[0011]
s4：基于dbscan聚类方法获得干线周围的敏感性建筑的集群分布结果。
[0012]
s5：根据集群分布结果和规定的声屏障布置要求自动布置声屏障。
[0013]
进一步地，在步骤s2中，房屋特征信息还包括房屋相对坐标。
[0014]
步骤s3还包括：将满足要求的敏感性建筑的房屋相对坐标转换为房屋全图坐标。
[0015]
进一步地，mask r-cnn图像识别方法的训练集与验证集的获取方式包括以下步骤：s01：将样本地形图按预设方式转化为样本图片，并对样本图片中的敏感性建筑和非敏感性建筑进行标记，以获得数据集。
[0016]
s02：将数据集划分为训练集和验证集，其中，训练集和验证集中的样本图片数量之比为3~6∶1。
[0017]
进一步地，数据集中还包括将样本图片通过扩展操作后得到的扩展样本图片，扩展操作包括：旋转和镜像中至少一者。
[0018]
进一步地，房屋类型包括：混凝土房、砖房、简易房、居民房、其他类房屋、带有“棚”字样的房屋和带有“破”字样的房屋。
[0019]
进一步地，在步骤s3中，根据房屋特征信息筛选出满足要求的敏感性建筑包括：筛掉带有“棚”字样的房屋和带有“破”字样的房屋；并设置面积阈值范围，过滤面积小于面积阈值范围下限和大于面积阈值范围上限的敏感性建筑。
[0020]
进一步地，敏感性建筑包括：明确有人居住的房屋。
[0021]
进一步地，在步骤s01中，将样本地形图按预设方式转化为样本图片包括：将样本地形图按预设尺寸分割为预设分辨率的样本图片。
[0022]
本发明实施例的技术方案的有益效果包括：本发明实施例提供的声屏障自动布置方法在使用过程中，引入图像识别方法mask r-cnn自动开展完整地形图中的建筑物的房屋特征信息进行识别，并引入聚类方法dbscan根据识别得到的房屋特征信息计算沿线的敏感性建筑的集群分布结果，从而知晓干线周围的建筑密集程度，从而能够快速地确定需要布置声屏障的区域范围，实现了声屏障的布置需求的快速确定，大大提高了声屏障布置规则的确定效率和准确度。
[0023]
总体而言，本发明实施例提供的声屏障自动布置方法能够自动确定完整地形图中沿线建筑的类型与位置，同时自动确定沿线建筑的密集程度，实现了声屏障的自动布置，声屏障自动化布置效率提高，能够及时为线路方案比选提供反馈，为即时的线路选择提供支撑。该技术在选线方案比选中可根据变更线路高效自动布置声屏障，能够高效定位需要布置声屏障的声敏感区，推进了声屏障布置的自动化程度，提高声屏障布置效率，为绿色双碳选线提供决策支持。
附图说明
[0024]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0025]
图1为本发明实施例提供的声屏障自动布置方法的流程示意图；图2为本发明实施例提供的声屏障自动布置方法的mask r-cnn图像识别方法的模型架构的示意图；图3为本发明实施例提供的声屏障自动布置方法中相对坐标和全图坐标的转化方式示意图。
具体实施方式
[0026]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
[0027]
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0028]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0029]
应当理解，本发明使用的“系统”、“装置”、“单元”和/或“模组”等是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
[0030]
如本说明书和权利要求书中所示，除非上下文明确提出示例外情形，“一”、“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
[0031]
本说明书中使用的流程图用来说明根据本说明书的实施例的系统所执行的操作。可以理解，各步骤的操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
[0032]
在本技术的描述中，各个步骤的标号“s1、s2、s3
···”等仅用于区别各个步骤，不应被视为对各个步骤的先后顺序的限制。根据实际情况和需要，可以灵活地对各个步骤的事事顺序进行调整。
[0033]
实施例请参照图1，本实施例提供一种声屏障自动布置方法，声屏障自动布置方法包括以下步骤：
s1：获取完整地形图。
[0034]
s2：基于mask r-cnn图像识别方法对完整地形图中的房屋特征信息进行识别，房屋特征信息包括房屋类型和房屋面积。
[0035]
s3：根据房屋特征信息筛选出满足要求的敏感性建筑并确定其在完整地形图中的分布情况。
[0036]
s4：基于dbscan聚类方法获得干线周围的敏感性建筑的集群分布结果。
[0037]
s5：根据集群分布结果和规定的声屏障布置要求自动布置声屏障。
[0038]
在使用过程中，引入图像识别方法mask r-cnn自动开展完整地形图中的建筑物的房屋特征信息进行识别，并引入聚类方法dbscan根据识别得到的房屋特征信息计算沿线的敏感性建筑的集群分布结果，从而知晓干线周围的建筑密集程度，从而能够快速地确定需要布置声屏障的区域范围，实现了声屏障的布置需求的快速确定，大大提高了声屏障布置规则的确定效率和准确度。
[0039]
总体而言，声屏障自动布置方法能够自动确定完整地形图中沿线建筑的类型与位置，同时自动确定沿线建筑的密集程度，实现了声屏障的自动布置，声屏障自动化布置效率提高，能够及时为线路方案比选提供反馈，为即时的线路选择提供支撑。该技术在选线方案比选中可根据变更线路高效自动布置声屏障，能够高效定位需要布置声屏障的声敏感区，推进了声屏障布置的自动化程度，提高声屏障布置效率，为绿色双碳选线提供决策支持。
[0040]
需要说明的是，干线包括但不限于：铁路或公路。
[0041]
在本实施例中，在步骤s2中，房屋特征信息还包括房屋相对坐标。
[0042]
步骤s3还包括：将满足要求的敏感性建筑的房屋相对坐标转换为房屋全图坐标。
[0043]
通过以房屋相对坐标和房屋全图坐标相结合使用的方式，可以有效地降低中间过程的计算负担。
[0044]
进一步地，mask r-cnn图像识别方法的训练集与验证集的获取方式包括以下步骤：s01：将样本地形图按预设方式转化为样本图片，并对样本图片中的敏感性建筑和非敏感性建筑进行标记，以获得数据集。
[0045]
s02：将数据集划分为训练集和验证集，其中，训练集和验证集中的样本图片数量之比为3~6∶1。可以理解，训练集和验证集中的样本图片数量之比可以根据实际情况灵活调整，例如3：1、4：1、5：1、6：1等，且不限于此。
[0046]
数据集中还包括将样本图片通过扩展操作后得到的扩展样本图片，扩展操作包括：旋转和镜像中至少一者。
[0047]
房屋类型包括：混凝土房、砖房、简易房、居民房、其他类房屋、带有“棚”字样的房屋和带有“破”字样的房屋。这样能够有效地将房屋类型进行覆盖，从而提高判断的精确度。
[0048]
在步骤s3中，根据房屋特征信息筛选出满足要求的敏感性建筑包括：筛掉带有“棚”字样的房屋和带有“破”字样的房屋。并设置面积阈值范围，过滤面积小于面积阈值范围下限和大于面积阈值范围上限的敏感性建筑，以排除干扰建筑的影响。
[0049]
敏感性建筑包括：明确有人居住的房屋。
[0050]
在步骤s01中，将样本地形图按预设方式转化为样本图片包括：将样本地形图按预设尺寸分割为预设分辨率的样本图片。
[0051]
下面以一个具体演示案例对本技术的技术方案辅助进行说明。
[0052]
一、获取完整地形图，完整地形图采用dwg格式文件。
[0053]
二、mask r-cnn图像识别方法。
[0054]
1、本实施例所采用的mask r-cnn图像识别方法的模型架构如图2所示。mask r-cnn图像识别方法以残差网络（res net系列网络）和特征金字塔网络（fpn）为骨干网络，图片输入后，将res net中的卷积层作为图像特征提取器提取不同层级的图像特征，并将压缩后的特征图像用于fpn进行特征融合得到多尺度的特征图，然后区域建议网络（region proposal network, rpn）根据特征图得到可能包含目标的候选区域，即建议框，建议框会对有效特征层进行截取（roi align），并通过池化操作将特征图调整为统一的大小，最后将特征图输入卷积神经网络和全连接网络进行掩膜预测以及目标定位、分类处理。该模型特点是集成了目标检测和实例分割，同时拥有高识别速率和高准确性。
[0055]
2、数据集准备：选定样本地形图，样本地形图采用dwg文件格式，将dwg格式的样本地形图按照100m*100m的大小转换成像素1000*1000的jpg图片，制作样本图片。利用标注工具对样本图片中的敏感性建筑及非敏感性建筑进行标记。标注工具可以采用labelme，标记方式可以采用分割掩膜标记，但不限于此。
[0056]
在进行标记的过程中，可以先手动标注一部分图片，为提高数据标注的效率，可以通过代码将手动标注的图例组合自动生成带有标注的新图片。同时为获得足够的样本，可以进行数据增强，以扩充与学习对象相关的训练数据量，既增加了数据的数量，又提高了数据的质量，避免了模型学习到其他不相关的特征，对于缓解模型过拟合起到一定作用，同时这也可以提升模型的泛化能力。但具体方式不限于此。
[0057]
另外，还可以结合样本图片的旋转、镜像等方式获得更多的样本图片。
[0058]
经过上述处理后可以得到所需数量的带有标注的样本图片，包括七类建筑物：混凝土房、砖房、简易房、居民房、其他类房屋、带有“棚”字样的房屋和带有“破”字样的房屋。针对每种类型的建筑物均需要制作足够数量的样本图片，从而得到数据集。
[0059]
3、将数据集按照8∶2的比例划分为训练集与验证集进行训练。
[0060]
4、模型训练：模型基于深度学习框架pytorch进行训练，训练过程使用迁移学习减少训练时间，基于mask r-cnn在coco数据集上的预训练模型，布置迭代次数为4000，学习速率在第90000步至第120000步时衰减，控制每步训练数据量batch size设为16，以0.001的学习率进行训练。最终模型训练的平均ap值为85.73%，测试识别效果时能够成功识别完整地形图中七类建筑物。
[0061]
可以理解，实际过程中还可以对模型继续进行优化。
[0062]
在此基础上，可以利用训练后的mask r-cnn图像识别方法对完整地形图进行识别处理，获取相应的房屋特征信息，并记录建筑物的相对坐标和房屋面积。
[0063]
三、筛掉带有“棚”字样的房屋和带有“破”字样的房屋。并设置面积阈值范围，过滤面积小于面积阈值范围下限和大于面积阈值范围上限的敏感性建筑。
[0064]
四、dbscan聚类方法。
[0065]
1、声屏障布置需要依照“沿线建筑100米范围内超过10户敏感建筑，则需要在此处布置声屏障。并且声屏障布置两端要延伸50m且间隔小于50米的声屏障需要合并”的设置要求。其中敏感性建筑是指明确有人居住的环境。
[0066]
2、输入的数据为由mask r-cnn图像识别方法识别得到的房屋类型和房屋相对坐标，输出的数据为需要布置声屏障的建筑群坐标集合。
[0067]
3、将建筑物的中心点的相对坐标转化为全图坐标，如图3、公式1和公式2所示：公式1：。
[0068]
公式2：。
[0069]
其中v
pt
、u
pt
为房屋中心点的相对坐标，其中x
img
、y
img
为切割图片左上角坐标，为全图坐标，x
pt
、y
pt
为房屋中心点的全图坐标，最终房屋中心点的全图坐标加入dbscan的数据集。
[0070]
4、布置聚类算法：dbscan的数据集是由符合标准的敏感性建筑中心点集成。为使聚类结果符合声屏障“100米范围内大于10户需要布置声屏障”布置需求，需要对dbscan中的参数进行设置。
[0071]
(a)esp：dbscan聚类过程中的领域阈值，在声屏障布置过程中，领域阈值定为100m。
[0072]
(b)minpts：领域内的密度阈值，即是领域阈值范围内数据点的个数。在声屏障布置过程中，密度阈值定为10个。
[0073]
(c)相对距离：dbscan中用于定义两点距离的距离度量，本算法中距离度量采用欧几里得距离，如公式3：所示。在数据集中第m与第n个点之间的相对距离为d
mn
。
[0074]
5、运算结果：最终算法输出的数据为需要布置声屏障的建筑群坐标集合，该集合将作为最后一步声屏障布置规则的依据。
[0075]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。