一种基于AI算法的城市公园活力计算方法及系统与流程

一种基于ai算法的城市公园活力计算方法及系统
技术领域
1.本发明属于城市规划技术领域，具体涉及一种基于ai算法的城市公园活力计算方法及系统。


背景技术：

2.城市公园是公共生活和社会交往体验的重要场所，其活力是城市品质的重要体现。随着城市建设由外延式扩张转向内涵式发展，大量的城市更新与再开发规划都倡导营造空间多样性，多样用途、混合功能的活动区逐渐替代了传统的用途单一功能区。因此需要在深入理解城市公园的活力内涵与特征基础上，探索科学的活力监测方法，进而准确地识别出城市公园的活力现状，为城市公共空间的活力营造及提升提供具有针对性的指导和技术路径选择依据。
3.如附图6所示，现有技术通常使用居民的gps活动轨迹与公共空间的监控人流量统计进行空间密度聚集结果分析，实现了人群密度在空间上的呈现，这种监测方法主要以手机gps位置和监控流量统计为主，统计分析粒径较粗，难以实现多场景的应用需要；并且活力监测对象主要以人类为主，缺乏对其他生态物种的监测，监测物种单一。现有技术的活力热力图如附图7所示，虽然体现不同区域的活力热度，但是难以深入分析活力要素的详细情况，无法对各个分项的活力详情进行监测。


技术实现要素：

4.本发明旨在至少解决现有技术中存在的技术问题，提供一种基于ai算法的城市公园活力计算方法及系统，解决了现有技术的空间活力监测方法难以实现多场景的监测，监测物种单一，无法分析活力要素的详细情况及各个分项的活力详情的问题。
5.为了实现本发明的上述目的，根据本发明的第一个方面，本发明提供了一种基于ai算法的城市公园活力计算方法，包括以下步骤：将公园分为不同特征的监测区域，获取监测区域的监测图像；将监测图像输入活力要素提取模型中，活力要素提取模型提取监测图像中物种的活力要素指标；基于活力要素指标获取物种的指标分数；计算监测区域内物种的指标分数的加权和获得所述监测区域内该物种的基础活力值；计算监测区域内所有的物种基础活力值的加权和获得该监测区域的区域活力值；计算公园内所有监测区域的区域活力值的加权和获得公园活力值。
6.进一步，物种分为人类、动物和植物，人类的活力要素指标包括监测区域内的活动类型、单个活动类型的人数、活动持续时间和实际客流量；监测区域内的人类的指标分数包括空间多样性指数、活动持续指数和客流量比值；人类的指标分数计算过程包括：根据监测区域内的活动类型和单个活动类型的人数计算空间多样性指数，根据活动持续时间和指数换算表格获得活动持续指数，获取监测区域的预计客流量，根据实际客流量与预计客流量之比获得监测区域内的客流量比值。
7.进一步，动物的活力要素指标包括监测区域内的实际种类数量与动物活动时间；
监测区域内的动物的指标分数包括动物种类比值和活动时间比值；动物的指标分数计算过程包括：获取监测区域内的实际种类数量与初始种类数量的比值为动物种类比值，获取监测区域内的动物活动时间与监测时间的比值为活动时间比值。
8.进一步，植物的活力要素指标包括监测区域内的外来植物种类、本地植物种类、病虫害面积、绿化面积和植物总面积；监测区域内的植物的指标分数包括植物多样性、病虫害率和绿化率；植物的指标分数计算过程包括：获取监测区域内的外来植物种类与本地植物种类的比值为植物多样性，获取监测区域内的病虫害面积和植物总面积的比值为病虫害率，获取监测区域内的绿化面积和植物总面积的比值为绿化率。
9.进一步，在所述计算监测区域内所有的物种基础活力值的加权和获得该监测区域的区域活力值步骤中，物种的基础活力值的权重根据监测区域内的该物种的密度与多样性设定。
10.进一步，在所述计算公园内所有监测区域的区域活力值的加权和获得公园活力值步骤中，监测区域的权重为监测区域面积与公园总面积的比值。
11.进一步，监测区域包括低密度低多样性区域、低密度高多样性区域、高密度低多样性区域和高密度高多样性区域。
12.进一步，活力要素提取模型的训练过程包括：将样本图像放入初始神经网络模型中进行活力要素指标提取，对提取后的样本图像进行校准，将提取错误的样本图像进行标注，并放入初始模型中进行训练，直至提取效率和提取准确率达到设定值，导出训练后的初始神经网络模型为活力要素提取模型。
13.为了实现本发明的上述目的，根据本发明的第二个方面，本发明提供了一种基于ai算法的城市公园活力计算系统，在运行过程中使用了上述任一一种基于ai算法的城市公园活力计算方法；该系统包括导入模块、活力要素提取模块、存储模块和计算模块；导入模块用于导入监测区域的监测图像；活力要素提取模块用于训练和存储活力要素提取模型，活力要素提取模型用于提取监测图像中的活力要素指标；存储模块用于存储和记录物种的指标分数的权重、物种基础活力值的权重与监测区域的权重；计算模块用于计算物种的基础活力值、区域活力值和公园活力值。
14.进一步，还包括监控模块、登录模块和展示模块，监控模块用于拍摄监测区域的监测图像；登录子系统用于验证使用者身份，验证成功后启动导入模块和活力要素提取模块；展示模块用于展示公园活力值。
15.本发明的技术原理：本方案通过对监测图像的分析和指标提取，再通过层层的递进计算获得公园活力值。获取不同监测区域的监测图像，提取监测图像中物种的活力要素指标，根据活力要素指标计算物种的指标分数，根据物种的指标参数和指标参数的权重计算物种的基础活力值，根据物种的基础活力值与物种的权重计算监测区域内的区域活力值，根据各监测区域的区域活力值与监测区域的权重计算出公园活力值。
16.本发明的有益效果：本发明通过获取多个物种的指标分数计算出公园活力值，增加监测对象，提高公园活力值的多样性；单独计算公园各个监测区域的区域活力值，及时反馈各个监测区域的活力情况，实现多场景地监测公园活力值，提高公园活力值的准确性及全面性；本发明设定各物种的活力要素指标，与现有技术的活力计算仅取决于物种的数量相比，本发明获得的基本活力值、区域活力值与公园活力值均具有多样性及深度分析价值，
便于城市活力空间管理。与现有技术依赖手机位置定位和流量统计技术相比，本发明依赖于监控图像和ai识别技术获取物种的活力要素，提高了活力要素监测的准确性，降低活力值计算的实施难度。
附图说明
17.图1是本发明一种基于ai算法的城市公园活力计算方法的逻辑示意图；
18.图2是labelimg软件的工具界面；
19.图3是本发明活力要素提取模型的参数分析示意图；
20.图4是本发明活力要素提取模型训练逻辑示意图；
21.图5是本发明一种基于ai算法的城市公园活力计算系统的结构示意图；
22.图6是现有技术的活力值监测方法；
23.图7是现有技术监测所得的空间活力热力图。
具体实施方式
24.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
25.在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
26.在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
27.如附图1所示，本发明提供了一种基于ai算法的城市公园活力计算方法，包括以下步骤：
28.将公园分为不同特征的监测区域，获取监测区域的监测图像；监测图像包括在公园中采集的图片和视频；
29.将监测图像输入活力要素提取模型中，活力要素提取模型提取监测图像中物种的活力要素指标；基于活力要素指标获取物种的指标分数；
30.计算监测区域内物种的指标分数的加权和获得所述监测区域内该物种的基础活力值；计算监测区域内所有的物种基础活力值的加权和获得该监测区域的区域活力值；计算公园内所有监测区域的区域活力值的加权和获得公园活力值。
31.具体地，物种分为人类、动物和植物，人类的活力要素指标包括监测区域内的活动类型、单个活动类型的人数、活动持续时间和实际客流量；监测区域内的人类的指标分数包括空间多样性指数、活动持续指数和客流量比值；
32.人类的指标分数计算过程包括：根据监测区域内的活动类型和单个活动类型的人
数计算空间多样性指数，根据活动持续时间和指数换算表格获得活动持续指数，获取监测区域的预计客流量，根据实际客流量与预计客流量之比获得监测区域内的客流量比值。
33.具体地，根据香农-维纳指数公式计算空间多样性指数；香农-维纳指数公式如下：
34.h＝-∑|(ni/n)ln(ni/n)|
35.其中h表示空间多样性指数，ni表示第i个活动类型的人数，n表示监测图像中的总人数，即所有活动类型的总人数；
36.具体地，指数换算表格如表1所示；
[0037][0038]
动物的活力要素指标包括监测区域内的实际种类数量与动物活动时间；监测区域内的动物的指标分数包括动物种类比值和活动时间比值；动物的指标分数计算过程包括：获取监测区域内的实际种类数量与初始种类数量的比值为动物种类比值，获取监测区域内的动物活动时间与监测时间的比值为活动时间比值，优选地，设监测时间为24小时，也可以设置为12小时或者其他数值；
[0039]
植物的活力要素指标包括监测区域内的外来植物种类、本地植物种类、病虫害面积、绿化面积和植物总面积；监测区域内的植物的指标分数包括植物多样性、病虫害率和绿化率；植物的指标分数计算过程包括：获取监测区域内的外来植物种类与本地植物种类的比值为植物多样性，获取监测区域内的病虫害面积和植物总面积的比值为病虫害率，获取监测区域内的绿化面积和植物总面积的比值为绿化率。
[0040]
优选地，由于不同物种的活力要素指数不同，因此指标分数的权重均不相同；
[0041]
具体地，根据大众行为分析、游客行为调查及分析等相关数据表示，空间多样性指数表示监测区域内单个活动类型的活跃度，设定空间多样性指数的权重为40％～50％；而活动持续指数在大众行为分析中认定为环境对于人类活动吸引力，故设定活动持续指数的权重为30％～40％；而监测区域环境设计时已分析得出该区域的预计客流量数据，监测区域的实际客流量与预计客流量之比将判断园区吸引力，设置客流量比值的权重为10％～30％；假设空间多样性指数的权重为40％，活动持续指数的权重为30％，客流量对比的权重为30％；则人类的基本活力值＝空间多样性指数
×
40％ 活动持续指数
×
30％ 客流量对比
×
30％。
[0042]
由于公共空间建设应会导致动物种类增加或减少，观察监测区域的实际种类数量与建园时的初始种类数量对比可得出城市公共空间建设对周围自然环境影响的好坏，及能有效分析动物种类生活规律，动物种类比值能有效判定人类是否与自然和谐相处，设置动物种类比值的权重为50％～60％；动物活动时间往往在动物行为分析中代表动物活力，设置活动时间比值的权重为40％～50％；假设动物种类比值的权重为50％，活动时间比值的权重为50％，则动物的基本活力值＝动物种类比值
×
50％ 活动时间比值
×
50％。
[0043]
根据相关植物群落调查与景观评价分析研究表示，植物多样性可分为：本地原生种类及外来物种，其中本地原生种类应适应天气、土壤等多种客观因素，生长情况良好，观赏性较强，具备当地特色观赏性；外来物种经过长期驯化，已能适应当地气候、土壤等客观
因素，观赏性上能与本土植物相得映彰，充分考虑造园时本土植物与外来物种搭配所取得的观赏性，设置植物多样性的权重为40％～50％；植物病虫害学相关数据显示植物感染病虫害后将影响植物观赏度，严重时将会影响植物生命，考虑现有植物管养已有相对完善机制，可针对植物病虫害进行控制、预防，设置病虫害率的权重为30％～40％；因南北方差异，植物种类不同，大致可分为常绿植物与落叶植物，根据园林景观设计相关书籍表示城市公共空间设计中已考虑绿化面积及植物种类搭配种植，绿化率的权重为10％～30％；假设植物多样性的权重为40％，病虫害率的权重为30％，绿化率的权重为30％，则植物的基本活力值＝植物多样性
×
40％ 病虫害率
×
30％ 绿化率
×
30％。
[0044]
在所述计算监测区域内所有的物种基础活力值的加权和获得该监测区域的区域活力值步骤中，物种的基础活力值的权重根据监测区域内的该物种的密度与多样性设定。不同年龄的人类对城市公园中不同活动区域产生兴趣，例如：儿童重点活动区域为儿童游乐设施、智慧互动设施；老年人重点活动区域为健身器材，故城市公园的监测区域因游客年龄将产生不同活力值。因此不同的监测区域及人类需求将会造成人类行为多样性；例如：草坪区域常见人类行为包括家庭游乐、观赏风景、运动休闲、文艺汇演等，监测区域的植物、动物密集程度可直接影响人类行为多样性。
[0045]
具体地，低密度低多样性区域为植物较多的区域，由于植物数量较多人类活动区域较为狭小，考虑对植物、动物的活力要素指数进行重点监测及分析，同时园区建设、天气变化也将直接影响人类活动，导致人类密度较低，人类行为多样性较低；设低密度多样性区域的植物基础活力值的权重为50％，动物基础活力值的权重为30％，人类基础活力值的权重为20％；则低密度低多样性区域的区域活力值＝植物的基础活力值
×
50％ 动物的基础活力值
×
30％ 人类的基础活力值
×
20％。
[0046]
低密度高多样性区域为滨水区，水边的植物可为人类进行遮阴，同时人类可于滨水岸线上开展部分行为，但因活动区域较为狭窄，人类密度较低；设低密度高多样性区域的植物基础活力值的权重为40％，动物基础活力值的权重为30％，人类基础活力值的权重为30％；则低密度高多样性区域的区域活力值＝植物的基础活力值
×
40％ 动物的基础活力值
×
30％ 人类的基础活力值
×
30％。
[0047]
高密度低多样性区域为城市公园中的运动区域，是人类主要活动区域之一，植物覆盖面积及动物活动区域较小，但因活动区域功能较为单一，人类密度较高；设高密度低多样性区域的植物基础活力值的权重为15％，动物基础活力值的权重为15％，人类基础活力值的权重为70％；则高密度低多样性区域的区域活力值＝植物的基础活力值
×
15％ 动物的基础活力值
×
15％ 人类的基础活力值
×
70％。
[0048]
高密度高多样性区域为城市公园中的草坪区域，是人类主要活动区域之一，植物主要以地被为主，单一性较高，动物活动区域主要集中于高空，而人类活动面积较大，可导致人类行为多样性提升，可重点监测人类活力；设高密度高多样性区域的植物基础活力值的权重为20％，动物基础活力值的权重为10％，人类基础活力值的权重为70％；则高密度高多样性区域的区域活力值＝植物的基础活力值
×
20％ 动物的基础活力值
×
10％ 人类的基础活力值
×
70％。
[0049]
优选地，监测区域包括低密度低多样性区域、低密度高多样性区域、高密度低多样性区域和高密度高多样性区域；
[0050]
优选地，在所述计算公园内所有监测区域的区域活力值的加权和获得公园活力值步骤中，监测区域的权重为监测区域面积与公园总面积的比值。例如，低密度多样性区域占公园总面积的45％，低密度高多样性区域占公园总面积的15％，高密度低多样性区域占公园总面积的10％，高密度高多样性区域占公园总面积的30％，则公园活力值＝低密度多样性区域的区域活力值
×
45％ 低密度高多样性区域的区域活力值
×
15％ 高密度低多样性区域的区域活力值
×
10％ 高密度高多样性区域的区域活力值
×
30％。
[0051]
如附图4所示，活力要素提取模型的训练过程包括：将样本图像放入初始神经网络模型中，初始神经网络模型判断样本图像是否包含活力要素指数，将包含活力要素指数的样本图像和未包含活力要素指数的样本图像放置不同的文件夹内，并对包含活力要素指数的图片进行活力要素指数提取，根据人工校准菜单对提取后的样本图像进行校准，将提取错误的样本图像进行标注存储至对应的文件夹，同时将提取错误的样本图像放入初始模型中进行训练，直至提取准确率和提取效率达到设定值，导出训练后的初始神经网络模型为活力要素提取模型。
[0052]
具体地，使用图像标注工具对样本图像中的目标物体进行识别及标注；优选地，图像标注工具选用labelimg软件，如附图2所示，该软件能够快捷识别及标注多处目标物体大小及位置，并直接生成xml文件；将标注后的样本图像按照8：1：1的比例分为训练集、验证集和测试集。训练集用于训练初始神经网络模型的参数；验证集用于验证初始神经网络模型的性能，选择初始神经网络模型最优的超参数；测试集用于评估在训练过程中客观评价初始神经网络模型的各种指标的集合。
[0053]
具体地，本方案使用pytorch作为训练框架对初始神经网络模型进行训练，pytorch支持分布式训练和并行训练。将标注后的样本图像放入初始神经网络模型中；
[0054]
优选地，初始神经网络模型由backbone(骨干网络)、neck(模块)和head(检测头)三部分组成；backbone指的是特征提取网络，其作用是提取样本图像中的目标物体的信息。为了实现从样本图像中检测目标物体的位置和类别，先从样本图像中提取目标物体的必要特征信息，比如hog特征，利用必要特征信息去实现样本图像的定位和分类。常用的backbone主要有：vgg、resnet(resnet18，50，100)、resnext、densenet、squeezenet、darknet(darknet19,53)、detnet、detnasspinenet、efficientnet(efficientnet-b0/b7)、cspresnext50、cspdarknet53等。在本方案中，为了更好的提高初始神经网络模型的鲁棒性，本项目中选用cspdarknet53作为骨干网络，同时对网络结构进行了参数优化，已提高整体的特征提取准确度；head为检测头，主要用于预测样本图像中的目标物体的种类和位置(bounding boxes)，利用必要特征信息做出预测。neck模块是承上启下的关键环节，neck主要是把backbone提取的必要特征信息进行融合，使网络学习到的必要特征信息更具备多样性，再交由后续的head去检测，从而提高初始神经网络模型的性能。
[0055]
优选地，为了提高初始神经网络模型的训练精度，采用多种数据处理方法对样本图像进行处理，数据处理方法包括mosaic，cutout，图像扰动，改变样本图像的亮度、对比度、饱和度、色调，加噪声，随机缩放，随机裁剪(randomcrop)，翻转，旋转，随机擦除等方法；为了提高初始神经网络模型的训练速度，减少训练时间，还在数据处理过程中增加了矩形训练方法。
[0056]
优选地，为了提高初始神经网络模型的训练效率，在训练时根据硬件情况使用多
张gpu进行并行训练；具体地，将初始神经网络模型加载入多张gpu内存中，同时将样本图像和图像标注工具载入gpu的系统缓存，提高了gpu数量的倍数的时间。
[0057]
优选地，当训练达到设定的epoch(时期)时自动停止训练，获得活力要素提取模型并导出。如附图3所示，移除活力要素提取模型中不需要的训练参数，使活力要素提取模型大小降低60％，推理效率提升20％。
[0058]
优选地，对训练好的活力要素提取模型进行推理测算；具体地，导出训练好的活力要素提取模型，通过推理程序加载到内容，将样本图像进行resize处理至统一尺度后进行推理，同时活力要素提取模型和输入的样本图像支持fp16半精度推理；经过测算，在rtx4000设备上，活力要素提取模型平均单张图片的推理时间约40ms，综合处理能力约25帧/秒，同时活力要素提取模型支持量化和tensorrt部署，还可以大幅提高处理效率。
[0059]
如附图5所示，本发明还提供一种基于ai算法的城市公园活力计算系统，在运行过程中使用了权利要求1-8中任一所述的一种基于ai算法的城市公园活力计算方法；该系统包括监控模块、登录模块、导入模块、活力要素提取模块、存储模块、计算模块和展示模块；
[0060]
监控模块用于拍摄监测区域的监测图像；
[0061]
登录子系统用于验证使用者身份，验证成功后启动导入模块和活力要素提取模块；
[0062]
导入模块用于导入监测区域的监测图像；
[0063]
活力要素提取模块用于训练和存储活力要素提取模型，活力要素提取模型用于提取监测图像中的活力要素指数；
[0064]
存储模块用于存储和记录物种的指标分数的权重、物种基础活力值的权重与监测区域的权重；
[0065]
计算模块用于计算物种的基础活力值、区域活力值和公园活力值；
[0066]
展示模块用于展示公园活力值。
[0067]
优选地，该系统为基于b/s结构的可视化系统，在初始神经网络模型的训练过程中，通过浏览器实时查看训练时的运行参数，如平均map和loss等，同时可以查看测试集的验证过程。
[0068]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0069]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。