遙感具有動態(tài)、多時相采集空間信息的能力，遙感數(shù)據(jù)已經(jīng)成為GIS的主要信息源。但是傳統(tǒng)的遙感解譯技術(shù)主要依賴人工判讀和半自動遙感處理軟件，難以快速獲得精準的處理結(jié)果，對精細化狀態(tài)分析更是缺乏有效的手段。一方面，這使得遙感應(yīng)用無法從根本上脫離其勞動密集型的屬性；另一方面，其生產(chǎn)的空間數(shù)據(jù)一般并不符合GIS嚴謹?shù)臄?shù)據(jù)標準，需要額外的格式轉(zhuǎn)換、檢查處理等大量前期工作，消耗了過多人力物力。而人工智能的興起，則給了我們新的方向——GIS+RS+AI。

人工智能研究的一個主要目標是使機器能夠勝任一些通常需要人類智能才能完成的復雜工作。因此，蒼穹數(shù)碼將人工智能的深度學習技術(shù)應(yīng)用于遙感數(shù)據(jù)解譯中，突破傳統(tǒng)遙感面向像素與面向?qū)ο蠼庾g手段桎梏，研發(fā)了智能遙感解譯產(chǎn)品體系——KQRS AI。它提供了一系列高效的智能算法以及訓練框架，包括地物檢測，變化檢測，目標檢測以及用地分類等。有效提升遙感影像的信息提取能力，節(jié)約人力與時間成本。

一、強大的跨平臺兼容性

KQRS AI平臺在底層硬件上不僅兼容包括Intel在內(nèi)的X86框架，同時也完美兼容包括鯤鵬和飛騰在內(nèi)ARM64框架芯片；在操作系統(tǒng)方面兼容麒麟、UOS等國產(chǎn)操作系統(tǒng)。強大的兼容性保證了軟件相比同類產(chǎn)品有著更多的應(yīng)用場景。

圖國產(chǎn)化環(huán)境運行

二、支持模型自主訓練

為了讓用戶實現(xiàn)更有針對性地檢測目標，軟件還提供了訓練接口，包括地物檢測訓練、變化檢測訓練和目標檢測訓練。用戶可以使用自己的數(shù)據(jù)集或是通過軟件集成的數(shù)據(jù)標注功能生成的數(shù)據(jù)集，訓練出新的模型替換軟件自帶的模型，實現(xiàn)定制化的檢測。

圖 軟件訓練界面（左邊為功能選擇，右邊為參數(shù)設(shè)置）

三、高效的圖形學后處理算法

KQRS AI在使用優(yōu)秀的AI模型進行推理后，軟件還提供了高效的圖形學后處理算法，來盡可能地消除檢測誤差，提供更好的檢測效果。包括邊界化簡、邊界清理、建筑物規(guī)則化、填充孔洞、去除小連通域以及收縮和細化等。

圖建筑物規(guī)則化

四、智能語義分割

KQRS AI運用FCN全卷積神經(jīng)網(wǎng)絡(luò)技術(shù)，對圖像進行像素級地分類，解決語義級別的圖像分割問題，對于地物分類，利用深度學習的方法，可以得到一個用來解譯影像中特定語義區(qū)域的模型，包括建筑群、獨棟房屋、水體、道路、林地、耕地、大棚、植被、雪線等地面區(qū)域。

圖語義分割

五、基于視頻目標識別

基于KQRS AI的人工智能技術(shù)，我們實現(xiàn)了基于視頻目標識別的能力，例如采集道路沿線信息，實時提取道路中心線、交通標識牌等信息。我們采用圖像分割算法分割出車道、左右線及中心線，提取道路中心線。通過測試可以得出，我們的算法對光照、陰影及道路彎曲的適應(yīng)性很好，精度可達0.1米，識別率超過90%，而且可以進行實時處理，可以滿足200KM/天的效率。

圖道路中心線提取

圖道路標識牌識別

六、目標自動檢測

KQRS AI運用CNN卷積神經(jīng)網(wǎng)絡(luò)技術(shù)，使用自主研發(fā)KQGIS平臺進行樣本標注，實現(xiàn)目標檢測識別，如圖，從衛(wèi)星、航空或無人機圖像中找到我們需要的類似于飛機、輪船、球場等目標，并將其繪制在地圖上，其中球場識別率達90%以上。

圖 目標識別

七、變換檢測

雪線提取的方法，從傳統(tǒng)的實地考察測量，到結(jié)合實測數(shù)據(jù)間接量測，發(fā)展到目前基于遙感手段進行雪線高程的動態(tài)研究。KQRS AI集成了“雪線變換檢測功能”，可根據(jù)遙感影像對雪線、湖面、陰影、背景等進行檢測，其中雪線檢測準確率達到95%以上。應(yīng)用于自然資源的水域、林地、建筑群等范圍檢測領(lǐng)域。

圖 變換檢測
fqj