Cesium线条穿过地形模型变虚线

效果

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

实现

import cesiumUtils from '@/utils/cesium/cesiumUtils.js'
export default {
    name: 'depthDetection',
    components: {},
    data() {
        return {
            points: [],
        }
    },
    mounted() {
        this.initViewer()
    },
    beforeDestroy() {
        cesiumUtils.destroy();
    },
    methods: {
        initViewer() {
            this.viewer = cesiumUtils.initViewer("init-viewer-wrapper", {terrain: true});
            const tileset = cesiumUtils.load3DModelAdvanced('/model/terra_b3dms1/tileset.json');

            if (tileset) {
                cesiumUtils.zoomTo3DModel(tileset);
            }
            this.handleclick()
        },
        handleclick(){
            let that = this;
            const handler = new Cesium.ScreenSpaceEventHandler(this.viewer.scene.canvas);
            handler.setInputAction(function (movement) {
                that.addPoint(movement.position);
            }, Cesium.ScreenSpaceEventType.LEFT_CLICK);
        },
        addPoint(screenPosition){
            let cartesian = null;
            const pickedObject = this.viewer.scene.pick(screenPosition);

            if (Cesium.defined(pickedObject)) {
                cartesian = this.viewer.scene.pickPosition(screenPosition);
            } else {
                const ray = this.viewer.camera.getPickRay(screenPosition);
                cartesian = this.viewer.scene.globe.pick(ray, this.viewer.scene);
            }

            if (!Cesium.defined(cartesian)) {
                console.warn('无法拾取位置');
                return;
            }

            const cartographic = Cesium.Cartographic.fromCartesian(cartesian);
            const point = {
                cartesian: cartesian,
                cartographic: cartographic,
                lng: Cesium.Math.toDegrees(cartographic.longitude),
                lat: Cesium.Math.toDegrees(cartographic.latitude),
                height: cartographic.height
            };

            this.points.push(point);

            this.drawPoint(cartesian, this.points.length)

            if(this.points.length > 1){
                this.drawLine()
            }
        },
        drawPoint(position, index = 0) {
            this.point = this.viewer.entities.add({
                position: position,
                point: {
                    pixelSize: 8,
                    color: Cesium.Color.YELLOW,
                    outlineColor: Cesium.Color.BLACK,
                    outlineWidth: 2,
                },
                label: {
                    text: index.toString(),
                    font: '14pt sans-serif',
                    fillColor: Cesium.Color.WHITE,
                    outlineColor: Cesium.Color.BLACK,
                    outlineWidth: 2,
                    style: Cesium.LabelStyle.FILL_AND_OUTLINE,
                    pixelOffset: new Cesium.Cartesian2(0, -30),
                }
            });
        },
        drawLine() {
            // 清除旧的线段
            if (this.line) {
                this.viewer.entities.remove(this.line);
            }
            
            const positions = this.points.map(p => p.cartesian);
            this.line = this.viewer.entities.add({
                polyline: {
                    positions: positions,
                    width: 3,
                    material: Cesium.Color.YELLOW,
                    clampToGround: false,
                    depthFailMaterial: new Cesium.PolylineDashMaterialProperty({  //(被建筑遮挡部分具有穿透效果、虚线)
                        color: Cesium.Color.YELLOW,
                    }),
                }
            });
        },
    }
}
</script>
卷积神经网络(CNN)是针对多维网格数据(如图像、视频)设计的深度学习架构,其结构灵感来源于生物视觉系统对信息的分层处理机制。该模型通过局部连接、参数共享、层级特征提取等策略,有效捕获数据中的空间模式。以下从结构特性、工作机制及应用维度展开说明: **1. 局部连接与卷积运算** 卷积层利用可学习的多维滤波器对输入进行扫描,每个滤波器仅作用于输入的一个有限邻域(称为感受野),通过线性加权与非线性换提取局部特征。这种设计使网络能够聚焦于相邻像素间的关联性,从而识别如边缘走向、色彩渐等基础视觉模式。 **2. 参数共享机制** 同一卷积核在输入数据的整个空间范围内保持参数不,大幅降低模型复杂度。这种设计赋予模型对平移换的适应性:无论目标特征出现在图像的任何区域,均可由相同核函数检测,体现了特征位置无关性的建模思想。 **3. 特征降维与空间鲁棒性** 池化层通过对局部区域进行聚合运算(如取最大值或均值)实现特征降维,在保留显著特征的同时提升模型对微小形的容忍度。这种操作既减少了计算负荷,又增强了特征的几何不性。 **4. 层级特征抽象体系** 深度CNN通过堆叠多个卷积-池化层构建特征提取金字塔。浅层网络捕获点线面等基础模式,中层网络组合形成纹理部件,深层网络则合成具有语义意义的对象轮廓。这种逐级递进的特征表达机制实现了从像素级信息到概念化表示的自动演进。 **5. 非线性扩展与泛化控制** 通过激活函数(如ReLU及其体)引入非线性换,使网络能够拟合复杂决策曲面。为防止过拟合,常采用权重归一化、随机神经元失活等技术约束模型容量,提升在未知数据上的表现稳定性。 **6. 典型应用场景** - 视觉内容分类:对图像中的主体进行类别判定 - 实例定位与识别:在复杂场景中标定特定目标的边界框及类别 - 像素级语义解析:对图像每个像素点进行语义标注 - 生物特征认证:基于面部特征的个体身份鉴别 - 医学图像判读:辅助病灶定位与病理分析 - 结构化文本处理:与循环神经网络结合处理序列标注任务 **7. 技术演进脉络** 早期理论雏形形成于1980年代,随着并行计算设备的发展与大规模标注数据的出现,先后涌现出LeNet、AlexNet、VGG、ResNet等里程碑式架构。现代研究聚焦于注意力分配、跨层连接、卷积分解等方向,持续推动模型性能边界。 卷积神经网络通过其特有的空间特征提取范式,建立了从原始信号到高级语义表达的映射通路,已成为处理几何结构数据的标准框架,在工业界与学术界均展现出重要价值。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
屋顶面板实例分割数据集 一、数据集基础信息 • 数据集名称:屋顶面板实例分割数据集 • 图片数量: 训练集:1559张图片 验证集:152张图片 测试集:95张图片 总计:1806张图片 • 训练集:1559张图片 • 验证集:152张图片 • 测试集:95张图片 • 总计:1806张图片 • 分类类别: panel(面板):屋顶上的面板结构,如太阳能板或其他安装组件。 roof(屋顶):建筑屋顶区域,用于定位和分割。 • panel(面板):屋顶上的面板结构,如太阳能板或其他安装组件。 • roof(屋顶):建筑屋顶区域,用于定位和分割。 • 标注格式:YOLO格式,包含实例分割的多边形标注,适用于实例分割任务。 • 数据格式:图片文件,来源于航拍或建筑图像,涵盖多种场景。 二、数据集适用场景 • 建筑与施工检查:用于自动检测和分割屋顶上的面板,辅助建筑质量评估、维护和安装规划。 • 可再生能源管理:在太阳能发电系统中,识别屋顶太阳能板的位置和轮廓,优化能源部署和监控。 • 航拍图像分析:支持从空中图像中提取建筑屋顶信息,应用于城市规划、房地产评估和基础设施管理。 • 计算机视觉研究:为实例分割算法提供基准数据,推动AI在建筑和能源领域的创新应用。 三、数据集优势 • 精准实例分割标注:每个面板和屋顶实例均通过多边形标注精确定义轮廓,确保分割边界准确,支持细粒度分析。 • 类别聚焦与实用性:专注于屋顶和面板两个关键类别,数据针对性强,直接适用于建筑和能源行业的实际需求。 • 数据多样性与泛化性:涵盖不同环境下的屋顶和面板图像,增强模型在多场景中的适应能力。 • 任务适配便捷:标注兼容主流深度学习框架(如YOLO),可快速集成到实例分割模型训练流程。 • 行业价值突出:助力自动化检测系统开发,提升建筑检查、能源管理和城市分析的效率与准确性。
数据集介绍:遥感图像实例分割数据集 一、基础信息 • 数据集名称:遥感图像实例分割数据集 • 图片数量: 训练集:1952张图片 验证集:183张图片 测试集:161张图片 总计:2296张图片 • 训练集:1952张图片 • 验证集:183张图片 • 测试集:161张图片 • 总计:2296张图片 • 分类类别: 机场、公寓、荒地、海滩、砖窑、公交站、水坝、密集住宅区、沙漠、电站、农田、森林、堡垒、墓地、高层建筑、工业区、垃圾填埋场、中等密度住宅区、采矿场、停车场、公园、港口、火车站、宗教建筑、河流-溪流-排水系统、道路、污水处理厂、贫民窟、体育场、水体 • 标注格式:YOLO格式,包含实例分割多边形标注,适用于实例分割任务。 • 数据格式:图片数据,来源于遥感或航空图像。 二、适用场景 • 地理信息系统(GIS)与遥感分析:数据集支持实例分割任务,帮助构建能够自动识别和分割地理场景元素的AI模型,用于地图更新、土地利用分类和场景解析。 • 环境监测与保护:可用于监测森林覆盖、水体化、沙漠化等环境因素,支持生态研究和可持续发展项目。 • 城市规划与管理:辅助城市发展分析,如住宅区密度评估、基础设施规划(如道路、停车场)和土地利用优化。 • 农业与资源管理:识别农田、采矿场等场景,优化农业生产和资源开采活动,提高管理效率。 • 灾害风险评估:分割洪水、地震等灾害影响区域,用于应急响应、风险评估和灾后重建规划。 三、数据集优势 • 类别丰富与多样性:包含30个地理场景类别,覆盖自然和人工环境,从机场到水体,提供广泛的应用范围和模型泛化能力。 • 精准标注与质量:每张图片均经过实例分割多边形标注,精确界定各个场景区域,确保模型学习的准确性和可靠性。 • 任务专用性强:标注兼容YOLO格式,可直接用于实例分割任务,支持主流深度学习框架,便于模型开发和部署。 • 数据规模适中:超过2000张图片,提供足够的样本用于模型训练、验证和测试,提升模型在真实场景中的性能。 • 实际应用价值高:专注于遥感图像分析,为环保、城建、农业和交通等多个行业提供数据支撑,推动AI在实地场景中的创新应用。
Coze古风诗词鉴赏工作流是一个深度融合了人工智能技术与中华古典文学知识的智能交互系统。它超越了简单的诗词数据库查询,旨在成为一个集深度赏析、智能推荐、情感共鸣与创意生成为一体的全方位“AI国学顾问”。该工作流通过结构化的知识处理和自然流畅的对话交互,致力于打破时空壁垒,让每一位用户都能轻松踏入古典诗词的优美意境,与千年前的诗人进行一场心灵对话。 核心功能是围绕用户输入的具体主题(如自嘲、遗憾、思乡、边塞壮志、爱情相思、时光易逝、落花、流水、观海等),从古典诗词宝库中精准挑选“情感浓度高、画面感强、知名度广”的诗句,以适配短视频旁白/字幕的叙事逻辑串联诗句,实现“主题 - 诗句 - 情绪”的高度契合,通过口语化衔接增强观众共鸣,达成“主题适配 + 情绪传递 + 视频落地”的目标。 1. 开篇设计“钩子句式”:运用巧妙的设问(“古人能把遗憾写到什么程度?”)、感叹(“自嘲的巅峰之作,谁的句子最扎心?”)等形式,迅速调动观众情绪,使其适配视频开篇画面(如空镜、诗词意境画面)。 2. 中段用“排比式衔接”串联诗句:统一采用“是XX的‘诗句’”“还是XX的‘诗句’”的句式,(参考案例“是李清照的,物是人非事事休,欲语泪先流”,“是王国维的,最是人间留不住,朱颜辞镜花辞树”),增强文案节奏感,适配视频“诗句逐句呈现 + 画面切换”的逻辑。根据诗句数量合理分段,每段控制在合适长度,避免内容过于冗长,请严格按照示例的标点符号输出。 3. 结尾预留“延伸感”:可采用“又或者是…”“还有哪句戳中了你?”等开放式表述(参考案例1结尾“又或者是”),引导观众互动,适配视频结尾“留白画面 + 引导语字幕”。 总结而言,Coze古风诗词鉴赏工作流通过其多层次、智能化的功能,致力于服务从学术研究到日常休闲的广大用户群体,让古老的诗词在人工智能时代重新焕发生机,成为每个人触手可及的文化宝藏
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值