CN117110160A - 一种基于多数据融合的夜间pm2.5监测方法及系统 - Google Patents
一种基于多数据融合的夜间pm2.5监测方法及系统 Download PDFInfo
- Publication number
- CN117110160A CN117110160A CN202311084664.6A CN202311084664A CN117110160A CN 117110160 A CN117110160 A CN 117110160A CN 202311084664 A CN202311084664 A CN 202311084664A CN 117110160 A CN117110160 A CN 117110160A
- Authority
- CN
- China
- Prior art keywords
- light source
- source block
- night
- feature vector
- coordinate system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000004927 fusion Effects 0.000 title claims abstract description 18
- 239000013598 vector Substances 0.000 claims abstract description 69
- 230000007613 environmental effect Effects 0.000 claims abstract description 39
- 238000007637 random forest analysis Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000003570 air Substances 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Dispersion Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多数据融合的夜间PM2.5监测方法及系统,涉及空气质量监测技术领域,包括:获取原始夜间图像,定位其中光源中心点并获取光源图块;将光源图块中光源中心点作为原点,建立二维极坐标系,将光源图块映射到二维极坐标系中,蛛网状网格划分光源图块像素,获取光源图块特征向量;创建随机森林模型,将光源图块特征向量与环境参数结合作为总特征向量;环境中PM2.5真实值读数作为标签;对随机森林模型进行训练;对待检测原始夜间图像进行光源图块特征向量提取,再带入训练好的随机森林模型获取夜间PM2.5含量。本发明解决了现有技术中PM2.5监测方面空间细粒度和监测精度低的技术问题。
Description
技术领域
本发明涉及空气质量监测技术领域,更具体的说是涉及一种基于多数据融合的夜间PM2.5监测方法及系统。
背景技术
目前,市面上较为常见的是基于大气传感器或传感器网络的监测方式,通过在检测区域内的多个节点位置部署传感器来实现广域的大气环境监测。如专利申请号为CN202021353526.5的设计方案,利用中心无线通信模块与各个节点无线通信模块无线组网通信能够便于将各个传感节点设备采集的数据上传至中心控制设备,从而实现数据采集。此类方案需要在多节点位置承担设备的购置、供电、通信、维护等成本,一定程度上限制了实际的应用范围。
另一方面,基于夜光灯光遥感数据的夜间PM2.5浓度监测方法被提出,通过分析遥感传感器接收的夜间灯光辐射与PM2.5浓度之间的关系对夜间大气环境进行监测。如专利申请号为CN202110949698.1的设计方案,提取传感器接收的DNB辐射亮度、云覆盖、月相角、卫星天顶角和卫星过境时间数据,并基于辐射传输理论分析卫星过境时刻的PM2.5浓度。此类方案由于遥感数据的局限性,实现性较差,在空间细粒度和监测精度上尚不能令人满意。
随着计算机视觉技术的成熟,目前学术界上较为常见的基于视觉的方法主要处理日间场景获取的图像,即通过日间图像的先验特征或其他要素对环境空气质量进行评估。但是通过视觉途径在夜间场景进行PM2.5检测的方法上尚属少数。
因此,如何提供一种空间细粒度和监测精度高,应用方便的夜间PM2.5监测方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于多数据融合的夜间PM2.5监测方法及系统,结合了夜间光源图像的特性,采用映射和积分的方式从图像中获取光源区域指定扇区的图像特征向向量,采用随机森林模型,完成对夜间PM2.5的含量监测,具有较强的通用性,同时空间细粒度与监测精度有保证。
为了实现上述目的,本发明采用如下技术方案:
一种基于多数据融合的夜间PM2.5监测方法,包括:
步骤1:获取原始夜间图像,定位所述原始夜间图像中的光源中心点并获取光源图块;
步骤2:将所述光源图块中的所述光源中心点作为原点,建立二维极坐标系,将所述光源图块映射到所述二维极坐标系中,并蛛网状网格划分所述光源图块像素,从其中获取光源图块特征向量;
步骤3:创建随机森林模型,将所述光源图块特征向量与环境参数结合作为总特征向量;真实大气环境中的PM2.5真实值读数作为标签;对所述随机森林模型进行训练;
步骤4:将待检测原始夜间图像输入步骤2、步骤3进行光源图块特征向量与环境参数的提取,再带入训练好的随机森林模型获取夜间PM2.5含量。
优选的,所述步骤1具体包括:预先设定光源中心点的初始值,依据以其为中心的图块内的像素强度,调整目标光源的中心点位置并提取所述光源图块。
优选的,还包括:选取固定像素点作为所述光源中心的备选。
优选的,所述步骤2具体包括:
步骤2.1:以所述光源中心点为坐标系原点,建立直角坐标系和极坐标系;
步骤2.2:根据所述直角坐标系和所述极坐标系,将所述光源图块等分为固定个扇形区域,以光源中心点为中心,使用不同半径的同心圆将各所述扇形区域划分为扇环;每个所述扇形区域对应一个特征向量,特征值为所述扇形区域中每个扇环的积分值;
步骤2.3:获取所述光源图块每个扇形区域对应的特征向量,将其按照光源图块每个扇形区域的对应位置拼接得到所述光源图块的特征向量。
优选的,所述步骤3具体包括:
步骤3.1:获取所述环境参数结合所述光源图块特征向量作为所述随机森林模型的输入,以所述真实大气环境中的PM2.5真实值读数作为标签进行所述随机森林模型的训练;
步骤3.2:所述随机森林模型设置子树个数为100,使用均分误差衡量分枝质量和回归树回归质量。
优选的,所述环境参数具体包括温度环境特征、湿度环境特征、风速环境特征、风向环境特征。
一种基于多数据融合的夜间PM2.5监测系统,包括:
图块获取模块,获取原始夜间图像,定位所述原始夜间图像中的光源中心点并获取光源图块;
特征向量获取模块,将所述光源图块中的所述光源中心点作为原点,建立二维极坐标系,将所述光源图块映射到所述二维极坐标系中,并蛛网状网格划分所述光源图块像素,从其中获取光源图块特征向量;
模型训练模块,创建随机森林模型,将所述光源图块特征向量与大气环境参数结合作为总特征向量;真实大气环境中的PM2.5真实值读数作为标签;对所述随机森林模型进行训练;
检测模块,将待检测原始夜间图像输入特征向量获取模块、模型训练模块进行光源图块特征向量与环境参数的提取,再带入训练好的随机森林模型获取夜间PM2.5含量。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于多数据融合的夜间PM2.5监测方法及系统,使用广泛部署监控摄像头获取图像,并估计目标场景中的大气PM2.5浓度,通用性强,图像的获取是可以通过普通监控摄像头或其他摄像头(例如手机摄像头等)获取,并不依赖于特定型号的设备。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的步骤流程图;
图2附图为本发明提供的光源中心点和光源图块提取图;
图3附图为本发明提供的坐标变换图;
图4附图为本发明提供的极坐标网格图;
图5附图为本发明提供的扇区划分图;
图6附图为本发明提供的随机森林模型训练图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做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。
本发明实施例公开了一种基于多数据融合的夜间PM2.5监测方法,如图1所示,包括:
步骤1:获取原始夜间图像,定位原始夜间图像中的光源中心点并获取光源图块;
步骤2:将光源图块中的光源中心点作为原点,建立二维极坐标系,将光源图块映射到二维极坐标系中,并蛛网状网格划分光源图块像素,从其中获取光源图块特征向量;
步骤3:创建随机森林模型,将光源图块特征向量与环境参数结合作为总特征向量;真实大气环境中的PM2.5真实值读数作为标签;对随机森林模型进行训练;
步骤4:将待检测原始夜间图像输入步骤2、步骤3进行光源图块特征向量与环境参数的提取,再带入训练好的随机森林模型获取夜间PM2.5含量。
优选的,步骤1具体包括:预先设定光源中心点的初始值,依据以其为中心的图块内的像素强度,调整目标光源的中心点位置并提取光源图块。
优选的,还包括:选取固定像素点作为光源中心的备选。
优选的,步骤2具体包括:
步骤2.1:以光源中心点为坐标系原点,建立直角坐标系和极坐标系;
步骤2.2:根据直角坐标系和极坐标系,将光源图块等分为固定个扇形区域,以光源中心点为中心,使用不同半径的同心圆将各扇形区域划分为扇环;每个扇形区域对应一个特征向量,特征值为扇形区域中每个扇环的积分值;
步骤2.3:获取光源图块每个扇形区域对应的特征向量,将其按照光源图块每个扇形区域的对应位置拼接得到光源图块的特征向量。
优选的,步骤3具体包括:
步骤3.1:获取环境参数结合光源图块特征向量作为随机森林模型的输入,以真实大气环境中的PM2.5真实值读数作为标签进行随机森林模型的训练;
步骤3.2:随机森林模型设置设置子树个数为100,使用均分误差衡量分枝质量和回归树回归质量。
优选的,环境参数具体包括温度环境特征、湿度环境特征、风速环境特征、风向环境特征。
一种基于多数据融合的夜间PM2.5监测系统,包括:
图块获取模块,获取原始夜间图像,定位原始夜间图像中的光源中心点并获取光源图块;
特征向量获取模块,将光源图块中的光源中心点作为原点,建立二维极坐标系,将光源图块映射到二维极坐标系中,并蛛网状网格划分光源图块像素,从其中获取光源图块特征向量;
模型训练模块,创建随机森林模型,将光源图块特征向量与大气环境参数结合作为总特征向量;真实大气环境中的PM2.5真实值读数作为标签;对随机森林模型进行训练;
检测模块,将待检测原始夜间图像输入特征向量获取模块、模型训练模块进行光源图块特征向量与环境参数的提取,再带入训练好的随机森林模型获取夜间PM2.5含量。
在具体实施例1中,一种基于多数据融合的夜间PM2.5监测方法,包括:
步骤1:通过摄像设备获取原始夜间图像,定位原始夜间图像中的光源中心点并获取光源图块;
为从夜间图像获取光源即其附近区域的成像,考虑到由于相机摆动和目标场景的变化(行人、车辆等)导致的画面差异以及排除光源背景环境导致的光斑,需要依据预先设定的光源中心点初始值,依据以其为中心的图块内的像素强度,调整目标光源的中心点位置并提取光源图块。
步骤1.1:如图2中(a)所示,已有当前图像Imageraw和光源中心点初始值P1,提取边长为d的矩形图块,将图块中像素值为(255,255,255)的像素点的坐标均值作为光源中心的备选值P2(图2中(b)所示):
其中,x是图像像素的索引,Ω(P1)是以P1为中心的图块,Average()是求取集合中满足条件的像素索引的均值函数;
步骤1.2:已知光源中心的备选值P2,将图块中的像素按照与P2点的欧式距离由近及远进行排序得到有序点集Point={p1,p2,p3,...,pn},集合元素为各像素的索引;采样大小为w的滑动窗口W从左到右匹配对应的点集,当窗口内像素值为(255,255,255)的像素点的比例少于设定值r时,结束匹配,计算已匹配的像素的索引均值作为光源中心的索引值:
P3=Average{p1,p2,p3,...,pk}
其中,P3是光源中心点索引,Average函数是求取集合中像素索引的均值,函数rate(k)返回点集{pk,pk+1,pk+2,...,pk+w-1}中像素值为(255,255,255)的点的比例;
步骤1.3:如图2中(c)所示,调整后的光源中心点排除蓝框位置的像素点的影响;获取以P3为中心的边长为d的图块用于后续图块特征向量的提取。
步骤2:将以P3为中心的边长为d的图块中P3作为光源中心点,以P3为原点建立二维极坐标系,将光源图块映射到二维极坐标系中,并蛛网状网格划分光源图块像素,从其中获取光源图块特征向量;
步骤2.1:建立坐标变换
依据步骤1获取的光源中心点和光源图块,以光源中心点为坐标系的原点,建立直角坐标系和极坐标系,如图3所示,由左到右依次为直角坐标系、极坐标系、二维极坐标系;
当极坐标系下点(r,θ)在网格节点处,则像素值等于直角坐标系下(rcosθ,r sinθ)点处的像素值;否则如二维极坐标系所示,点(r,θ)处于方格内,各顶点对应的像素值分别记为v1,v2,v3,v4,各顶点到点(r,θ)的距离记为d1,d2,d3,d4。
步骤2.2:建立极坐标网格
将图像等分为16个扇形区域,以光源中心点为中心,使用不同半径的同心圆将各扇形区域划分为扇环,如图4所示;每个扇形区域对应一个特征向量,特征值为扇形中每个扇环区域的积分值;
以图4中扇形OAB为例,其对应的特征向量V扇形OAB=[v1…v10],扇环aiai+1bi+1bi区域对应的特征值vi为该区域像素值的积分值,即:
其中,对于图像的划分可以使用任意等分的扇形区域,θ1,θ2的取值可以不按照相邻的划分点取值,其效果等价于在光源特征的向量上进行平滑操作。
步骤2.3:如图5所示,依据步骤2-2,从每个扇形图像分别获得对应的特征向量,将其依序拼接得到该光源图块的特征向量。
步骤3:创建随机森林模型,如图6所示,将光源图块特征向量与环境参数结合作为总特征向量;真实大气环境中的PM2.5真实值读数作为标签;对随机森林模型进行训练;
步骤3.1:获取环境参数结合光源图块特征向量作为随机森林模型的输入,以真实大气环境中的PM2.5真实值读数作为标签进行随机森林模型的训练;
步骤3.2:随机森林模型设置子树个数为100,使用均分误差衡量分枝质量和回归树回归质量。
在一个具体实施例中,环境参数具体包括温度环境特征、湿度环境特征、风速环境特征、风向环境特征。
步骤4:将待检测原始夜间图像输入步骤2、步骤3进行光源图块特征向量与环境参数的提取,再带入训练好的随机森林模型获取夜间PM2.5含量。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种基于多数据融合的夜间PM2.5监测方法,其特征在于,包括:
步骤1:获取原始夜间图像,定位所述原始夜间图像中的光源中心点并获取光源图块;
步骤2:将所述光源图块中的所述光源中心点作为原点,建立二维极坐标系,将所述光源图块映射到所述二维极坐标系中,并蛛网状网格划分所述光源图块像素,从其中获取光源图块特征向量;
步骤3:创建随机森林模型,将所述光源图块特征向量与环境参数结合作为总特征向量;真实大气环境中的PM2.5真实值读数作为标签;对所述随机森林模型进行训练;
步骤4:将待检测原始夜间图像输入步骤2、步骤3进行光源图块特征向量与环境参数的提取,再带入训练好的随机森林模型获取夜间PM2.5含量。
2.根据权利要求1所述的一种基于多数据融合的夜间PM2.5监测方法,其特征在于,所述步骤1具体包括:预先设定光源中心点的初始值,依据以其为中心的图块内的像素强度,调整目标光源的中心点位置并提取所述光源图块。
3.根据权利要求2所述的一种基于多数据融合的夜间PM2.5监测方法,其特征在于,还包括:选取固定像素点作为所述光源中心的备选。
4.根据权利要求1所述的一种基于多数据融合的夜间PM2.5监测方法,其特征在于,所述步骤2具体包括:
步骤2.1:以所述光源中心点为坐标系原点,建立直角坐标系和极坐标系;
步骤2.2:根据所述直角坐标系和所述极坐标系,将所述光源图块等分为固定个扇形区域,以光源中心点为中心,使用不同半径的同心圆将各所述扇形区域划分为扇环;每个所述扇形区域对应一个特征向量,特征值为所述扇形区域中每个扇环的积分值;
步骤2.3:获取所述光源图块每个扇形区域对应的特征向量,将其按照光源图块每个扇形区域的对应位置拼接得到所述光源图块的特征向量。
5.根据权利要求1所述的一种基于多数据融合的夜间PM2.5监测方法,其特征在于,所述步骤3具体包括:
步骤3.1:获取所述环境参数结合所述光源图块特征向量作为所述随机森林模型的输入,以所述真实大气环境中的PM2.5真实值读数作为标签进行所述随机森林模型的训练;
步骤3.2:所述随机森林模型设置子树个数为100,使用均分误差衡量分枝质量和回归树回归质量。
6.根据权利要求5所述的一种基于多数据融合的夜间PM2.5监测方法,其特征在于,所述环境参数具体包括温度环境特征、湿度环境特征、风速环境特征、风向环境特征。
7.一种基于多数据融合的夜间PM2.5监测系统,其特征在于,包括:
图块获取模块,获取原始夜间图像,定位所述原始夜间图像中的光源中心点并获取光源图块;
特征向量获取模块,将所述光源图块中的所述光源中心点作为原点,建立二维极坐标系,将所述光源图块映射到所述二维极坐标系中,并蛛网状网格划分所述光源图块像素,从其中获取光源图块特征向量;
模型训练模块,创建随机森林模型,将所述光源图块特征向量与大气环境参数结合作为总特征向量;真实大气环境中的PM2.5真实值读数作为标签;对所述随机森林模型进行训练;
检测模块,将待检测原始夜间图像输入特征向量获取模块、模型训练模块进行光源图块特征向量与环境参数的提取,再带入训练好的随机森林模型获取夜间PM2.5含量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311084664.6A CN117110160A (zh) | 2023-08-28 | 2023-08-28 | 一种基于多数据融合的夜间pm2.5监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311084664.6A CN117110160A (zh) | 2023-08-28 | 2023-08-28 | 一种基于多数据融合的夜间pm2.5监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117110160A true CN117110160A (zh) | 2023-11-24 |
Family
ID=88796091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311084664.6A Pending CN117110160A (zh) | 2023-08-28 | 2023-08-28 | 一种基于多数据融合的夜间pm2.5监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117110160A (zh) |
-
2023
- 2023-08-28 CN CN202311084664.6A patent/CN117110160A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10650235B2 (en) | Systems and methods for detecting and tracking movable objects | |
TW201921316A (zh) | 偵測航拍影像內物體之非暫態電腦可讀取媒體及系統,以及航拍影像中物體偵測之方法 | |
WO2019100219A1 (zh) | 输出影像生成方法、设备及无人机 | |
CN105139350A (zh) | 一种无人机侦察图像地面实时重建处理系统 | |
CN115439424A (zh) | 一种无人机航拍视频图像智能检测方法 | |
CN106462737A (zh) | 用于浑浊性检测的系统和方法 | |
CN108537122A (zh) | 包含气象参数的图像融合采集系统及图像存储方法 | |
CN112113542A (zh) | 一种无人机航摄建设用地土地专项数据验收的方法 | |
CN110675448A (zh) | 基于民航客机的地面灯光遥感监测方法、系统及存储介质 | |
WO2020000043A1 (en) | Plant growth feature monitoring | |
CN109116298B (zh) | 一种定位方法、存储介质及定位系统 | |
Deng et al. | The effect of spatial resolution on radiometric and geometric performances of a UAV-mounted hyperspectral 2D imager | |
CN110392218A (zh) | 一种红外成像识别一体化设备及工作方法 | |
CN108509844A (zh) | 基于地基云图的vper云团识别方法 | |
CN114495416A (zh) | 基于无人机的火情监测方法、装置及终端设备 | |
CN115240089A (zh) | 一种航空遥感图像的车辆检测方法 | |
CN112163483A (zh) | 一种目标数量检测系统 | |
CN105004327A (zh) | 一种基于智能终端的植被叶面积指数信息自动测量系统 | |
CN111461013A (zh) | 一种基于无人机的实时火场态势感知方法 | |
Knyaz et al. | Joint geometric calibration of color and thermal cameras for synchronized multimodal dataset creating | |
KR102542556B1 (ko) | 고해상도 드론 동영상과 딥러닝 객체 인식기술을 활용한 실시간 습지 지역 주요 식생 탐지와 식생 객체 위치 확인 방법 및 그 시스템 | |
CN117110160A (zh) | 一种基于多数据融合的夜间pm2.5监测方法及系统 | |
CN113011445A (zh) | 标定方法、识别方法、装置及设备 | |
Jalajamony et al. | Drone aided thermal mapping for selective irrigation of localized dry spots | |
CN116030324A (zh) | 一种基于光谱特征与空间特征融合的目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |