CN103868499A - 一种智能光学遥感系统 - Google Patents
一种智能光学遥感系统 Download PDFInfo
- Publication number
- CN103868499A CN103868499A CN201410073593.4A CN201410073593A CN103868499A CN 103868499 A CN103868499 A CN 103868499A CN 201410073593 A CN201410073593 A CN 201410073593A CN 103868499 A CN103868499 A CN 103868499A
- Authority
- CN
- China
- Prior art keywords
- intelligent
- decision
- module
- target
- remote sensing
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
一种智能光学遥感系统,包括星上智能识别模块、星上智能决策模块、星上智能进化模块、智能执行模块;智能执行模块包括全场感知仪、变焦高分辨率成像仪以及变光谱分辨率成像仪。星上智能识别模块对全场感知仪预探测得到的数据进行在轨分析,通过星上智能决策模块判定目标价值并给出遥感器最佳成像策略,用于指挥智能执行系统;智能执行系统接收智能专家系统的指令,驱动变焦高分辨率成像仪以及变光谱分辨率成像仪,对指定目标进行精确探测。智能进化模块对探测结果进行评价,用于指导下次专家系统工作。本发明保证了光学遥感载荷完成在轨目标识别,针对目标特点和环境形成探测模式及参数策略,对重点目标进行详查,获取重要信息。
Description
技术领域
本发明属于航天光学遥感器技术领域,涉及一种能够实现目标识别与跟踪详查的智能光学遥感系统。
背景技术
目前对地侦察卫星采用载荷过顶或机动成像方式,获取观测区域的图像信息,之后星上数据下行,由地面系统接收并处理,最后将图像分发到各用户单位,由各用户单位实现图像分析获取有效信息。
卫星上的成像传感器得到的仅仅是由灰度所表达的、无语义的离散象素数据,而且数据量巨大,最终用户需要的是从大量的数据中提取出的感兴趣目标。这种方式属于被动信息获取即“拍什么,得什么”的盲拍模式,常常会有海量图像下行,但包含的有用信息有限。据统计,美国Worldview和Quickbird高分辨率对地观测商业卫星日采集数据量约为10000GB,但具有重要价值图像数据量仅占一半左右。因此,传统的遥感方式在轨遥感器、数据传输、图像处理及图像分析整个环节资源的极大浪费,并且时效性较差。
当前提出的敏捷卫星能够实现对特定目标的快速重访,但是敏捷卫星的成像需要地面的有效引导,提前地面获知突发事件地点并上行指导敏捷卫星进行机动。这种方式的时效性有所提升,但仍需天地联动而无法做到“即时响应”,而且无法采用最佳的空间分辨率、光谱分辨率及其他参数进行观测,尚属指向到位后的“盲拍”方式,依旧无法挖掘出卫星光学遥感载荷的最佳利用效率和情报价值。
发明内容
本发明解决的技术问题是:克服现有技术的不足,提供一种智能光学遥感系统,能够自动搜索、识别、确认典型地物目标,针对感兴趣的目标进行高分辨率详查以及光谱探测。
本发明的技术方案是:一种智能光学遥感系统,包括智能识别模块、智能决策模块、智能进化模块、智能执行模块;智能执行模块包括全场感知仪、变焦高分辨率成像仪以及变光谱分辨率成像仪;
智能识别模块对全场感知仪探测得到的某一区域遥感图像信息进行在轨特征提取与指定目标识别,将指定目标识别结果输入到智能决策模块;
智能决策模块接受智能识别模块输出的识别向量,并将其转化为目标信息函数,如果满足系统设定的阈值,则进行策略决策流程;所述的策略决策包括模式决策与参数决策;所述的模式决策过程首先建立目标信息函数与基于模式应激规划向量函数的变换算法,以及目标信息函数与基于参数应激规划向量函数的变换算法,得到模式偏好向量函数和参数偏好向量函数,通过信息熵评估算法估算得到预决策模式和预决策参数并送至智能执行系统;如果该目标信息函数不满足阈值要求,则由全场感知仪重新获取新区域的遥感图像信息。
智能执行系统根据接收到的预决策模式和预决策参数,驱动变焦高分辨率成像仪和变光谱分辨率成像仪对指定目标进行跟踪探测,获得目标图像;并将目标图像送至智能进化模块;
智能进化模块将目标图像的图像质量在图像质量要求阈值数据库中进行遍历,如果图像质量不符合阈值要求,则由全场感知仪重新获取新区域的遥感图像信息;如果图像质量符合阈值要求,则将获得的目标图像下传至地面,同时将获得该目标图像时采用的预决策模式和预决策参数存入并更新图像质量要求阈值数据库。
所述的全场感知仪为大视场面阵成像相机。
本发明与现有技术相比的优点在于:
(1)本发明采用星上智能系统,可实现对星上图像信息自动筛选、重点目标高分辨率探测以及变光谱分辨率识别,完成重要目标详情获取,提高探测的针对性和时效性,提高遥感系统的资源利用率和信息有效性,获取更精确和精细的目标信息。
(2)本发明采用了智能专家系统,完成对星上获取卫星图片的自动处理和目标识别,形成对特定目标最佳探测模式和参数的星上决策,完成星上指令发布,该过程不需要地面参与,自动完成并分析实时的成像环境,决策形成速度更快,决策内容更具有针对性。
附图说明
图1为本发明在轨工作的示意图。
图2为本发明系统结构组成示意图。
图3a为本发明智能识别模块内部流程图。
图3b为本发明智能决策模块内部流程图。
图3c为本发明智能进化模块内部的流程图。
具体实施方式
如图1所示,本发明的智能光学遥感系统能够首先自动对大区域进行低分辨率感知,识别出“感兴趣”小区域(疑似目标)并进行局部中分辨率定位与确认,最后完成对重点目标的高分辨率详查和变光谱分辨率观测。如图2所示,本发明一种智能光学遥感系统包括智能识别模块、智能决策模块、智能进化模块、智能执行模块;智能执行模块包括全场感知仪、变焦高分辨率成像仪以及变光谱分辨率成像仪;智能识别模块对全场感知仪探测得到的某一区域遥感图像信息进行在轨特征提取与指定目标识别,将指定目标识别结果输入到智能决策模块;智能决策模块接受智能识别模块输出的识别向量,并将其转化为目标信息函数,如果满足系统设定的阈值,则进行策略决策流程;所述的策略决策包括模式决策与参数决策;所述的模式决策过程首先建立目标信息函数与基于模式应激规划向量函数的变换算法,以及目标信息函数与基于参数应激规划向量函数的变换算法,得到模式偏好向量函数和参数偏好向量函数,通过信息熵评估算法估算得到预决策模式和预决策参数并送至智能执行系统;如果该目标信息函数不满足阈值要求,则由全场感知仪重新获取新区域的遥感图像信息。智能执行系统根据接收到的预决策模式和预决策参数,驱动变焦高分辨率成像仪和变光谱分辨率成像仪对指定目标进行跟踪探测,获得目标图像;并将目标图像送至智能进化模块;智能进化模块将目标图像的图像质量在图像质量要求阈值数据库中进行遍历,如果图像质量不符合阈值要求,则由全场感知仪重新获取新区域的遥感图像信息;如果图像质量符合阈值要求,则将获得的目标图像下传至地面,同时将获得该目标图像时采用的预决策模式和预决策参数存入并更新图像质量要求阈值数据库。所述的全场感知仪为大视场面阵成像相机。
下面结合附图具体说明:
如图3a-3c所示,本系统工作过程如下:如图3a所示,智能识别模块对智能执行系统获取的遥感图像进行分析,如果为超大低分辨率图像,则通过重叠均匀分块算法对图像进行分块,对分块的子区域进行图像增强处理,通过特征提取算法,将各子区域内的目标特征进行提取,下行到特征目标库完成匹配与识别,最终输出各自区域目标的基本信息,包括图像中的坐标、目标类别、相似度等级、图像质量评价等组成的识别向量,最后下行到智能决策模块。
如图3b所示,智能决策模块接受智能识别模块输出的识别向量,并将其转化为目标信息函数,如果满足系统设定的阈值,则策略决策流程,否则跳转至智能执行系统,重新获取新区域的图像信息。策略决策包括模式决策与参数决策,依次基于模式偏好和参数偏好的信息熵评估算法,以信息熵向量期望值极大原则给出最佳决策。
模式决策过程,首先建立目标信息函数与基于模式应激规划向量函数的变换算法1,得到基于模式偏好向量函数,通过信息熵评估算法1估算对应某个探测模式、指向、谱段组合规划方案是否满足信息熵阈值,若不满足则循环上述过程,重新进行模式规划,直到满足信息熵阈值,进入下一步的参数决策过程。
参数决策过程,包括建立变化算法,并得到基于参数偏好向量函数并引入基于参数的应激成像仿真向量,通过信息熵评估算法2循环参数规划,得到最佳参数组合(焦距、视场、F数等)。
如图3c所示,智能进化模块从对星上决策的自评价以及地面上行最高优先级评价,获得信息熵评价结果,若满足系统设定阈值则更新策略库,并将图像下行至地面系统,否则,进入星上智能识别模块。
本发明的智能光学遥感系统,转变传统“获取图像”的思路,直接以“获取信息”为目标,是一种具备人眼智能探测功能的新型光学遥感系统,实现了在轨自动识别目标,针对目标特点自动形成探测模式以及参数策略,对重点目标进行全面探测,能够从数据获取的源头,对情报搜集、处理、分发以及应用整个链路进行系统化设计,提高情报的时效性和有用性,为用户按需、及时获取信息提供有效支持。本发明能够满足对突发事件的快速定位、在轨即速响应、目标的快速捕获及短时间聚焦跟踪的需求,特别适合低成本、高效率、长寿命对地观测。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。
Claims (2)
1.一种智能光学遥感系统,其特征在于:包括智能识别模块、智能决策模块、智能进化模块、智能执行模块;智能执行模块包括全场感知仪、变焦高分辨率成像仪以及变光谱分辨率成像仪;
智能识别模块对全场感知仪探测得到的某一区域遥感图像信息进行在轨特征提取与指定目标识别,将指定目标识别结果输入到智能决策模块;
智能决策模块接受智能识别模块输出的识别向量,并将其转化为目标信息函数,如果满足系统设定的阈值,则进行策略决策流程;所述的策略决策包括模式决策与参数决策;所述的模式决策过程首先建立目标信息函数与基于模式应激规划向量函数的变换算法,以及目标信息函数与基于参数应激规划向量函数的变换算法,得到模式偏好向量函数和参数偏好向量函数,通过信息熵评估算法估算得到预决策模式和预决策参数并送至智能执行系统;如果该目标信息函数不满足阈值要求,则由全场感知仪重新获取新区域的遥感图像信息。
智能执行系统根据接收到的预决策模式和预决策参数,驱动变焦高分辨率成像仪和变光谱分辨率成像仪对指定目标进行跟踪探测,获得目标图像;并将目标图像送至智能进化模块;
智能进化模块将目标图像的图像质量在图像质量要求阈值数据库中进行遍历,如果图像质量不符合阈值要求,则由全场感知仪重新获取新区域的遥感图像信息;如果图像质量符合阈值要求,则将获得的目标图像下传至地面,同时将获得该目标图像时采用的预决策模式和预决策参数存入并更新图像质量要求阈值数据库。
2.根据权利要求1所述一种智能光学遥感系统,其特征在于:所述的全场感知仪为大视场面阵成像相机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410073593.4A CN103868499B (zh) | 2014-02-28 | 2014-02-28 | 一种智能光学遥感系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410073593.4A CN103868499B (zh) | 2014-02-28 | 2014-02-28 | 一种智能光学遥感系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103868499A true CN103868499A (zh) | 2014-06-18 |
CN103868499B CN103868499B (zh) | 2015-12-09 |
Family
ID=50907285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410073593.4A Active CN103868499B (zh) | 2014-02-28 | 2014-02-28 | 一种智能光学遥感系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103868499B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108449129A (zh) * | 2018-03-09 | 2018-08-24 | 北京空间机电研究所 | 一种全球多目标全天时实时监测系统及方法 |
CN113177956A (zh) * | 2021-05-11 | 2021-07-27 | 南通大学 | 一种面向无人机遥感影像的语义分割方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0324583A2 (en) * | 1988-01-12 | 1989-07-19 | World Geoscience Corporation Limited | Remote sensing system |
US6100974A (en) * | 1998-09-15 | 2000-08-08 | California Institute Of Technology | Imaging spectrometer/camera having convex grating |
CN1556374A (zh) * | 2003-12-30 | 2004-12-22 | 中国科学院上海技术物理研究所 | 机载推帚式多维成像装置 |
US7433044B1 (en) * | 2004-06-04 | 2008-10-07 | University Of Hawaii | Sagnac fourier transform spectrometer having improved resolution |
CN201322803Y (zh) * | 2008-12-17 | 2009-10-07 | 北京空间机电研究所 | 一种宽幅盖、多光谱ccd遥感相机图像数据采集与处理系统 |
CN101588515A (zh) * | 2009-06-30 | 2009-11-25 | 北京空间机电研究所 | 线阵遥感ccd相机动态范围自适应实时调节方法 |
CN201360295Y (zh) * | 2009-02-24 | 2009-12-09 | 北京空间机电研究所 | 空间多光谱遥感器超长线阵ccd驱动器 |
CN202710200U (zh) * | 2012-07-27 | 2013-01-30 | 北京空间机电研究所 | 空间遥感ccd相机高精度ccd测温电路 |
-
2014
- 2014-02-28 CN CN201410073593.4A patent/CN103868499B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0324583A2 (en) * | 1988-01-12 | 1989-07-19 | World Geoscience Corporation Limited | Remote sensing system |
US6100974A (en) * | 1998-09-15 | 2000-08-08 | California Institute Of Technology | Imaging spectrometer/camera having convex grating |
CN1556374A (zh) * | 2003-12-30 | 2004-12-22 | 中国科学院上海技术物理研究所 | 机载推帚式多维成像装置 |
US7433044B1 (en) * | 2004-06-04 | 2008-10-07 | University Of Hawaii | Sagnac fourier transform spectrometer having improved resolution |
CN201322803Y (zh) * | 2008-12-17 | 2009-10-07 | 北京空间机电研究所 | 一种宽幅盖、多光谱ccd遥感相机图像数据采集与处理系统 |
CN201360295Y (zh) * | 2009-02-24 | 2009-12-09 | 北京空间机电研究所 | 空间多光谱遥感器超长线阵ccd驱动器 |
CN101588515A (zh) * | 2009-06-30 | 2009-11-25 | 北京空间机电研究所 | 线阵遥感ccd相机动态范围自适应实时调节方法 |
CN202710200U (zh) * | 2012-07-27 | 2013-01-30 | 北京空间机电研究所 | 空间遥感ccd相机高精度ccd测温电路 |
Non-Patent Citations (6)
Title |
---|
刘艳芳等: "给予混合熵模型的遥感分类不确定性的多尺度评价方法研究", 《测绘学报》 * |
李伟健等: "国外光学遥感成像系统仿真软件发展综述与思考", 《航天返回与遥感》 * |
王广亮等: "RapidEye卫星影像质量分析与彩色合成方案研究", 《遥感应用》 * |
苏云等: "深空探测智能遥感器概念研究", 《第二十五届全国空间探测学术交流会》 * |
阮宁娟等: "空间光学遥感系统全链路仿真与分析", 《航天返回与遥感》 * |
马晓珊等: "光学遥感成像系统全链路仿真框架研究", 《量子电子学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108449129A (zh) * | 2018-03-09 | 2018-08-24 | 北京空间机电研究所 | 一种全球多目标全天时实时监测系统及方法 |
CN113177956A (zh) * | 2021-05-11 | 2021-07-27 | 南通大学 | 一种面向无人机遥感影像的语义分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103868499B (zh) | 2015-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10977494B2 (en) | Recognition of weed in a natural environment | |
Su et al. | Data augmentation for deep learning based semantic segmentation and crop-weed classification in agricultural robotics | |
EP3571629B1 (en) | Adaptive cyber-physical system for efficient monitoring of unstructured environments | |
Haug et al. | Plant classification system for crop/weed discrimination without segmentation | |
Xiong et al. | Visual detection of green mangoes by an unmanned aerial vehicle in orchards based on a deep learning method | |
CN108369635B (zh) | 用于航空图像获取与分析的方法 | |
Majeed et al. | Apple tree trunk and branch segmentation for automatic trellis training using convolutional neural network based semantic segmentation | |
US20200250427A1 (en) | Shadow and cloud masking for agriculture applications using convolutional neural networks | |
CN107977706A (zh) | 模块化分布式人工神经网络 | |
EP3279831A1 (en) | Recognition of weed in a natural environment using a digital image | |
CA3180213A1 (en) | Image monitoring for control of invasive grasses | |
CN103868499B (zh) | 一种智能光学遥感系统 | |
Lyu et al. | Development of phenotyping system using low altitude UAV imagery and deep learning | |
Kim et al. | Utilizing machine learning for detecting flowering in mid-range digital repeat photography | |
Moazzam et al. | Patch-wise weed coarse segmentation mask from aerial imagery of sesame crop | |
Mendoza-Bernal et al. | A Convolutional Neural Network approach for image-based anomaly detection in smart agriculture | |
CN116485796B (zh) | 害虫检测方法、装置、电子设备及存储介质 | |
Peng et al. | Point-based multilevel domain adaptation for point cloud segmentation | |
CN111968147A (zh) | 一种基于关键点检测的乳腺癌病理图像综合分析系统 | |
Singhi et al. | Integrated YOLOv4 deep learning pretrained model for accurate estimation of wheat rust disease severity | |
Gao et al. | Cross-domain transfer learning for weed segmentation and mapping in precision farming using ground and UAV images | |
Sowmiya | A noval method for detecting plant leaf disease using image processing and deep learning | |
CN116503406B (zh) | 基于大数据的水利工程信息管理系统 | |
Reddy et al. | An optimal superpixel segmentation based transfer learning using AlexNet–SVM model for weed detection | |
Kumar et al. | Deep Learning-Based Web Application for Real-Time Apple Leaf Disease Detection and Classification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |