CN108388916A - 一种基于人工智能的水体漂浮物自动识别方法和系统 - Google Patents

一种基于人工智能的水体漂浮物自动识别方法和系统 Download PDF

Info

Publication number
CN108388916A
CN108388916A CN201810159957.9A CN201810159957A CN108388916A CN 108388916 A CN108388916 A CN 108388916A CN 201810159957 A CN201810159957 A CN 201810159957A CN 108388916 A CN108388916 A CN 108388916A
Authority
CN
China
Prior art keywords
floating material
knowledge base
numerical value
band1
classified
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
Application number
CN201810159957.9A
Other languages
English (en)
Other versions
CN108388916B (zh
Inventor
张万顺
徐畅
彭虹
王永桂
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201810159957.9A priority Critical patent/CN108388916B/zh
Publication of CN108388916A publication Critical patent/CN108388916A/zh
Application granted granted Critical
Publication of CN108388916B publication Critical patent/CN108388916B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于人工智能的水体漂浮物自动识别方法和系统，首先构建不同种类漂浮物所代表的不同地物在不同波段的特征数值知识库；以特征数值知识库作为分类的依据，采用决策树的分类方法对漂浮物监测影像进行分类，然后利用聚类处理对分类结果进行分类后处理，得到监测影像漂浮物识别的结果；对监测影像漂浮物的识别结果进行精度评价；最后将特征数值知识库输入到支持向量机中进行训练，并利用训练好的支持向量机模型对漂浮物监测图像中漂浮物信息进行自动化识别。本发明适应于对图像中漂浮物信息的自动化识别，从而有效合理的组织清漂行动，为保障船舶航行、大坝安全、水库调度运行等具有重要意义。

Description

一种基于人工智能的水体漂浮物自动识别方法和系统
技术领域
本发明属于影像识别和机器智能学习领域，涉及一种基于人工智能的水体漂浮物自动识别方法和系统，适应于对图像中漂浮物信息的自动化识别，从而有效合理的组织清漂行动，为保障船舶航行、大坝安全、水库调度运行等具有重要意义。
背景技术
漂浮物是依赖于浮力漂浮在水体表面的固体废弃物，包括原木、树枝、稻草、桔杆、塑料制品和人畜尸体等。漂浮物的存在，对水体水质，水面景观，供水，水产，航运等构成不利影响，不仅破坏生态环境，还会威胁饮水安全。尤其是在具有发电功能的水库区域，漂浮物顺流而下，易于聚集在河道凹岸、拦河坝前，不仅影响发电水头，减小水电枢纽的发电效益，对枢纽运行安全构成威胁。漂浮物的存在对水体正常功能的发挥造成了极大的影响，开展漂浮物的监测、清理和排除，是减少漂浮物危害的重要手段。而开展漂浮物的治理，首先需要对水体中漂浮物的位置、种类、数量和范围等进行快速的判断。利用图像解译和机器学习技术，能够通过漂浮物监测影像资料，建立区域内漂浮物特征知识库，同时快速批量自动识别，基于漂浮物识别技术提供的实时信息，在合适的位置和时间开展清漂工作，有助于快速有效的清理流域漂浮物、降低排漂清漂的费用，节省人力物力。
近年来，随着漂浮物对水质、水生态、水工建筑的不利影响逐渐受到重视，针对漂浮物的研究不断发展。目前，主要在海洋区域针对漂浮物的相关研究较多，国外学者通过卫星遥感影像可以获取大面积漂浮物的分布情况，但对漂浮物种类及具体类型识别存在不足之处，且缺少对河流、水库等水体小范围漂浮物的监测识别研究。我国在对漂浮物的监测研究中，主要采用采样和遥感影像分析方法，包括研究漂浮物的空间分布、运移情况及其组成成分，研究漂浮物对水工建筑的影响以及漂浮物的治理措施等。关于漂浮物的自动识别研究较少，通过遥感影像只能识别大范围的漂浮物，应用于河流、水库时往往由于影像分辨率不足而无法精确识别小范围内漂浮物的具体情况；而通过实地采样进行漂浮物识别，耗费人力、物力，而且由于实际水流、地形等因素，部分区域实地采样往往十分困难。目前已有的研究在一定程度上为漂浮物快速识别进一步开展提供了技术借鉴，但现有方法仍然不能快速、准确的自动识别漂浮物。
发明内容
在现有研究的基础上，通过合理划分漂浮物主要类型，利用ENVI等软件，构建不同种类漂浮物所代表的不同地物在不同波段的特征数值知识库，再由机器通过对漂浮物特征知识库学习得到的知识，对漂浮物监测图像中漂浮物信息进行自动化识别。在河流、水库以及海岸线的重要区域，架设漂浮物监测摄像拍照装置或者利用原有的水情监控设备，结合漂浮物自动识别方法，能够更加高效地准确识别漂浮物种类、确定漂浮物具体范围，对漂浮物的清除治理工作，提高水体漂浮物的综合管理水平具有重要意义。
针对水体表面漂浮物的自动识别的问题，本发明基于漂浮物监测影像中不同种类漂浮物具有不同波段特征值的原理，在解译漂浮物影像的基础上，通过建立漂浮物特征知识库，结合机器学习的方法，本发明提出了漂浮物的自动识别方法。
本发明所采用的技术方案为，一种基于人工智能的水体漂浮物自动识别方法，包括如下步骤：
步骤1，构建不同种类漂浮物所代表的不同地物在不同波段的特征数值知识库，包括如下子步骤；
步骤1.1，根据区域漂浮物调查资料和监测影像，结合不同种类漂浮物的颜色和形状特征目视判读漂浮物地物类型；
步骤1.2，合成漂浮物监测影像图片的RGB影像图，并判断出当前监测影像中占优势的主要漂浮物类型，针对当前RGB影像图，选择图中的占比例最大漂浮物，并提取样本点；
步骤1.3，将步骤1.2中所选取的各类型漂浮物样本点在不同波段下的特征值汇总统计，以不同地物在不同波段(Band1、Band2、Band3)的最小值、最大值、平均值信息建立漂浮物特征数值知识库；
步骤2，以步骤1中构建的特征数值知识库作为分类的依据，采用决策树的分类方法对漂浮物监测影像进行分类，然后利用聚类处理对分类结果进行分类后处理，得到监测影像漂浮物识别的结果；
步骤3，对监测影像漂浮物的识别结果进行精度评价，当精度达到用户要求时，直接进入步骤4的处理；当分类精度不满足用户需求时，返回到步骤1的处理，即重新选择样本点，统计各类地物在不同波段上的特征值，进而构建新的特征数值知识库，以此作为新的输入条件对监测影像进行分类；
步骤4，将特征数值知识库输入到支持向量机中进行训练，并利用训练好的支持向量机模型对漂浮物监测图像中漂浮物信息进行自动化识别。
进一步的，还包括步骤5，将步骤4的识别结果重新整合到不同种类漂浮物所代表的不同地物在不同波段的特征数值知识库中，实现特征数值知识库的更新和完善。
进一步的，步骤2中采用决策树的分类方法对漂浮物监测影像进行分类的实现方式为，首先利用BAND1值对地物进行第一次分类决策，其中BAND1>170的漂浮物，归类为泡沫；BAND1<170的，进行第2次分类决策，其中BAND>120的漂浮物归类为藻类；BAND1<120的，进行第3次分类决策，其中BAND1<50的漂浮物可直接归类为油污；50<BAND1<120且BAND3<40的漂浮物归类为植物，其余的则归类为秸秆枯枝。
进一步的，步骤2中运用数学形态学算子腐蚀和膨胀的聚类处理对分类结果进行分类后处理。
本发明还提供一种基于人工智能的水体漂浮物自动识别系统，包括如下模块：
特征数值知识库构建模块，用于构建不同种类漂浮物所代表的不同地物在不同波段的特征数值知识库，包括如下子模块；
第一子模块，用于根据区域漂浮物调查资料和监测影像，结合不同种类漂浮物的颜色和形状特征目视判读漂浮物地物类型；
第二子模块，用于合成漂浮物监测影像图片的RGB影像图，并判断出当前监测影像中占优势的主要漂浮物类型，针对当前RGB影像图，选择图中的占比例最大漂浮物，并提取样本点；
第三子模块，用于将样本点提取子模块中所选取的各类型漂浮物样本点在不同波段下的特征值汇总统计，以不同地物在不同波段(Band1、Band2、Band3)的最小值、最大值、平均值信息建立漂浮物特征数值知识库；
漂浮物初步识别模块，用于以第一子模块中构建的特征数值知识库作为分类的依据，采用决策树的分类方法对漂浮物监测影像进行分类，然后利用聚类处理对分类结果进行分类后处理，得到监测影像漂浮物识别的结果；
精度评价模块，用于对监测影像漂浮物的识别结果进行精度评价；
自动识别模块，用于将特征数值知识库输入到支持向量机中进行训练，并利用训练好的支持向量机模型对漂浮物监测图像中漂浮物信息进行自动化识别。
进一步的，还包括知识库更新模块，用于将自动识别模块的识别结果重新整合到不同种类漂浮物所代表的不同地物在不同波段的特征数值知识库中，实现特征数值知识库的更新和完善。
进一步的，漂浮物初步识别模块中采用决策树的分类方法对漂浮物监测影像进行分类的实现方式为，首先利用BAND1值对地物进行第一次分类决策，其中BAND1>170的漂浮物，归类为泡沫；BAND1<170的，进行第2次分类决策，其中BAND>120的漂浮物归类为藻类；BAND1<120的，进行第3次分类决策，其中BAND1<50的漂浮物可直接归类为油污；50<BAND1<120且BAND3<40的漂浮物归类为植物，其余的则归类为秸秆枯枝。
进一步的，漂浮物初步识别模块中运用数学形态学算子腐蚀和膨胀的聚类处理对分类结果进行分类后处理。
本发明与现有方法相比，具有以下优点和效果：
(1)通过对区域漂浮物影像的调查，确定主要漂浮物种类划分方案，利用影像解译，提取不同地物类型漂浮物的波段特征值，建立了漂浮物特征知识库。本方法相比于现有漂浮物的相关技术，具有明显的创新性，技术可行，操作便捷。
(2)利用机器学习的原理，通过对影像解译软件的外部二次开发，实现漂浮物监测影像的自动识别、波段特征值的自动比对，迅速判定漂浮物相关信息。通过该方法的处理，避免了人工重复漂浮物监测影像解译以及特征值判断操作，实现了漂浮物的自动识别。该方法相比与现有漂浮物相关技术，具有明显的创新性，操作可行高，极大程度上节省人力物力。
(3)在已有的水情监控设备的河流、水库和海岸地区，本方法可以充分利用现有设备，通过监测数据对接，获取漂浮物实时监控影像资料，避免大量新增漂浮物监测设备，节省建设成本。
(4)基于人工智能的水体漂浮物自动识别方法，能够通过漂浮物监测影像资料，建立区域内漂浮物特征知识库，同时快速批量自动识别，基于漂浮物识别技术提供的实时信息，在合适的位置和时间开展清漂工作，有助于快速有效的清理流域漂浮物、降低排漂清漂的费用，节省人力物力。
附图说明
图1为本发明实施例流程图；
图2为本发明实施例中目视挑选同类型漂浮物地物样本点，其中方框内为挑选的样本点；
图3为本发明实施例中决策树分类流程图；
图4为本发明实施例中分类处理后的漂浮物影像，图中不同的颜色即代表不同类型漂浮物；
图5为本发明实施例中对分类影像进行分类后处理(聚类处理)后的识别结果。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步说明。
如图1所示，本发明提实施例的流程包括如下步骤(具体实施时，以下流程可采用计算机软件技术实现自动运行流程)：
步骤一，漂浮物特征知识库构建：漂浮物特征知识库构建，是构建不同种类漂浮物所代表的不同地物在不同波段的特征数值知识库。根据区域漂浮物调查资料和监测影像，确定主要漂浮物地物类型分类方案，利用专业影像解译软件，根据不同种类漂浮物的颜色和形状特征，目视判读地物种类，对同一类型的漂浮物，选取足够数量的样本点，统计特定种类漂浮物在不同波段的特征值，对不同种类的漂浮物所代表的不同地物在不同波段的数值进行整合，构建漂浮物特征知识库。具体包括如下步骤：
步骤1.1，目视判读漂浮物种类：根据区域漂浮物调查资料和监测影像，确定主要漂浮物地物类型分类方案。利用影像解译软件(ENVI、ERDAS等)，使用漂浮物监测影像图片，选择R、G、B对应的波段组合(R-Band1，G-Band2，B-Band3)，合成RGB影像图，根据不同种类漂浮物颜色类型目视判读藻类、秸秆树枝、船舶油污、绿色植物、泡沫等五类漂浮物地物(以三峡库区为例选取五类主要漂浮物)。一般情况下，藻类为绿色，在水体表面呈薄片或带状分布；秸秆树枝多为褐色或暗黄色，在河道中有零散漂浮和堆积漂浮两类；船舶油污类型的漂浮物在水面上多为黑褐色，呈现带状或区域片状分布；绿色植物类型的漂浮物在水面上的分布形式与秸秆树枝类似，有零散分布也有聚集成片，多为绿色；泡沫塑料类的漂浮物多为白色或者其他明显的鲜艳色彩，容易区分。
步骤1.2，提取不同地物不同波段特征值：通过RGB影像图，可以判断出当前监测影像中占优势的主要漂浮物类型，针对当前影像，选择图中的占比例最大漂浮物来提取样本点。样本点可分布在监测影像中一种漂浮物的不同区域，使选取的样本点具有足够的代表性。如附图1所示，待采集足够样本点后(一般同种类型地物可在监测影像中选取3-5个小区域集中采集样本点，每个小区域需采集5个以上样本点)，将光谱剖面数据保存为文本文件，即得到某一地物样本点在不同波段的数据文件。
步骤1.3，统计样本点信息并建立漂浮物特征知识库：将步骤1.2中所选取的各类型漂浮物样本点在不同波段下的特征值汇总统计，以不同地物在不同波段(Band1、Band2、Band3)的最小值、最大值和平均值等信息建立漂浮物特征知识库，如下表1所示。
表1三峡库区某子流域漂浮物特征知识库
步骤二：漂浮物影像识别以及分类后特征知识库检验：漂浮物影像识别，是利用步骤一中通过采集样本点初步得到的漂浮物特征知识库中不同漂浮物地物在不同波段的特征值，作为分类的依据，采用决策树的分类方法对漂浮物影像进行分类，然后利用聚类处理对分类结果进行分类后处理，得到漂浮物监测影像识别的结果。对漂浮物监测影像的识别结果进行精度评价，若精度达到用户要求，则表明特征知识库初步构建合理可行；若分类精度不满足用户需求，则表明步骤一种样本点的选取存在误差，需要重新选择样本点，统计各类地物在不同波段上的特征值，进而构建新的特征知识库，以此作为新的输入条件对监测影像进行分类。
步骤2.1：漂浮物影像识别：利用步骤一中所构建的漂浮物特征知识库，分析典型地物波谱特征曲线：得到各类地物的波段特性，找出区分的方法。具体选择其中BAND1和BAND3下各类漂浮物的DN值的平均值，构建决策树中分类方法中的决策模式。决策树分类流程如图3所示，首先利用BAND1值对地物进行第一次分类决策，其中BAND1>170的漂浮物，归类为泡沫；BAND1<170的，进行第2次分类决策，其中BAND>120的漂浮物归类为藻类；BAND1<120的，进行第3次分类决策，其中BAND1<50的漂浮物可直接归类为油污，而50<BAND1<120的漂浮物，仅依靠BAND1很难区分，这时引入BAND3进行辅助区分，其中BAND3<40的漂浮物归类为植物，其余的则归类为秸秆枯枝。以此为依据对漂浮物影像进行识别，分类识别结果如图4所示。得到识别结果后，对分类图像进行聚类处理(运用数学形态学算子(腐蚀和膨胀)，将临近的类似分类区域聚类并进行合并)，可以将分类影像中较小的单个像元自动归类为周边区域的同类像元，增强漂浮物分类在图像的空间连续性，确保分类结果符合实际，分类后处理结果如图5所示，对比图4和图5可见，经过分类后处理后，零散分布在成片地物类别中的异类像元大幅度减小，不同地物类型分区边界更加清晰，分类效果显著提高。
步骤2.2：分类精度评价：对步骤2.1中利用决策树分类的图像进行人工解译，并对比实际检测影像，以确保人工解译结果的准确性。利用人工解译的结果通步骤2.1中的影响识别结果对比，利用混淆矩阵的方法，比较决策树分类方法的识别结果和人工解译的地表真实信息，将分类结果的精度显示在一个混淆矩阵里面，得到各类漂浮物的分类精度。根据实际工程管理需求，设定精度阈值，(例如单项漂浮物分类精度要求≥70％)，超过此精度则代表分类结果可靠，特征知识库构建合理；若评价分类结果低于此精度，则需重选步骤1.2中的样本点，重新构建特征知识库。
步骤三，漂浮物自动识别：漂浮物自动识别，是机器通过对漂浮物特征知识库学习得到的知识，对漂浮物监测图像中漂浮物信息进行自动化识别。将漂浮物地物特征知识库作为机器学习系统的输入，作为训练样本，通过机器对样本的学习归纳推导而得出知识，机器学习对象为各类漂浮物在不同波段的特征值(即不同漂浮物地物在不同波段下的DN值)，学习目标即做到能够自主识别影像图片中漂浮物的类型、特征值、面积等信息。
步骤3.1，漂浮物监测影像传递：将储存在计算机特定目录文件下的漂浮物影像按一定规则(如拍摄时间先后、拍摄区域序号或拍摄机器编号)抓取，并且传递到图像解译软件。
步骤3.2，影像自动解译：利用ENVI软件的开发语言IDL(Interactive DataLanguage)进行简单二次开发，调用IDL的字保留Canny函数来进行边缘检测，采用霍夫(Hough)变换直线检测，将抓取的影像按照训练样区的漂浮物地物分类方式，重复建立漂浮物特征知识库时的影像解译步骤(步骤1.2和1.3)，对其进行地物特征波段值分析，同时得到各类地物所占比例等信息。
步骤3.3，特征值比对：将漂浮物监测影像解译过后得到的不同波段的特征值，与已建立的漂浮物特征知识库中各类特征值进行比对，利用支持向量机(SVM)模式，通过编写程序实现智能寻找该特征值在漂浮物特征知识库中属于哪一特定地物类型的漂浮物。
步骤四，漂浮物特征知识库智能完善：通过依据已有漂浮物特征知识库对漂浮物监测影像进行自动识别后，能获取新的漂浮物波段特征值结果，将这些新的波段特征值信息重新整合到漂浮物特征知识库，使知识库自我完善。
本发明实施例还提供一种基于人工智能的水体漂浮物自动识别系统，包括如下模块：
特征数值知识库构建模块，用于构建不同种类漂浮物所代表的不同地物在不同波段的特征数值知识库，包括如下子模块；
第一子模块，用于根据区域漂浮物调查资料和监测影像，结合不同种类漂浮物的颜色和形状特征目视判读漂浮物地物类型；
第二子模块，用于合成漂浮物监测影像图片的RGB影像图，并判断出当前监测影像中占优势的主要漂浮物类型，针对当前RGB影像图，选择图中的占比例最大漂浮物，并提取样本点；
第三子模块，用于将样本点提取子模块中所选取的各类型漂浮物样本点在不同波段下的特征值汇总统计，以不同地物在不同波段(Band1、Band2、Band3)的最小值、最大值、平均值信息建立漂浮物特征数值知识库；
漂浮物初步识别模块，用于以第一子模块中构建的特征数值知识库作为分类的依据，采用决策树的分类方法对漂浮物监测影像进行分类，然后利用聚类处理对分类结果进行分类后处理，得到监测影像漂浮物识别的结果；
其中，漂浮物初步识别模块中采用决策树的分类方法对漂浮物监测影像进行分类的实现方式为，首先利用BAND1值对地物进行第一次分类决策，其中BAND1>170的漂浮物，归类为泡沫；BAND1<170的，进行第2次分类决策，其中BAND>120的漂浮物归类为藻类；BAND1<120的，进行第3次分类决策，其中BAND1<50的漂浮物可直接归类为油污；50<BAND1<120且BAND3<40的漂浮物归类为植物，其余的则归类为秸秆枯枝。
其中，漂浮物初步识别模块中运用数学形态学算子腐蚀和膨胀的聚类处理对分类结果进行分类后处理。
精度评价模块，用于对监测影像漂浮物的识别结果进行精度评价；
自动识别模块，用于将特征数值知识库输入到支持向量机中进行训练，并利用训练好的支持向量机模型对漂浮物监测图像中漂浮物信息进行自动化识别。
知识库更新模块，用于将自动识别模块的识别结果重新整合到不同种类漂浮物所代表的不同地物在不同波段的特征数值知识库中，实现特征数值知识库的更新和完善。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (8)

1.一种基于人工智能的水体漂浮物自动识别方法，其特征在于，包括如下步骤：
步骤1，构建不同种类漂浮物所代表的不同地物在不同波段的特征数值知识库，包括如下子步骤；
步骤1.1，根据区域漂浮物调查资料和监测影像，结合不同种类漂浮物的颜色和形状特征目视判读漂浮物地物类型；
步骤1.2，合成漂浮物监测影像图片的RGB影像图，并判断出当前监测影像中占优势的主要漂浮物类型，针对当前RGB影像图，选择图中的占比例最大漂浮物，并提取样本点；
步骤1.3，将步骤1.2中所选取的各类型漂浮物样本点在不同波段下的特征值汇总统计，以不同地物在不同波段(Band1、Band2、Band3)的最小值、最大值、平均值信息建立漂浮物特征数值知识库；
步骤2，以步骤1中构建的特征数值知识库作为分类的依据，采用决策树的分类方法对漂浮物监测影像进行分类，然后利用聚类处理对分类结果进行分类后处理，得到监测影像漂浮物识别的结果；
步骤3，对监测影像漂浮物的识别结果进行精度评价，当精度达到用户要求时，直接进入步骤4的处理；当分类精度不满足用户需求时，返回到步骤1的处理，即重新选择样本点，统计各类地物在不同波段上的特征值，进而构建新的特征数值知识库，以此作为新的输入条件对监测影像进行分类；
步骤4，将特征数值知识库输入到支持向量机中进行训练，并利用训练好的支持向量机模型对漂浮物监测图像中漂浮物信息进行自动化识别。
2.如权利要求1所述的一种基于人工智能的水体漂浮物自动识别方法，其特征在于：还包括步骤5，将步骤4的识别结果重新整合到不同种类漂浮物所代表的不同地物在不同波段的特征数值知识库中，实现特征数值知识库的更新和完善。
3.如权利要求2所述的一种基于人工智能的水体漂浮物自动识别方法，其特征在于：步骤2中采用决策树的分类方法对漂浮物监测影像进行分类的实现方式为，首先利用BAND1值对地物进行第一次分类决策，其中BAND1>170的漂浮物，归类为泡沫；BAND1<170的，进行第2次分类决策，其中BAND>120的漂浮物归类为藻类；BAND1<120的，进行第3次分类决策，其中BAND1<50的漂浮物可直接归类为油污；50<BAND1<120且BAND3<40的漂浮物归类为植物，其余的则归类为秸秆枯枝。
4.如权利要求3所述的一种基于人工智能的水体漂浮物自动识别方法，其特征在于：步骤2中运用数学形态学算子腐蚀和膨胀的聚类处理对分类结果进行分类后处理。
5.一种基于人工智能的水体漂浮物自动识别系统，其特征在于，包括如下模块：
特征数值知识库构建模块，用于构建不同种类漂浮物所代表的不同地物在不同波段的特征数值知识库，包括如下子模块；
第一子模块，用于根据区域漂浮物调查资料和监测影像，结合不同种类漂浮物的颜色和形状特征目视判读漂浮物地物类型；
第二子模块，用于合成漂浮物监测影像图片的RGB影像图，并判断出当前监测影像中占优势的主要漂浮物类型，针对当前RGB影像图，选择图中的占比例最大漂浮物，并提取样本点；
第三子模块，用于将样本点提取子模块中所选取的各类型漂浮物样本点在不同波段下的特征值汇总统计，以不同地物在不同波段(Band1、Band2、Band3)的最小值、最大值、平均值信息建立漂浮物特征数值知识库；
漂浮物初步识别模块，用于以第一子模块中构建的特征数值知识库作为分类的依据，采用决策树的分类方法对漂浮物监测影像进行分类，然后利用聚类处理对分类结果进行分类后处理，得到监测影像漂浮物识别的结果；
精度评价模块，用于对监测影像漂浮物的识别结果进行精度评价；
自动识别模块，用于将特征数值知识库输入到支持向量机中进行训练，并利用训练好的支持向量机模型对漂浮物监测图像中漂浮物信息进行自动化识别。
6.如权利要求5所述的一种基于人工智能的水体漂浮物自动识别系统，其特征在于：还包括知识库更新模块，用于将自动识别模块的识别结果重新整合到不同种类漂浮物所代表的不同地物在不同波段的特征数值知识库中，实现特征数值知识库的更新和完善。
7.如权利要求6所述的一种基于人工智能的水体漂浮物自动识别系统，其特征在于：漂浮物初步识别模块中采用决策树的分类方法对漂浮物监测影像进行分类的实现方式为，首先利用BAND1值对地物进行第一次分类决策，其中BAND1>170的漂浮物，归类为泡沫；BAND1<170的，进行第2次分类决策，其中BAND>120的漂浮物归类为藻类；BAND1<120的，进行第3次分类决策，其中BAND1<50的漂浮物可直接归类为油污；50<BAND1<120且BAND3<40的漂浮物归类为植物，其余的则归类为秸秆枯枝。
8.如权利要求7所述的一种基于人工智能的水体漂浮物自动识别系统，其特征在于：漂浮物初步识别模块中运用数学形态学算子腐蚀和膨胀的聚类处理对分类结果进行分类后处理。
CN201810159957.9A 2018-02-26 2018-02-26 一种基于人工智能的水体漂浮物自动识别方法和系统 Active CN108388916B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810159957.9A CN108388916B (zh) 2018-02-26 2018-02-26 一种基于人工智能的水体漂浮物自动识别方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810159957.9A CN108388916B (zh) 2018-02-26 2018-02-26 一种基于人工智能的水体漂浮物自动识别方法和系统

Publications (2)

Publication Number Publication Date
CN108388916A true CN108388916A (zh) 2018-08-10
CN108388916B CN108388916B (zh) 2020-09-08

Family

ID=63069269

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810159957.9A Active CN108388916B (zh) 2018-02-26 2018-02-26 一种基于人工智能的水体漂浮物自动识别方法和系统

Country Status (1)

Country Link
CN (1) CN108388916B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109242861A (zh) * 2018-08-23 2019-01-18 成都信息工程大学 一种基于图像处理的水质监控方法
CN110793566A (zh) * 2019-10-18 2020-02-14 南京中科智慧生态科技有限公司 一种水体漂浮物智能视觉检测方法
CN112784729A (zh) * 2021-01-19 2021-05-11 澜途集思生态科技集团有限公司 一种水体漂浮物自动识别方法
CN113033313A (zh) * 2021-02-26 2021-06-25 澜途集思生态科技集团有限公司 基于深度学习的水质污染判断方法
CN113239863A (zh) * 2021-05-31 2021-08-10 中冶京诚工程技术有限公司 河道监测方法及装置
CN113240026A (zh) * 2021-05-24 2021-08-10 中国科学院重庆绿色智能技术研究院 一种矢栅结合的内陆水面漂浮物批量识别提取方法
CN116503767A (zh) * 2023-06-02 2023-07-28 合肥众安睿博智能科技有限公司 基于语义式图像处理的河道漂浮物识别系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102542291A (zh) * 2011-12-23 2012-07-04 国网电力科学研究院 基于二叉决策树的高光谱遥感影像分类方法
US8306942B2 (en) * 2008-05-06 2012-11-06 Lawrence Livermore National Security, Llc Discriminant forest classification method and system
CN103646246A (zh) * 2013-12-19 2014-03-19 交通运输部天津水运工程科学研究所 一种基于决策树模型的多光谱遥感影像河流信息提取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8306942B2 (en) * 2008-05-06 2012-11-06 Lawrence Livermore National Security, Llc Discriminant forest classification method and system
CN102542291A (zh) * 2011-12-23 2012-07-04 国网电力科学研究院 基于二叉决策树的高光谱遥感影像分类方法
CN103646246A (zh) * 2013-12-19 2014-03-19 交通运输部天津水运工程科学研究所 一种基于决策树模型的多光谱遥感影像河流信息提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
秦凯等: "典型目标识别知识库系统研究", 《铀矿地质》 *
葛春青等: "基于决策树规则的面向对象遥感影像分类", 《遥感信息》 *
高伟: "基于特征知识库的遥感信息提取技术研究", 《中国博士学位论文全文数据库 基础科学辑》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109242861A (zh) * 2018-08-23 2019-01-18 成都信息工程大学 一种基于图像处理的水质监控方法
CN110793566A (zh) * 2019-10-18 2020-02-14 南京中科智慧生态科技有限公司 一种水体漂浮物智能视觉检测方法
CN110793566B (zh) * 2019-10-18 2022-01-28 南京中科智慧生态科技有限公司 一种水体漂浮物智能视觉检测方法
CN112784729A (zh) * 2021-01-19 2021-05-11 澜途集思生态科技集团有限公司 一种水体漂浮物自动识别方法
CN113033313A (zh) * 2021-02-26 2021-06-25 澜途集思生态科技集团有限公司 基于深度学习的水质污染判断方法
CN113240026A (zh) * 2021-05-24 2021-08-10 中国科学院重庆绿色智能技术研究院 一种矢栅结合的内陆水面漂浮物批量识别提取方法
CN113240026B (zh) * 2021-05-24 2022-03-25 中国科学院重庆绿色智能技术研究院 一种矢栅结合的内陆水面漂浮物批量识别提取方法
CN113239863A (zh) * 2021-05-31 2021-08-10 中冶京诚工程技术有限公司 河道监测方法及装置
CN113239863B (zh) * 2021-05-31 2024-05-14 中冶京诚工程技术有限公司 河道监测方法及装置
CN116503767A (zh) * 2023-06-02 2023-07-28 合肥众安睿博智能科技有限公司 基于语义式图像处理的河道漂浮物识别系统
CN116503767B (zh) * 2023-06-02 2023-09-22 合肥众安睿博智能科技有限公司 基于语义式图像处理的河道漂浮物识别系统

Also Published As

Publication number Publication date
CN108388916B (zh) 2020-09-08

Similar Documents

Publication Publication Date Title
CN108388916A (zh) 一种基于人工智能的水体漂浮物自动识别方法和系统
Yang et al. UAV remote sensing applications in marine monitoring: Knowledge visualization and review
Miller et al. Recommended best practices for collecting, analyzing, and reporting microplastics in environmental media: Lessons learned from comprehensive monitoring of San Francisco Bay
CN107622231B (zh) 一种水天一体智能漂浮物收集系统及其收集方法
CN106816038A (zh) 一种内河水域异常行为船舶自动识别系统及方法
CN110348304A (zh) 一种可搭载于无人机的海事遇险人员搜索系统以及目标识别方法
Chaturvedi et al. Mathematical modelling and analysis of plastic waste pollution and its impact on the ocean surface
CN114049477A (zh) 一种过鱼鱼道系统、鱼类数量和种类的动态识别跟踪方法
CN108121991A (zh) 一种基于边缘候选区域提取的深度学习舰船目标检测方法
CN107491752A (zh) 一种基于深度学习的自然场景中船牌文字识别方法、装置
KR102324684B1 (ko) 무인관측 기반 해양쓰레기 모니터링 시스템 및 이를 이용한 해양쓰레기 모니터링 방법
CN109919177A (zh) 基于层次化深度网络的特征选择方法
Chapple et al. Vegetation development in a tidal marsh restoration project during a historic drought: a remote sensing approach
Wall et al. Satellite remote sensing of surface oceanic fronts in coastal waters off west–central Florida
Pérez et al. On the calculation of wave climate for offshore cage culture site selection: a case study in Tenerife (Canary Islands)
CN108376460A (zh) 基于无人机和bp神经网络的海上油污监测系统及方法
CN111898677A (zh) 一种基于深度学习的浮游生物自动检测方法
CN108446721A (zh) 一种基于多分支网络的水面环境解析方法
CN101299238B (zh) 一种基于协同训练的快速指纹图像分割方法
KR102321130B1 (ko) 이미지 분석 기반 해양쓰레기 모니터링 시스템 및 이를 이용한 해양쓰레기 모니터링 방법
Bernadet et al. Invertebrate distribution patterns and river typology for the implementation of the water framework directive in Martinique, French Lesser Antilles
Esdar Spatial variation in benthic macroinvertebrate community structures in tributaries of Verdal river: effects of biotic and abiotic environmental factors and restoration measures
Karnauskas et al. Physical forces influence the trophic structure of reef fish communities on a remote atoll
CN107180432A (zh) 一种导航的方法和设备
Huang et al. Evaluation of deep learning benchmarks in retrieving outfalls into rivers with UAS images

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
GR01 Patent grant
GR01 Patent grant