CN109034105B - 基于无人机的金枪鱼渔场位置预测方法 - Google Patents
基于无人机的金枪鱼渔场位置预测方法 Download PDFInfo
- Publication number
- CN109034105B CN109034105B CN201810926804.2A CN201810926804A CN109034105B CN 109034105 B CN109034105 B CN 109034105B CN 201810926804 A CN201810926804 A CN 201810926804A CN 109034105 B CN109034105 B CN 109034105B
- Authority
- CN
- China
- Prior art keywords
- data
- aerial vehicle
- unmanned aerial
- tuna
- water surface
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Abstract
本发明提供一种基于无人机的金枪鱼渔场位置预测方法,包括步骤:S1:在无人机上设置双光吊舱、高光谱相机和数据传输设备;S2:获取目标金枪鱼渔场水域的水面特征数据,建立水面特征与鱼群特征关系数据库;S3:通过无人机实时采集目标金枪鱼渔场水域的水域特征数据;S4:利用实测水面特征数据检验和修正水面特征与鱼群特征关系数据库;S5:建立神经网络模型;S6:利用神经网络模型获得预测渔场位置;S7:验证预测渔场位置,如通过验证,将预测渔场位置加入至渔场位置数据库;S8:返回步骤S2。本发明的一种基于无人机的金枪鱼渔场位置预测方法,可以广泛应用于金枪鱼渔场识别,具有准确、高效和机动灵活的优点。
Description
技术领域
本发明涉及渔场位置预测领域,尤其涉及一种基于无人机的金枪鱼渔场位置预测方法。
背景技术
1956年,人工智能这一概念被首次提出,60多年来的不断发展,使人工智能的应用领域日益广泛。近年来,人工智能已成为全球新一轮科技革命和产业变革的着力点,也引起越来越多人的关注,但其在渔业上的应用并不深入。
同时受到关注的还包括能够带来极高经济效益的金枪鱼围网渔业,金枪鱼围网渔业是现代金枪鱼渔业中捕捞效率最高的捕捞方法,围网渔业产量占整个金枪鱼渔业总产量的60~70%。目前,各国金枪鱼围网渔业竞争激烈,提高金枪鱼围网作业效率势在必行。探鱼是金枪鱼围网作业中最重要的步骤,当前主要的几种探鱼手段往往技术难度大,且对操作人员素质要求高,无法做到准确、高效的识别金枪鱼渔场。缺乏经验的探鱼人员不能迅速作出判断,往往错过最佳围捕时机,甚至作出错误判断,造成不必要的燃油、时间、人工费用的浪费。
因此,研究人工智能在金枪鱼渔场识别方面的应用,寻找一种更准确、高效的金枪鱼渔场识别方法,成为亟待解决的问题。
发明内容
针对上述现有技术中的不足,本发明提供一种基于无人机的金枪鱼渔场位置预测方法,可以广泛应用于金枪鱼渔场识别,具有准确、高效和机动灵活的优点。
为了实现上述目的,本发明提供一种基于无人机的金枪鱼渔场位置预测方法,包括步骤:
S1:在一无人机上设置一双光吊舱、一高光谱相机和一数据传输设备,所述双光吊舱和所述高光谱相机连接所述数据传输设备,所述数据传输设备与一数据处理终端通信连接;
S2:获取一目标金枪鱼渔场水域的水面特征数据,所述数据处理终端对所述水面特征数据进行归一化处理,建立一水面特征与鱼群特征关系数据库;
通过调研金枪鱼捕捞公司或金枪鱼养殖企业,自金枪鱼捕捞公司或金枪鱼养殖企业获得金枪鱼渔场的近水面鱼群影像及特征信息,进行数据的归一化与一致性处理,然后建立海面图像与金枪鱼渔场之间的关系,建立水面特征与鱼群特征关系数据库;
S3:通过所述无人机实时采集所述目标金枪鱼渔场水域的水域特征数据并发送给所述数据处理终端;所述水域特征数据包括实测水面特征数据和传感器数据,所述传感器数据由所述高光谱相机采集获得;
S4:对所述水域特征数据进行归一化处理,利用所述实测水面特征数据检验和修正所述水面特征与鱼群特征关系数据库;利用所述传感器数据建立一传感器数据、水面特征与渔场位置关系数据库;
S5:根据修正后的所述水面特征与鱼群特征关系数据库和所述传感器数据、水面特征与渔场位置关系数据库建立一神经网络模型;
S6:利用所述神经网络模型获得至少一预测渔场位置,建立一渔场位置数据库;
S7:验证所述预测渔场位置,如通过验证,将所述预测渔场位置加入至所述渔场位置数据库;
S8:返回步骤S2;
所述S5进一步包括步骤:
S61:利用所述水面特征数据获得一训练样本集;
S62:通过所述训练样本集训练所述神经网络模型;
S63:选择一神经网络学习方法;
S64:利用所述水面特征数据获得一测试样本集;
S65:将所述测试样本集输入当前所述神经网络模型;
S66:判断当前神经网络模型是否学习成功,如未成功返回步骤S63,如成功继续后续步骤;
S67:将一验证样本输入当前所述神经网络模型,如通过验证继续后续步骤;
所述S6进一步包括步骤:
S68:利用所述无人机收集当前水域的所述水域特征数据,处理所述水域特征数据获得一待预测样本集;
S69:将所述待预测样本集输入当前所述神经网络模型,获得所述预测渔场位置。
优选地,所述S67进一步包括步骤:
S671:将验证样本输入当前所述神经网络模型,获得一验证渔场位置;
S672:控制所述无人机的所述双光吊舱采集所述验证渔场位置的影像数据;
S673:所述数据处理终端对所述影像数据进行图像识别,如识别出所述影像数据内包括鱼群则通过验证。
优选地,所述水面特征数据包括:鱼群影像数据、波浪影像数据、海鸟分布影像数据和鱼群猎食者影像数据。
优选地,所述传感器数据包括温度遥感数据、盐度遥感数据、水色、叶绿素遥感数据和深度遥感数据。
优选地,所述鱼群特征包括鱼群大小、鱼群密度和尺度。
优选地,所述无人机采用油动混合多旋翼无人机,所述无人机的续航时间大于2小时,最大飞行高度大于等于2000m,巡航半径大于等于40km;所述数据传输设备对1080P格式的图像数据实时传输距离大于40km;所述无人机的抗风等级大于5级,最大巡航速度大于等于40km/h;所述无人机的有效载荷大于等于10kg。
优选地,所述双光吊舱包括一可见光成像装置和一红外成像装置;所述双光吊舱支持30倍变焦并具有鱼群自动识别和锁定功能,并可控制所述无人机的飞控系统使得所述无人机平稳追踪鱼群。
本发明由于采用了以上技术方案,使其具有以下有益效果:
通过无人机与神经网络的结合,可对无人机拍摄的图像,进行快速扫描、几何校正和自动识别,能够根据采集到的传感器信息对可能出现鱼群的渔场进行全自动预测,极大提高了渔场探测效率,有效减少作业天数,从而进一步降低成本。无人机上设置双光吊舱、高光谱相机和数据传输设备,无需运载过多设备、整体重量轻,续航巡检的时间较长,有效降低了机载设备丢失或损坏的风险,探鱼成本低,有更广泛的应用前景。
附图说明
图1为本发明实施例的基于无人机的金枪鱼渔场位置预测方法的流程图;
图2为本发明实施例的利用神经网络模型获得预测渔场位置的原理图。
具体实施方式
下面根据附图1~图2,给出本发明的较佳实施例,并予以详细描述,使能更好地理解本发明的功能、特点。
请参阅图1和图2,本发明实施例的本发明提供一种基于无人机的金枪鱼渔场位置预测方法,包括步骤:
S1:在一无人机上设置一双光吊舱、一高光谱相机和一数据传输设备,双光吊舱和高光谱相机连接数据传输设备,数据传输设备与一数据处理终端通信连接。
本实施例中,无人机采用油动混合多旋翼无人机,无人机的续航时间大于2小时,最大飞行高度大于等于2000m,巡航半径大于等于40km;数据传输设备对1080P格式的图像数据实时传输距离大于40km;无人机的抗风等级大于5级,最大巡航速度大于等于40km/h;无人机的有效载荷大于等于10kg。双光吊舱包括一可见光成像装置和一红外成像装置;双光吊舱支持30倍变焦并具有鱼群自动识别和锁定功能,并可控制无人机的飞控系统使得无人机平稳追踪鱼群。在其他实施例中,无人机和双光吊舱的种类和结构不做限制。
S2:获取一目标金枪鱼渔场水域的水面特征数据,数据处理终端对水面特征数据进行归一化处理,建立一水面特征与鱼群特征关系数据库;
本实施例中,水面特征数据包括:鱼群影像数据、波浪影像数据、海鸟分布影像数据和鱼群猎食者影像数据。鱼群特征包括鱼群大小、鱼群密度和尺度。
例如:可通过调研金枪鱼捕捞公司或金枪鱼养殖企业,自金枪鱼捕捞公司或金枪鱼养殖企业获得金枪鱼渔场的近水面鱼群影像及特征信息,进行数据的归一化与一致性处理,然后建立海面图像与金枪鱼渔场之间的关系,建立水面特征与鱼群特征关系数据库。
S3:通过无人机实时采集目标金枪鱼渔场水域的水域特征数据并发送给数据处理终端;水域特征数据包括实测水面特征数据和传感器数据;传感器数据包括温度遥感数据、水色、盐度遥感数据、叶绿素遥感数据和深度遥感数据。
S4:对水域特征数据进行归一化处理,利用实测水面特征数据检验和修正水面特征与鱼群特征关系数据库;利用传感器数据建立一传感器数据、水面特征与渔场位置关系数据库。
在S3和S4步骤中,根据水面特征与鱼群特征关系数据库,利用无人机在其对应的渔场实地测试,无人机搭载的双光吊舱可进行实时高清图像拍摄,进一步得到图像数据,然后无人机将高清图片实时传输到地面站的数据处理终端,利用图像识别技术提取所需数据,并与水面特征与鱼群特征关系数据库内的先前数据进行对比,并进行检验、修正。
另外,在无人机上搭载高光谱相机测量温盐深、水色及叶绿素等,在实际应用中进行渔场监测收集信息,建立传感器数据、水面特征与渔场位置关系数据库。
S5:根据修正后的水面特征与鱼群特征关系数据库和传感器数据、水面特征与渔场位置关系数据库建立一神经网络模型。
S6:利用神经网络模型获得至少一预测渔场位置,建立一渔场位置数据库。
其中,S5进一步包括步骤:
S61:利用水面特征数据获得一训练样本集;
S62:通过训练样本集训练神经网络模型;
S63:选择一神经网络学习方法;
S64:利用水面特征数据获得一测试样本集;
S65:将测试样本集输入当前神经网络模型;
S66:判断当前神经网络模型是否学习成功,如未成功返回步骤S63,如成功继续后续步骤;
S67:将一验证样本输入当前神经网络模型,如通过验证继续后续步骤;
其中,S67进一步包括步骤:
S671:将验证样本输入当前神经网络模型,获得一验证渔场位置;
S672:控制无人机的双光吊舱采集验证渔场位置的影像数据;
S673:数据处理终端对影像数据进行图像识别,如识别出影像数据内包括鱼群则通过验证。
S6进一步包括步骤
S68:利用无人机收集当前水域的水域特征数据,处理水域特征数据获得一待预测样本集;
S69:将待预测样本集输入当前神经网络模型,获得预测渔场位置。
S7:验证预测渔场位置,如通过验证,将预测渔场位置加入至渔场位置数据库;
S8:返回步骤S2。
本发明实施例的本发明提供一种基于无人机的金枪鱼渔场位置预测方法,通过大数据融合人工智能技术可实现金枪鱼渔场的渔场;建立金枪鱼渔场数据库,通过神经网络图像、数据检索控制的方法进行大量的无人机自主学习,在实际中进行海上实验。然后对借助金枪鱼渔场数据库所预测的渔场进行探寻验证,所得数据进一步更新数据库。最终得到准确的金枪鱼渔场数据库,实现金枪鱼渔场的自动、准确的寻找、识别和预测。
以上结合附图实施例对本发明进行了详细说明,本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而,实施例中的某些细节不应构成对本发明的限定,本发明将以所附权利要求书界定的范围作为本发明的保护范围。
Claims (7)
1.一种基于无人机的金枪鱼渔场位置预测方法,包括步骤:
S1:在一无人机上设置一双光吊舱、一高光谱相机和一数据传输设备,所述双光吊舱和所述高光谱相机连接所述数据传输设备,所述数据传输设备与一数据处理终端通信连接;
S2:获取一目标金枪鱼渔场水域的水面特征数据,所述数据处理终端对所述水面特征数据进行归一化处理,建立一水面特征与鱼群特征关系数据库;
通过调研金枪鱼捕捞公司或金枪鱼养殖企业,自金枪鱼捕捞公司或金枪鱼养殖企业获得金枪鱼渔场的近水面鱼群影像及特征信息,进行数据的归一化与一致性处理,然后建立海面图像与金枪鱼渔场之间的关系,建立水面特征与鱼群特征关系数据库;
S3:通过所述无人机实时采集所述目标金枪鱼渔场水域的水域特征数据并发送给所述数据处理终端;所述水域特征数据包括实测水面特征数据和传感器数据,所述传感器数据由所述高光谱相机采集获得;
S4:对所述水域特征数据进行归一化处理,利用所述实测水面特征数据检验和修正所述水面特征与鱼群特征关系数据库;利用所述传感器数据建立一传感器数据、水面特征与渔场位置关系数据库;
S5:根据修正后的所述水面特征与鱼群特征关系数据库和所述传感器数据、水面特征与渔场位置关系数据库建立一神经网络模型;
S6:利用所述神经网络模型获得至少一预测渔场位置,建立一渔场位置数据库;
S7:验证所述预测渔场位置,如通过验证,将所述预测渔场位置加入至所述渔场位置数据库;
S8:返回步骤S2;
所述S5进一步包括步骤:
S61:利用所述水面特征数据获得一训练样本集;
S62:通过所述训练样本集训练所述神经网络模型;
S63:选择一神经网络学习方法;
S64:利用所述水面特征数据获得一测试样本集;
S65:将所述测试样本集输入当前所述神经网络模型;
S66:判断当前神经网络模型是否学习成功,如未成功返回步骤S63,如成功继续后续步骤;
S67:将一验证样本输入当前所述神经网络模型,如通过验证继续后续步骤;
所述S6进一步包括步骤:
S68:利用所述无人机收集当前水域的所述水域特征数据,处理所述水域特征数据获得一待预测样本集;
S69:将所述待预测样本集输入当前所述神经网络模型,获得所述预测渔场位置。
2.根据权利要求1所述的基于无人机的金枪鱼渔场位置预测方法,其特征在于,所述S67进一步包括步骤:
S671:将验证样本输入当前所述神经网络模型,获得一验证渔场位置;
S672:控制所述无人机的所述双光吊舱采集所述验证渔场位置的影像数据;
S673:所述数据处理终端对所述影像数据进行图像识别,如识别出所述影像数据内包括鱼群则通过验证。
3.根据权利要求2所述的基于无人机的金枪鱼渔场位置预测方法,其特征在于,所述水面特征数据包括:鱼群影像数据、波浪影像数据、海鸟分布影像数据和鱼群猎食者影像数据。
4.根据权利要求2所述的基于无人机的金枪鱼渔场位置预测方法,其特征在于,所述传感器数据包括温度遥感数据、盐度遥感数据、水色、叶绿素遥感数据和深度遥感数据。
5.根据权利要求2所述的基于无人机的金枪鱼渔场位置预测方法,其特征在于,所述鱼群特征包括鱼群大小、鱼群密度和尺度。
6.根据权利要求2所述的基于无人机的金枪鱼渔场位置预测方法,其特征在于,所述无人机采用油动混合多旋翼无人机,所述无人机的续航时间大于2小时,最大飞行高度大于等于2000m,巡航半径大于等于40km;所述数据传输设备对1080P格式的图像数据实时传输距离大于40km;所述无人机的抗风等级大于5级,最大巡航速度大于等于40km/h;所述无人机的有效载荷大于等于10kg。
7.根据权利要求2所述的基于无人机的金枪鱼渔场位置预测方法,其特征在于,所述双光吊舱包括一可见光成像装置和一红外成像装置;所述双光吊舱支持30倍变焦并具有鱼群自动识别和锁定功能,并可控制所述无人机的飞控系统使得所述无人机平稳追踪鱼群。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810926804.2A CN109034105B (zh) | 2018-08-15 | 2018-08-15 | 基于无人机的金枪鱼渔场位置预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810926804.2A CN109034105B (zh) | 2018-08-15 | 2018-08-15 | 基于无人机的金枪鱼渔场位置预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109034105A CN109034105A (zh) | 2018-12-18 |
CN109034105B true CN109034105B (zh) | 2020-08-04 |
Family
ID=64630393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810926804.2A Active CN109034105B (zh) | 2018-08-15 | 2018-08-15 | 基于无人机的金枪鱼渔场位置预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109034105B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006133304A2 (en) * | 2005-06-08 | 2006-12-14 | Massachusetts Institute Of Technology | Continuous, continental-shelf-scale monitoring of fish populations and behavior |
CN101452077A (zh) * | 2007-12-03 | 2009-06-10 | 中国水产科学研究院东海水产研究所 | 金枪鱼渔场预报方法 |
CN102833680A (zh) * | 2012-09-11 | 2012-12-19 | 中国水产科学研究院东海水产研究所 | 基于位置的海洋渔业信息服务方法 |
CN104217254A (zh) * | 2014-08-29 | 2014-12-17 | 中国水产科学研究院东海水产研究所 | 一种渔场渔情速预报运行系统的构建方法 |
CN105654210A (zh) * | 2016-02-26 | 2016-06-08 | 中国水产科学研究院东海水产研究所 | 一种利用海洋遥感多环境要素的集成学习渔场预报方法 |
CN105787591A (zh) * | 2016-02-26 | 2016-07-20 | 中国水产科学研究院东海水产研究所 | 一种利用多尺度环境特征的渔场预报方法 |
CN106651616A (zh) * | 2016-12-26 | 2017-05-10 | 上海海洋大学 | 一种中西太平洋鲣鱼围网渔业入渔的预测方法 |
CN107944590A (zh) * | 2016-10-13 | 2018-04-20 | 阿里巴巴集团控股有限公司 | 一种渔情分析预报的方法及设备 |
CN108153861A (zh) * | 2017-12-25 | 2018-06-12 | 中国水产科学研究院东海水产研究所 | 基于gis的河口渔业资源集群分布分析方法 |
-
2018
- 2018-08-15 CN CN201810926804.2A patent/CN109034105B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006133304A2 (en) * | 2005-06-08 | 2006-12-14 | Massachusetts Institute Of Technology | Continuous, continental-shelf-scale monitoring of fish populations and behavior |
CN101452077A (zh) * | 2007-12-03 | 2009-06-10 | 中国水产科学研究院东海水产研究所 | 金枪鱼渔场预报方法 |
CN102833680A (zh) * | 2012-09-11 | 2012-12-19 | 中国水产科学研究院东海水产研究所 | 基于位置的海洋渔业信息服务方法 |
CN104217254A (zh) * | 2014-08-29 | 2014-12-17 | 中国水产科学研究院东海水产研究所 | 一种渔场渔情速预报运行系统的构建方法 |
CN105654210A (zh) * | 2016-02-26 | 2016-06-08 | 中国水产科学研究院东海水产研究所 | 一种利用海洋遥感多环境要素的集成学习渔场预报方法 |
CN105787591A (zh) * | 2016-02-26 | 2016-07-20 | 中国水产科学研究院东海水产研究所 | 一种利用多尺度环境特征的渔场预报方法 |
CN107944590A (zh) * | 2016-10-13 | 2018-04-20 | 阿里巴巴集团控股有限公司 | 一种渔情分析预报的方法及设备 |
CN106651616A (zh) * | 2016-12-26 | 2017-05-10 | 上海海洋大学 | 一种中西太平洋鲣鱼围网渔业入渔的预测方法 |
CN108153861A (zh) * | 2017-12-25 | 2018-06-12 | 中国水产科学研究院东海水产研究所 | 基于gis的河口渔业资源集群分布分析方法 |
Non-Patent Citations (5)
Title |
---|
"基于海洋遥感的东、黄海鲐鱼渔场与资源研究";官文江;《中国博士学位论文全文数据库 农业科技辑》;20081115(第(2008)11期);D052-5 * |
"基于神经网络的南太平洋长鳍金枪鱼渔场预报";毛江美;《海洋学报》;20161015;第38卷(第10期);34-43 * |
"基于贝叶斯方法、分位数回归和人工神经网络模型的黄鳍金枪鱼渔情预报模型比较";郑志辉;《中国优秀硕士学位论文全文数据库 农业科技辑》;20180315(第(2018)03期);D052-52 * |
"海洋遥感在渔场分析中的研究进展";胡奎伟 等;《中国水产科学》;20121115;第19卷(第06期);1079-1088 * |
"渔情预报技术及模型研究进展";陈新军;《水产学报》;20130815;第37卷(第8期);1270-1280 * |
Also Published As
Publication number | Publication date |
---|---|
CN109034105A (zh) | 2018-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108037770B (zh) | 基于人工智能的无人机输电线路巡检系统和方法 | |
CN108496129B (zh) | 一种基于飞行器的设施检测方法及控制设备 | |
CN108109437B (zh) | 一种基于地图特征的无人机自主航线提取生成方法 | |
CN109765930A (zh) | 一种无人机视觉导航系统 | |
CN109379564A (zh) | 一种燃气管道无人机巡检装置及巡检方法 | |
CN110910354A (zh) | 道路检测车及道路检测方法、装置 | |
CN112465738A (zh) | 基于红外与可见光图像的光伏电站在线运维方法及系统 | |
CN111144324A (zh) | 一种无人机巡检光伏板异常目标分析管理系统及方法 | |
CN112327906A (zh) | 一种基于无人机的智能自动巡检系统 | |
CN111765974B (zh) | 一种基于微型制冷红外热像仪的野生动物观测系统及方法 | |
CN114373138A (zh) | 一种高速铁路全自动无人机巡检方法及系统 | |
Rong et al. | Pest identification and counting of yellow plate in field based on improved mask r-cnn | |
CN116310891A (zh) | 一种云边协同输电线路缺陷智能检测系统和方法 | |
CN113325872A (zh) | 植物的巡查方法及装置、系统、飞行器 | |
CN112950634A (zh) | 基于无人机巡检的风力机叶片损伤识别方法、设备和系统 | |
CN112229845A (zh) | 基于视觉导航技术的无人机高精度饶塔智能巡检方法 | |
CN109389322A (zh) | 基于目标检测和长短时记忆模型的导地线断散股识别方法 | |
CN113160184A (zh) | 一种基于深度学习的无人机智能巡检电缆表面缺陷检测方法 | |
CN107018361A (zh) | 基于无人机航拍及图像分析识别违禁渔具的方法及系统 | |
CN109034105B (zh) | 基于无人机的金枪鱼渔场位置预测方法 | |
CN117218534A (zh) | 一种农作物叶部病害识别方法 | |
CN111597900A (zh) | 非法遛狗识别方法 | |
CN114064737B (zh) | 一种基于无人机的大型鲸类时空分布调查方法和系统 | |
CN115421503A (zh) | 一种用于桥梁的无人机巡检系统 | |
CN115471764A (zh) | 一种输电通道隐患检测方法、系统、设备及存储介质 |
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 |