CN109101952A - 基于移动互联网的地物识别方法、装置、系统及服务器 - Google Patents
基于移动互联网的地物识别方法、装置、系统及服务器 Download PDFInfo
- Publication number
- CN109101952A CN109101952A CN201811025889.3A CN201811025889A CN109101952A CN 109101952 A CN109101952 A CN 109101952A CN 201811025889 A CN201811025889 A CN 201811025889A CN 109101952 A CN109101952 A CN 109101952A
- Authority
- CN
- China
- Prior art keywords
- location information
- geographical location
- image data
- target area
- picture
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种基于移动互联网的地物识别方法、装置、系统及服务器,其中,所述方法应用于地物识别系统中的服务器,所述地物识别系统还包括:客户端设备,所述方法包括:接收所述客户端设备通过移动互联网发送的多个图像数据;针对每一图像数据,从该图像数据中提取地理位置信息和图片;基于所提取的各个地理位置信息,计算所述目标区域的面积;根据预先训练的深度卷积神经网络DCNN,对所提取的各个图片进行识别,得到所述目标区域包含的物种的类别信息。本发明实施例可以快速且便捷地进行地物识别,并降低地物识别的人工成本。
Description
技术领域
本发明涉通信技术领域,特别是涉及一种基于移动互联网的地物识别方法、装置、系统及服务器。
背景技术
在土地资源统计和地物探测等领域,地物识别是较为重要的环节。所谓地物识别即为:对待识别区域的物种的种类进行识别,以及测量待识别区域的面积等。目前,现有的地物识别方案需要专业人员实地测量待识别区域,并配合高分辨率卫星的成像技术捕捉地表结构来完成。
然而,对大型地区、偏远地区进行地物识别时,由于区域范围较大、实地考察条件较差,虽然可以先利用卫星进行初步测量,但在此基础上进一步进行精确测量时,需要投入大量的专业人员,不仅人力成本高,而且完成进度较慢,操作繁琐。而对中小地区进行地物识别时,虽然人力成本相对较低,但利用高分辨率卫星的成像技术进行初步测量,造成成本较高。
因此,如何快速、便捷地进行地物识别,并降低地物识别的人工成本成为一个函待解决的问题。
发明内容
本发明实施例的目的在于提供一种基于移动互联网的地物识别方法、装置、系统及服务器,以快速且便捷地进行地物识别,并降低地物识别的人工成本。具体技术方案如下:
第一方面,本发明实施提供了一种基于移动互联网的地物识别方法,应用于地物识别系统中的服务器,所述地物识别系统还包括:客户端设备,所述方法包括:
接收所述客户端设备通过移动互联网发送的多个图像数据;其中,任一图像数据包括在一预设位置上采集的关于目标区域的图片以及该预设位置的地理位置信息,该预设位置位于所述目标区域的边界上;其中,不同图像数据包括不同预设位置的地理位置信息;
针对每一图像数据,从该图像数据中提取地理位置信息和图片;
基于所提取的各个地理位置信息,计算所述目标区域的面积;
根据预先训练的深度卷积神经网络DCNN,对所提取的各个图片进行识别,得到所述目标区域包含的物种的类别信息;其中,所述DCNN是通过样本图像,以及所述样本图像中物种的类别信息训练得到的。
可选地,所述针对每一图像数据,从该图像数据中提取地理位置信息和图片的步骤之前,还包括:
对所述客户端设备进行认证;
当认证通过后,执行所述针对每一图像数据,从该图像数据中提取地理位置信息和图片的步骤。
可选地,所述针对每一图像数据,从该图像数据中提取地理位置信息的步骤,包括:
利用所述服务器中的交换图像文件EXIF模块,针对每一图像数据,从该图像数据中提取地理位置信息。
可选地,所述地理位置信息包括:经纬度信息;
所述基于所提取的各个地理位置信息,计算所述目标区域的面积的步骤,包括:
将每一经纬度信息分别转换为极坐标,并根据各个极坐标,计算所述目标区域的面积。
可选地,所述方法还包括:
将所述各个地理位置信息、所述目标区域的面积和物种的类别信息存储在本地数据库中。
第二方面,本发明实施提供了一种基于移动互联网的地物识别装置,应用于地物识别系统中的服务器,所述地物识别系统还包括:客户端设备,所述装置包括:
接收模块,用于接收所述客户端设备通过移动互联网发送的多个图像数据;其中,任一图像数据包括在一预设位置上采集的关于目标区域的图片以及该预设位置的地理位置信息,该预设位置位于所述目标区域的边界上;其中,不同图像数据包括不同预设位置的地理位置信息;
提取模块,用于针对每一图像数据,从该图像数据中提取地理位置信息和图片;
计算模块,用于基于所提取的各个地理位置信息,计算所述目标区域的面积;
识别模块,用于根据预先训练的深度卷积神经网络DCNN,对所提取的各个图片进行识别,得到所述目标区域包含的物种的类别信息;其中,所述DCNN是通过样本图像,以及所述样本图像中物种的类别信息训练得到的。
第三方面,本发明实施提供了一种服务器,包括处理器、通信接口、存储器和通信总线,其中,所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的程序时,实现如上第一方面所述的基于移动互联网的地物识别方法步骤。
第四方面,本发明实施提供了一种地物识别系统,所述地物识别系统包括:客户端设备和服务器;
所述客户端设备,用于通过移动互联网向所述服务器发送多个图像数据;其中,任一图像数据包括在一预设位置上采集的关于目标区域的图片以及该预设位置的地理位置信息,该预设位置位于所述目标区域的边界上;其中,不同图像数据包括不同预设位置的地理位置信息;
所述服务器,用于接收所述客户端设备发送的所述多个图像数据;针对每一图像数据,从该图像数据中提取地理位置信息和图片;基于所提取的各个地理位置信息,计算所述目标区域的面积;根据预先训练的深度卷积神经网络DCNN,对所提取的各个图片进行识别,得到所述目标区域包含的物种的类别信息;其中,所述DCNN是通过样本图像,以及所述样本图像中物种的类别信息训练得到的。
可选地,所述服务器具体用于:对所述客户端设备进行认证;当认证通过后,执行所述针对每一图像数据,从该图像数据中提取地理位置信息和图片的步骤。
可选地,所述地理位置信息包括:经纬度信息;
所述服务器具体用于:将每一经纬度信息分别转换为极坐标,并根据各个极坐标,计算所述目标区域的面积。
第五方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行如上第一方面所述的基于移动互联网的地物识别方法步骤。
第六方面,本发明实施例提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行如上第一方面所述的基于移动互联网的地物识别方法步骤。
本发明实施例提供的方案,由地物识别系统中的客户端设备通过移动互联网向服务器发送多个图像数据;服务器首先针对接收到的每一图像数据,从该图像数据中提取地理位置信息和图片;然后基于所提取的各个地理位置信息,计算所述目标区域的面积;并根据预先训练的深度卷积神经网络DCNN,对所提取的各个图片进行识别,得到所述目标区域包含的物种的类别信息。因此,本发明实施例中,利用地物识别系统中的客户端设备的便捷特性,以及移动互联网的快速传输数据特性和便捷特性进行地物识别,因而可以快速且便捷地进行地物识别,并降低地物识别的人工成本。
当然,实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
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。
图1为本发明实施例提供的一种基于移动互联网的地物识别方法的流程图;
图2为本发明实施例提供的一种基于移动互联网的地物识别装置的结构图;
图3为本发明实施例提供的一种服务器的结构示意图;
图4为本发明实施例提供的一种地物识别系统的结构示意图;
图5为本发明实施例提供的一种地物识别系统的另一种结构示意图;
图6为图5所示实施例中上传数据的流程示意图;
图7为图5所示实施例中下传数据的流程示意图。
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。
为了快速且便捷地进行地物识别,并降低地物识别的人工成本,本发明实施例提供了一种基于移动互联网的地物识别方法、装置、系统及服务器。
需要说明的是,本发明实施例提供的一种基于移动互联网的地物识别方法,应用于地物识别系统中的服务器,该地物识别系统还包括:客户端设备。客户端设备可以将关于待识别区域的图片和采集该图片时的预设位置的地理位置信息发送给服务器。本实施例中,预设位置可以是多个,在每个预设位置上可以采集一张或多张关于待识别区域的图片。服务器可以根据多个预设位置的地理位置信息,计算待识别区域的面积,还可以对多张图片进行识别,确定出待识别区域包含的物种的类别信息。本实施例中,可以将待识别区域作为目标区域。
下面首先对本发明实施例所提供的一种基于移动互联网的地物识别方法进行介绍。
如图1所示,本发明实施例提供的一种基于移动互联网的地物识别方法,可以包括如下步骤:
S101,接收所述客户端设备通过移动互联网发送的多个图像数据。
为了对待识别的目标区域进行地物识别,可以在目标区域的边界上设定多个不同的预设位置。预设位置的数量和位置坐标可以根据实际情况/实际需要进行设定。通常,可以将便于采集图片的位置设定为预设位置,也可以将目标区域的边界上的角点设定为预设位置,以便于计算目标区域的面积。例如,目标区域是一正方形区域,可以将该正方形区域的四个顶点设定为预设位置。当然,设定预设位置的方式可以有很多种,本发明对此并不限定。而且,可以理解,为了计算目标区域的面积,预设位置的数量至少为3个不共线的位置。
进一步,在每一预设位置上可以采集一张或多张关于目标区域的图片。为了便于通过图片识别目标区域包含的物种的类别信息,每一图片可以包括全部的目标区域,也可以包括部分的目标区域,这都是合理的。针对每一预设位置,可以以在该预设位置上采集的关于目标区域的图片和该预设位置的地理位置信息生成一个图像数据。所以,不同图像数据包括不同预设位置的地理位置信息,和在不同预设位置上采集的图片。
一种方式中,可以由图像采集设备在各个预设位置上采集图片,并利用内置或外置的定位模块获取各个预设位置的地理位置信息;然后,生成多个图像数据,将所生成的多个图像数据发送给客户端设备。另一种方式中,可以直接由客户端设备在各个预设位置上采集图片,并利用内置或外置的定位模块获取各个预设位置的地理位置信息;然后,生成多个图像数据。客户端设备可以是智能手机、平板电脑等智能设备。为了更加便捷地获取多个图像数据,示例性地,可以通过一部智能手机在各个预设位置上采集图片,并通过该智能手机内部的定位模块获取各个预设位置的地理位置信息。这意味着,可以只由一个工作人员在现场操作智能手机,就可以获取多个图像数据,因而不仅人工成本非常低,而且非常便捷。
当客户端设备获取到多个图像数据后,可以通过移动互联网将多个图像数据发送至服务器,由服务器进一步基于多个图像数据,对目标区域进行地物识别。移动互联网可以是3G(the 3rd-Generationmobile communication technology,第三代移动通信技术)网络、4G(the 4rd Generation mobile communication technology,第四代移动通信技术)网络、LTE(LongTerm Evolution,长期演进技术)网络等。由于移动互联网的数据传输速度非常快,而且非常便捷,因而,由客户端设备通过移动互联网将多个图像数据发送至服务器进行地物识别,使得地物识别的过程快速且便捷。
S102,针对每一图像数据,从该图像数据中提取地理位置信息和图片。
服务器接收到多个图像数据后,可以提取出每一图像数据中的地理位置信息和图片,进一步进行地物识别。
本实施例中,在针对每一图像数据,从该图像数据中提取地理位置信息和图片的步骤之前,还可以包括:
对所述客户端设备进行认证;
当认证通过后,执行所述针对每一图像数据,从该图像数据中提取地理位置信息和图片的步骤。
可以理解,当服务器接收到多个图像数据后,可以对发送该多个图像数据的客户端设备进行认证,如果确认了该客户端设备属于地物识别系统中的某一客户端设备,说明可以利用接收到的多个图像数据进行地物识别。一种方式中,服务器可以通过唯一表示客户端设备的标识信息来认证客户端设备。另一种方式中,现场的工作人员可以在客户端设备登录预设系统,通过该预设系统向服务器发送多个图像数据的同时,发送工作人员的身份标识,服务器可以通过工作人员的身份标识来认证客户端设备。
一种实现方式中,针对每一图像数据,从该图像数据中提取地理位置信息的步骤,可以包括:
利用服务器中的交换图像文件EXIF模块,针对每一图像数据,从该图像数据中提取地理位置信息。
为了便于提取图像数据中的地理位置信息,在服务器中可以设置有EXIF(Exchangeable image file,交换图像文件)模块。利用EXIF模块提取图像数据中的地理位置信息属于现有技术,本申请在此不进行赘述。
S103,基于所提取的各个地理位置信息,计算目标区域的面积。
服务器提取了每一预设位置的地理位置信息后,可以基于所提取的各个地理位置信息,计算目标区域的面积。
本实施例中,每一预设位置的地理位置信息可以包括:该预设位置的经度和纬度。相应地,基于所提取的各个地理位置信息,计算所述目标区域的面积的步骤,可以包括:
将每一经纬度信息分别转换为极坐标,并根据各个极坐标,计算所述目标区域的面积。
具体的,可以将每一预设位置的经度和纬度转换为极坐标系中的极坐标,该极坐标即为该预设位置对应的极坐标。将任一预设位置对应的极坐标表示为(r,θ),r为该预设位置的极径的长度,θ为该预设位置的极角。
为了便于计算目标区域的面积,极坐标系的极点可以是目标区域的中心点。确定了每一预设位置对应的极坐标后,可以在极坐标系上标示出该预设位置。将所有预设位置在极坐标系中标示出之后,可以通过如下步骤1-3计算目标区域的面积:
步骤1,按顺时针方向或逆时针方向将所有预设位置进行排序,并在每两个相邻预设位置之间绘制直线。
示例性地,若按顺时针将所有预设位置进行排序,可以将极角最大的预设位置作为第一个预设位置,将极角最小的预设位置作为最后一个预设位置;若按逆时针将所有预设位置进行排序,可以将极角最小的预设位置作为第一个预设位置,将极角最大的预设位置作为最后一个预设位置。
在每两个相邻预设位置之间绘制直线后,就可以将所有预设位置通过直线连接起来,这样,连接后的直线形成了目标区域的边界。确定出目标区域的边界,可以进一步计算目标区域的面积。
步骤2,针对每两个相邻预设位置,以该两个相邻预设位置各自的极径和所绘制的直线构成一个三角形,计算该三角形的面积。
本实施例中,可以在极坐标系中绘制出每一预设位置的极径,这样,相邻的两个预设位置的极径和在这两个预设位置之间绘制的直线就形成了一个三角形。通过在这两个预设位置各自的极角,可以确定出这两个预设位置的极径之间的夹角,利用该夹角,和这两个预设位置各自的极径的长度,就可以计算出所形成的三角形的面积。
利用相邻的两个预设位置的极径和在这两个预设位置之间绘制的直线形成一个三角形,意味着将目标区域划分为多个三角形,计算每一三角形的面积之后,就可以计算出目标区域的面积。可以理解,N个预设位置可以形成N个三角形。
步骤3,将计算得到的所有相邻预设位置对应的三角形的面积相加,得到目标区域的面积。
S104,根据预先训练的深度卷积神经网络DCNN,对所提取的各个图片进行识别,得到目标区域包含的物种的类别信息;其中,DCNN是通过样本图像,以及样本图像中物种的类别信息训练得到的。
本实施例中,目标区域包含的物种的类别信息可以包括:目标区域包含的物种的名称和类别等,例如,物种的名称为:苹果,物种的类别为:水果。又如,物种的名称为:辣椒,物种的类别为:蔬菜。当然,对物种进行分类的分类方式可以是预先设定的。为了识别出目标区域包含的物种的类别信息,本实施例中,可以预先通过样本图像,以及样本图像中物种的类别信息训练DCNN(Deep Convolutional Neural Network,深度卷积神经网络)。根据训练好的DCNN,可以对所提取的各个图片进行识别,得到目标区域包含的物种的类别信息。训练DCNN的过程可以通过现有技术实现。
一种方式中,服务器内部可以设置有GPU(graphics processing unit,图像处理器),且在该GPU可以调用训练好的DCNN。服务器在提取到各个图片后,可以由GPU将各个图片输入预先训练的DCNN,识别出目标区域包含的物种的类别信息。
另一种方式中,服务器在提取到各个图片后,可以将各个图片发送至另一设备,该设备上设置有GPU,且在该GPU可以调用训练好的DCNN。该设备接收到各个图片后,可以由GPU将各个图片输入预先训练的DCNN,识别出目标区域包含的物种的类别信息。然后,该设备可以将目标区域包含的物种的类别信息反馈至服务器。
本发明实施例提供的方案,由地物识别系统中的客户端设备通过移动互联网向服务器发送多个图像数据;服务器首先针对接收到的每一图像数据,从该图像数据中提取地理位置信息和图片;然后基于所提取的各个地理位置信息,计算所述目标区域的面积;并根据预先训练的深度卷积神经网络DCNN,对所提取的各个图片进行识别,得到所述目标区域包含的物种的类别信息。因此,本发明实施例中,利用地物识别系统中的客户端设备的便捷特性,和移动互联网的快速传输数据特性和便捷特性进行地物识别,因而可以快速且便捷地进行地物识别,并降低地物识别的人工成本。
本实施例中,在图1所示实施例的基础上,上述方法还可以包括:
将各个地理位置信息、目标区域的面积和物种的类别信息存储在本地数据库中。
服务器基于多个图像数据对目标区域进行地物识别后,可以将各个地理位置信息、目标区域的面积和物种的类别信息存储在本地数据库中,以便于将这些数据发送给客户端设备,从而现场的工作人员可以根据这些数据进行进一步地操作。服务器还可以将这些数据发送给处理中心,以便于处理中心根据这些数据进行科学决策等。
相应于上述方法实施例,本发明实施例提供了一种基于移动互联网的地物识别装置,应用于地物识别系统中的服务器,所述地物识别系统还包括:客户端设备,如图2所示,所述装置包括:
接收模块201,用于接收所述客户端设备通过移动互联网发送的多个图像数据;其中,任一图像数据包括在一预设位置上采集的关于目标区域的图片以及该预设位置的地理位置信息,该预设位置位于所述目标区域的边界上;其中,不同图像数据包括不同预设位置的地理位置信息;
提取模块202,用于针对每一图像数据,从该图像数据中提取地理位置信息和图片;
计算模块203,用于基于所提取的各个地理位置信息,计算所述目标区域的面积;
识别模块204,用于根据预先训练的深度卷积神经网络DCNN,对所提取的各个图片进行识别,得到所述目标区域包含的物种的类别信息;其中,所述DCNN是通过样本图像,以及所述样本图像中物种的类别信息训练得到的。
本发明实施例提供的方案,由地物识别系统中的客户端设备通过移动互联网向服务器发送多个图像数据;服务器首先针对接收到的每一图像数据,从该图像数据中提取地理位置信息和图片;然后基于所提取的各个地理位置信息,计算所述目标区域的面积;并根据预先训练的深度卷积神经网络DCNN,对所提取的各个图片进行识别,得到所述目标区域包含的物种的类别信息。因此,本发明实施例中,利用地物识别系统中的客户端设备的便捷特性,和移动互联网的快速传输数据特性和便捷特性进行地物识别,因而可以快速且便捷地进行地物识别,并降低地物识别的人工成本。
可选地,所述装置还包括:认证模块(图中未示出);
所述认证模块,用于对所述客户端设备进行认证;当认证通过后,触发所述提取模块202。
可选地,所述提取模块202具体用于:利用所述服务器中的交换图像文件EXIF模块,针对每一图像数据,从该图像数据中提取地理位置信息。
可选地,所述地理位置信息包括:经纬度信息;
所述计算模块203具体用于:将每一经纬度信息分别转换为极坐标,并根据各个极坐标,计算所述目标区域的面积。
可选地,所述装置还包括:存储模块(图中未示出);
所述存储模块,用于将所述各个地理位置信息、所述目标区域的面积和物种的类别信息存储在本地数据库中。
本发明实施例还提供了一种服务器,如图3所示,包括处理器301、通信接口302、存储器303和通信总线304,其中,处理器301,通信接口302,存储器303通过通信总线304完成相互间的通信,
存储器303,用于存放计算机程序;
处理器301,用于执行存储器303上所存放的程序时,实现上述实施例中任一的基于移动互联网的地物识别方法。
本发明实施例提供的方案,由地物识别系统中的客户端设备通过移动互联网向服务器发送多个图像数据;服务器首先针对接收到的每一图像数据,从该图像数据中提取地理位置信息和图片;然后基于所提取的各个地理位置信息,计算所述目标区域的面积;并根据预先训练的深度卷积神经网络DCNN,对所提取的各个图片进行识别,得到所述目标区域包含的物种的类别信息。因此,本发明实施例中,利用地物识别系统中的客户端设备的便捷特性,和移动互联网的快速传输数据特性和便捷特性进行地物识别,因而可以快速且便捷地进行地物识别,并降低地物识别的人工成本。
上述服务器提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述服务器与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
另外,如图4所示,本发明实施例还提供了一种地物识别系统,包括:客户端设备401和服务器402;
所述客户端设备401,用于通过移动互联网向所述服务器402发送多个图像数据;其中,任一图像数据包括在一预设位置上采集的关于目标区域的图片以及该预设位置的地理位置信息,该预设位置位于所述目标区域的边界上;其中,不同图像数据包括不同预设位置的地理位置信息;
所述服务器402,用于接收所述客户端设备401发送的所述多个图像数据;针对每一图像数据,从该图像数据中提取地理位置信息和图片;基于所提取的各个地理位置信息,计算所述目标区域的面积;根据预先训练的深度卷积神经网络DCNN,对所提取的各个图片进行识别,得到所述目标区域包含的物种的类别信息;其中,所述DCNN是通过样本图像,以及所述样本图像中物种的类别信息训练得到的。
本发明实施例提供的方案,由地物识别系统中的客户端设备通过移动互联网向服务器发送多个图像数据;服务器首先针对接收到的每一图像数据,从该图像数据中提取地理位置信息和图片;然后基于所提取的各个地理位置信息,计算所述目标区域的面积;并根据预先训练的深度卷积神经网络DCNN,对所提取的各个图片进行识别,得到所述目标区域包含的物种的类别信息。因此,本发明实施例中,利用地物识别系统中的客户端设备的便捷特性,和移动互联网的快速传输数据特性和便捷特性进行地物识别,因而可以快速且便捷地进行地物识别,并降低地物识别的人工成本。
可选地,所述服务器402还用于:对所述客户端设备401进行认证;当认证通过后,执行所述针对每一图像数据,从该图像数据中提取地理位置信息和图片的步骤。
可选地,所述服务器402具体用于:利用所述服务器402中的交换图像文件EXIF模块,针对每一图像数据,从该图像数据中提取地理位置信息。
可选地,所述地理位置信息包括:经纬度信息;
所述服务器402具体用于:将每一经纬度信息分别转换为极坐标,并根据各个极坐标,计算所述目标区域的面积。
可选地,所述服务器402还用于:将所述各个地理位置信息、所述目标区域的面积和物种的类别信息存储在本地数据库中。
下面结合具体的应用实例,对本发明实施例所提供的一种地物识别系统进行介绍。
如图5所示,本发明实施例所提供的一种地物识别系统包括:客户端设备、服务器、图像处理设备和处理中心。
客户端设备,用于通过移动互联网向服务器发送多个图像数据;其中,任一图像数据包括在一预设位置上采集的关于目标区域的图片以及该预设位置的地理位置信息,该预设位置位于所述目标区域的边界上;其中,不同图像数据包括不同预设位置的地理位置信息;
服务器设备,用于接收客户端设备发送的多个图像数据;针对每一图像数据,从该图像数据中提取地理位置信息和图片;基于所提取的各个地理位置信息,计算所述目标区域的面积;将所提取的各个图片发送至图像处理设备;
图像处理设备,用于接收服务器发送的各个图片;由内部的GPU将各个图片输入预先训练的DCNN,识别出目标区域包含的物种的类别信息;将目标区域包含的物种的类别信息发送至服务器;
服务器,用于将目标数据存储在本地数据库中,并将目标数据发送至客户端设备和处理中心;其中,目标数据包括:各个地理位置信息、目标区域的面积和物种的类别信息;
客户端设备,用于接收服务器发送的目标数据,并根据目标数据进行进一步操作;
处理中心,用于接收服务器发送的目标数据,并根据目标数据进行科学决策,将科学决策的策略发送至服务器;
服务器,用于接收处理中心发送的策略,并将策略存储在本地数据库中。
本发明实施例提供的方案,利用地物识别系统中的客户端设备的便捷特性,和移动互联网的快速传输数据特性和便捷特性进行地物识别,因而可以快速且便捷地进行地物识别,并降低地物识别的人工成本。而且,利用专门的图像处理设备中的图像处理器的强大图像处理能力,以及DCNN的强大分类学习能力,可以提高地物识别的准确率。进一步,由服务器将目标数据发送至处理中心,可以由处理中心利用目标数据进行统一的、科学地决策。
下面对图5所示实施例中上传数据的流程进行介绍。如图6所示,上传数据的流程包括:
客户端设备通过移动互联网向服务器发送多个图像数据;
服务器对客户端设备进行认证;认证通过后,针对每一图像数据,利用服务器中的EXIF模块从该图像数据中提取地理位置信息;针对每一图像数据,从该图像数据中提取图片;将所提取的各个图片发送至图像处理设备;
图像处理设备接收服务器发送的各个图片;由内部的GPU将各个图片输入预先训练的DCNN,识别出目标区域包含的物种的类别信息;将目标区域包含的物种的类别信息发送至服务器。
下面对图5所示实施例中下传数据的流程进行介绍。需要说明的是,在上传数据的流程中,每一预设位置的地理位置信息包括:该预设位置的经度和纬度。如图7所示,下传数据的流程包括:
服务器将每一预设位置的经度和纬度转换为极坐标系中的极坐标;其中,极坐标系的极点是目标区域的中心点;按顺时针方向或逆时针方向将所有预设位置进行排序,计算目标区域的面积(具体过程参见步骤1-步骤3);
服务器将目标数据存储在本地数据库中,并将目标数据发送至客户端设备和处理中心;其中,目标数据包括:各个地理位置信息、目标区域的面积和物种的类别信息;
客户端设备接收服务器发送的目标数据,并显示目标数据;
处理中心接收服务器发送的目标数据,并根据目标数据进行科学决策,将科学决策的策略发送至服务器。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例中任一的基于移动互联网的地物识别方法,以获得相同的技术效果。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一的基于移动互联网的地物识别方法,以获得相同的技术效果。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本发明实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个......”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置/服务器/地物识别系统/存储介质/计算机程序产品实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种基于移动互联网的地物识别方法,其特征在于,应用于地物识别系统中的服务器,所述地物识别系统还包括:客户端设备,所述方法包括:
接收所述客户端设备通过移动互联网发送的多个图像数据;其中,任一图像数据包括在一预设位置上采集的关于目标区域的图片以及该预设位置的地理位置信息,该预设位置位于所述目标区域的边界上;其中,不同图像数据包括不同预设位置的地理位置信息;
针对每一图像数据,从该图像数据中提取地理位置信息和图片;
基于所提取的各个地理位置信息,计算所述目标区域的面积;
根据预先训练的深度卷积神经网络DCNN,对所提取的各个图片进行识别,得到所述目标区域包含的物种的类别信息;其中,所述DCNN是通过样本图像,以及所述样本图像中物种的类别信息训练得到的。
2.根据权利要求1所述的方法,其特征在于,所述针对每一图像数据,从该图像数据中提取地理位置信息和图片的步骤之前,还包括:
对所述客户端设备进行认证;
当认证通过后,执行所述针对每一图像数据,从该图像数据中提取地理位置信息和图片的步骤。
3.根据权利要求1或2所述的方法,其特征在于,所述针对每一图像数据,从该图像数据中提取地理位置信息的步骤,包括:
利用所述服务器中的交换图像文件EXIF模块,针对每一图像数据,从该图像数据中提取地理位置信息。
4.根据权利要求1或2所述的方法,其特征在于,所述地理位置信息包括:经纬度信息;
所述基于所提取的各个地理位置信息,计算所述目标区域的面积的步骤,包括:
将每一经纬度信息分别转换为极坐标,并根据各个极坐标,计算所述目标区域的面积。
5.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
将所述各个地理位置信息、所述目标区域的面积和物种的类别信息存储在本地数据库中。
6.一种基于移动互联网的地物识别装置,其特征在于,应用于地物识别系统中的服务器,所述地物识别系统还包括:客户端设备,所述装置包括:
接收模块,用于接收所述客户端设备通过移动互联网发送的多个图像数据;其中,任一图像数据包括在一预设位置上采集的关于目标区域的图片以及该预设位置的地理位置信息,该预设位置位于所述目标区域的边界上;其中,不同图像数据包括不同预设位置的地理位置信息;
提取模块,用于针对每一图像数据,从该图像数据中提取地理位置信息和图片;
计算模块,用于基于所提取的各个地理位置信息,计算所述目标区域的面积;
识别模块,用于根据预先训练的深度卷积神经网络DCNN,对所提取的各个图片进行识别,得到所述目标区域包含的物种的类别信息;其中,所述DCNN是通过样本图像,以及所述样本图像中物种的类别信息训练得到的。
7.一种服务器,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的程序时,实现权利要求1-5任一所述的方法步骤。
8.一种地物识别系统,其特征在于,所述地物识别系统包括:客户端设备和服务器;
所述客户端设备,用于通过移动互联网向所述服务器发送多个图像数据;其中,任一图像数据包括在一预设位置上采集的关于目标区域的图片以及该预设位置的地理位置信息,该预设位置位于所述目标区域的边界上;其中,不同图像数据包括不同预设位置的地理位置信息;
所述服务器,用于接收所述客户端设备发送的所述多个图像数据;针对每一图像数据,从该图像数据中提取地理位置信息和图片;基于所提取的各个地理位置信息,计算所述目标区域的面积;根据预先训练的深度卷积神经网络DCNN,对所提取的各个图片进行识别,得到所述目标区域包含的物种的类别信息;其中,所述DCNN是通过样本图像,以及所述样本图像中物种的类别信息训练得到的。
9.根据权利要求8所述的系统,其特征在于,
所述服务器具体用于:对所述客户端设备进行认证;当认证通过后,执行所述针对每一图像数据,从该图像数据中提取地理位置信息和图片的步骤。
10.根据权利要求8或9所述的系统,其特征在于,所述地理位置信息包括:经纬度信息;
所述服务器具体用于:将每一经纬度信息分别转换为极坐标,并根据各个极坐标,计算所述目标区域的面积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811025889.3A CN109101952A (zh) | 2018-09-04 | 2018-09-04 | 基于移动互联网的地物识别方法、装置、系统及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811025889.3A CN109101952A (zh) | 2018-09-04 | 2018-09-04 | 基于移动互联网的地物识别方法、装置、系统及服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109101952A true CN109101952A (zh) | 2018-12-28 |
Family
ID=64865018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811025889.3A Pending CN109101952A (zh) | 2018-09-04 | 2018-09-04 | 基于移动互联网的地物识别方法、装置、系统及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109101952A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050107947A1 (en) * | 2003-11-17 | 2005-05-19 | Samsung Electronics Co., Ltd. | Landmark detection apparatus and method for intelligent system |
US20080187187A1 (en) * | 2007-02-07 | 2008-08-07 | Tadanori Tezuka | Imaging device, image processing device, control method, and program |
CN101617197A (zh) * | 2007-02-16 | 2009-12-30 | 三菱电机株式会社 | 道路地物测量装置、地物识别装置、道路地物测量方法、道路地物测量程序、测量装置、测量方法、测量程序、测量位置数据、测量终端装置、测量服务器装置、作图装置、作图方法、作图程序以及作图数据 |
CN105444701A (zh) * | 2015-12-04 | 2016-03-30 | 广东欧珀移动通信有限公司 | 一种区域面积的测量方法及装置 |
CN106203265A (zh) * | 2016-06-28 | 2016-12-07 | 江苏大学 | 一种基于无人机采集图像的施工扬尘污染源自动监测及影响范围预测系统及方法 |
CN106446875A (zh) * | 2016-11-16 | 2017-02-22 | 航天恒星科技有限公司 | 面向县域遥感尺度的农作物种植面积信息提取方法及装置 |
CN108375366A (zh) * | 2017-12-19 | 2018-08-07 | 南京嘉谷初成通信科技有限公司 | 一种基于无人机的地块测量系统及方法 |
-
2018
- 2018-09-04 CN CN201811025889.3A patent/CN109101952A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050107947A1 (en) * | 2003-11-17 | 2005-05-19 | Samsung Electronics Co., Ltd. | Landmark detection apparatus and method for intelligent system |
US20080187187A1 (en) * | 2007-02-07 | 2008-08-07 | Tadanori Tezuka | Imaging device, image processing device, control method, and program |
CN101617197A (zh) * | 2007-02-16 | 2009-12-30 | 三菱电机株式会社 | 道路地物测量装置、地物识别装置、道路地物测量方法、道路地物测量程序、测量装置、测量方法、测量程序、测量位置数据、测量终端装置、测量服务器装置、作图装置、作图方法、作图程序以及作图数据 |
CN105444701A (zh) * | 2015-12-04 | 2016-03-30 | 广东欧珀移动通信有限公司 | 一种区域面积的测量方法及装置 |
CN106203265A (zh) * | 2016-06-28 | 2016-12-07 | 江苏大学 | 一种基于无人机采集图像的施工扬尘污染源自动监测及影响范围预测系统及方法 |
CN106446875A (zh) * | 2016-11-16 | 2017-02-22 | 航天恒星科技有限公司 | 面向县域遥感尺度的农作物种植面积信息提取方法及装置 |
CN108375366A (zh) * | 2017-12-19 | 2018-08-07 | 南京嘉谷初成通信科技有限公司 | 一种基于无人机的地块测量系统及方法 |
Non-Patent Citations (1)
Title |
---|
唐晏: ""基于无人机采集图像的植被识别方法研究"", 《中国博士学位论文全文数据库 信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10360257B2 (en) | System and method for image annotation | |
DE202011110900U1 (de) | Systeme zum Sammeln und Bereitstellen von Kartenbildern | |
CN106101224A (zh) | 识别用户所在地理位置的类别的方法及装置 | |
CN104462526B (zh) | 面向高分辨率遥感影像的多人在线协同快速矢量化方法 | |
CN106028283A (zh) | 通过无线网络数据分析用户线下行为的方法及系统 | |
Tóth et al. | The changing economic spatial structure of Europe | |
KR20120001847A (ko) | 이미지 검색시스템 및 이미지 검색방법 | |
CN106255966A (zh) | 使用店面辨识来识别待考察实体 | |
CN105868678A (zh) | 人脸识别模型的训练方法及装置 | |
CN106529456A (zh) | 信息匹配和信息收发方法、装置及目标对象找寻系统 | |
CN110263748A (zh) | 用于发送信息的方法和装置 | |
McGlade et al. | An early exploration of the use of the Microsoft Azure Kinect for estimation of urban tree Diameter at Breast Height | |
Raj et al. | Analysing the effect of different aggregation approaches on remotely sensed data | |
CN111125382A (zh) | 人员轨迹实时监测方法及终端设备 | |
US11010613B2 (en) | Systems and methods for target identification in video | |
CA3144180A1 (en) | Multi weed detection | |
CN108132054A (zh) | 用于生成信息的方法和装置 | |
CN106529497A (zh) | 一种图像采集设备的定位方法及装置 | |
CN109559336A (zh) | 对象追踪方法、装置及存储介质 | |
CN111061807A (zh) | 分布式数据采集分析系统及方法、服务器及介质 | |
CN104281680B (zh) | 用于获取网站资源的数据处理系统、方法及装置 | |
AU2014374952A1 (en) | Method for providing on-demand digital representations to mobile devices in other geographic locations | |
CN109101952A (zh) | 基于移动互联网的地物识别方法、装置、系统及服务器 | |
US20160189200A1 (en) | Scoring image engagement in digital media | |
Yin et al. | CyberGIS-enabled urban sensing from volunteered citizen participation using mobile devices |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181228 |