CN109815880A - 基于低空遥感影像和深度学习的水葫芦识别系统及方法 - Google Patents
基于低空遥感影像和深度学习的水葫芦识别系统及方法 Download PDFInfo
- Publication number
- CN109815880A CN109815880A CN201910050655.2A CN201910050655A CN109815880A CN 109815880 A CN109815880 A CN 109815880A CN 201910050655 A CN201910050655 A CN 201910050655A CN 109815880 A CN109815880 A CN 109815880A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image
- unmanned plane
- water hyacinth
- sensing image
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 title claims abstract description 15
- 240000003826 Eichhornia crassipes Species 0.000 title description 3
- 241000169203 Eichhornia Species 0.000 claims abstract description 46
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000004891 communication Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000005540 biological transmission Effects 0.000 claims abstract description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000013480 data collection Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 235000014676 Phragmites communis Nutrition 0.000 claims 1
- DMBHHRLKUKUOEG-UHFFFAOYSA-N diphenylamine Chemical compound C=1C=CC=CC=1NC1=CC=CC=C1 DMBHHRLKUKUOEG-UHFFFAOYSA-N 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241000757039 Pontederiaceae Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于低空遥感影像和深度学习的水葫芦识别系统及方法,该系统包括:无人机、定位装置、通信装置、控制系统和计算处理单元,所述定位装置接入北斗卫星定位系统,用于获取无人机的经纬度坐标信息;所述通信装置用于与无人机无线通讯,并接收无人机发送的地面遥感影像;所述计算处理单元用于为每幅地面遥感影像的每个像素添加唯一的地理坐标标识。本发明通过无人机低空遥感高分辨率航空摄影影像,利用无人机高分辨率影像基于Tensorflow计算机深度学习以及北斗高精度定位技术,对水葫芦进行自动识别,构建入侵物种水葫芦的时空动态识别与定位,有利于对水葫芦进行实时、有效的监测。
Description
技术领域
本发明涉及生态环境监测与保护相关技术领域,具体是基于低空遥感影像和深度学习的水葫芦识别系统及方法。
背景技术
水葫芦是全球易爆发、难控制、危害大和时间久的重大生态危害。水葫芦(Eichhornia crassipes)又名凤眼莲,属雨久花科,水葫芦属,直立多年生草本,扩散能力强,兼有无性与有性两种繁殖方式,繁殖能力极强,是世界上生长繁殖最快的水草之一。迄今为止,至少入侵了全球62个国家,是世界十大害草之一。
水葫芦在20世纪30年代作为观赏物种、吸附污染和高产水生饲料从南美引入我国,并大肆推广、放养,现如今,水葫芦在全国许多河道泛滥成灾,殃及10多个省市,是我国造成较大危害的生物入侵物种之一。但近20年的水葫芦防治和发现基本靠人,预警巡视没有脱离地平线,防治基本靠人工打捞。每年投入巨大的人力和物力进行水葫芦的打捞,但依然没有从根本上解决水葫芦问题。可见、在水葫芦的综合治理过程中,如何对海量无人机影像进行人工智能识别是实时、有效监测水葫芦爆发的一个极其重要的环节和技术突破的难点。
发明内容
本发明的目的在于提供基于低空遥感影像和深度学习的水葫芦识别系统及方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
基于低空遥感影像和深度学习的水葫芦识别系统,包括:无人机、定位装置、通信装置、控制系统和计算处理单元,所述定位装置接入北斗卫星定位系统,用于获取无人机的经纬度坐标信息;所述通信装置用于与无人机无线通讯,并接收无人机发送的地面遥感影像;所述计算处理单元用于为每幅地面遥感影像的每个像素添加唯一的地理坐标标识。
作为本发明进一步的方案:所述控制系统用于接收通信装置发送的数据集,并将数据集发送至计算处理单元中进行分析计算。
作为本发明进一步的方案:所述控制系统还用于对无人机航迹进行控制。
基于无人机影像和计算机深度学习的水葫芦智能识别方法,包括以下步骤:
步骤1、利用无人机采集遥感影像:规划无人机的航迹,沿航迹进行航测,摄取多幅影像,并将影像发送回控制系统;
步骤2、对地面遥感影像进行处理;
步骤3、构建水葫芦遥感数据集:无人机从0.01-30m的垂直高度上依次拍摄多幅遥感影像,获得多幅不同分辨率的遥感影像,并对遥感影像进行拼接,建立水葫芦不同分辨率遥感影像数据集;
步骤4、构建Tensorflow卷积神经网络识别模型:通过不同层级和影像的训练,建立一个水葫芦识别的卷积神经网络,在顶部使用三个卷积层,用softmax读出层的底部,并连接到一个完全连接的层,并为各卷积层定义适当的权重张量,调整神经网络给它一个更多的自由度,并添加丢失信息;
步骤5、水葫芦遥感影像的识别与定位:将带有地理标识的水葫芦影像用步骤3中的Tensorflow卷积神经网络进行识别,同时提取识别影像的地理坐标信息。
作为本发明进一步的方案:步骤2中所述对地面遥感影像进行处理的方法为:利用北斗定位系统获得地面控制点,将无人机获取的影像坐标统一为CGCS2000坐标体系,采用航空摄影测量软件进行平差和正射纠正解算,并为每幅影像的每个像素获得唯一的地理坐标标识。
作为本发明进一步的方案:所述航空摄影测量软件采用为PHOTOMOD软件。
与现有技术相比,本发明的有益效果是:本发明通过无人机低空遥感高分辨率航空摄影影像,利用无人机高分辨率影像基于Tensorflow计算机深度学习以及北斗高精度定位技术,对水葫芦进行自动识别,构建入侵物种水葫芦的时空动态识别与定位,有利于对水葫芦进行实时、有效的监测。
附图说明
图1为基于低空遥感影像和深度学习的水葫芦识别系统的结构框图。
图2为基于低空遥感影像和深度学习的水葫芦识别方法的流程图。
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。
请参阅图1,本发明实施例中,基于低空遥感影像和深度学习的水葫芦识别系统,包括:无人机1、定位装置2、通信装置3、控制系统4和计算处理单元5,所述定位装置2接入北斗卫星定位系统,用于获取无人机1的经纬度坐标信息,所述通信装置3用于与无人机1无线通讯,并接收无人机1发送的0.01-30m的地面遥感影像;所述控制系统4用于接收通信装置3发送的数据集,并将数据集发送至计算处理单元5中进行分析计算,且同时对无人机1航迹进行控制;所述计算处理单元5用于将遥感影像的坐标统一为CGCS2000坐标体系,并采用PHOTOMOD软件或其它航空摄影测量软件进行平差和正射纠正解算,纠正几何变形,并为每幅遥感影像的每个像素添加唯一的地理坐标标识。
参阅图2,基于低空遥感影像和深度学习的水葫芦识别方法,包括以下步骤:
步骤1、利用无人机1采集遥感影像:规划无人机1的航迹,沿航迹进行航测,摄取多幅影像,并将影像发送回控制系统4;
步骤2、遥感影像的处理:利用北斗高精度定位系统获得地面控制点,将无人机获取的影像坐标统一为CGCS2000坐标体系,用PHOTOMOD或其它航空摄影测量软件进行平差和正射纠正解算,消除几何变形,为每幅影像的每个像素获得唯一的地理坐标标识;
步骤3、构建水葫芦遥感数据集:无人机1从0.01-30m的垂直高度上依次拍摄多幅遥感影像,获得多幅不同分辨率的遥感影像,并对遥感影像进行拼接,建立水葫芦不同分辨率遥感影像数据集;
步骤4、构建Tensorflow卷积神经网络识别模型,通过不同层级和影像的训练,建立一个水葫芦识别的卷积神经网络,在顶部使用三个卷积层,用softmax读出层的底部,并连接到一个完全连接的层,并为各卷积层定义适当的权重张量,调整神经网络给它一个更多的自由度,并添加丢失信息(dropout),以确保它不是过拟合,最终将水葫芦的识别准确度从97%提高到99%以上;
步骤5、水葫芦遥感影像的识别与定位:将带有地理标识的水葫芦影像用步骤3中的Tensorflow卷积神经网络进行识别,同时提取识别影像的地理坐标信息。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (6)
1.基于低空遥感影像和深度学习的水葫芦识别系统,其特征在于:包括:无人机(1)、定位装置(2)、通信装置(3)、控制系统(4)和计算处理单元(5),所述定位装置(2)接入北斗卫星定位系统,用于获取无人机(1)的经纬度坐标信息;所述通信装置(3)用于与无人机无线通讯,并接收无人机(1)发送的地面遥感影像;所述计算处理单元(5)用于为每幅地面遥感影像的每个像素添加唯一的地理坐标标识。
2.根据权利要求1所述的基于低空遥感影像和深度学习的水葫芦识别系统,其特征在于:所述控制系统(4)用于接收通信装置(3)发送的数据集,并将数据集发送至计算处理单元(5)中进行分析计算。
3.根据权利要求1或2所述的基于低空遥感影像和深度学习的水葫芦识别系统,其特征在于:所述控制系统(4)还用于对无人机(1)航迹进行规划和控制。
4.基于低空遥感影像和深度学习的水葫芦识别方法,其特征在于:包括以下步骤:
步骤1、利用无人机(1)采集遥感影像:规划无人机1的航迹,沿航迹进行航测,摄取多幅影像,并将影像发送回控制系统(4);
步骤2、对地面遥感影像进行处理;
步骤3、构建水葫芦遥感数据集:无人机(1)从0.01-30m的垂直高度上依次拍摄多幅遥感影像,获得多幅不同分辨率的遥感影像,并对遥感影像进行拼接,建立水葫芦不同分辨率遥感影像数据集;
步骤4、构建Tensorflow卷积神经网络识别模型:通过不同层级和影像的训练,建立一个水葫芦识别的卷积神经网络,在顶部使用三个卷积层,用softmax读出层的底部,并连接到一个完全连接的层,并为各卷积层定义适当的权重张量,调整神经网络给它一个更多的自由度,并添加丢失信息;
步骤5、水葫芦遥感影像的识别与定位:将带有地理标识的水葫芦影像用步骤3中的Tensorflow卷积神经网络进行识别,同时提取识别影像的地理坐标信息。
5.根据权利要求4所述的基于低空遥感影像和深度学习的水葫芦识别方法,其特征在于:步骤2中所述对地面遥感影像进行处理的方法为:利用北斗定位系统获得地面控制点,将无人机获取的影像坐标统一为CGCS2000坐标体系,采用航空摄影测量软件进行平差和正射纠正解算,并为每幅影像的每个像素获得唯一的地理坐标标识。
6.根据权利要求5所述的基于低空遥感影像和深度学习芦识别系统及方法,其特征在于:所述航空摄影测量软件采用为PHOTOMOD软件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910050655.2A CN109815880A (zh) | 2019-01-20 | 2019-01-20 | 基于低空遥感影像和深度学习的水葫芦识别系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910050655.2A CN109815880A (zh) | 2019-01-20 | 2019-01-20 | 基于低空遥感影像和深度学习的水葫芦识别系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109815880A true CN109815880A (zh) | 2019-05-28 |
Family
ID=66604542
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910050655.2A Pending CN109815880A (zh) | 2019-01-20 | 2019-01-20 | 基于低空遥感影像和深度学习的水葫芦识别系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109815880A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112161973A (zh) * | 2020-08-31 | 2021-01-01 | 中国水利水电科学研究院 | 一种基于无人机的水体污染快速检测方法 |
CN115578644A (zh) * | 2022-08-08 | 2023-01-06 | 江苏省水利科学研究院 | 基于多特征机器学习的平原水网水葫芦提取方法及装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073879A (zh) * | 2010-12-02 | 2011-05-25 | 南京大学 | 基于半监督学习的海岸海洋遥感影像特征地类的识别方法 |
CN104268657A (zh) * | 2014-09-30 | 2015-01-07 | 北京师范大学 | 基于遥感的流域水生态风险预警和判别方法 |
CN104880177A (zh) * | 2015-06-23 | 2015-09-02 | 赵国梁 | 一种多角度无人航测系统 |
CN105279556A (zh) * | 2015-11-05 | 2016-01-27 | 国家卫星海洋应用中心 | 一种浒苔检测方法和装置 |
CN105930877A (zh) * | 2016-05-31 | 2016-09-07 | 上海海洋大学 | 一种基于多模态深度学习的遥感影像分类方法 |
CN106971146A (zh) * | 2017-03-03 | 2017-07-21 | 环境保护部卫星环境应用中心 | 基于三查技术的水体异常遥感动态监控方法、装置和系统 |
CN108020511A (zh) * | 2016-11-01 | 2018-05-11 | 中国科学院遥感与数字地球研究所 | 一种浅水草型湖泊水质参数遥感监测方法与装置 |
CN108052911A (zh) * | 2017-12-20 | 2018-05-18 | 上海海洋大学 | 基于深度学习的多模态遥感影像高层特征融合分类方法 |
CN108229425A (zh) * | 2018-01-29 | 2018-06-29 | 浙江大学 | 一种基于高分辨率遥感图像的水体识别方法 |
CN108537182A (zh) * | 2018-04-13 | 2018-09-14 | 中国中医科学院中药研究所 | 基于无人机遥感数据的中药材种植面积自动统计方法 |
CN108981559A (zh) * | 2018-08-28 | 2018-12-11 | 郑州信大先进技术研究院 | 基于北斗地基增强系统的实时变形监测方法及系统 |
CN109086649A (zh) * | 2018-05-29 | 2018-12-25 | 国网新疆电力有限公司信息通信公司 | 卫星遥感图像水体识别方法 |
-
2019
- 2019-01-20 CN CN201910050655.2A patent/CN109815880A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073879A (zh) * | 2010-12-02 | 2011-05-25 | 南京大学 | 基于半监督学习的海岸海洋遥感影像特征地类的识别方法 |
CN104268657A (zh) * | 2014-09-30 | 2015-01-07 | 北京师范大学 | 基于遥感的流域水生态风险预警和判别方法 |
CN104880177A (zh) * | 2015-06-23 | 2015-09-02 | 赵国梁 | 一种多角度无人航测系统 |
CN105279556A (zh) * | 2015-11-05 | 2016-01-27 | 国家卫星海洋应用中心 | 一种浒苔检测方法和装置 |
CN105930877A (zh) * | 2016-05-31 | 2016-09-07 | 上海海洋大学 | 一种基于多模态深度学习的遥感影像分类方法 |
CN108020511A (zh) * | 2016-11-01 | 2018-05-11 | 中国科学院遥感与数字地球研究所 | 一种浅水草型湖泊水质参数遥感监测方法与装置 |
CN106971146A (zh) * | 2017-03-03 | 2017-07-21 | 环境保护部卫星环境应用中心 | 基于三查技术的水体异常遥感动态监控方法、装置和系统 |
CN108052911A (zh) * | 2017-12-20 | 2018-05-18 | 上海海洋大学 | 基于深度学习的多模态遥感影像高层特征融合分类方法 |
CN108229425A (zh) * | 2018-01-29 | 2018-06-29 | 浙江大学 | 一种基于高分辨率遥感图像的水体识别方法 |
CN108537182A (zh) * | 2018-04-13 | 2018-09-14 | 中国中医科学院中药研究所 | 基于无人机遥感数据的中药材种植面积自动统计方法 |
CN109086649A (zh) * | 2018-05-29 | 2018-12-25 | 国网新疆电力有限公司信息通信公司 | 卫星遥感图像水体识别方法 |
CN108981559A (zh) * | 2018-08-28 | 2018-12-11 | 郑州信大先进技术研究院 | 基于北斗地基增强系统的实时变形监测方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112161973A (zh) * | 2020-08-31 | 2021-01-01 | 中国水利水电科学研究院 | 一种基于无人机的水体污染快速检测方法 |
CN115578644A (zh) * | 2022-08-08 | 2023-01-06 | 江苏省水利科学研究院 | 基于多特征机器学习的平原水网水葫芦提取方法及装置 |
CN115578644B (zh) * | 2022-08-08 | 2023-04-18 | 江苏省水利科学研究院 | 基于多特征机器学习的平原水网水葫芦提取方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101793509B1 (ko) | 작물 모니터링을 위하여 무인 비행체의 자동 경로 산정을 통한 원격 관측 방법 및 그 시스템 | |
Pajares | Overview and current status of remote sensing applications based on unmanned aerial vehicles (UAVs) | |
CN110110641B (zh) | 一种流域性洪涝场景的无人机监测方法及系统 | |
CN103822635B (zh) | 基于视觉信息的无人机飞行中空间位置实时计算方法 | |
CN108832986B (zh) | 一种基于天地一体化的多源数据管控平台 | |
KR20170138225A (ko) | 일정 위치를 중심으로 정지 혹은 순회 비행하는 드론 기반의 국토 실시간 영상정보 획득 시스템 및 방법 | |
CN104118561B (zh) | 一种基于无人机技术的大型濒危野生动物监测的方法 | |
Zulkipli et al. | Multirotor UAV‐Based Photogrammetric Mapping for Road Design | |
CN107316012A (zh) | 小型无人直升机的火灾检测与跟踪方法 | |
CN109815300A (zh) | 一种车辆定位方法 | |
CN109948484A (zh) | 基于无人机影像dsm提取植物高度的系统及方法 | |
CN109815880A (zh) | 基于低空遥感影像和深度学习的水葫芦识别系统及方法 | |
CN112084989A (zh) | 基于无人机与cnn的大范围松材线虫病枯立木智能检测方法 | |
Jawak et al. | Applications of WorldView-2 satellite data for extraction of polar spatial information and DEM of Larsemann Hills, East Antarctica | |
Starek et al. | Application of unmanned aircraft systems for coastal mapping and resiliency | |
Paulin et al. | Application of raycast method for person geolocalization and distance determination using UAV images in Real-World land search and rescue scenarios | |
Martínez‐del‐Pozo et al. | Low altitude aerial photography applications for digital surface models creation in archaeology | |
Onwudinjo et al. | Estimating the performance of multi-rotor unmanned aerial vehicle structure-from-motion (UAVsfm) imagery in assessing homogeneous and heterogeneous forest structures: a comparison to airborne and terrestrial laser scanning | |
Chaudhry et al. | A comparative study of modern UAV platform for topographic mapping | |
CN113687398A (zh) | 一种基于北斗差分定位的无人机跟瞄通信系统及方法 | |
Holland et al. | The topographic data deluge–collecting and maintaining data in a 21st century mapping agency | |
Ren et al. | Application of airborne lidar technology in transmission line survey | |
Eckman et al. | Unmanned aircraft systems can improve survey data collection | |
Szewczyk et al. | NFC technology for precise localization in areas with limited global navigation satellite system signal | |
KR102315972B1 (ko) | 드론을 활용한 재난현장 재구성 및 원인분석 방법과 시스템 |
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: 20190528 |