CN112148028B - 基于无人机拍摄图像的环境监测方法和系统 - Google Patents

Abstract

本发明提供了一种基于无人机拍摄图像的环境监测方法和系统，涉及环境监测技术领域。通过结合无人机信息，地理信息和污染物概率分布图进行飞行路径的预规划，配合图像检测算法、目标位置推理算法确定污染物的坐标信息，并基于污染物的坐标信息、无人机实时位置信息、地理信息对无人机飞行路径进行重决策，确定飞行路径，并在完成飞行后更新污染物概率分布图，实现了无人机自主、高效的污染物检测流程。

Description

基于无人机拍摄图像的环境监测方法和系统

技术领域

本发明涉及环境监测技术领域，具体涉及一种基于无人机拍摄图像的环境监测方法和系统。

背景技术

随着无人机技术的发展，凭借着高空拍摄等优势，无人机在复杂地形或大范围地区进行特定的巡检，如电力巡检、边境巡检等越来越普遍。

在环保巡检和环卫领域，检测污染物的方式主要以人工巡检为主，比如景区的环卫工人需要人为或者人工操作机械发现需要清理的污染物，也有利用卫星检测污染物的方式，比如卫星遥感拍摄地面检测海洋污染或其他水体污染。

而将无人机用于环保巡检方法的还比较缺乏。目前的环保巡检和环卫巡检依旧以粗放的人力密集型模式为主，普遍存在效率低下、响应缓慢、管理成本高等问题，迫切需要提升智能化和信息化水平。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于无人机拍摄图像的环境监测方法和系统，解决了目前的环保以人力为主，巡检效率低的问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

第一方面，提供了一种基于无人机拍摄图像的环境监测方法，该方法包括：

S1、基于获取的无人机信息，地理信息和污染物概率分布图，规划无人机的预规划飞行路径；

S2、基于图像检测算法、目标位置推理算法以及无人机按预规划飞行路径进行飞行的过程中实时拍摄的地面图像确定污染物的坐标信息；

S3、基于污染物的坐标信息、无人机实时位置信息、地理信息对无人机飞行路径进行重决策，更新无人机飞行路径；

S4、基于污染物的坐标信息更新污染物概率分布图。

进一步的，所述S1包括：

S101、根据地理信息、巡检需求和污染物概率分布图生成无人机的飞行路径集合；所述无人机的飞行路径集合，由有向图G＝(V，A)表示，其中，V表示节点集，包括所有指定的需要巡检的点以及所有污染物概率分布图上的点，A表示边集，A＝{(i，j):i,j∈V,i≠j}；

S102、构建目标函数和约束条件；

其中，所述目标函数为：

其中：

表示所选飞行路径经过的污染物分布概率最大化，且重复经过概率只相加一次；

为惩罚函数，以便尽可能的减少飞行路径长度，惩罚因子根据需要设置；

所述约束条件为：

无人机从初始点出发并返回初始点，即

无人机飞行距离约束，即

飞行路径的连贯性约束，即

参数取值，

其中，S表示无人机飞行的起点和返航点；

d_ij表示节点i与节点j之间的距离，i,j∈V；

x_ij表示无人机是否直接从节点i到节点j，若是x_ij＝1，否则为0；

w_ij表示从节点i到节点j的污染物概率之和；

D表示无人机的最大飞行距离；

α表示惩罚因子；

S103、求解目标函数，输出预规划飞行路径。

进一步的，所述S2包括：

S201、无人机按预规划飞行路径飞至预设的第t个拍摄点时，拍摄当前的地面图像；

S202、基于图像检测算法将污染物作为目标对地面图像进行目标检测；

S203、基于图像检测结果和目标位置推理算法输出污染物的坐标信息。

进一步的，所述S3包括：

S301、判断是否需要调整当前拍摄点；

S302、基于污染物的坐标信息、地理信息、无人机实时位置信息，确定决策点；

S303、基于禁飞区、更新次数上限N，更新决策点。

进一步的，所述巡检需求包括：飞行路径不经过禁飞区，禁飞区主要包括无人机飞行高度限制范围BZ1和位置限制范围BZ2、节点覆盖所有指定的需要巡检的点、节点覆盖所有污染物概率分布图上的点。

进一步的，所述图像检测算法采用Fast-RCNN。

进一步的，所述S301、判断是否需要调整当前拍摄点包括：

S3011、判断是否存在污染物的坐标信息，若存在，则执行S3012，否则，无人机按预规划飞行路径继续飞行；

S3012、判断当前重决策次数是否达到重决策次数上限M；若是，人机按预规划飞行路径继续飞行；否则，执行S3013；

S3013、判断V＝{v_i1,v_i2,...,v_ik}中最大值是否小于预设的阈值T，若是，则执行S302；否则，无人机按预规划飞行路径继续飞行。

进一步的，所述S302、基于污染物的坐标信息、地理信息、无人机实时位置信息，确定决策点包括：

设定无人机用于决策平面位置的变换尺度γ和用于决策高度的β，

决策点的坐标的计算公式如下：

z_w＝z_u-β

其中，(x_w,y_w,z_w)表示重决策的三维坐标，(x_t,y_t)表示污染物的坐标信息。

进一步的，所述S303、基于禁飞区、更新次数上限N，更新决策点包括：

S3031、判断决策点是否处于禁飞区；若是，执行S3032；否则，无人机飞向决策点；

S3032、判断决策点更新次数是否达到上限N；若是，无人机按预规划飞行路径继续飞行，否则，执行S3033；

S3033、基于预设的变换尺度γ和β更新决策点，再返回S3031；

其中，基于预设的变换尺度γ和β更新决策点具体包括：

若x_w位于位置限制范围BZ2内，则令x_w＝x_w-γ；

若y_w位于位置限制范围BZ2内，则令y_w＝y_w-γ；

若z_w位于高度限制范围BZ1内，则令z_w＝z_u-β。

第二方面，提供了一种基于无人机拍摄图像的环境监测系统，所述系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

(三)有益效果

本发明提供了一种基于无人机拍摄图像的环境监测方法和系统。与现有技术相比，具备以下有益效果：

本发明提出了一种基于无人机拍摄图像的环境监测方法及系统，通过结合无人机信息，地理信息和污染物概率分布图进行飞行路径的预规划，配合图像检测算法、目标位置推理算法确定污染物的坐标信息，并基于污染物的坐标信息、无人机实时位置信息、地理信息对无人机飞行路径进行重决策，确定飞行路径，并在完成飞行后更新污染物概率分布图，实现了无人机自主、高效的污染物检测流程。

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，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的流程图；

图2为本发明实施例的无人机的飞行路径集合对应的有向图；

图3为确定污染物的坐标信息以及重决策的流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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。

本申请实施例通过提供一种基于无人机拍摄图像的环境监测方法和系统，解决了目前的环保以人力为主，巡检效率低的问题，实现了无人机自主、高效的污染物检测流程。

本申请实施例中的技术方案为解决上述技术问题，总体思路如下：通过结合无人机信息，地理信息和污染物概率分布图进行飞行路径的预规划，配合图像检测算法、目标位置推理算法确定污染物的坐标信息，并基于污染物的坐标信息、无人机实时位置信息、地理信息对无人机飞行路径进行重决策，确定飞行路径，并在完成飞行后更新污染物概率分布图，实现了无人机自主、高效的污染物检测流程。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

实施例1：

如图1所示，本发明提供了一种基于无人机拍摄图像的环境监测方法，该方法由计算机执行，该方法包括：

S1、基于获取的无人机信息，地理信息和污染物概率分布图，规划无人机的预规划飞行路径；

S2、基于图像检测算法、目标位置推理算法以及无人机按预规划飞行路径进行飞行的过程中实时拍摄的地面图像确定污染物的坐标信息；

S3、基于污染物的坐标信息、无人机实时位置信息、地理信息对无人机飞行路径进行重决策，更新无人机飞行路径；

S4、基于污染物的坐标信息更新污染物概率分布图。

本发明实施例的有益效果为：

提出了一种基于无人机拍摄图像的环境监测方法，通过结合无人机信息，地理信息和污染物概率分布图进行飞行路径的预规划，配合图像检测算法、目标位置推理算法确定污染物的坐标信息，并基于污染物的坐标信息、无人机实时位置信息、地理信息对无人机飞行路径进行重决策，确定飞行路径，并在完成飞行后更新污染物概率分布图，实现了无人机自主、高效的污染物检测流程。

下面对本实施例的实现过程进行详细说明：

S1、基于获取的无人机信息，地理信息和污染物概率分布图，规划无人机的预规划飞行路径，具体包括如下步骤：

S101、根据地理信息、无人机信息中的巡检需求和污染物概率分布图生成无人机的飞行路径集合；

其中，所述巡检需求包括：

飞行路径要避开禁飞区，禁飞区主要包括无人机飞行高度限制范围BZ1和位置限制范围BZ2。(禁飞区包括例如巡检区域内地势过高，人口过于密集等因素可能会对无人机飞行可能带来威胁的区域)。

节点覆盖所有指定的需要巡检的点(一般根据巡检要求来人工指定)。

节点覆盖所有污染物概率分布图上的点(污染物概率为历史上该点被检测到污染物的次数除以其被观测的总次数；没有历史数据的时候由人工指定)。

对于无人机的飞行路径集合，可通过如图2所示的有向图G＝(V，A)表示，其中，V表示节点集，包括所有指定的需要巡检的点以及所有污染物概率分布图上的点，A表示边集，A＝{(i，j):i,j∈V,i≠j}。

S102、构建目标函数和约束条件；

定义：

S表示无人机飞行的起点和返航点；

d_ij表示节点i与节点j之间的距离，i,j∈V；

x_ij表示无人机是否直接从节点i到节点j，若是x_ij＝1，否则为0；

w_ij表示从节点i到节点j的污染物概率之和；

D表示无人机的最大飞行距离；

α表示惩罚因子。

目标函数为：

其中：

表示所选飞行路径经过的污染物分布概率最大化，且重复经过概率只相加一次；

为惩罚函数，以便尽可能的减少飞行路径长度，惩罚因子根据需要设置。

约束条件为：

无人机从初始点出发并返回初始点，即

无人机飞行距离约束，即

飞行路径的连贯性约束，

参数取值，

S103、求解目标函数，输出预规划飞行路径；

目标函数可以用很多经典方法来求解包括遗传算法、模拟退火算法、遗传算法等。

以遗传算法标准流程为例简述求解过程，遗传算法的标准求解流程大致如下：

①对“染色体”进行“编码”，并基于某种算法或随机生成一定规模的初始种群；基因位假定为二进制编码，每一个基因位g_s对应一个x_ij；

②控制算法按照某种规则进行迭代(进化)；

③在每轮迭代中主要的遗传操作包含选择、交叉、变异、更新四个模块；

④在每轮迭代中要记录找到的历史最优解及其对应的“染色体”，算法终止后输出最优解值，在本实施例中，即输出目标函数为最大值时对应的解，并通过“解码”过程形成对应决策方案，即预规划飞行路径。

其中计算适应度值使用适应度函数Fit(f(x))直接由目标函数进行转换表达式为：

如图3所示，包含S2中的确定污染物的坐标信息以及S3中的重决策过程；

S2、基于图像检测算法、目标位置推理算法以及无人机按预规划飞行路径进行飞行的过程中实时拍摄的地面图像确定污染物的坐标信息；具体步骤包括：

S201、无人机按预规划飞行路径飞至预设的第t个拍摄点时，拍摄当前的地面图像；

其中，拍摄点可设置为特定的位置拍摄或一定时间间隔拍摄。

S202、基于图像检测算法将污染物作为目标对地面图像进行目标检测；

以图像检测算法采用Fast-RCNN为例，一般步骤包括：

H1:在图像中确定约1000-2000个候选框(使用选择性搜索)；

H2:将图像数据输入CNN，提取特征图；

H3:找到每个候选框在特征图上的映射patch；

H4:patch输入到SPP(SpatialPyramidPooling空间金字塔池化)层和之后的神经网络层；

H5:分类器判别候选框是否属于一个特定类，如果是进入H7；

H6:重复H3-H5直到所有候选框判定完毕，如果判定所有的候选框均不属于特定的类，输出决策信息：不存在目标；

H7：对于属于某一特定类的候选框，用回归器进一步调整其位置。

运算结束后，使用image表示当前无人机拍摄的图像数据，通常为RGB矩阵；则输出的图像检测结果为：

Fast(image)＝{ima_i,V_i},i＝1,…,n

其中，i表示从地面图像中检测出来的第i个目标；

n表示从地面图像中以检测出的目标个数；

ima_i＝{x_upi，y_upi，x_uni，y_uni}表示目标检测算法检测出来有目标的框；

(x_upi，y_upi)表示框的左上角在图像中的坐标位置，(x_uni，y_uni)框的右下角在图像中的坐标位置；

V＝{v_i1,v_i2,……,v_ik}表示第i个目标的在Fast-RCNN分类器中softmax层后的特征向量；

v_ik表示污染物属于第k类污染物的概率。

S203、基于图像检测结果和目标位置推理算法输出污染物的坐标信息。

推理图像中污染物的实际位置，主要需要解决的问题就是如何将像素坐标(即图像像素坐标系)转换为真实场景坐标(惯性坐标系)；可采用现有的算法实现，在此不再赘述，例如采用2016.12南京理工大学，袁峻，硕士学位论文《无人机图像目标跟踪与定位》的5.4节中的方法：建立了坐标的转换关系(单张图片)，可得到污染物的坐标信息。

S3、基于污染物的坐标信息、无人机实时位置信息、地理信息对无人机飞行路径进行重决策，更新无人机飞行路径；具体包括以下步骤：

S301、判断是否需要调整当前拍摄点；让无人机抵近拍摄：

S3011、判断是否存在污染物的坐标信息，若存在，则执行S3012，否则，无人机按预规划飞行路径继续飞行；

S3012、判断当前重决策次数是否达到重决策次数上限M；若是，人机按预规划飞行路径继续飞行；否则，执行S3013；

S3013、判断V＝{v_i1,v_i2,...,v_ik}中最大值是否小于预设的阈值T，若是，则执行S302；否则，无人机按预规划飞行路径继续飞行；

S302、基于污染物的坐标信息、地理信息、无人机实时位置信息，确定决策点；

污染物的坐标信息指的是污染物的平面坐标信息，可表示为(x_t,y_t)；

无人机实时位置信息为三维坐标信息，可表示为(x_u,y_u,z_u)；

具体包括如下步骤：

设定无人机用于决策平面位置的变换尺度γ和用于决策高度的β，

(x_w,y_w,z_w)表示重决策的决策点的坐标，且计算公式如下：

z_w＝z_u-β

S303、基于禁飞区、更新次数上限N，更新决策点；

具体包括如下步骤：

S3031、判断决策点是否处于禁飞区；若是，执行S3032；否则，无人机飞向决策点；

S3032、判断决策点更新次数是否达到上限N；若是，无人机按预规划飞行路径继续飞行，否则，执行S3033；

S3033、基于预设的变换尺度γ和β更新决策点，再返回S3031；

基于预设的变换尺度γ和β更新决策点具体包括：

若x_w位于位置限制范围BZ2内，则令x_w＝x_w-γ；

若y_w位于位置限制范围BZ2内，则令y_w＝y_w-γ；

若z_w位于高度限制范围BZ1内，则令z_w＝z_u-β。

显然，无人机飞向预规划飞行路径中下一个节点，需要满足以下几个条件之一：

(1)观测目标特征满足要求不需要重决策。

(2)重决策后观测目标特征满足要求。

(3)重决策后观测目标特征依旧不满足要求但是已经达到最大重决策次数。

(4)重决策中始终无法得到安全的决策点，且决策次数超过上限。

S4、基于污染物的坐标信息更新污染物概率分布图。

具体为：无人机按照规划完成一次完整检测后，将返回本次的观测信息，并更新污染物历史分布，更新后的分布作为下一次规划飞行的依据。

实施例2

本发明还提供了一种基于无人机拍摄图像的环境监测系统，所述系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

可理解的是，本发明实施例提供的基于无人机拍摄图像的环境监测系统与上述基于无人机拍摄图像的环境监测方法相对应，其有关内容的解释、举例、有益效果等部分可以参考基于无人机拍摄图像的环境监测方法中的相应内容，此处不再赘述。

综上所述，与现有技术相比，本发明具备以下有益效果：

①提出了一种基于无人机拍摄图像的环境监测方法，通过结合无人机信息，地理信息和污染物概率分布图进行飞行路径的预规划，配合图像检测算法、目标位置推理算法确定污染物的坐标信息，并基于污染物的坐标信息、无人机实时位置信息、地理信息对无人机飞行路径进行重决策，确定飞行路径，并在完成飞行后更新污染物概率分布图，实现了无人机自主、高效的污染物检测流程。

2本发明实施例在无人机规划方案时充分考虑规划效率，提出维护污染物概率分布图的方案，并将分布图作为规划的重要依据，以最大化无人机单次巡检覆盖区域的污染物概率和为重要目标。这种方法使得在规划之初就针对性的提升环境监测的效率。

3本发明实施例将无人机拍摄图像的目标检测结果和无人机决策方案结合在一起，针对性的增强环境监测的质量和效率。

4本发明实施例构成污染物概率分布图的维护环路，充分运用历史数据，并提供及时维护分布图的通道。

需要说明的是，通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种基于无人机拍摄图像的环境监测方法，其特征在于，该方法包括：

S1、基于获取的无人机信息，地理信息和污染物概率分布图，规划无人机的预规划飞行路径；

S2、基于图像检测算法、目标位置推理算法以及无人机按预规划飞行路径进行飞行的过程中实时拍摄的地面图像确定污染物的坐标信息；

S3、基于污染物的坐标信息、无人机实时位置信息、地理信息对无人机飞行路径进行重决策，更新无人机飞行路径；

S4、基于污染物的坐标信息更新污染物概率分布图；

所述S1包括：

S101、根据地理信息、巡检需求和污染物概率分布图生成无人机的飞行路径集合；所述无人机的飞行路径集合，由有向图G＝(V，A)表示，其中，V表示节点集，包括所有指定的需要巡检的点以及所有污染物概率分布图上的点，A表示边集，A＝{(i，j):i,j∈V,i≠j}；

S102、构建目标函数和约束条件；

其中，所述目标函数为：

其中：

表示所选飞行路径经过的污染物分布概率最大化，且重复经过概率只相加一次；

为惩罚函数，以便尽可能的减少飞行路径长度，惩罚因子根据需要设置；

所述约束条件为：

无人机从初始点出发并返回初始点，即

无人机飞行距离约束，即

飞行路径的连贯性约束，即

参数取值，

其中，S表示无人机飞行的起点和返航点；

d_ij表示节点i与节点j之间的距离，i,j∈V；

x_ij表示无人机是否直接从节点i到节点j，若是x_ij＝1，否则为0；

w_ij表示从节点i到节点j的污染物概率之和；

D表示无人机的最大飞行距离；

α表示惩罚因子；

S103、求解目标函数，输出预规划飞行路径。

2.如权利要求1所述的一种基于无人机拍摄图像的环境监测方法，其特征在于，所述S2包括：

S201、无人机按预规划飞行路径飞至预设的第t个拍摄点时，拍摄当前的地面图像；

S202、基于图像检测算法将污染物作为目标对地面图像进行目标检测；

S203、基于图像检测结果和目标位置推理算法输出污染物的坐标信息。

3.如权利要求1所述的一种基于无人机拍摄图像的环境监测方法，其特征在于，所述S3包括：

S301、判断是否需要调整当前拍摄点；

S302、基于污染物的坐标信息、地理信息、无人机实时位置信息，确定决策点；

S303、基于禁飞区、更新次数上限N，更新决策点。

4.如权利要求1所述的一种基于无人机拍摄图像的环境监测方法，其特征在于，所述巡检需求包括：飞行路径不经过禁飞区，禁飞区主要包括无人机飞行高度限制范围BZ1和位置限制范围BZ2、节点覆盖所有指定的需要巡检的点、节点覆盖所有污染物概率分布图上的点。

5.如权利要求2所述的一种基于无人机拍摄图像的环境监测方法，其特征在于，所述图像检测算法采用Fast-RCNN。

6.如权利要求3所述的一种基于无人机拍摄图像的环境监测方法，其特征在于，所述S301、判断是否需要调整当前拍摄点包括：

S3011、判断是否存在污染物的坐标信息，若存在，则执行S3012，否则，无人机按预规划飞行路径继续飞行；

S3012、判断当前重决策次数是否达到重决策次数上限M；若是，人机按预规划飞行路径继续飞行；否则，执行S3013；

S3013、判断V＝{v_i1,v_i2,...,v_ik}中最大值是否小于预设的阈值T，若是，则执行S302；否则，无人机按预规划飞行路径继续飞行。

7.如权利要求3所述的一种基于无人机拍摄图像的环境监测方法，其特征在于，所述S302、基于污染物的坐标信息、地理信息、无人机实时位置信息，确定决策点包括：

设定无人机用于决策平面位置的变换尺度γ和用于决策高度的β，

决策点的坐标的计算公式如下：

z_w＝z_u-β

其中，(x_w,y_w,z_w)表示重决策的三维坐标，(x_t,y_t)表示污染物的坐标信息；(x_u，y_u，z_u)表示无人机实时位置信息的三维坐标信息；β表示无人机用于决策高度的变换尺度。

8.如权利要求7所述的一种基于无人机拍摄图像的环境监测方法，其特征在于，所述S303、基于禁飞区、更新次数上限N，更新决策点包括：

S3031、判断决策点是否处于禁飞区；若是，执行S3032；否则，无人机飞向决策点；

S3032、判断决策点更新次数是否达到上限N；若是，无人机按预规划飞行路径继续飞行，否则，执行S3033；

S3033、基于预设的变换尺度γ和β更新决策点，再返回S3031；

其中，基于预设的变换尺度γ和β更新决策点具体包括：

若x_w位于位置限制范围BZ2内，则令x_w＝x_w-γ；

若y_w位于位置限制范围BZ2内，则令y_w＝y_w-γ；

若z_w位于高度限制范围BZ1内，则令z_w＝z_u-β。

9.一种基于无人机拍摄图像的环境监测系统，所述系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至8任一所述方法的步骤。

Images