CN112395924A - 一种遥感监测方法及装置 - Google Patents
一种遥感监测方法及装置 Download PDFInfo
- Publication number
- CN112395924A CN112395924A CN201910761933.5A CN201910761933A CN112395924A CN 112395924 A CN112395924 A CN 112395924A CN 201910761933 A CN201910761933 A CN 201910761933A CN 112395924 A CN112395924 A CN 112395924A
- Authority
- CN
- China
- Prior art keywords
- data
- point
- remote sensing
- detected
- sensing monitoring
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 336
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000000605 extraction Methods 0.000 claims abstract description 68
- 238000012549 training Methods 0.000 claims description 43
- 238000010304 firing Methods 0.000 claims description 35
- 238000013527 convolutional neural network Methods 0.000 claims description 32
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012806 monitoring device Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 17
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Remote Sensing (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Astronomy & Astrophysics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种遥感监测方法及装置。其中,所述方法包括:获取待检测着火点区域的遥感监测数据;对所述遥感监测数据中至少一个待检测着火点的数据元素进行特征提取,获得所述遥感监测数据的单点特征数据;对所述遥感监测数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素进行特征提取,获得所述遥感监测数据的邻近点特征数据;根据所述遥感监测数据的单点特征数据和所述遥感监测数据的邻近点特征数据,获得所述遥感监测数据的特征数据;根据所述遥感监测数据的特征数据,判断所述待检测着火点区域是否为着火点区域。采用本申请提供的方法,提高了着火点检测的准确度。
Description
技术领域
本申请涉及深度学习领域,具体涉及一种遥感监测方法及装置。
背景技术
随着深度学习在计算机视觉的广泛应用,深度学习在遥感领域已经有了很多成功的应用案例,这些应用案例包括地物分类,动土变化检测,新增建筑检测等。在这些应用案例中,被处理的原始数据为分辨率较高的普通影像数据。其中,大部分普通影像数据的分辨率在10米以内,且只有RGB三个通道,因而易于把应用于普通影像数据的深度学习算法迁移到这些遥感领域中。
作为一种高光谱数据,卫星遥感监测数据(MODIS,Moderate Resolution ImagingSpectroradiometer)不仅有RGB三个通道,还包括地表、云温度、大气温度等多个波段的通道。同时,MODIS数据的分辨率极低,具体分辨率为1公里,难以把普通影像处理的深度学习方法迁移到这个数据集上进行应用。由于MODIS数据具有全球免费,覆盖面广,更新频率高等特点,现有技术中使用基于阈值过滤等传统方法对其进行着火点检测。但是,这种检测方法的准确率不高。
如何把深度学习方法应用到多通道、低分辨率的MODIS数据中,从而获得准确的着火点检测信息成为亟待解决的问题。
发明内容
本申请提供一种遥感监测方法及装置,以提高着火点检测的准确率。
所述遥感监测方法,包括:
获取待检测着火点区域的遥感监测数据;
对所述遥感监测数据中至少一个待检测着火点的数据元素进行特征提取,获得所述遥感监测数据的单点特征数据;
对所述遥感监测数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素进行特征提取,获得所述遥感监测数据的邻近点特征数据;
根据所述遥感监测数据的单点特征数据和所述遥感监测数据的邻近点特征数据,获得所述遥感监测数据的特征数据;
根据所述遥感监测数据的特征数据,判断所述待检测着火点区域是否为着火点区域。
可选的,所述对所述遥感监测数据中至少一个待检测着火点的数据元素进行特征提取,获得所述遥感监测数据的单点特征数据,包括:
利用卷积神经网络中的尺寸为1×1的卷积核,对所述遥感监测数据中至少一个待检测着火点的数据元素进行卷积运算,获得所述遥感监测数据中至少一个待检测着火点的数据元素的单点卷积值;
根据所述遥感监测数据中至少一个待检测着火点的数据元素的单点卷积值,获得所述遥感监测数据的单点特征数据。
可选的,所述对所述遥感监测数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素进行特征提取,获得所述遥感监测数据的邻近点特征数据,包括:
利用卷积神经网络中的尺寸大于1×1的卷积核,对所述遥感监测数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素进行卷积运算,获得所述遥感监测数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素的邻近点卷积值;
根据所述遥感监测数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素的邻近点卷积值,获得所述遥感监测数据的邻近点特征数据。
可选的,所述根据所述遥感监测数据的单点特征数据和所述遥感监测数据的邻近点特征数据,获得所述遥感监测数据的特征数据,包括:
将所述遥感监测数据的单点特征数据和所述遥感监测数据的邻近点特征数据进行特征连接,获得所述遥感监测数据的第一特征数据;
对所述第一特征数据进行特征提取,获得所述第一特征数据的特征信息;
将所述第一特征数据的特征信息确定为所述遥感监测数据的特征数据。
可选的,所述对第一特征数据进行特征提取,获得所述第一特征数据的特征信息,包括:
对所述第一特征数据中至少一个待检测着火点的数据元素进行特征提取,获得所述第一特征数据的单点特征数据;
对所述第一特征数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素进行特征提取,获得所述第一特征数据的邻近点特征数据;
根据所述第一特征数据的单点特征数据和所述第一特征数据的邻近点特征数据,获得所述第一特征数据的特征信息。
可选的,所述对所述第一特征数据中至少一个待检测着火点的数据元素进行特征提取,获得所述第一特征数据的单点特征数据,包括:
利用卷积神经网络中的尺寸为1×1的卷积核,对所述第一特征数据中至少一个待检测着火点的数据元素进行卷积运算,获得所述第一特征数据中至少一个待检测着火点的数据元素的单点卷积值;
根据所述第一特征数据中至少一个待检测着火点的数据元素的单点卷积值,获得所述第一特征数据的单点特征数据。
可选的,所述对所述第一特征数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素进行特征提取,获得所述第一特征数据的邻近点特征数据,包括:
利用卷积神经网络中的尺寸大于1×1的卷积核,对所述第一特征数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素进行卷积运算,获得所述至少一个待检测着火点的相邻待检测着火点的数据元素的邻近点卷积值;
根据所述至少一个待检测着火点的相邻待检测着火点的数据元素的邻近点卷积值,获得所述第一特征数据的邻近点特征数据。
可选的,所述根据所述第一特征数据的单点特征数据和所述第一特征数据的邻近点特征数据,获得所述第一特征数据的特征信息,包括:
将所述第一特征数据的单点特征数据和所述第一特征数据的邻近点特征数据进行特征连接,获得所述第一特征数据的第二特征数据;
对所述第二特征数据进行特征提取,获得所述第一特征数据的特征信息。
可选的,所述根据所述遥感监测数据的特征数据,判断所述待检测着火点区域是否为着火点区域,包括:
将所述监控数据的特征数据与指定的分类阈值进行对比;
如果所述监控数据的特征数据大于或者等于所述指定的分类阈值,则确定所述待检测着火点区域为着火点区域;
如果所述监控数据的特征数据小于所述指定的分类阈值,则确定所述待检测着火点区域为非着火点区域。
可选的,所述遥感监测方法,还包括:
获取着火点样本数据;
根据所述着火点样本数据,获得第一训练数据,所述第一训练数据包括着火点样本数据和非着火点样本数据,所述第一训练数据包括的着火点样本数据的数量与所述第一训练数据包括的非着火点样本数据的数量之间的比例为指定比例;
根据所述第一训练数据,生成卷积神经网络模型,所述卷积神经网络模型用于根据待检测着火点区域的遥感监测数据获得所述待检测着火点区域是否为着火点区域的结果。
可选的,所述待检测着火点区域的遥感监测数据,包括如下数据中的至少一种:
所述待检测着火点区域的地表数据;
所述待检测着火点区域的云温度数据;
所述待检测着火点区域的大气温度数据。
可选的,所述待检测着火点区域的遥感监测数据,包括待检测着火点区域的卫星遥感监测数据。
本身请提供一种遥感监测装置,包括:
监测数据获取单元,用于获取待检测着火点区域的遥感监测数据;
单点特征获得单元,用于对所述遥感监测数据中至少一个待检测着火点的数据元素进行特征提取,获得所述遥感监测数据的单点特征数据;
邻近点特征获取单元,用于对所述遥感监测数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素进行特征提取,获得所述遥感监测数据的邻近点特征数据;
特征数据获得单元,用于根据所述遥感监测数据的单点特征数据和所述遥感监测数据的邻近点特征数据,获得所述遥感监测数据的特征数据;
判断单元,用于根据所述遥感监测数据的特征数据,判断所述待检测着火点区域是否为着火点区域。
可选的,所述单点特征获得单元,具体用于:
利用卷积神经网络中的尺寸为1×1的卷积核,对所述遥感监测数据中至少一个待检测着火点的数据元素进行卷积运算,获得所述遥感监测数据中至少一个待检测着火点的数据元素的单点卷积值;
根据所述遥感监测数据中至少一个待检测着火点的数据元素的单点卷积值,获得所述遥感监测数据的单点特征数据。
可选的,所述邻近点特征获取单元,具体用于:
利用卷积神经网络中的尺寸大于1×1的卷积核,对所述遥感监测数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素进行卷积运算,获得所述遥感监测数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素的邻近点卷积值;
根据所述遥感监测数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素的邻近点卷积值,获得所述遥感监测数据的邻近点特征数据。
可选的,所述特征数据获得单元,具体用于:
将所述遥感监测数据的单点特征数据和所述遥感监测数据的邻近点特征数据进行特征连接,获得所述遥感监测数据的第一特征数据;
对所述第一特征数据进行特征提取,获得所述第一特征数据的特征信息;
将所述第一特征数据的特征信息确定为所述遥感监测数据的特征数据。
可选的,所述特征数据获得单元,还用于:
对所述第一特征数据中至少一个待检测着火点的数据元素进行特征提取,获得所述第一特征数据的单点特征数据;
对所述第一特征数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素进行特征提取,获得所述第一特征数据的邻近点特征数据;
根据所述第一特征数据的单点特征数据和所述第一特征数据的邻近点特征数据,获得所述第一特征数据的特征信息。
可选的,所述特征数据获得单元,还用于:
利用卷积神经网络中的尺寸为1×1的卷积核,对所述第一特征数据中至少一个待检测着火点的数据元素进行卷积运算,获得所述第一特征数据中至少一个待检测着火点的数据元素的单点卷积值;
根据所述第一特征数据中至少一个待检测着火点的数据元素的单点卷积值,获得所述第一特征数据的单点特征数据。
可选的,所述特征数据获得单元,还用于:
利用卷积神经网络中的尺寸大于1×1的卷积核,对所述第一特征数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素进行卷积运算,获得所述至少一个待检测着火点的相邻待检测着火点的数据元素的邻近点卷积值;
根据所述至少一个待检测着火点的相邻待检测着火点的数据元素的邻近点卷积值,获得所述第一特征数据的邻近点特征数据。
可选的,所述特征数据获得单元,还用于:
将所述第一特征数据的单点特征数据和所述第一特征数据的邻近点特征数据进行特征连接,获得所述第一特征数据的第二特征数据;
对所述第二特征数据进行特征提取,获得所述第一特征数据的特征信息。
可选的,所述判断单元,具体用于:
将所述监控数据的特征数据与指定的分类阈值进行对比;
如果所述监控数据的特征数据大于或者等于所述指定的分类阈值,则确定所述待检测着火点区域为着火点区域;
如果所述监控数据的特征数据小于所述指定的分类阈值,则确定所述待检测着火点区域为非着火点区域。
可选的,所述遥感监测方法还包括模型生成单元,所述模型生成单元用于:
获取着火点样本数据;
根据所述着火点样本数据,获得第一训练数据,所述第一训练数据包括着火点样本数据和非着火点样本数据,所述第一训练数据包括的着火点样本数据的数量与所述第一训练数据包括的非着火点样本数据的数量之间的比例为指定比例;
根据所述第一训练数据,生成卷积神经网络模型,所述卷积神经网络模型用于根据待检测着火点区域的遥感监测数据获得所述待检测着火点区域是否为着火点区域的结果。
可选的,所述待检测着火点区域的遥感监测数据,包括如下数据中的至少一种:
所述待检测着火点区域的地表数据;
所述待检测着火点区域的云温度数据;
所述待检测着火点区域的大气温度数据。
可选的,所述待检测着火点区域的遥感监测数据,包括待检测着火点区域的卫星遥感监测数据。
本申请提供一种卷积神经网络模型的生成方法,包括:
获取着火点样本数据;
根据所述着火点样本数据,获得第一训练数据,所述第一训练数据包括着火点样本数据和非着火点样本数据,所述第一训练数据包括的着火点样本数据的数量与所述第一训练数据包括的非着火点样本数据的数量之间的比例为指定比例;
根据所述第一训练数据,生成卷积神经网络模型,所述卷积神经网络模型用于根据待检测着火点区域的遥感监测数据获得所述待检测着火点区域是否为着火点区域的结果。
本申请提供一种电子设备,包括:
处理器;
以及,
存储器,用于存储计算机程序,该设备通过所述处理器运行该计算机程序后,执行上述遥感监测方法或卷积神经网络模型的生成方法。
本申请提供一种计算机存储介质,所述计算机存储介质存储有计算机程序,该程序被处理器运行,执行上述遥感监测方法或卷积神经网络模型的生成方法。
本申请提供一种无人机监控图像数据的识别方法,包括:
获取待检测区域的无人机监控图像数据;
对所述无人机监控图像数据中至少一个目标的数据元素进行特征提取,获得所述无人机监控图像数据的单点特征数据;
对所述无人机监控图像数据中所述至少一个目标的相邻待检测目标的数据元素进行特征提取,获得所述无人机监控图像数据的邻近点特征数据;
根据所述无人机监控图像数据的单点特征数据和所述无人机监控图像数据的邻近点特征数据,获得所述无人机监控图像数据的特征数据;
根据所述无人机监控图像数据的特征数据,识别所述待检测区域是否为目标区域。
与现有技术相比,本申请具有如下优点:
本申请提供的遥感监测方法,获取待检测着火点区域的遥感监测数据;对所述遥感监测数据中至少一个待检测着火点的数据元素进行特征提取,获得所述遥感监测数据的单点特征数据;对所述遥感监测数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素进行特征提取,获得所述遥感监测数据的邻近点特征数据;根据所述遥感监测数据的单点特征数据和所述遥感监测数据的邻近点特征数据,获得所述遥感监测数据的特征数据;根据所述遥感监测数据的特征数据,判断所述待检测着火点区域是否为着火点区域。采用本申请提供的方法,综合考虑了待检测着火点区域的遥感监测数据的单点特征数据和待检测着火点区域的遥感监测数据的邻近点特征数据,进而根据所述单点特征数据和所述邻近点特征数据,获得所述遥感监测数据的特征数据,从而提高了着火点检测的准确度。
附图说明
图1是本申请提供的一种遥感监测方法的应用场景实施例示意图;
图2是本申请第一实施例提供的一种遥感监测方法的流程图;
图3是本申请第一实施例涉及的一种网络模块A的结构示意图;
图4是本申请第一实施例涉及的一种网络模块B的结构示意图;
图5是本申请第一实施例涉及的一种网络模块C的结构示意图;
图6是本申请第一实施例涉及的一种卷积神经网络模型的结构示意图;
图7是本申请第二实施例提供的一种遥感监测装置的示意图;
图8是本申请第三实施例提供的一种卷积神经网络模型的生成方法的流程图;
图9是本申请第六实施例提供的一种遥感监测方法的流程图;
图10是本申请第七实施例提供的一种无人机监控图像数据的识别方法的流程图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施的限制。
为了使本领域的技术人员更好的理解本申请方案,首先对本申请的一个具体应用场景实施例进行详细描述。如图1所示,其为本申请提供的一种遥感监测方法的应用场景的实施例示意图。在具体实施过程中,可以由客户端向提供设备标识的服务端发送用于检测着火点的请求信息,所述请求信息中包括MODIS数据;服务端收到该请求信息后,获得待检测着火点区域的MODIS数据,对所述遥感监测数据中至少一个待检测着火点的数据元素进行特征提取,获得所述遥感监测数据的单点特征数据;对所述遥感监测数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素进行特征提取,获得所述遥感监测数据的邻近点特征数据;根据所述遥感监测数据的单点特征数据和所述遥感监测数据的邻近点特征数据,获得所述遥感监测数据的特征数据;根据所述遥感监测数据的特征数据,判断所述待检测着火点区域是否为着火点区域;最后将判断结果返回给客户端。
本申请第一实施例提供一种遥感监测方法。请参看图2,该图为本申请第一实施例的流程图。以下结合图2对本申请第一实施例进行详细说明。所述方法包括如下步骤:
步骤S201:获取待检测着火点区域的遥感监测数据。
本步骤用于获取待检测着火点区域的遥感监测数据。
所述待检测着火点区域的遥感监测数据,包括待检测着火点区域的卫星遥感监测数据。
所述遥感监测数据可以是MODIS数据。MODIS数据是一种高光谱数据,不仅仅有RGB三个通道,还包括地表数据、云温度数据、大气温度等多个波段的通道。
所述待检测着火点区域的遥感监测数据,包括如下数据中的至少一种:
所述待检测着火点区域的地表数据;
所述待检测着火点区域的云温度数据;
所述待检测着火点区域的大气温度数据。
步骤S202:对所述遥感监测数据中至少一个待检测着火点的数据元素进行特征提取,获得所述遥感监测数据的单点特征数据。
本步骤用于对所述遥感监测数据中至少一个待检测着火点的数据元素进行特征提取,获得所述遥感监测数据的单点特征数据。
所述对所述遥感监测数据中至少一个待检测着火点的数据元素进行特征提取,获得所述遥感监测数据的单点特征数据,包括:
利用卷积神经网络中的尺寸为1×1的卷积核,对所述遥感监测数据中至少一个待检测着火点的数据元素进行卷积运算,获得所述遥感监测数据中至少一个待检测着火点的数据元素的单点卷积值;
根据所述遥感监测数据中至少一个待检测着火点的数据元素的单点卷积值,获得所述遥感监测数据的单点特征数据。
卷积神经网络中的尺寸为1×1的卷积核,常常用来对于遥感监测数据中的待检测着火点的数据元素进行特征处理。例如输入的是256×256×42的MODIS数据,利用1×1的卷积核进行卷积计算后,获得256×256×128的处理后数据。其中,256×256是MODIS数据的宽度×MODIS数据的高度,42和128是MODIS数据的通道数。
步骤S203:对所述遥感监测数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素进行特征提取,获得所述遥感监测数据的邻近点特征数据。
本步骤用于对所述遥感监测数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素进行特征提取,获得所述遥感监测数据的邻近点特征数据。
所述对所述遥感监测数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素进行特征提取,获得所述遥感监测数据的邻近点特征数据,包括:
利用卷积神经网络中的尺寸大于1×1的卷积核,对所述遥感监测数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素进行卷积运算,获得所述遥感监测数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素的邻近点卷积值;
根据所述遥感监测数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素的邻近点卷积值,获得所述遥感监测数据的邻近点特征数据。
本步骤中,所述卷积神经网络中的尺寸大于1×1的卷积核可以为3×3的卷积核,5×5的卷积核或者7×7的卷积核。
请参考图3、图4及图5。图3给出了采用本实施例提供的着火点检测方法的网络模块A,其中,1×1的卷积核用于对所述遥感监测数据中至少一个待检测着火点的数据元素进行特征提取,获得所述遥感监测数据的单点特征数据;3×3的卷积核用于对所述遥感监测数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素进行特征提取,获得所述遥感监测数据的邻近点特征数据。在进行3×3卷积之前,先采用输出通道为16或32的1×1卷积核的卷积进行降维并提高网络模型的非线性。这里,所有卷积都采用为1的步长,对3×3卷积核卷积出来的结果填充到和原始输入一样的大小。逐点提取的特征和在邻域点提取的特征被连接,作为下一个网络模块的输入。
图4给出了采用本实施例提供的着火点检测方法的网络模块B,其中,1×1的卷积核用于对所述遥感监测数据中至少一个待检测着火点的数据元素进行特征提取,获得所述遥感监测数据的单点特征数据;3×3的卷积核以及5×5的卷积核分别用于对所述遥感监测数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素进行特征提取,获得所述遥感监测数据的邻近点特征数据。例如,3×3的卷积核用于对待检测着火点的数据元素及周边的8个邻近点进行处理,获得所述待检测着火点的周边小范围的环境特征;5×5的卷积核用于对待检测着火点的数据元素及周边的24个邻近点进行处理,获得所述待检测着火点的周边小范围的环境特征。这里所有卷积步长都为1,在进入计算5×5卷积核卷积之前,先通过输出通道数为16或32的1×1卷积核,并对输出大小进行填充到原始输入数据的大小。最终多个范围提取的邻近点特征和逐点提取的特征都被连接到一起,整体作为下个网络模块的输入。
图5给出了采用本实施例提供的着火点检测方法的网络模块C,其中,1×1的卷积核用于对所述遥感监测数据中至少一个待检测着火点的数据元素进行特征提取,获得所述遥感监测数据的单点特征数据;3×3的卷积核、5×5的卷积核以及7×7的卷积核分别用于对所述遥感监测数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素进行特征提取,获得所述遥感监测数据的邻近点特征数据。例如,3×3的卷积核用于对待检测着火点的数据元素及周边的8个邻近点进行处理,获得所述待检测着火点的周边小范围的环境特征;5×5的卷积核用于对待检测着火点的数据元素及周边的24个邻近点进行处理,获得所述待检测着火点的周边小范围的环境特征;7×7的卷积核用于对待检测着火点的数据元素及周边的24个邻近点进行处理,获得所述待检测着火点的周边小范围的环境特征。这里所有卷积步长都为1,在进入5×5和7×7卷积核卷积计算之前,先通过输出通道数为16或32的1×1卷积核,并对输出大小进行填充到原始输入数据的大小。最终多个范围提取的邻近点特征和逐点提取的特征都被连接到一起,整体作为下个模块的输入。
步骤S204:根据所述遥感监测数据的单点特征数据和所述遥感监测数据的邻近点特征数据,获得所述遥感监测数据的特征数据。
本步骤用于根据所述遥感监测数据的单点特征数据和所述遥感监测数据的邻近点特征数据,获得所述遥感监测数据的特征数据。
请参考图6,其为采用本实施例提供到的着火点检测方法的卷积神经网络模型,其中网络模块1可以为所述网络模块A、网络模块B、网络模块C中的一种,网络模块2可以为所述网络模块A、网络模块B、网络模块C中的一种。
例如,该卷积神经网络模型的网络模块1和网络模块2可以是两个网络模块A的堆叠,也可以是两个网络模块B的堆叠,也可以是两个网络模块C的堆叠。
下面以两个网络模块B的堆叠为例,针对所述卷积神经网络模型的工作流程进行说明。具体如下:输入为256×256×42的MODIS检测数据,其中256×256是MODIS数据宽高,42包含了包括大气温度等多个波段在内的通道数,首先先进入一个输入通道数为42,输出通道数为128,卷积核为1×1的卷积层,该卷积层接一个网络模块B,其输出作为第一个MODIS模块B的输入,第一个MODIS模块B接第二个MODIS模块B,其输出作为第二个MODIS模块B的输入,第二个基础模块B后再接一个输出通道数为128,卷积核为1×1的卷积层,最后再接入一个输出通道为2,卷积核为1×1的卷积层作为最终的点粒度分类层来判定输入的MODIS数据某个具体的检测点是否为火点。
所述根据所述遥感监测数据的单点特征数据和所述遥感监测数据的邻近点特征数据,获得所述遥感监测数据的特征数据,包括:
将所述遥感监测数据的单点特征数据和所述遥感监测数据的邻近点特征数据进行特征连接,获得所述遥感监测数据的第一特征数据;
对所述第一特征数据进行特征提取,获得所述第一特征数据的特征信息;
将所述第一特征数据的特征信息确定为所述遥感监测数据的特征数据。
以图6为例,在网络模块2中,将所述遥感监测数据的单点特征数据和所述遥感监测数据的邻近点特征数据进行特征连接,获得所述遥感监测数据的第一特征数据。这里的第一特征数据,即网络模块2的输出。所述对所述第一特征数据进行特征提取,获得所述第一特征数据的特征信息,是指将所述第一特征数据分别经过网络模块1以及卷积核为1×1的卷积层,获得所述第一特征数据的特征信息。
所述对第一特征数据进行特征提取,获得所述第一特征数据的特征信息,包括:
对所述第一特征数据中至少一个待检测着火点的数据元素进行特征提取,获得所述第一特征数据的单点特征数据;
对所述第一特征数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素进行特征提取,获得所述第一特征数据的邻近点特征数据;
根据所述第一特征数据的单点特征数据和所述第一特征数据的邻近点特征数据,获得所述第一特征数据的特征信息。
在图6中,以网络模块1输出的第一特征数据为输入数据,通过网络模块2的处理,获得所述第一特征数据的特征信息。网络模块1、网络模块2可以是一个网络模块B和另外一个堆叠的网络模块B。网络模块2进行了步骤S202以及步骤S203所述的处理,网络模块1对于网络模块2的输出进行了类似的处理。由于这两个操作基本相同,这里就不再详细赘述了。
所述对所述第一特征数据中至少一个待检测着火点的数据元素进行特征提取,获得所述第一特征数据的单点特征数据,包括:
利用卷积神经网络中的尺寸为1×1的卷积核,对所述第一特征数据中至少一个待检测着火点的数据元素进行卷积运算,获得所述第一特征数据中至少一个待检测着火点的数据元素的单点卷积值;
根据所述第一特征数据中至少一个待检测着火点的数据元素的单点卷积值,获得所述第一特征数据的单点特征数据。
所述对所述第一特征数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素进行特征提取,获得所述第一特征数据的邻近点特征数据,包括:
利用卷积神经网络中的尺寸大于1×1的卷积核,对所述第一特征数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素进行卷积运算,获得所述至少一个待检测着火点的相邻待检测着火点的数据元素的邻近点卷积值;
根据所述至少一个待检测着火点的相邻待检测着火点的数据元素的邻近点卷积值,获得所述第一特征数据的邻近点特征数据。
所述根据所述第一特征数据的单点特征数据和所述第一特征数据的邻近点特征数据,获得所述第一特征数据的特征信息,包括:
将所述第一特征数据的单点特征数据和所述第一特征数据的邻近点特征数据进行特征连接,获得所述第一特征数据的第二特征数据;
对所述第二特征数据进行特征提取,获得所述第一特征数据的特征信息。
步骤S205:根据所述遥感监测数据的特征数据,判断所述待检测着火点区域是否为着火点区域。
本步骤用于根据所述遥感监测数据的特征数据,判断所述待检测着火点区域是否为着火点区域。
所述根据所述遥感监测数据的特征数据,判断所述待检测着火点区域是否为着火点区域,包括:
将所述监控数据的特征数据与指定的分类阈值进行对比;
如果所述监控数据的特征数据大于或者等于所述指定的分类阈值,则确定所述待检测着火点区域为着火点区域;
如果所述监控数据的特征数据小于所述指定的分类阈值,则确定所述待检测着火点区域为非着火点区域。
请参考图6。利用图6中的分类器,判断所述待检测着火点区域是否为着火点区域。由于分类器是机器学习中的常用技术手段,这里就不再详细举例说明了。
所述遥感监测方法,还包括:
获取着火点样本数据;
根据所述着火点样本数据,获得第一训练数据,所述第一训练数据包括着火点样本数据和非着火点样本数据,所述第一训练数据包括的着火点样本数据的数量与所述第一训练数据包括的非着火点样本数据的数量之间的比例为指定比例;
根据所述第一训练数据,生成卷积神经网络模型,所述卷积神经网络模型用于实现本实施例提供的着火点检测方法。
在MODIS数据中,大部分点都是非着火点,着火点只占很少的一部分,训练数据及其不平衡。本实施例中给出一种方法:在训练数据集中先把着火点数据单独抽取出来,在训练过程中,对每个训练数据,随机选取6000个火点撒向随机的位置来平衡着火点数据和非着火点数据。通过这种数据增强方式,仅仅采用交叉熵损失函数即可保证卷积神经网络模型的快速收敛。
在上述的实施例中,提供了一种火点检测方法,与之相对应的,本申请还提供一种火点检测装置。请参看图7,其为本申请的一种火点检测装置实施例的示意图。由于本实施例,即第二实施例,基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
本实施例提供的一种火点检测装置,包括:
监测数据获取单元701,用于获取待检测着火点区域的遥感监测数据;
单点特征获得单元702,用于对所述遥感监测数据中至少一个待检测着火点的数据元素进行特征提取,获得所述遥感监测数据的单点特征数据;
邻近点特征获取单元703,用于对所述遥感监测数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素进行特征提取,获得所述遥感监测数据的邻近点特征数据;
特征数据获得单元704,用于根据所述遥感监测数据的单点特征数据和所述遥感监测数据的邻近点特征数据,获得所述遥感监测数据的特征数据;
判断单元705,用于根据所述遥感监测数据的特征数据,判断所述待检测着火点区域是否为着火点区域。
本实施例中,所述单点特征获得单元,具体用于:
利用卷积神经网络中的尺寸为1×1的卷积核,对所述遥感监测数据中至少一个待检测着火点的数据元素进行卷积运算,获得所述遥感监测数据中至少一个待检测着火点的数据元素的单点卷积值;
根据所述遥感监测数据中至少一个待检测着火点的数据元素的单点卷积值,获得所述遥感监测数据的单点特征数据。
本实施例中,所述邻近点特征获取单元,具体用于:
利用卷积神经网络中的尺寸大于1×1的卷积核,对所述遥感监测数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素进行卷积运算,获得所述遥感监测数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素的邻近点卷积值;
根据所述遥感监测数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素的邻近点卷积值,获得所述遥感监测数据的邻近点特征数据。
本实施例中,所述特征数据获得单元,具体用于:
将所述遥感监测数据的单点特征数据和所述遥感监测数据的邻近点特征数据进行特征连接,获得所述遥感监测数据的第一特征数据;
对所述第一特征数据进行特征提取,获得所述第一特征数据的特征信息;
将所述第一特征数据的特征信息确定为所述遥感监测数据的特征数据。
本实施例中,所述特征数据获得单元,还用于:
对所述第一特征数据中至少一个待检测着火点的数据元素进行特征提取,获得所述第一特征数据的单点特征数据;
对所述第一特征数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素进行特征提取,获得所述第一特征数据的邻近点特征数据;
根据所述第一特征数据的单点特征数据和所述第一特征数据的邻近点特征数据,获得所述第一特征数据的特征信息。
本实施例中,所述特征数据获得单元,还用于:
利用卷积神经网络中的尺寸为1×1的卷积核,对所述第一特征数据中至少一个待检测着火点的数据元素进行卷积运算,获得所述第一特征数据中至少一个待检测着火点的数据元素的单点卷积值;
根据所述第一特征数据中至少一个待检测着火点的数据元素的单点卷积值,获得所述第一特征数据的单点特征数据。
本实施例中,所述特征数据获得单元,还用于:
利用卷积神经网络中的尺寸大于1×1的卷积核,对所述第一特征数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素进行卷积运算,获得所述至少一个待检测着火点的相邻待检测着火点的数据元素的邻近点卷积值;
根据所述至少一个待检测着火点的相邻待检测着火点的数据元素的邻近点卷积值,获得所述第一特征数据的邻近点特征数据。
本实施例中,所述特征数据获得单元,还用于:
将所述第一特征数据的单点特征数据和所述第一特征数据的邻近点特征数据进行特征连接,获得所述第一特征数据的第二特征数据;
对所述第二特征数据进行特征提取,获得所述第一特征数据的特征信息。
本实施例中,所述判断单元,具体用于:
将所述监控数据的特征数据与指定的分类阈值进行对比;
如果所述监控数据的特征数据大于或者等于所述指定的分类阈值,则确定所述待检测着火点区域为着火点区域;
如果所述监控数据的特征数据小于所述指定的分类阈值,则确定所述待检测着火点区域为非着火点区域。
本实施例中,所述遥感监测方法还包括模型生成单元,所述模型生成单元用于:
获取着火点样本数据;
根据所述着火点样本数据,获得第一训练数据,所述第一训练数据包括着火点样本数据和非着火点样本数据,所述第一训练数据包括的着火点样本数据的数量与所述第一训练数据包括的非着火点样本数据的数量之间的比例为指定比例;
根据所述第一训练数据,生成卷积神经网络模型,所述卷积神经网络模型用于根据待检测着火点区域的遥感监测数据获得所述待检测着火点区域是否为着火点区域的结果。
本实施例中,所述待检测着火点区域的遥感监测数据,包括如下数据中的至少一种:
所述待检测着火点区域的地表数据;
所述待检测着火点区域的云温度数据;
所述待检测着火点区域的大气温度数据。
本申请第三实施例提供一种卷积神经网络模型的生成方法,包括:
步骤S801:获取着火点样本数据。
本步骤用于获取着火点样本数据。
大部分点都是非着火点,着火点只占很少的一部分,训练数据及其不平衡。在训练数据集中先把着火点样本数据单独抽取出来。
步骤S802:根据所述着火点样本数据,获得第一训练数据,所述第一训练数据包括着火点样本数据和非着火点样本数据,所述第一训练数据包括的着火点样本数据的数量与所述第一训练数据包括的非着火点样本数据的数量之间的比例为指定比例。
例如,在训练过程中,对每个训练数据,随机选取6000个火点撒向随机的位置来平衡着火点数据和非着火点数据。
步骤S803:根据所述第一训练数据,生成卷积神经网络模型,所述卷积神经网络模型用于根据待检测着火点区域的遥感监测数据获得所述待检测着火点区域是否为着火点区域的结果。
根据所述第一训练数据,对网络模型进行训练,生成卷积神经网络模型。
本申请第四实施例提供一种电子设备,包括:
处理器;
以及,
存储器,用于存储计算机程序,该设备通过所述处理器运行该计算机程序后,执行本申请第一实施例提供的遥感监测方法,或者本申请第三实施例提供的卷积神经网络模型的生成方法。
本申请第五实施例提供一种计算机存储介质,所述计算机存储介质存储有计算机程序,该程序被处理器运行,执行本申请第一实施例提供的遥感监测方法,或者本申请第三实施例提供的卷积神经网络模型的生成方法。
本申请第六实施例提供一种遥感监测方法,请参考图9。由于本实施例与本申请的第一实施例相似,因此仅做简要说明。所述遥感监测方法,包括:
步骤S901:获取待检测区域的遥感监测数据。
本步骤用于获取待检测区域的遥感监测数据。
所述待检测区域,可以为待检测着火点区域,也可以为待检测绿化区域。
步骤S902:对所述遥感监测数据中至少一个目标的数据元素进行特征提取,获得所述遥感监测数据的单点特征数据。
本步骤用于对所述遥感监测数据中至少一个目标的数据元素进行特征提取,获得所述遥感监测数据的单点特征数据。
所述目标可以为待检测着火点,也可以为待检测绿化点。
步骤S903:对所述遥感监测数据中所述至少一个目标的相邻待检测目标的数据元素进行特征提取,获得所述遥感监测数据的邻近点特征数据。
本步骤用于对所述遥感监测数据中所述至少一个目标的相邻待检测目标的数据元素进行特征提取,获得所述遥感监测数据的邻近点特征数据。
步骤S904:根据所述遥感监测数据的单点特征数据和所述遥感监测数据的邻近点特征数据,获得所述遥感监测数据的特征数据。
本步骤用于根据所述遥感监测数据的单点特征数据和所述遥感监测数据的邻近点特征数据,获得所述遥感监测数据的特征数据。
步骤S905:根据所述遥感监测数据的特征数据,判断所述待检测区域是否为目标区域。
本步骤用于根据所述遥感监测数据的特征数据,判断所述待检测区域是否为目标区域。
所述目标区域可以为着火点区域,也可以为绿化区域。
本申请第七实施例提供一种无人机监控图像数据的识别方法,请参考图10。由于本实施例与本申请的第一实施例相似,因此仅做简要说明。所述无人机监控图像数据的识别,包括:
步骤S1001:获取待检测区域的无人机监控图像数据。
本步骤用于获取待检测区域的无人机监控图像数据。
所述无人机监控图像数据可以是无人机获取的遥感监测数据。
步骤S1002:对所述无人机监控图像数据中至少一个目标的数据元素进行特征提取,获得所述无人机监控图像数据的单点特征数据。
本步骤用于对所述无人机监控图像数据中至少一个目标的数据元素进行特征提取,获得所述无人机监控图像数据的单点特征数据。
步骤S1003:对所述无人机监控图像数据中所述至少一个目标的相邻待检测目标的数据元素进行特征提取,获得所述无人机监控图像数据的邻近点特征数据。
本步骤用于对所述无人机监控图像数据中所述至少一个目标的相邻待检测目标的数据元素进行特征提取,获得所述无人机监控图像数据的邻近点特征数据。
步骤S1004:根据所述无人机监控图像数据的单点特征数据和所述无人机监控图像数据的邻近点特征数据,获得所述无人机监控图像数据的特征数据。
本步骤用于根据所述无人机监控图像数据的单点特征数据和所述无人机监控图像数据的邻近点特征数据,获得所述无人机监控图像数据的特征数据。
步骤S1005:根据所述无人机监控图像数据的特征数据,识别所述待检测区域是否为目标区域。
本步骤用于根据所述无人机监控图像数据的特征数据,识别所述待检测区域是否为目标区域。
本申请虽然以较佳实施例公开如上,但其并不是用来限定本申请,任何本领域技术人员在不脱离本申请的精神和范围内,都可以做出可能的变动和修改,因此本申请的保护范围应当以本申请权利要求所界定的范围为准。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
1、计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
2、本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
Claims (18)
1.一种遥感监测方法,其特征在于,包括:
获取待检测着火点区域的遥感监测数据;
对所述遥感监测数据中至少一个待检测着火点的数据元素进行特征提取,获得所述遥感监测数据的单点特征数据;
对所述遥感监测数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素进行特征提取,获得所述遥感监测数据的邻近点特征数据;
根据所述遥感监测数据的单点特征数据和所述遥感监测数据的邻近点特征数据,获得所述遥感监测数据的特征数据;
根据所述遥感监测数据的特征数据,判断所述待检测着火点区域是否为着火点区域。
2.根据权利要求1所述的遥感监测方法,其特征在于,所述对所述遥感监测数据中至少一个待检测着火点的数据元素进行特征提取,获得所述遥感监测数据的单点特征数据,包括:
利用卷积神经网络中的尺寸为1×1的卷积核,对所述遥感监测数据中至少一个待检测着火点的数据元素进行卷积运算,获得所述遥感监测数据中至少一个待检测着火点的数据元素的单点卷积值;
根据所述遥感监测数据中至少一个待检测着火点的数据元素的单点卷积值,获得所述遥感监测数据的单点特征数据。
3.根据权利要求1所述的遥感监测方法,其特征在于,所述对所述遥感监测数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素进行特征提取,获得所述遥感监测数据的邻近点特征数据,包括:
利用卷积神经网络中的尺寸大于1×1的卷积核,对所述遥感监测数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素进行卷积运算,获得所述遥感监测数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素的邻近点卷积值;
根据所述遥感监测数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素的邻近点卷积值,获得所述遥感监测数据的邻近点特征数据。
4.根据权利要求1所述的遥感监测方法,其特征在于,所述根据所述遥感监测数据的单点特征数据和所述遥感监测数据的邻近点特征数据,获得所述遥感监测数据的特征数据,包括:
将所述遥感监测数据的单点特征数据和所述遥感监测数据的邻近点特征数据进行特征连接,获得所述遥感监测数据的第一特征数据;
对所述第一特征数据进行特征提取,获得所述第一特征数据的特征信息;
将所述第一特征数据的特征信息确定为所述遥感监测数据的特征数据。
5.根据权利要求4所述的遥感监测方法,其特征在于,所述对第一特征数据进行特征提取,获得所述第一特征数据的特征信息,包括:
对所述第一特征数据中至少一个待检测着火点的数据元素进行特征提取,获得所述第一特征数据的单点特征数据;
对所述第一特征数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素进行特征提取,获得所述第一特征数据的邻近点特征数据;
根据所述第一特征数据的单点特征数据和所述第一特征数据的邻近点特征数据,获得所述第一特征数据的特征信息。
6.根据权利要求5所述的遥感监测方法,其特征在于,所述对所述第一特征数据中至少一个待检测着火点的数据元素进行特征提取,获得所述第一特征数据的单点特征数据,包括:
利用卷积神经网络中的尺寸为1×1的卷积核,对所述第一特征数据中至少一个待检测着火点的数据元素进行卷积运算,获得所述第一特征数据中至少一个待检测着火点的数据元素的单点卷积值;
根据所述第一特征数据中至少一个待检测着火点的数据元素的单点卷积值,获得所述第一特征数据的单点特征数据。
7.根据权利要求5所述的遥感监测方法,其特征在于,所述对所述第一特征数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素进行特征提取,获得所述第一特征数据的邻近点特征数据,包括:
利用卷积神经网络中的尺寸大于1×1的卷积核,对所述第一特征数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素进行卷积运算,获得所述至少一个待检测着火点的相邻待检测着火点的数据元素的邻近点卷积值;
根据所述至少一个待检测着火点的相邻待检测着火点的数据元素的邻近点卷积值,获得所述第一特征数据的邻近点特征数据。
8.根据权利要求5所述的遥感监测方法,其特征在于,所述根据所述第一特征数据的单点特征数据和所述第一特征数据的邻近点特征数据,获得所述第一特征数据的特征信息,包括:
将所述第一特征数据的单点特征数据和所述第一特征数据的邻近点特征数据进行特征连接,获得所述第一特征数据的第二特征数据;
对所述第二特征数据进行特征提取,获得所述第一特征数据的特征信息。
9.根据权利要求1所述的遥感监测方法,其特征在于,所述根据所述遥感监测数据的特征数据,判断所述待检测着火点区域是否为着火点区域,包括:
将所述监控数据的特征数据与指定的分类阈值进行对比;
如果所述监控数据的特征数据大于或者等于所述指定的分类阈值,则确定所述待检测着火点区域为着火点区域;
如果所述监控数据的特征数据小于所述指定的分类阈值,则确定所述待检测着火点区域为非着火点区域。
10.根据权利要求1所述的遥感监测方法,其特征在于,还包括:
获取着火点样本数据;
根据所述着火点样本数据,获得第一训练数据,所述第一训练数据包括着火点样本数据和非着火点样本数据,所述第一训练数据包括的着火点样本数据的数量与所述第一训练数据包括的非着火点样本数据的数量之间的比例为指定比例;
根据所述第一训练数据,生成卷积神经网络模型,所述卷积神经网络模型用于实现权利要求1-9任意一项所述的遥感监测方法。
11.根据权利要求1所述的遥感监测方法,其特征在于,所述待检测着火点区域的遥感监测数据,包括如下数据中的至少一种:
所述待检测着火点区域的地表数据;
所述待检测着火点区域的云温度数据;
所述待检测着火点区域的大气温度数据。
12.根据权利要求1所述的遥感监测方法,其特征在于,所述待检测着火点区域的遥感监测数据,包括待检测着火点区域的卫星遥感监测数据。
13.一种遥感监测装置,其特征在于,包括:
监测数据获取单元,用于获取待检测着火点区域的遥感监测数据;
单点特征获得单元,用于对所述遥感监测数据中至少一个待检测着火点的数据元素进行特征提取,获得所述遥感监测数据的单点特征数据;
邻近点特征获取单元,用于对所述遥感监测数据中所述至少一个待检测着火点的相邻待检测着火点的数据元素进行特征提取,获得所述遥感监测数据的邻近点特征数据;
特征数据获得单元,用于根据所述遥感监测数据的单点特征数据和所述遥感监测数据的邻近点特征数据,获得所述遥感监测数据的特征数据;
判断单元,用于根据所述遥感监测数据的特征数据,判断所述待检测着火点区域是否为着火点区域。
14.一种卷积神经网络模型的生成方法,其特征在于,包括:
获取着火点样本数据;
根据所述着火点样本数据,获得第一训练数据,所述第一训练数据包括着火点样本数据和非着火点样本数据,所述第一训练数据包括的着火点样本数据的数量与所述第一训练数据包括的非着火点样本数据的数量之间的比例为指定比例;
根据所述第一训练数据,生成卷积神经网络模型,所述卷积神经网络模型用于根据待检测着火点区域的遥感监测数据获得所述待检测着火点区域是否为着火点区域的结果。
15.一种电子设备,其特征在于,包括:
处理器;
以及,
存储器,用于存储计算机程序,该设备通过所述处理器运行该计算机程序后,执行如权利要求1-12、14任意一项所述方法。
16.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机程序,该程序被处理器运行,执行如权利要求1-12、14任意一项所述方法。
17.一种遥感监测方法,其特征在于,包括:
获取待检测区域的遥感监测数据;
对所述遥感监测数据中至少一个目标的数据元素进行特征提取,获得所述遥感监测数据的单点特征数据;
对所述遥感监测数据中所述至少一个目标的相邻待检测目标的数据元素进行特征提取,获得所述遥感监测数据的邻近点特征数据;
根据所述遥感监测数据的单点特征数据和所述遥感监测数据的邻近点特征数据,获得所述遥感监测数据的特征数据;
根据所述遥感监测数据的特征数据,判断所述待检测区域是否为目标区域。
18.一种无人机监控图像数据的识别方法,其特征在于,包括:
获取待检测区域的无人机监控图像数据;
对所述无人机监控图像数据中至少一个目标的数据元素进行特征提取,获得所述无人机监控图像数据的单点特征数据;
对所述无人机监控图像数据中所述至少一个目标的相邻待检测目标的数据元素进行特征提取,获得所述无人机监控图像数据的邻近点特征数据;
根据所述无人机监控图像数据的单点特征数据和所述无人机监控图像数据的邻近点特征数据,获得所述无人机监控图像数据的特征数据;
根据所述无人机监控图像数据的特征数据,识别所述待检测区域是否为目标区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910761933.5A CN112395924B (zh) | 2019-08-16 | 2019-08-16 | 一种遥感监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910761933.5A CN112395924B (zh) | 2019-08-16 | 2019-08-16 | 一种遥感监测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112395924A true CN112395924A (zh) | 2021-02-23 |
CN112395924B CN112395924B (zh) | 2024-02-20 |
Family
ID=74603209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910761933.5A Active CN112395924B (zh) | 2019-08-16 | 2019-08-16 | 一种遥感监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112395924B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128353A (zh) * | 2021-03-26 | 2021-07-16 | 安徽大学 | 面向自然人机交互的情绪感知方法及其系统 |
CN115586307A (zh) * | 2022-10-21 | 2023-01-10 | 江西江南厨业有限公司 | 厨房油烟在线监测系统及方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6467523A (en) * | 1987-09-08 | 1989-03-14 | Nihon Cement | Method of detecting burn-off point of incinerator by processing picture |
CN103942806A (zh) * | 2014-05-08 | 2014-07-23 | 西安电子科技大学 | 基于高光谱数据的多信息融合火灾着火点的检测方法 |
CN104157088A (zh) * | 2013-05-14 | 2014-11-19 | 丁阿维 | 利用卫星遥感监测森林火灾的方法 |
CN104700095A (zh) * | 2015-03-30 | 2015-06-10 | 北京市环境保护监测中心 | 秸秆焚烧火点卫星遥感监测方法及处理装置 |
CN105631151A (zh) * | 2016-01-06 | 2016-06-01 | 陈威宇 | 一种煤粉锅炉燃烧优化的建模方法 |
CN107067334A (zh) * | 2017-04-21 | 2017-08-18 | 中国科学院遥感与数字地球研究所 | 基于多源遥感数据的农田火灾和秸秆焚烧监测方法及系统 |
CN107657261A (zh) * | 2016-12-23 | 2018-02-02 | 航天星图科技(北京)有限公司 | 一种基于遥感影像的草场燃烧火点数据的判断方法 |
WO2018214195A1 (zh) * | 2017-05-25 | 2018-11-29 | 中国矿业大学 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
CN109472396A (zh) * | 2018-10-17 | 2019-03-15 | 四川佳联众合企业管理咨询有限公司 | 基于深度网络学习的山火预测方法 |
CN109753936A (zh) * | 2019-01-09 | 2019-05-14 | 太原师范学院 | 一种基于多源遥感数据的森林火灾火烧迹地提取方法 |
JP2019079446A (ja) * | 2017-10-27 | 2019-05-23 | ホーチキ株式会社 | 火災監視システム |
-
2019
- 2019-08-16 CN CN201910761933.5A patent/CN112395924B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6467523A (en) * | 1987-09-08 | 1989-03-14 | Nihon Cement | Method of detecting burn-off point of incinerator by processing picture |
CN104157088A (zh) * | 2013-05-14 | 2014-11-19 | 丁阿维 | 利用卫星遥感监测森林火灾的方法 |
CN103942806A (zh) * | 2014-05-08 | 2014-07-23 | 西安电子科技大学 | 基于高光谱数据的多信息融合火灾着火点的检测方法 |
CN104700095A (zh) * | 2015-03-30 | 2015-06-10 | 北京市环境保护监测中心 | 秸秆焚烧火点卫星遥感监测方法及处理装置 |
CN105631151A (zh) * | 2016-01-06 | 2016-06-01 | 陈威宇 | 一种煤粉锅炉燃烧优化的建模方法 |
CN107657261A (zh) * | 2016-12-23 | 2018-02-02 | 航天星图科技(北京)有限公司 | 一种基于遥感影像的草场燃烧火点数据的判断方法 |
CN107067334A (zh) * | 2017-04-21 | 2017-08-18 | 中国科学院遥感与数字地球研究所 | 基于多源遥感数据的农田火灾和秸秆焚烧监测方法及系统 |
WO2018214195A1 (zh) * | 2017-05-25 | 2018-11-29 | 中国矿业大学 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
JP2019079446A (ja) * | 2017-10-27 | 2019-05-23 | ホーチキ株式会社 | 火災監視システム |
CN109472396A (zh) * | 2018-10-17 | 2019-03-15 | 四川佳联众合企业管理咨询有限公司 | 基于深度网络学习的山火预测方法 |
CN109753936A (zh) * | 2019-01-09 | 2019-05-14 | 太原师范学院 | 一种基于多源遥感数据的森林火灾火烧迹地提取方法 |
Non-Patent Citations (3)
Title |
---|
李亚春;张旭晖;吴洪颜;高苹;夏德深;: "一种增强的基于上下文火点遥感影像识别方法", 中国图象图形学报, no. 09, pages 128 - 133 * |
李家国;顾行发;余涛;魏斌;: "澳大利亚东南部森林山火HJ卫星遥感监测", 北京航空航天大学学报, no. 10, pages 1221 - 1224 * |
罗永明;孙涵;刘诚;戎志国;钟仕全;何立;陈燕丽;黄永;: "基于人工火场的EOS/MODIS林火辐射增量研究", 林业科学, no. 11, pages 79 - 85 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128353A (zh) * | 2021-03-26 | 2021-07-16 | 安徽大学 | 面向自然人机交互的情绪感知方法及其系统 |
CN113128353B (zh) * | 2021-03-26 | 2023-10-24 | 安徽大学 | 面向自然人机交互的情绪感知方法及其系统 |
CN115586307A (zh) * | 2022-10-21 | 2023-01-10 | 江西江南厨业有限公司 | 厨房油烟在线监测系统及方法 |
CN115586307B (zh) * | 2022-10-21 | 2023-11-07 | 江西江南厨业有限公司 | 厨房油烟在线监测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112395924B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11462007B2 (en) | System for simplified generation of systems for broad area geospatial object detection | |
Stenzel et al. | Remote sensing of scattered Natura 2000 habitats using a one-class classifier | |
CA3115188A1 (en) | Apparatus and method for providing application service using satellite image | |
KR102140805B1 (ko) | 위성 영상의 물체 식별을 위한 뉴럴 네트워크 학습 방법 및 장치 | |
CN111932544A (zh) | 篡改图像检测方法、装置及计算机可读存储介质 | |
JP2006252259A (ja) | データ分析装置及び方法 | |
CN112395924B (zh) | 一种遥感监测方法及装置 | |
CN110163294A (zh) | 基于降维操作和卷积网络的遥感图像变化区域检测方法 | |
CN114387289B (zh) | 输配电架空线路三维点云语义分割方法和装置 | |
WO2018222775A1 (en) | Broad area geospatial object detection | |
CN111738972B (zh) | 建筑检测系统、方法和装置 | |
CN111639523B (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
CN111881996A (zh) | 目标检测方法、计算机设备和存储介质 | |
CN111062385A (zh) | 一种用于图像文本信息检测的网络模型构建方法与系统 | |
CN116524357A (zh) | 高压线路鸟巢检测方法、模型训练方法、装置及设备 | |
CN115273123A (zh) | 一种票据识别方法、装置、设备及计算机存储介质 | |
US10769768B1 (en) | Apparatus and method for providing application service using satellite image | |
CN112651351B (zh) | 一种数据处理的方法和装置 | |
CN116152542A (zh) | 图像分类模型的训练方法、装置、设备及存储介质 | |
CN114463764A (zh) | 表格线检测方法、装置、计算机设备和存储介质 | |
CN113947712A (zh) | 一种基于胶囊微分对抗网络的高光谱异常检测方法与系统 | |
CN113989632A (zh) | 一种遥感图像桥梁检测方法、装置、电子设备及存储介质 | |
CN112115793A (zh) | 基于改进Segnet的遥感图像变化检测方法 | |
Jasmine et al. | Enhanced pixel purity index algorithm to find the index position of the pure pixels in hyperspectral images | |
CN115994235B (zh) | 色谱分析方法库构建方法、装置、设备和计算机介质 |
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 |