CN112596545B - 一种基于多光谱的水污染源头无人机排查方法、系统和存储介质 - Google Patents
一种基于多光谱的水污染源头无人机排查方法、系统和存储介质 Download PDFInfo
- Publication number
- CN112596545B CN112596545B CN202011504878.0A CN202011504878A CN112596545B CN 112596545 B CN112596545 B CN 112596545B CN 202011504878 A CN202011504878 A CN 202011504878A CN 112596545 B CN112596545 B CN 112596545B
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- multispectral
- block
- spectral 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003911 water pollution Methods 0.000 title claims abstract description 38
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 238000013024 troubleshooting Methods 0.000 title description 14
- 230000003595 spectral effect Effects 0.000 claims abstract description 192
- 238000001228 spectrum Methods 0.000 claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims abstract description 19
- 238000011835 investigation Methods 0.000 claims abstract description 17
- 238000012552 review Methods 0.000 claims description 71
- 238000001514 detection method Methods 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 5
- 230000001915 proofreading effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000011109 contamination Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000192 social effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种基于多光谱的水污染源头无人机排查方法、系统和存储介质,其属于水污染源头排查方法的领域,其中方法包括:规划多光谱无人机飞行路线;分区块划分河流段;多光谱无人机按照飞行路线飞行检测河流段;获取区块光谱图像;当区块光谱图像发生异常时,将当前区块每个位置点的光谱强度进行相互对比,将最大光谱强度对应的位置点作为一次复查点;多光谱无人机以一次复查点为中心进行拍照,得到一次复查光谱图像;根据一次复查光谱图像获得二次复查点,以此类推,直到找到源头预测位置;将其位置信息存储形成溯源定位报告供用户查看。本申请具有改善水污染源头的排查工作具有局限性问题的效果。
Description
技术领域
本申请涉及水污染源头排查方法的领域,尤其是涉及一种基于多光谱的水污染源头无人机排查方法、系统和存储介质。
背景技术
多年来,水资源质量不断下降,水环境持续恶化,由于污染所导致的缺水和事故不断发生,不仅使工厂停产、农业减产甚至绝收,而且造成了不良的社会影响和较大的经济损失,因此排查水污染的污染源尤为重要,只有找到污染源才能针对性的解决根本问题。
目前市场上排查污染源的装备,一般是手提式或车载式。在排查过程中,工作人员需要提前对多个待检测的河流端设置大量的监测点,然后携带排查装备对监测点的河水逐一进行检测分析,再根据分析结果查找水污染源头。
上述中的相关技术存在以下缺陷:排查过程中,工作人员需要与排查装备一同进入工作环境中,但在特殊的环境下工作人员无法正常进入,从而导致水污染源头的排查工作存在局限性。
发明内容
为了改善水污染源头的排查工作具有局限性的问题,本申请提供一种基于多光谱的水污染源头无人机排查方法、系统和存储介质。
第一方面,本申请提供一种基于多光谱的水污染源头无人机排查方法,采用如下的技术方案:
一种基于多光谱的水污染源头无人机排查方法,包括:
按照待检测的河流段为所述多光谱无人机规划飞行路线;
将所述待检测的河流段划分成若干个区块,若干个所述区块沿所述飞行路线依次排列;
向所述多光谱无人机发送按照所述飞行路线飞行的控制指令;
获取所述多光谱无人机飞行过程中在当前区块拍摄的区块光谱图像;
当所述当前区块的区块光谱图像发生异常时,根据所述区块光谱图像分析得到当前区块每个位置点所对应的光谱数据;
将所述当前区块每个位置点所对应的光谱数据中的光谱强度进行相互对比,得到最大光谱强度所对应的位置点并将其作为一次复查点;
向所述多光谱无人机发送一个以一次复查点为中心进行拍照的控制指令,并得到所述多光谱无人机拍摄的以一次复查点为中心的一次复查光谱图像;
根据所述一次复查光谱图像获得一次复查光谱图像内最大光谱强度所对应的位置点作为二次复查点,而后所述多光谱无人机拍摄以二次复查点为中心的二次复查光谱图像,之后每次都以最新的复查光谱图像中最大光谱强度所对应的位置点为中心拍摄新的复查光谱图像,直到某一个最新的复查光谱图像中最大光谱强度小于等于前一个复查光谱图像中的最大光谱数值时,将最新的复查光谱图像所对应的位置作为源头预测位置;
将所述源头预测位置所对应的位置信息存储以形成溯源定位报告供用户查看。
通过采用上述技术方案,多光谱无人机按照飞行路线对待检测的河流段进行分区块检测,并在飞行过程中获取当前区块的区块光谱图像,若某一个区块的区块光谱图像发生异常时,则根据区块光谱图像分析得到当前区块每个位置点所对应的光谱数据,并将光谱数据中的光谱强度相互对比得到最大光谱强度,将最大光谱强度所对应的当前区块的位置点作为一次复查点,以一次复查点为中心获取一次复查光谱图像,将一次光谱图像中的最大光谱强度所对应的位置点作为二次复查点,以二次复查点为中心获取二次复查光谱图像,之后每次都以最新的复查光谱图像中最大光谱强度所对应的位置点为中心拍摄新的复查光谱图像,直到某一个最新的复查光谱图像中最大光谱强度小于等于前一个复查光谱图像中的最大光谱数值时,将最新的复查光谱图像所对应的位置作为源头预测位置,并将源头预测位置所对应的位置信息存储以形成溯源定位报告供用户查看,从而有效改善了水污染源头的排查工作具有局限性的问题。
可选的,判断所述当前区块的区块光谱图像是否发生异常的判断方法为:
将所述当前区块对应的区块光谱图像中每个位置点的RGB值与对应的预设的RGB阈值范围进行对比,若某一个或多个位置点的RGB值落入所述RGB阈值范围或大于所述RGB阈值范围对应的峰值,则判断当前区块的区块光谱图像发生异常
通过采用上述技术方案,能够判断当前区块的区块光谱图像是否发生异常。
可选的,还包括:
获取所述待检测的河流段所对应的初始河流分布图,并在初始河流分布图中标记出所述当前区块的位置;
将所述当前区块中每个位置点的RGB值与对应的预设的RGB阈值范围进行对比以得到对比结果;
根据对比结果在初始河流分布图中对所述当前区块的每个位置点进行污染标记以形成所述当前区块的最终河流污染分布图;
将所述最终河流污染分布图进行存储以形成检测报告。
通过采用上述技术方案,用户可从检测报告中的最终河流污染分布图中直观明确地知道当前区块的区块光谱图像是否发生异常。
可选的,还包括:
根据所述当前区块的位置点的地理位置数据和每个位置点的光谱强度绘制所述当前区块的初始污染程度折线图;
将所述当前区块中每个位置点的光谱强度均与对应预设的强度阈值范围进行比对并得到比对结果,并根据比对结果在初始污染程度折线图中对每个位置点进行污染程度标记以形成所述当前区块的最终污染程度折线图;
将所述最终污染程度折线图进行存储以形成检测报告。
通过采用上述技术方案,用户能够从检测报告中的最终污染程度折线图中得知当前区块每个位置点的污染程度变化趋势。
可选的,在所述将所述源头预测位置所对应的位置信息存储以形成溯源定位报告之后,还包括:
向所述多光谱无人机发送一个使其回到当前区块并按照所述飞行路线继续飞行以对其它区块继续进行检测的控制指令。
通过采用上述技术方案,多光谱无人机能够对待检测河流段的区块依次进行检测,无需人工操控,节省了人力。
可选的,还包括:
判断所述多光谱无人机是否完成所有区块的检测;
若判断为是,则向所述多光谱无人机发送按照所述飞行路线原路返回的返程指令。
通过采用上述技术方案,多光谱无人机检测完所有区块后会按照返程指令会自动返程,无需用户操控,节省了人力。
可选的,所述向所述多光谱无人机发送按照所述飞行路线原路返回的返程指令之后,还包括:
获取所述多光谱无人机返程过程中在每个区块拍摄的校对区块光谱图像,并将所述校对区块光谱图像进行存储以供用户后期校对数据。
通过采用上述技术方案,校对区块光谱图像能够供用户后期校对数据,有利于提高水污染源头的精确度。
第二方面,本申请提供一种基于多光谱的水污染源头无人机排查系统,采用如下的技术方案:
一种基于多光谱的水污染源头无人机排查系统,包括:
获取模块,获取所述多光谱无人机飞行过程中在当前区块拍摄的区块光谱图像;
存储模块,用于存储多光谱无人机的飞行路线、预设的RGB阈值范围和强度阈值范围;
处理模块,用于进行以下处理:
将所述获取模块获取的区块光谱图像分析得到当前区块每个位置点所对应的光谱数据;
将所述当前区块每个位置点所对应的光谱数据中的光谱强度进行相互对比,得到最大光谱强度所对应的位置点并将其作为一次复查点;
通过发送模块向所述多光谱无人机发送一个以一次复查点为中心进行拍照的控制指令,并得到所述多光谱无人机拍摄的以一次复查点为中心的一次复查光谱图像;
根据所述一次复查光谱图像获得一次复查光谱图像内最大光谱强度所对应的位置点作为二次复查点,而后所述多光谱无人机拍摄以二次复查点为中心的二次复查光谱图像,之后每次都以最新的复查光谱图像中最大光谱强度所对应的位置点为中心拍摄新的复查光谱图像,直到某一个最新的复查光谱图像中最大光谱强度小于等于前一个复查光谱图像中的最大光谱数值时,将最新的复查光谱图像所对应的位置作为源头预测位置;
将所述源头预测位置所对应的位置信息存储以形成溯源定位报告;
发送模块,用于向多光谱无人机发送按照存储模块中存储的飞行路线飞行的控制指令、以一次复查点为中心进行拍照的控制指令、回到当前区块并按照存储模块中存储的飞行路线继续飞行以对其它区块继续进行检测的控制指令、返程指令。
通过采用上述技术方案,服务器通过发送模块向多光谱无人机发送储模块中存储的飞行路线飞行的控制指令,并通过获取模块获取多光谱无人机飞行过程中在当前区块拍摄的区块光谱图像,处理模块根据存储模块中预设的内容对区块光谱图像中的光谱数据进行判断,当判断到异常数据时,利用处理模块根据存储模块内预设的内容对区块光谱图像中的光谱数据进行检测得到光谱数据中最大光谱强度,并以最大光谱强度所对应的当前区块的位置点作为一次复查点,并通过发送模块向多光谱无人机发送一个以一次复查点为中心进行拍照的控制指令,并得到多光谱无人机拍摄的以一次复查点为中心的一次复查光谱图像;根据一次复查光谱图像获得一次复查光谱图像内最大光谱强度所对应的位置点作为二次复查点,而后多光谱无人机拍摄以二次复查点为中心的二次复查光谱图像,之后每次都以最新的复查光谱图像中最大光谱强度所对应的位置点为中心拍摄新的复查光谱图像,直到某一个最新的复查光谱图像中最大光谱强度小于等于前一个复查光谱图像中的最大光谱数值时,将最新的复查光谱图像所对应的位置作为源头预测位置;并将源头预测位置所对应的位置信息存储以形成溯源定位报告。
第三方面,本申请提供一种监管终端,采用如下的技术方案:
一种监管终端,包括存储器和处理器,所述存储器上存储有能够被处理器加载并执行上述第一方面中方法的计算机程序。
通过采用上述技术方案,监管终端可通过对多光谱无人机获取的区块光谱图像进行检测,当检测出区块光谱图像的光谱数据中出现异常RGB值时,再通过对光谱数据中的光谱强度进行检测,可提高对水污染源头排查的精准度。
第四方面,本申请提供一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,存储有能够被处理器加载并执行如上述第一方面中方法的计算机程序。
通过采用上述技术方案,计算机可读存储介质能存储相应的程序,具有对水污染源头排查进行第二次核实检测的效果,可提高对水污染源头排查的检测准确度。
综上所述,本申请包括以下至少一种有益技术效果:
1.通过利用多光谱无人机对待检测河流中发生异常的区块进行溯源检测,有效改善了水污染源头的排查工作具有局限性的问题;
2.通过获取多光谱无人机返程过程中在每个区块拍摄的校对区块光谱图像,将校对区块光谱图像存储以供用户后期校对数据,有利于提高水污染源头位置的精确度。
附图说明
图1是本申请实施例的基于多光谱的水污染源头无人机排查方法的流程图;
图2是本申请实施例的溯源方法的示意图;
图3是本申请实施例的绘制最终河流污染分布图的流程示意图;
图4是本申请实施例的初始河流的分布图;
图5是本申请实施例的绘制最终污染折线图的流程示意图;
图6是本申请实施例的最终污染折线图的示意图;
图7是本申请实施例的基于多光谱的水污染源头无人机排查系统的结构框图。
附图标记说明:1、获取模块;2、存储模块;3、处理模块;4、发送模块;5、一次复查点;6、二次复查点。
具体实施方式
以下结合附图1-7对本申请作进一步详细说明。
本申请实施例公开一种基于多光谱的水污染源头无人机排查方法。参照图1,基于多光谱的水污染源头无人机排查方法包括:
S100:按照待检测的河流段为多光谱无人机规划飞行路线。
S200:将待检测的河流段划分成若干个区块。
其中,若干个区块沿飞行路线依次排列,区块的面积小于等于多光谱无人机拍摄的覆盖面积。
S300:向多光谱无人机发送按照飞行路线飞行的控制指令。
S400:获取多光谱无人机飞行过程中在当前区块拍摄的区块光谱图像。
其中,区块光谱图像包括当前区块对应的多个位置点的RGB值和光谱数据,光谱数据中包括光谱强度。
S500:判断当前区块的区块光谱图像是否发生异常;若判断为是,则跳转至S600;反之,则跳转至S300使得多光谱无人机继续按照飞行路线向前飞行。
具体的,将当前区块对应的区块光谱图像中每个位置点的RGB值与对应的预设的RGB阈值范围进行对比,若某一个或多个位置点的RGB值落入RGB阈值范围或大于RGB阈值范围对应的峰值,则判断当前区块的区块光谱图像发生异常;反之,则判断为正常。
S600:对当前区块进行溯源。在实例中,参照图2,溯源方法具体包括:
S610:将当前区块每个位置点所对应的光谱数据中的光谱强度进行相互对比,得到最大光谱强度所对应的位置点并将其作为一次复查点5。
S620:向多光谱无人机发送一个以一次复查点5为中心进行拍照的控制指令,并得到多光谱无人机拍摄的以一次复查点5为中心的一次复查光谱图像;根据一次复查光谱图像获得一次复查光谱图像内最大光谱强度所对应的位置点作为二次复查点6。
S630:而后多光谱无人机拍摄以二次复查点6为中心的二次复查光谱图像,之后每次都以最新的复查光谱图像中最大光谱强度所对应的位置点为中心拍摄新的复查光谱图像,直到某一个最新的复查光谱图像中最大光谱强度小于等于前一个复查光谱图像中的最大光谱数值时,将最新的复查光谱图像所对应的位置作为源头预测位置。
S700:将S600中源头预测位置所对应的位置信息存储以形成溯源定位报告供用户查看。
S800:判断多光谱无人机是否完成所有区块的检测。
其中,判断是否完成所有区块的检测方法为:在计算机中预先设定有减法函数,以待检测河流划分的区块个数为初始值,每检测完一个区块则初始值减一;当得数大于零时,则说明多光谱无人机未完成所有区块的检测,此时跳转至S300使得多光谱无人机回到当前区块并按照飞行路线继续飞行以对其它区块继续进行检测;当得数等于零时,则说明多光谱无人机完成所有区块的检测,此时跳转至S900。
S900:向多光谱无人机发送一个返程指令以使多光谱无人机按照飞行路线原路返回,并使多光谱无人机在返程过程中继续拍摄每个区块以得到每个区块的校对区块光谱图像。
S1000:获取多光谱无人机返程过程中在每个区块拍摄的校对区块光谱图像,并将校对区块光谱图像存储以供用户后期校对数据。
可选的,由于各种物质的光谱颜色都显示在区块光谱图像中,不利于用户直观地判断当前区块的区块光谱图像是否发生异常。所以基于此原因,参照图3,在S500中判断为“是”之后,还进行以下步骤:
S501:获取待检测的河流段所对应的初始河流分布图,并在初始河流分布图中标记出当前区块的位置。参照图4,其示出了待检测的河流段所对应的初始河流分布图,图中两条曲线之间代表待检测的河流段,虚线截断的位置表示当前区块的位置。
S502:在区块光谱图像内找出某一个或多个RGB值落入RGB阈值范围内或大于RGB阈值范围对应的峰值的位置点,并分析得到找出的位置点对应在初始河流分布图内的点,然后将这些点进行异常标记,具体的,这些点在初始河流分布图内被标记为红色。
S503:在区块光谱图像内找出某一个或多个RGB值未落入RGB阈值范围内且小于RGB阈值范围对应的峰值的位置点,并分析得到找出的位置点对应在初始河流分布图内的点,然后将这些点进行非异常标记,具体的,这些点在初始河流分布图内被标记为蓝色。
S504:生成最终河流污染分布图并进行存储以形成检测报告。
同时,为了使得用户能够从检测报告中直观地得知当前区块中每个位置点的污染程度变化趋势。参照图5和图6,在S500中判断为“是”之后,还进行以下步骤:
S510:将当前区块中的位置点的地理位置数据作为X轴、每个位置点的光谱强度作为Y轴,绘制当前区块的初始污染程度折线图。
S520:将当前区块中每个位置点的光谱强度与对应的预设的强度阈值范围进行对比并得到对比结果。
S530:根据对比结果在初始污染程度折线图中对每个位置点进行污染程度标记以形成当前区块的最终污染程度折线图。
具体的,结合图6,若某一个或多个位置点的光谱强度落入强度阈值范围内,则将某一个或多个位置点的光谱强度在初始污染程度折线图中标记为三角形。若某一个或多个位置点的光谱强度未落入强度阈值范围内且大于强度阈值范围对应的峰值,则将某一个或多个位置点的光谱强度在初始污染程度折线图中标记为五角星。若某一个或多个位置点的光谱强度未落入强度阈值范围内且小于强度阈值范围对应的峰值,则将某一个或多个位置点的光谱强度在初始污染程度折线图中标记为实心点。
S540:将最终污染程度折线图存储在检测报告中。
其中,RGB阈值范围为[A,B],A<B,RGB阈值范围对应的峰值为B;强度阈值范围为[C,D],C<D,强度阈值范围对应的峰值为D。需要说明的是,标记方式还可以根据实际需要进行其他的设置,例如不同形状符号的标记,本申请对此不作具体限定。
基于上述方法,本申请实施例还公开一种基于多光谱的水污染源头无人机排查系统。参照图7,基于多光谱的水污染源头无人机排查系统包括:
获取模块1,获取多光谱无人机飞行过程中在当前区块拍摄的区块光谱图像;
存储模块2,用于存储多光谱无人机的飞行路线、预设的RGB阈值范围和强度阈值范围;
处理模块3,用于进行以下处理:
将获取模块1获取的区块光谱图像分析得到当前区块每个位置点所对应的光谱数据;
将当前区块每个位置点所对应的光谱数据中的光谱强度进行相互对比,得到最大光谱强度所对应的位置点并将其作为一次复查点5;
通过发送模块4向多光谱无人机发送一个以一次复查点5为中心进行拍照的控制指令,并得到多光谱无人机拍摄的以一次复查点5为中心的一次复查光谱图像;
根据一次复查光谱图像获得一次复查光谱图像内最大光谱强度所对应的位置点作为二次复查点6,而后多光谱无人机拍摄以二次复查点6为中心的二次复查光谱图像,之后每次都以最新的复查光谱图像中最大光谱强度所对应的位置点为中心拍摄新的复查光谱图像,直到某一个最新的复查光谱图像中最大光谱强度小于等于前一个复查光谱图像中的最大光谱数值时,将最新的复查光谱图像所对应的位置作为源头预测位置;
将源头预测位置所对应的位置信息存储以形成溯源定位报告;
发送模块4,用于向多光谱无人机发送按照存储模块2中存储的飞行路线飞行的控制指令、以一次复查点5为中心进行拍照的控制指令、回到当前区块并按照存储模块2中存储的飞行路线继续飞行以对其它区块继续进行检测的控制指令、返程指令。本申请实施例还公开一种监管终端,监管终端包括存储器和处理器,存储器上存储有能够被处理器加载并执行基于多光谱的水污染源头无人机排查方法的计算机程序。
本申请实施例还公开一种计算机可读存储介质,其存储有能够被处理器加载并执行如上述基于多光谱的水污染源头无人机排查方法的的计算机程序,该计算机可读存储介质例如包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上实施例仅用以说明本申请的技术方案,而非对申请的保护范围进行限制。显然,所描述的实施例仅仅是本申请部分实施例,而不是全部实施例。基于这些实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请所要保护的范围。
Claims (7)
1.一种基于多光谱的水污染源头无人机排查方法,其特征在于,所述方法基于一个多光谱无人机,包括:
按照待检测的河流段为所述多光谱无人机规划飞行路线;
将所述待检测的河流段划分成若干个区块,若干个所述区块沿所述飞行路线依次排列;
向所述多光谱无人机发送按照所述飞行路线飞行的控制指令;
获取所述多光谱无人机飞行过程中在当前区块拍摄的区块光谱图像;
当所述当前区块的区块光谱图像发生异常时,根据所述区块光谱图像分析得到当前区块每个位置点所对应的光谱数据;
将所述当前区块每个位置点所对应的光谱数据中的光谱强度进行相互对比,得到最大光谱强度所对应的位置点并将其作为一次复查点(5);
向所述多光谱无人机发送一个以一次复查点(5)为中心进行拍照的控制指令,并得到所述多光谱无人机拍摄的以一次复查点(5)为中心的一次复查光谱图像;
根据所述一次复查光谱图像获得一次复查光谱图像内最大光谱强度所对应的位置点作为二次复查点(6),而后所述多光谱无人机拍摄以二次复查点(6)为中心的二次复查光谱图像,之后每次都以最新的复查光谱图像中最大光谱强度所对应的位置点为中心拍摄新的复查光谱图像,直到某一个最新的复查光谱图像中最大光谱强度小于等于前一个复查光谱图像中的最大光谱数值时,将最新的复查光谱图像所对应的位置作为源头预测位置;
将所述源头预测位置所对应的位置信息存储以形成溯源定位报告供用户查看;
判断所述当前区块的区块光谱图像是否发生异常的判断方法为:将所述当前区块对应的区块光谱图像中每个位置点的RGB值与对应的预设的RGB阈值范围进行对比,若某一个或多个位置点的RGB值落入所述RGB阈值范围或大于所述RGB阈值范围对应的峰值,则判断当前区块的区块光谱图像发生异常;
所述方法还包括:
根据所述当前区块的位置点的地理位置数据和每个位置点的光谱强度绘制所述当前区块的初始污染程度折线图;将所述当前区块中每个位置点的光谱强度均与对应预设的强度阈值范围进行比对并得到比对结果,并根据比对结果在初始污染程度折线图中对每个位置点进行污染程度标记以形成所述当前区块的最终污染程度折线图;
向多光谱无人机发送一个返程指令以使多光谱无人机按照飞行路线原路返回,并使多光谱无人机在返程过程中拍摄每个区块以得到每个区块 的校对区块 光谱图像;获取多光谱无人机返程过程中在每个区块拍摄的校对区块光谱图像,并将所述校对区块光谱图像进行存储以供后期校对数据。
2.根据权利要求1所述的一种基于多光谱的水污染源头无人机排查方法,其特征在于:还包括:
获取所述待检测的河流段所对应的初始河流分布图,并在初始河流分布图中标记出所述当前区块的位置;
将所述当前区块中每个位置点的RGB值与对应的预设的RGB阈值范围进行对比以得到对比结果;
根据对比结果在初始河流分布图中对所述当前区块的每个位置点进行污染标记以形成所述当前区块的最终河流污染分布图;
将所述最终河流污染分布图进行存储以形成检测报告。
3.根据权利要求1所述的一种基于多光谱的水污染源头无人机排查方法,其特征在于,在所述将所述源头预测位置所对应的位置信息存储以形成溯源定位报告之后,还包括:
向所述多光谱无人机发送一个使其回到当前区块并按照所述飞行路线继续飞行以对其它区块继续进行检测的控制指令。
4.根据权利要求3所述的一种基于多光谱的水污染源头无人机排查方法,其特征在于,还包括:
判断所述多光谱无人机是否完成所有区块的检测;
若判断为是,则向所述多光谱无人机发送按照所述飞行路线原路返回的返程指令。
5.一种基于多光谱的水污染源头无人机排查系统,其特征在于,包括,
获取模块(1),获取多光谱无人机飞行过程中在当前区块拍摄的区块光谱图像;
存储模块(2),用于存储多光谱无人机的飞行路线、预设的RGB阈值范围和强度阈值范围;
处理模块(3),用于进行以下处理:
将所述获取模块(1)获取的区块光谱图像分析得到当前区块每个位置点所对应的光谱数据;
将所述当前区块每个位置点所对应的光谱数据中的光谱强度进行相互对比,得到最大光谱强度所对应的位置点并将其作为一次复查点;
通过发送模块(4)向所述多光谱无人机发送一个以一次复查点为中心进行拍照的控制指令,并得到所述多光谱无人机拍摄的以一次复查点为中心的一次复查光谱图像;
根据所述一次复查光谱图像获得一次复查光谱图像内最大光谱强度所对应的位置点作为二次复查点,而后所述多光谱无人机拍摄以二次复查点为中心的二次复查光谱图像,之后每次都以最新的复查光谱图像中最大光谱强度所对应的位置点为中心拍摄新的复查光谱图像,直到某一个最新的复查光谱图像中最大光谱强度小于等于前一个复查光谱图像中的最大光谱数值时,将最新的复查光谱图像所对应的位置作为源头预测位置;
将所述源头预测位置所对应的位置信息存储以形成溯源定位报告;
发送模块(4),用于向多光谱无人机发送按照存储模块(2)中存储的飞行路线飞行的控制指令、以一次复查点为中心进行拍照的控制指令、回到当前区块并按照存储模块(2)中存储的飞行路线继续飞行以对其它区块继续进行检测的控制指令、返程指令;
所述处理模块(3)还用于判断所述当前区块的区块光谱图像是否发生异常,具体为:将所述当前区块对应的区块光谱图像中每个位置点的RGB值与对应的预设的RGB阈值范围进行对比,若某一个或多个位置点的RGB值落入所述RGB阈值范围或大于所述RGB阈值范围对应的峰值,则判断当前区块的区块光谱图像发生异常;
所述处理模块(3)还用于:根据所述当前区块的位置点的地理位置数据和每个位置点的光谱强度绘制所述当前区块的初始污染程度折线图;将所述当前区块中每个位置点的光谱强度均与对应预设的强度阈值范围进行比对并得到比对结果,并根据比对结果在初始污染程度折线图中对每个位置点进行污染程度标记以形成所述当前区块的最终污染程度折线图;
所述处理模块(3)还用于:获取多光谱无人机返程过程中在每个区块拍摄的校对区块光谱图像,并将所述校对区块光谱图像进行存储以供后期校对数据。
6.一种监管终端,其特征在于,包括存储器和处理器,所述存储器上存储有能够被处理器加载并执行如权利要求1至4中任一种方法的计算机程序。
7.一种计算机可读存储介质,其特征在于,存储有能够被处理器加载并执行如权利要求1至4中任一种方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011504878.0A CN112596545B (zh) | 2020-12-18 | 2020-12-18 | 一种基于多光谱的水污染源头无人机排查方法、系统和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011504878.0A CN112596545B (zh) | 2020-12-18 | 2020-12-18 | 一种基于多光谱的水污染源头无人机排查方法、系统和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112596545A CN112596545A (zh) | 2021-04-02 |
CN112596545B true CN112596545B (zh) | 2023-02-14 |
Family
ID=75199377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011504878.0A Active CN112596545B (zh) | 2020-12-18 | 2020-12-18 | 一种基于多光谱的水污染源头无人机排查方法、系统和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112596545B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113674121B (zh) * | 2021-05-14 | 2024-03-08 | 上海同渠工程咨询有限公司 | 用于碳中和的建设规划方法、系统、智能终端及存储介质 |
CN113485410A (zh) * | 2021-06-10 | 2021-10-08 | 广州资源环保科技股份有限公司 | 一种污水源头的查找方法及装置 |
CN113848226B (zh) * | 2021-09-22 | 2023-06-13 | 电子科技大学 | 一种智能化空间移动污染物自主溯源系统及溯源方法 |
CN114324231B (zh) * | 2021-12-24 | 2023-11-03 | 安徽新宇环保科技股份有限公司 | 一种河道巡测全光谱水质数据分析方法 |
CN114755367B (zh) * | 2022-04-19 | 2023-07-25 | 薛四社 | 一种环保污染监测方法、系统、设备及介质 |
CN116109118B (zh) * | 2023-04-17 | 2023-06-30 | 江苏新睿清智科技有限公司 | 一种基于物联网的污染溯源追踪分析系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106125159A (zh) * | 2016-07-29 | 2016-11-16 | 华中科技大学 | 一种水域污染源自动探测方法 |
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 |
CN108107176A (zh) * | 2018-01-12 | 2018-06-01 | 中国科学院合肥物质科学研究院 | 一种用于水质监测与污染源追踪的无人船及污染源追踪方法 |
CN108896714A (zh) * | 2018-06-13 | 2018-11-27 | 中国科学院城市环境研究所 | 一种基于无人机的大气污染源追踪方法及无人机系统 |
CN110320163A (zh) * | 2019-06-26 | 2019-10-11 | 深圳市宇驰检测技术股份有限公司 | 无人机的在线水质监测方法、系统及存储介质 |
CN110908394A (zh) * | 2019-11-25 | 2020-03-24 | 桂林航天工业学院 | 一种海事水域污染监管无人机系统及监管方法 |
CN111122570A (zh) * | 2019-12-13 | 2020-05-08 | 南京理工大学 | 基于无人机的钢铁厂污水排放监测方法及系统 |
-
2020
- 2020-12-18 CN CN202011504878.0A patent/CN112596545B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106125159A (zh) * | 2016-07-29 | 2016-11-16 | 华中科技大学 | 一种水域污染源自动探测方法 |
CN108107176A (zh) * | 2018-01-12 | 2018-06-01 | 中国科学院合肥物质科学研究院 | 一种用于水质监测与污染源追踪的无人船及污染源追踪方法 |
CN108896714A (zh) * | 2018-06-13 | 2018-11-27 | 中国科学院城市环境研究所 | 一种基于无人机的大气污染源追踪方法及无人机系统 |
CN110320163A (zh) * | 2019-06-26 | 2019-10-11 | 深圳市宇驰检测技术股份有限公司 | 无人机的在线水质监测方法、系统及存储介质 |
CN110908394A (zh) * | 2019-11-25 | 2020-03-24 | 桂林航天工业学院 | 一种海事水域污染监管无人机系统及监管方法 |
CN111122570A (zh) * | 2019-12-13 | 2020-05-08 | 南京理工大学 | 基于无人机的钢铁厂污水排放监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112596545A (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112596545B (zh) | 一种基于多光谱的水污染源头无人机排查方法、系统和存储介质 | |
US20210389766A1 (en) | Methods and Apparatuses for Water Body Pollution Intelligent Investigation Utilizing Unmanned Ships | |
CN108961236B (zh) | 电路板缺陷检测方法及装置 | |
EP3023913A1 (en) | Crack data collection method and crack data collection program | |
CN110910341B (zh) | 一种输电线路锈蚀区缺陷检测方法及装置 | |
CN108596883B (zh) | 一种基于深度学习和距离约束的航拍图像防震锤滑移故障诊断方法 | |
CN110175507B (zh) | 模型评估方法、装置、计算机设备和存储介质 | |
EP3023912A1 (en) | Crack data collection apparatus and server apparatus to collect crack data | |
CN111126802A (zh) | 基于人工智能的高速公路检查评价方法及系统 | |
CN110008947A (zh) | 一种基于卷积神经网络的粮仓粮食数量监测方法及装置 | |
CN115266632A (zh) | 一种水体污染源无人机高光谱遥感排查方法 | |
CN113255590A (zh) | 一种缺陷检测模型训练方法、缺陷检测方法、装置及系统 | |
EP3493157A1 (en) | Method and system for visual change detection using multi-scale analysis | |
KR20170126148A (ko) | 무인 항공기를 이용한 도로 균열 탐지 장치 및 방법 | |
KR101130284B1 (ko) | 수치지도를 이용한 실감정사영상 정확도 검사 시스템 및 검사방법 | |
CN115761535B (zh) | 应用于土壤质量数据分析方法和系统 | |
CN116362571A (zh) | 一种基于深度学习的多源污染时空特征分析方法及系统 | |
CN116310891A (zh) | 一种云边协同输电线路缺陷智能检测系统和方法 | |
CN111723656A (zh) | 一种基于YOLO v3与自优化的烟雾检测方法及装置 | |
CN110440764B (zh) | 一种表计检测云台二次对准方法、装置和设备 | |
CN115169602A (zh) | 电力设备的维护方法、装置、存储介质及计算机设备 | |
WO2018078582A1 (en) | Method for distinguishing fresh meat from meat subjected to freezing by means of analysis of images of muscle tissue and corresponding system arranged to execute said method | |
CN116778357A (zh) | 利用可见光缺陷识别的电力线路无人机巡检方法和系统 | |
JP2018501480A (ja) | タイヤ内の条線を検出するための方法 | |
CN112508946B (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 |
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 |