CN113420724B - 一种无人机遥感入河排口识别方法及装置 - Google Patents
一种无人机遥感入河排口识别方法及装置 Download PDFInfo
- Publication number
- CN113420724B CN113420724B CN202110827342.0A CN202110827342A CN113420724B CN 113420724 B CN113420724 B CN 113420724B CN 202110827342 A CN202110827342 A CN 202110827342A CN 113420724 B CN113420724 B CN 113420724B
- Authority
- CN
- China
- Prior art keywords
- river
- remote sensing
- classification
- image
- frame
- 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
Images
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种无人机遥感入河排口识别方法及装置。其中,该方法包括:获取遥感图像特征;根据所述遥感图像特征和预设标识,生成建议框;将所述建议框精确调整后,对其中的入河排口进行分类,得到分类和定位结果;根据所述分类和定位结果,通过地学分类器生成最终识别结果。本发明解决现有技术中无法利用除图像本身的光谱信息以外的,来自于遥感等上述领域中所关注的目标自身固有的地学相关的信息:目标的空间分布特点;目标之间的空间相关性特点;目标在空间上的形态等,人工目视解译过程为避免错误识别和遗漏需要大量人工和时间逐幅影像检查和验证,效率低,成本高的技术问题。
Description
技术领域
本发明涉及无人机遥感识别领域,具体而言,涉及一种无人机遥感入河排口识别方法及装置。
背景技术
随着智能化科技的不断发展,人们的生活、工作、学习之中越来越多地用到了智能化设备,使用智能化科技手段,提高了人们生活的质量,增加了人们学习和工作的效率。
目前,卷积神经网络随着硬件(如图形处理单元GPU)性能的提升以及图像处理技术和图像识别应用领域的不断扩展,已经广泛应用于计算机视觉、人工智能、遥感等涉及图像、图形的众多领域当中。卷积神经网络通过对图像进行卷积(图像综合)提取特征图,特征图通过全连接层形成图像的特征向量后用于图像分类(如手写数字识别、动物识别等)。随着应用需求的提升,区域卷积神经网络在卷积神经网络的基础上补充了对象的定位能力,即不仅识别对象的类别,同时以矩形框标识特定对象在图像中的相对位置。目前在深度学习领域已形成了R-CNN,Fast R-CNN,Faster R-CNN,YOLO,SSD等具有代表意义的目标识别方法,其中共同的思想在于通过对图像各个像素的R/G/B值使用均值、最大值、最小值、中位数等方法对图像进行信息综合,并通过全连接形成图像的特征向量用于训练图像分类网络,R-CNN,Fast R-CNN和Faster R-CNN目标识别算法以某种特定的规则生成建议框P,并通过目标预测框回归计算最终的目标标识框。目标预测框回归是指寻找使得建议框P尽可能逼近标识框G(即)的映射过程f及其参数(中心横纵坐标x,y和边框宽、高w,h),并将回归结果/>作为最终预测结果,其公式表示如下:
上述的图像分类和目标预测框回归两个过程,即构成R-CNN,Fast R-CNN和FasterR-CNN目标识别的主要算法方案。但是,在现有技术方案中仍存在以下缺陷:
(1)无法利用除图像本身的光谱信息以外的,来自于遥感等上述领域中所关注的目标自身固有的地学相关的信息:目标的空间分布特点,如入河排口沿水系分布;目标之间的空间相关性特点,如入河排口周围的植物分布、工厂等排污单位分布等;目标在空间上的形态等,如入河排口在三维空间中所体现的相对周围出现的凹陷特征。
(2)目标在经过CNN网络提取特征后,不同的目标之间存在特征相同或相似,影响目标识别和分类结果。
(3)入河排口空间分布上较为分散、入河排口在大范围遥感影像中面积较小较隐蔽,人工目视解译过程为避免错误识别和遗漏需要大量人工和时间逐幅影像检查和验证,效率低,成本高。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种无人机遥感入河排口识别方法及装置,以至少解决现有技术中无法利用除图像本身的光谱信息以外的,来自于遥感等上述领域中所关注的目标自身固有的地学相关的信息:目标的空间分布特点,如入河排口沿水系分布;目标之间的空间相关性特点,如入河排口周围的植物分布、工厂等排污单位分布等;目标在空间上的形态等,如入河排口在三维空间中所体现的相对周围出现的凹陷特征,且目标在经过CNN网络提取特征后,不同的目标之间存在特征相同或相似,影响目标识别和分类结果,入河排口空间分布上较为分散、入河排口在大范围遥感影像中面积较小较隐蔽,人工目视解译过程为避免错误识别和遗漏需要大量人工和时间逐幅影像检查和验证,效率低,成本高的技术问题。
根据本发明实施例的一个方面,提供了一种无人机遥感入河排口识别方法,包括:获取遥感图像特征;根据所述遥感图像特征和预设标识,生成建议框;将所述建议框精细调整和并将其中的入河排口进行分类,得到分类和定位结果;根据所述分类和定位结果,通过地学分类器生成最终识别结果。
可选的,在所述获取遥感图像特征之前,所述方法还包括:获取原始图像数据。
可选的,所述将所述建议框中的入河排口进行分类,得到分类结果包括:获取所述建议框中图像信息;根据所述图像信息,生成所述分类结果。
可选的,在所述根据所述分类和定位结果,通过地学分类器生成最终识别结果之后,所述方法还包括:将所述识别结果进行展示。
根据本发明实施例的另一方面,还提供了一种无人机遥感入河排口识别装置,包括:获取模块,用于获取遥感图像特征;生成模块,用于根据所述遥感图像特征和预设标识,生成建议框;分类和定位模块,用于将所述建议框精细调整并将其中的入河排口进行分类,得到分类和定位结果;结果模块,用于根据所述分类结果,通过地学分类器生成识别结果。
可选的,所述装置还包括:原始模块,用于获取原始图像数据。
可选的,所述分类模块包括:获取单元,用于获取所述建议框中的每个图像数据对应的建议框信息;生成单元,用于根据所述建议框信息,生成所述分类结果。
可选的,所述装置还包括:展示模块,用于将所述识别结果进行展示。
根据本发明实施例的另一方面,还提供了一种非易失性存储介质,所述非易失性存储介质包括存储的程序,其中,所述程序运行时控制非易失性存储介质所在的设备执行一种无人机遥感入河排口识别方法。
根据本发明实施例的另一方面,还提供了一种电子装置,包含处理器和存储器;所述存储器中存储有计算机可读指令,所述处理器用于运行所述计算机可读指令,其中,所述计算机可读指令运行时执行一种无人机遥感入河排口识别方法。
在本发明实施例中,采用获取遥感图像特征;根据所述遥感图像特征和预设标识,生成建议框;将所述建议框精细挑中后将其中的入河排口进行分类,得到分类和定位结果;根据所述分类和定位结果,通过地学分类器生成识别结果的方式,解决了现有技术中无法利用除图像本身的光谱信息以外的,来自于遥感等上述领域中所关注的目标自身固有的地学相关的信息:目标的空间分布特点,如入河排口沿水系分布;目标之间的空间相关性特点,如入河排口周围的植物分布、工厂等排污单位分布等;目标在空间上的形态等,如入河排口在三维空间中所体现的相对周围出现的凹陷特征,且目标在经过CNN网络提取特征后,不同的目标之间存在特征相同或相似,影响目标识别和分类结果,入河排口空间分布上较为分散、入河排口在大范围遥感影像中面积较小较隐蔽,人工目视解译过程为避免错误识别和遗漏需要大量人工和时间逐幅影像检查和验证,效率低,成本高的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种无人机遥感入河排口识别方法的流程图;
图2是根据本发明实施例的一种无人机遥感入河排口识别装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例,提供了一种无人机遥感入河排口识别方法的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
图1是根据本发明实施例的一种无人机遥感入河排口识别方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取遥感图像特征。
具体的,本发明实施例为了解决现有技术中无法利用除图像本身的光谱信息以外的,来自于遥感等上述领域中所关注的目标自身固有的地学相关的信息:目标的空间分布特点,如入河排口沿水系分布;目标之间的空间相关性特点,如入河排口周围的植物分布、工厂等排污单位分布等;目标在空间上的形态等,如入河排口在三维空间中所体现的相对周围出现的凹陷特征,且目标在经过CNN网络提取特征后,不同的目标之间存在特征相同或相似,影响目标识别和分类结果,入河排口空间分布上较为分散、入河排口在大范围遥感影像中面积较小较隐蔽,人工目视解译过程为避免错误识别和遗漏需要大量人工和时间逐幅影像检查和验证,效率低,成本高的技术问题,首先需要获取遥感图像特征,图像特征需要通过遥感图像采集器相关的图像数据进行采集,并将图像提取出图像特征加以优化和处理,的到最终本发明实施例所需的遥感图像特征。例如,提取遥感图像特征图。以包含入河排口的600*600像素大小的图片集合作为入河排口特征提取网络训练样本,训练特征提取网络中的卷积模板参数。特征提取网络通过激活函数(如ReLU、Sigmoid、Tanh)进行非线性激活,训练完成后的特征提取网络提取输入样本的特征图。
可选的,在所述获取遥感图像特征之前,所述方法还包括:获取原始图像数据。
具体的,获取原始图像数据可以采用无人机搭载摄像或拍照设备对原始图像区域进行采集,并将采集到的图像进行优化和存储,以备后续对图像进行分析之用,获取原始图像数聚也可以是通过用户上传的数据包,自动进行解压和识别,在保证数据安全的同时进行存储和分析。
步骤S104,根据所述遥感图像特征和预设标识,生成建议框。
具体的,本发明实施例使用特征图和标识框训练建议框回归网络及前后背景分类器。以训练数据(如图1)中的标识框和步骤1中提取的特征图作为回归网络和分类器的训练样本;逐像元生成[64,256,576]像素,长宽比为[1:1,2:1,1:2]的共9种组合的预选框;将生成的所有预选框与标识框计算重叠度(重叠度=交集的面积/并集的面积),重叠度最大的前100个预选框作为正样本(前景),以同样数量随机选取100个不重叠预选框作为负样本(背景),将200个包含正负样本的预选框中像元用于训练背景分类器,判断预选框中是否包含目标对象,同现有技术中所述目标预测框回归算法原理相同,预选框通过回归算法逼近目标标识框,作为建议框;(注:第一次是对预选框回归,生成建议框)。
步骤S106,将所述建议框精细调整并将其中的入河排口进行分类,得到分类结果。
可选的,所述将所述建议框中的入河排口进行分类,得到分类结果包括:获取所述建议框中的图像信息;根据所述图像信息,生成所述分类结果。
具体的,在本发明获取到了建议框之后,需要分类建议框中的入河排口类别并进一步精调建议框。通过上述实施例中的描述,本发明实施例得到了每一幅影像中可能存在的入河排口目标对象的建议框,将其中的图像重采样至128*128像素大小,将所有像素压缩成为列向量输入全连接层进行入河排口分类,同时再次利用RPN网络回归器精调建议框使其进一步逼近目标标识框,入河排口分类如下图所示:(注:第二次是对建议框回归,作为目标预测框)。
步骤S108,根据所述分类结果,通过地学分类器生成识别结果。
具体的,本发明实施例通过地学分类器对入河排口标识和分类结果进行判别,将被分类为类别一至三中任意一类的目标标识框作为地学分类器的Ro I;同时利用水系缓冲区数据生成空间激活函数,空间激活函数定义如下:
SAF(R(x,y))=I(x,y)*R(x,y)
其中SAF(*)为空间激活函数,R(x,y)为输入的遥感影像,I(x,y)为空间重叠指示函数,(x,y)为像素空间坐标;DSM通过空间激活函数激活,并将RoI中的DSM重采样至128*128像素后压缩为列向量输入全连接网络中,判断其是否沿河到分布以及在三维空间中的凹凸性,将步骤3中符合地学条件的入河排口标预测框和分类作为最终识别结果。
可选的,在所述根据所述分类结果,通过地学分类器生成识别结果之后,所述方法还包括:将所述识别结果进行展示。
本发明实施例通过上述实施方式,可以达到在不需要人工干预的情况下可通过无人机遥感影像和相关地学知识实现入河排口的自动识别;为入河排口的解译工作提供一种有效的自动化算法和入河排口自动化提取的计算机程序。该方法在现有的图像目标识别算法的基础上,针对入河排口提取进行参数优化,同时针对入河排口加入地学知识从而较大程度的抑制图像目标自动识别算法的错误分类问题,与现有的图像识别算法用于入河排口识别相比精度提高超过20倍,相比人工目视解译能在保证查全率约80%的条件下效率提高约10倍。
通过上述实施例,解决了现有技术中无法利用除图像本身的光谱信息以外的,来自于遥感等上述领域中所关注的目标自身固有的地学相关的信息:目标的空间分布特点,如入河排口沿水系分布;目标之间的空间相关性特点,如入河排口周围的植物分布、工厂等排污单位分布等;目标在空间上的形态等,如入河排口在三维空间中所体现的相对周围出现的凹陷特征,且目标在经过CNN网络提取特征后,不同的目标之间存在特征相同或相似,影响目标识别和分类结果,入河排口空间分布上较为分散、入河排口在大范围遥感影像中面积较小较隐蔽,人工目视解译过程为避免错误识别和遗漏需要大量人工和时间逐幅影像检查和验证,效率低,成本高的技术问题。
实施例二
图2是根据本发明实施例的一种无人机入河排口识别装置的结构框图,如图2所示,该装置包括:
获取模块20,用于获取遥感图像特征。
具体的,本发明实施例为了解决现有技术中无法利用除图像本身的光谱信息以外的,来自于遥感等上述领域中所关注的目标自身固有的地学相关的信息:目标的空间分布特点,如入河排口沿水系分布;目标之间的空间相关性特点,如入河排口周围的植物分布、工厂等排污单位分布等;目标在空间上的形态等,如入河排口在三维空间中所体现的相对周围出现的凹陷特征,且目标在经过CNN网络提取特征后,不同的目标之间存在特征相同或相似,影响目标识别和分类结果,入河排口空间分布上较为分散、入河排口在大范围遥感影像中面积较小较隐蔽,人工目视解译过程为避免错误识别和遗漏需要大量人工和时间逐幅影像检查和验证,效率低,成本高的技术问题,首先需要获取遥感图像特征,图像特征需要通过遥感图像采集器相关的图像数据进行采集,并将图像提取出图像特征加以优化和处理,的到最终本发明实施例所需的遥感图像特征。例如,提取遥感图像特征图。以包含入河排口的600*600像素大小的图片集合作为入河排口特征提取网络训练样本,训练特征提取网络中的卷积模板参数。特征提取网络通过激活函数(如ReLU、Sigmoid、Tanh)进行非线性激活,训练完成后的特征提取网络提取输入样本的特征图。
可选的,所述装置还包括:原始模块,用于获取原始图像数据。
具体的,获取原始图像数据可以采用摄像或拍照设备对原始图像区域进行采集,并将采集到的图像进行优化和存储,以备后续对图像进行分析之用,获取原始图像数聚也可以是通过用户上传的数据包,自动进行解压和识别,在保证数据安全的同时进行存储和分析。
生成模块22,用于根据所述遥感图像特征和预设标识,生成建议框。
具体的,本发明实施例使用特征图和标识框训练建议框回归网络及前后背景分类器。以训练数据(如图1)中的标识框和步骤1中提取的特征图作为回归网络和分类器的训练样本;逐像元生成[64,256,576]像素,长宽比为[1:1,2:1,1:2]的共9种组合的预选框;将生成的所有预选框与标识框计算重叠度(重叠度=交集的面积/并集的面积),重叠度最大的前100个预选框作为正样本(前景),以同样数量随机选取100个不重叠预选框作为负样本(背景),将200个包含正负样本的预选框中像元用于训练背景分类器,判断预选框中是否包含目标对象,同现有技术中所述目标预测框回归算法原理相同,预选框通过回归算法逼近目标标识框,作为建议框;(注:第一次是对预选框回归,生成建议框)。
分类模块24,用于将所述建议框精细调整并将其中的入河排口进行分类,得到分类和定位结果。
可选的,所述分类模块包括:获取单元,用于获取所述建议框中的图像信息;生成单元,用于根据所述图像信息,生成所述分类结果。
具体的,在本发明获取到了建议框之后,需要分类建议框中的入河排口类别并进一步精调建议框。通过上述实施例中的描述,本发明实施例得到了每一幅影像中可能存在的入河排口目标对象的建议框,将其中的图像重采样至128*128像素大小,将所有像素压缩成为列向量输入全连接层进行入河排口分类,同时再次利用RPN网络回归器精调建议框使其进一步逼近目标标识框,入河排口分类如下图所示:(注:第二次是对建议框回归,作为目标预测框)。
结果模块26,用于根据所述分类结果,通过地学分类器生成识别结果。
具体的,本发明实施例通过地学分类器对入河排口标识和分类结果进行判别,将被分类为类别一至三中任意一类的目标标识框作为地学分类器的RoI;同时利用水系缓冲区数据生成空间激活函数,空间激活函数定义如下:
SAF(R(x,y))=I(x,y)*R(x,y)
其中SAF(*)为空间激活函数,R(x,y)为输入的遥感影像,I(x,y)为空间重叠指示函数,(x,y)为像素空间坐标;DSM通过空间激活函数激活,并将RoI中的DSM重采样至128*128像素后压缩为列向量输入全连接网络中,判断其是否沿河到分布以及在三维空间中的凹凸性,将步骤3中符合地学条件的入河排口标预测框和分类作为最终识别结果。
可选的,所述装置还包括:展示模块,用于将所述识别结果进行展示。
本发明实施例通过上述实施方式,可以达到在不需要人工干预的情况下可通过无人机遥感影像和相关地学知识实现入河排口的自动识别;为入河排口的解译工作提供一种有效的自动化算法和入河排口自动化提取的计算机程序。该方法在现有的图像目标识别算法的基础上,针对入河排口提取进行参数优化,同时针对入河排口加入地学知识从而较大程度的抑制图像目标自动识别算法的错误分类问题,与现有的图像识别算法用于入河排口识别相比精度提高超过20倍,相比人工目视解译能在保证查全率约80%的条件下效率提高约10倍。
根据本发明实施例的另一方面,还提供了一种非易失性存储介质,所述非易失性存储介质包括存储的程序,其中,所述程序运行时控制非易失性存储介质所在的设备执行一种无人机入河排口识别方法。
具体的,上述方法包括:获取遥感图像特征;根据所述遥感图像特征和预设标识,生成建议框;将所述建议框精细调整并将其中的入河排口进行分类,得到分类和定位结果;根据所述分类和定位结果,通过地学分类器生成识别结果。
根据本发明实施例的另一方面,还提供了一种电子装置,包含处理器和存储器;所述存储器中存储有计算机可读指令,所述处理器用于运行所述计算机可读指令,其中,所述计算机可读指令运行时执行一种无人机遥感入河排口识别方法。
具体的,上述方法包括:获取遥感图像特征;根据所述遥感图像特征和预设标识,生成建议框;将所述建议框精细调整并将其中的入河排口进行分类,得到分类结果;根据所述分类结果,通过地学分类器生成识别结果。
通过上述实施例,解决了现有技术中无法利用除图像本身的光谱信息以外的,来自于遥感等上述领域中所关注的目标自身固有的地学相关的信息:目标的空间分布特点,如入河排口沿水系分布;目标之间的空间相关性特点,如入河排口周围的植物分布、工厂等排污单位分布等;目标在空间上的形态等,如入河排口在三维空间中所体现的相对周围出现的凹陷特征,且目标在经过CNN网络提取特征后,不同的目标之间存在特征相同或相似,影响目标识别和分类结果,入河排口空间分布上较为分散、入河排口在大范围遥感影像中面积较小较隐蔽,人工目视解译过程为避免错误识别和遗漏需要大量人工和时间逐幅影像检查和验证,效率低,成本高的技术问题。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种无人机遥感入河排口识别方法,其特征在于,包括:
获取遥感图像特征;
根据所述遥感图像特征和预设标识,生成建议框;
将所述建议框中的入河排口进行分类,得到分类结果;
根据所述分类结果,通过地学分类器生成识别结果;
所述通过地学分类器生成识别结果包括;
通过地学分类器对入河排口标识和所述分类结果进行判别,将所述分类结果的目标标识框作为地学分类器的RoI;同时利用水系缓冲区数据生成空间激活函数,空间激活函数定义如下:
SAF(R(x,y))=I(x,y)*R(x,y)
其中SAF(*)为空间激活函数,R(x,y)为输入的遥感影像,I(x,y)为空间重叠指示函数,(x,y)为像素空间坐标;DSM通过空间激活函数激活,并将RoI中的DSM重采样至128*128像素后压缩为列向量输入全连接网络中,判断其是否沿河到分布以及在三维空间中的凹凸性,将所述分类结果中符合地学条件的入河排口标预测框和分类作为最终识别结果。
2.根据权利要求1所述的方法,其特征在于,在所述获取遥感图像特征之前,所述方法还包括:
获取原始图像数据。
3.根据权利要求1所述的方法,其特征在于,所述将所述建议框精细调整并对其中的入河排口进行分类,得到分类和定位结果包括:
获取所述建议框中的每个图像数据对应的建议框信息,所述建议框信息包括定位框的坐标;
根据所述建议框信息,生成所述分类结果,所述分类结果包括排污口的类别。
4.根据权利要求1所述的方法,其特征在于,在所述根据所述分类结果,通过地学分类器生成识别结果之后,所述方法还包括:
将所述识别结果进行展示。
5.一种利用如权利要求1-4任一项无人机遥感入河排口识别方法的无人机遥感入河排口识别装置,其特征在于,包括:
获取模块,用于获取遥感图像特征;
生成模块,用于根据所述遥感图像特征和预设标识,生成建议框;
分类和定位模块,用于将所述建议框精细调整并将其中的入河排口进行分类,得到分类和定位结果;
结果模块,用于根据所述分类结果,通过地学分类器生成识别结果。
6.根据权利要求5所述的装置,其特征在于,所述装置还包括:
原始模块,用于获取原始图像数据。
7.根据权利要求5所述的装置,其特征在于,分类模块包括:
获取单元,用于获取所述建议框中的图像信息;
生成单元,用于根据所述建议框中图像信息,生成所述分类结果。
8.根据权利要求5所述的装置,其特征在于,所述装置还包括:
展示模块,用于将所述识别结果进行展示。
9.一种非易失性存储介质,其特征在于,所述非易失性存储介质包括存储的程序,其中,所述程序运行时控制非易失性存储介质所在的设备执行权利要求1至4中任意一项所述的方法。
10.一种电子装置,其特征在于,包含处理器和存储器;所述存储器中存储有计算机可读指令,所述处理器用于运行所述计算机可读指令,其中,所述计算机可读指令运行时执行权利要求1至4中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110827342.0A CN113420724B (zh) | 2021-07-21 | 2021-07-21 | 一种无人机遥感入河排口识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110827342.0A CN113420724B (zh) | 2021-07-21 | 2021-07-21 | 一种无人机遥感入河排口识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113420724A CN113420724A (zh) | 2021-09-21 |
CN113420724B true CN113420724B (zh) | 2023-07-11 |
Family
ID=77718121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110827342.0A Active CN113420724B (zh) | 2021-07-21 | 2021-07-21 | 一种无人机遥感入河排口识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113420724B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201805635D0 (en) * | 2018-04-05 | 2018-05-23 | Subsea 7 Ltd | Communication with unmanned underwater vehicles |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778835B (zh) * | 2016-11-29 | 2020-03-24 | 武汉大学 | 融合场景信息和深度特征的遥感图像机场目标识别方法 |
CN111931572B (zh) * | 2020-07-07 | 2024-01-09 | 广东工业大学 | 一种遥感影像的目标检测方法 |
-
2021
- 2021-07-21 CN CN202110827342.0A patent/CN113420724B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201805635D0 (en) * | 2018-04-05 | 2018-05-23 | Subsea 7 Ltd | Communication with unmanned underwater vehicles |
Non-Patent Citations (3)
Title |
---|
Chapter 3.2 - Applications in remote sensing - anthropogenic activities;Josselin Aval等;《Data Handling in Science and Technology》;第32卷;全文 * |
利用无人机开展入河排污口清查的思路与建议;王贵作;孟祥龙;郎劢贤;李宏强;;水利发展研究(第02期);全文 * |
基于微型无人机遥感数据的城市水环境信息提取初探;侍昊;李旭文;牛志春;李卫正;王甜甜;张悦;;中国环境监测(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113420724A (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109584248B (zh) | 基于特征融合和稠密连接网络的红外面目标实例分割方法 | |
CN109583483B (zh) | 一种基于卷积神经网络的目标检测方法和系统 | |
US10346720B2 (en) | Rotation variant object detection in Deep Learning | |
Aquino et al. | A new methodology for estimating the grapevine-berry number per cluster using image analysis | |
CN114202672A (zh) | 一种基于注意力机制的小目标检测方法 | |
WO2019169816A1 (zh) | 一种用于精细化识别车辆属性的深度神经网络及训练方法 | |
Sirmacek et al. | Urban-area and building detection using SIFT keypoints and graph theory | |
KR20180135898A (ko) | 기계 학습에 의해 객체 분류기를 훈련시키는 시스템 및 방법 | |
Millan et al. | On‐the‐Go Grapevine Yield Estimation Using Image Analysis and Boolean Model | |
CN107273832B (zh) | 基于积分通道特征与卷积神经网络的车牌识别方法及系统 | |
CN110929593A (zh) | 一种基于细节辨别区别的实时显著性行人检测方法 | |
CN107220603A (zh) | 基于深度学习的车辆检测方法及装置 | |
Tao et al. | Smoke vehicle detection based on multi-feature fusion and hidden Markov model | |
CN109961425A (zh) | 一种动态水的水质识别方法 | |
CN115131325A (zh) | 一种基于图像识别分析的断路器故障运维监测方法及系统 | |
CN115861799A (zh) | 基于注意力梯度的轻量化空对地目标检测方法 | |
Lauziere et al. | A model-based road sign identification system | |
CN112241736A (zh) | 一种文本检测的方法及装置 | |
CN104008374B (zh) | 一种矿井图像中基于条件随机场的矿工检测方法 | |
Costianes et al. | Gray-level co-occurrence matrices as features in edge enhanced images | |
Kheder et al. | Transfer learning based traffic light detection and recognition using CNN inception-V3 model | |
CN112418262A (zh) | 车辆再识别的方法、客户端及系统 | |
CN113420724B (zh) | 一种无人机遥感入河排口识别方法及装置 | |
Engstrom et al. | Evaluating the Relationship between Contextual Features Derived from Very High Spatial Resolution Imagery and Urban Attributes: A Case Study in Sri Lanka | |
CN114241317A (zh) | 一种基于灯下相似害虫图像自适应特征融合检测方法 |
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 |