CN113486977B - 一种基于深度学习的无人机测绘方法及系统 - Google Patents

一种基于深度学习的无人机测绘方法及系统 Download PDF

Info

Publication number
CN113486977B
CN113486977B CN202110844492.2A CN202110844492A CN113486977B CN 113486977 B CN113486977 B CN 113486977B CN 202110844492 A CN202110844492 A CN 202110844492A CN 113486977 B CN113486977 B CN 113486977B
Authority
CN
China
Prior art keywords
aerial vehicle
unmanned aerial
mapping
surveying
data
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
Application number
CN202110844492.2A
Other languages
English (en)
Other versions
CN113486977A (zh
Inventor
叶文杰
李盟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Bangxin Water Conservancy Technology Co ltd
Original Assignee
Guangzhou Bangxin Water Conservancy Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Bangxin Water Conservancy Technology Co ltd filed Critical Guangzhou Bangxin Water Conservancy Technology Co ltd
Priority to CN202110844492.2A priority Critical patent/CN113486977B/zh
Publication of CN113486977A publication Critical patent/CN113486977A/zh
Application granted granted Critical
Publication of CN113486977B publication Critical patent/CN113486977B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C15/00—Surveying instruments or accessories not provided for in groups G01C1/00 - G01C13/00
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Image Analysis (AREA)

Abstract

一种基于深度学习的无人机测绘方法及系统，包括步骤：获取无人机Q个传感器数据，采集x次，其中第w个传感器的样本集为X；将ELO数据选择模块和Adboost自增强模块嵌入神经网络结构中生成第一网络模型；对样本集进行训练，得到无人机测绘模型，所述无人机测绘模型中包括尺度不同的至两个深度神经网络，即通过ELO算法处理后的数据和/或通过Adboost自增加模块处理后得到具有不同权重尺度的测绘数据；通过训练确定权重，得到无人机测绘模型，进而对单个无人机采集数据进行测绘。本发明将ELO数据选择模块和Adboost自增强模块嵌入神经网络结构，实现了预处理后的特征信息与历史测绘信息的匹配，提高了测绘的准确率以及识别速度，增强了传输效率，从而改善用户体验。

Description

一种基于深度学习的无人机测绘方法及系统
技术领域
本发明涉及计算机视觉技术领域，具体地涉及一种基于深度学习的无人机测绘方法及系统。
背景技术
目前，随着无人机电子技术的快速发展，无人机测绘相关技术迅猛发展，并加上相应图像和视频等信息达到与现实测绘场景相结合，大大提升了测绘的准确度以及可读性，是近年来计算机测绘与无人机领域备受关注的热点。
现有技术中，虽然存在无人机测绘方法及系统，测绘准确度较低，数据传输速率较慢，且不能够实现与历史数据的匹配，对现有的对测绘数据定期及时更新的大量需求并不匹配。如何能够让测绘更加智能化，人性化，提高其运行效率及准确度，增强用户可读性成为新的研究课题，但是现有无人机传输准确性以及效率较低；且主要是针对现有测绘的处理，没有涉及通过历史测绘数据预测现在及未来测绘数据的方式，因此，一种能够增加测绘智能化程度的增强显示匹配技术成为了改进测绘效果的迫切需求，从而改善用户的体验。
发明内容
为解决上述技术问题，本发明提供一种基于深度学习的无人机测绘方法及系统，本发明的基于深度学习的无人机测绘方法及系统显著了提高无人机数据准确度以及传输效率，在准确率方面大大增强，增强用户体验；一种基于深度学习的无人机测绘方法，包括步骤：获取无人机Q个传感器数据，采集x次，其中第w个传感器的样本集为X；将ELO数据选择模块和Adboost自增强模块嵌入神经网络结构中生成第一网络模型；将梯度增强交叉熵损失函数连接所述第一网络模型生成第二网络模型；对样本集进行训练，得到无人机测绘模型，所述无人机测绘模型中包括尺度不同的至少两个深度神经网络，即通过ELO算法处理后的数据和/或通过Adboost自增加模块处理后得到具有不同权重尺度的测绘数据；通过训练确定权重，得到无人机测绘模型，进而对单个无人机采集数据进行测绘；
测绘数据权重尺度通过下面步骤获得：设置邻近距离矩阵S，S(i,j)表示无人机测绘数据点Qi与Qj之间的邻近距离，邻近距离表示为S(i,j)＝-||Qi-Qj||2，则S为a×a的矩阵，S(d,d)表示第d个无人机测绘样本点为聚类中心的权值大小；设定最大迭代次数为tmax，贡献度矩阵R(i,d)代表第d个样本点Qd作为第i个样本点Qi的聚类中心点的权值大小，隶归度矩阵A(i,d)代表第i个样本点Qi选择第d个样本点Qd为聚类中心的权值大小；
计算每个样本点的贡献度R和隶归度A：
R(i,d)＝S(i,d)-max{A(i,j)+S(i,j)}
A(i,d)＝min{0,R(d,d)+R(i,d)}
R(d,d)＝B(d)-max{A(d,j)+S(d,j)},
其中，j＝1,2…a，且j≠d，B(d)为相似矩阵S的均值，表示无人机测绘样本点成为聚类中心点的可能性程度；
根据R(d,d)+A(d,d)＞0来确定第d个样本点是否为聚类中心点，同时计算总的隶归度；对于样本点本身，其隶归度数值设置为B(d)；
R(i,d)＝(1-lam)·R(i,d)+lam·R(i-1,d)
A(i,d)＝(1-lam)·A(i,d)+lam·A(i-1,d)
式中lam为调节值，用于平衡计算过程中的R和A；
计算直至最大迭代次数tmax，求解矩阵A+R，将求解矩阵中的非零正值作为聚类中心，其余的点按值大小依次分配至隶属聚类中心；总的分类结果为t类，每类无人机测绘传感器数量为t′，设定第w个无人机测绘传感器神经网络模型权重为
Figure GDA0003474798950000021
设定聚类权重向量为δ＝[δ1，δ2,…,δa]。
优选地，所述将ELO数据选择模块和Adboost自增强模块嵌入神经网络结构中生成第一网络模型包括：删除残差网络的全局池化层，将最后一层全连接层修改为卷积核大小为1x1、通道数为C的卷积层，将ELO数据选择模块和Adboost自增强模块连接全局池化层，生成第一网络模型。
优选地，还包括无人机测绘数据归一化处理模块，用于对无人机测绘数据提取的卷积特征进行归一化处理。
优选地，所述无人机测绘数据包括图像信息的滤波去噪，特征提取，以及对图像像素、GPS方位信息的确定。
优选地，所述ELO数据选择模块，通过对无人机测绘数据的灰度值或HSV值进行排序选择。
一种基于深度学习的无人机测绘系统，包括数据采集模块，获取无人机A个传感器数据，采集x次，其中第w个传感器的样本集为X；样本数据训练处理模块，将ELO数据选择模块和Adboost自增强模块嵌入神经网络结构中生成第一网络模型；将梯度增强交叉熵损失函数连接所述第一网络模型生成第二网络模型；对样本集进行训练，得到无人机测绘模型，所述无人机测绘模型中包括尺度不同的至少两个深度神经网络，即通过ELO算法处理后的数据和/或通过Adboost自增加模块处理后得到具有不同权重尺度的测绘数据；通过训练确定权重，得到无人机测绘模型，进而对单个无人机采集数据进行测绘。
测绘数据权重尺度通过下面步骤获得：设置邻近距离矩阵S，S(i,j)表示无人机测绘数据点Qi与Qj之间的邻近距离，邻近距离表示为S(i,j)＝-||Qi-Qj||2，则S为a×a的矩阵，S(d,d)表示第d个无人机测绘样本点为聚类中心的权值大小；设定最大迭代次数为tmax，贡献度矩阵R(i,d)代表第d个样本点Qd作为第i个样本点Qi的聚类中心点的权值大小，隶归度矩阵A(i,d)代表第i个样本点Qi选择第d个样本点Qd为聚类中心的权值大小；
计算每个样本点的贡献度R和隶归度A：
R(i,d)＝S(i,d)-max{A(i,j)+S(i,j)}
A(i,d)＝min{0,R(d,d)+R(i,d)}
R(d,d)＝B(d)-max{A(d,j)+S(d,j)},
其中，j＝1,2…a，且j≠d，B(d)为相似矩阵S的均值，表示无人机测绘样本点成为聚类中心点的可能性程度；
根据R(d,d)+A(d,d)＞0来确定第d个样本点是否为聚类中心点，同时计算总的隶归度；对于样本点本身，其隶归度数值设置为B(d)；
R(i,d)＝(1-lam)·R(i,d)+lam·R(i-1,d)
A(i,d)＝(1-lam)·A(i,d)+lam·A(i-1,d)
式中lam为调节值，用于平衡计算过程中的R和A；
计算直至最大迭代次数tmax，求解矩阵A+R，将求解矩阵中的非零正值作为聚类中心，其余的点按值大小依次分配至隶属聚类中心；总的分类结果为t类，每类无人机测绘传感器数量为t′，设定第w个无人机测绘传感器神经网络模型权重为
Figure GDA0003474798950000041
设定聚类权重向量为δ＝[δ1，δ2,…,δa]。
优选地，所述将ELO数据选择模块和Adboost自增强模块嵌入神经网络结构中生成第一网络模型包括：删除残差网络的全局池化层，将最后一层全连接层修改为卷积核大小为1x1、通道数为C的卷积层，将ELO数据选择模块和Adboost自增强模块连接全局池化层，生成第一网络模型。
优选地，还包括无人机测绘数据归一化处理模块，用于对无人机测绘数据提取的卷积特征进行归一化处理。
优选地，所述无人机测绘数据包括图像信息的滤波去噪，特征提取，以及对图像像素、GPS方位信息的确定。
优选地，所述ELO数据选择模块，通过对无人机测绘数据的灰度值或HSV值进行排序选择。
与现有技术相比，本发明的技术方案具有以下有益效果：
解决了传统技术中无人机测绘没有和历史测绘数据相关联，本申请的测绘方法能够实现定期及时对历史测绘数据进行更新并对目前测绘数据以及历史测绘数据进行预测；且通过将ELO数据选择模块和Adboost自增强模块嵌入神经网络结构中生成第一网络模型；所述无人机测绘模型中包括尺度不同的至少两个深度神经网络，即通过ELO算法处理后的数据和/或通过Adboost自增加模块处理后得到具有不同权重尺度的测绘数据，解决了现有技术中数据预测单一，准确率低的缺点；通过匹配过程的设置，大大增加了数据准确性以及与历史测绘数据的比较，本发明的基于深度学习的无人机测绘方法及系统显著了提高无人机数据准确度以及传输效率，在准确率方面大大增强，增强用户体验。
附图说明
图1是本发明一种基于深度学习算法的无人机测绘系统图；
具体实施方式
本领域技术人员理解，如背景技术所言，传统的测绘准确度较低，数据传输速率较慢，且不能够实现与历史数据的匹配，对现有的对测绘数据定期及时更新的大量需求并不匹配；现有技术中只涉及无人机测绘泄露信息的加和，未有对无人机测绘失真信息的考虑，实现无人机测绘与现实需求的高度融合匹配是实现无人机测绘准确度及可读性等大幅提高的关键。如何能够让测绘更加智能化，人性化，提高其运行效率及准确度，增强用户可读性成为新的研究课题。为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
实施例1：
图1示出了本申请的一种基于深度学习的无人机测绘方法系统图，包括步骤：获取无人机Q个传感器数据，采集x次，其中第w个传感器的样本集为X；将ELO数据选择模块和Adboost自增强模块嵌入神经网络结构中生成第一网络模型；将梯度增强交叉熵损失函数连接所述第一网络模型生成第二网络模型；对样本集进行训练，得到无人机测绘模型，所述无人机测绘模型中包括尺度不同的至少三个深度神经网络，即通过ELO算法处理后的数据和/或通过Adboost自增加模块处理后得到具有不同权重尺度的测绘数据；通过训练确定权重，得到无人机测绘模型，进而对单个无人机采集数据进行测绘；
测绘数据权重尺度通过下面步骤获得：设置邻近距离矩阵S，S(i,j)表示无人机测绘数据点Qi与Qj之间的邻近距离，邻近距离表示为S(i,j)＝-||Qi-Qj||2，则S为a×a的矩阵，S(d,d)表示第d个无人机测绘样本点为聚类中心的权值大小；设定最大迭代次数为tmax，贡献度矩阵R(i,d)代表第d个样本点Qd作为第i个样本点Qi的聚类中心点的权值大小，隶归度矩阵A(i,d)代表第i个样本点Qi选择第d个样本点Qd为聚类中心的权值大小；
计算每个样本点的贡献度R和隶归度A：
R(i,d)＝S(i,d)-max{A(i,j)+S(i,j)}
A(i,d)＝min{0,R(d,d)+R(i,d)}
R(d,d)＝B(d)-max{A(d,j)+S(d,j)},
其中，j＝1,2…a，且j≠d，B(d)为相似矩阵S的均值，表示无人机测绘样本点成为聚类中心点的可能性程度；
根据R(d,d)+A(d,d)＞0来确定第d个样本点是否为聚类中心点，同时计算总的隶归度；对于样本点本身，其隶归度数值设置为B(d)；
R(i,d)＝(1-lam)·R(i,d)+lam·R(i-1,d)
A(i,d)＝(1-lam)·A(i,d)+lam·A(i-1,d)
式中lam为调节值，用于平衡计算过程中的R和A；
计算直至最大迭代次数tmax，求解矩阵A+R，将求解矩阵中的非零正值作为聚类中心，其余的点按值大小依次分配至隶属聚类中心；总的分类结果为t类，每类无人机测绘传感器数量为t′，设定第w个无人机测绘传感器神经网络模型权重为
Figure GDA0003474798950000061
设定聚类权重向量为δ＝[δ1，δ2,…,δa]。
在一些实施例中，所述将ELO数据选择模块和Adboost自增强模块嵌入神经网络结构中生成第一网络模型包括：删除残差网络的全局池化层，将最后一层全连接层修改为卷积核大小为1x1、通道数为C的卷积层，将ELO数据选择模块和Adboost自增强模块连接全局池化层，生成第一网络模型。
在一些实施例中，还包括无人机测绘数据归一化处理模块，用于对无人机测绘数据提取的卷积特征进行归一化处理。
在一些实施例中，所述无人机测绘数据包括图像信息的滤波去噪，特征提取，以及对图像像素、GPS方位信息的确定。
在一些实施例中，所述ELO数据选择模块，通过对无人机测绘数据的灰度值或HSV值进行排序选择。
实施例2：
一种基于深度学习的无人机测绘系统，包括数据采集模块，获取无人机Q个传感器数据，采集x次，其中第w个传感器的样本集为X；样本数据训练处理模块，将ELO数据选择模块和Adboost自增强模块嵌入神经网络结构中生成第一网络模型；将梯度增强交叉熵损失函数连接所述第一网络模型生成第二网络模型；对样本集进行训练，得到无人机测绘模型，所述无人机测绘模型中包括尺度不同的至少三个深度神经网络，即通过ELO算法处理后的数据和/或通过Adboost自增加模块处理后得到具有不同权重尺度的测绘数据；通过训练确定权重，得到无人机测绘模型，进而对单个无人机采集数据进行测绘；
测绘数据权重尺度通过下面步骤获得：设置邻近距离矩阵S，S(i,j)表示无人机测绘数据点Qi与Qj之间的邻近距离，邻近距离表示为S(i,j)＝-||Qi-Qj||2，则S为a×a的矩阵，S(d,d)表示第d个无人机测绘样本点为聚类中心的权值大小；设定最大迭代次数为tmax，贡献度矩阵R(i,d)代表第d个样本点Qd作为第i个样本点Qi的聚类中心点的权值大小，隶归度矩阵A(i,d)代表第i个样本点Qi选择第d个样本点Qd为聚类中心的权值大小；
计算每个样本点的贡献度R和隶归度A：
R(i,d)＝S(i,d)-max{A(i,j)+S(i,j)}
A(i,d)＝min{0,R(d,d)+R(i,d)}
R(d,d)＝B(d)-max{A(d,j)+S(d,j)},
其中，j＝1,2…a，且j≠d，B(d)为相似矩阵S的均值，表示无人机测绘样本点成为聚类中心点的可能性程度；
根据R(d,d)+A(d,d)＞0来确定第d个样本点是否为聚类中心点，同时计算总的隶归度；对于样本点本身，其隶归度数值设置为B(d)；
R(i,d)＝(1-lam)·R(i,d)+lam·R(i-1,d)
A(i,d)＝(1-lam)·A(i,d)+lam·A(i-1,d)
式中lam为调节值，用于平衡计算过程中的R和A；
计算直至最大迭代次数tmax，求解矩阵A+R，将求解矩阵中的非零正值作为聚类中心，其余的点按值大小依次分配至隶属聚类中心；总的分类结果为t类，每类无人机测绘传感器数量为t′，设定第w个无人机测绘传感器神经网络模型权重为
Figure GDA0003474798950000081
设定聚类权重向量为δ＝[δ1，δ2,…,δa]。
在一些实施例中，所述输入到ELO算法模块如下表示Rn＝Rn-1KΦ(αRn-1+β)+α*μ；Rn、Rn-1分别代表n第n次计算、n-1次计算时测绘数据值，Φ(x)为标准正态分布的累积分布函数,
Figure GDA0003474798950000082
K为放大系数，yt1、yt2分别岩土数据集的第t1、t2时刻的方差，α*μ为自定义权重调控值。
在一些实施例中，所述将ELO数据选择模块和Adboost自增强模块嵌入神经网络结构中生成第一网络模型包括：删除残差网络的全局池化层，将最后一层全连接层修改为卷积核大小为1x1、通道数为C的卷积层，将ELO数据选择模块和Adboost自增强模块连接全局池化层，生成第一网络模型。
在一些实施例中，还包括无人机测绘数据归一化处理模块，用于对无人机测绘数据提取的卷积特征进行归一化处理。
在一些实施例中，所述无人机测绘数据包括图像信息的滤波去噪，特征提取，以及对图像像素、GPS方位信息的确定。
在一些实施例中，所述ELO数据选择模块，通过对无人机测绘数据的灰度值或HSV值进行排序选择。
本发明的一种基于深度学习算法的无人机测绘方法和系统，解决了传统技术中无人机测绘没有和历史测绘数据相关联，本申请的测绘方法能够实现定期及时对历史测绘数据进行更新并对目前测绘数据以及历史测绘数据进行预测；且通过将ELO数据选择模块和Adboost自增强模块嵌入神经网络结构中生成第一网络模型；所述无人机测绘模型中包括尺度不同的至少三个深度神经网络，即通过ELO算法处理后的数据和/或通过Adboost自增加模块处理后得到具有不同权重尺度的测绘数据，解决了现有技术中数据预测单一，准确率低的缺点；通过匹配过程的设置，大大增加了数据准确性以及与历史测绘数据的比较，本发明的基于深度学习的无人机测绘方法及系统显著了提高无人机数据准确度以及传输效率，在准确率方面大大增强，增强用户体验。
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。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (10)

1.一种基于深度学习的无人机测绘方法，其特征在于，包括步骤：获取无人机Q个传感器数据，采集x次，其中第w个传感器的样本集为X；将ELO数据选择模块和Adboost自增强模块嵌入神经网络结构中生成第一网络模型；将梯度增强交叉熵损失函数连接所述第一网络模型生成第二网络模型；对样本集进行训练，得到无人机测绘模型，所述无人机测绘模型中包括尺度不同的至少两个深度神经网络，即通过ELO算法处理后的数据和通过Adboost自增加模块处理后得到具有不同权重尺度的测绘数据；通过训练确定权重，得到无人机测绘模型，进而对单个无人机采集数据进行测绘；
测绘数据权重尺度通过下面步骤获得：设置邻近距离矩阵S，S(i,j)表示无人机测绘数据点Qi与Qj之间的邻近距离，邻近距离表示为S(i,j)＝-||Qi-Qj||2，则S为a×a的矩阵，S(d,d)表示第d个无人机测绘样本点为聚类中心的权值大小；设定最大迭代次数为tmax，贡献度矩阵R(i,d)代表第d个样本点Qd作为第i个样本点Qi的聚类中心点的权值大小，隶归度矩阵A(i,d)代表第i个样本点Qi选择第d个样本点Qd为聚类中心的权值大小；
计算每个样本点的贡献度R和隶归度A：
R(i,d)＝S(i,d)-max{A(i,j)+S(i,j)}
A(i,d)＝min{0,R(d,d)+R(i,d)}
R(d,d)＝B(d)-max{A(d,j)+S(d,j)},
其中，j＝1,2…a，且j≠d，B(d)为相似矩阵S的均值，表示无人机测绘样本点成为聚类中心点的可能性程度；
根据R(d,d)+A(d,d)＞0来确定第d个样本点是否为聚类中心点，同时计算总的隶归度；对于样本点本身，其隶归度数值设置为B(d)；
R(i,d)＝(1-lam)·R(i,d)+lam·R(i-1,d)
A(i,d)＝(1-lam)·A(i,d)+lam·A(i-1,d)
式中lam为调节值，用于平衡计算过程中的R和A；
计算直至最大迭代次数tmax，求解矩阵A+R，将求解矩阵中的非零正值作为聚类中心，其余的点按值大小依次分配至隶属聚类中心；总的分类结果为t类，每类无人机测绘传感器数量为t′，设定第w个无人机测绘传感器神经网络模型权重为
Figure FDA0003503304690000021
设定聚类权重向量为δ＝[δ1，δ2,…,δa]。
2.根据权利要求1所述的一种基于深度学习的无人机测绘方法，其特征在于，所述将ELO数据选择模块和Adboost自增强模块嵌入神经网络结构中生成第一网络模型包括：删除残差网络的全局池化层，将最后一层全连接层修改为卷积核大小为1x1、通道数为C的卷积层，将ELO数据选择模块和Adboost自增强模块连接全局池化层，生成第一网络模型。
3.根据权利要求2所述的一种基于深度学习的无人机测绘方法，其特征在于，还包括无人机测绘数据归一化处理模块，用于对无人机测绘数据提取的卷积特征进行归一化处理。
4.根据权利要求1所述的一种基于深度学习的无人机测绘方法，其特征在于，所述无人机测绘数据包括图像信息的滤波去噪，特征提取，以及对图像像素、GPS方位信息的确定。
5.根据权利要求1所述的一种基于深度学习的无人机测绘方法，其特征在于，所述ELO数据选择模块，通过对无人机测绘数据的灰度值或HSV值进行排序选择。
6.一种基于深度学习的无人机测绘系统，其特征在于，包括数据采集模块，获取无人机Q个传感器数据，采集x次，其中第w个传感器的样本集为X；样本数据训练处理模块，将ELO数据选择模块和Adboost自增强模块嵌入神经网络结构中生成第一网络模型；将梯度增强交叉熵损失函数连接所述第一网络模型生成第二网络模型；对样本集进行训练，得到无人机测绘模型，所述无人机测绘模型中包括尺度不同的至少三个深度神经网络，即通过ELO算法处理后的数据和通过Adboost自增加模块处理后得到具有不同权重尺度的测绘数据；通过训练确定权重，得到无人机测绘模型，进而对单个无人机采集数据进行测绘；
测绘数据权重尺度通过下面步骤获得：设置邻近距离矩阵S，S(i,j)表示无人机测绘数据点Qi与Qj之间的邻近距离，邻近距离表示为S(i,j)＝-||Qi-Qj||2，则S为a×a的矩阵，S(d,d)表示第d个无人机测绘样本点为聚类中心的权值大小；设定最大迭代次数为tmax，贡献度矩阵R(i,d)代表第d个样本点Qd作为第i个样本点Qi的聚类中心点的权值大小，隶归度矩阵A(i,d)代表第i个样本点Qi选择第d个样本点Qd为聚类中心的权值大小；
R(i,d)＝S(i,d)-max{A(i,j)+S(i,j)}
A(i,d)＝min{0,R(d,d)+R(i,d)}
R(d,d)＝B(d)-max{A(d,j)+S(d,j)},
其中，j＝1,2…a，且j≠d，B(d)为相似矩阵S的均值，表示无人机测绘样本点成为聚类中心点的可能性程度；
根据R(d,d)+A(d,d)＞0来确定第d个样本点是否为聚类中心点，同时计算总的隶归度；对于样本点本身，其隶归度数值设置为B(d)；
R(i,d)＝(1-lam)·R(i,d)+lam·R(i-1,d)
A(i,d)＝(1-lam)·A(i,d)+lam·A(i-1,d)
式中lam为调节值，用于平衡计算过程中的R和A；
计算直至最大迭代次数tmax，求解矩阵A+R，将求解矩阵中的非零正值作为聚类中心，其余的点按值大小依次分配至隶属聚类中心；总的分类结果为t类，每类无人机测绘传感器数量为t′，设定第w个无人机测绘传感器神经网络模型权重为
Figure FDA0003503304690000031
设定聚类权重向量为δ＝[δ1，δ2,…,δa]。
7.根据权利要求6所述的一种基于深度学习的无人机测绘系统，其特征在于，所述将ELO数据选择模块和Adboost自增强模块嵌入神经网络结构中生成第一网络模型包括：删除残差网络的全局池化层，将最后一层全连接层修改为卷积核大小为1x1、通道数为C的卷积层，将ELO数据选择模块和Adboost自增强模块连接全局池化层，生成第一网络模型。
8.根据权利要求7所述的一种基于深度学习的无人机测绘系统，其特征在于，还包括无人机测绘数据归一化处理模块，用于对无人机测绘数据提取的卷积特征进行归一化处理。
9.根据权利要求6所述的一种基于深度学习的无人机测绘系统，其特征在于，所述无人机测绘数据包括图像信息的滤波去噪，特征提取，以及对图像像素、GPS方位信息的确定。
10.根据权利要求6所述的一种基于深度学习的无人机测绘系统，其特征在于，所述ELO数据选择模块，通过对无人机测绘数据的灰度值或HSV值进行排序选择。
CN202110844492.2A 2021-07-26 2021-07-26 一种基于深度学习的无人机测绘方法及系统 Active CN113486977B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110844492.2A CN113486977B (zh) 2021-07-26 2021-07-26 一种基于深度学习的无人机测绘方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110844492.2A CN113486977B (zh) 2021-07-26 2021-07-26 一种基于深度学习的无人机测绘方法及系统

Publications (2)

Publication Number Publication Date
CN113486977A CN113486977A (zh) 2021-10-08
CN113486977B true CN113486977B (zh) 2022-03-22

Family

ID=77942613

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110844492.2A Active CN113486977B (zh) 2021-07-26 2021-07-26 一种基于深度学习的无人机测绘方法及系统

Country Status (1)

Country Link
CN (1) CN113486977B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111666953A (zh) * 2020-06-04 2020-09-15 电子科技大学 一种基于语义分割的潮汐带测绘方法及设备
CN112285733A (zh) * 2020-10-21 2021-01-29 郑州中核岩土工程有限公司 一种城乡规划核实测绘数据处理方法
CN112484703A (zh) * 2020-12-15 2021-03-12 广州极飞科技有限公司 测绘设备及无人机

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106886745B (zh) * 2016-12-26 2019-09-24 西北工业大学 一种基于实时在线地图生成的无人机侦察方法
CN108446584B (zh) * 2018-01-30 2021-11-19 中国航天电子技术研究院 一种无人机侦察视频图像目标自动检测方法
CN110991568B (zh) * 2020-03-02 2020-07-31 佳都新太科技股份有限公司 目标识别方法、装置、设备和存储介质
CN113091745A (zh) * 2021-04-06 2021-07-09 中国水利水电科学研究院 一种水库消落带的无人机巡航路线规划方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111666953A (zh) * 2020-06-04 2020-09-15 电子科技大学 一种基于语义分割的潮汐带测绘方法及设备
CN112285733A (zh) * 2020-10-21 2021-01-29 郑州中核岩土工程有限公司 一种城乡规划核实测绘数据处理方法
CN112484703A (zh) * 2020-12-15 2021-03-12 广州极飞科技有限公司 测绘设备及无人机

Also Published As

Publication number Publication date
CN113486977A (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
CN108229322B (zh) 基于视频的人脸识别方法、装置、电子设备及存储介质
CN110443143B (zh) 多分支卷积神经网络融合的遥感图像场景分类方法
CN108229479B (zh) 语义分割模型的训练方法和装置、电子设备、存储介质
CN108399362B (zh) 一种快速行人检测方法及装置
CN108304775B (zh) 遥感图像识别方法、装置、存储介质以及电子设备
CN113255694B (zh) 训练图像特征提取模型和提取图像特征的方法、装置
CN107273458B (zh) 深度模型训练方法及装置、图像检索方法及装置
US9025889B2 (en) Method, apparatus and computer program product for providing pattern detection with unknown noise levels
CN112381030B (zh) 一种基于特征融合的卫星光学遥感图像目标检测方法
CN107506792B (zh) 一种半监督的显著对象检测方法
CN115017418A (zh) 基于强化学习的遥感影像推荐系统及方法
CN116091946A (zh) 一种基于YOLOv5的无人机航拍图像目标检测方法
CN112241745A (zh) 一种基于光照不变颜色空间的特征点提取方法
CN116486433A (zh) 基于交叉自蒸馏Transformer重识别网络的重识别方法
CN112084895A (zh) 一种基于深度学习的行人重识别方法
CN116563682A (zh) 一种基于深度霍夫网络的注意力方案和条带卷积语义线检测的方法
CN116310356B (zh) 深度学习模型的训练方法、目标检测方法、装置及设备
CN113486977B (zh) 一种基于深度学习的无人机测绘方法及系统
CN108765384B (zh) 一种联合流形排序和改进凸包的显著性检测方法
CN115546554A (zh) 敏感图像的识别方法、装置、设备和计算机可读存储介质
CN113688867B (zh) 一种跨域图像分类方法
CN113808151A (zh) 直播图像的弱语义轮廓检测方法、装置、设备及存储介质
CN114202694A (zh) 基于流形混合插值和对比学习的小样本遥感场景图像分类方法
CN114255353A (zh) 一种基于加权超图模型的页面显著性要素提取方法及系统
CN113808040A (zh) 直播图像的轮廓矫正方法、装置、设备及存储介质

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