CN113780086B - 一种基于无人机的远程自然资源动态监测方法 - Google Patents
一种基于无人机的远程自然资源动态监测方法 Download PDFInfo
- Publication number
- CN113780086B CN113780086B CN202110917054.4A CN202110917054A CN113780086B CN 113780086 B CN113780086 B CN 113780086B CN 202110917054 A CN202110917054 A CN 202110917054A CN 113780086 B CN113780086 B CN 113780086B
- Authority
- CN
- China
- Prior art keywords
- area
- unmanned aerial
- aerial vehicle
- coverage
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 230000005540 biological transmission Effects 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 22
- 230000009466 transformation Effects 0.000 claims description 13
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 12
- 230000036544 posture Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims 1
- 239000002994 raw material Substances 0.000 claims 1
- 241000264877 Hippospongia communis Species 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于无人机的远程自然资源动态监测方法,其特征在于:包括,栅格化监测区域,并利用无人机进行覆盖搜索,将栅格化后的监测区域划分为覆盖区域和未覆盖区域;基于无人机覆盖区域建立目标优化函数,利用目标优化函数优化覆盖程度;利用无人机实时采集覆盖区域中自然资源的正射影像,并在覆盖区域布置固定蜂巢;校正正射影像,并利用无线传输模块将正射影像传输至SVM分类器;通过SVM分类器对自然资源进行分类识别;本发明能够有效提高无人机检测的准确性和监测效率;通过布置固定蜂巢有效提高无人机的航摄时长和稳定性。
Description
技术领域
本发明涉及的技术领域,尤其涉及一种基于无人机的远程自然资源动态监测方法。
背景技术
在目前的自然资源规划工作中,针对人类活动能够造成的生态环境影响,评价多以定性为主,可参与定量的指标比较少,这在很大程度上限制了自然资源规划工作的质量和有效性限制了自然资源规划工作人员提出的预防措施、补救措施的针对性。
近年来对地观测技术发展很快,无人机遥感技术的出现和应用在很大程度上弥补了传统自然资源规划手段的不足,提高了自然资源规划人员获取人类活动对生态环境影响的速度、精度,能够做到大范围高分辨率遥感影像的快速获取与有效覆盖;但从这些遥感影像中提取地表覆盖、土地利用等核心要素的分布及变化信息,目前主要还是靠人机交互的方式,耗时费力;现有自动化分类提取技术的速度快,但准确率低,不能满足真实准确可靠的质量要求。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明提供了一种基于无人机的远程自然资源动态监测方法,能够解决现有技术存在的目标范围覆盖率低,分类效果差的缺陷,以及无人机续航时间短的问题。
为解决上述技术问题,本发明提供如下技术方案:包括,栅格化监测区域,并利用无人机进行覆盖搜索,将栅格化后的监测区域划分为覆盖区域和未覆盖区域;基于所述覆盖区域建立目标优化函数,利用所述目标优化函数优化覆盖程度;利用无人机实时采集覆盖区域中自然资源的正射影像,并在所述覆盖区域布置固定蜂巢;校正所述正射影像,并利用无线传输模块将正射影像传输至SVM分类器;通过所述SVM分类器对自然资源进行分类识别。
作为本发明所述的基于无人机的远程自然资源动态监测方法的一种优选方案,其中:所述栅格化监测区域包括,设定监测区域为τ,根据间隔Δd将所述监测区域栅格化为x×y个栅格;定义t时刻栅格化后的监测区域的状态αij(t)为:
其中,(i,j)表示第i行第j列的栅格,τc(t)为t时刻的覆盖区域面积,τnc(t)为t时刻的未覆盖区域面积。
作为本发明所述的基于无人机的远程自然资源动态监测方法的一种优选方案,其中:所述无人机包括定位模块、传感器、四旋翼飞行器、航拍摄像头、伺服电机;通过所述定位模块实时获取无人机的地理位置,并通过所述传感器采集无人机的飞行参数;所述伺服电机根据所述地理位置、飞行参数实时控制四旋翼飞行器、航拍摄像头的姿态和位置。
作为本发明所述的基于无人机的远程自然资源动态监测方法的一种优选方案,其中:所述目标优化函数包括,基于覆盖区域面积τc、第m个传感器的检测区域km构建目标优化函数maxf(x):
其中,αn为第n台无人机,δ(s)为传感器的观测面积,λ(q)为无人机在地面上的投射面积,τ为栅格化后的监测区域面积。
作为本发明所述的基于无人机的远程自然资源动态监测方法的一种优选方案,其中:所述传感器的观测面积包括,
作为本发明所述的基于无人机的远程自然资源动态监测方法的一种优选方案,其中:校正所述正射影像包括,量测遥感影像地面控制点,建立RPC模型;
通过仿射变换优化所述RPC模型,利用优化后的RPC模型校正所述正射影像。
作为本发明所述的基于无人机的远程自然资源动态监测方法的一种优选方案,其中:所述RPC模型包括,所述仿射变换为:
通过所述仿射变换获得所述优化后的RPC模型:
其中,(o,p)为正射影像上量测的遥感影像地面控制点的坐标,(sample,line)为利用所述RPC模型计算的遥感影像地面控制点的坐标,e0,e1,e2,f0,f1,f2为仿射变换参数,(u,l)为地面点空间坐标。
作为本发明所述的基于无人机的远程自然资源动态监测方法的一种优选方案,其中:所述分类识别包括,选取径向基函数作为SVM分类器的核函数,并通过网格划分策略寻找惩罚系数和核函数半径,进而所述进行分类识别。
作为本发明所述的基于无人机的远程自然资源动态监测方法的一种优选方案,其中:还包括,通过所述航拍摄像头实时采集航拍视频,利用所述无线传输模块将所述航拍视频传输至调度中心,所述调度中心根据航拍视频内容向所述伺服电机发送第一信号,进行应急调度。
本发明的有益效果:本发明能够有效提高无人机检测的准确性和监测效率;通过布置固定蜂巢有效提高无人机的航摄时长和稳定性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明第一个实施例所述的基于无人机的远程自然资源动态监测方法的栅格示意图;
图2为本发明第一个实施例所述的基于无人机的远程自然资源动态监测方法的PID控制示意图;
图3为本发明第一个实施例所述的基于无人机的远程自然资源动态监测方法的固定蜂巢分布位置示意图;
图4为本发明第二个实施例所述的基于无人机的远程自然资源动态监测方法的覆盖率曲线示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他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发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1~图3,为本发明的第一个实施例,该实施例提供了一种基于无人机的远程自然资源动态监测方法,包括:
S1:栅格化监测区域,并利用无人机100进行覆盖搜索,将栅格化后的监测区域划分为覆盖区域和未覆盖区域。
参照图1,设定监测区域为τ,该区域为H*W的矩形,根据间隔Δd将监测区域栅格化为x×y个栅格;
当栅格(i,j)处于无人机100中传感器102的探测范围内,则认为该栅格被覆盖,据此定义t时刻栅格化后的监测区域的状态αij(t)为:
τ(t)=τc(t)+τnc(t)
其中,(i,j)表示第i行第j列的栅格,τ(t)为t时刻的监测区域,τc(t)为t时刻的覆盖区域面积,τnc(t)为t时刻的未覆盖区域面积。
其中,无人机100由定位模块101、传感器102、四旋翼飞行器103、航拍摄像头104和伺服电机105组成;
具体的,无人机100的工作原理为:首先通过定位模块101实时获取无人机100的地理位置,该定位模块101可为GPS;同时通过传感器102对监测区域进行探测和采集无人机100的飞行参数,其中,传感器102包括振动传感器、红外传感器和压力传感器;接着伺服电机105根据地理位置、飞行参数实时控制四旋翼飞行器103、航拍摄像头104的姿态和位置。
其中,传感器102的运动方程为:
式中,[g(u),h(u)]为传感器102的初始位置,[g(u+1),h(u+1)]为传感器102的飞行位置,v为平飞速度,η为时间步长,θ(u)为航向角。
参照图2,通过PID控制器对伺服电机105的转矩、速度进行控制,其控制律为:
其中,Kp为PID的比例系数,e(t)为控制输入,u(t)为控制输出和伺服电机105的输入,Ti为PID控制器的积分系数,Td为PID控制器的微分系数。
S2:基于覆盖区域建立目标优化函数,利用目标优化函数优化覆盖程度。
基于覆盖区域面积τc、第m个传感器的检测区域km构建目标优化函数maxf(x),使得覆盖面积最大化:
其中,αn为第n台无人机,δ(s)为传感器102的观测面积,λ(q)为无人机100在地面上的投射面积,τ为栅格化后的监测区域面积。
当传感器所处的高度越高时,传感区域则越大,为了平衡传感器102观测的面积与像素分辨率之间的权重,本实施例结合勾股定理和传感器102的镜头焦距,计算传感器102的观测面积:
S3:利用无人机100实时采集覆盖区域中自然资源的正射影像,并在覆盖区域布置固定蜂巢。
较佳的是,本实施例通过均衡布置固定蜂巢,有效提高无人机100的航摄时长和稳定性。
S4:校正正射影像,并利用无线传输模块200将正射影像传输至SVM分类器。
校正正射影像的具体步骤如下:
(1)量测遥感影像地面控制点,建立RPC(Rational Polynomial Coefficient)模型;
对正射影像进行量测,获得遥感影像地面控制点的坐标。
(2)通过仿射变换优化RPC模型,利用优化后的RPC模型校正正射影像。
仿射变换为:
通过仿射变换获得优化后的RPC模型:
其中,(o,p)为正射影像上量测的遥感影像地面控制点的坐标,(sample,line)为利用RPC模型计算的遥感影像地面控制点的坐标,e0,e1,e2,f0,f1,f2为仿射变换参数,(u,l)为地面点空间坐标。
较佳的是,利用仿射变换对由RPC模型计算得到的影像坐标解求出更为精确的行列坐标,从而达到优化RPC模型的目的。
S5:通过SVM分类器对自然资源进行分类识别。
本实施例利用LibSVM软件对自然资源的类型进行分类识别,即对水资源(河流、湖泊水崖线)、森林资源(地类、林种)进行分类识别,从而实现自然资源的实时监控。
具体的,(1)选取径向基函数作为SVM分类器的核函数,其中,径向基函数的表达式为:
K(x,y)=exp(-σ||x-y||2)
(2)通过网格划分策略寻找惩罚系数和核函数半径,进而进行分类识别。
S6:通过航拍摄像头104实时采集航拍视频,利用无线传输模块200将航拍视频传输至调度中心,调度中心根据航拍视频内容向伺服电机105发送第一信号,进行应急调度。
若通过航拍视频发现现场发生突发事件,调度中心则向伺服电机105发送第一信号,伺服电机105在接收到第一信号后立即改变四旋翼飞行器103、航拍摄像头104的姿态和位置,从而实现远程监控。
其中需要说明的是,此处的“第一信号”是指符合用户指令的,其来源于服务器,由用户在终端上操作产生,并直接作用于伺服电机105上。此处的“终端上操作”可以为按键选取(数字按键指定,回传服务器)等。
实施例2
为了对本方法中采用的技术效果加以验证说明,本实施例选择的不同方法和采用本方法进行对比测试,以科学论证的手段对比试验结果,以验证本方法所具有的真实效果。
(1)本实施例分别采用BP神经网络和本方法(SVM)对河流、湖泊水崖线进行分类识别,仿真环境为I7-4960,主频2.60GHz,16G内存,基于Matla为平台进行仿真实验。
设监测的水资源区域为5km*5km的矩形区域,每个栅格的大小为10m*10m,执行搜索任务的3架无人机从不同位置进入监测区域,进入的位置分别为(100,200)、(3000,0),(0,420),将采集到的正射影像分别采用BP神经网络和本方法进行识别,识别结果如下表。
表1:水资源分类识别对比。
由表1可见,本方法的分类精度在90%以上,BP神经网络的总体分类精度在60%~70%左右,本方法对水资源的分类准确性明显优于BP神经网络。
(2)为验证本方法的对覆盖率优化的有效性,本实施例对其进行仿真验证,实验参数和(1)设置一致,设置平飞速度v为50m/s,时间步长η为10s,航向角θ(u)为60°,传感器102距离地面的垂直高度h为300m。
分别采用随机搜索方法和本方法对监测的水资源区域进行覆盖率仿真对比,仿真次数为1000次,结果如图4所示,由图4可见,本方法的覆盖率要高于随机搜索方法,当无人机到达边界时,覆盖率为0,且随着时间的增长,覆盖率明显提高,有效地覆盖监测区域。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (1)
1.一种基于无人机的远程自然资源动态监测方法,其特征在于:包括,
栅格化监测区域,并利用无人机(100)进行覆盖搜索,将栅格化后的监测区域划分为覆盖区域和未覆盖区域;
基于所述覆盖区域建立目标优化函数,利用所述目标优化函数优化覆盖程度;
利用无人机(100)实时采集覆盖区域中自然资源的正射影像,并在所述覆盖区域布置固定蜂巢;
校正所述正射影像,并利用无线传输模块(200)将正射影像传输至SVM分类器;
通过所述SVM分类器对自然资源进行分类识别;
其中,所述栅格化监测区域包括,
设定监测区域为τ,根据间隔Δd将所述监测区域栅格化为x×y个栅格;
定义t时刻栅格化后的监测区域的状态αij(t)为:
式中,(i,j)表示第i行第j列的栅格,τc(t)为t时刻的覆盖区域面积,τnc(t)为t时刻的未覆盖区域面积;
其中,所述无人机(100)包括定位模块(101)、传感器(102)、四旋翼飞行器(103)、航拍摄像头(104)、伺服电机(105);
通过所述定位模块(101)实时获取无人机(100)的地理位置,并通过所述传感器(102)采集无人机(100)的飞行参数;
所述伺服电机(105)根据所述地理位置、飞行参数实时控制四旋翼飞行器(103)、航拍摄像头(104)的姿态和位置;
其中,所述目标优化函数包括,
基于覆盖区域面积τc、第m个传感器的检测区域km构建目标优化函数max f(x):
式中,αn为第n台无人机,δ(s)为传感器(102)的观测面积,λ(q)为无人机(100)在地面上的投射面积,τ为栅格化后的监测区域面积;
所述传感器(102)的观测面积为:
校正所述正射影像的步骤包括:
量测遥感影像地面控制点,建立RPC模型;
通过仿射变换优化所述RPC模型,利用优化后的RPC模型校正所述正射影像;
所述仿射变换为:
通过所述仿射变换获得所述优化后的RPC模型:
式中,(o,p)为正射影像上量测的遥感影像地面控制点的坐标,(sample,line)为利用所述RPC模型计算的遥感影像地面控制点的坐标,e0,e1,e2,f0,f1,f2为仿射变换参数,(u,l)为地面点空间坐标;
所述分类识别包括,
选取径向基函数作为SVM分类器的核函数,并通过网格划分策略寻找惩罚系数和核函数半径,进而所述进行分类识别;
通过所述航拍摄像头(104)实时采集航拍视频,利用所述无线传输模块(200)将所述航拍视频传输至调度中心,所述调度中心根据航拍视频内容向所述伺服电机(105)发送第一信号,进行应急调度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110917054.4A CN113780086B (zh) | 2021-08-11 | 2021-08-11 | 一种基于无人机的远程自然资源动态监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110917054.4A CN113780086B (zh) | 2021-08-11 | 2021-08-11 | 一种基于无人机的远程自然资源动态监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113780086A CN113780086A (zh) | 2021-12-10 |
CN113780086B true CN113780086B (zh) | 2022-05-17 |
Family
ID=78837289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110917054.4A Active CN113780086B (zh) | 2021-08-11 | 2021-08-11 | 一种基于无人机的远程自然资源动态监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780086B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117610745A (zh) * | 2024-01-23 | 2024-02-27 | 山东省国土测绘院 | 一种自然资源动态监测系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451982A (zh) * | 2017-08-14 | 2017-12-08 | 东北林业大学 | 一种基于无人机影像的高郁闭度林分树冠面积获取方法 |
CN109389163A (zh) * | 2018-09-29 | 2019-02-26 | 华南理工大学 | 一种基于地形图的无人机影像分类系统及方法 |
US20200160030A1 (en) * | 2018-11-15 | 2020-05-21 | Geox Gis Innovations Ltd. | System and method for object detection and classification in aerial imagery |
CN112270320A (zh) * | 2020-11-16 | 2021-01-26 | 云南电网有限责任公司昆明供电局 | 一种基于卫星影像校正的输电线路杆塔坐标校准方法 |
-
2021
- 2021-08-11 CN CN202110917054.4A patent/CN113780086B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451982A (zh) * | 2017-08-14 | 2017-12-08 | 东北林业大学 | 一种基于无人机影像的高郁闭度林分树冠面积获取方法 |
CN109389163A (zh) * | 2018-09-29 | 2019-02-26 | 华南理工大学 | 一种基于地形图的无人机影像分类系统及方法 |
US20200160030A1 (en) * | 2018-11-15 | 2020-05-21 | Geox Gis Innovations Ltd. | System and method for object detection and classification in aerial imagery |
CN112270320A (zh) * | 2020-11-16 | 2021-01-26 | 云南电网有限责任公司昆明供电局 | 一种基于卫星影像校正的输电线路杆塔坐标校准方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113780086A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107514993B (zh) | 基于无人机的面向单体建筑建模的数据采集方法及系统 | |
US20230394982A1 (en) | Pre-emptive generation of autonomous unmanned aerial vehicle inspections according to monitored sensor events | |
CN107504957A (zh) | 利用无人机多视角摄像快速进行三维地形模型构建的方法 | |
CN109358638A (zh) | 基于分布式地图的无人机视觉避障方法 | |
CN111339826B (zh) | 一种滑坡无人机线性传感器网络框架检测系统 | |
CN110189411A (zh) | 一种航空器失事后应急救援搜寻区域可视化方法 | |
CN101008676A (zh) | 无人机航空摄影遥感森林计测方法 | |
CN110044310B (zh) | 一种基于bim的建筑设计装置 | |
CN112364725B (zh) | 基于小型无人机群的棉花虫害立体监测方法与系统 | |
KR102331410B1 (ko) | 재난 사고 현장 대응형 드론 표준 운용 방법 및 그 시스템 | |
CN114355985B (zh) | 无人机集群的路径规划方法、装置、控制器及存储介质 | |
DE102022128884A1 (de) | Sensoroptimierung | |
CN113780086B (zh) | 一种基于无人机的远程自然资源动态监测方法 | |
CN107783119A (zh) | 应用在避障系统中的决策融合方法 | |
CN113428374A (zh) | 桥梁结构检测数据收集方法和无人机系统 | |
CN110196601A (zh) | 无人机控制方法、装置、系统和计算机可读存储介质 | |
EP3967599A1 (en) | Information processing device, information processing method, program, and information processing system | |
Liu et al. | Mission capability estimation of multicopter uav for low-altitude remote sensing | |
CN112762935A (zh) | 一种基于船体姿态监测的定位方法及系统 | |
JP6689046B2 (ja) | 物体検出システム | |
CN115493657B (zh) | 一种基于无人机的大气污染溯源方法和装置 | |
CN116754722A (zh) | 一种基于无人机实现碳排放监测的方法及系统 | |
CN116578120A (zh) | 无人机调度方法、装置、无人机系统和算机设备 | |
CN114659499A (zh) | 一种基于无人机技术的智慧城市3d地图模型摄影建立方法 | |
CN114995507B (zh) | 安全巡视方法、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 |