CN114581855A - 一种基于大数据的信息收集方法与系统 - Google Patents
一种基于大数据的信息收集方法与系统 Download PDFInfo
- Publication number
- CN114581855A CN114581855A CN202210467063.2A CN202210467063A CN114581855A CN 114581855 A CN114581855 A CN 114581855A CN 202210467063 A CN202210467063 A CN 202210467063A CN 114581855 A CN114581855 A CN 114581855A
- Authority
- CN
- China
- Prior art keywords
- determining
- contour
- image group
- information
- sub
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及区域监测技术领域,具体公开了一种基于大数据的信息收集方法与系统,所述方法包括获取用户输入的目标区域,确定检测路径,在所述检测路径上设置采样点;基于所述采样点获取含有温度层和时间信息的子图像组,进而确定区域图像组;根据所述温度层对所述区域图像组进行轮廓识别,确定静物轮廓和动物轮廓;对所述静物轮廓和动物轮廓进行特征识别,根据特征识别结果生成区域状态报告。本发明通过预设的采样点获取区域图像组;然后对所述区域图像组进行轮廓识别,确定静物轮廓和动物轮廓,再对所述静物轮廓和动物轮廓进行特征识别,根据特征识别结果生成区域状态报告;本发明智能化水平极高,信息获取全面,数据可存性良好。
Description
技术领域
本发明涉及区域监测技术领域,具体是一种基于大数据的信息收集方法与系统。
背景技术
区域监测是以区域为对象,针对其环境特征和主要环境问题,对各个环境要素进行测量并做出综合评价的过程。区域环境监测的对象可以是城市区域(如工业区)、农业生产区、渔业繁殖区、牧业区、林业区、新规划和开发区等。
对于现有的区域监测技术来说,大都是安装多个摄像头,对环境进行统一的监测,工作人员在工作室便可以了解环境信息,这种方式是很好的,它适用于一些范围较小的区域,但是对于一些范围较大的区域,尤其是野外环境,这种方式显然是不适宜的。
随着无人机技术的发展,通过无人机技术进行野外环境的监测逐渐成为了可能,但是,现有的使用无人机进行环境监测的过程还是以人为主体,工作人员操作无人机,对环境进行检查,这种方式虽然灵活度较高,但是它的全面性无法保证,而且获取到的数据可保存性极差,不便于后续的分析过程。
发明内容
本发明的目的在于提供一种基于大数据的信息收集方法与系统,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于大数据的信息收集方法,所述方法包括:
获取用户输入的目标区域,基于所述目标区域确定检测路径,根据预设的采集参数在所述检测路径上设置采样点;
基于所述采样点获取含有温度层和时间信息的子图像组,基于时间信息连接不同采样点处获取到的子图像组,得到区域图像组;
根据所述温度层对所述区域图像组进行轮廓识别,确定静物轮廓和动物轮廓,并确定动物轮廓的运动轨迹;所述运动轨迹为向量;
对所述静物轮廓和运动轨迹进行特征识别,根据特征识别结果生成区域状态报告。
作为本发明进一步的方案:所述获取用户输入的目标区域,基于所述目标区域确定检测路径,根据预设的采集参数在所述检测路径上设置采样点的步骤包括:
显示预设的地图,并开放信息接收端口,基于所述信息接收端口接收用户输入的边界信息,基于所述边界信息确定目标区域;其中,所述边界信息包括点位信息和线段信息;
获取采集端的采集参数,基于所述采集参数确定单次采集区域;所述采集参数包括采集高度和采集广角;
基于所述单次采集区域将所述目标区域切分为条形区域,基于切分得到的条形区域确定检测路径;
基于所述单次采集区域将所述条形区域切分为子区域,基于切分得到的子区域在所述检测路径上设置采样点。
作为本发明进一步的方案:所述基于切分得到的条形区域确定检测路径的步骤包括:
确定切分得到的条形区域的中心线,生成主路径线;
连接相邻中心线的端点,生成辅路径线;
基于所述主路径线和所述辅路径线生成检测路径。
作为本发明进一步的方案:所述基于所述采样点获取含有温度层和时间信息的子图像组,基于时间信息连接不同采样点处获取到的子图像组,得到区域图像组的步骤包括:
实时获取采集端的位置信息,当所述采集端运动到所述采样点时,获取含有温度层和时间信息的子图像组,基于所述时间信息对所述子图像组中的子图像进行排序;
基于检测路径确定采样点顺序,基于采样点的顺序对不同子图像组进行排序;
提取不同子图像组中同一编号的子图像,基于子图像组的顺序连接各子图像,得到区域图像组。
作为本发明进一步的方案:所述根据所述温度层对所述区域图像组进行轮廓识别,确定静物轮廓和动物轮廓,并确定动物轮廓的运动轨迹的步骤包括:
提取区域图像组中各区域图像的温度层,得到温度层组;
依次计算所述温度层组中相邻温度层的温度差值,得到差值图像组;
对所述差值图像组中的差值图像进行逻辑运算,根据逻辑运算结果确定静物轮廓和动物轮廓;
在所述区域图像组中标记所述动物轮廓,确定所述动物轮廓的特征点,连接所述特征点,得到所述动物轮廓的运动轨迹。
作为本发明进一步的方案:对所述静物轮廓进行特征识别的步骤包括:
统计所述区域图像组中各区域图像的时间信息,将统计到的时间信息输入训练好的时间计算模型,得到区域图像组的时间索引;
在所述区域图像组中提取静物轮廓对应的静物区域,对所述静物区域进行色值识别,确定静物区域的色值均值;
根据不同区域图像组的时间索引对所述色值均值进行排序,确定样本点,并根据所述样本点拟合静物变化曲线;
将所述静物变化曲线与预设的参考曲线进行比对,根据比对结果生成静物状态报告。
作为本发明进一步的方案:对所述运动轨迹进行特征识别的步骤包括:
统计所述区域图像组中各区域图像的时间信息,将统计到的时间信息输入训练好的时间计算模型,得到区域图像组的时间索引;
读取区域图像组中各动物轮廓的运动轨迹,基于所述运动轨迹确定动物轮廓的运动参数;所述运动参数包括运动范围和运动速度;
根据所述运动参数对所述运动轨迹进行分类,得到与区域图像组为映射关系的动物表;所述动物表包括运动轨迹项和运动参数项;
比对各区域图像组对应的动物表,根据比对结果确定动物表中的风险数据项,基于所述风险数据项生成动物状态报告。
本发明技术方案还提供了一种基于大数据的信息收集系统,所述系统包括:
采样点确定模块,用于获取用户输入的目标区域,基于所述目标区域确定检测路径,根据预设的采集参数在所述检测路径上设置采样点;
图像组获取模块,用于基于所述采样点获取含有温度层和时间信息的子图像组,基于时间信息连接不同采样点处获取到的子图像组,得到区域图像组;
轨迹确定模块,用于根据所述温度层对所述区域图像组进行轮廓识别,确定静物轮廓和动物轮廓,并确定动物轮廓的运动轨迹;所述运动轨迹为向量;
特征识别模块,用于对所述静物轮廓和运动轨迹进行特征识别,根据特征识别结果生成区域状态报告。
作为本发明进一步的方案:所述采样点确定模块包括:
区域确定单元,用于显示预设的地图,并开放信息接收端口,基于所述信息接收端口接收用户输入的边界信息,基于所述边界信息确定目标区域;其中,所述边界信息包括点位信息和线段信息;
参数获取单元,用于获取采集端的采集参数,基于所述采集参数确定单次采集区域;所述采集参数包括采集高度和采集广角;
第一切分单元,用于基于所述单次采集区域将所述目标区域切分为条形区域,基于切分得到的条形区域确定检测路径;
第二切分单元,用于基于所述单次采集区域将所述条形区域切分为子区域,基于切分得到的子区域在所述检测路径上设置采样点。
作为本发明进一步的方案:所述第一切分单元包括:
主路径确定子单元,用于确定切分得到的条形区域的中心线,生成主路径线;
辅路径确定子单元,用于连接相邻中心线的端点,生成辅路径线;
路径连接子单元,用于基于所述主路径线和所述辅路径线生成检测路径。
与现有技术相比,本发明的有益效果是:本发明通过预设的采样点获取区域图像组;然后对所述区域图像组进行轮廓识别,确定静物轮廓和动物轮廓,再对所述静物轮廓和动物轮廓进行特征识别,根据特征识别结果生成区域状态报告;本发明智能化水平极高,信息获取全面,数据可存性良好。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术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。
图1为基于大数据的信息收集方法的流程框图。
图2为基于大数据的信息收集方法的第一子流程框图。
图3为基于大数据的信息收集方法的第二子流程框图。
图4为基于大数据的信息收集方法的第三子流程框图。
图5为基于大数据的信息收集方法的第四子流程框图。
图6为基于大数据的信息收集系统的组成结构框图。
图7为基于大数据的信息收集系统中采样点确定模块的组成结构框图。
图8为采样点确定模块中第一切分单元的组成结构框图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1
图1为基于大数据的信息收集方法的流程框图,本发明实施例中,一种基于大数据的信息收集方法,所述方法包括步骤S100至步骤S400:
步骤S100:获取用户输入的目标区域,基于所述目标区域确定检测路径,根据预设的采集参数在所述检测路径上设置采样点;
用户输入的目标区域指的是区域模型,它与实际区域之间存在一个确定的比例尺;步骤S100的过程发生在终端设备中,确定的检测路径和采样点也都是在区域模型中的检测路径和采样点,在控制采集端运动时,需要根据所述比例尺将区域模型中的检测路径和采样点转换为实际的检测路径和采样点;
步骤S200:基于所述采样点获取含有温度层和时间信息的子图像组,基于时间信息连接不同采样点处获取到的子图像组,得到区域图像组;
步骤S200的目的是获取区域图像,在实际的图像获取过程中,区域范围很大,很难通过一张图片获取整个区域图像,因此,区域图像一般都是拼接图像,但是拼接图像中各个子图像肯定不是同时获取的,同一张区域图像中的各个子图像也存在时间偏差,如果仅获取一张区域图像,那么依次在各个采样点处获取图像,然后按采样点顺序拼接即可,但是,本发明技术方案需要获取多张区域图像,在静态分析的基础上提供动态分析的功能,因此,获取的子图像需要具备时间信息,根据时间信息进行区域图像的拼接。
步骤S300:根据所述温度层对所述区域图像组进行轮廓识别,确定静物轮廓和动物轮廓,并确定动物轮廓的运动轨迹;所述运动轨迹为向量;
静物和动物的分析标准是不同的,需要说明的是,静物与动物的定义并不是绝对的,而是相对的,系统将运动幅度很小的物体视为静物,其中,运动幅度很小的界定标准是一个或几个幅度阈值;这一过程发生在上述轮廓识别的过程中。
步骤S400:对所述静物轮廓和运动轨迹进行特征识别,根据特征识别结果生成区域状态报告;
当轮廓识别完成后,对静物轮廓和动物轮廓分别进行特征识别,从而确定待检测区域的状态。
图2为基于大数据的信息收集方法的第一子流程框图,所述获取用户输入的目标区域,基于所述目标区域确定检测路径,根据预设的采集参数在所述检测路径上设置采样点的步骤包括步骤S101至步骤S104:
步骤S101:显示预设的地图,并开放信息接收端口,基于所述信息接收端口接收用户输入的边界信息,基于所述边界信息确定目标区域;其中,所述边界信息包括点位信息和线段信息;
步骤S102:获取采集端的采集参数,基于所述采集参数确定单次采集区域;所述采集参数包括采集高度和采集广角;
步骤S103:基于所述单次采集区域将所述目标区域切分为条形区域,基于切分得到的条形区域确定检测路径;
步骤S104:基于所述单次采集区域将所述条形区域切分为子区域,基于切分得到的子区域在所述检测路径上设置采样点。
步骤S101至步骤S104对采样点的设置过程进行了具体的限定,首先,获取采集端的采集范围,所述采集范围由采集高度和采集广角计算得到,然后,将目标区域拆分为条形区域,条形区域的中线就是采集端的检测路径;最后,对所述条形区域进行切分,可以将检测路径切分为采样点。
图3为基于大数据的信息收集方法的第二子流程框图,所述基于切分得到的条形区域确定检测路径的步骤包括步骤S1031至步骤S1033:
步骤S1031:确定切分得到的条形区域的中心线,生成主路径线;
步骤S1032:连接相邻中心线的端点,生成辅路径线;
步骤S1033:基于所述主路径线和所述辅路径线生成检测路径。
步骤S1031至步骤S1033对检测路径的生成过程进行了具体的描述,在本发明技术方案的一个实例中,生成的检测路径是“弓”字形路径。
图4为基于大数据的信息收集方法的第三子流程框图,所述基于所述采样点获取含有温度层和时间信息的子图像组,基于时间信息连接不同采样点处获取到的子图像组,得到区域图像组的步骤包括步骤S201至步骤S203:
步骤S201:实时获取采集端的位置信息,当所述采集端运动到所述采样点时,获取含有温度层和时间信息的子图像组,基于所述时间信息对所述子图像组中的子图像进行排序;
步骤S202:基于检测路径确定采样点顺序,基于采样点的顺序对不同子图像组进行排序;
步骤S203:提取不同子图像组中同一编号的子图像,基于子图像组的顺序连接各子图像,得到区域图像组。
当获取到含有温度层和时间信息的子图像组时,对子图像组内部进行排序,这是由于拍摄以及上传的过程是多线程的,得到的子图像组有可能会出现顺序错误的情况,因此,需要进行顺序调整。
具体的,在本发明技术方案的一个实例中,采集端到达一个采样点时,连续获取多张图像,也就是子图像组,在多个采样点处获得多个子图像组,根据采样点顺序再对所述子图像组进行排序;值得一提是,每个采样点处获取的子图像数量是固定的,也就是说,不同子图像组之间的元素数量是相同的。
最后,连接不同子图像组之间对应的图像,就可以得到多张区域图像,也就是区域图像组。
需要说明的是,一次采集过程,得到一个区域图像组,多次采集过程,得到多个区域图像组。
图5为基于大数据的信息收集方法的第四子流程框图,所述根据所述温度层对所述区域图像组进行轮廓识别,确定静物轮廓和动物轮廓,并确定动物轮廓的运动轨迹的步骤包括步骤S301至步骤S304:
步骤S301:提取区域图像组中各区域图像的温度层,得到温度层组;
步骤S302:依次计算所述温度层组中相邻温度层的温度差值,得到差值图像组;
步骤S303:对所述差值图像组中的差值图像进行逻辑运算,根据逻辑运算结果确定静物轮廓和动物轮廓;
步骤S304:在所述区域图像组中标记所述动物轮廓,确定所述动物轮廓的特征点,连接所述特征点,得到所述动物轮廓的运动轨迹。
上述内容提供了一种具体的轮廓识别技术方案,需要说明的是,本发明技术方案中的采集端具备温度传感器,基于所述温度传感器可以获取温度层;对于一个区域来说,它的温度会随外界环境的变化而变化,而且这个变化的步调是一致的,比如,对于森林区域,早晚和中午的温度肯定是不同的,但是它们的变化是统一的,一般不会出现某一区域温度上涨,而另一区域温度下降的情况,因此,对温度层进行作差,可以剔除统一变化的部分,得到的差值图像就是该区域的轮廓分布情况。对所述差值图像进行逻辑运算,就可以确定静物轮廓和动物轮廓。
在本发明技术方案的一个实例中,采集的区域是森林,区域图像组中的各区域图像的温度层之间存在较大差异的就是一些小动物,因为小动物的位置是变化的,而树木的位置变动幅度不同;当对温度层进行作差后,树木等不动的区域的差值就是温度变化的情况,这个变动幅度是很小的;因此,在差值图像中,数值很小的区域就是静态轮廓,数值较大的区域就是动态轮廓;值得一提的是,如果两个区域图像中,只有一只兔子的位置发生了变化,那么在它们形成的差值图像中,差值比较突出的区域就是兔子在两个区域图像中的位置,并且,两部分差值是相反数。
对差值图像进行逻辑运算的意思是,比如,对两个差值图像进行范围归纳,将0-20的数值归为一档,将20-40的数值归为二档,依次类推,然后再对归档后的差值图像进行异或运算,那么就可以剔除掉一些重复的数据,从而筛选出不停运动的运动轮廓,剔除掉一些一闪即逝的运动。当然,这一过程是可选的,逻辑运算过程就算没有,也能够完成轮廓识别过程。
作为本发明技术方案的一个优选实施例,对所述静物轮廓进行特征识别的步骤包括:
统计所述区域图像组中各区域图像的时间信息,将统计到的时间信息输入训练好的时间计算模型,得到区域图像组的时间索引;
在所述区域图像组中提取静物轮廓对应的静物区域,对所述静物区域进行色值识别,确定静物区域的色值均值;
根据不同区域图像组的时间索引对所述色值均值进行排序,确定样本点,并根据所述样本点拟合静物变化曲线;
将所述静物变化曲线与预设的参考曲线进行比对,根据比对结果生成静物状态报告。
上述内容对静物轮廓的识别过程进行了限定,还是以森林为例,对于树木部分,只需要监测它的颜色变化是否存在异常即可,如果不存在异常,上述静物变化曲线与预设的参考曲线的趋势应该是一致的;其中,参考曲线是该森林在正常状态下的变化趋势。当然,如果待检测的检测是其它区域,相应的,参考曲线也要发生变化。
进一步的,对所述运动轨迹进行特征识别的步骤包括:
统计所述区域图像组中各区域图像的时间信息,将统计到的时间信息输入训练好的时间计算模型,得到区域图像组的时间索引;
读取区域图像组中各动物轮廓的运动轨迹,基于所述运动轨迹确定动物轮廓的运动参数;所述运动参数包括运动范围和运动速度;
根据所述运动参数对所述运动轨迹进行分类,得到与区域图像组为映射关系的动物表;所述动物表包括运动轨迹项和运动参数项;
比对各区域图像组对应的动物表,根据比对结果确定动物表中的风险数据项,基于所述风险数据项生成动物状态报告。
对于区域图像组来说,各区域图像都是由各子图像成的,子图像的时间信息都是不同的,因此,区域图像组的时间信息,需要有一个确定的计算方法,由多个子图像的时间信息确定;也就是上述训练好的时间计算模型。
然后,读取区域图像组中各动物轮廓的运动轨迹,对所述运动轨迹进行分析,能够确定一些大致的运动参数,比如运动范围和运动速度;然后,统计这些运动轨迹,得到一个动物表;所述动物表中的运动轨迹是向量,与位置无关,动物表几乎涵盖了待检测区域中的大部分动物,对多个区域图像组对应的动物表中的运动参数项进行比对分析,可以定位一些出现次数较少,比较“突兀”的动物,然后根据相应的运动轨迹,确定区域图像组,进而确定时间信息,再进行后续的人工处理。
值得一提的是,所述静物状态报告和动物状态报告共同组成了区域状态报告。
实施例2
图6为基于大数据的信息收集系统的组成结构框图,本发明实施例中,一种基于大数据的信息收集系统,所述系统10包括:
采样点确定模块11,用于获取用户输入的目标区域,基于所述目标区域确定检测路径,根据预设的采集参数在所述检测路径上设置采样点;
图像组获取模块12,用于基于所述采样点获取含有温度层和时间信息的子图像组,基于时间信息连接不同采样点处获取到的子图像组,得到区域图像组;
轨迹确定模块13,用于根据所述温度层对所述区域图像组进行轮廓识别,确定静物轮廓和动物轮廓,并确定动物轮廓的运动轨迹;所述运动轨迹为向量;
特征识别模块14,用于对所述静物轮廓和运动轨迹进行特征识别,根据特征识别结果生成区域状态报告。
图7为基于大数据的信息收集系统中采样点确定模块的组成结构框图,所述采样点确定模块11包括:
区域确定单元111,用于显示预设的地图,并开放信息接收端口,基于所述信息接收端口接收用户输入的边界信息,基于所述边界信息确定目标区域;其中,所述边界信息包括点位信息和线段信息;
参数获取单元112,用于获取采集端的采集参数,基于所述采集参数确定单次采集区域;所述采集参数包括采集高度和采集广角;
第一切分单元113,用于基于所述单次采集区域将所述目标区域切分为条形区域,基于切分得到的条形区域确定检测路径;
第二切分单元114,用于基于所述单次采集区域将所述条形区域切分为子区域,基于切分得到的子区域在所述检测路径上设置采样点。
图8为采样点确定模块中第一切分单元的组成结构框图,所述第一切分单元113包括:
主路径确定子单元1131,用于确定切分得到的条形区域的中心线,生成主路径线;
辅路径确定子单元1132,用于连接相邻中心线的端点,生成辅路径线;
路径连接子单元1133,用于基于所述主路径线和所述辅路径线生成检测路径。
所述基于大数据的信息收集方法所能实现的功能均由计算机设备完成,所述计算机设备包括一个或多个处理器和一个或多个存储器,所述一个或多个存储器中存储有至少一条程序代码,所述程序代码由所述一个或多个处理器加载并执行以实现所述基于大数据的信息收集方法的功能。
处理器从存储器中逐条取出指令、分析指令,然后根据指令要求完成相应操作,产生一系列控制命令,使计算机各部分自动、连续并协调动作,成为一个有机的整体,实现程序的输入、数据的输入以及运算并输出结果,这一过程中产生的算术运算或逻辑运算均由运算器完成;所述存储器包括只读存储器(Read-Only Memory,ROM),所述只读存储器用于存储计算机程序,所述存储器外部设有保护装置。
示例性的,计算机程序可以被分割成一个或多个模块,一个或者多个模块被存储在存储器中,并由处理器执行,以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在终端设备中的执行过程。
本领域技术人员可以理解,上述服务设备的描述仅仅是示例,并不构成对终端设备的限定,可以包括比上述描述更多或更少的部件,或者组合某些部件,或者不同的部件,例如可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,上述处理器是上述终端设备的控制中心,利用各种接口和线路连接整个用户终端的各个部分。
上述存储器可用于存储计算机程序和/或模块,上述处理器通过运行或执行存储在存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现上述终端设备的各种功能。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如信息采集模板展示功能、产品信息发布功能等)等;存储数据区可存储根据泊位状态显示系统的使用所创建的数据(比如不同产品种类对应的产品信息采集模板、不同产品提供方需要发布的产品信息等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
终端设备集成的模块/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,本发明实现上述实施例系统中的全部或部分模块/单元,也可以通过计算机程序来指令相关的硬件来完成,上述的计算机程序可存储于计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个系统实施例的功能。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、电载波信号、电信信号以及软件分发介质等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于大数据的信息收集方法,其特征在于,所述方法包括:
获取用户输入的目标区域,基于所述目标区域确定检测路径,根据预设的采集参数在所述检测路径上设置采样点;
基于所述采样点获取含有温度层和时间信息的子图像组,基于时间信息连接不同采样点处获取到的子图像组,得到区域图像组;
根据所述温度层对所述区域图像组进行轮廓识别,确定静物轮廓和动物轮廓,并确定动物轮廓的运动轨迹;所述运动轨迹为向量;
对所述静物轮廓和运动轨迹进行特征识别,根据特征识别结果生成区域状态报告。
2.根据权利要求1所述的基于大数据的信息收集方法,其特征在于,所述获取用户输入的目标区域,基于所述目标区域确定检测路径,根据预设的采集参数在所述检测路径上设置采样点的步骤包括:
显示预设的地图,并开放信息接收端口,基于所述信息接收端口接收用户输入的边界信息,基于所述边界信息确定目标区域;其中,所述边界信息包括点位信息和线段信息;
获取采集端的采集参数,基于所述采集参数确定单次采集区域;所述采集参数包括采集高度和采集广角;
基于所述单次采集区域将所述目标区域切分为条形区域,基于切分得到的条形区域确定检测路径;
基于所述单次采集区域将所述条形区域切分为子区域,基于切分得到的子区域在所述检测路径上设置采样点。
3.根据权利要求2所述的基于大数据的信息收集方法,其特征在于,所述基于切分得到的条形区域确定检测路径的步骤包括:
确定切分得到的条形区域的中心线,生成主路径线;
连接相邻中心线的端点,生成辅路径线;
基于所述主路径线和所述辅路径线生成检测路径。
4.根据权利要求1所述的基于大数据的信息收集方法,其特征在于,所述基于所述采样点获取含有温度层和时间信息的子图像组,基于时间信息连接不同采样点处获取到的子图像组,得到区域图像组的步骤包括:
实时获取采集端的位置信息,当所述采集端运动到所述采样点时,获取含有温度层和时间信息的子图像组,基于所述时间信息对所述子图像组中的子图像进行排序;
基于检测路径确定采样点顺序,基于采样点的顺序对不同子图像组进行排序;
提取不同子图像组中同一编号的子图像,基于子图像组的顺序连接各子图像,得到区域图像组。
5.根据权利要求1所述的基于大数据的信息收集方法,其特征在于,所述根据所述温度层对所述区域图像组进行轮廓识别,确定静物轮廓和动物轮廓,并确定动物轮廓的运动轨迹的步骤包括:
提取区域图像组中各区域图像的温度层,得到温度层组;
依次计算所述温度层组中相邻温度层的温度差值,得到差值图像组;
对所述差值图像组中的差值图像进行逻辑运算,根据逻辑运算结果确定静物轮廓和动物轮廓;
在所述区域图像组中标记所述动物轮廓,确定所述动物轮廓的特征点,连接所述特征点,得到所述动物轮廓的运动轨迹。
6.根据权利要求1所述的基于大数据的信息收集方法,其特征在于,对所述静物轮廓进行特征识别的步骤包括:
统计所述区域图像组中各区域图像的时间信息,将统计到的时间信息输入训练好的时间计算模型,得到区域图像组的时间索引;
在所述区域图像组中提取静物轮廓对应的静物区域,对所述静物区域进行色值识别,确定静物区域的色值均值;
根据不同区域图像组的时间索引对所述色值均值进行排序,确定样本点,并根据所述样本点拟合静物变化曲线;
将所述静物变化曲线与预设的参考曲线进行比对,根据比对结果生成静物状态报告。
7.根据权利要求5所述的基于大数据的信息收集方法,其特征在于,对所述运动轨迹进行特征识别的步骤包括:
统计所述区域图像组中各区域图像的时间信息,将统计到的时间信息输入训练好的时间计算模型,得到区域图像组的时间索引;
读取区域图像组中各动物轮廓的运动轨迹,基于所述运动轨迹确定动物轮廓的运动参数;所述运动参数包括运动范围和运动速度;
根据所述运动参数对所述运动轨迹进行分类,得到与区域图像组为映射关系的动物表;所述动物表包括运动轨迹项和运动参数项;
比对各区域图像组对应的动物表,根据比对结果确定动物表中的风险数据项,基于所述风险数据项生成动物状态报告。
8.一种基于大数据的信息收集系统,其特征在于,所述系统包括:
采样点确定模块,用于获取用户输入的目标区域,基于所述目标区域确定检测路径,根据预设的采集参数在所述检测路径上设置采样点;
图像组获取模块,用于基于所述采样点获取含有温度层和时间信息的子图像组,基于时间信息连接不同采样点处获取到的子图像组,得到区域图像组;
轨迹确定模块,用于根据所述温度层对所述区域图像组进行轮廓识别,确定静物轮廓和动物轮廓,并确定动物轮廓的运动轨迹;所述运动轨迹为向量;
特征识别模块,用于对所述静物轮廓和运动轨迹进行特征识别,根据特征识别结果生成区域状态报告。
9.根据权利要求8所述的基于大数据的信息收集系统,其特征在于,所述采样点确定模块包括:
区域确定单元,用于显示预设的地图,并开放信息接收端口,基于所述信息接收端口接收用户输入的边界信息,基于所述边界信息确定目标区域;其中,所述边界信息包括点位信息和线段信息;
参数获取单元,用于获取采集端的采集参数,基于所述采集参数确定单次采集区域;所述采集参数包括采集高度和采集广角;
第一切分单元,用于基于所述单次采集区域将所述目标区域切分为条形区域,基于切分得到的条形区域确定检测路径;
第二切分单元,用于基于所述单次采集区域将所述条形区域切分为子区域,基于切分得到的子区域在所述检测路径上设置采样点。
10.根据权利要求9所述的基于大数据的信息收集系统,其特征在于,所述第一切分单元包括:
主路径确定子单元,用于确定切分得到的条形区域的中心线,生成主路径线;
辅路径确定子单元,用于连接相邻中心线的端点,生成辅路径线;
路径连接子单元,用于基于所述主路径线和所述辅路径线生成检测路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210467063.2A CN114581855B (zh) | 2022-04-29 | 2022-04-29 | 一种基于大数据的信息收集方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210467063.2A CN114581855B (zh) | 2022-04-29 | 2022-04-29 | 一种基于大数据的信息收集方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114581855A true CN114581855A (zh) | 2022-06-03 |
CN114581855B CN114581855B (zh) | 2022-08-02 |
Family
ID=81778615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210467063.2A Active CN114581855B (zh) | 2022-04-29 | 2022-04-29 | 一种基于大数据的信息收集方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114581855B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114861475A (zh) * | 2022-07-11 | 2022-08-05 | 威海海洋职业学院 | 一种基于传感数据的实时海洋模拟方法及系统 |
CN115098901A (zh) * | 2022-06-27 | 2022-09-23 | 广东时谛智能科技有限公司 | 基于个人数据分析的确定鞋体各个部位材质的方法及装置 |
CN115250950A (zh) * | 2022-08-02 | 2022-11-01 | 苏州数智赋农信息科技有限公司 | 一种基于人工智能的畜禽养猪场巡检方法及系统 |
CN115861859A (zh) * | 2023-02-20 | 2023-03-28 | 中国科学院东北地理与农业生态研究所 | 一种坡耕地环境监测方法及系统 |
CN115934979A (zh) * | 2023-02-21 | 2023-04-07 | 中国科学院东北地理与农业生态研究所 | 一种基于多采集端的土壤侵蚀信息管理方法及系统 |
CN116630643A (zh) * | 2023-05-23 | 2023-08-22 | 北京拙河科技有限公司 | 一种基于图像物体边界识别的像素拆分方法及装置 |
CN117036954A (zh) * | 2023-08-22 | 2023-11-10 | 生态环境部南京环境科学研究所 | 一种植物区长势识别方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104035620A (zh) * | 2014-06-20 | 2014-09-10 | 深圳印象认知技术有限公司 | 光学感应键、触摸屏、指纹采集设备、电子设备 |
CN107749066A (zh) * | 2017-11-10 | 2018-03-02 | 深圳市唯特视科技有限公司 | 一种基于区域的多尺度时空视觉显著性检测方法 |
US20180350054A1 (en) * | 2017-06-05 | 2018-12-06 | Hana Resources, Inc. | Organism growth prediction system using drone-captured images |
CN112541921A (zh) * | 2020-11-18 | 2021-03-23 | 上海市园林科学规划研究院 | 城市绿地植被信息数据化精准测定方法 |
CN112649002A (zh) * | 2020-12-11 | 2021-04-13 | 南京邮电大学 | 一种基于边缘计算的野保无人机监测系统 |
-
2022
- 2022-04-29 CN CN202210467063.2A patent/CN114581855B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104035620A (zh) * | 2014-06-20 | 2014-09-10 | 深圳印象认知技术有限公司 | 光学感应键、触摸屏、指纹采集设备、电子设备 |
US20180350054A1 (en) * | 2017-06-05 | 2018-12-06 | Hana Resources, Inc. | Organism growth prediction system using drone-captured images |
CN107749066A (zh) * | 2017-11-10 | 2018-03-02 | 深圳市唯特视科技有限公司 | 一种基于区域的多尺度时空视觉显著性检测方法 |
CN112541921A (zh) * | 2020-11-18 | 2021-03-23 | 上海市园林科学规划研究院 | 城市绿地植被信息数据化精准测定方法 |
CN112649002A (zh) * | 2020-12-11 | 2021-04-13 | 南京邮电大学 | 一种基于边缘计算的野保无人机监测系统 |
Non-Patent Citations (1)
Title |
---|
梅中海等: "利用红外相机监测望东垟高山湿地自然保护区鸟兽的初步研究", 《浙江林业科技》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115098901A (zh) * | 2022-06-27 | 2022-09-23 | 广东时谛智能科技有限公司 | 基于个人数据分析的确定鞋体各个部位材质的方法及装置 |
CN114861475A (zh) * | 2022-07-11 | 2022-08-05 | 威海海洋职业学院 | 一种基于传感数据的实时海洋模拟方法及系统 |
CN114861475B (zh) * | 2022-07-11 | 2022-09-16 | 威海海洋职业学院 | 一种基于传感数据的实时海洋模拟方法及系统 |
CN115250950A (zh) * | 2022-08-02 | 2022-11-01 | 苏州数智赋农信息科技有限公司 | 一种基于人工智能的畜禽养猪场巡检方法及系统 |
CN115250950B (zh) * | 2022-08-02 | 2024-01-19 | 苏州数智赋农信息科技有限公司 | 一种基于人工智能的畜禽养猪场巡检方法及系统 |
CN115861859A (zh) * | 2023-02-20 | 2023-03-28 | 中国科学院东北地理与农业生态研究所 | 一种坡耕地环境监测方法及系统 |
CN115934979A (zh) * | 2023-02-21 | 2023-04-07 | 中国科学院东北地理与农业生态研究所 | 一种基于多采集端的土壤侵蚀信息管理方法及系统 |
CN116630643A (zh) * | 2023-05-23 | 2023-08-22 | 北京拙河科技有限公司 | 一种基于图像物体边界识别的像素拆分方法及装置 |
CN117036954A (zh) * | 2023-08-22 | 2023-11-10 | 生态环境部南京环境科学研究所 | 一种植物区长势识别方法及系统 |
CN117036954B (zh) * | 2023-08-22 | 2024-04-26 | 生态环境部南京环境科学研究所 | 一种植物区长势识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114581855B (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114581855B (zh) | 一种基于大数据的信息收集方法与系统 | |
CN109447169A (zh) | 图像处理方法及其模型的训练方法、装置和电子系统 | |
CN108241905A (zh) | 用于预测土壤和/或植物状况的方法 | |
Liu et al. | A vision-based robust grape berry counting algorithm for fast calibration-free bunch weight estimation in the field | |
CN105956632B (zh) | 一种检测目标的方法和装置 | |
CN103528617A (zh) | 一种座舱仪表自动识别和检测方法及装置 | |
CN114565895B (zh) | 一种基于智慧社会的安防监控系统及方法 | |
CN110175519B (zh) | 一种变电站的分合标识仪表识别方法、装置与存储介质 | |
CN112613454A (zh) | 一种电力基建施工现场违章识别方法及系统 | |
CN114581442B (zh) | 用于mes系统的产品检测方法及装置 | |
CN115482465A (zh) | 基于机器视觉的农作物病虫害预测方法、系统及存储介质 | |
Islam et al. | An image processing technique to calculate percentage of disease affected pixels of paddy leaf | |
CN114280276A (zh) | 一种农业监测系统及方法 | |
CN111553184A (zh) | 一种基于电子围网的小目标检测方法、装置及电子设备 | |
CN112101313B (zh) | 一种机房机器人巡检方法及系统 | |
CN111931721B (zh) | 年检标签颜色和个数的检测方法、装置及电子设备 | |
CN114861475B (zh) | 一种基于传感数据的实时海洋模拟方法及系统 | |
CN114519400A (zh) | 分割结果评估方法、装置、电子设备和可读存储介质 | |
Smith et al. | A comparison of ground-based methods for obtaining large-scale, high-resolution data on the spring leaf phenology of temperate tree species | |
CN114782679A (zh) | 一种基于级联网络的输电线路中金具缺陷检测方法、装置 | |
CN114169404A (zh) | 一种基于图像智能获取边坡病害量化信息方法 | |
US20200184216A1 (en) | Machine continuous learning method of neural network object classifier and related monitoring camera apparatus | |
RU2422858C1 (ru) | Способ распознавания образов природно-техногенных объектов и оценки параметров их состояния по гиперспектральным данным аэрокосмического зондирования | |
RU2815619C1 (ru) | Система поиска и прослеживания протяженных объектов сельскохозяйственного назначения на аэрофотоснимках | |
CN109632799A (zh) | 基于机器视觉的水稻叶片氮含量移动检测分级方法、系统和计算机可读存储介质 |
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 |