CN114627369A - 环境监测系统、方法及其计算机装置 - Google Patents

环境监测系统、方法及其计算机装置 Download PDF

Info

Publication number
CN114627369A
CN114627369A CN202210060606.9A CN202210060606A CN114627369A CN 114627369 A CN114627369 A CN 114627369A CN 202210060606 A CN202210060606 A CN 202210060606A CN 114627369 A CN114627369 A CN 114627369A
Authority
CN
China
Prior art keywords
inter
class
classification
feature
feature map
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
Application number
CN202210060606.9A
Other languages
English (en)
Other versions
CN114627369B (zh
Inventor
魏庆前
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.)
Shanghai Kuangque Technology Co.,Ltd.
Original Assignee
Shanghai Tufeng 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 Shanghai Tufeng Technology Co ltd filed Critical Shanghai Tufeng Technology Co ltd
Priority to CN202210060606.9A priority Critical patent/CN114627369B/zh
Publication of CN114627369A publication Critical patent/CN114627369A/zh
Application granted granted Critical
Publication of CN114627369B publication Critical patent/CN114627369B/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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及无人机的环境监测领域，其具体地公开了一种环境监测系统、方法及其计算机装置。所述基于无人机的环境监测系统通过特定的卷积神经网络模型来对待监测区域的每个采样点的多光谱图像数据进行高维关联特征提取，进一步再计算每个所述采样点的特征图相对于其它采样点的特征图的类间致密性因数，以基于特征距离来对类间特征分布之间的一致性和差异性进行加权，以收敛不同高维特征分布之间的类分布。这样，就可以准确地得到所述待监测区域的监测结果，从而使得对于林业环境重金属污染的实时监测效果更佳。

Description

环境监测系统、方法及其计算机装置
技术领域
本发明涉及无人机的环境监测领域，且更为具体地，涉及一种环境监测系统、方法及其计算机装置。
背景技术
目前，重金属污染问题已成为环境污染中的热点研究问题，而林业环境作为重要的生态屏障，能够起到调节气候、保持水土等作用，其重金属污染问题受到的瞩目则较少。
因此，此将无人机应用于林业环境重金属污染远程监测的数据采集环节中，提出一种基于无人机的林业环境重金属污染远程监测方法，以实现林业环境重金属污染的实时监测。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种环境监测系统、方法及其计算机装置，其通过特定的卷积神经网络模型来对待监测区域的每个采样点的多光谱图像数据进行高维关联特征提取，进一步再计算每个所述采样点的特征图相对于其它采样点的特征图的类间致密性因数，以基于特征距离来对类间特征分布之间的一致性和差异性进行加权，从而进一步收敛不同高维特征分布之间的类分布。这样，就可以准确地得到所述待监测区域的监测结果，从而使得对于林业环境重金属污染的实时监测效果更佳。
根据本申请的一个方面，提供了一种基于无人机的环境监测系统，其包括：
光谱图像获取单元，用于通过部署于无人机的光谱相机获得待监测区域中多个采样点的多个多光谱图像；
神经网络单元，用于将所述多个多光谱图像中各个多光谱图像分别通过卷积神经网络以获得多个特征图，其中，所述卷积神经网络中相邻的卷积层使用互为转置的卷积核；
类间注意力单元，用于对于所述多个特征图，计算每个所述采样点的特征图相对于其他所述采样点的特征图之间的类间致密性因数以获得多个类间致密性因数，其中，所述类间致密性因数与以每两个特征图之间的余弦距离为幂的自然指数函数值的加权和有关；
加权单元，用于以所述类间致密性因数作为权重，将每个所述特征图与其对应的类间致密性因素进行相乘以获得多个类间距离注意力特征图；
拼接单元，用于将所述多个类间距离注意力特征图按照通道维度进行拼接以获得分类特征图；以及
监测结果生成单元，用于将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示待监测区域的重金属污染是否符合预设要求。
在上述基于无人机的环境监测系统中，所述多个采样点在所述待监测区域中均匀分布。
在上述基于无人机的环境监测系统中，所述神经网络单元，进一步用于:使用所述卷积神经网络的第i层的卷积层使用第一卷积核以如下公式对输入数据进行处理以生成第i特征图，所述公式为h＝f(wi*x+b),*表示卷积运算，f(.)表示激活函数；以及，使用所述卷积神经网络的第i+1层的卷积层使用第二卷积核以如下公式对所述第i特征图进行处理，所述公式为h＝f(wi+1*x+b),*表示卷积运算，f(.)表示激活函数,其中，wi+1＝wi T。
在上述基于无人机的环境监测系统中，所述类间注意力单元，进一步用于：以如下公式计算每个所述采样点的特征图相对于其他所述采样点的特征图之间的类间致密性因数以获得所述多个类间致密性因数；
其中，所述公式为：
Figure BDA0003478091780000021
n是采样点的数目，且s是超参数，用于规范特征图所属类别的频率分布，cos(Fk,Fi)表示两个特征图之间的余弦距离。
在上述基于无人机的环境监测系统中，所述监测结果生成单元，进一步用于：使用所述分类器的多个全连接层对所述分类特征图进行全连接编码以将所述分类特征图转化为一维的分类特征向量；将所述分类特征向量输入所述分类器的Softmax分类函数以获得所述分类特征向量分别归属于各个分类标签的概率值；以及，基于所述概率值，确定所述分类结果。
在上述基于无人机的环境监测系统中，所述监测结果生成单元，进一步用于：使用所述分类器以如下公式对所述分类特征图进行处理以生成所述分类结果；其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征图投影为分类特征向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
根据本申请的另一方面，一种基于无人机的环境监测系统的监测方法，其包括：
通过部署于无人机的光谱相机获得待监测区域中多个采样点的多个多光谱图像；
将所述多个多光谱图像中各个多光谱图像分别通过卷积神经网络以获得多个特征图，其中，所述卷积神经网络中相邻的卷积层使用互为转置的卷积核；
对于所述多个特征图，计算每个所述采样点的特征图相对于其他所述采样点的特征图之间的类间致密性因数以获得多个类间致密性因数，其中，所述类间致密性因数与以每两个特征图之间的余弦距离为幂的自然指数函数值的加权和有关；
以所述类间致密性因数作为权重，将每个所述特征图与其对应的类间致密性因素进行相乘以获得多个类间距离注意力特征图；
将所述多个类间距离注意力特征图按照通道维度进行拼接以获得分类特征图；以及
将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示待监测区域的重金属污染是否符合预设要求。
在上述基于无人机的环境监测系统的监测方法中，所述多个采样点在所述待监测区域中均匀分布。
在上述基于无人机的环境监测系统的监测方法中，将所述多个多光谱图像中各个多光谱图像分别通过卷积神经网络以获得多个特征图，包括：使用所述卷积神经网络的第i层的卷积层使用第一卷积核以如下公式对输入数据进行处理以生成第i特征图，所述公式为h＝f(wi*x+b),*表示卷积运算，f(.)表示激活函数；以及，使用所述卷积神经网络的第i+1层的卷积层使用第二卷积核以如下公式对所述第i特征图进行处理，所述公式为h＝f(wi+1*x+b),*表示卷积运算，f(.)表示激活函数,其中，wi+1＝wi T。
在上述基于无人机的环境监测系统的监测方法中，对于所述多个特征图，计算每个所述采样点的特征图相对于其他所述采样点的特征图之间的类间致密性因数以获得多个类间致密性因数，包括：以如下公式计算每个所述采样点的特征图相对于其他所述采样点的特征图之间的类间致密性因数以获得所述多个类间致密性因数；其中，所述公式为：
Figure BDA0003478091780000041
n是采样点的数目，且s是超参数，用于规范特征图所属类别的频率分布，cos(Fk,Fi)表示两个特征图之间的余弦距离。
在上述基于无人机的环境监测系统的监测方法中，将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示待监测区域的重金属污染是否符合预设要求，包括：使用所述分类器的多个全连接层对所述分类特征图进行全连接编码以将所述分类特征图转化为一维的分类特征向量；将所述分类特征向量输入所述分类器的Softmax分类函数以获得所述分类特征向量分别归属于各个分类标签的概率值；以及，基于所述概率值，确定所述分类结果。
在上述基于无人机的环境监测系统的监测方法中，将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示待监测区域的重金属污染是否符合预设要求，包括：使用所述分类器以如下公式对所述分类特征图进行处理以生成所述分类结果；其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征图投影为分类特征向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
与现有技术相比，本申请提供的环境监测系统、方法及其计算机装置，其通过特定的卷积神经网络模型来对待监测区域的每个采样点的多光谱图像数据进行高维关联特征提取，进一步再计算每个所述采样点的特征图相对于其它采样点的特征图的类间致密性因数，以基于特征距离来对类间特征分布之间的一致性和差异性进行加权，从而进一步收敛不同高维特征分布之间的类分布。这样，就可以准确地得到所述待监测区域的监测结果，从而使得对于林业环境重金属污染的实时监测效果更佳。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于无人机的环境监测系统的应用场景图。
图2为根据本申请实施例的基于无人机的环境监测系统的框图。
图3为根据本申请实施例的基于无人机的环境监测系统的监测方法的流程图。
图4为根据本申请实施例的基于无人机的环境监测系统的监测方法的架构示意图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如前所述，目前，重金属污染问题已成为环境污染中的热点研究问题，而林业环境作为重要的生态屏障，能够起到调节气候、保持水土等作用，其重金属污染问题受到的瞩目则较少。
因此，此将无人机应用于林业环境重金属污染远程监测的数据采集环节中，提出一种基于无人机的林业环境重金属污染远程监测方法，以实现林业环境重金属污染的实时监测。
相应地，在本申请的技术方案中，首先获取待监测区域的每个采样点的多光谱图像，并通过卷积神经网络获得特征图(卷积神经网络具有Batch维度，可以一次性处理多光谱图像)。另外，由于多光谱图像中的各单独图像具有相当程度的关联，也就是输入数据存在特定数据结构，因此卷积神经网络的相邻卷积层使用互为转置的卷积核，从而在训练时能够同时进行网络参数的更新和适合特定数据结构的网络参数结构的搜索。
接下来，计算每个采样点的特征图相对于其它采样点的特征图的类间致密性因数，表示为：
Figure BDA0003478091780000061
n是采样点的数目，且s是超参数，用于规范特征图所属类别的频率分布，也就是，使得头部类别域与尾部类别域之间的因数差值处于合理区间内。cos(Fk,Fi)表示两个特征图之间的余弦距离。该类间致密性因数实质上起到了类间距离注意力机制的作用，也就是，由于实际上，相邻较近的采样点之间的多光谱图像数据的一致性较强，而相距较远的采样点之间的多光谱数据之间的差异较大。因此，通过类间距离注意力机制，可以基于特征距离来对类间特征分布之间的一致性和差异性进行加权，从而进一步收敛不同高维特征分布之间的类分布。
这样，将每个特征图与其对应的类间致密性因数相乘后再按照通道进行拼接，就可以得到分类特征图，进而通过分类器获得待监测区域的监测结果。
基于此，本申请提出了一种基于无人机的环境监测系统，其包括：光谱图像获取单元，用于通过部署于无人机的光谱相机获得待监测区域中多个采样点的多个多光谱图像；神经网络单元，用于将所述多个多光谱图像中各个多光谱图像分别通过卷积神经网络以获得多个特征图，其中，所述卷积神经网络中相邻的卷积层使用互为转置的卷积核；类间注意力单元，用于对于所述多个特征图，计算每个所述采样点的特征图相对于其他所述采样点的特征图之间的类间致密性因数以获得多个类间致密性因数，其中，所述类间致密性因数与以每两个特征图之间的余弦距离为幂的自然指数函数值的加权和有关；加权单元，用于以所述类间致密性因数作为权重，将每个所述特征图与其对应的类间致密性因素进行相乘以获得多个类间距离注意力特征图；拼接单元，用于将所述多个类间距离注意力特征图按照通道维度进行拼接以获得分类特征图；以及，监测结果生成单元，用于将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示待监测区域的重金属污染是否符合预设要求。
图1图示了根据本申请实施例的基于无人机的环境监测系统的应用场景图。如图1所示，在该应用场景中，首先，通过部署于无人机(例如，如图1中所示意的U)的光谱相机(例如，如图1中所示意的C)获得待监测区域(例如，如图1中所示意的R)中多个采样点的多个多光谱图像。然后，将获得的所述多个采样点的多个多光谱图像输入至部署有基于无人机的环境监测算法的服务器中(例如，如图1中所示意的服务器S)，其中，所述服务器能够以基于无人机的环境监测算法对所述多个采样点的多个多光谱图像进行处理，以生成用于表示待监测区域的重金属污染是否符合预设要求的分类结果。进而，基于所述分类结果对所述待监测区域的重金属污染进行实时监测，以保证林业环境的重金属污染能够一直保持在一个稳定可控的范围内。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图2图示了根据本申请实施例的基于无人机的环境监测系统的框图。如图2所示，根据本申请实施例的基于无人机的环境监测系统200，包括：光谱图像获取单元210，用于通过部署于无人机的光谱相机获得待监测区域中多个采样点的多个多光谱图像；神经网络单元220，用于将所述多个多光谱图像中各个多光谱图像分别通过卷积神经网络以获得多个特征图，其中，所述卷积神经网络中相邻的卷积层使用互为转置的卷积核；类间注意力单元230，用于对于所述多个特征图，计算每个所述采样点的特征图相对于其他所述采样点的特征图之间的类间致密性因数以获得多个类间致密性因数，其中，所述类间致密性因数与以每两个特征图之间的余弦距离为幂的自然指数函数值的加权和有关；加权单元240，用于以所述类间致密性因数作为权重，将每个所述特征图与其对应的类间致密性因素进行相乘以获得多个类间距离注意力特征图；拼接单元250，用于将所述多个类间距离注意力特征图按照通道维度进行拼接以获得分类特征图；以及，监测结果生成单元260，用于将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示待监测区域的重金属污染是否符合预设要求。
具体地，在本申请实施例中，所述光谱图像获取单元210和所述神经网络单元220，用于通过部署于无人机的光谱相机获得待监测区域中多个采样点的多个多光谱图像，并将所述多个多光谱图像中各个多光谱图像分别通过卷积神经网络以获得多个特征图，其中，所述卷积神经网络中相邻的卷积层使用互为转置的卷积核。如前所述，为了将无人机应用于林业环境重金属污染远程监测的数据采集环节中，以实现林业环境重金属污染的实时监测。因此，在本申请的技术方案中，首先，需要通过部署于无人机的光谱相机采集待监测区域中多个采样点的多个多光谱图像。这里，所述多个采样点在所述待监测区域中均匀分布。然后，将所述多个多光谱图像中各个多光谱图像分别通过卷积神经网络中进行处理，以提取出所述各个多光谱图图像的局部特征在高维空间中的特征分布表示，从而提取到更多图像深层次的抽象特征，以获得多个特征图。值得一提的是，这里，所述卷积神经网络具有Batch维度，可以一次性处理多光谱图像。应可以理解，由于所述多光谱图像中的各单独图像具有相当程度的关联，也就是输入数据存在特定数据结构，因此所述卷积神经网络的相邻卷积层使用互为转置的卷积核，从而在训练时能够同时进行网络参数的更新和适合特定数据结构的网络参数结构的搜索。
更具体地，在本申请的实施例中，所述神经网络单元，包括:首先，使用所述卷积神经网络的第i层的卷积层使用第一卷积核以如下公式对输入数据进行处理以生成第i特征图，所述公式为h＝f(wi*x+b),*表示卷积运算，f(.)表示激活函数。然后，使用所述卷积神经网络的第i+1层的卷积层使用第二卷积核以如下公式对所述第i特征图进行处理，所述公式为h＝f(wi+1*x+b),*表示卷积运算，f(.)表示激活函数,其中，wi+1＝wi T。
具体地，在本申请实施例中，所述类间注意力单元230，用于对于所述多个特征图，计算每个所述采样点的特征图相对于其他所述采样点的特征图之间的类间致密性因数以获得多个类间致密性因数，其中，所述类间致密性因数与以每两个特征图之间的余弦距离为幂的自然指数函数值的加权和有关。应可以理解，由于实际上，在林业环境中，相邻较近的采样点之间的多光谱图像数据的一致性较强，而相距较远的采样点之间的多光谱数据之间的差异较大。因此，在本申请的技术方案中，在数据处理过程中，可基于所述各个采样点之间的距离信息来形成类间距离注意力机制，即，如果距离小则着眼于两个特征分布之间的一致性，如果距离大则着眼于两个特征分布之间的差异性。
也就是，具体地，对于所述多个特征图，计算每个所述采样点的特征图相对于其他所述采样点的特征图之间的类间致密性因数以获得多个类间致密性因数。应可以理解，该所述类间致密性因数实质上起到了类间距离注意力机制的作用，通过所述类间距离注意力机制，可以基于所述特征距离来对类间特征分布之间的一致性和差异性进行加权，从而进一步收敛不同高维特征分布之间的类分布，以使得分类的结果准确性更高。
更具体地，在本申请实施例中，所述类间注意力单元，进一步用于：以如下公式计算每个所述采样点的特征图相对于其他所述采样点的特征图之间的类间致密性因数以获得所述多个类间致密性因数；
其中，所述公式为：
Figure BDA0003478091780000091
n是采样点的数目，且s是超参数，用于规范特征图所属类别的频率分布，也就是，使得头部类别域与尾部类别域之间的因数差值处于合理区间内，cos(Fk,Fi)表示两个特征图之间的余弦距离。
具体地，在本申请实施例中，所述加权单元240和所述拼接单元250，用于以所述类间致密性因数作为权重，将每个所述特征图与其对应的类间致密性因素进行相乘以获得多个类间距离注意力特征图，并将所述多个类间距离注意力特征图按照通道维度进行拼接以获得分类特征图。也就是，在本申请的技术方案中，在得到所述类间致密性因数后，以所述类间致密性因数作为权重，将每个所述特征图与其对应的类间致密性因素进行相乘，以获得加权后的多个类间距离注意力特征图。应可以理解，这样，基于特征距离来对类间特征分布之间的一致性和差异性进行加权，从而进一步收敛不同高维特征分布之间的类分布，进而提高分类的准确性。然后，进一步再将所述多个类间距离注意力特征图按照通道维度进行拼接，就可以获得用于分类的分类特征图。
具体地，在本申请实施例中，所述监测结果生成单元260，用于将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示待监测区域的重金属污染是否符合预设要求。也就是，进一步再将得到的所述分类特征图通过分类器以获得用于表示待监测区域的重金属污染是否符合预设要求分类结果。相应地，在一个具体示例中，首先，使用所述分类器的多个全连接层对所述分类特征图进行全连接编码以将所述分类特征图转化为一维的分类特征向量。然后，将所述分类特征向量输入所述分类器的Softmax分类函数以获得所述分类特征向量分别归属于各个分类标签的概率值。最后，基于所述概率值，确定所述分类结果。也就是，确定所述概率值中的最大者所对应的分类标签为分类结果。
更具体地，在本申请实施例中，所述监测结果生成单元，进一步用于：使用所述分类器以如下公式对所述分类特征图进行处理以生成所述分类结果；其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征图投影为分类特征向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
综上，基于本申请实施例的所述基于无人机的环境监测系统200被阐明，其通过特定的卷积神经网络模型来对待监测区域的每个采样点的多光谱图像数据进行高维关联特征提取，进一步再计算每个所述采样点的特征图相对于其它采样点的特征图的类间致密性因数，以基于特征距离来对类间特征分布之间的一致性和差异性进行加权，从而进一步收敛不同高维特征分布之间的类分布。这样，就可以准确地得到所述待监测区域的监测结果，从而使得对于林业环境重金属污染的实时监测效果更佳。
如上所述，根据本申请实施例的基于无人机的环境监测系统200可以实现在各种终端设备中，例如基于无人机的环境监测算法的服务器等。在一个示例中，根据本申请实施例的基于无人机的环境监测系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于无人机的环境监测系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于无人机的环境监测系统200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于无人机的环境监测系统200与该终端设备也可以是分立的设备，并且该基于无人机的环境监测系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法
图3图示了基于无人机的环境监测系统的监测方法的流程图。如图3所示，根据本申请实施例的基于无人机的环境监测系统的监测方法，包括步骤：S110，通过部署于无人机的光谱相机获得待监测区域中多个采样点的多个多光谱图像；S120，将所述多个多光谱图像中各个多光谱图像分别通过卷积神经网络以获得多个特征图，其中，所述卷积神经网络中相邻的卷积层使用互为转置的卷积核；S130，对于所述多个特征图，计算每个所述采样点的特征图相对于其他所述采样点的特征图之间的类间致密性因数以获得多个类间致密性因数，其中，所述类间致密性因数与以每两个特征图之间的余弦距离为幂的自然指数函数值的加权和有关；S140，以所述类间致密性因数作为权重，将每个所述特征图与其对应的类间致密性因素进行相乘以获得多个类间距离注意力特征图；S150，将所述多个类间距离注意力特征图按照通道维度进行拼接以获得分类特征图；以及，S160，将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示待监测区域的重金属污染是否符合预设要求。
图4图示了根据本申请实施例的基于无人机的环境监测系统的监测方法的架构示意图。如图4所示，在所述基于无人机的环境监测系统的监测方法的网络架构中，首先，将获得的所述多个多光谱图像(例如，如图4中所示意的IN)中各个多光谱图像分别通过卷积神经网络(例如，如图4中所示意的CNN)以获得多个特征图(例如，如图4中所示意的F)；接着，对于所述多个特征图，计算每个所述采样点的特征图相对于其他所述采样点的特征图之间的类间致密性因数以获得多个类间致密性因数(例如，如图4中所示意的ICF)；然后，以所述类间致密性因数作为权重，将每个所述特征图与其对应的类间致密性因素进行相乘以获得多个类间距离注意力特征图(例如，如图4中所示意的FA)；接着，将所述多个类间距离注意力特征图按照通道维度进行拼接以获得分类特征图(例如，如图4中所示意的FC)；以及，最后，将所述分类特征图通过分类器(例如，如图4中所示意的分类器)以获得分类结果，所述分类结果用于表示待监测区域的重金属污染是否符合预设要求。
更具体地，在步骤S110和S120中，通过部署于无人机的光谱相机获得待监测区域中多个采样点的多个多光谱图像，并将所述多个多光谱图像中各个多光谱图像分别通过卷积神经网络以获得多个特征图，其中，所述卷积神经网络中相邻的卷积层使用互为转置的卷积核。应可以理解，为了将无人机应用于林业环境重金属污染远程监测的数据采集环节中，以实现林业环境重金属污染的实时监测。因此，在本申请的技术方案中，首先，需要通过部署于无人机的光谱相机采集待监测区域中多个采样点的多个多光谱图像。这里，所述多个采样点在所述待监测区域中均匀分布。然后，将所述多个多光谱图像中各个多光谱图像分别通过卷积神经网络中进行处理，以提取出所述各个多光谱图图像的局部特征在高维空间中的特征分布表示，从而提取到更多图像深层次的抽象特征，以获得多个特征图。值得一提的是，这里，所述卷积神经网络具有Batch维度，可以一次性处理多光谱图像。应可以理解，由于所述多光谱图像中的各单独图像具有相当程度的关联，也就是输入数据存在特定数据结构，因此所述卷积神经网络的相邻卷积层使用互为转置的卷积核，从而在训练时能够同时进行网络参数的更新和适合特定数据结构的网络参数结构的搜索。
具体地，在本申请实施例中，将所述多个多光谱图像中各个多光谱图像分别通过卷积神经网络以获得多个特征图的过程，包括：首先，使用所述卷积神经网络的第i层的卷积层使用第一卷积核以如下公式对输入数据进行处理以生成第i特征图，所述公式为h＝f(wi*x+b),*表示卷积运算，f(.)表示激活函数。然后，使用所述卷积神经网络的第i+1层的卷积层使用第二卷积核以如下公式对所述第i特征图进行处理，所述公式为h＝f(wi+1*x+b),*表示卷积运算，f(.)表示激活函数,其中，wi+1＝wi T。
更具体地，在步骤S130中，对于所述多个特征图，计算每个所述采样点的特征图相对于其他所述采样点的特征图之间的类间致密性因数以获得多个类间致密性因数，其中，所述类间致密性因数与以每两个特征图之间的余弦距离为幂的自然指数函数值的加权和有关。应可以理解，由于实际上，在林业环境中，相邻较近的采样点之间的多光谱图像数据的一致性较强，而相距较远的采样点之间的多光谱数据之间的差异较大。因此，在本申请的技术方案中，在数据处理过程中，可基于所述各个采样点之间的距离信息来形成类间距离注意力机制，即，如果距离小则着眼于两个特征分布之间的一致性，如果距离大则着眼于两个特征分布之间的差异性。
也就是，具体地，对于所述多个特征图，计算每个所述采样点的特征图相对于其他所述采样点的特征图之间的类间致密性因数以获得多个类间致密性因数。应可以理解，该所述类间致密性因数实质上起到了类间距离注意力机制的作用，通过所述类间距离注意力机制，可以基于所述特征距离来对类间特征分布之间的一致性和差异性进行加权，从而进一步收敛不同高维特征分布之间的类分布，以使得分类的结果准确性更高。
具体地，在本申请实施例中，对于所述多个特征图，计算每个所述采样点的特征图相对于其他所述采样点的特征图之间的类间致密性因数以获得多个类间致密性因数的过程，包括：以如下公式计算每个所述采样点的特征图相对于其他所述采样点的特征图之间的类间致密性因数以获得所述多个类间致密性因数；
其中，所述公式为：
Figure BDA0003478091780000131
n是采样点的数目，且s是超参数，用于规范特征图所属类别的频率分布，也就是，使得头部类别域与尾部类别域之间的因数差值处于合理区间内，cos(Fk,Fi)表示两个特征图之间的余弦距离。
更具体地，在步骤S140和步骤S150中，以所述类间致密性因数作为权重，将每个所述特征图与其对应的类间致密性因素进行相乘以获得多个类间距离注意力特征图，并将所述多个类间距离注意力特征图按照通道维度进行拼接以获得分类特征图。也就是，在本申请的技术方案中，在得到所述类间致密性因数后，以所述类间致密性因数作为权重，将每个所述特征图与其对应的类间致密性因素进行相乘，以获得加权后的多个类间距离注意力特征图。应可以理解，这样，基于特征距离来对类间特征分布之间的一致性和差异性进行加权，从而进一步收敛不同高维特征分布之间的类分布，进而提高分类的准确性。然后，进一步再将所述多个类间距离注意力特征图按照通道维度进行拼接，就可以获得用于分类的分类特征图。
更具体地，在步骤S160中，将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示待监测区域的重金属污染是否符合预设要求。也就是，进一步再将得到的所述分类特征图通过分类器以获得用于表示待监测区域的重金属污染是否符合预设要求分类结果。相应地，在一个具体示例中，首先，使用所述分类器的多个全连接层对所述分类特征图进行全连接编码以将所述分类特征图转化为一维的分类特征向量。然后，将所述分类特征向量输入所述分类器的Softmax分类函数以获得所述分类特征向量分别归属于各个分类标签的概率值。最后，基于所述概率值，确定所述分类结果。也就是，确定所述概率值中的最大者所对应的分类标签为分类结果。
具体地，在本申请实施例中，将所述分类特征图通过分类器以获得分类结果的过程，包括：使用所述分类器以如下公式对所述分类特征图进行处理以生成所述分类结果；其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征图投影为分类特征向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
综上，基于本申请实施例的所述基于无人机的环境监测系统的监测方法被阐明，其通过特定的卷积神经网络模型来对待监测区域的每个采样点的多光谱图像数据进行高维关联特征提取，进一步再计算每个所述采样点的特征图相对于其它采样点的特征图的类间致密性因数，以基于特征距离来对类间特征分布之间的一致性和差异性进行加权，从而进一步收敛不同高维特征分布之间的类分布。这样，就可以准确地得到所述待监测区域的监测结果，从而使得对于林业环境重金属污染的实时监测效果更佳。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种基于无人机的环境监测系统，其特征在于，包括：
光谱图像获取单元，用于通过部署于无人机的光谱相机获得待监测区域中多个采样点的多个多光谱图像；
神经网络单元，用于将所述多个多光谱图像中各个多光谱图像分别通过卷积神经网络以获得多个特征图，其中，所述卷积神经网络中相邻的卷积层使用互为转置的卷积核；
类间注意力单元，用于对于所述多个特征图，计算每个所述采样点的特征图相对于其他所述采样点的特征图之间的类间致密性因数以获得多个类间致密性因数，其中，所述类间致密性因数与以每两个特征图之间的余弦距离为幂的自然指数函数值的加权和有关；
加权单元，用于以所述类间致密性因数作为权重，将每个所述特征图与其对应的类间致密性因素进行相乘以获得多个类间距离注意力特征图；
拼接单元，用于将所述多个类间距离注意力特征图按照通道维度进行拼接以获得分类特征图；
监测结果生成单元，用于将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示待监测区域的重金属污染是否符合预设要求。
2.根据权利要求1所述的基于无人机的环境监测系统，其中，所述多个采样点在所述待监测区域中均匀分布。
3.根据权利要求2所述的基于无人机的环境监测系统，其中，所述神经网络单元，进一步用于：
使用所述卷积神经网络的第i层的卷积层使用第一卷积核以如下公式对输入数据进行处理以生成第i特征图，所述公式为h＝f(wi*x+b)，*表示卷积运算，f(.)表示激活函数；以及，
使用所述卷积神经网络的第i+1层的卷积层使用第二卷积核以如下公式对所述第i特征图进行处理，所述公式为h＝f(wi+1*x+b)，*表示卷积运算，f(.)表示激活函数，其中，wi+1＝wi T。
4.根据权利要求3所述的基于无人机的环境监测系统，其中，所述类间注意力单元，进一步用于以如下公式计算每个所述采样点的特征图相对于其他所述采样点的特征图之间的类间致密性因数以获得所述多个类间致密性因数；
其中，所述公式为：
Figure FDA0003478091770000021
n是采样点的数目，且s是超参数，用于规范特征图所属类别的频率分布，cos(Fk，Fi)表示两个特征图之间的余弦距离。
5.根据权利要求4所述的基于无人机的环境监测系统，其中，所述监测结果生成单元，进一步用于使用所述分类器的多个全连接层对所述分类特征图进行全连接编码以将所述分类特征图转化为一维的分类特征向量；将所述分类特征向量输入所述分类器的Softmax分类函数以获得所述分类特征向量分别归属于各个分类标签的概率值；以及，基于所述概率值，确定所述分类结果。
6.根据权利要求5所述的基于无人机的环境监测系统，其中，所述监测结果生成单元，进一步用于使用所述分类器以如下公式对所述分类特征图进行处理以生成所述分类结果；
其中，所述公式为：softmax{(Wn，Bn)：...：(W1，B1)|Project(F)}，其中Project(F)表示将所述分类特征图投影为分类特征向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
7.一种基于无人机的环境监测系统的监测方法，其特征在于，包括：
通过部署于无人机的光谱相机获得待监测区域中多个采样点的多个多光谱图像；
将所述多个多光谱图像中各个多光谱图像分别通过卷积神经网络以获得多个特征图，其中，所述卷积神经网络中相邻的卷积层使用互为转置的卷积核；
对于所述多个特征图，计算每个所述采样点的特征图相对于其他所述采样点的特征图之间的类间致密性因数以获得多个类间致密性因数，其中，所述类间致密性因数与以每两个特征图之间的余弦距离为幂的自然指数函数值的加权和有关；
以所述类间致密性因数作为权重，将每个所述特征图与其对应的类间致密性因素进行相乘以获得多个类间距离注意力特征图；
将所述多个类间距离注意力特征图按照通道维度进行拼接以获得分类特征图；以及
将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示待监测区域的重金属污染是否符合预设要求。
8.根据权利要求7所述的基于无人机的环境监测系统的监测方法，其中，将所述多个多光谱图像中各个多光谱图像分别通过卷积神经网络以获得多个特征图，包括：
使用所述卷积神经网络的第i层的卷积层使用第一卷积核以如下公式对输入数据进行处理以生成第i特征图，所述公式为h＝f(wi*x+b)，*表示卷积运算，f(.)表示激活函数；以及
使用所述卷积神经网络的第i+1层的卷积层使用第二卷积核以如下公式对所述第i特征图进行处理，所述公式为h＝f(wi+1*x+b)，*表示卷积运算，f(.)表示激活函数，其中，wi+1＝wi T。
9.根据权利要求7所述的基于无人机的环境监测系统的监测方法，其中，对于所述多个特征图，计算每个所述采样点的特征图相对于其他所述采样点的特征图之间的类间致密性因数以获得多个类间致密性因数，包括：
以如下公式计算每个所述采样点的特征图相对于其他所述采样点的特征图之间的类间致密性因数以获得所述多个类间致密性因数；
其中，所述公式为：
Figure FDA0003478091770000031
n是采样点的数目，且s是超参数，用于规范特征图所属类别的频率分布，cos(Fk，Fi)表示两个特征图之间的余弦距离。
10.根据权利要求7所述的基于无人机的环境监测系统的监测方法，其中，将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示待监测区域的重金属污染是否符合预设要求，包括：
使用所述分类器的多个全连接层对所述分类特征图进行全连接编码以将所述分类特征图转化为一维的分类特征向量；
将所述分类特征向量输入所述分类器的Softmax分类函数以获得所述分类特征向量分别归属于各个分类标签的概率值；以及
基于所述概率值，确定所述分类结果。
CN202210060606.9A 2022-01-19 2022-01-19 环境监测系统、方法及其计算机装置 Active CN114627369B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210060606.9A CN114627369B (zh) 2022-01-19 2022-01-19 环境监测系统、方法及其计算机装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210060606.9A CN114627369B (zh) 2022-01-19 2022-01-19 环境监测系统、方法及其计算机装置

Publications (2)

Publication Number Publication Date
CN114627369A true CN114627369A (zh) 2022-06-14
CN114627369B CN114627369B (zh) 2024-03-22

Family

ID=81898365

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210060606.9A Active CN114627369B (zh) 2022-01-19 2022-01-19 环境监测系统、方法及其计算机装置

Country Status (1)

Country Link
CN (1) CN114627369B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115130926A (zh) * 2022-08-26 2022-09-30 未名环境分子诊断（常熟）有限公司 应用人工智能的环境监测大数据分析方法及电子设备
CN115393316A (zh) * 2022-08-24 2022-11-25 维都利阀门有限公司 具有冲蚀状态监测系统的闪蒸阀及其监测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190108447A1 (en) * 2017-11-30 2019-04-11 Intel Corporation Multifunction perceptrons in machine learning environments
WO2020025696A1 (en) * 2018-07-31 2020-02-06 Deutsches Krebsforschungszentrum Stiftung des öffentlichen Rechts Method and system for augmented imaging using multispectral information
CN111368896A (zh) * 2020-02-28 2020-07-03 南京信息工程大学 基于密集残差三维卷积神经网络的高光谱遥感图像分类方法
CN111723731A (zh) * 2020-06-18 2020-09-29 西安电子科技大学 基于空谱卷积核的高光谱图像分类方法、存储介质及设备
CN112204380A (zh) * 2018-05-31 2021-01-08 伯克利之光生命科技公司 微流体设备中的微物体的自动检测和表征
CN112424334A (zh) * 2018-06-15 2021-02-26 美国西门子医学诊断股份有限公司 利用高级语义分割和对抗训练进行细粒度hil指数确定的方法和设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190108447A1 (en) * 2017-11-30 2019-04-11 Intel Corporation Multifunction perceptrons in machine learning environments
CN112204380A (zh) * 2018-05-31 2021-01-08 伯克利之光生命科技公司 微流体设备中的微物体的自动检测和表征
CN112424334A (zh) * 2018-06-15 2021-02-26 美国西门子医学诊断股份有限公司 利用高级语义分割和对抗训练进行细粒度hil指数确定的方法和设备
WO2020025696A1 (en) * 2018-07-31 2020-02-06 Deutsches Krebsforschungszentrum Stiftung des öffentlichen Rechts Method and system for augmented imaging using multispectral information
CN111368896A (zh) * 2020-02-28 2020-07-03 南京信息工程大学 基于密集残差三维卷积神经网络的高光谱遥感图像分类方法
CN111723731A (zh) * 2020-06-18 2020-09-29 西安电子科技大学 基于空谱卷积核的高光谱图像分类方法、存储介质及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张小娟;汪西莉;: "完全残差连接与多尺度特征融合遥感图像分割", 遥感学报, no. 09, 16 September 2020 (2020-09-16) *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115393316A (zh) * 2022-08-24 2022-11-25 维都利阀门有限公司 具有冲蚀状态监测系统的闪蒸阀及其监测方法
CN115130926A (zh) * 2022-08-26 2022-09-30 未名环境分子诊断（常熟）有限公司 应用人工智能的环境监测大数据分析方法及电子设备
CN115130926B (zh) * 2022-08-26 2022-11-15 未名环境分子诊断（常熟）有限公司 应用人工智能的环境监测大数据分析方法及电子设备

Also Published As

Publication number Publication date
CN114627369B (zh) 2024-03-22

Similar Documents

Publication Publication Date Title
CN114627369A (zh) 环境监测系统、方法及其计算机装置
CN115013298B (zh) 污水泵的实时性能在线监测系统及其监测方法
CN106997380A (zh) 基于dcgan深度网络的成像光谱图像安全检索方法
CN114581767B (zh) 图像处理系统、方法及其计算机装置
CN114488140A (zh) 一种基于深度迁移学习的小样本雷达一维像目标识别方法
CN103886334A (zh) 一种多指标融合的高光谱遥感影像降维方法
Nizami et al. Natural scene statistics model independent no-reference image quality assessment using patch based discrete cosine transform
CN114648496A (zh) 智慧医疗系统
CN115357065A (zh) 海上风机的远程智能除湿控制系统及其方法
Shulkind et al. Sensor array design through submodular optimization
CN104463245B (zh) 一种目标识别方法
CN117853596A (zh) 无人机遥感测绘方法及系统
JP5175754B2 (ja) 線形変換行列算出装置、その方法、及び、そのプログラム
CN115983390B (zh) 基于多天线空中计算的边缘智能推理方法及系统
CN117036901A (zh) 一种基于视觉自注意力模型的小样本微调方法
CN115456259A (zh) 基于中尺度数据的风电场选址优化系统及其方法
CN116363469A (zh) 一种少样本红外目标检测方法、装置和系统
CN116012692A (zh) 一种模型生成方法、装置、电子设备及存储介质
Zérah et al. Physics-guided interpretable probabilistic representation learning for high resolution image time series
Peng et al. Multiple levels perceptual noise backed visual information fidelity for picture quality assessment
Ekmekci et al. What does your computational imaging algorithm not know?: A Plug-and-Play model quantifying model uncertainty
CN111045861B (zh) 一种基于深度神经网络的传感器数据恢复方法
Li et al. No‐reference image quality assessment based on multiscale feature representation
CN115392102A (zh) 能耗预测模型的建立方法及装置、能耗预测方法及系统
WO2020040007A1 (ja) 学習装置、学習方法及び学習プログラム

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
TR01 Transfer of patent right

Effective date of registration: 20240904

Address after: 201413 building 4, No. 1588, Xinyang Road, Lingang xinpian District, China (Shanghai) pilot Free Trade Zone, Fengxian District, Shanghai

Patentee after: Shanghai Kuangque Technology Co.,Ltd.

Country or region after: China

Address before: 201800 J, building 1, No. 2222, Huancheng Road, Jiading District, Shanghai

Patentee before: Shanghai Tufeng Technology Co.,Ltd.

Country or region before: China

TR01 Transfer of patent right