CN114646305B - 一种无人机测绘行为的智能识别方法 - Google Patents
一种无人机测绘行为的智能识别方法 Download PDFInfo
- Publication number
- CN114646305B CN114646305B CN202210202590.0A CN202210202590A CN114646305B CN 114646305 B CN114646305 B CN 114646305B CN 202210202590 A CN202210202590 A CN 202210202590A CN 114646305 B CN114646305 B CN 114646305B
- Authority
- CN
- China
- Prior art keywords
- track
- unmanned aerial
- aerial vehicle
- data
- steps
- 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
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000013507 mapping Methods 0.000 title claims abstract description 57
- 230000006399 behavior Effects 0.000 claims abstract description 60
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 26
- 238000003062 neural network model Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- LIWAQLJGPBVORC-UHFFFAOYSA-N ethylmethylamine Chemical compound CCNC LIWAQLJGPBVORC-UHFFFAOYSA-N 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 6
- 230000009194 climbing Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000012876 topography Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 4
- 239000007787 solid Substances 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/40—Correcting position, velocity or attitude
- G01S19/41—Differential correction, e.g. DGPS [differential GPS]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/43—Determining position using carrier phase measurements, e.g. kinematic positioning; using long or short baseline interferometry
-
- 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
Abstract
本发明公开了一种无人机测绘行为的智能识别方法,采用分级指标与神经网络相结合的方法,通过建科学合理的轨迹特征指标集,并将轨迹特征指标进行分级,再利用BP神经网络作为机器学习的模型,实现了从网络RTK服务的位置大数据中准确识别和提取无人机测绘行为,提高了识别的效率和准确性,为后续进一步对无人机飞行实施精准监管奠定坚实的基础。
Description
技术领域
本发明属于数据测绘领域,具体涉及一种无人机测绘行为的智能识别方法。
背景技术
基于卫星导航定位基准站网(Reference stations Using Global NavigationSatellite System)的差分定位广泛地应用于各类测绘活动,例如无人机测绘、控制点测量、道路放样、地质灾害监测、桥梁大坝监测甚至智能驾驶等。其中,无人机测绘因其操作简单、覆盖区域大的优势,已经成为基准站网重要的服务场景之一。
无人机普及和应用给测绘地理信息行业监管提出了新挑战。快速准确地发现和识别无人机测绘行为,是维护国家空域和测绘地理信息安全的前提条件。传统的基于无线电频率特征或雷达的方法定位精度低且需专业设备。利用基准站网为无人机定位过程中产生的位置大数据来进行快速识别,成为重要的监管技术手段之一,对发现各类违规测绘活动具有重要意义。然而,目前基于位置大数据的无人机识别方法主要依靠人工结合地图和点位信息展开,存在识别效率低、准确度低、以及识别结果易受人为主管因素影响等问题。现有技术难以满足省(区)甚至国家级基准站网中的无人机测绘行为识别的需求。
因此,提供一种能准确提取和无人机测绘行为的智能识别方法,是本领域技术人员亟需解决的技术问题。
发明内容
针对上述问题,本发明旨在提供一种无人机测绘行为的智能识别方法,其能准确提取和识别无人机测绘行为,为后续数据分析和监督管理奠定基础。
本发明解决问题的技术方案是:一种无人机测绘行为的智能识别方法,包括以下步骤:
S01、数据预处理,将无人机测绘行为数据构建轨迹对象;
S02、确定分级特征指标,根据特征指标重要性,将特征指标至少分为前置性、具备一票否决作用的一级指标和用于组建学习样本的二级指标;
S03、建立指标学习样本集合和训练模型,将学习样本集合中的轨迹分为无人机测绘行为A类和其他行为B类,其中A类和B类样本数量尽可能相等;将样本训练,计算BP神经网络模型;
S04、轨迹BP模型分类,将相应待识别的轨迹样本,代入步骤S03中的BP神经网络模型进行计算,获得分类结果。
优选的,所述一级指标包括高程、速度、卫星数量和/或固定比例;其中各指标通过以下方式求得,
提取平均高程IH,将高程时间序列去除前5%和后5%的数据后,计算平均高程值Hmean;当Hmean-DEMsrtm>100时,该指标IH设定为1,否则为0,其中DEMsrtm为公开的数字高程模型数据,由美国国家航天局航天飞机雷达地形测绘任务采集并面向全球公开;和/或,
提取平均速度IV,将经纬度时间序列去除前5%和后5%的数据后,计算平均速度Vmean;当Vmean>Vthr时,该指标IV设定为1,否则为0,Vthr为最低速度,根据具体机型设定;和/或,
提取平均卫星数INsat,将卫星数量时间序列去除前5%和后5%的数据后,计算平均卫星数量Nsatmean;当Nsatmean>Nsatthr时,该指标INsat设定为1,否则为0;Nsatthr为最少卫星数量;和/或,
提取固定比例Ifix,将固定情况时间序列去除前5%和后5%的数据后,计算固定状态历元占全部历元数目的比例Rfixed;当Rfixed>Rthr时,Ifix设定为1,否则为0,Rthr为最低比例。
优选的,所述二级指标包括持续时间、覆盖面积、覆盖区域长宽比、轨迹最大最小曲率、起止点距离、相同点最大持续时间和/或垂向爬升和下降速度;其中各指标通过以下方式求得,
计算持续时间ITSession,利用轨迹起止时间计算持续时间Tsession;当Tsession∈Tsession_thr时,ITSession设定为1,否则为0,Tsession_thr为轨迹起止时间;和/或,
计算覆盖面积IAera,利用轨迹的最大四至坐标计算覆盖面积SAera;当SAera∈SAera_thr时,IAera设定为1,否则为0,SAera_thr为无人机测绘作业面积;和/或,
计算覆盖区域长宽比IRatioWL,利用轨迹的最大四至坐标,计算覆盖面积RWidthLength;当RWidthLength<RWidthLength_thr时,IRatioWL设定为1,否则为0,其中RWidthLength_thr为覆盖面积预设区间;和/或,
计算轨迹最大最小曲率Cmax和Cmin,利用轨迹各历元及其前后1个历元共计3个历元的坐标值,计算通过3个点的圆半径求倒数即为曲率,进而获取最大最小曲率Cmax和Cmin;和/或,
计算起止点距离Dst-end,利用初始5个和结束前5个历元的位置数据作差,计算距离Dst-end;和/或,
计算相同点最大持续时间TNotMove,利用坐标时间序列根据时间先后顺序查找前后若干历元距离差D<0.1m的连续历元数,计算最大持续时间TStationary;和/或,
计算垂向爬升和下降速度Vacc和Vdec,利用初始5%和结束前5%历元的高程及历元数据,分别计算Vacc和Vdec。
优选的,所述步骤S01数据预处理还包括:数据清洗,用于剔除错误数据;所述数据清洗具体包括以下步骤:
S1.1.读取数据,以天为单位一次性读入24小时内的NMEA数据至内存;
S1.2.剔除无关数据,NMEA格式包括近20个字段的数据,本步剔除无关字段,仅保留用户名、时刻、经纬度、固定状态、卫星数量、水平精度因子、高程、高程异常、网络时延、区域代码相关的字段。
S1.3.剔除异常数据,剔除缺失和错误字段的数据。
优选的,所述步骤S03中计算BP神经网络模型包括以下步骤,
S031、特征值归一化,利用最大最小值方法对特征值进行归一化,具体为:将NS个样本的多个特征,分别取出最小值和最大值,再将该样本的特征减最小值除以最大最小值之差,作为归一化后特征值参与训练,即:
S032、设置BP神经网络的隐层节点参数Nh;
S033、设置BP神经网络的激活函数FAct;
S034、设置BP神经网络的训练函数FTran;
S035、设置BP神经网络的训练函数中的参数,根据实际训练效果设定迭代次数Nit、最小误差Sgoal、动量因子mc中的一个或一个以上参数;
S036、训练获得最终BP神经网络模型NNBP。
优选的,在所述步骤S04轨迹BP模型分类具体包括:
S041、待识别轨迹特征归一化,当特征指标超出样本集合的特征值范围[Xmin,Xmax]时,分别取值0和1;
S042、待识别轨迹特征模型计算,将待识别轨迹各归一化特征值依次作为输入,代入BP神经网络模型进行计算,依次获取各待识别轨迹的分类结果;
S043、识别结果存储,将识别结果分别写入结果表并更新轨迹文件中的分类码;
S044、分类结果统计,将识别结果的统计信息写入分类统计信息表。
优选的,所述步骤S043识别结果存储具体包括:
S0431、结果表以“ClassFinal_文件生成时间.txt”命名,其中,文件生成时间为“YYYYMMDDHHMMSS”格式的年月日时分秒信息,结果表包括文件头和内容两部分,文件头以#起始,记录识别BP神经网络模型编号、学习样本集合编号、模型识别时间、总轨迹数量信息;内容部分包括记录编号、轨迹编号及分类结果3个字段;
S0432、分类码即轨迹对象文件头部内容中的分类码,将其中表示无人机行为的位置,根据识别结果是否为无人机行为修改为1或0。
优选的,所述步骤S044分类结果统计具体为,统计信息表以“ClassFinalStat_文件生成时间.txt”命名,分类统计信息表包括结果表文件名、轨迹总数、无人机行为数量及比例、非无人机行为数量及比例、轨迹时段统计信息和/或轨迹区域统计信息。
优选的,所述步骤S01中构建轨迹对象具体包括,
S011、将所有无人机测绘行为点记录以“用户名”和“周内秒”两个字段联合排序;
S012、遍历所有点记录,若用户名改变或周内秒间隔>300s时,认定为一条新轨迹;
S013、构建轨迹对象,轨迹格式包括头部和数据两部分,头部包括轨迹编号、用户名、轨迹起止时间、点数、分类码信息;数据部分的内容以点位数据中的重点字段为主。
优选的,所述步骤S01数据预处理还包括:数据降采样,用于将数据采样至设定的连续时间段。
优选的,所述智能识别方法在构建学习样本后,样本集合及其训练获得的BP神经网络模型反复使用。
本发明的有益效果是:
本发明所述的无人机测绘行为的智能识别方法,采用分级指标与神经网络相结合的方法,通过建科学合理的轨迹特征指标集,并将轨迹特征指标进行分级,再利用BP神经网络作为机器学习的模型,实现了从网络RTK服务的位置大数据中准确识别和提取无人机测绘行为,提高了识别的效率和准确性,为后续进一步对无人机飞行实施精准监管奠定坚实的基础。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,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。
图1为本发明所述识别无人机测绘行为方法的流程图。
具体实施方式
下面结合附图对本发明进行详细描述,本部分的描述仅是示范性和解释性,不应对本发明的保护范围有任何的限制作用。此外,本领域技术人员根据本文件的描述,可以对本文件中实施例中以及不同实施例中的特征进行相应组合。
本发明实施例如下,如图1所示,一种无人机测绘行为的智能识别方法,包括以下步骤
S01、数据预处理,将无人机测绘行为数据构建轨迹对象;
S02、确定分级特征指标,根据特征指标重要性,将特征指标至少分为前置性、具备一票否决作用的一级指标和用于组建学习样本的二级指标;
S03、建立指标学习样本集合和训练模型,将学习样本集合中的轨迹分为无人机测绘行为A类和其他行为B类,其中A类和B类样本数量尽可能相等;将样本训练,计算BP神经网络模型;其中,学习样本集合中轨迹数量NS一般大于20000条。其中,实现采用人工判读方式分为无人机测绘行为A类和其他行为B类。
S04、轨迹BP模型分类,将相应待识别的轨迹样本,代入步骤S03中的BP神经网络模型进行计算,获得分类结果。
因此,本发明所述无人机测绘行为的智能识别方法,通过数据预处理,将无人机测绘行为数据构建轨迹对象,再提取轨迹中的各类特征指标信息构成二级指标集合,通过将轨迹特征指标进行分级,再利用BP神经网络作为机器学习的模型,实现了从网络RTK服务的位置大数据中准确识别和提取无人机测绘行为,提高了识别的效率和准确性,为后续进一步对无人机飞行实施精准监管奠定坚实的基础通过训练模型。
优选的,所述一级指标包括高程、速度、卫星数量和/或固定比例;其中各指标通过以下方式求得,
提取平均高程IH,布尔类型。将高程时间序列去除前5%和后5%的数据后,计算平均高程值Hmean;当Hmean-DEMsrtm>100时,该指标IH设定为1,否则为0,其中DEMsrtm为公开的数字高程模型数据,由美国国家航天局航天飞机雷达地形测绘任务(Shuttle RadarTopography Mission,SRTM)采集并面向全球公开;
提取平均速度IV,布尔类型。将经纬度时间序列去除前5%和后5%的数据后,计算平均速度Vmean;当Vmean>Vthr时,该指标IV设定为1,否则为0,Vthr为最低速度,一般设定为>25km/h,可根据具体机型设定;
提取平均卫星数INsat,布尔类型。将卫星数量时间序列去除前5%和后5%的数据后,计算平均卫星数量Nsatmean;当Nsatmean>Nsatthr时,该指标INsat设定为1,否则为0;Nsatthr为最少卫星数量,一般设定为>8颗;
提取固定比例Ifix,布尔类型。将固定情况时间序列去除前5%和后5%的数据后,计算固定状态历元占全部历元数目的比例Rfixed;当Rfixed>Rthr时,Ifix设定为1,否则为0,Rthr为最低比例,一般设定为80%。
优选的,所述二级指标包括持续时间、覆盖面积、覆盖区域长宽比、轨迹最大最小曲率、起止点距离、相同点最大持续时间和/或垂向爬升和下降速度;其中各指标通过以下方式求得,
计算持续时间ITSession,布尔类型。利用轨迹起止时间计算持续时间Tsession;当Tsession∈Tsession_thr时,ITSession设定为1,否则为0,Tsession_thr为轨迹起止时间,综合考虑目前无人机续航时间因素以及测绘野外作业特点,Tsession_thr可设定为[20min,210min];
计算覆盖面积IAera,布尔类型。利用轨迹的最大四至坐标计算覆盖面积SAera;当SAera∈SAera_thr时,IAera设定为1,否则为0,SAera_thr为无人机测绘作业面积,综合考虑目前无人机测绘作业特点,SAera_thr可设定为[0.2km2,0.8km2];
计算覆盖区域长宽比IRatioWL,布尔类型。利用轨迹的最大四至坐标,计算覆盖面积RWidthLength;当RWidthLength<RWidthLength_thr时,IRatioWL设定为1,否则为0,其中综合考虑目前无人机野外测绘作业特点,作业区域一般尽可能设计为矩形甚至方形,RWidthLength_thr一般可设定为[0.5,2];
计算轨迹最大最小曲率Cmax和Cmin,利用轨迹各历元及其前后1个历元共计3个历元的坐标值,计算通过3个点的圆半径求倒数即为曲率,进而获取最大最小曲率Cmax和Cmin;由于无人机飞行多为相互平行的航线,因此,Cmax和Cmin之间相差一般较大;
计算起止点距离Dst-end,利用初始5个和结束前5个历元的位置数据作差,计算距离Dst-end;无人机测绘行为的起止点一般为同一位置,可用于辅助识别测绘行为;
计算相同点最大持续时间TNotMove,利用坐标时间序列根据时间先后顺序查找前后若干历元距离差D<0.1m的连续历元数,计算最大持续时间TStationary;无人机完成起降动作之外,一般较少停留在同一位置,TNotMove数值一般较小;
计算垂向爬升和下降速度Vacc和Vdec,利用初始5%和结束前5%历元的高程及历元数据,分别计算Vacc和Vdec。考虑到无人机的起降过程,Vacc和Vdec的绝对值一般较为明显。
优选的,所述步骤S01数据预处理还包括:数据清洗,用于剔除错误数据。基准站网在服务时,会接收到用户发送的NMEA格式信息,一般包括用户名、时刻、经纬度、高程、观测卫星、精度因子等字段,如表1所示。
表1
该数据发送频率一般为1Hz,每一条记录为该时刻对应的点位及属性,其数据量较大。且因网络等原因可能存在字段缺失。数据清洗具体包括以下3个步骤:
S1.1.读取数据,以天为单位一次性读入24小时内的NMEA数据至内存。
S1.2.剔除无关数据,NMEA格式包括近20个字段的数据,本步剔除无关字段,仅保留用户名、时刻、经纬度、固定状态、卫星数量、水平精度因子、高程、高程异常、网络时延、区域代码等11个字段。
S1.3.剔除异常数据,剔除缺失和错误字段2类数据。错误类型包括:1)格式错误。例如,经纬度、卫星数量、精度因子、高程等数字格式的字段中出现文本或字母;2)逻辑错误。经纬度明显超出基准站服务范围、固定状态超出定义范围等。
优选的是,所述数据清洗还包括数据降采样,将数据采样至设定的连续时间段,包括2步:1)计算日内秒字段。根据时刻信息,获得日内秒范围为1-86400s。2)以15s为区间提取点记录。在每个时间区间,仅保留同一用户的第1条完整记录。例如,在[16s,30s]区间,用户HNCS00101仅保留第1条记录。
优选的,所述步骤S01中构建轨迹对象,目的是将以条为单位的点记录转换为轨迹对象,具体包括以下步骤,
S011、将所有无人机测绘行为点记录以“用户名”和“周内秒”两个字段联合排序;
S012、遍历所有点记录,若用户名改变或周内秒间隔>300s时,认定为一条新轨迹;
S013、构建轨迹对象,如表2所示。轨迹格式包括头部和数据两部分,头部包括轨迹编号、用户名、轨迹起止时间、点数、分类码信息;数据部分的内容以点位数据中的重点字段为主。
表2
优选的,所述步骤S03中计算BP神经网络模型包括以下步骤,
S031、特征值归一化,利用最大最小值方法对特征值进行归一化,具体为:将NS个样本的多个特征,分别取出最小值和最大值,再将该样本的特征减最小值除以最大最小值之差,作为归一化后特征值参与训练,即:
S032、设置BP神经网络的隐层节点参数Nh;其中,Nh可以设置为17;
S033、设置BP神经网络的激活函数FAct;FAct可以设置为ReLU或Leaky ReLU函数,该函数为线性函数且计算速度较快;
S034、设置BP神经网络的训练函数FTran;FTran可以设置为Levenberg-Marquardt算法,其针对大量的样本具有相对较好的训练速度;
S035、设置BP神经网络的训练函数中的参数,可以根据实际训练效果设定迭代次数Nit、最小误差Sgoal、动量因子mc等,相应参数可根据实际训练结果进行调整优化;
S036、训练获得最终BP神经网络模型NNBP。
优选的,在所述步骤S04轨迹BP模型分类具体包括:
S041、待识别轨迹特征归一化,当特征指标超出样本集合的特征值范围[Xmin,Xmax]时,分别取值0和1;具体地,待识别轨迹特征归一化的方法可以采用步骤S031中的方法及相同参数进行归一化;
S042、待识别轨迹特征模型计算,将待识别轨迹各归一化特征值依次作为输入,代入BP神经网络模型进行计算,依次获取各待识别轨迹的分类结果;
S043、识别结果存储,将识别结果分别写入结果表并更新轨迹文件中的分类码。
轨迹BP模型分类将相应待识别的轨迹样本,代入BP神经网络模型NNBP进行计算,获得分类结果并保存。
优选的,所述步骤S04轨迹BP模型分类在步骤S043之后还包括:步骤S044、分类结果统计,将识别结果的统计信息写入分类统计信息表。
优选的,所述步骤S043识别结果存储具体包括:
S0431、结果表以“ClassFinal_文件生成时间.txt”命名,其中,文件生成时间为“YYYYMMDDHHMMSS”格式的年月日时分秒信息,结果表包括文件头和内容两部分,如表3所示。文件头以#起始,记录识别BP神经网络模型编号、学习样本集合编号、模型识别时间、总轨迹数量信息;内容部分包括记录编号、轨迹编号及分类结果3个字段;
S0432、分类码即轨迹对象文件头部内容中的分类码,将其中表示无人机行为的位置,根据识别结果是否为无人机行为修改为1或0。
优选的,所述步骤S044分类结果统计具体为,统计信息表以“ClassFinalStat_文件生成时间.txt”命名,文件生成时间格式同分类结果表,如表4所示。分类统计信息表包括结果表文件名、轨迹总数、无人机行为数量及比例、非无人机行为数量及比例、轨迹时段统计信息和/或轨迹区域统计信息。
表3
表4
优选的是,无人机测绘行为的智能识别方法直接从输入数据中随机抽取轨迹样本构建样本集合,在一次构建学习样本后,样本集合及其训练获得的BP神经网络模型可以反复使用,进一步提高方法的效率。
本发明的有益效果是:
本发明所述的无人机测绘行为的智能识别方法,采用分级指标与神经网络相结合的方法,通过建科学合理的轨迹特征指标集,并将轨迹特征指标进行分级,再利用BP神经网络作为机器学习的模型,实现了从网络RTK服务的位置大数据中准确识别和提取无人机测绘行为,提高了识别的效率和准确性,为后续进一步对无人机飞行实施精准监管奠定坚实的基础。
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 (8)
1.一种无人机测绘行为的智能识别方法,其特征在于:包括以下步骤
S01、数据预处理,将无人机测绘行为数据构建轨迹对象;
S02、确定分级特征指标,根据特征指标重要性,将特征指标至少分为前置性、具备一票否决作用的一级指标和用于组建学习样本的二级指标;
S03、建立指标学习样本集合和训练模型,将学习样本集合中的轨迹分为无人机测绘行为A类和其他行为B类,其中A类和B类样本数量尽可能相等;将样本训练,计算BP神经网络模型;
S04、轨迹BP模型分类,将相应待识别的轨迹样本,代入步骤S03中的BP神经网络模型进行计算,获得分类结果;
其中,所述一级指标包括高程、速度、卫星数量和固定比例;其中各指标通过以下方式求得,
提取平均高程IH,将高程时间序列去除前5%和后5%的数据后,计算平均高程值Hmean;当Hmean-DEMsrtm>100时,该指标IH设定为1,否则为0,其中DEMsrtm为公开的数字高程模型数据,由美国国家航天局航天飞机雷达地形测绘任务采集并面向全球公开;和,
提取平均速度IV,将经纬度时间序列去除前5%和后5%的数据后,计算平均速度Vmean;当Vmean>Vthr时,该指标IV设定为1,否则为0,Vthr为最低速度,根据具体机型设定;和,
提取平均卫星数INsat,将卫星数量时间序列去除前5%和后5%的数据后,计算平均卫星数量Nsatmean;当Nsatmean>Nsatthr时,该指标INsat设定为1,否则为0;Nsatthr为最少卫星数量;和,
提取固定比例Ifix,将固定情况时间序列去除前5%和后5%的数据后,计算固定状态历元占全部历元数目的比例Rfixed;当Rfixed>Rthr时,Ifix设定为1,否则为0,Rthr为最低比例;
其中,所述二级指标包括持续时间、覆盖面积、覆盖区域长宽比、轨迹最大最小曲率、起止点距离、相同点最大持续时间和垂向爬升和下降速度;其中各指标通过以下方式求得,
计算持续时间ITSession,利用轨迹起止时间计算持续时间Tsession;当Tsession∈Tsession_thr时,ITSession设定为1,否则为0,Tsession_thr为轨迹起止时间;和,
计算覆盖面积IAera,利用轨迹的最大四至坐标计算覆盖面积SAera;当SAera∈SAera_thr时,IAera设定为1,否则为0,SAera_thr为无人机测绘作业面积;和,
计算覆盖区域长宽比IRatioWL,利用轨迹的最大四至坐标,计算覆盖面积RWidthLength;当RWidthLength<RWidthLength_thr时,IRatioWL设定为1,否则为0,其中RWidthLength_thr为覆盖面积预设区间;和,
计算轨迹最大最小曲率Cmax和Cmin,利用轨迹各历元及其前后1个历元共计3个历元的坐标值,计算通过3个点的圆半径求倒数即为曲率,进而获取最大最小曲率Cmax和Cmin;和,
计算起止点距离Dst-end,利用初始5个和结束前5个历元的位置数据作差,计算距离Dst-end;和,
计算相同点最大持续时间TNotMove,利用坐标时间序列根据时间先后顺序查找前后若干历元距离差D<0.1m的连续历元数,计算最大持续时间TStationary;和,
计算垂向爬升和下降速度Vacc和Vdec,利用初始5%和结束前5%历元的高程及历元数据,分别计算Vacc和Vdec。
2.根据权利要求1所述的无人机测绘行为的智能识别方法,其特征在于:所述步骤S01数据预处理还包括:数据清洗,用于剔除错误数据;所述数据清洗具体包括以下步骤:
S1.1.读取数据,以天为单位一次性读入24小时内的NMEA数据至内存;
S1.2.剔除无关数据,NMEA格式包括近20个字段的数据,本步剔除无关字段,仅保留用户名、时刻、经纬度、固定状态、卫星数量、水平精度因子、高程、高程异常、网络时延、区域代码相关的字段;
S1.3.剔除异常数据,剔除缺失和错误字段的数据。
3.根据权利要求1或2所述的无人机测绘行为的智能识别方法,其特征在于:所述步骤S03中计算BP神经网络模型包括以下步骤,
S031、特征值归一化,利用最大最小值方法对特征值进行归一化,具体为:将NS个样本的多个特征,分别取出最小值和最大值,再将该样本的特征减最小值除以最大最小值之差,作为归一化后特征值参与训练,即:
S032、设置BP神经网络的隐层节点参数Nh;
S033、设置BP神经网络的激活函数FAct;
S034、设置BP神经网络的训练函数FTran;
S035、设置BP神经网络的训练函数中的参数,根据实际训练效果设定迭代次数Nit、最小误差Sgoal、动量因子mc中的一个或一个以上参数;
S036、训练获得最终BP神经网络模型NNBP。
4.根据权利要求1或2所述的无人机测绘行为的智能识别方法,其特征在于:在所述步骤S04轨迹BP模型分类具体包括:
S041、待识别轨迹特征归一化,当特征指标超出样本集合的特征值范围[Xmin,Xmax]时,分别取值0和1;
S042、待识别轨迹特征模型计算,将待识别轨迹各归一化特征值依次作为输入,代入BP神经网络模型进行计算,依次获取各待识别轨迹的分类结果;
S043、识别结果存储,将识别结果分别写入结果表并更新轨迹文件中的分类码;
S044、分类结果统计,将识别结果的统计信息写入分类统计信息表。
5.根据权利要求4所述的无人机测绘行为的智能识别方法,其特征在于:所述步骤S043识别结果存储具体包括:
S0431、结果表以“ClassFinal_文件生成时间.txt”命名,其中,文件生成时间为“YYYYMMDDHHMMSS”格式的年月日时分秒信息,结果表包括文件头和内容两部分,文件头以#起始,记录识别BP神经网络模型编号、学习样本集合编号、模型识别时间、总轨迹数量信息;内容部分包括记录编号、轨迹编号及分类结果3个字段;
S0432、分类码即轨迹对象文件头部内容中的分类码,将其中表示无人机行为的位置,根据识别结果是否为无人机行为修改为1或0。
6.根据权利要求5所述的无人机测绘行为的智能识别方法,其特征在于:所述步骤S044分类结果统计具体为,统计信息表以“ClassFinalStat_文件生成时间.txt”命名,分类统计信息表包括结果表文件名、轨迹总数、无人机行为数量及比例、非无人机行为数量及比例、轨迹时段统计信息和/或轨迹区域统计信息。
7.根据权利要求1或2所述的无人机测绘行为的智能识别方法,其特征在于:所述步骤S01中构建轨迹对象具体包括,
S011、将所有无人机测绘行为点记录以“用户名”和“周内秒”两个字段联合排序;
S012、遍历所有点记录,若用户名改变或周内秒间隔>300s时,认定为一条新轨迹;
S013、构建轨迹对象,轨迹格式包括头部和数据两部分,头部包括轨迹编号、用户名、轨迹起止时间、点数、分类码信息;数据部分的内容以点位数据中的重点字段为主。
8.根据权利要求1或2所述的无人机测绘行为的智能识别方法,其特征在于:所述智能识别方法在构建学习样本后,样本集合及其训练获得的BP神经网络模型反复使用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210202590.0A CN114646305B (zh) | 2022-03-03 | 2022-03-03 | 一种无人机测绘行为的智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210202590.0A CN114646305B (zh) | 2022-03-03 | 2022-03-03 | 一种无人机测绘行为的智能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114646305A CN114646305A (zh) | 2022-06-21 |
CN114646305B true CN114646305B (zh) | 2024-04-02 |
Family
ID=81993675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210202590.0A Active CN114646305B (zh) | 2022-03-03 | 2022-03-03 | 一种无人机测绘行为的智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114646305B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010068186A1 (en) * | 2008-12-09 | 2010-06-17 | Tele Atlas B.V. | Method of generating a geodetic reference database product |
CN105551028A (zh) * | 2015-12-09 | 2016-05-04 | 中山大学 | 一种基于遥感影像的地理空间数据动态更新的方法及系统 |
CN107092020A (zh) * | 2017-04-19 | 2017-08-25 | 北京大学 | 融合无人机LiDAR和高分影像的路面平整度监测方法 |
CN110095108A (zh) * | 2019-05-23 | 2019-08-06 | 马鞍山市雷铭网络科技有限公司 | 一种基于bim无人机测绘装置及测绘方法 |
CN110853142A (zh) * | 2019-11-20 | 2020-02-28 | 中国民航科学技术研究院 | 基于无人机拍摄的机场净空三维模型构建方法及装置 |
WO2020107022A1 (en) * | 2018-11-23 | 2020-05-28 | Slingshot Aerospace, Inc. | Signal processing workflow engine incorporating graphical user interface for space situational awareness |
AU2020101054A4 (en) * | 2020-06-19 | 2020-07-30 | Guizhou Institute Of Pratacultural | A Multi-source Remote Sensing Data Classification Method Based On the Classification Sample Points Extracted By the UAV |
CN113177611A (zh) * | 2021-05-24 | 2021-07-27 | 河北工业大学 | 基于力学指标和人工神经网络的路面病害快速巡检方法 |
-
2022
- 2022-03-03 CN CN202210202590.0A patent/CN114646305B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010068186A1 (en) * | 2008-12-09 | 2010-06-17 | Tele Atlas B.V. | Method of generating a geodetic reference database product |
CN105551028A (zh) * | 2015-12-09 | 2016-05-04 | 中山大学 | 一种基于遥感影像的地理空间数据动态更新的方法及系统 |
CN107092020A (zh) * | 2017-04-19 | 2017-08-25 | 北京大学 | 融合无人机LiDAR和高分影像的路面平整度监测方法 |
WO2020107022A1 (en) * | 2018-11-23 | 2020-05-28 | Slingshot Aerospace, Inc. | Signal processing workflow engine incorporating graphical user interface for space situational awareness |
CN110095108A (zh) * | 2019-05-23 | 2019-08-06 | 马鞍山市雷铭网络科技有限公司 | 一种基于bim无人机测绘装置及测绘方法 |
CN110853142A (zh) * | 2019-11-20 | 2020-02-28 | 中国民航科学技术研究院 | 基于无人机拍摄的机场净空三维模型构建方法及装置 |
AU2020101054A4 (en) * | 2020-06-19 | 2020-07-30 | Guizhou Institute Of Pratacultural | A Multi-source Remote Sensing Data Classification Method Based On the Classification Sample Points Extracted By the UAV |
CN113177611A (zh) * | 2021-05-24 | 2021-07-27 | 河北工业大学 | 基于力学指标和人工神经网络的路面病害快速巡检方法 |
Non-Patent Citations (1)
Title |
---|
测绘工程中特殊地形测绘技术分析;甘 涛等;《技术应用》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114646305A (zh) | 2022-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10573173B2 (en) | Vehicle type identification method and device based on mobile phone data | |
CN110288001B (zh) | 基于目标数据特征训练学习的目标识别方法 | |
CN104197945B (zh) | 一种基于低采样率浮动车数据的全局投票地图匹配方法 | |
CN108171993B (zh) | 一种基于手机信令大数据的高速公路车辆速度计算方法 | |
KR20160074998A (ko) | 네비게이션 시스템 및 그에 의한 경로 예측 방법, 그리고 이를 실행하는 컴퓨터 판독 가능한 기록매체 | |
CN106707301A (zh) | 一种基于定位数据的勤务巡线考核方法 | |
CN107270922A (zh) | 一种基于poi索引的交通事故空间定位方法 | |
CN111914691B (zh) | 一种轨道交通车辆定位方法及系统 | |
CN114417048A (zh) | 基于图像语义引导的缺少定位设备的无人机定位方法 | |
CN116958907B (zh) | 一种输气管道周边隐患目标巡检方法及系统 | |
CN110727714A (zh) | 融合时空聚类和支持向量机的居民出行特征提取方法 | |
CN114440900A (zh) | 改进的隐马尔科夫模型地图匹配方法及装置 | |
CN111222381A (zh) | 用户出行方式识别方法、装置、电子设备及存储介质 | |
CN114501336B (zh) | 一种公路出行量测算方法、装置、电子设备及存储介质 | |
CN115714957A (zh) | 基于手机信令的地铁出行识别方法、装置、设备及介质 | |
CN114240796A (zh) | 一种基于gan的遥感影像去云雾方法、设备、存储介质 | |
CN114646305B (zh) | 一种无人机测绘行为的智能识别方法 | |
CN105335758A (zh) | 一种基于视频费舍尔向量描述符的车型识别方法 | |
CN113079463A (zh) | 一种基于手机信令数据的旅游景点游客出行活动识别方法 | |
Mahoney et al. | Evaluation of a mark-resighting technique for woodland caribou in Newfoundland | |
CN110728309A (zh) | 一种基于铁路信号与北斗定位的行车轨迹聚类方法 | |
CN110619346B (zh) | 一种基于数据融合的海面移动目标模型的建模方法 | |
CN113672788B (zh) | 一种基于多源数据和权重系数法的城市建筑功能分类方法 | |
CN114663697A (zh) | 一种识别无人机测绘行为的方法 | |
CN114399689A (zh) | 基于多视角无人机图像的缺少定位设备的无人机定位方法 |
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 |