CN115019158B - 一种基于图像识别的海洋污染区域识别方法及系统 - Google Patents
一种基于图像识别的海洋污染区域识别方法及系统 Download PDFInfo
- Publication number
- CN115019158B CN115019158B CN202210924494.7A CN202210924494A CN115019158B CN 115019158 B CN115019158 B CN 115019158B CN 202210924494 A CN202210924494 A CN 202210924494A CN 115019158 B CN115019158 B CN 115019158B
- Authority
- CN
- China
- Prior art keywords
- image
- aerial vehicle
- unmanned aerial
- determining
- pollution
- 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 48
- 230000033001 locomotion Effects 0.000 claims abstract description 13
- 238000005070 sampling Methods 0.000 claims description 64
- 238000012544 monitoring process Methods 0.000 claims description 30
- 238000007689 inspection Methods 0.000 claims description 22
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 3
- 238000005265 energy consumption Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 15
- 239000002699 waste material Substances 0.000 description 3
- 238000004042 decolorization Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000014759 maintenance of location 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
- 230000011218 segmentation Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Processing (AREA)
Abstract
本发明涉及海洋污染识别技术领域，具体公开了一种基于图像识别的海洋污染区域识别方法及系统，所述方法包括实时获取无人机端的空间坐标，根据所述空间坐标生成运行流程表；在所述运行流程表中确定风险时段，读取所述风险时段的海洋图像；对所述海洋图像进行细识别，确定污染类型；无人机端对获取到的海洋图像进行粗识别，调整图像获取数量；细识别的识别质量大于粗识别的识别质量。本发明在无人机端集成了一些能耗占比极小的粗识别技术，根据粗识别结果调节无人机端的图像获取数量，进而改变无人机端的运动特征，处理端只需要对无人机端的运动特征进行分析，即可轻易的定位可能存在污染的区域，极大地提高了识别资源的利用率。
Description
技术领域
本发明涉及海洋污染识别技术领域，具体是一种基于图像识别的海洋污染区域识别方法及系统。
背景技术
随着社会经济的发展，人口的不断增长，在生产和生活过程中产生的废弃物也越来越多。这些废弃物的绝大部分最终直接或间接地进入海洋。当这些废物和污水的排放量达到一定的限度，海洋便受到了污染。
现有的对海洋污染的检测过程大都借助无人机对海洋污染进行识别，现有的一种架构是，无人机只负责采集图像，然后工作人员通过一些识别手段对采集到的图像进行统一识别，在这一过程中，需要对每个采集图像都进行识别，而在采集到的图像中，正常图像的占比远大于污染图像的占比，可以想到，识别过程中，大部分的识别都是无效的识别，识别资源的利用率很低；因此，如何使得工作人员更快的定位待识别区域，提高识别资源的利用率是本发明技术方案想要解决的技术问题。
发明内容
本发明的目的在于提供一种基于图像识别的海洋污染区域识别方法及系统，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：
一种基于图像识别的海洋污染区域识别方法，所述方法包括：
接收工作人员输入的巡检区域，根据所述巡检区域确定含有采样点的工作路径，将所述含有采样点的工作路径向无人机端发送；
实时获取无人机端的空间坐标，根据所述空间坐标生成运行流程表；
在所述运行流程表中确定风险时段，读取所述风险时段的海洋图像；
对所述海洋图像进行细识别，确定污染类型；
其中，当无人机端运动到采样点时，获取预设数量的海洋图像；对获取到的海洋图像进行粗识别，确定该海洋图像的污染级别，根据污染级别调整所述预设数量；
细识别的识别质量大于粗识别的识别质量。
作为本发明进一步的方案：所述接收工作人员输入的巡检区域，根据所述巡检区域确定含有采样点的工作路径，将所述含有采样点的工作路径向无人机端发送的步骤包括：
获取无人机端的续航范围，根据所述续航范围和预设的比例尺确定监测范围；
显示所述监测范围，基于所述监测范围接收工作人员输入的点位信号，根据所述点位信号在所述监测范围中确定巡检区域；
获取无人机端的采集范围，根据所述采集范围对所述巡检区域进行切分，确定采样点；
连接所述采样点，得到工作路径；将采样点插入所述工作路径，并将含有采样点的工作路径向无人机端发送。
作为本发明进一步的方案：所述实时获取无人机端的空间坐标，根据所述空间坐标生成运行流程表的步骤包括：
实时获取无人机端的空间坐标，向所述空间坐标中插入时间信息；
根据所述时间信息和所述空间坐标生成运行流程表。
作为本发明进一步的方案：所述在所述运行流程表中确定风险时段，读取所述风险时段的海洋图像的步骤包括：
读取运行流程表中的时间项，获取无人机端的运动参数；
根据所述运动参数计算所述时间项中各时间点的理论坐标，得到理论流程表；
比对所述理论流程表与所述运行流程表，得到坐标差值表；
以时间项为自变量，坐标差值为因变量生成坐标差值曲线，在所述坐标差值曲线中标记坐标差值变化的时间段；
统计标记的时间段，作为风险时段，并在无人机端的图像存储库中查询相应的海洋图像。
作为本发明进一步的方案：无人机端对海洋图像进行粗识别的步骤包括：
对获取到的海洋图像进行去色处理，得到黑白图像；
遍历所述黑白图像的像素点，根据各像素点的灰度值计算黑白图像的灰度均值；
计算所述灰度均值与预设的灰度标准值之间的偏差率；
将所述偏差率与预设的偏差率阈值进行比对，当所述偏差率达到预设的偏差率均值时，根据偏差率确定该海洋图像的污染级别；
根据污染级别调整无人机端在采样点处的图像获取数量。
作为本发明进一步的方案：所述对所述海洋图像进行细识别，确定污染类型的步骤包括：
采集各污染类型的样本图像，生成样本库；
基于所述样本库训练神经网络模型；
基于训练好的神经网络模型对所述海洋图像进行细识别，确定污染类型。
作为本发明进一步的方案：所述对所述海洋图像进行细识别，确定污染类型的步骤还包括：
当所述污染类型为异物污染类型时，遍历所述海洋图像的像素点，计算相邻像素点的色差；
将所述色差与预设的色差临界值进行比对，当所述色差达到所述色差临界值时，将两个像素点标记为轮廓点；
连接标记的相邻的轮廓点，得到闭合轮廓，并计算各闭合轮廓的像素点总数；
计算所述像素点总数达到预设的总数阈值的轮廓数量，作为异物污染类型的污染特征。
本发明技术方案还提供了一种基于图像识别的海洋污染区域识别系统，所述系统包括：
工作路径确定模块，用于接收工作人员输入的巡检区域，根据所述巡检区域确定含有采样点的工作路径，将所述含有采样点的工作路径向无人机端发送；
流程表确定模块，用于实时获取无人机端的空间坐标，根据所述空间坐标生成运行流程表；
风险时段分析模块，用于在所述运行流程表中确定风险时段，读取所述风险时段的海洋图像；
图像识别模块，用于对所述海洋图像进行细识别，确定污染类型；
其中，当无人机端运动到采样点时，获取预设数量的海洋图像；对获取到的海洋图像进行粗识别，确定该海洋图像的污染级别，根据污染级别调整所述预设数量；
细识别的识别质量大于粗识别的识别质量。
作为本发明进一步的方案：所述工作路径确定模块包括：
监测范围确定单元，用于获取无人机端的续航范围，根据所述续航范围和预设的比例尺确定监测范围；
巡检区域确定单元，用于显示所述监测范围，基于所述监测范围接收工作人员输入的点位信号，根据所述点位信号在所述监测范围中确定巡检区域；
采样点确定单元，用于获取无人机端的采集范围，根据所述采集范围对所述巡检区域进行切分，确定采样点；
连接单元，用于连接所述采样点，得到工作路径；将采样点插入所述工作路径，并将含有采样点的工作路径向无人机端发送。
作为本发明进一步的方案：所述流程表确定模块包括：
时间插入单元，用于实时获取无人机端的空间坐标，向所述空间坐标中插入时间信息；
执行单元，用于根据所述时间信息和所述空间坐标生成运行流程表。
与现有技术相比，本发明的有益效果是：本发明在无人机端集成了一些能耗占比极小的粗识别技术，根据粗识别结果调节无人机端的图像获取数量，进而改变无人机端的运动特征，处理端只需要对无人机端的运动特征进行分析，即可轻易的定位可能存在污染的区域，极大地提高了识别资源的利用率。
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为基于图像识别的海洋污染区域识别方法的流程框图。
图2为基于图像识别的海洋污染区域识别方法的第一子流程框图。
图3为基于图像识别的海洋污染区域识别方法的第二子流程框图。
图4为基于图像识别的海洋污染区域识别方法的第三子流程框图。
图5为基于图像识别的海洋污染区域识别方法的第四子流程框图。
图6为基于图像识别的海洋污染区域识别系统的组成结构框图。
图7为基于图像识别的海洋污染区域识别系统中工作路径确定模块的组成结构框图。
图8为基于图像识别的海洋污染区域识别系统中流程表确定模块的组成结构框图。
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为基于图像识别的海洋污染区域识别方法的流程框图，本发明实施例中，一种基于图像识别的海洋污染区域识别方法，所述方法包括步骤S100至步骤S400：
步骤S100：接收工作人员输入的巡检区域，根据所述巡检区域确定含有采样点的工作路径，将所述含有采样点的工作路径向无人机端发送；
巡检区域是用户想要进行污染识别的区域，其区域大小由工作人员确定；基于巡检区域确定无人机端的工作路径，所述工作路径中包含采样点，无人机端沿工作路径运动，当运动到采样点时，无人机端悬停，获取海洋图像。
步骤S200：实时获取无人机端的空间坐标，根据所述空间坐标生成运行流程表；
无人机端的空间坐标是位置信息的一种，统计无人机端的空间坐标，得到无人机端不同时刻的位置情况，也就是运行流程表。
步骤S300：在所述运行流程表中确定风险时段，读取所述风险时段的海洋图像；
当无人机端运动到采样点时，获取预设数量的海洋图像；对获取到的海洋图像进行粗识别，确定该海洋图像的污染级别，根据污染级别调整所述预设数量；可以想到，在无人机端的图像获取频率确定的情况下，预设数量越多，在采样点处的停留时间越长；因此，根据运行流程表确定各采样点的停留时间，如果停留时间较长，就说明该采样点处的海洋图像在无人机端的粗识别过程中被判定为污染图像。
步骤S400：对所述海洋图像进行细识别，确定污染类型；
风险时段的海洋图像就是存在污染的海洋图像，对风险时段的海洋图像进行细识别，即可判断出污染类型；这一过程可以由工作人员确定图像训练集，再借助现有的图像识别技术，进而训练出一个可以识别出污染类型的神经网络。
值得一提的是，上述细识别的识别质量远大于粗识别的识别质量；粗识别过程的要求是，计算资源消耗低，速度快；细识别过程对速度没有要求，重点是识别质量。
图2为基于图像识别的海洋污染区域识别方法的第一子流程框图，所述接收工作人员输入的巡检区域，根据所述巡检区域确定含有采样点的工作路径，将所述含有采样点的工作路径向无人机端发送的步骤包括步骤S101至步骤S104：
步骤S101：获取无人机端的续航范围，根据所述续航范围和预设的比例尺确定监测范围；
无论何种无人机，都会有一个工作限额区域，也就是上述续航范围，所有监测活动都发生在续航范围内；根据预设的比例尺在显示器上显示续航范围，也就是监测范围。
步骤S102：显示所述监测范围，基于所述监测范围接收工作人员输入的点位信号，根据所述点位信号在所述监测范围中确定巡检区域；
基于监测范围获取用户输入的点位信号，所述点位信号可以是键入信号，也可以是触屏信号；根据一些点位，可以确定一个巡检区域；
步骤S103：获取无人机端的采集范围，根据所述采集范围对所述巡检区域进行切分，确定采样点；
无人机端的采集范围是无人机端的一个参数，由图像获取设备的广角和工作高度确定；基于采集范围对巡检区域进行切分，保证巡检区域的所有位置都能被监测到；当切分完成后，读取各采集范围对应的无人机端位置，就是采样点；
步骤S104：连接所述采样点，得到工作路径；将采样点插入所述工作路径，并将含有采样点的工作路径向无人机端发送；
连接采样点，即可得到工作路径；当含有采样点的工作路径生成后，向无人机端发送。举例来说，假设巡检区域是一个正方形，采集范围一般是圆形，所述圆形的圆心就是采样点，根据圆形对正方形进行切分，使得所有圆形的叠加面积能够覆盖正方形，此时，按顺序连接采样点，就是工作路径。
图3为基于图像识别的海洋污染区域识别方法的第二子流程框图，所述实时获取无人机端的空间坐标，根据所述空间坐标生成运行流程表的步骤包括：
步骤S201：实时获取无人机端的空间坐标，向所述空间坐标中插入时间信息；
步骤S202：根据所述时间信息和所述空间坐标生成运行流程表。
上述内容对运行流程表的生成过程进行了限定，所述运行流程表包括时间项和位置项，所述时间项的数据就是时间信息，位置项的数据就是空间坐标。
图4为基于图像识别的海洋污染区域识别方法的第三子流程框图，所述在所述运行流程表中确定风险时段，读取所述风险时段的海洋图像的步骤包括步骤S301至步骤S305：
步骤S301：读取运行流程表中的时间项，获取无人机端的运动参数；
步骤S302：根据所述运动参数计算所述时间项中各时间点的理论坐标，得到理论流程表；
步骤S303：比对所述理论流程表与所述运行流程表，得到坐标差值表；
步骤S304：以时间项为自变量，坐标差值为因变量生成坐标差值曲线，在所述坐标差值曲线中标记坐标差值变化的时间段；
步骤S305：统计标记的时间段，作为风险时段，并在无人机端的图像存储库中查询相应的海洋图像。
步骤S301至步骤S305对风险时段的确定过程进行了限定，首先，假设有一个没有任何污染的区域，此时，根据无人机端的运动参数，可以得到一个无人机端的理论工作流程；然后，比对所述理论工作流程和得到的实际工作流程，可以计算出实际运动过程中的迟滞；所述迟滞产生的原因就是，当无人机端粗识别出污染区域时，会多悬停一段时间，获取多一点的海洋图像；得到的坐标差值曲线一般是阶梯式的曲线，变化的部分就是产生迟滞的时间段，也就是粗识别结果为存在污染的海洋图像对应的时间段；最后，根据这些时间段查询海洋图像即可。需要说明的是，海洋图像的获取过程中，含有时间信息，存储过程也基于时间信息进行排序。
进一步的，无人机端对海洋图像进行粗识别的步骤包括：
对获取到的海洋图像进行去色处理，得到黑白图像；
遍历所述黑白图像的像素点，根据各像素点的灰度值计算黑白图像的灰度均值；
计算所述灰度均值与预设的灰度标准值之间的偏差率；
将所述偏差率与预设的偏差率阈值进行比对，当所述偏差率达到预设的偏差率均值时，根据偏差率确定该海洋图像的污染级别；
根据污染级别调整无人机端在采样点处的图像获取数量。
上述内容对粗识别过程进行了具体的限定，其核心步骤就在于去色，去色是将彩色图像转换为黑白图像，使得图像中各像素点只存在一个描述值，也就是灰度；计算所有像素点的灰度平均值，与预设的灰度标准值进行比对，即可简单的判断是否存在污染；当然，这一过程中，识别精度不会太高，有很多海洋图像，由于反光的原因，对应的海洋图像的色值存在大的改变，也会被识别为存在污染的图像。
图5为基于图像识别的海洋污染区域识别方法的第四子流程框图，所述对所述海洋图像进行细识别，确定污染类型的步骤包括步骤S401至步骤S403：
步骤S401：采集各污染类型的样本图像，生成样本库；
步骤S402：基于所述样本库训练神经网络模型；
步骤S403：基于训练好的神经网络模型对所述海洋图像进行细识别，确定污染类型。
细识别过程由专业的处理设备完成，因此，效率问题无需做过多考虑，识别质量是最需要满足的要求；在现有技术中，神经网络模型是一种应用于图像识别技术领域中的识别质量极高的技术，随着样本数量的增多，识别质量会不断地提高。
作为本发明技术方案的一个优选实施例，所述对所述海洋图像进行细识别，确定污染类型的步骤还包括：
当所述污染类型为异物污染类型时，遍历所述海洋图像的像素点，计算相邻像素点的色差；
将所述色差与预设的色差临界值进行比对，当所述色差达到所述色差临界值时，将两个像素点标记为轮廓点；
连接标记的相邻的轮廓点，得到闭合轮廓，并计算各闭合轮廓的像素点总数；
计算所述像素点总数达到预设的总数阈值的轮廓数量，作为异物污染类型的污染特征。
污染类型中有一类是异物污染类型，比如，在海洋中存在一些人造的难降解的垃圾，这些在基于神经网络模型的识别过程中，可能只会判定它是异物污染类型，对于异物的数量及种类并不涉及；这是因为神经网络模型的本质上是比对过程，根据比对过程对海洋图像进行归类。
具体的，通过依次计算相邻像素点之间的色值差值，可以识别出轮廓点，连接轮廓点组成闭合轮廓，根据闭合轮廓的数量以及像素点总数，即可确定异物污染类型的污染特征，也就是污染物有多少个，有多大面积。
实施例2
图6为基于图像识别的海洋污染区域识别系统的组成结构框图，本发明实施例中，一种基于图像识别的海洋污染区域识别系统，所述系统10包括：
工作路径确定模块11，用于接收工作人员输入的巡检区域，根据所述巡检区域确定含有采样点的工作路径，将所述含有采样点的工作路径向无人机端发送；
流程表确定模块12，用于实时获取无人机端的空间坐标，根据所述空间坐标生成运行流程表；
风险时段分析模块13，用于在所述运行流程表中确定风险时段，读取所述风险时段的海洋图像；
图像识别模块14，用于对所述海洋图像进行细识别，确定污染类型；
其中，当无人机端运动到采样点时，获取预设数量的海洋图像；对获取到的海洋图像进行粗识别，确定该海洋图像的污染级别，根据污染级别调整所述预设数量；
细识别的识别质量大于粗识别的识别质量。
图7为基于图像识别的海洋污染区域识别系统中工作路径确定模块的组成结构框图，所述工作路径确定模块11包括：
监测范围确定单元111，用于获取无人机端的续航范围，根据所述续航范围和预设的比例尺确定监测范围；
巡检区域确定单元112，用于显示所述监测范围，基于所述监测范围接收工作人员输入的点位信号，根据所述点位信号在所述监测范围中确定巡检区域；
采样点确定单元113，用于获取无人机端的采集范围，根据所述采集范围对所述巡检区域进行切分，确定采样点；
连接单元114，用于连接所述采样点，得到工作路径；将采样点插入所述工作路径，并将含有采样点的工作路径向无人机端发送。
图8为基于图像识别的海洋污染区域识别系统中流程表确定模块的组成结构框图，所述流程表确定模块12包括：
时间插入单元121，用于实时获取无人机端的空间坐标，向所述空间坐标中插入时间信息；
执行单元122，用于根据所述时间信息和所述空间坐标生成运行流程表。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于图像识别的海洋污染区域识别方法，其特征在于，所述方法包括：
接收工作人员输入的巡检区域，根据所述巡检区域确定含有采样点的工作路径，将所述含有采样点的工作路径向无人机端发送；
实时获取无人机端的空间坐标，根据所述空间坐标生成运行流程表；
在所述运行流程表中确定风险时段，读取所述风险时段的海洋图像；
对所述海洋图像进行细识别，确定污染类型；
其中，当无人机端运动到采样点时，获取预设数量的海洋图像；对获取到的海洋图像进行粗识别，确定该海洋图像的污染级别，根据污染级别调整所述预设数量；
细识别的识别质量大于粗识别的识别质量。
2.根据权利要求1所述的基于图像识别的海洋污染区域识别方法，其特征在于，所述接收工作人员输入的巡检区域，根据所述巡检区域确定含有采样点的工作路径，将所述含有采样点的工作路径向无人机端发送的步骤包括：
获取无人机端的续航范围，根据所述续航范围和预设的比例尺确定监测范围；
显示所述监测范围，基于所述监测范围接收工作人员输入的点位信号，根据所述点位信号在所述监测范围中确定巡检区域；
获取无人机端的采集范围，根据所述采集范围对所述巡检区域进行切分，确定采样点；
连接所述采样点，得到工作路径；将采样点插入所述工作路径，并将含有采样点的工作路径向无人机端发送。
3.根据权利要求1所述的基于图像识别的海洋污染区域识别方法，其特征在于，所述实时获取无人机端的空间坐标，根据所述空间坐标生成运行流程表的步骤包括：
实时获取无人机端的空间坐标，向所述空间坐标中插入时间信息；
根据所述时间信息和所述空间坐标生成运行流程表。
4.根据权利要求3所述的基于图像识别的海洋污染区域识别方法，其特征在于，所述在所述运行流程表中确定风险时段，读取所述风险时段的海洋图像的步骤包括：
读取运行流程表中的时间项，获取无人机端的运动参数；
根据所述运动参数计算所述时间项中各时间点的理论坐标，得到理论流程表；
比对所述理论流程表与所述运行流程表，得到坐标差值表；
以时间项为自变量，坐标差值为因变量生成坐标差值曲线，在所述坐标差值曲线中标记坐标差值变化的时间段；
统计标记的时间段，作为风险时段，并在无人机端的图像存储库中查询相应的海洋图像。
5.根据权利要求1所述的基于图像识别的海洋污染区域识别方法，其特征在于，无人机端对海洋图像进行粗识别的步骤包括：
对获取到的海洋图像进行去色处理，得到黑白图像；
遍历所述黑白图像的像素点，根据各像素点的灰度值计算黑白图像的灰度均值；
计算所述灰度均值与预设的灰度标准值之间的偏差率；
将所述偏差率与预设的偏差率阈值进行比对，当所述偏差率达到预设的偏差率均值时，根据偏差率确定该海洋图像的污染级别；
根据污染级别调整无人机端在采样点处的图像获取数量。
6.根据权利要求1所述的基于图像识别的海洋污染区域识别方法，其特征在于，所述对所述海洋图像进行细识别，确定污染类型的步骤包括：
采集各污染类型的样本图像，生成样本库；
基于所述样本库训练神经网络模型；
基于训练好的神经网络模型对所述海洋图像进行细识别，确定污染类型。
7.根据权利要求6所述的基于图像识别的海洋污染区域识别方法，其特征在于，所述对所述海洋图像进行细识别，确定污染类型的步骤还包括：
当所述污染类型为异物污染类型时，遍历所述海洋图像的像素点，计算相邻像素点的色差；
将所述色差与预设的色差临界值进行比对，当所述色差达到所述色差临界值时，将两个像素点标记为轮廓点；
连接标记的相邻的轮廓点，得到闭合轮廓，并计算各闭合轮廓的像素点总数；
计算所述像素点总数达到预设的总数阈值的轮廓数量，作为异物污染类型的污染特征。
8.一种基于图像识别的海洋污染区域识别系统，其特征在于，所述系统包括：
工作路径确定模块，用于接收工作人员输入的巡检区域，根据所述巡检区域确定含有采样点的工作路径，将所述含有采样点的工作路径向无人机端发送；
流程表确定模块，用于实时获取无人机端的空间坐标，根据所述空间坐标生成运行流程表；
风险时段分析模块，用于在所述运行流程表中确定风险时段，读取所述风险时段的海洋图像；
图像识别模块，用于对所述海洋图像进行细识别，确定污染类型；
其中，当无人机端运动到采样点时，获取预设数量的海洋图像；对获取到的海洋图像进行粗识别，确定该海洋图像的污染级别，根据污染级别调整所述预设数量；
细识别的识别质量大于粗识别的识别质量。
9.根据权利要求8所述的基于图像识别的海洋污染区域识别系统，其特征在于，所述工作路径确定模块包括：
监测范围确定单元，用于获取无人机端的续航范围，根据所述续航范围和预设的比例尺确定监测范围；
巡检区域确定单元，用于显示所述监测范围，基于所述监测范围接收工作人员输入的点位信号，根据所述点位信号在所述监测范围中确定巡检区域；
采样点确定单元，用于获取无人机端的采集范围，根据所述采集范围对所述巡检区域进行切分，确定采样点；
连接单元，用于连接所述采样点，得到工作路径；将采样点插入所述工作路径，并将含有采样点的工作路径向无人机端发送。
10.根据权利要求8所述的基于图像识别的海洋污染区域识别系统，其特征在于，所述流程表确定模块包括：
时间插入单元，用于实时获取无人机端的空间坐标，向所述空间坐标中插入时间信息；
执行单元，用于根据所述时间信息和所述空间坐标生成运行流程表。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210924494.7A CN115019158B (zh) | 2022-08-03 | 2022-08-03 | 一种基于图像识别的海洋污染区域识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210924494.7A CN115019158B (zh) | 2022-08-03 | 2022-08-03 | 一种基于图像识别的海洋污染区域识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115019158A CN115019158A (zh) | 2022-09-06 |
| CN115019158B true CN115019158B (zh) | 2022-10-25 |
Family
ID=83065230
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210924494.7A Active CN115019158B (zh) | 2022-08-03 | 2022-08-03 | 一种基于图像识别的海洋污染区域识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115019158B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115934979B (zh) * | 2023-02-21 | 2023-05-16 | 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 |
| CN116310893B (zh) * | 2023-02-22 | 2023-09-19 | 中关村科学城城市大脑股份有限公司 | 一种基于无人机的水域污染采集识别方法及系统 |
| CN116343118B (zh) * | 2023-03-28 | 2023-09-08 | 中关村科学城城市大脑股份有限公司 | 一种基于污染点的污染监控方法及系统 |
| CN116026355B (zh) * | 2023-03-28 | 2023-06-06 | 中汽信息科技(天津)有限公司 | 一种汽车安全监控方法及系统 |
| CN116597355B (zh) * | 2023-05-19 | 2024-02-13 | 长江生态环保集团有限公司 | 基于视觉系统的小微水体状态实时监控方法、系统及装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4888703A (en) * | 1986-09-09 | 1989-12-19 | Hitachi Engineering Co., Ltd. | Apparatus for monitoring the toxicant contamination of water by using aquatic animals |
| CN106570947A (zh) * | 2016-11-07 | 2017-04-19 | 宁波精丰测控技术有限公司 | 电力设施智能巡检系统及方法 |
| CN107194368A (zh) * | 2017-06-08 | 2017-09-22 | 广东容祺智能科技有限公司 | 一种无人机海上原油泄漏搜查及应急处理方法 |
| CN110415189A (zh) * | 2019-07-22 | 2019-11-05 | 北京金交信息通信导航设计院 | 一种基于遥感的海上溢油污染监测系统和方法 |
| CN110570454A (zh) * | 2019-07-19 | 2019-12-13 | 华瑞新智科技（北京）有限公司 | 一种检测异物入侵的方法及装置 |
| CN111104914A (zh) * | 2019-12-23 | 2020-05-05 | 威海海洋职业学院 | 一种基于卷积神经网络的城市视觉污染物识别方法及系统 |
| CN112164015A (zh) * | 2020-11-30 | 2021-01-01 | 中国电力科学研究院有限公司 | 单目视觉自主巡检图像采集方法、装置及电力巡检无人机 |
| CN112731969A (zh) * | 2020-12-29 | 2021-04-30 | 浙江量大智能科技有限公司 | 一种面向河流的多无人机水质采样和监测路径优化方法 |
| CN113923405A (zh) * | 2021-09-29 | 2022-01-11 | 陕西通信规划设计研究院有限公司 | 一种基于安全监控的移动通信系统 |
| CN114494983A (zh) * | 2022-04-15 | 2022-05-13 | 北京大成国测科技有限公司 | 一种铁路异物入侵监测方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| IL219795A0 (en) * | 2012-05-15 | 2012-08-30 | D V P Technologies Ltd | Detection of foreign objects in maritime environments |
| EP2871610B1 (en) * | 2012-07-04 | 2021-04-07 | Repsol, S.A. | Infrared image based early detection of oil spills in water |
-
2022
- 2022-08-03 CN CN202210924494.7A patent/CN115019158B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4888703A (en) * | 1986-09-09 | 1989-12-19 | Hitachi Engineering Co., Ltd. | Apparatus for monitoring the toxicant contamination of water by using aquatic animals |
| CN106570947A (zh) * | 2016-11-07 | 2017-04-19 | 宁波精丰测控技术有限公司 | 电力设施智能巡检系统及方法 |
| CN107194368A (zh) * | 2017-06-08 | 2017-09-22 | 广东容祺智能科技有限公司 | 一种无人机海上原油泄漏搜查及应急处理方法 |
| CN110570454A (zh) * | 2019-07-19 | 2019-12-13 | 华瑞新智科技（北京）有限公司 | 一种检测异物入侵的方法及装置 |
| CN110415189A (zh) * | 2019-07-22 | 2019-11-05 | 北京金交信息通信导航设计院 | 一种基于遥感的海上溢油污染监测系统和方法 |
| CN111104914A (zh) * | 2019-12-23 | 2020-05-05 | 威海海洋职业学院 | 一种基于卷积神经网络的城市视觉污染物识别方法及系统 |
| CN112164015A (zh) * | 2020-11-30 | 2021-01-01 | 中国电力科学研究院有限公司 | 单目视觉自主巡检图像采集方法、装置及电力巡检无人机 |
| CN112731969A (zh) * | 2020-12-29 | 2021-04-30 | 浙江量大智能科技有限公司 | 一种面向河流的多无人机水质采样和监测路径优化方法 |
| CN113923405A (zh) * | 2021-09-29 | 2022-01-11 | 陕西通信规划设计研究院有限公司 | 一种基于安全监控的移动通信系统 |
| CN114494983A (zh) * | 2022-04-15 | 2022-05-13 | 北京大成国测科技有限公司 | 一种铁路异物入侵监测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 基于无人机垂直观测的南京PM2.5污染个例研究;曹云擎等;《气候与环境研究》;20200520(第03期);全文 * |
| 基于深度学习的无人机环境污染目标识别技术研究;吴琼等;《环境科学与管理》;20180715(第07期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115019158A (zh) | 2022-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115019158B (zh) | 一种基于图像识别的海洋污染区域识别方法及系统 | |
| CN108711148B (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
| CN102914545A (zh) | 一种基于计算机视觉的齿轮缺陷检测方法及系统 | |
| CN101584624B (zh) | 基于dsp的路牌识别导盲装置及其方法 | |
| CN112149667A (zh) | 一种基于深度学习的指针式仪表的自动读数的方法 | |
| CN112734691A (zh) | 一种工业制品缺陷检测方法、装置、终端设备及存储介质 | |
| CN107463931A (zh) | 一种基于arm平台的实时指针仪表识读方法及装置 | |
| CN114049624B (zh) | 一种基于机器视觉的船舶舱室智能检测方法及系统 | |
| CN109182081A (zh) | 一种基于图像处理模型的单细胞分选系统 | |
| CN112036384B (zh) | 精子头部形态识别方法、装置及设备 | |
| CN103679214A (zh) | 基于在线面积估计和多特征决策融合的车辆检测方法 | |
| CN110287967B (zh) | 一种基于图像的数字及机械表数字识别方法 | |
| CN115575584A (zh) | 一种大气环境镉含量监测预警方法及系统 | |
| CN105447863A (zh) | 一种基于改进vibe的遗留物检测方法 | |
| CN114417981A (zh) | 一种智能河长巡测系统 | |
| CN112699824B (zh) | 电能表仪表常数检测方法、设备及存储介质 | |
| CN112560779B (zh) | 进料口溢料识别方法、设备及搅拌站进料控制系统 | |
| CN103063674A (zh) | 一种铜块的铜品位检测方法及其检测系统 | |
| CN101231229A (zh) | 液体含菌量非染色自动计数方法 | |
| CN116434258A (zh) | 一种表格数据的自动识别方法 | |
| CN115374300B (zh) | 一种用于海上风电设备的多源异构数据存储方法及系统 | |
| CN111882135B (zh) | 一种物联网设备入侵检测方法及相关装置 | |
| CN114895274A (zh) | 一种护栏识别方法 | |
| CN114155428A (zh) | 基于Yolo-v3算法的水下声呐侧扫图像小目标检测方法 | |
| CN116468205B (zh) | 一种机动车环保检测质量监测方法及系统 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231213 Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Dragon totem Technology (Hefei) Co.,Ltd. Address before: No. 1000, South Rongcheng Bay Road, Weihai City, Shandong Province, 264300 Patentee before: WEIHAI OCEAN VOCATIONAL College |