CN115061490B - 基于无人机的水库巡检方法、装置、设备以及存储介质 - Google Patents
基于无人机的水库巡检方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN115061490B CN115061490B CN202210599410.7A CN202210599410A CN115061490B CN 115061490 B CN115061490 B CN 115061490B CN 202210599410 A CN202210599410 A CN 202210599410A CN 115061490 B CN115061490 B CN 115061490B
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- acquiring
- video acquisition
- target
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000000694 effects Effects 0.000 claims abstract description 88
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 57
- 238000003062 neural network model Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000002372 labelling Methods 0.000 claims abstract description 17
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及水利巡检与管理技术领域，特别涉及一种基于无人机的水库巡检方法，包括：通过无人机，获取预设的巡检航线上的视频采集数据，从视频采集数据中，获取目标图像集，其中，目标图像集包括若干个目标图像，对目标图像中的水事活动对象进行标签标注，获取目标标签数据集，将目标图像集以及目标标签数据集输入至待训练的神经网络模型进行训练，获得水事活动对象识别模型；响应于巡检指令，控制无人机在巡检航线上进行飞行作业，并获取巡检航线上的实时视频采集数据，并将实时视频采集数据发送至水事活动对象识别模型中，获取水事活动对象识别结果，根据水事活动对象识别结果对应的识别标识，在实时视频采集数据上进行识别标识的显示以及标注。
Description
技术领域
本发明涉及水利巡检与管理技术领域，特别涉及是一种基于无人机的水库巡检方法、装置、设备以及存储介质。
背景技术
当前，水安全和水危机已经成为制约我国社会和经济发展的突出因素。加强水利工程建设，提高水利工程的现代化管理水平成为当务之急。水利信息化作为水利现代化的基础和标志，是国家信息化建设的重要组成部分，
但是，中小型水库数量众多、分散、管理难度大的特点给水利部门的管理工作带来了诸多不便，在进行水库巡检时，由于水库面积较大，环境复杂，人工难以短时间巡查全部路线；其次，水库周围以及水库中间存在许多树木等遮挡，导致一定程度的漏检和误检，从而不能准时、准确地发现非法水事活动，降低了水库非法水事活动巡检的效率。
发明内容
基于此，本发明的目的在于，提供一种基于无人机的水库巡检方法、装置、设备以及存储介质，利用深度学习技术，构建水事活动对象识别模型，能够准确、快速地对无人机在巡航航线上实时获取的视频采集数据中的水事活动对象进行识别，提高了水库巡检的效率。
第一方面，本申请实施例提供了一种基于无人机的水库巡检方法，包括以下步骤：
通过无人机，获取预设的巡检航线上的视频采集数据，从所述视频采集数据中，获取目标图像集，其中，所述目标图像集包括若干个目标图像，所述目标图像为存在水事活动对象的图像；
对所述目标图像中的水事活动对象进行标签标注，获取目标标签数据集，其中，所述目标标签数据集包括各个目标图像对应的标签数据；
将所述目标图像集以及目标标签数据集输入至待训练的神经网络模型进行训练，获得水事活动对象识别模型；
响应于巡检指令，控制无人机在所述巡检航线上进行飞行作业，并获取所述巡检航线上的实时视频采集数据，并将所述实时视频采集数据发送至所述水事活动对象识别模型中，获取水事活动对象识别结果，根据所述水事活动对象识别结果对应的识别标识，在所述实时视频采集数据上进行识别标识的显示以及标注。
第二方面，本申请实施例提供了一种基于无人机的水库巡检装置，包括：
获取模块，用于通过无人机，获取预设的巡检航线上的视频采集数据，从所述视频采集数据中，获取目标图像集，其中，所述目标图像集包括若干个目标图像，所述目标图像为存在水事活动对象的图像；
标注模块，用于对所述目标图像中的水事活动对象进行标签标注，获取目标标签数据集，其中，所述目标标签数据集包括各个目标图像对应的标签数据；
训练模块，用于将所述目标图像集以及目标标签数据集输入至待训练的神经网络模型进行训练，获得水事活动对象识别模型；
巡检模块，用于响应于巡检指令，控制无人机在所述巡检航线上进行飞行作业，并获取所述巡检航线上的实时视频采集数据，并将所述实时视频采集数据发送至所述水事活动对象识别模型中，获取水事活动对象识别结果，根据所述水事活动对象识别结果对应的识别标识，在所述实时视频采集数据上进行识别标识的显示以及标注。
第三方面，本申请实施例提供了一种计算机设备，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时实现如第一方面所述的基于无人机的水库巡检方法的步骤。
第四方面，本申请实施例提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的基于无人机的水库巡检方法的步骤。
在本申请实施例中，提供一种基于无人机的水库巡检方法、装置、设备以及存储介质，利用深度学习技术，构建水事活动对象识别模型，能够准确、快速地对无人机在巡航航线上实时获取的视频采集数据中的水事活动对象进行识别，提高了水库巡检的效率。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本申请第一实施例提供的基于无人机的水库巡检方法的流程示意图；
图2为本申请一个实施例提供的基于无人机的水库巡检方法中S2的流程示意图；
图3为本申请一个实施例提供的基于无人机的水库巡检方法中S201的流程示意图；
图4为本申请一个实施例提供的基于无人机的水库巡检方法中S3的流程示意图；
图5为本申请一个实施例提供的基于无人机的水库巡检方法中S4的流程示意图；
图6为本申请一个实施例提供的基于无人机的水库巡检装置的结构示意图；
图7为本申请一个实施例提供的计算机设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
请参阅图1，图1为本申请第一实施例提供的基于无人机的水库巡检方法的流程示意图，所述方法包括如下步骤：
S1：通过无人机，获取预设的巡检航线上的视频采集数据，从所述视频采集数据中，获取目标图像集。
所述基于无人机的水库巡检方法的执行主体为基于无人机的水库巡检方法的巡检设备(以下简称巡检设备)，在一个可选的实施例中，所述巡检设备可以是一台计算机设备可以是服务器，或是多台计算机设备联合而成的服务器机群。
在本实施例中，巡检设备通过控制无人机，在预设的巡检航线上的进行飞行作业，获取巡检航线上的视频采集数据；
为了提高运算的效率，巡检设备对所述视频采集数据进行剪辑，去除所述视频采集数据中不包括水事活动对象的视频采集数据，获取剪辑后的视频采集数据，对剪辑后的视频采集数据进行抽帧处理，获取目标图像集，其中，所述目标图像集包括若干个目标图像，所述目标图像为存在水事活动对象的图像；所述水事活动对象为在水库中进行活动的对象，包括船只以及人员。
S2：对所述目标图像中的水事活动对象进行标签标注，获取目标标签数据集。
所述目标标签数据集包括各个目标图像对应的标签数据，在本实施例中，巡检设备对所述目标图像中的水事活动对象进行标签标注，获取目标标签数据集，用于对水事活动对象识别模型的训练。
请参阅图2，图2为本申请一个实施例提供的基于无人机的水库巡检方法中S2的流程示意图，包括步骤S201～S202，具体如下：
S201：对所述各个目标图像中的水事活动对象进行识别，获取所述水事活动对象中的合法水事活动对象以及非法水事活动对象。
水事活动对象包括合法水事活动对象以及非法水事活动对象，为了提高对非法水事活动对象的识别精准度，从而加强对非法水事活动对象的巡检效率，在本实施例中，巡检设备对所述各个目标图像中的水事活动对象进行识别，获取所述水事活动对象中的合法水事活动对象以及非法水事活动对象。
S202：分别对所述合法水事活动对象以及非法水事活动对象进行标签标注，获取所述各个目标图像对应的合法标签数据以及非法标签数据。
所述合法标签数据为所述合法水事活动对象对应的标签数据，所述非法标签数据为所述非法水事活动对象对应的标签数据。
在本实施例中，巡检设备分别对所述合法水事活动对象以及非法水事活动对象进行标签标注，获取所述各个目标图像对应的合法标签数据以及非法标签数据。
请参阅图3，图3为本申请一个实施例提供的基于无人机的水库巡检方法中S201的流程示意图，包括步骤S2011～S2012，具体如下：
S2011：将所述水事活动对象中的人员划分为非法水事活动对象。
由于会出现进行游泳、钓鱼之类的人员非法闯入，在本实施例中，巡检设备将所述水事活动对象中的人员划分为非法水事活动对象。
S2012：获取所述水事活动对象中的船只的船型信息，根据所述船只的船型信息以及预设的船型对照表，将所述水事活动对象中的船只划分为合法水事活动对象或者非法水事活动对象。
无人机进行巡检过程中，会出现工作人员开展各种的工作，为了避免将工作人员识别为非法水事活动对象，在本实施例中，巡检设备将工作人员开展活动时配置的预设船型的船只设置为合法水事活动对象，其他船型的船只设置为非法水事活动对象，具体地，巡检设备获取所述水事活动对象中的船只的船型信息，根据所述船只的船型信息以及预设的船型对照表，将所述水事活动对象中的船只划分为合法水事活动对象或者非法水事活动对象，其中，所述船型对照表包括若干种船型信息。
S3：将所述目标图像集以及目标标签数据集输入至待训练的神经网络模型进行训练，获得水事活动对象识别模型。
该神经网络模型采用YOLOv5模型作为所述神经网络模型，其中，所述YOLOv5模型是基于开源框架pytorch模型进行的，而Pytorch模型是由一组基本的神经网络参数来定义的。
在本实施例中，巡检设备将将所述目标图像集以及目标标签数据集输入至待训练的神经网络模型进行训练，获取水事活动对象识别模型。
请参阅图4，图4为本申请一个实施例提供的基于无人机的水库巡检方法中S3的流程示意图，包括步骤S301～S302，具体如下：
S301：将所述目标图像集以及目标标签数据集输入至所述待训练的神经网络模型中，进行迭代训练，获取若干个训练后的神经网络模型，并获取各个训练后的神经网络模型对应的准确率以及召回率。
在本实施例中，巡检设备将所述目标图像集以及目标标签数据集输入至所述待训练的神经网络模型中，根据预设的迭代次数，进行迭代训练，获取若干个训练后的神经网络模型，并获取各个训练后的神经网络模型对应的准确率以及召回率。
S302：根据所述准确率以及召回率，从所述若干个训练后的神经网络模型中获取目标神经网络模型，作为所述水事活动对象识别模型。
在本实施例中，巡检设备从所述若干个训练后的神经网络模型中，获取准确率以及召回率最大的的目标神经网络模型，作为所述水事活动对象识别模型。
S4：响应于巡检指令，控制无人机在所述巡检航线上进行飞行作业，并获取所述巡检航线上的实时视频采集数据，并将所述实时视频采集数据发送至所述水事活动对象识别模型中，获取水事活动对象识别结果，根据所述水事活动对象识别结果对应的识别标识，在所述实时视频采集数据上进行识别标识的显示以及标注。
所述巡检指令为用户发出的，巡检设备接收的。
在本实施例中，巡检设备获取用户发送的巡检指令，控制无人机在预设的巡检航线上进行飞行作业，获取无人机反馈的巡检航线上的实时视频采集数据，在巡检设备的显示界面中进行显示，并将所述实时视频采集数据发送至所述水事活动对象识别模型中，获取水事活动对象识别结果，并返回至巡检设备的显示界面中，在实时视频采集数据上进行识别标识的显示以及标注。
在一个可选的实施例中，水事活动对象识别结果包括合法水事活动对象识别结果以及非法水事活动对象识别结果。请参阅图5，图5为本申请一个实施例提供的基于无人机的水库巡检方法中S4的流程示意图，包括步骤S401，具体如下：
S401：根据所述水事活动对象识别结果中的水事活动对象的类型，获取所述合法水事活动对象识别结果对应的合法识别标识以及非法水事活动对象识别结果对应的非法识别标识，在所述实时视频采集数据上进行合法识别标识以及非法识别标识的显示以及标注。
在本实施例中，巡检设备根据所述水事活动对象识别结果中的水事活动对象的类型，获取所述合法水事活动对象识别结果对应的合法识别标识以及非法水事活动对象识别结果对应的非法识别标识，在所述实时视频采集数据上进行合法识别标识以及非法识别标识的显示以及标注。
请参考图6，图6为本申请第一实施例提供的基于无人机的水库巡检装置的结构示意图，该装置可以通过软件、硬件或两者的结合实现基于无人机的水库巡检装置的全部或一部分，该装置6包括：
获取模块61，用于通过无人机，获取预设的巡检航线上的视频采集数据，从所述视频采集数据中，获取目标图像集，其中，所述目标图像集包括若干个目标图像，所述目标图像为存在水事活动对象的图像；
标注模块62，用于对所述目标图像中的水事活动对象进行标签标注，获取目标标签数据集，其中，所述目标标签数据集包括各个目标图像对应的标签数据；
训练模块63，用于将所述目标图像集以及目标标签数据集输入至待训练的神经网络模型进行训练，获得水事活动对象识别模型；
巡检模块64，用于响应于巡检指令，控制无人机在所述巡检航线上进行飞行作业，并获取所述巡检航线上的实时视频采集数据，并将所述实时视频采集数据发送至所述水事活动对象识别模型中，获取水事活动对象识别结果，根据所述水事活动对象识别结果对应的识别标识，在所述实时视频采集数据上进行识别标识的显示以及标注。
在本实施例中，通过获取模块，获取预设的巡检航线上的视频采集数据，从所述视频采集数据中，获取目标图像集，其中，所述目标图像集包括若干个目标图像，所述目标图像为存在水事活动对象的图像；通过标注模块，对所述目标图像中的水事活动对象进行标签标注，获取目标标签数据集，其中，所述目标标签数据集包括各个目标图像对应的标签数据；通过训练模块，将所述目标图像集以及目标标签数据集输入至待训练的神经网络模型进行训练，获得水事活动对象识别模型；通过巡检模块，响应于巡检指令，控制无人机在所述巡检航线上进行飞行作业，并获取所述巡检航线上的实时视频采集数据，并将所述实时视频采集数据发送至所述水事活动对象识别模型中，获取水事活动对象识别结果，根据所述水事活动对象识别结果对应的识别标识，在所述实时视频采集数据上进行识别标识的显示以及标注。利用深度学习技术，构建水事活动对象识别模型，能够准确、快速地对无人机在巡航航线上实时获取的视频采集数据中的水事活动对象进行识别，提高了水库巡检的效率。
请参考图7，图7为本申请一个实施例提供的计算机设备的结构示意图，计算机设备7包括：处理器71、存储器72以及存储在存储器72上并可在处理器71上运行的计算机程序73；计算机设备可以存储有多条指令，指令适用于由处理器71加载并执行上述图1至图5所示实施例的方法步骤，具体执行过程可以参见图1至图5所示实施例的具体说明，在此不进行赘述。
其中，处理器71可以包括一个或多个处理核心。处理器71利用各种接口和线路连接服务器内的各个部分，通过运行或执行存储在存储器72内的指令、程序、代码集或指令集，以及调用存储器72内的数据，执行基于无人机的水库巡检装置6的各种功能和处理数据，可选的，处理器71可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(ProgrambleLogic Array，PLA)中的至少一个硬件形式来实现。处理器71可集成中央处理器71(CentralProcessing Unit，CPU)、图像处理器71(Graphics Processing Unit，GPU)和调制解调器等中的一个或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责触摸显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器71中，单独通过一块芯片进行实现。
其中，存储器72可以包括随机存储器72(Random Access Memory，RAM)，也可以包括只读存储器72(Read-Only Memory)。可选的，该存储器72包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器72可用于存储指令、程序、代码、代码集或指令集。存储器72可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控指令等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器72可选的还可以是至少一个位于远离前述处理器71的存储装置。
本申请实施例还提供了一种存储介质，所述存储介质可以存储有多条指令，所述指令适用于由处理器加载并执行上述图1至图5所示实施例的方法步骤，具体执行过程可以参见图1至图5所示实施例的具体说明，在此不进行赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束算法。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/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方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述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。
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。
Claims (7)
1.一种基于无人机的水库巡检方法，其特征在于，包括以下步骤：
通过无人机，获取预设的巡检航线上的视频采集数据，从所述视频采集数据中，获取目标图像集，其中，所述目标图像集包括若干个目标图像，所述目标图像为存在水事活动对象的图像，所述水事活动对象包括船只以及人员；
将所述水事活动对象中的人员划分为非法水事活动对象；
获取所述水事活动对象中的船只的船型信息，根据所述船只的船型信息以及预设的船型对照表，将所述水事活动对象中的船只划分为合法水事活动对象或者非法水事活动对象，其中，所述船型对照表包括若干种船型信息；
分别对所述合法水事活动对象以及非法水事活动对象进行标签标注，获取所述各个目标图像对应的合法标签数据以及非法标签数据，构建目标标签数据集，其中，所述合法标签数据为所述合法水事活动对象对应的标签数据，所述非法标签数据为所述非法水事活动对象对应的标签数据；
将所述目标图像集以及目标标签数据集输入至待训练的神经网络模型进行训练，获得水事活动对象识别模型；
响应于巡检指令，控制无人机在所述巡检航线上进行飞行作业，并获取所述巡检航线上的实时视频采集数据，并将所述实时视频采集数据发送至所述水事活动对象识别模型中，获取水事活动对象识别结果，根据所述水事活动对象识别结果对应的识别标识，在所述实时视频采集数据上进行识别标识的显示以及标注。
2.根据权利要求1所述的基于无人机的水库巡检方法，其特征在于，所述将所述目标图像集以及目标标签数据集输入至待训练的神经网络模型进行训练，获得训练好的神经网络模型，包括步骤：
将所述目标图像集以及目标标签数据集输入至所述待训练的神经网络模型中，进行迭代训练，获取若干个训练后的神经网络模型，并获取各个训练后的神经网络模型对应的准确率以及召回率；
根据所述准确率以及召回率，从所述若干个训练后的神经网络模型中获取目标神经网络模型，作为所述水事活动对象识别模型。
3.根据权利要求2所述的基于无人机的水库巡检方法，其特征在于：
所述水事活动对象识别结果包括合法水事活动对象识别结果以及非法水事活动对象识别结果，所述识别标识包括合法识别标识以及非法识别标识。
4.根据权利要求3所述的基于无人机的水库巡检方法，其特征在于，所述根据所述水事活动对象识别结果对应的识别标识，在所述实时视频采集数据上进行识别标识的显示以及标注，包括步骤：
根据所述水事活动对象识别结果中的水事活动对象的类型，获取所述合法水事活动对象识别结果对应的合法识别标识以及非法水事活动对象识别结果对应的非法识别标识，在所述实时视频采集数据上进行合法识别标识以及非法识别标识的显示以及标注。
5.一种基于无人机的水库巡检装置，其特征在于，包括：
获取模块，用于通过无人机，获取预设的巡检航线上的视频采集数据，从所述视频采集数据中，获取目标图像集，其中，所述目标图像集包括若干个目标图像，所述目标图像为存在水事活动对象的图像，所述水事活动对象包括船只以及人员；
标注模块，用于对所述各个目标图像中的水事活动对象进行识别，获取所述水事活动对象中的合法水事活动对象以及非法水事活动对象；
分别对所述合法水事活动对象以及非法水事活动对象进行标签标注，获取所述各个目标图像对应的合法标签数据以及非法标签数据，构建目标标签数据集，其中，所述合法标签数据为所述合法水事活动对象对应的标签数据，所述非法标签数据为所述非法水事活动对象对应的标签数据；
训练模块，用于将所述目标图像集以及目标标签数据集输入至待训练的神经网络模型进行训练，获得水事活动对象识别模型；
巡检模块，用于响应于巡检指令，控制无人机在所述巡检航线上进行飞行作业，并获取所述巡检航线上的实时视频采集数据，并将所述实时视频采集数据发送至所述水事活动对象识别模型中，获取水事活动对象识别结果，根据所述水事活动对象识别结果对应的识别标识，在所述实时视频采集数据上进行识别标识的显示以及标注。
6.一种计算机设备，其特征在于，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时实现如权利要求1至4中任一项所述的基于无人机的水库巡检方法的步骤。
7.一种存储介质，其特征在于：所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的基于无人机的水库巡检方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210599410.7A CN115061490B (zh) | 2022-05-30 | 2022-05-30 | 基于无人机的水库巡检方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210599410.7A CN115061490B (zh) | 2022-05-30 | 2022-05-30 | 基于无人机的水库巡检方法、装置、设备以及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115061490A CN115061490A (zh) | 2022-09-16 |
| CN115061490B true CN115061490B (zh) | 2024-04-05 |
Family
ID=83198317
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210599410.7A Active CN115061490B (zh) | 2022-05-30 | 2022-05-30 | 基于无人机的水库巡检方法、装置、设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115061490B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104978580A (zh) * | 2015-06-15 | 2015-10-14 | 国网山东省电力公司电力科学研究院 | 一种用于无人机巡检输电线路的绝缘子识别方法 |
| CN110580475A (zh) * | 2019-11-12 | 2019-12-17 | 江西博微新技术有限公司 | 基于无人机巡检的线路诊断方法、电子装置及存储介质 |
| WO2021184776A1 (zh) * | 2020-03-18 | 2021-09-23 | 腾讯科技（深圳）有限公司 | 图像识别方法、装置、计算机设备和存储介质 |
| WO2022021739A1 (zh) * | 2020-07-30 | 2022-02-03 | 国网智能科技股份有限公司 | 一种语义智能变电站机器人仿人巡视作业方法及系统 |
| KR20220067271A (ko) * | 2020-11-17 | 2022-05-24 | 인트플로우 주식회사 | 영상취득장치 및 영상취득방법 |
| CN114548228A (zh) * | 2022-01-24 | 2022-05-27 | 广东飞粤科技有限公司 | 一种基于soc和mesh组网的无人机电网巡检方法与系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111259809B (zh) * | 2020-01-17 | 2021-08-17 | 五邑大学 | 基于DANet的无人机海岸线漂浮垃圾巡检系统 |
-
2022
- 2022-05-30 CN CN202210599410.7A patent/CN115061490B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104978580A (zh) * | 2015-06-15 | 2015-10-14 | 国网山东省电力公司电力科学研究院 | 一种用于无人机巡检输电线路的绝缘子识别方法 |
| CN110580475A (zh) * | 2019-11-12 | 2019-12-17 | 江西博微新技术有限公司 | 基于无人机巡检的线路诊断方法、电子装置及存储介质 |
| WO2021184776A1 (zh) * | 2020-03-18 | 2021-09-23 | 腾讯科技（深圳）有限公司 | 图像识别方法、装置、计算机设备和存储介质 |
| WO2022021739A1 (zh) * | 2020-07-30 | 2022-02-03 | 国网智能科技股份有限公司 | 一种语义智能变电站机器人仿人巡视作业方法及系统 |
| KR20220067271A (ko) * | 2020-11-17 | 2022-05-24 | 인트플로우 주식회사 | 영상취득장치 및 영상취득방법 |
| CN114548228A (zh) * | 2022-01-24 | 2022-05-27 | 广东飞粤科技有限公司 | 一种基于soc和mesh组网的无人机电网巡检方法与系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115061490A (zh) | 2022-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9349076B1 (en) | Template-based target object detection in an image | |
| CN106557457B (zh) | 一种基于qt的自动生成跨平台复杂流程图的系统 | |
| CN112950773A (zh) | 基于建筑信息模型的数据处理方法与装置、处理服务器 | |
| US11669990B2 (en) | Object area measurement method, electronic device and storage medium | |
| CN111767831B (zh) | 用于处理图像的方法、装置、设备及存储介质 | |
| CN113611104B (zh) | 货运车辆的风险识别方法、装置、存储介质及终端 | |
| CN112966548A (zh) | 一种大豆地块识别方法及系统 | |
| CN105468161A (zh) | 指令执行方法和装置 | |
| CN111210201A (zh) | 职业标签建立方法、装置、电子设备及存储介质 | |
| CN115272887A (zh) | 基于无人机检测的海岸带垃圾识别方法、装置以及设备 | |
| CN111523362A (zh) | 一种基于电子围网的数据分析方法、装置及电子设备 | |
| CN115372877A (zh) | 基于无人机的变电站的避雷器泄露电流表计巡检方法 | |
| CN113987429A (zh) | 基于水印嵌入的神经网络模型的版权验证方法 | |
| CN110443119B (zh) | 车厢内货物状态识别方法及装置 | |
| CN115205780A (zh) | 一种工地违规的监控方法、系统、介质及电子设备 | |
| JP2022523661A (ja) | 拡大画像の取得およびストレージ | |
| CN113449878B (zh) | 数据分布式的增量学习方法、系统、设备及存储介质 | |
| CN115061490B (zh) | 基于无人机的水库巡检方法、装置、设备以及存储介质 | |
| CN108701335A (zh) | 通过连接基于s-100的海事数据与大数据来生成标准信息的系统及方法 | |
| CN112528825A (zh) | 一种基于图像识别的车站乘客招援服务方法 | |
| CN116518979B (zh) | 一种无人机路径规划方法、系统、电子设备及介质 | |
| JP2019128842A (ja) | コンピュータプログラム、識別装置及び識別方法 | |
| CN116610140A (zh) | 无人机控制方法、装置、计算机设备和存储介质 | |
| JP7389860B2 (ja) | セキュリティ情報の処理方法、装置、電子機器、記憶媒体およびコンピュータプログラム | |
| CN111639523A (zh) | 目标检测方法、装置、计算机设备和存储介质 |
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 |