CN115439748B - 一种海岸线侵蚀程度的监测方法、装置以及电子设备 - Google Patents

一种海岸线侵蚀程度的监测方法、装置以及电子设备 Download PDF

Info

Publication number
CN115439748B
CN115439748B CN202211118713.9A CN202211118713A CN115439748B CN 115439748 B CN115439748 B CN 115439748B CN 202211118713 A CN202211118713 A CN 202211118713A CN 115439748 B CN115439748 B CN 115439748B
Authority
CN
China
Prior art keywords
coastline
erosion
coast
spliced image
variation
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
Application number
CN202211118713.9A
Other languages
English (en)
Other versions
CN115439748A (zh
Inventor
任磊
黎明思
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202211118713.9A priority Critical patent/CN115439748B/zh
Publication of CN115439748A publication Critical patent/CN115439748A/zh
Application granted granted Critical
Publication of CN115439748B publication Critical patent/CN115439748B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace 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
    • G06V10/70—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种海岸线侵蚀程度的监测方法、装置以及电子设备，方法包括：获取同一时间戳下目标监测区域的不同角度的多张图像，并将所述图像进行拼接，得到一张拼接图像；从所述拼接图像中提取海岸线的海岸平面面积变化量以及海岸垂向堆积变化量，作为所述拼接图像的特征参数；将所述特征参数输入至海岸线侵蚀程度的识别模型，得到所述拼接图像中的海岸线对应的侵蚀模态识别结果，所述识别模型为以标注有侵蚀模态的特征参数作为训练数据训练得到。本发明实施例基于海岸线的具体变化量，即海岸平面面积变化量以及海岸垂向堆积变化量，可以迅速确定海岸线当前的侵蚀程度，实现了高效率的监测海岸线的地貌变化。

Description

一种海岸线侵蚀程度的监测方法、装置以及电子设备
技术领域
本发明涉及图像识别领域，尤其是一种海岸线侵蚀程度的监测方法、装置以及电子设备。
背景技术
海岸线侵蚀防治是保护沿海环境重要的一环，为了避免海岸线被过度侵蚀，需要对海岸线进行大量监测，以便在侵蚀发生后迅速作出防护措施。
现有的海岸线监测技术中，实地监测海岸侵蚀与地貌演变检测方法效率极低，又或者实施时需要耗费大量的人力资源和时间进行野外作业，不便于复杂地形或无人岛屿的测量，难于进行大面积探测的推广应用，在海岸带动态调查与监测中具有一定的局限性。
因此，一种高效且精细的海岸线监测方案显得十分重要。
发明内容
有鉴于此，本发明实施例提供一种高效且精细化程度高的海岸线侵蚀程度的监测方法、装置以及电子设备。
本发明实施例的一方面提供了一种海岸线侵蚀程度的监测方法，包括：
获取同一时间戳下目标监测区域的不同角度的多张图像，并将所述图像进行拼接，得到一张拼接图像；
从所述拼接图像中提取海岸线的海岸平面面积变化量以及海岸垂向堆积变化量，作为所述拼接图像的特征参数；
将所述特征参数输入至海岸线侵蚀程度的识别模型，得到所述拼接图像中的海岸线对应的侵蚀模态识别结果，所述识别模型为以标注有侵蚀模态的特征参数作为训练数据训练得到。
可选地，在所述获取同一时间戳下目标监测区域的不同角度的多张图像之前，还包括：
获取时间戳乱序的多张图像；
将预设的自我监督模型进行正则化处理，并将所述乱序的多张图像输入至正则化处理后的所述自我监督模型，得到时间戳顺序连续的多张图像。
可选地，所述从所述拼接图像中提取海岸线的海岸平面面积变化量以及海岸垂向堆积变化量，包括：
确定并补充所述拼接图像中丢失的像素值，得到补充像素值后的拼接图像；
将补充像素值后的拼接图像进行灰度处理，得到灰度化的拼接图像；
从灰度化的拼接图像中提取海岸线的海岸平面面积变化量以及海岸垂向堆积变化量。
可选地，所述识别模型的训练过程，包括：
获取多种预设的侵蚀模态以及每种侵蚀模态对应的多张不同的训练拼接图像；
针对每种侵蚀模态对应的多张训练拼接图像，从每张训练拼接图像中提取海岸线的训练海岸平面面积变化量以及训练海岸垂向堆积变化量，作为该侵蚀模态的训练特征参数；
将每种侵蚀模态的训练特征参数输入至所述识别模型，得到每种侵蚀模态对应的海岸线侵蚀的识别结果；
根据所述识别结果，确定训练目标，训练所述识别模型，直至输出的海岸线的识别结果的准确率达到设定的范围，得到训练后的所述识别模型。
可选地，还包括：
对任意两张相邻时间戳下的拼接图像进行检测，确定两张拼接图像中是否存在灰度值变化幅度超过设定幅度的区域；
若是，则将所述区域作为海岸的骤冲骤淤区，从所述目标监测区域的摄像设备对所述骤冲骤淤区拍摄得到的第一图像提取所述骤冲骤淤区的第一高程信息，从无人机对所述骤冲骤淤区拍摄得到的第二图像提取所述骤冲骤淤区的第二高程信息；
对所述第一高程信息与第二高程信息加权求和，得到最终高程信息。
可选地，还包括：
根据侵蚀程度将所述骤冲骤淤区划分为多个子区域；
针对每个所述子区域，将所述子区域的高程信息输入至预测模型的第一级联神经网格，得到海岸线的第一平均侵蚀深度，所述预测模型为包括两个级联神经网格的随机森林预测模型；
将每个所述子区域的第一平均侵蚀深度与每个所述子区域的实时近岸风浪流场数据输入至所述预测模型的第二级联神经网格，得到海岸线的第二平均侵蚀深度，作为对每个所述子区域海岸线的最终预测平均侵蚀深度。
本发明实施例的另一方面还提供了一种海岸线侵蚀程度的监测装置，包括：
图像获取单元，用于获取同一时间戳下目标监测区域的不同角度的多张图像，并将所述图像进行拼接，得到一张拼接图像；
特征提取单元，用于从所述拼接图像中提取海岸线的海岸平面面积变化量以及海岸垂向堆积变化量，作为所述拼接图像的特征参数；
侵蚀模态识别单元，用于将所述特征参数输入至海岸线侵蚀程度的识别模型，得到所述拼接图像中的海岸线对应的侵蚀模态识别结果，所述识别模型为以带有侵蚀模态的特征参数作为训练数据训练得到。
本发明实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现上述任一项所述的方法。
本发明实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现上述任一项所述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
本发明可以获取监测区域在同一时间戳下的多张图像，并将多张图像进行拼接，由于多张图像由多台摄像设备对设定的监测区域的不同角度拍摄得到，因此可以随时获取监测区域的图像，而无须多次实地考察；而且，拼接得到的图像可以更全面的显示监测区域的海岸线情况，相比单独分析多张图像更具体更精细；然后，从拼接后的图像中提取海岸线的海岸平面面积变化量以及海岸垂向堆积变化量，输入到训练后的识别模型，可以得到识别模型输出的该拼接图像的海岸线侵蚀模态。本发明实施例基于海岸线的具体变化量，即海岸平面面积变化量以及海岸垂向堆积变化量，可以迅速确定海岸线当前的侵蚀程度，实现了高效率的监测海岸线的地貌变化。
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，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种海岸线侵蚀程度的监测方法的流程示意图；
图2为本发明实施例提供的一种对目标监测区域布设摄像设备的场景示例图；
图3为本发明实施例提供的一种对视频图像集处理的流程示意图；
图4为本发明实施例提供的一种海岸线侵蚀程度的监测装置的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，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。
参照图1，本发明实施例提供了一种海岸线侵蚀程度的监测方法，具体包括以下步骤：
步骤S100：获取同一时间戳下目标监测区域的不同角度的多张图像，并将所述图像进行拼接，得到一张拼接图像。
具体的，为了了解目标监测区域全面的情况，可以获取目标监测区域不同角度的多张图像，又考虑到海岸线在不同的时间点可能呈现不同的地貌特征，可能需要研究各个时间点下海岸线的侵蚀情况。
基于此，可以获取同一时间戳下目标监测区域的不同角度的多张图像，进而可以将多张图像按照目标监测区域的地理位置进行拼接，得到一张拼接图像，该拼接图像可以显示目标监测区域的全方位景象。需要说明的是，上述同一时间戳下的多张图像可以是对目标监测区域实时获取的多张图像，也可以是对目标监测区域的历史监测过程中某个时间戳下的多张图像。
本发明实施例可以提供一种可选的实施方式，用于获取目标监测区域的不同角度的多张图像。
具体的，目标监测区域可以包括不同的范围，具体监测范围可以由监测人员自行设定，本实施方式的目标监测区域以扇形为例，其中，监测的海岸线可以表示为扇形的弧边。
然后，可以在扇形的目标监测区域布设多台摄像设备，具体情况可以参照图2。
第一个摄像设备可以布设在海岸线上，然后沿垂直海岸线方向以R0等间距布设，最后在扇形区域的圆心单独布设一个摄像装置，实现目标监测区域的全覆盖。设扇形区域两边长度分别为L1、L2，摄像设备的布设数量n由以下公式计算得到：
n＝n1+n2+1
其中，n1为扇形边L1上的摄像设备数量，n2为扇形边L2上的摄像设备数量。
对目标监测区域布设了多台摄像设备，因此可以获取各摄像设备在同一时间戳下对目标监测区域不同角度拍摄得到的多张图像。
步骤S110：从所述拼接图像中提取海岸线的海岸平面面积变化量以及海岸垂向堆积变化量，作为所述拼接图像的特征参数。
具体的，拼接图像中可以包含目标监测区域全方位的景象，可以从拼接图像中提取目标监测区域中的海岸线的海岸平面面积变化量以及海岸垂向堆积变化量。
步骤S120：将所述特征参数输入至海岸线侵蚀程度的识别模型，得到所述拼接图像中的海岸线对应的侵蚀模态识别结果，所述识别模型为以标注有侵蚀模态的特征参数作为训练数据训练得到。
具体的，识别模型可以是以标注有侵蚀模态的特征参数作为训练数据训练得到，将特征参数输入至识别模型，可以得到识别模型对该特征参数的识别结果，即海岸线的侵蚀模态。
将拼接图像的特征参数输入至识别模型后，可以得到识别模型对目标监测区域中海岸线识别的侵蚀模态，得到的海岸线侵蚀模态可以用于海岸线的侵蚀程度的监测和分析。
本发明实施例可以提取拼接图像的特征参数，将特征参数输入识别模型，便可得到目标监测区域中海岸线的侵蚀模态，十分高效，而且，拼接图像可以包含目标监测区域多个角度的景象，避免因遗漏部分区域的图像而导致的监测不完整的情况，做到全面地、精细化程度高地对海岸线进行监测。
在本发明的一些实施例中，介绍了上述步骤S110：从所述拼接图像中提取海岸线的海岸平面面积变化量以及海岸垂向堆积变化量的过程，接下来将对该过程作进一步说明。
具体的，提取特征参数的过程可以包括以下步骤：
S1、确定并补充所述拼接图像中丢失的像素值，得到补充像素值后的拼接图像。
具体的，由于每张图像的边缘部分可能存在模糊的情况，且多张图像也可能会有重合的部分，在上述情况下进行图像拼接，会导致拼接部分模糊化或拼接部分的像素丢失。
考虑到可能存在丢失像素值的情况，因此可以确定拼接图像中丢失的像素值，对于重合部分，则取两者中清晰度较高的一方用于图像拼接。然后可以补充丢失的像素值，得到补充像素值后的拼接图像，拼接图像经过补充像素值后，相较于初始的拼接图像更清晰，更精细，有利于后续的提取特征参数。
本发明实施例可以提供一种可选的补充像素值的实施方式，即利用超分辨率技术(Super-Resolution，简称SR)处理拼接图像。超分辨率技术可以将低分辨率图像(视频)转换为高分辨率图像(视频)。经过图像拼接得到目标监测区域的图像后，利用超分辨率技术可以基于已有像素点的像素值，并利用深度学习方法进行训练并预测丢失的像素值，最终可以得到目标监测区域完整的高分辨率拼接图像。
S2、将补充像素值后的拼接图像进行灰度处理，得到灰度化的拼接图像。
具体的，由于彩色图像颜色分量会消耗大量资源，降低监测效率。因此，可以将拼接图像灰度化，即将颜色分量R、G、B转换为统一的灰度图像，此时图像只包含亮度信息，对监测海岸骤冲骤淤区域更加有利。
在本发明实施例中，可以使用加权平均值法计算拼接图像的像素的灰度值。具体的，可以将彩色的拼接图像的像素点R、G、B赋予一个设定加权系数，并将各个像素的像素值与自身系数乘积相加，得到像素点的灰度值，灰度图像的灰度值I计算公式如下：
I＝0.587G+0.299R+0.114B
S3、从灰度化的拼接图像中提取海岸线的海岸平面面积变化量以及海岸垂向堆积变化量。
具体的，不同的灰度等级可以代表不同物体或同一物体的不同状态，如陆地、植被、平静的海面、波浪、不同含沙量的水体等。因此，可以通过智能算法，在拼接图像上识别出相应灰度等级所代表的物体，示例如：海岸线、海岸的沉降、骤冲骤淤区等监测对象。进而可以提取海岸线的海岸平面面积变化量以及海岸垂向堆积变化量。
本发明实施例先将拼接过程中丢失的像素值补充完整，得到分辨率更高、更精细的拼接图像，进而对高分辨率的拼接图像进行灰度处理，灰度处理后的拼接图像同样也是高分辨率，更便于从拼接图像中提取海岸线的海岸平面面积变化量以及海岸垂向堆积变化量。
进一步，本发明实施例还可以基于灰度化后的拼接图像进行海岸线的侵蚀与地貌演变分析。
具体的，可以包括以下步骤：
S1、对任意两张相邻时间戳下的拼接图像进行检测，确定两张拼接图像中是否存在灰度值变化幅度超过设定幅度的区域。
具体的，对目标监测区域进行长时间的监测，可以得到多个时间戳下的拼接图像，由于海岸线的骤冲骤淤区在灰度化的拼接图像中可以表现为在相邻时间戳下灰度等级变化明显。因此可以对任意两张相邻的拼接图像进行检测，确定两张拼接图像中是否存在灰度值变化幅度超过设定幅度的区域。
S2、若两张拼接图像中存在灰度值变化幅度超过设定幅度的区域，则将所述区域作为海岸的骤冲骤淤区，从所述目标监测区域的摄像设备对所述骤冲骤淤区拍摄得到的第一图像提取所述骤冲骤淤区的第一高程信息，从无人机对所述骤冲骤淤区拍摄得到的第二图像提取所述骤冲骤淤区的第二高程信息。
具体的，可以获取无人机对海岸的骤冲骤淤区拍摄的高精度影像，然后可以利用无人机所拍摄的航片通过Smart 3D(CC)、Pix4D、Photoscan等相关无人机图像处理软件，获得数字正射影像(DOM)、数字高程模型(DEM)、数字地表模型(DSM)，将无人机技术与数字航空摄影测量相结合。进而可以利用Arc GIS的值提取至点的功能，提取数字地表模型的海岸的骤冲骤淤区的高程值，最后得到海岸骤冲骤淤区的第二高程信息。对摄像设备拍摄得到的图像，可以经过上述的方法处理获得数字地表模型(DSM)，并利用Arc GIS的值提取至点的功能，提取数字地表模型的海岸的骤冲骤淤区的高程值，同样得到海岸骤冲骤淤区的第一高程信息。
S3、对所述第一高程信息与第二高程信息加权求和，得到最终高程信息。
具体的，由于对较小区域监测无人机更为灵活精准，故按照加权平均法计算海岸的骤冲骤淤区的最终高程信息，记为H，设第一高程信息为Hi，第二高程信息为Hj，那么最终高程信息可以由以下公式得到：
H＝0.2Hi+0.8Hj
S4、根据侵蚀程度将所述骤冲骤淤区划分为多个子区域。
具体的，海岸的骤冲骤淤区不同的位置可能有不同的侵蚀程度，为了更精细化监测骤冲骤淤区的侵蚀情况，可以依据不同的侵蚀程度将骤冲骤淤区分为多个子区域，并进行分区域监测。
S5、针对每个所述子区域，将所述子区域的高程信息输入至预测模型的第一级联神经网格，得到海岸线的第一平均侵蚀深度，所述预测模型为包括两个级联神经网格的随机森林预测模型。
具体的，预测模型可以采用级联神经网络。级联神经网络模型是由多个不同的神经网络组成，不同级的神经网络可以强化处理不同类型的数据，且相对独立，上一级网络的输出即是后一级网络的输入，各级神经网络协同工作。
针对不同的子区域，将每个子区域的高程信息输入至预测模型的第一级联神经网格，得到海岸线的第一平均侵蚀深度，作为对每个子区域内侵蚀状态的短期预测。
S6、将每个所述子区域的第一平均侵蚀深度与每个所述子区域的实时近岸风浪流场数据输入至所述预测模型的第二级联神经网格，得到海岸线的第二平均侵蚀深度，作为对每个所述子区域海岸线的最终预测平均侵蚀深度。
具体的，近岸风浪流场数据可以包括多种数据，示例如：波高、风速、近岸水流流速及流向等，以及其它可选类型的数据。基于第一级联神经网络输出的第一平均侵蚀深度，以及实时的近岸风浪流场数据，预测模型可以输出第二级联神经网格，作为对未来平均侵蚀深度即侵蚀指标以及地貌演变形态的预测。
本发明实施例的随机森林预测模型基于最终高程信息可以对每个子区域短期内的平均侵蚀深度作出预测，在得到短期预测结果的基础上，还可以结合实时的近岸风浪流场数据对每个子区域未来长期的平均侵蚀深度进行预测，实现海岸线的地貌演变的分析与监测。
摄像设备对海岸监测视频的识别与转换过程中，为了摆脱对长时间视频序列的依赖，并理解视频中的时间动态，可以增加一种视频时间自我监督任务。
具体的，可以包括：
S1、获取时间戳乱序的多张图像。
具体的，可以获取同一摄像设备拍摄的且时间戳乱序的多张图像。
S2、将预设的自我监督模型进行正则化处理，并将所述乱序的多张图像输入至正则化处理后的所述自我监督模型，得到时间戳顺序连续的多张图像。
参照图3，图3为本发明实施例的一个具体实施方式。
在实现自我监督的过程中，可以先将监测一段时间所得的原始视频帧的顺序打乱，每个视频帧可以作为一张图像，得到扰乱时间顺序的视频帧，并且训练自我监督模型以输出乱序视频帧的低置信度预测，降低在长时间序列视频图像中识别出海岸线、骤冲骤淤区等目标并转换成相应数据的过程中由空间动态如海岸线前进或后退、涨落潮导致水面高度改变、波浪的变化等造成影响的风险。
为了避免在后续的模块中丢失海岸监测视频图像时间序列信息，直接将自我监督模型正则化，以将视频序列的时间顺序信息保留在自我监督模型的最终模块中。因此，自我监督模型可以利用由此来解决目标任务，例如识别较短时间内发生的海岸骤冲骤淤。
最后，通过训练自我监督模型，预测视频图像连续帧中视频标记的多种时间流方向，以增强与视频时间顺序信息的相关性。
在本发明的一些实施例中，介绍了上述步骤S120：将所述特征参数输入至海岸线侵蚀程度的识别模型，得到所述拼接图像中的海岸线对应的侵蚀模态识别结果的过程，接下来，将介绍识别模型的训练过程。
具体的，可以包括以下步骤：
S1、获取多种预设的侵蚀模态以及每种侵蚀模态对应的多张不同的训练拼接图像。
具体的，预设的侵蚀模态可以是监测人员根据不同的侵蚀情况而定义的侵蚀模态。
S2、针对每种侵蚀模态对应的多张训练拼接图像，从每张训练拼接图像中提取海岸线的训练海岸平面面积变化量以及训练海岸垂向堆积变化量，作为该侵蚀模态的训练特征参数。
S3、将每种侵蚀模态的训练特征参数输入至所述识别模型，得到每种侵蚀模态对应的海岸线侵蚀的识别结果。
S4、根据所述识别结果，确定训练目标，训练所述识别模型，直至输出的海岸线的识别结果的准确率达到设定的范围，得到训练后的所述识别模型。
具体的，可以将每种侵蚀模态对应的多种拼接图像中，一部分用于训练模型，一部分用于测试训练后的模型。具体比例可以自由设定，本发明实施例中，90％的拼接图像用于训练，10％的拼接图像用于测试。
本发明实施例，训练后的识别模型可以高效准确地识别拼接图像中海岸线的侵蚀程度，并输出对应的侵蚀模态，方便监测人员后续分析。
接下来将以具体实例说明本发明对海岸线监测的过程。
以上述实施例中扇形的目标监测区域为例，多台摄像设备监测目标监测区域的不同角度，因此可以获取同一时间戳下各摄像设备对目标监测区域的多张图像，进而将多张图像进行拼接，得到一张拼接图像。然后利用超分辨率技术将拼接部分丢失的像素值补充完整，若拼接部分存在重合则取较为清晰的一方进行拼接。再将拼接图像进行灰度化，并从灰度化后的拼接图像中提取海岸线的海岸平面面积变化量以及海岸垂向堆积变化量，作为拼接图像的特征参数。将特征参数输入至海岸线侵蚀程度的识别模型，即可得到拼接图像中的海岸线对应的侵蚀模态识别结果。监测人员可以预先定义多种侵蚀模态，识别模型对拼接图像的识别结果对应多种侵蚀模态中的其中一种，进而可以用于后续的地貌演变的分析和监测。
本发明实施例对获取到的拼接图像补充丢失的像素值，使得拼接图像更加清晰，从而可以实现高度的精细化监测，并且，由于预先设定了多种侵蚀模态，当识别模型接收到拼接图像的特征参数后可以迅速识别出对应的侵蚀模态，十分高效。
另外，本发明实施例对历史获得的监测视频中的各张图像可以以乱序存储，需要使用时再通过自我监督模型输出排序连续的多种图像，降低了视频空间动态影响。
而通过与无人机拍摄得到的图像、以及相关图像处理技术的结合，可以得到准确的高程信息，也即获得了预测模型的第一级联神经网络的准确输入，再将实时的近岸区域风浪流场数据与第一级联神经网络的输出输入到第二级联神经网络，可以得到预测模型对目标监测区域的侵蚀程度的变化预测，实现精准监测并及时防治过度侵蚀。
参照图4，本发明实施例提供了一种海岸线侵蚀程度的监测装置，包括：
图像获取单元，用于获取同一时间戳下目标监测区域的不同角度的多张图像，并将所述图像进行拼接，得到一张拼接图像；
特征提取单元，用于从所述拼接图像中提取海岸线的海岸平面面积变化量以及海岸垂向堆积变化量，作为所述拼接图像的特征参数；
侵蚀模态识别单元，用于将所述特征参数输入至海岸线侵蚀程度的识别模型，得到所述拼接图像中的海岸线对应的侵蚀模态识别结果，所述识别模型为以带有侵蚀模态的特征参数作为训练数据训练得到。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本发明权利要求所限定的范围内。

Claims (8)

1.一种海岸线侵蚀程度的监测方法，其特征在于，包括：
获取同一时间戳下目标监测区域的不同角度的多张图像，并将所述图像进行拼接，得到一张拼接图像；
从所述拼接图像中提取海岸线的海岸平面面积变化量以及海岸垂向堆积变化量，作为所述拼接图像的特征参数；
将所述特征参数输入至海岸线侵蚀程度的识别模型，得到所述拼接图像中的海岸线对应的侵蚀模态识别结果，所述识别模型为以标注有侵蚀模态的特征参数作为训练数据训练得到；
所述从所述拼接图像中提取海岸线的海岸平面面积变化量以及海岸垂向堆积变化量，包括：
确定并补充所述拼接图像中丢失的像素值，得到补充像素值后的拼接图像；将补充像素值后的拼接图像进行灰度处理，得到灰度化的拼接图像；从灰度化的拼接图像中提取海岸线的海岸平面面积变化量以及海岸垂向堆积变化量。
2.根据权利要求1所述的海岸线侵蚀程度的监测方法，其特征在于，在所述获取同一时间戳下目标监测区域的不同角度的多张图像之前，还包括：
获取时间戳乱序的多张图像；
将预设的自我监督模型进行正则化处理，并将所述乱序的多张图像输入至正则化处理后的所述自我监督模型，得到时间戳顺序连续的多张图像。
3.根据权利要求1所述的海岸线侵蚀程度的监测方法，其特征在于，所述识别模型的训练过程，包括：
获取多种预设的侵蚀模态以及每种侵蚀模态对应的多张不同的训练拼接图像；
针对每种侵蚀模态对应的多张训练拼接图像，从每张训练拼接图像中提取海岸线的训练海岸平面面积变化量以及训练海岸垂向堆积变化量，作为该侵蚀模态的训练特征参数；
将每种侵蚀模态的训练特征参数输入至所述识别模型，得到每种侵蚀模态对应的海岸线侵蚀的识别结果；
根据所述识别结果，确定训练目标，训练所述识别模型，直至输出的海岸线的识别结果的准确率达到设定的范围，得到训练后的所述识别模型。
4.根据权利要求1所述的海岸线侵蚀程度的监测方法，其特征在于，还包括：
对任意两张相邻时间戳下的拼接图像进行检测，确定两张拼接图像中是否存在灰度值变化幅度超过设定幅度的区域；
若是，则将所述区域作为海岸的骤冲骤淤区，从所述目标监测区域的摄像设备对所述骤冲骤淤区拍摄得到的第一图像提取所述骤冲骤淤区的第一高程信息，从无人机对所述骤冲骤淤区拍摄得到的第二图像提取所述骤冲骤淤区的第二高程信息；
对所述第一高程信息与第二高程信息加权求和，得到最终高程信息。
5.根据权利要求4所述的海岸线侵蚀程度的监测方法，其特征在于，还包括：
根据侵蚀程度将所述骤冲骤淤区划分为多个子区域；
针对每个所述子区域，将所述子区域的高程信息输入至预测模型的第一级联神经网格，得到海岸线的第一平均侵蚀深度，所述预测模型为包括两个级联神经网格的随机森林预测模型；
将每个所述子区域的第一平均侵蚀深度与每个所述子区域的实时近岸风浪流场数据输入至所述预测模型的第二级联神经网格，得到海岸线的第二平均侵蚀深度，作为对每个所述子区域海岸线的最终预测平均侵蚀深度。
6.一种海岸线侵蚀程度的监测装置，其特征在于，包括：
图像获取单元，用于获取同一时间戳下目标监测区域的不同角度的多张图像，并将所述图像进行拼接，得到一张拼接图像；
特征提取单元，用于从所述拼接图像中提取海岸线的海岸平面面积变化量以及海岸垂向堆积变化量，作为所述拼接图像的特征参数；
侵蚀模态识别单元，用于将所述特征参数输入至海岸线侵蚀程度的识别模型，得到所述拼接图像中的海岸线对应的侵蚀模态识别结果，所述识别模型为以带有侵蚀模态的特征参数作为训练数据训练得到；
所述从所述拼接图像中提取海岸线的海岸平面面积变化量以及海岸垂向堆积变化量，包括：
确定并补充所述拼接图像中丢失的像素值，得到补充像素值后的拼接图像；将补充像素值后的拼接图像进行灰度处理，得到灰度化的拼接图像；从灰度化的拼接图像中提取海岸线的海岸平面面积变化量以及海岸垂向堆积变化量。
7.一种电子设备，其特征在于，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如权利要求1至5中任一项所述的方法。
8.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至5中任一项所述的方法。
CN202211118713.9A 2022-09-13 2022-09-13 一种海岸线侵蚀程度的监测方法、装置以及电子设备 Active CN115439748B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211118713.9A CN115439748B (zh) 2022-09-13 2022-09-13 一种海岸线侵蚀程度的监测方法、装置以及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211118713.9A CN115439748B (zh) 2022-09-13 2022-09-13 一种海岸线侵蚀程度的监测方法、装置以及电子设备

Publications (2)

Publication Number Publication Date
CN115439748A CN115439748A (zh) 2022-12-06
CN115439748B true CN115439748B (zh) 2023-09-26

Family

ID=84246908

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211118713.9A Active CN115439748B (zh) 2022-09-13 2022-09-13 一种海岸线侵蚀程度的监测方法、装置以及电子设备

Country Status (1)

Country Link
CN (1) CN115439748B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116136893B (zh) * 2023-04-20 2024-02-13 自然资源部第一海洋研究所 海岸侵蚀灾变预警线划定与位置范围计算的方法及系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005346664A (ja) * 2004-06-07 2005-12-15 Nogiwa Sangyo Kk 海岸線抽出方法及び海岸線抽出システム
KR101480171B1 (ko) * 2014-07-11 2015-01-12 (주)지오시스템리서치 영상의 픽셀정보 및 이동평균에 의한 픽셀정보 변화 패턴을 이용한 해안선 자동추출 장치 및 방법
KR20160016286A (ko) * 2014-08-04 2016-02-15 한국해양과학기술원 영상 처리를 통한 해안선 측정 방법 및 장치
CN106156758A (zh) * 2016-07-29 2016-11-23 辽宁工程技术大学 一种sar海岸图像中海岸线提取方法
KR20180020421A (ko) * 2016-08-18 2018-02-28 경북대학교 산학협력단 대용량 고해상도 위성 영상을 이용한 해안선 추출 방법 및 시스템
KR20180096096A (ko) * 2017-02-20 2018-08-29 한국해양과학기술원 해색 영상을 이용한 해안선 모니터링 장치 및 방법
CN110648347A (zh) * 2019-09-24 2020-01-03 北京航天宏图信息技术股份有限公司 一种基于遥感影像的海岸线提取方法及装置
CN110956182A (zh) * 2019-09-23 2020-04-03 四创科技有限公司 一种基于深度学习的检测水域岸线变化的方法
CN111666918A (zh) * 2020-06-22 2020-09-15 大连海洋大学 一种基于多因素的海岸线变化识别方法
CN111879292A (zh) * 2020-07-27 2020-11-03 深圳大学 一种海岸线动态监控方法、监控设备及存储介质
KR20210077390A (ko) * 2019-12-17 2021-06-25 전주비전대학교산학협력단 시계열 드론 영상을 활용한 연안지역 침식 퇴적 변화 분석 방법
CN113221813A (zh) * 2021-05-26 2021-08-06 广东省科学院广州地理研究所 一种海岸线遥感提取方法
CN113628227A (zh) * 2021-08-02 2021-11-09 哈尔滨工业大学 一种基于深度学习的海岸线变化分析方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005346664A (ja) * 2004-06-07 2005-12-15 Nogiwa Sangyo Kk 海岸線抽出方法及び海岸線抽出システム
KR101480171B1 (ko) * 2014-07-11 2015-01-12 (주)지오시스템리서치 영상의 픽셀정보 및 이동평균에 의한 픽셀정보 변화 패턴을 이용한 해안선 자동추출 장치 및 방법
KR20160016286A (ko) * 2014-08-04 2016-02-15 한국해양과학기술원 영상 처리를 통한 해안선 측정 방법 및 장치
CN106156758A (zh) * 2016-07-29 2016-11-23 辽宁工程技术大学 一种sar海岸图像中海岸线提取方法
KR20180020421A (ko) * 2016-08-18 2018-02-28 경북대학교 산학협력단 대용량 고해상도 위성 영상을 이용한 해안선 추출 방법 및 시스템
KR20180096096A (ko) * 2017-02-20 2018-08-29 한국해양과학기술원 해색 영상을 이용한 해안선 모니터링 장치 및 방법
CN110956182A (zh) * 2019-09-23 2020-04-03 四创科技有限公司 一种基于深度学习的检测水域岸线变化的方法
CN110648347A (zh) * 2019-09-24 2020-01-03 北京航天宏图信息技术股份有限公司 一种基于遥感影像的海岸线提取方法及装置
KR20210077390A (ko) * 2019-12-17 2021-06-25 전주비전대학교산학협력단 시계열 드론 영상을 활용한 연안지역 침식 퇴적 변화 분석 방법
CN111666918A (zh) * 2020-06-22 2020-09-15 大连海洋大学 一种基于多因素的海岸线变化识别方法
WO2021258758A1 (zh) * 2020-06-22 2021-12-30 大连海洋大学 一种基于多因素的海岸线变化识别方法
CN111879292A (zh) * 2020-07-27 2020-11-03 深圳大学 一种海岸线动态监控方法、监控设备及存储介质
CN113221813A (zh) * 2021-05-26 2021-08-06 广东省科学院广州地理研究所 一种海岸线遥感提取方法
CN113628227A (zh) * 2021-08-02 2021-11-09 哈尔滨工业大学 一种基于深度学习的海岸线变化分析方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Investigations into Synoptic Spatiotemporal Characteristics of Coastal Upper Ocean Circulation Using High Frequency Radar Data and Model Output;Lei Ren 等;《Remote Sens.2020》;1-25 *
Spatiotemporal characteristics and abrupt changes of wind speeds in the Guangdong–Hong Kong–Macau Greater Bay Area;Lei Ren 等;《Energy Reports》;1-18 *
改进Deeplab网络的遥感影像海岛岸线分割;王振华;钟元芾;何婉雯;曲念毅;徐利智;张文苹;刘智翔;;中国图象图形学报(第04期);144-154 *
漠阳江入海口海岸线分维及其机制分析;李爽;詹文欢;姚衍桃;;海洋通报(第02期);93-99 *

Also Published As

Publication number Publication date
CN115439748A (zh) 2022-12-06

Similar Documents

Publication Publication Date Title
CN113177183B (zh) 一种基于海洋遥感图像的海水污染监测预警方法及系统
CN115761472A (zh) 一种基于融合事件和rgb数据的水下暗光场景重建方法
CN115439748B (zh) 一种海岸线侵蚀程度的监测方法、装置以及电子设备
CN113887472A (zh) 基于级联颜色及纹理特征注意力的遥感图像云检测方法
Štepec et al. Automated system for ship detection from medium resolution satellite optical imagery
Thanh et al. Seasonal variation of morphology and sediment movement on nha trang coast, vietnam
JP2011080859A (ja) 水面境界線検知装置、水面境界線検知方法及び水面境界線検知プログラム
Jyh-Horng et al. Automated image identification method for flood disaster monitoring in riverine environments: A case study in Taiwan
JP4108593B2 (ja) 浸水監視装置
CN113963314A (zh) 降雨量监测方法、装置、计算机设备及存储介质
Ljubičić et al. SSIMS-Flow: Image velocimetry workbench for open-channel flow rate estimation
CN117911885A (zh) 一种赤潮检测方法、系统、介质、计算机设备及终端
Valentini et al. New coastal video-monitoring system achievement and development
CN111127355A (zh) 一种对缺损光流图进行精细补全的方法及其应用
CN113902744B (zh) 基于轻量级网络的图像检测方法、系统、设备和存储介质
CN116343078A (zh) 基于视频sar的目标跟踪方法、系统及设备
CN115546667A (zh) 一种无人机场景的实时车道线检测方法
CN115471782A (zh) 一种面向无人艇的红外舰船目标检测方法及装置
CN109583319B (zh) 一种基于海面红外遥感图像的舰船检测方法
Razmi et al. Assessing changes shoreline in Dayyer city using the Landsat satellite data, sensor TM and OLI 1991 and 2014 years
Priantama et al. The innovation development of early flash flood warning system based on digital image processing through android smartphone
Valentini et al. Investigation on the capabilities of low-cost and smartphone-based coastal imagery for deriving coastal state video indicators: applications on the upper mediterranean
Albertazzi et al. The CoastView Project
Rio et al. The Innovation Development of Early Flash Flood Warning System Based on Digital Image Processing Through Android Smartphone.
CN116503767B (zh) 基于语义式图像处理的河道漂浮物识别系统

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