CN115546672A - 基于图像处理的森林图片处理方法及系统 - Google Patents
基于图像处理的森林图片处理方法及系统 Download PDFInfo
- Publication number
- CN115546672A CN115546672A CN202211519779.9A CN202211519779A CN115546672A CN 115546672 A CN115546672 A CN 115546672A CN 202211519779 A CN202211519779 A CN 202211519779A CN 115546672 A CN115546672 A CN 115546672A
- Authority
- CN
- China
- Prior art keywords
- forest
- image
- early warning
- picture
- block
- 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
Links
Images
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
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- 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
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- 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
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本申请提供的基于图像处理的森林图片处理方法及系统,依据若干事先部署的神经网络分别对图像描述知识集合进行处理得到回归分析结果,其中,回归分析结果包括图像描述知识区块的预警置信水平;本申请待识别森林图片拆解成多个森林图像块区块进行可疑图像识别,没有如常规方式中直接对待识别森林图片的整体进行识别,在可疑图像识别过程中,将待识别森林图片中的细节知识进行充分考量,增加了图像预警区域识别的准确性;此外,因为事先部署的不同的神经网络的回归分析结果所对应的图像描述知识区块的区块容量不相同,换言之,基于不同容量拆解分割标准的网络分别对待识别森林图片进行预警识别,使得预警识别的结果更加精准可靠。
Description
技术领域
本申请涉及图像处理技术领域,具体而言,涉及一种基于图像处理的森林图片处理方法及系统。
背景技术
森林是地球的绿肺,我国大量的森林资源是宝贵的自然资源财富。因此,对森林的环境监测与防治是必不可少的,森林资源面临的最大的威胁往往包括火灾、虫害、山体滑坡、水土流失、人为滥伐等,在以往的森林防治中,通过设置护林站配置护林员,搭配简易的设备进行巡逻,这种方式效率极低,且护林员的个人安全得不到有效保障。随着科技的发展,尤其是无人机技术的发展,可以通过无人机大范围高效率地对森林防护区域进行图像或视频拍摄,以进行远程监控,帮助森林防治,而这也带来新的技术挑战,如何对无人机获取的森林图片进行有效识别,判断森林图片中是否存在预警情况成为了新的亟待解决的技术问题。
发明内容
本申请的目的在于提供一种基于图像处理的森林图片处理方法及系统,以改善以上的问题。
为了达到以上的目的,本申请的具体实施方案如下:
第一方面,本申请实施例提供了一种基于图像处理的森林图片处理方法,应用于电子设备,所述电子设备与至少一个无人机通信连接,用于接受无人机拍摄获取的森林图片,所述方法包括:
获取所述无人机传送的待识别森林图片;
对所述待识别森林图片进行图像描述知识挖掘,得到所述待识别森林图片的图像描述知识集合,所述图像描述知识集合包括所述待识别森林图片中多张森林图像块对应的图像块环境描述知识;
依据若干事先部署的神经网络分别对所述图像描述知识集合进行回归分析,获得各个事先部署的神经网络对应的回归分析结果;其中,所述事先部署的神经网络的回归分析结果包括所述图像描述知识集合中图像描述知识区块的预警置信水平,所述图像描述知识区块包括不少于一张森林图像块的图像块环境描述知识;所述事先部署的不同的神经网络的回归分析结果所对应的图像描述知识区块的区块容量不相同;
基于每个所述事先部署的神经网络对应的回归分析结果所表征的图像描述知识区块的预警置信水平,确定所述待识别森林图片中的森林图像块预警区块。
作为一种可选的实施方案,在依据若干事先部署的神经网络分别对所述图像描述知识集合进行回归分析,获得各个事先部署的神经网络对应的回归分析结果之前,所述方法还包括:
获取所述无人机传送的调试森林图片,所述调试森林图片中的森林图像块包含批注有森林预警情况的第一结果指示信息;
依据若干预设森林图像块区块容量,基于每一个预设森林图像块区块容量确定所述调试森林图片中的多个森林图像块区块调试数据,同时基于所述森林图像块区块调试数据对应的第一结果指示信息为所述森林图像块区块调试数据分配批注有森林预警情况的第二结果指示信息;
将各个预设森林图像块区块容量对应的包含第二结果指示信息的调试森林图片作为调试森林图片样本,基于所述调试森林图片样本对预设的初始神经网络进行调试,获得各个预设森林图像块区块容量对应的事先部署的神经网络。
作为一种可选的实施方案,基于每一个预设森林图像块区块容量确定所述调试森林图片中的多个森林图像块区块调试数据,包括:
生成以所述预设森林图像块区块容量作为调试捕捉框的预设捕捉范围的调试捕捉框,将调试森林图片中容纳于所述调试捕捉框内的全部森林图像块作为森林图像块区块调试数据,其中,所述调试捕捉框根据预设的捕捉跨度从所述调试森林图片的捕捉启动段平移到捕捉停止段;
所述第一结果指示信息包括正常结果指示信息和预警结果指示信息,所述通过所述森林图像块区块调试数据对应的第一结果指示信息为所述森林图像块区块调试数据分配批注有森林预警情况的第二结果指示信息,包括:
通过所述调试捕捉框内的预警结果指示信息统计数量和所述调试捕捉框的预设捕捉范围生成所述森林图像块区块调试数据的第二结果指示信息;
在所述预设的初始神经网络的调试过程中,将所述预设的初始神经网络对于所述调试森林图片样本的推理结果与所述调试森林图片样本的第二结果指示信息之间的概率分布距离确定为目标函数,依据所述目标函数调节所述预设的初始神经网络的网络系数。
作为一种可选的实施方案,所述对所述待识别森林图片进行图像描述知识挖掘,得到所述待识别森林图片的图像描述知识集合,包括:
对所述待识别森林图片进行森林图像块拆分操作,得到依照图片空间分布顺序排布的多张森林图像块,同时基于事先建立的图像块代码映射库将所述依照图片空间分布顺序排布的多张森林图像块中的每一个森林图像块映射成对应的图像块代码,得到所述待识别森林图片的图像块代码集合;
对所述图像块代码集合进行图像块环境描述知识挖掘,得到所述待识别森林图片的图像描述知识集合。
作为一种可选的实施方案,所述对所述图像块代码集合进行图像块环境描述知识挖掘,得到所述待识别森林图片的图像描述知识集合,包括:
通过所述图像块代码集合中的图像块代码确定所述图像块代码对应的图像块语义描述数组和图像块空间描述数组;
通过所述图像块代码集合中的图像块代码及所述图像块代码对应的图像块语义描述数组和图像块空间描述数组生成待图像描述知识挖掘描述数组;
对所述待图像描述知识挖掘描述数组进行图像块环境描述知识挖掘,得到所述待识别森林图片的图像描述知识集合。
作为一种可选的实施方案,依据若干事先部署的神经网络分别对所述图像描述知识集合进行回归分析,获得各个事先部署的神经网络对应的回归分析结果,包括:
通过所述事先部署的神经网络对应的预设森林图像块区块容量,基于预设的捕捉框按照尺取法确定所述图像描述知识集合中的图像描述知识区块;
基于所述事先部署的神经网络的线性提取单元获取所述图像描述知识区块的图像预警表达数组;
基于所述事先部署的神经网络的分类映射单元对所述图像预警表达数组进行回归分析,得到所述图像描述知识区块的预警置信水平;
所述基于所述事先部署的神经网络的线性提取单元获取所述图像描述知识区块的图像预警表达数组,包括:通过所述事先部署的神经网络的线性提取单元的网络系数对所述图像描述知识区块中的全部的图像块环境描述知识进行整合处理,得到所述图像描述知识区块的图像预警表达数组。
作为一种可选的实施方案,所述线性提取单元的网络系数包括第一比例分配系数和第一锚定系数;
通过所述事先部署的神经网络的线性提取单元的网络系数对所述图像描述知识区块中的全部的图像块环境描述知识进行整合处理,得到所述图像描述知识区块的图像预警表达数组,包括:
基于所述第一比例分配系数对所述图像描述知识区块中的全部的图像块环境描述知识按照所述第一比例分配系数进行相乘,然后将相乘结果进行相加,得到比例分配描述数组;
将所述比例分配描述数组与所述第一锚定系数进行相加,得到所述图像描述知识区块的图像预警表达数组;
所述事先部署的神经网络的分类映射单元包括第二比例分配系数和第二锚定系数;所述基于所述事先部署的神经网络的分类映射单元对所述图像预警表达数组进行回归分析,得到所述图像描述知识区块的预警置信水平,包括:将所述图像预警表达数组与所述第二比例分配系数进行作积,将作积结果和所述第二锚定系数进行求和,得到拟激活描述数组;基于预先设定的线性变换算子对所述拟激活描述数组进行处理,得到所述图像描述知识区块的预警置信水平。
作为一种可选的实施方案,基于每个事先部署的神经网络回归分析结果所表征的图像描述知识区块的预警置信水平,确定所述待识别森林图片中的森林图像块预警区块,包括:
确定各个事先部署的神经网络回归分析结果所表征的图像描述知识区块的预警置信水平中的预警置信水平最大值;
将所述预警置信水平最大值对应图像描述知识区块所表征的多张森林图像块确定为所述待识别森林图片中的森林图像块预警区块。
作为一种可选的实施方案,所述方法还包括:
获取待识别森林图片集,所述待识别森林图片集包含多张森林图片,每一张所述森林图片为具有预警情况的森林图片;
挖掘每个森林图片中各个预警区域的预警区域描述数组,并分别确定每个所述森林图片中各个预警区域的预警区域空间信息和预警类别;
通过每个所述森林图片的预警区域描述数组、预警区域空间信息和预警类别,确定所述不少于两个森林图片中对应相同目标预警区域的拟分析预警区域;
通过所述目标预警区域分别在所述不少于两个森林图片中对应的拟分析预警区域的预警区域空间信息,构建所述目标预警区域的演化趋势;
其中,所述不少于两个森林图片包括第一森林图片和第二森林图片,所述第一森林图片和所述第二森林图片为前后紧邻的森林图片,所述通过每个所述森林图片的预警区域描述数组、预警区域空间信息和预警类别,确定所述不少于两个森林图片中对应相同目标预警区域的拟分析预警区域,包括:确定所述第一森林图片中的一个及以上的第一预警区域和所述第二森林图片中的一个及以上的第二预警区域;对于每个第一预警区域,通过所述第一预警区域在所述第一森林图片中的预警区域空间信息、预警类别和预警区域描述数组,和每个第二预警区域在所述第二森林图片中的预警区域空间信息、预警类别和预警区域描述数组,确定所述第一预警区域和每个所述第二预警区域之间的共性系数;基于所述共性系数确定对应相同目标预警区域的所述第一预警区域和所述第二预警区域,并将对应相同目标预警区域的所述第一预警区域和所述第二预警区域确定为所述拟分析预警区域。
第二方面,本申请实施例提供了一种数据处理系统,包括电子设备和无人机,所述电子设备和所述无人机可通信连接,所述电子设备包括处理器和存储器,所述存储器存储有计算机程序,所述处理器用于执行所述计算机程序,并在执行所述计算机程序时实现如权利要求1~9任一项所述的方法。
在本申请实施例提供的基于图像处理的森林图片处理方法及系统,依据若干事先部署的神经网络分别对图像描述知识集合进行处理得到回归分析结果,其中,回归分析结果包括图像描述知识区块的预警置信水平,换言之,将待识别森林图片拆解成多个森林图像块区块进行可疑图像识别,没有和常规方式中直接对待识别森林图片的整体进行识别,如此令可疑图像识别过程中,将待识别森林图片中的细节知识进行充分考量,增加了图像预警区域识别的准确性;此外,因为事先部署的不同的神经网络的回归分析结果所对应的图像描述知识区块的区块容量不相同,换言之,基于不同容量拆解分割标准的网络分别对待识别森林图片进行预警识别,使得预警识别的结果更加精准可靠。
在后面的描述中,将部分地陈述其他的特征。在检查后面内容和附图时,本领域的技术人员将部分地发现这些特征,或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面,当前申请中的特征可以被实现和获得。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1是本申请实施例提供的一种基于图像处理的森林图片处理方法的流程图。
图2是本申请实施例提供的图像处理装置的功能模块架构示意图。
图3是本申请实施例提供的一种电子设备的组成示意图。
具体实施方式
下面结合本申请实施例中的附图对本申请实施例进行描述。本申请实施例的实施方式部分使用的术语仅用于对本申请的具体实施例进行解释,而非旨在限定本申请。
本申请实施例中基于图像处理的森林图片处理方法的执行主体为电子设备,包括但不限于服务器、个人电脑、笔记本电脑、平板电脑、智能手机等。电子设备可以优选为服务器,例如包括但不限于单个网络服务器、多个网络服务器组成的服务器组或于云计算的由大量计算机或网络服务器构成的云,其中,云计算是分布式计算的一种,由一群松散耦合的计算机集组成的一个超级虚拟计算机。其中,电子设备可单独运行来实现本申请,也可接入网络并通过与网络中的其他计算机设备的交互操作来实现本申请。其中,计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、VPN网络等。电子设备可与至少一个无人机通信连接,但是需要说明的是,该通信连接可以不是实时的,而在连接时,可以是通过无线网络进行连接,也可以是通过连接设备如USB进行连接,本申请对此并不进行限定,电子设备和无人机共同构成本申请实施例提供的数据处理系统。
本申请实施例提供了一种基于图像处理的森林图片处理方法,该方法应用于电子设备,如图1所示,该方法包括:
步骤S1:获取无人机拍摄的待识别森林图片。
其中,待识别森林图片可以是无人机实时传送的森林图片,例如是按照预设的拍摄周期和传送周期(可以理解,该周期较短,以保证实时性)传送的森林图片,也可以是无人机拍摄森林图像之后,回程进行归纳挑选后传送至电子设备的森林图片。森林图片可以是无人机拍摄的单张森林待识别区域的全景图片,也可以是无人机拍摄的多张森林不同区域合并后形成的一张拼接图片。此外,森林图片可以是无人机在任意可能的角度和高度拍摄的森林图片,例如在距离地面100米俯拍的森林俯视图,或者无人机在森林内部拍摄的森林全景图,本申请实施例对森林图片的上述各种特性不做具体限定。本申请实施例提供的基于图像处理的森林图片处理方法的目的在于对待识别森林图片进行分析识别,在森林图片具有预警信息时定位到森林图片的具体位置,预警信息可以是预先设置的需要关注的预警信息,例如火灾、病害、地质灾害等影响森林生态的需要预警的场景,这些场景在视觉上可以进行明显辨识,因此可以借助本申请实施提供的基于图像处理的森林图片处理方法进行识别分析。
步骤S2:对待识别森林图片进行图像描述知识挖掘,得到待识别森林图片的图像描述知识集合,图像描述知识集合包括待识别森林图片中多张森林图像块对应的图像块环境描述知识。
本申请实施例提供的基于图像处理的森林图片处理方法中,对待识别森林图片进行图像描述知识挖掘的过程是对待识别森林图片的上下文图像语义进行图像描述知识挖掘,将待识别森林图片从图像空间映射成描述知识(通过Aj技术中专家模型领域进行挖掘得到的特征的矢量表达),得到待识别森林图片中多张森林图像块对应的图像块环境描述知识,形成图像描述知识集合,其中,一个图像块的图像块环境描述知识中,涵盖该图像块在待识别森林图片中的语义信息,换言之,涵盖了该图像块在待识别森林图片中的预警信息。
作为本申请实施例的一种实施方式,对待识别森林图片进行图像描述知识挖掘的过程具体可以包括以下步骤S21~S22:
步骤S21:对待识别森林图片进行森林图像块拆分操作,得到依照图片空间分布顺序排布的多张森林图像块,同时基于事先建立的图像块代码映射库将依照图片空间分布顺序排布的多张森林图像块中的每一个森林图像块映射成对应的图像块代码,得到待识别森林图片的图像块代码集合。
在本申请实施例中,森林图像块拆分操作即对待识别森林图片的内容进行拆解切割,得到依照图片空间分布顺序排布的多张森林图像块,多张森林图像块的排布方式为待识别森林图片中的图像内容在图像二维坐标系中的分布情况。在拆解切割获得多张森林图像块后,将每一个森林图像块映射成对应的图像块代码,获得按空间分布排列的多个森林图像块代码,换言之,获得待识别森林图片的图像块代码集合,图像块代码可以理解为图像块的一种指示性信息,将森林图像块映射成对应的图像块代码后,更方便后续的处理,提高处理效率。
作为本申请实施例的一种实施方式,可以通过事先建立的图像块代码映射库将图像块映射成对应的图像块代码。由于对于森林图像领域而言,森林图像的图像变化较为平缓,整体色彩和图像基调单一,建立图像块代码映射库的难度较低,将常见的图像块赋予对应的图像块代码,在处理时,赋予符合要求的图像块以匹配的图像块代码即可。事先建立的图像块代码映射库中归纳了大量图像块及图像块所对应的图像块代码,遍历依照图片空间分布顺序排布的多张森林图像块,对于每一个图像块都在事先建立的图像块代码映射库中索引和该图像块一致的图像块(例如计算二者之间的向量距离,符合预设向量距离阈值的二者为一致的图像块),将一致的图像块所对应的图像块代码确定为该图像块的图像块代码。
作为本申请实施例的一种实施方式,如果待识别森林图片是通过多张图片拼接而成,可以在待识别森林图片的拼接区域设置区分标记,在进行图片拆解切割时,被拆解出的图森林像块中不能包含该区分标记,换言之,分属于两张森林图片的图像内容不能合并在一起进行分析,以免形成扰动。
步骤S22:对图像块代码集合进行图像块环境描述知识挖掘,得到待识别森林图片的图像描述知识集合。
在本申请实施例中,图像块环境描述知识是图像块的上下文知识,可以体现图像块在图片中的语义,换言之可以表征图像块在图像区域中的预警信息。作为本申请实施例的一种实施方式,可以基于预先调试的图像识别网络对图像块代码集合进行图像块环境描述知识挖掘,图像识别网络可以是基于任意可行的神经网络架构进行调试得到的,例如基于CNN、RNN、DNN、ResNet等现有网络架构进行参数调整优化得到的。
作为本申请实施例的一种实施方式,对图像块代码集合进行图像块环境描述知识挖掘,可以包括如下步骤:根据图像块代码集合中的图像块代码确定图像块代码对应的图像块语义描述数组和图像块空间描述数组;基于图像块代码集合中的图像块代码及图像块代码对应的图像块语义描述数组和图像块空间描述数组生成待图像描述知识挖掘描述数组;对待图像描述知识挖掘描述数组进行图像块环境描述知识挖掘,得到待识别森林图片的图像描述知识集合,描述数组可以理解为描述向量。
在本申请实施例中,图像块的图像块语义描述数组用于指示待识别森林图片的整体语义结果和图像块的语义整合(例如融合)后的信息,比如图像块的图像块语义描述数组可以反映图像块所在的对象(举例而言,待识别森林图片包括对象1和对象2,对象1和对象2可以是森林图片中不同的区域范围,如分为树木、河流、岩石等种类,或分为不同树木的种类等,图像块的图像块语义描述数组可以表明该图像块属于对象1或对象2)、图像块归属的对象的种类,图像块语义描述数组由图像识别网络根据图像块代码和待识别森林图片确定。图像块的图像块空间描述数组代表图像块在待识别森林图片中的空间或者说坐标信息,因为待识别森林图片中不同空间的图像块所对应的语义各异,图像块的图像块空间描述数组可以令图像块环境描述知识挖掘时将图像块的空间纳入考量,使图像块环境描述知识挖掘更加准确,图像块空间描述数组由图像识别网络根据图像块代码和待识别森林图片确定。
在获取到图像块代码集合中图像块代码对应的图像块语义描述数组和图像块空间描述数组后,可以将图像块代码和对应的图像块语义描述数组和图像块空间描述数组进行相加,得到待图像描述知识挖掘描述数组。接着,对待图像描述知识挖掘描述数组进行图像块环境描述知识挖掘,得到图像描述知识集合。图像描述知识集合中包括每一个森林图像块的图像块环境描述知识。
步骤S3:依据若干事先部署的神经网络分别对图像描述知识集合进行回归分析,获得各个事先部署的神经网络对应的回归分析结果。
事先部署的神经网络的回归分析结果包括图像描述知识集合中图像描述知识区块的预警置信水平,图像描述知识区块包括不少于一张森林图像块的图像块环境描述知识;事先部署的不同的神经网络的回归分析结果所对应的图像描述知识区块的区块容量不相同。
在本申请实施例中,事先部署的神经网络用于推理判断图像描述知识集合的预警可能性,事先部署的神经网络对图像描述知识集合进行回归分析获取的回归分析结果包括多个图像描述知识区块的预警置信水平,换言之,事先部署的神经网络将图像描述知识集合拆解成多个图像描述知识区块,接着推理每个图像描述知识区块的预警置信水平,一个图像描述知识区块即图像描述知识集合中的一部分,因此一个图像描述知识区块包括不少于一张森林图像块的图像块环境描述知识。在本申请实施例中,依据若干事先部署的神经网络分别对图像描述知识集合进行回归分析,每个事先部署的神经网络得到的回归分析结果中,图像描述知识区块的容量均不一致,图像描述知识区块的容量表示组成图像描述知识区块的图像块环境描述知识的数量,换言之,是图像描述知识区块所对应的图像块的数量。比如,采用三个事先部署的神经网络分别对图像描述知识集合进行回归分析,第一个事先部署的神经网络对应的图像描述知识区块容量为3,第二个事先部署的神经网络对应的图像描述知识区块容量为1,第三个事先部署的神经网络对应的图像描述知识区块容量为2。
作为本申请实施例的一种实施方式,事先部署的神经网络对图像描述知识集合的处理可以包括如下步骤:通过事先部署的神经网络对应的预设森林图像块区块容量,基于预设的捕捉框按照尺取法确定图像描述知识集合中的图像描述知识区块,并对图像描述知识区块进行回归分析,得到图像描述知识区块的预警置信水平。
在本申请实施例中,事先部署的神经网络需要将图像描述知识集合拆解的图像描述知识区块的容量是实现确定的,也即预设森林图像块区块容量。通过预设森林图像块区块容量视作一个调试捕捉框的预设捕捉范围,接着将该调试捕捉框沿图像描述知识集合平移和平移,在调试捕捉框进行平移时,图像描述知识集合在调试捕捉框内的森林图像块区块就是图像描述知识区块,那么,基于预设的捕捉框按照尺取法,将图像描述知识集合拆解成多个图像描述知识区块。在拆解获得图像描述知识区块后,对图像描述知识区块进行回归分析,就可以得到图像描述知识区块的预警置信水平。
在调试捕捉框平移时,调试捕捉框以预设的捕捉跨度(即移动的距离,或称移动的覆盖范围)进行平移,以调试捕捉框的端头作为出发基准点,当前调试捕捉框出发基准点和上一调试捕捉框出发基准点之间的距离为预设的捕捉跨度。作为一种实施方式,预设的捕捉跨度等于1,换言之,调试捕捉框每次向前移动一个图像块,同时调试捕捉框出发基准点从图像描述知识集合的捕捉启动段平移到捕捉停止段。在对图像描述知识集合进行拆解分割时,当预设森林图像块区块容量为n时,n≥2,设图像描述知识集合为{m1;m2……mj},图像描述知识区块为{mj:mj+n},代表图像描述知识区块从第j个图像块的图像块环境描述知识mj到第j+n个图像块的图像块环境描述知识mj+n。如果预设森林图像块区块容量为1,则相当于对图像描述知识集合中的图像块环境描述知识进行了唯一拆解,换言之,对待识别森林图片进行了唯一图像块拆解分割,得到的图像描述知识区块为待识别森林图片中的一个图像块所对应的图像块环境描述知识。
作为本申请实施例的一种实施方式,对图像描述知识区块进行回归分析可以包含以下步骤:基于事先部署的神经网络的线性提取单元获取图像描述知识区块的图像预警表达数组;基于事先部署的神经网络的分类映射单元对图像预警表达数组进行回归分析,得到图像描述知识区块的预警置信水平。
在本申请实施例中,事先部署的神经网络具有线性提取单元(包含至少一个卷积层)和分类映射单元(包含至少一层全连接层),线性提取单元用于挖掘图像描述知识区块的图像预警表达数组,分类映射单元用于基于该图像预警表达数组获取预警置信水平。其中,线性提取单元基于网络系数对图像描述知识区块中的全部的图像块环境描述知识进行整合处理,得到图像预警表达数组,线性提取单元的网络系数包括第一比例分配系数和第一锚定系数,第一比例分配系数和第一锚定系数是在网络的调试过程中确定的网络系数,不同的事先部署的神经网络,对应的线性提取单元的网络系数不一致。在进行整合处理处理的过程中,先基于第一比例分配系数对图像描述知识区块中的全部的图像块环境描述知识按照所述第一比例分配系数进行相乘,然后将相乘结果进行相加,得到比例分配描述数组;接着将比例分配描述数组与第一锚定系数进行相加,得到图像描述知识区块的图像预警表达数组。将预设森林图像块区块容量n所对应事先部署的神经网络的线性提取单元的第一比例分配系数设定为Un,第一锚定系数为Vn,第j个图像描述知识区块中的全部的图像块环境描述知识为{mj:mj+n},第j个图像描述知识区块的图像预警表达数组Snj为:Snj={Un{mj:mj+n}+Vn}。n为森林图像块区块容量,Snj为在预设森林图像块区块容量n下挖掘的第j个图像描述知识区块的图像预警表达数组,{mj:mj+n}为第j个图像描述知识区块,Un和Vn为预设森林图像块区块容量n对应事先部署的神经网络中线性提取单元的网络系数。
预设森林图像块区块容量也即线性提取单元的滤波器预设捕捉范围,换言之基于不同容量拆解分割标准的线性提取网络分别对图像描述知识集合进行处理。获取到图像预警表达数组后,基于分类映射单元对图像预警表达数组进行回归分析,得到图像描述知识区块的预警置信水平。例如,分类映射单元包含第二比例分配系数和第二锚定系数,将图像预警表达数组与第二比例分配系数进行作积,将作积结果和第二锚定系数进行求和,得到拟激活描述数组;接着基于分类映射单元所搭载的线性变换算子对拟激活描述数组进行处理,得到图像描述知识区块的预警置信水平。预先设定的线性变换算子可以是各种激活函数,如常见的归一化指数函数Softmax、ReLU等,具体选择据实而定。
作为本申请实施例的一种实施方式,在基于事先部署的神经网络对图像描述知识集合进行回归分析之前,还包括事先部署的神经网络的训练优化的过程,具体可以包括S31~S33:
步骤S31:获取所述无人机传送的调试森林图片,调试森林图片中的森林图像块包含批注有森林预警情况的第一结果指示信息。
在本申请实施例中,调试森林图片是包含预警情况批注的具有预警情况的森林图片,该预警森林图片被拆分为多张森林图像块,每一个森林图像块包含批注有森林预警情况的第一结果指示信息。图像块的森林预警情况表示该图像块是否包含森林预警信息,该森林预警情况可以基于第一结果指示信息的不同批注方式进行批注,比如第一结果指示信息可以批注为N,表示该图像块没有森林预警情况,此时的第一结果指示信息可以批注为正常结果指示信息。第一结果指示信息批注为Y,则表示该图像块包含森林预警情况,此时的第一结果指示信息可以批注为预警结果指示信息。
步骤S22:依据若干预设森林图像块区块容量,基于每一个预设森林图像块区块容量确定调试森林图片中的多个森林图像块区块调试数据,同时基于森林图像块区块调试数据对应的第一结果指示信息为森林图像块区块调试数据分配批注有森林预警情况的第二结果指示信息。
在本申请实施例中,定义多个预设森林图像块区块容量,对于每个预设森林图像块区块容量对调试森林图片进行拆解分割,得到调试森林图片对应的多个森林图像块区块调试数据,同时基于森林图像块区块调试数据中每一个森林图像块的第一结果指示信息为森林图像块区块调试数据分配第二结果指示信息。该第二结果指示信息基于第一结果指示信息确定得到,表示森林图像块区块调试数据的预警状况。
基于预设森林图像块区块容量得到调试森林图片的多个森林图像块区块调试数据的具体方式为:生成以预设森林图像块区块容量作为调试捕捉框的预设捕捉范围的调试捕捉框,将调试森林图片中容纳于调试捕捉框内的全部森林图像块作为森林图像块区块调试数据,其中,调试捕捉框根据预设的捕捉跨度从调试森林图片的捕捉启动段平移到捕捉停止段。换言之,生成以预设森林图像块区块容量作为调试捕捉框的预设捕捉范围的调试捕捉框,再根据预设的捕捉跨度将该调试捕捉框出发基准点从调试森林图片的捕捉启动段平移到捕捉停止段,每一次平移,调试森林图片中容纳于调试捕捉框内的全部森林图像块构成一个森林图像块区块调试数据,因此获得多个森林图像块区块调试数据。如果调试捕捉框中的图像块数量不足,采用0值进行填补,常规应用中,预设的捕捉跨度数值等于1。确定森林图像块区块调试数据的方式可以返回上述获取图像描述知识区块的介绍,此处不再赘述。
因为调试森林图片中每一个森林图像块的第一结果指示信息只有Y和N两种情况,在通过第一结果指示信息进行网络调试的过程中,基于网络的推理结果与第一结果指示信息所确定的目标函数具备不小的损失,此时如果网络反向传播调节系数进行迭代调试时,将造成网络推理走偏,最后得到的网络推理精度不足。基于此,本申请实施例提供的方法中,为森林图像块区块调试数据再次分配第二结果指示信息,在调试捕捉框平移滑动时,基于调试捕捉框内的预警结果指示信息统计数量和调试捕捉框的预设捕捉范围生成森林图像块区块调试数据的第二结果指示信息。森林图像块区块调试数据的第二结果指示信息包括正常指示信息和预警指示信息,其中,正常指示信息表征森林图像块区块调试数据为正常情况的可能性,预警指示信息表征森林图像块区块调试数据为森林预警情况的可能性,正常指示信息与预警指示信息之和等于1,此时,获得预警指示信息即可获得正常指示信息。
在本申请实施例中,在调试捕捉框平移滑动时,将调试捕捉框内的预警结果指示信息统计数量与调试捕捉框的预设捕捉范围的比值确定为森林图像块区块调试数据的第二结果指示信息中的预警指示信息。如果调试捕捉框的预设捕捉范围为1(预设森林图像块区块容量为1)时,森林图像块区块调试数据即调试森林图片中的唯一图像块,因此森林图像块区块调试数据的第二结果指示信息与每一个森林图像块的第一结果指示信息相同。如果调试捕捉框的预设捕捉范围为2,此时第二结果指示信息的数据不限于两类数值,变得更加缓和,可以有效抹除第一结果指示信息中的损失对网络的扰动。
步骤S33:将各个预设森林图像块区块容量对应的包含第二结果指示信息的调试森林图片作为调试森林图片样本,基于调试森林图片样本对预设的初始神经网络进行调试,获得各个预设森林图像块区块容量对应的事先部署的神经网络。
在本申请实施例中,在对调试森林图片中的森林图像块区块调试数据分配第二结果指示信息后,可将该调试森林图片确定为调试森林图片样本对预设的初始神经网络进行调试。基于上述步骤的结果,各个预设森林图像块区块容量都能获得一种包含第二结果指示信息的调试森林图片,换言之,每个预设森林图像块区块容量对应一个调试森林图片样本,在调试过程中,通过预设森林图像块区块容量对应的调试森林图片样本对该预设森林图像块区块容量的预设的初始神经网络进行调试,就能获得该预设森林图像块区块容量对应的事先部署的神经网络。作为本申请实施例的一种实施方式,在预设的初始神经网络的调试过程中,将预设的初始神经网络对于调试森林图片样本的推理结果与调试森林图片样本的第二结果指示信息之间的概率分布距离确定为目标函数,基于目标函数调节预设的初始神经网络的网络系数,网络系数为上述步骤中涉及的Un、Vn等系数,具体函数内容此处不做限定和赘述。
作为本申请实施例的一种实施方式,在对各个预设森林图像块区块容量对应的预设的初始神经网络进行调试时,通过重复调校,依据预设森林图像块区块容量的递增的顺序逐一对各网络进行调试。
步骤S4:基于每个事先部署的神经网络回归分析结果所表征的图像描述知识区块的预警置信水平,确定待识别森林图片中的森林图像块预警区块。
在本申请实施例中,一个事先部署的神经网络的回归分析结果包括相同容量的多个图像描述知识区块的预警置信水平,多个事先部署的神经网络的回归分析结果包括不同容量的多个图像描述知识区块的预警置信水平,确定该多个预警置信水平中的预警置信水平最大值,将预警置信水平最大值对应图像描述知识区块所表征的多张森林图像块作为待识别森林图片中的森林图像块预警区块,以此确定待识别森林图片中的森林图像块预警区块的容量和坐标。比如预警置信水平最大值对应的图像描述知识区块为预设森林图像块区块容量n第j个图像描述知识区块,确定待识别森林图片中的森林图像块预警区块是由第j个图像块到第(j+n)个图像块组成的森林图像块区块。
依据若干事先部署的神经网络分别对图像描述知识集合进行处理得到回归分析结果,其中,回归分析结果包括图像描述知识区块的预警置信水平,换言之,将待识别森林图片拆解成多个森林图像块区块进行可疑图像识别,没有和常规方式中一样直接对待识别森林图片的整体进行识别,如此令可疑图像识别过程中充分考虑到待识别森林图片中的细节知识,增加了图像预警区域识别的准确性;此外,因为事先部署的不同的神经网络的回归分析结果所对应的图像描述知识区块的区块容量不相同,换言之,基于不同容量拆解分割标准的网络分别对待识别森林图片进行预警识别,使得预警识别的结果更加精准可靠。
作为另一种实施方案,经过长时间地积累,在识别到大量具有预警情况的森林图片后,可以对历史和当前的具有预警情况的森林图片进行综合分析,尤其是针对森林树木病害、山体滑坡、水土流失等自然灾害,可以分析得到该预警情况的演化趋势情况,以判断是否需要进行人为干预,防止情况恶化,具体可以包括以下步骤S5:
步骤S5:获取待识别森林图片集,待识别森林图片集包含多张森林图片,每一张森林图片为具有预警情况的森林图片;挖掘每个森林图片中各个预警区域的预警区域描述数组,并分别确定每个森林图片中各个预警区域的预警区域空间信息和预警类别;通过每个森林图片的预警区域描述数组、预警区域空间信息和预警类别,确定不少于两个森林图片中对应相同目标预警区域的拟分析预警区域;通过目标预警区域分别在不少于两个森林图片中对应的拟分析预警区域的预警区域空间信息,构建目标预警区域的演化趋势。
本申请实施例通过从森林图片中挖掘预警区域的预警区域描述数组、预警区域空间信息和预警类别,确定对应相同目标预警区域的多个预警区域,同时构建相同目标预警区域的演化趋势,换言之,将预警区域描述数组与预警区域空间信息和预警类别联合分析,同时通过以上三个分析维度确定目标预警区域的综合发展趋势,这样便于提升确定预警区域演化的精确度和目标预警区域的演化趋势的精准度。
作为本申请实施例的一种实施方式,不少于两个森林图片包括第一森林图片和第二森林图片,第一森林图片和第二森林图片为前后紧邻的森林图片,则通过每个森林图片的预警区域描述数组、预警区域空间信息和预警类别,确定不少于两个森林图片中对应相同目标预警区域的拟分析预警区域,具体可以包括:确定第一森林图片中的一个及以上的第一预警区域和第二森林图片中的一个及以上的第二预警区域;对于每个第一预警区域,通过第一预警区域在第一森林图片中的预警区域空间信息、预警类别和预警区域描述数组,和每个第二预警区域在第二森林图片中的预警区域空间信息、预警类别和预警区域描述数组,确定第一预警区域和每个第二预警区域之间的共性系数;基于共性系数确定对应相同目标预警区域的第一预警区域和第二预警区域,并将对应相同目标预警区域的第一预警区域和第二预警区域确定为拟分析预警区域。
其中,因为每张森林图片中在某些情况下涵盖多个预警区域,对于每个第一预警区域,可以通过预警区域空间信息、预警类别和预警区域描述数组,计算和各个第二预警区域之间的共性系数,这样能够对每个第一预警区域都进行分析,缓解分析遗漏,帮助提升拟分析预警区域分析的精确度。
作为本申请实施例的一种实施方式,对于每个第一预警区域,通过第一预警区域在第一森林图片中的预警区域空间信息、预警类别和预警区域描述数组,和每个第二预警区域在第二森林图片中的预警区域空间信息、预警类别和预警区域描述数组,确定第一预警区域和每个第二预警区域之间的共性系数,具体可以包括:对于每个第一预警区域,通过预警区域描述数组、预警区域空间信息和预警类别中的一个及以上的分析类型,在第二森林图片中确定一个及以上的第二目标预警区域;通过预警区域描述数组、预警区域空间信息和预警类别,确定第一预警区域与第二目标预警区域之间的共性系数;基于共性系数,确定对应相同目标预警区域的第一预警区域和第二预警区域,并将对应相同目标预警区域的第一预警区域和第二预警区域确定为拟分析预警区域,具体可以包括:基于第一预警区域和第二目标预警区域之间的共性系数,确定对应相同目标预警区域的第一预警区域和第二目标预警区域,同时将对应相同目标预警区域的第一预警区域和第二目标预警区域确定为拟分析预警区域。
对于每个第一预警区域,通过预警区域描述数组、预警区域空间信息和预警类别中的一个及以上的分析类型,确定第二森林图片中的一个及以上的第二目标预警区域,换言之,可以通过一个及以上的分析类型减少第二森林图片中的第二预警区域的涉及范围,这样能够避免无用的共性系数获取,帮助增加获取第一预警区域和各个第二预警区域之间的共性系数的速度。
作为本申请实施例的一种实施方式,对于每个第一预警区域,通过预警区域描述数组、预警区域空间信息和预警类别中的一个及以上的分析类型,从第二森林图片中确定一个及以上的第二目标预警区域,具体可以包括:在第一森林图片和第二森林图片的获取间隔小于预设间隔值时,对于每个第一预警区域,通过第一预警区域在第一森林图片中的预警区域空间信息和每个第二预警区域在第二森林图片中的预警区域空间信息,获取第一预警区域与每个第二预警区域的空间共性系数;判断第一预警区域与每个第二预警区域的空间共性系数是否达到第一设定要求;将达到第一设定要求的空间共性系数所对应的第二预警区域作为第二目标预警区域。
本申请基于确定第一预警区域和每个第二预警区域的空间共性系数是否达到第一设定要求,同时将达到第一设定要求的空间共性系数所对应的第二预警区域,作为第二目标预警区域,换言之,把未达到第一设定要求的空间共性系数所对应的第二预警区域清洗掉,这样能够增加获取第二目标预警区域的速度。
作为本申请实施例的一种实施方式,对于每个第一预警区域,通过预警区域描述数组、预警区域空间信息和预警类别中的一个及以上的分析类型,从第二森林图片中确定一个及以上的第二目标预警区域,具体可以包括:对于每个第一预警区域,通过第一预警区域的预警类别和每个第二预警区域的预警类别,确定第一预警区域与每个第二预警区域之间的类型共性系数;判断第一预警区域与每个第二预警区域之间的类型共性系数是否达到第二设定要求;将达到第二设定要求的类型共性系数所对应的第二预警区域,确定为第二目标预警区域。
除了以上基于第一设定要求减少第二预警区域选取范围的方式外,还可以将达到第二设定要求的类型共性系数所对应的第二预警区域确定为第二目标预警区域,换言之,把未达到第二设定要求的类型共性系数对应的第二预警区域清洗掉,这样可以让获取第二目标预警区域的过程具备可更换性,获取第二目标预警区域的速度也更快。
作为本申请实施例的一种实施方式,基于共性系数,确定对应相同目标预警区域的第一预警区域和第二预警区域,包括:基于共性系数和第一关联策略,确定第一预警区域和每个第二预警区域之间是否已经关联;将已经关联的第一预警区域和第二预警区域,确定为对应相同目标预警区域的第一预警区域和第二预警区域。
其中,基于共性系数和第一关联策略对第一预警区域和每个第二预警区域进行关联,能够提升关联的精确性,以增加获取对应相同目标预警区域的第一预警区域和第二预警区域的精确性。
作为本申请实施例的一种实施方式,将已经关联的第一预警区域和第二预警区域,确定对应相同目标预警区域的第一预警区域和第二预警区域,包括:将已经关联的第一预警区域和第二预警区域,确定为预警区域匹配组;在预警区域匹配组的个数超过两个时,通过第二关联策略,在多个预警区域匹配组中获取目标预警区域匹配组,将目标预警区域匹配组中的第一预警区域和第二预警区域,确定为对应相同目标预警区域的第一预警区域和第二预警区域。
在预警区域匹配组的个数超过两个时,通过第二关联策略确定目标预警区域匹配组,换言之,可以在多个预警区域匹配组中识别到最大相似性的目标预警区域匹配组,这样增加了获取对应相同目标预警区域的第一预警区域和第二预警区域的精确度。
基于与图1中所示方法相同的原理,本申请实施例中还提供了一种图像处理装置10,如图2所示,该装置10包括:
图像获取模块11,用于获取无人机拍摄的待识别森林图片。
知识挖掘模块12,用于对所述待识别森林图片进行图像描述知识挖掘,得到所述待识别森林图片的图像描述知识集合,所述图像描述知识集合包括所述待识别森林图片中多张森林图像块对应的图像块环境描述知识。
回归分析模块13,用于依据若干事先部署的神经网络分别对所述图像描述知识集合进行回归分析,获得各个事先部署的神经网络对应的回归分析结果;其中,所述事先部署的神经网络的回归分析结果包括所述图像描述知识集合中图像描述知识区块的预警置信水平,所述图像描述知识区块包括不少于一张森林图像块的图像块环境描述知识;所述事先部署的不同的神经网络的回归分析结果所对应的图像描述知识区块的区块容量不相同;
预警确定模块14,用于基于每个所述事先部署的神经网络对应的回归分析结果所表征的图像描述知识区块的预警置信水平,确定所述待识别森林图片中的森林图像块预警区块。
上述实施例从虚拟模块的角度介绍了图像处理装置10,下述从实体模块的角度介绍一种电子设备,具体如下所示:
本申请实施例提供了一种电子设备,如图3所示,电子设备100包括:处理器101和存储器103。其中,处理器101和存储器103相连,如通过总线102相连。可选地,电子设备100还可以包括收发器104。需要说明的是,实际应用中收发器104不限于一个,该电子设备100的结构并不构成对本申请实施例的限定。
处理器101可以是CPU,通用处理器,GPU,DSP,ASIC,FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器101也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线102可包括一通路,在上述组件之间传送信息。总线102可以是PCI总线或EISA总线等。总线102可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器103可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器103用于存储执行本申请方案的应用程序代码,并由处理器101来控制执行。处理器101用于执行存储器103中存储的应用程序代码,以实现前述任一方法实施例所示的内容。
本申请实施例提供了一种电子设备,本申请实施例中的电子设备包括:一个或多个处理器;存储器;一个或多个计算机程序,其中一个或多个计算机程序被存储在存储器中并被配置为由一个或多个处理器执行,一个或多个程序被处理器执行时,实现以上所述的方法。本申请所提供的技术方案,依据若干事先部署的神经网络分别对图像描述知识集合进行处理得到回归分析结果,其中,回归分析结果包括图像描述知识区块的预警置信水平,换言之,将待识别森林图片拆解成多个森林图像块区块进行可疑图像识别,没有和常规方式中直接对待识别森林图片的整体进行识别,如此令可疑图像识别过程中,将待识别森林图片中的细节知识进行充分考量,增加了图像预警区域识别的准确性;此外,因为事先部署的不同的神经网络的回归分析结果所对应的图像描述知识区块的区块容量不相同,换言之,基于不同容量拆解分割标准的网络分别对待识别森林图片进行预警识别,使得预警识别的结果更加精准可靠。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当计算机程序在处理器上运行时,使得处理器可以执行前述方法实施例中相应的内容。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种基于图像处理的森林图片处理方法,其特征在于,应用于电子设备,所述电子设备与至少一个无人机通信连接,用于接受所述无人机获取的森林图片,所述方法包括:
获取所述无人机拍摄的待识别森林图片;
对所述待识别森林图片进行图像描述知识挖掘,得到所述待识别森林图片的图像描述知识集合,所述图像描述知识集合包括所述待识别森林图片中多张森林图像块对应的图像块环境描述知识;
依据若干事先部署的神经网络分别对所述图像描述知识集合进行回归分析,获得各个事先部署的神经网络对应的回归分析结果;其中,所述事先部署的神经网络的回归分析结果包括所述图像描述知识集合中图像描述知识区块的预警置信水平,所述图像描述知识区块包括不少于一张森林图像块的图像块环境描述知识;所述事先部署的不同的神经网络的回归分析结果所对应的图像描述知识区块的区块容量不相同;
基于每个所述事先部署的神经网络对应的回归分析结果所表征的图像描述知识区块的预警置信水平,确定所述待识别森林图片中的森林图像块预警区块。
2.根据权利要求1所述的基于图像处理的森林图片处理方法,其特征在于,在依据若干事先部署的神经网络分别对所述图像描述知识集合进行回归分析,获得各个事先部署的神经网络对应的回归分析结果之前,所述方法还包括:
获取所述无人机传送的调试森林图片,所述调试森林图片中的森林图像块包含批注有森林预警情况的第一结果指示信息;
依据若干预设森林图像块区块容量,基于每一个预设森林图像块区块容量确定所述调试森林图片中的多个森林图像块区块调试数据,同时基于所述森林图像块区块调试数据对应的第一结果指示信息为所述森林图像块区块调试数据分配批注有森林预警情况的第二结果指示信息;
将各个预设森林图像块区块容量对应的包含第二结果指示信息的调试森林图片作为调试森林图片样本,基于所述调试森林图片样本对预设的初始神经网络进行调试,获得各个预设森林图像块区块容量对应的事先部署的神经网络。
3.根据权利要求2所述的基于图像处理的森林图片处理方法,其特征在于,基于每一个预设森林图像块区块容量确定所述调试森林图片中的多个森林图像块区块调试数据,包括:
生成以所述预设森林图像块区块容量作为调试捕捉框的预设捕捉范围的调试捕捉框,将调试森林图片中容纳于所述调试捕捉框内的全部森林图像块作为森林图像块区块调试数据,其中,所述调试捕捉框根据预设的捕捉跨度从所述调试森林图片的捕捉启动段平移到捕捉停止段;
所述第一结果指示信息包括正常结果指示信息和预警结果指示信息,所述通过所述森林图像块区块调试数据对应的第一结果指示信息为所述森林图像块区块调试数据分配批注有森林预警情况的第二结果指示信息,包括:
通过所述调试捕捉框内的预警结果指示信息统计数量和所述调试捕捉框的预设捕捉范围生成所述森林图像块区块调试数据的第二结果指示信息;
在所述预设的初始神经网络的调试过程中,将所述预设的初始神经网络对于所述调试森林图片样本的推理结果与所述调试森林图片样本的第二结果指示信息之间的概率分布距离确定为目标函数,依据所述目标函数调节所述预设的初始神经网络的网络系数。
4.根据权利要求1所述的基于图像处理的森林图片处理方法,其特征在于,所述对所述待识别森林图片进行图像描述知识挖掘,得到所述待识别森林图片的图像描述知识集合,包括:
对所述待识别森林图片进行森林图像块拆分操作,得到依照图片空间分布顺序排布的多张森林图像块,同时基于事先建立的图像块代码映射库将所述依照图片空间分布顺序排布的多张森林图像块中的每一个森林图像块映射成对应的图像块代码,得到所述待识别森林图片的图像块代码集合;
对所述图像块代码集合进行图像块环境描述知识挖掘,得到所述待识别森林图片的图像描述知识集合。
5.根据权利要求4所述的基于图像处理的森林图片处理方法,其特征在于,所述对所述图像块代码集合进行图像块环境描述知识挖掘,得到所述待识别森林图片的图像描述知识集合,包括:
通过所述图像块代码集合中的图像块代码确定所述图像块代码对应的图像块语义描述数组和图像块空间描述数组;
通过所述图像块代码集合中的图像块代码及所述图像块代码对应的图像块语义描述数组和图像块空间描述数组生成待图像描述知识挖掘描述数组;
对所述待图像描述知识挖掘描述数组进行图像块环境描述知识挖掘,得到所述待识别森林图片的图像描述知识集合。
6.根据权利要求1所述的基于图像处理的森林图片处理方法,其特征在于,依据若干事先部署的神经网络分别对所述图像描述知识集合进行回归分析,获得各个事先部署的神经网络对应的回归分析结果,包括:
通过所述事先部署的神经网络对应的预设森林图像块区块容量,基于预设的捕捉框按照尺取法确定所述图像描述知识集合中的图像描述知识区块;
基于所述事先部署的神经网络的线性提取单元获取所述图像描述知识区块的图像预警表达数组;
基于所述事先部署的神经网络的分类映射单元对所述图像预警表达数组进行回归分析,得到所述图像描述知识区块的预警置信水平;
所述基于所述事先部署的神经网络的线性提取单元获取所述图像描述知识区块的图像预警表达数组,包括:通过所述事先部署的神经网络的线性提取单元的网络系数对所述图像描述知识区块中的全部的图像块环境描述知识进行整合处理,得到所述图像描述知识区块的图像预警表达数组。
7.根据权利要求6所述的基于图像处理的森林图片处理方法,其特征在于,所述线性提取单元的网络系数包括第一比例分配系数和第一锚定系数;
通过所述事先部署的神经网络的线性提取单元的网络系数对所述图像描述知识区块中的全部的图像块环境描述知识进行整合处理,得到所述图像描述知识区块的图像预警表达数组,包括:
基于所述第一比例分配系数对所述图像描述知识区块中的全部的图像块环境描述知识按照所述第一比例分配系数进行相乘,然后将相乘结果进行相加,得到比例分配描述数组;
将所述比例分配描述数组与所述第一锚定系数进行相加,得到所述图像描述知识区块的图像预警表达数组;
所述事先部署的神经网络的分类映射单元包括第二比例分配系数和第二锚定系数;所述基于所述事先部署的神经网络的分类映射单元对所述图像预警表达数组进行回归分析,得到所述图像描述知识区块的预警置信水平,包括:将所述图像预警表达数组与所述第二比例分配系数进行作积,将作积结果和所述第二锚定系数进行求和,得到拟激活描述数组;基于预先设定的线性变换算子对所述拟激活描述数组进行处理,得到所述图像描述知识区块的预警置信水平。
8.根据权利要求1所述的基于图像处理的森林图片处理方法,其特征在于,基于每个事先部署的神经网络回归分析结果所表征的图像描述知识区块的预警置信水平,确定所述待识别森林图片中的森林图像块预警区块,包括:
确定各个事先部署的神经网络回归分析结果所表征的图像描述知识区块的预警置信水平中的预警置信水平最大值;
将所述预警置信水平最大值对应图像描述知识区块所表征的多张森林图像块确定为所述待识别森林图片中的森林图像块预警区块。
9.根据权利要求1~8任一项所述的基于图像处理的森林图片处理方法,其特征在于,所述方法还包括:
获取待识别森林图片集,所述待识别森林图片集包含多张森林图片,每一张所述森林图片为具有预警情况的森林图片;
挖掘每个森林图片中各个预警区域的预警区域描述数组,并分别确定每个所述森林图片中各个预警区域的预警区域空间信息和预警类别;
通过每个所述森林图片的预警区域描述数组、预警区域空间信息和预警类别,确定所述不少于两个森林图片中对应相同目标预警区域的拟分析预警区域;
通过所述目标预警区域分别在所述不少于两个森林图片中对应的拟分析预警区域的预警区域空间信息,构建所述目标预警区域的演化趋势;
其中,所述不少于两个森林图片包括第一森林图片和第二森林图片,所述第一森林图片和所述第二森林图片为前后紧邻的森林图片,所述通过每个所述森林图片的预警区域描述数组、预警区域空间信息和预警类别,确定所述不少于两个森林图片中对应相同目标预警区域的拟分析预警区域,包括:确定所述第一森林图片中的一个及以上的第一预警区域和所述第二森林图片中的一个及以上的第二预警区域;对于每个第一预警区域,通过所述第一预警区域在所述第一森林图片中的预警区域空间信息、预警类别和预警区域描述数组,和每个第二预警区域在所述第二森林图片中的预警区域空间信息、预警类别和预警区域描述数组,确定所述第一预警区域和每个所述第二预警区域之间的共性系数;基于所述共性系数确定对应相同目标预警区域的所述第一预警区域和所述第二预警区域,并将对应相同目标预警区域的所述第一预警区域和所述第二预警区域确定为所述拟分析预警区域。
10.一种数据处理系统,其特征在于,包括电子设备和无人机,所述电子设备和所述无人机可通信连接,所述电子设备包括处理器和存储器,所述存储器存储有计算机程序,所述处理器用于执行所述计算机程序,并在执行所述计算机程序时实现如权利要求1~9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211519779.9A CN115546672B (zh) | 2022-11-30 | 2022-11-30 | 基于图像处理的森林图片处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211519779.9A CN115546672B (zh) | 2022-11-30 | 2022-11-30 | 基于图像处理的森林图片处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115546672A true CN115546672A (zh) | 2022-12-30 |
CN115546672B CN115546672B (zh) | 2023-03-24 |
Family
ID=84721901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211519779.9A Active CN115546672B (zh) | 2022-11-30 | 2022-11-30 | 基于图像处理的森林图片处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115546672B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116363538A (zh) * | 2023-06-01 | 2023-06-30 | 贵州交投高新科技有限公司 | 一种基于无人机的桥梁检测方法及系统 |
CN116958838A (zh) * | 2023-07-21 | 2023-10-27 | 广州方圆生态科技有限公司 | 一种基于无人机航测技术的森林资源监测方法及系统 |
CN117294023A (zh) * | 2023-11-24 | 2023-12-26 | 成都汉度科技有限公司 | 一种运行设备的远程监控方法及系统 |
CN117690164A (zh) * | 2024-01-30 | 2024-03-12 | 成都欣纳科技有限公司 | 基于边缘计算的机场飞鸟识别驱赶方法及系统 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100786734B1 (ko) * | 2007-08-08 | 2007-12-18 | (주)우주엔지니어링 | 신도시용 환경 보도블록 |
CN102667816A (zh) * | 2009-12-22 | 2012-09-12 | 韦尔豪泽Nr公司 | 用于预测关于图像中的树木的信息的方法和装置 |
US20130094699A1 (en) * | 2011-10-12 | 2013-04-18 | Industry Academic Cooperation Foundation Keimyung University | Forest fire smoke detection method using random forest classification |
CN106682635A (zh) * | 2016-12-31 | 2017-05-17 | 中国科学技术大学 | 一种基于随机森林特征选择的烟雾检测方法 |
CN108776700A (zh) * | 2018-06-08 | 2018-11-09 | 新疆林科院森林生态研究所 | 一种基于物联网技术的森林生态站数据处理系统 |
CN108921330A (zh) * | 2018-06-08 | 2018-11-30 | 新疆林科院森林生态研究所 | 一种森林管理系统 |
CN110490043A (zh) * | 2019-06-10 | 2019-11-22 | 东南大学 | 一种基于区域划分和特征提取的森林烟火检测方法 |
CN112598062A (zh) * | 2020-12-24 | 2021-04-02 | 清华大学 | 一种图像识别方法和装置 |
CN112906481A (zh) * | 2021-01-23 | 2021-06-04 | 招商新智科技有限公司 | 一种基于无人机实现森林火情检测的方法 |
CN113159198A (zh) * | 2021-04-27 | 2021-07-23 | 上海芯物科技有限公司 | 一种目标检测方法、装置、设备及存储介质 |
CN113378785A (zh) * | 2021-07-05 | 2021-09-10 | 中煤航测遥感集团有限公司 | 森林类型识别方法及装置 |
CN113920151A (zh) * | 2021-09-14 | 2022-01-11 | 重庆电子工程职业学院 | 基于图像识别的火势蔓延区域预测方法 |
CN114170754A (zh) * | 2021-12-09 | 2022-03-11 | 中科计算技术西部研究院 | 基于大数据的林业维护管理系统 |
US20220121884A1 (en) * | 2011-09-24 | 2022-04-21 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
WO2022104736A1 (zh) * | 2020-11-20 | 2022-05-27 | 周连惠 | 一种管理林业资源的方法和系统 |
CN114708555A (zh) * | 2022-04-18 | 2022-07-05 | 刘文珍 | 基于数据处理的森林防火监控方法及电子设备 |
CN115311563A (zh) * | 2022-08-05 | 2022-11-08 | 南京邮电大学 | 面向森林火灾的经验模型自演化的轻量化烟雾检测方法 |
-
2022
- 2022-11-30 CN CN202211519779.9A patent/CN115546672B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100786734B1 (ko) * | 2007-08-08 | 2007-12-18 | (주)우주엔지니어링 | 신도시용 환경 보도블록 |
CN102667816A (zh) * | 2009-12-22 | 2012-09-12 | 韦尔豪泽Nr公司 | 用于预测关于图像中的树木的信息的方法和装置 |
US20220121884A1 (en) * | 2011-09-24 | 2022-04-21 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
US20130094699A1 (en) * | 2011-10-12 | 2013-04-18 | Industry Academic Cooperation Foundation Keimyung University | Forest fire smoke detection method using random forest classification |
CN106682635A (zh) * | 2016-12-31 | 2017-05-17 | 中国科学技术大学 | 一种基于随机森林特征选择的烟雾检测方法 |
CN108776700A (zh) * | 2018-06-08 | 2018-11-09 | 新疆林科院森林生态研究所 | 一种基于物联网技术的森林生态站数据处理系统 |
CN108921330A (zh) * | 2018-06-08 | 2018-11-30 | 新疆林科院森林生态研究所 | 一种森林管理系统 |
CN110490043A (zh) * | 2019-06-10 | 2019-11-22 | 东南大学 | 一种基于区域划分和特征提取的森林烟火检测方法 |
WO2022104736A1 (zh) * | 2020-11-20 | 2022-05-27 | 周连惠 | 一种管理林业资源的方法和系统 |
CN112598062A (zh) * | 2020-12-24 | 2021-04-02 | 清华大学 | 一种图像识别方法和装置 |
CN112906481A (zh) * | 2021-01-23 | 2021-06-04 | 招商新智科技有限公司 | 一种基于无人机实现森林火情检测的方法 |
CN113159198A (zh) * | 2021-04-27 | 2021-07-23 | 上海芯物科技有限公司 | 一种目标检测方法、装置、设备及存储介质 |
CN113378785A (zh) * | 2021-07-05 | 2021-09-10 | 中煤航测遥感集团有限公司 | 森林类型识别方法及装置 |
CN113920151A (zh) * | 2021-09-14 | 2022-01-11 | 重庆电子工程职业学院 | 基于图像识别的火势蔓延区域预测方法 |
CN114170754A (zh) * | 2021-12-09 | 2022-03-11 | 中科计算技术西部研究院 | 基于大数据的林业维护管理系统 |
CN114708555A (zh) * | 2022-04-18 | 2022-07-05 | 刘文珍 | 基于数据处理的森林防火监控方法及电子设备 |
CN115311563A (zh) * | 2022-08-05 | 2022-11-08 | 南京邮电大学 | 面向森林火灾的经验模型自演化的轻量化烟雾检测方法 |
Non-Patent Citations (2)
Title |
---|
SHAOJIA GE ET AL: "Improved Semisupervised UNet Deep Learning Model for Forest Height Mapping With Satellite SAR and Optical Data", 《JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 * |
卢柯楠等: "基于多光谱大数据分析的智能森林火警检测", 《中国安全防范认证》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116363538A (zh) * | 2023-06-01 | 2023-06-30 | 贵州交投高新科技有限公司 | 一种基于无人机的桥梁检测方法及系统 |
CN116958838A (zh) * | 2023-07-21 | 2023-10-27 | 广州方圆生态科技有限公司 | 一种基于无人机航测技术的森林资源监测方法及系统 |
CN116958838B (zh) * | 2023-07-21 | 2024-03-12 | 广州方圆生态科技有限公司 | 一种基于无人机航测技术的森林资源监测方法及系统 |
CN117294023A (zh) * | 2023-11-24 | 2023-12-26 | 成都汉度科技有限公司 | 一种运行设备的远程监控方法及系统 |
CN117294023B (zh) * | 2023-11-24 | 2024-02-02 | 成都汉度科技有限公司 | 一种运行设备的远程监控方法及系统 |
CN117690164A (zh) * | 2024-01-30 | 2024-03-12 | 成都欣纳科技有限公司 | 基于边缘计算的机场飞鸟识别驱赶方法及系统 |
CN117690164B (zh) * | 2024-01-30 | 2024-04-30 | 成都欣纳科技有限公司 | 基于边缘计算的机场飞鸟识别驱赶方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115546672B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115546672B (zh) | 基于图像处理的森林图片处理方法及系统 | |
CN108921159B (zh) | 用于检测安全帽的佩戴情况的方法和装置 | |
CN111178206B (zh) | 一种基于改进yolo的建筑预埋件检测方法及系统 | |
CN113033520B (zh) | 一种基于深度学习的树木线虫病害木识别方法及系统 | |
Liu et al. | Light-weight semantic segmentation network for UAV remote sensing images | |
Lou et al. | Measuring loblolly pine crowns with drone imagery through deep learning | |
CN108763811A (zh) | 动态数据驱动林火蔓延预测方法 | |
CN113537180B (zh) | 树障的识别方法、装置、计算机设备和存储介质 | |
CN112270243A (zh) | 基于智慧交通的截取图像合成方法、系统及云服务器 | |
CN116206223A (zh) | 一种基于无人机边缘计算的火灾检测方法及系统 | |
CN115565153A (zh) | 一种改进yolov7的无人驾驶拖拉机田间障碍物识别方法 | |
CN114037836A (zh) | 一种将人工智能识别技术应用于三维输变电工程测算的方法 | |
Bernabé et al. | Portability and acceleration of deep learning inferences to detect rapid earthquake damage from vhr remote sensing images using intel openvino toolkit | |
CN111695572A (zh) | 一种基于卷积层特征提取的船只检索方法及装置 | |
CN116311081B (zh) | 一种基于图像识别的医学实验室监控图像分析方法和系统 | |
CN112001453B (zh) | 一种视频事件检测算法的准确率计算方法及装置 | |
CN115311548A (zh) | 灾害损失区域的损失规模评估方法以及装置 | |
CN111524161B (zh) | 提取轨迹的方法和装置 | |
CN114169404A (zh) | 一种基于图像智能获取边坡病害量化信息方法 | |
CN117197701B (zh) | 基于图像分析的保护区环境空间特征分析方法及系统 | |
Tundia et al. | Aiding Irrigation Census in Developing Countries by Detecting Minor Irrigation Structures from Satellite Imagery. | |
CN114445395B (zh) | 基于互联网和大数据的配电线路树障智能定位方法和装置 | |
CN117710368B (zh) | 图像处理方法、装置、设备、介质及程序产品 | |
CN116957414B (zh) | 基于人工智能的村庄规划分析方法及装置 | |
Li et al. | A Method for Extracting Building Information from Remote Sensing Images Based on Deep Learning |
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 |