CN115797807A - 基于无人机载光谱仪数据的海洋垃圾监测方法、系统及介质 - Google Patents
基于无人机载光谱仪数据的海洋垃圾监测方法、系统及介质 Download PDFInfo
- Publication number
- CN115797807A CN115797807A CN202211501506.1A CN202211501506A CN115797807A CN 115797807 A CN115797807 A CN 115797807A CN 202211501506 A CN202211501506 A CN 202211501506A CN 115797807 A CN115797807 A CN 115797807A
- Authority
- CN
- China
- Prior art keywords
- data
- spectrometer
- aerial vehicle
- unmanned aerial
- marine
- 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.)
- Pending
Links
Images
Abstract
本发明公开了一种基于无人机载光谱仪数据的海洋垃圾监测方法、系统及介质,方法包括:通过光谱仪采集无人机下方预设位置点的地物的全波段光谱数据;对地物光谱信息进行预处理,得到预设波段校正后的地物光谱数据;将预处理后的地物光谱数据应用于基于机器学习方法的海洋垃圾识别算法,输出研究区域中海洋垃圾的种类及位置信息。本发明将体积小、重量轻的光谱仪仪器搭载于无人机,完成指定区域的空中巡航和任意位置数据收集,可灵活,实时获取研究区的全波段光谱信息,为海洋海岸垃圾的立体监测提供数据支持。
Description
技术领域
本发明涉及海洋垃圾监测技术领域,尤其涉及的是一种基于无人机载光谱仪数据的海洋垃圾监测方法、系统及介质。
背景技术
海洋垃圾作为国内外社会上日益严重的生态环境问题,对人类,海洋生物及全球生态环境等产生重要的危害,其中海洋塑料垃圾约占海洋垃圾的60~80%,甚至达到90~95%。传统的海洋垃圾监测主要依赖于视觉普查,是一种主观,且费时费力,此外受到研究区域覆盖面积尺度的限制。
在海洋垃圾识别中,针对目前通过建立垃圾监测站点等方式的人工普查面临的耗费时力以及地域覆盖面积尺度限制问题;基于卫星遥感数据源的海洋垃圾识别方法中,存在卫星遥感数据的低分辨率以及回访周期、云限制等问题;而基于机载的相机海洋垃圾识别中,大部分工作都是使用配备的高分辨率RGB摄像机的无人机进行的,这些工作主要依赖于深度学习算法,如卷积神经网络(Convolutional Neural Networks,CNN)(Fallati etal.,2019)。虽然使用RGB摄影机可以被认为是一种简单和低成本的解决方案,但它对检测有操作上的限制,例如阳光照射造成的水面反射,难以达到海洋垃圾检测所需的图像分辨率,因为它们不是最适合覆盖范围更广的海洋(Freitas et al.,2021)。
针对上述技术问题,将体积小、重量轻的光谱仪仪器搭载于无人机,完成指定区域的空中飞行和任意位置,高分辨率和实时的全波段光谱等数据收集,为海洋海岸垃圾的遥感监测提供数据支持,通过构建的基于机器学习的海洋垃圾识别算法,从而实现在不同地域研究尺度下海洋垃圾识别等。
因此,现有技术还有待改进。
发明内容
本发明要解决的技术问题在于,针对现有技术缺陷,本发明提供一种基于无人机载光谱仪数据的海洋垃圾监测方法、系统及介质,以解决传统的海洋垃圾监测方式效率低和成本高的技术问题。
本发明解决技术问题所采用的技术方案如下:
第一方面,本发明提供一种基于无人机载光谱仪数据的海洋垃圾监测方法,包括:
通过光谱仪采集无人机下方预设位置点的地物的全波段光谱数据;
对地物光谱信息进行预处理,得到预设波段校正后的地物光谱数据;
将预处理后的地物光谱数据应用于基于机器学习方法的海洋垃圾识别算法,输出研究区域中海洋垃圾的种类及位置信息。
在一种实现方式中,所述通过光谱仪采集无人机下方预设位置点的地物的全波段光谱数据,之前包括:
设置所述研究区域的经度范围和纬度范围;
设置无人机在所述研究区域的飞行轨迹。
在一种实现方式中,所述设置无人机在所述研究区域的飞行轨迹,包括:
获取所述经度范围和所述纬度范围;
根据所述经度范围和所述纬度范围匹配所述无人机的飞行高度、飞行轨迹以及悬停位置点;
根据所述飞行轨迹和所述飞行高度控制所述无人机飞行至所述研究区域,并控制所述无人机悬停在所述悬停位置点。
在一种实现方式中,所述通过光谱仪采集无人机下方预设位置点的地物的全波段光谱数据,包括:
通过所述光谱仪的下行采集探头采集垂直角度的地物光谱信息,得到所述无人机下方预设位置点的地物的全波段光谱信息。
在一种实现方式中,所述对地物光谱信息进行预处理,得到预设波段校正后的地物光谱数据,包括:
对采集的全波段数据,进行数据校正,得到校正后全波段光谱数据;
根据预设波段,选择校正后的地物光谱波段数据,得到海洋垃圾识别中预设波段校正后的地物光谱数据。
在一种实现方式中,所述将预处理后的地物光谱数据应用于基于机器学习方法的海洋垃圾识别算法,输出研究区域中海洋垃圾的种类及位置信息,之前包括:
预先根据机器学习方法,构建基于机器学习方法的海洋垃圾识别算法,构建算法运行中训练集和测试集数据,对海洋垃圾进行识别。
在一种实现方式中,所述将预处理后的地物光谱数据应用于基于机器学习方法的海洋垃圾识别算法,输出研究区域中海洋垃圾的种类及位置信息,包括:
将预处理后的地物光谱数据应用于基于机器学习方法的海洋垃圾识别算法中,识别研究区域的地物种类,得到所述研究区域内的垃圾类别;
在演示装置中可视化展示所述研究区域内的垃圾类别和位置信息。
第二方面,本发明还提供一种基于无人机载光谱仪数据的海洋垃圾监测系统,包括:无人机、光谱仪以及地面终端;
所述无人机搭载所述光谱仪,在所述地面终端的控制下飞行于研究区域,以获取所述研究区域内的地物光谱数据;
所述地面终端包括:处理器以及存储器,所述存储器存储有基于无人机载光谱仪的海洋垃圾监测程序,所述基于无人机载光谱仪数据的海洋垃圾监测程序被所述处理器执行时用于实现如第一方面所述的基于无人机载光谱仪数据的海洋垃圾监测方法的操作。
第三方面,本发明还提供一种介质,所述介质为计算机可读存储介质,所述介质存储有基于无人机载光谱仪数据的海洋垃圾监测程序,所述基于无人机载光谱仪数据的海洋垃圾监测程序被处理器执行时用于实现如第一方面所述的基于无人机载光谱仪数据的海洋垃圾监测方法的操作。
本发明采用上述技术方案具有以下效果:
本发明结合了无人机载仪器高分辨率,实时,数据信息丰富等优势以及光学遥感理论,将体积小、重量轻的光谱仪仪器搭载于无人机,完成指定区域的空中巡航和任意位置数据收集,可灵活,实时获取研究区的光谱数据,为海洋海岸垃圾的实时,快速监测提供数据支持,通过构建的基于机器学习的海洋垃圾识别算法,实现不同地域研究尺度下对海洋垃圾的监测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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,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示出的结构获得其他的附图。
图1是本发明的一种实现方式中基于无人机载光谱仪数据的海洋垃圾监测方法的流程图。
图2是本发明的一种实现方式中基于无人机载光谱仪数据的海洋垃圾监测系统框架的示意图。
图3是本发明的一种实现方式中无人机的结构示意图。
图4是本发明的一种实现方式中光谱仪的功能原理示意图。
图5是本发明的一种实现方式中地面终端的功能原理图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。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。
示例性方法
如图1所示,本发明实施例提供一种基于无人机载光谱仪数据的海洋垃圾监测方法,包括以下步骤:
步骤S100,通过光谱仪采集无人机下方预设位置点的地物的全波段光谱数据。
在本实施例中,所述海洋垃圾监测方法通过一种基于无人机载光谱仪数据的海洋垃圾监测系统实现。
在本实施例的一种实现方式中,所述海洋垃圾监测系统架构由一架无人机、一套特殊设计的光谱仪、GPS、地面接收装置、演示装置以及监测数据处理装置组成;无人机作为飞行平台,所述无人机可以是多旋翼无人机,为载荷观测提供空中平台,飞行于研究区域,以对所述研究区域的海洋垃圾污染进行监测,其中,所述研究区域可以是海洋区域,也可以是海岸或者陆地区域;在光谱仪获取监测数据后,通过信号传输将监测数据发送给地面接收装置;监测数据处理装置对观测数据进行处理分析后,由演示装置进行可视化展示,从而形成一套完整的基于无人机载光谱仪数据的海洋垃圾污染监测系统,实现对海洋海岸垃圾精准识别、定位以及分类。
具体地,如图2所示,本实施例中可以采用物联网常见三层架构:
1、感知层能够对研究区域无人机下的监测点位置进行不同地物光谱数据和地物位置获取;
2、传输层实现监测数据的定时远程传输,可根据地面接收装置的需求,对研究区域进行监测,获取有效的海洋海岸垃圾监测范围,以及数据的信息传输,调整无人机飞行方向,姿态等;
3、应用层用于对无人机记载平台收集到的数据进行数据预处理、算法应用和垃圾识别结果的判定等分析,并对海洋垃圾的实时监测数据的分析结果进行展示。
基于物联网常见三层架构,本实施例中的地面接收装置可以采用物联网和定位技术,地面接收装置接收来自无人机探测端的数据,网络不通畅的时候还能提供点对点无线电传输信号,同时也在光谱仪的SD卡写入数据。相应地,地面接收装置可以包括:服务器、防火墙、数据库、应用接口等模块。
在本实施例的一种实现方式中,所述海洋垃圾监测系统可以分为地面控制平台和空中监测平台;其中,所述地面控制平台包括:地面接收装置、监测数据处理装置以及演示装置;所述空中监测平台包括:无人机及其搭载的光谱仪,GPS。
具体地,在所述地面控制平台中,所述地面接收装置为信号接收、数据存储设备,主要用于接收所述无人机及光谱仪的传输信号,并对接收的信号进行处理和存储;所述监测数据处理装置为数据处理设备,主要用于对存储的数据进行分析;所述演示装置为计算机或移动终端,且在所述计算机或所述移动终端中设置有相应的应用程序,通过所述应用程序可以布置海洋垃圾监测任务以及配置相应的飞行参数,例如:研究区域信息、所述无人机的飞行信息等。
在图2所示的基于物联网常见三层架构中,高光谱仪机载仪器可以在地面实时显示无人机飞行过程中采集数据时所在位置光谱信息,可在地面接收系统显示不同位置的光谱信息的变化。本发明的数据处理系统,由于高光谱仪探测的研究区域数据是以文本形式记录探测位置处的地物光谱信息,选择可用的光谱波段数据转换成研究所需要的遥感栅格数据,再转成地物反射率等光谱数据,通过后续的掩膜,校正等遥感处理方法获得研究区域的多光谱遥感数据。高光谱仪在收集地物波段的数据时,其中许多都受到大气吸收的影响,避免噪声在图像中占主导地位,对数据进行筛选和降噪等处理。
在本实施例的一种实现方式中,在实施所述海洋垃圾监测方法之前,可在所述海洋垃圾监测系统的计算机或者移动终端应用程序中设置相应的飞行区域信息,即设置所述研究区域的位置信息;其中,所述研究区域的位置信息包括:经度范围数据和纬度范围数据。
具体地,在本实施例的一种实现方式中,步骤S100之前包括以下步骤:
步骤S001,设置所述研究区域的经度范围和纬度范围;
步骤S002,设置无人机在所述研究区域的飞行轨迹。
在本实施例的一种实现方式中,在设置所述研究区域的位置信息后,还可在所述海洋垃圾监测系统的计算机应用程序或者移动终端App中设置所述无人机的飞行信息,即设置所述无人机的飞行高度、飞行轨迹以及悬停位置等。
在本实施例中,在实施所述海洋垃圾监测方法时,所述海洋垃圾监测系统的计算机或者移动终端会根据操作人员输入的相应操作指令(例如,飞行起飞指令),获取研究区域的位置信息,并根据所述位置信息控制无人机飞行至所述研究区域,可实现云下观测。
具体地,在本实施例的一种实现方式中,步骤S002包括以下步骤:
步骤S002a,获取所述经度范围和所述纬度范围;
步骤S002b,根据所述经度范围和所述纬度范围匹配所述无人机的飞行高度、飞行轨迹以及悬停位置点;
步骤S002c,根据所述飞行轨迹和所述飞行高度控制所述无人机飞行至所述研究区域,并控制所述无人机悬停在所述悬停位置点。
在本实施例中,在获取所述经度范围数据和所述纬度范围数据后,根据所述无人机的飞行信息,匹配所述无人机的飞行高度、飞行轨迹以及悬停位置点;其中,所述飞行高度、所述飞行轨迹以及所述悬停位置点可以是预先设置的与所述研究区域匹配的飞行参数;所述飞行高度、所述飞行轨迹以及所述悬停位置点也可以是根据历史飞行高度、飞行轨迹及悬停位置点,结合垃圾识别算法所得到的结果与所述研究区域匹配的飞行参数。
在本实施例中,所述飞行高度、所述飞行轨迹以及所述悬停位置点,即可通过计算机或移动终端控制所述无人机飞行至所述研究区域,以对所述研究区域进行监测,以及通过扫描确定所述研究区域中海洋垃圾的所在位置。
本实施例中的无人机机载平台搭载光谱仪,采用无人机或其他替代方案,用于搭载仪器进行研究区地物全波段光谱数据的收集,可实现对研究区灵活,实时,重复的连续观测。
具体地,在本实施例的一种实现方式中,步骤S100包括以下步骤:
步骤S100,通过所述光谱仪的下行采集探头采集垂直角度的地物光谱信息,得到所述无人机下方预设位置点的地物的全波段光谱信息。
如图3所示,在本实施例中,无人机机载平台搭载光谱仪,其中,所搭载的光谱仪机载仪器为一种特殊设计的光谱仪,无人机飞行过程中可实时获取机下点位置的地物的全波段光谱数据,记录的是地物的各个波段的太阳光辐射信号,通过数据预处理可获得从紫外光到近红外波段范围内的各个波段校正后的光谱数据,此外可在UAV上搭载相应的仪器(GPS等)记录UAV飞行位置。
在本实施例的实际应用场景中,可以采用一款特殊设计的光谱仪,其检测器采用滨松面阵背照式CCD,16-bit A/D采样和75%的量子效率为光谱仪提供高信噪比和大的动态范围。可以广泛应用在理化分析、生物样品、半导体材料检测,光学检测和材料检测等领域。在0-40度,光谱波长偏移<0.1nm,具备良好热稳定性,能够应用于定性、定量检测场景。
如图4所示,在本实施例中,所述光谱仪包括:供电模块、嵌入式微处理模块、第一光路切换器、第二光路切换器、上行采集探头、下行采集探头以及GPS模块;其中,所述第一光路切换器和所述第二光路切换器在所述嵌入式微处理模块的控制下,可以分时获取两个通道光路的辐射照度光谱,即通过所述第一光路切换器采集所述上行采集探头的太阳光辐射信号,通过所述第二光路切换器采集所述下行采集探头的地物反射的辐射信号。
本实施例中,在光谱仪获取无人机下的地物光谱信息时候,也可通过光谱仪获取该位置的经纬度信息。
如图1所示,在本发明实施例的一种实现方式中,基于无人机载光谱仪数据的海洋垃圾监测方法还包括以下步骤:
步骤S200,对地物光谱信息进行预处理,得到预设波段校正后的地物光谱数据。
在本实施例中,光谱仪机载仪器为一种特殊设计的光谱仪,无人机飞行过程中可实时获取机下点位置的地物的全波段光谱数据,记录的是地物信息的各个波段的太阳光辐射信号,通过数据预处理可获得从紫外光到近红外范围内各个波段校正后光谱数据。
具体地,在本实施例的一种实现方式中,步骤S200包括以下步骤:
步骤S201,对采集的全波段数据,进行数据校正,得到校正后全波段光谱数据;
步骤S202,根据预设波段,选择校正后的地物光谱波段数据,得到海洋垃圾识别中预设波段校正后的地物光谱数据。
本实施例中的海洋垃圾识别系统,基于无人机载光谱仪数据的海洋垃圾识别,是指光谱仪获取的遥感数据,由于其具有丰富的多光谱信息,不同地物在不同波段下呈现出不同的光谱特征,结合光学遥感知识,分析不同地物光谱特征差异;构建基于机器学习方法的海洋垃圾识别算法,实现对海洋海岸垃圾的精准识别,分类和定位并可视化成果展示。
在本实施例中,海洋垃圾识别系统是基于无人机载光谱仪数据的海洋垃圾识别,是指在结合光学遥感理论,对不同地物光谱特征分析后,通过开发、训练和评估构建基于机器学习方法的海洋垃圾识别算法并进行精度评价。基于无人机载光谱仪数据的海洋垃圾的识别是指将采集的地物全波段光谱数据在预处理后得到预设波段的校正的地物光谱数据,应用于基于机器学习方法的海洋垃圾识别算法中,实现对研究区垃圾的精准识别和定位。
主要包括不同地物光谱特征分析,基于机器学习方法的海洋垃圾识别算法构建,识别结果精度评价。
具体地,在本实施例的一种实现方式中,将预处理后的地物光谱数据应用于基于机器学习方法的海洋垃圾识别算法之前,包括以下步骤:
步骤S301a,预先根据机器学习方法,构建基于机器学习方法的海洋垃圾识别算法,构建算法运行中训练集和测试集数据,对海洋垃圾进行识别。
在本实施例中,通过构建的基于机器学习的海洋垃圾识别算法对研究区域内的垃圾进行识别和定位,具体如下:
1)根据搭载在无人机上的光谱仪采集地物光谱数据;由于,光谱仪获取的是拍摄下方的地物全波段电信号数据,每拍摄一个区域获取的是下方整个区域的地物反射信号(一个像元)且保存为txt中,所以需要对采集的电信号数据进行校正,转成为光学信号(地物辐照度数据),再进行后续的处理。
2)分析地物光谱特征;光谱仪观测不同类型地物,如:塑料垃圾,水体,植被,泡沫等不同地物目标,获取这些物体的光谱数据,比较其各自的光谱特征。例如,根据以往的水体的光谱特征,在可见光的蓝绿光波段,近红外和中红外波段,水体的反射率几乎趋近于零,当水中含有泥沙,可见光波段反射率会增加。塑料垃圾,在蓝绿光,近红外波段下明显大于水体,在绿红光波段下,塑料垃圾的反射率明显大于绿色植被。此外不同的颜色的塑料垃圾也存在差异。如在蓝光波段下,塑料垃圾的中白色区域反射率明显大于橘色部分,因此通过对光谱特征差异的分析判别不同的地物类型。
3)基于机器学习方法构建海洋海岸垃圾识别算法;基于获取的光谱仪遥感数据,在实验过程中,开发、训练和评估以支持向量机(SVM)方法的的海洋垃圾识别算法对地物光谱数据进行海洋垃圾的识别和定位;
4)不同的分类精度评价指标;为了定量评价海洋垃圾识别的精度,将实测的位置结果与基于机器学习算法的海洋垃圾识别的结果进行验证。可通过建立混淆矩阵,构建不同的精度评价指标判断垃圾识别的正确性。
如图1所示,在本发明实施例的一种实现方式中,基于无人机载光谱仪数据的海洋垃圾监测方法还包括以下步骤:
步骤S300,将预处理后的地物光谱数据应用于基于机器学习方法的海洋垃圾识别算法,输出研究区域中海洋垃圾的种类及位置信息。
在本发明实施例的另一种实现方式中,基于无人机载光谱仪数据的海洋垃圾监测方法包括以下步骤:
步骤S301,将预处理后的地物光谱数据应用于基于机器学习方法的海洋垃圾识别算法中,识别研究区域的地物种类,得到所述研究区域内的垃圾类别;
步骤S302,在演示装置中可视化展示所述研究区域内的垃圾类别和位置信息。
在本实施例中,地面控制人员通过地面数据接收系统可以实时获取无人机飞行过程中拍摄的全波段光谱数据,实时分析拍摄的结果以进行对无人机载平台在飞行过程中姿态,角度,速度及飞行高度的调整。
对于不同的飞行高度,影响光谱仪每次拍摄的视角范围大小,因为光谱仪每拍摄一次记录的是机下的同一角度的所有地物光谱总和,例如当飞行高度较大时,光谱仪拍摄的对应地面范围较大,导致该视角下包含的地物类型较为复杂。而当飞行高度较低时,就会导致数据量的冗余。所以需要选择合适的飞行高度。此外,飞行姿态影响拍摄的角度,因为光谱仪记录的是地物的辐射的电信号数据,而在不同方向上观测地物辐射存在差异,就会导致同种地物的因为无人机飞行姿态导致光谱异常。
本实施例的系统由无人机机载平台、光谱仪等仪器、地面数据接收系统、数据处理系统,海洋垃圾识别系统组成。无人机机载飞行平台为载荷观测提供空中平台,在光谱仪获取研究区的观测数据后,通过信号存储或传输将数据发送给地面接收系统,数据处理系统对观测数据进行处理,从而实现对海洋海岸垃圾精准识别,定位及分类。
本实施例通过上述技术方案达到以下技术效果:
本实施例利用无人机载光谱仪开展海洋海岸垃圾的监测,其中无人机搭载的光谱仪采集的数据避免了人工普查面临的耗费时力以及地域覆盖面积尺度限制问题。无人机探测可在云下层进行实验,且光谱仪分辨率高,避免基于卫星遥感数据源的海洋垃圾识别中,受到卫星遥感数据的低分辨率回访周期以及云限制等问题,实现不同研究区域尺度的灵活,实时的观测。此外,本实施例中,基于机器学习的海洋垃圾识别算法中,结合了机器学习的优势,以及光学遥感理论,避免了基于机载相机(高分辨率RGB摄像机)的海洋垃圾识别中,依赖训练数据以及深度学习算法精度等的缺点。所以本发明解决了海洋垃圾识别中耗费耗力,数据限制,天气等影响,实现了对海洋海岸垃圾的精准识别,定位和分类,具有灵活,监测速度快等优势。
示例性设备
基于上述实施例,本发明还提供一种基于无人机载光谱仪数据的海洋垃圾监测系统,包括:无人机、光谱仪以及地面终端;
所述无人机搭载所述光谱仪,在所述地面终端的控制下飞行于研究区域,以获取所述研究区域内的地物全波段光谱数据。
如图5所示,所述地面终端包括:通过系统总线连接的处理器、存储器、接口、显示屏以及通讯模块;其中,所述地面终端的处理器用于提供计算和控制能力;所述地面终端的存储器包括存储介质以及内存储器;该存储介质存储有操作系统和计算机程序;该内存储器为存储介质中的操作系统和计算机程序的运行提供环境;该接口用于连接外部设备,例如,移动终端以及计算机等设备;该显示屏用于显示相应的基于无人机载光谱仪的海洋垃圾监测信息;该通讯模块用于与云端服务器或移动终端进行通讯。
该计算机程序被处理器执行时用以实现一种基于无人机载光谱仪的海洋垃圾监测方法的操作。
本领域技术人员可以理解的是,图5中示出的原理框图,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的地面终端的限定,具体的地面终端可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种地面终端,其中,包括:处理器和存储器,存储器存储有基于无人机载光谱仪的海洋垃圾监测程序,基于无人机载光谱仪的海洋垃圾监测程序被处理器执行时用于实现如上的基于无人机载光谱仪的海洋垃圾监测方法的操作。
在一个实施例中,提供了一种存储介质,其中,存储介质存储有基于无人机载光谱仪数据的海洋垃圾监测程序,基于无人机载光谱仪数据的海洋垃圾监测程序被处理器执行时用于实现如上的基于无人机载光谱仪数据的海洋垃圾监测方法的操作。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一非易失性存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。
综上,本发明提供了一种基于无人机载光谱仪数据的海洋垃圾监测方法、系统及介质,方法包括:通过光谱仪采集无人机下方预设位置点的地物的全波段光谱数据;对地物光谱信息进行预处理,得到预设波段校正后的地物光谱数据;将预处理后的地物光谱数据应用于基于机器学习方法的海洋垃圾识别算法,输出研究区域中海洋垃圾的种类及位置信息。本发明将体积小、重量轻的光谱仪仪器搭载于无人机,完成指定区域的空中巡航和任意位置数据收集,可灵活,实时获取研究区的全波段光谱信息,为海洋海岸垃圾的立体监测提供数据支持。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (9)
1.一种基于无人机载光谱仪数据的海洋垃圾监测方法,其特征在于,所述基于无人机载光谱仪数据的海洋垃圾监测方法包括:
通过光谱仪采集无人机下方预设位置点的地物的全波段光谱数据;
对地物光谱信息进行预处理,得到预设波段校正后的地物光谱数据;
将预处理后的地物光谱数据应用于基于机器学习方法的海洋垃圾识别算法,输出研究区域中海洋垃圾的种类及位置信息。
2.根据权利要求1所述的基于无人机载光谱仪数据的海洋垃圾监测方法,其特征在于,所述通过光谱仪采集无人机下方预设位置点的地物的全波段光谱数据,之前包括:
设置所述研究区域的经度范围和纬度范围;
设置无人机在所述研究区域的飞行轨迹。
3.根据权利要求2所述的基于无人机载光谱仪数据的海洋垃圾监测方法,其特征在于,所述设置无人机在所述研究区域的飞行轨迹,包括:
获取所述经度范围和所述纬度范围;
根据所述经度范围和所述纬度范围匹配所述无人机的飞行高度、飞行轨迹以及悬停位置点;
根据所述飞行轨迹和所述飞行高度控制所述无人机飞行至所述研究区域,并控制所述无人机悬停在所述悬停位置点。
4.根据权利要求1所述的基于无人机载光谱仪数据的海洋垃圾监测方法,其特征在于,所述通过光谱仪采集无人机下方预设位置点的地物的全波段光谱数据,包括:
通过所述光谱仪的下行采集探头采集垂直角度的地物光谱信息,得到所述无人机下方预设位置点的地物的全波段光谱信息。
5.根据权利要求1所述的基于无人机载光谱仪数据的海洋垃圾监测方法,其特征在于,所述对地物光谱信息进行预处理,得到预设波段校正后的地物光谱数据,包括:
对采集的全波段数据,进行数据校正,得到校正后全波段光谱数据;
根据预设波段,选择校正后的地物光谱波段数据,得到海洋垃圾识别中预设波段校正后的地物光谱数据。
6.根据权利要求1所述的基于无人机载光谱仪数据的海洋垃圾监测方法,其特征在于,所述将预处理后的地物光谱数据应用于基于机器学习方法的海洋垃圾识别算法,输出研究区域中海洋垃圾的种类及位置信息,之前包括:
预先根据机器学习方法,构建基于机器学习方法的海洋垃圾识别算法,构建算法运行中训练集和测试集数据,对海洋垃圾进行识别。
7.根据权利要求1所述的基于无人机载光谱仪数据的海洋垃圾监测方法,其特征在于,所述将预处理后的地物光谱数据应用于基于机器学习方法的海洋垃圾识别算法,输出研究区域中海洋垃圾的种类及位置信息,包括:
将预处理后的地物光谱数据应用于基于机器学习方法的海洋垃圾识别算法中,识别研究区域的地物种类,得到所述研究区域内的垃圾类别;
在演示装置中可视化展示所述研究区域内的垃圾类别和位置信息。
8.一种基于无人机载光谱仪数据的海洋垃圾监测系统,其特征在于,包括:无人机、光谱仪以及地面终端;
所述无人机搭载所述光谱仪,在所述地面终端的控制下飞行于研究区域,以获取所述研究区域内的地物光谱数据;
所述地面终端包括:处理器以及存储器,所述存储器存储有基于无人机载光谱仪数据的海洋垃圾监测程序,所述基于无人机载光谱仪数据的海洋垃圾监测程序被所述处理器执行时用于实现如权利要求1-7中任意一项所述的基于无人机载光谱仪数据的海洋垃圾监测方法的操作。
9.一种介质,其特征在于,所述介质为计算机可读存储介质,所述介质存储有基于无人机载光谱仪的海洋垃圾监测程序,所述基于无人机载光谱仪数据的海洋垃圾监测程序被处理器执行时用于实现如权利要求1-7中任意一项所述的基于无人机载光谱仪数据的海洋垃圾监测方法的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211501506.1A CN115797807A (zh) | 2022-11-28 | 2022-11-28 | 基于无人机载光谱仪数据的海洋垃圾监测方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211501506.1A CN115797807A (zh) | 2022-11-28 | 2022-11-28 | 基于无人机载光谱仪数据的海洋垃圾监测方法、系统及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115797807A true CN115797807A (zh) | 2023-03-14 |
Family
ID=85442218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211501506.1A Pending CN115797807A (zh) | 2022-11-28 | 2022-11-28 | 基于无人机载光谱仪数据的海洋垃圾监测方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115797807A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116310266A (zh) * | 2023-03-20 | 2023-06-23 | 生态环境部南京环境科学研究所 | 一种基于无人机载高光谱的湖泊湿地遥感识别装置及方法 |
-
2022
- 2022-11-28 CN CN202211501506.1A patent/CN115797807A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116310266A (zh) * | 2023-03-20 | 2023-06-23 | 生态环境部南京环境科学研究所 | 一种基于无人机载高光谱的湖泊湿地遥感识别装置及方法 |
CN116310266B (zh) * | 2023-03-20 | 2024-01-30 | 生态环境部南京环境科学研究所 | 一种基于无人机载高光谱的湖泊湿地遥感识别装置及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tmušić et al. | Current practices in UAS-based environmental monitoring | |
Singh et al. | A meta-analysis and review of unmanned aircraft system (UAS) imagery for terrestrial applications | |
Horstrand et al. | A UAV platform based on a hyperspectral sensor for image capturing and on-board processing | |
CN107807125B (zh) | 基于无人机载多光谱传感器的植物信息计算系统及方法 | |
Dunford et al. | Potential and constraints of Unmanned Aerial Vehicle technology for the characterization of Mediterranean riparian forest | |
Anderson et al. | Lightweight unmanned aerial vehicles will revolutionize spatial ecology | |
Verger et al. | Green area index from an unmanned aerial system over wheat and rapeseed crops | |
Sheng et al. | Low-cost UAV-based thermal infrared remote sensing: Platform, calibration and applications | |
Paredes et al. | Multispectral imaging system with UAV integration capabilities for crop analysis | |
CN108700470A (zh) | 基于无人机系统的热成像和聚合系统和方法 | |
Liang et al. | Close-range remote sensing of forests: The state of the art, challenges, and opportunities for systems and data acquisitions | |
Calvino-Cancela et al. | Alien plant monitoring with ultralight airborne imaging spectroscopy | |
Lyu et al. | Autonomous cyanobacterial harmful algal blooms monitoring using multirotor UAS | |
Stark et al. | An analysis of the effect of the bidirectional reflectance distribution function on remote sensing imagery accuracy from small unmanned aircraft systems | |
CN106500841B (zh) | 一种遥感监测大面积茶园植株多酚含量的方法及系统 | |
CN108898070A (zh) | 一种基于无人机平台的高光谱遥感提取薇甘菊装置及方法 | |
CN110869744A (zh) | 信息处理设备、信息处理方法、程序和信息处理系统 | |
CN113610040B (zh) | 一种基于改进BiSeNetV2分割网络的水稻田杂草密度实时统计方法 | |
CN115797807A (zh) | 基于无人机载光谱仪数据的海洋垃圾监测方法、系统及介质 | |
CN109631860A (zh) | 基于无人机的水库生活垃圾监测方法及系统 | |
CN110413002B (zh) | 一种无人机遥感信息采集方法及装置 | |
Biney et al. | Bor uvka | |
Zhang | Native vegetation classification using remote sensing techniques: A case study of dairy flat regrowth bush by using the AUT unmanned aerial vehicle | |
CN114324226B (zh) | 一种大气污染物立体分布无人机载超光谱遥测系统 | |
Wijesingha | Geometric quality assessment of multi-rotor unmanned aerial vehicle borne remote sensing products for precision agriculture |
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 |