CN115861859A - 一种坡耕地环境监测方法及系统 - Google Patents
一种坡耕地环境监测方法及系统 Download PDFInfo
- Publication number
- CN115861859A CN115861859A CN202310134831.7A CN202310134831A CN115861859A CN 115861859 A CN115861859 A CN 115861859A CN 202310134831 A CN202310134831 A CN 202310134831A CN 115861859 A CN115861859 A CN 115861859A
- Authority
- CN
- China
- Prior art keywords
- image
- acquisition
- determining
- unmanned aerial
- dimensional model
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005070 sampling Methods 0.000 claims description 26
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 9
- 239000002689 soil Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及农业检测技术领域，具体公开了一种坡耕地环境监测方法及系统，所述方法包括获取坡耕地的边界信息，基于所述边界信息确定立体模型；根据所述立体模型确定无人机的数量和工作参数；所述工作参数包括采集频率、含有高度的采集路径和不同位置处的采集角度；接收无人机获取到的含有时间标签的子图像，根据所述工作参数将所述子图像转换为全景图像；对全景图像进行图像增强，基于预设的卷积核遍历图像增强后的全景图像，输出监测报告。本发明建立与实际场景对应的三维模型，基于三维模型确定无人机的运动参数及采集参数，通过无人机采集图像，实时高效地对坡耕地进行监测，检测频率高于人工且人力成本较低。
Description
技术领域
本发明涉及农业检测技术领域，具体是一种坡耕地环境监测方法及系统。
背景技术
坡耕地是指分布在山坡上地面平整度差跑水跑肥跑土突出作物产量低的旱地。主要特征“坡地”的概念，一般是指6～25°之间的地貌类型（开垦后多称为坡耕地）。坡耕地的存在严重制约旱地作物产量的大幅度提高。
关于坡地的开发问题历来就存在着巨大的争议，有人认为“坡地”尤其是15°（大于25°常称为陡坡耕地）以上的坡地只能以造林解决生态环境保护为主，这是因为坡地的角度反应的是一个地区水土流失的一般状况，一般这种土地是宜草宜灌木的，不宜大规模耕作，而耕作比例越大，水土流失越严重，生态环境也就越恶劣。
因此，当坡地作为耕地时，往往需要对坡地进行定时的检测，判断是否能够继续进行，现有的检测方式大都依赖于人工，这种方式虽然准确度较高，但是效率较低且人力成本高，如何提供一种高效地坡耕地检测方式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坡耕地环境监测方法及系统，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：
一种坡耕地环境监测方法，所述方法包括：
获取坡耕地的边界信息，基于所述边界信息确定立体模型；
根据所述立体模型确定无人机的数量和工作参数；所述工作参数包括采集频率、含有高度的采集路径和不同位置处的采集角度；
接收无人机获取到的含有时间标签的子图像，根据所述工作参数将所述子图像转换为全景图像；
对全景图像进行图像增强，基于预设的卷积核遍历图像增强后的全景图像，输出监测报告。
作为本发明进一步的方案：所述获取坡耕地的边界信息，基于所述边界信息确定立体模型的步骤包括：
接收用户输入的坡耕地的边界位置，根据所述边界位置拟合坡耕地的边界线；
根据所述边界线建立平面模型，在所述平面模型中确定采样网格；所述采样网格的交点为采样点；
获取采样点处的高度，根据所述高度确定预设方向上的变化梯度；
根据所述变化梯度确定立体模型。
作为本发明进一步的方案：所述根据所述立体模型确定无人机的数量和工作参数的步骤包括：
获取无人机的拍摄像素，根据所述拍摄像素建立清晰度与采集范围之间的函数关系；所述采集范围为采集高度的函数；
接收用户输入的清晰度范围，将所述清晰度范围输入建立好的函数关系，得到高度范围；
根据所述高度范围在所述立体模型中确定运动区间，基于所述运动区间确定含有采集角度的工作路径；其中，无人机完成含有采集角度的工作路径时，所有采集范围的并集包含立体模型对应的坡耕地；
计算无人机完成一次工作路径的时间，根据所述时间计算采集时间间隔；
接收用户输入的采集步长，根据所述采集步长和所述采集时间间隔确定无人机的数量。
作为本发明进一步的方案：所述接收无人机获取到的含有时间标签的子图像，根据所述工作参数将所述子图像转换为全景图像的步骤包括：
接收无人机获取到的含有时间标签的子图像；
根据所述时间标签在对应无人机的工作参数中查询采集角度和高度，根据所述采集角度和高度确定所述子图像在所述立体模型中的位置；
遍历立体模型，基于立体模型统计各个位置处的子图像，并基于时间标签对统计的子图像进行排序，得到子图像集；
基于所述子图像集建立全景图像。
作为本发明进一步的方案：所述对全景图像进行图像增强，基于预设的卷积核遍历图像增强后的全景图像，输出监测报告的步骤包括：
对所述全景图像进行线性增强，得到待检图像；
在预设的卷积核表中选取卷积核，基于所述卷积核遍历所述待检图像，计算相关度；所述卷积核为图像特征；所述卷积核表包括卷积核项和预设的评价项；
选取相关度达到预设条件的卷积核，读取对应的评价项，基于读取到的评价项输出监测报告。
作为本发明进一步的方案：所述对所述全景图像进行线性增强，得到待检图像的步骤包括：
将所述全景图像转换为单值图像；
根据预设的转换公式对所述单值图像进行线性增强；
其中，将所述全景图像转换为单值图像的计算公式为：
式中，a、b和c为预设的参数，R、G和B分别为图像的RGB值。
线性增强的计算公式为：
式中，
为单值图像中的值，/>
为线性增强后的值。
z的取值函数为：
取值函数中，F表示节点图像的累计直方图达到0.1时对应的亮度值；所述累计直方图表示节点图像中各像素点的亮度值小于某一数值的概率。
本发明技术方案还提供了一种坡耕地环境监测系统，所述系统包括：
立体模型确定模块，用于获取坡耕地的边界信息，基于所述边界信息确定立体模型；
采集端限定模块，用于根据所述立体模型确定无人机的数量和工作参数；所述工作参数包括采集频率、含有高度的采集路径和不同位置处的采集角度；
图像拼接模块，用于接收无人机获取到的含有时间标签的子图像，根据所述工作参数将所述子图像转换为全景图像；
图像处理识别模块，用于对全景图像进行图像增强，基于预设的卷积核遍历图像增强后的全景图像，输出监测报告。
作为本发明进一步的方案：所述立体模型确定模块包括：
边界线生成单元，用于接收用户输入的坡耕地的边界位置，根据所述边界位置拟合坡耕地的边界线；
网格确定单元，用于根据所述边界线建立平面模型，在所述平面模型中确定采样网格；所述采样网格的交点为采样点；
梯度确定单元，用于获取采样点处的高度，根据所述高度确定预设方向上的变化梯度；
梯度应用单元，用于根据所述变化梯度确定立体模型。
作为本发明进一步的方案：所述采集端限定模块包括：
关系确定单元，用于获取无人机的拍摄像素，根据所述拍摄像素建立清晰度与采集范围之间的函数关系；所述采集范围为采集高度的函数；
区间确定单元，用于接收用户输入的清晰度范围，将所述清晰度范围输入建立好的函数关系，得到高度范围；
路径确定单元，用于根据所述高度范围在所述立体模型中确定运动区间，基于所述运动区间确定含有采集角度的工作路径；其中，无人机完成含有采集角度的工作路径时，所有采集范围的并集包含立体模型对应的坡耕地；
时间间隔计算单元，用于计算无人机完成一次工作路径的时间，根据所述时间计算采集时间间隔；
数量确定单元，用于接收用户输入的采集步长，根据所述采集步长和所述采集时间间隔确定无人机的数量。
作为本发明进一步的方案：所述图像拼接模块包括：
子图像获取单元，用于接收无人机获取到的含有时间标签的子图像；
位置确定单元，用于根据所述时间标签在对应无人机的工作参数中查询采集角度和高度，根据所述采集角度和高度确定所述子图像在所述立体模型中的位置；
遍历排序单元，用于遍历立体模型，基于立体模型统计各个位置处的子图像，并基于时间标签对统计的子图像进行排序，得到子图像集；
图像拼接单元，用于基于所述子图像集建立全景图像。
与现有技术相比，本发明的有益效果是：本发明建立与实际场景对应的三维模型，基于三维模型确定无人机的运动参数及采集参数，通过无人机采集图像，实时高效地对坡耕地进行监测，检测频率高于人工且人力成本较低。
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为坡耕地环境监测方法的流程框图。
图2为坡耕地环境监测方法的第一子流程框图。
图3为坡耕地环境监测方法的第二子流程框图。
图4为坡耕地环境监测方法的第三子流程框图。
图5为坡耕地环境监测方法的第四子流程框图。
图6为坡耕地环境监测系统的组成结构框图。
具体实施方式
当坡地作为耕地时，往往需要对坡地进行定时的检测，判断是否能够继续进行，现有的检测方式大都依赖于人工，这种方式虽然准确度较高，但是效率较低且人力成本高。
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。
图1为坡耕地环境监测方法的流程框图，本发明实施例中，一种坡耕地环境监测方法，所述方法包括：
步骤S100：获取坡耕地的边界信息，基于所述边界信息确定立体模型；
对坡耕地的环境监测过程需要限定在一定的范围内，所述范围由边界信息确定，边界信息一般都比较明确（涉及到权属问题，相邻坡耕地的管理方会预先确定）；基于边界信息生成与坡耕地对应的模型，由于坡耕地中不同位置存在高度差，因此，所述模型为立体模型。
步骤S200：根据所述立体模型确定无人机的数量和工作参数；所述工作参数包括采集频率、含有高度的采集路径和不同位置处的采集角度；
在所述立体模型中确定无人机的数量和工作参数，然后由工作参数生成工作指令，向无人机发送；无人机在工作指令的引导下，实时采集坡耕地的图像信息；其中，无人机的采集范围有限，在工作路径上，无人机会不断地采集不同位置处的图像。
步骤S300：接收无人机获取到的含有时间标签的子图像，根据所述工作参数将所述子图像转换为全景图像；
接收无人机获取到的子图像并进行统计，可以得到全景图像；需要说明的是，全景图像中各个子图像的拍摄时间可能存在一定的跨度，对于坡耕地来说，一般不会发生大的变化，当时间跨度在一定时间范围内时，几乎可以忽略；但尽管如此，我们还是希望时间跨度越小越好。
步骤S400：对全景图像进行图像增强，基于预设的卷积核遍历图像增强后的全景图像，输出监测报告；
对全景图像进行图像增强，基于神经网络模型的识别原理对增强后的图像进行识别，确定匹配的卷积核，由匹配的卷积核确定坡耕地属于何种类型，进而输出监测报告。
图2为坡耕地环境监测方法的第一子流程框图，所述获取坡耕地的边界信息，基于所述边界信息确定立体模型的步骤包括：
步骤S101：接收用户输入的坡耕地的边界位置，根据所述边界位置拟合坡耕地的边界线；
边界位置由用户输入，用户可以输入一些点位或者一些线段，对这些点位或线段进行拟合，即可得到坡耕地的边界线。
步骤S102：根据所述边界线建立平面模型，在所述平面模型中确定采样网格；所述采样网格的交点为采样点；
由边界线可以建立一个平面模型，在平面中确定一个网格，网格的交点作为采样点。
步骤S103：获取采样点处的高度，根据所述高度确定预设方向上的变化梯度；
步骤S104：根据所述变化梯度确定立体模型；
获取采样点处的高度，将所述高度填充至平面模型中，即可得到立体模型；填充的方式是，在预设的方向上确定变化梯度，所述变化梯度是高度差与预设方向上的平面尺寸差的商。
图3为坡耕地环境监测方法的第二子流程框图，所述根据所述立体模型确定无人机的数量和工作参数的步骤包括：
步骤S201：获取无人机的拍摄像素，根据所述拍摄像素建立清晰度与采集范围之间的函数关系；所述采集范围为采集高度的函数；
无人机中的图像采集设备的像素是预设值，无人机高度越高，清晰度越低，高度与采集范围呈正比，高度越高，采集范围越大；其中，高度、清晰度和采集范围之间存在映射关系。
步骤S202：接收用户输入的清晰度范围，将所述清晰度范围输入建立好的函数关系，得到高度范围；
接收用户输入的清晰度要求（一个范围），基于上述函数关系，可以得到高度范围。
步骤S203：根据所述高度范围在所述立体模型中确定运动区间，基于所述运动区间确定含有采集角度的工作路径；其中，无人机完成含有采集角度的工作路径时，所有采集范围的并集包含立体模型对应的坡耕地；
无人机的高度是相对于地面的高度，由高度范围在立体模型中可以确定一个区间，也就是运动区间；在所述运动区间中可以确定一个含有采集角度的工作路径；其中，所述采集角度一般情况下采用竖直角度。
步骤S204：计算无人机完成一次工作路径的时间，根据所述时间计算采集时间间隔；
无人机完成一次运动后，再次进行采集；两次采集过程之间的时间间隔就是每个位置被监测的周期。
步骤S205：接收用户输入的采集步长，根据所述采集步长和所述采集时间间隔确定无人机的数量；
可以想到，无人机数量越多（每个无人机的采集参数均相同），每个位置被监测的周期越短，监测的时效性更好。
图4为坡耕地环境监测方法的第三子流程框图，所述接收无人机获取到的含有时间标签的子图像，根据所述工作参数将所述子图像转换为全景图像的步骤包括：
步骤S301：接收无人机获取到的含有时间标签的子图像；
无人机在拍摄图像时，需要记录拍摄时间。
步骤S302：根据所述时间标签在对应无人机的工作参数中查询采集角度和高度，根据所述采集角度和高度确定所述子图像在所述立体模型中的位置；
由拍摄时间查询无人机在该时刻的采集角度和高度，根据所述采集角度和高度可以确定子图像对应立体模型中的哪个位置。
步骤S303：遍历立体模型，基于立体模型统计各个位置处的子图像，并基于时间标签对统计的子图像进行排序，得到子图像集；
以立体模型为基准，统计各个位置处的子图像，基于时间信息对子图像进行排序，可以得到不同位置处对应的子图像集。
步骤S304：基于所述子图像集建立全景图像；
依次在子图像集中选取一个子图像进行拼接，可以得到全景图像；其中，选取过程的自由度较高，可以选取光照强度较为相似的子图像（对应灰度图像的灰度均值），也可以选取时间标签更为接近的子图像，其中，时间标签更为接近的这一条件，需要具体设定，比如，按照时间顺序，先选取时刻点，以时刻点为中心，在子图像集中选取时间跨度最近的子图像，计算并累计时间跨度，根据累计的时间跨度选取时刻点，根据选取的时刻点建立全景图像。
图5为坡耕地环境监测方法的第四子流程框图，所述对全景图像进行图像增强，基于预设的卷积核遍历图像增强后的全景图像，输出监测报告的步骤包括：
步骤S401：对所述全景图像进行线性增强，得到待检图像；
对于坡耕地来说，其图像中的色值差距比较明确，对全景图像进行增强，可以突出不同区域的特征，对所述全景图像进行线性增强，可以得到待检图像。
步骤S402：在预设的卷积核表中选取卷积核，基于所述卷积核遍历所述待检图像，计算相关度；所述卷积核为图像特征；所述卷积核表包括卷积核项和预设的评价项；
一种图像特征对应一种卷积核，由卷积核对所述待检图像进行遍历匹配，可以判断出该待检图像中是否存在该图像特征。
步骤S403：选取相关度达到预设条件的卷积核，读取对应的评价项，基于读取到的评价项输出监测报告；
统计匹配到的图像特征，读取对应的评价项，由评价项可以输出监测报告。
具体的，由评价项输出监测报告的过程需要用户具体的设定，最简单的就是连接多个评价项，得到含有评价项的监测报告。
作为本发明技术方案的一个优选实施例，所述对所述全景图像进行线性增强，得到待检图像的步骤包括：
将所述全景图像转换为单值图像；
根据预设的转换公式对所述单值图像进行线性增强；
其中，将所述全景图像转换为单值图像的计算公式为：
式中，a、b和c为预设的参数，R、G和B分别为图像的RGB值。
线性增强的计算公式为：
式中，
为单值图像中的值，/>
为线性增强后的值。
z的取值函数为：
取值函数中，F表示节点图像的累计直方图达到0.1时对应的亮度值；所述累计直方图表示节点图像中各像素点的亮度值小于某一数值的概率。
在本发明技术方案的一个实例中，对于z的取值过程需要具体的说明，如下：
取值函数中的F表示单值图像的累计直方图达到0.1（10%）时的色阶值，累计直方图代表图像组成成分在灰度级（本发明技术方案中的单值）的累计概率分布情况，每一个概率值代表小于等于此灰度值的概率；通俗地说，就是单值图像中像素点的值小于F的概率；当F为255时，小于F的概率是1，随着F的降低，概率逐渐降低，当概率达到0.1时，可以确定一个F值，该值就作为z值的取值条件。
可以想到，如果单值图像中90%的像素值都大于150（小于150的概率为0.1），则Z=1，如果10%或者更多的像素值都小于50，则Z取值为0，否则其他情况Z则根据L的值线性插值。
其中，所述单值图像为将节点图像中每个像素点的色值转换为单值后，生成的图像。上述取值的原理是，如果Z=0，说明图像中存在大量的偏暗像素，图像有必要变亮一些，如果Z=1，则说明图像已经很亮了，则此时图像无需继续加亮处理。介于两者之间时，我们也做中和处理。
图6为坡耕地环境监测系统的组成结构框图，作为本发明技术方案的另一个实施例，提供了一种坡耕地环境监测系统，所述系统10包括：
立体模型确定模块11，用于获取坡耕地的边界信息，基于所述边界信息确定立体模型；
采集端限定模块12，用于根据所述立体模型确定无人机的数量和工作参数；所述工作参数包括采集频率、含有高度的采集路径和不同位置处的采集角度；
图像拼接模块13，用于接收无人机获取到的含有时间标签的子图像，根据所述工作参数将所述子图像转换为全景图像；
图像处理识别模块14，用于对全景图像进行图像增强，基于预设的卷积核遍历图像增强后的全景图像，输出监测报告。
所述立体模型确定模块11包括：
边界线生成单元，用于接收用户输入的坡耕地的边界位置，根据所述边界位置拟合坡耕地的边界线；
网格确定单元，用于根据所述边界线建立平面模型，在所述平面模型中确定采样网格；所述采样网格的交点为采样点；
梯度确定单元，用于获取采样点处的高度，根据所述高度确定预设方向上的变化梯度；
梯度应用单元，用于根据所述变化梯度确定立体模型。
所述采集端限定模块12包括：
关系确定单元，用于获取无人机的拍摄像素，根据所述拍摄像素建立清晰度与采集范围之间的函数关系；所述采集范围为采集高度的函数；
区间确定单元，用于接收用户输入的清晰度范围，将所述清晰度范围输入建立好的函数关系，得到高度范围；
路径确定单元，用于根据所述高度范围在所述立体模型中确定运动区间，基于所述运动区间确定含有采集角度的工作路径；其中，无人机完成含有采集角度的工作路径时，所有采集范围的并集包含立体模型对应的坡耕地；
时间间隔计算单元，用于计算无人机完成一次工作路径的时间，根据所述时间计算采集时间间隔；
数量确定单元，用于接收用户输入的采集步长，根据所述采集步长和所述采集时间间隔确定无人机的数量。
所述图像拼接模块13包括：
子图像获取单元，用于接收无人机获取到的含有时间标签的子图像；
位置确定单元，用于根据所述时间标签在对应无人机的工作参数中查询采集角度和高度，根据所述采集角度和高度确定所述子图像在所述立体模型中的位置；
遍历排序单元，用于遍历立体模型，基于立体模型统计各个位置处的子图像，并基于时间标签对统计的子图像进行排序，得到子图像集；
图像拼接单元，用于基于所述子图像集建立全景图像。
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)
1.一种坡耕地环境监测方法，其特征在于，所述方法包括：
获取坡耕地的边界信息，基于所述边界信息确定立体模型；
根据所述立体模型确定无人机的数量和工作参数；所述工作参数包括采集频率、含有高度的采集路径和不同位置处的采集角度；
接收无人机获取到的含有时间标签的子图像，根据所述工作参数将所述子图像转换为全景图像；
对全景图像进行图像增强，基于预设的卷积核遍历图像增强后的全景图像，输出监测报告。
2.根据权利要求1所述的坡耕地环境监测方法，其特征在于，所述获取坡耕地的边界信息，基于所述边界信息确定立体模型的步骤包括：
接收用户输入的坡耕地的边界位置，根据所述边界位置拟合坡耕地的边界线；
根据所述边界线建立平面模型，在所述平面模型中确定采样网格；所述采样网格的交点为采样点；
获取采样点处的高度，根据所述高度确定预设方向上的变化梯度；
根据所述变化梯度确定立体模型。
3.根据权利要求1所述的坡耕地环境监测方法，其特征在于，所述根据所述立体模型确定无人机的数量和工作参数的步骤包括：
获取无人机的拍摄像素，根据所述拍摄像素建立清晰度与采集范围之间的函数关系；所述采集范围为采集高度的函数；
接收用户输入的清晰度范围，将所述清晰度范围输入建立好的函数关系，得到高度范围；
根据所述高度范围在所述立体模型中确定运动区间，基于所述运动区间确定含有采集角度的工作路径；其中，无人机完成含有采集角度的工作路径时，所有采集范围的并集包含立体模型对应的坡耕地；
计算无人机完成一次工作路径的时间，根据所述时间计算采集时间间隔；
接收用户输入的采集步长，根据所述采集步长和所述采集时间间隔确定无人机的数量。
4.根据权利要求1所述的坡耕地环境监测方法，其特征在于，所述接收无人机获取到的含有时间标签的子图像，根据所述工作参数将所述子图像转换为全景图像的步骤包括：
接收无人机获取到的含有时间标签的子图像；
根据所述时间标签在对应无人机的工作参数中查询采集角度和高度，根据所述采集角度和高度确定所述子图像在所述立体模型中的位置；
遍历立体模型，基于立体模型统计各个位置处的子图像，并基于时间标签对统计的子图像进行排序，得到子图像集；
基于所述子图像集建立全景图像。
5.根据权利要求1所述的坡耕地环境监测方法，其特征在于，所述对全景图像进行图像增强，基于预设的卷积核遍历图像增强后的全景图像，输出监测报告的步骤包括：
对所述全景图像进行线性增强，得到待检图像；
在预设的卷积核表中选取卷积核，基于所述卷积核遍历所述待检图像，计算相关度；所述卷积核为图像特征；所述卷积核表包括卷积核项和预设的评价项；
选取相关度达到预设条件的卷积核，读取对应的评价项，基于读取到的评价项输出监测报告。
6.根据权利要求5所述的坡耕地环境监测方法，其特征在于，所述对所述全景图像进行线性增强，得到待检图像的步骤包括：
将所述全景图像转换为单值图像；
根据预设的转换公式对所述单值图像进行线性增强；
其中，将所述全景图像转换为单值图像的计算公式为：
式中，a、b和c为预设的参数，R、G和B分别为图像的RGB值；
线性增强的计算公式为：
式中，
为单值图像中的值，/>
为线性增强后的值；
z的取值函数为：
取值函数中，F表示节点图像的累计直方图达到0.1时对应的亮度值；所述累计直方图表示节点图像中各像素点的亮度值小于某一数值的概率。
7.一种坡耕地环境监测系统，其特征在于，所述系统包括：
立体模型确定模块，用于获取坡耕地的边界信息，基于所述边界信息确定立体模型；
采集端限定模块，用于根据所述立体模型确定无人机的数量和工作参数；所述工作参数包括采集频率、含有高度的采集路径和不同位置处的采集角度；
图像拼接模块，用于接收无人机获取到的含有时间标签的子图像，根据所述工作参数将所述子图像转换为全景图像；
图像处理识别模块，用于对全景图像进行图像增强，基于预设的卷积核遍历图像增强后的全景图像，输出监测报告。
8.根据权利要求7所述的坡耕地环境监测系统，其特征在于，所述立体模型确定模块包括：
边界线生成单元，用于接收用户输入的坡耕地的边界位置，根据所述边界位置拟合坡耕地的边界线；
网格确定单元，用于根据所述边界线建立平面模型，在所述平面模型中确定采样网格；所述采样网格的交点为采样点；
梯度确定单元，用于获取采样点处的高度，根据所述高度确定预设方向上的变化梯度；
梯度应用单元，用于根据所述变化梯度确定立体模型。
9.根据权利要求7所述的坡耕地环境监测系统，其特征在于，所述采集端限定模块包括：
关系确定单元，用于获取无人机的拍摄像素，根据所述拍摄像素建立清晰度与采集范围之间的函数关系；所述采集范围为采集高度的函数；
区间确定单元，用于接收用户输入的清晰度范围，将所述清晰度范围输入建立好的函数关系，得到高度范围；
路径确定单元，用于根据所述高度范围在所述立体模型中确定运动区间，基于所述运动区间确定含有采集角度的工作路径；其中，无人机完成含有采集角度的工作路径时，所有采集范围的并集包含立体模型对应的坡耕地；
时间间隔计算单元，用于计算无人机完成一次工作路径的时间，根据所述时间计算采集时间间隔；
数量确定单元，用于接收用户输入的采集步长，根据所述采集步长和所述采集时间间隔确定无人机的数量。
10.根据权利要求7所述的坡耕地环境监测系统，其特征在于，所述图像拼接模块包括：
子图像获取单元，用于接收无人机获取到的含有时间标签的子图像；
位置确定单元，用于根据所述时间标签在对应无人机的工作参数中查询采集角度和高度，根据所述采集角度和高度确定所述子图像在所述立体模型中的位置；
遍历排序单元，用于遍历立体模型，基于立体模型统计各个位置处的子图像，并基于时间标签对统计的子图像进行排序，得到子图像集；
图像拼接单元，用于基于所述子图像集建立全景图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310134831.7A CN115861859A (zh) | 2023-02-20 | 2023-02-20 | 一种坡耕地环境监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310134831.7A CN115861859A (zh) | 2023-02-20 | 2023-02-20 | 一种坡耕地环境监测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115861859A true CN115861859A (zh) | 2023-03-28 |
Family
ID=85658428
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310134831.7A Pending CN115861859A (zh) | 2023-02-20 | 2023-02-20 | 一种坡耕地环境监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115861859A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116844075A (zh) * | 2023-08-28 | 2023-10-03 | 中国科学院东北地理与农业生态研究所 | 一种耕地环境判定方法及系统 |
| CN117237383A (zh) * | 2023-11-15 | 2023-12-15 | 山东智赢门窗科技有限公司 | 一种基于室内环境的智能门窗控制方法及系统 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102201115A (zh) * | 2011-04-07 | 2011-09-28 | 湖南天幕智能科技有限公司 | 无人机航拍视频实时全景图拼接方法 |
| CN211787203U (zh) * | 2020-02-14 | 2020-10-27 | 中国人民解放军空军航空大学 | 农业保险查勘无人机装置、旋翼及固定翼无人机飞行平台 |
| CN111860375A (zh) * | 2020-07-23 | 2020-10-30 | 南京科沃信息技术有限公司 | 一种植保无人机地面监控系统及其监控方法 |
| CN112067839A (zh) * | 2020-09-18 | 2020-12-11 | 重庆交通大学 | 无控制点条件下的无人机超宽河流表面流场快速测量方法 |
| CN112947570A (zh) * | 2021-03-10 | 2021-06-11 | 苏州臻迪智能科技有限公司 | 一种无人机避障的方法、装置和存储介质 |
| CN113537131A (zh) * | 2021-07-30 | 2021-10-22 | 中国科学院地理科学与资源研究所 | 基于图像识别的土地资源分析模型训练方法及分析方法 |
| CN113920441A (zh) * | 2021-08-30 | 2022-01-11 | 广东海洋大学 | 一种高精度的农田植被信息提取方法 |
| CN114581855A (zh) * | 2022-04-29 | 2022-06-03 | 深圳格隆汇信息科技有限公司 | 一种基于大数据的信息收集方法与系统 |
| CN114842250A (zh) * | 2022-04-25 | 2022-08-02 | 中山大学 | 一种朗缪尔环流的观测控制方法与系统 |
| CN115077394A (zh) * | 2022-07-21 | 2022-09-20 | 清华四川能源互联网研究院 | 电站大坝边坡位移检测方法、装置及电子设备 |
| CN115222909A (zh) * | 2022-09-19 | 2022-10-21 | 深圳市湾测技术有限公司 | 一种三维图像检测模型构建方法 |
| CN115393741A (zh) * | 2022-07-28 | 2022-11-25 | 泰瑞数创科技(北京)股份有限公司 | 基于无人机低空采样的地物分类人工智能识别方法及其系统 |
| CN115442575A (zh) * | 2022-11-08 | 2022-12-06 | 广东电网有限责任公司中山供电局 | 一种基于视频质量评估的视频自适应传输方法及系统 |
| CN115631449A (zh) * | 2022-12-19 | 2023-01-20 | 南京和电科技有限公司 | 一种视频智能识别管理方法及系统 |
-
2023
- 2023-02-20 CN CN202310134831.7A patent/CN115861859A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102201115A (zh) * | 2011-04-07 | 2011-09-28 | 湖南天幕智能科技有限公司 | 无人机航拍视频实时全景图拼接方法 |
| CN211787203U (zh) * | 2020-02-14 | 2020-10-27 | 中国人民解放军空军航空大学 | 农业保险查勘无人机装置、旋翼及固定翼无人机飞行平台 |
| CN111860375A (zh) * | 2020-07-23 | 2020-10-30 | 南京科沃信息技术有限公司 | 一种植保无人机地面监控系统及其监控方法 |
| CN112067839A (zh) * | 2020-09-18 | 2020-12-11 | 重庆交通大学 | 无控制点条件下的无人机超宽河流表面流场快速测量方法 |
| CN112947570A (zh) * | 2021-03-10 | 2021-06-11 | 苏州臻迪智能科技有限公司 | 一种无人机避障的方法、装置和存储介质 |
| CN113537131A (zh) * | 2021-07-30 | 2021-10-22 | 中国科学院地理科学与资源研究所 | 基于图像识别的土地资源分析模型训练方法及分析方法 |
| CN113920441A (zh) * | 2021-08-30 | 2022-01-11 | 广东海洋大学 | 一种高精度的农田植被信息提取方法 |
| CN114842250A (zh) * | 2022-04-25 | 2022-08-02 | 中山大学 | 一种朗缪尔环流的观测控制方法与系统 |
| CN114581855A (zh) * | 2022-04-29 | 2022-06-03 | 深圳格隆汇信息科技有限公司 | 一种基于大数据的信息收集方法与系统 |
| CN115077394A (zh) * | 2022-07-21 | 2022-09-20 | 清华四川能源互联网研究院 | 电站大坝边坡位移检测方法、装置及电子设备 |
| CN115393741A (zh) * | 2022-07-28 | 2022-11-25 | 泰瑞数创科技(北京)股份有限公司 | 基于无人机低空采样的地物分类人工智能识别方法及其系统 |
| CN115222909A (zh) * | 2022-09-19 | 2022-10-21 | 深圳市湾测技术有限公司 | 一种三维图像检测模型构建方法 |
| CN115442575A (zh) * | 2022-11-08 | 2022-12-06 | 广东电网有限责任公司中山供电局 | 一种基于视频质量评估的视频自适应传输方法及系统 |
| CN115631449A (zh) * | 2022-12-19 | 2023-01-20 | 南京和电科技有限公司 | 一种视频智能识别管理方法及系统 |
Non-Patent Citations (9)
| Title |
|---|
| ZHANG YUBO等: "A Novel Model Integrating Deep Learning for Land Use/Cover Change Reconstruction: A Case Study of Zhenlai County, Northeast China" * |
| 任博;吕雪燕;董彦斌;: "基于网格模型的无人机航路规划仿真", 计算机仿真 * |
| 何嘉诚: "基于 Shape Theory 和 Flocking 的编队控制研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
| 刘西: "复杂环境下多无人机对目标点的协同打击规划", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
| 夏瑞;赵磊;吴书宇;李军;: "基于人工蜂群算法的无人机协同路径规划", 无线互联科技 * |
| 张哲璇;龙腾;徐广通;王仰杰;: "重访机制驱动的多无人机协同动目标搜索方法", 航空学报 * |
| 张波等: "基于无线传感器网络的无人机农田信息监测系统" * |
| 赵静;龙腾;兰玉彬;龙拥兵;李继宇;: "多旋翼无人机近地遥感光谱成像装置研制", 农业工程学报 * |
| 高天禹;马雨婷;韩成哲;蔡博;翁睿;张立宪;: "基于激光测距与单目视觉的微型无人机室内目标人物搜索方法研究", 中国科学:技术科学 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116844075A (zh) * | 2023-08-28 | 2023-10-03 | 中国科学院东北地理与农业生态研究所 | 一种耕地环境判定方法及系统 |
| CN116844075B (zh) * | 2023-08-28 | 2023-11-14 | 中国科学院东北地理与农业生态研究所 | 一种耕地环境判定方法及系统 |
| CN117237383A (zh) * | 2023-11-15 | 2023-12-15 | 山东智赢门窗科技有限公司 | 一种基于室内环境的智能门窗控制方法及系统 |
| CN117237383B (zh) * | 2023-11-15 | 2024-02-02 | 山东智赢门窗科技有限公司 | 一种基于室内环境的智能门窗控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115861859A (zh) | 一种坡耕地环境监测方法及系统 | |
| CN108881825A (zh) | 基于Jetson TK1的水稻杂草无人机监控系统及其监控方法 | |
| Kawamura et al. | Discriminating crops/weeds in an upland rice field from UAV images with the SLIC-RF algorithm | |
| Yang et al. | Relationships between yield monitor data and airborne multidate multispectral digital imagery for grain sorghum | |
| CN105574897A (zh) | 一种基于视觉检测的农作物生长情况监测物联网系统 | |
| CN105761150B (zh) | 农作物信息及样本的采集方法和系统 | |
| CN114239756B (zh) | 一种虫害检测方法及系统 | |
| CN112613397B (zh) | 多视角光学卫星遥感影像目标识别训练样本集构建方法 | |
| Xu et al. | Classification method of cultivated land based on UAV visible light remote sensing | |
| CN113575388A (zh) | 基于人工智能和大数据的农业智能灌溉系统 | |
| CN108776106A (zh) | 一种基于无人机低空遥感的作物长势监测方法及系统 | |
| CN112132900A (zh) | 一种视觉重定位方法及系统 | |
| Jaihuni et al. | Determining spatiotemporal distribution of macronutrients in a cornfield using remote sensing and a deep learning model | |
| Kise et al. | Creating a panoramic field image using multi-spectral stereovision system | |
| Liu et al. | Development of a proximal machine vision system for off-season weed mapping in broadacre no-tillage fallows | |
| CN117197595A (zh) | 基于边缘计算的果树生育期识别方法、装置及管理平台 | |
| CN106683069A (zh) | 农田苗期行内作物-杂草识别方法 | |
| CN113807309B (zh) | 一种基于深度学习的果园机械行走路线规划方法 | |
| CN108804854A (zh) | 一种果树机械修枝的树体结构参数估计方法及其系统 | |
| CN114882169A (zh) | 一种基于三维数据的电网工程大数据智能分析系统及方法 | |
| CN105973156A (zh) | 一种用于牧草高度检测的实时无损测量方法 | |
| Dimitrov et al. | Infrared thermal monitoring of intelligent grassland via drone | |
| CN112949441A (zh) | 一种植物覆盖率或者荒漠化监测系统 | |
| CN110658844A (zh) | 一种特高压直流线路通道无人机监控方法及其系统 | |
| CN113807135A (zh) | 基于语义分割网络的缺苗区域识别方法、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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230328 |