CN116188585A - 一种基于无人机摄影测量的山区光伏目标定位方法 - Google Patents

一种基于无人机摄影测量的山区光伏目标定位方法 Download PDF

Info

Publication number
CN116188585A
CN116188585A CN202310445231.2A CN202310445231A CN116188585A CN 116188585 A CN116188585 A CN 116188585A CN 202310445231 A CN202310445231 A CN 202310445231A CN 116188585 A CN116188585 A CN 116188585A
Authority
CN
China
Prior art keywords
layer
input end
feature data
output end
mountain area
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
Application number
CN202310445231.2A
Other languages
English (en)
Other versions
CN116188585B (zh
Inventor
李国明
靳旭
李晓娟
陆博
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.)
Chengdu Yuanjing Technology Co ltd
University of Electronic Science and Technology of China
Original Assignee
Chengdu Yuanjing Technology Co ltd
University of Electronic Science and Technology of China
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 Chengdu Yuanjing Technology Co ltd, University of Electronic Science and Technology of China filed Critical Chengdu Yuanjing Technology Co ltd
Priority to CN202310445231.2A priority Critical patent/CN116188585B/zh
Publication of CN116188585A publication Critical patent/CN116188585A/zh
Application granted granted Critical
Publication of CN116188585B publication Critical patent/CN116188585B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10036—Multispectral image; Hyperspectral image
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于无人机摄影测量的山区光伏目标定位方法，本发明采用无人机拍摄山区多光谱图像，通过对山区多光谱图像进行处理，得到轮廓特征，采用目标特征提取模型对轮廓特征进行处理，进一步地提取特征数据，计算提取到的特征数据与存储的光伏电站特征数据的相似度，在相似度高时，则说明山区多光谱图像中存在光伏电站，获取在拍摄山区多光谱图像时的定位数据，则可得到光伏电站的位置。本发明利用无人机对山区进行巡查，利用图像处理识别光伏电站，本发明解决了通过人工方式寻找光伏电站设备位置，存在效率低下的问题。

Description

一种基于无人机摄影测量的山区光伏目标定位方法
技术领域
本发明属于图像处理技术领域，具体涉及一种基于无人机摄影测量的山区光伏目标定位方法。
背景技术
光伏电站设备需要将太阳辐射能转换电能，且光伏电站设备上的光伏板占地面积宽，因此，光伏电站设备通常设置在山区。由于光伏电站设备隐藏在山区中，通过人工进行巡查，很难找到光伏电站的位置。在山区中，若无法获知光伏电站设备的具体位置，则需要耗费大量的人力进行寻找，存在效率低下的问题。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于无人机摄影测量的山区光伏目标定位方法解决了通过人工方式寻找光伏电站设备位置，存在效率低下的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于无人机摄影测量的山区光伏目标定位方法，包括以下步骤：
S1、通过无人机拍摄山区多光谱图像；
S2、对山区多光谱图像进行预处理，得到轮廓特征；
S3、采用目标特征提取模型对轮廓特征进行处理，得到待处理特征数据；
S4、计算待处理特征数据与光伏电站特征数据的相似度；
S5、在相似度大于相似度阈值时，山区多光谱图像中存在光伏电站，获取在拍摄山区多光谱图像时的定位数据，得到光伏电站的位置。
进一步地，所述S2包括以下分步骤：
S21、对山区多光谱图像进行灰度化处理，得到灰度图；
S22、对灰度图滤波处理，得到滤波图；
S23、对滤波图提取轮廓，得到轮廓特征。
上述进一步地方案的有益效果为：本发明先对山区多光谱图像进行灰度处理，将其转换为灰度图，再通过滤波处理，滤除噪点，减少对特征数据的影响，最后提取出轮廓特征，降低图像数据的数据量。
进一步地，所述S21中灰度化处理的公式为：
Figure SMS_1
，其中，/>
Figure SMS_2
为灰度图的灰度值，/>
Figure SMS_3
为山区多光谱图像的第/>
Figure SMS_4
种光谱通道值，/>
Figure SMS_5
为光谱通道数量。
上述进一步地方案的有益效果为：本发明通过各光谱通道中各光谱通道值所占比例进行灰度化处理，最大程度保留图像特征。
进一步地，所述S22中滤波公式为：
Figure SMS_16
，其中，/>
Figure SMS_8
为滤波图中第/>
Figure SMS_13
个像素点的灰度值，/>
Figure SMS_17
为灰度图中第/>
Figure SMS_21
个像素点的灰度值，/>
Figure SMS_20
为灰度图中第/>
Figure SMS_22
个像素点的邻域范围内的第/>
Figure SMS_14
个像素点的灰度值，/>
Figure SMS_18
为邻域范围内的像素点数量，/>
Figure SMS_6
为滤波因子，/>
Figure SMS_10
为滤波图中第/>
Figure SMS_9
个像素点的灰度值，/>
Figure SMS_12
为绝对值，/>
Figure SMS_15
为滤波图中第/>
Figure SMS_19
个像素点的灰度值，/>
Figure SMS_7
为滤波后像素点的数量，/>
Figure SMS_11
为滤波后像素点的编号。
上述进一步地方案的有益效果为：本发明通过将当前待滤波的灰度值
Figure SMS_25
与上一次滤波后的灰度值/>
Figure SMS_29
相减，其差值绝对值越大，灰度值/>
Figure SMS_32
相比于灰度值/>
Figure SMS_26
变化明显，因此/>
Figure SMS_27
所占比例较大，在差值绝对值较小时，灰度值/>
Figure SMS_31
相比于灰度值/>
Figure SMS_34
变化较小，/>
Figure SMS_23
所占比例较大，在考虑到数据变化的同时，本发明以灰度值/>
Figure SMS_28
、灰度值/>
Figure SMS_30
邻域范围内的灰度值和邻近/>
Figure SMS_33
个滤波后的灰度值/>
Figure SMS_24
为参考，进一步滤除噪声的影响。
进一步地，所述S3中目标特征提取模型包括：第一下采样层、第二下采样层、第三下采样层、第四下采样层、第一连接层Concat1、特征提取单元、最大池化层、平均池化层、第二连接层Concat2、第一卷积层Conv1和第二卷积层Conv2；
所述第一下采样层的输入端分别与第二下采样层的输入端、第三下采样层的输入端和第四下采样层的输入端连接，并作为目标特征提取模型的输入端；所述第一连接层Concat1的输入端分别与第一下采样层的输出端、第二下采样层的输出端、第三下采样层的输出端和第四下采样层的输出端连接，其输出端与特征提取单元的输入端连接；所述特征提取单元的输出端分别与最大池化层的输入端和平均池化层的输入端连接；所述第二连接层Concat2的输入端分别与最大池化层的输出端和平均池化层的输出端连接，其输出端与第一卷积层Conv1的输入端连接；所述第一卷积层Conv1的输出端与第二卷积层Conv2的输入端连接；所述第二卷积层Conv2的输出端作为目标特征提取模型的输出端。
上述进一步地方案的有益效果为：本发明通过多个下采样层将轮廓特征切分成4份输入第一连接层Concat1进行拼接，在降低数据量的同时，又保留了有效信息，丰富特征数据，再输入特征提取单元中，进一步地提取特征数据，最后通过最大池化层保留显著特征，通过平均池化层保留均值特征。
进一步地，所述特征提取单元包括：第三卷积层Conv3、第四卷积层Conv4、第五卷积层Conv5、第六卷积层Conv6、第一ReLU1激活层、第二ReLU2激活层、第一乘法器A1、第二乘法器A2、加法器B1和sigmiod激活层；
所述第三卷积层Conv3的输入端作为特征提取单元的输入端，其输出端分别与第二乘法器A2的输入端、第六卷积层Conv6的输入端和第四卷积层Conv4的输入端连接；所述第六卷积层Conv6的输出端与sigmiod激活层的输入端连接；所述第一ReLU1激活层的输入端与第四卷积层Conv4的输出端连接，其输出端与第五卷积层Conv5的输入端连接；所述sigmiod激活层的输出端分别与第二乘法器A2的输入端和第一乘法器A1的输入端连接；所述第五卷积层Conv5的输出端与第一乘法器A1的输入端连接；所述加法器B1的输入端分别与第一乘法器A1的输出端和第二乘法器A2的输出端连接，其输出端与第二ReLU2激活层的输入端连接；所述第二ReLU2激活层的输出端作为特征提取单元的输出端。
上述进一步地方案的有益效果为：特征图像数据通过第三卷积层Conv3后分为三路，第一路通过第四卷积层Conv4和第五卷积层Conv5提取特征，第二路通过第六卷积层Conv6提取特征，第三路保持第三卷积层Conv3输出的特征，在第一乘法器A1处，将第一路和第二路特征进行融合，在第二乘法器A2处，将第二路和第三路特征进行融合，再通过加法器B1将融合后的特征进行通道上的特征数据相加，通过三路分别对特征进行处理，充分保留特征，提高特征提取精度。
进一步地，所述S3中使用的目标特征提取模型为采用梯度下降法训练后的目标特征提取模型，其训练的损失函数为：
Figure SMS_37
，其中，/>
Figure SMS_39
为损失函数，/>
Figure SMS_44
为反正切函数，/>
Figure SMS_38
为训练过程目标特征提取模型输出的特征数据中心像素点的横坐标，/>
Figure SMS_42
为训练过程目标特征提取模型输出的特征数据中心像素点的纵坐标，/>
Figure SMS_46
为目标特征数据中心像素点的横坐标，/>
Figure SMS_47
为目标特征数据中心像素点的纵坐标，/>
Figure SMS_35
为训练过程目标特征提取模型输出的特征数据的宽度，/>
Figure SMS_40
为训练过程目标特征提取模型输出的特征数据的高度，/>
Figure SMS_43
为目标特征数据的宽度，/>
Figure SMS_45
为目标特征数据的高度，/>
Figure SMS_36
为训练过程目标特征提取模型输出的特征数据的像素点数量，/>
Figure SMS_41
为目标特征数据的像素点数量，| |为绝对值。
上述进一步地方案的有益效果为：本发明的损失函数考虑三方面的情况，第一方面目标特征提取模型输出的特征数据的宽和高分别与目标特征数据的宽和高的差值，第二方面目标特征提取模型输出的特征数据的像素点数量与目标特征数据的像素点数量差值，第三方面目标特征提取模型输出的特征数据中心像素点与目标特征数据中心像素点的位置距离，本发明通过像素点数量差值放大宽高差值，使得模型在输出特征数据像素点数量不够时，能加快模型参数的训练进度，同时，两中心点的位置距离越大时，损失值越大，模型参数变化越快，在两中心点的位置距离较小时，减少损失值，减小模型参数变化程度，在模型输出特征数据像素点数量、宽和高、中心点位置均与目标相差较小时，损失函数计算的损失值较小，模型训练完成。
进一步地，所述S4包括以下分步骤：
S41、计算待处理特征数据与光伏电站特征数据的相似值；
S42、计算待处理特征数据与光伏电站特征数据的距离值；
S43、根据相似值和距离值，计算待处理特征数据与光伏电站特征数据的相似度。
进一步地，所述S41中计算相似值的公式为：
Figure SMS_48
，/>
Figure SMS_49
，
Figure SMS_52
，其中，/>
Figure SMS_54
为相似值，/>
Figure SMS_57
为第一相似因子，/>
Figure SMS_53
为第二相似因子，/>
Figure SMS_55
为待处理特征数据中像素点的平均灰度值，/>
Figure SMS_59
为光伏电站特征数据的平均灰度值，/>
Figure SMS_61
为待处理特征数据中第/>
Figure SMS_50
个像素点的灰度值，/>
Figure SMS_56
为光伏电站特征数据中第/>
Figure SMS_58
个像素点的灰度值，/>
Figure SMS_60
为待处理特征数据中像素点的数量，/>
Figure SMS_51
为光伏电站特征数据中像素点的数量。
上述进一步地方案的有益效果为：本发明相似值的计算从特征数据灰度值的分布出发，灰度值的分布体现图像的明暗情况，与物体的成像情况有关，因此，本发明相似值从灰度值的分布上评估待处理特征数据与光伏电站特征数据的相似情况。
进一步地，所述S42中计算距离值的公式为：
Figure SMS_73
，其中，/>
Figure SMS_64
为距离值，/>
Figure SMS_69
为距离权重，/>
Figure SMS_65
为待处理特征数据的宽度，/>
Figure SMS_67
为光伏电站特征数据的宽度，/>
Figure SMS_70
为待处理特征数据的高度，/>
Figure SMS_74
为光伏电站特征数据的高度，/>
Figure SMS_68
为待处理特征数据中心区域中第/>
Figure SMS_71
个像素点的横坐标，/>
Figure SMS_62
为光伏电站特征数据中心区域中第/>
Figure SMS_66
个像素点的横坐标，/>
Figure SMS_72
为待处理特征数据中心区域中第/>
Figure SMS_75
个像素点的纵坐标，/>
Figure SMS_76
为光伏电站特征数据中心区域中第/>
Figure SMS_77
个像素点的纵坐标，/>
Figure SMS_63
为中心区域中像素点的数量；
所述S43中计算相似度的公式为：
Figure SMS_78
，其中，/>
Figure SMS_79
为相似度，/>
Figure SMS_80
为相似值，/>
Figure SMS_81
为反正切函数，/>
Figure SMS_82
为距离值。
上述进一步地方案的有益效果为：本发明从特征数据的宽和高，以及像素点位置的分布角度出发，计算待处理特征数据与光伏电站特征数据宽和高的差距，以及像素点位置分布的差距，从而根据相似值和距离值，综合得到待处理特征数据与光伏电站特征数据的相似度。
本发明的有益效果为：本发明采用无人机拍摄山区多光谱图像，通过对山区多光谱图像进行处理，得到轮廓特征，采用目标特征提取模型对轮廓特征进行处理，进一步地提取特征数据，计算提取到的特征数据与存储的光伏电站特征数据的相似度，在相似度高时，则说明山区多光谱图像中存在光伏电站，获取在拍摄山区多光谱图像时的定位数据，则可得到光伏电站的位置。本发明利用无人机对山区进行巡查，利用图像处理识别光伏电站，本发明解决了通过人工方式寻找光伏电站设备位置，存在效率低下的问题。
附图说明
图1为一种基于无人机摄影测量的山区光伏目标定位方法的流程图；
图2为目标特征提取模型的结构示意图；
图3为特征提取单元的结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种基于无人机摄影测量的山区光伏目标定位方法，包括以下步骤：
S1、通过无人机拍摄山区多光谱图像；
在无人机上搭载用于拍摄的相机和GPS定位设备，在拍摄到一张山区多光谱图像后，同时获取GPS定位设备上的经纬度信息，将山区多光谱图像与经纬度信息进行对应存放，一张山区多光谱图像对应一份经纬度信息。
S2、对山区多光谱图像进行预处理，得到轮廓特征；
所述S2包括以下分步骤：
S21、对山区多光谱图像进行灰度化处理，得到灰度图；
所述S21中灰度化处理的公式为：
Figure SMS_83
，其中，/>
Figure SMS_84
为灰度图的灰度值，
Figure SMS_85
为山区多光谱图像的第/>
Figure SMS_86
种光谱通道值，/>
Figure SMS_87
为光谱通道数量。
本发明通过各光谱通道中各光谱通道值所占比例进行灰度化处理，最大程度保留图像特征。
S22、对灰度图滤波处理，得到滤波图；
所述S22中滤波公式为：
Figure SMS_97
，其中，/>
Figure SMS_90
为滤波图中第/>
Figure SMS_95
个像素点的灰度值，/>
Figure SMS_91
为灰度图中第/>
Figure SMS_94
个像素点的灰度值，/>
Figure SMS_96
为灰度图中第/>
Figure SMS_103
个像素点的邻域范围内的第/>
Figure SMS_98
个像素点的灰度值，/>
Figure SMS_101
为邻域范围内的像素点数量，/>
Figure SMS_88
为滤波因子，/>
Figure SMS_92
为滤波图中第/>
Figure SMS_99
个像素点的灰度值，/>
Figure SMS_102
为绝对值，/>
Figure SMS_100
为滤波图中第/>
Figure SMS_104
个像素点的灰度值，/>
Figure SMS_89
为滤波后像素点的数量，/>
Figure SMS_93
为滤波后像素点的编号。
本发明通过将当前待滤波的灰度值
Figure SMS_106
与上一次滤波后的灰度值/>
Figure SMS_110
相减，其差值绝对值越大，灰度值/>
Figure SMS_113
相比于灰度值/>
Figure SMS_107
变化明显，因此/>
Figure SMS_109
所占比例较大，在差值绝对值较小时，灰度值/>
Figure SMS_112
相比于灰度值/>
Figure SMS_115
变化较小，/>
Figure SMS_105
所占比例较大，在考虑到数据变化的同时，本发明以灰度值/>
Figure SMS_111
、灰度值/>
Figure SMS_114
邻域范围内的灰度值和邻近/>
Figure SMS_116
个滤波后的灰度值/>
Figure SMS_108
为参考，进一步滤除噪声的影响。
S23、对滤波图提取轮廓，得到轮廓特征。
本发明先对山区多光谱图像进行灰度处理，将其转换为灰度图，再通过滤波处理，滤除噪点，减少对特征数据的影响，最后提取出轮廓特征，降低图像数据的数据量。
S3、采用目标特征提取模型对轮廓特征进行处理，得到待处理特征数据；
如图2所示，所述S3中目标特征提取模型包括：第一下采样层、第二下采样层、第三下采样层、第四下采样层、第一连接层Concat1、特征提取单元、最大池化层、平均池化层、第二连接层Concat2、第一卷积层Conv1和第二卷积层Conv2；
所述第一下采样层的输入端分别与第二下采样层的输入端、第三下采样层的输入端和第四下采样层的输入端连接，并作为目标特征提取模型的输入端；所述第一连接层Concat1的输入端分别与第一下采样层的输出端、第二下采样层的输出端、第三下采样层的输出端和第四下采样层的输出端连接，其输出端与特征提取单元的输入端连接；所述特征提取单元的输出端分别与最大池化层的输入端和平均池化层的输入端连接；所述第二连接层Concat2的输入端分别与最大池化层的输出端和平均池化层的输出端连接，其输出端与第一卷积层Conv1的输入端连接；所述第一卷积层Conv1的输出端与第二卷积层Conv2的输入端连接；所述第二卷积层Conv2的输出端作为目标特征提取模型的输出端。
本发明通过多个下采样层将轮廓特征切分成4份输入第一连接层Concat1进行拼接，在降低数据量的同时，又保留了有效信息，丰富特征数据，再输入特征提取单元中，进一步地提取特征数据，最后通过最大池化层保留显著特征，通过平均池化层保留均值特征。
如图3所示，所述特征提取单元包括：第三卷积层Conv3、第四卷积层Conv4、第五卷积层Conv5、第六卷积层Conv6、第一ReLU1激活层、第二ReLU2激活层、第一乘法器A1、第二乘法器A2、加法器B1和sigmiod激活层；
所述第三卷积层Conv3的输入端作为特征提取单元的输入端，其输出端分别与第二乘法器A2的输入端、第六卷积层Conv6的输入端和第四卷积层Conv4的输入端连接；所述第六卷积层Conv6的输出端与sigmiod激活层的输入端连接；所述第一ReLU1激活层的输入端与第四卷积层Conv4的输出端连接，其输出端与第五卷积层Conv5的输入端连接；所述sigmiod激活层的输出端分别与第二乘法器A2的输入端和第一乘法器A1的输入端连接；所述第五卷积层Conv5的输出端与第一乘法器A1的输入端连接；所述加法器B1的输入端分别与第一乘法器A1的输出端和第二乘法器A2的输出端连接，其输出端与第二ReLU2激活层的输入端连接；所述第二ReLU2激活层的输出端作为特征提取单元的输出端。
特征图像数据通过第三卷积层Conv3后分为三路，第一路通过第四卷积层Conv4和第五卷积层Conv5提取特征，第二路通过第六卷积层Conv6提取特征，第三路保持第三卷积层Conv3输出的特征，在第一乘法器A1处，将第一路和第二路特征进行融合，在第二乘法器A2处，将第二路和第三路特征进行融合，再通过加法器B1将融合后的特征进行通道上的特征数据相加，通过三路分别对特征进行处理，充分保留特征，提高特征提取精度。
所述S3中使用的目标特征提取模型为采用梯度下降法训练后的目标特征提取模型，其训练的损失函数为：
Figure SMS_118
，其中，/>
Figure SMS_123
为损失函数，/>
Figure SMS_127
为反正切函数，/>
Figure SMS_119
为训练过程目标特征提取模型输出的特征数据中心像素点的横坐标，/>
Figure SMS_122
为训练过程目标特征提取模型输出的特征数据中心像素点的纵坐标，/>
Figure SMS_125
为目标特征数据中心像素点的横坐标，/>
Figure SMS_128
为目标特征数据中心像素点的纵坐标，/>
Figure SMS_117
为训练过程目标特征提取模型输出的特征数据的宽度，/>
Figure SMS_121
为训练过程目标特征提取模型输出的特征数据的高度，/>
Figure SMS_126
为目标特征数据的宽度，/>
Figure SMS_129
为目标特征数据的高度，/>
Figure SMS_120
为训练过程目标特征提取模型输出的特征数据的像素点数量，/>
Figure SMS_124
为目标特征数据的像素点数量，| |为绝对值。
本发明的损失函数考虑三方面的情况，第一方面目标特征提取模型输出的特征数据的宽和高分别与目标特征数据的宽和高的差值，第二方面目标特征提取模型输出的特征数据的像素点数量与目标特征数据的像素点数量差值，第三方面目标特征提取模型输出的特征数据中心像素点与目标特征数据中心像素点的位置距离，本发明通过像素点数量差值放大宽高差值，使得模型在输出特征数据像素点数量不够时，能加快模型参数的训练进度，同时，两中心点的位置距离越大时，损失值越大，模型参数变化越快，在两中心点的位置距离较小时，减少损失值，减小模型参数变化程度，在模型输出特征数据像素点数量、宽和高、中心点位置均与目标相差较小时，损失函数计算的损失值较小，模型训练完成。
S4、计算待处理特征数据与光伏电站特征数据的相似度；
本实施例中，训练完成后的目标特征提取模型对包含光伏电站的轮廓特征进行处理，得到光伏电站特征数据，光伏电站特征数据可为多份。
所述S4包括以下分步骤：
S41、计算待处理特征数据与光伏电站特征数据的相似值；
所述S41中计算相似值的公式为：
Figure SMS_130
，/>
Figure SMS_131
，
Figure SMS_135
，其中，/>
Figure SMS_138
为相似值，/>
Figure SMS_141
为第一相似因子，/>
Figure SMS_134
为第二相似因子，/>
Figure SMS_136
为待处理特征数据中像素点的平均灰度值，/>
Figure SMS_139
为光伏电站特征数据的平均灰度值，/>
Figure SMS_142
为待处理特征数据中第/>
Figure SMS_132
个像素点的灰度值，/>
Figure SMS_137
为光伏电站特征数据中第/>
Figure SMS_140
个像素点的灰度值，/>
Figure SMS_143
为待处理特征数据中像素点的数量，/>
Figure SMS_133
为光伏电站特征数据中像素点的数量。
本发明相似值的计算从特征数据灰度值的分布出发，灰度值的分布体现图像的明暗情况，与物体的成像情况有关，因此，本发明相似值从灰度值的分布上评估待处理特征数据与光伏电站特征数据的相似情况。
S42、计算待处理特征数据与光伏电站特征数据的距离值；
所述S42中计算距离值的公式为：
Figure SMS_148
，其中，/>
Figure SMS_146
为距离值，/>
Figure SMS_150
为距离权重，/>
Figure SMS_147
为待处理特征数据的宽度，/>
Figure SMS_151
为光伏电站特征数据的宽度，/>
Figure SMS_154
为待处理特征数据的高度，/>
Figure SMS_158
为光伏电站特征数据的高度，/>
Figure SMS_153
为待处理特征数据中心区域中第/>
Figure SMS_157
个像素点的横坐标，/>
Figure SMS_144
为光伏电站特征数据中心区域中第/>
Figure SMS_149
个像素点的横坐标，/>
Figure SMS_152
为待处理特征数据中心区域中第/>
Figure SMS_156
个像素点的纵坐标，/>
Figure SMS_155
为光伏电站特征数据中心区域中第/>
Figure SMS_159
个像素点的纵坐标，/>
Figure SMS_145
为中心区域中像素点的数量。
在本实施例中，中心区域的大小根据需求或者经验设置。
S43、根据相似值和距离值，计算待处理特征数据与光伏电站特征数据的相似度。
所述S43中计算相似度的公式为：
Figure SMS_160
，其中，/>
Figure SMS_161
为相似度，/>
Figure SMS_162
为相似值，/>
Figure SMS_163
为反正切函数，/>
Figure SMS_164
为距离值。
本发明从特征数据的宽和高，以及像素点位置的分布角度出发，计算待处理特征数据与光伏电站特征数据宽和高的差距，以及像素点位置分布的差距，从而根据相似值和距离值，综合得到待处理特征数据与光伏电站特征数据的相似度。
S5、在相似度大于相似度阈值时，山区多光谱图像中存在光伏电站，获取在拍摄山区多光谱图像时的定位数据，得到光伏电站的位置。
本实施例中，相似度阈值可根据实验或者经验得到。
本发明实施例的有益效果为：本发明采用无人机拍摄山区多光谱图像，通过对山区多光谱图像进行处理，得到轮廓特征，采用目标特征提取模型对轮廓特征进行处理，进一步地提取特征数据，计算提取到的特征数据与存储的光伏电站特征数据的相似度，在相似度高时，则说明山区多光谱图像中存在光伏电站，获取在拍摄山区多光谱图像时的定位数据，则可得到光伏电站的位置。本发明利用无人机对山区进行巡查，利用图像处理识别光伏电站，本发明解决了通过人工方式寻找光伏电站设备位置，存在效率低下的问题。

Claims (10)

1.一种基于无人机摄影测量的山区光伏目标定位方法，其特征在于，包括以下步骤：
S1、通过无人机拍摄山区多光谱图像；
S2、对山区多光谱图像进行预处理，得到轮廓特征；
S3、采用目标特征提取模型对轮廓特征进行处理，得到待处理特征数据；
S4、计算待处理特征数据与光伏电站特征数据的相似度；
S5、在相似度大于相似度阈值时，山区多光谱图像中存在光伏电站，获取在拍摄山区多光谱图像时的定位数据，得到光伏电站的位置。
2.根据权利要求1所述的基于无人机摄影测量的山区光伏目标定位方法，其特征在于，所述S2包括以下分步骤：
S21、对山区多光谱图像进行灰度化处理，得到灰度图；
S22、对灰度图滤波处理，得到滤波图；
S23、对滤波图提取轮廓，得到轮廓特征。
3.根据权利要求2所述的基于无人机摄影测量的山区光伏目标定位方法，其特征在于，所述S21中灰度化处理的公式为：
Figure QLYQS_1
，其中，/>
Figure QLYQS_2
为灰度图的灰度值，/>
Figure QLYQS_3
为山区多光谱图像的第/>
Figure QLYQS_4
种光谱通道值，/>
Figure QLYQS_5
为光谱通道数量。
4.根据权利要求2所述的基于无人机摄影测量的山区光伏目标定位方法，其特征在于，所述S22中滤波公式为：
Figure QLYQS_17
，其中，/>
Figure QLYQS_8
为滤波图中第/>
Figure QLYQS_13
个像素点的灰度值，/>
Figure QLYQS_9
为灰度图中第/>
Figure QLYQS_12
个像素点的灰度值，/>
Figure QLYQS_15
为灰度图中第/>
Figure QLYQS_19
个像素点的邻域范围内的第/>
Figure QLYQS_16
个像素点的灰度值，/>
Figure QLYQS_20
为邻域范围内的像素点数量，
Figure QLYQS_6
为滤波因子，/>
Figure QLYQS_10
为滤波图中第/>
Figure QLYQS_14
个像素点的灰度值，/>
Figure QLYQS_18
为绝对值，/>
Figure QLYQS_21
为滤波图中第/>
Figure QLYQS_22
个像素点的灰度值，/>
Figure QLYQS_7
为滤波后像素点的数量，/>
Figure QLYQS_11
为滤波后像素点的编号。
5.根据权利要求1所述的基于无人机摄影测量的山区光伏目标定位方法，其特征在于，所述S3中目标特征提取模型包括：第一下采样层、第二下采样层、第三下采样层、第四下采样层、第一连接层Concat1、特征提取单元、最大池化层、平均池化层、第二连接层Concat2、第一卷积层Conv1和第二卷积层Conv2；
所述第一下采样层的输入端分别与第二下采样层的输入端、第三下采样层的输入端和第四下采样层的输入端连接，并作为目标特征提取模型的输入端；所述第一连接层Concat1的输入端分别与第一下采样层的输出端、第二下采样层的输出端、第三下采样层的输出端和第四下采样层的输出端连接，其输出端与特征提取单元的输入端连接；所述特征提取单元的输出端分别与最大池化层的输入端和平均池化层的输入端连接；所述第二连接层Concat2的输入端分别与最大池化层的输出端和平均池化层的输出端连接，其输出端与第一卷积层Conv1的输入端连接；所述第一卷积层Conv1的输出端与第二卷积层Conv2的输入端连接；所述第二卷积层Conv2的输出端作为目标特征提取模型的输出端。
6.根据权利要求5所述的基于无人机摄影测量的山区光伏目标定位方法，其特征在于，所述特征提取单元包括：第三卷积层Conv3、第四卷积层Conv4、第五卷积层Conv5、第六卷积层Conv6、第一ReLU1激活层、第二ReLU2激活层、第一乘法器A1、第二乘法器A2、加法器B1和sigmiod激活层；
所述第三卷积层Conv3的输入端作为特征提取单元的输入端，其输出端分别与第二乘法器A2的输入端、第六卷积层Conv6的输入端和第四卷积层Conv4的输入端连接；所述第六卷积层Conv6的输出端与sigmiod激活层的输入端连接；所述第一ReLU1激活层的输入端与第四卷积层Conv4的输出端连接，其输出端与第五卷积层Conv5的输入端连接；所述sigmiod激活层的输出端分别与第二乘法器A2的输入端和第一乘法器A1的输入端连接；所述第五卷积层Conv5的输出端与第一乘法器A1的输入端连接；所述加法器B1的输入端分别与第一乘法器A1的输出端和第二乘法器A2的输出端连接，其输出端与第二ReLU2激活层的输入端连接；所述第二ReLU2激活层的输出端作为特征提取单元的输出端。
7.根据权利要求1所述的基于无人机摄影测量的山区光伏目标定位方法，其特征在于，所述S3中使用的目标特征提取模型为采用梯度下降法训练后的目标特征提取模型，其训练的损失函数为：
Figure QLYQS_25
，其中，/>
Figure QLYQS_28
为损失函数，/>
Figure QLYQS_31
为反正切函数，/>
Figure QLYQS_24
为训练过程目标特征提取模型输出的特征数据中心像素点的横坐标，/>
Figure QLYQS_30
为训练过程目标特征提取模型输出的特征数据中心像素点的纵坐标，/>
Figure QLYQS_33
为目标特征数据中心像素点的横坐标，/>
Figure QLYQS_35
为目标特征数据中心像素点的纵坐标，/>
Figure QLYQS_23
为训练过程目标特征提取模型输出的特征数据的宽度，/>
Figure QLYQS_29
为训练过程目标特征提取模型输出的特征数据的高度，/>
Figure QLYQS_32
为目标特征数据的宽度，/>
Figure QLYQS_34
为目标特征数据的高度，/>
Figure QLYQS_26
为训练过程目标特征提取模型输出的特征数据的像素点数量，/>
Figure QLYQS_27
为目标特征数据的像素点数量，| |为绝对值。
8.根据权利要求1所述的基于无人机摄影测量的山区光伏目标定位方法，其特征在于，所述S4包括以下分步骤：
S41、计算待处理特征数据与光伏电站特征数据的相似值；
S42、计算待处理特征数据与光伏电站特征数据的距离值；
S43、根据相似值和距离值，计算待处理特征数据与光伏电站特征数据的相似度。
9.根据权利要求8所述的基于无人机摄影测量的山区光伏目标定位方法，其特征在于，所述S41中计算相似值的公式为：
Figure QLYQS_36
，/>
Figure QLYQS_37
，/>
Figure QLYQS_39
，其中，/>
Figure QLYQS_43
为相似值，/>
Figure QLYQS_46
为第一相似因子，/>
Figure QLYQS_40
为第二相似因子，/>
Figure QLYQS_44
为待处理特征数据中像素点的平均灰度值，
Figure QLYQS_47
为光伏电站特征数据的平均灰度值，/>
Figure QLYQS_49
为待处理特征数据中第/>
Figure QLYQS_38
个像素点的灰度值，
Figure QLYQS_42
为光伏电站特征数据中第/>
Figure QLYQS_45
个像素点的灰度值，/>
Figure QLYQS_48
为待处理特征数据中像素点的数量，/>
Figure QLYQS_41
为光伏电站特征数据中像素点的数量。
10.根据权利要求8所述的基于无人机摄影测量的山区光伏目标定位方法，其特征在于，所述S42中计算距离值的公式为：
Figure QLYQS_59
，其中，/>
Figure QLYQS_51
为距离值，/>
Figure QLYQS_55
为距离权重，/>
Figure QLYQS_53
为待处理特征数据的宽度，/>
Figure QLYQS_56
为光伏电站特征数据的宽度，/>
Figure QLYQS_54
为待处理特征数据的高度，/>
Figure QLYQS_60
为光伏电站特征数据的高度，/>
Figure QLYQS_58
为待处理特征数据中心区域中第/>
Figure QLYQS_63
个像素点的横坐标，/>
Figure QLYQS_50
为光伏电站特征数据中心区域中第/>
Figure QLYQS_57
个像素点的横坐标，/>
Figure QLYQS_61
为待处理特征数据中心区域中第/>
Figure QLYQS_64
个像素点的纵坐标，/>
Figure QLYQS_62
为光伏电站特征数据中心区域中第/>
Figure QLYQS_65
个像素点的纵坐标，/>
Figure QLYQS_52
为中心区域中像素点的数量；
所述S43中计算相似度的公式为：
Figure QLYQS_66
，其中，/>
Figure QLYQS_67
为相似度，/>
Figure QLYQS_68
为相似值，/>
Figure QLYQS_69
为反正切函数，/>
Figure QLYQS_70
为距离值。/>
CN202310445231.2A 2023-04-24 2023-04-24 一种基于无人机摄影测量的山区光伏目标定位方法 Active CN116188585B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310445231.2A CN116188585B (zh) 2023-04-24 2023-04-24 一种基于无人机摄影测量的山区光伏目标定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310445231.2A CN116188585B (zh) 2023-04-24 2023-04-24 一种基于无人机摄影测量的山区光伏目标定位方法

Publications (2)

Publication Number Publication Date
CN116188585A true CN116188585A (zh) 2023-05-30
CN116188585B CN116188585B (zh) 2023-07-11

Family

ID=86452428

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310445231.2A Active CN116188585B (zh) 2023-04-24 2023-04-24 一种基于无人机摄影测量的山区光伏目标定位方法

Country Status (1)

Country Link
CN (1) CN116188585B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116452667A (zh) * 2023-06-16 2023-07-18 成都实时技术股份有限公司 一种基于图像处理的目标识别与定位方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102654902A (zh) * 2012-01-16 2012-09-05 江南大学 基于轮廓向量特征的嵌入式实时图像匹配方法
CN105335966A (zh) * 2015-10-14 2016-02-17 南京信息工程大学 基于局域同质性指标的多尺度遥感影像分割方法
CN109447977A (zh) * 2018-11-02 2019-03-08 河北工业大学 一种基于多光谱深度卷积神经网络的视觉缺陷检测方法
WO2019183170A1 (en) * 2018-03-20 2019-09-26 Owl Autonomous Imaging, Inc. Trajectory detection devices and methods
CN111652159A (zh) * 2020-06-05 2020-09-11 山东大学 基于多层次特征联合的微表情识别方法及系统
CN113362553A (zh) * 2021-06-08 2021-09-07 内蒙古工业大学 基于多源异构数据的草原火灾监测预警方法及装置
CN113418925A (zh) * 2021-05-18 2021-09-21 平衡机器科技(深圳)有限公司 一种基于卫星影像的光伏板异常目标检测系统及方法
CN113962931A (zh) * 2021-09-08 2022-01-21 宁波海棠信息技术有限公司 一种用于磁簧开关的异物缺陷检测方法
CN113989688A (zh) * 2021-10-29 2022-01-28 国网新疆电力有限公司喀什供电公司 基于紫外无人机5g云高压线路故障精准定位系统及方法
CN114494830A (zh) * 2022-01-20 2022-05-13 山东浪潮科学研究院有限公司 一种多源信息光伏地图生成方法及装置
CN114973207A (zh) * 2022-08-01 2022-08-30 成都航空职业技术学院 一种基于目标检测的路标识别方法
CN115578603A (zh) * 2022-11-11 2023-01-06 电子科技大学 基于多特征提取的人参属植株叶片识别方法
CN115620084A (zh) * 2022-09-30 2023-01-17 西安咸林能源科技有限公司 一种基于无人机智能巡检诊断光伏组件故障的方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102654902A (zh) * 2012-01-16 2012-09-05 江南大学 基于轮廓向量特征的嵌入式实时图像匹配方法
CN105335966A (zh) * 2015-10-14 2016-02-17 南京信息工程大学 基于局域同质性指标的多尺度遥感影像分割方法
WO2019183170A1 (en) * 2018-03-20 2019-09-26 Owl Autonomous Imaging, Inc. Trajectory detection devices and methods
CN109447977A (zh) * 2018-11-02 2019-03-08 河北工业大学 一种基于多光谱深度卷积神经网络的视觉缺陷检测方法
CN111652159A (zh) * 2020-06-05 2020-09-11 山东大学 基于多层次特征联合的微表情识别方法及系统
CN113418925A (zh) * 2021-05-18 2021-09-21 平衡机器科技(深圳)有限公司 一种基于卫星影像的光伏板异常目标检测系统及方法
CN113362553A (zh) * 2021-06-08 2021-09-07 内蒙古工业大学 基于多源异构数据的草原火灾监测预警方法及装置
CN113962931A (zh) * 2021-09-08 2022-01-21 宁波海棠信息技术有限公司 一种用于磁簧开关的异物缺陷检测方法
CN113989688A (zh) * 2021-10-29 2022-01-28 国网新疆电力有限公司喀什供电公司 基于紫外无人机5g云高压线路故障精准定位系统及方法
CN114494830A (zh) * 2022-01-20 2022-05-13 山东浪潮科学研究院有限公司 一种多源信息光伏地图生成方法及装置
CN114973207A (zh) * 2022-08-01 2022-08-30 成都航空职业技术学院 一种基于目标检测的路标识别方法
CN115620084A (zh) * 2022-09-30 2023-01-17 西安咸林能源科技有限公司 一种基于无人机智能巡检诊断光伏组件故障的方法
CN115578603A (zh) * 2022-11-11 2023-01-06 电子科技大学 基于多特征提取的人参属植株叶片识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ZIXUAN DUI等: "Automatic detection of photovoltaic facilities from Sentinel-2 observations by the enhanced U-Net method", 《JOURNAL OF APPLIED REMOTE SENSING》, vol. 17, no. 1, pages 014516 - 1 *
向兴鑫: "太阳能电池片划片机视觉系统的研究与设计", 《中国优秀硕士学位论文全文数据库_工程科技Ⅱ辑》, pages 042 - 3248 *
崔齐: "基于面线基元关联分析和模板匹配的光伏面板提取方法研究", 《中国优秀硕士学位论文全文数据库_基础科学辑》, pages 3 - 1 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116452667A (zh) * 2023-06-16 2023-07-18 成都实时技术股份有限公司 一种基于图像处理的目标识别与定位方法
CN116452667B (zh) * 2023-06-16 2023-08-22 成都实时技术股份有限公司 一种基于图像处理的目标识别与定位方法

Also Published As

Publication number Publication date
CN116188585B (zh) 2023-07-11

Similar Documents

Publication Publication Date Title
CN108596103B (zh) 基于最佳光谱指数选择的高分辨遥感影像建筑物提取方法
CN108109385B (zh) 一种输电线防外破的车辆识别与危险行为判别系统与方法
CN107730527B (zh) 一种基于遥感卫星影像的高原地区冰湖提取方法
CN107808133B (zh) 基于无人机巡线的油气管道安全监测方法、系统及软件存储器
CN116188585B (zh) 一种基于无人机摄影测量的山区光伏目标定位方法
CN107895376A (zh) 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法
CN112419212B (zh) 一种基于侧窗引导滤波的红外与可见光图像融合方法
CN110599538B (zh) 一种输电线路导线覆冰厚度的识别方法和装置
CN115331130B (zh) 基于地理标志物辅助导航的无人机巡检方法和无人机
CN102938147A (zh) 一种基于快速鲁棒特征的低空无人机视觉定位方法
CN111077093A (zh) 一种基于多光谱技术的煤矸石快速检测的方法与装置
CN113239830A (zh) 一种基于全尺度特征融合的遥感图像云检测方法
CN106875407B (zh) 一种结合形态学和标记控制的无人机影像林冠分割方法
CN106886988B (zh) 一种基于无人机遥感的线性目标检测方法及系统
CN103679740B (zh) 一种无人机对地目标roi提取方法
CN112016478A (zh) 一种基于多光谱图像融合的复杂场景识别方法及系统
CN111220619B (zh) 一种绝缘子自爆检测方法
CN111385459A (zh) 一种无人机云台自动控制与对焦、测光方法
CN113378744A (zh) 一种输电线路巡检目标识别方法及装置
CN112016388A (zh) 一种基于可见光波段无人机遥感影像植被信息提取方法
CN111915558A (zh) 一种高压输电线销钉状态检测方法
CN109031343B (zh) 一种窗口遍历的sevi调节因子自动优化算法
CN111126303B (zh) 一种面向智能停车的多车位检测方法
CN115984672B (zh) 基于深度学习的高清图像内小目标的检测方法和装置
CN113642430B (zh) 基于VGG+NetVLAD的地下停车场高精度视觉定位方法及系统

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