CN116310893B - 一种基于无人机的水域污染采集识别方法及系统 - Google Patents
一种基于无人机的水域污染采集识别方法及系统 Download PDFInfo
- Publication number
- CN116310893B CN116310893B CN202310149232.2A CN202310149232A CN116310893B CN 116310893 B CN116310893 B CN 116310893B CN 202310149232 A CN202310149232 A CN 202310149232A CN 116310893 B CN116310893 B CN 116310893B
- Authority
- CN
- China
- Prior art keywords
- water area
- water
- image acquisition
- pollution
- record data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 488
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005192 partition Methods 0.000 claims abstract description 67
- 238000013439 planning Methods 0.000 claims abstract description 49
- 238000012544 monitoring process Methods 0.000 claims abstract description 46
- 239000003344 environmental pollutant Substances 0.000 claims description 91
- 231100000719 pollutant Toxicity 0.000 claims description 91
- 238000000605 extraction Methods 0.000 claims description 50
- 238000011156 evaluation Methods 0.000 claims description 49
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000007704 transition Effects 0.000 claims description 17
- 238000003911 water pollution Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 12
- 238000010219 correlation analysis Methods 0.000 claims description 11
- 238000012546 transfer Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000007417 hierarchical cluster analysis Methods 0.000 claims description 4
- 239000003403 water pollutant Substances 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 2
- 238000013316 zoning Methods 0.000 claims 2
- 238000001514 detection method Methods 0.000 abstract description 2
- 230000007246 mechanism Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 239000003643 water by type Substances 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241000195493 Cryptophyta Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005067 remediation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于无人机的水域污染采集识别方法及系统，涉及水域水质探测技术领域，基于水域图像监测记录数据构建水域污染识别模型，通过无人机对待监测水域进行高空图像采集，基于采集结果进行水域分区生成水域分区边界坐标列表，进而进行飞行路径规划，控制无人机进行低空多时序图像采集，基于水域污染识别模型获取水域污染标签信息，解决现有技术中进行水域污染采集识别时，对于实时图像采集的精细化程度较低，同时进行图像识别分析进程中，由于模型的内部运行机制智能化程度较低，使得最终的污染物识别结果不够精准的技术问题，通过进行采集流程与模型运行机制优化，可有效提高图像采集精细度，实现水域污染物的精准识别判定。
Description
技术领域
本发明涉及水域水质探测技术领域，具体涉及一种基于无人机的水域污染采集识别方法及系统。
背景技术
工业化与城市化进程的加快，使得水污染日益加剧，影响着人类社会的可持续发展与生态平衡，因此加大水域保护力度、进行水生态修复刻不容缓，但由于水域范围较广且位置的多样性，水污染的监测难度较大，需保障监测数据的环境适配性，以进行因源修复，当前主要通过无人机进行高空巡检，采集水域图像进行信息提取评估，但由于现有技术的局限性，使得采集过程与采集结果较之期望状态还存在一定的差距，有待进一步加强。
现有技术中，进行水域污染采集识别时，对于实时图像采集的精细化程度较低，同时进行图像识别分析进程中，由于模型的内部运行机制智能化程度较低，使得最终的污染物识别结果不够精准。
发明内容
本申请提供了一种基于无人机的水域污染采集识别方法及系统，用于针对解决现有技术中存在的进行水域污染采集识别时，对于实时图像采集的精细化程度较低，同时进行图像识别分析进程中，由于模型的内部运行机制智能化程度较低，使得最终的污染物识别结果不够精准的技术问题。
鉴于上述问题，本申请提供了一种基于无人机的水域污染采集识别方法及系统。
第一方面，本申请提供了一种基于无人机的水域污染采集识别方法，所述方法包括：
获取水域图像监测记录数据；
根据所述水域图像监测记录数据，基于隐马尔科夫链，构建水域污染识别模型；
通过无人机对待监测水域进行高空图像采集，生成水域一级图像采集结果；
根据所述水域一级图像采集结果进行水域分区，生成水域分区边界坐标列表；
根据所述水域分区边界坐标列表进行路径规划，生成无人机飞行路径规划结果；
根据所述无人机飞行路径规划结果控制所述无人机对所述待监测水域进行低空多时序图像采集，生成水域二级图像采集结果；
将所述水域二级图像采集结果输入所述水域污染识别模型，生成水域污染标签信息。
第二方面，本申请提供了一种基于无人机的水域污染采集识别系统，所述系统包括：
数据获取模块，所述数据获取模块用于获取水域图像监测记录数据；
模型构建模块，所述模型构建模块用于根据所述水域图像监测记录数据，基于隐马尔科夫链，构建水域污染识别模型；
高空图像采集模块，所述高空图像采集模块用于通过无人机对待监测水域进行高空图像采集，生成水域一级图像采集结果；
列表生成模块，所述列表生成模块用于根据所述水域一级图像采集结果进行水域分区，生成水域分区边界坐标列表；
路径规划模块，所述路径规划模块用于根据所述水域分区边界坐标列表进行路径规划，生成无人机飞行路径规划结果；
低空图像采集模块，所述低空图像采集模块用于根据所述无人机飞行路径规划结果控制所述无人机对所述待监测水域进行低空多时序图像采集，生成水域二级图像采集结果；
标签生成模块，所述标签生成模块用于将所述水域二级图像采集结果输入所述水域污染识别模型，生成水域污染标签信息。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请实施例提供的一种基于无人机的水域污染采集识别方法，获取水域图像监测记录数据，基于隐马尔科夫链构建水域污染识别模型；通过无人机对待监测水域进行高空图像采集，生成水域一级图像采集结果，进而进行水域分区生成水域分区边界坐标列表，根据所述水域分区边界坐标列表进行路径规划，生成无人机飞行路径规划结果，控制所述无人机对所述待监测水域进行低空多时序图像采集，生成水域二级图像采集结果，将其输入所述水域污染识别模型中，生成水域污染标签信息，解决现有技术中存在的进行水域污染采集识别时，对于实时图像采集的精细化程度较低，同时进行图像识别分析进程中，由于模型的内部运行机制智能化程度较低，使得最终的污染物识别结果不够精准的技术问题，通过进行采集流程与模型运行机制优化，可有效提高图像采集精细度，实现水域污染物的精准识别判定。
附图说明
图1为本申请提供了一种基于无人机的水域污染采集识别方法流程示意图；
图2为本申请提供了一种基于无人机的水域污染采集识别方法中水域污染识别模型构建流程示意图；
图3为本申请提供了一种基于无人机的水域污染采集识别方法中水域分区边界坐标列表生成流程示意图；
图4为本申请提供了一种基于无人机的水域污染采集识别系统结构示意图。
附图标记说明：数据获取模块11，模型构建模块12，高空图像采集模块13，列表生成模块14，路径规划模块15，低空图像采集模块16，标签生成模块17。
具体实施方式
本申请通过提供一种基于无人机的水域污染采集识别方法及系统，用于解决现有技术中存在的进行水域污染采集识别时，对于实时图像采集的精细化程度较低，同时进行图像识别分析进程中，由于模型的内部运行机制智能化程度较低，使得最终的污染物识别结果不够精准的技术问题。
实施例一
如图1所示，本申请提供了一种基于无人机的水域污染采集识别方法，所述方法包括：
步骤S100：获取水域图像监测记录数据；
具体而言，为保障人类社会的可持续发展与生态平衡，需加大水域保护力度，通过进行水域实时状态监测确定适配性修复方案，因此对于水域监测数据的采集评估精准度极为重要，本申请提供的一种基于无人机的水域污染采集识别方法， 通过进行待监测水域的高空图像采集实现水域分区，确定信息采集点以进行飞行路径规划，进而基于规划路线进行低空图像采集，保障图像采集精细化，基于水域污染识别模型进行图像采集结果的分析识别，确定水域污染源。
首先，设定预定时间区间，即进行历史记录数据调取的时间间隔，基于所述预定时间区间进行水域监测数据获取，例如基于水质监测系统进行需求水域监测数据调取，所述水质监测系统覆盖了多类型水域的多种水域状态信息，可确定水域的完整演变周期，以保障调取数据的准确度与完备性，对调取的数据进行关联标识与时序标识，便于进行识别区分，生成所述水域图像监测记录数据，所述水域图像监测记录数据的获取为后续进行模型构建提供了数据源。
步骤S200：根据所述水域图像监测记录数据，基于隐马尔科夫链，构建水域污染识别模型；
具体而言，基于所述水域图像监测记录数据提取水色特征记录数据和水域污染物记录数据，将其作为样本数据训练卷积神经网络，构建水色特征提取模块；进一步对所述水色特征记录数据和水域污染物记录数据进行相关性分析，通过进行相关度计算与筛选确定水色特征数据集和污染物标定数据集，将其作为构建数据集，基于隐马尔可夫链构建水域污染识别模块，将所述水色特征提取模块作为前置模块，将所述水域污染识别模块作为后置模块，将前置模块的输出层与后置模块的输入层进行合并，生成所述水域污染识别模型，所述水域污染识别模型为进行水域实时采集图像的辅助性虚拟分析工具，通过基于马尔可夫链将水域特征的时序变化引入，较之常规模型可有效提高污染物评估准确性。
进一步而言，如图2所示，所述根据所述水域图像监测记录数据，基于隐马尔科夫链，构建水域污染识别模型，本申请步骤S200还包括：
步骤S210：根据所述水域图像监测记录数据，提取水色特征记录数据和水域污染物记录数据；
步骤S220：根据所述水域图像监测记录数据，遍历所述水色特征记录数据和所述水域污染物记录数据进行相关性分析，生成水色特征数据集和污染物标定数据集；
步骤S230：根据所述水域图像监测记录数据和所述水色特征记录数据，基于卷积神经网络，构建水色特征提取模块；
步骤S240：根据所述水色特征数据集和所述污染物标定数据集，基于隐马尔科夫链，构建水域污染识别模块；
步骤S250：将所述水色特征提取模块的输出层与所述水域污染识别模块的输入层合并，生成所述水域污染识别模型。
具体而言，通过进行数据调取获取所述水域图像监测记录数据，对所述水域图像监测记录数据进行识别划分，获取所述水色特征记录数据和水域污染物记录数据，任意提取一水色特征记录数据，与所述水域污染物记录数据进行相关性分析，其中所述水色特征可能是由于单项或多项污染物影响呈现，例如水色呈绿色且较为浑浊时，可能由于藻类、垃圾、化学物质等造成，将存在关联影响关系的单项或多项污染物作为一组污染物标定数据，进而遍历所述水色特征记录数据与所述水域污染物记录数据，提取多种水色特征构成所述水色特征数据集，将对应的多组污染物标定数据作为所述污染物标定数据集。
进一步的，基于卷积神经网络确定模块架构，将所述水域图像监测记录数据 与所述水色特征记录数据作为样本数据，输入其中进行模块训练学习，直至模块的输出准确率达到预定标准，获取构建完成的所述水色特征提取模块；基于所述隐马尔可夫链，将所述水域特征数据集作为状态节点，将所述污染物标定数据集作为识别节点，对两者进行匹配关联，构建所述水域污染识别模块，将所述水色特征提取模块的输出层与所述水域污染识别模块的输入层合并，使得所述水色特征提取模块的特征提取结果作为所述水域污染识别模块的输入信息，进行模块联动构成所述水域污染识别模型，基于所述水域污染识别模型进行实时监测图像的分析，可有效保障输出结果的准确性与客观性。
进一步而言，所述根据所述水域图像监测记录数据，遍历所述水色特征记录数据和所述水域污染物记录数据进行相关性分析，生成水色特征数据集和污染物标定数据集，本申请步骤S220还包括：
步骤S221：获取m项相关度评估公式：其中，/>表征任意一水色特征记录数据，/>表征/>对应的水域污染物记录数据，表征/>与/>共同出现的频率，/>表征共同出现的频率，m为整数，且m≥0；
步骤S222：根据所述m项相关度评估公式，遍历所述水色特征记录数据，对所述水域污染物记录数据进行相关性分析，生成多个相关度；
步骤S223：将所述多个相关度满足相关度阈值的水色特征和污染物配对，生成所述水色特征数据集和所述污染物标定数据集。
具体而言，基于所述水色特征记录数据随机提取任意一记录数据，与所述水域污染物记录数据分别进行相关度评估，包括单项与多项关联相关性分析，获取所述m项相关度评估公式：，其中，/>表征任意一水色特征记录数据，表征/>对应的水域污染物记录数据，/>表征/>与共同出现的频率，/>表征/>共同出现的频率，m为整数，且m≥0，上述参数信息基于数据采集统计获取，将所述m项相关度评估公式作为辅助分析工具，遍历所述水色特征记录数据，分别进行各水色特征记录数据与所述水域污染物记录数据的相关性计算，获取所述多个相关度，分别对应单项水色特征记录数据与单项或多项水域污染物记录数据，进一步设定相关度阈值，即进行相关度限定的临界值，当相关度不满足所述相关度阈值时，表明两者关联度过小，不具有代表性，对其进行忽略，确定所述多个相关度中满足所述相关度阈值的相关度，通过进行数据反向匹配确定对应的水色特征和污染物，对其进行标识以便进行识别区分，生成所述水色特征数据集和所述污染物标定数据集，通过进行数据分析筛选以保障数据集的准确度与状态契合度，提高模型的分析精准度。
进一步而言，所述根据所述水色特征数据集和所述污染物标定数据集，基于隐马尔科夫链，构建水域污染识别模块，本申请步骤S240还包括：
步骤S241：对所述水色特征数据集和所述污染物标定数据集按照时序排列，生成水色特征数据序列和污染物标定数据序列；
步骤S242：通过专家组遍历所述水色特征数据序列进行水色转移概率标定，生成观测量转移概率矩阵；
步骤S243：通过专家组遍历所述污染物标定数据序列进行污染物比例转移概率标定，生成隐含量转移概率矩阵；
步骤S244：根据所述观测量转移概率矩阵，基于隐马尔科夫链，构建输入评估层；根据所述隐含量转移概率矩阵，基于隐马尔科夫链，构建输出评估层；
步骤S245：根据所述输入评估层和所述输出评估层，通过所述水色特征数据集和所述污染物标定数据集进行训练，生成所述水域污染识别模块。
具体而言，基于时序性对所述水色特征数据集与所述污染物标定数据集进行顺序排列，可侧面反映水域的时序递变状态，生成所述水色特征数据序列与所述污染物标定数据序列，进一步遍历所述水色特征数据序列，确定相邻时序节点，随机提取一水色特征数据作为初始状态，通过进行专家组评估，确定所述初始状态于下一时序节点转移到所述水色特征数据序列中其他水色特征状态的概率，进行概率标定与整合，生成所述观测量转移概率矩阵， 其中，状态的转移表明水域内的污染物存在一定的变化转移。
进一步的，确定转移状态条件下，对应的所述污染物标定数据序列中各组序列的存在概率，可通过专家组评定进行概率确定，对概率评定结果进行标定与整合，生成所述隐含量转移概率矩阵，根据所述观测量转移概率矩阵，基于隐马尔科夫链，构建输入评估层；根据所述隐含量转移概率矩阵，基于隐马尔科夫链，构建输出评估层，基于所述水色特征数据集和所述污染物标定数据集进行网络层训练，生成所述水域污染识别模块，由于造成水域表现不同颜色的可能有多种污染物组合，但是基于水色的时序变化，可以得到每种污染物组合的概率值，将概率值最大的污染物组合以及比例作为模块输出结果。
步骤S300：通过无人机对待监测水域进行高空图像采集，生成水域一级图像采集结果；
步骤S400：根据所述水域一级图像采集结果进行水域分区，生成水域分区边界坐标列表；
具体而言，确定所述待监测水域范围，通过无人机进行所述待监测水域高空图像采集，为保障图像采集的完备性，可适当调整空间采集位置，获取所述待监测水域整体图像与局部图像，进一步进行图像比对分析，对图像重叠部分进行剔除，生成所述水域一级图像采集结果，进一步的，对所述水域一级图像采集结果进行水色特征识别，基于识别结果进行水域区域聚类，将所述待监测水域划分为多个目标区域，不同目标区域对应污染物存在差异性，确定多个目标区域的区域边界，通过进行区域边界位置定位获取对应的边缘坐标，对各区域边界进行边缘坐标的顺序性整合，并与聚类区域进行对应标识，生成所述水域分区边界坐标列表，所述水域分区边界坐标列表的获取为后续进行监测路径规划夯实了基础。
进一步而言，如图3所示，所述根据所述水域一级图像采集结果进行水域分区，生成水域分区边界坐标列表，本申请步骤S400还包括：
步骤S410：对所述水域一级图像采集结果进行水色特征提取，生成多个位置水色特征提取结果；
步骤S420：遍历所述多个位置水色特征提取结果进行层次聚类分析，生成水域区域聚类结果；
步骤S430：遍历所述水域区域聚类结果提取边缘坐标，生成所述水域分区边界坐标列表。
具体而言，通过进行所述待监测水域高空图像采集获取所述水域一级图像采集结果，同一水域不同位置由于包含物质的不同会呈现多种不同的水色，对所述水域一级图像采集结果进行水色特征识别提取，生成所述多个位置水色特征提取结果， 基于水色差异对所述多个位置水色特征提取结果，针对各水色特征的递变状态进行层次聚类分析，示例性的，当水域区域呈现绿色时，显色度的深浅表明内含污染物存在差异性，将水色作为第一聚类层级，将色度作为第二聚类等级，获取所述水域区域聚类结果，其中，同一聚类结果可能包含多个水域区域，进一步遍历所述水域区域聚类结果，确定各区域对应的边缘界限，示例性的，将所述待监测水域作为目标区域，构建坐标系，于坐标系中对确定的区域边缘界线进行位置定位，获取所述边缘坐标，对所述边缘坐标进行区域性顺序整合，生成所述水域分区边界坐标列表，基于所述水域分区边界坐标列表对所述待监测水域进行精准划分，以便进行针对性监测分析。
步骤S500：根据所述水域分区边界坐标列表进行路径规划，生成无人机飞行路径规划结果；
步骤S600：根据所述无人机飞行路径规划结果控制所述无人机对所述待监测水域进行低空多时序图像采集，生成水域二级图像采集结果；
步骤S700：将所述水域二级图像采集结果输入所述水域污染识别模型，生成水域污染标签信息。
具体而言，基于所述水域分区边界坐标列表随机提取一组坐标，对应一水域分区，对坐标覆盖面积进行计算，确定对应的分区面积特征，基于分区面积特征进行水域图像采集点位数量匹配，确定水域分区内的需求采集点位数量，进而于水域分区中对所述水域图像采集点位数量进行均匀部署，将其作为预定飞行点，即飞行路径必经位置，进行对应水域分区的分型路径规划，通过对所述水域分区边界坐标列表对应的区域分别进行采集点位确定与路径规划，生成所述飞行路径规划结果。
进一步的，确定无人机低空飞行高度，需保障图像采集结果的信息完备性，基于所述无人机飞行路径规划结果进行无人机飞行的空间位置控制，于水域图像采集点位坐标处控制进行图像采集，通过进行多时序图像采集，以保障图像采集结果具代表性，将图像采集结果与采集点位进行对应，并基于时序性进行分区标识，便于进行图像识别提取，生成所述水域二级图像采集结果，将所述水域二级图像采集结果作为待分析数据源，进行水域污染分析。进一步而言，基于无人机飞行路径规划结果进行水域图像采集，获取所述水域二级图像采集结果，其中，所述水域二级图像采集结果带有区域标识与时序标识，将所述水域二级图像采集结果输入所述水域污染识别模型中，通过进行模块联动分析，生成所述水域污染标签信息作为模型输出结果，实现水域污染物的精准判定。
进一步而言，所述根据所述水域分区边界坐标列表进行路径规划，生成无人机飞行路径规划结果，本申请步骤S500还包括：
步骤S510：遍历所述水域分区边界坐标列表，提取第i分区边界坐标；
步骤S520：根据所述第i分区边界坐标计算区域面积，生成第i分区面积特征；
步骤S530：根据所述第i分区面积特征，匹配水域图像采集点位数量；
步骤S540：根据所述水域图像采集点位数量在所述第i分区边界坐标内部均匀部署，生成多个水域图像采集点位坐标；
步骤S550：根据所述多个水域图像采集点位坐标进行路径规划，生成所述无人机飞行路径规划结果。
具体而言，通过对所述待监测水域进行多区域边缘定位，生成所述水域分区边界坐标列表，基于所述水域分区边界坐标列表随机提取一组坐标，作为所述第i分区边界坐标，基于所述第i分区边界坐标确定同轴坐标差值，进行水域区域的覆盖面积计算，确定水域区域面积大小与形状，作为所述第i分区面积特征，设定分区面积特征与所述水域图像采集点位数量的适应性匹配比例，在保障图像采集完备性的基础上避免进行无效做功，其中，所述水域图像采集点位数量与水域区域面积成正比。
进一步的，对所述第i分区面积特征进行所述水域图像采集点位数量匹配，进而于所述第i分区边界坐标内部进行所述水域采集点位数据的均匀部署，基于同一坐标系对部署的采集点进行坐标定位，生成所述多个水域图像采集点位坐标，将所述多个水域图像采集点位坐标作为预定飞行点，进行飞行路径规划，需保障飞行路径单次经过所述预定飞行点，优选的，可确定多种合格飞行路径进行路径寻优，将路径最短作为相应目标确定最佳路径，作为所述无人机飞行路径规划结果，以提高所述无人机飞行路径规划结果的精准度与环境适配性，基于所述无人机飞行路径规划结果进行水域实时图像采集。
进一步而言，所述将所述水域二级图像采集结果输入所述水域污染识别模型，生成水域污染标签信息，本申请步骤S700还包括：
步骤S710：根据所述水域二级图像采集结果，提取第j时序的第i分区多个二级图像采集结果；
步骤S720：依次将所述第i分区多个二级图像采集结果输入所述水色特征提取模块，生成多个水色特征提取结果，其中，所述多个水色特征提取结果与所述多个水域图像采集点位坐标一一对应；
步骤S730：根据所述多个水域图像采集点位坐标对所述多个水色特征提取结果进行集中值评价，生成第j时序集中评定值；
步骤S740：将第一时序集中评定值直到所述第j时序集中评定值输入所述水域污染识别模块，生成所述水域污染标签信息。
具体而言，通过对所述待监测水域进行划区域图像采集，获取所述水域二级图像采集结果，对所述水域二级图像采集结果进行标识识别，任意提取一组图像采集结果，作为所述第j时序的第i分区多个二级图像采集结果，所述第j时序的第i分区多个二级图像采集结果与分区采集点位坐标一一对应，将其输入所述水域污染识别模型中，基于所述水色特征提取模块进行水色特征提取，获取所述多个水色特征提取结果进行模块输出，对所述多个水色特征提取结果进行集中值评价，可能对应单个或多个水色状态，作为所述第j时序集中评定值，对该区域的多时序图像采集结果基于上述步骤分别进行集中值评价，获取第一时序集中评定值直至所述第j时序集中评定值，进而输入所述水域污染识别模块中，将所述第一时序集中评定值作为初始状态，随着时序递变分别对应多个转移状态，通过进行多层级概率匹配，对多层级概率匹配结果，即最大概率对应的污染物组合进行求同生成所述水域污染标签信息，将所述水域污染物标签信息作为模型输出结果，以保障水域区域污染物的判定准确度。
本申请实施例提供的一种基于无人机的水域污染采集识别方法，具有如下技术效果：
1、本发明提供了一种基于无人机的水域污染采集识别方法，获取水域图像监测记录数据，基于隐马尔科夫链构建水域污染识别模型；通过无人机对待监测水域进行高空图像采集，基于采集结果进行水域分区生成水域分区边界坐标列表，进而进行飞行路径规划，控制无人机进行低空多时序图像采集，生成水域二级图像采集结果并输入水域污染识别模型中，生成水域污染标签信息，解决现有技术中进行水域污染采集识别时，对于实时图像采集的精细化程度较低，同时进行图像识别分析进程中，由于模型的内部运行机制智能化程度较低，使得最终的污染物识别结果不够精准的技术问题，通过进行采集流程与模型运行机制优化，可有效提高图像采集精细度，实现水域污染物的精准识别判定。
2、通过对待监测水域进行分区，基于采集点定位进行飞行路径规划，提高无人机水域图像采样精细化程度，保障数据源的准确性，同时通过马尔可夫链将水域特征的时序变化引入，进行模型的运行机制优化，进行信息延展分析，提高污染物评估准确性。
实施例二
基于与前述实施例中一种基于无人机的水域污染采集识别方法相同的发明构思，如图4所示，本申请提供了一种基于无人机的水域污染采集识别系统，所述系统包括：
数据获取模块11，所述数据获取模块11用于获取水域图像监测记录数据；
模型构建模块12，所述模型构建模块12用于根据所述水域图像监测记录数据，基于隐马尔科夫链，构建水域污染识别模型；
高空图像采集模块13，所述高空图像采集模块13用于通过无人机对待监测水域进行高空图像采集，生成水域一级图像采集结果；
列表生成模块14，所述列表生成模块14用于根据所述水域一级图像采集结果进行水域分区，生成水域分区边界坐标列表；
路径规划模块15，所述路径规划模块15用于根据所述水域分区边界坐标列表进行路径规划，生成无人机飞行路径规划结果；
低空图像采集模块16，所述低空图像采集模块16用于根据所述无人机飞行路径规划结果控制所述无人机对所述待监测水域进行低空多时序图像采集，生成水域二级图像采集结果；
标签生成模块17，所述标签生成模块17用于将所述水域二级图像采集结果输入所述水域污染识别模型，生成水域污染标签信息。
进一步而言，所述系统还包括：
数据提取模块，所述数据提取模块用于根据所述水域图像监测记录数据，提取水色特征记录数据和水域污染物记录数据；
数据分析模块，所述数据分析模块用于根据所述水域图像监测记录数据，遍历所述水色特征记录数据和所述水域污染物记录数据进行相关性分析，生成水色特征数据集和污染物标定数据集；
水色特征提取模块构建模块，所述水色特征提取模块构建模块用于根据所述水域图像监测记录数据和所述水色特征记录数据，基于卷积神经网络，构建水色特征提取模块；
水域污染识别模块构建模块，所述水域污染识别模块构建模块用于根据所述水色特征数据集和所述污染物标定数据集，基于隐马尔科夫链，构建水域污染识别模块；
模型生成模块，所述模型生成模块用于将所述水色特征提取模块的输出层与所述水域污染识别模块的输入层合并，生成所述水域污染识别模型。
进一步而言，所述系统还包括：
公式获取模块，所述公式获取模块用于获取m项相关度评估公式： 其中，/>表征任意一水色特征记录数据，表征/>对应的水域污染物记录数据，/>表征/>与共同出现的频率，/>表征/>共同出现的频率，m为整数，且m≥0；
相关性分析模块，所述相关性分析模块用于根据所述m项相关度评估公式，遍历所述水色特征记录数据，对所述水域污染物记录数据进行相关性分析，生成多个相关度；
数据集生成模块，所述数据集生成模块用于将所述多个相关度满足相关度阈值的水色特征和污染物配对，生成所述水色特征数据集和所述污染物标定数据集。
进一步而言，所述系统还包括：
序列生成模块，所述序列生成模块用于对所述水色特征数据集和所述污染物标定数据集按照时序排列，生成水色特征数据序列和污染物标定数据序列；
观测量转移概率矩阵生成模块，所述观测量转移概率矩阵生成模块用于通过专家组遍历所述水色特征数据序列进行水色转移概率标定，生成观测量转移概率矩阵；
隐含量转移概率矩阵生成模块，所述隐含量转移概率矩阵生成模块用于通过专家组遍历所述污染物标定数据序列进行污染物比例转移概率标定，生成隐含量转移概率矩阵；
网络层构建模块，所述网络层构建模块用于根据所述观测量转移概率矩阵，基于隐马尔科夫链，构建输入评估层；根据所述隐含量转移概率矩阵，基于隐马尔科夫链，构建输出评估层；
数据集训练模块，所述数据集训练模块用于根据所述输入评估层和所述输出评估层，通过所述水色特征数据集和所述污染物标定数据集进行训练，生成所述水域污染识别模块。
进一步而言，所述系统还包括：
特征提取模块，所述特征提取模块用于对所述水域一级图像采集结果进行水色特征提取，生成多个位置水色特征提取结果；
区域聚类模块，所述区域聚类模块用于遍历所述多个位置水色特征提取结果进行层次聚类分析，生成水域区域聚类结果；
边界坐标列表生成模块，所述边界坐标列表生成模块用于遍历所述水域区域聚类结果提取边缘坐标，生成所述水域分区边界坐标列表。
进一步而言，所述系统还包括：
坐标提取模块，所述坐标提取模块用于遍历所述水域分区边界坐标列表，提取第i分区边界坐标；
面积特征生成模块，所述面积特征生成模块用于根据所述第i分区边界坐标计算区域面积，生成第i分区面积特征；
采集点位数量匹配模块，所述采集点位数量匹配模块用于根据所述第i分区面积特征，匹配水域图像采集点位数量；
采集点位坐标生成模块，所述采集点位坐标生成模块用于根据所述水域图像采集点位数量在所述第i分区边界坐标内部均匀部署，生成多个水域图像采集点位坐标；
飞行路径规划模块，所述飞行路径规划模块用于根据所述多个水域图像采集点位坐标进行路径规划，生成所述无人机飞行路径规划结果。
进一步而言，所述系统还包括：
图像采集结果提取模块，所述图像采集结果提取模块用于根据所述水域二级图像采集结果，提取第j时序的第i分区多个二级图像采集结果；
特征提取结果生成模块，所述特征提取结果生成模块用于依次将所述第i分区多个二级图像采集结果输入所述水色特征提取模块，生成多个水色特征提取结果，其中，所述多个水色特征提取结果与所述多个水域图像采集点位坐标一一对应；
集中值评价模块，所述集中值评价模块用于根据所述多个水域图像采集点位坐标对所述多个水色特征提取结果进行集中值评价，生成第j时序集中评定值；
标签信息生成模块，所述标签信息生成模块用于将第一时序集中评定值直到所述第j时序集中评定值输入所述水域污染识别模块，生成所述水域污染标签信息。
本说明书通过前述对一种基于无人机的水域污染采集识别方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于无人机的水域污染采集识别方法及系统，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种基于无人机的水域污染采集识别方法，其特征在于，包括：
获取水域图像监测记录数据；
根据所述水域图像监测记录数据，基于隐马尔科夫链，构建水域污染识别模型；
通过无人机对待监测水域进行高空图像采集，生成水域一级图像采集结果；
根据所述水域一级图像采集结果进行水域分区，生成水域分区边界坐标列表；
根据所述水域分区边界坐标列表进行路径规划，生成无人机飞行路径规划结果；
根据所述无人机飞行路径规划结果控制所述无人机对所述待监测水域进行低空多时序图像采集，生成水域二级图像采集结果；
将所述水域二级图像采集结果输入所述水域污染识别模型，生成水域污染标签信息；
其中，所述根据所述水域图像监测记录数据，基于隐马尔科夫链，构建水域污染识别模型，包括：
根据所述水域图像监测记录数据，提取水色特征记录数据和水域污染物记录数据；
根据所述水域图像监测记录数据，遍历所述水色特征记录数据和所述水域污染物记录数据进行相关性分析，生成水色特征数据集和污染物标定数据集；
根据所述水域图像监测记录数据和所述水色特征记录数据，基于卷积神经网络，构建水色特征提取模块；
根据所述水色特征数据集和所述污染物标定数据集，基于隐马尔科夫链，构建水域污染识别模块；
将所述水色特征提取模块的输出层与所述水域污染识别模块的输入层合并，生成所述水域污染识别模型；
其中，所述根据所述水域分区边界坐标列表进行路径规划，生成无人机飞行路径规划结果，包括：
遍历所述水域分区边界坐标列表，提取第i分区边界坐标；
根据所述第i分区边界坐标计算区域面积，生成第i分区面积特征；
根据所述第i分区面积特征，匹配水域图像采集点位数量；
根据所述水域图像采集点位数量在所述第i分区边界坐标内部均匀部署，生成多个水域图像采集点位坐标；
根据所述多个水域图像采集点位坐标进行路径规划，生成所述无人机飞行路径规划结果。
2.如权利要求1所述的一种基于无人机的水域污染采集识别方法，其特征在于，所述根据所述水域图像监测记录数据，遍历所述水色特征记录数据和所述水域污染物记录数据进行相关性分析，生成水色特征数据集和污染物标定数据集，包括：
获取m项相关度评估公式：
其中，A表征任意一水色特征记录数据，xk,…,xk+m表征A对应的水域污染物记录数据，S(A,xk,…,xk+m)表征A与xk,…,xk+m共同出现的频率，S(xk,…,xk+m)表征xk,…,xk+m共同出现的频率，m为整数，且m≥0；
根据所述m项相关度评估公式，遍历所述水色特征记录数据，对所述水域污染物记录数据进行相关性分析，生成多个相关度；
将所述多个相关度满足相关度阈值的水色特征和污染物配对，生成所述水色特征数据集和所述污染物标定数据集。
3.如权利要求1所述的一种基于无人机的水域污染采集识别方法，其特征在于，所述根据所述水色特征数据集和所述污染物标定数据集，基于隐马尔科夫链，构建水域污染识别模块，包括：
对所述水色特征数据集和所述污染物标定数据集按照时序排列，生成水色特征数据序列和污染物标定数据序列；
通过专家组遍历所述水色特征数据序列进行水色转移概率标定，生成观测量转移概率矩阵；
通过专家组遍历所述污染物标定数据序列进行污染物比例转移概率标定，生成隐含量转移概率矩阵；
根据所述观测量转移概率矩阵，基于隐马尔科夫链，构建输入评估层；根据所述隐含量转移概率矩阵，基于隐马尔科夫链，构建输出评估层；
根据所述输入评估层和所述输出评估层，通过所述水色特征数据集和所述污染物标定数据集进行训练，生成所述水域污染识别模块。
4.如权利要求1所述的一种基于无人机的水域污染采集识别方法，其特征在于，所述根据所述水域一级图像采集结果进行水域分区，生成水域分区边界坐标列表，包括：
对所述水域一级图像采集结果进行水色特征提取，生成多个位置水色特征提取结果；
遍历所述多个位置水色特征提取结果进行层次聚类分析，生成水域区域聚类结果；
遍历所述水域区域聚类结果提取边缘坐标，生成所述水域分区边界坐标列表。
5.如权利要求1所述的一种基于无人机的水域污染采集识别方法，其特征在于，所述将所述水域二级图像采集结果输入所述水域污染识别模型，生成水域污染标签信息，还包括：
根据所述水域二级图像采集结果，提取第j时序的第i分区多个二级图像采集结果；
依次将所述第i分区多个二级图像采集结果输入所述水色特征提取模块，生成多个水色特征提取结果，其中，所述多个水色特征提取结果与所述多个水域图像采集点位坐标一一对应；
根据所述多个水域图像采集点位坐标对所述多个水色特征提取结果进行集中值评价，生成第j时序集中评定值；
将第一时序集中评定值直到所述第j时序集中评定值输入所述水域污染识别模块，生成所述水域污染标签信息。
6.一种基于无人机的水域污染采集识别系统，其特征在于，包括：
数据获取模块，所述数据获取模块用于获取水域图像监测记录数据；
模型构建模块，所述模型构建模块用于根据所述水域图像监测记录数据，基于隐马尔科夫链，构建水域污染识别模型；
高空图像采集模块，所述高空图像采集模块用于通过无人机对待监测水域进行高空图像采集，生成水域一级图像采集结果；
列表生成模块，所述列表生成模块用于根据所述水域一级图像采集结果进行水域分区，生成水域分区边界坐标列表；
路径规划模块，所述路径规划模块用于根据所述水域分区边界坐标列表进行路径规划，生成无人机飞行路径规划结果；
低空图像采集模块，所述低空图像采集模块用于根据所述无人机飞行路径规划结果控制所述无人机对所述待监测水域进行低空多时序图像采集，生成水域二级图像采集结果；
标签生成模块，所述标签生成模块用于将所述水域二级图像采集结果输入所述水域污染识别模型，生成水域污染标签信息；
数据提取模块，所述数据提取模块用于根据所述水域图像监测记录数据，提取水色特征记录数据和水域污染物记录数据；
数据分析模块，所述数据分析模块用于根据所述水域图像监测记录数据，遍历所述水色特征记录数据和所述水域污染物记录数据进行相关性分析，生成水色特征数据集和污染物标定数据集；
水色特征提取模块构建模块，所述水色特征提取模块构建模块用于根据所述水域图像监测记录数据和所述水色特征记录数据，基于卷积神经网络，构建水色特征提取模块；
水域污染识别模块构建模块，所述水域污染识别模块构建模块用于根据所述水色特征数据集和所述污染物标定数据集，基于隐马尔科夫链，构建水域污染识别模块；
模型生成模块，所述模型生成模块用于将所述水色特征提取模块的输出层与所述水域污染识别模块的输入层合并，生成所述水域污染识别模型；
坐标提取模块，所述坐标提取模块用于遍历所述水域分区边界坐标列表，提取第i分区边界坐标；
面积特征生成模块，所述面积特征生成模块用于根据所述第i分区边界坐标计算区域面积，生成第i分区面积特征；
采集点位数量匹配模块，所述采集点位数量匹配模块用于根据所述第i分区面积特征，匹配水域图像采集点位数量；
采集点位坐标生成模块，所述采集点位坐标生成模块用于根据所述水域图像采集点位数量在所述第i分区边界坐标内部均匀部署，生成多个水域图像采集点位坐标；
飞行路径规划模块，所述飞行路径规划模块用于根据所述多个水域图像采集点位坐标进行路径规划，生成所述无人机飞行路径规划结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310149232.2A CN116310893B (zh) | 2023-02-22 | 2023-02-22 | 一种基于无人机的水域污染采集识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310149232.2A CN116310893B (zh) | 2023-02-22 | 2023-02-22 | 一种基于无人机的水域污染采集识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116310893A CN116310893A (zh) | 2023-06-23 |
| CN116310893B true CN116310893B (zh) | 2023-09-19 |
Family
ID=86791652
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310149232.2A Active CN116310893B (zh) | 2023-02-22 | 2023-02-22 | 一种基于无人机的水域污染采集识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116310893B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117490659B (zh) * | 2023-12-29 | 2024-03-26 | 深圳市朗诚科技股份有限公司 | 基于图像识别的污染海域检测方法、控制平台及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108303508A (zh) * | 2018-02-06 | 2018-07-20 | 武汉理工大学 | 基于激光雷达和深度学习路径寻优的生态预警系统及方法 |
| CN114005064A (zh) * | 2021-11-01 | 2022-02-01 | 生态环境部南京环境科学研究所 | 一种基于机器视觉技术的生物式水体污染预警方法及装置 |
| CN114120094A (zh) * | 2021-11-19 | 2022-03-01 | 广州市云景信息科技有限公司 | 一种基于人工智能的水污染识别方法及系统 |
| CN114486764A (zh) * | 2022-01-26 | 2022-05-13 | 安徽新宇环保科技股份有限公司 | 基于全光谱水质分析仪的农业面源污染监测系统 |
| KR20220112590A (ko) * | 2021-02-04 | 2022-08-11 | 창원대학교 산학협력단 | 인공지능 기반 수계오염원 모니터링 시스템 및 방법 |
| CN115019158A (zh) * | 2022-08-03 | 2022-09-06 | 威海海洋职业学院 | 一种基于图像识别的海洋污染区域识别方法及系统 |
| CN115272895A (zh) * | 2022-08-04 | 2022-11-01 | 天津飞眼无人机科技有限公司 | 一种基于改进yolov5算法的无人机河道污染物巡检方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113155880B (zh) * | 2021-05-08 | 2023-06-27 | 电子科技大学 | 一种采用无人机和xrf技术对土壤重金属污染的检测方法 |
-
2023
- 2023-02-22 CN CN202310149232.2A patent/CN116310893B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108303508A (zh) * | 2018-02-06 | 2018-07-20 | 武汉理工大学 | 基于激光雷达和深度学习路径寻优的生态预警系统及方法 |
| KR20220112590A (ko) * | 2021-02-04 | 2022-08-11 | 창원대학교 산학협력단 | 인공지능 기반 수계오염원 모니터링 시스템 및 방법 |
| CN114005064A (zh) * | 2021-11-01 | 2022-02-01 | 生态环境部南京环境科学研究所 | 一种基于机器视觉技术的生物式水体污染预警方法及装置 |
| CN114120094A (zh) * | 2021-11-19 | 2022-03-01 | 广州市云景信息科技有限公司 | 一种基于人工智能的水污染识别方法及系统 |
| CN114486764A (zh) * | 2022-01-26 | 2022-05-13 | 安徽新宇环保科技股份有限公司 | 基于全光谱水质分析仪的农业面源污染监测系统 |
| CN115019158A (zh) * | 2022-08-03 | 2022-09-06 | 威海海洋职业学院 | 一种基于图像识别的海洋污染区域识别方法及系统 |
| CN115272895A (zh) * | 2022-08-04 | 2022-11-01 | 天津飞眼无人机科技有限公司 | 一种基于改进yolov5算法的无人机河道污染物巡检方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| Monitoring of polluted water in coastal zone using unmanned aerial vehicle remote sensing;Xiaopeng Jiang et al.;《PROCEEDINGS OF SPIE》;第10767卷;第1-9页 * |
| 城市河道无人机高光谱水质监测与应用;董月群 等;《环境科学与技术》;第44卷(第S1期);第289-296页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116310893A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111310862B (zh) | 复杂环境下基于图像增强的深度神经网络车牌定位方法 | |
| CN109816581A (zh) | 一种综合业态大数据与建筑形态的城市用地自动识别系统 | |
| CN108416378A (zh) | 一种基于深度神经网络的大场景sar目标识别方法 | |
| CN109871875B (zh) | 一种基于深度学习的建筑物变化检测方法 | |
| CN111368896A (zh) | 基于密集残差三维卷积神经网络的高光谱遥感图像分类方法 | |
| CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
| CN111079602A (zh) | 基于多尺度区域特征约束的车辆细粒度识别方法及装置 | |
| CN116310893B (zh) | 一种基于无人机的水域污染采集识别方法及系统 | |
| CN106897737A (zh) | 一种基于超限学习机的高光谱遥感图像地物分类方法 | |
| CN111382676B (zh) | 一种基于注意力机制的沙粒图像分类方法 | |
| CN112347970B (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
| CN109214308A (zh) | 一种基于焦点损失函数的交通异常图片识别方法 | |
| CN109886947A (zh) | 基于区域的卷积神经网络的高压电线缺陷检测方法 | |
| CN104463168B (zh) | 一种基于遥感影像的空废宅基地信息自动提取方法 | |
| CN112347927B (zh) | 基于卷积神经网络概率决策融合的高分影像建筑提取方法 | |
| CN114694178A (zh) | 基于Faster-RCNN算法的电力作业中安全帽监测方法及系统 | |
| CN114842208A (zh) | 一种基于深度学习的电网危害鸟种目标检测方法 | |
| CN101794437A (zh) | 一种高光谱遥感影像异常探测方法 | |
| CN111259733A (zh) | 一种基于点云图像的船舶识别方法及装置 | |
| CN108921210A (zh) | 一种基于卷积神经网络的云分类方法 | |
| CN110084198A (zh) | 基于Fisher特征分析的CNN机场室内场景识别方法 | |
| CN111414855B (zh) | 基于端到端回归模型的电线杆标牌目标检测及识别方法 | |
| CN113378642A (zh) | 一种对农村违法占地建筑物进行检测的方法 | |
| CN116911500A (zh) | 一种基于大数据监测的草原鼠情智能监管系统及方法 | |
| CN109993071B (zh) | 基于遥感影像的变色林木自动识别及调查的方法和系统 |
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 |