CN116320303B - 一种基于人工智能的监测样地位置调节系统及方法 - Google Patents

一种基于人工智能的监测样地位置调节系统及方法 Download PDF

Info

Publication number
CN116320303B
CN116320303B CN202310206480.6A CN202310206480A CN116320303B CN 116320303 B CN116320303 B CN 116320303B CN 202310206480 A CN202310206480 A CN 202310206480A CN 116320303 B CN116320303 B CN 116320303B
Authority
CN
China
Prior art keywords
monitoring sample
sample
monitoring
image
plot
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
Application number
CN202310206480.6A
Other languages
English (en)
Other versions
CN116320303A (zh
Inventor
张忠辉
何怀江
罗也
包广道
王梓默
孙越
朱洪波
王雨
刘婷
杨成江
林士杰
杨晶
李岩
张春雨
范春雨
于忠亮
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.)
Jilin Provincial Academy of Forestry Sciences
Original Assignee
Jilin Provincial Academy of Forestry Sciences
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 Jilin Provincial Academy of Forestry Sciences filed Critical Jilin Provincial Academy of Forestry Sciences
Priority to CN202310206480.6A priority Critical patent/CN116320303B/zh
Publication of CN116320303A publication Critical patent/CN116320303A/zh
Application granted granted Critical
Publication of CN116320303B publication Critical patent/CN116320303B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N17/00—Diagnosis, testing or measuring for television systems or their details
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及人工智能技术领域，具体为一种基于人工智能的监测样地位置调节系统及方法，包括：监测样地探测模块、样地信息采集模块、数据管理中心、样地信息分析模块和监测样地调整模块，通过监测样地探测模块对监测样地进行探测并拍摄样地图像，利用人工智能技术对图像进行路径识别，在识别出预先设定的监测样地不可达时，通过样地信息采集模块采集可到达的监测样地图像信息以及图像传输信息，通过数据管理中心存储并管理采集到的数据，通过样地信息分析模块在统计到不止一个可到达监测样地时分析监测样地的适配度，通过监测样地调整模块调节适配度最高的监测样地作为最佳监测样地，帮助寻找最佳的监测样地，提高了监测样地核查工作的安全性。

Description

一种基于人工智能的监测样地位置调节系统及方法
技术领域
本发明涉及人工智能技术领域，具体为一种基于人工智能的监测样地位置调节系统及方法。
背景技术
为更好地完成生态环境的监测工作，为推动林业发展，一般会设置生态环境监测样地，能够帮助对生态环境、质量进行科学勘测、评估，带动生态环境良好发展，对于监测样地，有关部门需要先对监测样地设置的位置进行核实和及时的调节；
然而，现有的监测样地位置调节方式仍然存在一些问题：首先，在进行核实工作时，需要由相关技术人员深入监测样地核查监测样地的可达性和可监测性，由于部分地区路径崎岖，难以到达，为核查工作带来了很大的困难，现有技术无法解决这一问题以减轻核查工作难度；其次，对于部分不可到达的监测样地需要技术人员寻找具备可达性和可监测性的相同类型样地作为新的监测样地，调节监测样地位置，可能存在寻找到不止一个监测样地，现有技术无法帮助选择出最合适的监测样地，并减轻技术人员到达样地进行核查的工作难度、提高核查工作安全性。
所以，人们需要一种基于人工智能的监测样地位置调节系统及方法来解决上述问题。
发明内容
本发明的目的在于提供一种基于人工智能的监测样地位置调节系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于人工智能的监测样地位置调节系统，所述系统包括：监测样地探测模块、样地信息采集模块、数据管理中心、样地信息分析模块和监测样地调整模块；
所述监测样地探测模块的输出端连接所述样地信息采集模块的输入端，所述样地信息采集模块的输出端连接所述数据管理中心的输入端，所述数据管理中心的输出端连接所述样地信息分析模块的输入端，所述样地信息分析模块的输出端连接所述监测样地调整模块的输入端；
通过所述监测样地探测模块对监测样地进行探测并拍摄样地图像；
通过所述样地信息采集模块采集可到达的监测样地图像信息以及图像传输信息，将采集到的全部数据传输到所述数据管理中心；
通过所述数据管理中心存储并管理采集到的全部数据；
通过所述样地信息分析模块在统计到不止一个可到达监测样地时分析监测样地的适配度；
通过所述监测样地调整模块调节适配度最高的监测样地作为最佳监测样地。
进一步的，所述监测样地探测模块包括样地图像拍摄单元和探测数据传输单元；
所述样地图像拍摄单元的输出端连接所述探测数据传输单元的输入端；
所述样地图像拍摄单元用于利用无人机对预先设定的监测样地图像进行拍摄；
所述探测数据传输单元用于将拍摄到的图像数据传输到远程终端。
进一步的，所述样地信息采集模块包括图像数据采集单元和传输信息采集单元；
所述图像数据采集单元的输入端连接所述探测数据传输单元的输出端，所述图像数据采集单元和传输信息采集单元的输出端连接所述数据管理中心的输入端；
所述图像数据采集单元用于利用神经网络算法进行图像识别，在识别到预先设定的监测样地不存在可达路径时，利用无人机从预先设定的监测样地开始出发寻找可到达的监测样地，并采集无人机在寻找过程中拍摄的图像；
所述传输信息采集单元用于采集无人机传输拍摄到的图像的时长信息，利用人工智能技术对图像进行路径识别，有利于快速核实出是否存在到达预先设定的监测样地路径，帮助及时提醒寻找可到达的监测样地，即存在可到达路径的监测样地。
进一步的，所述样地信息分析模块包括可行样地统计单元、图像数据分析单元和传输效率分析单元；
所述可行样地统计单元的输入端连接所述数据管理中心的输出端，所述可行样地统计单元的输出端连接所述图像数据分析单元的输入端，所述图像数据分析单元的输入端连接所述数据管理中心的输出端，所述图像数据分析单元的输出端连接所述传输效率分析单元的输入端；
所述可行样地统计单元用于统计可到达的监测样地数量和位置，将统计到的监测样地数据传输到远程终端；
所述图像数据分析单元用于若统计到可到达的监测样地不止一个，调取并分析存在到达不同监测样地路径的图像数据，分析到达不同监测样地的难度；
所述传输效率分析单元用于分析无人机在不同监测样地传输拍摄到的图像到远程终端的效率。
进一步的，所述监测样地调整模块包括样地选择单元和样地位置调节单元；
所述样地选择单元的输入端连接所述传输效率分析单元的输出端，所述样地选择单元的输出端连接所述样地位置调节单元的输入端；
所述样地选择单元用于根据到达难度和效率数据分析监测样地的适配度，选择适配度最高的监测样地作为最佳的监测样地；
所述样地位置调节单元用于调节最佳的监测样地作为新的生态环境监测地点。
一种基于人工智能的监测样地位置调节方法，包括以下步骤：
S1：对监测样地进行探测并拍摄样地图像；
S2：采集可到达的监测样地图像信息以及图像传输信息；
S3：在统计到不止一个可到达的监测样地时分析到达监测样地的难度；
S4：分析在不同监测样地传输拍摄到的图像到远程终端的效率；
S5：分析监测样地的适配度，调节适配度最高的监测样地作为最佳监测样地。
进一步的，在步骤S1中：利用无人机对预先设定的监测样地图像进行拍摄，将拍摄到的图像数据传输到远程终端，利用神经网络算法对图像进行路径识别，在识别不存在到达预先设定的监测样地的路径时，利用无人机从预先设定的监测样地开始出发寻找可到达的监测样地，在寻找过程中拍摄图像，将拍摄的图像传输到远程终端；
在步骤S2中：采集无人机在寻找过程中拍摄到的图像，对图像进行路径识别，对图像中的路径曲线进行拟合，将拟合后所有存在路径的图像进行拼接整合，得到完整的到达监测样地的路径图像，采集无人机传输在寻找到的监测样地拍摄图像到远程终端的时长数据，利用无人机对监测样地进行探测，结合神经网络算法对探测到的图像进行识别，解决了现有技术中由相关技术人员深入监测样地核查监测样地的可达性导致核查效率低、核查工作艰难的问题。
进一步的，在步骤S3中：统计到可到达的监测样地数量为m，若m＝1，说明可到达的监测样地只有一个；若m≠1，说明可到达的监测样地不止一个，分析到达不同监测样地的难度：调取完整的到达不同监测样地的路径图像，以完整的到达监测样地的路径图像中心为原点建立二维坐标系，得到完整的到达随机一个监测样地的路径曲线方程为：y＝f(x)，将监测样地的路径曲线平均分为n段，根据公式计算得到曲线的曲率K，将分段点坐标代入公式得到曲线在所有分段点处的曲率集合为K＝{K1，K2，…，Ki，…，Kn+1}，其中，Ki表示曲线在第i个分段点处的曲率，根据下列公式计算到达随机一个监测样地的难度Wj：
其中，δ1表示曲率权重系数，δ2表示路径长度权重系数，δ2>δ1且δ2+δ1＝1，a和b分别表示路径曲线起点和终点的横坐标，通过相同方式计算得到到达所有监测样地的难度集合为W＝{W1，W2，…，Wj，…，Wm}，在核查到预先设定的监测样地不可达时，需要寻找附近能够到达的监测样地，进行监测样地的位置调节，在寻找到多个监测样地情况下，通过图像分析选择最佳的监测样地，计算到达监测样地的难度的目的在于将难度参数作为选择最佳监测样地的考虑因素之一，路径曲线越长、越曲折，说明到达对应监测样地的难度越大，结合曲线长度、曲折情况分析难度，提高了分析结果的准确性和可参考价值，选择到达难度低的监测样地有利于帮助减轻相关技术人员到达监测样地进行核实的工作难度。
进一步的，在步骤S4中：调取到无人机将寻找到的监测样地的图像传输到远程终端的时长集合为t＝{t1，t2，…，tm}，获取到对应监测样地到远程终端所在位置的直线距离集合为d＝{d1，d2，…，dm}，其中，m表示寻找到的可到达的监测样地数量，获取到完整的到达随机一个监测样地的路径图像中，将每个路径图像传输到远程终端的时长集合为T＝{T1，T2，…，Tv，…，Tg}，对应图像的拍摄地点到远程终端所在位置的直线距离集合为D＝{D1，D2，…，Dv，…，Dg}，每拍摄一张图像传输一次到远程终端，其中，g表示组成完整到达随机一个监测样地的路径图像数量，根据下列公式计算得到随机一个监测样地传输拍摄到的图像到远程终端的效率Pj：
其中，tj表示无人机传输在寻找到的随机一个监测样地拍摄图像到远程终端的时长，dj表示随机一个监测样地到远程终端所在位置的直线距离，Tv表示将完整图像中随机一个路径图像传输到远程终端的时长，Dv表示随机一个图像的拍摄地点到远程终端所在位置的直线距离，通过相同计算方式得到监测样地传输拍摄到的图像到远程终端的效率集合为P＝{P1，P2，…，Pj，…，Pm}，通过大数据分析传输无人机定点拍摄到的图像至远程终端的效率，目的在于将效率参数作为选择最佳监测样地的考虑因素之一，传输效率越高，说明对应监测样地发送监测数据的速度越快、效率越高，在效率分析过程中，除分析在监测样地拍摄图像的传输效率外，考虑到相关技术人员后续需要自行前往对应监测样地进行核实，部分路径崎岖、度过难度大，在前往过程中容易发生异常情况，加入传输拍摄完整的到达监测样地的路径图像的效率参数，有利于在相关技术人员前往选择出的监测样地过程中发生异常情况、需要发送异常警报信号时，及时快速地发送警报信号，提高安全性。
进一步的，在步骤S5中：得到随机一个监测样地作为调节后的样地的适配度Ej：其中，/>和/>分别表示难度权重系数和效率权重系数，/>且得到所有监测样地作为调节后的样地的适配度集合为E＝{E1，E2，…，Ej，…，Em}，比较适配度，调节适配度最高的监测样地作为最佳监测样地，所有监测样地作为调节后样地的适配度计算过程中难度权重系数都为/>效率权重系数都为/>调节后监测样地的位置为对应监测样地所在位置，结合难度和效率参数分析将不同监测样地作为调节后样地的适配度，难度越低且效率越高，判断适配度越高，选择适配度最高的监测样地作为最佳监测样地，调节监测样地的位置，有利于在寻找到可达监测样地的同时减轻到达样地进行核查的工作难度、提高核查工作安全性。
与现有技术相比，本发明所达到的有益效果是：
本发明利用无人机对监测样地进行探测，结合神经网络算法对探测到的图像进行识别，解决了现有技术中由相关技术人员深入不可达的监测样地导致核查效率低、核查工作艰难的问题；利用人工智能技术对图像进行路径识别，有利于快速核实出是否存在到达预先设定的监测样地路径，帮助及时提醒寻找可到达的监测样地；在核查到预先设定的监测样地不可达时，需要寻找附近能够到达的监测样地，进行监测样地的位置调节，在寻找到多个监测样地情况下，通过图像分析选择最佳的监测样地，结合到达监测样地的难度以及传输无人机定点拍摄到的图像至远程终端的效率来选择最佳的监测样地，在相关技术人员前往选择出的监测样地过程中发生异常情况、需要发送异常警报信号时，能够及时快速地发送警报信号，提高核查工作的安全性。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一种基于人工智能的监测样地位置调节系统的结构图；
图2是本发明一种基于人工智能的监测样地位置调节方法的步骤图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
下面结合图1-图2和具体实施例对本发明作进一步的说明。
实施例一：
如图1所示，本实施例提供了一种基于人工智能的监测样地位置调节系统，系统包括：监测样地探测模块、样地信息采集模块、数据管理中心、样地信息分析模块和监测样地调整模块；
监测样地探测模块的输出端连接样地信息采集模块的输入端，样地信息采集模块的输出端连接数据管理中心的输入端，数据管理中心的输出端连接样地信息分析模块的输入端，样地信息分析模块的输出端连接监测样地调整模块的输入端；
通过监测样地探测模块对监测样地进行探测并拍摄样地图像；
通过样地信息采集模块采集可到达的监测样地图像信息以及图像传输信息，将采集到的全部数据传输到数据管理中心；
通过数据管理中心存储并管理采集到的全部数据；
通过样地信息分析模块在统计到不止一个可到达监测样地时分析监测样地的适配度；
通过监测样地调整模块调节适配度最高的监测样地作为最佳监测样地。
监测样地探测模块包括样地图像拍摄单元和探测数据传输单元；
样地图像拍摄单元的输出端连接探测数据传输单元的输入端；
样地图像拍摄单元用于利用无人机对预先设定的监测样地图像进行拍摄；
探测数据传输单元用于将拍摄到的图像数据传输到远程终端。
样地信息采集模块包括图像数据采集单元和传输信息采集单元；
图像数据采集单元的输入端连接探测数据传输单元的输出端，图像数据采集单元和传输信息采集单元的输出端连接数据管理中心的输入端；
图像数据采集单元用于利用神经网络算法进行图像识别，在识别到预先设定的监测样地不存在可达路径时，利用无人机从预先设定的监测样地开始出发寻找可到达的监测样地，并采集无人机在寻找过程中拍摄的图像，寻找到的可到达监测样地与预先设定的监测样地的类型相同，且由相关技术人员核实后具备可监测性；
传输信息采集单元用于采集无人机传输拍摄到的图像的时长信息。
样地信息分析模块包括可行样地统计单元、图像数据分析单元和传输效率分析单元；
可行样地统计单元的输入端连接数据管理中心的输出端，可行样地统计单元的输出端连接图像数据分析单元的输入端，图像数据分析单元的输入端连接数据管理中心的输出端，图像数据分析单元的输出端连接传输效率分析单元的输入端；
可行样地统计单元用于统计可到达的监测样地数量和位置，将统计到的监测样地数据传输到远程终端；
图像数据分析单元用于若统计到可到达的监测样地不止一个，调取并分析存在到达不同监测样地路径的图像数据，分析到达不同监测样地的难度；
传输效率分析单元用于分析无人机在不同监测样地传输拍摄到的图像到远程终端的效率。
监测样地调整模块包括样地选择单元和样地位置调节单元；
样地选择单元的输入端连接传输效率分析单元的输出端，样地选择单元的输出端连接样地位置调节单元的输入端；
样地选择单元用于根据到达难度和效率数据分析监测样地的适配度，选择适配度最高的监测样地作为最佳的监测样地；
样地位置调节单元用于调节最佳的监测样地作为新的生态环境监测地点。
实施例二：
如图2所示，本实施例提供了一种基于人工智能的监测样地位置调节方法，其基于实施例中的调节系统实现，具体包括以下步骤：
S1：对监测样地进行探测并拍摄样地图像，利用无人机对预先设定的监测样地图像进行拍摄，将拍摄到的图像数据传输到远程终端，利用神经网络算法对图像进行路径识别，在识别不存在到达预先设定的监测样地的路径时，利用无人机从预先设定的监测样地开始出发寻找可到达的监测样地，在寻找过程中拍摄图像，将拍摄的图像传输到远程终端；
S2：采集可到达的监测样地图像信息以及图像传输信息，采集无人机在寻找过程中拍摄到的图像，对图像进行路径识别，对图像中的路径曲线进行拟合，将拟合后所有存在路径的图像进行拼接整合，得到完整的到达监测样地的路径图像，采集无人机传输在寻找到的监测样地拍摄图像到远程终端的时长数据；
S3：在统计到不止一个可到达的监测样地时分析到达监测样地的难度，统计到可到达的监测样地数量为m，若m≠1，说明可到达的监测样地不止一个，分析到达不同监测样地的难度：获取到m＝3，调取完整的到达不同监测样地的路径图像，以完整的到达监测样地的路径图像中心为原点建立二维坐标系，得到完整的到达随机一个监测样地的路径曲线方程为：y＝f(x)＝3x^2-2x+1，将监测样地的路径曲线平均分为n＝5段，根据公式计算得到曲线的曲率K，将分段点坐标代入公式得到曲线在所有分段点处的曲率集合为K＝{K1，K2，K3，K4，K5，K6}＝{0.01，0.05，0.54，0.09，2.12，0.01}，根据下列公式计算到达随机一个监测样地的难度Wj：
其中，δ1表示曲率权重系数，δ2表示路径长度权重系数，设置δ1＝0.3，δ1＝0.7，a和b分别表示路径曲线起点和终点的横坐标，a＝-1，b＝2，得到Wj≈12.1，通过相同方式计算得到到达所有监测样地的难度集合为W＝{W1，W2，W3}＝{12.1，8.7，10.2}；
S4：分析在不同监测样地传输拍摄到的图像到远程终端的效率，调取到无人机将寻找到的监测样地的图像传输到远程终端的时长集合为t＝{t1，t2，t3}＝{5，30，12}，单位为：秒，获取到对应监测样地到远程终端所在位置的直线距离集合为d＝{d1，d2，d3}＝{10，8，7}，单位为：千米，获取到完整的到达随机一个监测样地的路径图像中，将每个路径图像传输到远程终端的时长集合为T＝{T1，T2，T3}＝{6，2，10}，对应图像的拍摄地点到远程终端所在位置的直线距离集合为D＝{D1，D2，D3}＝{2，3，6}，每拍摄一张图像传输一次到远程终端，根据下列公式计算得到随机一个监测样地传输拍摄到的图像到远程终端的效率Pj：
其中，tj表示无人机传输在寻找到的随机一个监测样地拍摄图像到远程终端的时长，dj表示随机一个监测样地到远程终端所在位置的直线距离，Tv表示将完整图像中随机一个路径图像传输到远程终端的时长，Dv表示随机一个图像的拍摄地点到远程终端所在位置的直线距离，得到P1≈1.4，通过相同计算方式得到监测样地传输拍摄到的图像到远程终端的效率集合为P＝{P1，P2，P3}＝{1.4，1.1，2}；
S5：分析监测样地的适配度，调节适配度最高的监测样地作为最佳监测样地，得到随机一个监测样地作为调节后的样地的适配度Ej： 其中，/>和/>分别表示难度权重系数和效率权重系数，设置/> 所有监测样地作为调节后样地的适配度计算过程中难度权重系数都为/>效率权重系数都为/>得到Ej≈0.6，得到所有监测样地作为调节后的样地的适配度集合为E＝{E1，E2，E3}＝{0.6，0.5，0.9}，比较适配度，调节适配度最高的监测样地：第3个监测样地作为最佳监测样地；
若m＝1，说明可到达的监测样地只有一个，调节对应监测样地为最佳监测样地，调节后监测样地的位置为最佳监测样地所在位置。
最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于人工智能的监测样地位置调节方法，其特征在于：包括以下步骤：
S1：对监测样地进行探测并拍摄样地图像；
S2：采集可到达的监测样地图像信息以及图像传输信息；
S3：在统计到不止一个可到达的监测样地时分析到达监测样地的难度；
S4：分析在不同监测样地传输拍摄到的图像到远程终端的效率；
S5：分析监测样地的适配度，调节适配度最高的监测样地作为最佳监测样地；
在步骤S1中：利用无人机对预先设定的监测样地图像进行拍摄，将拍摄到的图像数据传输到远程终端，利用神经网络算法对图像进行路径识别，在识别不存在到达预先设定的监测样地的路径时，利用无人机从预先设定的监测样地开始出发寻找可到达的监测样地，在寻找过程中拍摄图像，将拍摄的图像传输到远程终端；
在步骤S2中：采集无人机在寻找过程中拍摄到的图像，对图像进行路径识别，对图像中的路径曲线进行拟合，将拟合后所有存在路径的图像进行拼接整合，得到完整的到达监测样地的路径图像，采集无人机传输在寻找到的监测样地拍摄图像到远程终端的时长数据；
在步骤S3中：统计到可到达的监测样地数量为m，若m＝1，说明可到达的监测样地只有一个；若m≠1，说明可到达的监测样地不止一个，分析到达不同监测样地的难度：调取完整的到达不同监测样地的路径图像，以完整的到达监测样地的路径图像中心为原点建立二维坐标系，得到完整的到达随机一个监测样地的路径曲线方程为：y＝f(x)，将监测样地的路径曲线平均分为n段，根据公式计算得到曲线的曲率K，将分段点坐标代入公式得到曲线在所有分段点处的曲率集合为K＝{K1，K2，…，Ki，…，Kn+1}，其中，Ki表示曲线在第i个分段点处的曲率，根据下列公式计算到达随机一个监测样地的难度Wj：
其中，δ1表示曲率权重系数，δ2表示路径长度权重系数，δ2>δ1且δ2+δ1＝1，a和b分别表示路径曲线起点和终点的横坐标，通过相同方式计算得到到达所有监测样地的难度集合为W＝{W1，W2，…，Wj，…，Wm}；
在步骤S4中：调取到无人机将寻找到的监测样地的图像传输到远程终端的时长集合为t＝{t1，t2，…，tm}，获取到对应监测样地到远程终端所在位置的直线距离集合为d＝{d1，d2，…，dm}，其中，m表示寻找到的可到达的监测样地数量，获取到完整的到达随机一个监测样地的路径图像中，将每个路径图像传输到远程终端的时长集合为T＝{T1，T2，…，Tv，…，Tg}，对应图像的拍摄地点到远程终端所在位置的直线距离集合为D＝{D1，D2，…，Dv，…，Dg}，每拍摄一张图像传输一次到远程终端，其中，g表示组成完整到达随机一个监测样地的路径图像数量，根据下列公式计算得到随机一个监测样地传输拍摄到的图像到远程终端的效率Pj：
其中，tj表示无人机传输在寻找到的随机一个监测样地拍摄图像到远程终端的时长，dj表示随机一个监测样地到远程终端所在位置的直线距离，Tv表示将完整图像中随机一个路径图像传输到远程终端的时长，Dv表示随机一个图像的拍摄地点到远程终端所在位置的直线距离，通过相同计算方式得到监测样地传输拍摄到的图像到远程终端的效率集合为P＝{P1，P2，…，Pj，…，Pm}；
在步骤S5中：得到随机一个监测样地作为调节后的样地的适配度Ej： 其中，/>和/>分别表示难度权重系数和效率权重系数，/> 且得到所有监测样地作为调节后的样地的适配度集合为E＝{E1，E2，…，Ej，…，Em}，比较适配度，调节适配度最高的监测样地作为最佳监测样地。
2.一种基于人工智能的监测样地位置调节系统，应用于如权利要求1所述的一种基于人工智能的监测样地位置调节方法，其特征在于：所述系统包括：监测样地探测模块、样地信息采集模块、数据管理中心、样地信息分析模块和监测样地调整模块；
所述监测样地探测模块的输出端连接所述样地信息采集模块的输入端，所述样地信息采集模块的输出端连接所述数据管理中心的输入端，所述数据管理中心的输出端连接所述样地信息分析模块的输入端，所述样地信息分析模块的输出端连接所述监测样地调整模块的输入端；
通过所述监测样地探测模块对监测样地进行探测并拍摄样地图像；
通过所述样地信息采集模块采集可到达的监测样地图像信息以及图像传输信息，将采集到的全部数据传输到所述数据管理中心；
通过所述数据管理中心存储并管理采集到的全部数据；
通过所述样地信息分析模块在统计到不止一个可到达监测样地时分析监测样地的适配度；
通过所述监测样地调整模块调节适配度最高的监测样地作为最佳监测样地。
3.根据权利要求2所述的一种基于人工智能的监测样地位置调节系统，其特征在于：所述监测样地探测模块包括样地图像拍摄单元和探测数据传输单元；
所述样地图像拍摄单元的输出端连接所述探测数据传输单元的输入端；
所述样地图像拍摄单元用于利用无人机对预先设定的监测样地图像进行拍摄；
所述探测数据传输单元用于将拍摄到的图像数据传输到远程终端。
4.根据权利要求3所述的一种基于人工智能的监测样地位置调节系统，其特征在于：所述样地信息采集模块包括图像数据采集单元和传输信息采集单元；
所述图像数据采集单元的输入端连接所述探测数据传输单元的输出端，所述图像数据采集单元和传输信息采集单元的输出端连接所述数据管理中心的输入端；
所述图像数据采集单元用于利用神经网络算法进行图像识别，在识别到预先设定的监测样地不存在可达路径时，利用无人机从预先设定的监测样地开始出发寻找可到达的监测样地，并采集无人机在寻找过程中拍摄的图像；
所述传输信息采集单元用于采集无人机传输拍摄到的图像的时长信息。
5.根据权利要求2所述的一种基于人工智能的监测样地位置调节系统，其特征在于：所述样地信息分析模块包括可行样地统计单元、图像数据分析单元和传输效率分析单元；
所述可行样地统计单元的输入端连接所述数据管理中心的输出端，所述可行样地统计单元的输出端连接所述图像数据分析单元的输入端，所述图像数据分析单元的输入端连接所述数据管理中心的输出端，所述图像数据分析单元的输出端连接所述传输效率分析单元的输入端；
所述可行样地统计单元用于统计可到达的监测样地数量和位置，将统计到的监测样地数据传输到远程终端；
所述图像数据分析单元用于若统计到可到达的监测样地不止一个，调取并分析存在到达不同监测样地路径的图像数据，分析到达不同监测样地的难度；
所述传输效率分析单元用于分析无人机在不同监测样地传输拍摄到的图像到远程终端的效率。
6.根据权利要求5所述的一种基于人工智能的监测样地位置调节系统，其特征在于：所述监测样地调整模块包括样地选择单元和样地位置调节单元；
所述样地选择单元的输入端连接所述传输效率分析单元的输出端，所述样地选择单元的输出端连接所述样地位置调节单元的输入端；
所述样地选择单元用于根据到达难度和效率数据分析监测样地的适配度，选择适配度最高的监测样地作为最佳的监测样地；
所述样地位置调节单元用于调节最佳的监测样地作为新的生态环境监测地点。
CN202310206480.6A 2023-03-07 2023-03-07 一种基于人工智能的监测样地位置调节系统及方法 Active CN116320303B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310206480.6A CN116320303B (zh) 2023-03-07 2023-03-07 一种基于人工智能的监测样地位置调节系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310206480.6A CN116320303B (zh) 2023-03-07 2023-03-07 一种基于人工智能的监测样地位置调节系统及方法

Publications (2)

Publication Number Publication Date
CN116320303A CN116320303A (zh) 2023-06-23
CN116320303B true CN116320303B (zh) 2023-08-18

Family

ID=86791889

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310206480.6A Active CN116320303B (zh) 2023-03-07 2023-03-07 一种基于人工智能的监测样地位置调节系统及方法

Country Status (1)

Country Link
CN (1) CN116320303B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018091109A1 (de) * 2016-11-21 2018-05-24 Robert Bosch Gmbh Anzeigevorrichtung für eine videoüberwachungsanlage und videoüberwachungsanlage mit der anzeigevorrichtung
CN110244763A (zh) * 2019-06-21 2019-09-17 浙江海洋大学 海水污染物的远程监测系统及监测方法
CN212782244U (zh) * 2020-06-01 2021-03-23 北京中科锐景科技有限公司 一种天空地一体化林火监测核查平台
CN112649002A (zh) * 2020-12-11 2021-04-13 南京邮电大学 一种基于边缘计算的野保无人机监测系统
CN114020023A (zh) * 2021-11-04 2022-02-08 中科晶锐(苏州)科技有限公司 一种基于无人机的嵌入式ai摄像分析系统及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018091109A1 (de) * 2016-11-21 2018-05-24 Robert Bosch Gmbh Anzeigevorrichtung für eine videoüberwachungsanlage und videoüberwachungsanlage mit der anzeigevorrichtung
CN110244763A (zh) * 2019-06-21 2019-09-17 浙江海洋大学 海水污染物的远程监测系统及监测方法
CN212782244U (zh) * 2020-06-01 2021-03-23 北京中科锐景科技有限公司 一种天空地一体化林火监测核查平台
CN112649002A (zh) * 2020-12-11 2021-04-13 南京邮电大学 一种基于边缘计算的野保无人机监测系统
CN114020023A (zh) * 2021-11-04 2022-02-08 中科晶锐(苏州)科技有限公司 一种基于无人机的嵌入式ai摄像分析系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
矿区土壤样点布设与监测方法研究进展;李佳燕;王金满;冯宇;王大为;;土壤通报(第01期);全文 *

Also Published As

Publication number Publication date
CN116320303A (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
CN108051450B (zh) 一种基于无人机的桥梁健康检测系统及方法
CN109996278B (zh) 道路网络质量评估方法、装置、设备及介质
CN111062303A (zh) 图像处理方法、系统及计算机存储介质
CN115730815B (zh) 基于物联感知的工业生产安全风险预警系统及方法
CN114255405A (zh) 一种隐患目标识别方法与装置
CN115171361B (zh) 一种基于计算机视觉的危险行为智能检测预警方法
CN114721430A (zh) 基于无人机的电力线路安全巡检及智能诊断系统
CN115169602A (zh) 电力设备的维护方法、装置、存储介质及计算机设备
CN116320303B (zh) 一种基于人工智能的监测样地位置调节系统及方法
CN113033443B (zh) 一种基于无人机的行人过街设施全路网自动化排查方法
CN111325708B (zh) 一种输电线路检测方法和服务器
CN113778091A (zh) 一种风电场升压站设备巡检方法
CN110049447B (zh) 一种基于位置信息的伙伴关系分析方法
US20220279352A1 (en) System and method for securely defending against collusive attack under internet of vehicles
CN117095312A (zh) 一种钢结构的腐蚀监测方法及装置
CN112036269A (zh) 跌倒检测方法、装置、计算机设备和存储介质
CN115938009A (zh) 一种智能电子巡检定位方法及系统
CN114066288B (zh) 一种基于智慧数据中心的营运道路应急检测方法及系统
EP4064120B1 (en) Method for determining images plausible to have a false negative object detection
CN112508946B (zh) 一种基于对抗神经网络的电缆隧道异常检测方法
CN112185047B (zh) 一种山火火情等级评定方法及系统
CN114999103A (zh) 一种高速公路涉路作业安全智能预警系统及方法
CN114243925A (zh) 基于智能融合终端的台区配变态势感知方法及系统
CN117268402B (zh) 一种基于5g通信技术的无人机勘察路径规划方法
CN115802013B (zh) 基于智能照明的视频监控方法、装置、设备及存储介质

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
GR01 Patent grant
GR01 Patent grant