CN116434092B - 基于无人机航测的图像信息分析方法及ai服务器 - Google Patents
基于无人机航测的图像信息分析方法及ai服务器 Download PDFInfo
- Publication number
- CN116434092B CN116434092B CN202310705414.3A CN202310705414A CN116434092B CN 116434092 B CN116434092 B CN 116434092B CN 202310705414 A CN202310705414 A CN 202310705414A CN 116434092 B CN116434092 B CN 116434092B
- Authority
- CN
- China
- Prior art keywords
- aerial survey
- image
- unmanned aerial
- aerial vehicle
- task object
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 110
- 238000007670 refining Methods 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 45
- 238000000605 extraction Methods 0.000 claims description 44
- 238000010191 image analysis Methods 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 18
- 125000004122 cyclic group Chemical group 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 230000003313 weakening effect Effects 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 230000006399 behavior Effects 0.000 description 15
- 238000012360 testing method Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 10
- 238000013461 design Methods 0.000 description 7
- 241001465754 Metazoa Species 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 241000894007 species Species 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000007667 floating Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011076 safety test Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/776—Validation; Performance evaluation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及无人机和人工智能技术领域，具体涉及基于无人机航测的图像信息分析方法及AI服务器，通过两种互斥像素单元联系特征的图像描述子提炼操作，可以得到无人机航测局部图像块的不同状态下的无人机航测图像块描述子，改善了无人机航测局部图像块中图像细节之间的持续性削弱的缺陷。进一步地，通过解析各航测任务对象小波变量对各无人机航测局部图像块的图像描述子决策观点的置信度评价，可以获得每个无人机航测局部图像块的对象检测标签，能够基于分治思路对无人机航测图像信息进行对象检测标签的确定，提升了对多目标检测的确定精度和完整性，同时还改善了针对连续的无人机航测图像信息的图像细节持续性削弱的短板。
Description
技术领域
本发明涉及无人机和人工智能技术领域，具体而言，涉及基于无人机航测的图像信息分析方法及AI服务器。
背景技术
无人机航测（Unmanned aerial vehicle measurement）是传统航空摄影测量手段的有力补充，具有机动灵活、高效快速、精细准确、作业成本低、适用范围广、生产周期短等特点，在小区域和飞行困难地区高分辨率影像快速获取方面具有明显优势，随着无人机与数码相机技术的发展，基于无人机平台的数字航摄技术已显示出其独特的优势。
随着人工智能（Artificial Intelligence，AI）的发展，针对无人机航测的图像分析技术逐渐普及，在一些应用场景下，需要对航测图像进行对象检测，但是传统技术难以保障对象检测的精度和完整性。
发明内容
本发明至少提供基于无人机航测的图像信息分析方法及AI服务器。
本发明提供了一种基于无人机航测的图像信息分析方法，应用于AI服务器，所述方法包括：
获取无人机航测图像信息，依据所述无人机航测图像信息中的航测任务对象描述，将无人机航测图像信息分割成最少一个无人机航测局部图像块，并依据所述无人机航测图像信息中的航测任务对象描述，确定每个无人机航测局部图像块中的航测任务对象描述对应的航测任务对象小波变量；
通过每个无人机航测局部图像块的第一像素单元联系特征的图像描述子提炼策略，得到第一无人机航测图像块描述子；通过每个无人机航测局部图像块的第二像素单元联系特征的图像描述子提炼策略，得到第二无人机航测图像块描述子，依据所述第一无人机航测图像块描述子以及所述第二无人机航测图像块描述子得到每个无人机航测图像信息的无人机航测图像信息描述子，所述第一像素单元联系特征与所述第二像素单元联系特征互斥；
通过解析各航测任务对象小波变量对各无人机航测局部图像块的图像描述子决策观点的置信度评价，得到每个无人机航测局部图像块的对象检测标签，并将全部无人机航测局部图像块的对象检测标签作为所述无人机航测图像信息的对象检测标签，第一图像描述子提炼组件、第二图像描述子提炼组件以及对象标签检测组件形成完成调试的无人机航测图像检测网络，所述无人机航测图像检测网络是依据调试学习信息循环调试所得的。
在一些可选的实施例中，所述通过每个无人机航测局部图像块的第一像素单元联系特征的图像描述子提炼策略，得到第一无人机航测图像块描述子；
通过每个无人机航测局部图像块的第二像素单元联系特征的图像描述子提炼策略，得到第二无人机航测图像块描述子，之前，所述方法还包括：将所述无人机航测图像信息进行像素语义特征挖掘，得到第一像素语义特征；对所述无人机航测图像信息中的航测任务对象细节分别进行像素语义特征挖掘，得到第二像素语义特征；依据所述第一像素语义特征以及所述第二像素语义特征确定无人机航测图像信息的像素语义特征；
所述通过每个无人机航测局部图像块的第一像素单元联系特征的图像描述子提炼策略，得到第一无人机航测图像块描述子；通过每个无人机航测局部图像块的第二像素单元联系特征的图像描述子提炼策略，得到第二无人机航测图像块描述子，包括：通过所述无人机航测图像信息的各像素语义特征的第一像素单元联系特征的图像描述子提炼策略，得到第一无人机航测图像块描述子，通过所述无人机航测图像信息的各像素语义特征的第二像素单元联系特征的图像描述子提炼策略，得到第二无人机航测图像块描述子。
在一些可选的实施例中，所述确定每个无人机航测局部图像块中的航测任务对象描述对应的航测任务对象小波变量，包括：
确定无人机航测局部图像块中与预存的航测任务对象小波变量池中的各航测任务对象小波变量配对的小波变量，并将配对的小波变量作为无人机航测局部图像块中航测任务对象描述对应的航测任务对象小波变量。
在一些可选的实施例中，所述通过解析各航测任务对象小波变量对各无人机航测局部图像块的图像描述子决策观点的置信度评价，得到每个无人机航测局部图像块的对象检测标签之前，还包括：依据预存的航测任务对象小波变量的航测对象判别观点确定所述无人机航测局部图像块中的航测任务对象小波变量的航测对象判别观点；
所述通过解析各航测任务对象小波变量对各无人机航测局部图像块的图像描述子决策观点的置信度评价，得到每个无人机航测局部图像块的对象检测标签，包括：通过解析各航测任务对象小波变量以及所述无人机航测局部图像块中的航测任务对象小波变量的航测对象判别观点对各无人机航测局部图像块的图像描述子决策观点的置信度评价，得到每个无人机航测局部图像块的对象检测标签。
在一些可选的实施例中，所述完成调试的无人机航测图像检测网络是依据调试学习信息循环调试所得的，包括：
针对每次调试，获取调试学习信息，所述调试学习信息中包括一个航测任务对象描述以及该航测任务对象描述对应的航测任务对象小波变量，每个航测任务对象小波变量具有航测对象判别观点；
将所述调试学习信息通过第一像素单元联系特征加载到拟调试图像检测网络中的第一图像描述子提炼组件，得到针对所述调试学习信息的第一无人机航测图像块描述子；
将所述调试学习信息通过第二像素单元联系特征加载到拟调试图像检测网络中的第二图像描述子提炼组件，得到针对所述调试学习信息的第二无人机航测图像块描述子，依据所述第一无人机航测图像块描述子以及所述第二无人机航测图像块描述子，得到所述调试学习信息的无人机航测图像信息描述子；
将所述调试学习信息的无人机航测图像信息描述子以及所述调试学习信息中的航测任务对象小波变量的航测对象判别观点作为拟调试图像检测网络中的完成调试的对象标签检测组件的传入信息，并通过所述拟调试图像检测网络中的完成调试的对象标签检测组件的对象检测标签以及所述调试学习信息中的航测任务对象小波变量的航测对象判别观点确定该次调试过程的网络调试代价指标，并通过所述网络调试代价指标优化所述拟调试图像检测网络中的网络参量；
通过多轮循环调试，在确定所述拟调试图像检测网络的网络调试代价指标符合稳定性要求时，得到无人机航测图像检测网络。
在一些可选的实施例中，所述获取调试学习信息之前，所述方法还包括：
获取衍生调试学习信息，依据获取的航测任务对象描述集合以及航测任务对象小波变量池确定所述衍生调试学习信息中的各航测任务对象描述以及各航测任务对象描述对应的航测任务对象小波变量；
依据所述衍生调试学习信息中的各航测任务对象描述以及各航测任务对象描述对应的航测任务对象小波变量将所述衍生调试学习信息分割成多个调试学习信息。
在一些可选的实施例中，所述获取衍生调试学习信息前，还包括：
获取拟注释航测图像信息，依据既定的各航测任务对象描述以及各航测任务对象描述对应的航测任务对象小波变量对各拟注释航测图像信息进行注释，得到各拟注释航测图像信息的知识注释集；
依据各拟注释航测图像信息的知识注释集，确定图像分析策略，并依据图像分析策略确定各拟注释航测图像信息中扩充的各航测任务对象描述以及各航测任务对象描述对应的航测任务对象小波变量，将扩充的各航测任务对象描述以及各航测任务对象描述对应的航测任务对象小波变量添加至既定的各航测任务对象描述以及各航测任务对象描述对应的航测任务对象小波变量中，调整所述航测任务对象描述集合以及航测任务对象小波变量池。
在一些可选的实施例中，所述依据各拟注释航测图像信息的知识注释集，确定图像分析策略，包括：
依据各知识注释集，确定各知识注释集中的注释队列关键词；
将各知识注释集中活跃度大于预设值的注释队列关键词作为活跃注释队列关键词；
将活跃注释队列关键词的可信权重符合目标可信权重阈值的活跃注释队列关键词作为所述图像分析策略，所述活跃注释队列关键词的可信权重是依据所述活跃注释队列关键词的活跃度以及所述活跃注释队列关键词中的航测任务对象描述以及航测任务对象小波变量的分类观点的个数确定的。
在一些可选的实施例中，所述航测任务对象小波变量至少包括地形航测任务对象小波变量、环境航测任务对象小波变量以及活体航测任务对象小波变量中的至少一种。
本发明还提供了一种AI服务器，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述方法。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时实现上述的方法。
本发明实施例提供的基于无人机航测的图像信息分析方法，在获取到无人机航测图像信息后，确定无人机航测图像信息中的航测任务对象描述，并依据航测任务对象描述将无人机航测图像信息分割成多个无人机航测局部图像块，能够实现无人机航测图像信息的分治处理。
依据每个无人机航测局部图像块的第一像素单元联系特征以及每个无人机航测局部图像块的第二像素单元联系特征的图像描述子提炼策略，分别得到第一无人机航测图像块描述子以及第二无人机航测图像块描述子，依据第一无人机航测图像块描述子以及第二无人机航测图像块描述子得到每个无人机航测图像信息的无人机航测图像信息描述子。通过两种互斥像素单元联系特征的图像描述子提炼操作，可以得到无人机航测局部图像块的不同状态下的无人机航测图像块描述子，改善了无人机航测局部图像块中图像细节之间的持续性削弱的缺陷。
通过解析各航测任务对象小波变量对各无人机航测局部图像块的图像描述子决策观点的置信度评价，可以获得每个无人机航测局部图像块的对象检测标签，能够基于分治思路对无人机航测图像信息进行对象检测标签的确定，提升了对多目标检测的确定精度和完整性，同时还改善了针对连续的无人机航测图像信息的图像细节持续性削弱的短板。
关于上述AI服务器、计算机可读存储介质的效果描述参见上述方法的说明。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，此处的附图被并入说明书中并构成本说明书中的一部分，这些附图示出了符合本发明的实施例，并与说明书一起用于说明本发明的技术方案。应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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获得其他相关的附图。
图1是本发明实施例示出的一种AI服务器的方框图。
图2是本发明实施例示出的一种基于无人机航测的图像信息分析方法的流程示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1为本发明实施例提供的AI服务器10的结构示意图，包括处理器102、存储器104、和总线106。其中，存储器104用于存储执行指令，包括内存和外部存储器，内存也可以理解为内存储器，用于暂时存放处理器102中的运算数据，以及与硬盘等外部存储器交换的数据，处理器102通过内存与外部存储器进行数据交换，当AI服务器10运行时，处理器102与存储器104之间通过总线106通信，使得处理器102执行本发明实施例的基于无人机航测的图像信息分析方法。
请结合图2，图2是本发明实施例所提供的一种基于无人机航测的图像信息分析方法的流程示意图，应用于AI服务器，该方法示例性可以包括如下步骤101-步骤103所描述的内容。
101，获取无人机航测图像信息，依据所述无人机航测图像信息中的航测任务对象描述，将无人机航测图像信息分割成最少一个无人机航测局部图像块，并依据所述无人机航测图像信息中的航测任务对象描述，确定每个无人机航测局部图像块中的航测任务对象描述对应的航测任务对象小波变量。
对于本发明实施例而言，无人机航测图像信息的获取方式可以是通过航测图像数据库调取的，航测图像数据库中的图像信息是无人机在航测过程中拍摄并上传的，当然，无人机航测图像信息也可以通过其他方式获取，在此不做限制。
鉴于本发明实施例需对携带航测任务对象描述的无人机航测图像信息的航测任务对象小波变量进行对象检测，因此未携带航测任务对象描述的无人机航测图像信息无需进行对象检测。换言之，在无人机航测图像信息中可能存在最少一个或者多个航测任务对象描述，航测任务对象描述反映无人机航测图像信息的航测对象细节，比如，在无人机航测图像信息中，无人机航测图像信息中的各个检测框可以理解为对应于无人机航测图像信息的航测任务对象描述。
为提高无人机航测图像信息的对象检测精度，可以将无人机航测图像信息中的多个航测任务对象描述分割成多个无人机航测局部图像块，无人机航测局部图像块中只包括一个航测任务对象描述。举例而言，无人机航测图像信息为“山地环境中的物种多样性航测数据”，无人机航测图像信息中对应的航测任务对象可以是“小型山坡”以及“物种（野生动物）”，所以无人机航测图像信息中的航测任务对象描述为“小型山坡”以及“物种（野生动物）”，依据不同的航测任务对象描述，将无人机航测图像信息分割成“小型山坡区域图像”以及“物种（野生动物）区域图像”两个无人机航测局部图像块。
对于本发明实施例而言，还需确定无人机航测局部图像块中的航测任务对象小波变量，这些航测任务对象小波变量是用于表征无人机航测局部图像块中的航测任务对象描述的特征向量（比如纹理特征、颜色特征和轮廓特征等）。
对于本发明实施例而言，可以通过预存的航测任务对象小波变量池中的各航测任务对象小波变量来确定无人机航测图像信息中的航测任务对象小波变量，将预存的航测任务对象小波变量池中的各航测任务对象小波变量与无人机航测图像信息进行配对，配对到的小波变量即为航测任务对象小波变量。
对于本发明实施例而言，预存的航测任务对象小波变量池可以包括不同类型的航测任务对象小波变量池（如山脉、湖泊和海陆空野生动物等），可以分别通过不同类型的航测任务对象小波变量池来确定预存的航测任务对象小波变量池中的航测任务对象小波变量。其中，预存的航测任务对象小波变量池可以是依据在先无人机航测图像信息确定的，也可以通过共享的航测任务对象小波变量池确定。
进一步地，航测任务对象小波变量至少包括地形航测任务对象小波变量、环境航测任务对象小波变量以及活体航测任务对象小波变量中的至少一种。地形航测任务对象小波变量侧重于地理地貌对应的航测任务对象，如山脉、湖泊，环境航测任务对象小波变量侧重于植被、草原等航测任务对象，活体航测任务对象小波变量侧重于动物等航测任务对象。换言之，无人机航测图像信息包括不同类别的航测任务对象，因此本发明实施例是实现无人机航测图像信息的多目标检测识别处理的。
102，通过每个无人机航测局部图像块的第一像素单元联系特征的图像描述子提炼策略，得到第一无人机航测图像块描述子；通过每个无人机航测局部图像块的第二像素单元联系特征的图像描述子提炼策略，得到第二无人机航测图像块描述子，依据所述第一无人机航测图像块描述子以及所述第二无人机航测图像块描述子得到每个无人机航测图像信息的无人机航测图像信息描述子，所述第一像素单元联系特征与所述第二像素单元联系特征互斥。
示例性的，像素单元联系特征可以理解为像素单元的顺序特征，一般而言，无人机航测图像信息为具有一定时长的视频信息，因此需要考虑图像特征的连续性问题，对于本发明实施例而言，通过不同像素单元联系特征的图像描述子提炼策略，可以获得无人机航测局部图像块的不同状态下的无人机航测图像块描述子，改善了无人机航测局部图像块中图像细节之间的持续性削弱的缺陷。
对于本发明实施例而言，图像描述子提炼策略可以是不同的图像描述子提炼组件进行的，示例性的，将每个无人机航测局部图像块通过第一像素单元联系特征加载到完成调试的第一图像描述子提炼组件，得到第一无人机航测图像块描述子；同时将所述无人机航测图像信息通过第二像素单元联系特征加载到完成调试的第二图像描述子提炼组件，得到第二无人机航测图像块描述子，依据所述第一无人机航测图像块描述子以及所述第二无人机航测图像块描述子得到每个无人机航测图像信息的无人机航测图像信息描述子，所述第一像素单元联系特征与所述第二像素单元联系特征互斥。举例而言，第一像素单元联系特征为正序的联系特征，而第二像素单元联系特征互斥为负序的联系特征。
示例性的，当确定了各个无人机航测局部图像块后，通过完成调试的第一图像描述子提炼组件以及完成调试的第二图像描述子提炼组件将各个无人机航测局部图像块进行图像描述子提炼操作。
示例性的，为了能够确定无人机航测局部图像块中各个小波变量之间的牵涉情况（依存性），将无人机航测局部图像块通过第一像素单元联系特征以及第二像素单元联系特征加载到两个图像描述子提炼组件中，两个图像描述子提炼组件为完成调试的图像描述子提炼组件，第一图像描述子提炼组件以及第二图像描述子提炼组件的网络架构可以一致，也可以不一致。
一些示例性设计思路下，第一图像描述子提炼组件是基于长短期记忆神经网络的残差组件，第二图像描述子提炼组件是基于长短期记忆神经网络的残差组件，且第一图像描述子提炼组件以及第二图像描述子提炼组件的结构相同。
针对残差组件的调试，可以基于不同顺序的像素单元联系特征实现。在调试过程中，各残差组件的调试过程类似，都可以基于梯度下降法实现调试。本发明实施例中的第一图像描述子提炼组件以及第二图像描述子提炼组件在得到图像描述子提炼结果后，还需将各图像描述子提炼结果进行组合，加载到对象标签检测组件的结果是组合后的图像描述子提炼结果，对象标签检测组件依据组合后的图像描述子提炼结果进行对象检测，并依据对象检测标签与对象真实标签优化第一图像描述子提炼组件以及第二图像描述子提炼组件的网络参量。
对于本发明实施例而言，将每个无人机航测局部图像块通过第一像素单元联系特征加载到第一图像描述子提炼组件以及通过第二像素单元联系特征加载到第二图像描述子提炼组件之前，首先将无人机航测局部图像块进行特征择选处理（特征嵌入），特征择选是无人机航测图像信息的量化编码策略，可利用归一化函数实现，这样能够减少浮点特征的运算开销，提高整体方案针对多目标检测的时效性。
对于本发明实施例而言，在得到第一无人机航测图像块描述子以及第二无人机航测图像块描述子之后，依据第一无人机航测图像块描述子以及第二无人机航测图像块描述子得到每个无人机航测图像信息的无人机航测图像信息描述子，换言之，通过两个顺序相反的图像描述子提炼组件得到不同的无人机航测图像信息描述子，并依据两个不同的无人机航测图像信息描述子确定无人机航测局部图像块的无人机航测图像信息描述子。
一些示例性设计思路下，对于本发明实施例而言，以第一图像描述子提炼组件的提炼时效性与第二图像描述子提炼组件的提炼时效性一致作为条件，阐述通过第一图像描述子提炼组件以及第二图像描述子提炼组件得到无人机航测局部图像块的无人机航测图像信息描述子的过程。
无人机航测图像信息中有X个小波变量，X大于等于1，将X个小波变量通过第一像素单元联系特征加载到完成调试的第一图像描述子提炼组件，将X个小波变量通过第二像素单元联系特征加载到完成调试的第二图像描述子提炼组件。
示例性的，在第一时间节点，将第1个小波变量加载到第一图像描述子提炼组件中的第一图像描述子提炼组件，同时，将第X个小波变量加载到完成调试的第二图像描述子提炼组件中的第X图像描述子提炼组件。在第二时间节点，将第2个小波变量加载到第一图像描述子提炼组件中的第二图像描述子提炼组件，第二图像描述子提炼组件依据第一图像描述子提炼组件的提炼结果以及第2个小波变量确定提炼结果，并传递给第三图像描述子提炼组件；类似地，将第X-1个小波变量加载到完成调试的第二图像描述子提炼组件中的第X-1个图像描述子提炼组件，第X-1个图像描述子提炼组件依据第X个图像描述子提炼组件的提炼结果以及第X-1个小波变量确定提炼结果，并将提炼结果传递给第X-2个图像描述子提炼组件。
如果第一图像描述子提炼组件的第u个图像描述子提炼组件已经确定了第一无人机航测图像块描述子，且第二图像描述子提炼组件的第X-u+1个图像描述子提炼组件已经确定了第二无人机航测图像块描述子，则依据第一无人机航测图像块描述子以及第二无人机航测图像块描述子的描述子整合结果作为第u个图像描述子提炼组件对应的第u个小波变量的特征向量。
103，通过解析各航测任务对象小波变量对各无人机航测局部图像块的图像描述子决策观点的置信度评价，得到每个无人机航测局部图像块的对象检测标签，并将全部无人机航测局部图像块的对象检测标签作为所述无人机航测图像信息的对象检测标签，所述第一图像描述子提炼组件、所述第二图像描述子提炼组件以及所述对象标签检测组件形成完成调试的无人机航测图像检测网络，所述无人机航测图像检测网络是依据调试学习信息循环调试所得的。
示例性的，各航测任务对象小波变量对各无人机航测局部图像块的图像描述子决策观点（图像描述子解析结果）的对应相异的置信度评价，比如，航测任务对象小波变量“Haar_VEC1”对航测任务对象描述“物种（野生动物）”的置信度评价较大，而航测任务对象小波变量“Haar_VEC1”对航测任务对象描述“小型山坡”的置信度评价较小。
对于本发明实施例而言，使用残差思路学习各航测任务对象小波变量对各无人机航测局部图像块的图像描述子决策观点的置信度评价。
一些示例性设计思路下，将每个无人机航测局部图像块的无人机航测图像信息描述子以及航测任务对象小波变量作为完成调试的对象标签检测组件的传入信息，得到每个无人机航测局部图像块的对象检测标签，并将全部无人机航测局部图像块的对象检测标签作为无人机航测图像信息的对象检测标签，第一图像描述子提炼组件、第二图像描述子提炼组件以及对象标签检测组件形成完成调试的无人机航测图像检测网络，无人机航测图像检测网络是依据调试学习信息循环调试所得的。
对于本发明实施例而言，鉴于各航测任务对象小波变量的航测对象判别观点对各无人机航测局部图像块的图像描述子决策观点的也具有置信度评价，所以调试学习信息中可以包括航测任务对象描述、航测任务对象描述对应的航测任务对象小波变量以及各航测任务对象小波变量的航测对象判别观点等。
对于本发明实施例而言，将每个无人机航测局部图像块的无人机航测图像信息描述子以及所述航测任务对象小波变量加载到完成调试的对象标签检测组件中，得到每个无人机航测局部图像块的对象检测标签。对于本发明实施例而言，对象标签检测组件不仅能够依据无人机航测局部图像块的无人机航测图像信息描述子来确定无人机航测局部图像块的对象检测标签，还通过航测任务对象小波变量来辅助确定对象检测标签。
对于本发明实施例而言，航测任务对象小波变量会影响无人机航测局部图像块的对象检测标签，通过将航测任务对象小波变量添加至对象标签检测组件，在对象检测过程中，通过提升无人机航测局部图像块的置信度，能够提高对象检测的精度。
对于本发明实施例而言，第一图像描述子提炼组件assembly1、第二图像描述子提炼组件assembly2以及对象标签检测组件assembly3形成完成调试的无人机航测图像检测网络ResNet，举例而言，完成调试的无人机航测图像检测网络ResNet中的第一图像描述子提炼组件assembly1为长短期记忆神经网络结构的图像描述子提炼组件，类似地，第二图像描述子提炼组件assembly1也为长短期记忆神经网络结构的图像描述子提炼组件。
加载到完成调试的无人机航测图像检测网络ResNet中的无人机航测局部图像块P1、P2、P3、……Pn，首先经过像素语义特征的特征择选处理后，分别通过第一像素单元联系特征加载到第一图像描述子提炼组件assembly1，以及通过第二像素单元联系特征加载到第二图像描述子提炼组件assembly2中，分别得到提炼结果，并依据第一图像描述子提炼结果以及第二图像描述子提炼结果确定各个小波变量的无人机航测图像信息描述子。
在得到各个小波变量的无人机航测图像信息描述子后，将无人机航测局部图像块中的航测任务对象小波变量以及各个小波变量的无人机航测图像信息描述子加载到对象标签检测组件assembly3中，得到无人机航测局部图像块的对象检测标签。
一些示例性设计思路下，还可以通过全连接层将无人机航测图像信息描述子以及航测任务对象小波变量进行描述拼接处理，并将描述拼接处理的结果传递给对象标签检测组件assembly3。
对于本发明实施例而言，如果能获取到航测任务对象小波变量的航测对象判别观点，则将航测任务对象小波变量的航测对象判别观点也添加至对象标签检测组件中，更加准确的得到对象检测标签，在一种可能的示例下，通过预存的航测任务对象小波变量的航测对象判别观点确定无人机航测局部图像块的航测对象判别观点，并将航测对象判别观点添加至对象标签检测组件assembly3中。
另一些示例性设计思路下，除了将无人机航测局部图像块通过第一像素单元联系特征加载到完成调试的第一图像描述子提炼组件，得到第一无人机航测图像块描述子；同时将无人机航测图像信息通过第二像素单元联系特征加载到完成调试的第二图像描述子提炼组件，得到第二无人机航测图像块描述子之外，还可以将航测任务对象描述进行特征择选处理后，加载到第一图像描述子提炼组件以及第二图像描述子提炼组件，得到针对航测任务对象描述的第一无人机航测图像块描述子以及第二无人机航测图像块描述子。
对于本发明实施例而言，在特征择选的处理过程中，将每个无人机航测局部图像块的提炼结果以及航测任务对象描述进行提炼结果进行组合，加载到第一图像描述子提炼组件以及第二图像描述子提炼组件中。
对于本发明实施例而言，无人机航测图像检测网络是依据调试学习信息循环调试所得的，调试学习信息中至少包括航测任务对象描述、航测任务对象描述对应的航测任务对象小波变量以及各航测任务对象小波变量的航测对象判别观点。
示例性的，针对每次调试，获取调试学习信息（训练样例），调试学习信息中包括一个航测任务对象描述以及该航测任务对象描述对应的航测任务对象小波变量，每个航测任务对象小波变量具有航测对象判别观点；将调试学习信息通过第一像素单元联系特征加载到拟调试图像检测网络中的第一图像描述子提炼组件，得到针对调试学习信息的第一无人机航测图像块描述子；同时，将调试学习信息通过第二像素单元联系特征加载到拟调试图像检测网络中的第二图像描述子提炼组件，得到针对调试学习信息的第二无人机航测图像块描述子，依据第一无人机航测图像块描述子以及第二无人机航测图像块描述子，得到调试学习信息的无人机航测图像信息描述子。
进一步地，将调试学习信息的无人机航测图像信息描述子以及调试学习信息中的航测任务对象小波变量的航测对象判别观点作为拟调试图像检测网络中的完成调试的对象标签检测组件的传入信息，并通过拟调试图像检测网络中的完成调试的对象标签检测组件的对象检测标签以及调试学习信息中的航测任务对象小波变量的航测对象判别观点确定该次调试过程的网络调试代价指标，并通过网络调试代价指标优化拟调试图像检测网络中的网络参量。通过多轮循环调试，在确定拟调试图像检测网络的网络调试代价指标符合稳定性要求时，得到无人机航测图像检测网络。
一些示例性设计思路下，调试学习信息中至少包括航测任务对象描述以及航测任务对象描述对应的航测任务对象小波变量，可以通过航测任务对象描述集合以及航测任务对象小波变量池以及衍生调试学习信息来确定调试学习信息。衍生调试学习信息为可以作为调试样例的无人机航测图像信息，这些调试样例中可以包括航测任务对象描述，也可以不包括航测任务对象描述。
对于本发明实施例而言，获取预设值的无人机航测图像信息作为衍生调试学习信息，依据航测任务对象描述集合以及航测任务对象小波变量池将衍生调试学习信息分割成多个调试学习信息。
一些示例性设计思路下，航测任务对象描述集合以及航测任务对象小波变量池是通过拟注释航测图像信息确定的，拟注释航测图像信息可以为衍生调试学习信息中的一部分，也可以是其它无人机航测图像信息。
示例性的，获取拟注释航测图像信息，依据既定的各航测任务对象描述以及各航测任务对象描述对应的航测任务对象小波变量对各拟注释航测图像信息进行注释，得到各拟注释航测图像信息的知识注释集；其中，既定的各航测任务对象描述以及各航测任务对象描述对应的航测任务对象小波变量可以是从云数据库中获取的。
依据各拟注释航测图像信息的知识注释集，确定图像分析策略，并依据图像分析策略确定各拟注释航测图像信息中扩充的各航测任务对象描述以及各航测任务对象描述对应的航测任务对象小波变量，将扩充的各航测任务对象描述以及各航测任务对象描述对应的航测任务对象小波变量添加至既定的（已确定的）各航测任务对象描述以及各航测任务对象描述对应的航测任务对象小波变量中，调整航测任务对象描述集合以及航测任务对象小波变量池。
对于本发明实施例而言，是通过部分航测任务对象描述以及部分航测任务对象小波变量进行循环注释，然后调整航测任务对象描述集合中的小波变量以及航测任务对象小波变量池中的小波变量，然后依据调整后的航测任务对象描述集合中的小波变量以及航测任务对象小波变量池中的小波变量确定调试学习信息。
对于本发明实施例而言，确定图像特征提炼的策略时，要确定图像中存在的活跃的注释队列关键词，且符合设定活跃条件的活跃注释队列关键词作为图像分析策略。
针对确定图像中活跃注释队列关键词的思路，可以依据既定的各航测任务对象描述以拟注释航测图像信息及各航测任务对象描述对应的航测任务对象小波变量对各拟注释航测图像信息进行注释，得到各拟注释航测图像信息的知识注释集。依据已有航测任务对象描述以及航测任务对象小波变量对对象状态注释后的无人机航测图像信息进行再次注释。对于本发明实施例而言，依据知识注释集的结果，能够确定在知识注释集中的活跃度大于预设值的注释队列关键词，将这些注释队列关键词作为活跃注释队列关键词。
进一步地，对于本发明实施例而言，在确定了活跃注释队列关键词后，还需确定活跃注释队列关键词的可信权重是否符合活跃性条件，对于本发明实施例而言，活跃性条件可以依据不同的对象检测标准进行设置。
示例性的，对于本发明实施例而言，可以通过每次确定图像分析策略，将该次无人机航测图像信息中新提炼的航测任务对象描述以及航测任务对象小波变量添加至既定的航测任务对象描述以及航测任务对象小波变量中，并通过多次循环调整航测任务对象描述以及航测任务对象小波变量池中的各小波变量。通过调整后的航测任务对象描述以及航测任务对象小波变量池中的各小波变量，可以将可选无人机航测图像信息分割成多个调试学习信息。
在一些可独立的实施例中，在所述通过解析各航测任务对象小波变量对各无人机航测局部图像块的图像描述子决策观点的置信度评价，得到每个无人机航测局部图像块的对象检测标签，并将全部无人机航测局部图像块的对象检测标签作为所述无人机航测图像信息的对象检测标签之后，所述方法还包括：根据所述全部无人机航测局部图像块的对象检测标签，对所述无人机航测图像信息进行对象标注处理，得到无人机航测标注图像；将所述无人机航测标注图像进行存储。
本发明实施例中，通过实现无人机航测图像信息标注处理并存储，能够在后期调用无人机航测标注图像进行分析处理时快速确定图像中的多个航测任务对象，提高图像处理的效率。
在一些可独立的实施例中，在所述将所述无人机航测标注图像进行存储之后，所述方法还包括：在接收到图像分析系统针对所述无人机航测标注图像的访问请求时，对所述图像分析系统进行基于风险传导的安全性分析，得到安全性分析结果；若所述安全性分析结果表征所述图像分析系统通过安全测试，赋予所述图像分析系统针对所述无人机航测标注图像的访问权限。
在本发明实施例中，在开放无人机航测标注图像的访问权限时，能够依据风险传导思想进行安全性分析，从而保障访问权限所赋予的图像分析系统的安全性，进而确保无人机航测标注图像的访问安全性。
在一些可独立的实施例中，所述对所述图像分析系统进行基于风险传导的安全性分析，得到安全性分析结果，包括：获取所述图像分析系统对应的联合操作行为日志，所述联合操作行为日志包括所述图像分析系统的第一操作行为日志以及与所述图像分析系统通信的业务终端的第二操作行为日志，基于所述联合操作行为日志进行查询，确定与联合操作行为日志对应的第一安全性测试报告；确定所述第一安全性测试报告中与所述联合操作行为日志关联的第一安全项目测试记录；确定所述第一安全项目测试记录中的目标安全项目测试记录所在的第一目标安全性测试报告，并确定所述第一目标安全性测试报告的关联安全性测试报告；基于所述联合操作行为日志和所述目标安全项目测试记录，确定所述关联安全性测试报告中与所述联合操作行为日志关联的第二安全项目测试记录；基于所述第一安全项目测试记录和所述第二安全项目测试记录对所述联合操作行为日志进行安全性分析，得到安全性分析结果。
本发明实施例中，利用风险传导的思想获取包括所述图像分析系统的第一操作行为日志以及与所述图像分析系统通信的业务终端的第二操作行为日志的联合操作行为日志，并对联合操作行为日志进行查询分析，能够确保安全性测试报告的查准率和查全率，这样在结合所确定不同安全项目测试记录进行联合操作行为日志的安全性分析时，能够提升安全性分析结果的准确性和可靠性。
进一步地，还提供了一种可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述示例性描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。
Claims (10)
1.一种基于无人机航测的图像信息分析方法，其特征在于，应用于AI服务器，所述方法包括：
获取无人机航测图像信息，依据所述无人机航测图像信息中的航测任务对象描述，将无人机航测图像信息分割成最少一个无人机航测局部图像块，并依据所述无人机航测图像信息中的航测任务对象描述，确定每个无人机航测局部图像块中的航测任务对象描述对应的航测任务对象小波变量；
通过每个无人机航测局部图像块的第一像素单元联系特征的图像描述子提炼策略，得到第一无人机航测图像块描述子；通过每个无人机航测局部图像块的第二像素单元联系特征的图像描述子提炼策略，得到第二无人机航测图像块描述子，依据所述第一无人机航测图像块描述子以及所述第二无人机航测图像块描述子得到每个无人机航测图像信息的无人机航测图像信息描述子，所述第一像素单元联系特征与所述第二像素单元联系特征互斥；
通过解析各航测任务对象小波变量对各无人机航测局部图像块的图像描述子决策观点的置信度评价，得到每个无人机航测局部图像块的对象检测标签，并将全部无人机航测局部图像块的对象检测标签作为所述无人机航测图像信息的对象检测标签，第一图像描述子提炼组件、第二图像描述子提炼组件以及对象标签检测组件形成完成调试的无人机航测图像检测网络，所述无人机航测图像检测网络是依据调试学习信息循环调试所得的。
2.如权利要求1所述的方法，其特征在于，所述通过每个无人机航测局部图像块的第一像素单元联系特征的图像描述子提炼策略，得到第一无人机航测图像块描述子；
通过每个无人机航测局部图像块的第二像素单元联系特征的图像描述子提炼策略，得到第二无人机航测图像块描述子，之前，所述方法还包括：将所述无人机航测图像信息进行像素语义特征挖掘，得到第一像素语义特征；对所述无人机航测图像信息中的航测任务对象细节分别进行像素语义特征挖掘，得到第二像素语义特征；依据所述第一像素语义特征以及所述第二像素语义特征确定无人机航测图像信息的像素语义特征；
所述通过每个无人机航测局部图像块的第一像素单元联系特征的图像描述子提炼策略，得到第一无人机航测图像块描述子；通过每个无人机航测局部图像块的第二像素单元联系特征的图像描述子提炼策略，得到第二无人机航测图像块描述子，包括：通过所述无人机航测图像信息的各像素语义特征的第一像素单元联系特征的图像描述子提炼策略，得到第一无人机航测图像块描述子，通过所述无人机航测图像信息的各像素语义特征的第二像素单元联系特征的图像描述子提炼策略，得到第二无人机航测图像块描述子。
3.如权利要求1所述的方法，其特征在于，所述确定每个无人机航测局部图像块中的航测任务对象描述对应的航测任务对象小波变量，包括：
确定无人机航测局部图像块中与预存的航测任务对象小波变量池中的各航测任务对象小波变量配对的小波变量，并将配对的小波变量作为无人机航测局部图像块中航测任务对象描述对应的航测任务对象小波变量。
4.如权利要求1所述的方法，其特征在于，所述通过解析各航测任务对象小波变量对各无人机航测局部图像块的图像描述子决策观点的置信度评价，得到每个无人机航测局部图像块的对象检测标签之前，还包括：依据预存的航测任务对象小波变量的航测对象判别观点确定所述无人机航测局部图像块中的航测任务对象小波变量的航测对象判别观点；
所述通过解析各航测任务对象小波变量对各无人机航测局部图像块的图像描述子决策观点的置信度评价，得到每个无人机航测局部图像块的对象检测标签，包括：通过解析各航测任务对象小波变量以及所述无人机航测局部图像块中的航测任务对象小波变量的航测对象判别观点对各无人机航测局部图像块的图像描述子决策观点的置信度评价，得到每个无人机航测局部图像块的对象检测标签。
5.如权利要求1所述的方法，其特征在于，所述完成调试的无人机航测图像检测网络是依据调试学习信息循环调试所得的，包括：
针对每次调试，获取调试学习信息，所述调试学习信息中包括一个航测任务对象描述以及该航测任务对象描述对应的航测任务对象小波变量，每个航测任务对象小波变量具有航测对象判别观点；
将所述调试学习信息通过第一像素单元联系特征加载到拟调试图像检测网络中的第一图像描述子提炼组件，得到针对所述调试学习信息的第一无人机航测图像块描述子；
将所述调试学习信息通过第二像素单元联系特征加载到拟调试图像检测网络中的第二图像描述子提炼组件，得到针对所述调试学习信息的第二无人机航测图像块描述子，依据所述第一无人机航测图像块描述子以及所述第二无人机航测图像块描述子，得到所述调试学习信息的无人机航测图像信息描述子；
将所述调试学习信息的无人机航测图像信息描述子以及所述调试学习信息中的航测任务对象小波变量的航测对象判别观点作为拟调试图像检测网络中的完成调试的对象标签检测组件的传入信息，并通过所述拟调试图像检测网络中的完成调试的对象标签检测组件的对象检测标签以及所述调试学习信息中的航测任务对象小波变量的航测对象判别观点确定该次调试过程的网络调试代价指标，并通过所述网络调试代价指标优化所述拟调试图像检测网络中的网络参量；
通过多轮循环调试，在确定所述拟调试图像检测网络的网络调试代价指标符合稳定性要求时，得到无人机航测图像检测网络。
6.如权利要求5所述的方法，其特征在于，所述获取调试学习信息之前，所述方法还包括：
获取衍生调试学习信息，依据获取的航测任务对象描述集合以及航测任务对象小波变量池确定所述衍生调试学习信息中的各航测任务对象描述以及各航测任务对象描述对应的航测任务对象小波变量；
依据所述衍生调试学习信息中的各航测任务对象描述以及各航测任务对象描述对应的航测任务对象小波变量将所述衍生调试学习信息分割成多个调试学习信息。
7.如权利要求6所述的方法，其特征在于，所述获取衍生调试学习信息前，还包括：
获取拟注释航测图像信息，依据既定的各航测任务对象描述以及各航测任务对象描述对应的航测任务对象小波变量对各拟注释航测图像信息进行注释，得到各拟注释航测图像信息的知识注释集；
依据各拟注释航测图像信息的知识注释集，确定图像分析策略，并依据图像分析策略确定各拟注释航测图像信息中扩充的各航测任务对象描述以及各航测任务对象描述对应的航测任务对象小波变量，将扩充的各航测任务对象描述以及各航测任务对象描述对应的航测任务对象小波变量添加至既定的各航测任务对象描述以及各航测任务对象描述对应的航测任务对象小波变量中，调整所述航测任务对象描述集合以及航测任务对象小波变量池；
其中，所述依据各拟注释航测图像信息的知识注释集，确定图像分析策略，包括：
依据各知识注释集，确定各知识注释集中的注释队列关键词；
将各知识注释集中活跃度大于预设值的注释队列关键词作为活跃注释队列关键词；
将活跃注释队列关键词的可信权重符合目标可信权重阈值的活跃注释队列关键词作为所述图像分析策略，所述活跃注释队列关键词的可信权重是依据所述活跃注释队列关键词的活跃度以及所述活跃注释队列关键词中的航测任务对象描述以及航测任务对象小波变量的分类观点的个数确定的。
8.如权利要求1～7任一所述的方法，其特征在于，所述航测任务对象小波变量至少包括地形航测任务对象小波变量、环境航测任务对象小波变量以及活体航测任务对象小波变量中的至少一种。
9.一种AI服务器，其特征在于，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序在运行时实现上述权利要求1-8任一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310906629.1A CN116895026A (zh) | 2023-06-14 | 2023-06-14 | 基于无人机航测的安全性分析方法及ai服务器 |
| CN202310705414.3A CN116434092B (zh) | 2023-06-14 | 2023-06-14 | 基于无人机航测的图像信息分析方法及ai服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310705414.3A CN116434092B (zh) | 2023-06-14 | 2023-06-14 | 基于无人机航测的图像信息分析方法及ai服务器 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310906629.1A Division CN116895026A (zh) | 2023-06-14 | 2023-06-14 | 基于无人机航测的安全性分析方法及ai服务器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116434092A CN116434092A (zh) | 2023-07-14 |
| CN116434092B true CN116434092B (zh) | 2023-09-26 |
Family
ID=87092965
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310906629.1A Withdrawn CN116895026A (zh) | 2023-06-14 | 2023-06-14 | 基于无人机航测的安全性分析方法及ai服务器 |
| CN202310705414.3A Active CN116434092B (zh) | 2023-06-14 | 2023-06-14 | 基于无人机航测的图像信息分析方法及ai服务器 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310906629.1A Withdrawn CN116895026A (zh) | 2023-06-14 | 2023-06-14 | 基于无人机航测的安全性分析方法及ai服务器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN116895026A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102426019A (zh) * | 2011-08-25 | 2012-04-25 | 航天恒星科技有限公司 | 一种无人机景象匹配辅助导航方法及系统 |
| CN102865859A (zh) * | 2012-09-21 | 2013-01-09 | 西北工业大学 | 一种基于surf特征的航空序列图像位置估计方法 |
| CN110986884A (zh) * | 2019-11-21 | 2020-04-10 | 吉林省水利水电勘测设计研究院 | 一种基于无人机航测数据预处理及植被快速识别方法 |
| CN114240868A (zh) * | 2021-12-09 | 2022-03-25 | 陕西省地方电力(集团)有限公司渭南供电分公司 | 一种基于无人机的巡检分析系统及方法 |
| CN114842365A (zh) * | 2022-07-04 | 2022-08-02 | 中国科学院地理科学与资源研究所 | 一种无人机航拍目标检测识别方法和系统 |
-
2023
- 2023-06-14 CN CN202310906629.1A patent/CN116895026A/zh not_active Withdrawn
- 2023-06-14 CN CN202310705414.3A patent/CN116434092B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102426019A (zh) * | 2011-08-25 | 2012-04-25 | 航天恒星科技有限公司 | 一种无人机景象匹配辅助导航方法及系统 |
| CN102865859A (zh) * | 2012-09-21 | 2013-01-09 | 西北工业大学 | 一种基于surf特征的航空序列图像位置估计方法 |
| CN110986884A (zh) * | 2019-11-21 | 2020-04-10 | 吉林省水利水电勘测设计研究院 | 一种基于无人机航测数据预处理及植被快速识别方法 |
| CN114240868A (zh) * | 2021-12-09 | 2022-03-25 | 陕西省地方电力(集团)有限公司渭南供电分公司 | 一种基于无人机的巡检分析系统及方法 |
| CN114842365A (zh) * | 2022-07-04 | 2022-08-02 | 中国科学院地理科学与资源研究所 | 一种无人机航拍目标检测识别方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116895026A (zh) | 2023-10-17 |
| CN116434092A (zh) | 2023-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109753928B (zh) | 违章建筑物识别方法和装置 | |
| CN109558823B (zh) | 一种以图搜图的车辆识别方法及系统 | |
| CN108920580A (zh) | 图像匹配方法、装置、存储介质及终端 | |
| CN109118504B (zh) | 一种基于神经网络的图像边缘检测方法、装置及其设备 | |
| US20170061252A1 (en) | Method and device for classifying an object of an image and corresponding computer program product and computer-readable medium | |
| CN104301630B (zh) | 一种视频图像拼接方法及装置 | |
| CN110162462A (zh) | 基于场景的人脸识别系统的测试方法、系统和计算机设备 | |
| KR102349854B1 (ko) | 표적 추적 시스템 및 방법 | |
| Sahay et al. | Leaf analysis for plant recognition | |
| KR20200092842A (ko) | 멀티 카메라 시스템 내의 더블 임베딩 구성을 이용하여 도로 이용자 이벤트를 검출하기 위해 이용될 세그먼테이션 성능 향상을 위한 학습 방법 및 학습 장치 그리고 이를 이용한 테스팅 방법 및 테스팅 장치 | |
| Sumbul et al. | Informative and representative triplet selection for multilabel remote sensing image retrieval | |
| CN111768498A (zh) | 基于稠密语义三维地图与混合特征的视觉定位方法、系统 | |
| CN113704522A (zh) | 基于人工智能的目标图像快速检索方法及系统 | |
| CN110738100A (zh) | 一种基于深度学习的伪装军事目标识别方法及系统 | |
| CN107578003B (zh) | 一种基于地理标记图像的遥感图像迁移学习方法 | |
| CN113343247A (zh) | 生物特征识别对抗样本攻击安全测评方法、系统、装置、处理器及其计算机可读存储介质 | |
| KR102225613B1 (ko) | 사람 재식별 장치 및 방법 | |
| CN110135428B (zh) | 图像分割处理方法和装置 | |
| CN114708518A (zh) | 基于半监督学习与先验知识嵌入策略的螺栓缺陷检测方法 | |
| WO2022134104A1 (en) | Systems and methods for image-to-video re-identification | |
| CN116434092B (zh) | 基于无人机航测的图像信息分析方法及ai服务器 | |
| CN112905832B (zh) | 复杂背景细粒度图像检索系统及方法 | |
| CN115797291A (zh) | 回路端子的识别方法、装置、计算机设备和存储介质 | |
| CN114120287A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
| CN116052220B (zh) | 行人重识别方法、装置、设备及介质 |
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 |