CN116664989B - 基于环境要素智能识别监测系统的数据分析方法及系统 - Google Patents
基于环境要素智能识别监测系统的数据分析方法及系统 Download PDFInfo
- Publication number
- CN116664989B CN116664989B CN202310934443.7A CN202310934443A CN116664989B CN 116664989 B CN116664989 B CN 116664989B CN 202310934443 A CN202310934443 A CN 202310934443A CN 116664989 B CN116664989 B CN 116664989B
- Authority
- CN
- China
- Prior art keywords
- abnormal element
- abnormal
- image
- environment
- remote sensing
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 200
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000007405 data analysis Methods 0.000 title claims abstract description 34
- 230000007613 environmental effect Effects 0.000 title claims description 201
- 230000002159 abnormal effect Effects 0.000 claims abstract description 720
- 238000012549 training Methods 0.000 claims abstract description 58
- 239000013598 vector Substances 0.000 claims description 358
- 238000000926 separation method Methods 0.000 claims description 290
- 238000013528 artificial neural network Methods 0.000 claims description 53
- 230000000306 recurrent effect Effects 0.000 claims description 52
- 238000012706 support-vector machine Methods 0.000 claims description 46
- 230000004931 aggregating effect Effects 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 8
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Classifications
-
- 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
- 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
-
- 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
- G06V10/82—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
-
- 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
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供一种基于环境要素智能识别监测系统的数据分析方法及系统,依据模板环境遥感图像的环境监测区域集合以及模板环境遥感图像携带的异常要素簇对应的异常要素集合来对环境异常要素识别网络进行训练,由此,在对环境异常要素识别网络进行训练流程中,结合了模板环境遥感图像中各个环境监测区域间的特征关系,还结合了环境监测区域与异常要素以及异常要素与异常要素间的特征关系,由此可提高环境异常要素识别网络的识别准确性,使得依据该环境异常要素识别网络精确识别出与环境遥感图像具有图像语义特征联系的多个异常要素,提高异常要素智能识别监测的准确性。
Description
技术领域
本申请实施例涉及环境监测技术领域,具体而言,涉及一种基于环境要素智能识别监测系统的数据分析方法及系统。
背景技术
环境要素又称环境基质,是指构成生物环境整体的各个独立的、性质不同的而又服从整体演化规律的基本物质组分,环境要素的异常改变可能会导致生物生态系统产生不可逆转的变化。基于此,需要对自然环境中的环境要素进行智能识别与监测,从而及时统计出存在异常的环境要素的分布,以便于为后续环境治理措施提供数据支持。在相关技术中,遥感监测是利用遥感技术进行监测的技术方法,主要有地面覆盖、大气、海洋和近地表状况等,因此可以通过遥感监测到的环境图像进行大范围的环境要素智能识别监测,如何提高异常要素智能识别监测的准确性,是当前亟待研究的技术方向。
发明内容
为了至少克服现有技术中的上述不足,本申请实施例的目的在于提供一种基于环境要素智能识别监测系统的数据分析方法及系统。
依据本申请实施例的一个方面,提供了一种基于环境要素智能识别监测系统的数据分析方法,包括:
获得多个模板环境遥感图像以及所述模板环境遥感图像携带的异常要素簇,所述模板环境遥感图像的异常要素簇包括:携带与所述模板环境遥感图像的图像语义特征联系的多个异常要素,所述模板环境遥感图像包括由一个或多个环境监测区域构成的环境监测区域集合;
对于各所述模板环境遥感图像,依据所述模板环境遥感图像的环境监测区域集合和所述模板环境遥感图像的异常要素簇中各异常要素构成的异常要素集合,并依据初始化的递归神经网络,确定所述模板环境遥感图像的图像语义特征联系观测矢量和所述异常要素集合中各异常要素的异常要素观测矢量,所述模板环境遥感图像的图像语义特征联系观测矢量表示观测获得的所述模板环境遥感图像的异常要素集合中各异常要素与所述模板环境遥感图像的图像语义特征联系;
对于各所述模板环境遥感图像,从所述模板环境遥感图像的异常要素簇中确定一个或多个候选异常要素清单,依据所述候选异常要素清单中各异常要素的所述异常要素观测矢量,并依据初始化的支持向量机模型,确定所述候选异常要素清单的观测关联属性,所述候选异常要素清单包括多个异常要素,所述观测关联属性表示所述候选异常要素清单中各异常要素的图像语义特征联系是否一致;
依据各模板环境遥感图像的图像语义特征联系观测矢量以及各模板环境遥感图像的异常要素集合中各异常要素先验携带的图像语义特征联系,确定所述递归神经网络的第一模型训练误差值;
依据各模板环境遥感图像的所述候选异常要素清单的模板关联属性以及观测关联属性,确定所述支持向量机模型的第二模型训练误差值,所述模板环境遥感图像的候选异常要素清单的模板关联属性表征所述模板环境遥感图像的候选异常要素清单中各异常要素先验携带的图像语义特征联系是否一致;
若依据所述第一模型训练误差值和第二模型训练误差值确定出未满足网络收敛要求,则更新所述递归神经网络和支持向量机模型的权重信息,直到满足所述网络收敛要求,将更新后的递归神经网络输出为环境异常要素识别网络。
一种可替代的实施例中,所述依据各模板环境遥感图像的图像语义特征联系观测矢量以及各模板环境遥感图像的异常要素集合中各异常要素先验携带的图像语义特征联系,确定所述递归神经网络的第一模型训练误差值,包括:
对于各模板环境遥感图像,将所述模板环境遥感图像的图像语义特征联系观测矢量加载至初始化的多层感知器,生成所述多层感知器观测获得的所述模板环境遥感图像的异常要素集合中各异常要素与所述模板环境遥感图像之间的观测图像语义特征联系;
依据各模板环境遥感图像的异常要素集合中各异常要素的观测图像语义特征联系和先验携带的图像语义特征联系,确定所述递归神经网络的第一模型训练误差值。
一种可替代的实施例中,所述依据所述模板环境遥感图像的环境监测区域集合和所述模板环境遥感图像的异常要素簇中各异常要素构成的异常要素集合,并依据初始化的递归神经网络,确定所述模板环境遥感图像的图像语义特征联系观测矢量和所述异常要素集合中各异常要素的异常要素观测矢量,包括:
依据所述模板环境遥感图像的环境监测区域集合以及模板环境遥感图像的异常要素簇中各异常要素构成的异常要素集合,生成网络加载矢量集合,所述网络加载矢量集合中包括环境监测区域矢量集合,异常要素矢量集合,以及配置在所述环境监测区域矢量集合之前的区域分隔边界,所述环境监测区域矢量集合为由所述环境监测区域集合中各个环境监测区域的环境监测区域矢量组成,所述异常要素矢量集合为由所述异常要素集合中各个异常要素的异常要素矢量组成;
将所述网络加载矢量集合加载至初始化的递归神经网络,生成所述递归神经网络生成的观测矢量集合,所述观测矢量集合包括所述区域分隔边界的观测矢量以及所述异常要素集合中各异常要素的异常要素观测矢量,所述区域分隔边界的观测矢量表征所述模板环境遥感图像的图像语义特征联系观测矢量。
一种可替代的实施例中,所述模板环境遥感图像的环境监测区域集合中各个环境监测区域的环境监测区域矢量的提取步骤,包括:
基于预设数量个图像窗口分别对模板环境遥感图像进行滑窗区域输出,生成所述预设数量个图像窗口对应的环境监测区域集合,任意一个图像滑动窗口对应的环境监测区域集合包括属于所述任意一个图像滑动窗口的多个成员环境监测区域;
分别对各图像滑动窗口对应的环境监测区域集合中的多个成员环境监测区域进行图像语义描述提取,生成所述各图像滑动窗口对应的第一图像语义描述集合,任意一个图像滑动窗口对应的第一图像语义描述集合包括属于所述任意一个图像滑动窗口的多个成员环境监测区域进行图像语义描述提取获得的环境特征矢量;
对于任意一个图像滑动窗口,对所述图像滑动窗口对应的第一图像语义描述集合进行分离,生成各语义描述分离集合H1,各语义描述分离集合H1包括一个或各环境特征矢量F1,各环境特征矢量F1与一个成员环境监测区域对应;
对所述各语义描述分离集合H1中的环境特征矢量F1进行频率域和空间域特征处理,生成所述各语义描述分离集合H1对应的语义描述分离集合H2,所述语义描述分离集合H2包括一个或多个环境特征矢量F2,且每个环境特征矢量F2与所述语义描述分离集合H2对应的语义描述分离集合H1中的一个环境特征矢量F1对应;
基于所述各语义描述分离集合H1的图像节点序列,将生成的多个语义描述分离集合H2进行聚合,生成所述图像滑动窗口对应的第二图像语义描述集合;
将所述预设数量个图像窗口对应的第二图像语义描述集合进行汇聚,生成所述模板环境遥感图像对应的环境特征矢量数据,所述模板环境遥感图像对应的环境特征矢量数据包括模板环境遥感图像的环境监测区域集合中各个环境监测区域的环境监测区域矢量。
一种可替代的实施例中,所述对所述各语义描述分离集合H1中的环境特征矢量F1进行频率域和空间域特征处理,生成所述各语义描述分离集合H1对应的语义描述分离集合H2,包括:
对于任意一个语义描述分离集合H1,基于所述语义描述分离集合H1中的各环境特征矢量F1,分别对各环境特征矢量F1进行频率域和空间域特征处理,生成所述各环境特征矢量F1对应的环境特征矢量F3,将生成的多个环境特征矢量F3构成语义描述分离集合H3;
将所述图像滑动窗口对应的第一注意力指标与所述语义描述分离集合H3进行聚合,生成所述语义描述分离集合H1对应的语义描述分离集合H2。
一种可替代的实施例中,所述对所述各语义描述分离集合H1中的环境特征矢量F1进行频率域和空间域特征处理,生成所述各语义描述分离集合H1对应的语义描述分离集合H2,包括:
将所述各语义描述分离集合H1与对应的节点信息进行聚合,生成所述各语义描述分离集合H1对应的语义描述分离集合H2,所述节点信息表征对应的语义描述分离集合H1在所述各语义描述分离集合H1中的节点;
所述将所述各语义描述分离集合H1与对应的节点信息进行聚合,生成所述各语义描述分离集合H1对应的语义描述分离集合H2,包括:
对于任意一个语义描述分离集合H1,对所述语义描述分离集合H1中的各环境特征矢量F1进行非线性映射,生成所述各环境特征矢量F1对应的环境特征矢量F4;
将生成的环境特征矢量F4构成的语义描述分离集合H4,与所述语义描述分离集合H1对应的节点信息进行聚合,生成所述语义描述分离集合H1对应的语义描述分离集合H2。
譬如,一种可替代的实施例中,所述各语义描述分离集合H1包括各环境特征矢量F1,所述对所述各语义描述分离集合H1中的环境特征矢量F1进行频率域和空间域特征处理,生成所述各语义描述分离集合H1对应的语义描述分离集合H2,包括:
将所述各语义描述分离集合H1与对应的节点信息进行聚合,生成所述各语义描述分离集合H1对应的语义描述分离集合H5,每个语义描述分离集合H5包括多个环境特征矢量F5,且每个环境特征矢量F5与对应的语义描述分离集合H1中的一个环境特征矢量F1对应;
将生成的多个语义描述分离集合H5中每个相同节点上的多个环境特征矢量F5,构成一个语义描述分离集合H6,生成多个语义描述分离集合H6;
将每个语义描述分离集合H6与对应的第二注意力指标进行聚合,生成所述每个语义描述分离集合H6对应的语义描述分离集合H7,所述语义描述分离集合H7包括多个环境特征矢量F6,且每个环境特征矢量F6与对应的语义描述分离集合H6中的一个环境特征矢量F5对应;
将生成的多个语义描述分离集合H7中每个相同节点上的环境特征矢量F6,构成一个语义描述分离集合H2,生成所述多个语义描述分离集合H2。
譬如,一种可替代的实施例中,所述将生成的多个语义描述分离集合H5中每个相同节点上的多个环境特征矢量F5,构成一个语义描述分离集合H6,生成多个语义描述分离集合H6之后,所述方法还包括:
基于每个语义描述分离集合H6中的多个环境特征矢量F5之间的特征匹配度,分别获取所述每个语义描述分离集合H6对应的第二注意力指标。
譬如,一种可替代的实施例中,所述各语义描述分离集合H1包括各环境特征矢量F1,所述各语义描述分离集合H1中相关联的任两个语义描述分离集合H1中包括一个或多个相同的环境特征矢量F1;
所述基于所述各语义描述分离集合H1的图像节点序列,将生成的多个语义描述分离集合H2进行聚合,生成所述图像滑动窗口对应的第二图像语义描述集合,包括:
基于所述各语义描述分离集合H1的图像节点序列,将相关联的每两个语义描述分离集合H2中对应于一致的环境特征矢量F1的环境特征矢量F2进行聚合;
将所述多个语义描述分离集合H2中聚合后的环境特征矢量,以及余下的环境特征矢量构成所述图像滑动窗口对应的第二图像语义描述集合;
所述基于所述各语义描述分离集合H1的图像节点序列,将相关联的每两个语义描述分离集合H2中对应于一致的环境特征矢量F1的环境特征矢量F2进行聚合,包括:
将每个语义描述分离集合H2中的环境特征矢量F2与对应的聚合,生成聚合环境特征矢量;
基于所述各语义描述分离集合H1的图像节点序列,将相关联的每两个语义描述分离集合H2中对应于一致的环境特征矢量F1的聚合环境特征矢量进行聚合。
譬如,一种可替代的实施例中,所述第二图像语义描述集合和所述环境特征矢量信息均为二维特征矩阵;
所述将所述预设数量个图像窗口对应的第二图像语义描述集合进行汇聚,生成所述模板环境遥感图像对应的环境特征矢量信息,包括:
将所述预设数量个图像窗口中目标图像滑动窗口对应的第二图像语义描述集合,输出为目标图像语义描述集合;
对所述预设数量个图像窗口中余下的图像滑动窗口对应的第二图像语义描述集合进行图像窗口转换,生成与所述目标图像语义描述集合的窗口相同的第三图像语义描述集合;
将所述目标图像语义描述集合及所述第三图像语义描述集合进行汇聚,生成所述环境特征矢量信息;
所述将所述目标图像语义描述集合及所述第三图像语义描述集合进行汇聚,生成所述环境特征矢量信息,包括:
将所述目标图像语义描述集合及所述第三图像语义描述集合中,相同节点上的矩阵列矢量进行汇聚,生成多个汇聚矢量,将所述多个汇聚矢量构成所述环境特征矢量信息。
依据本申请实施例的一个方面,提供了一种基于环境要素智能识别监测系统的数据分析系统,所述基于环境要素智能识别监测系统的数据分析系统包括处理器和机器可读存储介质,所述机器可读存储介质中存储有机器可执行指令,所述机器可执行指令由所述处理器加载并执行以实现前述任意一种可能的实施方式中的基于环境要素智能识别监测系统的数据分析方法。
依据本申请实施例的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述方面的各种可选实现方式中提供的方法。
基于以上方面,本申请实施例的有效效果为:
依据模板环境遥感图像的环境监测区域集合以及模板环境遥感图像携带的异常要素簇对应的异常要素集合来对环境异常要素识别网络进行训练,由此,在对环境异常要素识别网络进行训练流程中,结合了模板环境遥感图像中各个环境监测区域间的特征关系,还结合了环境监测区域与异常要素以及异常要素与异常要素间的特征关系,由此可提高环境异常要素识别网络的识别准确性,使得依据该环境异常要素识别网络精确识别出与环境遥感图像具有图像语义特征联系的多个异常要素,提高异常要素智能识别监测的准确性。
此外,在对环境异常要素识别网络进行训练的过程中,会依据该环境异常要素识别网络生成的各异常要素的异常要素观测矢量,由此训练可以观测异常要素间图像语义特征联系的支持向量机模型,通过协同更新该支持向量机模型和该环境异常要素识别网络,使得更新后的环境异常要素识别网络可以准确观测到异常要素间的图像语义特征联系,而异常要素的图像语义特征联系为确定环境遥感图像存在图像语义特征联系的异常要素提供更丰富的特征矢量,由此提高异常要素智能识别监测的准确性。
附图说明
图1为本申请实施例提供的基于环境要素智能识别监测系统的数据分析方法的流程示意图;
图2为本申请实施例提供的用于实现上述的基于环境要素智能识别监测系统的数据分析方法的基于环境要素智能识别监测系统的数据分析系统的结构示意框图。
具体实施方式
图1是本申请一种实施例提供的基于环境要素智能识别监测系统的数据分析方法的流程示意图,下面对该基于环境要素智能识别监测系统的数据分析方法进行详细介绍。
步骤S101,获得多个模板环境遥感图像以及每个模板环境遥感图像携带的异常要素簇。
其中,模板环境遥感图像为用于训练能够实现多异常要素智能识别监测的环境异常要素识别网络的环境遥感图像。模板环境遥感图像包括由一个或多个环境监测区域构成的环境监测区域集合。
其中,模板环境遥感图像的异常要素簇包括:携带与该模板环境遥感图像的图像语义特征联系的多个异常要素。
异常要素与模板环境遥感图像的图像语义特征联系可以反映出异常要素与环境遥感图像的匹配度。
一些可替代的实施方式中,在网络学习阶段,环境遥感图像携带的异常要素簇中各异常要素的图像语义特征联系可以分为两种:存在特征联系和不存在特征联系。示例性的,模板环境遥感图像携带的异常要素簇中包括:与模板环境遥感图像存在图像语义特征联系的第一异常要素簇,以及,与模板环境遥感图像不存在图像语义特征联系的第二异常要素簇。其中,第一异常要素簇中包括标定为与该模板环境遥感图像存在图像语义特征联系的多个第一异常要素,而第二异常要素簇中包括标定为与该环境遥感图像不存在图像语义特征联系的多个第二异常要素。
一些可替代的实施方式中,为了与后续多异常要素智能识别监测中的异常要素簇区分,模板环境遥感图像的异常要素簇也被称为样本异常要素簇。
步骤S102,对于各模板环境遥感图像,依据模板环境遥感图像的环境监测区域集合和模板环境遥感图像的异常要素簇中各异常要素构成的异常要素集合,并依据初始化的递归神经网络,确定模板环境遥感图像的图像语义特征联系观测矢量和异常要素集合中各异常要素的异常要素观测矢量。
其中,模板环境遥感图像的图像语义特征联系观测矢量为递归神经网络观测获得的,能够表征模板环境遥感图像的异常要素集合中各异常要素与该模板环境遥感图像图像语义特征联系的特征,因此,该图像语义特征联系观测矢量可以表示观测获得的模板环境遥感图像的异常要素集合中各异常要素与模板环境遥感图像的图像语义特征联系。
异常要素的异常要素观测矢量为依据该递归神经网络生成的该异常要素的特征表示。
对于各模板环境遥感图像,依据其环境监测区域集合和异常要素集合,并依据初始化的递归神经网络,可以获得模板环境遥感图像的图像语义特征联系观测矢量和异常要素集合中各个异常要素的异常要素观测矢量。
其中,将环境监测区域集合和异常要素集合作为递归神经网络的输入环境遥感图像,由于递归神经网络采用了多层感知器对输入环境遥感图像进行特征学习,可以充分学习环境监测区域集合和异常要素集合中环境监测区域与环境监测区域之间、环境监测区域与异常要素之间,以及异常要素与异常要素之间的图像语义特征联系,由此精准提取到各个环境监测区域以及异常要素的特征矢量。
步骤S103,对于各模板环境遥感图像,从模板环境遥感图像的异常要素簇中确定一个或多个候选异常要素清单,依据候选异常要素清单中各异常要素的异常要素观测矢量,并依据初始化的支持向量机模型,确定候选异常要素清单的观测关联属性。
其中,每个候选异常要素清单包括多个异常要素。
其中,候选异常要素清单中多个异常要素可以均为与模板环境遥感图像的图像语义特征联系一致的异常要素,或者与环境遥感图像异常要素的图像语义特征联系不同的异常要素。在从基础上,可以选取出多个候选异常要素清单,且该多个候选异常要素清单中包括:各异常要素与模板环境遥感图像的图像语义特征联系均一致的候选异常要素清单,以及,各异常要素与模板环境遥感图像的图像语义特征联系不一致的候选异常要素清单。
其中,以模板环境遥感图像的异常要素簇包括:与模板环境遥感图像存在图像语义特征联系的第一异常要素簇以及与模板环境遥感图像不存在图像语义特征联系的第二异常要素簇为例说明。
一些可替代的实施方式中,选取候选异常要素清单可以为:从模板环境遥感图像的异常要素簇中确定一个或多个第一候选异常要素清单和一个或多个第二候选异常要素清单,该第一候选异常要素清单包括:源于第一异常要素簇的两个第一异常要素,第二候选异常要素清单包括:第一异常要素簇中的一个第一异常要素以及第二异常要素簇中的一个第二异常要素。
其中,由于模板环境遥感图像的第一异常要素簇中是与该模板环境遥感图像存在图像语义特征联系的异常要素,因此,从该第一异常要素簇中确定的两个第一异常要素都是与该模板环境遥感图像存在图像语义特征联系的异常要素。该第一候选异常要素清单中两个异常要素为与模板环境遥感图像图像语义特征联系一致的异常要素,这两个异常要素属于存在特征联系异常要素的组合,也是共同出现于第一异常要素簇的共享异常要素。
其中,由于第二候选异常要素清单中两个异常要素分别源于第一异常要素簇和第二异常要素簇,因此,该第二候选异常要素清单中一个异常要素与模板环境遥感图像具有图像语义特征联系,而另一异常要素与该模板环境遥感图像不具有图像语义特征联系,因此,该第二候选异常要素中两个异常要素与模板环境遥感图像的图像语义特征联系不同,即这两个异常要素属于不存在特征联系异常要素的组合,也即也不属于共享异常要素。
在上述确定候选异常要素清单的过程中,可以针对模板环境遥感图像的每个候选异常要素清单,可以获得步骤S102中确定出的该候选异常要素清单中各异常要素的异常要素观测矢量,并依据模板环境遥感图像的各个候选异常要素清单中各个异常要素的异常要素观测矢量训练一支持向量机模型。
一些可替代的实施方式中,对于各模板环境遥感图像,可以从模板环境遥感图像的第一异常要素簇中确定一异常要素单元簇,该异常要素单元簇包括第一异常要素簇中多个第一异常要素。由此,从该异常要素簇中该异常要素单元簇之外的异常要素中确定一个或多个异常要素,并将确定的每个异常要素分别与异常要素单元簇组成一个候选异常要素清单,生成一个或多个候选异常要素清单。
如,对于各模板环境遥感图像,在从第一异常要素簇选取出异常要素单元簇之后,可以将第一异常要素簇和第二异常要素簇中不属于异常要素单元簇的各异常要素分别与该异常要素单元簇组成一个候选异常要素清单,由此生成多个候选异常要素清单。例如,若模板环境遥感图像的第一异常要素簇包括异常要素1、异常要素2和异常要素3,而其第二异常要素簇包括异常要素4和异常要素5,如果异常要素1和异常要素2被选为异常要素单元簇,则该异常要素单元簇可以与异常要素3组成一个候选异常要素清单,且该异常要素单元簇还可以与异常要素4组成一个候选异常要素清单,同时,该异常要素单元簇还可以与异常要素5组成一个异常要素单元簇。
在以上实施例中,由于异常要素单元簇包括多个异常要素,因此,可以将异常要素单元簇中各第一异常要素的异常要素观测矢量的均值观测矢量输出为该异常要素单元簇的异常要素观测矢量。由此,可以依据候选异常要素清单中异常要素单元簇的异常要素观测矢量以及候选异常要素清单中该异常要素单元簇之外的异常要素的异常要素观测矢量,并依据待观测的支持向量机模型,确定该候选异常要素清单的观测关联属性。
候选异常要素清单的关联属性表示该候选异常要素清单中各异常要素的图像语义特征联系是否一致。其中,一个候选异常要素清单中各个异常要素与环境遥感图像存在特征联系是否一致可以包括两种情况,一种为图像语义特征联系一致,另一种为图像语义特征联系不一致。示例性的,观测关联属性为由该支持向量机模型观测获得的,表示该候选异常要素中各个异常要素的图像语义特征联系是否一致的关联属性。
步骤S104,依据各模板环境遥感图像的图像语义特征联系观测矢量以及各模板环境遥感图像的异常要素集合中各异常要素先验携带的图像语义特征联系,确定递归神经网络的第一模型训练误差值。
其中,模板环境遥感图像的图像语义特征联系观测矢量可以为表征观测获得的该模板环境遥感图像的异常要素集合中各个异常要素与该模板环境遥感图像的图像语义特征联系,由此,在模板环境遥感图像的异常要素集合中各个异常要素先验携带的与该模板环境遥感图像的图像语义特征联系已知的条件下,可以依据预设Loss函数,确定递归神经网络的训练误差值。
递归神经网络的模型训练误差值表征递归神经网络观测图像语义特征联系观测矢量的精度,也是表征递归神经网络是否达到网络收敛条件的依据。其中,本实施例可以将递归神经网络的模型训练误差值称为第一模型训练误差值。
一些可替代的实施方式中,为了准确表达出递归神经网络观测获得的异常要素集合中各异常要素与模板环境遥感图像的图像语义特征联系,对于各模板环境遥感图像,还可以将该模板环境遥感图像的图像语义特征联系观测矢量加载至初始化的多层感知器,生成该多层感知器观测获得的模板环境遥感图像的异常要素集合中各异常要素与所述模板环境遥感图像之间的观测图像语义特征联系。由此,可以依据各模板环境遥感图像的异常要素集合中各异常要素的观测图像语义特征联系和先验携带的图像语义特征联系,确定递归神经网络的第一模型训练误差值。
步骤S105,依据各模板环境遥感图像的候选异常要素清单的模板关联属性以及观测关联属性,确定支持向量机模型的第二模型训练误差值。
其中,该模板环境遥感图像的候选异常要素清单的模板关联属性表征模板环境遥感图像的候选异常要素清单中各异常要素先验携带的图像语义特征联系是否一致。
如,对于各模板环境遥感图像,在异常要素簇包括前面提到的第一异常要素簇和第二异常要素的情况中,如果候选异常要素清单中各个异常要素都源于该模板环境遥感图像的第一异常要素簇,则由于第一异常要素簇中各个异常要素都与模板环境遥感图像具有图像语义特征联系,因此,该候选异常要素清单的模板关联属性为图像语义特征联系一致,即候选异常要素清单中各个异常要素先验携带的图像语义特征联系一致。
依据支持向量机模型观测获得的模板环境遥感图像的候选异常要素清单的观测关联属性与该候选异常要素清单的模板关联属性,可以确定出用于反映该支持向量机模型观测的准确性的模型训练误差值。其中,将该支持向量机模型的模型训练误差值称为第二模型训练误差值。
步骤S106,若依据所述第一模型训练误差值和第二模型训练误差值确定出未满足网络收敛要求,则更新所述递归神经网络和支持向量机模型的权重信息,直到满足所述网络收敛要求,将更新后的递归神经网络输出为环境异常要素识别网络。
其中,如果第一模型训练误差值和第二模型训练误差值不再继续下降,则确定满足网络收敛要求。
本申请依据模板环境遥感图像的环境监测区域集合以及模板环境遥感图像携带的异常要素簇对应的异常要素集合来对环境异常要素识别网络进行训练,由此对环境异常要素识别网络进行训练流程中,结合了模板环境遥感图像中各个环境监测区域间的特征关系,还结合了环境监测区域与异常要素以及异常要素与异常要素间的特征关系,由此可提高环境异常要素识别网络的识别准确性,使得依据该环境异常要素识别网络精确识别出与环境遥感图像具有图像语义特征联系的多个异常要素,提高异常要素智能识别监测的准确性。
此外,在对环境异常要素识别网络进行训练的过程中,会依据该环境异常要素识别网络生成的各异常要素的异常要素观测矢量,由此训练可以观测异常要素间图像语义特征联系的支持向量机模型,通过协同更新该支持向量机模型和该环境异常要素识别网络,使得更新后的环境异常要素识别网络可以准确观测到异常要素间的图像语义特征联系,而异常要素的图像语义特征联系为确定环境遥感图像存在图像语义特征联系的异常要素提供更丰富的特征矢量,由此提高异常要素智能识别监测的准确性。
本实施例中,递归神经网络的输入环境遥感图像由环境监测区域集合和异常要素集合构成。
由于递归神经网络的网络输入为特征矢量,由此可以先将环境监测区域集合中各个环境监测区域转换为环境监测区域矢量,生成环境监测区域矢量集合,并将模板环境遥感图像对应的异常要素集合中各个异常要素转换为异常要素矢量,生成异常要素矢量集合。
对于递归神经网络生成的各个异常要素的异常要素观测矢量,可以组成异常要素对,依据异常要素对的异常要素观测矢量进行异常要素对共享观测,以判断两个异常要素构成的异常要素对是否与模板环境遥感图像的图像语义特征联系一致。
同时,对于递归神经网络生成的各个异常要素的异常要素观测矢量,还可以先从多个异常要素中确定一个异常要素单元簇,然后将异常要素单元簇与余下各个异常要素分别构成一个候选异常要素清单,并依据异常要素单元簇中各异常要素以及与异常要素单元簇进行组合的异常要素的异常要素观测矢量,观测异常要素单元簇与该异常要素单元簇组合的异常要素是否属于均属于第一异常要素簇或者第二异常要素簇。
下面进一步介绍环境异常要素识别网络的另一种训练方法流程,可以包括:
步骤S201,获得多个模板环境遥感图像以及该模板环境遥感图像携带的异常要素簇。
模板环境遥感图像的异常要素簇包括:第一异常要素簇和第二异常要素簇,第一异常要素簇包括:标定为与该模板环境遥感图像存在图像语义特征联系的多个第一异常要素,第二异常要素簇包括:标定为与该模板环境遥感图像不存在图像语义特征联系的多个第二异常要素。
步骤S202,对于各模板环境遥感图像,依据该模板环境遥感图像的环境监测区域集合和模板环境遥感图像的异常要素簇中各异常要素构成的异常要素集合,生成网络加载矢量集合。
其中,该网络加载矢量集合包括环境监测区域集合对应的环境监测区域矢量集合以及异常要素集合对应的异常要素矢量集合,且网络加载矢量集合包括设置于环境监测区域矢量集合之前的区域分隔边界。
其中,环境监测区域矢量集合为环境监测区域集合中各个环境监测区域的环境监测区域矢量组成的集合,该异常要素矢量集合为异常要素集合中各个异常要素的异常要素矢量组成的集合。
步骤S203,将该网络加载矢量集合加载至初始化的递归神经网络,生成递归神经网络生成的观测矢量集合。
其中,该观测矢量集合包括区域分隔边界的观测矢量以及该异常要素集合中各异常要素的异常要素观测矢量。当然,该观测矢量集合还包括环境监测区域集合中各个环境监测区域的环境监测区域观测矢量以及每个区域分隔边界对应的观测矢量。
该区域分隔边界的观测矢量表征模板环境遥感图像的图像语义特征联系观测矢量,即,通过区域分隔边界的观测矢量来表示异常要素集合中各个异常要素与该模板环境遥感图像的图像语义特征联系。
步骤S204,对于各模板环境遥感图像,将该模板环境遥感图像的图像语义特征联系观测矢量加载至初始化的多层感知器,生成该多层感知器观测获得的该模板环境遥感图像的异常要素集合中各异常要素与该模板环境遥感图像之间的观测图像语义特征联系。
其中,观测图像语义特征联系是指经过递归神经网络和多层感知器观测获得的该异常要素集合中各个异常要素与模板环境遥感图像的图像语义特征联系。其中,观测图像语义特征联系可以为异常要素与模板环境遥感图像存在图像语义特征联系的特征关联可能性。
如,该多层感知器可以输出观测获得的图像语义特征联系置信度信息,该图像语义特征联系置信度信息中包括异常要素集合中各个异常要素与该模板环境遥感图像存在图像语义特征联系的特征关联可能性。
当然,观测图像语义特征联系也可以表征是否存在图像语义特征联系的输出标签,如,观测图像语义特征联系对应的是存在特征联系这一输出标签,则观测图像语义特征联系对应的取值为1;如果对应不存在特征联系这一输出标签,观测图像语义特征联系的取值为0。
步骤S205,依据各模板环境遥感图像的异常要素集合中各异常要素的观测图像语义特征联系和先验携带的图像语义特征联系,确定该递归神经网络的第一模型训练误差值,跳转到步骤S212。
递归神经网络的第一模型训练误差值可以是由递归神经网络和多层感知器构成的模型训练误差值,或者可以理解为是多异常要素智能识别监测的模型训练误差值。
步骤S206,从模板环境遥感图像的异常要素簇中确定一个或多个第一候选异常要素清单和一个或多个第二候选异常要素清单。
其中,第一候选异常要素清单包括:源于该第一异常要素簇的两个第一异常要素,所述第二候选异常要素清单包括:第一异常要素簇中的一个第一异常要素以及所述第二异常要素簇中的一个第二异常要素。
在该步骤S206中确定的每个候选异常要素清单事实上是由两个异常要素构成的异常要素对,其中,第一候选异常要素清单包括:标定为与模板环境遥感图像存在图像语义特征联系的两个异常要素,即第一候选异常要素清单为存在特征联系异常要素的组合;而第二候选异常要素清单包括:标定为与模板环境遥感图像不存在图像语义特征联系的两个异常要素,即不存在特征联系异常要素的组合。
步骤S207,针对第一候选异常要素清单和第二候选异常要素清单中每个候选异常要素清单,依据该候选异常要素清单中各异常要素的异常要素观测矢量,并依据初始化的第一支持向量机模型,确定该候选异常要素清单的第一观测关联属性。
第一观测关联属性表示候选异常要素清单中各异常要素的图像语义特征联系是否一致。其中,将通过步骤S206到步骤S207的方式确定出候选异常要素清单,并依据第一支持向量机模型观测获得的观测关联属性称为第一观测关联属性。
例如,由于第一候选异常要素清单为两个存在特征联系异常要素的组合,而第二候选异常要素清单为两个不存在特征联系异常要素的组合,因此,该第一观测关联属性可以包括:存在特征联系(也即,存在特征联系异常要素的组合),以及不存在特征联系(也即,不存在特征联系异常要素的组合)这两个输出标签。
可以将异常要素的异常要素观测矢量以及异常要素的异常要素观测矢量加载至第一支持向量机模型中,从而通过第一支持向量机模型观测获得的异常要素与异常要素是否属于存在特征联系异常要素的组合。示例性的,通过第一支持向量机模型观测获得的异常要素与异常要素属于存在特征联系异常要素的组合的可能性。
步骤S208,依据各模板环境遥感图像的候选异常要素清单的模板关联属性以及第一观测关联属性,确定该第一支持向量机模型的第二模型训练误差值,跳转到步骤S212。
对于一个模板环境遥感图像而言,候选异常要素清单的模板关联属性表征该模板环境遥感图像的候选异常要素清单中各异常要素先验携带的图像语义特征联系是否一致。该模板关联属性由候选异常要素清单中各异常要素实际被携带的图像语义特征联系决定。
如,对于第一候选异常要素清单而言,由于第一候选异常要素清单中两个异常要素都源于与模板环境遥感图像存在图像语义特征联系的第一异常要素簇,因此,第一候选异常要素清单中两个异常要素均与模板环境遥感图像存在特征联系,即第一候选异常要素清单的模板关联属性为存在特征联系(也即,属于存在特征联系异常要素的组合)。类似的,第二候选异常要素清单的模板关联属性为不存在特征联系(也即,属于不存在特征联系异常要素的组合)
由此,对于各模板环境遥感图像的每个候选异常要素清单而言,依据其模板关联属性以及观测获得的第一观测关联属性,便可以确定出第一支持向量机模型是否准确观测出候选异常要素清单所属的关联属性。
其中,第一支持向量机模型的模型训练误差值表示第一支持向量机模型观测候选异常要素清单的观测关联属性的准确性。
步骤S209,对于各模板环境遥感图像,从模板环境遥感图像的第一异常要素簇中确定一异常要素单元簇,从该异常要素簇中该异常要素单元簇之外的异常要素中确定一个或多个异常要素,并将确定的每个异常要素分别与该异常要素单元簇组成一个候选异常要素清单,生成一个或多个候选异常要素清单。
其中,该异常要素单元簇包括第一异常要素簇中多个第一异常要素。
例如,针对某个模板环境遥感图像,若第一异常要素簇至少包括与模板环境遥感图像存在图像语义特征联系的异常要素1、异常要素3和异常要素n,而第二异常要素簇至少包括与模板环境遥感图像不存在图像语义特征联系的异常要素2和异常要素4。
本实施例可将异常要素1和异常要素n选取为异常要素单元簇。相应的,异常要素单元簇可以与第一异常要素簇中的异常要素3组合为一个候选异常要素清单,异常要素单元簇还可以是与第二异常要素簇中的异常要素2组成一个候选异常要素清单,异常要素单元簇还可以是与第二异常要素簇中的异常要素4组成一个候选异常要素清单。
步骤S210,针对该模板环境遥感图像的每个候选异常要素清单,将该候选异常要素清单中该异常要素单元簇中各第一异常要素的异常要素观测矢量的均值观测矢量输出为该异常要素单元簇的异常要素观测矢量,依据该候选异常要素清单中异常要素单元簇的异常要素观测矢量以及该候选异常要素清单中该异常要素单元簇之外的异常要素的异常要素观测矢量,并依据待观测的第二支持向量机模型,确定该候选异常要素清单的第二观测关联属性。
其中,第二观测关联属性表示第二支持向量机模型观测获得的,该候选异常要素清单中各异常要素的图像语义特征联系是否一致。如,第二观测关联属性可以包括:关联属性(或者是共享异常要素),以及非关联属性(或者称为非共享异常要素)。如果第二观测关联属性为存在特征联系异常要素(也即,共享异常要素),表示观测出候选异常要素清单中各异常要素均属于第一异常要素簇中出现的共享异常要素;类似的,如果第二观测关联属性为非关联属性,则表示观测出该候选异常要素清单中各异常要素不全部属于第一异常要素簇中共享的共享异常要素。
其中,将通过步骤S209到步骤S210的方式确定出候选异常要素清单,并依据第二支持向量机模型观测获得的观测关联属性称为第二观测关联属性。
对于异常要素单元簇的异常要素观测矢量可以为异常要素1的异常要素观测矢量和异常要素n的异常要素观测矢量的均值观测矢量。
对于异常要素单元簇与异常要素2构成的候选异常要素清单,可以将异常要素单元簇的异常要素观测矢量与异常要素2的异常要素观测矢量加载至第二支持向量机模型,生成该第二支持向量机模型观测获得的该异常要素单元簇中各个异常要素与异常要素2是否均属于与模板环境遥感图像存在图像语义特征联系的异常要素,即是否属于共享于第一异常要素簇中的异常要素。如,通过第二支持向量机模型观测获得的异常要素单元簇与异常要素2属于存在特征联系异常要素的组合的可能性。
步骤S211,依据各模板环境遥感图像的候选异常要素清单的模板关联属性以及第二观测关联属性,确定该第二支持向量机模型的第二模型训练误差值。
其中,模板环境遥感图像的候选异常要素清单的模板关联属性表征模板环境遥感图像的候选异常要素清单中各异常要素先验携带的图像语义特征联系是否一致。
该步骤S211与前面步骤S208类似,在此不再赘述。
步骤S212,若依据第一模型训练误差值、第一支持向量机模型的第二模型训练误差值以及第二支持向量机模型的第二训练误差值确定出是否未满足网络收敛要求,如果满足网络收敛要求,则结束训练,将更新后的递归神经网络和多层感知器输出为环境异常要素识别网络;如果不满足网络收敛要求,更新递归神经网络、多层感知器、第一支持向量机模型和第二支持向量机模型的权重信息,并返回步骤S202并继续训练,直至满足网络收敛要求,则将训练得到的递归神经网络和多层感知器作为环境异常要素识别网络。
示例性的,可以依据第一模型训练误差值、第一支持向量机模型的第二模型训练误差值以及第二支持向量机模型的第二训练误差值确定加权训练误差值。
下面介绍进一步的应用实施例,包括:
步骤S301,获得输入的环境遥感图像以及预置的异常要素簇。
其中,环境遥感图像包括由一个或多个环境监测区域构成的环境监测区域集合。该输入的环境遥感图像为需要确定其存在图像语义特征联系的多个异常要素的环境遥感图像。
预置的异常要素簇中包括多个异常要素。该预置的异常要素簇为预先预置的,包含不同环境遥感图像可能存在图像语义特征联系的多个异常要素的集合,由此,需要从该异常要素簇中确定出与该环境遥感图像存在图像语义特征联系的多个异常要素。
步骤S302,依据该环境遥感图像的环境监测区域集合以及该异常要素簇中各异常要素构成的异常要素集合,并依据环境异常要素识别网络,确定该环境遥感图像的图像语义特征联系观测矢量。
其中,该环境遥感图像的图像语义特征联系观测矢量为由环境异常要素识别网络观测获得的,表示该异常要素集合中各异常要素与该环境遥感图像的图像语义特征联系的特征。
其中,该环境异常要素识别网络包括经过组合网络学习生成的递归神经网络。
所述组合网络学习为:依据多个模板环境遥感图像对应的训练环境监测区域集合以及模板环境遥感图像携带的样本异常要素簇对应的样本异常要素集合,以观测出该模板环境遥感图像与其样本异常要素集合中各异常要素的图像语义特征联系为网络收敛方向对所述递归神经网络进行网络权重参数更新;并且,在训练该递归神经网络的过程中,依据该模板环境遥感图像的一个或多个候选异常要素清单中各异常要素的异常要素观测矢量,以观测出该候选异常要素清单中各异常要素的图像语义特征联系是否一致为网络收敛方向,协同更新支持向量机模型。
其中,样本异常要素集合由样本异常要素簇中各个异常要素组成。模板环境遥感图像的候选异常要素清单包括从该模板环境遥感图像的样本异常要素簇中确定的多个异常要素,该异常要素的异常要素观测矢量为该递归神经网络观测获得的异常要素的异常要素特征。
其中,为了与预置的异常要素簇进行区分,可以将对环境异常要素识别网络进行训练所采用的模板环境遥感图像对应的环境监测区域集合称为训练环境监测区域集合,将模板环境遥感图像携带的异常要素簇称为样本异常要素簇,并将样本异常要素簇对应的异常要素集合称为样本异常要素集合。
步骤S303,依据该环境遥感图像的图像语义特征联系观测矢量,从该异常要素簇中确定出与环境遥感图像存在图像语义特征联系的多个异常要素。
如,依据图像语义特征联系观测矢量确定出异常要素簇中各个异常要素与该环境遥感图像的图像语义特征联系,并依据各个异常要素与环境遥感图像的图像语义特征联系,选取出与该环境遥感图像存在图像语义特征联系的多个异常要素。
一些可替代的实施方式中,该环境异常要素识别网络还包括多层感知器,相应的,可以将该环境遥感图像的图像语义特征联系观测矢量加载至更新后的多层感知器,生成该异常要素集合中各异常要素与该环境遥感图像的观测图像语义特征联系。如,该观测图像语义特征联系可以为表征异常要素与环境遥感图像匹配度的特征关联可能性,或者是,表征异常要素与环境遥感图像是否存在图像语义特征联系的分类结果。
相应的,依据该异常要素集合中各异常要素与该环境遥感图像的观测图像语义特征联系,确定出该异常要素簇中与环境遥感图像存在图像语义特征联系的多个异常要素。如,若观测图像语义特征联系为特征关联可能性,则可以将异常要素簇中特征关联可能性大于设定数值的异常要素,输出为该环境遥感图像存在图像语义特征联系的异常要素。
下面介绍进一步的应用实施例,包括:
步骤S401,获得输入的环境遥感图像以及预置的异常要素簇。
其中,环境遥感图像包括由一个或多个环境监测区域构成的环境监测区域集合。
步骤S402,依据该环境遥感图像的环境监测区域集合以及异常要素簇中各异常要素构成的异常要素集合,生成该环境遥感图像的网络加载矢量集合。
其中,该环境遥感图像的网络加载矢量集合中包括环境监测区域矢量集合,异常要素矢量集合,以及配置在环境监测区域矢量集合之前的区域分隔边界。该环境监测区域矢量集合为由该环境监测区域集合中各个环境监测区域的环境监测区域矢量组成,该异常要素矢量集合为由异常要素集合中各个异常要素的异常要素矢量组成。
步骤S403,将该环境遥感图像的网络加载矢量集合加载至环境异常要素识别网络的递归神经网络中,生成递归神经网络生成的区域分隔边界的观测矢量。
该区域分隔边界的观测矢量表征环境遥感图像的图像语义特征联系观测矢量。
步骤S404,将该环境遥感图像的图像语义特征联系观测矢量加载至环境异常要素识别网络的多层感知器,生成多层感知器生成的该异常要素集合中各异常要素与该环境遥感图像的图像语义特征联系可能性。
步骤S405,将异常要素簇中与环境遥感图像的图像语义特征联系可能性大于设定数值的多个异常要素输出为环境遥感图像存在图像语义特征联系的异常要素。
一种可替代的实施方式中,下面介绍前述模板环境遥感图像的环境监测区域集合中各个环境监测区域的环境监测区域矢量的提取步骤,具体可以包括以下步骤:
步骤S501,基于预设数量个图像窗口分别对模板环境遥感图像进行滑窗区域输出,生成预设数量个图像窗口对应的环境监测区域集合。
任意一个图像滑动窗口对应的环境监测区域集合包括属于任意一个图像滑动窗口的多个成员环境监测区域,即该多个成员环境监测区域中每个成员环境监测区域的环境监测区域图像滑动窗口,与所属的环境监测区域集合对应的图像滑动窗口的参数相同。
步骤S502,分别对各图像滑动窗口对应的环境监测区域集合中的多个成员环境监测区域进行图像语义描述提取,生成各图像滑动窗口对应的第一图像语义描述集合。
其中,任意一个图像滑动窗口对应的第一图像语义描述集合包括属于任意一个图像滑动窗口的多个成员环境监测区域进行图像语义描述提取获得的环境特征矢量,即任意一个图像滑动窗口对应的第一图像语义描述集合中包括多个环境特征矢量,且该多个环境特征矢量与该图像滑动窗口对应的多个成员环境监测区域一一对应。
步骤S503,分别将各图像滑动窗口对应的第一图像语义描述集合中的多个环境特征矢量进行聚合,生成各图像滑动窗口对应的第二图像语义描述集合。
其中,各图像滑动窗口对应的第二图像语义描述集合中包括多个环境特征矢量,且每个环境特征矢量与属于对应图像滑动窗口的一个成员环境监测区域对应。
步骤S504,将预设数量个图像窗口对应的第二图像语义描述集合进行汇聚,生成模板环境遥感图像对应的环境特征矢量信息。
通过将预设数量个图像窗口对应的第二图像语义描述集合进行汇聚,可以使得获得的环境特征矢量信息中包含了预设数量个图像窗口对应的环境特征矢量,扩展环境特征矢量信息中涵盖的特征信息,由此提高环境特征矢量信息的准确性。
基于以上步骤,基于预设数量个图像窗口对模板环境遥感图像进行滑窗区域输出成多个成员环境监测区域,来获取各图像滑动窗口对应的成员环境监测区域的环境特征矢量,并对各图像滑动窗口对应的环境特征矢量进行频率域和空间域特征处理,由此提高各环境特征矢量的精度,之后将各图像滑动窗口对应的环境特征矢量进行聚合和汇聚,可以使得生成的环境特征矢量信息中融入预设数量个图像窗口对应的环境特征矢量,丰富包含的环境特征矢量,改善了模板环境遥感图像中噪声图像特征矢量的影响。
下面提供进一步的实施例,具体包括:
步骤S601,基于预设数量个图像窗口分别对模板环境遥感图像进行滑窗区域输出,生成预设数量个图像窗口对应的环境监测区域集合。
一些可替代的实施例中,在任意一个图像滑动窗口对应的环境监测区域集合中,该环境监测区域集合中的多个成员环境监测区域基于在模板环境遥感图像中的节点排列。例如,任意一个图像滑动窗口,将模板环境遥感图像划分成3个成员环境监测区域,如成员环境监测区域1、成员环境监测区域2及成员环境监测区域3,成员环境监测区域1为模板环境遥感图像中的第一个成员环境监测区域,成员环境监测区域2为模板环境遥感图像中的第二个成员环境监测区域,成员环境监测区域3为模板环境遥感图像中的最后一个成员环境监测区域,则该图像滑动窗口对应的环境监测区域集合中的成员环境监测区域的图像节点序列为:成员环境监测区域1、成员环境监测区域2及成员环境监测区域3。
步骤S602,分别对各图像滑动窗口对应的环境监测区域集合中的多个成员环境监测区域进行图像语义描述提取,生成各图像滑动窗口对应的第一图像语义描述集合。
其中,任意一个图像滑动窗口对应的第一图像语义描述集合包括属于任意一个图像滑动窗口的多个成员环境监测区域进行图像语义描述提取获得的环境特征矢量,即任意一个图像滑动窗口对应的第一图像语义描述集合中包括多个环境特征矢量,且该多个环境特征矢量与该图像滑动窗口对应的多个成员环境监测区域一一对应。
步骤S603,对于任意一个图像滑动窗口,对图像滑动窗口对应的第一图像语义描述集合进行分离,生成各语义描述分离集合H1。
其中,各语义描述分离集合H1包括一个或各环境特征矢量F1,各环境特征矢量F1与一个成员环境监测区域对应。通过分别对各图像滑动窗口对应的第一图像语义描述集合进行分离,可以获得各图像滑动窗口对应的各语义描述分离集合H1。
一些可替代的实施例中,对于任意一个图像滑动窗口对应的各语义描述分离集合H1,各语义描述分离集合H1包括各环境特征矢量F1,且在各语义描述分离集合H1中相关联的任两个语义描述分离集合H1中包括一个或多个相同的环境特征矢量F1。
一些可替代的实施例中,在各语义描述分离集合H1中,各语义描述分离集合H1所包括的环境特征矢量F1的数量一致。
例如,对于任意一个图像滑动窗口对应的各语义描述分离集合H1中相关联的语义描述分离集合H11和语义描述分离集合H12,语义描述分离集合H11和语义描述分离集合H12均包括四个环境特征矢量F1,语义描述分离集合H11包括环境特征矢量F11、环境特征矢量F12、环境特征矢量F13及环境特征矢量F14,语义描述分离集合H21包括环境特征矢量F13、环境特征矢量F14、环境特征矢量F15及环境特征矢量F16,即语义描述分离集合H11和语义描述分离集合H12中包括两个相同的环境特征矢量F1。
步骤S604,对该图像滑动窗口对应的各语义描述分离集合H1中的环境特征矢量F1进行频率域和空间域特征处理,生成该各语义描述分离集合H1对应的语义描述分离集合H2。
其中,语义描述分离集合H2包括一个或多个环境特征矢量F2,且每个环境特征矢量F2与语义描述分离集合H2对应的语义描述分离集合H1中的一个环境特征矢量F1对应。对于任意一个图像滑动窗口,对该图像滑动窗口对应的各语义描述分离集合H1中的环境特征矢量F1进行频率域和空间域特征处理,以增强每个环境特征矢量中所包含的信息,保证生成的语义描述分离集合H2中的环境特征矢量F2的精度。
一些可替代的实施例中,该步骤S604包括以下方式:
A:对于任意一个语义描述分离集合H1,基于该语义描述分离集合H1中的各环境特征矢量F1,分别对各环境特征矢量F1进行频率域和空间域特征处理,生成各环境特征矢量F1对应的环境特征矢量F3,将生成的多个环境特征矢量F3构成语义描述分离集合H3,将图像滑动窗口对应的第一注意力指标与语义描述分离集合H3进行聚合,生成语义描述分离集合H1对应的语义描述分离集合H2。
一些可替代的实施例中,该A包括:对于任意一个图像滑动窗口对应的任意一个语义描述分离集合H1,基于该语义描述分离集合H1中的各环境特征矢量F1,分别对各环境特征矢量F1进行频率域和空间域特征处理,生成各环境特征矢量F1对应的环境特征矢量F3,将生成的多个环境特征矢量F3构成语义描述分离集合H3,将该图像滑动窗口对应的第一注意力指标与语义描述分离集合H3进行聚合,生成语义描述分离集合H1对应的语义描述分离集合H2。
B:将各语义描述分离集合H1与对应的节点信息进行聚合,生成各语义描述分离集合H1对应的语义描述分离集合H2。
其中,节点信息表征对应的语义描述分离集合H1在各语义描述分离集合H1中的节点,也即是表征对应的语义描述分离集合H1在各语义描述分离集合H1中的图像节点序列。
在将任意一个语义描述分离集合H1与对应的节点信息进行聚合时,将该语义描述分离集合H1中的各环境特征矢量F1与该节点信息进行聚合,使得生成的语义描述分离集合H2中的每个环境特征矢量F2中包含了对应的节点信息,以突出每个环境特征矢量F2在多个语义描述分离集合H2中的节点,由此增强了每个环境特征矢量F2中所包含的特征。
一些可替代的实施例中,B包括:对于任意一个语义描述分离集合H1,对该语义描述分离集合H1中的各环境特征矢量F1进行非线性映射,生成各环境特征矢量F1对应的环境特征矢量F4,将生成的环境特征矢量F4构成的语义描述分离集合H4,与语义描述分离集合H1对应的节点信息进行聚合,生成语义描述分离集合H1对应的语义描述分离集合H2。
其中,各语义描述分离集合H1对应一个语义描述分离集合H4,各语义描述分离集合H1中的环境特征矢量F1,与对应的语义描述分离集合H4中的一个环境特征矢量F4对应。
C包括以下步骤S6041-步骤S6043:
步骤S6041、将各语义描述分离集合H1与对应的节点信息进行聚合,生成各语义描述分离集合H1对应的语义描述分离集合H5。
其中,各语义描述分离集合H1包括各环境特征矢量F1,每个语义描述分离集合H5包括多个环境特征矢量F5,且每个环境特征矢量F5与对应的语义描述分离集合H1中的一个环境特征矢量F1对应。
步骤S6042、将生成的多个语义描述分离集合H5中每个相同节点上的多个环境特征矢量F5,构成一个语义描述分离集合H6,生成多个语义描述分离集合H6。
其中,每个语义描述分离集合H5中包括多个环境特征矢量F5,且多个环境特征矢量F5基于对应的成员环境监测区域在声音环境监测区域中的节点排列。多个语义描述分离集合H5中任意一个相同节点上的多个环境特征矢量F5,包括了每个语义描述分离集合H5中的一个环境特征矢量F5,且每个环境特征矢量在对应的语义描述分离集合H5中的节点一致。例如,由每个语义描述分离集合H5中的第一个环境特征矢量F5,构成一个语义描述分离集合H6;由每个语义描述分离集合H5中的第二个环境特征矢量F5,构成一个语义描述分离集合H6。
步骤S6043、将每个语义描述分离集合H6与对应的第二注意力指标进行聚合,生成每个语义描述分离集合H6对应的语义描述分离集合H7。
其中,语义描述分离集合H7包括多个环境特征矢量F6,且每个环境特征矢量F6与对应的语义描述分离集合H6中的一个环境特征矢量F5对应。第二注意力指标包括对应的语义描述分离集合H6中的多个环境特征矢量F5之间的权重,表征该多个环境特征矢量F5之间的重要性指标。
该步骤S6043包括:将每个语义描述分离集合H6与对应的第二注意力指标相加,生成每个语义描述分离集合H6对应的语义描述分离集合H7。
一些可替代的实施例中,获取语义描述分离集合H6对应的第二注意力指标的过程包括:基于每个语义描述分离集合H6中的多个环境特征矢量F5之间的特征匹配度,分别获取每个语义描述分离集合H6对应的第二注意力指标。
通过语义描述分离集合H6中的多个环境特征矢量F5之间的特征匹配度,来获取语义描述分离集合H6对应的第二注意力指标,以使后续通过该第二注意力指标,能够增强与其它环境特征矢量F5特征匹配度大的环境特征矢量F5的,削弱与其它环境特征矢量F5特征匹配度小的环境特征矢量F5,由此提高生成的环境特征矢量F6的精度。
一些可替代的实施例中,获取语义描述分离集合H6对应的第二注意力指标的过程包括:对于任意一个语义描述分离集合H6,基于语义描述分离集合H6中的多个环境特征矢量F5之间的特征匹配度,获取语义描述分离集合H6对应的第三注意力指标,将第三注意力指标与设定系数的乘积,输出为语义描述分离集合H6对应的第二注意力指标。
一些可替代的实施例中,该则该步骤S6043包括:对于任意一个语义描述分离集合H6,基于语义描述分离集合H6中的多个环境特征矢量F5之间的特征匹配度,获取语义描述分离集合H6对应的第三注意力指标,将第三注意力指标与设定系数的乘积,输出为该语义描述分离集合H6对应的第二注意力指标,将该语义描述分离集合H6与对应的第二注意力指标进行聚合,生成每个语义描述分离集合H6对应的语义描述分离集合H7。
步骤S6044、将生成的多个语义描述分离集合H7中每个相同节点上的环境特征矢量F6,构成一个语义描述分离集合H2,生成多个语义描述分离集合H2。
其中,每个语义描述分离集合H7中包括多个环境特征矢量F6,每个环境特征矢量F6与一个环境特征矢量F5对应,且每个环境特征矢量F6与所对应的环境特征矢量F5所属的语义描述分离集合H5对应,且任意一个语义描述分离集合H7中的多个环境特征矢量F6基于对应的语义描述分离集合H5在多个语义描述分离集合H5中的节点排列。多个语义描述分离集合H7中任意一个相同节点上的多个环境特征矢量F6,分别与同一个语义描述分离集合H5中的多个语义描述分离集合H5对应,则将多个语义描述分离集合H7中每个相同节点上的环境特征矢量F6,构成一个语义描述分离集合H2,且该语义描述分离集合H2与一个语义描述分离集合H5对应,即该语义描述分离集合H2与第一个语义描述分离集合H1对应,基于上述方式,即可得到各语义描述分离集合H1对应的多个语义描述分离集合H2。
一些可替代的实施例中,该步骤S604包括以下步骤:
步骤S6045、对于任意一个语义描述分离集合H1,基于该语义描述分离集合H1中的各环境特征矢量F1,分别对各环境特征矢量F1进行频率域和空间域特征处理,生成各环境特征矢量F1对应的环境特征矢量F3,将生成的多个环境特征矢量F3构成语义描述分离集合H3,将图像滑动窗口对应的第一注意力指标与语义描述分离集合H3进行聚合,生成语义描述分离集合H1对应的语义描述分离集合H8。
步骤S6046、将每个语义描述分离集合H8与对应的节点信息进行聚合,生成每个语义描述分离集合H8对应的语义描述分离集合H9。
一些可替代的实施例中,该步骤S6046包括:对每个语义描述分离集合H8中的环境特征矢量进行非线性映射,将每个非线性映射后的语义描述分离集合H8与对应的语义描述分离集合H1进行聚合,将每个聚合后的语义描述分离集合与对应的节点信息进行聚合,生成每个语义描述分离集合H8对应的语义描述分离集合H9。
其中,在将每个非线性映射后的语义描述分离集合H8与对应的语义描述分离集合H1进行聚合时,是将非线性映射后的语义描述分离集合H8中的每个环境特征矢量与对应的环境特征矢量F1进行聚合。一些可替代的实施例中,采用非线性映射网口,对各环境特征矢量F1进行非线性映射。
步骤S6047、将生成的多个语义描述分离集合H9中每个相同节点上的多个环境特征矢量,构成一个语义描述分离集合H10,生成多个语义描述分离集合H10。
步骤S6048、将每个语义描述分离集合H10与对应的第三注意力指标进行聚合,生成每个语义描述分离集合H10对应的语义描述分离集合H11。
步骤S6049、将生成的多个语义描述分离集合H11中每个相同节点上的环境特征矢量,构成一个语义描述分离集合H2,生成多个语义描述分离集合H2。
步骤S605,基于各语义描述分离集合H1的图像节点序列,将生成的多个语义描述分离集合H2进行聚合,生成该图像滑动窗口对应的第二图像语义描述集合。
其中,第二图像语义描述集合中包括多个环境特征矢量,且每个环境特征矢量与一个成员环境监测区域对应,该多个环境特征矢量在第二图像语义描述集合中,基于多个成员环境监测区域的顺序排列。各语义描述分离集合H1的图像节点序列,是基于各语义描述分离集合H1对应的成员环境监测区域在声音环境监测区域中的节点得到的。通过基于各语义描述分离集合H1的图像节点序列,将多个语义描述分离集合H2进行聚合,以保证得到的第二图像语义描述集合与多个成员环境监测区域对应,保证第二图像语义描述集合的精度。
一些可替代的实施例中,该步骤S605包括:基于各语义描述分离集合H1的图像节点序列,将相关联的每两个语义描述分离集合H2中对应于一致的环境特征矢量F1的环境特征矢量F2进行聚合,将多个语义描述分离集合H2中聚合后的环境特征矢量,以及余下的环境特征矢量构成图像滑动窗口对应的第二图像语义描述集合。
一些可替代的实施例中,各语义描述分离集合H1包括各环境特征矢量F1,各语义描述分离集合H1中相关联的任两个语义描述分离集合H1中包括一个或多个相同的环境特征矢量F1,生成的多个语义描述分离集合H2中,每个语义描述分离集合H2与一个语义描述分离集合H1对应,且每个语义描述分离集合H2中的环境特征矢量F2与对应的语义描述分离集合H1中的一个环境特征矢量F1对应。
一些可替代的实施例中,将每个语义描述分离集合H2中的环境特征矢量F2与对应的聚合,生成聚合环境特征矢量,基于各语义描述分离集合H1的图像节点序列,将相关联的每两个语义描述分离集合H2中对应于一致的环境特征矢量F1的聚合环境特征矢量进行聚合,将多个语义描述分离集合H2中聚合后的环境特征矢量,以及余下的环境特征矢量构成图像滑动窗口对应的第二图像语义描述集合。
步骤S606,将预设数量个图像窗口对应的第二图像语义描述集合进行汇聚,生成模板环境遥感图像对应的环境特征矢量信息。
一些可替代的实施例中,该步骤S606包括以下步骤S6061-步骤S6063:
步骤S6061、将预设数量个图像窗口中目标图像滑动窗口对应的第二图像语义描述集合,输出为目标图像语义描述集合。
其中,目标图像滑动窗口为预设数量个图像窗口中任意一个图像滑动窗口,一些可替代的实施例中,该目标图像滑动窗口为预设数量个图像窗口中的最大图像滑动窗口。
步骤S6062、对预设数量个图像窗口中余下的图像滑动窗口对应的第二图像语义描述集合进行图像窗口转换,生成与目标图像语义描述集合的窗口相同的第三图像语义描述集合。
步骤S6063、将目标图像语义描述集合及第三图像语义描述集合进行汇聚,生成环境特征矢量信息。
由于目标图像语义描述集合与第三图像语义描述集合的窗口相同,能够将目标图像语义描述集合与第三图像语义描述集合进行汇聚,由此生成该环境特征矢量信息。
一些可替代的实施例中,步骤S6063包括:将目标图像语义描述集合及第三图像语义描述集合中,相同节点上的矩阵列矢量进行汇聚,生成多个汇聚矢量,将多个汇聚矢量构成环境特征矢量信息。
图2示出了本申请实施例提供的用于实现上述的基于环境要素智能识别监测系统的数据分析方法的基于环境要素智能识别监测系统的数据分析系统100的硬件结构意图,如图2所示,基于环境要素智能识别监测系统的数据分析系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。
在一些可替代的实施方式中,基于环境要素智能识别监测系统的数据分析系统100可以是单个服务器,也可以是服务器组。所述服务器组可以是集中式的,也可以是分布式的(例如,基于环境要素智能识别监测系统的数据分析系统100可以是分布式的系统)。在一些可替代的实施方式中,基于环境要素智能识别监测系统的数据分析系统100可以是本地的,也可以是远程的。例如,基于环境要素智能识别监测系统的数据分析系统100可以经由网络访问存储于机器可读存储介质120中的信息和/或数据。又例如,基于环境要素智能识别监测系统的数据分析系统100可以直接连接到机器可读存储介质120以访问存储的信息和/或数据。在一些可替代的实施方式中,基于环境要素智能识别监测系统的数据分析系统100可以在云平台上实施。仅作为示例,该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
机器可读存储介质120可以储存数据和/或指令。在具体实现过程中,至少一个处理器110执行机器可读存储介质120存储的计算机可执行指令,使得处理器110可以执行如上方法实施例的基于环境要素智能识别监测系统的数据分析方法,处理器110、机器可读存储介质120以及通信单元140通过总线130连接,处理器110可以用于控制通信单元140的收发动作。
处理器110的具体实现过程可参见上述基于环境要素智能识别监测系统的数据分析系统100执行的各个方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
此外,本申请实施例还提供一种可读存储介质,所述可读存储介质中预设有计算机可执行指令,当处理器执行所述计算机可执行指令时,实现如上基于环境要素智能识别监测系统的数据分析方法。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或以上发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或以上发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。
Claims (9)
1.一种基于环境要素智能识别监测系统的数据分析方法,其特征在于,通过基于环境要素智能识别监测系统的数据分析系统实现,所述方法包括:
获得多个模板环境遥感图像以及所述模板环境遥感图像携带的异常要素簇,所述模板环境遥感图像的异常要素簇包括:携带与所述模板环境遥感图像的图像语义特征联系的多个异常要素,所述模板环境遥感图像包括由一个或多个环境监测区域构成的环境监测区域集合;
对于各所述模板环境遥感图像,依据所述模板环境遥感图像的环境监测区域集合和所述模板环境遥感图像的异常要素簇中各异常要素构成的异常要素集合,对初始化的递归神经网络和初始化的支持向量机模型进行训练,输出对应的环境异常要素识别网络,所述环境异常要素识别网络用于从预置的异常要素簇识别输入的环境遥感图像所存在的环境异常要素;
所述对于各所述模板环境遥感图像,依据所述模板环境遥感图像的环境监测区域集合和所述模板环境遥感图像的异常要素簇中各异常要素构成的异常要素集合,对初始化的递归神经网络和初始化的支持向量机模型进行训练,输出对应的环境异常要素识别网络的步骤,包括:
对于各所述模板环境遥感图像,依据所述模板环境遥感图像的环境监测区域集合和所述模板环境遥感图像的异常要素簇中各异常要素构成的异常要素集合,并依据初始化的递归神经网络,确定所述模板环境遥感图像的图像语义特征联系观测矢量和所述异常要素集合中各异常要素的异常要素观测矢量,所述模板环境遥感图像的图像语义特征联系观测矢量表示观测获得的所述模板环境遥感图像的异常要素集合中各异常要素与所述模板环境遥感图像的图像语义特征联系;
对于各所述模板环境遥感图像,从所述模板环境遥感图像的异常要素簇中确定一个或多个候选异常要素清单,依据所述候选异常要素清单中各异常要素的所述异常要素观测矢量,并依据初始化的支持向量机模型,确定所述候选异常要素清单的观测关联属性,所述候选异常要素清单包括多个异常要素,所述观测关联属性表示所述候选异常要素清单中各异常要素的图像语义特征联系是否一致;
依据各模板环境遥感图像的图像语义特征联系观测矢量以及各模板环境遥感图像的异常要素集合中各异常要素先验携带的图像语义特征联系,确定所述递归神经网络的第一模型训练误差值;
依据各模板环境遥感图像的所述候选异常要素清单的模板关联属性以及观测关联属性,确定所述支持向量机模型的第二模型训练误差值,所述模板环境遥感图像的候选异常要素清单的模板关联属性表征所述模板环境遥感图像的候选异常要素清单中各异常要素先验携带的图像语义特征联系是否一致;
若依据所述第一模型训练误差值和第二模型训练误差值确定出未满足网络收敛要求,则更新所述递归神经网络和支持向量机模型的权重信息,直到满足所述网络收敛要求,将更新后的递归神经网络输出为环境异常要素识别网络。
2.根据权利要求1所述的基于环境要素智能识别监测系统的数据分析方法,其特征在于,所述依据各模板环境遥感图像的图像语义特征联系观测矢量以及各模板环境遥感图像的异常要素集合中各异常要素先验携带的图像语义特征联系,确定所述递归神经网络的第一模型训练误差值,包括:
对于各模板环境遥感图像,将所述模板环境遥感图像的图像语义特征联系观测矢量加载至初始化的多层感知器,生成所述多层感知器观测获得的所述模板环境遥感图像的异常要素集合中各异常要素与所述模板环境遥感图像之间的观测图像语义特征联系;
依据各模板环境遥感图像的异常要素集合中各异常要素的观测图像语义特征联系和先验携带的图像语义特征联系,确定所述递归神经网络的第一模型训练误差值。
3.根据权利要求1所述的基于环境要素智能识别监测系统的数据分析方法,其特征在于,所述依据所述模板环境遥感图像的环境监测区域集合和所述模板环境遥感图像的异常要素簇中各异常要素构成的异常要素集合,并依据初始化的递归神经网络,确定所述模板环境遥感图像的图像语义特征联系观测矢量和所述异常要素集合中各异常要素的异常要素观测矢量,包括:
依据所述模板环境遥感图像的环境监测区域集合以及模板环境遥感图像的异常要素簇中各异常要素构成的异常要素集合,生成网络加载矢量集合,所述网络加载矢量集合中包括环境监测区域矢量集合,异常要素矢量集合,以及配置在所述环境监测区域矢量集合之前的区域分隔边界,所述环境监测区域矢量集合为由所述环境监测区域集合中各个环境监测区域的环境监测区域矢量组成,所述异常要素矢量集合为由所述异常要素集合中各个异常要素的异常要素矢量组成;
将所述网络加载矢量集合加载至初始化的递归神经网络,生成所述递归神经网络生成的观测矢量集合,所述观测矢量集合包括所述区域分隔边界的观测矢量以及所述异常要素集合中各异常要素的异常要素观测矢量,所述区域分隔边界的观测矢量表征所述模板环境遥感图像的图像语义特征联系观测矢量。
4.根据权利要求1所述的基于环境要素智能识别监测系统的数据分析方法,其特征在于,所述模板环境遥感图像的异常要素簇包括:第一异常要素簇和第二异常要素簇,所述第一异常要素簇包括:标定为与所述模板环境遥感图像存在图像语义特征联系的多个第一异常要素,所述第二异常要素簇包括:标定为与所述模板环境遥感图像不存在图像语义特征联系的多个第二异常要素;
所述从所述模板环境遥感图像的异常要素簇中确定一个或多个候选异常要素清单,包括:
从所述模板环境遥感图像的异常要素簇中确定一个或多个第一候选异常要素清单和一个或多个第二候选异常要素清单,所述第一候选异常要素清单包括:源于所述第一异常要素簇的两个第一异常要素,所述第二候选异常要素清单包括:所述第一异常要素簇中的一个第一异常要素以及所述第二异常要素簇中的一个第二异常要素。
5.根据权利要求1所述的基于环境要素智能识别监测系统的数据分析方法,其特征在于,所述模板环境遥感图像的异常要素簇包括:第一异常要素簇和第二异常要素簇,所述第一异常要素簇包括:标定为与所述模板环境遥感图像存在图像语义特征联系的多个第一异常要素,所述第二异常要素簇包括:标定为与所述模板环境遥感图像不存在图像语义特征联系的多个第二异常要素;
所述从所述模板环境遥感图像的异常要素簇中确定一个或多个候选异常要素清单,包括:
从所述模板环境遥感图像的第一异常要素簇中确定一异常要素单元簇,所述异常要素单元簇包括所述第一异常要素簇中多个第一异常要素;
从所述异常要素簇中所述异常要素单元簇之外的异常要素中确定一个或多个异常要素,并将确定的每个异常要素分别与所述异常要素单元簇组成一个候选异常要素清单,生成一个或多个候选异常要素清单;
所述依据所述候选异常要素清单中各异常要素的所述异常要素观测矢量,并依据初始化的支持向量机模型,确定所述候选异常要素清单的观测关联属性,包括:
将所述候选异常要素清单中所述异常要素单元簇中各第一异常要素的异常要素观测矢量的均值观测矢量输出为所述异常要素单元簇的异常要素观测矢量;
依据所述候选异常要素清单中所述异常要素单元簇的异常要素观测矢量以及所述候选异常要素清单中所述异常要素单元簇之外的异常要素的异常要素观测矢量,并依据待观测的支持向量机模型,确定所述候选异常要素清单的观测关联属性。
6.根据权利要求1-5中任意一项所述的基于环境要素智能识别监测系统的数据分析方法,其特征在于,所述方法还包括:
获得输入的环境遥感图像以及预置的异常要素簇,所述环境遥感图像包括由一个或多个环境监测区域构成的环境监测区域集合,所述异常要素簇中包括多个异常要素;
依据所述环境遥感图像的环境监测区域集合以及所述异常要素簇中各异常要素构成的异常要素集合,并依据环境异常要素识别网络,确定所述环境遥感图像的图像语义特征联系观测矢量,所述环境遥感图像的图像语义特征联系观测矢量表示所述异常要素集合中各异常要素与所述环境遥感图像的图像语义特征联系;
依据所述环境遥感图像的图像语义特征联系观测矢量,从所述异常要素簇中确定出与所述环境遥感图像存在图像语义特征联系的多个异常要素。
7.根据权利要求3所述的基于环境要素智能识别监测系统的数据分析方法,其特征在于,所述模板环境遥感图像的环境监测区域集合中各个环境监测区域的环境监测区域矢量的提取步骤,包括:
基于预设数量个图像窗口分别对模板环境遥感图像进行滑窗区域输出,生成所述预设数量个图像窗口对应的环境监测区域集合,任意一个图像滑动窗口对应的环境监测区域集合包括属于所述任意一个图像滑动窗口的多个成员环境监测区域;
分别对各图像滑动窗口对应的环境监测区域集合中的多个成员环境监测区域进行图像语义描述提取,生成所述各图像滑动窗口对应的第一图像语义描述集合,任意一个图像滑动窗口对应的第一图像语义描述集合包括属于所述任意一个图像滑动窗口的多个成员环境监测区域进行图像语义描述提取获得的环境特征矢量;
对于任意一个图像滑动窗口,对所述图像滑动窗口对应的第一图像语义描述集合进行分离,生成各语义描述分离集合H1,各语义描述分离集合H1包括一个或各环境特征矢量F1,各环境特征矢量F1与一个成员环境监测区域对应;
对所述各语义描述分离集合H1中的环境特征矢量F1进行频率域和空间域特征处理,生成所述各语义描述分离集合H1对应的语义描述分离集合H2,所述语义描述分离集合H2包括一个或多个环境特征矢量F2,且每个环境特征矢量F2与所述语义描述分离集合H2对应的语义描述分离集合H1中的一个环境特征矢量F1对应;
基于所述各语义描述分离集合H1的图像节点序列,将生成的多个语义描述分离集合H2进行聚合,生成所述图像滑动窗口对应的第二图像语义描述集合;
将所述预设数量个图像窗口对应的第二图像语义描述集合进行汇聚,生成所述模板环境遥感图像对应的环境特征矢量数据,所述模板环境遥感图像对应的环境特征矢量数据包括模板环境遥感图像的环境监测区域集合中各个环境监测区域的环境监测区域矢量。
8.根据权利要求7所述的基于环境要素智能识别监测系统的数据分析方法,其特征在于,所述对所述各语义描述分离集合H1中的环境特征矢量F1进行频率域和空间域特征处理,生成所述各语义描述分离集合H1对应的语义描述分离集合H2,包括:
对于任意一个语义描述分离集合H1,基于所述语义描述分离集合H1中的各环境特征矢量F1,分别对各环境特征矢量F1进行频率域和空间域特征处理,生成所述各环境特征矢量F1对应的环境特征矢量F3,将生成的多个环境特征矢量F3构成语义描述分离集合H3;
将所述图像滑动窗口对应的第一注意力指标与所述语义描述分离集合H3进行聚合,生成所述语义描述分离集合H1对应的语义描述分离集合H2;
所述对所述各语义描述分离集合H1中的环境特征矢量F1进行频率域和空间域特征处理,生成所述各语义描述分离集合H1对应的语义描述分离集合H2,包括:
将所述各语义描述分离集合H1与对应的节点信息进行聚合,生成所述各语义描述分离集合H1对应的语义描述分离集合H2,所述节点信息表征对应的语义描述分离集合H1在所述各语义描述分离集合H1中的节点;
所述将所述各语义描述分离集合H1与对应的节点信息进行聚合,生成所述各语义描述分离集合H1对应的语义描述分离集合H2,包括:
对于任意一个语义描述分离集合H1,对所述语义描述分离集合H1中的各环境特征矢量F1进行非线性映射,生成所述各环境特征矢量F1对应的环境特征矢量F4;
将生成的环境特征矢量F4构成的语义描述分离集合H4,与所述语义描述分离集合H1对应的节点信息进行聚合,生成所述语义描述分离集合H1对应的语义描述分离集合H2。
9.一种基于环境要素智能识别监测系统的数据分析系统,其特征在于,所述基于环境要素智能识别监测系统的数据分析系统包括处理器和机器可读存储介质,该机器可读存储介质中存储有机器可执行指令,该机器可执行指令由该处理器加载并执行以实现权利要求1-8中任意一项所述的基于环境要素智能识别监测系统的数据分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310934443.7A CN116664989B (zh) | 2023-07-28 | 2023-07-28 | 基于环境要素智能识别监测系统的数据分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310934443.7A CN116664989B (zh) | 2023-07-28 | 2023-07-28 | 基于环境要素智能识别监测系统的数据分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116664989A CN116664989A (zh) | 2023-08-29 |
CN116664989B true CN116664989B (zh) | 2023-09-29 |
Family
ID=87728247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310934443.7A Active CN116664989B (zh) | 2023-07-28 | 2023-07-28 | 基于环境要素智能识别监测系统的数据分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116664989B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117828499B (zh) * | 2024-03-04 | 2024-05-28 | 深圳市恒天翊电子有限公司 | Pcba异常件确定方法、系统、存储介质及电子设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107105028A (zh) * | 2017-04-18 | 2017-08-29 | 浙江中烟工业有限责任公司 | 一种基于云计算的机房环境智能调节系统 |
CN109918449A (zh) * | 2019-03-16 | 2019-06-21 | 中国农业科学院农业资源与农业区划研究所 | 一种基于物联网的农业灾害信息遥感提取方法及系统 |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
CN112818966A (zh) * | 2021-04-16 | 2021-05-18 | 武汉光谷信息技术股份有限公司 | 多模态遥感影像数据检测方法及系统 |
CN113239736A (zh) * | 2021-04-16 | 2021-08-10 | 广州大学 | 一种基于多源遥感数据的土地覆盖分类标注图获取方法、存储介质及系统 |
CN113487574A (zh) * | 2021-07-12 | 2021-10-08 | 南京中科智慧应急研究院有限公司 | 多源遥感大数据协同的资源管理与环境监测方法及应用 |
CN114494768A (zh) * | 2018-10-29 | 2022-05-13 | 赫克斯冈技术中心 | 对设施进行监视的监视系统和方法、计算机程序产品 |
CN115039045A (zh) * | 2019-11-25 | 2022-09-09 | 强力物联网投资组合2016有限公司 | 用于工业环境的智能振动数字孪生系统和方法 |
CN116385902A (zh) * | 2023-04-18 | 2023-07-04 | 赵永兰 | 一种遥感大数据处理方法、系统及云平台 |
CN116481600A (zh) * | 2023-06-26 | 2023-07-25 | 四川省林业勘察设计研究院有限公司 | 一种高原林业生态监测预警系统及方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11532168B2 (en) * | 2019-11-15 | 2022-12-20 | Nvidia Corporation | Multi-view deep neural network for LiDAR perception |
US11586854B2 (en) * | 2020-03-26 | 2023-02-21 | Intel Corporation | Devices and methods for accurately identifying objects in a vehicle's environment |
US20230139682A1 (en) * | 2021-11-01 | 2023-05-04 | Nvidia Corporation | Continuous training of an object detection and classification model for varying environmental conditions |
-
2023
- 2023-07-28 CN CN202310934443.7A patent/CN116664989B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107105028A (zh) * | 2017-04-18 | 2017-08-29 | 浙江中烟工业有限责任公司 | 一种基于云计算的机房环境智能调节系统 |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
CN114494768A (zh) * | 2018-10-29 | 2022-05-13 | 赫克斯冈技术中心 | 对设施进行监视的监视系统和方法、计算机程序产品 |
CN109918449A (zh) * | 2019-03-16 | 2019-06-21 | 中国农业科学院农业资源与农业区划研究所 | 一种基于物联网的农业灾害信息遥感提取方法及系统 |
CN115039045A (zh) * | 2019-11-25 | 2022-09-09 | 强力物联网投资组合2016有限公司 | 用于工业环境的智能振动数字孪生系统和方法 |
CN112818966A (zh) * | 2021-04-16 | 2021-05-18 | 武汉光谷信息技术股份有限公司 | 多模态遥感影像数据检测方法及系统 |
CN113239736A (zh) * | 2021-04-16 | 2021-08-10 | 广州大学 | 一种基于多源遥感数据的土地覆盖分类标注图获取方法、存储介质及系统 |
CN113487574A (zh) * | 2021-07-12 | 2021-10-08 | 南京中科智慧应急研究院有限公司 | 多源遥感大数据协同的资源管理与环境监测方法及应用 |
CN116385902A (zh) * | 2023-04-18 | 2023-07-04 | 赵永兰 | 一种遥感大数据处理方法、系统及云平台 |
CN116481600A (zh) * | 2023-06-26 | 2023-07-25 | 四川省林业勘察设计研究院有限公司 | 一种高原林业生态监测预警系统及方法 |
Non-Patent Citations (1)
Title |
---|
唐炉亮等."大数据环境下道路场景高时空分辨率众包感知方法".《测绘学报》.2022,第51卷(第6期),第1070-1090页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116664989A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10096121B2 (en) | Human-shape image segmentation method | |
CN110533631B (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
CN116664989B (zh) | 基于环境要素智能识别监测系统的数据分析方法及系统 | |
JP2018503900A (ja) | 脆弱性走査方法及び装置 | |
CN112949710A (zh) | 一种图像的聚类方法和装置 | |
CN112422531A (zh) | 基于CNN和XGBoost的网络流量异常行为检测方法 | |
CN111174370A (zh) | 故障检测方法及装置、存储介质、电子装置 | |
CN113095370A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN112085161A (zh) | 一种基于随机信息传递的图神经网络方法 | |
KR20210127069A (ko) | 융합 모델 신경망의 성능 제어 방법 | |
CN116306289B (zh) | 一种基于多源域自适应的机电设备跨域剩余寿命预测方法 | |
Ye et al. | A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring | |
CN116011507A (zh) | 融合元学习与图神经网络的稀有故障诊断方法 | |
CN116823793A (zh) | 设备缺陷检测方法、装置、电子设备和可读存储介质 | |
Guillaume Blanchet et al. | A new cost‐effective approach to survey ecological communities | |
CN113066528B (zh) | 基于主动半监督图神经网络的蛋白质分类方法 | |
CN113065395A (zh) | 一种基于生成对抗网络的雷达目标新类检测方法 | |
CN112115996B (zh) | 图像数据的处理方法、装置、设备及存储介质 | |
CN117371511A (zh) | 图像分类模型的训练方法、装置、设备及存储介质 | |
CN116630812B (zh) | 基于可见光图像分析的水体特征检测方法及系统 | |
CN108496174A (zh) | 用于面部识别的方法和系统 | |
CN116952554A (zh) | 基于图卷积网络的多传感器机械设备故障诊断方法及装置 | |
CN105468887B (zh) | 数据分析系统以及方法 | |
CN116150401A (zh) | 基于带噪声数据集的强鲁棒性知识图谱三元组质检网络模型训练方法及质检方法 | |
CN114529096A (zh) | 基于三元闭包图嵌入的社交网络链路预测方法及系统 |
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 |