CN116958838B - 一种基于无人机航测技术的森林资源监测方法及系统 - Google Patents
一种基于无人机航测技术的森林资源监测方法及系统 Download PDFInfo
- Publication number
- CN116958838B CN116958838B CN202310899438.7A CN202310899438A CN116958838B CN 116958838 B CN116958838 B CN 116958838B CN 202310899438 A CN202310899438 A CN 202310899438A CN 116958838 B CN116958838 B CN 116958838B
- Authority
- CN
- China
- Prior art keywords
- image
- forest resource
- resource monitoring
- combination
- correlation
- 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 399
- 238000005516 engineering process Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005457 optimization Methods 0.000 claims abstract description 188
- 238000010191 image analysis Methods 0.000 claims abstract description 83
- 238000005065 mining Methods 0.000 claims abstract description 54
- 238000010219 correlation analysis Methods 0.000 claims abstract description 50
- 230000008859 change Effects 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 170
- 238000004458 analytical method Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 6
- 230000005284 excitation Effects 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 111
- 238000004364 calculation method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012512 characterization method Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000016507 interphase Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/16—Image acquisition using multiple overlapping images; Image stitching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明提供的一种基于无人机航测技术的森林资源监测方法及系统，涉及人工智能技术领域。在本发明中，提取到多个森林资源监测图像数据；依据多个森林资源监测图像数据，确定出网络优化数据簇；依据网络优化数据簇，将候选图像分析网络进行网络优化操作；对网络优化操作后的关键信息挖掘单元标记为优化图像分析网络的图像关键信息挖掘单元，将优化图像分析网络进行进一步的网络优化操作，以形成目标的优化图像分析网络；利用目标的优化图像分析网络，对目标森林资源监测图像进行图像相关性分析操作，以输出图像相关性估计结果，基于图像相关性估计结果，确定出资源变化情况。基于上述内容，可以提高森林资源监测的可靠度。
Description
技术领域
本发明涉及人工智能技术领域，具体而言，涉及一种基于无人机航测技术的森林资源监测方法及系统。
背景技术
无人机航测技术的成熟，使得其应用范围较大，例如，可以基于无人机航测技术对广袤的森林进行图像信息采集，以使得森林资源监测的目的。但是，在现有技术中，存在着可靠度不高的问题。
发明内容
有鉴于此，本发明的目的在于提供一种基于无人机航测技术的森林资源监测方法及系统，可以在一定程度上提高森林资源监测的可靠度。
为实现上述目的，本发明实施例采用如下技术方案：
一种基于无人机航测技术的森林资源监测方法，包括：
提取到多个森林资源监测图像数据，每一个所述森林资源监测图像数据属于历史上对至少一个森林区域进行图像信息采集操作以形成；
依据所述多个森林资源监测图像数据，确定出网络优化数据簇，所述网络优化数据簇中的每一个网络优化数据包括一个所述森林资源监测图像数据对应的一个紧密相关图像组合和一个非紧密相关图像组合，所述紧密相关图像组合对应的图像相关系数大于所述非紧密相关图像组合对应的图像相关系数，一个紧密相关图像组合包括至少两帧森林资源监测图像，一个非紧密相关图像组合包括至少两帧森林资源监测图像；
依据所述网络优化数据簇，将候选图像分析网络进行网络优化操作，使得所述候选图像分析网络的网络优化代价参数与预先确定的优化完成确定规则匹配，所述候选图像分析网络包括依次连接的候选关键信息挖掘单元和候选图像相关性分析单元，所述候选图像分析网络的分析数据包括所述网络优化数据簇中各图像组合，以分析出每一个图像组合对应的图像相关性估计结果，所述网络优化代价参数用于反映各所述网络优化数据包括的紧密相关图像组合对应的图像相关性估计结果和该网络优化数据包括的非紧密相关图像组合对应的图像相关性估计结果之间的区别信息；
对网络优化操作后的关键信息挖掘单元进行标记，以标记为优化图像分析网络的图像关键信息挖掘单元，以及，将所述优化图像分析网络进行进一步的网络优化操作，以形成目标的优化图像分析网络，所述目标的优化图像分析网络包括依次连接的图像关键信息挖掘单元和目标图像相关性分析网络；
利用所述目标的优化图像分析网络，对采集到的目标森林资源监测图像数据包括的目标森林资源监测图像进行图像相关性分析操作，以输出对应的图像相关性估计结果，以及，基于所述图像相关性估计结果，确定出所述目标森林资源监测图像数据对应的目标森林资源区域的资源变化情况，所述目标森林资源监测图像数据基于无人机航测技术对所述目标森林资源区域进行图像信息采集操作以形成。
在一些优选的实施例中，在上述基于无人机航测技术的森林资源监测方法中，在所述提取到多个森林资源监测图像数据的步骤之后，所述基于无人机航测技术的森林资源监测方法还包括：
确定出各所述森林资源监测图像数据对应的森林资源区域概况信息；
并且，所述依据所述多个森林资源监测图像数据，确定出网络优化数据簇的步骤，包括：
针对每一个所述森林资源监测图像数据，分析出所述森林资源监测图像数据中与所述森林资源监测图像数据的森林资源区域概况信息之间的相关性最大的相关森林资源监测图像，以及，分析出所述森林资源监测图像数据的至少一个无关森林资源监测图像，所述无关森林资源监测图像为与所述森林资源区域概况信息之间的相关性小于所述相关森林资源监测图像与所述森林资源区域概况信息之间的相关性的森林资源监测图像；
针对每一个所述森林资源监测图像数据，对所述森林资源监测图像数据的森林资源区域概况信息和相关森林资源监测图像进行组合操作，以形成所述森林资源监测图像数据对应的紧密相关图像组合，以及，对所述森林资源监测图像数据的森林资源区域概况信息和每一个所述无关森林资源监测图像进行组合操作，以形成所述森林资源监测图像数据对应的非紧密相关图像组合。
在一些优选的实施例中，在上述基于无人机航测技术的森林资源监测方法中，所述针对每一个所述森林资源监测图像数据，分析出所述森林资源监测图像数据中与所述森林资源监测图像数据的森林资源区域概况信息之间的相关性最大的相关森林资源监测图像，以及，分析出所述森林资源监测图像数据的至少一个无关森林资源监测图像的步骤，包括：
针对每一个所述森林资源监测图像数据，分析出所述森林资源监测图像数据中与所述森林资源监测图像数据的森林资源区域概况信息之间的相关性最大的相关森林资源监测图像；
对所述森林资源监测图像数据中所述相关森林资源监测图像以外的至少一帧森林资源监测图像进行标记，以标记为无关森林资源监测图像，以形成所述森林资源监测图像数据的至少一个无关森林资源监测图像；或者
对所述森林资源监测图像数据包括的相关森林资源监测图像中的至少一个目标图像区域进行覆盖，以形成对应的无关森林资源监测图像，所述至少一个目标图像区域包括所述相关森林资源监测图像中与所述森林资源监测图像数据的森林资源区域概况信息之间的相关性最大的一个图像区域；或者
针对所述森林资源监测图像数据中所述相关森林资源监测图像以外的至少一帧森林资源监测图像，对该森林资源监测图像中的至少一个对比图像区域进行覆盖，以形成对应的至少一个无关森林资源监测图像，所述对比图像区域包括该森林资源监测图像中与所述森林资源监测图像数据的森林资源区域概况信息之间的相关性最大的一个图像区域。
在一些优选的实施例中，在上述基于无人机航测技术的森林资源监测方法中，所述候选图像相关性分析单元包括相关性分析第一子单元和相关性分析第二子单元，确定出所述网络优化代价参数的步骤，包括：
对所述网络优化数据簇中的各图像组合进行加载，以分别加载到所述候选图像分析网络中，利用所述候选图像分析网络包括的候选关键信息挖掘单元挖掘出每一个所述图像组合对应的图像信息描述向量，针对任意一个所述图像组合，对应的所述图像信息描述向量包括所述图像组合的图像整体信息描述向量和所述图像组合中的每一帧森林资源监测图像的图像信息描述向量；
针对每一个图像组合，对所述图像组合的图像整体信息描述向量进行加载，以加载到所述候选图像分析网络包括的相关性分析第一子单元中，分析出所述图像组合对应的图像相关性第一参数，以及，对所述图像组合中两帧森林资源监测图像的图像信息描述向量进行加载，以加载到所述相关性分析第二子单元中，分析出所述图像组合对应的图像相关性第二参数；
针对每一个所述网络优化数据，基于该网络优化数据中的紧密相关图像组合的图像相关性第一参数和非紧密相关图像组合的图像相关性第一参数，分析出该网络优化数据对应的第一局部优化代价参数，以及，基于该网络优化数据的紧密相关图像组合的图像相关性第二参数和非紧密相关图像组合的图像相关性第二参数，分析出该网络优化数据对应的第二局部优化代价参数；
基于各所述网络优化数据对应的第一局部优化代价参数和第二局部优化代价参数，计算出对应的网络优化代价参数。
在一些优选的实施例中，在上述基于无人机航测技术的森林资源监测方法中，所述相关性分析第一子单元包括第一分析层和第二分析层，所述第一分析层和所述第二分析层之间具有不完全一致的层参数；
所述针对每一个图像组合，对所述图像组合的图像整体信息描述向量进行加载，以加载到所述候选图像分析网络包括的相关性分析第一子单元中，分析出所述图像组合对应的图像相关性第一参数的步骤，包括：
对所述图像组合的图像整体信息描述向量进行加载，以加载到所述第一分析层和所述第二分析层中，以分析出对应的图像相关性第一子参数和图像相关性第二子参数，所述图像相关性第一参数包括所述图像相关性第一子参数和所述图像相关性第二子参数；
并且，所述针对每一个所述网络优化数据，基于该网络优化数据中的紧密相关图像组合的图像相关性第一参数和非紧密相关图像组合的图像相关性第一参数，分析出该网络优化数据对应的第一局部优化代价参数的步骤，包括：
基于所述紧密相关图像组合的图像相关性第一子参数和图像相关性第二子参数，与所述非紧密相关图像组合的图像相关性第一子参数和图像相关性第二子参数之间的区别，分析出所述网络优化数据对应的第一局部优化代价参数。
在一些优选的实施例中，在上述基于无人机航测技术的森林资源监测方法中，所述图像组合中的每一帧森林资源监测图像的图像信息描述向量包括每一帧森林资源监测图像中具有的图像像素的图像像素描述向量。
在一些优选的实施例中，在上述基于无人机航测技术的森林资源监测方法中，所述对所述网络优化数据簇中的各图像组合进行加载，以分别加载到所述候选图像分析网络中，利用所述候选图像分析网络包括的候选关键信息挖掘单元挖掘出每一个所述图像组合对应的图像信息描述向量的步骤，包括：
针对每一个图像组合，对初始位置标识、所述图像组合中的第一帧森林资源监测图像、图像间隔标识和所述图像组合中的第二帧森林资源监测图像按序进行级联组合，以形成对应的图像信息组合数据；
对所述图像信息组合数据进行加载，以加载到所述关键信息挖掘单元中，挖掘出所述初始位置标识对应的位置标识描述向量和每一个图像组合包括的各图像像素的图像像素描述向量，所述图像组合的图像整体信息描述向量为所述初始位置标识对应的位置标识描述向量。
在一些优选的实施例中，在上述基于无人机航测技术的森林资源监测方法中，所述对所述图像组合中两帧森林资源监测图像的图像信息描述向量进行加载，以加载到所述相关性分析第二子单元中，分析出所述图像组合对应的图像相关性第二参数的步骤，包括：
对所述图像组合中两帧森林资源监测图像的图像信息描述向量进行聚合操作，以形成每一帧森林资源监测图像对应的聚合图像信息描述向量；
针对所述图像组合中的每一帧森林资源监测图像，依据该森林资源监测图像的图像信息描述向量和所述聚合图像信息描述向量进行深度挖掘操作，以形成该森林资源监测图像的深度图像信息描述向量；
基于所述图像组合中两帧森林资源监测图像的深度图像信息描述向量，对比分析出所述图像组合的图像相关性第二参数。
在一些优选的实施例中，在上述基于无人机航测技术的森林资源监测方法中，针对任意一个图像组合，所述图像组合中的每一帧森林资源监测图像的图像信息描述向量包括每一帧森林资源监测图像中具有的各图像像素的图像像素描述向量；
其中，所述对所述图像组合中两帧森林资源监测图像的图像信息描述向量进行聚合操作，以形成每一帧森林资源监测图像对应的聚合图像信息描述向量的步骤，包括：
针对所述图像组合的每一帧森林资源监测图像的每一个图像像素，分析出该森林资源监测图像中该图像像素的图像像素描述向量和所述图像组合中其它森林资源监测图像中各图像像素的相关图像像素描述向量，以及，依据该图像像素对应的各相关图像像素描述向量，确定出该图像像素对应的聚合图像像素描述向量；
并且，针对所述图像组合的每一帧森林资源监测图像，所述森林资源监测图像对应的聚合图像信息描述向量包括该森林资源监测图像中各图像像素对应的聚合图像像素描述向量；
其中，所述针对所述图像组合中的每一帧森林资源监测图像，依据该森林资源监测图像的图像信息描述向量和所述聚合图像信息描述向量进行深度挖掘操作，以形成该森林资源监测图像的深度图像信息描述向量的步骤，包括：
针对所述图像组合中的每一帧森林资源监测图像，依据该森林资源监测图像的图像信息描述向量和该森林资源监测图像中各图像像素对应的聚合图像像素描述向量进行深度挖掘操作，以形成该森林资源监测图像的深度图像信息描述向量。
本发明实施例还提供一种基于无人机航测技术的森林资源监测系统，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现上述的基于无人机航测技术的森林资源监测方法。
本发明实施例提供的一种基于无人机航测技术的森林资源监测方法及系统，可以先提取到多个森林资源监测图像数据；依据多个森林资源监测图像数据，确定出网络优化数据簇；依据网络优化数据簇，将候选图像分析网络进行网络优化操作；对网络优化操作后的关键信息挖掘单元标记为优化图像分析网络的图像关键信息挖掘单元，将优化图像分析网络进行进一步的网络优化操作，以形成目标的优化图像分析网络；利用目标的优化图像分析网络，对目标森林资源监测图像进行图像相关性分析操作，以输出图像相关性估计结果，基于图像相关性估计结果，确定出资源变化情况。基于前述的内容，可以依据经过两级的网络优化操作形成的目标的优化图像分析网络，对目标森林资源监测图像进行分析，使得得到的图像相关性估计结果的可靠度更高，因此，基于图像相关性估计结果确定出的资源变化情况的可靠度也更高，使得在一定程度上提高森林资源监测的可靠度，从而改善现有技术中存在的可靠度不高的问题。
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
图1为本发明实施例提供的基于无人机航测技术的森林资源监测系统的结构框图。
图2为本发明实施例提供的基于无人机航测技术的森林资源监测方法包括的各步骤的流程示意图。
图3为本发明实施例提供的基于无人机航测技术的森林资源监测装置包括的各模块的示意图。
实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供了一种基于无人机航测技术的森林资源监测系统。其中，所述基于无人机航测技术的森林资源监测系统可以包括存储器和处理器。
详细地，所述存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件（firmware）的形式，存在的软件功能模块（计算机程序）。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，从而实现本发明实施例提供的基于无人机航测技术的森林资源监测方法。
可以选择的是，在一种可能的实施方式中，所述存储器可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-Only Memory，PROM），可擦除只读存储器（ErasableProgrammable Read-Only Memory，EPROM），电可擦除只读存储器（Electric ErasableProgrammable Read-Only Memory，EEPROM）等。
可以选择的是，在一种可能的实施方式中，所述处理器可以是一种通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）、片上系统(System on Chip，SoC)等；还可以是数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以选择的是，在一种可能的实施方式中，所述基于无人机航测技术的森林资源监测系统可以是一种具备数据处理能力的服务器。
结合图2，本发明实施例还提供一种基于无人机航测技术的森林资源监测方法，可应用于上述基于无人机航测技术的森林资源监测系统。其中，所述基于无人机航测技术的森林资源监测方法有关的流程所定义的方法步骤，可以由所述基于无人机航测技术的森林资源监测系统实现。
下面将对图2所示的具体流程，进行详细阐述。
步骤S110，提取到多个森林资源监测图像数据。
在本发明实施例中，所述基于无人机航测技术的森林资源监测系统可以提取到多个森林资源监测图像数据。每一个所述森林资源监测图像数据属于历史上对至少一个森林区域进行图像信息采集操作以形成，在进行图像信息采集操作时可以基于无人机航测技术实现。
步骤S120，依据所述多个森林资源监测图像数据，确定出网络优化数据簇。
在本发明实施例中，所述基于无人机航测技术的森林资源监测系统可以依据所述多个森林资源监测图像数据，确定出网络优化数据簇。所述网络优化数据簇中的每一个网络优化数据包括一个所述森林资源监测图像数据对应的一个紧密相关图像组合和一个非紧密相关图像组合，所述紧密相关图像组合对应的图像相关系数大于所述非紧密相关图像组合对应的图像相关系数，一个紧密相关图像组合包括至少两帧森林资源监测图像，如包括两帧森林资源监测图像，一个非紧密相关图像组合包括至少两帧森林资源监测图像，如包括两帧森林资源监测图像。
步骤S130，依据所述网络优化数据簇，将候选图像分析网络进行网络优化操作，使得所述候选图像分析网络的网络优化代价参数与预先确定的优化完成确定规则匹配。
在本发明实施例中，所述基于无人机航测技术的森林资源监测系统可以依据所述网络优化数据簇，将候选图像分析网络进行网络优化操作，使得所述候选图像分析网络的网络优化代价参数与预先确定的优化完成确定规则匹配，如所述网络优化代价参数小于预先配置的参考网络优化代价参数，该参考网络优化代价参数的具体数值不受限制，可以根据实际需求进行配置。所述候选图像分析网络包括依次连接（即先后连接）的候选关键信息挖掘单元和候选图像相关性分析单元，所述候选图像分析网络的分析数据包括所述网络优化数据簇中各图像组合，以分析出每一个图像组合对应的图像相关性估计结果，如相关性程度，所述网络优化代价参数用于反映各所述网络优化数据包括的紧密相关图像组合对应的图像相关性估计结果和该网络优化数据包括的非紧密相关图像组合对应的图像相关性估计结果之间的区别信息，如区别程度。
步骤S140，对网络优化操作后的关键信息挖掘单元进行标记，以标记为优化图像分析网络的图像关键信息挖掘单元，以及，将所述优化图像分析网络进行进一步的网络优化操作，以形成目标的优化图像分析网络。
在本发明实施例中，所述基于无人机航测技术的森林资源监测系统可以对网络优化操作后的关键信息挖掘单元进行标记，以标记为优化图像分析网络的图像关键信息挖掘单元，以及，将所述优化图像分析网络进行进一步的网络优化操作，以形成目标的优化图像分析网络，所述目标的优化图像分析网络包括依次连接（即先后连接）的图像关键信息挖掘单元和目标图像相关性分析网络。示例性地，在进行进一步的网络优化操作的过程中，由于图像关键信息挖掘单元已经经过网络优化操作，使得其关键信息挖掘的精度相对较高，因此，在后续的进一步网络优化操作的过程中，需要的网络优化数据的数量可以相对较小，如此，可以基于具有标签信息的少量网络优化数据，对优化图像分析网络进行进一步的网络优化操作，以形成目标的优化图像分析网络，如主要对目标图像相关性分析网络对应的初始图像相关性分析网络进行网络优化操作，即采用具有实际相关性参数的网络优化数据，对初始图像相关性分析网络进行网络优化操作。
步骤S150，利用所述目标的优化图像分析网络，对采集到的目标森林资源监测图像数据包括的目标森林资源监测图像进行图像相关性分析操作，以输出对应的图像相关性估计结果，以及，基于所述图像相关性估计结果，确定出所述目标森林资源监测图像数据对应的目标森林资源区域的资源变化情况。
在本发明实施例中，所述基于无人机航测技术的森林资源监测系统可以利用所述目标的优化图像分析网络，对采集到的目标森林资源监测图像数据包括的目标森林资源监测图像进行图像相关性分析操作，以输出对应的图像相关性估计结果，以及，基于所述图像相关性估计结果，确定出所述目标森林资源监测图像数据对应的目标森林资源区域的资源变化情况。所述目标森林资源监测图像数据基于无人机航测技术对所述目标森林资源区域进行图像信息采集操作以形成。例如，所述图像相关性估计结果表征的相关性越大，表示所述目标森林资源区域的资源变化程度越大，所述图像相关性估计结果表征的相关性越小，表示所述目标森林资源区域的资源变化程度越小。所述图像相关性估计结果表征的相关性可以与各目标森林资源监测图像之间的相关性的均值正相关。
基于前述的内容，可以依据经过两级的网络优化操作形成的目标的优化图像分析网络，对目标森林资源监测图像进行分析，使得得到的图像相关性估计结果的可靠度更高，因此，基于图像相关性估计结果确定出的资源变化情况的可靠度也更高，使得在一定程度上提高森林资源监测的可靠度，从而改善现有技术中存在的可靠度不高的问题。
可以选择的是，在一种可能的实施方式中，在所述提取到多个森林资源监测图像数据的步骤之后，即在步骤S110之后，所述基于无人机航测技术的森林资源监测方法还可以进一步包括以下所述的具体实施内容：
确定出各所述森林资源监测图像数据对应的森林资源区域概况信息，所述森林资源区域概况信息可以是指对所述森林资源监测图像数据进行提炼，以形成的一帧森林资源监测图像，例如，可以基于相应的神经网络实现，该神经网络通过网络优化操作以形成，该神经网络的网络优化依据包括示例性的森林资源监测图像数据和对应的实际森林资源区域概况信息，所述实际森林资源区域概况信息可以是通过人工对所述示例性的森林资源监测图像数据中的图像信息进行概况以得到。
基于此，在一种可能的实施方式中，上文中的步骤S120，可以进一步包括以下所述的具体实施内容：
针对每一个所述森林资源监测图像数据，分析出所述森林资源监测图像数据中与所述森林资源监测图像数据的森林资源区域概况信息之间的相关性最大的相关森林资源监测图像，即图像相似度最大的一帧森林资源监测图像，图像相似度可以依据现有技术中对图像像素进行直接的对比分析以得到，也可以基于神经网络进行对比分析，以及，分析出所述森林资源监测图像数据的至少一个无关森林资源监测图像，所述无关森林资源监测图像为，与所述森林资源区域概况信息之间的相关性，小于所述相关森林资源监测图像与所述森林资源区域概况信息之间的相关性的森林资源监测图像，也就是说，所述无关森林资源监测图像与所述森林资源区域概况信息之间的相关性相对较小，如此，可以作为无关的图像；
针对每一个所述森林资源监测图像数据，对所述森林资源监测图像数据的森林资源区域概况信息和相关森林资源监测图像进行组合操作，以形成所述森林资源监测图像数据对应的紧密相关图像组合，即相关性更高，以及，对所述森林资源监测图像数据的森林资源区域概况信息和每一个所述无关森林资源监测图像进行组合操作，以形成所述森林资源监测图像数据对应的非紧密相关图像组合，即相关性更低。
可以选择的是，在一种可能的实施方式中，所述针对每一个所述森林资源监测图像数据，分析出所述森林资源监测图像数据中与所述森林资源监测图像数据的森林资源区域概况信息之间的相关性最大的相关森林资源监测图像，以及，分析出所述森林资源监测图像数据的至少一个无关森林资源监测图像的步骤，可以进一步包括以下所述的具体实施内容：
针对每一个所述森林资源监测图像数据，分析出所述森林资源监测图像数据中与所述森林资源监测图像数据的森林资源区域概况信息之间的相关性最大的相关森林资源监测图像；
对所述森林资源监测图像数据中所述相关森林资源监测图像以外的至少一帧森林资源监测图像进行标记，以标记为无关森林资源监测图像，以形成所述森林资源监测图像数据的至少一个无关森林资源监测图像，可以是所述相关森林资源监测图像以外的全部森林资源监测图像，也可以是所述相关森林资源监测图像以外的部分森林资源监测图像。
可以选择的是，在一种可能的实施方式中，所述针对每一个所述森林资源监测图像数据，分析出所述森林资源监测图像数据中与所述森林资源监测图像数据的森林资源区域概况信息之间的相关性最大的相关森林资源监测图像，以及，分析出所述森林资源监测图像数据的至少一个无关森林资源监测图像的步骤，可以进一步包括以下所述的具体实施内容：
针对每一个所述森林资源监测图像数据，分析出所述森林资源监测图像数据中与所述森林资源监测图像数据的森林资源区域概况信息之间的相关性最大的相关森林资源监测图像；
对所述森林资源监测图像数据包括的相关森林资源监测图像中的至少一个目标图像区域进行覆盖，如利用其它无关图像进行覆盖，如黑色图像或白色图像等，以形成对应的无关森林资源监测图像，所述至少一个目标图像区域包括所述相关森林资源监测图像中与所述森林资源监测图像数据的森林资源区域概况信息之间的相关性最大的一个图像区域，所述图像区域的具体尺寸不受限制，可以根据实际需求进行配置。
可以选择的是，在一种可能的实施方式中，所述针对每一个所述森林资源监测图像数据，分析出所述森林资源监测图像数据中与所述森林资源监测图像数据的森林资源区域概况信息之间的相关性最大的相关森林资源监测图像，以及，分析出所述森林资源监测图像数据的至少一个无关森林资源监测图像的步骤，可以进一步包括以下所述的具体实施内容：
针对每一个所述森林资源监测图像数据，分析出所述森林资源监测图像数据中与所述森林资源监测图像数据的森林资源区域概况信息之间的相关性最大的相关森林资源监测图像；
针对所述森林资源监测图像数据中所述相关森林资源监测图像以外的至少一帧森林资源监测图像，对该森林资源监测图像中的至少一个对比图像区域进行覆盖，如前所述，以形成对应的至少一个无关森林资源监测图像，所述对比图像区域包括该森林资源监测图像中与所述森林资源监测图像数据的森林资源区域概况信息之间的相关性最大的一个图像区域，所述图像区域的具体尺寸不受限制，可以根据实际需求进行配置。
可以选择的是，在一种可能的实施方式中，所述候选图像相关性分析单元可以包括相关性分析第一子单元和相关性分析第二子单元，基于此，上文中的步骤S130包括的确定出所述网络优化代价参数的步骤，可以进一步包括以下所述的具体实施内容：
对所述网络优化数据簇中的各图像组合进行加载，以分别加载到所述候选图像分析网络中，利用所述候选图像分析网络包括的候选关键信息挖掘单元挖掘出每一个所述图像组合对应的图像信息描述向量，针对任意一个所述图像组合，对应的所述图像信息描述向量包括所述图像组合的图像整体信息描述向量和所述图像组合中的每一帧森林资源监测图像的图像信息描述向量；
针对每一个图像组合，对所述图像组合的图像整体信息描述向量进行加载，以加载到所述候选图像分析网络包括的相关性分析第一子单元中，分析出所述图像组合对应的图像相关性第一参数，也就是，可以基于所述相关性分析第一子单元，对所述图像整体信息描述向量先进行全连接处理，然后，对全连接处理的结果进行激励处理，以得到对应的图像相关性第一参数，激励处理可以通过softmax函数等实现，以及，对所述图像组合中两帧森林资源监测图像的图像信息描述向量进行加载，以加载到所述相关性分析第二子单元中，分析出所述图像组合对应的图像相关性第二参数；
针对每一个所述网络优化数据，基于该网络优化数据中的紧密相关图像组合的图像相关性第一参数和非紧密相关图像组合的图像相关性第一参数，分析出该网络优化数据对应的第一局部优化代价参数，以及，基于该网络优化数据的紧密相关图像组合的图像相关性第二参数和非紧密相关图像组合的图像相关性第二参数，分析出该网络优化数据对应的第二局部优化代价参数；
基于各所述网络优化数据对应的第一局部优化代价参数和第二局部优化代价参数，计算出对应的网络优化代价参数，例如，可以对第一局部优化代价参数和第二局部优化代价参数进行加权求和计算。
可以选择的是，在一种可能的实施方式中，所述图像组合中的每一帧森林资源监测图像的图像信息描述向量包括每一帧森林资源监测图像中具有的图像像素的图像像素描述向量，例如，可以将图像像素进行编码处理或特征空间的映射操作等，以形成对应的图像像素描述向量，基于此，所述对所述网络优化数据簇中的各图像组合进行加载，以分别加载到所述候选图像分析网络中，利用所述候选图像分析网络包括的候选关键信息挖掘单元挖掘出每一个所述图像组合对应的图像信息描述向量的步骤，可以进一步包括以下所述的具体实施内容：
针对每一个图像组合，对初始位置标识、所述图像组合中的第一帧森林资源监测图像、图像间隔标识和所述图像组合中的第二帧森林资源监测图像按序进行级联组合，以形成对应的图像信息组合数据，所述初始位置标识可以是一种无图像语义的符号，用于在关键信息挖掘过程中，标识出关键信息挖掘的初始位置坐标，所述图像间隔标识用于间隔开两帧森林资源监测图像，使得便于对两帧森林资源监测图像进行区分；
对所述图像信息组合数据进行加载，以加载到所述关键信息挖掘单元中，挖掘出所述初始位置标识对应的位置标识描述向量和每一个图像组合包括的各图像像素的图像像素描述向量，所述图像组合的图像整体信息描述向量为所述初始位置标识对应的位置标识描述向量，也就是说，可以将所述初始位置标识对应的初始位置的关键信息挖掘结果，作为所述图像组合的图像整体信息描述向量，对于挖掘出的每一个描述向量，其不仅包括对应位置的标识或像素的信息，还包括上下文信息。
可以选择的是，在一种可能的实施方式中，所述相关性分析第一子单元可以包括第一分析层和第二分析层，所述第一分析层和所述第二分析层之间具有不完全一致的层参数（具体的参数可以在网络优化的过程中确定），基于此，所述针对每一个图像组合，对所述图像组合的图像整体信息描述向量进行加载，以加载到所述候选图像分析网络包括的相关性分析第一子单元中，分析出所述图像组合对应的图像相关性第一参数的步骤，可以进一步包括以下所述的具体实施内容：
对所述图像组合的图像整体信息描述向量进行加载，以加载到所述第一分析层和所述第二分析层中，以分析出对应的图像相关性第一子参数和图像相关性第二子参数，所述图像相关性第一参数包括所述图像相关性第一子参数和所述图像相关性第二子参数，例如，所述第一分析层对所述图像整体信息描述向量进行全连接和激励处理，以得到对应的图像相关性第一子参数，所述第二分析层对所述图像整体信息描述向量进行全连接和激励处理，以得到对应的图像相关性第二子参数。
基于此，所述针对每一个所述网络优化数据，基于该网络优化数据中的紧密相关图像组合的图像相关性第一参数和非紧密相关图像组合的图像相关性第一参数，分析出该网络优化数据对应的第一局部优化代价参数的步骤可以进一步包括以下所述的具体实施内容：基于所述紧密相关图像组合的图像相关性第一子参数和图像相关性第二子参数，与所述非紧密相关图像组合的图像相关性第一子参数和图像相关性第二子参数之间的区别，分析出所述网络优化数据对应的第一局部优化代价参数，如后相关描述。
可以选择的是，在一种可能的实施方式中，所述对所述图像组合中两帧森林资源监测图像的图像信息描述向量进行加载，以加载到所述相关性分析第二子单元中，分析出所述图像组合对应的图像相关性第二参数的步骤，可以进一步包括以下所述的具体实施内容：
对所述图像组合中两帧森林资源监测图像的图像信息描述向量进行聚合操作，以形成每一帧森林资源监测图像对应的聚合图像信息描述向量；
针对所述图像组合中的每一帧森林资源监测图像，依据该森林资源监测图像的图像信息描述向量和所述聚合图像信息描述向量进行深度挖掘操作，以形成该森林资源监测图像的深度图像信息描述向量；
基于所述图像组合中两帧森林资源监测图像的深度图像信息描述向量，对比分析出所述图像组合的图像相关性第二参数，例如，可以对两帧森林资源监测图像的深度图像信息描述向量进行向量相关度的计算，以得到对应的图像相关性第二参数，如向量相乘或余弦相似度等。
可以选择的是，在一种可能的实施方式中，针对任意一个图像组合，所述图像组合中的每一帧森林资源监测图像的图像信息描述向量包括每一帧森林资源监测图像中具有的各图像像素的图像像素描述向量，基于此，所述对所述图像组合中两帧森林资源监测图像的图像信息描述向量进行聚合操作，以形成每一帧森林资源监测图像对应的聚合图像信息描述向量的步骤，可以进一步包括以下所述的具体实施内容：
针对所述图像组合的每一帧森林资源监测图像的每一个图像像素，分析出该森林资源监测图像中该图像像素的图像像素描述向量和所述图像组合中其它森林资源监测图像中各图像像素的相关图像像素描述向量，以及，依据该图像像素对应的各相关图像像素描述向量，确定出该图像像素对应的聚合图像像素描述向量（将该森林资源监测图像的每一个图像像素对应的聚合图像像素描述向量进行级联组合操作，可以得到该森林资源监测图像对应的聚合图像信息描述向量）。
其中，可以选择的是，在一种可能的实施方式中，所述针对所述图像组合的每一帧森林资源监测图像的每一个图像像素，分析出该森林资源监测图像中该图像像素的图像像素描述向量和所述图像组合中其它森林资源监测图像中各图像像素的相关图像像素描述向量，以及，依据该图像像素对应的各相关图像像素描述向量，确定出该图像像素对应的聚合图像像素描述向量的步骤，可以进一步包括以下所述的具体实施内容：
针对所述图像组合的每一帧森林资源监测图像的每一个图像像素，对该森林资源监测图像中该图像像素的图像像素描述向量和所述图像组合中其它森林资源监测图像中各图像像素的图像像素描述向量分别进行聚焦特征分析操作，以得到对应的各相关图像像素描述向量；
将所述图像像素对应的各相关图像像素描述向量进行叠加等运算，以形成该图像像素对应的聚合图像像素描述向量。
可以选择的是，在一种可能的实施方式中，针对所述图像组合的每一帧森林资源监测图像，所述森林资源监测图像对应的聚合图像信息描述向量包括该森林资源监测图像中各图像像素对应的聚合图像像素描述向量，基于此，所述针对所述图像组合中的每一帧森林资源监测图像，依据该森林资源监测图像的图像信息描述向量和所述聚合图像信息描述向量进行深度挖掘操作，以形成该森林资源监测图像的深度图像信息描述向量的步骤，可以进一步包括以下所述的具体实施内容：
针对所述图像组合中的每一帧森林资源监测图像，依据该森林资源监测图像的图像信息描述向量和该森林资源监测图像中各图像像素对应的聚合图像像素描述向量进行深度挖掘操作，以形成该森林资源监测图像的深度图像信息描述向量。
其中，可以选择的是，在一种可能的实施方式中，所述针对所述图像组合中的每一帧森林资源监测图像，依据该森林资源监测图像的图像信息描述向量和该森林资源监测图像中各图像像素对应的聚合图像像素描述向量进行深度挖掘操作，以形成该森林资源监测图像的深度图像信息描述向量的步骤，可以进一步包括以下所述的具体实施内容：
针对所述图像组合中的每一帧森林资源监测图像中的每一个图像像素，将该图像像素的图像像素描述向量、该图像像素的聚合图像像素描述向量、该图像像素的图像像素描述向量与该图像像素的聚合图像像素描述向量之间的相乘向量、该图像像素的图像像素描述向量与该图像像素的聚合图像像素描述向量之间的相减向量进行级联组合操作，以形成对应的级联组合向量，以及，对所述级联组合向量进行加权处理，如乘上一个第一网络参数，以及，对加权处理的结果进行偏移处理，如加上一个第二网络参数，以得到该图像像素对应的深度图像像素描述向量；
针对所述图像组合中的每一帧森林资源监测图像，将该森林资源监测图像中的各图像像素对应的深度图像像素描述向量进行级联组合操作，以形成该森林资源监测图像的深度图像信息描述向量。
其中，可以选择的是，在一种可能的实施方式中，所述基于所述图像组合中两帧森林资源监测图像的深度图像信息描述向量，对比分析出所述图像组合的图像相关性第二参数的步骤，可以进一步包括以下所述的具体实施内容：
对所述图像组合中两帧森林资源监测图像的深度图像信息描述向量进行相乘运算操作，以形成对应的相乘结果向量，以及，对所述图像组合中两帧森林资源监测图像的深度图像信息描述向量进行相间运算操作，以形成对应的相减结果向量，对所述相乘结果向量和所述相减结果向量进行级联组合操作，以形成对应的级联组合结果向量，以及，对配置的第一参数分布和所述级联组合结果向量进行向量积的计算，以及，对配置的第二参数和计算得到的向量积进行和值计算，以得到所述图像组合的图像相关性第二参数，所述第一参数分布和所述第二参数作为相应神经网络的网络参数，可以在网络优化的过程中优化调整。
其中，可以选择的是，在一种可能的实施方式中，所述针对每一个所述网络优化数据，基于该网络优化数据中的紧密相关图像组合的图像相关性第一参数和非紧密相关图像组合的图像相关性第一参数，分析出该网络优化数据对应的第一局部优化代价参数，以及，基于该网络优化数据的紧密相关图像组合的图像相关性第二参数和非紧密相关图像组合的图像相关性第二参数，分析出该网络优化数据对应的第二局部优化代价参数的步骤，可以进一步包括以下所述的具体实施内容：
对所述网络优化数据中的紧密相关图像组合的图像相关性第一参数和非紧密相关图像组合的图像相关性第一参数进行差值计算，以得到第一差值，以及，基于所述第一差值，确定出所述网络优化数据对应的第一局部优化代价参数，示例性地，所述第一局部优化代价参数可以与所述第一差值之间具有正相关的对应关系；
对所述网络优化数据中的紧密相关图像组合的图像相关性第二参数和非紧密相关图像组合的图像相关性第二参数进行差值计算，以得到第二差值，以及，基于所述第二差值，确定出所述网络优化数据对应的第二局部优化代价参数，示例性地，所述第二局部优化代价参数可以与所述第二差值之间具有正相关的对应关系。
结合图3，本发明实施例还提供一种基于无人机航测技术的森林资源监测装置，可应用于上述基于无人机航测技术的森林资源监测系统。其中，所述基于无人机航测技术的森林资源监测装置可以包括：
图像数据提取模块，用于提取到多个森林资源监测图像数据，每一个所述森林资源监测图像数据属于历史上对至少一个森林区域进行图像信息采集操作以形成；
优化数据确定模块，用于依据所述多个森林资源监测图像数据，确定出网络优化数据簇，所述网络优化数据簇中的每一个网络优化数据包括一个所述森林资源监测图像数据对应的一个紧密相关图像组合和一个非紧密相关图像组合，所述紧密相关图像组合对应的图像相关系数大于所述非紧密相关图像组合对应的图像相关系数，一个紧密相关图像组合包括至少两帧森林资源监测图像，一个非紧密相关图像组合包括至少两帧森林资源监测图像；
第一网络优化模块，用于依据所述网络优化数据簇，将候选图像分析网络进行网络优化操作，使得所述候选图像分析网络的网络优化代价参数与预先确定的优化完成确定规则匹配，所述候选图像分析网络包括依次连接的候选关键信息挖掘单元和候选图像相关性分析单元，所述候选图像分析网络的分析数据包括所述网络优化数据簇中各图像组合，以分析出每一个图像组合对应的图像相关性估计结果，所述网络优化代价参数用于反映各所述网络优化数据包括的紧密相关图像组合对应的图像相关性估计结果和该网络优化数据包括的非紧密相关图像组合对应的图像相关性估计结果之间的区别信息；
第二网络优化模块，用于对网络优化操作后的关键信息挖掘单元进行标记，以标记为优化图像分析网络的图像关键信息挖掘单元，以及，将所述优化图像分析网络进行进一步的网络优化操作，以形成目标的优化图像分析网络，所述目标的优化图像分析网络包括依次连接的图像关键信息挖掘单元和目标图像相关性分析网络；
资源变化情况确定模块，用于利用所述目标的优化图像分析网络，对采集到的目标森林资源监测图像数据包括的目标森林资源监测图像进行图像相关性分析操作，以输出对应的图像相关性估计结果，以及，基于所述图像相关性估计结果，确定出所述目标森林资源监测图像数据对应的目标森林资源区域的资源变化情况，所述目标森林资源监测图像数据基于无人机航测技术对所述目标森林资源区域进行图像信息采集操作以形成。
综上所述，本发明提供的一种基于无人机航测技术的森林资源监测方法及系统，可以先提取到多个森林资源监测图像数据；依据多个森林资源监测图像数据，确定出网络优化数据簇；依据网络优化数据簇，将候选图像分析网络进行网络优化操作；对网络优化操作后的关键信息挖掘单元标记为优化图像分析网络的图像关键信息挖掘单元，将优化图像分析网络进行进一步的网络优化操作，以形成目标的优化图像分析网络；利用目标的优化图像分析网络，对目标森林资源监测图像进行图像相关性分析操作，以输出图像相关性估计结果，基于图像相关性估计结果，确定出资源变化情况。基于前述的内容，可以依据经过两级的网络优化操作形成的目标的优化图像分析网络，对目标森林资源监测图像进行分析，使得得到的图像相关性估计结果的可靠度更高，因此，基于图像相关性估计结果确定出的资源变化情况的可靠度也更高，使得在一定程度上提高森林资源监测的可靠度，从而改善现有技术中存在的可靠度不高的问题。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (10)
1.一种基于无人机航测技术的森林资源监测方法，其特征在于，包括：
提取到多个森林资源监测图像数据，每一个所述森林资源监测图像数据属于历史上对至少一个森林区域进行图像信息采集操作以形成；
依据所述多个森林资源监测图像数据，确定出网络优化数据簇，所述网络优化数据簇中的每一个网络优化数据包括一个所述森林资源监测图像数据对应的一个紧密相关图像组合和一个非紧密相关图像组合，所述紧密相关图像组合对应的图像相关系数大于所述非紧密相关图像组合对应的图像相关系数，一个紧密相关图像组合包括至少两帧森林资源监测图像，一个非紧密相关图像组合包括至少两帧森林资源监测图像；
依据所述网络优化数据簇，将候选图像分析网络进行网络优化操作，使得所述候选图像分析网络的网络优化代价参数与预先确定的优化完成确定规则匹配，所述候选图像分析网络包括依次连接的候选关键信息挖掘单元和候选图像相关性分析单元，所述候选图像分析网络的分析数据包括所述网络优化数据簇中各图像组合，以分析出每一个图像组合对应的图像相关性估计结果，所述网络优化代价参数用于反映各所述网络优化数据包括的紧密相关图像组合对应的图像相关性估计结果和该网络优化数据包括的非紧密相关图像组合对应的图像相关性估计结果之间的区别信息；
对网络优化操作后的关键信息挖掘单元进行标记，以标记为优化图像分析网络的图像关键信息挖掘单元，以及，将所述优化图像分析网络进行进一步的网络优化操作，以形成目标的优化图像分析网络，所述目标的优化图像分析网络包括依次连接的图像关键信息挖掘单元和目标图像相关性分析网络；
利用所述目标的优化图像分析网络，对采集到的目标森林资源监测图像数据包括的目标森林资源监测图像进行图像相关性分析操作，以输出对应的图像相关性估计结果，以及，基于所述图像相关性估计结果，确定出所述目标森林资源监测图像数据对应的目标森林资源区域的资源变化情况，所述目标森林资源监测图像数据基于无人机航测技术对所述目标森林资源区域进行图像信息采集操作以形成；
所述候选图像相关性分析单元包括相关性分析第一子单元和相关性分析第二子单元，确定出所述网络优化代价参数的步骤，包括：
对所述网络优化数据簇中的各图像组合进行加载，以分别加载到所述候选图像分析网络中，利用所述候选图像分析网络包括的候选关键信息挖掘单元挖掘出每一个所述图像组合对应的图像信息描述向量，针对任意一个所述图像组合，对应的所述图像信息描述向量包括所述图像组合的图像整体信息描述向量和所述图像组合中的每一帧森林资源监测图像的图像信息描述向量；
针对每一个图像组合，对所述图像组合的图像整体信息描述向量进行加载，以加载到所述候选图像分析网络包括的相关性分析第一子单元中，分析出所述图像组合对应的图像相关性第一参数，其中，基于所述相关性分析第一子单元，对所述图像整体信息描述向量先进行全连接处理，并对全连接处理的结果进行激励处理，以得到对应的图像相关性第一参数，激励处理通过softmax函数等实现，以及，对所述图像组合中两帧森林资源监测图像的图像信息描述向量进行加载，以加载到所述相关性分析第二子单元中，分析出所述图像组合对应的图像相关性第二参数；
针对每一个所述网络优化数据，基于该网络优化数据中的紧密相关图像组合的图像相关性第一参数和非紧密相关图像组合的图像相关性第一参数，分析出该网络优化数据对应的第一局部优化代价参数，以及，基于该网络优化数据的紧密相关图像组合的图像相关性第二参数和非紧密相关图像组合的图像相关性第二参数，分析出该网络优化数据对应的第二局部优化代价参数；
基于各所述网络优化数据对应的第一局部优化代价参数和第二局部优化代价参数，计算出对应的网络优化代价参数。
2.如权利要求1所述的基于无人机航测技术的森林资源监测方法，其特征在于，在所述提取到多个森林资源监测图像数据的步骤之后，所述基于无人机航测技术的森林资源监测方法还包括：
确定出各所述森林资源监测图像数据对应的森林资源区域概况信息；
并且，所述依据所述多个森林资源监测图像数据，确定出网络优化数据簇的步骤，包括：
针对每一个所述森林资源监测图像数据，分析出所述森林资源监测图像数据中与所述森林资源监测图像数据的森林资源区域概况信息之间的相关性最大的相关森林资源监测图像，以及，分析出所述森林资源监测图像数据的至少一个无关森林资源监测图像，所述无关森林资源监测图像为与所述森林资源区域概况信息之间的相关性小于所述相关森林资源监测图像与所述森林资源区域概况信息之间的相关性的森林资源监测图像；
针对每一个所述森林资源监测图像数据，对所述森林资源监测图像数据的森林资源区域概况信息和相关森林资源监测图像进行组合操作，以形成所述森林资源监测图像数据对应的紧密相关图像组合，以及，对所述森林资源监测图像数据的森林资源区域概况信息和每一个所述无关森林资源监测图像进行组合操作，以形成所述森林资源监测图像数据对应的非紧密相关图像组合。
3.如权利要求2所述的基于无人机航测技术的森林资源监测方法，其特征在于，所述针对每一个所述森林资源监测图像数据，分析出所述森林资源监测图像数据中与所述森林资源监测图像数据的森林资源区域概况信息之间的相关性最大的相关森林资源监测图像，以及，分析出所述森林资源监测图像数据的至少一个无关森林资源监测图像的步骤，包括：
针对每一个所述森林资源监测图像数据，分析出所述森林资源监测图像数据中与所述森林资源监测图像数据的森林资源区域概况信息之间的相关性最大的相关森林资源监测图像；
对所述森林资源监测图像数据中所述相关森林资源监测图像以外的至少一帧森林资源监测图像进行标记，以标记为无关森林资源监测图像，以形成所述森林资源监测图像数据的至少一个无关森林资源监测图像；或者
对所述森林资源监测图像数据包括的相关森林资源监测图像中的至少一个目标图像区域进行覆盖，以形成对应的无关森林资源监测图像，所述至少一个目标图像区域包括所述相关森林资源监测图像中与所述森林资源监测图像数据的森林资源区域概况信息之间的相关性最大的一个图像区域；或者
针对所述森林资源监测图像数据中所述相关森林资源监测图像以外的至少一帧森林资源监测图像，对该森林资源监测图像中的至少一个对比图像区域进行覆盖，以形成对应的至少一个无关森林资源监测图像，所述对比图像区域包括该森林资源监测图像中与所述森林资源监测图像数据的森林资源区域概况信息之间的相关性最大的一个图像区域。
4.如权利要求1所述的基于无人机航测技术的森林资源监测方法，其特征在于，所述候选图像相关性分析单元包括相关性分析第一子单元和相关性分析第二子单元，确定出所述网络优化代价参数的步骤，包括：
对所述网络优化数据簇中的各图像组合进行加载，以分别加载到所述候选图像分析网络中，利用所述候选图像分析网络包括的候选关键信息挖掘单元挖掘出每一个所述图像组合对应的图像信息描述向量，针对任意一个所述图像组合，对应的所述图像信息描述向量包括所述图像组合的图像整体信息描述向量和所述图像组合中的每一帧森林资源监测图像的图像信息描述向量；
针对每一个图像组合，对所述图像组合的图像整体信息描述向量进行加载，以加载到所述候选图像分析网络包括的相关性分析第一子单元中，分析出所述图像组合对应的图像相关性第一参数，以及，对所述图像组合中两帧森林资源监测图像的图像信息描述向量进行加载，以加载到所述相关性分析第二子单元中，分析出所述图像组合对应的图像相关性第二参数；
针对每一个所述网络优化数据，基于该网络优化数据中的紧密相关图像组合的图像相关性第一参数和非紧密相关图像组合的图像相关性第一参数，分析出该网络优化数据对应的第一局部优化代价参数，以及，基于该网络优化数据的紧密相关图像组合的图像相关性第二参数和非紧密相关图像组合的图像相关性第二参数，分析出该网络优化数据对应的第二局部优化代价参数；
基于各所述网络优化数据对应的第一局部优化代价参数和第二局部优化代价参数，计算出对应的网络优化代价参数。
5.如权利要求4所述的基于无人机航测技术的森林资源监测方法，其特征在于，所述相关性分析第一子单元包括第一分析层和第二分析层，所述第一分析层和所述第二分析层之间具有不完全一致的层参数；
所述针对每一个图像组合，对所述图像组合的图像整体信息描述向量进行加载，以加载到所述候选图像分析网络包括的相关性分析第一子单元中，分析出所述图像组合对应的图像相关性第一参数的步骤，包括：
对所述图像组合的图像整体信息描述向量进行加载，以加载到所述第一分析层和所述第二分析层中，以分析出对应的图像相关性第一子参数和图像相关性第二子参数，所述图像相关性第一参数包括所述图像相关性第一子参数和所述图像相关性第二子参数；
并且，所述针对每一个所述网络优化数据，基于该网络优化数据中的紧密相关图像组合的图像相关性第一参数和非紧密相关图像组合的图像相关性第一参数，分析出该网络优化数据对应的第一局部优化代价参数的步骤，包括：
基于所述紧密相关图像组合的图像相关性第一子参数和图像相关性第二子参数，与所述非紧密相关图像组合的图像相关性第一子参数和图像相关性第二子参数之间的区别，分析出所述网络优化数据对应的第一局部优化代价参数。
6.如权利要求4所述的基于无人机航测技术的森林资源监测方法，其特征在于，所述图像组合中的每一帧森林资源监测图像的图像信息描述向量包括每一帧森林资源监测图像中具有的图像像素的图像像素描述向量。
7.如权利要求6所述的基于无人机航测技术的森林资源监测方法，其特征在于，所述对所述网络优化数据簇中的各图像组合进行加载，以分别加载到所述候选图像分析网络中，利用所述候选图像分析网络包括的候选关键信息挖掘单元挖掘出每一个所述图像组合对应的图像信息描述向量的步骤，包括：
针对每一个图像组合，对初始位置标识、所述图像组合中的第一帧森林资源监测图像、图像间隔标识和所述图像组合中的第二帧森林资源监测图像按序进行级联组合，以形成对应的图像信息组合数据；
对所述图像信息组合数据进行加载，以加载到所述关键信息挖掘单元中，挖掘出所述初始位置标识对应的位置标识描述向量和每一个图像组合包括的各图像像素的图像像素描述向量，所述图像组合的图像整体信息描述向量为所述初始位置标识对应的位置标识描述向量。
8.如权利要求4所述的基于无人机航测技术的森林资源监测方法，其特征在于，所述对所述图像组合中两帧森林资源监测图像的图像信息描述向量进行加载，以加载到所述相关性分析第二子单元中，分析出所述图像组合对应的图像相关性第二参数的步骤，包括：
对所述图像组合中两帧森林资源监测图像的图像信息描述向量进行聚合操作，以形成每一帧森林资源监测图像对应的聚合图像信息描述向量；
针对所述图像组合中的每一帧森林资源监测图像，依据该森林资源监测图像的图像信息描述向量和所述聚合图像信息描述向量进行深度挖掘操作，以形成该森林资源监测图像的深度图像信息描述向量；
基于所述图像组合中两帧森林资源监测图像的深度图像信息描述向量，对比分析出所述图像组合的图像相关性第二参数。
9.如权利要求8所述的基于无人机航测技术的森林资源监测方法，其特征在于，针对任意一个图像组合，所述图像组合中的每一帧森林资源监测图像的图像信息描述向量包括每一帧森林资源监测图像中具有的各图像像素的图像像素描述向量；
其中，所述对所述图像组合中两帧森林资源监测图像的图像信息描述向量进行聚合操作，以形成每一帧森林资源监测图像对应的聚合图像信息描述向量的步骤，包括：
针对所述图像组合的每一帧森林资源监测图像的每一个图像像素，分析出该森林资源监测图像中该图像像素的图像像素描述向量和所述图像组合中其它森林资源监测图像中各图像像素的相关图像像素描述向量，以及，依据该图像像素对应的各相关图像像素描述向量，确定出该图像像素对应的聚合图像像素描述向量；
并且，针对所述图像组合的每一帧森林资源监测图像，所述森林资源监测图像对应的聚合图像信息描述向量包括该森林资源监测图像中各图像像素对应的聚合图像像素描述向量；
其中，所述针对所述图像组合中的每一帧森林资源监测图像，依据该森林资源监测图像的图像信息描述向量和所述聚合图像信息描述向量进行深度挖掘操作，以形成该森林资源监测图像的深度图像信息描述向量的步骤，包括：
针对所述图像组合中的每一帧森林资源监测图像，依据该森林资源监测图像的图像信息描述向量和该森林资源监测图像中各图像像素对应的聚合图像像素描述向量进行深度挖掘操作，以形成该森林资源监测图像的深度图像信息描述向量。
10.一种基于无人机航测技术的森林资源监测系统，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现权利要求1-9任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310899438.7A CN116958838B (zh) | 2023-07-21 | 2023-07-21 | 一种基于无人机航测技术的森林资源监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310899438.7A CN116958838B (zh) | 2023-07-21 | 2023-07-21 | 一种基于无人机航测技术的森林资源监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116958838A CN116958838A (zh) | 2023-10-27 |
| CN116958838B true CN116958838B (zh) | 2024-03-12 |
Family
ID=88459827
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310899438.7A Active CN116958838B (zh) | 2023-07-21 | 2023-07-21 | 一种基于无人机航测技术的森林资源监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116958838B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113567369A (zh) * | 2021-07-20 | 2021-10-29 | 海南省林业科学研究院(海南省红树林研究院) | 一种基于多光谱遥感的森林环境监测方法及系统 |
| CN114882361A (zh) * | 2022-05-13 | 2022-08-09 | 东南大学 | 基于多源遥感融合的深度学习估算森林地上生物量方法 |
| CN115546672A (zh) * | 2022-11-30 | 2022-12-30 | 广州天地林业有限公司 | 基于图像处理的森林图片处理方法及系统 |
-
2023
- 2023-07-21 CN CN202310899438.7A patent/CN116958838B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113567369A (zh) * | 2021-07-20 | 2021-10-29 | 海南省林业科学研究院(海南省红树林研究院) | 一种基于多光谱遥感的森林环境监测方法及系统 |
| CN114882361A (zh) * | 2022-05-13 | 2022-08-09 | 东南大学 | 基于多源遥感融合的深度学习估算森林地上生物量方法 |
| CN115546672A (zh) * | 2022-11-30 | 2022-12-30 | 广州天地林业有限公司 | 基于图像处理的森林图片处理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116958838A (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110780965B (zh) | 基于视觉的流程自动化方法、设备及可读存储介质 | |
| CN116109630B (zh) | 基于传感器采集和人工智能的图像分析方法及系统 | |
| CN110969526A (zh) | 重叠社群处理方法、装置以及电子设备 | |
| CN115687674A (zh) | 服务于智慧云服务平台的大数据需求分析方法及系统 | |
| CN115484112A (zh) | 支付大数据安全防护方法、系统及云平台 | |
| CN115100541B (zh) | 一种卫星遥感数据的处理方法、系统及云平台 | |
| CN116958838B (zh) | 一种基于无人机航测技术的森林资源监测方法及系统 | |
| CN111626313B (zh) | 一种特征提取模型训练方法、图像处理方法及装置 | |
| CN116070149A (zh) | 基于人工智能的数据分析方法、系统及云平台 | |
| CN115757900A (zh) | 应用人工智能模型的用户需求分析方法及系统 | |
| CN115546736A (zh) | 基于图像采集的河道采砂监控处理方法及系统 | |
| CN115484044A (zh) | 一种数据状态的监控方法及系统 | |
| CN115761598B (zh) | 一种基于云端业务平台的大数据分析方法及系统 | |
| CN117218439A (zh) | 一种物联网数据采集方法及系统 | |
| CN116662415B (zh) | 基于数据挖掘的智能匹配方法及系统 | |
| CN116630665A (zh) | 应用于图像分析的测绘数据处理方法及系统 | |
| CN117351355A (zh) | 一种建筑信息化的数据处理方法及系统 | |
| CN115082709B (zh) | 遥感大数据处理方法、系统及云平台 | |
| CN115578665B (zh) | 一种基于车辆行驶数据的资源处理方法及系统 | |
| CN117041121B (zh) | 基于数据挖掘的物联网异常监测方法及系统 | |
| CN115620210B (zh) | 基于图像处理的电子线料的性能确定方法及系统 | |
| CN115700821B (zh) | 一种基于图像处理的细胞识别方法及系统 | |
| CN115906170B (zh) | 应用于存储集群的安全防护方法及ai系统 | |
| CN115861321B (zh) | 应用于工业互联网的生产环境检测方法及系统 | |
| CN117150065B (zh) | 一种图像信息的采集方法及系统 |
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 |