CN117078682B - 一种大规模网格化空气质量等级精准评估方法 - Google Patents

一种大规模网格化空气质量等级精准评估方法 Download PDF

Info

Publication number
CN117078682B
CN117078682B CN202311336707.5A CN202311336707A CN117078682B CN 117078682 B CN117078682 B CN 117078682B CN 202311336707 A CN202311336707 A CN 202311336707A CN 117078682 B CN117078682 B CN 117078682B
Authority
CN
China
Prior art keywords
air
air environment
representing
area
pixel
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311336707.5A
Other languages
English (en)
Other versions
CN117078682A (zh
Inventor
周蕊
姜永栋
赵修敏
庞凌云
王晶晶
张君
陈晓会
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Kelin Testing Co ltd
Original Assignee
Shandong Kelin Testing Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong Kelin Testing Co ltd filed Critical Shandong Kelin Testing Co ltd
Priority to CN202311336707.5A priority Critical patent/CN117078682B/zh
Publication of CN117078682A publication Critical patent/CN117078682A/zh
Application granted granted Critical
Publication of CN117078682B publication Critical patent/CN117078682B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/06—Investigating concentration of particle suspensions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/59—Transmissivity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Dispersion Chemistry (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及空气质量评估的技术领域，公开了一种大规模网格化空气质量等级精准评估方法，所述方法包括：对采集的空气环境图像进行特征提取；基于空气环境图像的空间位置特征计算得到空气环境图像所对应网格化区域的坐标和深度距离；对所采集的空气环境图像进行大气透射率计算；对网格化区域的空气污染浓度进行计算；根据计算得到的空气污染浓度对网格化区域进行空气质量评级。本发明根据空气环境图像中像素在不同颜色通道的差异变化以及灰度值标准差度量空气环境图像所对应网格化区域的颗粒物浓度，将颗粒物浓度转换为大气透射率，结合网格化区域的大气透射率、温度和湿度，计算得到网格化区域的空气污染浓度进行空气质量评级。

Description

一种大规模网格化空气质量等级精准评估方法
技术领域
本发明涉及空气质量评估的技术领域，尤其涉及一种大规模网格化空气质量等级精准评估方法。
背景技术
近年来，随着空气环境污染的治理成为广受关注的问题，各种先进的环境监测技术涌现出来，如何应用这些技术获得准确的监测空气质量数据是当前研究的重点。当前监测区域环境空气质量时，主要采用卫星遥感采样估算的方式获取大气污染物浓度数据，估算结果会受到区域环境因素的干扰，导致最终监测结果均方根误差较大，同时由于是采样估算导致无法对区域整体空气质量情况进行全面掌握。针对该问题，本发明提出一种大规模网格化空气质量等级精准评估方法，实现区域空气质量的全方位评估。
发明内容
有鉴于此，本发明提供一种大规模网格化空气质量等级精准评估方法，目的在于：1）利用无人飞行器采集网格化区域的空气环境图像以及空气环境信息，根据空气环境图像中像素的灰度值变化梯度，确定梯度变化较为剧烈的像素点进行标记，所标记像素点表示空气颜色与邻近像素点对应的空气颜色存在明显差异，构建得到空气环境图像的空间位置特征，基于空气环境图像的空间位置特征计算得到空气环境图像所对应网格化区域的坐标和深度距离，确定不同网格化区域的世界坐标；2）根据空气环境图像中像素在不同颜色通道的差异变化以及灰度值标准差度量空气环境图像所对应网格化区域的颗粒物浓度，并将颗粒物浓度转换为大气透射率，其中大气透射率越高，则表示颗粒物浓度越低，结合网格化区域的大气透射率、温度和湿度，计算得到网格化区域的空气污染浓度，根据计算得到的空气污染浓度对网格化区域进行空气质量评级，并结合网格化区域的坐标和深度距离，得到待空气质量评估区域中不同坐标位置的空气质量评级。
实现上述目的，本发明提供的一种大规模网格化空气质量等级精准评估方法，包括以下步骤：
S1：对待空气质量评估区域进行网格化分割，得到若干网格化区域，通过无人飞行器采集网格化区域的空气环境图像以及空气环境信息，对采集的空气环境图像进行特征提取，得到空气环境图像的空间位置特征，其中空气环境信息包括网格化区域的温度和湿度；
S2：基于空气环境图像的空间位置特征计算得到空气环境图像所对应网格化区域的坐标和深度距离；
S3：构建大气透射率提取模型对所采集的空气环境图像进行大气透射率计算，所述大气透射率提取模型以空气环境图像为输入，以空气环境图像所对应网格化区域的大气透射率为输出；
S4：构造多因素空气污染浓度计算模型对网格化区域的空气污染浓度进行计算，所述多因素空气污染浓度计算模型以网格化区域的大气透射率、温度和湿度为输入，以网格化区域的空气污染浓度为输出；
S5：根据计算得到的空气污染浓度对网格化区域进行空气质量评级，并结合网格化区域的坐标和深度距离，得到待空气质量评估区域中不同坐标位置的空气质量评级。
作为本发明的进一步改进方法：
可选地，所述S1步骤中对待空气质量评估区域进行网格化分割，得到若干网格化区域，通过无人飞行器采集网格化区域的空气环境图像以及空气环境信息，包括：
对待空气质量评估区域进行网格化分割，得到若干网格化区域，所述网格化分割得到的网格化区域集合为：
其中：
表示对待空气质量评估区域进行网格化分割得到的第n块网格化区域，其中每块网格化区域的区域规格相同，所述区域规格包括网格化区域的长和宽；
通过无人飞行器采集网格化区域的空气环境图像以及空气环境信息，其中所采集到网格化区域的空气环境图像以及空气环境信息为：
其中：
表示无人飞行器所采集到的网格化区域/>的空气环境图像；
表示无人飞行器所采集到的网格化区域/>的空气环境信息，其中/>表示网格化区域/>的温度信息，/>表示网格化区域/>的湿度信息。
在本发明实施例中，无人飞行器搭载了深度相机以及温湿度传感器，其中深度相机用于采集网格化区域的空气环境图像，温湿度传感器用于感知网格化区域的空气环境信息。
可选地，所述S1步骤中对采集的空气环境图像进行特征提取，得到空气环境图像的空间位置特征，包括：
对采集的空气环境图像进行特征提取，得到空气环境图像的空间位置特征，其中空气环境图像的空间位置特征提取流程为：
S11：对空气环境图像进行灰度化处理，得到空气环境图像/>中任意像素的灰度值，计算得到空气环境图像/>中任意像素的梯度，其中空气环境图像/>中第/>行第/>列像素/>的梯度为：
其中：
，/>表示空气环境图像的行像素数目，表示空气环境图像的列像素数目；
表示空气环境图像/>中像素/>的灰度值；
表示空气环境图像/>中像素/>在水平方向的梯度值，表示空气环境图像/>中像素/>在垂直方向的梯度值；
S12：构建得到任意像素的梯度表示矩阵，其中像素的梯度表示矩阵为：
；
S13：基于像素的梯度表示矩阵，计算得到像素的特征编码表示结果，其中像素的特征编码表示结果为：
其中：
表示像素/>的特征编码表示结果；
表示计算得到矩阵的行列式，/>表示计算得到矩阵的迹；
表示编码参数，将/>设置为0.03；
S14：将特征编码表示结果大于等于预设阈值的像素标记为1，其他像素标记为0，得到空气环境图像/>的特征编码矩阵：
其中：
表示空气环境图像/>的特征编码矩阵，/>表示像素/>的标记结果；
将空气环境图像的特征编码矩阵/>作为空间位置特征。
可选地，所述S2步骤中基于空气环境图像的空间位置特征计算空气环境图像所对应网格化区域的坐标和深度距离，包括：
基于空气环境图像的空间位置特征计算空气环境图像所对应网格化区域的坐标和深度距离，其中空气环境图像所对应网格化区域/>的坐标和深度距离求解流程为：
计算得到网格化区域的深度距离/>：
其中：
表示网格化区域/>的深度距离，即网格化区域/>距离地表的高度；
表示无人飞行器所搭载相机的焦距；
表示空气环境图像/>的图像分辨率，/>表示空气环境图像/>中的像元尺寸；
计算特征编码矩阵中以任意像素所对应标记结果为中心的邻域矩阵区域的标记结果之和，选取标记结果之和最大的像素，其中所选取的像素为/>，将所选取像素的坐标转换为网格化区域的坐标/>：
其中：
表示无人飞行器所搭载相机拍摄的像素/>的深度信息；
表示无人飞行器所搭载相机的内参参数，/>表示无人飞行器所搭载相机在水平方向的焦距，/>表示无人飞行器所搭载相机在垂直方向的焦距，/>表示相机原点在水平方向的平移尺寸，/>表示相机原点在垂直方向的平移尺寸；
表示像素/>在相机坐标系下的坐标值；
表示无人飞行器所搭载相机的旋转矩阵参数，/>表示无人飞行器所搭载相机的平移矩阵参数。
可选地，所述S3步骤中构建大气透射率提取模型对所采集的空气环境图像进行大气透射率计算，包括：
构建大气透射率提取模型对所采集的空气环境图像进行大气透射率计算，所述大气透射率提取模型以空气环境图像为输入，以空气环境图像所对应网格化区域的大气透射率为输出，其中大气透射率提取模型包括输入层、像素颜色值提取层以及大气透射率计算层，基于大气透射率提取模型的空气环境图像的大气透射率计算流程为：
S31：输入层接收空气环境图像，并将空气环境图像/>输入到像素颜色值提取层；
S32：像素颜色值提取层提取空气环境图像中像素分别在R,G,B颜色通道的颜色值，其中像素/>分别在R,G,B颜色通道的颜色值依次为：；
S33：计算得到空气环境图像 中任意像素的透射率，其中像素/>的透射率计算公式为：
其中：
表示空气环境图像/>中以像素/>为中心的区域像素集合；其中区域大小为/>像素区域；
表示像素x的灰度值；
表示区域像素集合/>中像素灰度值标准差；
表示L1范数；
表示像素/>的透射率；
表示像素/>在d颜色通道的颜色值；
其中表示颗粒物浓度；
S34：根据步骤S13的像素标记结果，计算空气环境图像中标记为1像素的透射率均值作为空气环境图像/>的大气透射率/>，其中/>为网格化区域/>的大气透射率。
可选地，所述S4步骤中构造多因素空气污染浓度计算模型对网格化区域的空气污染浓度进行计算，包括：
构造多因素空气污染浓度计算模型对网格化区域的空气污染浓度进行计算，所述多因素空气污染浓度计算模型以网格化区域的大气透射率、温度和湿度为输入，以网格化区域的空气污染浓度为输出，其中网格化区域的空气污染浓度计算公式为：
其中：
表示无人飞行器所采集到的网格化区域/>的空气环境信息，其中表示网格化区域/>的温度信息，/>表示网格化区域/>的湿度信息；
表示网格化区域/>的邻近网格化区域的平均温度信息，/>表示网格化区域/>的邻近网格化区域的平均湿度信息；在本发明实施例中： 其中：
s表示预设邻近网格化区域数量参数；
表示温度参数；/>表示温度参数；
表示网格化区域/>的空气污染浓度。
可选地，所述S5步骤中根据计算得到的空气污染浓度对网格化区域进行空气质量评级，包括：
根据不同网格化区域的空气污染浓度，对网格化区域进行空气质量评级，其中网格化区域的空气质量评级结果为：
其中：
表示网格化区域/>的空气质量评级结果；
表示网格化区域/>的空气污染浓度；
为预设的空气污染浓度阈值；
为空气质量评级结果，其中空气质量评级结果越低，则对应网格化区域的空气质量越差，/>。
可选地，所述S5步骤中结合网格化区域的坐标和深度距离，得到待空气质量评估区域中不同坐标位置的空气质量评级，包括：
结合网格化区域的坐标和深度距离，得到待空气质量评估区域中不同坐标位置的空气质量评级，其中待空气质量评估区域中深度距离为，平面坐标为/>的坐标位置的空气质量评级为/>。
为了解决上述问题，本发明提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；
通信接口，实现电子设备通信；及
处理器，执行所述存储器中存储的指令以实现上述所述的大规模网格化空气质量等级精准评估方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的大规模网格化空气质量等级精准评估方法。
相对于现有技术，本发明提出一种大规模网格化空气质量等级精准评估方法，该技术具有以下优势：
首先，本方案提出一种空间位置特征提取方法，对空气环境图像进行灰度化处理，得到空气环境图像/>中任意像素的灰度值，计算得到空气环境图像/>中任意像素的梯度，其中空气环境图像/>中第/>行第/>列像素/>的梯度为：
其中：，/>表示空气环境图像的行像素数目，/>表示空气环境图像的列像素数目；/>表示空气环境图像/>中像素的灰度值；/>表示空气环境图像/>中像素/>在水平方向的梯度值，/>表示空气环境图像/>中像素/>在垂直方向的梯度值；构建得到任意像素的梯度表示矩阵，其中像素/>的梯度表示矩阵/>为：
基于像素的梯度表示矩阵，计算得到像素的特征编码表示结果，其中像素的特征编码表示结果为：
其中：/>表示像素/>的特征编码表示结果；/>表示计算得到矩阵的行列式，/>表示计算得到矩阵的迹；/>表示编码参数，将/>设置为0.03；将特征编码表示结果大于等于预设阈值/>的像素标记为1，其他像素标记为0，得到空气环境图像/>的特征编码矩阵：
其中：/>表示空气环境图像/>的特征编码矩阵，表示像素/>的标记结果；将空气环境图像/>的特征编码矩阵/>作为空间位置特征。本方案利用无人飞行器采集网格化区域的空气环境图像以及空气环境信息，根据空气环境图像中像素的灰度值变化梯度，确定梯度变化较为剧烈的像素点进行标记，所标记像素点表示空气颜色与邻近像素点对应的空气颜色存在明显差异，构建得到空气环境图像的空间位置特征，基于空气环境图像的空间位置特征计算得到空气环境图像所对应网格化区域的坐标和深度距离，确定不同网格化区域的世界坐标。
同时，本方案提出一种空气污染浓度计算方法，构建大气透射率提取模型对所采集的空气环境图像进行大气透射率计算，所述大气透射率提取模型以空气环境图像为输入，以空气环境图像所对应网格化区域的大气透射率为输出，其中大气透射率提取模型包括输入层、像素颜色值提取层以及大气透射率计算层，基于大气透射率提取模型的空气环境图像的大气透射率计算流程为：输入层接收空气环境图像/>，并将空气环境图像/>输入到像素颜色值提取层；像素颜色值提取层提取空气环境图像/>中像素分别在R,G,B颜色通道的颜色值，其中像素/>分别在R,G,B颜色通道的颜色值依次为：；计算得到空气环境图像/>中任意像素的透射率，其中像素的透射率计算公式为：
其中：/>表示空气环境图像/>中以像素/>为中心的区域像素集合；其中区域大小为/>像素区域；/>表示像素x的灰度值；/>表示区域像素集合中像素灰度值标准差；/>表示L1范数；/>表示像素/>的透射率；/>表示像素/>在d颜色通道的颜色值；其中/>表示颗粒物浓度；根据像素标记结果，计算空气环境图像/>中标记为1像素的透射率均值作为空气环境图像/>的大气透射率/>，其中/>为网格化区域/>的大气透射率。构造多因素空气污染浓度计算模型对网格化区域的空气污染浓度进行计算，所述多因素空气污染浓度计算模型以网格化区域的大气透射率、温度和湿度为输入，以网格化区域的空气污染浓度为输出，其中网格化区域/>的空气污染浓度计算公式为：
其中：/>表示无人飞行器所采集到的网格化区域/>的空气环境信息，其中 />表示网格化区域的温度信息，/>表示网格化区域/>的湿度信息；/>表示网格化区域/>的邻近网格化区域的平均温度信息，/>表示网格化区域/>的邻近网格化区域的平均湿度信息；/>表示温度参数；/>表示温度参数；/>表示网格化区域/>的空气污染浓度。本方案根据空气环境图像中像素在不同颜色通道的差异变化以及灰度值标准差度量空气环境图像所对应网格化区域的颗粒物浓度，并将颗粒物浓度转换为大气透射率，其中大气透射率越高，则表示颗粒物浓度越低，结合网格化区域的大气透射率、温度和湿度，计算得到网格化区域的空气污染浓度，根据计算得到的空气污染浓度对网格化区域进行空气质量评级，并结合网格化区域的坐标和深度距离，得到待空气质量评估区域中不同坐标位置的空气质量评级。
附图说明
图1为本发明一实施例提供的一种大规模网格化空气质量等级精准评估方法的流程示意图；
图2为本发明一实施例提供的实现大规模网格化空气质量等级精准评估方法的电子设备的结构示意图。
图中：1电子设备，10处理器，11存储器，12程序，13通信接口。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种大规模网格化空气质量等级精准评估方法。所述大规模网格化空气质量等级精准评估方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述大规模网格化空气质量等级精准评估方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1：
S1：对待空气质量评估区域进行网格化分割，得到若干网格化区域，通过无人飞行器采集网格化区域的空气环境图像以及空气环境信息，对采集的空气环境图像进行特征提取，得到空气环境图像的空间位置特征，其中空气环境信息包括网格化区域的温度和湿度。
所述S1步骤中对待空气质量评估区域进行网格化分割，得到若干网格化区域，通过无人飞行器采集网格化区域的空气环境图像以及空气环境信息，包括：
对待空气质量评估区域进行网格化分割，得到若干网格化区域，所述网格化分割得到的网格化区域集合为：
其中：
表示对待空气质量评估区域进行网格化分割得到的第n块网格化区域，其中每块网格化区域的区域规格相同，所述区域规格包括网格化区域的长和宽；/>
通过无人飞行器采集网格化区域的空气环境图像以及空气环境信息，其中所采集到网格化区域的空气环境图像以及空气环境信息为：
其中：
表示无人飞行器所采集到的网格化区域/>的空气环境图像；
表示无人飞行器所采集到的网格化区域/>的空气环境信息，其中/>表示网格化区域/>的温度信息，/>表示网格化区域/>的湿度信息。
所述S1步骤中对采集的空气环境图像进行特征提取，得到空气环境图像的空间位置特征，包括：
对采集的空气环境图像进行特征提取，得到空气环境图像的空间位置特征，其中空气环境图像的空间位置特征提取流程为：
S11：对空气环境图像进行灰度化处理，得到空气环境图像/>中任意像素的灰度值，计算得到空气环境图像/>中任意像素的梯度，其中空气环境图像/>中第/>行第/>列像素/>的梯度为：
其中：
，/>表示空气环境图像的行像素数目，表示空气环境图像的列像素数目；
表示空气环境图像/>中像素/>的灰度值；
表示空气环境图像/>中像素/>在水平方向的梯度值，表示空气环境图像/>中像素/>在垂直方向的梯度值；
S12：构建得到任意像素的梯度表示矩阵，其中像素的梯度表示矩阵为：/>
；
S13：基于像素的梯度表示矩阵，计算得到像素的特征编码表示结果，其中像素的特征编码表示结果为：
其中：
表示像素/>的特征编码表示结果；
表示计算得到矩阵的行列式，/>表示计算得到矩阵的迹；
表示编码参数，将/>设置为0.03；
S14：将特征编码表示结果大于等于预设阈值的像素标记为1，其他像素标记为0，得到空气环境图像/>的特征编码矩阵：
其中：
表示空气环境图像/>的特征编码矩阵，/>表示像素/>的标记结果；
将空气环境图像的特征编码矩阵/>作为空间位置特征。
S2：基于空气环境图像的空间位置特征计算得到空气环境图像所对应网格化区域的坐标和深度距离。
所述S2步骤中基于空气环境图像的空间位置特征计算空气环境图像所对应网格化区域的坐标和深度距离，包括：
基于空气环境图像的空间位置特征计算空气环境图像所对应网格化区域的坐标和深度距离，其中空气环境图像所对应网格化区域/>的坐标和深度距离求解流程为：
计算得到网格化区域的深度距离/>：
其中：
表示网格化区域/>的深度距离，即网格化区域/>距离地表的高度；/>
表示无人飞行器所搭载相机的焦距；
表示空气环境图像/>的图像分辨率，/>表示空气环境图像/>中的像元尺寸；
计算特征编码矩阵中以任意像素所对应标记结果为中心的邻域矩阵区域的标记结果之和，选取标记结果之和最大的像素，其中所选取的像素为/>，将所选取像素的坐标转换为网格化区域的坐标/>：
/>其中：
表示无人飞行器所搭载相机拍摄的像素/>的深度信息；
表示无人飞行器所搭载相机的内参参数，/>表示无人飞行器所搭载相机在水平方向的焦距，/>表示无人飞行器所搭载相机在垂直方向的焦距，/>表示相机原点在水平方向的平移尺寸，/>表示相机原点在垂直方向的平移尺寸；
表示像素/>在相机坐标系下的坐标值；
表示无人飞行器所搭载相机的旋转矩阵参数，/>表示无人飞行器所搭载相机的平移矩阵参数。
S3：构建大气透射率提取模型对所采集的空气环境图像进行大气透射率计算，所述大气透射率提取模型以空气环境图像为输入，以空气环境图像所对应网格化区域的大气透射率为输出。
所述S3步骤中构建大气透射率提取模型对所采集的空气环境图像进行大气透射率计算，包括：
构建大气透射率提取模型对所采集的空气环境图像进行大气透射率计算，所述大气透射率提取模型以空气环境图像为输入，以空气环境图像所对应网格化区域的大气透射率为输出，其中大气透射率提取模型包括输入层、像素颜色值提取层以及大气透射率计算层，基于大气透射率提取模型的空气环境图像的大气透射率计算流程为：
S31：输入层接收空气环境图像，并将空气环境图像/>输入到像素颜色值提取层；
S32：像素颜色值提取层提取空气环境图像中像素分别在R,G,B颜色通道的颜色值，其中像素/>分别在R,G,B颜色通道的颜色值依次为：；
S33：计算得到空气环境图像中任意像素的透射率，其中像素/>的透射率计算公式为：
其中：
表示空气环境图像/>中以像素/>为中心的区域像素集合；其中区域大小为/>像素区域；
表示像素x的灰度值；
表示区域像素集合/>中像素灰度值标准差；
表示L1范数；
表示像素/>的透射率；
表示像素/>在d颜色通道的颜色值；
S34：根据步骤S13的像素标记结果，计算空气环境图像中标记为1像素的透射率均值作为空气环境图像/>的大气透射率/>，其中/>为网格化区域/>的大气透射率。
S4：构造多因素空气污染浓度计算模型对网格化区域的空气污染浓度进行计算，所述多因素空气污染浓度计算模型以网格化区域的大气透射率、温度和湿度为输入，以网格化区域的空气污染浓度为输出。
所述S4步骤中构造多因素空气污染浓度计算模型对网格化区域的空气污染浓度进行计算，包括：
构造多因素空气污染浓度计算模型对网格化区域的空气污染浓度进行计算，所述多因素空气污染浓度计算模型以网格化区域的大气透射率、温度和湿度为输入，以网格化区域的空气污染浓度为输出，其中网格化区域的空气污染浓度计算公式为：/>
其中：
表示无人飞行器所采集到的网格化区域/>的空气环境信息，其中表示网格化区域/>的温度信息，/>表示网格化区域/>的湿度信息；
表示网格化区域/>的邻近网格化区域的平均温度信息，/>表示网格化区域/>的邻近网格化区域的平均湿度信息；在本发明实施例中： 其中：
s表示预设邻近网格化区域数量参数；
表示温度参数；/>表示温度参数；
表示温度参数；/>表示温度参数。
S5：根据计算得到的空气污染浓度对网格化区域进行空气质量评级，并结合网格化区域的坐标和深度距离，得到待空气质量评估区域中不同坐标位置的空气质量评级。
所述S5步骤中根据计算得到的空气污染浓度对网格化区域进行空气质量评级，包括：
根据不同网格化区域的空气污染浓度，对网格化区域进行空气质量评级，其中网格化区域的空气质量评级结果为：
其中：
表示网格化区域/>的空气质量评级结果；
表示网格化区域/>的空气污染浓度；
为预设的空气污染浓度阈值；/>
为空气质量评级结果，其中空气质量评级结果越低，则对应网格化区域的空气质量越差，/>。
所述S5步骤中结合网格化区域的坐标和深度距离，得到待空气质量评估区域中不同坐标位置的空气质量评级，包括：
结合网格化区域的坐标和深度距离，得到待空气质量评估区域中不同坐标位置的空气质量评级，其中待空气质量评估区域中深度距离为，平面坐标为/>的坐标位置的空气质量评级为/>。
实施例2：
如图2所示，是本发明一实施例提供的实现大规模网格化空气质量等级精准评估方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信接口13和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（用于实现大规模网格化空气质量等级精准评估的程序12等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述通信接口13可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接，并实现电子设备内部组件之间的连接通信。
所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图2仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图2示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
采集网格化区域的空气环境图像以及空气环境信息，对采集的空气环境图像进行特征提取，得到空气环境图像的空间位置特征；
基于空气环境图像的空间位置特征计算得到空气环境图像所对应网格化区域的坐标和深度距离；
构建大气透射率提取模型对所采集的空气环境图像进行大气透射率计算；
构造多因素空气污染浓度计算模型对网格化区域的空气污染浓度进行计算；
根据计算得到的空气污染浓度对网格化区域进行空气质量评级，并结合网格化区域的坐标和深度距离，得到待空气质量评估区域中不同坐标位置的空气质量评级。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图2对应实施例中相关步骤的描述，在此不赘述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (4)

1.一种大规模网格化空气质量等级精准评估方法，其特征在于，所述方法包括：
S1：对待空气质量评估区域进行网格化分割，得到若干网格化区域，通过无人飞行器采集网格化区域的空气环境图像以及空气环境信息，对采集的空气环境图像进行特征提取，得到空气环境图像的空间位置特征，其中空气环境信息包括网格化区域的温度和湿度；
S2：基于空气环境图像的空间位置特征计算得到空气环境图像所对应网格化区域的坐标和深度距离；
S3：构建大气透射率提取模型对所采集的空气环境图像进行大气透射率计算，所述大气透射率提取模型以空气环境图像为输入，以空气环境图像所对应网格化区域的大气透射率为输出；
S4：构造多因素空气污染浓度计算模型对网格化区域的空气污染浓度进行计算，所述多因素空气污染浓度计算模型以网格化区域的大气透射率、温度和湿度为输入，以网格化区域的空气污染浓度为输出；
S5：根据计算得到的空气污染浓度对网格化区域进行空气质量评级，并结合网格化区域的坐标和深度距离，得到待空气质量评估区域中不同坐标位置的空气质量评级；
所述S1步骤中对采集的空气环境图像进行特征提取，得到空气环境图像的空间位置特征，包括：
对采集的空气环境图像进行特征提取，得到空气环境图像的空间位置特征，其中空气环境图像的空间位置特征提取流程为：
S11：对空气环境图像进行灰度化处理，得到空气环境图像/>中任意像素的灰度值，计算得到空气环境图像/>中任意像素的梯度，其中空气环境图像/>中第/>行第/>列像素的梯度为：
其中：
，/>表示空气环境图像的行像素数目，/>表示空气环境图像的列像素数目；
表示空气环境图像/>中像素/>的灰度值；
表示空气环境图像/>中像素/>在水平方向的梯度值，/>表示空气环境图像/>中像素/>在垂直方向的梯度值；
S12：构建得到任意像素的梯度表示矩阵，其中像素的梯度表示矩阵/>为：
S13：基于像素的梯度表示矩阵，计算得到像素的特征编码表示结果，其中像素的特征编码表示结果为：
其中：
表示像素/>的特征编码表示结果；
表示计算得到矩阵的行列式，/>表示计算得到矩阵的迹；
表示编码参数，将/>设置为0.03；
S14：将特征编码表示结果大于等于预设阈值的像素标记为1，其他像素标记为0，得到空气环境图像/>的特征编码矩阵：
其中：
表示空气环境图像/>的特征编码矩阵，/>表示像素/>的标记结果；
将空气环境图像的特征编码矩阵/>作为空间位置特征；
所述S2步骤中基于空气环境图像的空间位置特征计算空气环境图像所对应网格化区域的坐标和深度距离，包括：
基于空气环境图像的空间位置特征计算空气环境图像所对应网格化区域的坐标和深度距离，其中空气环境图像所对应网格化区域/>的坐标和深度距离求解流程为：
计算得到网格化区域的深度距离/>：
其中：
表示网格化区域/>的深度距离，即网格化区域/>距离地表的高度；
表示无人飞行器所搭载相机的焦距；
表示空气环境图像/>的图像分辨率，/>表示空气环境图像/>中的像元尺寸；
计算特征编码矩阵中以任意像素所对应标记结果为中心的邻域矩阵区域的标记结果之和，选取标记结果之和最大的像素，其中所选取的像素为/>，将所选取像素的坐标转换为网格化区域的坐标/>：
其中：
表示无人飞行器所搭载相机拍摄的像素/>的深度信息；
表示无人飞行器所搭载相机的内参参数，/>表示无人飞行器所搭载相机在水平方向的焦距，/>表示无人飞行器所搭载相机在垂直方向的焦距，/>表示相机原点在水平方向的平移尺寸，/>表示相机原点在垂直方向的平移尺寸；
表示像素/>在相机坐标系下的坐标值；
表示无人飞行器所搭载相机的旋转矩阵参数，/>表示无人飞行器所搭载相机的平移矩阵参数；
所述S3步骤中构建大气透射率提取模型对所采集的空气环境图像进行大气透射率计算，包括：
构建大气透射率提取模型对所采集的空气环境图像进行大气透射率计算，所述大气透射率提取模型以空气环境图像为输入，以空气环境图像所对应网格化区域的大气透射率为输出，其中大气透射率提取模型包括输入层、像素颜色值提取层以及大气透射率计算层，基于大气透射率提取模型的空气环境图像的大气透射率计算流程为：
S31：输入层接收空气环境图像，并将空气环境图像/>输入到像素颜色值提取层；
S32：像素颜色值提取层提取空气环境图像中像素分别在R,G,B颜色通道的颜色值，其中像素/>分别在R,G,B颜色通道的颜色值依次为：/>；
S33：计算得到空气环境图像中任意像素的透射率，其中像素/>的透射率计算公式为：
其中：
表示空气环境图像/>中以像素/>为中心的区域像素集合；其中区域大小为/>像素区域；
表示像素x的灰度值；
表示区域像素集合/>中像素灰度值标准差；
表示L1范数；
表示像素/>的透射率；
表示像素在d颜色通道的颜色值；
S34：根据步骤S13的像素标记结果，计算空气环境图像中标记为1像素的透射率均值作为空气环境图像/>的大气透射率/>，其中/>为网格化区域/>的大气透射率；
所述S4步骤中构造多因素空气污染浓度计算模型对网格化区域的空气污染浓度进行计算，包括：
构造多因素空气污染浓度计算模型对网格化区域的空气污染浓度进行计算，所述多因素空气污染浓度计算模型以网格化区域的大气透射率、温度和湿度为输入，以网格化区域的空气污染浓度为输出，其中网格化区域的空气污染浓度计算公式为：
其中：
表示无人飞行器所采集到的网格化区域/>的空气环境信息，其中/>表示网格化区域/>的温度信息，/>表示网格化区域/>的湿度信息；
表示网格化区域/>的邻近网格化区域的平均温度信息，/>表示网格化区域/>的邻近网格化区域的平均湿度信息；
表示温度参数；/>表示温度参数；
表示网格化区域/>的空气污染浓度。
2.如权利要求1所述的一种大规模网格化空气质量等级精准评估方法，其特征在于，所述S1步骤中对待空气质量评估区域进行网格化分割，得到若干网格化区域，通过无人飞行器采集网格化区域的空气环境图像以及空气环境信息，包括：
对待空气质量评估区域进行网格化分割，得到若干网格化区域，所述网格化分割得到的网格化区域集合为：
其中：
表示对待空气质量评估区域进行网格化分割得到的第n块网格化区域，其中每块网格化区域的区域规格相同，所述区域规格包括网格化区域的长和宽；
通过无人飞行器采集网格化区域的空气环境图像以及空气环境信息，其中所采集到网格化区域的空气环境图像以及空气环境信息为：
其中：
表示无人飞行器所采集到的网格化区域/>的空气环境图像；
表示无人飞行器所采集到的网格化区域/>的空气环境信息，其中/>表示网格化区域/>的温度信息，/>表示网格化区域/>的湿度信息。
3.如权利要求1所述的一种大规模网格化空气质量等级精准评估方法，其特征在于，所述S5步骤中根据计算得到的空气污染浓度对网格化区域进行空气质量评级，包括：
根据不同网格化区域的空气污染浓度，对网格化区域进行空气质量评级，其中网格化区域的空气质量评级结果为：
其中：
表示网格化区域/>的空气质量评级结果；
表示网格化区域/>的空气污染浓度；
为预设的空气污染浓度阈值；
为空气质量评级结果，其中空气质量评级结果越低，则对应网格化区域的空气质量越差，/>。
4.如权利要求1所述的一种大规模网格化空气质量等级精准评估方法，其特征在于，所述S5步骤中结合网格化区域的坐标和深度距离，得到待空气质量评估区域中不同坐标位置的空气质量评级，包括：
结合网格化区域的坐标和深度距离，得到待空气质量评估区域中不同坐标位置的空气质量评级，其中待空气质量评估区域中深度距离为，平面坐标为/>的坐标位置的空气质量评级为/>。
CN202311336707.5A 2023-10-17 2023-10-17 一种大规模网格化空气质量等级精准评估方法 Active CN117078682B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311336707.5A CN117078682B (zh) 2023-10-17 2023-10-17 一种大规模网格化空气质量等级精准评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311336707.5A CN117078682B (zh) 2023-10-17 2023-10-17 一种大规模网格化空气质量等级精准评估方法

Publications (2)

Publication Number Publication Date
CN117078682A CN117078682A (zh) 2023-11-17
CN117078682B true CN117078682B (zh) 2024-01-19

Family

ID=88717634

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311336707.5A Active CN117078682B (zh) 2023-10-17 2023-10-17 一种大规模网格化空气质量等级精准评估方法

Country Status (1)

Country Link
CN (1) CN117078682B (zh)

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5281815A (en) * 1992-03-03 1994-01-25 Aai Corporation Method of determining the humidity and temperature of atmospheric air
US7038789B1 (en) * 2003-02-13 2006-05-02 The United States Of America As Represented By The Secretary Of The Army Remote panoramic infrared-imaging spectroradiometer with integrated encrypted broadcast beacon
IT201700064056A1 (it) * 2017-06-09 2018-12-09 Sense Square S R L S Mappatura delle sorgenti d’inquinamento atmosferico e tracciamento degli inquinanti mediante l’utilizzo di reti di monitoraggio della qualità dell’aria ad alta risoluzione spazio-temporale
CN109631776A (zh) * 2018-12-27 2019-04-16 南京航空航天大学 一种高压输电线路导线结冰厚度自动测量方法
CN110163898A (zh) * 2019-05-07 2019-08-23 腾讯科技（深圳）有限公司 一种深度信息配准方法及装置
CN111950389A (zh) * 2020-07-22 2020-11-17 重庆邮电大学 一种基于轻量级网络的深度二值特征人脸表情识别方法
CN112580434A (zh) * 2020-11-25 2021-03-30 奥比中光科技集团股份有限公司 一种基于深度相机的人脸误检优化方法、系统及人脸检测设备
CN115115627A (zh) * 2022-08-29 2022-09-27 山东省科霖检测有限公司 基于数据处理的土壤盐碱地监测方法
CN115438913A (zh) * 2022-08-08 2022-12-06 国网浙江省电力有限公司金华供电公司 基于环境大数据分析的电网污染度评估方法、系统及设备
CN115526924A (zh) * 2022-11-29 2022-12-27 湖南长理尚洋科技有限公司 一种蒙特卡洛模拟的水文环境建模方法及系统
CN115937182A (zh) * 2022-12-28 2023-04-07 无锡埃姆维工业控制设备有限公司 一种多视角机械缺陷视觉检测方法
CN116071520A (zh) * 2023-03-31 2023-05-05 湖南省水务规划设计院有限公司 一种数字孪生水务仿真模拟测试方法
CN116229084A (zh) * 2022-12-30 2023-06-06 成都浩孚科技有限公司 一种对空目标的检测方法
KR102565379B1 (ko) * 2023-01-05 2023-08-08 국방과학연구소 화생방 실내 오염확산 예측 시스템 및 방법
CN116642490A (zh) * 2023-04-14 2023-08-25 重庆大学 基于混合地图的视觉定位导航方法、机器人及存储介质
CN116778322A (zh) * 2023-06-07 2023-09-19 江苏天汇空间信息研究院有限公司 基于高分辨率影像剔除水面桥梁连续水面构造的方法
CN116823674A (zh) * 2023-08-24 2023-09-29 湖南省水务规划设计院有限公司 一种跨模态融合的水下图像增强方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11441951B2 (en) * 2019-08-21 2022-09-13 Fredrick S. Solheim Apparatus and methods for remote measurement of sea surface temperature

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5281815A (en) * 1992-03-03 1994-01-25 Aai Corporation Method of determining the humidity and temperature of atmospheric air
US7038789B1 (en) * 2003-02-13 2006-05-02 The United States Of America As Represented By The Secretary Of The Army Remote panoramic infrared-imaging spectroradiometer with integrated encrypted broadcast beacon
IT201700064056A1 (it) * 2017-06-09 2018-12-09 Sense Square S R L S Mappatura delle sorgenti d’inquinamento atmosferico e tracciamento degli inquinanti mediante l’utilizzo di reti di monitoraggio della qualità dell’aria ad alta risoluzione spazio-temporale
CN109631776A (zh) * 2018-12-27 2019-04-16 南京航空航天大学 一种高压输电线路导线结冰厚度自动测量方法
CN110163898A (zh) * 2019-05-07 2019-08-23 腾讯科技（深圳）有限公司 一种深度信息配准方法及装置
CN111950389A (zh) * 2020-07-22 2020-11-17 重庆邮电大学 一种基于轻量级网络的深度二值特征人脸表情识别方法
CN112580434A (zh) * 2020-11-25 2021-03-30 奥比中光科技集团股份有限公司 一种基于深度相机的人脸误检优化方法、系统及人脸检测设备
CN115438913A (zh) * 2022-08-08 2022-12-06 国网浙江省电力有限公司金华供电公司 基于环境大数据分析的电网污染度评估方法、系统及设备
CN115115627A (zh) * 2022-08-29 2022-09-27 山东省科霖检测有限公司 基于数据处理的土壤盐碱地监测方法
CN115526924A (zh) * 2022-11-29 2022-12-27 湖南长理尚洋科技有限公司 一种蒙特卡洛模拟的水文环境建模方法及系统
CN115937182A (zh) * 2022-12-28 2023-04-07 无锡埃姆维工业控制设备有限公司 一种多视角机械缺陷视觉检测方法
CN116229084A (zh) * 2022-12-30 2023-06-06 成都浩孚科技有限公司 一种对空目标的检测方法
KR102565379B1 (ko) * 2023-01-05 2023-08-08 국방과학연구소 화생방 실내 오염확산 예측 시스템 및 방법
CN116071520A (zh) * 2023-03-31 2023-05-05 湖南省水务规划设计院有限公司 一种数字孪生水务仿真模拟测试方法
CN116642490A (zh) * 2023-04-14 2023-08-25 重庆大学 基于混合地图的视觉定位导航方法、机器人及存储介质
CN116778322A (zh) * 2023-06-07 2023-09-19 江苏天汇空间信息研究院有限公司 基于高分辨率影像剔除水面桥梁连续水面构造的方法
CN116823674A (zh) * 2023-08-24 2023-09-29 湖南省水务规划设计院有限公司 一种跨模态融合的水下图像增强方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于智能图像的大气污染灾害等级判定研究;刘艳玲;;灾害学(第02期);全文 *

Also Published As

Publication number Publication date
CN117078682A (zh) 2023-11-17

Similar Documents

Publication Publication Date Title
CN111307727B (zh) 基于时序遥感影像的水体水色异常识别方法和装置
CN106683089B (zh) 一种带约束配准的杆塔变形检测方法
CN109284674A (zh) 一种确定车道线的方法及装置
CN113252700B (zh) 一种结构裂缝检测方法、设备及系统
CN108520514B (zh) 基于计算机视觉的印刷电路板电子元器一致性检测方法
US20140169636A1 (en) Method and system for estimating attitude of camera
KR20090101356A (ko) 결함 검출 장치 및 결함 검출 방법
CN103439348A (zh) 基于差影法的遥控器按键缺陷检测方法
CN113554667B (zh) 一种基于图像识别的三维位移检测方法及装置
CN115372877B (zh) 基于无人机的变电站的避雷器泄露电流表计巡检方法
CN115526924B (zh) 一种蒙特卡洛模拟的水文环境建模方法及系统
CN116071520B (zh) 一种数字孪生水务仿真模拟测试方法
CN113592839A (zh) 基于改进Faster RCNN的配网线路典型缺陷诊断方法及系统
CN117078682B (zh) 一种大规模网格化空气质量等级精准评估方法
CN113705350A (zh) 变电站的指针仪表读数识别方法、装置、介质和电子设备
CN114445498A (zh) 深度相机标定方法、系统、设备及介质
CN117173125A (zh) 一种基于全景图的缺陷点位显示方法、装置及存储介质
CN112001963A (zh) 消防通道的排查的方法、系统和计算机设备
CN116580326A (zh) 一种航空环境安全风险防控检测及预警系统
CN114882059A (zh) 基于图像分析的尺寸测量方法、装置、设备及存储介质
CN107610101B (zh) 一种测量数字图像视觉平衡质量的方法
CN105046703A (zh) 一种图像解析大气能见度方法
CN114708230A (zh) 基于图像分析的车架质量检测方法、装置、设备及介质
CN114494680A (zh) 积水检测方法、装置、设备及存储介质
CN112446895B (zh) 棋盘格角点自动提取方法、系统、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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zhou Rui

Inventor after: Jiang Yongdong

Inventor after: Zhao Xiumin

Inventor after: Pang Lingyun

Inventor after: Wang Jingjing

Inventor after: Zhang Jun

Inventor after: Chen Xiaohui

Inventor before: Zhou Rui

Inventor before: Jiang Yongdong

Inventor before: Zhao Xiumin

Inventor before: Pang Lingyun

Inventor before: Wang Jingjing

Inventor before: Zhang Jun

Inventor before: Chen Xiaohui

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20231117

Assignee: Shandong Hope Environmental Protection Technology Co.,Ltd.

Assignor: Shandong Kelin Testing Co.,Ltd.

Contract record no.: X2024980008918

Denomination of invention: A large-scale grid based accurate assessment method for air quality levels

Granted publication date: 20240119

License type: Common License

Record date: 20240708