CN117292262B - 一种基于无人机遥感图像的地质测绘识别方法和系统 - Google Patents
一种基于无人机遥感图像的地质测绘识别方法和系统 Download PDFInfo
- Publication number
- CN117292262B CN117292262B CN202311312287.7A CN202311312287A CN117292262B CN 117292262 B CN117292262 B CN 117292262B CN 202311312287 A CN202311312287 A CN 202311312287A CN 117292262 B CN117292262 B CN 117292262B
- Authority
- CN
- China
- Prior art keywords
- coefficient
- data
- geological
- characteristic
- mapping
- 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
- 238000013507 mapping Methods 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 88
- 230000008859 change Effects 0.000 claims abstract description 69
- 230000006872 improvement Effects 0.000 claims abstract description 69
- 230000000694 effects Effects 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 38
- 238000012795 verification Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000001976 improved effect Effects 0.000 claims description 95
- 238000000605 extraction Methods 0.000 claims description 49
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims description 42
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000007726 management method Methods 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000004062 sedimentation Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 25
- 238000005457 optimization Methods 0.000 abstract description 6
- 230000004044 response Effects 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000010485 coping Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/72—Data preparation, e.g. statistical preprocessing of image or video features
-
- 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
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/753—Transform-based matching, e.g. Hough transform
-
- 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
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
-
- 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
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Geophysics And Detection Of Objects (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于无人机遥感图像的地质测绘识别方法和系统,涉及地质测绘识别技术领域,该发明通过结合无人机遥感图像、地质学特征分析和先进的数据处理算法,系统能够高效、准确地提取地质灾害特征,从而实现更精准的风险预测和及时响应,从源头上减轻地质灾害可能带来的损害;系统注重多时序信息分析,整合了多次测绘数据和历史地震事件数据,通过差异变化系数Bhx与特征演化阈值范围YZ的比较,自动判断最终识别数据的可信度。系统强调改进算法的有效性验证,通过计算改进系数值Gj和偏差因子δ,客观评估改进算法的效果。这种验证方式有效引导算法优化,确保改进方案真正实现预期目标,从而不断提升地质灾害监测的可靠性和精度。
Description
技术领域
本发明涉及地质测绘识别技术领域,具体为一种基于无人机遥感图像的地质测绘识别方法和系统。
背景技术
地震区域地质灾害监测是地质科学和灾害管理领域的关键任务之一,其准确性和及时性对于预防和减轻地质灾害带来的损害具有重要意义。传统的地质灾害监测方法在效率、精度和覆盖范围方面存在一定的局限性。然而,基于无人机遥感图像的地质测绘应用正日益成为地震区域地质灾害监测领域的一项革命性技术,它以其高效、精确和实时的特点,为地质灾害的预测、监测和评估提供了全新的解决方案。
传统的地质灾害监测方法主要包括地面巡查、摄影测量和遥感影像分析等,这些方法受制于人力资源和设备条件的限制,无法及时准确地获取大范围内的地质灾害信息。现有技术在无人机遥感图像的地质测绘识别领域存在一些缺点,例如,在地质特征的精细识别上存在一定的精度不足。这可能是因为现有方法在特征提取、图像配准和分析等方面存在局限性,导致识别结果的准确性不高,未能进一步的捕捉地质灾害的演变动态情况。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于无人机遥感图像的地质测绘识别方法和系统,通过结合无人机遥感图像、地质学特征分析和先进的数据处理算法,系统能够高效、准确地提取地质灾害特征,从而实现更精准的风险预测和及时响应,从源头上减轻地质灾害可能带来的损害;系统注重多时序信息分析,整合了多次测绘数据和历史地震事件数据,结合其他数据源进行综合分析。这种方法有助于捕捉地质特征的时空演化规律,为灾害趋势的理解提供了更全面的视角,为制定科学合理的应对策略提供有力支持;通过差异变化系数Bhx与特征演化阈值范围YZ的比较,自动判断最终识别数据的可信度。这种智能化判定方式不仅提高了系统的自动化水平,还保障了识别结果的准确性和稳定性,为决策提供了更可靠的依据。系统强调改进算法的有效性验证,通过计算改进系数值Gj和偏差因子δ,客观评估改进算法的效果。这种验证方式有效引导算法优化,确保改进方案真正实现预期目标,从而不断提升地质灾害监测的可靠性和精度。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:一种基于无人机遥感图像的地质测绘识别方法,包括以下步骤,
部署无人机设备,设定地质测绘任务的区域范围,无人机进行第一次测绘,采集目标测绘区域内的地质遥感图像数据,获取第一次图像数据;
对第一次图像数据进行预处理,包括清洗、校正、去噪、辐射校正;
对预处理后的第一次图像数据进行特征提取,开发地震地质特征提取算法,提取第一次图像数据中的断层特征、地质体变形特征、地质滑坡特征、地面沉降特征;并进行计算分析获得初次特征分布系数Tz1,所述初次特征分布系数Tz1通过以下公式计算获得:
式中,F1_norm表示为归一化后的断层分布特征值;F2_norm表示为归一化后的地质体变形分布特征值;F3_norm表示为归一化后的地质滑坡分布特征值;F4_norm表示为归一化后的地面沉降分布特征值;w1、w2、w3和w4分别为各特征指标的权重,由用户自行调整设置,C为修正常数;
依据初次特征分布系数Tz1进行改进特征识别提取算法,获得改进系数值Gj;
采用无人机进行第二次测绘,获取第二次图像数据;
采用改进后的特征识别的提取算法,对第二次图像数据进行体征提取,获得二次特征分布系数Tz2,将二次特征分布系数Tz2和初次特征分布系数Tz1进行对比,获得差异变化系数Bhx,通过差异变化系数Bhx来验证改进系数值Gj的有效性;根据地震地质学知识,设置特征演化阈值范围YZ,将差异变化系数Bhx与特征演化阈值范围YZ进行对比,若高于特征演化阈值范围YZ,则表示二次验证精度较高,采用二次测绘作为最终识别数据结果,若低于特征演化阈值范围YZ,则求初次特征分布系数Tz1和二次特征分布系数Tz2的平均值,作为最终识别数据结果。
优选的,部署无人机设备,包括:规划在地质测绘任务的目标区域,包括需要获取地质遥感图像数据的具体地理位置范围;
设定任务参数,包括飞行高度、飞行速度和图像采集间隔,根据任务需求和地质特征自行调整参数;
选择配备的无人机设备,根据任务区域大小、环境条件和航时要求进行选择;
设置第一飞控路径和第二飞控路径,将所述第一飞控路径和第二飞控路径配置于无人机管理后台,并设定部署于无人机上的点云相机的工作参数;启动无人机,开始按照所述第一飞控路径或第二飞控路径对地质测绘任务的目标区域内,搭载的相机持续拍摄地表图像,按照设定的采集间隔获取图像数据,获取第一次图像数据或第二次图像数据;
将所述第一次图像数据和第二次图像数据回传至地面图像处理中心并保存。
优选的,所述第一飞控路径,包括如下飞控路径要求:以N*N矩形飞行轨迹,N大于等于5,以目标测绘区域的中心为基准的螺旋飞行轨迹;
所述第二飞控路径,包括如下飞控路径要求:以N*N矩形飞行轨迹,N小于等于5,以目标测绘区域的中心为基准的螺旋飞行轨迹
优选的,结合地质学知识和图像处理技术,对第一次图像数据或第二次图像数据进行提取特征,包括:使用Canny或Sobel算法检测图像中的边缘信息,识别断层线段;根据断层线段的相对位置和方向,对检测到的线段进行合并,得到更完整的断层特征;
利用图像匹配算法对两次测绘的图像和历史记录图像数据进行配准,获得物体的位移和形变信息;在两次图像中提取特征点,并通过光流方法跟踪特征点的移动,得到地质体的变形情况;
将图像分割成不同的区域,根据颜色和纹理特征判断滑坡区域,并计算滑坡区域的集合特征面积和周长;将两次测绘的图像进行差异检测,找出发生滑坡的区域;
利用立体匹配方法获取地表的高程数据,对两次测绘的高程数据进行差异分析,找出地面沉降的区域,并计算沉降的幅度。
优选的,在对第一次图像数据或第二次图像数据进行提取特征的过程中,将多时序信息纳入分析,即对不同时间段的无人机遥感图像数据进行对比;
通过对多次测绘的数据进行分析,识别出地质特征随时间的变化情况,在特征提取时,结合其他数据源,包括卫星遥感数据和激光雷达数据,结合其他数据源,进行统一分析识别。
优选的,改进系数值Gj根据初次特征分布系数Tz1和改进后的特征分布系数Tz1'之间的差异来计算,这个差异用来量化改进后的特征识别算法在地震地质特征提取中的效果;
所述改进系数值Gj通过以下公式进行计算获得:
式中,δ表示为偏差因子,用来衡量改进前后特征分布相对于历史数据的差异值;改进系数值Gj公式的意义为,计算公式会产生一个数值,表示改进算法相对于初始算法的效果,数值越大表示改进效果越显著,数值越小或接近零表示改进效果有限。
优选的,偏差因子δ通过以下公式计算获得:
式中Tz1'表示为改进后的特征分布系数,根据改进特征识别提取算法计算得到;Tz1:初次特征分布系数,根据初始特征识别提取算法计算得到;H表示为历史数据的特征分布系数,代表历史地震事件数据的平均特征分布值;公式的意义为,通过计算改进后和初始特征分布与历史数据之间的差异,将其归一化为历史数据的尺度;偏差因子δ值越大,表示改进后的算法与历史数据差异较大,表明改进效果不够显著;偏差因子δ值越小,表示改进后的算法与历史数据接近,改进效果较好。
优选的,使用改进后的特征识别提取算法,对第二次图像数据进行特征提取,得到二次特征分布系数Tz2;
通过以下公式计算获得差异变化系数Bhx:
Bhx=|Tz2-Tz1|
将差异变化系数Bhx对改进系数值Gj进行验证:
如果改进系数值Gj值为正,表示改进后的特征识别算法在特征分布上有提升;如果Gj值为负,表示改进效果不如预期,即需要继续调整特征识别算法;
通差异变化系数Bhx的比较,便于了解改进系数值Gj的有效性,如果差异变化系数Bhx较大,但改进系数值Gj值较小甚至负数,意味着虽然特征差异较大,但改进效果并不显著,需要进一步调整改进算;
针对不同的地质特征,设定不同的特征演化阈值范围YZ,根据差异变化系数Bhx与特征演化阈值范围YZ的比较结果,进一步判断改进系数值Gj的有效性。
优选的,采集获得历史地震事件数据,根据历史数据中地质特征变化幅度值,且采集现有的地震活动数据和地质特征数据,进行统计分析,找出特征的平均变化幅度值和范围,设定特征演化阈值范围YZ;
将差异变化系数Bhx与特征演化阈值范围YZ进行比较,若差异变化系数Bhx高于特征演化阈值范围YZ,表示改进后的识别精度较高,采用二次测绘作为最终识别数据结果;
若差异变化系数Bhx低于特征演化阈值范围YZ,计算初次特征分布系数Tz1和二次特征分布系数Tz2的平均值,作为最终识别数据结果。
一种基于无人机遥感图像的地质测绘识别系统,包括任务规划模块、数据采集模块、预处理模块、特征提取模块、分析模块、改进特征识别模块、差异验证模块、阈值判断模块和演化识别结果输出模块;
任务规划模块用于用户设定地质测绘任务的区域范围和飞行参数,包括飞行高度、速度、图像采集间隔、第一飞控路径和第二飞控路径;
数据采集模块包括第一测绘单元、第二测绘单元和历史数据采集单元;
所述第一测绘单元用于部署无人机设备,执行地质测绘任务,获取第一次图像数据;
所述第二测绘单元用于部署无人机设备,执行地质测绘任务,获取第二次图像数据;
所述历史数据采集单元用于采集历史地震事件数据和地质特征数据,用于统计分析,获得特征的平均变化幅度值和范围;
预处理模块用于对获取的第一图像数据和第二图像数据进行预处理,包括图像清洗、校正、去噪和辐射校正,以提高图像质量和准确性;
特征提取模块用于使用地震地质特征提取算法,从预处理后的图像数据中提取断层、地质体变形、地质滑坡和地面沉降特征;
分析模块用于计算分析初次特征分布系数Tz1和二次特征分布系数Tz2,根据公式计算归一化的特征分布值;
改进特征识别模块用于基于初次特征分布系数Tz1、二次特征分布系数Tz2和历史数据,执行改进特征识别提取算法,获得改进系数值Gj和偏差因子δ;
差异验证模块用于将初次特征分布系数Tz1和二次特征分布系数Tz2进行对比,计算差异变化系数Bhx,将差异变化系数Bhx与特征演化阈值范围YZ进行比较,判断改进系数值Gj的有效性;
阈值判断模块用于获得识别数据结果,若差异变化系数Bhx高于阈值范围YZ,采用二次测绘作为最终识别数据结果,若差异变化系数Bhx低于阈值范围YZ,计算初次特征分布系数Tz1和二次特征分布系数Tz2的平均值,作为最终识别数据结果;
演化识别结果输出模块用于输出最终的地质测绘识别结果,包括改进系数值Gj、差异变化系数Bhx和最终识别数据结果。
(三)有益效果
本发明提供了一种基于无人机遥感图像的地质测绘识别方法和系统。具备以下有益效果:
(1)该一种基于无人机遥感图像的地质测绘识别方法和系统,通过综合运用无人机遥感图像、地质学特征分析和数据处理算法,系统能够实现高效、准确地对地质灾害特征进行提取和分析。促进提升地质灾害监测的精度和效率,有助于准确预测和及时响应潜在风险,从而减轻可能的损害。
(2)该一种基于无人机遥感图像的地质测绘识别方法和系统,系统考虑多次测绘数据和历史地震事件数据,结合其他数据源进行分析,能够捕捉地质特征随时间的演化情况。这种多时序信息分析将有助于更好地理解地质灾害的发展趋势,从而更有针对性地制定防灾减灾措施。
(3)该一种基于无人机遥感图像的地质测绘识别方法和系统,阈值判断模块根据差异变化系数Bhx与特征演化阈值范围YZ的比较,智能决策使用初次测绘数据还是改进后的二次测绘数据作为最终识别结果。这种智能化的阈值判断能够提高系统的自动化程度,减少人为干预,同时确保识别结果的可靠性。
(4)该一种基于无人机遥感图像的地质测绘识别方法和系统,通过计算改进系数值Gj和偏差因子δ,系统能够验证改进的特征识别算法相对于历史数据的效果。这种验证方式使得改进算法的优劣得以客观评估,有助于进一步优化和调整算法,从而不断提升地质灾害监测的准确性和可靠性。
附图说明
图1为本发明基于无人机遥感图像的地质测绘识别系统框图流程示意图;
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做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。
地震区域地质灾害监测是地质科学和灾害管理领域的关键任务之一,其准确性和及时性对于预防和减轻地质灾害带来的损害具有重要意义。传统的地质灾害监测方法在效率、精度和覆盖范围方面存在一定的局限性。然而,基于无人机遥感图像的地质测绘应用正日益成为地震区域地质灾害监测领域的一项革命性技术,它以其高效、精确和实时的特点,为地质灾害的预测、监测和评估提供了全新的解决方案。
传统的地质灾害监测方法主要包括地面巡查、摄影测量和遥感影像分析等,这些方法受制于人力资源和设备条件的限制,无法及时准确地获取大范围内的地质灾害信息。现有技术在无人机遥感图像的地质测绘识别领域存在一些缺点,例如,在地质特征的精细识别上存在一定的精度不足。这可能是因为现有方法在特征提取、图像配准和分析等方面存在局限性,导致识别结果的准确性不高,未能进一步的捕捉地质灾害的演变动态情况。
实施例1
请参阅图1,本发明通过以下技术方案予以实现:一种基于无人机遥感图像的地质测绘识别方法,包括以下步骤,
部署无人机设备,设定地质测绘任务的区域范围,无人机进行第一次测绘,采集目标测绘区域内的地质遥感图像数据,获取第一次图像数据;利用无人机设备进行测绘,可以高效地获取大范围内的地质遥感图像数据,相较于传统的地面巡查和摄影测量方法,提高了地质灾害信息的获取效率;
对第一次图像数据进行预处理,包括清洗、校正、去噪、辐射校正;通过预处理、特征提取和改进的特征识别算法,实施例1的方法可以提取并分析地质特征,包括断层、地质体变形、地质滑坡和地面沉降等。这可以提高地质灾害的精细识别和分析能力,相对于传统方法的精度更高。
对预处理后的第一次图像数据进行特征提取,开发地震地质特征提取算法,提取第一次图像数据中的断层特征、地质体变形特征、地质滑坡特征、地面沉降特征;并进行计算分析获得初次特征分布系数Tz1,所述初次特征分布系数Tz1通过以下公式计算获得:
式中,F1_norm表示为归一化后的断层分布特征值;F2_norm表示为归一化后的地质体变形分布特征值;F3_norm表示为归一化后的地质滑坡分布特征值;F4_norm表示为归一化后的地面沉降分布特征值;w1、w2、w3和w4分别为各特征指标的权重,由用户自行调整设置,C为修正常数;
利用归一化和权重设置,将不同地质特征的分布情况进行量化。通过计算归一化后的特征值以及权重,可以得到初次特征分布系数Tz1,这个数值反映了不同地质特征在图像中的分布情况;用户可以自行调整特征指标的权重(w1、w2、w3和w4)以及修正常数C,以适应不同地质情况和应用需求。这使得方法具有一定的灵活性和适应性,能够根据实际情况进行定制化设置;在地震地质特征提取和定量分析方面的优势,使得地质灾害监测能够更准确、更科学地进行,有助于提高预防和减轻地质灾害带来的损害。
依据初次特征分布系数Tz1进行改进特征识别提取算法,获得改进系数值Gj;
采用无人机进行第二次测绘,获取第二次图像数据;
采用改进后的特征识别的提取算法,对第二次图像数据进行体征提取,获得二次特征分布系数Tz2,将二次特征分布系数Tz2和初次特征分布系数Tz1进行对比,获得差异变化系数Bhx,通过差异变化系数Bhx来验证改进系数值Gj的有效性;根据地震地质学知识,设置特征演化阈值范围YZ,将差异变化系数Bhx与特征演化阈值范围YZ进行对比,若高于特征演化阈值范围YZ,则表示二次验证精度较高,采用二次测绘作为最终识别数据结果,若低于特征演化阈值范围YZ,则求初次特征分布系数Tz1和二次特征分布系数Tz2的平均值,作为最终识别数据结果。
本实施例中,无人机遥感图像获取的实时性使得地质灾害监测可以更及时地进行。实施例1中的方法在第一次测绘后可以通过第二次测绘进行差异分析,从而判断地质特征的变化情况,有助于实时监测地质灾害的演变;引入改进系数值Gj和差异变化系数Bhx的概念,促进客观地评估改进特征识别算法的有效性。这有助于更准确地判断新算法是否在地质灾害监测中起到了改进作用。
实施例2,本实施例是在实施例1中进行的解释说明,具体的,部署无人机设备,包括:规划在地质测绘任务的目标区域,包括需要获取地质遥感图像数据的具体地理位置范围;
设定任务参数,包括飞行高度、飞行速度和图像采集间隔,根据任务需求和地质特征自行调整参数;这使得任务具有明确的目标和参数设定,有助于提高任务执行的效率和精确性。
选择配备的无人机设备,根据任务区域大小、环境条件和航时要求进行选择;这样能够确保在不同地质环境下能够高效地执行任务,使得设备的选择更加智能化和优化。
设置第一飞控路径和第二飞控路径,将所述第一飞控路径和第二飞控路径配置于无人机管理后台,并设定部署于无人机上的点云相机的工作参数;启动无人机,开始按照所述第一飞控路径或第二飞控路径对地质测绘任务的目标区域内,搭载的相机持续拍摄地表图像,按照设定的采集间隔获取图像数据,获取第一次图像数据或第二次图像数据;
将所述第一次图像数据和第二次图像数据回传至地面图像处理中心并保存。
本实施例中,有助于捕捉地质特征的时空变化,为后续的特征提取和分析提供更多的数据支持。将第一次图像数据和第二次图像数据回传至地面图像处理中心并保存,保证了数据的安全性和完整性。这有助于后续的图像处理、特征提取和分析工作。通过持续拍摄和数据回传,实现了地质测绘任务的实时性。无人机遥感图像提供了高分辨率的地质信息,使得地质灾害监测能够更准确地进行。
实施例3,本实施例是在实施例1中进行的解释说明,具体的,所述第一飞控路径,包括如下飞控路径要求:以N*N矩形飞行轨迹,N大于等于5,以目标测绘区域的中心为基准的螺旋飞行轨迹;
所述第二飞控路径,包括如下飞控路径要求:以N*N矩形飞行轨迹,N小于等于5,以目标测绘区域的中心为基准的螺旋飞行轨迹。第二飞控路径同样采用了N*N矩形飞行轨迹,但N的取值小于等于5,同样以目标测绘区域的中心为基准的螺旋飞行轨迹。与第一飞控路径相比,第二飞控路径的参数设置更加紧凑,适用于较小的区域。这种方式可以在保持高效覆盖的前提下,更加精细地捕捉较小范围内地质特征的细节。
本实施例中,采用螺旋飞行轨迹,确保了整个目标测绘区域的全面性覆盖,从而获取更全面的地质特征信息;螺旋飞行路径使得无人机能够从不同角度对地质区域进行观察,捕捉更多角度下的特征变化,提高了地质特征的准确性;通过以中心为基准的飞行轨迹,无人机可以在较短时间内覆盖更大的地理区域,提高了地质测绘任务的效率;第一和第二飞控路径的灵活切换,适用于不同大小的地质区域,从而实现了对不同尺度地质特征的准确捕捉。本发明通过灵活的飞控路径规划,能够更好地满足不同尺度和要求下的地质测绘任务,提高了地质特征采集的全面性、准确性和效率。
实施例4,本实施例是在实施例1中进行的解释说明,具体的,结合地质学知识和图像处理技术,对第一次图像数据或第二次图像数据进行提取特征,包括:使用Canny或Sobel算法检测图像中的边缘信息,识别断层线段;根据断层线段的相对位置和方向,对检测到的线段进行合并,得到更完整的断层特征;有助于准确捕捉断层的形态和分布;
利用图像匹配算法对两次测绘的图像和历史记录图像数据进行配准,获得物体的位移和形变信息;在两次图像中提取特征点,并通过光流方法跟踪特征点的移动,得到地质体的变形情况;可以获得地质体的变形情况,从而更好地理解地质变化过程。
将图像分割成不同的区域,根据颜色和纹理特征判断滑坡区域,并计算滑坡区域的集合特征面积和周长;将两次测绘的图像进行差异检测,找出发生滑坡的区域;通过计算滑坡区域的集合特征面积和周长,可以对滑坡进行定量分析,进而评估地质灾害风险
利用立体匹配方法获取地表的高程数据,对两次测绘的高程数据进行差异分析,找出地面沉降的区域,并计算沉降的幅度。进一步了解地质灾害的情况。
本实施例中,通过多种特征提取方法,能够全面地捕捉不同类型地质灾害的信息,从而综合分析地质灾害的多个方面;通过对滑坡区域、地面沉降区域等进行定量分析,可以更精确地评估地质灾害的程度和影响范围;结合图像处理技术,能够实现对图像数据的快速分析,提高了地质灾害监测的实时性和效率。
实施例5,本实施例是在实施例1中进行的解释说明,具体的,在对第一次图像数据或第二次图像数据进行提取特征的过程中,将多时序信息纳入分析,即对不同时间段的无人机遥感图像数据进行对比;
通过对多次测绘的数据进行分析,识别出地质特征随时间的变化情况,在特征提取时,结合其他数据源,包括卫星遥感数据和激光雷达数据,结合其他数据源,进行统一分析识别。
本实施例中,不同数据源的融合分析能够提供更准确的地质特征提取结果,从而增强了地质灾害监测的可靠性;时序信息的对比分析可以用来验证和校正特征提取算法,确保提取的地质特征具有高准确性和可靠性;综合利用多时序信息和不同数据源的分析,能够为地质灾害监测提供更全面、准确和可靠的信息,从而加强了对地质灾害的理解和应对能力。
实施例5,本实施例是在实施例1中进行的解释说明,具体的,改进系数值Gj根据初次特征分布系数Tz1和改进后的特征分布系数Tz1'之间的差异来计算,这个差异用来量化改进后的特征识别算法在地震地质特征提取中的效果;
所述改进系数值Gj通过以下公式进行计算获得:
式中,δ表示为偏差因子,用来衡量改进前后特征分布相对于历史数据的差异值;改进系数值Gj公式的意义为,计算公式会产生一个数值,表示改进算法相对于初始算法的效果,数值越大表示改进效果越显著,数值越小或接近零表示改进效果有限。
本实施例中,引入偏差因子δ,可以考虑改进前后特征分布相对于历史数据的差异。这种考虑能够帮助确定改进是否源于算法优化,而不是由于自然变化或其他因素导致的结果差异;由于Gj是一个数值,可以直接用于表示改进效果的大小。这种结果的可解释性使得评估更为直观和明确,有助于决策制定和算法调优。通过计算改进系数值Gj,可以在相对短时间内对不同的改进算法进行比较,从而更快速地选择出效果较好的算法进行实际应用。综合而言,使用改进系数值Gj来衡量改进算法在地震地质特征提取中的效果,可以使评估更加客观、定量化,有助于更准确地判断改进算法的实际价值。
实施例6,本实施例是在实施例5中进行的解释说明,具体的,使用历史地震事件数据计算偏差因子可以帮助更准确地衡量改进后的特征识别算法效果相对于历史数据的变化,考虑了历史数据的差异,偏差因子δ通过以下公式计算获得:
式中Tz1'表示为改进后的特征分布系数,根据改进特征识别提取算法计算得到;Tz1:初次特征分布系数,根据初始特征识别提取算法计算得到;H表示为历史数据的特征分布系数,代表历史地震事件数据的平均特征分布值;公式的意义为,通过计算改进后和初始特征分布与历史数据之间的差异,将其归一化为历史数据的尺度;偏差因子δ值越大,表示改进后的算法与历史数据差异较大,表明改进效果不够显著;偏差因子δ值越小,表示改进后的算法与历史数据接近,改进效果较好。
本实施例中,借助历史地震事件数据的平均特征分布值H,您可以将改进后的特征分布系数和初始特征分布系数相对于历史数据的差异进行比较。这样的历史数据参考可以提供更具上下文的评估;通过将差异归一化到历史数据的尺度,偏差因子δ将差异值与历史数据的变化幅度进行了比较。这使得不同时间段或不同地点的数据之间的比较更具可比性;
偏差因子δ的值提供了一种量化改进效果的方法;数值越小,表示改进后的算法与历史数据接近,改进效果越好,反之则表示改进效果可能不够显著。较小的偏差因子δ可能意味着改进是实质性的,而较大的偏差因子δ可能需要进一步的优化或考虑;偏差因子的δ计算公式可以为改进算法提供更全面、更有深度的评估,有助于指导决策和算法优化。
实施例7,本实施例是在实施例1中进行的解释说明,具体的,使用改进后的特征识别提取算法,对第二次图像数据进行特征提取,得到二次特征分布系数Tz2;
通过以下公式计算获得差异变化系数Bhx:
Bhx=|Tz2-Tz1|
将差异变化系数Bhx对改进系数值Gj进行验证:
如果改进系数值Gj值为正,表示改进后的特征识别算法在特征分布上有提升;如果Gj值为负,表示改进效果不如预期,即需要继续调整特征识别算法;
通过差异变化系数Bhx的比较,便于了解改进系数值Gj的有效性,如果差异变化系数Bhx较大,但改进系数值Gj值较小甚至负数,意味着虽然特征差异较大,但改进效果并不显著,需要进一步调整改进算;
针对不同的地质特征,设定不同的特征演化阈值范围YZ,根据差异变化系数Bhx与特征演化阈值范围YZ的比较结果,进一步判断改进系数值Gj的有效性。
本实施例中,将差异变化系数Bhx与改进系数值Gj进行比较,您能够验证改进系数值的有效性。这样的比较能够帮助您判断改进后的算法是否确实带来了预期的提升,并且有助于对算法进行进一步调整和优化。通过针对不同地质特征设定不同的特征演化阈值范围YZ,您可以更具体地判断改进系数值的有效性。这个步骤考虑到了不同特征的差异性,使得验证过程更加精细和准确;结合了改进后的算法应用、差异变化系数的计算以及特征演化阈值的应用,以多个步骤验证改进算法的有效性和适用性,从而更全面地评估算法的效果并进行必要的调整。
实施例8,本实施例是在实施例1中进行的解释说明,具体的,采集获得历史地震事件数据,根据历史数据中地质特征变化幅度值,且采集现有的地震活动数据和地质特征数据,进行统计分析,找出特征的平均变化幅度值和范围,设定特征演化阈值范围YZ;
将差异变化系数Bhx与特征演化阈值范围YZ进行比较,若差异变化系数Bhx高于特征演化阈值范围YZ,表示改进后的识别精度较高,采用二次测绘作为最终识别数据结果;
若差异变化系数Bhx低于特征演化阈值范围YZ,计算初次特征分布系数Tz1和二次特征分布系数Tz2的平均值,作为最终识别数据结果。
本实施例中,根据差异变化系数Bhx与特征演化阈值范围YZ的比较结果,能够灵活地选择最终的识别数据结果。如果差异变化系数Bhx高于阈值,表示改进算法效果显著,可以直接采用二次测绘数据。如果低于阈值,仍然能够通过平均初次和二次特征分布系数来获得一个更可靠的结果。通过考虑历史数据和阈值的设定,能够提高算法应用的可信度和稳定性。这样的方法可以更好地适应不同地质特征和数据变化的情况,从而使得最终的识别结果更具有说服力。
一种基于无人机遥感图像的地质测绘识别系统,请参照图1,包括任务规划模块、数据采集模块、预处理模块、特征提取模块、分析模块、改进特征识别模块、差异验证模块、阈值判断模块和演化识别结果输出模块;
任务规划模块用于用户设定地质测绘任务的区域范围和飞行参数,包括飞行高度、速度、图像采集间隔、第一飞控路径和第二飞控路径;
数据采集模块包括第一测绘单元、第二测绘单元和历史数据采集单元;
所述第一测绘单元用于部署无人机设备,执行地质测绘任务,获取第一次图像数据;
所述第二测绘单元用于部署无人机设备,执行地质测绘任务,获取第二次图像数据;
所述历史数据采集单元用于采集历史地震事件数据和地质特征数据,用于统计分析,获得特征的平均变化幅度值和范围;
预处理模块用于对获取的第一图像数据和第二图像数据进行预处理,包括图像清洗、校正、去噪和辐射校正,以提高图像质量和准确性;
特征提取模块用于使用地震地质特征提取算法,从预处理后的图像数据中提取断层、地质体变形、地质滑坡和地面沉降特征;
分析模块用于计算分析初次特征分布系数Tz1和二次特征分布系数Tz2,根据公式计算归一化的特征分布值;
改进特征识别模块用于基于初次特征分布系数Tz1、二次特征分布系数Tz2和历史数据,执行改进特征识别提取算法,获得改进系数值Gj和偏差因子δ;
差异验证模块用于将初次特征分布系数Tz1和二次特征分布系数Tz2进行对比,计算差异变化系数Bhx,将差异变化系数Bhx与特征演化阈值范围YZ进行比较,判断改进系数值Gj的有效性;
阈值判断模块用于获得识别数据结果,若差异变化系数Bhx高于阈值范围YZ,采用二次测绘作为最终识别数据结果,若差异变化系数Bhx低于阈值范围YZ,计算初次特征分布系数Tz1和二次特征分布系数Tz2的平均值,作为最终识别数据结果;
演化识别结果输出模块用于输出最终的地质测绘识别结果,包括改进系数值Gj、差异变化系数Bhx和最终识别数据结果。
本实施例中,此识别系统涵盖了地质测绘任务的全过程,从任务规划到数据采集、预处理、特征提取、分析、改进、验证、阈值判断,再到最终的结果输出。这种综合性的设计能够确保每一步都得到适当的处理和分析。
通过第一测绘单元、第二测绘单元和历史数据采集单元,您的系统能够获取不同时间段的图像数据和历史地震事件数据,为特征分析提供更多维度的信息;
特征提取模块通过地震地质特征提取算法获得断层、地质体变形、地质滑坡和地面沉降特征,分析模块计算分析特征分布系数,这些步骤共同为进一步的改进和验证提供了基础。
改进特征识别模块基于初次特征分布、二次特征分布和历史数据执行算法,获得改进系数值和偏差因子,差异验证模块进一步验证改进算法的有效性,从而保障算法的实用性。
阈值判断模块根据差异变化系数与特征演化阈值范围的比较,智能地确定最终的识别数据结果,而演化识别结果输出模块则提供了最终的地质测绘识别结果;
本发明地质测绘识别系统充分考虑了任务全过程中的关键环节,并采用多模块协同工作的方式,能够更加准确、高效地实现地质特征的监测与识别。这将在地质科学和灾害管理领域产生积极的影响。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于无人机遥感图像的地质测绘识别方法,其特征在于:包括以下步骤,
部署无人机设备,设定地质测绘任务的区域范围,无人机进行第一次测绘,采集目标测绘区域内的地质遥感图像数据,获取第一次图像数据;
对第一次图像数据进行预处理,包括清洗、校正、去噪、辐射校正;
对预处理后的第一次图像数据进行特征提取,开发地震地质特征提取算法,提取第一次图像数据中的断层特征、地质体变形特征、地质滑坡特征、地面沉降特征;并进行计算分析获得初次特征分布系数Tz1,所述初次特征分布系数Tz1通过以下公式计算获得:
式中,F1_norm表示为归一化后的断层分布特征值;F2_norm表示为归一化后的地质体变形分布特征值;F3_norm表示为归一化后的地质滑坡分布特征值;F4_norm表示为归一化后的地面沉降分布特征值;w1、w2、w3和w4分别为各特征指标的权重,由用户自行调整设置,C为修正常数;
依据初次特征分布系数Tz1进行改进特征识别提取算法,获得改进系数值Gj;
采用无人机进行第二次测绘,获取第二次图像数据;
采用改进后的特征识别的提取算法,对第二次图像数据进行体征提取,获得二次特征分布系数Tz2,将二次特征分布系数Tz2和初次特征分布系数Tz1进行对比,获得差异变化系数Bhx,通过差异变化系数Bhx来验证改进系数值Gj的有效性;根据地震地质学知识,设置特征演化阈值范围YZ,将差异变化系数Bhx与特征演化阈值范围YZ进行对比,若高于特征演化阈值范围YZ,则表示二次验证精度较高,采用二次测绘作为最终识别数据结果,若低于特征演化阈值范围YZ,则求初次特征分布系数Tz1和二次特征分布系数Tz2的平均值,作为最终识别数据结果。
2.根据权利要求1所述的一种基于无人机遥感图像的地质测绘识别方法,其特征在于:部署无人机设备,包括:规划在地质测绘任务的目标区域,包括需要获取地质遥感图像数据的具体地理位置范围;
设定任务参数,包括飞行高度、飞行速度和图像采集间隔,根据任务需求和地质特征自行调整参数;
选择配备的无人机设备,根据任务区域大小、环境条件和航时要求进行选择;
设置第一飞控路径和第二飞控路径,将所述第一飞控路径和第二飞控路径配置于无人机管理后台,并设定部署于无人机上的点云相机的工作参数;启动无人机,开始按照所述第一飞控路径或第二飞控路径对地质测绘任务的目标区域内,搭载的相机持续拍摄地表图像,按照设定的采集间隔获取图像数据,获取第一次图像数据或第二次图像数据;
将所述第一次图像数据和第二次图像数据回传至地面图像处理中心并保存。
3.根据权利要求2所述的一种基于无人机遥感图像的地质测绘识别方法,其特征在于:所述第一飞控路径,包括如下飞控路径要求:以N*N矩形飞行轨迹,N大于等于5,以目标测绘区域的中心为基准的螺旋飞行轨迹;
所述第二飞控路径,包括如下飞控路径要求:以N*N矩形飞行轨迹,N小于等于5,以目标测绘区域的中心为基准的螺旋飞行轨迹。
4.根据权利要求1所述的一种基于无人机遥感图像的地质测绘识别方法,其特征在于:结合地质学知识和图像处理技术,对第一次图像数据或第二次图像数据进行提取特征,包括:使用Canny或Sobel算法检测图像中的边缘信息,识别断层线段;根据断层线段的相对位置和方向,对检测到的线段进行合并,得到更完整的断层特征;
利用图像匹配算法对两次测绘的图像和历史记录图像数据进行配准,获得物体的位移和形变信息;在两次图像中提取特征点,并通过光流方法跟踪特征点的移动,得到地质体的变形情况;
将图像分割成不同的区域,根据颜色和纹理特征判断滑坡区域,并计算滑坡区域的集合特征面积和周长;将两次测绘的图像进行差异检测,找出发生滑坡的区域;
利用立体匹配方法获取地表的高程数据,对两次测绘的高程数据进行差异分析,找出地面沉降的区域,并计算沉降的幅度。
5.根据权利要求4所述的一种基于无人机遥感图像的地质测绘识别方法,其特征在于:在对第一次图像数据或第二次图像数据进行提取特征的过程中,将多时序信息纳入分析,即对不同时间段的无人机遥感图像数据进行对比;
通过对多次测绘的数据进行分析,识别出地质特征随时间的变化情况,在特征提取时,结合其他数据源,包括卫星遥感数据和激光雷达数据,结合其他数据源,进行统一分析识别。
6.根据权利要求1所述的一种基于无人机遥感图像的地质测绘识别方法,其特征在于:改进系数值Gj根据初次特征分布系数Tz1和改进后的特征分布系数Tz1'之间的差异来计算,这个差异用来量化改进后的特征识别算法在地震地质特征提取中的效果;
所述改进系数值Gj通过以下公式进行计算获得:
式中,δ表示为偏差因子,用来衡量改进前后特征分布相对于历史数据的差异值;改进系数值Gj公式的意义为,计算公式会产生一个数值,表示改进算法相对于初始算法的效果,数值越大表示改进效果越显著,数值越小或接近零表示改进效果有限。
7.根据权利要求6所述的一种基于无人机遥感图像的地质测绘识别方法,其特征在于:偏差因子δ通过以下公式计算获得:
式中Tz1'表示为改进后的特征分布系数,根据改进特征识别提取算法计算得到;Tz1:初次特征分布系数,根据初始特征识别提取算法计算得到;H表示为历史数据的特征分布系数,代表历史地震事件数据的平均特征分布值;公式的意义为,通过计算改进后和初始特征分布与历史数据之间的差异,将其归一化为历史数据的尺度;偏差因子δ值越大,表示改进后的算法与历史数据差异较大,表明改进效果不够显著;偏差因子δ值越小,表示改进后的算法与历史数据接近,改进效果较好。
8.根据权利要求1所述的一种基于无人机遥感图像的地质测绘识别方法,其特征在于:使用改进后的特征识别提取算法,对第二次图像数据进行特征提取,得到二次特征分布系数Tz2;
通过以下公式计算获得差异变化系数Bhx:
Bhx=|Tz2-Tz1|
将差异变化系数Bhx对改进系数值Gj进行验证:
如果改进系数值Gj值为正,表示改进后的特征识别算法在特征分布上有提升;如果Gj值为负,表示改进效果不如预期,即需要继续调整特征识别算法;
通差异变化系数Bhx的比较,便于了解改进系数值Gj的有效性,如果差异变化系数Bhx较大,但改进系数值Gj值较小甚至负数,意味着虽然特征差异较大,但改进效果并不显著,需要进一步调整改进算;
针对不同的地质特征,设定不同的特征演化阈值范围YZ,根据差异变化系数Bhx与特征演化阈值范围YZ的比较结果,进一步判断改进系数值Gj的有效性。
9.根据权利要求1所述的一种基于无人机遥感图像的地质测绘识别方法,其特征在于:采集获得历史地震事件数据,根据历史数据中地质特征变化幅度值,且采集现有的地震活动数据和地质特征数据,进行统计分析,找出特征的平均变化幅度值和范围,设定特征演化阈值范围YZ;
将差异变化系数Bhx与特征演化阈值范围YZ进行比较,若差异变化系数Bhx高于特征演化阈值范围YZ,表示改进后的识别精度较高,采用二次测绘作为最终识别数据结果;
若差异变化系数Bhx低于特征演化阈值范围YZ,计算初次特征分布系数Tz1和二次特征分布系数Tz2的平均值,作为最终识别数据结果。
10.一种基于无人机遥感图像的地质测绘识别系统,其特征在于:包括任务规划模块、数据采集模块、预处理模块、特征提取模块、分析模块、改进特征识别模块、差异验证模块、阈值判断模块和演化识别结果输出模块;
任务规划模块用于用户设定地质测绘任务的区域范围和飞行参数,包括飞行高度、速度、图像采集间隔、第一飞控路径和第二飞控路径;
数据采集模块包括第一测绘单元、第二测绘单元和历史数据采集单元;
所述第一测绘单元用于部署无人机设备,执行地质测绘任务,获取第一次图像数据;
所述第二测绘单元用于部署无人机设备,执行地质测绘任务,获取第二次图像数据;
所述历史数据采集单元用于采集历史地震事件数据和地质特征数据,用于统计分析,获得特征的平均变化幅度值和范围;
预处理模块用于对获取的第一图像数据和第二图像数据进行预处理,包括图像清洗、校正、去噪和辐射校正,以提高图像质量和准确性;
特征提取模块用于使用地震地质特征提取算法,从预处理后的图像数据中提取断层、地质体变形、地质滑坡和地面沉降特征;
分析模块用于计算分析初次特征分布系数Tz1和二次特征分布系数Tz2,根据公式计算归一化的特征分布值;
改进特征识别模块用于基于初次特征分布系数Tz1、二次特征分布系数Tz2和历史数据,执行改进特征识别提取算法,获得改进系数值Gj和偏差因子δ;
差异验证模块用于将初次特征分布系数Tz1和二次特征分布系数Tz2进行对比,计算差异变化系数Bhx,将差异变化系数Bhx与特征演化阈值范围YZ进行比较,判断改进系数值Gj的有效性;
阈值判断模块用于获得识别数据结果,若差异变化系数Bhx高于阈值范围YZ,采用二次测绘作为最终识别数据结果,若差异变化系数Bhx低于阈值范围YZ,计算初次特征分布系数Tz1和二次特征分布系数Tz2的平均值,作为最终识别数据结果;
演化识别结果输出模块用于输出最终的地质测绘识别结果,包括改进系数值Gj、差异变化系数Bhx和最终识别数据结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311312287.7A CN117292262B (zh) | 2023-10-11 | 2023-10-11 | 一种基于无人机遥感图像的地质测绘识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311312287.7A CN117292262B (zh) | 2023-10-11 | 2023-10-11 | 一种基于无人机遥感图像的地质测绘识别方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117292262A CN117292262A (zh) | 2023-12-26 |
CN117292262B true CN117292262B (zh) | 2024-02-23 |
Family
ID=89238813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311312287.7A Active CN117292262B (zh) | 2023-10-11 | 2023-10-11 | 一种基于无人机遥感图像的地质测绘识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117292262B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116363524A (zh) * | 2023-03-21 | 2023-06-30 | 广西新恒通高速公路有限公司 | 一种公路地质灾害高风险区域监测预警方法及装置 |
CN116645789A (zh) * | 2023-06-12 | 2023-08-25 | 安徽星空图信息科技股份有限公司 | 一种基于无人机测绘的土地自然灾害预警管控系统 |
CN116797030A (zh) * | 2023-08-25 | 2023-09-22 | 山东省地质调查院(山东省自然资源厅矿产勘查技术指导中心) | 地质监测预警方法、系统、计算机设备及存储介质 |
-
2023
- 2023-10-11 CN CN202311312287.7A patent/CN117292262B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116363524A (zh) * | 2023-03-21 | 2023-06-30 | 广西新恒通高速公路有限公司 | 一种公路地质灾害高风险区域监测预警方法及装置 |
CN116645789A (zh) * | 2023-06-12 | 2023-08-25 | 安徽星空图信息科技股份有限公司 | 一种基于无人机测绘的土地自然灾害预警管控系统 |
CN116797030A (zh) * | 2023-08-25 | 2023-09-22 | 山东省地质调查院(山东省自然资源厅矿产勘查技术指导中心) | 地质监测预警方法、系统、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117292262A (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Schmidt et al. | Evaluating the spatio-temporal performance of sky-imager-based solar irradiance analysis and forecasts | |
US10290219B2 (en) | Machine vision-based method and system for aircraft docking guidance and aircraft type identification | |
Li et al. | Towards automatic power line detection for a UAV surveillance system using pulse coupled neural filter and an improved Hough transform | |
Jwa et al. | A piecewise catenary curve model growing for 3D power line reconstruction | |
CN103235830A (zh) | 一种基于无人机电力巡线方法、装置及无人机 | |
EP3023912A1 (en) | Crack data collection apparatus and server apparatus to collect crack data | |
CN112445241A (zh) | 一种基于无人机遥感技术的地表植被识别方法、系统及可读存储介质 | |
KR102136106B1 (ko) | 태양광 발전량 예측 장치 | |
Uzar | Automatic building extraction with multi-sensor data using rule-based classification | |
CN112643719A (zh) | 一种基于巡检机器人的隧道安防检测方法及系统 | |
CN117292262B (zh) | 一种基于无人机遥感图像的地质测绘识别方法和系统 | |
CN105447431A (zh) | 一种基于机器视觉的入坞飞机跟踪定位方法及系统 | |
CN117152617A (zh) | 一种城市洪涝识别方法及系统 | |
CN116719241A (zh) | 一种基于3d可视化技术的信息化智能闸门自动控制方法 | |
CN113534296B (zh) | 基于神经网络沙尘天气预报强度误差的测算方法及装置 | |
CN116245838A (zh) | 一种岩土勘探行为的监测方法、监测装置、设备及介质 | |
KR20180033958A (ko) | 케이블 교량의 장력 측정 시스템 및 케이블 교량의 장력 측정 방법 | |
CN117808324B (zh) | 一种无人机视觉协同的建筑进度评估方法 | |
CN117809297B (zh) | 基于三维重建的输电线路危险源智能识别方法 | |
Browne et al. | Objective beach-state classification from optical sensing of cross-shore dissipation profiles | |
Prabowo et al. | Detecting and Counting Coconut Trees in Pleiades Satellite Imagery using Histogram of Oriented Gradients and Support Vector Machine | |
CN116912721B (zh) | 一种基于单目立体视觉的配电网设备本体识别方法及系统 | |
US20230289490A1 (en) | Underground structure detection apparatus and underground structure detection method | |
CN108205683A (zh) | 基于可见光卫星图片的红外目标识别系统阈值优化方法 | |
Bharti et al. | An Edge Map based Ensemble Solution to Detect Water Level in Stream |
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 |