CN117746272A - 一种基于无人机的水资源数据采集处理方法及系统 - Google Patents
一种基于无人机的水资源数据采集处理方法及系统 Download PDFInfo
- Publication number
- CN117746272A CN117746272A CN202410193108.0A CN202410193108A CN117746272A CN 117746272 A CN117746272 A CN 117746272A CN 202410193108 A CN202410193108 A CN 202410193108A CN 117746272 A CN117746272 A CN 117746272A
- Authority
- CN
- China
- Prior art keywords
- water resource
- target
- sample
- image
- image data
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 126
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000000926 separation method Methods 0.000 claims description 12
- 238000003709 image segmentation Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 11
- 238000005259 measurement Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及水资源勘测技术领域，公开了一种基于无人机的水资源数据采集处理方法及系统。该方法包括：通过卷积神经网络的方式对收集的水资源样本图像数据进行特征提取，并保存，同时通过使用卷积神经网络的方式对实时采集的水资源图像数据进行特征提取和水资源表面积计算；并通过提取后的实时采集的水资源图像数据特征与保存的水资源样本图像数据特征进行对比，实现对实时采集的水资源图像数据的核查处理；提高了水资源数据采集处理的准确性和高效性。
Description
技术领域
本发明涉及水资源勘测技术领域，具体为一种基于无人机的水资源数据采集处理方法及系统。
背景技术
现在仍有部分落后的水文信息监测站对数据的收集主要依靠人工观察，水文数据传输依靠人工上报等落后的通信方式，加上人力不足、观测范围的狭窄使得数据不能及时准确地上报。虽然也有一些水文监测站配备了水文自动测报装置，但是存在智能化程度低、稳定性差和测报精度低等问题，条件恶劣的偏远地区监测站不能实现无人值守。因此，现在的水文测报方式和设施已经不能满足水文水资源管理的要求。
现有技术CN111895979A通过使用GF-1影像和测高卫星结合的方式选取需要测量的水体范围并通过分遥感影像和深度学习技术对水体范围进行监测，但测量周期较长，测报精度不高，无法做到实时测量，具有很大的局限性。
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的水资源数据采集处理方法及系统，具备实时性和可靠性等优点，解决了稳定性差和测量精度低的问题。
（二）技术方案
为解决上述稳定性差和测量精度低的技术问题，本发明提供如下技术方案：
本发明公开一种基于无人机的水资源数据采集处理方法，具体包括以下步骤：
S1、基于收集的水资源样本数据建立样本集，并将样本集中的水资源样本图像数据输入神经网络进行特征提取，得到样本集中的水资源样本图像的特征数据；
所述水资源样本数据包括水资源样本图像数据和水资源表面积数据；
S2、设定无人机识别区域，并操作无人机实时采集识别区域内的实时水资源图像数据；
S3、对无人机实时水资源图像数据进行处理，通过SAR图像分割算法计算实时水资源图像数据的表面积，得到处理后的图像数据；
S4、将处理后的图像数据输入神经网络，进行特征提取，得到实时水资源图像数据中的特征数据；
S5、将实时水资源图像数据的特征数据和样本集中的水资源样本图像的特征数据进行比对，基于比对结果判断实时水资源图像数据是否为新产生的水资源目标；
S6、通过评估指标对样本目标与待检测目标之间的对比判断结果进行评估，进行无人机驾驶的视觉识别精度进行调整。
本发明通过卷积神经网络和SAR图像分割算法结合的方式实现对无人机水资源数据采集的处理，提高了数据采集处理的速度和准确性；
优选地，所述基于收集的水资源样本数据建立样本集，并将样本集中的水资源样本图像数据输入神经网络进行特征提取包括以下步骤：
S11、将输入图像划分成H个小区域图像数据块；
S12、接收到输入图像数据块后卷积层通过卷积核按照设置的步长在输入的图像数据块上移动，并在每一步的相应区域上与该区域的特征值进行卷积计算，以此实现对每个图像数据块的特征提取；
S13、在神经网络中，上一层的输出会作为下一层的输入，通过不断堆叠形成卷积神经网络，同时在将数据输入到下层的过程中经过激活函数的处理；
S14、在不断堆叠的卷积和池化过程中对图像数据块的特征进行卷积；
S15、将卷积后的图像数据块的特征传入全连接层；
S16、通过全连接层将数据进行展开组合，得到一个特征向量，并保存。
本发明通过使用卷积神经网络完成对样本集中水资源样本图像数据的特征提取，提高了水资源样本图像数据匹配的准确性；
优选地，所述卷积计算公式如下所示：
（1）
其中，表示输入特征，/>表示对应卷积核的权值，b表示偏置值，f表示输出特征。
优选地，所述激活函数的处理包括以下步骤：
设定输入值为 (λ=1,2,……,H)，其中，H表示第H个输入值，每个输出值/>相对应的输入权值为/>，b为偏移量，将输入值输入到该神经网络后得到的输出结果为：
（2）
其中，为对应的激活函数，Y为输出结果。
优选地，所述通过SAR图像分割算法计算实时水资源图像数据的表面积包括以下步骤：
S31、通过模糊均值算法实现图像目标与背景的分离；
S32、通过混合模糊算法对分离后的目标进行优化。
本发明通过SAR图像分割算法计算实时采集的图像数据中水资源图像的表面积，给水资源数据采集提供了数据参考，保证了数据采集处理的可靠性。
优选地，所述通过模糊均值算法实现图像目标与背景的分离包括以下步骤：
设定图像的总像素点的个数为N，将其分为A类，a为每个类的中心点，表示第i类像素点中的第j个像素点的隶属度，则目标函数式3和约束条件式4表示：
（3）
（4）
其中，m为模糊指数，模糊指数为拍摄图像中的模糊度，表示第i类的中心点，/>表示采集的样本点，||/>-/>)||2表示点j到第i类中心点/>的距离，J表示目标函数；
对同类的像素进行迭代聚类运算，完成图像目标与背景的分离；
对同类的像素进行迭代聚类运算包括：
基于初始设定的每个类的中心点，计算类中随机点到类中心点的距离；
根据约束条件不断调整每个类的中心点，不断迭代，直至所有类中点不再变化，迭代停止；
基于聚类算法更新的聚类中心和聚类矩阵/>如式5，式6所示：
（5）
（6）
其中，表示第k类的中心点；d(/> )表示点j到第i类中心点/>的距离，d(/> )表示点j到第k类中心点/>的距离；
通过寻找每个样本点对应的目标函数的最小值，完成对图像中像素点的分类，从而实现图像目标与背景的分离。
优选地，所述通过混合模糊算法对分离后的目标进行优化包括以下步骤：
选择阈值并通过多阈值Otsu算法根据图像的灰度特征来进行图像分割，得到各均匀区域的灰度均值集合，并以此作为模糊算法的阈值输入；
设定图像的灰度为L，灰度值为l的像素点个数为nl，总像素点的个数为N，归一化处理后，各灰度值所占比为，其中，/>表示灰度值为l的像素点占总像素点的比值，图像的灰度平均值/>和方差为/>；设定图像分为s类，则各类的概率如式7、均值如式8、方差如式9表示：
（7）
（8）
（9）
其中，tk为分割的阈值，表示k类中的像素点满足阈值的概率，/>为k类图像的灰度平均值，/>为k类图像之间的方差；
多阈值的类间方差如式10所示：
（10）
其中，表示多阈值的类间方差；
从多阈值Otsu算法分割结果的灰度均值集合中取出前四个分割阈值，作为模糊聚类算法的约束条件部分，通过更新模糊聚类算法的约束条件部分的值实现对分离目标的优化。
本发明使用模糊均值算法和混合模糊算法结合的方式实现对实时采集的图像数据中水资源图像的表面积的精确计算，给水资源数据采集提供了数据参考；
优选地，所述将实时采集图像数据中的特征数据和样本集中各分类图像数据中的特征数据进行比对，基于比对结果判断实时采集水资源图像数据是否为新产生的水资源目标包括以下步骤：
设定实时采集水资源图像数据为待检测目标，样本集中水资源样本图像数据为样本目标；
特征提取后计算待检测目标与样本目标之间的相似度；
通过计算特征之间的余弦距离判断样本目标与待检测目标之间的相似度；
余弦距离：
（11）
（12）
其中，为向量/>和向量/>之间的余弦相似度，Dcos为余弦距离，(/>,/>)表示第j点的坐标，N表示总像素点的个数；
设定特征之间的余弦距离与余弦相似度大小成反比；
基于余弦相似度大小设定成功匹配的相似度阈值上限和相似度阈值下限；
对于一个待检测目标，根据待检测目标特征与各个样本目标特征之间的余弦相似度大小对样本目标进行降序排列，保留排名靠前的c个样本目标，构成样本目标集；
当样本目标集中排名第一的样本目标与待检测目标的特征相似度小于相似度阈值下限，匹配失败，待检测目标判定为新产生的水资源目标；
当样本目标集中排名第一的样本目标与待检测目标的特征相似度大于相似度阈值上限，匹配成功，表示样本目标与待检测目标相似度足够高，将待检测目标判定为样本目标，并判定为相同目标；
当样本目标集中样本目标与待检测目标的特征相似度小于或者等于相似度阈值上限，大于或者等于相似度阈值下限，匹配成功，统计排名结果中相似度在相似度阈值下限及以上的样本目标，设定在相似度阈值下限及以上的样本目标为有效匹配，并在有效匹配的基础上基于计算的表面积进行二次匹配，通过对比样本目标和待检测目标的表面积差值，将与待检测目标表面积差距最小的样本目标判定为相同目标。
本发明通过计算特征之间的余弦距离判断样本目标与待检测目标之间的相似度的方式判断实时采集的水资源图像数据和水资源样本图像数据之间的相似程度，保证了资源样本图像数据匹配的准确性；
优选地，通过评估指标对样本目标与待检测目标之间的对比判断结果进行评估，进行无人机驾驶的视觉识别精度进行调整包括以下步骤：
基于无人机拍摄的水资源图像数据计算当前分辨率下的识别的准确率；
（13）
（14）
其中，TP表示判定为相同目标的数量；FP表示判定为新产生的水资源目标的数量；FN表示漏检数量；P为准确率，R为召回率；
设定准确率与召回率的变化关系曲线为P-R曲线；曲线与横轴所围成的面积为平均准确率AP，计算公式为：
（15）
其中，AP为水资源图像数据平均准确率；
设定识别平均准确率阈值，当计算得到的平均准确率均值低于设定的阈值，进行无人机拍摄图像的分辨率的提高调整。
本发明还公开一种基于无人机的水资源数据采集处理系统，具体包括：图像采集模块、图像处理模块、显示模块以及图像识别模块；
所述图像采集模块用于实时拍摄当前区域内的图像数据，并实时将图像数据传输至图像处理模块；
所述图像处理模块用于对由图像采集模块传输的图像数据进行处理，并将处理后的图像传输至图像识别模块；
所述图像识别模块用于识别处理后的图像数据；
所述显示模块用于根据图像处理模块识别结果在显示模块中进行显示。
（三）有益效果
与现有技术相比，本发明提供了一种基于无人机的水资源数据采集处理方法及系统，具备以下有益效果：该发明通过SAR图像分割算法计算实时采集的图像数据中水资源图像的表面积，使用模糊均值算法和混合模糊算法结合的方式实现对实时采集的图像数据中水资源图像的表面积的精确计算，给水资源数据采集提供了数据参考，保证了数据采集处理的可靠性。
进一步，该发明通过使用卷积神经网络完成对样本集中水资源样本图像数据的特征提取，通过卷积计算和激活函数处理的方式实时提取输入图像的特征并保存，提高了水资源样本图像数据匹配的准确性。
进一步，该发明通过卷积神经网络和SAR图像分割算法结合的方式实现对无人机水资源数据采集的处理，同时通过将实时采集的水资源图像数据与水资源样本图像数据进行对比的方式实现对水资源数据的处理，提高了数据采集处理的速度和准确性。
进一步，该发明通过计算特征之间的余弦距离判断样本目标与待检测目标之间的相似度的方式判断实时采集的水资源图像数据和水资源样本图像数据之间的相似程度，保证了资源样本图像数据匹配的准确性。
附图说明
图1为本发明的水资源数据采集处理方法流程结构示意图；
图2为本发明的基于比对结果判断流程结构示意图。
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。
本发明公开一种基于无人机的水资源数据采集处理方法，具体包括以下步骤：
S1、基于收集的水资源样本数据建立样本集，并将样本集中的水资源样本图像数据输入神经网络进行特征提取，得到样本集中的水资源样本图像的特征数据；
所述水资源样本数据包括水资源样本图像数据和水资源表面积数据；
S11、将输入图像划分成H个小区域图像数据块；
S12、接收到输入图像数据块后卷积层通过卷积核按照设置的步长在输入的图像数据块上移动，并在每一步的相应区域上与该区域的特征值进行卷积计算，以此实现对每个图像数据块的特征提取；
卷积计算公式如下所示：
（1）
其中，表示输入特征，/>表示对应卷积核的权值，b表示偏置值，f表示输出特征；
S13、在神经网络中，上一层的输出会作为下一层的输入，通过不断堆叠形成卷积神经网络，同时在将数据输入到下层的过程中经过激活函数的处理；
设定输入值为 (λ=1,2,……,H)，其中，H表示第H个输入值，每个输出值/>相对应的输入权值为/>，b为偏移量，将输入值输入到该神经网络后得到的输出结果为：
（2）
其中，为对应的激活函数，Y为输出结果；
S14、在不断堆叠的卷积和池化过程中对图像数据块的特征进行卷积；
S15、将卷积后的图像数据块的特征传入全连接层；
S16、通过全连接层将数据进行展开组合，得到一个特征向量，并保存；
S2、设定无人机识别区域，并操作无人机采集识别区域内的实时水资源图像数据；
S3、对无人机实时水资源图像数据进行处理，通过SAR图像分割算法计算实时水资源图像数据的表面积，得到处理后的图像数据；
进一步地，通过SAR图像分割算法计算实时水资源图像数据的表面积包括：
S31、通过模糊均值算法实现图像目标与背景的分离；
设定图像的总像素点的个数为N，将其分为A类，a为每个类的中心点，表示第i类像素点中的第j个像素点的隶属度，则目标函数式3和约束条件式4表示：
（3）
（4）
其中，m为模糊指数，模糊指数为拍摄图像中的模糊度，表示第i类的中心点，/>表示采集的样本点，||/>-/>)||2表示点j到第i类中心点/>的距离，J表示目标函数；
进一步地，对同类的像素进行迭代聚类运算，完成图像目标与背景的分离；
对同类的像素进行迭代聚类运算包括：
基于初始设定的每个类的中心点，计算类中随机点到类中心点的距离；
根据约束条件不断调整每个类的中心点，不断迭代，直至所有类中点不再变化，迭代停止；
进一步地，基于聚类算法更新的聚类中心和聚类矩阵/>如式5，式6所示：
（5）
（6）
其中，表示第k类的中心点；d(/> )表示点j到第i类中心点/>的距离，d(/> )表示点j到第k类中心点/>的距离；
进一步地，通过寻找每个样本点对应的目标函数的最小值，完成对图像中像素点的分类，从而实现图像目标与背景的分离；
S32、通过混合模糊算法对分离后的目标进行优化；
选择阈值并通过多阈值Otsu算法根据图像的灰度特征来进行图像分割，得到各均匀区域的灰度均值集合，并以此作为模糊算法的阈值输入；
设定图像的灰度为L，灰度值为l的像素点个数为nl，总像素点的个数为N，归一化处理后，各灰度值所占比为，其中，/>表示灰度值为l的像素点占总像素点的比值，图像的灰度平均值/>和方差为/>；设定图像分为s类，则各类的概率如式7、均值如式8、方差如式9表示：
（7）
（8）
（9）
其中，tk为分割的阈值，表示k类中的像素点满足阈值的概率，/>为k类图像的灰度平均值，/>为k类图像之间的方差；
进一步地，多阈值的类间方差如式10所示：
（10）
其中，表示多阈值的类间方差；
进一步地，从多阈值Otsu算法分割结果的灰度均值集合中取出前四个分割阈值，作为模糊聚类算法的约束条件部分，通过更新模糊聚类算法的约束条件部分的值实现对分离目标的优化；
S4、将处理后的图像数据输入神经网络，进行特征提取，得到实时水资源图像数据中的特征数据；
S5、将实时水资源图像数据的特征数据和样本集中的水资源样本图像的特征数据进行比对，基于比对结果判断实时水资源图像数据是否为新产生的水资源目标；
设定实时采集水资源图像数据为待检测目标，样本集中水资源样本图像数据为样本目标；
特征提取后计算待检测目标与样本目标之间的相似度；
通过计算特征之间的余弦距离判断样本目标与待检测目标之间的相似度；
余弦距离：
（11）
（12）
其中，为向量/>和向量/>之间的余弦相似度，Dcos为余弦距离，(/>,/>)表示第j点的坐标，N表示总像素点的个数；
设定特征之间的余弦距离与余弦相似度大小成反比；
进一步地，基于余弦相似度大小设定成功匹配的相似度阈值上限和相似度阈值下限；
对于一个待检测目标，根据待检测目标特征与各个样本目标特征之间的余弦相似度大小对样本目标进行降序排列，保留排名靠前的c个样本目标，构成样本目标集；
进一步地，当样本目标集中排名第一的样本目标与待检测目标的特征相似度小于相似度阈值下限，匹配失败，待检测目标判定为新产生的水资源目标；
当样本目标集中排名第一的样本目标与待检测目标的特征相似度大于相似度阈值上限，匹配成功，表示样本目标与待检测目标相似度足够高，将待检测目标判定为样本目标，并判定为相同目标；
进一步地，当样本目标集中样本目标与待检测目标的特征相似度小于或者等于相似度阈值上限，大于或者等于相似度阈值下限，匹配成功，统计排名结果中相似度在相似度阈值下限及以上的样本目标，设定在相似度阈值下限及以上的样本目标为有效匹配，并在有效匹配的基础上基于计算的表面积进行二次匹配，通过对比样本目标和待检测目标的表面积差值，将与待检测目标表面积差距最小的样本目标判定为相同目标；
S6、基于样本目标与待检测目标之间的相似度对比判断结果设定评估指标，并通过评估指标对无人机驾驶的视觉识别精度进行调整；
基于无人机拍摄的水资源图像数据计算当前分辨率下的识别的准确率；
（13）
（14）
其中，TP表示判定为相同目标的数量；FP表示判定为新产生的水资源目标的数量；FN表示漏检数量；P为准确率，R为召回率；
设定准确率与召回率的变化关系曲线为P-R曲线；曲线与横轴所围成的面积为平均准确率AP，计算公式为：
（15）
其中，AP为水资源图像数据平均准确率；
设定识别平均准确率阈值，当计算得到的平均准确率均值低于设定的阈值，进行无人机拍摄图像的分辨率的提高调整；
本实施例还公开一种基于无人机的水资源数据采集处理系统，具体包括：图像采集模块、图像处理模块、显示模块以及图像识别模块；
所述图像采集模块用于实时拍摄当前区域内的图像数据，并实时将图像数据传输至图像处理模块；
所述图像处理模块用于对由图像采集模块传输的图像数据进行处理，并将处理后的图像传输至图像识别模块；
所述图像识别模块用于识别处理后的图像数据；
所述显示模块用于根据图像处理模块识别结果在显示模块中进行显示。
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)
1.一种基于无人机的水资源数据采集处理方法，其特征在于，包括：
S1、基于收集的水资源样本数据建立样本集，并将样本集中的水资源样本图像数据输入神经网络进行特征提取，得到样本集中的水资源样本图像的特征数据；
所述水资源样本数据包括水资源样本图像数据和水资源表面积数据；
S2、设定无人机识别区域，并操作无人机采集识别区域内的实时水资源图像数据；
S3、对无人机实时水资源图像数据进行处理，通过SAR图像分割算法计算实时水资源图像数据的表面积，得到处理后的图像数据；
S4、将处理后的图像数据输入神经网络，进行特征提取，得到实时水资源图像数据中的特征数据；
S5、将实时水资源图像数据的特征数据和样本集中的水资源样本图像的特征数据进行比对，基于比对结果判断实时水资源图像数据是否为新产生的水资源目标；
S6、通过评估指标对样本目标与待检测目标之间的对比判断结果进行评估，并对无人机驾驶的视觉识别精度进行调整。
2.根据权利要求1所述的一种基于无人机的水资源数据采集处理方法，其特征在于，所述基于收集的水资源样本数据建立样本集，并将样本集中的水资源样本图像数据输入神经网络进行特征提取包括以下步骤：
S11、将输入图像划分成H个小区域图像数据块；
S12、接收到输入图像数据块后卷积层通过卷积核按照设置的步长在输入的图像数据块上移动，并在每一步的相应区域上与该区域的特征值进行卷积计算，以此实现对每个图像数据块的特征提取；
S13、在神经网络中，上一层的输出会作为下一层的输入，通过不断堆叠形成卷积神经网络，同时在将数据输入到下层的过程中经过激活函数的处理；
S14、在不断堆叠的卷积和池化过程中对图像数据块的特征进行卷积；
S15、将卷积后的图像数据块的特征传入全连接层；
S16、通过全连接层将数据进行展开组合，得到一个特征向量，并保存。
3.根据权利要求2所述的一种基于无人机的水资源数据采集处理方法，其特征在于，所述卷积计算公式如下所示： （1）
其中，表示输入特征，/>表示对应卷积核的权值，b表示偏置值，f表示输出特征。
4.根据权利要求2所述的一种基于无人机的水资源数据采集处理方法，其特征在于，所述激活函数的处理包括以下步骤：
设定输入值为 (λ=1,2,……,H)，其中，H表示第H个输入值，每个输出值/>相对应的输入权值为/>，b为偏移量，将输入值输入到该神经网络后得到的输出结果为：
（2）
其中，为对应的激活函数，Y为输出结果。
5.根据权利要求1所述的一种基于无人机的水资源数据采集处理方法，其特征在于，所述通过SAR图像分割算法计算实时水资源图像数据的表面积包括以下步骤：
S31、通过模糊均值算法实现图像目标与背景的分离；
S32、通过混合模糊算法对分离后的目标进行优化。
6.根据权利要求5所述的一种基于无人机的水资源数据采集处理方法，其特征在于，所述通过模糊均值算法实现图像目标与背景的分离包括以下步骤：
设定图像的总像素点的个数为N，将其分为A类，a为每个类的中心点，表示第i类像素点中的第j个像素点的隶属度，则目标函数式3和约束条件式4表示：
类像素点中的第j个像素点的隶属度，则目标函数式3和约束条件式4表示：
（3）
（4）
其中，m为模糊指数，模糊指数为拍摄图像中的模糊度，表示第i类的中心点，/>表示采集的样本点，||/>-/>)||2表示点j到第i类中心点/>的距离，J表示目标函数；
对同类的像素进行迭代聚类运算，完成图像目标与背景的分离；
对同类的像素进行迭代聚类运算包括：
基于初始设定的每个类的中心点，计算类中随机点到类中心点的距离；
根据约束条件不断调整每个类的中心点，不断迭代，直至所有类中点不再变化，迭代停止；
基于聚类算法更新的聚类中心和聚类矩阵/>如式5，式6所示：
（5）
（6）
其中，表示第k类的中心点；d(/> )表示点j到第i类中心点/>的距离，d(/> )表示点j到第k类中心点/>的距离；
通过寻找每个样本点对应的目标函数的最小值，完成对图像中像素点的分类，从而实现图像目标与背景的分离。
7.根据权利要求5所述的一种基于无人机的水资源数据采集处理方法，其特征在于，所述通过混合模糊算法对分离后的目标进行优化包括以下步骤：
选择阈值并通过多阈值Otsu算法根据图像的灰度特征来进行图像分割，得到各均匀区域的灰度均值集合，并以此作为模糊算法的阈值输入；
设定图像的灰度为L，灰度值为l的像素点个数为nl，总像素点的个数为N，归一化处理后，各灰度值所占比为，其中，/>表示灰度值为l的像素点占总像素点的比值，图像的灰度平均值/>和方差为/>；设定图像分为s类，则各类的概率如式7、均值如式8、方差如式9表示：
（7）
（8）
（9）
其中，tk为分割的阈值，表示k类中的像素点满足阈值的概率，/>为k类图像的灰度平均值，/>为k类图像之间的方差；
多阈值的类间方差如式10所示：
（10）
其中，表示多阈值的类间方差；
从多阈值Otsu算法分割结果的灰度均值集合中取出前四个分割阈值，作为模糊聚类算法的约束条件部分，通过更新模糊聚类算法的约束条件部分的值实现对分离目标的优化。
8.根据权利要求1所述的一种基于无人机的水资源数据采集处理方法，其特征在于，所述将实时水资源图像数据的特征数据和样本集中的水资源样本图像的特征数据进行比对，基于比对结果判断实时水资源图像数据是否为新产生的水资源目标包括以下步骤：
设定实时采集水资源图像数据为待检测目标，样本集中水资源样本图像数据为样本目标；
特征提取后计算待检测目标与样本目标之间的相似度；
通过计算特征之间的余弦距离判断样本目标与待检测目标之间的相似度；
余弦距离：
（11）
（12）
其中，为向量/>和向量/>之间的余弦相似度，Dcos为余弦距离，(/>,/>)表示第j点的坐标，N表示总像素点的个数；
设定特征之间的余弦距离与余弦相似度大小成反比；
基于余弦相似度大小设定成功匹配的相似度阈值上限和相似度阈值下限；
对于一个待检测目标，根据待检测目标特征与各个样本目标特征之间的余弦相似度大小对样本目标进行降序排列，保留排名靠前的c个样本目标，构成样本目标集；
当样本目标集中排名第一的样本目标与待检测目标的特征相似度小于相似度阈值下限，匹配失败，待检测目标判定为新产生的水资源目标；
当样本目标集中排名第一的样本目标与待检测目标的特征相似度大于相似度阈值上限，匹配成功，表示样本目标与待检测目标相似度足够高，将待检测目标判定为样本目标，并判定为相同目标；
当样本目标集中样本目标与待检测目标的特征相似度小于或者等于相似度阈值上限，大于或者等于相似度阈值下限，匹配成功，统计排名结果中相似度在相似度阈值下限以上的样本目标相似度阈值下限及以上的样本目标，设定在相似度阈值下限及以上的样本目标为有效匹配，并在有效匹配的基础上基于计算的表面积进行二次匹配，通过对比样本目标和待检测目标的表面积差值，将与待检测目标表面积差距最小的样本目标判定为相同目标。
9.根据权利要求1所述的一种基于无人机的水资源数据采集处理方法，其特征在于，所述通过评估指标对样本目标与待检测目标之间的对比判断结果进行评估，进行无人机驾驶的视觉识别精度进行调整包括以下步骤：
基于无人机拍摄的水资源图像数据计算当前分辨率下的识别的准确率；
（13）
（14）
其中，TP表示判定为相同目标的数量；FP表示判定为新产生的水资源目标的数量；FN表示漏检数量；P为准确率，R为召回率；
设定准确率与召回率的变化关系曲线为P-R曲线；曲线与横轴所围成的面积为平均准确率AP，计算公式为：
（15）
其中，AP为水资源图像数据平均准确率；
设定识别平均准确率阈值，当计算得到的平均准确率均值低于设定的阈值，进行无人机拍摄图像的分辨率的提高调整。
10.一种实现如权利要求1-9中任一项所述的基于无人机的水资源数据采集处理方法的系统，其特征在于，包括：图像采集模块、图像处理模块、显示模块以及图像识别模块；
所述图像采集模块用于实时拍摄当前区域内的图像数据，并实时将图像数据传输至图像处理模块；
所述图像处理模块用于对由图像采集模块传输的图像数据进行处理，并将处理后的图像传输至图像识别模块；
所述图像识别模块用于识别处理后的图像数据；
所述显示模块用于根据图像处理模块识别结果在显示模块中进行显示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410193108.0A CN117746272A (zh) | 2024-02-21 | 2024-02-21 | 一种基于无人机的水资源数据采集处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410193108.0A CN117746272A (zh) | 2024-02-21 | 2024-02-21 | 一种基于无人机的水资源数据采集处理方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117746272A true CN117746272A (zh) | 2024-03-22 |
Family
ID=90261408
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410193108.0A Pending CN117746272A (zh) | 2024-02-21 | 2024-02-21 | 一种基于无人机的水资源数据采集处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117746272A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103559498A (zh) * | 2013-09-24 | 2014-02-05 | 北京环境特性研究所 | 基于多特征融合的快速人车目标分类方法 |
| CN104537671A (zh) * | 2015-01-04 | 2015-04-22 | 长沙理工大学 | 一种基于机器视觉的香烟滤棒在线计数和质量检测方法 |
| WO2016101279A1 (zh) * | 2014-12-26 | 2016-06-30 | 中国海洋大学 | 一种合成孔径雷达图像舰船目标快速检测方法 |
| AU2020102091A4 (en) * | 2019-10-17 | 2020-10-08 | Wuhan University Of Science And Technology | Intelligent steel slag detection method and system based on convolutional neural network |
| CN112508963A (zh) * | 2020-11-30 | 2021-03-16 | 西安电子科技大学 | 一种基于模糊c均值聚类的sar图像分割方法 |
| CN114170565A (zh) * | 2021-11-09 | 2022-03-11 | 广州市鑫广飞信息科技有限公司 | 一种基于无人机航拍的图像对比方法、装置及终端设备 |
| CN116071560A (zh) * | 2022-11-21 | 2023-05-05 | 上海师范大学 | 一种基于卷积神经网络的水果识别方法 |
| CN117372629A (zh) * | 2023-12-07 | 2024-01-09 | 山东圣瑞信息技术有限公司 | 一种基于数字孪生的水库可视化数据监管控制系统及方法 |
| CN117576597A (zh) * | 2024-01-15 | 2024-02-20 | 深圳市金飞杰信息技术服务有限公司 | 一种基于无人机驾驶的视觉识别方法及其系统 |
-
2024
- 2024-02-21 CN CN202410193108.0A patent/CN117746272A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103559498A (zh) * | 2013-09-24 | 2014-02-05 | 北京环境特性研究所 | 基于多特征融合的快速人车目标分类方法 |
| WO2016101279A1 (zh) * | 2014-12-26 | 2016-06-30 | 中国海洋大学 | 一种合成孔径雷达图像舰船目标快速检测方法 |
| CN104537671A (zh) * | 2015-01-04 | 2015-04-22 | 长沙理工大学 | 一种基于机器视觉的香烟滤棒在线计数和质量检测方法 |
| AU2020102091A4 (en) * | 2019-10-17 | 2020-10-08 | Wuhan University Of Science And Technology | Intelligent steel slag detection method and system based on convolutional neural network |
| CN112508963A (zh) * | 2020-11-30 | 2021-03-16 | 西安电子科技大学 | 一种基于模糊c均值聚类的sar图像分割方法 |
| CN114170565A (zh) * | 2021-11-09 | 2022-03-11 | 广州市鑫广飞信息科技有限公司 | 一种基于无人机航拍的图像对比方法、装置及终端设备 |
| CN116071560A (zh) * | 2022-11-21 | 2023-05-05 | 上海师范大学 | 一种基于卷积神经网络的水果识别方法 |
| CN117372629A (zh) * | 2023-12-07 | 2024-01-09 | 山东圣瑞信息技术有限公司 | 一种基于数字孪生的水库可视化数据监管控制系统及方法 |
| CN117576597A (zh) * | 2024-01-15 | 2024-02-20 | 深圳市金飞杰信息技术服务有限公司 | 一种基于无人机驾驶的视觉识别方法及其系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112132042B (zh) | 基于对抗域适应的sar图像目标检测方法 | |
| CN104700099A (zh) | 识别交通标志的方法和装置 | |
| CN112418117A (zh) | 一种基于无人机图像的小目标检测方法 | |
| CN116758059B (zh) | 一种用于路基路面的视觉无损检测方法 | |
| CN113033284A (zh) | 一种基于卷积神经网络的车辆实时超载检测方法 | |
| CN112200143A (zh) | 一种基于候选区域网络和机器视觉的道路病害检测方法 | |
| CN109214308A (zh) | 一种基于焦点损失函数的交通异常图片识别方法 | |
| CN111738114B (zh) | 基于无锚点精确采样遥感图像车辆目标检测方法 | |
| CN112241692B (zh) | 基于航拍图超像素纹理的渠道异物智能检测与分类方法 | |
| CN114627447A (zh) | 基于注意力机制和多目标跟踪的公路车辆跟踪方法及系统 | |
| CN111368653B (zh) | 一种基于r-d图与深度神经网络的低空小目标检测方法 | |
| CN110599800A (zh) | 一种停车场车位状态监测系统及监测方法 | |
| CN113034378A (zh) | 一种区分电动汽车与燃油汽车的方法 | |
| CN115937659A (zh) | 基于Mask-RCNN的室内复杂环境下多目标检测方法 | |
| CN113255580A (zh) | 抛洒物识别、车辆抛洒滴漏识别方法和装置 | |
| CN117576597B (zh) | 一种基于无人机驾驶的视觉识别方法及其系统 | |
| CN109215059B (zh) | 一种航拍视频中运动车辆跟踪的局部数据关联方法 | |
| CN103605960B (zh) | 一种基于不同焦距视频图像融合的交通状态识别方法 | |
| CN114022782A (zh) | 一种基于modis卫星数据的海雾探测方法 | |
| CN116740652B (zh) | 一种基于神经网络模型的锈斑面积扩大的监测方法与系统 | |
| CN117746272A (zh) | 一种基于无人机的水资源数据采集处理方法及系统 | |
| CN116503912A (zh) | 基于电子图囊的安检预警方法 | |
| CN116229286A (zh) | 一种知识驱动的空间目标态势感知方法及系统 | |
| CN115830302A (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
| CN115048986A (zh) | 一种基于多分类器动态剪枝选择的地表冻融状态分类方法 |
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 |