CN118102032B - 基于自然资源耕地保护场景视频管理方法 - Google Patents

基于自然资源耕地保护场景视频管理方法 Download PDF

Info

Publication number
CN118102032B
CN118102032B CN202410508467.0A CN202410508467A CN118102032B CN 118102032 B CN118102032 B CN 118102032B CN 202410508467 A CN202410508467 A CN 202410508467A CN 118102032 B CN118102032 B CN 118102032B
Authority
CN
China
Prior art keywords
cultivated land
key
state
video
video 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.)
Active
Application number
CN202410508467.0A
Other languages
English (en)
Other versions
CN118102032A (zh
Inventor
裴皎
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.)
Zhejiang Branch China Tower Co ltd
Jiangsu Outlook China Big Data Technology Co ltd
Original Assignee
Zhejiang Branch China Tower Co ltd
Jiangsu Outlook China Big Data Technology 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 Zhejiang Branch China Tower Co ltd, Jiangsu Outlook China Big Data Technology Co ltd filed Critical Zhejiang Branch China Tower Co ltd
Priority to CN202410508467.0A priority Critical patent/CN118102032B/zh
Publication of CN118102032A publication Critical patent/CN118102032A/zh
Application granted granted Critical
Publication of CN118102032B publication Critical patent/CN118102032B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
    • H04N21/44008—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics in the video stream
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/06—Protocols specially adapted for file transfer, e.g. file transfer protocol [FTP]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/104—Peer-to-peer [P2P] networks
    • H04L67/1074—Peer-to-peer [P2P] networks for supporting data block transmission mechanisms
    • H04L67/1078—Resource delivery mechanisms
    • H04L67/108—Resource delivery mechanisms characterised by resources being split in blocks or fragments
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1095—Replication or mirroring of data, e.g. scheduling or transport for data synchronisation between network nodes
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
    • H04N21/83—Generation or processing of protective or descriptive data associated with content; Content structuring
    • H04N21/845—Structuring of content, e.g. decomposing content into time segments
    • H04N21/8456—Structuring of content, e.g. decomposing content into time segments by decomposing the content in the time domain, e.g. in time segments
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Mining & Mineral Resources (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本发明属于耕地监控技术领域，具体涉及基于自然资源耕地保护场景视频管理方法。该发明通过实时视频数据的获取、预处理、关键图像提取、耕地状态识别、视频片段同步和云端汇总等步骤，能够覆盖交叉区域下的重复视频数据，也能够降低对非关键信息的关注，提高耕地监控的效率，充分发挥视频监控在耕地保护中的作用，实现了耕地保护工作的智能化和高效化，这不仅有助于提高耕地保护的准确性，也有利于提高耕地资源利用的可持续性。

Description

基于自然资源耕地保护场景视频管理方法
技术领域
本发明属于耕地监控技术领域，具体涉及基于自然资源耕地保护场景视频管理方法。
背景技术
耕地作为最基本的自然资源之一，其保护对于保障粮食安全、维护生态平衡以及促进可持续发展具有重要意义，为了有效实施耕地保护政策，需要对耕地使用情况进行实时监控和管理，传统的耕地监管方法依赖于人工巡查和卫星遥感，这些方法要么成本高昂，要么时效性不足，难以满足快速响应和精准管理的需求。
当下，随着视频监控技术和网络通信技术的飞速发展，视频监控系统已经成为环境监测和资源管理的重要工具。通过部署在耕地周边的视频监控设备，可以实现对耕地使用情况的实时监控，及时发现并制止非法占用、破坏耕地的行为，然而，现有的视频监控系统在数据处理、智能分析和信息反馈方面存在局限性，视频数据量大，存在重复分析等现象，进而就导致耕地监控效率低下，无法充分发挥其在耕地保护中的作用，基于此，本方案提供了一种基于自然资源耕地保护场景视频管理方法。
发明内容
本发明的目的是提供基于自然资源耕地保护场景视频管理方法，能够覆盖交叉区域下的重复视频数据，也能够降低对非关键信息的关注，提高耕地监控的效率，充分发挥视频监控在耕地保护中的作用。
本发明采取的技术方案具体如下：
基于自然资源耕地保护场景视频管理方法，包括：
获取自然资源耕地保护场景的实时视频数据；
对所述实时视频数据进行预处理，提取出与耕地保护相关的关键信息和非关键信息，其中，所述关键信息被汇总为关键数据集，所述非关键信息被汇总为非关键数据集；
从所述关键信息中提取关键图像，且依据所述关键图像输出耕地状态，其中，所述耕地状态包括耕地正常状态和耕地异常状态；
依据所述耕地状态对实时视频数据进行分段截取，得到多个视频片段，再将多个所述视频片段同步至云端，其中，所述视频片段包括与耕地正常状态对应的正常片段，以及与耕地异常状态对应的异常片段；
对所述云端下的正常片段和异常片段分别进行汇总处理，得到正常视频数据集和异常视频数据集。
在一种优选方案中，所述获取自然资源耕地保护场景的实时视频数据的步骤，包括：
获取耕地保护区域，并在所述耕地保护区域内设置多个视频采集设备；
获取各个所述视频采集设备的监控范围，并对相邻所述视频采集设备的监控范围进行比较，得到交叉区域和独立区域；
将存在交叉区域的相邻所述视频采集设备分别标定为覆盖设备和被覆盖设备，且所述覆盖设备实时上传所述交叉区域下的视频影像作为实时视频数据。
在一种优选方案中，所述对所述实时视频数据进行预处理，提取出与耕地保护相关的关键信息和非关键信息的步骤，包括：
将耕地区域分类为关键区域和非关键区域，且将所述关键区域内的实时视频数据标定能够为关键信息；
获取所述非关键区域的标准影像，以及所述标准影像对应的标准特征；
判断所述实时视频数据中是否出现与标准特征不一致的非标准特征；
若是，则记录所述非标准特征的出现节点，并将其标定为待校验特征，再将所述待校验特征输入至校验模型中，得到所述非标准特征的关键性；
若否，则表明所述非关键区域正常，并将其对应的实时视频数据标定为非关键信息。
在一种优选方案中，所述覆盖设备下关键区域的面积大于或等于被覆盖设备下的关键区域。
在一种优选方案中，所述将所述待校验特征输入至校验模型中，得到所述非标准特征的关键性的步骤，包括：
实时获取所述待校验特征在非关键区域中的位置坐标，并标定为待校验坐标；
对所述非关键区域和关键区域的交界线进行偏移处理，得到预警线；
构建监测时段，并获取所述监测时段内待校验坐标与预警线之间的距离，且标定为待校验参数；
从所述校验模型中调用校验函数，且将所述待校验参数输入至校验函数中，得到风险趋势值；
若所述风险趋势值的取值为负，则表明所述非标准特征接近关键区域，再将所述非标准特征标定为关键特征，且将其对应的视频数据标定为关键信息；
若所述风险趋势值的取值为正，则表明所述非标准特征远离关键区域，再将所述非标准特征标定为非关键特征，且将其对应的视频数据标定为非关键信息。
在一种优选方案中，所述非标准特征出现后，以其出现节点为起始，进行计时处理，并将计时结果标定为次级待校验参数；
从所述校验模型中调用校验阈值，并将所述校验阈值与次级待校验参数进行比较；
若所述次级待校验参数大于或等于校验阈值，则直接将非标准特征对应的视频数据标定为关键信息；
若所述次级待校验参数小于校验阈值，则继续采集所述待校验特征在非关键区域中的位置坐标。
在一种优选方案中，所述从所述关键信息中提取关键图像，且依据所述关键图像输出耕地状态的步骤，包括：
获取所述关键信息，并对其进行解码处理，得到多个连续的关键图像；
将所述关键图像按照发生时序进行排列，且将当前节点下的关键图像标定为第一参考图像；
对所述当前节点向已发生节点的方向进行偏移处理，得到参考节点，且将所述参考节点下的关键图像标定为第二参考图像；
获取关键信息中的基准图像，并与所述第一参考图像和第二参考图像进行同步比较，且在所述基准图像与第一参考图像和第二参考图像均不一致时，将所述耕地状态标定为耕地异常状态，并同步发出告警信号，反之，则将所述耕地状态标定为耕地正常状态。
在一种优选方案中，所述依据所述耕地状态对实时视频数据进行分段截取，得到多个视频片段，再将多个所述视频片段同步至云端的步骤，包括：
获取所述耕地状态，并根据所述耕地状态分配实时视频数据的分割间隔，其中，所述耕地正常状态下的分割间隔大于耕地异常状态下的分割间隔；
根据所述分割间隔对实时视频数据执行分割处理，得到多个视频片段；
若所述耕地状态为耕地正常状态，则其对应的视频片段被标定为正常片段，且正常片段中未出现非标准特征时，发生时序靠后的正常片段会覆盖发生时序靠前的正常片段；
若所述耕地状态为耕地异常状态，则其对应的视频片段被标定为异常片段。
本发明还提供了，基于自然资源耕地保护场景视频管理系统，应用于上述的基于自然资源耕地保护场景视频管理方法，包括：
视频采集模块，所述视频采集模块用于获取自然资源耕地保护场景的实时视频数据；
视频处理模块，所述视频处理模块用于对所述实时视频数据进行预处理，提取出与耕地保护相关的关键信息和非关键信息，其中，所述关键信息被汇总为关键数据集，所述非关键信息被汇总为非关键数据集；
状态评价模块，所述状态评价模块用于从所述关键信息中提取关键图像，且依据所述关键图像输出耕地状态，其中，所述耕地状态包括耕地正常状态和耕地异常状态；
视频同步模块，所述视频同步模块用于依据所述耕地状态对实时视频数据进行分段截取，得到多个视频片段，再将多个所述视频片段同步至云端，其中，所述视频片段包括与耕地正常状态对应的正常片段，以及与耕地异常状态对应的异常片段；
分类汇总模块，所述分类汇总模块用于对所述云端下的正常片段和异常片段分别进行汇总处理，得到正常视频数据集和异常视频数据集。
以及，基于自然资源耕地保护场景视频管理终端，包括：
至少一个处理器；
以及与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的基于自然资源耕地保护场景视频管理方法。
本发明取得的技术效果为：
本发明通过实时视频数据的获取、预处理、关键图像提取、耕地状态识别、视频片段同步和云端汇总等步骤，能够覆盖交叉区域下的重复视频数据，也能够降低对非关键信息的关注，提高耕地监控的效率，充分发挥视频监控在耕地保护中的作用，实现了耕地保护工作的智能化和高效化，这不仅有助于提高耕地保护的准确性，也有利于提高耕地资源利用的可持续性。
附图说明
图1是本发明的实施例1所提供的方法流程图；
图2是本发明的实施例2所提供的系统模块图；
图3是本发明的实施例3所提供的终端结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个较佳的实施方式中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例1：
请参阅图1所示，为本发明的第一个实施例，该实施例提供了基于自然资源耕地保护场景视频管理方法，包括：
S1、获取自然资源耕地保护场景的实时视频数据；
S2、对实时视频数据进行预处理，提取出与耕地保护相关的关键信息和非关键信息，其中，关键信息被汇总为关键数据集，非关键信息被汇总为非关键数据集；
S3、从关键信息中提取关键图像，且依据关键图像输出耕地状态，其中，耕地状态包括耕地正常状态和耕地异常状态；
S4、依据耕地状态对实时视频数据进行分段截取，得到多个视频片段，再将多个视频片段同步至云端，其中，视频片段包括与耕地正常状态对应的正常片段，以及与耕地异常状态对应的异常片段；
S5、对云端下的正常片段和异常片段分别进行汇总处理，得到正常视频数据集和异常视频数据集。
如上述步骤S1-S5所述，随着科技的发展，人工智能助手在耕地保护领域的研究和应用逐渐深入，本实施例提供了一种基于自然资源耕地保护场景的视频管理方法，首先，该方法的第一步是获取自然资源耕地保护场景的实时视频数据，这部分工作可以通过部署在耕地现场的视频采集设备（如摄像头等）来实现，这些设备可以24小时不间断地捕捉耕地现场的实时情况，之后对实时视频数据进行预处理，提取出与耕地保护相关的关键信息和非关键信息，再将关键信息汇总为关键数据集，非关键信息则被汇总为非关键数据集，将大量复杂的视频数据进行简化，便于后续的处理和分析，关键信息中，最关键的部分是关键图像的提取，通过对关键图像的分析，可以判断出耕地的状态，包括耕地正常状态和耕地异常状态，然后根据耕地状态，对实时视频数据进行分段截取，得到多个视频片段，这些视频片段包括与耕地正常状态对应的正常片段，以及与耕地异常状态对应的异常片段，其目的是将不同状态的耕地视频数据进行区分，以便于后续的处理和分析，最后，将多个视频片段同步至云端，并进行汇总处理，云端计算资源的优势在于，可以对大量数据进行高效处理和分析，在云端，正常片段和异常片段分别被汇总为正常视频数据集和异常视频数据集，这两个数据集可以作为耕地保护工作的数据支撑，通过实时视频数据的获取、预处理、关键图像提取、耕地状态识别、视频片段同步和云端汇总等步骤，实现了耕地保护工作的智能化和高效化，这不仅有助于提高耕地保护的准确性，也有利于提高耕地资源利用的可持续性。
在一个较佳的实施方式中，获取自然资源耕地保护场景的实时视频数据的步骤，包括：
S101、获取耕地保护区域，并在耕地保护区域内设置多个视频采集设备；
S102、获取各个视频采集设备的监控范围，并对相邻视频采集设备的监控范围进行比较，得到交叉区域和独立区域；
S103、将存在交叉区域的相邻视频采集设备分别标定为覆盖设备和被覆盖设备，且覆盖设备实时上传交叉区域下的视频影像作为实时视频数据。
如上述步骤S101-S103所述，在采集耕地保护场景下的实时视频数据时，首先需要确定耕地保护区域，可以通过查阅相关土地利用规划、遥感图像等资料，准确确定需要保护的耕地范围，保护区域的确定至关重要，它直接影响到后续视频监测的准确性和有效性，接下来，在耕地保护区域内设置多个视频采集设备，根据实际情况和需求进行选择，视频采集设备的布置需要充分考虑其监控范围，确保覆盖到保护区域内的每一个重要区域，在视频采集设备布置完毕后，需要获取各个设备监控范围，可以通过实地勘查等方法完成，监控范围的获取有助于了解每个设备的作用范围，为后续的覆盖分析提供数据支持，再之后需要对相邻视频采集设备的监控范围进行比较，得到交叉区域和独立区域，其的目的是为了确定哪些区域可以被多个设备同时监控，哪些区域仅被一个设备监控，然后将存在交叉区域的相邻视频采集设备分别标定为覆盖设备和被覆盖设备，覆盖设备下关键区域的面积大于或等于被覆盖设备下的关键区域，覆盖设备需要实时上传交叉区域下的视频影像，作为实时视频数据，被覆盖设备则无需上传交叉区域内的实时视频数据，有效的减少了视频数据的冗余，避免后续对实时视频数据的分析出现重复性。
在一个较佳的实施方式中，对实时视频数据进行预处理，提取出与耕地保护相关的关键信息和非关键信息的步骤，包括：
S201、将耕地区域分类为关键区域和非关键区域，且将关键区域内的实时视频数据标定能够为关键信息；
S202、获取非关键区域的标准影像，以及标准影像对应的标准特征；
S203、判断实时视频数据中是否出现与标准特征不一致的非标准特征；
若是，则记录非标准特征的出现节点，并将其标定为待校验特征，再将待校验特征输入至校验模型中，得到非标准特征的关键性；
若否，则表明非关键区域正常，并将其对应的实时视频数据标定为非关键信息。
如上述步骤S201-S203所述，在对实时视频数据进行预处理时，首先需要对耕地区域进行分类，将其分为关键区域和非关键区域，其目的是为了更有针对性地分析实时视频数据，确保关键区域内的信息得到充分关注，关键区域内的实时视频数据被视为关键信息，这是因为这些信息对于耕地保护工作具有较高的价值和指导意义，接下来需要获取非关键区域的标准影像以及标准影像对应的标准特征，这一步骤是为了在后续的分析过程中，对照实时视频数据中的特征变化，标准影像和标准特征的获取，有助于我们建立一个参照体系，从而更好地识别实时视频数据中的关键信息和非关键信息，然后，需要判断实时视频数据中是否出现与标准特征不一致的非标准特征，这是耕地保护实时监测的关键环节，因为非标准特征很可能是耕地状况发生变化的前兆，若是发现实时视频数据中出现了与标准特征不一致的非标准特征，需要记录其出现节点，且将该非标准特征标定为待校验特征，待校验特征接下来会被输入到校验模型中，通过模型分析得到非标准特征的关键性，这一步骤的目的是为了进一步确认非标准特征对耕地保护工作的影响程度，反之，若实时视频数据中未出现与标准特征不一致的非标准特征，那么可以认为非关键区域的耕地状况正常，此时可以将对应的实时视频数据标定为非关键信息，从而降低监测工作的复杂程度。
在一个较佳的实施方式中，将待校验特征输入至校验模型中，得到非标准特征的关键性的步骤，包括：
A1、实时获取待校验特征在非关键区域中的位置坐标，并标定为待校验坐标；
A2、对非关键区域和关键区域的交界线进行偏移处理，得到预警线；
A3、构建监测时段，并获取监测时段内待校验坐标与预警线之间的距离，且标定为待校验参数；
A4、从校验模型中调用校验函数，且将待校验参数输入至校验函数中，得到风险趋势值；
若风险趋势值的取值为负，则表明非标准特征接近关键区域，再将非标准特征标定为关键特征，且将其对应的视频数据标定为关键信息；
若风险趋势值的取值为正，则表明非标准特征远离关键区域，再将非标准特征标定为非关键特征，且将其对应的视频数据标定为非关键信息。
如上述步骤A1-A4所述，在执行校验模型时，首先需要实时获取待校验特征在非关键区域中的位置坐标，并将其标定为待校验坐标，通过对待校验特征进行实时监测和定位，为后续的校验提供准确的坐标信息，接下来，对非关键区域和关键区域的交界线进行偏移处理，得到预警线，预警线的设定是为了提前发现非标准特征向关键区域的接近情况，从而及时发出预警，在此基础上，构建监测时段，并获取监测时段内待校验坐标与预警线之间的距离，将其标定为待校验参数，这一步是为了量化非标准特征与预警线之间的距离，以便于后续的风险评估，然后，从校验模型中调用校验函数，将待校验参数输入至校验函数中，得到风险趋势值，其中，校验函数的表达式为：，式中，表示风险趋势值，表示监测时段的长度，表示待校验参数的数量，和表示相邻位次下的待校验参数，风险趋势值是对非标准特征接近或远离关键区域的程度的一种衡量，可以为后续的处理提供依据，根据风险趋势值的正负情况，进行相应的处理，若风险趋势值为负，表明非标准特征接近关键区域，此时需要将非标准特征标定为关键特征，并将其对应的视频数据标定为关键信息，这样，就可以及时地对关键信息进行关注和处理，降低潜在的风险，反之，若风险趋势值为正，表明非标准特征远离关键区域，此时将非标准特征标定为非关键特征，并将其对应的视频数据标定为非关键信息，这样，可以减少对非关键信息的关注，提高校验效率。
在一个较佳的实施方式中，非标准特征出现后，以其出现节点为起始，进行计时处理，并将计时结果标定为次级待校验参数；
从校验模型中调用校验阈值，并将校验阈值与次级待校验参数进行比较；
若次级待校验参数大于或等于校验阈值，则直接将非标准特征对应的视频数据标定为关键信息；
若次级待校验参数小于校验阈值，则继续采集待校验特征在非关键区域中的位置坐标。
在该实施方式中，在非标准特征出现之后，便需要从视频中提取出非标准特征，提取出非标准特征后，需要以该特征出现的节点为起始，进行计时处理，计时处理的目的是为了衡量非标准特征在视频中的持续时间，并为后续的校验提供依据，之后需要将计时结果标定为次级待校验参数，再从校验模型中调用校验阈值，并将校验阈值与次级待校验参数进行比较，校验阈值的设定可以根据实际情况和需求进行调整，例如，可以根据历史数据统计分析，设定一个合适的阈值，在校验过程中，如果次级待校验参数大于或等于校验阈值，那么可以直接将非标准特征对应的视频数据标定为关键信息，这意味着非标准特征满足了一定的重要性标准，可能预示着重要事件或安全隐患，然而，如果次级待校验参数小于校验阈值，那么继续采集待校验特征在非关键区域中的位置坐标即可。
在一个较佳的实施方式中，从关键信息中提取关键图像，且依据关键图像输出耕地状态的步骤，包括：
S301、获取关键信息，并对其进行解码处理，得到多个连续的关键图像；
S302、将关键图像按照发生时序进行排列，且将当前节点下的关键图像标定为第一参考图像；
S303、对当前节点向已发生节点的方向进行偏移处理，得到参考节点，且将参考节点下的关键图像标定为第二参考图像；
S304、获取关键信息中的基准图像，并与第一参考图像和第二参考图像进行同步比较，且在基准图像与第一参考图像和第二参考图像均不一致时，将耕地状态标定为耕地异常状态，并同步发出告警信号，反之，则将耕地状态标定为耕地正常状态。
如上述步骤S301-S304所述，获得关键图像后，需要根据它们发生的时序对它们进行排序，排序后的关键图像能够清晰地反映出耕地的变化情况，在这个过程中，将当前节点下的关键图像标定为第一参考图像，随后对当前节点向已发生节点的方向进行偏移处理，这样，可以得到一个历史阶段下的参考节点，在参考节点下，提取另一批关键图像，这些关键图像将被标定为第二参考图像，之后获取关键信息中的基准图像，基准图像是对耕地状态的预设化描述，它可以帮助我们判断实际耕地状态与预设状态之间的差异，将基准图像与第一参考图像和第二参考图像进行同步比较，可以发现耕地状态的变动，如果在基准图像与第一参考图像和第二参考图像之间存在较大差异，那么将认为耕地状态为异常状态，此时还会同步发出告警信号，以便相关人员及时采取措施，反之，如果基准图像与第一参考图像和第二参考图像基本一致，那么耕地状态将被标定为正常状态。
在一个较佳的实施方式中，依据耕地状态对实时视频数据进行分段截取，得到多个视频片段，再将多个视频片段同步至云端的步骤，包括：
S401、获取耕地状态，并根据耕地状态分配实时视频数据的分割间隔，其中，耕地正常状态下的分割间隔大于耕地异常状态下的分割间隔；
S402、根据分割间隔对实时视频数据执行分割处理，得到多个视频片段；
若耕地状态为耕地正常状态，则其对应的视频片段被标定为正常片段，且正常片段中未出现非标准特征时，发生时序靠后的正常片段会覆盖发生时序靠前的正常片段；
若耕地状态为耕地异常状态，则其对应的视频片段被标定为异常片段。
如上述步骤S401-S402所述，首先，通过获取耕地状态，可以实时了解耕地的状况，耕地状态主要包括耕地正常状态和耕地异常状态，接下来，根据耕地状态分配实时视频数据的分割间隔，在耕地正常状态下，分割间隔较大，这是因为正常状态下农作物的变化较缓慢，较容易分析，而在耕地异常状态下，需要更精细地监测，然后，根据分割间隔对实时视频数据进行分割处理，得到多个视频片段，这些视频片段包含了耕地状态的变化信息，为分析耕地状况提供了丰富的数据基础，接着，对视频片段进行标注和分类，如果耕地状态为耕地正常状态，那么对应的视频片段被标定为正常片段，在正常片段中，若未出现非标准特征，那么时序靠后的正常片段会覆盖时序靠前的正常片段，从而避免重复分析，最后，若耕地状态为耕地异常状态，那么对应的视频片段被标定为异常片段，这些异常片段将用于进一步分析耕地的异常原因，以便及时采取措施进行调整和改善。
实施例2
请参阅图2，为本发明的第二个实施例，该实施例基于上一个实施例，还提供了基于自然资源耕地保护场景视频管理系统，应用于上述的基于自然资源耕地保护场景视频管理方法，包括：
视频采集模块，视频采集模块用于获取自然资源耕地保护场景的实时视频数据；
视频处理模块，视频处理模块用于对实时视频数据进行预处理，提取出与耕地保护相关的关键信息和非关键信息，其中，关键信息被汇总为关键数据集，非关键信息被汇总为非关键数据集；
状态评价模块，状态评价模块用于从关键信息中提取关键图像，且依据关键图像输出耕地状态，其中，耕地状态包括耕地正常状态和耕地异常状态；
视频同步模块，视频同步模块用于依据耕地状态对实时视频数据进行分段截取，得到多个视频片段，再将多个视频片段同步至云端，其中，视频片段包括与耕地正常状态对应的正常片段，以及与耕地异常状态对应的异常片段；
分类汇总模块，分类汇总模块用于对云端下的正常片段和异常片段分别进行汇总处理，得到正常视频数据集和异常视频数据集。
上述中，该系统执行时，首先通过视频采集模块获取自然资源耕地保护场景的实时视频数据，具体可通过高清晰度的摄像头设备，捕捉到耕地现场的实时画面，之后再通过视频处理模块对实时视频数据进行预处理，提取出与耕地保护相关的关键信息和非关键信息，其中，关键信息将被汇总为关键数据集，非关键信息则被汇总为非关键数据集，再然后利用状态评价模块从关键信息中提取关键图像，并根据这些关键图像判断耕地的状态，耕地的状态分为正常状态和异常状态，状态评价模块会对耕地进行实时监测，确保耕地的正常，利用视频同步模块根据耕地状态对实时视频数据进行分段截取，生成多个视频片段，这些视频片段包括与耕地正常状态对应的正常片段，以及与耕地异常状态对应的异常片段，然后，将这些视频片段同步至云端，以便后续的处理和分析，最后通过分类汇总模块对云端中的正常片段和异常片段进行分别汇总处理，最终形成正常视频数据集和异常视频数据集即可，通过实时监控、数据采集、视频处理、状态评价、视频同步和分类汇总等环节，实现了对耕地保护场景的全方位管理，这不仅有助于提高耕地资源的管理效率，也为耕地资源的可持续利用提供了有力保障。
实施例3：
请参阅图3，为本发明的第三个实施例，该实施例基于前两个实施例，还提供了基于自然资源耕地保护场景视频管理终端，包括：
至少一个处理器；
以及与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的基于自然资源耕地保护场景视频管理方法。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它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它要素，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。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本发明中未具体描述和解释说明的结构、装置以及操作方法，如无特别说明和限定，均按照本领域的常规手段进行实施。

Claims (5)

1.基于自然资源耕地保护场景视频管理方法，其特征在于：包括：
获取自然资源耕地保护场景的实时视频数据；
对所述实时视频数据进行预处理，提取出与耕地保护相关的关键信息和非关键信息，其中，所述关键信息被汇总为关键数据集，所述非关键信息被汇总为非关键数据集；
从所述关键信息中提取关键图像，且依据所述关键图像输出耕地状态，其中，所述耕地状态包括耕地正常状态和耕地异常状态；
依据所述耕地状态对实时视频数据进行分段截取，得到多个视频片段，再将多个所述视频片段同步至云端，其中，所述视频片段包括与耕地正常状态对应的正常片段，以及与耕地异常状态对应的异常片段；
对所述云端下的正常片段和异常片段分别进行汇总处理，得到正常视频数据集和异常视频数据集；
其中，所述获取自然资源耕地保护场景的实时视频数据的步骤，包括：
获取耕地保护区域，并在所述耕地保护区域内设置多个视频采集设备；
获取各个所述视频采集设备的监控范围，并对相邻所述视频采集设备的监控范围进行比较，得到交叉区域和独立区域；
将存在交叉区域的相邻所述视频采集设备分别标定为覆盖设备和被覆盖设备，且所述覆盖设备实时上传所述交叉区域下的视频影像作为实时视频数据；
所述对所述实时视频数据进行预处理，提取出与耕地保护相关的关键信息和非关键信息的步骤，包括：
将耕地区域分类为关键区域和非关键区域，且将所述关键区域内的实时视频数据标定能够为关键信息；
获取所述非关键区域的标准影像，以及所述标准影像对应的标准特征；
判断所述实时视频数据中是否出现与标准特征不一致的非标准特征；
若是，则记录所述非标准特征的出现节点，并将其标定为待校验特征，再将所述待校验特征输入至校验模型中，得到所述非标准特征的关键性；
若否，则表明所述非关键区域正常，并将其对应的实时视频数据标定为非关键信息；
所述将所述待校验特征输入至校验模型中，得到所述非标准特征的关键性的步骤，包括：
实时获取所述待校验特征在非关键区域中的位置坐标，并标定为待校验坐标；
对所述非关键区域和关键区域的交界线进行偏移处理，得到预警线；
构建监测时段，并获取所述监测时段内待校验坐标与预警线之间的距离，且标定为待校验参数；
从所述校验模型中调用校验函数，且将所述待校验参数输入至校验函数中，得到风险趋势值；
若所述风险趋势值的取值为负，则表明所述非标准特征接近关键区域，再将所述非标准特征标定为关键特征，且将其对应的视频数据标定为关键信息；
若所述风险趋势值的取值为正，则表明所述非标准特征远离关键区域，再将所述非标准特征标定为非关键特征，且将其对应的视频数据标定为非关键信息；
所述从所述关键信息中提取关键图像，且依据所述关键图像输出耕地状态的步骤，包括：
获取所述关键信息，并对其进行解码处理，得到多个连续的关键图像；
将所述关键图像按照发生时序进行排列，且将当前节点下的关键图像标定为第一参考图像；
对所述当前节点向已发生节点的方向进行偏移处理，得到参考节点，且将所述参考节点下的关键图像标定为第二参考图像；
获取关键信息中的基准图像，并与所述第一参考图像和第二参考图像进行同步比较，且在所述基准图像与第一参考图像和第二参考图像均不一致时，将所述耕地状态标定为耕地异常状态，并同步发出告警信号，反之，则将所述耕地状态标定为耕地正常状态；
所述依据所述耕地状态对实时视频数据进行分段截取，得到多个视频片段，再将多个所述视频片段同步至云端的步骤，包括：
获取所述耕地状态，并根据所述耕地状态分配实时视频数据的分割间隔，其中，所述耕地正常状态下的分割间隔大于耕地异常状态下的分割间隔；
根据所述分割间隔对实时视频数据执行分割处理，得到多个视频片段；
若所述耕地状态为耕地正常状态，则其对应的视频片段被标定为正常片段，且正常片段中未出现非标准特征时，发生时序靠后的正常片段会覆盖发生时序靠前的正常片段；
若所述耕地状态为耕地异常状态，则其对应的视频片段被标定为异常片段。
2.根据权利要求1所述的基于自然资源耕地保护场景视频管理方法，其特征在于：所述覆盖设备下关键区域的面积大于或等于被覆盖设备下的关键区域。
3.根据权利要求1所述的基于自然资源耕地保护场景视频管理方法，其特征在于：所述非标准特征出现后，以其出现节点为起始，进行计时处理，并将计时结果标定为次级待校验参数；
从所述校验模型中调用校验阈值，并将所述校验阈值与次级待校验参数进行比较；
若所述次级待校验参数大于或等于校验阈值，则直接将非标准特征对应的视频数据标定为关键信息；
若所述次级待校验参数小于校验阈值，则继续采集所述待校验特征在非关键区域中的位置坐标。
4.基于自然资源耕地保护场景视频管理系统，应用于权利要求1至3中任意一项所述的基于自然资源耕地保护场景视频管理方法，其特征在于：包括：
视频采集模块，所述视频采集模块用于获取自然资源耕地保护场景的实时视频数据；
视频处理模块，所述视频处理模块用于对所述实时视频数据进行预处理，提取出与耕地保护相关的关键信息和非关键信息，其中，所述关键信息被汇总为关键数据集，所述非关键信息被汇总为非关键数据集；
状态评价模块，所述状态评价模块用于从所述关键信息中提取关键图像，且依据所述关键图像输出耕地状态，其中，所述耕地状态包括耕地正常状态和耕地异常状态；
视频同步模块，所述视频同步模块用于依据所述耕地状态对实时视频数据进行分段截取，得到多个视频片段，再将多个所述视频片段同步至云端，其中，所述视频片段包括与耕地正常状态对应的正常片段，以及与耕地异常状态对应的异常片段；
分类汇总模块，所述分类汇总模块用于对所述云端下的正常片段和异常片段分别进行汇总处理，得到正常视频数据集和异常视频数据集。
5.基于自然资源耕地保护场景视频管理终端，其特征在于：包括：
至少一个处理器；
以及与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至3中任意一项所述的基于自然资源耕地保护场景视频管理方法。
CN202410508467.0A 2024-04-26 2024-04-26 基于自然资源耕地保护场景视频管理方法 Active CN118102032B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410508467.0A CN118102032B (zh) 2024-04-26 2024-04-26 基于自然资源耕地保护场景视频管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410508467.0A CN118102032B (zh) 2024-04-26 2024-04-26 基于自然资源耕地保护场景视频管理方法

Publications (2)

Publication Number Publication Date
CN118102032A CN118102032A (zh) 2024-05-28
CN118102032B true CN118102032B (zh) 2024-06-25

Family

ID=91157585

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410508467.0A Active CN118102032B (zh) 2024-04-26 2024-04-26 基于自然资源耕地保护场景视频管理方法

Country Status (1)

Country Link
CN (1) CN118102032B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113902580A (zh) * 2021-10-18 2022-01-07 四川农业大学 一种基于随机森林模型的历史耕地分布重建方法
CN115631421A (zh) * 2022-12-23 2023-01-20 北京瞭望神州科技有限公司 耕地智慧保护方法及保护系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3190948A1 (en) * 2022-02-23 2023-08-23 Farmers Edge Inc. Tillage identification and verification tool using satellite time series imagery
CN116320321B (zh) * 2023-05-11 2023-09-19 山东建筑大学 农业信息传输方法、装置、电子设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113902580A (zh) * 2021-10-18 2022-01-07 四川农业大学 一种基于随机森林模型的历史耕地分布重建方法
CN115631421A (zh) * 2022-12-23 2023-01-20 北京瞭望神州科技有限公司 耕地智慧保护方法及保护系统

Also Published As

Publication number Publication date
CN118102032A (zh) 2024-05-28

Similar Documents

Publication Publication Date Title
CN110225299B (zh) 视频监测方法、装置、计算机设备及存储介质
CN111222423B (zh) 基于作业区域的目标识别方法、装置、计算机设备
CN108964995A (zh) 基于时间轴事件的日志关联分析方法
CN112751835B (zh) 一种流量预警方法、系统、设备和存储介质
CN114140713A (zh) 一种图像识别系统、图像识别方法
CN115545058A (zh) 一种水表数据分析方法、系统及可读存储介质
CN109995611B (zh) 流量分类模型建立及流量分类方法、装置、设备和服务器
WO2021114985A1 (zh) 一种同行对象识别方法、装置、服务器及系统
CN117710832A (zh) 一种电网卫星、无人机、视频监控图像智能识别方法
CN114358464A (zh) 作业风险评估方法及装置、电子设备和存储介质
CN116229688A (zh) 一种工程施工安全风险预警方法及系统
CN114236309A (zh) 输变电故障确定方法
CN111860187A (zh) 一种高精度的佩戴口罩识别方法及系统
CN118102032B (zh) 基于自然资源耕地保护场景视频管理方法
CN113645215A (zh) 异常网络流量数据的检测方法、装置、设备及存储介质
CN115620243B (zh) 基于人工智能的污染源监测方法、系统及云平台
CN110322391A (zh) 基于多线程的视频告警事件分析方法
CN109698900B (zh) 一种数据处理方法、装置及监控系统
CN115546892A (zh) 一种辩识作业违章的方法、装置及存储介质
CN113591752B (zh) 基于卷积神经网络的设备漏油监控方法及相关设备
CN115391596A (zh) 视频档案生成方法、装置及存储介质
CN114896653A (zh) 一种基于bim的建筑物数据监测方法及其系统
CN113434869A (zh) 基于威胁感知大数据和人工智能的数据处理方法及ai系统
CN115272972A (zh) 一种基于遥感的人居环境监控方法及系统
CN111475380B (zh) 一种日志分析方法和装置

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