一种星地协同的黑臭水体识别模型自动优化系统的制作方法

1.本发明属于遥感测绘技术领域，具体涉及一种星地协同的黑臭水体识别模型自动优化系统。


背景技术：

2.黑臭水体是呈现不悦颜色和/或散发不适气味的水体的统称。黑臭水体不仅破坏河流生态系统，而且影响饮水安全和农产品安全，最终威胁人体健康。
3.传统黑臭水体监测依赖人工实地调查，取样进行化学分析等手段，通过溶解氧、氨氮等水质指标构建黑臭水体评价体系。然而，传统排查方式不仅速度慢、成本高，无法满足大范围动态监测的需要，而且存在黑臭水体漏报的情况。
4.由于一般水体和黑臭水体具有不同的光谱反射率，因此，增强两类水体之间的光谱差别，可以区分黑臭水体和一般水体。2022年7月26日公告的中国发明专利cn111272662b就公开了一种基于遥感光谱的城市黑臭水体识别方法。基于水体的光谱特征，采用卫星遥感技术监测黑臭水体，具有低成本、大范围、高效率、长时间等优势。
5.与此同时，深度学习技术不断发展，基于深度学习模型的各种识别网络也不断涌现，其中也包括基于遥感影像的黑臭水体识别，例如2020年1月14日公布的中国发明专利申请cn110688909a公开的城市黑臭水体的识别方法。
6.遥感影像与生活常见图像存在着一定的不同，常用的目标检测数据集，如voc数据集，多为平视角且拍摄距离相对较近，而遥感卫星对地观测角度为鸟瞰角度且距离通常大于30千米，因此遥感影像与传统目标检测图像相比存在较大的差异，而在voc数据集上效果很好的模型未必在遥感数据集上效果很好。
7.基于遥感影像进行水体识别的优势在于，容易获取、数据量大，仅是一颗绕地卫星在一天内不间断全天候地对地面进行扫描监测，就会产生海量的遥感影像数据，而且数据覆盖地域广阔。但也正因为数据量大，对于广阔的遥感影像，仅靠人工对所有图像中感兴趣目标进行标注，十分费时费力，并且容易出现误差。为此，引入半监督学习技术提高对大量的无标签样本的利用效率。但是，整体来说，其识别准确度还是低于常规图像的目标检测。


技术实现要素：

8.针对单纯遥感影像的水体识别模型存在的识别准确度不高的技术问题，本发明提供一种星地协同的黑臭水体识别模型自动优化系统。
9.一种星地协同的黑臭水体识别模型自动优化系统，包括用于获取遥感影像的多光谱/高光谱遥感卫星w，用于获取近地图像的若干高点摄像头，基于近地图像的黑臭水体识别模型a，具备深度学习模型训练能力的云计算中心，用于接收卫星数据、上注识别模型和拍摄任务的卫星地面站；自动优化过程包括以下步骤：步骤1，获取所有高点摄像头可视域的矢量范围；步骤2，构建基于遥感影像的黑臭水体识别网络，并通过有限样本对其进行训练，
得到初级的黑臭水体识别模型b；步骤3，卫星地面站将黑臭水体识别模型b上注遥感卫星w，并指令遥感卫星w执行拍摄任务；步骤4，遥感卫星w通过黑臭水体识别模型b对其拍摄到的遥感影像进行水体识别，并给出疑似黑臭水体的点位坐标；步骤5，卫星地面站在遥感卫星w过境时，接收疑似黑臭水体的点位坐标及其对应的卫星遥感影像片段；步骤6，根据疑似黑臭水体的点位坐标，利用高点摄像头对疑似黑臭水体再次进行采样，获取对应的近地图像，并通过黑臭水体识别模型a进行水体识别，并根据识别结果对对应的卫星遥感影像片段进行标记，形成标记样本；步骤7，将标记样本作为训练样本，在云计算中心对初级的黑臭水体识别模型b进行训练，得到优化后的黑臭水体识别模型b，上注遥感卫星w；步骤8，重复步骤3-7，对黑臭水体识别模型b进行持续优化，直至其识别准确度达到与黑臭水体识别模型a同等效果。
10.优选的，多光谱/高光谱遥感卫星w的传感器采用433nm-453nm、458nm-523nm、543nm-578nm、650nm-680nm波段。
11.优选的，高点摄像头布设于铁塔上；更优选的，根据不同地域特征对高点摄像头进行分组，与此同时，不同组高点摄像头配备不同的黑臭水体识别模型a。
12.优选的，步骤7中，将优化后的黑臭水体识别模型b上注遥感卫星w，采用增量更新方式。
13.本发明通过基于近地图像的黑臭水体识别模型的识别结果对对应的遥感影像进行标记，形成标记样本，并作为训练样本，在云计算中心对初级的黑臭水体识别模型b进行训练，得到优化后的黑臭水体识别模型b，从而提升黑臭水体识别模型b的识别准确率。
附图说明
14.图1为某一摄像头的可视范围模拟展示图；图2为某一黑臭水体遥感影像；图3为图2所示黑臭水体的近地图像。
具体实施方式
15.下面结合附图和具体实施方式对本发明作进一步详细的说明。本发明的实施例是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
16.实施例1一种星地协同的黑臭水体识别模型自动优化系统，包括用于获取遥感影像的多光谱/高光谱遥感卫星w，用于获取近地图像的若干高点摄像头，基于近地图像的黑臭水体识别模型a，具备深度学习模型训练能力的云计算中心，用于接收卫星数据、上注识别模型和
拍摄任务的卫星地面站。
17.多光谱遥感，是将地物辐射电磁破分割成若干个较窄的光谱段，以摄影或扫描的方式，在同一时间获得同一目标不同波段信息的遥感技术。高光谱遥感将成像技术与光谱技术结合在一起，在对目标的空间特征成像的同时，对每个空间像元经过色散形成几十乃至几百个窄波段以进行连续的光谱覆盖，这样形成的遥感数据可以用“图像立方体”来形象的描述。同传统遥感技术相比，其所获取的图像包含丰富的空间、辐射和光谱三重信息。本实施例中的遥感卫星w不限于使用多光谱遥感或高光谱遥感，二者皆可。
18.多光谱/高光谱遥感卫星w的传感器采用的波段越丰富，模型识别效果越好。由于本发明主要用于识别黑臭水体，因此优选采用对黑臭水体反射特征明显的波段，包括433nm-453nm、458nm-523nm、543nm-578nm、650nm-680nm。
19.本发明用字母a来指示基于近地图像的黑臭水体识别模型，是为了与基于遥感影像的黑臭水体识别模型（用字母b来指示）予以区分。虽然深度学习技术发展至今，对于常规图像的识别技术已经发展得很成熟，但在黑臭水体识别这个问题上，仅通过近地图像难以实现全覆盖，因此，目前的主流方法还是基于遥感影像进行，但同时又由于遥感影像数据量大，不便于进行快速、准确地人工标记，这给基于遥感影像的黑臭水体识别的准确度带来不利的影响。
20.本发明的主旨是通过近地设置的高点摄像头同步对水体进行拍摄，并通过基于近地图像的黑臭水体识别模型a对其进行识别，并根据识别结果对基于遥感影像的黑臭水体识别模型b进行校正，从而提升基于遥感影像的黑臭水体识别模型b的识别准确度。
21.自动动优化过程具体包括以下步骤：1、获取所有高点摄像头可视域的矢量范围，摄像头可视域的矢量范围根据摄像头参数以及附近地形地物环境通过可视域分析获得。
22.摄像头参数参照表1所示，摄像头的可视域分析属于现有技术，并非本技术的核心技术，在此不再赘述，单一摄像头的可视范围参照图1所示。
23.表1由于黑臭水体模型在不同地域特征可能存在差异，为提高精确度，可采用以乡镇为单位对摄像头进行分组，针对不同地域的黑臭水体特征，匹配不同的黑臭水体识别模型a，此处的不同，可以指网络构架不同，可以指训练样本不同，可以指训练过程不同，目的旨在得到识别准确率高的黑臭水体识别模型a。
24.由于高点摄像头接近地面，便于样本采集，同时采集样本的分辨率和辨识程度均高于遥感卫星影像，模型训练难度也较低，能够达到较高的精确度。
25.针对高点摄像头的布设问题，目前给出的方案是与铁塔公司合作，将摄像头设置于遍布全国各地的铁塔上，当然这并非高点摄像头的唯一布设方式。铁塔公司主要从事通
信铁塔等基站配套设施和高铁地铁公网覆盖、大型室内分布系统的建设、维护和运营，其维护的铁塔已经遍布各地，目前仅安徽省合肥市就有铁塔一万多座，完全足够支撑本发明提出的自动优化系统。
26.2、构建基于遥感影像的黑臭水体识别网络，并通过有限样本对其进行训练，得到初级的黑臭水体识别模型b。
27.至于黑臭水体识别模型b采用何种网络构架，通过何种训练方式，也并非本技术的核心技术，例如2022年10月4日公告授权的发明专利cn114913437b就公开了一种基于遥感影像的黑臭水体识别方法。此处提及的黑臭水体识别模型b，可以使用现有技术中任何一种能够通过遥感影像进行黑臭水体识别的模型。
28.3、卫星地面站将黑臭水体识别模型b上注遥感卫星w，并指令遥感卫星w执行拍摄任务。
29.4、遥感卫星w通过黑臭水体识别模型b对其拍摄到的遥感影像进行水体识别，并给出疑似黑臭水体的点位坐标，形式如下表2所示。
30.表2项目内容水体编号3401810003水体面积（m2）357.02经
ꢀꢀ
度117
°
37
′
26.00
″
纬
ꢀꢀ
度31
°
44
′
27.60
″
水体类型黑臭水体5、卫星地面站在遥感卫星w过境时，接收疑似黑臭水体的点位坐标及其对应的卫星遥感影像片段。
31.6、根据疑似黑臭水体的点位坐标，利用高点摄像头（疑似黑臭水体的点位坐标在其可视域内）对疑似黑臭水体再次进行采样，获取对应的近地图像，并通过黑臭水体识别模型a进行水体识别，并根据识别结果对对应的卫星遥感影像片段进行标记，形成标记样本。图2、图3分别为针对同一黑臭水体的遥感影像和近地图像。
32.7、将标记样本（尤其是识别结果不一致的样本）作为训练样本，在云计算中心对初级的黑臭水体识别模型b进行训练，得到优化后的黑臭水体识别模型b，上注遥感卫星w，此处可采用增量更新方式，从而减少卫星带宽的占用。此处的云计算中心应当具备一定的gpu计算能力，能够训练深度学习模型。
33.8、重复步骤3-7，对黑臭水体识别模型b进行持续优化，直至其识别准确度达到与黑臭水体识别模型a同等效果。
34.显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域及相关领域的普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。