基于无人机的生态环境监管系统及其方法

本技术涉及智能监管，且更为具体地，涉及一种基于无人机的生态环境监管系统及其方法。

背景技术：

1、水资源是人类生存的最重要的自然资源，我国水资源分布不均，人均水资源短缺。近些年，水资源保护正在成为各级政府部门工作中的重中之重，各地积极采取措施，加强河湖治理、管理和保护，在防洪、供水、发电、航运、养殖等方面取得了显著的综合效益。但是随着经济社会快速发展，在河湖管理保护出现了一些新问题，例如，一些江河湖泊时常出现漂浮物和水岸垃圾。

2、在环境保护工作中，环境监测是生态环境保护的最为重要的基础性和前沿性工作。但是，以往的环境监测更多依靠人力进行，长途跋涉，现场监测，不仅费时费力，效率低下，并且及时性较差。

3、因此，期待一种基于无人机的生态环境监管系统及其方法。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于无人机的生态环境监管系统及其方法，其通过无人机搭载高清摄像机巡查江河湖泊，对江河湖泊进行拍摄，并利用基于深度学习的图像处理技术，对拍摄图像进行分析处理，判断图像中是否存在垃圾等漂浮物，若存在，则将拍摄图像传至管理部门。这样，能够及时通知管理部门组织人力进行打捞和处置，并且不需要实时查看监控，减少人工巡检的频率。

2、相应地，根据本技术的一个方面，提供了一种基于无人机的生态环境监管系统，其包括：

3、图像采集模块，用于获取通过无人机搭载高清摄像机拍摄的江湖河道监控图像；

4、目标检测模块，用于将所述江湖河道监控图像通过目标检测网络以得到感兴趣区域；

5、降噪模块，用于将所述感兴趣区域通过基于自动编解码器的图像降噪器以得到降噪后感兴趣区域；

6、颜色空间转换模块，用于将所述降噪后感兴趣区域从rgb颜色空间转化为ycbcr颜色空间并抽取各个通道的lbp纹理特征直方图；

7、多通道聚合模块，用于将所述各个通道的lbp纹理特征直方图沿通道维度进行聚合以得到多通道lbp纹理特征直方图；

8、图像特征提取模块，用于将所述多通道lbp纹理特征直方图通过使用深浅特征融合模块的卷积神经网络模型以得到分类特征图；

9、优化模块，用于对所述分类特征图进行基于局部特征分布的密度域概率化以得到优化分类特征图；

10、垃圾识别模块，用于将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示该水域中是否存在垃圾。

11、在上述基于无人机的生态环境监管系统中，所述目标检测网络为基于无锚窗的目标检测网络，所述基于无锚窗的目标检测网络为yolov1、fcos或 centernet。

12、在上述基于无人机的生态环境监管系统中，所述降噪模块，包括：编码单元，用于使用所述基于自动编解码器的图像降噪器的编码器对所述感兴趣区域进行显式空间编码以得到感兴趣区域特征图，其中，所述自动编码器的编码器为卷积层；解码单元，用于使用所述基于自动编解码器的图像降噪器的解码器对所述感兴趣区域特征图进行反卷积处理以得到所述降噪后感兴趣区域，其中，所述自动编码器的解码器为反卷积层。

13、在上述基于无人机的生态环境监管系统中，所述图像特征提取模块，用于：使用所述卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述卷积神经网络模型的各层分别输出特征图。

14、在上述基于无人机的生态环境监管系统中，所述图像特征提取模块，包括：浅层特征提取单元，用于从所述卷积神经网络模型的第m层得到浅层特征图，其中，所述m大于等于4且小于等于6；深层特征提取单元，用于从所述卷积神经网络模型的第n层得到深层特征图，其中，n/m大于等于5且小于等于10；融合单元，用于使用所述卷积神经网络模型的深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到所述分类特征图。

15、在上述基于无人机的生态环境监管系统中，所述优化模块，包括：块状切分单元，用于对所述分类特征图进行块状切分以得到多个分类子块特征图；均值池化单元，用于对所述多个分类子块特征图分别进行全局均值池化以得到多个分类子块全局语义特征向量；全局均值计算单元，用于计算所述多个分类子块全局语义特征向量的全局按位置均值向量以得到分类全局语义枢轴特征向量；交叉熵计算单元，用于计算所述多个分类子块全局语义特征向量中各个分类子块全局语义特征向量与所述分类全局语义枢轴特征向量之间的交叉熵以得到由多个交叉熵值组成的局部特征分布相对密度语义特征向量；概率化单元，用于将所述局部特征分布相对密度语义特征向量输入softmax激活函数以得到局部特征分布相对密度概率化特征向量；加权单元，用于以所述局部特征分布相对密度概率化特征向量中各个位置的特征值对所述各个分类子块特征图进行加权以得到多个加权后分类子块特征图；拼接单元，用于将所述多个加权后分类子块特征图进行拼接以得到所述优化分类特征图。

16、在上述基于无人机的生态环境监管系统中，所述垃圾识别模块，用于：使用所述分类器以如下分类公式对所述优化分类特征图进行处理以生成分类结果，其中，所述分类公式为：其中，表示将所述优化分类特征图投影为向量，为全连接层的权重矩阵，表示全连接层的偏置矩阵，表示归一化指数函数。

17、根据本技术的另一个方面，提供了一种基于无人机的生态环境监管方法，其包括：

18、获取通过无人机搭载高清摄像机拍摄的江湖河道监控图像；

19、将所述江湖河道监控图像通过目标检测网络以得到感兴趣区域；

20、将所述感兴趣区域通过基于自动编解码器的图像降噪器以得到降噪后感兴趣区域；

21、将所述降噪后感兴趣区域从rgb颜色空间转化为ycbcr颜色空间并抽取各个通道的lbp纹理特征直方图；

22、将所述各个通道的lbp纹理特征直方图沿通道维度进行聚合以得到多通道lbp纹理特征直方图；

23、将所述多通道lbp纹理特征直方图通过使用深浅特征融合模块的卷积神经网络模型以得到分类特征图；

24、对所述分类特征图进行基于局部特征分布的密度域概率化以得到优化分类特征图；

25、将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示该水域中是否存在垃圾。

26、在上述基于无人机的生态环境监管方法中，所述目标检测网络为基于无锚窗的目标检测网络，所述基于无锚窗的目标检测网络为yolov1、fcos或 centernet。

27、在上述基于无人机的生态环境监管方法中，将所述感兴趣区域通过基于自动编解码器的图像降噪器以得到降噪后感兴趣区域，包括：使用所述基于自动编解码器的图像降噪器的编码器对所述感兴趣区域进行显式空间编码以得到感兴趣区域特征图，其中，所述自动编码器的编码器为卷积层；使用所述基于自动编解码器的图像降噪器的解码器对所述感兴趣区域特征图进行反卷积处理以得到所述降噪后感兴趣区域，其中，所述自动编码器的解码器为反卷积层。

28、与现有技术相比，本技术提供的基于无人机的生态环境监管系统及其方法，其通过无人机搭载高清摄像机巡查江河湖泊，对江河湖泊进行拍摄，并利用基于深度学习的图像处理技术，对拍摄图像进行分析处理，判断图像中是否存在垃圾等漂浮物，若存在，则将拍摄图像传至管理部门。这样，能够及时通知管理部门组织人力进行打捞和处置，并且不需要实时查看监控，减少人工巡检的频率。