本发明属于河道边缘检测，具体而言，涉及一种基于人工智能的无人机河道边缘计算方法。
背景技术：
1、河道边缘监测是水利工程和环境保护领域的重要技术手段，传统的河道边缘检测主要依靠地面测量设备或卫星遥感技术进行数据采集，通过人工观测或简单的图像处理算法提取河道边界信息，在河流监测、防洪预警、水土保持等应用场景中发挥着重要作用，随着无人机技术的发展，基于无人机的河道监测系统逐渐成为主流方案，能够实现大范围、高频次的河道状态监测。传统的无人机河道监测技术存在明显缺陷，主要表现在数据传输和处理效率方面，现有方案通常需要将无人机采集的高分辨率图像完整传输到地面处理中心，导致数据传输量巨大，传输延迟严重，同时地面处理中心的计算负荷过重，难以满足实时监测的需求，此外传统边缘检测算法对复杂环境下的河道边界识别精度有限，容易受到光照变化、水面反射、植被遮挡等因素影响。在现有技术中，由于无人机河道监测系统需要传输大量原始图像数据到地面进行处理，导致数据传输带宽需求巨大，实时性差，同时传统的边缘检测算法在复杂环境条件下精度不足，难以准确识别河道边界的细微变化，也就是说，现有技术中存在无人机河道边缘检测中数据传输量过大和实时处理精度不足的技术问题。
技术实现思路
1、有鉴于此，本发明提供一种基于人工智能的无人机河道边缘计算方法，能够解决现有技术中存在无人机河道边缘检测中数据传输量过大和实时处理精度不足的技术问题。
2、本发明是这样实现的：本发明提供一种基于人工智能的无人机河道边缘计算方法无人机搭载高分辨率摄像头采集河道图像数据获得原始河道图像，在机载处理器中部署轻量级基础特征提取模型对原始河道图像进行实时处理提取基础特征向量，基础特征向量通过无线传输链路传输至地面服务端，地面服务端调用深度边缘检测模型处理基础特征向量输出河道边缘位置矩阵和河道边缘变化趋势矩阵，计算河道边缘位置矩阵的检测置信度，当检测置信度低于预设阈值时向无人机发送调节指令，分析河道边缘变化趋势矩阵中的异常波动情况，当变化幅度超过标准变化幅度矩阵设定范围时启动减缓滤波处理，根据河道边缘位置矩阵和河道边缘变化趋势矩阵构建河道侵蚀预测模型生成早期预警信号。
3、其中，轻量级基础特征提取模型采用改进的mobilenet架构，包含三个深度可分离卷积层、两个残差连接块和一个特征融合层，模型参数量控制在8mb以内，输入层接收原始河道图像，第一层使用深度可分离卷积核提取边缘轮廓特征，第二层提取纹理细节特征，第三层通过卷积进行特征降维。
4、其中，基础特征向量的维度大小根据粒度调节矩阵动态调整，粒度调节矩阵是控制特征提取精细程度的权重矩阵，调节过程通过修改卷积核的步长参数和池化窗口大小实现，当需要提高粒度时将卷积步长减小，池化窗口减小，同时增加特征图的空间分辨率。
5、其中，深度边缘检测模型采用深度特征挖掘矩阵控制特征提取的层次深度，深度特征挖掘矩阵是控制深度学习模型特征提取层数和感受野大小的参数矩阵，深度边缘检测模型采用unet编码解码结构，编码器包含四个下采样块，解码器包含四个上采样块，深度特征挖掘矩阵控制每一层的激活阈值和特征权重分配。
6、其中，调节指令通过增益放大矩阵调节轻量级基础特征提取模型的特征增强参数，增益放大矩阵是用于放大特征信号强度的系数矩阵，调节过程涉及轻量级基础特征提取模型中批量归一化层的缩放参数和偏置参数，当检测置信度低于阈值时将批量归一化的缩放系数增加，偏置值调整，同时增加卷积层的学习率。
7、其中，减缓滤波处理通过减缓抑制矩阵降低噪声干扰对边缘检测精度的影响，减缓抑制矩阵是用于抑制图像噪声和异常波动的滤波矩阵，减缓滤波处理通过在特征提取过程中加入高斯滤波器实现，高斯滤波器核大小为标准尺寸，标准差参数根据减缓抑制矩阵元素值调节，同时降低高频特征的权重系数。
8、其中，标准变化幅度矩阵是根据历史河道变化数据统计得到的参考基准矩阵，每个矩阵元素记录对应空间位置处的正常变化范围，标准变化幅度矩阵建立过程使用收集的河道监测数据，包含不同水位条件下的边缘变化记录，通过统计分析得出每个位置的变化均值和标准差，正常范围设定为均值上下两个标准差的区间。
9、其中，河道边缘位置矩阵是描述河道边界线在二维坐标系中精确位置的数值矩阵，矩阵元素值表示边缘点的坐标信息，矩阵大小与原始河道图像的分辨率对应，河道边缘变化趋势矩阵是描述河道边界线随时间变化规律的预测矩阵，矩阵元素值表示不同位置处边缘变化的速度和方向，通过连续多帧的河道边缘位置矩阵计算得出。
10、其中，河道侵蚀预测模型是基于时间序列分析的预测算法，使用连续时间段内的河道边缘位置矩阵和河道边缘变化趋势矩阵作为输入，输出未来时间段内河道边缘的预测位置，当预测变化幅度超出安全范围时生成早期预警信号，早期预警信号包含变化位置坐标、变化幅度和预计发生时间。
11、其中，还包括：建立反馈优化机制动态更新参数值，通过机载轻量级特征提取和地面深度处理的分离架构避免传输原始图像数据显著减少数据传输量，通过自适应参数调节机制根据检测效果动态优化特征提取精度
12、进一步的，反馈优化机制根据地面实测数据验证边缘检测结果的准确性，动态更新粒度调节矩阵和深度特征挖掘矩阵的参数值，持续优化整个检测系统的性能表现，通过比对实测数据与检测结果的偏差调整各项参数矩阵，实现系统的自我学习和性能提升。
13、其中，原始河道图像的分辨率为1024×768像素，轻量级基础特征提取模型最终输出256维的基础特征向量，训练数据集包含30000张不同季节不同光照条件下的河道图像，采用人工标注的边缘位置作为监督信号，使用梯度下降算法训练300个周期。
14、其中，粒度调节矩阵是32×32权重矩阵，粒度调节矩阵中的每个元素对应一个局部区域的敏感度权重，权重值在预设区间内调节，深度特征挖掘矩阵是16×16参数矩阵，通过调节深度特征挖掘矩阵元素值改变网络的有效深度在预设层范围内变化。
15、其中，增益放大矩阵是64×64系数矩阵，增益放大矩阵元素值控制每个特征通道的放大倍数，放大倍数范围在预设区间内调节，减缓抑制矩阵是128×128滤波矩阵，高斯滤波器核大小为5×5，同时在时间序列上应用滑动平均窗口进行平滑处理。
16、其中，标准变化幅度矩阵是100×100的参考基准矩阵，标准变化幅度矩阵建立过程使用5年内收集的河道监测数据，检测置信度的预设阈值为85%，当检测置信度低于85%时向无人机发送调节指令调节轻量级基础特征提取模型的特征增强参数。
17、其中，第一层使用3×3深度可分离卷积核提取边缘轮廓特征，第二层使用5×5卷积核提取纹理细节特征，第三层通过1×1卷积进行特征降维，每个下采样块含有两个3×3卷积层和一个2×2最大池化层，每个上采样块含有反卷积层和跳跃连接。
18、其中，当需要提高粒度时将卷积步长从2减小到1，池化窗口从4×4减小到2×2，同时增加特征图的空间分辨率从64×64扩展到128×128，滑动平均窗口大小从3帧增加到7帧进行平滑处理，权重值在区间内调节，放大倍数范围在预设区间内调节。
19、本发明通过在无人机端部署轻量级基础特征提取模型，仅传输基础特征向量而非原始图像，显著减少了数据传输量，提高了系统的实时响应能力，同时结合地面端的深度边缘检测模型，实现了高精度的河道边缘识别。本发明采用分层处理架构，无人机端的轻量级模型负责提取基础特征信息，地面端的深度模型负责精确边缘检测，这种设计有效解决了传统技术中数据传输量大的问题，通过粒度调节矩阵、深度特征挖掘矩阵等参数控制机制，系统能够根据检测置信度动态调整特征提取精度，当检测效果不佳时自动提升处理粒度，当环境噪声较大时启动减缓滤波处理，确保在各种复杂环境条件下都能保持较高的检测精度。综上所述，本发明通过边缘计算架构和自适应参数调节机制，解决了现有技术中无人机河道边缘检测中数据传输量过大和实时处理精度不足的技术问题。