CN111339864B - 异常行为报警方法和装置 - Google Patents
异常行为报警方法和装置 Download PDFInfo
- Publication number
- CN111339864B CN111339864B CN202010097554.3A CN202010097554A CN111339864B CN 111339864 B CN111339864 B CN 111339864B CN 202010097554 A CN202010097554 A CN 202010097554A CN 111339864 B CN111339864 B CN 111339864B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image
- sensing image
- earth remote
- content
- 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
Links
- 206010000117 Abnormal behaviour Diseases 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000004576 sand Substances 0.000 claims abstract description 111
- 238000004519 manufacturing process Methods 0.000 claims abstract description 61
- 238000001514 detection method Methods 0.000 claims abstract description 59
- 238000005065 mining Methods 0.000 claims abstract description 55
- 230000011218 segmentation Effects 0.000 claims abstract description 49
- 238000003709 image segmentation Methods 0.000 claims abstract description 32
- 230000004927 fusion Effects 0.000 claims description 31
- 238000013527 convolutional neural network Methods 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 20
- 238000011176 pooling Methods 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000003702 image correction Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 101100295091 Arabidopsis thaliana NUDT14 gene Proteins 0.000 description 1
- 241000238557 Decapoda Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/24—Reminder alarms, e.g. anti-loss alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B7/00—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00
- G08B7/06—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00 using electric transmission, e.g. involving audible and visible signalling through the use of sound and light sources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Remote Sensing (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Astronomy & Astrophysics (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了异常行为报警方法和装置。该方法的一具体实施方式包括：获取地球遥感图像；利用图像分割模型对地球遥感图像进行内容分割，得到内容分割地球遥感图像；利用目标检测模型对内容分割地球遥感图像进行目标检测，确定采砂船；基于采砂船的地理位置和开采时间，确定采砂船是否存在异常行为；若采砂船存在异常行为，发送报警指令。该实施方式结合图像分割、目标检测等人工智能技术发现异常行为，能够及时发现异常行为。
Description
技术领域
本申请实施例涉及计算机技术领域，具体涉及异常行为报警方法和装置。
背景技术
随着我国工业化和城市化的飞速发展，建设用地规模也急剧扩张，且出现无序扩张现象。城市化建设需要大量的建筑用砂，为了满足市场需求，非法采砂现象越发严重。非法采砂不仅破坏了原有的湖泊生态环境和湖泊底质结构，导致湖水变浑浊，鱼虾死亡，还严重威胁大堤安全，产生巨大安全隐患。为了实现资源利用、生态环境的可持续发展，必须及时发现非法采砂行为。
目前，主要是依靠监管人员现场监察来发现非法采砂行为。
发明内容
本申请实施例提出了异常行为报警方法和装置。
第一方面，本申请实施例提出了一种异常行为报警方法，包括：获取地球遥感图像；利用图像分割模型对地球遥感图像进行内容分割，得到内容分割地球遥感图像；利用目标检测模型对内容分割地球遥感图像进行目标检测，确定采砂船；基于采砂船的地理位置和开采时间，确定采砂船是否存在异常行为；若采砂船存在异常行为，发送报警指令。
在一些实施例中，在利用图像分割模型对地球遥感图像进行内容分割，得到内容分割地球遥感图像之前，还包括：对地球遥感图像进行图像预处理，其中，图像预处理包括图像矫正、图像增强、图像镶嵌、图像融合中的至少一者。
在一些实施例中，图像分割模型包括编码模块和解码模块，编码模块包括带空洞卷积的深度卷积神经网络和空洞空间金字塔池化模块；以及利用图像分割模型对地球遥感图像进行内容分割，得到内容分割地球遥感图像，包括：将地球遥感图像输入至带空洞卷积的深度卷积神经网络，提取地球遥感图像的特征图；将地球遥感图像的特征图输入至空洞空间金字塔池化模块，提取多尺度特征图和多尺度特征融合图；将地球遥感图像的特征图、多尺度特征图和多尺度特征融合图输入至解码模块，融合出内容分割地球遥感图像。
在一些实施例中，目标检测模型包括卷积神经网络、区域推荐网络和目标分类网络；以及利用目标检测模型对内容分割地球遥感图像进行目标检测，确定采砂船，包括：将内容分割地球遥感图像输入至卷积神经网络，提取内容分割地球遥感图像的特征图；将内容分割地球遥感图像的特征图输入至区域推荐网络，生成物体推荐框；将内容分割地球遥感图像的特征图和物体推荐框输入至目标分类网络，确定采砂船。
在一些实施例中，基于采砂船的地理位置和开采时间，确定采砂船是否存在异常行为，包括：将采砂船的地理位置、开采时间、遥感图像、运行轨迹输入至多元回归神经网络，得到采砂船存在异常行为的置信度。
第二方面，本申请实施例提出了一种异常行为报警装置，包括：获取单元，被配置成获取地球遥感图像；分割单元，被配置成利用图像分割模型对地球遥感图像进行内容分割，得到内容分割地球遥感图像；检测单元，被配置成利用目标检测模型对内容分割地球遥感图像进行目标检测，确定采砂船；确定单元，被配置成基于采砂船的地理位置和开采时间，确定采砂船是否存在异常行为；报警单元，被配置成若采砂船存在异常行为，发送报警指令。
在一些实施例中，该装置还包括：预处理单元，被配置成对地球遥感图像进行图像预处理，其中，图像预处理包括图像矫正、图像增强、图像镶嵌、图像融合中的至少一者。
在一些实施例中，图像分割模型包括编码模块和解码模块，编码模块包括带空洞卷积的深度卷积神经网络和空洞空间金字塔池化模块；以及分割单元包括：第一提取子单元，被配置成将地球遥感图像输入至带空洞卷积的深度卷积神经网络，提取地球遥感图像的特征图；第二提取子单元，被配置成将地球遥感图像的特征图输入至空洞空间金字塔池化模块，提取多尺度特征图和多尺度特征融合图；融合子单元，被配置成将地球遥感图像的特征图、多尺度特征图和多尺度特征融合图输入至解码模块，融合出内容分割地球遥感图像。
在一些实施例中，目标检测模型包括卷积神经网络、区域推荐网络和目标分类网络；以及检测单元包括：第三提取子单元，被配置成将内容分割地球遥感图像输入至卷积神经网络，提取内容分割地球遥感图像的特征图；推荐子单元，被配置成将内容分割地球遥感图像的特征图输入至区域推荐网络，生成物体推荐框；分类子单元，被配置成将内容分割地球遥感图像的特征图和物体推荐框输入至目标分类网络，确定采砂船。
在一些实施例中，确定单元进一步被配置成：将采砂船的地理位置、开采时间、遥感图像、运行轨迹输入至多元回归神经网络，得到采砂船存在异常行为的置信度。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的异常行为报警方法和装置，首先获取地球遥感图像；之后利用图像分割模型对地球遥感图像进行内容分割，得到内容分割地球遥感图像；而后利用目标检测模型对内容分割地球遥感图像进行目标检测，确定采砂船；然后基于采砂船的地理位置和开采时间，确定采砂船是否存在异常行为；最后若采砂船存在异常行为，发送报警指令。结合图像分割、目标检测等人工智能技术发现异常行为，能够及时发现异常行为。并且，整个过程无需人工参与，大大降低了人工成本。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性***架构；
图2是根据本申请的异常行为报警方法的一个实施例的流程图；
图3是根据本申请的异常行为报警方法的又一个实施例的流程图；
图4是异常行为报警***的结构示意图；
图5是根据本申请的异常行为报警装置的一个实施例的结构示意图；
图6是适于用来实现本申请实施例的电子设备的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的异常行为报警方法或异常行为报警装置的实施例的示例性***架构100。
如图1所示，***架构100中可以包括人造卫星101、102、103，网络104和服务器105。网络104用以在人造卫星101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
人造卫星101、102、103可以在地球不同高度和位置的上空环绕运行，用于全方位采集地球遥感图像。
服务器105可以提供各种服务。例如服务器105可以对从人造卫星101、102、103获取到的地球遥感图像等数据进行分析等处理，并基于处理结果确定是否发送报警指令。
需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本申请实施例所提供的异常事件报警方法一般由服务器105执行，相应地，异常事件报警装置一般设置于服务器105中。
应该理解，图1中的人造卫星、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的人造卫星、网络和服务器。
继续参考图2，其示出了根据本申请的异常行为报警方法的一个实施例的流程200。该异常行为报警方法包括以下步骤：
步骤201，获取地球遥感图像。
在本实施例中，异常行为报警方法的执行主体(例如图1所示的服务器105)可以从人造卫星(例如图1所示的人造卫星101、102、103)获取地球遥感图像。
通常，人造卫星可以在地球不同高度和位置的上空环绕运行，对地球进行24小时实时监控。地球遥感图像易于获取，且监察范围较广。并且，地球遥感图像分辨率较高。目前，大部分地球遥感图像能够基于30×30米栅格单位进行统计，部分甚至以0.5×0.5米为单位统计。此外，人造卫星可以长时间采集地球遥感图像，采集过程不受时间、地面变故或政策变动影响。
步骤202，利用图像分割模型对地球遥感图像进行内容分割，得到内容分割地球遥感图像。
在本实施例中，上述执行主体可以利用图像分割模型对地球遥感图像进行内容分割，得到内容分割地球遥感图像。
通常，图像分割模型可以将地球遥感图像根据内容分割成不同的区域，需要对每个像素点分类，对物体的轮廓精准分割。这里，图像分割模型经过了大量的训练，能够将植被、水体、陆地、道路、船只等物体准确分割出来，并配上不同颜色，生成内容分割地球遥感图像。
步骤203，利用目标检测模型对内容分割地球遥感图像进行目标检测，确定采砂船。
在本实施例中，上述执行主体可以利用目标检测模型对内容分割地球遥感图像进行目标检测，确定采砂船。
通常，目标检测模型可以实时地检测地球遥感图像中的船只情况，并通过识别船只是否存在采砂行为确定采砂船。非法采砂船为了躲避监管，往往夜间进行采砂。而目标检测模型能够通过检测夜间目标区域的灯光来准确地确定采砂船。
此外，目标检测模型还能够跟踪采砂船，获取采砂船的运动轨迹。图像分割模型与目标检测模型相互协作，能够对采砂船进行监察。
步骤204，基于采砂船的地理位置和开采时间，确定采砂船是否存在异常行为。
在本实施例中，上述执行主体可以基于采砂船的地理位置和开采时间，确定采砂船是否存在异常行为。
通常，利用图像分割模型和目标检测模型能够定位到采砂船的地理位置。并且，根据地球遥感图像的采集时间能够定位到采砂船的开采时间。由于采砂后留下的沙坑会对堤脚形成扰动和损伤，因此采砂船需要在规定地区和规定时间进行采砂。通过分析采砂船的地理位置是否处于规定地区内，以及采砂船的开采时间是否处于规定时间内，可以确定采砂船是否存在异常行为。例如，若采砂船的地理位置处于规定地区内，并且采砂船的开采时间处于规定时间内，说明采砂船不存在异常行为。若采砂船的地理位置不处于规定地区内，或者采砂船的开采时间不处于规定时间内，说明采砂船存在异常行为。
步骤205，若采砂船存在异常行为，发送报警指令。
在本实施例中，若采砂船存在异常行为，上述执行主体可以发送报警指令。例如，上述执行主体可以向相关监管人员的终端设备发送报警信息，以提示相关监管人员及时对存在异常行为的采砂船进行处理。又例如，上述执行主体可以向相关监管人员所在的监控室内的报警器发送报警指令，以使报警器以声音、光、气压等形式来提醒或警示相关监管人员采取相应行动。
通常，在接收到报警信息之后，相关监管人员可以查看地球遥感图像和图像预处理后的地球遥感图像，对报警信息进行评审。若相关监管人员确定误报，可以忽略本次报警信息。若相关监管人员确定采砂船存在异常行为，点击确认，生成检测报告，同时将检测报告转发给距离存在异常行为的采砂船最近的相关执法人员。相关执法人员在接收到检测报告后，可以立即采取相应的措施。其中，通过将存在异常行为的采砂船在地球遥感图像中的位置与真实地理位置精确匹配，能够快速地确定出距离存在异常行为的采砂船最近的相关执法人员。
需要说明的是，图像分割模型和目标检测模型可以从信息库获取相关信息。其中，信息库中可以包含船只信息、地理位置信息、经纬度、附近路况信息等。此外，信息库还可以包含历史异常行为对应的采砂船的信息，这些采砂船会被重点监控。
本申请实施例提供的异常行为报警方法，首先获取地球遥感图像；之后利用图像分割模型对地球遥感图像进行内容分割，得到内容分割地球遥感图像；而后利用目标检测模型对内容分割地球遥感图像进行目标检测，确定采砂船；然后基于采砂船的地理位置和开采时间，确定采砂船是否存在异常行为；最后若采砂船存在异常行为，发送报警指令。结合图像分割、目标检测等人工智能技术发现异常行为，能够及时发现异常行为。并且，整个过程无需人工参与，大大降低了人工成本。
进一步参考图3，其示出了根据本申请的异常行为报警方法的又一个实施例的流程300。
通常，该异常行为报警方法中的图像分割模型可以是Deeplab v3+。Deeplab v3+为“编码-解码”结构，包括编码模块和解码模块。其中，编码模块可以包括带空洞卷积的深度卷积神经网络(Deep Convolutional Neural Network，DCNN)和空洞空间金字塔池化模块(Atrous Spatial Pyramid Pooling,ASPP)。
通常，该异常行为报警方法中的目标检测模型可以是Faster RCNN。Faster RCNN为两阶段(two-stage)式神经网络，包括卷积神经网络(Convolutional Neural Network，CNN)、区域推荐网络(Region Proposal Network，RPN)和目标分类网络。先使用区域推荐网络产生推荐框，然后再利用目标分类网络进行分类与回归。其中，区域推荐网络与目标分类网络共享卷积神经网络提取的图像特征。
该异常行为报警方法包括以下步骤：
步骤301，获取地球遥感图像。
在本实施例中，步骤301的具体操作已在图2所示的实施例中步骤201中进行了详细的介绍，在此不再赘述。
步骤302，对地球遥感图像进行图像预处理。
在本实施例中，异常行为报警方法的执行主体(例如图1所示的服务器105)可以对地球遥感图像进行图像预处理。其中，图像预处理可以包括但不限于图像矫正、图像增强、图像镶嵌、图像融合中的至少一者。
图像矫正主要是对地球遥感图像进行倾斜矫正。具体可以利用OpenCV算法。由于地球遥感图像往往存在倾斜或者变形的情况，图像矫正能够对地球遥感图像进行倾斜矫正，使其真实地反应实际的场景。
图像增强主要是提高地球遥感图像的对比度，主要作用在不清晰、模糊、亮度不够的区域。具体可以利用直方图均衡化或对图像的灰度值进行对数变换。其中，直方图均衡化可以通过调整图像的灰阶分布，使得在0-255灰阶上的分布更加均衡，提高图像的对比度，达到改善图像主观视觉效果的目的。对数变换可以将图像的低灰度值部分扩展，显示出低灰度部分更多的细节，将其高灰度值部分压缩，减少高灰度值部分的细节，达到增强图像低灰度部分的目的。
图像镶嵌可以将多幅地球遥感图像拼接成一幅更大范围的地球遥感图像。利用更大范围的地球遥感图像有助于监控整个地域的情况。而多幅地球遥感图像通常是同一时间在不同拍摄角度或者不同拍摄条件下拍摄的图像。
图像融合主要是将不同来源的地球遥感图像、不同时间的地球遥感图像以及非地球遥感图像利用算法生成在同一个坐标系下的新的地球遥感图像。融合多种地球遥感图像有助于综合分析。
步骤303，将地球遥感图像输入至带空洞卷积的深度卷积神经网络，提取地球遥感图像的特征图。
在本实施例中，上述执行主体可以将地球遥感图像输入至编码模块中的带空洞卷积的深度卷积神经网络，提取地球遥感图像的特征图。其中，带空洞卷积的深度卷积神经网络可以用于进行特征提取。
步骤304，将地球遥感图像的特征图输入至空洞空间金字塔池化模块，提取多尺度特征图和多尺度特征融合图。
在本实施例中，上述执行主体可以将地球遥感图像的特征图输入至编码模块中的空洞空间金字塔池化模块，提取多尺度特征图和多尺度特征融合图。其中，空洞空间金字塔池化模块可以对地球遥感图像的特征图以不同采样率的空洞卷积并行采样，得到多个尺度的特征图。并且，多个尺度的特征图还可以融合成一幅融合图。
步骤305，将地球遥感图像的特征图、多尺度特征图和多尺度特征融合图输入至解码模块，融合出内容分割地球遥感图像。
在本实施例中，上述执行主体可以将地球遥感图像的特征图、多尺度特征图和多尺度特征融合图输入至解码模块，融合出内容分割地球遥感图像。其中，解码模块可以将编码模块最终输出的多尺度特征融合图以及Xception中间特征图进行融合，然后利用上采样得到内容分割地球遥感图像。
需要说明的是，由于Deeplab v3+引入多尺度信息，相比其他图像分割模型，又引入解码模块，将底层特征与高层特征进一步融合，提升了边界分割的准确度。
步骤306，将内容分割地球遥感图像输入至卷积神经网络，提取内容分割地球遥感图像的特征图。
在本实施例中，上述执行主体可以将内容分割地球遥感图像输入至卷积神经网络，提取内容分割地球遥感图像的特征图。其中，卷积神经网络可以例如是VGG16。
步骤307，将内容分割地球遥感图像的特征图输入至区域推荐网络，生成物体推荐框。
在本实施例中，上述执行主体可以将内容分割地球遥感图像的特征图输入至区域推荐网络，生成物体推荐框。其中，区域推荐网络基于卷积神经网络提取的特征图生成高质量的前景物体推荐框，生成推荐框的速度快、精确度高。
步骤308，将内容分割地球遥感图像的特征图和物体推荐框输入至目标分类网络，确定采砂船。
在本实施例中，上述执行主体可以将内容分割地球遥感图像的特征图和物体推荐框输入至目标分类网络，确定采砂船。其中，目标分类网络结合卷积神经网络提取的特征图和区域推荐网络生成的物体推荐框，能够快速地对前景物体的分类与推荐框进行修正。
步骤309，将采砂船的地理位置、开采时间、遥感图像、运行轨迹输入至多元回归神经网络，得到采砂船存在异常行为的置信度。
在本实施例中，上述执行主体可以将采砂船的地理位置、开采时间、遥感图像、运行轨迹输入至多元回归神经网络，得到采砂船存在异常行为的置信度。其中，多元回归神经网络的训练数据可以包括存在历史异常行为的采砂船的图像、位置、运行轨迹和时间等等。
步骤310，若采砂船存在异常行为，发送报警指令。
在本实施例中，步骤310的具体操作已在图2所示的实施例中步骤205中进行了详细的介绍，在此不再赘述。
进一步参考图4，其示出了异常行为报警***的结构示意图。如图4所示，异常行为报警***可以包括图像收集、图像预处理、信息交互、信息处理和目标监控五个部分。其中，图像收集部分收集遥感图像，并输入至图像预处理部分。图像预处理部分可以包括图像矫正、图像增强、图像镶嵌和图像融合。预处理后的遥感图像可以输入至目标监控部分。目标监控部分可以包括图像分割和目标检测，用于确定采砂船。预处理后的遥感图像和确定出的采砂船可以输入至信息交互部分。信息交互部分可以包括图像查看和异常判定部分，用于确定采砂船是否存在异常行为。同时，预处理后的遥感图像和确定出的采砂船还可以输入至信息处理部分。信息处理部分可以包括信息库、监控记录和地图定位，用于记录存在异常行为的采砂船的信息。
从图3中可以看出，与图2对应的实施例相比，本实施例中的异常行为报警方法的流程300突出了采用“编码-解码”结构分割地球遥感图像和采用两阶段式神经网络检测目标的步骤。由此，本实施例描述的方案中的图像分割模型采用“编码-解码”结构，引入多尺度信息，同时引入解码模块将底层特征与高层特征进一步融合，提升了边界分割的准确度。此外，目标检测模型采用两阶段式神经网络，先使用区域推荐网络产生推荐框，然后再利用目标分类网络进行分类与回归，提高了目标检测的准确度。
进一步参考图5，作为对上述各图所示的方法的实现，本申请提供了一种异常行为报警装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的异常行为报警装置500可以包括：获取单元501、分割单元502、检测单元503、确定单元504和报警单元505。其中，获取单元501，被配置成获取地球遥感图像；分割单元502，被配置成利用图像分割模型对地球遥感图像进行内容分割，得到内容分割地球遥感图像；检测单元503，被配置成利用目标检测模型对内容分割地球遥感图像进行目标检测，确定采砂船；确定单元504，被配置成基于采砂船的地理位置和开采时间，确定采砂船是否存在异常行为；报警单元505，被配置成若采砂船存在异常行为，发送报警指令。
在本实施例中，异常行为报警装置500中：获取单元501、分割单元502、检测单元503、确定单元504和报警单元505的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-205的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，异常行为报警装置500还包括：预处理单元(图中未示出)，被配置成对地球遥感图像进行图像预处理，其中，图像预处理包括图像矫正、图像增强、图像镶嵌、图像融合中的至少一者。
在本实施例的一些可选的实现方式中，图像分割模型包括编码模块和解码模块，编码模块包括带空洞卷积的深度卷积神经网络和空洞空间金字塔池化模块；以及分割单元502包括：第一提取子单元(图中未示出)，被配置成将地球遥感图像输入至带空洞卷积的深度卷积神经网络，提取地球遥感图像的特征图；第二提取子单元(图中未示出)，被配置成将地球遥感图像的特征图输入至空洞空间金字塔池化模块，提取多尺度特征图和多尺度特征融合图；融合子单元(图中未示出)，被配置成将地球遥感图像的特征图、多尺度特征图和多尺度特征融合图输入至解码模块，融合出内容分割地球遥感图像。
在本实施例的一些可选的实现方式中，目标检测模型包括卷积神经网络、区域推荐网络和目标分类网络；以及检测单元504包括：第三提取子单元(图中未示出)，被配置成将内容分割地球遥感图像输入至卷积神经网络，提取内容分割地球遥感图像的特征图；推荐子单元(图中未示出)，被配置成将内容分割地球遥感图像的特征图输入至区域推荐网络，生成物体推荐框；分类子单元(图中未示出)，被配置成将内容分割地球遥感图像的特征图和物体推荐框输入至目标分类网络，确定采砂船。
在本实施例的一些可选的实现方式中，确定单元504进一步被配置成：将采砂船的地理位置、开采时间、遥感图像、运行轨迹输入至多元回归神经网络，得到采砂船存在异常行为的置信度。
下面参考图6，其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器105)的计算机***600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，计算机***600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有***600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。
需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向目标的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或电子设备上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、分割单元、检测单元、确定单元和报警单元。其中，这些单元的名称在种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取地球遥感图像的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取地球遥感图像；利用图像分割模型对地球遥感图像进行内容分割，得到内容分割地球遥感图像；利用目标检测模型对内容分割地球遥感图像进行目标检测，确定采砂船；基于采砂船的地理位置和开采时间，确定采砂船是否存在异常行为；若采砂船存在异常行为，发送报警指令。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (8)
1.一种异常行为报警方法，包括：
获取地球遥感图像；
利用图像分割模型对所述地球遥感图像进行内容分割，得到内容分割地球遥感图像；
利用目标检测模型对所述内容分割地球遥感图像进行目标检测，确定采砂船；
将所述采砂船的地理位置、开采时间、遥感图像、运行轨迹输入至多元回归神经网络，得到所述采砂船存在异常行为的置信度；
若所述采砂船存在异常行为，发送报警指令；
若相关监管人员基于所述报警指令确定生成检测报告，将所述检测报告发送给距离存在异常行为的采砂船最近的相关执法人员；
其中，所述图像分割模型包括编码模块和解码模块，所述编码模块包括带空洞卷积的深度卷积神经网络和空洞空间金字塔池化模块；以及
所述利用图像分割模型对所述地球遥感图像进行内容分割，得到内容分割地球遥感图像，包括：
将所述地球遥感图像输入至所述带空洞卷积的深度卷积神经网络，提取所述地球遥感图像的特征图；
将所述地球遥感图像的特征图输入至所述空洞空间金字塔池化模块，提取多尺度特征图和多尺度特征融合图，其中，所述空洞空间金字塔池化模块对所述地球遥感图像的特征图以不同采样率的空洞卷积并行采样，得到所述多尺度特征图，所述多尺度特征图融合成所述多尺度特征融合图；
将所述地球遥感图像的特征图、所述多尺度特征图和所述多尺度特征融合图输入至解码模块，融合出所述内容分割地球遥感图像，其中，所述解码模块将所述编码模块最终输出的多尺度特征融合图以及Xception中间特征图进行融合，然后利用上采样得到所述内容分割地球遥感图像。
2.根据权利要求1所述的方法，其中，在所述利用图像分割模型对所述地球遥感图像进行内容分割，得到内容分割地球遥感图像之前，还包括：
对所述地球遥感图像进行图像预处理，其中，所述图像预处理包括图像矫正、图像增强、图像镶嵌、图像融合中的至少一者。
3.根据权利要求1所述的方法，其中，所述目标检测模型包括卷积神经网络、区域推荐网络和目标分类网络；以及
所述利用目标检测模型对所述内容分割地球遥感图像进行目标检测，确定采砂船，包括：
将所述内容分割地球遥感图像输入至卷积神经网络，提取所述内容分割地球遥感图像的特征图；
将所述内容分割地球遥感图像的特征图输入至所述区域推荐网络，生成物体推荐框；
将所述内容分割地球遥感图像的特征图和所述物体推荐框输入至所述目标分类网络，确定采砂船。
4.一种异常行为报警装置，包括：
获取单元，被配置成获取地球遥感图像；
分割单元，被配置成利用图像分割模型对所述地球遥感图像进行内容分割，得到内容分割地球遥感图像；
检测单元，被配置成利用目标检测模型对所述内容分割地球遥感图像进行目标检测，确定采砂船；
确定单元，被配置成将所述采砂船的地理位置、开采时间、遥感图像、运行轨迹输入至多元回归神经网络，得到所述采砂船存在异常行为的置信度；
报警单元，被配置成若所述采砂船存在异常行为，发送报警指令；
发送单元，被配置成若相关监管人员基于所述报警指令确定生成检测报告，将所述检测报告发送给距离存在异常行为的采砂船最近的相关执法人员；
其中，所述图像分割模型包括编码模块和解码模块，所述编码模块包括带空洞卷积的深度卷积神经网络和空洞空间金字塔池化模块；以及
所述分割单元包括：
第一提取子单元，被配置成将所述地球遥感图像输入至所述带空洞卷积的深度卷积神经网络，提取所述地球遥感图像的特征图；
第二提取子单元，被配置成将所述地球遥感图像的特征图输入至所述空洞空间金字塔池化模块，提取多尺度特征图和多尺度特征融合图，其中，所述空洞空间金字塔池化模块对所述地球遥感图像的特征图以不同采样率的空洞卷积并行采样，得到所述多尺度特征图，所述多尺度特征图融合成所述多尺度特征融合图；
融合子单元，被配置成将所述地球遥感图像的特征图、所述多尺度特征图和所述多尺度特征融合图输入至解码模块，融合出所述内容分割地球遥感图像，其中，所述解码模块将所述编码模块最终输出的多尺度特征融合图以及Xception中间特征图进行融合，然后利用上采样得到所述内容分割地球遥感图像。
5.根据权利要求4所述的装置，其中，所述装置还包括：
预处理单元，被配置成对所述地球遥感图像进行图像预处理，其中，所述图像预处理包括图像矫正、图像增强、图像镶嵌、图像融合中的至少一者。
6.根据权利要求4所述的装置，其中，所述目标检测模型包括卷积神经网络、区域推荐网络和目标分类网络；以及
所述检测单元包括：
第三提取子单元，被配置成将所述内容分割地球遥感图像输入至卷积神经网络，提取所述内容分割地球遥感图像的特征图；
推荐子单元，被配置成将所述内容分割地球遥感图像的特征图输入至所述区域推荐网络，生成物体推荐框；
分类子单元，被配置成将所述内容分割地球遥感图像的特征图和所述物体推荐框输入至所述目标分类网络，确定所述采砂船。
7.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-3中任一所述的方法。
8.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-3中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010097554.3A CN111339864B (zh) | 2020-02-17 | 2020-02-17 | 异常行为报警方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010097554.3A CN111339864B (zh) | 2020-02-17 | 2020-02-17 | 异常行为报警方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111339864A CN111339864A (zh) | 2020-06-26 |
| CN111339864B true CN111339864B (zh) | 2023-11-10 |
Family
ID=71185162
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010097554.3A Active CN111339864B (zh) | 2020-02-17 | 2020-02-17 | 异常行为报警方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111339864B (zh) |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007206880A (ja) * | 2006-01-31 | 2007-08-16 | Japan Port & Harbour Association | 不審船の判定方法 |
| CN103669460A (zh) * | 2013-12-16 | 2014-03-26 | 柳州天运寰通科技有限公司 | 一种基于北斗卫星定位信息监控采砂船作业的装置 |
| CN103778803A (zh) * | 2014-02-24 | 2014-05-07 | 黄河水利委员会黄河水利科学研究院 | 一种内陆河流水文水政船只实时定位监控***和方法 |
| CN105654091A (zh) * | 2014-11-27 | 2016-06-08 | 航天恒星科技有限公司 | 海面目标检测方法及装置 |
| EP3109659A1 (en) * | 2015-06-24 | 2016-12-28 | M&M Corporation Comm. VA | Satellite fishing surveillance constellation and method |
| CN106816038A (zh) * | 2017-03-17 | 2017-06-09 | 武汉理工大学 | 一种内河水域异常行为船舶自动识别***及方法 |
| CN107563303A (zh) * | 2017-08-09 | 2018-01-09 | 中国科学院大学 | 一种基于深度学习的鲁棒性舰船目标检测方法 |
| CN108052940A (zh) * | 2017-12-17 | 2018-05-18 | 南京理工大学 | 基于深度学习的sar遥感图像水面目标检测方法 |
| KR101902997B1 (ko) * | 2018-03-29 | 2018-10-01 | 한국해양과학기술원 | 비지도 학습방법을 이용한 선박의 이상 운항 상태 자동 식별 시스템 및 그 방법 |
| CN109583369A (zh) * | 2018-11-29 | 2019-04-05 | 北京邮电大学 | 一种基于目标区域分割网络的目标识别方法及装置 |
| CN109597342A (zh) * | 2019-01-16 | 2019-04-09 | 郑州轻工业学院 | 一种动态组网智能辨识的采砂船监测装置及方法 |
| CN109598241A (zh) * | 2018-12-05 | 2019-04-09 | 武汉大学 | 基于Faster R-CNN的卫星图像海上舰船识别方法 |
| CN109711295A (zh) * | 2018-12-14 | 2019-05-03 | 北京航空航天大学 | 一种光学遥感图像近岸舰船检测方法 |
| CN110210463A (zh) * | 2019-07-03 | 2019-09-06 | 中国人民解放军海军航空大学 | 基于Precise ROI-Faster R-CNN的雷达目标图像检测方法 |
| CN110264484A (zh) * | 2019-06-27 | 2019-09-20 | 上海海洋大学 | 一种面向遥感数据的改进海岛岸线分割***及分割方法 |
| WO2019193702A1 (ja) * | 2018-04-05 | 2019-10-10 | 日本電気株式会社 | 画像処理装置、画像処理方法、及び、画像処理プログラムが格納された記録媒体 |
| CN110363115A (zh) * | 2019-06-28 | 2019-10-22 | 上海交通大学 | 基于ais轨迹数据的船舶作业异常半监督实时检测方法 |
| CN110633661A (zh) * | 2019-08-31 | 2019-12-31 | 南京理工大学 | 一种融合语义分割的遥感图像目标检测方法 |
| CN110796037A (zh) * | 2019-10-15 | 2020-02-14 | 武汉大学 | 基于轻量级感受野金字塔的星载光学遥感图像舰船目标检测方法 |
-
2020
- 2020-02-17 CN CN202010097554.3A patent/CN111339864B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007206880A (ja) * | 2006-01-31 | 2007-08-16 | Japan Port & Harbour Association | 不審船の判定方法 |
| CN103669460A (zh) * | 2013-12-16 | 2014-03-26 | 柳州天运寰通科技有限公司 | 一种基于北斗卫星定位信息监控采砂船作业的装置 |
| CN103778803A (zh) * | 2014-02-24 | 2014-05-07 | 黄河水利委员会黄河水利科学研究院 | 一种内陆河流水文水政船只实时定位监控***和方法 |
| CN105654091A (zh) * | 2014-11-27 | 2016-06-08 | 航天恒星科技有限公司 | 海面目标检测方法及装置 |
| EP3109659A1 (en) * | 2015-06-24 | 2016-12-28 | M&M Corporation Comm. VA | Satellite fishing surveillance constellation and method |
| CN106816038A (zh) * | 2017-03-17 | 2017-06-09 | 武汉理工大学 | 一种内河水域异常行为船舶自动识别***及方法 |
| CN107563303A (zh) * | 2017-08-09 | 2018-01-09 | 中国科学院大学 | 一种基于深度学习的鲁棒性舰船目标检测方法 |
| CN108052940A (zh) * | 2017-12-17 | 2018-05-18 | 南京理工大学 | 基于深度学习的sar遥感图像水面目标检测方法 |
| KR101902997B1 (ko) * | 2018-03-29 | 2018-10-01 | 한국해양과학기술원 | 비지도 학습방법을 이용한 선박의 이상 운항 상태 자동 식별 시스템 및 그 방법 |
| WO2019193702A1 (ja) * | 2018-04-05 | 2019-10-10 | 日本電気株式会社 | 画像処理装置、画像処理方法、及び、画像処理プログラムが格納された記録媒体 |
| CN109583369A (zh) * | 2018-11-29 | 2019-04-05 | 北京邮电大学 | 一种基于目标区域分割网络的目标识别方法及装置 |
| CN109598241A (zh) * | 2018-12-05 | 2019-04-09 | 武汉大学 | 基于Faster R-CNN的卫星图像海上舰船识别方法 |
| CN109711295A (zh) * | 2018-12-14 | 2019-05-03 | 北京航空航天大学 | 一种光学遥感图像近岸舰船检测方法 |
| CN109597342A (zh) * | 2019-01-16 | 2019-04-09 | 郑州轻工业学院 | 一种动态组网智能辨识的采砂船监测装置及方法 |
| CN110264484A (zh) * | 2019-06-27 | 2019-09-20 | 上海海洋大学 | 一种面向遥感数据的改进海岛岸线分割***及分割方法 |
| CN110363115A (zh) * | 2019-06-28 | 2019-10-22 | 上海交通大学 | 基于ais轨迹数据的船舶作业异常半监督实时检测方法 |
| CN110210463A (zh) * | 2019-07-03 | 2019-09-06 | 中国人民解放军海军航空大学 | 基于Precise ROI-Faster R-CNN的雷达目标图像检测方法 |
| CN110633661A (zh) * | 2019-08-31 | 2019-12-31 | 南京理工大学 | 一种融合语义分割的遥感图像目标检测方法 |
| CN110796037A (zh) * | 2019-10-15 | 2020-02-14 | 武汉大学 | 基于轻量级感受野金字塔的星载光学遥感图像舰船目标检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| Hongtao Duan等.Detection of illicit sand mining and the associated environmental effects in China’s fourth largest freshwater lake using daytime and nighttime satellite images.《Science of the Total Environment》.2019,摘要，章节2-5. * |
| 王军利等.《智能交通***》.中国人民公安大学出版社,2014,正文第209-210页. * |
| 袁立等.基于DeepLab-v3+的遥感影像分类.《激光与光电子学进展》.2019,章节2-4. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111339864A (zh) | 2020-06-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110135654B (zh) | 用于预测强对流天气的方法和装置 | |
| Tan et al. | Automatic detection of sewer defects based on improved you only look once algorithm | |
| Iqbal et al. | How computer vision can facilitate flood management: A systematic review | |
| KR102399089B1 (ko) | 인공위성 영상정보를 이용한 홍수 피해 탐지 시스템 및 그 방법 | |
| Verbeeck et al. | A multi-wavelength analysis of active regions and sunspots by comparison of automatic detection algorithms | |
| WO2020111934A1 (en) | A method and system for detection of natural disaster occurrence | |
| CN115471980B (zh) | 泥石流灾害预警方法 | |
| CN112084892B (zh) | 一种道路异常事件检测管理装置及其方法 | |
| CN113469278A (zh) | 一种基于深度卷积神经网络的强天气目标识别方法 | |
| CN116343103A (zh) | 一种基于三维gis场景与视频融合的自然资源监管方法 | |
| Lo et al. | Deep sensing of urban waterlogging | |
| KR20180117025A (ko) | 지능형 cctv 기반 자동 수위감지 방법 | |
| Situ et al. | Real-time sewer defect detection based on YOLO network, transfer learning, and channel pruning algorithm | |
| CN113963314A (zh) | 降雨量监测方法、装置、计算机设备及存储介质 | |
| CN114463624A (zh) | 一种应用于城市管理监督的违章建筑物检测方法及装置 | |
| CN111553500B (zh) | 基于注意力机制全卷积网络的铁路交通接触网巡检方法 | |
| Dong et al. | Pixel-level intelligent segmentation and measurement method for pavement multiple damages based on mobile deep learning | |
| CN111881566B (zh) | 基于实景仿真的滑坡位移检测方法及装置 | |
| CN111339864B (zh) | 异常行为报警方法和装置 | |
| CN117152463A (zh) | 基于视频分析的泥石流龙头监测方法 | |
| Li et al. | Learning to holistically detect bridges from large-size vhr remote sensing imagery | |
| Lopes Amaral Loures et al. | Condition assessment of unpaved roads using low-cost computer vision–based solutions | |
| CN114445751A (zh) | 视频关键帧图像轮廓特征的提取方法和装置 | |
| CN116469013B (zh) | 道路积水预测方法、装置、计算机设备及存储介质 | |
| Gao et al. | Measuring urban waterlogging depths from video images based on reference objects |
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 |