CN111611921A - 一种基于遥感大数据的太阳能板识别*** - Google Patents
一种基于遥感大数据的太阳能板识别*** Download PDFInfo
- Publication number
- CN111611921A CN111611921A CN202010434580.0A CN202010434580A CN111611921A CN 111611921 A CN111611921 A CN 111611921A CN 202010434580 A CN202010434580 A CN 202010434580A CN 111611921 A CN111611921 A CN 111611921A
- Authority
- CN
- China
- Prior art keywords
- target
- sub
- image
- remote sensing
- area
- 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.)
- Granted
Links
- 238000009826 distribution Methods 0.000 claims abstract description 75
- 238000012545 processing Methods 0.000 claims abstract description 49
- 238000001931 thermography Methods 0.000 claims abstract description 24
- 230000005540 biological transmission Effects 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 32
- 230000005855 radiation Effects 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 10
- 238000003384 imaging method Methods 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 9
- 238000004220 aggregation Methods 0.000 claims description 9
- 230000004931 aggregating effect Effects 0.000 claims description 7
- 238000013145 classification model Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000002194 synthesizing effect Effects 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000009740 moulding (composite fabrication) Methods 0.000 description 1
Images
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明涉及一种基于遥感大数据的太阳能板识别***，包括：传感器,通过传感器进行全区域探测，获取热成像图，根据热成像图分析目标物体存在的目标区域，将目标区域分为多个子目标区域；对每一个子目标区域进行目标图像提取，并计算每个子目标区域的特征指数；根据子目标区域的特征指数获取子目标区域特征指数权重值，分析目标区域的参数信息，进行目标图像提取，将目标图像与热成像图进行叠合；经过信息的传输及处理分析，识别子目标区域内的目标物体的属性及分布特征，形成子目标区域分布信息，分析全区域遥感图像获取，得到目标物体总体分布特征，得到结果信息；将结果信息以预定的方式传输至云端服务器。
Description
技术领域
本发明涉及一种太阳能板识别领域或太阳能板分布探测或大数据处理，尤其涉及一种基于遥感大数据的太阳能板识别***。
背景技术
目前,遥感技术已广泛应用于农业、林业、测绘、气象、交通、国土资源勘查等领域，遥感从广义上说是泛指从远处探测、感知物体或事物的技术，不直接接触物体本身，从远处通过仪器或传感器探测和接收来自目标物体的信息，经过信息的传输及分析处理，识别物体属性及分布等特征的技术。
区块链(Blockchain)，是比特币的一个重要概念，它本质上是一个去中心化的数据库，同时作为比特币的底层技术，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次比特币网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块，将区块链技术与遥感成像结合进行区域性太阳能板识别监测，能够实现检测的高效性及监测数据的安全性，监测过程中数据的传输通过物联网自动识别，传输，保证数据传输的快速性，现有的探测区域内太阳能板的分布大部分是通过无人机进行航拍，然后将拍摄的图像进行分析，航拍过程中，因像素或天气等因素的影响，造成拍摄画面质量较大，误差较大，为了能够精确分析太阳能板的分布区域及分布特征，进行区域性探测，以便于更好的进行区域规划，需要开发一款与其相匹配的***进行探测，精准的获取太阳能板的分布，但是在进行探测过程中，如何实现精准探测，以及在探测过程中如何对探测结果进行处理，都是亟不可待要解决的问题。
发明内容
本发明克服了现有技术的不足，提供一种基于遥感大数据的太阳能板识别***。
为达到上述目的，本发明采用的技术方案为：一种基于遥感大数据的太阳能板识别方法，包括:
通过传感器进行全区域探测，获取热成像图，根据热成像图分析目标物体存在的目标区域，将目标区域分为多个子目标区域；
对每一个子目标区域进行目标图像提取，并计算每个子目标区域的特征指数；
根据子目标区域的特征指数获取子目标区域特征指数权重值，分析目标区域的参数信息，进行目标图像提取，将目标图像与热成像图进行叠合；
经过信息的传输及处理分析，识别子目标区域内的目标物体的属性及分布特征，形成子目标区域分布信息；
提取子目标区域分布信息，通过遥感成像的处理方式形成子目标区域原始图像，并获取子目标区域原始图像信息；
通过图像处理模块对子目标区域原始图像进行处理，得到子目标增强图像，并获取子目标增强图像信息；
对子目标增强图像进行遥感信息提取，获取子目标热力遥感图像，将多个子目标热力遥感图像进行聚合，获取全区域遥感图像；
分析全区域遥感图像获取，得到目标物体总体分布特征，得到结果信息；
将结果信息以预定的方式传输至云端服务器。
优选的，根据地理位置不同将目标区域等面积分割成多个子目标区域，每个子目标区域的特征指数分别存储在对应的子数据库内。
优选的，所述特征指数包括区位指数、建筑聚集指数、山体分布指数、丛林分布指数、山体高度或坡度指数中的一种或两种以上的组合。
优选的，根据子目标区域特征指数权重值，建立子目标区域内目标物体分布梯度，建立子目标区域内目标物体分布曲线；
对每一个子目标区域内目标物体分布曲线进行预处理，去除子目标区域内目标物体分布曲线上偏差大于预定阈值的点；
将多个子目标区域内目标物体分布曲线进行聚合处理，得到全区域目标物体分布曲线。
优选的，通过遥感成像的处理方式形成子目标区域原始图像，具体包括：
通过航空多光谱扫描仪向全区域内发射电磁波，接收反射电磁波信号，生成电磁波信息；
分析电磁波信息，并提取电磁波信息对应的物体信息，形成图像；
根据目标物体电磁波特性，获取子目标区域原始图像。
优选的，通过航空多光谱扫描仪发射8-14μm热红外波段电磁波；
探测物体热辐射能量，显示物体的辐射温度或热场图像；
根据目标物体的热辐射特性，筛选出目标物体对应的热场图像；
对热场图像进行处理，得到目标物体分布区位。
本发明第二方面提供了一种基于遥感大数据的太阳能板识别***，该***包括：存储器、处理器，所述存储器中包括基于遥感大数据的太阳能板识别方法程序，所述基于遥感大数据的太阳能板识别方法程序被所述处理器执行时实现如下步骤：
基于红外热成像原理进行全区域探测，获取热成像图，根据热成像图分析目标物体存在的目标区域，将目标区域分为多个子目标区域；
对每一个子目标区域进行目标图像提取，并计算每个子目标区域的特征指数；
根据子目标区域的特征指数获取子目标区域特征指数权重值，分析目标区域的参数信息，进行目标图像提取，将目标图像与热成像图进行叠合；
经过信息的传输及处理分析，识别子目标区域内的目标物体的属性及分布特征，形成子目标区域分布信息；
提取子目标区域分布信息，通过遥感成像的处理方式形成子目标区域原始图像，并获取子目标区域原始图像信息；
通过图像处理模块对子目标区域原始图像进行处理，得到子目标增强图像，并获取子目标增强图像信息；
对子目标增强图像进行遥感信息提取，获取子目标热力遥感图像，将多个子目标热力遥感图像进行聚合，获取全区域遥感图像；
分析全区域遥感图像获取，得到目标物体总体分布特征，得到结果信息；
将结果信息以预定的方式传输至云端服务器。
优选的，所述特征指数包括区位指数、建筑聚集指数、山体分布指数、丛林分布指数、山体高度或坡度指数中的一种或两种以上的组合。
优选的，通过航空多光谱扫描仪发射8-14μm热红外波段电磁波；
探测物体热辐射能量，显示物体的辐射温度或热场图像；
根据目标物体的热辐射特性，筛选出目标物体对应的热场图像；
对热场图像进行处理，得到目标物体分布区位。
优选的，建立图像模型，并对图像模型进行训练，得到二分类模型；
通过二分类模型进行目标物体预测，得到多张预测图，多张预测图叠加，合成一张完成的预测图；
通过U-Net模型将全区域遥感图像进行切割，切割后的图像进行分析处理，并将切割后的图像进行合成；
将分析处理后的图像与预测图进行比对，偏差阈值小于预定阈值时，将合成的预测图作为太阳能板分布图进行分析识别。
本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：
(1)本发明基于区块链技术，去中心化处理，利用块链式数据结构来验证与存储数据、利用分布式节点共识算法来生成和更新数据、利用密码学的方式保证数据传输和访问的安全，通过图像处理模块对目标区域进行探测，探测数据生成初始区块，然后通过认证节点进行认证，认证完成后，太阳能板位置特征生成新的区块，形成区块链，永久保存。
(2)将全区域分割成若干个子目标区域，对每一个子目标区域进行单独的识别及获取单独的子目标遥感图像进行分析对比，将子目标遥感图像进行聚合，得到全区域遥感图像，此种处理方式减少对遥感图像处理过程中的偏差，获得的全区域遥感图像更加的精准。
(3)利用航空多光谱仪发射电磁波，利用不中物体的热辐射特性的不同，筛选目标物体的热场图像，得到目标物体的分布区域，得到的目标物体分布精确。
(4)通过U-Net模型将全区域遥感图像进行切割，切割后的图像进行分析处理，并将切割后的图像进行合成，通过U-Net模型训练后的图像拼接痕迹较少，减少图像重叠区域，使处理后的图像更加接近原始图像，从而减少太阳能板识别过程中的误差。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1示出了本发明一种基于遥感大数据的太阳能板识别***框图；
图2示出了目标物体分布曲线方法流程图；
图3示出了获取目标区域原始图像方法流程图；
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
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他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于遥感大数据的太阳能板识别***框图。
本发明第一方面提供了一种基于遥感大数据的太阳能板识别方法，包括：
S102，通过传感器进行全区域探测，获取热成像图，根据热成像图分析目标物体存在的目标区域，将目标区域分为多个子目标区域；
S104，对每一个子目标区域进行目标图像提取，并计算每个子目标区域的特征指数；
S106，根据子目标区域的特征指数获取子目标区域特征指数权重值，分析目标区域的参数信息，进行目标图像提取，将目标图像与热成像图进行叠合；
S108，经过信息的传输及处理分析，识别子目标区域内的目标物体的属性及分布特征，形成子目标区域分布信息,提取子目标区域分布信息，通过遥感成像的处理方式形成子目标区域原始图像，并获取子目标区域原始图像信息；
S110，通过图像处理模块对子目标区域原始图像进行处理，得到子目标增强图像，并获取子目标增强图像信息,对子目标增强图像进行遥感信息提取，获取子目标热力遥感图像，将多个子目标热力遥感图像进行聚合，获取全区域遥感图像；
S112，分析全区域遥感图像获取，得到目标物体总体分布特征，得到结果信息；
S114，将结果信息以预定的方式传输至云端服务器。
需要说明的是，将全区域分割成若干个子目标区域，对每一个子目标区域进行单独的识别及获取单独的子目标遥感图像进行分析对比，将子目标遥感图像进行聚合，得到全区域遥感图像，此种处理方式减少对遥感图像处理过程中的偏差，获得的全区域遥感图像更加的精准。
根据本发明实施例，根据地理位置不同将目标区域等面积分割成多个子目标区域，每个子目标区域的特征指数分别存储在对应的子数据库内。
根据本发明实施例，所述特征指数包括区位指数、建筑聚集指数、山体分布指数、丛林分布指数、山体高度或坡度指数中的一种或两种以上的组合。
如图2公开了本发明目标物体分布曲线方法流程图；
根据本发明实施例，S202，根据子目标区域特征指数权重值，建立子目标区域内目标物体分布梯度，建立子目标区域内目标物体分布曲线；
S204，对每一个子目标区域内目标物体分布曲线进行预处理，去除子目标区域内目标物体分布曲线上偏差大于预定阈值的点；
S206，将多个子目标区域内目标物体分布曲线进行聚合处理，得到全区域目标物体分布曲线。
如图3公开了本发明获取目标区域原始图像方法流程图；
根据本发明实施例，通过遥感成像的处理方式形成子目标区域原始图像，具体包括：
S302，通过航空多光谱扫描仪向全区域内发射电磁波，接收反射电磁波信号，生成电磁波信息；
S304，分析电磁波信息，并提取电磁波信息对应的物体信息，形成图像；
S306，根据目标物体电磁波特性，获取子目标区域原始图像。
根据本发明实施例，通过航空多光谱扫描仪发射8-14μm热红外波段电磁波；
探测物体热辐射能量，显示物体的辐射温度或热场图像；
根据目标物体的热辐射特性，筛选出目标物体对应的热场图像；
对热场图像进行处理，得到目标物体分布区位。
需要说明的是，利用航空多光谱仪发射电磁波，利用不中物体的热辐射特性的不同，筛选目标物体的热场图像，得到目标物体的分布区域，得到的目标物体分布精确。
本发明第二方面提供了一种基于遥感大数据的太阳能板识别***，该***包括：存储器、处理器，所述存储器中包括基于遥感大数据的太阳能板识别方法程序，所述基于遥感大数据的太阳能板识别方法程序被所述处理器执行时实现如下步骤：
基于红外热成像原理进行全区域探测，获取热成像图，根据热成像图分析目标物体存在的目标区域，将目标区域分为多个子目标区域；
对每一个子目标区域进行目标图像提取，并计算每个子目标区域的特征指数；
根据子目标区域的特征指数获取子目标区域特征指数权重值，分析目标区域的参数信息，进行目标图像提取，将目标图像与热成像图进行叠合；
经过信息的传输及处理分析，识别子目标区域内的目标物体的属性及分布特征，形成子目标区域分布信息；
提取子目标区域分布信息，通过遥感成像的处理方式形成子目标区域原始图像，并获取子目标区域原始图像信息；
通过图像处理模块对子目标区域原始图像进行处理，得到子目标增强图像，并获取子目标增强图像信息；
对子目标增强图像进行遥感信息提取，获取子目标热力遥感图像，将多个子目标热力遥感图像进行聚合，获取全区域遥感图像；
分析全区域遥感图像获取，得到目标物体总体分布特征，得到结果信息；
将结果信息以预定的方式传输至云端服务器。
根据本发明实施例，所述特征指数包括区位指数、建筑聚集指数、山体分布指数、丛林分布指数、山体高度或坡度指数中的一种或两种以上的组合。
根据本发明实施例，通过航空多光谱扫描仪发射8-14μm热红外波段电磁波；
探测物体热辐射能量，显示物体的辐射温度或热场图像；
根据目标物体的热辐射特性，筛选出目标物体对应的热场图像；
对热场图像进行处理，得到目标物体分布区位。
根据本发明实施例，建立图像模型，并对图像模型进行训练，得到二分类模型；
通过二分类模型进行目标物体预测，得到多张预测图，多张预测图叠加，合成一张完成的预测图；
通过U-Net模型将全区域遥感图像进行切割，切割后的图像进行分析处理，并将切割后的图像进行合成；
将分析处理后的图像与预测图进行比对，偏差阈值小于预定阈值时，将合成的预测图作为太阳能板分布图进行分析识别。
需要说明的是，通过U-Net模型将全区域遥感图像进行切割，切割后的图像进行分析处理，并将切割后的图像进行合成，通过U-Net模型训练后的图像拼接痕迹较少，减少图像重叠区域，使处理后的图像更加接近原始图像，从而减少太阳能板识别过程中的误差。
本发明基于区块链技术，去中心化处理，利用块链式数据结构来验证与存储数据、利用分布式节点共识算法来生成和更新数据、利用密码学的方式保证数据传输和访问的安全，通过图像处理模块对目标区域进行探测，探测数据生成初始区块，然后通过认证节点进行认证，认证完成后，太阳能板位置特征生成新的区块，形成区块链，永久保存，在进行识别过程中，同一区域内的不同的太阳能板因与太阳之间的夹角不同，在进行遥感图像采集过程中，不同的太阳能板产生的热力值不同，同时遥感图像上的颜色权重值也不相同，颜色权重值较大的位置，说明此处太阳能板与太阳之间的角度不同，此种方法能够根据太阳位置，精准检测区域内太阳能板的角度信息及空间内位置信息。
采集数据通过物联网进行智能识别、传输，物联网就是物物相连的互联网。这有两层意思:其一，物联网的核心和基础仍然是互联网，是在互联网基础上的延伸和扩展的网络；其二，其用户端延伸和扩展到了任何物品与物品之间，进行信息交换和通信，也就是物物相息。物联网通过智能感知、识别技术与普适计算等通信感知技术物联网定义为通过各种信息传感设备，如传感器、射频识别(RFID)技术、全球定位***、红外线感应器、激光扫描器、气体感应器等各种装置与技术，实时采集任何需要监控、连接、互动的物体或过程，采集其声、光、热、电、力学、化学、生物、位置等各种需要的信息，与互联网结合形成的一个巨大网络。其目的是实现物与物、物与人，所有的物品与网络的连接，方便识别、管理和控制。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于遥感大数据的太阳能板识别方法，其特征在于，包括：
通过传感器进行全区域探测，获取热成像图，根据热成像图分析目标物体存在的目标区域，将目标区域分为多个子目标区域；
对每一个子目标区域进行目标图像提取，并计算每个子目标区域的特征指数；
根据子目标区域的特征指数获取子目标区域特征指数权重值，分析目标区域的参数信息，进行目标图像提取，将目标图像与热成像图进行叠合；
经过信息的传输及处理分析，识别子目标区域内的目标物体的属性及分布特征，形成子目标区域分布信息；
提取子目标区域分布信息，通过遥感成像的处理方式形成子目标区域原始图像，并获取子目标区域原始图像信息；
通过图像处理模块对子目标区域原始图像进行处理，得到子目标增强图像，并获取子目标增强图像信息；
对子目标增强图像进行遥感信息提取，获取子目标热力遥感图像，将多个子目标热力遥感图像进行聚合，获取全区域遥感图像；
分析全区域遥感图像获取，得到目标物体总体分布特征，得到结果信息；
将结果信息以预定的方式传输至云端服务器。
2.根据权利要求1所述的一种基于遥感大数据的太阳能板识别方法，其特征在于：根据地理位置不同将目标区域等面积分割成多个子目标区域，每个子目标区域的特征指数分别存储在对应的子数据库内。
3.根据权利要求1所述的一种基于遥感大数据的太阳能板识别方法，其特征在于：所述特征指数包括区位指数、建筑聚集指数、山体分布指数、丛林分布指数、山体高度或坡度指数中的一种或两种以上的组合。
4.根据权利要求1所述的一种基于遥感大数据的太阳能板识别方法，其特征在于：
根据子目标区域特征指数权重值，建立子目标区域内目标物体分布梯度，建立子目标区域内目标物体分布曲线；
对每一个子目标区域内目标物体分布曲线进行预处理，去除子目标区域内目标物体分布曲线上偏差大于预定阈值的点；
将多个子目标区域内目标物体分布曲线进行聚合处理，得到全区域目标物体分布曲线。
5.根据权利要求1所述的一种基于遥感大数据的太阳能板识别方法，其特征在于：通过遥感成像的处理方式形成子目标区域原始图像，具体包括：
通过航空多光谱扫描仪向全区域内发射电磁波，接收反射电磁波信号，生成电磁波信息；
分析电磁波信息，并提取电磁波信息对应的物体信息，形成图像；
根据目标物体电磁波特性，获取子目标区域原始图像。
6.根据权利要求1所述的一种基于遥感大数据的太阳能板识别方法，其特征在于：通过航空多光谱扫描仪发射8-14μm热红外波段电磁波；
探测物体热辐射能量，显示物体的辐射温度或热场图像；
根据目标物体的热辐射特性，筛选出目标物体对应的热场图像；
对热场图像进行处理，得到目标物体分布区位。
7.一种基于遥感大数据的太阳能板识别***，其特征在于，该***包括：存储器、处理器，所述存储器中包括基于遥感大数据的太阳能板识别方法程序，所述基于遥感大数据的太阳能板识别方法程序被所述处理器执行时实现如下步骤：
基于红外热成像原理进行全区域探测，获取热成像图，根据热成像图分析目标物体存在的目标区域，将目标区域分为多个子目标区域；
对每一个子目标区域进行目标图像提取，并计算每个子目标区域的特征指数；
根据子目标区域的特征指数获取子目标区域特征指数权重值，分析目标区域的参数信息，进行目标图像提取，将目标图像与热成像图进行叠合；
经过信息的传输及处理分析，识别子目标区域内的目标物体的属性及分布特征，形成子目标区域分布信息；
提取子目标区域分布信息，通过遥感成像的处理方式形成子目标区域原始图像，并获取子目标区域原始图像信息；
通过图像处理模块对子目标区域原始图像进行处理，得到子目标增强图像，并获取子目标增强图像信息；
对子目标增强图像进行遥感信息提取，获取子目标热力遥感图像，将多个子目标热力遥感图像进行聚合，获取全区域遥感图像；
分析全区域遥感图像获取，得到目标物体总体分布特征，得到结果信息；
将结果信息以预定的方式传输至云端服务器。
8.根据权利要求7所述的一种基于遥感大数据的太阳能板识别***，其特征在于：所述特征指数包括区位指数、建筑聚集指数、山体分布指数、丛林分布指数、山体高度或坡度指数中的一种或两种以上的组合。
9.根据权利要求7所述的一种基于遥感大数据的太阳能板识别***，其特征在于：通过航空多光谱扫描仪发射8-14μm热红外波段电磁波；
探测物体热辐射能量，显示物体的辐射温度或热场图像；
根据目标物体的热辐射特性，筛选出目标物体对应的热场图像；
对热场图像进行处理，得到目标物体分布区位。
10.根据权利要求7所述的一种基于遥感大数据的太阳能板识别***，其特征在于：建立图像模型，并对图像模型进行训练，得到二分类模型；
通过二分类模型进行目标物体预测，得到多张预测图，多张预测图叠加，合成一张完成的预测图；
通过U-Net模型将全区域遥感图像进行切割，切割后的图像进行分析处理；
将分析处理后的图像与预测图进行比对，偏差阈值小于预定阈值时，将合成的预测图作为太阳能板分布图进行分析识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010434580.0A CN111611921B (zh) | 2020-05-21 | 2020-05-21 | 一种基于遥感大数据的太阳能板识别*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010434580.0A CN111611921B (zh) | 2020-05-21 | 2020-05-21 | 一种基于遥感大数据的太阳能板识别*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111611921A true CN111611921A (zh) | 2020-09-01 |
| CN111611921B CN111611921B (zh) | 2021-05-14 |
Family
ID=72199475
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010434580.0A Active CN111611921B (zh) | 2020-05-21 | 2020-05-21 | 一种基于遥感大数据的太阳能板识别*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111611921B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113418925A (zh) * | 2021-05-18 | 2021-09-21 | 平衡机器科技(深圳)有限公司 | 一种基于卫星影像的光伏板异常目标检测***及方法 |
| CN114419463A (zh) * | 2022-01-26 | 2022-04-29 | 河南大学 | 一种基于云平台的全球太阳能光伏板遥感自动识别方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101408941A (zh) * | 2008-10-20 | 2009-04-15 | 中国科学院遥感应用研究所 | 遥感图像多尺度分割及分割结果的层次结构表示方法 |
| CN101546428A (zh) * | 2009-05-07 | 2009-09-30 | 西北工业大学 | 基于区域分割的序列红外与可见光图像融合 |
| CN102663394A (zh) * | 2012-03-02 | 2012-09-12 | 北京航空航天大学 | 基于多源遥感图像融合的大中型目标识别方法 |
| CN106296680A (zh) * | 2016-08-08 | 2017-01-04 | 长安大学 | 一种基于区域的多特征融合高分辨率遥感影像分割方法 |
| CN108198181A (zh) * | 2018-01-23 | 2018-06-22 | 电子科技大学 | 一种基于区域分割和图像融合的红外热图像处理方法 |
| CN108280440A (zh) * | 2018-02-09 | 2018-07-13 | 三亚中科遥感研究所 | 一种果林识别方法和*** |
| CN108415355A (zh) * | 2018-02-01 | 2018-08-17 | 广东聚晨知识产权代理有限公司 | 一种大数据的高效识别*** |
| CN109166095A (zh) * | 2018-07-11 | 2019-01-08 | 广东技术师范学院 | 一种基于生成对抗机制的眼底影像杯盘分割方法 |
| CN110084205A (zh) * | 2019-04-30 | 2019-08-02 | 合肥工业大学 | 一种基于改进的面向对象高分辨率遥感影像分类方法 |
| DE102019112578A1 (de) * | 2018-06-29 | 2020-01-02 | Intel Corporation | Bereichsbasierte Bewegungsschätzung und -modellierung zur genauen bereichsbasierten Bewegungskompensation zur effizienten Videoverarbeitung oder -codierung |
| CN111104889A (zh) * | 2019-12-04 | 2020-05-05 | 山东科技大学 | 一种基于U-net的水体遥感识别方法 |
-
2020
- 2020-05-21 CN CN202010434580.0A patent/CN111611921B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101408941A (zh) * | 2008-10-20 | 2009-04-15 | 中国科学院遥感应用研究所 | 遥感图像多尺度分割及分割结果的层次结构表示方法 |
| CN101546428A (zh) * | 2009-05-07 | 2009-09-30 | 西北工业大学 | 基于区域分割的序列红外与可见光图像融合 |
| CN102663394A (zh) * | 2012-03-02 | 2012-09-12 | 北京航空航天大学 | 基于多源遥感图像融合的大中型目标识别方法 |
| CN106296680A (zh) * | 2016-08-08 | 2017-01-04 | 长安大学 | 一种基于区域的多特征融合高分辨率遥感影像分割方法 |
| CN108198181A (zh) * | 2018-01-23 | 2018-06-22 | 电子科技大学 | 一种基于区域分割和图像融合的红外热图像处理方法 |
| CN108415355A (zh) * | 2018-02-01 | 2018-08-17 | 广东聚晨知识产权代理有限公司 | 一种大数据的高效识别*** |
| CN108280440A (zh) * | 2018-02-09 | 2018-07-13 | 三亚中科遥感研究所 | 一种果林识别方法和*** |
| DE102019112578A1 (de) * | 2018-06-29 | 2020-01-02 | Intel Corporation | Bereichsbasierte Bewegungsschätzung und -modellierung zur genauen bereichsbasierten Bewegungskompensation zur effizienten Videoverarbeitung oder -codierung |
| CN109166095A (zh) * | 2018-07-11 | 2019-01-08 | 广东技术师范学院 | 一种基于生成对抗机制的眼底影像杯盘分割方法 |
| CN110084205A (zh) * | 2019-04-30 | 2019-08-02 | 合肥工业大学 | 一种基于改进的面向对象高分辨率遥感影像分类方法 |
| CN111104889A (zh) * | 2019-12-04 | 2020-05-05 | 山东科技大学 | 一种基于U-net的水体遥感识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张志龙等: "结合纹理和分布特征的遥感图像群目标识别方法", 《遥感技术与应用》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113418925A (zh) * | 2021-05-18 | 2021-09-21 | 平衡机器科技(深圳)有限公司 | 一种基于卫星影像的光伏板异常目标检测***及方法 |
| CN114419463A (zh) * | 2022-01-26 | 2022-04-29 | 河南大学 | 一种基于云平台的全球太阳能光伏板遥感自动识别方法 |
| CN114419463B (zh) * | 2022-01-26 | 2022-09-30 | 河南大学 | 一种基于云平台的全球太阳能光伏板遥感自动识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111611921B (zh) | 2021-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109697435B (zh) | 人流量监测方法、装置、存储介质及设备 | |
| US11682201B2 (en) | Identifying targets within images | |
| CN108320329A (zh) | 一种基于3d激光的3d地图创建方法 | |
| US9245170B1 (en) | Point cloud data clustering and classification using implicit geometry representation | |
| CN111598028A (zh) | 一种基于遥感成像原理识别地表植被分布方法 | |
| CN111611921B (zh) | 一种基于遥感大数据的太阳能板识别*** | |
| CN101770644A (zh) | 森林火灾远程视频监控烟火识别方法 | |
| US20210048521A1 (en) | Systems, methods, apparatuses, and devices for facilitating performing of motion analysis in a field of interest | |
| CN110390308B (zh) | 一种基于时空对抗生成网络的视频行为识别方法 | |
| CN112445241A (zh) | 一种基于无人机遥感技术的地表植被识别方法、***及可读存储介质 | |
| CN109492606A (zh) | 多光谱矢量图获取方法及***、三维单体化方法及*** | |
| CN109508583A (zh) | 一种人群分布特征的获取方法和装置 | |
| CN110390706A (zh) | 一种物体检测的方法和装置 | |
| CN110163294A (zh) | 基于降维操作和卷积网络的遥感图像变化区域检测方法 | |
| CN111598027B (zh) | 一种基于遥感大数据的区域性浅水种植区分布***及方法 | |
| CN115170792A (zh) | 红外图像处理方法、装置及设备、存储介质 | |
| CN116052026A (zh) | 一种无人机航拍图像目标检测方法、***及存储介质 | |
| CN111739056A (zh) | 一种轨迹追踪*** | |
| CN114611635A (zh) | 一种对象的识别方法、装置、存储介质及电子装置 | |
| Hooda | IoT and remote sensing | |
| CN117292324A (zh) | 一种人群密度估计方法及*** | |
| Maqsoom et al. | Extracting built-up areas from spectro-textural information using machine learning | |
| Xu | [Retracted] Application of Remote Sensing Image Data Scene Generation Method in Smart City | |
| CN113011511A (zh) | 一种基于深度学习多光谱LiDAR数据分类的样本生成方法 | |
| Ramiya et al. | Assessment of various parameters on 3D semantic object-based point cloud labelling on urban LiDAR dataset |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210428 Address after: No. 109, Dongcang North Road, Taicang Economic Development Zone, Suzhou City, Jiangsu Province Applicant after: Suzhou Kezhilv Information Technology Co.,Ltd. Address before: 528000 4C3, 108, No. 362, Gaoming Avenue East, Hecheng street, Gaoming District, Foshan City, Guangdong Province Applicant before: FOSHAN GAOMING XILUO TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230727 Address after: No. 9 3A01, Smart Park, No. 1, Zhongma North 1st Street, Zhongma Qinzhou Industrial Park, Qinzhou City, Guangxi, 535000 Patentee after: Guangxi Zhongma Park Digital City Technology Co.,Ltd. Address before: No. 109, Dongcang North Road, Taicang Economic Development Zone, Suzhou City, Jiangsu Province Patentee before: Suzhou Kezhilv Information Technology Co.,Ltd. |