一种基于无人机的地物高光谱仪遥感土地利用样本采集仪制造技术

本实用新型专利技术涉及一种基于无人机的地物高光谱仪遥感土地利用样本采集仪，包括无人机、高光谱相机、可见光摄像头、微控制器、RTK定位模块、无线网络连接、地面控制站点。本实用新型专利技术所描述的基于高光谱遥感的无人机图像分割装备，可提高遥感领域样本采集的效率，充分利用高光谱遥感所获取的充足信息及深度学习强泛化能力，进行土地利用的遥感图片样本可靠的获取。利用无人机系统便携及灵活的作业方式，以较少的成本减少遥感图片人工判读需要投入的人力及物力，大幅提高样本采集的效率，减少人工判读误差。大量样本的获取将为土地利用的图像分割提供充足的样本数据，促进与提高深度学习在遥感土地利用图像分割领域中的应用。习在遥感土地利用图像分割领域中的应用。习在遥感土地利用图像分割领域中的应用。

【技术实现步骤摘要】
一种基于无人机的地物高光谱仪遥感土地利用样本采集仪


[0001]本技术属于遥感及深度学习交叉的样本采集仪领域，涉及一种基于无人机利用地物高光谱相机采集样本的仪器。无人机系统平台装载微控制器的自动分割深度学习模块，利用高分地物分类精度高的特点，实现了高质量的样本自动采集，可大幅提高土地利用图像分割的样本采集的效率，节省采集经费，而大量采集的高质量样本有助于提高遥感的土地利用分割算法的训练精度及效果，推动人工智能在遥感土地利用图像分割方面的应用。

技术介绍

[0002]虽然深度学习技术在诸多领域尤其是普通影像及视频的分割取得了重要进展，但在遥感方面的应用比较有限，许多先进的图像分割算法是基于三原色(红、蓝、绿)加深度的普通视频的分类及分割算法；而遥感图像因为不同于普通图片及视频，一般是由多波段(≥3)影像构成，其波谱特征不同于一般的三原色图像，不适用于许多先进的深度学习的图像分类/分割算法，这极大地限制了深度学习技术在遥感特别是土地利用分割领域的应用。而导致这些不足的一个重要的原因就是用于训练图像分割的样本数比较有限，不同地域之间差别也较大，有限的样本无法训练出通用的机器学习模型，极大地限制了训练模型精度的提高。现有的遥感图像基于训练样本获取一般是采取人工判读，虽然人工判读比较可靠，但主要缺点是效率不高，样本获取有限。
[0003]人工判断基于真彩色图像，安排专业人员目视解译，并采用将解译结果输入计算机得到标注样本，人工判读的主要缺点是耗时耗力，投入经费多，严重限制了标注样本的获取。而高光谱信息可以提供丰富的波普信息，在样本充足情况下提高了分割的精度及效率。当前虽然有采用半监督的样本采集方法的相关专利(叶齐祥2017)，但国内外尚未有利用高光谱相机结合微处理器计算功能提高样本采集效率的相关仪器及其相关的专利报道，因此本技术在这方面是一个突破，充分结合了高光谱相机采集丰富光谱信息(Luozm 2018,Sabale et al.2018)，定位设备与光学摄像头，利用了微处理器加Intel计算棒的强计算功能，将所有的部件组装在无人机飞行平台上，实现了采集图像的自动分割功能，从而实现了采集仪器的自动样本采集。采用训练好的模型提供自动化功能的装置曾经用于称重机(于国龙等，2016)。现有的图像分割的样本采集方法有以下三个主要缺点：人工解译样本，效率低下，且可能会有认为误差；设备传统，缺乏自动计算识别样本的功能，导致了在遥感领域标注样本的缺乏；采用传统的机器模型辅助半解译，精度有限。

技术实现思路

[0004]针对
技术介绍
中存在样本限制的问题，提供一种基于无人机平台的采用高光谱地物采集仪的自动样本采集仪，在无人机平台的微控制器端嵌入自动分割的模块，完成地物的自动分割，从而实现了土地利用遥感图像分割样本的自动采集。由于高光谱遥感提供了丰富的空间及地物波普信息，采用高级的深度学习模型可极大提高分类精度(总分类精度
≥0.99)，其分类结果接近甚至超过人工判读结果，自动分类结果可以作为一般的(如普通光学遥感)高质量的训练样本，实现高可靠样本采集的自动化，提高样本的质量及数量，可促进人工智能技术在遥感土地利用领域图像分割领域中应用。
[0005]本技术通过以下技术步骤实现上述目标：
[0006]一种基于无人机的地物高光谱仪遥感土地利用样本采集仪，包括：无人机飞行平台、地面控制站点电脑终端与数据库；
[0007]所述无人机飞行平台，负责无人机飞行及搭载设备的控制；所述搭载设备包括高光谱照相机、可见光摄像头、空间定位模块、微控制器、加速计算棒和无线传输模块；其中高光谱相机、可见光相机、GPS定位模块无线传输模块均与微控制器连接；
[0008]所述地面控制站点电脑终端，遥控无人机平台的飞行路线，接收无人机平台传回的数据至数据库中；
[0009]所述高光谱照相机，用于获取拍摄对象的高光谱信息，得到多波段的高光谱影像；
[0010]所述可见光摄像头，用于获取RGB三原色的光学信息即真彩色影像，该真彩色影像作为普通光谱信息，用于人工目视解译生成地面真实标注预训练样本；
[0011]所述GPS定位模块，用于无人机空间定位，提供高光谱相机所拍摄影像的空间位置；
[0012]所述微控制器，与高光谱照相机、可见光摄像头、空间定位模块和无线传输模块通过GPIO、CSI及USB等接口连接，控制这些设备同步；经过线下机器学习预训练后将训练好的高光谱图像分割模块嵌入微处理器的程序存储器，用于高光谱多波段影像的土地利用自动图像分割，使得所述采集仪具备高光谱影像的土地利用自动图像分割功能；
[0013]所述无线传输模块，用于将采集的影像及分割结果回传到云端数据库中。
[0014]所述微处理器中的高光谱图像分割模块为深度学习的公知的U-Net图像分割模块。
[0015]所述无人机还搭载加速计算棒直接连接到微处理器，通过加速计算棒加速微控制器的计算功能。
[0016]所述定位模块采用RTK(Real Time Kinematic，即“实时动态测量”)的GPS定位。
[0017]所述数据库部署至云端.
[0018]所述无线传输模块采用Wifi，实时将数据自动传输到云端的数据库。
[0019]本技术采用了深度学习的公知的U-Net图像分割模块，在无人机上实现高效的高光谱图像自动分割，实现了样本采集的自动化。
[0020]本技术的有益效果是：
[0021](1)充分利用高光谱遥感获取的充足的光谱信息结合空间信息进行高精度的图像分割，提出了一种基于嵌入式深度学习的自动获取遥感土地利用分割样本的自动采集仪，可大幅节省手工获取样本的人力及时间成本，获取的样本更可靠，获取的样本建立海量样本库，将有助于提高深度学习的大量先进模型在遥感普通光学波段的深入应用。
[0022](2)该采集仪将高光谱相机及光学摄像头组合在一起，同步获得高光谱及普通光学影像，便于在预训练阶段获得足够的普通光学信息及标注样本的获取，提高了样本能获取的效率；
[0023](3)将Intel的加速计算棒同微处理器连接在一起，大幅提高移动自动计算的速
度，也使得在无人机平台上在线分割成为可能；
[0024](4)预训练好的深度学习模型内嵌到微处理器中，实现了在线计算及样本的自动标注，公认深度学习同传统的机器学习方法比较提高了精度；
[0025](5)仪器包括了RTK GPS空间定位组件，提高了样本采集的空间位置的精度；
[0026](6)在无人机平台上装载了无线传输模块，实现了样本的自动采集及传输到服务器的功能，简化了人工干预，提高了样本采集的效率。
附图说明
[0027]图1是本基于无人机的地物高光谱仪遥感土地利用样本采集仪结构示意图；
[0028]图2是微控制器结构及同各组件的连接示意图；
[0029]图3是业界公认的MobileNet设计的紧凑轻便的适用于嵌入移动系统的深度学习图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无人机的地物高光谱仪遥感土地利用样本采集仪，其特征在于，包括：无人机飞行平台、地面控制站点电脑终端与数据库；所述无人机飞行平台，负责无人机飞行及搭载相关设备；所述搭载设备包括高光谱照相机、可见光摄像头、空间定位模块、微控制器、加速计算棒和无线传输模块；其中高光谱相机、可见光摄像头、GPS定位模块及无线传输模块均与微控制器连接；所述地面控制站点电脑终端，遥控无人机平台的飞行路线，接收无人机平台传回的数据至数据库中；所述高光谱照相机，用于获取拍摄对象的高光谱信息，得到多波段的高光谱影像；所述可见光摄像头，用于获取RGB三原色的光学信息即真彩色影像，该真彩色影像作为普通光谱信息，用于人工目视解译生成地面真实标注预训练样本；所述GPS定位模块，用于无人机的空间定位，提供高光谱相机拍摄影像的空间位置；所述微控制器，与高光谱照相机、可见光摄像头、空间定位模块和无线传输模块连接，控制这些设备的同步；同时经过线下机器学习预训练后将训练好的高光谱图像分割模块嵌入微处理器的程序存储器，用...

【专利技术属性】
技术研发人员：李连发，
申请(专利权)人：中国科学院地理科学与资源研究所，
类型：新型
国别省市：