【技术实现步骤摘要】
一种基于深度学习的无人机测绘方法及系统
[0001]本专利技术涉及计算机视觉
，具体地涉及一种基于深度学习的无人机测绘方法及系统。
技术介绍
[0002]目前，随着无人机电子技术的快速发展，无人机测绘相关技术迅猛发展，并加上相应图像和视频等信息达到与现实测绘场景相结合，大大提升了测绘的准确度以及可读性，是近年来计算机测绘与无人机领域备受关注的热点。
[0003]现有技术中，虽然存在无人机测绘方法及系统，测绘准确度较低，数据传输速率较慢，且不能够实现与历史数据的匹配，对现有的对测绘数据定期及时更新的大量需求并不匹配。如何能够让测绘更加智能化，人性化，提高其运行效率及准确度，增强用户可读性成为新的研究课题，但是现有无人机传输准确性以及效率较低；且主要是针对现有测绘的处理，没有涉及通过历史测绘数据预测现在及未来测绘数据的方式，因此，一种能够增加测绘智能化程度的增强显示匹配技术成为了改进测绘效果的迫切需求，从而改善用户的体验。
技术实现思路
[0004]为解决上述技术问题，本专利技术提供一种基于深度学习...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的无人机测绘方法，其特征在于，包括步骤：获取无人机Q个传感器数据，采集x次，其中第w个传感器的样本集为X；将ELO数据选择模块和Adboost自增强模块嵌入神经网络结构中生成第一网络模型；对样本集进行训练，得到无人机测绘模型，所述无人机测绘模型中包括尺度不同的至少两个深度神经网络，即通过ELO算法处理后的数据和/或通过Adboost自增加模块处理后得到具有不同权重尺度的测绘数据；通过训练确定权重，得到无人机测绘模型，进而对单个无人机采集数据进行测绘；测绘数据权重尺度通过下面步骤获得：设置邻近距离矩阵S，S(i,j)表示无人机测绘数据点Q
i
与Q
j
之间的邻近距离，邻近距离表示为S(i,j)＝
‑
||Q
i
‑
Q
j
||2，则S为a
×
a的矩阵，S(d,d)表示第d个无人机测绘样本点为聚类中心的权值大小；设定最大迭代次数为t
max
，贡献度矩阵R(i,d)代表第d个样本点Q
d
作为第i个样本点Q
i
的聚类中心点的权值大小，隶归度矩阵A(i,d)代表第i个样本点Q
i
选择第d个样本点Q
d
为聚类中心的权值大小；计算每个样本点的贡献度R和隶归度A：R(i,d)＝S(i,d)
‑
max{A(i,j)+S(i,j)}A(i,d)＝min{0,R(d,d)+R(i,d)}R(d,d)＝B(d)
‑
max{A(d,j)+S(d,j)},其中，j＝1,2
…
a，且j≠d，B(d)为相似矩阵S的均值，表示无人机测绘样本点成为聚类中心点的可能性程度；根据R(d,d)+A(d,d)＞0来确定第d个样本点是否为聚类中心点，同时计算总的隶归度；对于样本点本身，其隶归度数值设置为B(d)；R(i,d)＝(1
‑
lam)
·
R(i,d)+lam
·
R(i
‑
1,d)A(i,d)＝(1
‑
lam)
·
A(i,d)+lam
·
A(i
‑
1,d)式中lam为调节值，用于平衡计算过程中的R和A；计算直至最大迭代次数t
max
，求解矩阵A+R，将求解矩阵中的非零正值作为聚类中心，其余的点按值大小依次分配至隶属聚类中心；总的分类结果为t类，每类无人机测绘传感器数量为t
′
，设定第w个无人机测绘传感器神经网络模型权重为设定聚类权重向量为δ＝[δ1，δ2,
…
,δ
a
]。2.根据权利要求1所述的一种基于深度学习的无人机测绘方法，其特征在于，所述将ELO数据选择模块和Adboost自增强模块嵌入神经网络结构中生成第一网络模型包括：删除残差网络的全局池化层，将最后一层全连接层修改为卷积核大小为1x1、通道数为C的卷积层，将ELO数据选择模块和Adboost自增强模块连接全局池化层，生成第一网络模型。3.根据权利要求2所述的一种基于深度学习的无人机测绘方法，其特征在于，还包括无人机测绘数据归一化处理模块，用于对无人机测绘数据提取的卷积特征进行归一化处理。4.根据权利要求1所述的一种基于深度学习的无人机测绘方法，其特征在于，所述无人机测绘数据包括图像信息的滤波去噪，特征提取，以及对图像像素、GPS方位信息的确定。5.根据权利要求1所述的一种基于深度学习的无人机测绘方法，其特征在于，所述ELO数据选择模块，通过对无人机测绘数据的灰度值或HSV值进行排序选择。6.一种基...
【专利技术属性】
技术研发人员：叶文杰，李盟，
申请(专利权)人：广州邦鑫水利科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。