一种基于无人机的提防险情智能识别方法、设备及介质与流程

本技术涉及提防险情识别，尤其涉及一种基于无人机的提防险情智能识别方法、设备及介质。

背景技术：

1、在当前全球气候变化的背景下，极端气候事件的频发已成为不容忽视的现实问题。全球气候变暖不仅导致极端高温事件的增加，还加剧了强降雨、洪涝等自然灾害的发生频率和强度。厄尔尼诺事件等自然现象作为全球气候系统中的重要扰动因子，其滞后效应对我国洪水灾害的影响尤为显著，使得洪水灾害的预测与防范工作面临前所未有的挑战。与此同时，随着城市化进程的加速推进，大量自然生态环境被破坏，森林砍伐、湿地填埋、开山挖矿等活动削弱了自然界的调蓄能力，进一步加剧了洪涝灾害的风险。这些人为因素不仅改变了地表径流条件，还影响了地下水的动态平衡，使得城市及周边区域的防洪压力日益增大。

2、在7月份全面进入主汛期后，我国面临的自然灾害风险形势更加复杂多变。长江流域、淮河流域、海河流域、松辽流域以及太湖等区域，由于地理位置、气候条件和地形地貌的特殊性，成为洪水灾害的高发区。多条江河可能出现超警洪水，对堤防安全构成严重威胁。特别是长江干流及洞庭湖、鄱阳湖水系等关键区域，一旦发生区域性暴雨洪水，将直接影响到周边地区人民群众的生命财产安全。

3、目前，堤防巡查主要依靠人力进行，这种方法虽然在一定程度上能够发现险情，但存在巡查范围有限、效率低下、易受恶劣天气影响等局限性。在强降雨、大雾等恶劣天气条件下，人工巡查不仅难以开展，而且巡查效果大打折扣。此外，人力巡查还面临人力资源紧张、巡查人员疲劳等问题，难以保证巡查工作的连续性和有效性。

技术实现思路

1、本技术实施例提供了一种基于无人机的提防险情智能识别方法、设备及介质，用以解决现有的的技术问题。

2、一方面，本技术实施例提供了一种基于无人机的提防险情智能识别方法，包括：

3、将采集的提防图像转换为对应的灰度图像，以基于水平边缘检测卷积核和垂直边缘检测卷积核，分别确定所述灰度图像中各图像位置的水平边缘强度和垂直边缘强度，并计算所述各图像位置对应的总边缘强度；

4、基于总边缘强度与预设强度阈值之间的大小关系，确定出所述灰度图像中的边缘点，形成所述边缘点对应的边缘检测图像，并基于预先确定好的像素对之间的距离和方向获取像素点，以构建灰度共生矩阵；

5、对所述灰度共生矩阵进行归一化处理，并通过纹理分析技术，在所述边缘检测图像中确定提防的纹理特征，以基于归一化后的灰度共生矩阵，计算所述纹理特征对应的统计量；其中，所述统计量包括对比度、相关性、能量和熵；

6、基于所述统计量，确定所述纹理特征与标准纹理特征之间的偏差，并在所述偏差大于预设的差异阈值的情况下，生成告警信息，实现提防险情智能识别。

7、在本技术的一种实现方式中，所述将采集的提防图像转换为对应的灰度图像，具体包括：

8、确定具有提防险情识别需求的提防区域，并通过无人机，对所述提防区域进行图像采集，以获得所述提防区域对应的提防图像；

9、对所述提防图像进行边缘处理，以将处理后的所述提防图像转换为灰度图像，并在所述灰度图像的每一侧添加至少一列零值像素。

10、在本技术的一种实现方式中，所述基于水平边缘检测卷积核和垂直边缘检测卷积核，分别确定所述灰度图像中各图像位置的水平边缘强度和垂直边缘强度，具体包括：

11、确定出水平边缘检测卷积核和垂直边缘检测卷积核，以将卷积核中的每个元素与对应图像位置的像素值相乘，得到对应的像素乘积；

12、将元素对应图像位置的像素值与所述元素对应的像素乘积相加，得到所述图像位置对应的水平边缘强度和垂直边缘强度。

13、在本技术的一种实现方式中，所述计算所述各图像位置对应的总边缘强度，具体包括：

14、通过以下公式，计算所述灰度图像中各图像位置对应的总边缘强度：

15、

16、其中，y表示所述灰度图像中图像位置对应的总边缘强度，a表示水平边缘强度，b表示垂直边缘强度。

17、在本技术的一种实现方式中，所述基于总边缘强度与预设强度阈值之间的大小关系，确定出所述灰度图像中的边缘点，形成所述边缘点对应的边缘检测图像，具体包括：

18、分别将所述灰度图像中各图像位置对应的总边缘强度与预设强度阈值进行比较，并确定出总边缘强度大于所述预设强度阈值的图像位置，以得到所述图像位置对应的边缘点；

19、将所述灰度图像中的每个边缘点通过二值化进行显示，以形成所述边缘点对应的边缘检测图像。

20、在本技术的一种实现方式中，所述基于预先确定好的像素对之间的距离和方向获取像素点，以构建灰度共生矩阵，具体包括：

21、基于预先确定好的像素对之间的距离和方向获取像素点，确定所述灰度图像中与指定像素点互为像素对的关联像素点，并得到所述指定像素点与所述关联像素点对应的灰度级组合；

22、确定出所述灰度图像中每种灰度级组合的出现次数，并将所述灰度图像中每种灰度级组合的出现次数排列成对应的灰度共生矩阵。

23、在本技术的一种实现方式中，所述通过纹理分析技术，在所述边缘检测图像中确定提防的纹理特征，以基于归一化后的灰度共生矩阵，计算所述纹理特征对应的统计量，具体包括：

24、基于纹理分析技术，在所述边缘检测图像中确定提防的纹理特征，并通过直方图均衡化技术，对所述纹理特征对应的灰度级进行调整；

25、根据灰度级组合的出现次数以及归一化后所述灰度共生矩阵中指定像素点对应的像素值，计算所述纹理特征对应的对比度；

26、根据归一化后所述灰度共生矩阵中指定像素点对应的像素值，计算所述纹理特征对应的相关性、能量以及熵。

27、在本技术的一种实现方式中，所述在所述偏差大于预设的差异阈值的情况下，生成告警信息，实现提防险情智能识别，具体包括：

28、在所述偏差大于预设的差异阈值的情况下，在所述灰度图像中确定出异常纹理特征，以及所述异常纹理特征对应的位置信息；

29、生成所述异常纹理特征对应的告警信息，并将所述告警信息发送至对应的管理人员，以基于所述告警信息对提防险情进行判断和标注，实现提防险情的智能识别；

30、接收所述告警信息对应的反馈数据，并根据所述反馈数据，对所述差异阈值进行优化。

31、另一方面，本技术实施例还提供了一种基于无人机的提防险情智能识别设备，所述设备包括：

32、至少一个处理器；

33、以及，与所述至少一个处理器通信连接的存储器；

34、其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述的一种基于无人机的提防险情智能识别方法。

35、另一方面，本技术实施例还提供了一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令被执行时，实现如上述的一种基于无人机的提防险情智能识别方法。

36、本技术实施例提供了一种基于无人机的提防险情智能识别方法、设备及介质，至少包括以下有益效果：

37、通过将提防图像转换为灰度图像，并利用水平边缘检测卷积核和垂直边缘检测卷积核，可以更精确地确定图像中各位置的水平边缘强度和垂直边缘强度，进而计算总边缘强度，提高了边缘检测的准确性；基于总边缘强度与预设强度阈值的大小关系来确定边缘点，形成边缘检测图像，简化了边缘点的识别过程，提高了识别效率；通过构建灰度共生矩阵并进行归一化处理，再结合纹理分析技术，在边缘检测图像中确定提防的纹理特征，优化了纹理特征的分析过程，使得提取的纹理特征更加准确和全面；通过计算纹理特征对应的统计量，全面描述了纹理的特征，为后续的分析和识别提供了丰富的信息；基于统计量确定纹理特征与标准纹理特征之间的偏差，并在偏差大于预设的差异阈值时生成告警信息，实现了提防险情的智能识别与及时告警，提高了安全防范的效率和准确性。