低空经济无人机数据处理方法及系统与流程
本发明涉及无人机,具体为低空经济无人机数据处理方法及系统。
背景技术:
1、随着低空经济的蓬勃发展,无人机技术在地理测绘、环境监测、精准农业、物流配送以及城市管理等领域的应用日益广泛。无人机通过搭载高清摄像装置,能够在复杂环境下完成大范围、长时间的巡航任务,其采集的海量图像和视频数据是实现智能化决策的重要数据源。
2、其中,无人机在执行监控、巡检或实时跟踪任务时,需要对连续采集的图像帧进行目标识别和信息提取。连续帧图像数据通常包含大量的相似或重复内容,如何从这些连续帧中高效筛选出关键信息帧,成为提升无人机数据处理系统性能的核心技术挑战之一。
3、现有技术主要采用固定帧率方式进行图像采集与处理,该方式存在以下显著缺陷:首先,固定帧率采集无法区分不同帧之间的信息量差异,在场景变化较小或相对静止的情况下仍按固定频率采样,导致大量冗余帧被保留,占用宝贵的存储空间和传输带宽;其次,冗余帧的持续累积会显著增加后续目标识别算法的计算负担,处理延迟随之增大,系统实时性大幅下降;再次,在资源受限的嵌入式处理平台上,过多的冗余数据处理会挤占关键目标检测的计算资源,容易出现识别延迟或漏检的异常情况;最后,无差别的全量存储策略在长时间巡航任务中会导致存储设备快速饱和,严重影响无人机任务的持续执行能力。这些技术问题共同制约了无人机在低空经济应用中发挥更大的价值。
技术实现思路
1、针对现有技术的不足,本发明提供了低空经济无人机数据处理方法及系统,解决了背景技术中提到的问题。
2、为实现以上目的,本发明通过以下技术方案予以实现:低空经济无人机数据处理方法包括以下步骤:
3、s1、连续采集无人机摄像装置输出的多帧图像数据;
4、s2、对所述多帧图像数据中的每帧图像计算其信息熵值;s3、基于相邻帧之间的信息熵差值进行冗余判定;
5、s4、根据所述冗余判定结果,舍弃信息熵差值低于预设阈值的冗余帧,保留信息熵差值高于或等于预设阈值的关键帧;
6、s5、对所述关键帧进行目标识别和存储处理。
7、优选的,低空经济无人机数据处理系统,包括:图像采集模块,用于连续采集无人机摄像装置输出的多帧图像数据;信息熵计算模块,用于对所述多帧图像数据中的每帧图像计算其信息熵值;冗余判定模块,用于基于相邻帧之间的信息熵差值进行冗余判定;帧筛选模块,用于根据所述冗余判定结果舍弃冗余帧并保留关键帧;目标识别与存储模块,用于对所述关键帧进行目标识别和存储处理。
8、优选的,步骤s2具体包括以下步骤:
9、s21、将每帧图像划分为多个子区域;
10、s22、分别统计各子区域的像素灰度值分布概率;
11、s23、基于所述像素灰度值分布概率计算各子区域的信息熵值;
12、s24、对各子区域的信息熵值进行加权求和得到该帧图像的总体信息熵值。
13、优选的,步骤s3的具体步骤包括:
14、s31、计算当前帧与前一帧的信息熵差值;
15、s32、将所述信息熵差值与预设冗余阈值进行比较;
16、s33、当所述信息熵差值小于所述冗余阈值时,判定当前帧为冗余帧;
17、s34、当所述信息熵差值大于或等于所述冗余阈值时,判定当前帧为关键帧。
18、优选的,所述预设冗余阈值根据无人机飞行高度、摄像装置分辨率以及目标检测精度要求动态调整。
19、具体的动态调整机制为:当无人机飞行高度降低时,地面物体在图像中占据的像素比例增大,信息熵变化更为敏感,此时应适当降低冗余阈值以捕获更多细节变化;当飞行高度升高时,图像内容变化相对平缓,应适当提高冗余阈值以过滤更多相似帧。同时,当摄像装置分辨率提高时,图像包含的细节信息增多,信息熵的动态范围变大,此时需要相应调整阈值以适应更高分辨率下的信息量评估。此外,目标检测精度要求越高,对关键帧的完整性要求越高,冗余阈值的设置应偏向保守,以确保不遗漏任何可能包含目标的帧。
20、优选的,在步骤s4中舍弃冗余帧时,还包括记录该冗余帧的时间戳和位置信息的步骤,并将所述时间戳和位置信息与相邻关键帧关联存储,以支持后续数据回溯和完整性验证。具体的关联存储机制为:当某个冗余帧被舍弃时,系统将该帧的时间戳和该时刻无人机的位置坐标记录下来,并与距离该时刻最近的关键帧建立关联关系,形成时间序列上的数据链。当后续需要回溯数据时,可以通过关键帧的时间戳快速定位到对应的历史时刻,并通过关联信息还原被舍弃的冗余帧的时间范围,从而确保整个飞行过程中的数据在时间维度上是连续可追溯的。
21、优选的,步骤s5对所述关键帧进行目标识别和存储处理具体包括:
22、s51、对关键帧进行预处理,包括去噪和图像增强;
23、s52、基于预设的目标检测模型对关键帧进行目标识别;
24、s53、将识别结果与对应的关键帧关联存储至数据存储单元。
25、预处理步骤中的去噪操作采用自适应滤波算法,根据图像局部区域的噪声特征动态调整滤波参数,在去除噪声的同时尽可能保留图像边缘细节;图像增强操作采用对比度自适应调整算法,根据图像直方图分布对每帧图像进行独立的对比度增强处理,使图像中的目标特征更加突出,为后续目标识别提供更有利的输入条件。目标识别模型采用深度神经网络架构,能够自动学习目标的特征表示,并对图像中的多个目标进行分类和定位。存储单元采用结构化的数据组织方式,将每帧图像的原始数据、识别结果、时间戳和位置信息封装为完整的数据单元,便于后续的数据检索和分析。
26、优选的,所述信息熵计算模块包括:
27、子区域划分单元,用于将每帧图像划分为多个子区域;
28、分布统计单元,用于分别统计各子区域的像素灰度值分布概率;
29、熵值计算单元,用于基于所述像素灰度值分布概率计算各子区域的信息熵值并合成总体信息熵值。
30、子区域划分单元将图像划分为预设数量的非重叠子区域,每个子区域独立进行信息熵计算,这种分区计算方式能够有效捕捉图像不同区域的信息量差异,特别是对于同时包含天空和地面、远景和近景的复杂场景,分区计算能够提供更准确的信息量评估。分布统计单元遍历子区域内所有像素,统计各灰度级别出现的频次并计算归一化的概率分布,为信息熵计算提供基础数据。熵值计算单元采用香农熵公式对各子区域的概率分布进行信息熵计算,并通过加权求和得到总体信息熵值,其中各子区域的权重根据该区域在目标检测中的重要性进行设置,包含较多纹理信息的区域赋予较高权重。
31、优选的,所述系统还包括阈值动态调整模块,用于根据无人机飞行参数和环境条件动态调整所述冗余判定模块中所使用的预设冗余阈值。
32、阈值动态调整模块接收无人机飞行高度、速度、航向角等飞行参数,以及环境光照强度、场景复杂度等环境条件作为输入,通过预设的调整策略计算当前最优的冗余阈值,并将该阈值更新至冗余判定模块。
33、调整策略的制定基于大量的实验数据,分析不同参数组合下信息熵分布的统计特征,建立参数与阈值之间的映射关系。当无人机进入复杂地形或目标密集区域时,系统自动降低冗余阈值以捕获更多变化细节;当无人机在开阔平坦区域巡航时,系统自动提高冗余阈值以过滤更多的相似帧。这种自适应调整机制使系统能够在不同应用场景下均保持最优的数据处理效率。
34、优选的,所述目标识别与存储模块包括:
35、预处理单元,用于对关键帧进行去噪和图像增强处理;
36、目标检测单元,用于基于预设的目标检测模型对关键帧进行目标识别;存储单元,用于将识别结果与对应的关键帧关联存储。
37、预处理单元集成了多种图像处理算法,包括空域滤波、频域滤波、锐化处理等,能够根据图像质量自适应选择处理策略。
38、目标检测单元采用多尺度特征融合的检测框架,能够同时检测图像中不同尺度的目标,并输出目标的类别、位置和置信度信息。
39、存储单元采用分层存储架构,将热数据和冷数据分别存储在高速缓存和长期存储介质中,在保证数据访问速度的同时降低存储成本。
40、本发明提供了低空经济无人机数据处理方法及系统,具备以下有益效果:
41、(1)系统运行时,与现有技术相比,本发明的有益效果在于:本发明通过计算连续帧的信息熵值并基于相邻帧的信息熵差值进行冗余判定,实现了对无人机采集图像数据的智能筛选与压缩。首先,信息熵作为衡量图像信息量的科学指标,能够准确反映单帧图像所包含的细节信息和内容变化,相比传统的固定帧率采样方式,能够从根本上避免对信息量无差别对待的问题,使得低信息量的冗余帧被自动舍弃,仅保留包含丰富内容变化的关键帧。这一机制直接带来了存储空间占用的大幅减少,根据不同应用场景的验证,存储空间可减少40%至60%,有效解决了无人机长时间巡航任务中存储设备容量有限的突出问题,显著延长了无人机的有效作业时间。
42、(2)由于大幅减少了需要处理的冗余帧数量,目标识别算法的计算负担显著降低,系统能够将有限的处理资源集中用于关键帧的分析。这一改进直接体现在目标检测响应延迟的降低上,响应延迟可降低约30%至45%,系统实时性得到显著提升。在监控、巡检等实时性要求较高的应用场景中,这一改进能够帮助无人机更快地响应突发事件,更及时地发现和跟踪目标,有效避免因处理延迟导致的目标漏检或识别延迟问题。同时,处理资源的优化分配也降低了系统的整体能耗,对于电池容量有限的无人机而言,具有重要的实际价值。
43、(3)本发明在筛选冗余帧时严格基于信息熵差值进行判定,确保了包含显著信息变化的关键帧被完整保留。通过合理的阈值设置和动态调整机制,关键目标帧的识别精度下降幅度可控制在2%以内。这一精度保持机制的关键在于:信息熵差值能够有效反映图像之间的内容差异,当场景中出现重要目标或发生显著变化时,信息熵值会出现明显的跳变,这种跳变会被冗余判定模块捕获并保留相应的关键帧。因此,即使在大量冗余帧被舍弃的情况下,包含关键目标的帧仍然能够被完整保留,目标的检测精度不会受到显著影响,有效兼顾了数据压缩效率与目标检测准确性之间的平衡,满足了实际应用对数据完整性和检测精度的双重需求。
44、(4)本发明支持根据无人机飞行高度、摄像分辨率、环境条件等因素动态调整冗余判定阈值,使系统能够适应不同应用场景的特点。无论是城市场景的交通监控还是野外环境的电力巡检,抑或是复杂地形条件下的救援搜索,本发明方法均能通过参数适配提供最优的数据处理策略。这一适应性来源于阈值动态调整模块的引入,该模块能够根据实时的飞行参数和环境条件计算当前最优的阈值,使系统在各种应用场景下均能保持最佳的数据处理效果。特别是在环境条件复杂多变的实际应用中,这一动态调整机制确保了系统不会因为固定阈值设置不当而导致关键帧遗漏或冗余帧保留过多的问题,显著增强了无人机数据处理系统对多样化应用场景的适应能力。
45、(5)通过采用子区域划分和加权求和的方式计算信息熵,能够准确量化单帧图像的信息量,为冗余判定提供了可靠的依据。子区域划分策略能够有效捕捉图像不同区域的信息量差异,避免了全局信息熵对局部变化的敏感性不足问题;加权求和机制则根据各区域在目标检测中的重要性进行差异化的信息量评估,使信息熵的计算更加符合实际应用需求。这一技术细节的优化进一步提升了冗余判定的准确性和可靠性。通过保留关键帧的时间戳和位置信息并与相邻关键帧关联存储,确保了数据的可追溯性和完整性验证能力。在后续的数据分析和任务复盘过程中,可以通过时间戳和位置信息快速定位到任何时刻的飞行状态,重建完整的飞行轨迹和数据序列。这一机制对于事故调查、任务评估和算法优化等后续工作具有重要的支撑作用,显著提升了整个数据处理系统的实用价值。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com