[发明专利]一种基于人工智能的水体漂浮物自动识别方法和系统

权利要求书

1.一种基于人工智能的水体漂浮物自动识别方法，其特征在于，包括如下步骤：

步骤1，构建不同种类漂浮物所代表的不同地物在不同波段的特征数值知识库，包括如下子步骤；

步骤1.1，根据区域漂浮物调查资料和监测影像，结合不同种类漂浮物的颜色和形状特征目视判读漂浮物地物类型；

步骤1.2，合成漂浮物监测影像图片的RGB影像图，并判断出当前监测影像中占优势的主要漂浮物类型，针对当前RGB影像图，选择图中的占比例最大漂浮物，并提取样本点；

步骤1.3，将步骤1.2中所选取的各类型漂浮物样本点在不同波段下的特征值汇总统计，以不同地物在不同波段，即Band1、Band2、Band3的最小值、最大值、平均值信息建立漂浮物特征数值知识库；

步骤2，以步骤1中构建的特征数值知识库作为分类的依据，采用决策树的分类方法对漂浮物监测影像进行分类，然后利用聚类处理对分类结果进行分类后处理，得到监测影像漂浮物识别的结果；

步骤2中采用决策树的分类方法对漂浮物监测影像进行分类的实现方式为，首先利用BAND1值对地物进行第一次分类决策，其中BAND1170的漂浮物，归类为泡沫；BAND1170的，进行第2次分类决策，其中BAND120的漂浮物归类为藻类；BAND1120的，进行第3次分类决策，其中BAND150的漂浮物可直接归类为油污；50BAND1120且BAND340的漂浮物归类为植物，其余的则归类为秸秆枯枝；

步骤3，对监测影像漂浮物的识别结果进行精度评价，当精度达到用户要求时，直接进入步骤4的处理；当分类精度不满足用户需求时，返回到步骤1的处理，即重新选择样本点，统计各类地物在不同波段上的特征值，进而构建新的特征数值知识库，以此作为新的输入条件对监测影像进行分类；

步骤4，将特征数值知识库输入到支持向量机中进行训练，并利用训练好的支持向量机模型对漂浮物监测图像中漂浮物信息进行自动化识别。

2.如权利要求1所述的一种基于人工智能的水体漂浮物自动识别方法，其特征在于：还包括步骤5，将步骤4的识别结果重新整合到不同种类漂浮物所代表的不同地物在不同波段的特征数值知识库中，实现特征数值知识库的更新和完善。

3.如权利要求1所述的一种基于人工智能的水体漂浮物自动识别方法，其特征在于：步骤2中运用数学形态学算子腐蚀和膨胀的聚类处理对分类结果进行分类后处理。

4.一种基于人工智能的水体漂浮物自动识别系统，其特征在于，包括如下模块：

特征数值知识库构建模块，用于构建不同种类漂浮物所代表的不同地物在不同波段的特征数值知识库，包括如下子模块；

第一子模块，用于根据区域漂浮物调查资料和监测影像，结合不同种类漂浮物的颜色和形状特征目视判读漂浮物地物类型；

第二子模块，用于合成漂浮物监测影像图片的RGB影像图，并判断出当前监测影像中占优势的主要漂浮物类型，针对当前RGB影像图，选择图中的占比例最大漂浮物，并提取样本点；

第三子模块，用于将样本点提取子模块中所选取的各类型漂浮物样本点在不同波段下的特征值汇总统计，以不同地物在不同波段，即Band1、Band2、Band3的最小值、最大值、平均值信息建立漂浮物特征数值知识库；

漂浮物初步识别模块，用于以第一子模块中构建的特征数值知识库作为分类的依据，采用决策树的分类方法对漂浮物监测影像进行分类，然后利用聚类处理对分类结果进行分类后处理，得到监测影像漂浮物识别的结果；

漂浮物初步识别模块中采用决策树的分类方法对漂浮物监测影像进行分类的实现方式为，首先利用BAND1值对地物进行第一次分类决策，其中BAND1170的漂浮物，归类为泡沫；BAND1170的，进行第2次分类决策，其中BAND120的漂浮物归类为藻类；BAND1120的，进行第3次分类决策，其中BAND150的漂浮物可直接归类为油污；50BAND1120且BAND340的漂浮物归类为植物，其余的则归类为秸秆枯枝；

精度评价模块，用于对监测影像漂浮物的识别结果进行精度评价；

自动识别模块，用于将特征数值知识库输入到支持向量机中进行训练，并利用训练好的支持向量机模型对漂浮物监测图像中漂浮物信息进行自动化识别。