无人机图像侦察识别技术与应用（3号黑体）

作者：    指导老师：（小四宋体）

摘要：图像识别是利用计算机对图像进行处理，分析和理解，以识别不同模式的目标和对象的技术。无人机侦察指无人机利用各类侦察手段对目标区域进行侦察监视任务的技术。目前，无人机图像侦察识别是成本最低、获取方式最简单、实时性最强的无人机侦察技术。近年来，将图像识别技术应用于无人机侦察任务逐渐成为该领域最火热的研究方向，无人机图像侦察识别在软硬件均得到了快速的发展。本文首先介绍了无人机侦察与图像识别的基本理论知识，然后重点深入介绍了目前在无人机图像侦察识别技术方面的几种算法，并对无人机图像侦察技术的研究方向前景进行展望。摘要：×××××××××（200—300字，小四宋体）××××××××………

关键字：目标识别；无人机；图像识别；计算机视觉；卷积神经网络（×；××；3-5个，小四宋体）

Decision Support System And Data Warehouse(3号Times New Romar）

FENG Jun-na，HUANG fen（小四Times New Romar）

(Nanjing Agricultural University, College of Information Science and Technology, Jiangsu Nanjing 210095)

Abstract: As the increment of the society's requirement of information, the traditional decision support system can't satisfy the demand. This paper discusses a new type of DSS which develops quickly in recent years ―― the DSS based on data warehouse. In this paper the concept and features of DSS are given and the drawbacks of the traditional DSS is analyzed. On the basis of these, the DSS based on data warehouse is proposed, and the architecture structure is introduced. Finally, the data warehouse technique, the online analytical processing technique and the data mining technique is discussed further in the article which make up of the new type of DSS. （小四Times New Romar，200—300个实词）

Key words: decision support system； data warehouse；online analytical processing,；data mining×××××；×××（3-5个，小四Times New Romar）

引言：随无人机侦察识别是计算机视觉与模式识别方面的重要研究课题（前言（引言）：标题用小四号黑体，其它文字用小四宋体）

正文： ×××××（标题用小四号黑体，其它文字用小四宋体）××××××××

1R引言

随着矿业经济的发展，工业开采活动几乎遍及世界各地，成为潜在的灾害源和环境污染源[1]。首先，矿区周围的空气、土壤和水处于极大的威胁阶段；其次，尾矿库成为采矿过程中不可缺少的副产品，通常是废渣和废水的堆积，具有人工泥石流的风险源。此外，在一带一路沿线，特别是新疆，有很多这样的尾矿库。尾矿库分为谷地型、山坡型、平地型和截流型尾矿库四大类[2]。

尾矿，也被称为矿山垃圾场，是将矿石中有价值的部分与不经济的部分分离出来后留下的材料。尾矿库通常含有液体(有毒、危险甚至放射性)，这些液体对人类、环境和生态系统具有极大的破坏风险。[3]尤其是金属型尾矿库，重金属污染案例较多，如镉、镍、锰等[4-5]。此外，有统计数据显示，从1960年到2014年，全球至少报告了63起重大尾矿库溃决事件。在此基础上，建立有效的尾矿库监测方法，对尾矿库的水、土壤、植被进行全球环境污染分析是很有必要的。然而，关于它的研究却很少。M.G.Macklin等人。研究了2000年1月和3月罗马尼亚提萨盆地上游马拉穆尔ş县矿山尾矿坝坍塌释放的污染金属的长期去向和环境意义[6]。周等人。对广东省大宝山矿区土壤重金属污染进行了研究[7]。H.Khademi等人。提出了一项关于西班牙穆尔西亚尾矿库风吹物质来源和环境风险的研究[8]。然而，现有的监测方法仅限于对尾矿库进行空地灾害监测和环境监测。事实上，遥感图像可以用于广泛的监测和分析[9-10]。另外，由于传统的多光谱遥感图像很难对物质成分进行分析和研究，随着高光谱技术的发展，无人机高空间分辨率和高光谱分辨率的图像很容易获得[11-12]。此外，还将对无人机高光谱图像进行波段选择和精细分类。因此，这项新颖的研究将结合无人机高光谱图像和地面相关高光谱数据，对尾矿库进行全面的空地灾害和环境监测。

该病的主要症状出现在夏末，一直持续到仲秋：(A)由于新梢缺乏木质化，拐杖下垂；(B)白色品种的叶片变黄，红色品种的叶片带红色(变色强度不同，可能影响整个葡萄品种，只有一枝，或少量枝条)；(C)花序和浆果干燥[5]。最后，受感染的植物通常会停止生产葡萄，通常会在几年后死亡。另一种名为Bois noir的葡萄植原体病可能会表现出类似的症状，诊断是基于特定的分子分析。鉴于该疾病的流行潜力以及在欧洲主要葡萄和葡萄酒生产国家造成的严重损害，FD是欧洲和地中海植物保护组织(EPPO)地区的一种检疫疾病(第77/1993号指令修订为92/103号指令)。因此，FD必须遵守以下强制性控制程序：(A)使用健康的植物材料；(B)向病媒喷洒杀虫剂；以及(C)拔除受感染的植物，以消除FD植原体的来源[1，6]。在法国，当一块葡萄园有超过20%的葡萄藤被FD病感染时，整个地块都必须被移除。尽管采取了所有这些预防措施，FD仍在欧洲蔓延，与葡萄主干病害一起被认为是欧洲葡萄主要产区最重要的经济疾病之一[1，7]。在种植者的主要成本中，移除受FD感染的葡萄藤构成了一项相当大的成本。在大多数法国葡萄园地区，尽管付出了相当大的努力，但最终调查发现受感染植物的面积不足以根除FD植原体的所有来源。葡萄园调查通常是徒步(或使用四轮马车)进行的，可能会导致机械损伤，而且由于症状不易发现，FD可能与其他疾病或植物缺陷混淆[8]。遥感(RS)数据经常被认为是在不同环境和不同植物物种中检测植物病害的一种快速、非破坏性和成本效益高的工具[9-12]。事实上，几种疾病可以影响植物生理，导致组织的生物物理和生化特性的改变以及叶片光学特性的差异[13-16]。植物病害文献中采用的遥感技术通常基于众所周知的或专门设计的植被指数(VI)，这些植被指数(VI)被测试和校准为检测特定疾病的指标[12，14，15，17-22]。在这些研究中，高光谱图像的潜力经常被强调，但与这类数据相关的几个困难(财务成本、数据量、特定的处理任务)。葡萄病害检测仍然是一个具有挑战性的课题。理想情况下，空间分辨率应该调整到在整个葡萄园地块上检测到哪怕是一株受感染的植物。此外，传感器波段必须覆盖电磁光谱的有用部分，以便区分健康和受感染的植物，有时还能检测到不同强度的疾病。RS数据检测叶片症状的效率已经在其他葡萄病害如根瘤病[17]、卷叶病毒[23]、葡萄浆果病[24]或ESCA[12]上进行了研究。由于葡萄园的结构特点，这些研究经常使用高空间分辨率和极高空间分辨率的图像，像素尺寸从几米(使用卫星图像)到几厘米(使用无人驾驶飞行器(UA V)图像)不等。UA V图像特别适合葡萄园监测，因为它具有很高的空间分辨率(通常低于10厘米)和灵活的任务规划[25，26]。UA-V影像对FD的检测非常有意义，因为症状通常呈小斑块分布，可能只在一年中的很短时间内可见。鉴于FD疾病在法国和欧洲葡萄园的重要性，目前正在进行几个与该疾病不同方面相关的研究项目。然而，据我们所知，UA V遥感数据检测风味多发性症状的潜力尚未得到评估。本文通过测试三种类型的UA V衍生变量(光谱波段、植被指数和生物物理参数)检测红葡萄和白葡萄品种FD症状的能力，评价了利用UA V多光谱图像检测FD葡萄病害的潜力。

2□研究区域

对研究区域进行描述，以便有效监测一带一路沿线的潜在灾区和污染状况。另外，据我们所知，新疆矿产资源丰富，储量大。准噶尔盆地、塔里木盆地、吐哈盆地是新疆主要的石油生产基地。乌鲁木齐、伊犁盆地和吐哈盆地是新疆的主要产煤区。随着当地矿产资源开发活动的日益频繁，伊犁河流域生态环境也随之恶化，天然草原退化，大片湿地灭绝，河流受到严重污染，生物多样性受到威胁。因此，如图1所示，我们的研究区是新疆维吾尔自治区伊犁哈萨克自治州阿西金矿的金属型尾矿库，一带一路。研究区面积约0.5×2.3平方公里。从DSM可以看出，该地区地形复杂，属典型的谷型尾矿库。而且废渣、废水较多，坝体高度58米，是势能较高的人工泥石流危险源。大坝一旦溃决，很容易造成严重的事故和河流污染。因此，将其作为重点研究对象。自动化是特种农业装备的新前沿。具体地说，无人机(UAV)、机器视觉和机器人将越来越多地出现在可持续农业系统中。使用改装了喷雾系统的小型无人机可以在小型目标上进行精确的空中应用。这些精密应用可显著节省成本并降低治疗期间操作员的风险。本文介绍了一种新颖实用的可安装在无人机上进行农药喷洒的小型应用系统的设计与开发，并与常规处理相比，对橄榄园和柑橘园的应用质量和经济成本进行了分析。一旦开发了设备，就在超高密度橄榄园和柑橘园进行了田间试验，以评估喷射沉积的效率。为了与传统的油气喷雾器进行比较，现场试验考虑了施用量、喷雾漂移、施放时间、设备成本和折旧等参数。结果表明，飞行器与常规设备的应用成本相差7欧元/公顷。希望这项工作的结论将作为辩论管理这类空中作业的现行立法的基础，这在具体情况下可能是有益的，应该以安全和合法的方式进行。

3□详细概述

航空图像光谱使用Gamaya OXI VNIR 40相机系统(Gamaya，SA，洛桑，瑞士)获取102和152 das，该系统由两台单独的相机组成，分别测量可见光(VIS)范围的16个波段和近红外(NIR)范围的25个波段。该系统安装在一架单人无人机(3D Robotics，Inc.，美国圣地亚哥)上。该相机系统提供475 nm至875 nm之间的40个光谱带，全宽半高(FWHM)约为15至25 nm。它配备了25毫米焦距光学元件。这些图像是从80米的高度拍摄的，至少有75%的重叠和60%的侧倾。使用Gamaya提供的链轮软件对VIS和NIR图像进行去卷积，使用原始图像和相机特定的校准配置文件，为每个相机产生两个百万像素的图像(2048×1088像素)。两组图像均在Agisoft Photoscan Professional(v.。1.26，Agisoft，LLC，St.Petersburg，俄罗斯)，分别产生用于可见光和近红外的数字表面模型(DSM)和正射影像。使用虚拟标记(例如独特的场地(石头、地块拐角)或基础设施(街道中断或沟渠覆盖)特征)来简化几何校正覆盖。还使用Gamaya的链轮软件进行了反射率计算，并将最终的超立方体导出为按线交错的波段(Bil)格式。

三个不同反射率的目标被放置在野外，用ASD光谱辐射计进行测量，并在超立方体中进行选择(图1)。这些目标的辐射光谱，如高光谱相机所看到的，然后被用来估计最可能的阳光光谱，在整个数据采集过程中假定该光谱是恒定的。通过将摄像机的每个波段的目标辐射率除以在野外测量的已知反射率，就可以估计每个目标的太阳光光谱。当使用三个不同的目标时，通过链轮软件中的最小二乘回归函数将三个日照估计值融合为最可能的一个。使用ENVI软件在高光谱图像上手动识别反映单个地块的感兴趣区域(ROI)(v。5.1，Harris Corporation，佛罗里达州墨尔本，美国)。对于每个感兴趣区域，提取平均谱。在102das和152das，从高光谱无人机图像(CHDSM)计算的DSM中提取冠层高度测量值。

每个样地的CHSM分别计算为从样地前1/3的ROI提取的平均冠层高程(1.8m2,3500像素±500)与每个样地前面提取的平均土壤高程(1.8m2,3500像素±500)之间的差值。对于每个测量日期和每个小区，使用现场光谱仪测量计算了123个公布的SIS。使用最接近的可用于SI计算的通道从高光谱图像计算77个SI(缩减光谱范围)。随后使用Joalland等人描述的相关矩阵减少了两个光谱设备的SI数量。[13]对少数反映一系列特征的SIS进行选择以作进一步分析。简而言之，对相互高度相关(皮尔逊相关系数p>0.8)的SIS进行了分组。然后为每组选择一个SI。选定的SIS反映了SIS最初开发时所针对的广泛特征。

3.1 基于无人机图像的系统分析

无人机-地面高光谱联合观测与处理在我们的尾矿库灾害与环境监测研究中，采用了无人机高光谱图像、水体、植被、废渣的地面相关高光谱数据(图4(B))和测试报告，进行了无人机-地面高光谱联合观测与处理。此外，2018年8月3日，在研究区用光谱成像仪通过大江M600获取了高光谱图像，如图所示。2(A)。在此基础上，对高光谱图像进行波段选择和像素分类，以获得更精确的分类结果，为后续分析提供更准确的分类结果，其中采用进化波段选择和精细分类。此外，与地面相关的高光谱数据和水质测试报告也被用于支持分析。对于高光谱图像数据集，如图3所示，原始图像有270个波段，大小为300×1500像素。该场景空间分辨率为0.56m，包含尾矿渣、草、草山、赤泥、草尾渣、污染水1/2、坝体、矿山道路、人行道、红色屋顶、蓝色屋顶、裸露油山、混合渣水、碎石砌块等15个类别。此外，还利用便携式光谱仪获得了典型地物的地面高光谱数据。

这次飞行活动由Delair‘tech公司于2015年9月21日进行，使用的无人机平台(远程DT-18)能够通过遥控或在集成GPS接收器和导航系统的帮助下自动飞行。无人机多光谱图像是用基于行业领先的MicaSense RedEdgeTM传感器的DT-5 Bands成像仪获取的。该传感器(参见表2中的详细说明)包括五个独立的高精度传感器，用于捕获五个光谱波段(SB)的植被响应：蓝色、绿色、红色、红边和近红外(NIR)。UA V航班是在晴朗的天空条件下实现的，两个地点都有最佳的照明条件(中欧夏季当地时间-CEST)：杜拉斯和科伦巴德葡萄园在12：25到14：13之间，加迈葡萄园和苏维翁葡萄园在14：17到14：59之间。飞行高度设置为120米，无人机的飞行速度为6米/秒。这些特定的设置可实现85%的图像正向重叠和70%的图像侧重叠，以实现最佳摄影测量处理。PIX4D软件(可从https://pix4d.com/)获得)用于管理和处理UA V图像。对覆盖这两个地点的图像进行正射校正(使用0.08米分辨率的数字高程模型)，分组为马赛克，在世界大地测量系统(WGS)84/Universal Transfer中投影

结论：为了有效、全面地实施“一带一路”沿线尾矿库灾害与环境监测，提出了一种基于无人机-地面高光谱数据联合观测与处理的新方法。在此基础上，对高光谱图像进行了波段选择策略和精细分类方法，使尾矿库的土地覆盖具有更好的全球视角。此外，利用水体、植被和废渣的地面高光谱数据和检测报告，确认废渣和水体受到重金属的污染，这对当地的生态环境和人类安全都是有害的。总体而言，该研究模式新颖，对新疆一带一路尾矿库的后续灾害和环境保护具有重要意义。

参考文献：

1] UNEP. A Guide to Tailings Dams and Impoundments: Design,

Construction, Use and Rehabilitation; International Commission

on Large Dams: Paris, France, 1996.

[2] C. S. Hogg, “Towards closure—considerations in tailings

storage design,” in Proceedings of the 11th International

Conference on Mine Closure, Australian Centre for Geomechanics,

Mar. 2016, pp. 255-262.

[3] K. Komnitsas, A. Kontopoulos, I. Lazar, M. Cambridge, “Risk

assessment and proposed remedial actions in coastal tailings

disposal sites in Romania,” Miner. Eng. vol. 11, pp. 1179–1190,

1998.

[4] J. C. Chambers, and R. C. Sidle, “Fate of heavy metals in an

abandoned lead-zinc tailings pond: I. Vegetation,” Journal of

Environmental Quality, vol. 20, no. 4, pp. 745-751. 1991.

[5] H. Holmström, and B. Öhlander, “Layers rich in Fe-and Mn-

oxyhydroxides formed at the tailings-pond water interface, a

possible trap for trace metals in flooded mine tailings,” Journal of

Geochemical Exploration, vol. 74, nos. 1-3, pp. 189-203, 2001.

[6] M. G. Macklin, P. A. Brewer, D. Balteanu, T. J. Coulthard, B.

Driga, A. J. Howard, and S. Zaharia, “The long term fate and

environmental significance of contaminant metals released by the

January and March 2000 mining tailings dam failures in

Maramureş County, upper Tisa Basin, Romania,” Applied

Geochemistry, vol. 18, no. 2, pp. 241-257, 2003.

[7] J. Zhou, Z. Dang, M. Cai, and C. Liu, “Soil heavy metal

pollution around the Dabaoshan mine, Guangdong province,

China,” Pedosphere, vol. 17, no. 5, pp. 588-594, 2007.

[8] H. Khademi, A. Abbaspour, S. Martínez-Martínez, M.

Gabarrón, V. Shahrokh, A. Faz, and J. A. Acosta, “Provenance and

environmental risk of windblown materials from mine tailing

ponds, Murcia, Spain,” Environmental Pollution, vol. 241, pp.

432-440, 2018.

[9] J. S. Rawat, and M. Kumar, “Monitoring land use/cover change

using remote sensing and GIS techniques: A case study of

Hawalbagh block, district Almora, Uttarakhand, India,” The

Egyptian Journal of Remote Sensing and Space Science, vol. 18,

no. 1, pp. 77-84, 2015.

[10] C. Yuan, Y. Zhang, and Z. Liu, “A survey on technologies for

automatic forest fire monitoring, detection, and fighting using

unmanned aerial vehicles and remote sensing techniques,”

Canadian journal of forest research, vol. 45, no. 7, pp. 783-792,

2015.

[11] T. T. Sankey, J. McVay, T. L. Swetnam, M. P. McClaran, P.

Heilman, and M. Nichols, “UAV hyperspectral and lidar data and

their fusion for arid and semi-arid land vegetation monitoring,”

Remote Sensing in Ecology and Conservation, vol. 4, no. 1, pp.

20-33, 2018.

[12] Y. Zhong, X. Wang, Y. Xu, S. Wang, T. Jia, X. Hu, and L.

Zhang, “Mini-UAV-Borne hyperspectral remote sensing: from

observation and processing to applications,” IEEE Geoscience and

Remote Sensing Magazine, vol. 6, no. 4, pp. 46-62, Dec. 2018.