(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210575166.0 (22)申请日 2022.05.25 (71)申请人 水利部珠 江水利委员会水文局 地址 510000 广东省广州市天河区天寿路 80号 (72)发明人 高龙华　王少波　袁皖华　刘寒青　 张舒　 (74)专利代理 机构 广州三环 专利商标代理有限 公司 44202 专利代理师 肖宇扬　江银会 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/82(2022.01) G06N 3/08(2006.01) (54)发明名称 基于多元数据的区域乱采监测方法及装置 (57)摘要 本发明公开了一种基于多元数据的区域乱 采监测方法及装置， 其中该方法包括： 获取目标 监测区域对应的多个不同类型的监测数据； 基于 数据验证模 型， 对所述多个不同类型的监测数据 进行验证和筛选， 得到至少两个真实监测数据； 根据所述至少两个 真实监测数据， 以及训练好的 乱采判断神经网络模型， 确定所述目标监测区域 对应的乱采 预测概率； 所述乱采判断神经网络模 型由包括有多个训练监测数据和对应的概率标 注的训练数据集训练得到； 判断所述乱采预测概 率是否大于预设的概率阈值， 若是， 确定所述目 标监测区域存在乱采现。 可见， 本发明能够提高 对区域乱采现象的监测准确度和监测效率， 为环 境治理提供帮助。 权利要求书3页 说明书17页 附图2页 CN 115100587 A 2022.09.23 CN 115100587 A 1.一种基于多元 数据的区域乱采监测方法， 其特 征在于， 所述方法包括： 获取目标监测区域对应的多个不同类型的监测数据； 所述监测数据的类型包括有遥感 图像数据、 无 人机图像数据、 区域设备定位数据、 区域沙层深度传感数据中的至少两种； 基于数据验证模型， 对所述多个不同类型的监测数据进行验证和筛选， 得到至少两个 真实监测数据； 根据所述至少两个真实监测数据， 以及训练好的乱采判断神经网络模型， 确定所述目 标监测区域对应的乱采预测概率； 所述乱采判断神经网络模型由包括有多个训练监测数据 和对应的概 率标注的训练数据集训练得到； 判断所述乱采预测概率是否大于预设的概率阈值， 若是， 确定所述目标监测区域存在 乱采现象。 2.根据权利要求1所述的基于多元数据的区域乱采监测方法， 其特征在于， 所述基于数 据验证模型， 对所述多个不同类型 的监测数据进行验证和筛选， 得到至少 两个真实监测数 据， 包括： 基于数据验证模型， 对所述多个不同类型的监测数据中的任意两个监测数据进行验证 计算， 得到该两个监测数据分别对应的数据真实参数； 基于上述 步骤计算得到每一所述 监测数据对应的多个数据真实参数； 根据所述数据真实参数， 对所述多个不同类型的监测数据进行验证和筛选， 得到至少 两个真实监测数据。 3.根据权利要求2所述的基于多元数据的区域乱采监测方法， 其特征在于， 所述基于数 据验证模型， 对所述多个不同类型 的监测数据中的任意两个监测数据进行验证计算， 得到 该两个监测数据分别对应的数据真实参数， 包括： 对所述多个不同类型的监测数据中的任意两个图像数据， 根据图像识别算法， 确定该 两个图像数据中的疑似乱采区域； 所述图像数据为所述遥感图像数据或所述无人机图像数 据； 所述疑似乱采区域为所述图像数据中像素色参数处于黄色参数区间， 且区域内与区域 外的像素色参数的差值大于预设的差值阈值的图像区域； 计算该两个图像数据中的疑似乱采区域的形状相似度和第一颜色相似度； 计算所述形状相似度和所述第 一颜色相似度的加权求和值， 得到该两个图像数据分别 对应的数据真实参数； 其中， 所述形状相似度和所述第一颜色相似度对应的权重之和为1； 所述形状相似度的权 重大于所述第一颜色相似度的权 重。 4.根据权利要求3所述的基于多元数据的区域乱采监测方法， 其特征在于， 所述基于数 据验证模型， 对所述多个不同类型 的监测数据中的任意两个监测数据进行验证计算， 得到 该两个监测数据分别对应的数据真实参数， 包括： 对所述多个不同类型的监测数据中的任意一个所述图像数据和任意一个区域数据， 确 定该图像数据中的所述疑似乱采区域对应的乱采地理位置， 并从该区域数据中确定所述乱 采地理位置对应的区域参数； 所述区域数据为所述区域设备定位数据或所述区域沙层深度 传感数据； 所述区域 参数为区域设备位置移动距离或区域沙层深度变化 量； 根据预设的参数 ‑程度对应关系， 确定所述乱采地理位置对应的区域参数所对应的乱 采程度参数； 根据预设的程度 ‑地面颜色对应关系， 确定所述乱采程度参数对应的地 面颜色参数；权　利　要　求　书 1/3 页 2 CN 115100587 A 2计算该图像数据中的所述疑似乱采区域的区域颜色与所述地面颜色参数之间的第二 颜色相似度， 得到该图像数据和该区域数据分别对应的数据真实参数； 和/或， 对所述多个不同类型的监测数据中的任意两个所述 区域数据， 当该两个所述 区域数据 的数据类型相同时， 计算该两个所述区域数据的数据相似度， 以得到该两个所述区域数据 分别对应的数据真实参数， 当该两个所述区域数据的数据类型不同时， 分别根据参数 ‑程度 对应关系确定该两个所述区域数据中的区域参数所对应的乱采程度参数， 并计算该两个所 述区域数据对应的乱采程度参数的参数相似度， 以得到该两个所述区域数据分别对应的数 据真实参数。 5.根据权利要求4所述的基于多元数据的区域乱采监测方法， 其特征在于， 所述根据 所 述数据真实参数， 对所述多个不同类型 的监测数据进行验证和筛选， 得到至少 两个真实监 测数据， 包括： 根据每一所述监测数据对应的多个数据真实参数， 确定每一所述监测数据对应的数据 真实统计参数； 对所有所述监测数据根据所述数据真实统计参数从大到小进行排序， 得到监测数据序 列； 确定所述监测数据序列的前预设数量个监测数据， 得到至少两个真实监测数据； 所述 预设数量大于1。 6.根据权利要求5所述的基于多元数据的区域乱采监测装置， 其特征在于， 所述根据每 一所述监测数据对应的多个数据真实参数， 确定每一所述监测数据对应的数据真实统计参 数， 包括： 对于每一所述监测数据， 计算该监测数据对应的多个数据真实参数的加权求和平均 值， 得到该监测数据对应的数据真实统计参数； 其中， 所有 所述数据真实参数对应的权重之 和为1； 每一所述数据真实参数对应的权重与该数据真实参数在所述验证计算时对应的两 个监测数据的数据关联度的大小成正比； 所述数据关联度从大到小依 次为： 图像数据和图 像数据之间的第一数据关联度、 图像数据和区域数据之间的第二数据关联度、 区域数据和 区域数据之间的第三数据关联度。 7.根据权利要求3所述的基于多元数据的区域乱采监测装置， 其特征在于， 所述至少两 个真实监测数据包括有所述图像数据； 所述根据所述至少 两个真实监测数据， 以及训练好 的乱采判断神经网络模型， 确定所述目标监测区域对应的乱采预测概 率， 包括： 基于图像模板匹配算法， 根据预设的船只图像模板， 判断所述图像数据中是否存在船 只影像； 若存在， 基于图像切割算法， 确定所述船只影 像对应的承载区域影 像和船尾水流影 像； 基于颜色识别算法， 确定所述承载区域影像的颜色参数是否处于黄色参数区间或船尾 水流影像的颜色参数 是否处于泥土颜色参数区间， 若是， 则确定所述图像数据为 运砂影像； 将包括有所述运砂影像的所述至少两个真实监测数据， 输入至训练好的乱采判断神经 网络模型， 以预测得到所述目标监测区域对应的乱采预测概 率。 8.根据权利要求7所述的基于多元数据的区域乱采监测装置， 其特征在于， 所述将包括 有所述运砂影像的所述至少 两个真实监测数据， 输入至训练好的乱采判断神经网络模型，权　利　要　求　书 2/3 页 3 CN 115100587 A 3