(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 202211219087.2 (22)申请日 2022.10.08 (71)申请人 彼图科技 （青岛） 有限公司 地址 266000 山东省青岛市 市南区银川西 路67、 69号E座107室 (72)发明人 陈钢　刘攀　 (74)专利代理 机构 青岛华慧泽专利代理事务所 (普通合伙) 37247 专利代理师 孟令彩 (51)Int.Cl. G06V 20/17(2022.01) G06V 20/40(2022.01) G06V 10/764(2022.01) (54)发明名称 一种基于无人机和人工智能的违章建筑数 据识别方法 (57)摘要 本发明涉及图像处理技术领域， 尤其为一种 基于无人机和人工智能的违章建筑数据识别方 法， 包括如下步骤： 无人机采集高清视频； 对无人 机采集的高清视频进行帧间差处理， 获取有效高 清图片； 通过5G技术将获得的高清图片传给地面 工作站， 对图片进行进一步预处理； 对预处理后 的图片通过人工智能算法进行运算， 进而实现对 垃圾的识别和判定。 本发明通过无人机采集图像 数据， 并通过改进帧间差算法， 通过扩大帧差检 测变化较慢的目标， 可以获取有效高清图片抛弃 无用的或重复的 图片， 进一步提升5G传输的速度 和人工智能算法的检测效率； 将垃圾数据图像与 人工智能算法相结合， 实现对垃圾的自动识别和 判定。 权利要求书3页 说明书9页 附图2页 CN 115294486 A 2022.11.04 CN 115294486 A 1.一种基于无 人机和人工智能的违章建筑数据识别方法， 其特 征在于： 包括如下步骤： S1.1： 无人机采集高清视频； S1.2： 对无 人机采集的高清视频进行帧间差处 理， 获取有效高清图片； S1.3： 通过5G技 术将获得的高清图片传给地 面工作站， 对图片进行进一 步预处理； S1.4： 对预处 理后的图片通过 人工智能算法进行运 算， 进而实现对垃圾的识别和判定 。 2.根据权利要求1所述的基于无人机和人工智能的违章建筑数据识别方法， 其特征在 于： 所述S1.2中， 帧间差处理采用改进帧间差分法， 所述改进帧间差分法利用三帧图像信 息， 通过对当前帧、 前后帧的图像进行差分运 算。 3.根据权利要求2所述的基于无人机和人工智能的违章建筑数据识别方法， 其特征在 于： 所述改进帧间差分法公式如下： ； 和 分别为前后两帧与当前帧进行差分后的图像， 和 、 分别为t时刻、 t ‑1时刻和t+1时刻的图像的灰度值， 为灰度系数， N 为待检测区域的像素总数目， 为待检测图像； 再通过阈值T处 理得到的帧差图像， 并进行二 值化处理： ； 其中， 或 ， 或均为二值化得到的结果。 4.根据权利要求1所述的基于无人机和人工智能的违章建筑数据识别方法， 其特征在 于： 所述S1.3中， 预处 理的方法包 含图片灰度处 理、 颜色反转以及can ny边缘检测算法； 所述图片灰度处 理公式如下： ； 其中， 、 和 分别代表红、 绿、 蓝三种颜色的分量， 将彩色图像的三分 量求取平均值得到一个灰度值； 所述颜色反转公式如下： ； 其中， 为当前像素值， 为颜色反转后的像素值； 所述canny边缘检测算法如下： ； 其中， 为高斯分布标准差， 为像素点； 用一个高斯矩阵乘以每一个像素点及其邻域， 取其带权重的平均值作为最后的灰度权　利　要　求　书 1/3 页 2 CN 115294486 A 2值： ； ； 其中， 为幅值， 为方向， 和 分别是图像在像 素点 的 水平梯度幅值和垂直梯度幅值。 5.根据权利要求4所述的基于无人机和人工智能的违章建筑数据识别方法， 其特征在 于： 所述canny边缘检测算法检测后， 通过sobel算子计算梯度值和梯度方向， 滤除最大值； 设置八个梯度方向， 包括： 0 °， 45°， 90°， 135°， 180°， 225°， 270°， 315°； 并设置阈值： ； 其中， 为各待测点灰度值； 根据图像清晰度评价 值对噪声 进行过滤： ； 其中， 时有效。 6.根据权利要求1所述的基于无人机和人工智能的违章建筑数据识别方法， 其特征在 于： 所述S1.4中， 所述人工智能算法步骤为： 图像输入、 基础特征提取、 多层复杂特征提取、 特征学习和分类检测结果； 包括对图像进行卷积计算， 经过池化层、 激活函数和全连接层， 由Softmax分类 器输出分类结果， 实现对垃圾的识别和判定 。 7.根据权利要求6所述的基于无人机和人工智能的违章建筑数据识别方法， 其特征在 于： 所述卷积计算为小矩阵在图像或输入特征图上滑动， 所述输出特征图为做矩阵的乘法 和加法得到的结果， 计算方法如下： ； 其中， 为卷积核通道数， sum为矩阵加法运 算符，b为特征参数； 通过不同位置的特征进行聚合统计， 选择代表性的值来表示原来的特征； 采用 maxpooling的方法， 计算公式如下： ； 其中， 为不同位置的特 征值； 在神经网络中引入激活函数relu函数， 计算公式如下：权　利　要　求　书 2/3 页 3 CN 115294486 A 3