基于UAV-RS技術的海上養殖區識別研究

何復亮 湯湖丁 周玉岑

（1.江西省地質局核地質大隊 江西 南昌 330009；2.上饒市城鄉規劃研究中心 江西 上饒 334000）

1 引言

UAV?RS 是一種數字化測繪技術，在數據獲取方面具有效率高、便捷性好、分辨率高等優勢，其成果具有時效性強、應用范圍廣等優點［1］。目前，無人機的應用領域覆蓋非常廣泛，主要是利用輕型無人機實現快速獲取地物空間數據和位置信息數據，通過軟件對圖像進行拼接、解譯、疊加、分析等處理，最終可實現對空間數據的采集和編輯，得到所需的成果數據。

本文以無人機在監測方面的應用為研究對象，針對不同季節的沿海海域養殖區實行動態監控，實現對海洋水產和漁業養殖發展狀況的實時掌握。截至目前，我國海洋水產和漁業養殖的監測工作主要都是通過人工監測的方式開展的，整個監測過程不僅成本高、效率低，監測結果還往往具有滯后性，無法實時提供準確的養殖區數據。利用UAV?RS 技術實施監測，不僅可以提高養殖區的監測管理力度，還可以對臺風、暴雨等眾多自然災害造成的影響進行及時、精確、可定制化的評估［2］。因此，本文重點介紹UAV?RS 監測技術在海洋漁業中的應用研究、前景和注意事項，并對其進行論證分析。

2 研究區域與研究方法

2.1 研究區域與設備

本次研究場景位于具有舟山漁場海域典型特征的浙江衢山島海域，其地理位置位于舟山群島新區東北部，距離寧波大陸沿海約70 公里，選擇衢山島漁場作為海洋漁業養殖區的認定分析區域。其地理位置示意圖見下圖1。

圖1 衢山島概略位置示意圖

先采用DJPhantom 4 Pro無人機間隔拍攝的方式拍攝海洋養殖區及其周邊區域多張無人機影像照片，圖2 為所用無人機外觀示意圖［3］。該機采用了L?RGB 色彩空間的哈蘇自然色彩解決方案(HNCS)，將Lab 色彩數據加入到擴展的色彩空間中，包容性較傳統的色彩模式更強。

圖2 大疆精靈4Pro

2.2 UAV-RS技術

UAV?RS 技術又稱無人機遙感技術，是利用計算機設備對遙感影像中的各種地物進行光譜和空間信息處理分析，通過各種地物的空間和光譜信息，最終實現無人機的遙感影像分類［4］。

2.3 圖像處理和分析

圖像經過信息增強、關聯創建、圖像重合度分析等處理后，選擇12 張圖像進行重構、建模和拼接，最終制作成正射影像。先在6 個并行實例之間完成分配運算，再用DEM 提供預配置的流程化模塊完成從影像集合到高程產品的制作過程。創建DSM 和DTM，應用于正射正像集合。最后用柵格函數卷積差值對地物進行歸正，正射產品制作的流程具體如圖3所示。

圖3 正射影像生產流程

影像經校正后統計，影像連接點共計8517 個，平均重新投影誤差為0.38pixel，地面分辨率為0.044m/pixel，詳細數據如表1所示。

表1 連接點的投影誤差

2.4 圖像處理和圖像分析

SVM 方法(支持向量機)是無人機遙感圖像通過SVM 方法識別地物的二類模型法，SVM 法基本包括準備、訓練和測試三個過程［5］。

經準備完成后，開始對樣本集進行電腦樣本化訓練，把樣本集的所有特征向量按照所選函數統一計算出來，再構造出一個空間，讓樣本集能夠被分割開來。最終為比較測試階段，即通過機器訓練得到訓練模型參數，再根據模型參數計算出一個ROI 區域，得到判斷分類情況，如圖4。

圖4 不同學習率下的分類效果

3 結果分析

3.1 圖像融合及校正

根據地物色彩信息和功能，先將地物劃分為農田、住宅區、綠地、近海養殖區、養殖海域等五大類地物［6］。然后，研究區域通過對基于監督學習的量機模型進行識別，通過計算機對數據集進行訓練，最終得出這一區域的空間分布以及與之相對應的區域。

用ArcGIS 對影像進行相互交叉匹配、平差處理，產生的連接點處的顏色越深，表示連接點數量越多。根據各影像連接點的數量，將影像分為六個等級，重合度越高，等級越高［7］。一般情況下，四級及以上的重合度超過80%。研究結果顯示，目標區域內的所有影像重合度都在四級及以上符合要求。

設X為影像橫向的坐標軸，設Y為影像縱向的坐標軸，主點為影像平面幾何中心，融合后影像情況如圖5所示。

圖5 融合后識別區影像示意圖

在裁剪掉圖片上邊框像素缺失的部分后，整個目標區的像素圖片就整合到了一起，如圖5 所示。結果發現，往往將邊界像素進行切削和移除處理。綜上，在選擇目標對象時，需更多地考慮擴大目標范圍的界限和尺寸，由此來獲取到更多的影像，保證研究目標區域的整體效果和覆蓋范圍［8］。

3.2 圖像識別結果

以下是空間分布圖，為根據SVM 識別結果得出，SVM顯示空間辨識度較高，見圖6。

圖6 基于SVM的空間地物識別結果

經過圖像識別后顯示，目標區域的單位面積海洋養殖覆蓋率相對于其他典型養殖區來說，其覆蓋率值總體顯示相對較低。其中，訓練集的容量情況和SVM識別情況如表2所示。

表2 特征區域識別效果

2.3 誤差分析

先使用Brown?Conrady 模型來定義鏡頭內置參數和鏡頭畸變參數，然后再計算非畸變圖像的像素值雙線性內插值，由此得出定位偏差值。GPS 定位偏差值見表3。

表3 GPS定位偏差表

根據表3，通過矯正的影像定位可以修改GPS的初始位置坐標信息，并顯示初始GPS 的位置和矯正后的位置。

4 結束語

（1）無人機遙感存在的問題及注意事項

綜上所述，在實施過程中應注意從項目前期的計劃階段到拍攝結束的整個過程，具體注意事項如下：（1）為目標區域留出更多的緩沖范圍以保證拍攝的整體性，應選擇范圍界限更廣的拍攝區域；（2）在各種不可抗力海洋環境條件(臺風、高溫、水霧等)的影響下，傳感器和攝像機常常會出現諸多問題，在DEM 的生成過程中，影像融合時像素的匹配精度要盡可能地提高，所以很多情況下需要犧牲精度來保證區域的完整性，因此也需要根據實際需求在執行過程中及時進行適當的調整；（3）無人機在飛行的時候，經常會有各種各樣的不確定性，需盡量按計劃完成飛行任務，所以可用腳架模式來穩定無人機，且機器學習和圖像處理的精確度很大程度上將決定無人機的圖像質量。

（2）海洋養殖區域應用要求

在實施圖像識別時，為了調查不同的區域分布和區域特征，應充分考慮區域特征的典型性和代表性，逐步改進機器算法，結合區域的人工分析和查閱文獻資料進行模型的深度優化。因此，在考慮選型時，盡可能多地加入各種幾何元素，如：影像矩邊框的幾何中心點，對角線的像素長度值等。本文為無人機海域養殖區的實時監測應用提供了方法、限制條件和注意事項。