基于UAV-RS技术的海上养殖区识别研究

何复亮 汤湖丁 周玉岑

（1.江西省地质局核地质大队 江西 南昌 330009；2.上饶市城乡规划研究中心 江西 上饶 334000）

1 引言

UAV−RS 是一种数字化测绘技术，在数据获取方面具有效率高、便捷性好、分辨率高等优势，其成果具有时效性强、应用范围广等优点［1］。目前，无人机的应用领域覆盖非常广泛，主要是利用轻型无人机实现快速获取地物空间数据和位置信息数据，通过软件对图像进行拼接、解译、叠加、分析等处理，最终可实现对空间数据的采集和编辑，得到所需的成果数据。

本文以无人机在监测方面的应用为研究对象，针对不同季节的沿海海域养殖区实行动态监控，实现对海洋水产和渔业养殖发展状况的实时掌握。截至目前，我国海洋水产和渔业养殖的监测工作主要都是通过人工监测的方式开展的，整个监测过程不仅成本高、效率低，监测结果还往往具有滞后性，无法实时提供准确的养殖区数据。利用UAV−RS 技术实施监测，不仅可以提高养殖区的监测管理力度，还可以对台风、暴雨等众多自然灾害造成的影响进行及时、精确、可定制化的评估［2］。因此，本文重点介绍UAV−RS 监测技术在海洋渔业中的应用研究、前景和注意事项，并对其进行论证分析。

2 研究区域与研究方法

2.1 研究区域与设备

本次研究场景位于具有舟山渔场海域典型特征的浙江衢山岛海域，其地理位置位于舟山群岛新区东北部，距离宁波大陆沿海约70 公里，选择衢山岛渔场作为海洋渔业养殖区的认定分析区域。其地理位置示意图见下图1。

图1 衢山岛概略位置示意图

先采用DJPhantom 4 Pro无人机间隔拍摄的方式拍摄海洋养殖区及其周边区域多张无人机影像照片，图2 为所用无人机外观示意图［3］。该机采用了L−RGB 色彩空间的哈苏自然色彩解决方案(HNCS)，将Lab 色彩数据加入到扩展的色彩空间中，包容性较传统的色彩模式更强。

图2 大疆精灵4Pro

2.2 UAV-RS技术

UAV−RS 技术又称无人机遥感技术，是利用计算机设备对遥感影像中的各种地物进行光谱和空间信息处理分析，通过各种地物的空间和光谱信息，最终实现无人机的遥感影像分类［4］。

2.3 图像处理和分析

图像经过信息增强、关联创建、图像重合度分析等处理后，选择12 张图像进行重构、建模和拼接，最终制作成正射影像。先在6 个并行实例之间完成分配运算，再用DEM 提供预配置的流程化模块完成从影像集合到高程产品的制作过程。创建DSM 和DTM，应用于正射正像集合。最后用栅格函数卷积差值对地物进行归正，正射产品制作的流程具体如图3所示。

图3 正射影像生产流程

影像经校正后统计，影像连接点共计8517 个，平均重新投影误差为0.38pixel，地面分辨率为0.044m/pixel，详细数据如表1所示。

表1 连接点的投影误差

2.4 图像处理和图像分析

SVM 方法(支持向量机)是无人机遥感图像通过SVM 方法识别地物的二类模型法，SVM 法基本包括准备、训练和测试三个过程［5］。

经准备完成后，开始对样本集进行电脑样本化训练，把样本集的所有特征向量按照所选函数统一计算出来，再构造出一个空间，让样本集能够被分割开来。最终为比较测试阶段，即通过机器训练得到训练模型参数，再根据模型参数计算出一个ROI 区域，得到判断分类情况，如图4。

图4 不同学习率下的分类效果

3 结果分析

3.1 图像融合及校正

根据地物色彩信息和功能，先将地物划分为农田、住宅区、绿地、近海养殖区、养殖海域等五大类地物［6］。然后，研究区域通过对基于监督学习的量机模型进行识别，通过计算机对数据集进行训练，最终得出这一区域的空间分布以及与之相对应的区域。

用ArcGIS 对影像进行相互交叉匹配、平差处理，产生的连接点处的颜色越深，表示连接点数量越多。根据各影像连接点的数量，将影像分为六个等级，重合度越高，等级越高［7］。一般情况下，四级及以上的重合度超过80%。研究结果显示，目标区域内的所有影像重合度都在四级及以上符合要求。

设X为影像横向的坐标轴，设Y为影像纵向的坐标轴，主点为影像平面几何中心，融合后影像情况如图5所示。

图5 融合后识别区影像示意图

在裁剪掉图片上边框像素缺失的部分后，整个目标区的像素图片就整合到了一起，如图5 所示。结果发现，往往将边界像素进行切削和移除处理。综上，在选择目标对象时，需更多地考虑扩大目标范围的界限和尺寸，由此来获取到更多的影像，保证研究目标区域的整体效果和覆盖范围［8］。

3.2 图像识别结果

以下是空间分布图，为根据SVM 识别结果得出，SVM显示空间辨识度较高，见图6。

图6 基于SVM的空间地物识别结果

经过图像识别后显示，目标区域的单位面积海洋养殖覆盖率相对于其他典型养殖区来说，其覆盖率值总体显示相对较低。其中，训练集的容量情况和SVM识别情况如表2所示。

表2 特征区域识别效果

2.3 误差分析

先使用Brown−Conrady 模型来定义镜头内置参数和镜头畸变参数，然后再计算非畸变图像的像素值双线性内插值，由此得出定位偏差值。GPS 定位偏差值见表3。

表3 GPS定位偏差表

根据表3，通过矫正的影像定位可以修改GPS的初始位置坐标信息，并显示初始GPS 的位置和矫正后的位置。

4 结束语

（1）无人机遥感存在的问题及注意事项

综上所述，在实施过程中应注意从项目前期的计划阶段到拍摄结束的整个过程，具体注意事项如下：（1）为目标区域留出更多的缓冲范围以保证拍摄的整体性，应选择范围界限更广的拍摄区域；（2）在各种不可抗力海洋环境条件(台风、高温、水雾等)的影响下，传感器和摄像机常常会出现诸多问题，在DEM 的生成过程中，影像融合时像素的匹配精度要尽可能地提高，所以很多情况下需要牺牲精度来保证区域的完整性，因此也需要根据实际需求在执行过程中及时进行适当的调整；（3）无人机在飞行的时候，经常会有各种各样的不确定性，需尽量按计划完成飞行任务，所以可用脚架模式来稳定无人机，且机器学习和图像处理的精确度很大程度上将决定无人机的图像质量。

（2）海洋养殖区域应用要求

在实施图像识别时，为了调查不同的区域分布和区域特征，应充分考虑区域特征的典型性和代表性，逐步改进机器算法，结合区域的人工分析和查阅文献资料进行模型的深度优化。因此，在考虑选型时，尽可能多地加入各种几何元素，如：影像矩边框的几何中心点，对角线的像素长度值等。本文为无人机海域养殖区的实时监测应用提供了方法、限制条件和注意事项。