|
提出背景在“十四五”规划指出，要锚定2035年美丽中国建设目标，谋划阶段性目标任务，深入打好碧水保卫战，要着力推动水生态环境保护由污染治理为主，向水资源、水生态、水环境等要素协同治理、统筹推进转变，突出精准治污、科学治污、依法治污。因此建立一套河长制下的河湖巡查管理制度或机制，配合河长制的推行，为河长制办公室提供专业化解决策略，符合国家战略需求。目前很多单位创新性的采用的无人机进行河湖巡查，但主要依靠人工操作、采集信息单一（照片、视频为主），巡查数据分析不深入专业，巡查成果的展示效果不直观、形象，对河长决策的帮助有限。 近年来，深度学习理论发展迅速，被广泛应用于许多领域。深度学习在水域图像领域的研究中也取得了很好的效果，比如针对河长制舆情监控、河湖视频监控、移动巡河等。深度学习算法通过对历史经验数据的学习，获取数据的特征和联系，得到可以预测新数据的模型，目前浙江、江苏、上海等多地均已引入了基于无人机自主飞行的水域巡检应用。本项目对标国际前沿技术，开展实施具有重要意义。 研究内容项目重点利用基于深度学习神经网络算法包括R-CNN 、YOLO算法等开展无人机采集的水域巡检图像的特征分析、模型训练及模型精度测试，利用基于对抗网络的样本增强方法对于水域巡视目标图像样本进行增强，着重解决水域方向测试样本数量不足的问题，同时针对视频及图片的不同辨识机制进行区分研究，对水面漂浮物、养殖设备违规蔓延、违章建筑、船只违规运营、四乱等问题形成辨识能力，从而改善传统水域巡检短板，降低人工投入，增加巡检效率。 考核指标①支持无人机巡检数据的视频格式和图片格式的水域目标辨识； ②支持视频自动检测，视频处理帧率≥15，最小识别目标像素大小32*32； ③水质巡查（水面漂浮物等）目标识别精度≥90% ；④四乱监管（设施乱建、垃圾乱堆等）目标识别精度≥85% ；⑤违法船只等目标识别精度不低于85% 。 参数 | 指标 | 视频处理帧率 | ≥15 | 最小识别目标像素大小 | 32*32 | 水质巡查（水面漂浮物等）目标识别精度 | ≥90% | 四乱监管（设施乱建、垃圾乱堆等）目标识别精度 | ≥85% | 违法船只等目标识别精度 | ≥85% |
项目技术需求方：国鹰北方航空科技有限公司 项目拟总投入：150万元
联系人：仲萍 13231252777
|
