本發明涉及測繪質量檢測領域，尤其涉及一種基于人工智能的多通道圖像檢測方法。

背景技術：

1、在遙感圖像處理領域，云識別作為一項基礎且核心的任務，對于圖像的進一步分析和應用具有至關重要的影響。目前，現有技術主要依賴于一系列傳統方法來進行云識別。這些方法主要包括閾值法、紋理和顏色分析，以及基于規則的方法；閾值法通過亮度/顏色閾值區分云區，在城市（建筑物與云亮度差異大）場景快速有效，紋理顏色分析法基于圖像特征精細識別，需專業人員手動調整參數，高分辨率場景精度高，基于規則法融合亮度、紋理、顏色等多屬性及人工規則，氣象監測中有效識別常見云型，三者分別體現了效率（閾值）、精度（紋理）、適應性（規則）的權衡，應用需結合場景需求。

2、盡管上述方法在某些特定情況下表現出一定的有效性，但它們仍存在以下顯著的缺點：首先，手工特征提取和規則設定過程繁瑣且耗時，導致整體處理效率較低。當面對海量的遙感數據時，完全依賴人工處理顯然無法滿足快速響應和處理的需求。其次，人工提取的特征可能無法全面捕捉云區的復雜性和多樣性，從而導致識別結果的準確性不高。同時，手動設置的閾值和規則往往缺乏對不同環境條件變化的適應性和靈活性，進而影響識別的準確性。在不同季節，云層的形態、顏色和紋理都會發生變化，傳統方法難以準確適應這些變化，可能導致在實際應用中出現誤判或漏判的情況，影響后續的分析和應用。最后，需要求操作者具備較高的專業知識和技能，這限制了技術的普適性和廣泛推廣。高專業性要求還可能導致技術應用的成本增加，進一步限制了其在實際應用中的擴展性。

3、因此，需要一種基于人工智能的多通道圖像檢測方法。

技術實現思路

1、本發明要解決的技術問題是克服現有技術存在的缺陷，本發明提出了一種基于人工智能的多通道圖像檢測方法，在于解決傳統方法的效率低下、準確性受限以及專業性要求高的問題。

2、為解決上述技術問題，本發明采用的技術方案是：一種基于人工智能的多通道圖像檢測方法，包括如下步驟：s1：基于rgb三基色遙感影像數據，融合高程與溫度數據，構建多源數據融合數據立方體，實施多模態圖像增強預處理；s2：基于多源數據融合的深度神經網絡模型，采用特征融合架構與像素級分類算法，實現云區圖像分割，結合自動化標注數據增強技術與基于gpu的并行訓練優化，構建多場景自適應模型；s3：基于圖像分割結果，通過多維度特征提取、量化評估及分級判定模型，實現遙感影像云覆蓋特征分析、覆蓋率計算及場景化質量評級，支撐影像使用價值的智能化評估與決策；s4：通過多模態可視化技術生成多維度評估報告，集成特征分析、質量評級及優化建議，實現數據驅動的交互式決策支持；s5：通過數據驅動的模型迭代、技術架構升級及自適應優化策略，持續提升系統性能、模型精度及場景適應性。

3、進一步地，所述s1具體步驟如下：s11：多通道數據獲取與整合，在rgb三通道遙感影像數據的基礎上，還需獲取高程數據和溫度數據，構建多源數據融合數據，并對多通道來源的數據進行格式轉換和空間配準，將高程數據和溫度數據轉換為與rgb影像數據相同的柵格格式，通過空間配準算法，使各通道數據在空間位置上對應；s12：去噪聲，采用多種濾波技術去除影像中的隨機噪聲；s13：色彩校正，運用色彩平衡技術對影像進行亮度和對比度的初步調整，通過拉伸或壓縮灰度直方圖，使影像的灰度分布合理，針對不同光照條件下產生的色彩偏差，進行色調映射和白平衡調整；s14：對比度增強，通過直方圖均衡化或自適應直方圖均衡化方法增強影像的對比度。

4、進一步地，所述s11中多通道數據獲取與整合具體步驟如下：s111：預處理數據，明確rgb影像的地理坐標系統和分辨率，將高程數據和溫度數據的格式轉換為與rgb影像相同的柵格格式，通過投影變換使高程數據和溫度數據與rgb影像處于同一地理坐標系統，利用重采樣方法使三者分辨率一致；s112：特征提取與匹配，在預處理后的數據中，分別從rgb影像、高程數據和溫度數據里提取特征點，通過計算特征點之間的相似度，找出不同數據間的同名特征點對；s113：變換模型計算，根據找到的同名特征點對，選擇變換模型，并求解變換模型的參數，從而確定高程數據和溫度數據到rgb影像的空間變換關系；s114：重采樣與精度評估，根據計算得到的變換關系，對高程數據和溫度數據進行重采樣，將其像素值重新分配到與rgb影像相同的空間網格中，通過選取多個檢查點，計算單個和/或總體檢查點在配準前后的位置偏差，評估配準的精度。

5、進一步地，所述單個檢查點位置偏差計算公式為：，其中：是第個檢查點的總位置偏差，是第個檢查點在配準前的?坐標，是第個檢查點在配準后的?坐標，是第個檢查點在配準前的坐標，是第個檢查點在配準后的坐標。

6、進一步地，所述總體位置偏差計算公式為：，其中：是檢查點的數量，是第個檢查點在配準前的坐標，是第個檢查點在配準后的坐標，是第個檢查點在配準前的?坐標，是第個檢查點在配準后的坐標。

7、進一步地，所述s2具體步驟如下：s21：網絡架構選擇與調整，選用網絡架構，并針對多通道數據進行優化，在網絡架構的輸入層將rgb三通道數據與高程、溫度數據通道進行拼接，形成多通道的輸入張量，在網絡架構的全卷積神經網絡層中，調整卷積核的參數和結構；s22：訓練數據準備，采用半自動標注工具，利用圖像處理算法和先驗知識對影像進行初步分割，再由人工進行校對和修正，標注數據涵蓋不同地區、不同季節、不同分辨率以及不同天氣條件下的遙感影像，并對標注數據進行數據增強操作；s23：模型訓練和驗證，利用深度學習框架建立和訓練模型，將準備好的多通道遙感影像數據及多通道遙感影像數據對應的標注數據輸入模型，通過反向傳播算法不斷調整模型的參數，使模型能夠學習到云區域和非云區域的特征差異，采用交叉驗證技術評估模型的性能和泛化能力，利用gpu進行模型的訓練和推理加速計算過程。

8、進一步地，所述反向傳播算法具體步驟如下：s231：前向傳播，將多通道遙感影像數據輸入到經過架構調整的模型中，數據進入網絡層進行處理，網絡層對輸入數據進行特定的運算，最終輸出預測結果；s232：計算損失，將前向傳播得到的預測結果與標注數據進行對比，使用損失函數計算兩者之間的差異；s233：反向傳播誤差，根據損失函數的梯度，將誤差反向傳播到網絡層；s234：參數更新，根據反向傳播得到的梯度，使用優化算法對模型的參數進行更新；s235：重復迭代，重復步驟一至步驟四，不斷地進行前向傳播、計算損失、反向傳播誤差和參數更新，直到損失函數的值達到預設的迭代次數或閾值。

9、進一步地，所述損失函數的計算公式為：，其中：：表示整個數據集的平均交叉熵損失，：代表數據集中樣本的數量，：是樣本的索引，?：指第?個樣本的真實標簽，：是模型對第?個樣本的預測概率。

10、進一步地，所述s3具體步驟如下：s31：云覆蓋率計算，在圖像分割得到云區域的二值化圖像后，通過像素統計方法計算云區域像素在整幅圖像像素中的占比，以此得出云覆蓋率，采用并行計算技術提高計算效率，并利用多核cpu或gpu的并行處理能力加速計算過程；s32：云區域特征分析，利用形態學分析算法識別云區域的邊界，進而計算云區域的幾何特征，利用空間分析算法，分析云區域在影像中的分布情況；s33：質量評級，依據云覆蓋率和云區域特征分析結果，結合不同應用場景和用戶需求設定質量評級標準。

11、進一步地，所述s4具體步驟如下：s41：報告生成，系統自動生成包含詳細云覆蓋信息的報告，報告內容包括云覆蓋率、云區域特征信息以及影像的總體質量評級，報告還可包含對影像質量的建議和改進措施；s42：用戶界面設計：允許用戶輕松上傳遙感影像數據，查看詳細的評估報告，并下載報告，還可以在界面上對評估參數進行調整，服務器端處理用戶的數據請求和交互操作。

12、與現有技術相比，本發明的有益效果包括：1、提高自動化水平和處理效率：傳統的人工監督方法在處理大量遙感數據時效率低下。本發明通過自動化的深度學習模型實現快速、高效的云區識別和影像質量判斷，本發明的自動化模型僅需數小時，大幅縮短了處理周期，提高了工作效率，滿足大數據時代對數據快速處理的需求。2、提升云識別的準確性：現有的云識別方法在復雜環境下準確性不足。本發明通過結合高程和溫度信息，使用深度學習技術顯著提高識別準確性。在山區等地形復雜區域，高程信息可幫助模型有效區分云層與山地陰影，溫度信息有助于識別不同高度的云層。傳統方法的識別準確率通常在60%-70%，而本發明方法可將準確率提升至80%-90%，為后續基于遙感影像的各類應用提供了更可靠的數據基礎。3、增強質量監督的適應性和靈活性：傳統方法在不同類型的遙感影像或不同環境條件下的適應性和靈活性較差。本發明的模型具有強大的泛化能力，無論是高分辨率的商業衛星影像，還是低分辨率的氣象衛星影像，亦或是不同季節、不同地形區域的影像，都能自動適應并準確識別云區，進行有效的質量監督。4、降低操作和技術門檻：本發明簡化了操作步驟，使非專業人員也能輕松進行高質量的影像數據監督檢查，大大降低了使用的專業門檻。普通科研人員或業務人員只需按照系統提示上傳影像數據，即可輕松獲得準確的云識別和質量評估結果，促進了遙感影像質量監督技術在更廣泛領域的普及應用。5、從數據輸入、預處理、分割到特征提取與最終質量評估，整個圖像處理流程實現全自動化。依靠精心設計的算法和模型，自動完成各環節操作，最大限度減少人工干預，既提高處理速度與效率，又保證處理結果的一致性與可重復性，滿足大規模遙感數據處理的嚴格要求。