用于实现对德清县水域“四乱”（乱占、乱采、乱堆、乱建）遥感监测中问题点位的高效精准识别，包括非法侵占水域、违规采砂、岸线垃圾堆放、违法搭建等典型“四乱”问题。系统基于高分辨率无人机遥感影像，自动识别问题点位的地理坐标，并智能判别问题类型，精准定位各类水域“四乱”行为，为后续的人员调度与任务派发提供数据支撑。 该技术有效解决了传统人工巡查中存在的诸多痛点：如巡查范围广、隐蔽区域难以覆盖、偏远或恶劣环境不易到达、问题易被遗漏或发现滞后等。通过将系统自动识别出的“四乱”问题点位精准派发至对应网格员，使其能够“带着目标去现场、依据数据做核实”，显著提升了问题发现与处置效率，大幅减少无效巡查，节约人力与时间成本，助力水域监管向智能化、精细化、高效化转型。
基于无人机航拍采集的水域“四乱”遥感影像数据，通过YOLO算法进行实时目标检测。首先将单元神经网络应用于2024年1月的遥感影像，将图像分割成19×19的单元格，每个单元格由对应的神经网络负责预测K个边界框。模型预测每个区域属于各类“四乱”问题（如乱占、乱采、乱堆、乱建）的概率，所有单元格中具有最大概率的类别被选定并分配给该网格单元，生成预测点坐标（x, y），坐标系采用CGCS2000，坐标格式为东经、北纬。 在完成类别概率预测后，系统执行非极大值抑制（NMS）运算，以剔除冗余或重叠的锚点框。算法依次选取剩余边界框中类别概率最高的检测结果，重复上述处理流程，直至保留所有非重复的有效边界框。最终输出识别出的“四乱”要素，并在影像上可视化各类问题的边界框及其详细信息。 随后，随机抽取部分样本进行识别准确度验证：识别置信度小于0.6的判定为识别错误，标记为FALSE；一般样本的识别准确度介于0.8至1之间，置信度大于等于0.6的视为识别正确，标记为TRUE。根据验证结果，对识别数据进行筛选——仅保留标记为TRUE且类别属于水域“四乱”问题（如非法侵占、违规采砂、岸线乱堆、违法建设等）的点位。 最后将纳入的有效点位的坐标、问题类型等结构化信息自动上传至水域“四乱”智能监管平台，形成德清县水域“四乱”遥感监测识别数据，为后续精准执法与闭环管理提供可靠依据。
| 字段名 | 类型 | 描述 |
|---|---|---|
事件编号 |
-- | -- |
东经 |
-- | -- |
北纬 |
-- | -- |
种类 |
-- | -- |
识别准确度 |
-- | -- |
| fieldName | exampleValue |
|---|---|
| 事件编号 | 3312SL202401120067,3312SL202401120133,33 |
| 东经 | 119.9146 ,120.2355 ,120.2179 ,120.2904 , |
| 北纬 | 30.4572 ,30.5795 ,30.6148 ,30.5885 ,30.4 |
curl -H "Authorization: Bearer YOUR_API_KEY" \
http://localhost:3001/api/v1/datasets/8144677