CN109657540B - 枯死树定位方法及系统 - Google Patents

枯死树定位方法及系统 Download PDF

Info

Publication number
CN109657540B
CN109657540B CN201811312043.8A CN201811312043A CN109657540B CN 109657540 B CN109657540 B CN 109657540B CN 201811312043 A CN201811312043 A CN 201811312043A CN 109657540 B CN109657540 B CN 109657540B
Authority
CN
China
Prior art keywords
remote sensing
withered
sensing image
tree
positioning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811312043.8A
Other languages
English (en)
Other versions
CN109657540A (zh
Inventor
陶欢
李存军
王艾萌
程成
淮贺举
邓世晴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Research Center for Information Technology in Agriculture
Original Assignee
Beijing Research Center for Information Technology in Agriculture
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Research Center for Information Technology in Agriculture filed Critical Beijing Research Center for Information Technology in Agriculture
Priority to CN201811312043.8A priority Critical patent/CN109657540B/zh
Publication of CN109657540A publication Critical patent/CN109657540A/zh
Application granted granted Critical
Publication of CN109657540B publication Critical patent/CN109657540B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供一种枯死树定位方法及系统，该方法包括：获取待定位区域的遥感影像；将遥感影像输入至枯死树定位模型，输出与遥感影像对应的定位结果，定位结果包括待定位区域的遥感影像的枯死树候选框以及每个候选框对应的定位概率，候选框用于指示枯死树的位置信息，定位概率用于指示候选框内存在枯死树的概率；其中，枯死树定位模型是基于样本遥感影像及对应的样本标记采用深度学习训练后获得的。本发明实施例通过将遥感影像输入至枯死树定位模型，输出与遥感影像对应的定位结果，从而基于深度学习和遥感影像能够自动对待定位区域的枯死树进行定位，相比于现有技术中依靠人工定位枯死树能够有效提高定位效率，并为疫木的砍伐提供数据支撑。

Description

枯死树定位方法及系统
技术领域
本发明实施例涉及林业遥感领域，更具体地，涉及一种枯死树定位方法及系统。
背景技术
松树在受到温度、水分、营养等非生物因子的胁迫或遭遇病虫害侵袭等生物因子影响后，健康的松针叶易发生枯死(枯死松树)。造成松树枯死的原因很多，松材线虫是松树萎蔫病的一种主要致病因子，松树感染该病后最快40天即可枯死。而疫情调查是松材线虫病防控工作的基础，现有技术中，枯死松树的监测主要依靠森林防护人员实地地面调查，然后统计上报。也有通过无人机采集松树疫情严重地区的高空间分辨率影像，然后通过目视判读的方法定位疑似枯死松树的位置，并能满足人工现场定位精度的要求。但是完全依靠人工目视判读枯死松树的工作方案效率低。
发明内容
为了解决上述问题，本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的枯死树定位方法及系统。
根据本发明实施例的第一方面，提供一种枯死树定位方法，该方法包括：获取待定位区域的遥感影像；将遥感影像输入至枯死树定位模型，输出与遥感影像对应的定位结果，定位结果包括待定位区域的遥感影像的枯死树候选框以及每个候选框对应的定位概率，候选框用于指示枯死树的位置信息，定位概率用于指示候选框内存在枯死树的概率；其中，枯死树定位模型是基于样本遥感影像及对应的样本标记采用深度学习训练后获得的。
根据本发明实施例第二方面，提供了一种枯死树定位系统，该系统包括：获取模块，用于获取待定位区域的遥感影像；定位模块，用于将遥感影像输入至枯死树定位模型，输出与遥感影像对应的定位结果，定位结果包括待定位区域的遥感影像的枯死树候选框以及每个候选框对应的定位概率，候选框用于指示枯死树的位置信息，定位概率用于指示候选框内存在枯死树的概率；其中，枯死树定位模型是基于样本遥感影像及对应的样本标记采用深度学习训练后获得的。
根据本发明实施例的第三方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的枯死树定位方法。
根据本发明实施例的第四方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的枯死树定位方法。
本发明实施例提供的枯死树定位方法及系统，通过将遥感影像输入至枯死树定位模型，输出与遥感影像对应的定位结果，从而基于深度学习和遥感影像能够自动对待定位区域的枯死树进行定位，相比于现有技术中依靠人工定位枯死树能够有效提高定位效率，并为疫木的砍伐提供数据支撑。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些图获得其他的附图。
图1为本发明实施例提供的枯死树定位方法的流程示意图；
图2为本发明实施例提供的枯死树定位模型的网络结构示意图；
图3为本发明实施例提供的坐标转换示意图；
图4为本发明另一实施例提供的枯死树定位方法的流程示意图；
图5为本发明实施例提供的枯死树定位结果示意图；
图6为本发明实施例提供的枯死树定位系统的结构示意图；
图7为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
由于现有技术中存在的依靠人工目视判读枯死松树的技术方案的效率低，因此，找到一种适合于超高空间分辨率、大数据量的无人机影像高效处理算法对于枯死松树的快速、高效监测已经成为亟需解决的技术问题。为了解决上述技术问题，本发明实施例提供一种枯死树定位方法。参见图1，该方法包括：
101、获取待定位区域的遥感影像。
其中，待定位区域可以是需要进行枯死树检测的一片区域。本发明实施例对枯死树的种类不作限定，以下仅以枯死树为松树为例进行说明。获取待定位区域的方式具体可通过无人机获取。使用无人机自身携带的差分自动驾驶仪可以精确给出每张照片(即遥感影像)中心点经纬度坐标，结合无人机航向、姿态数据和相机参数，能生产数字正射影像图(DOM)。DOM可精确给出遥感影像上每个像元点的坐标信息，以方便定位枯死树的位置。无人机拍摄的照片的正射校正和图像拼接具体可在Pix4D软件中完成，图像增强可在ENVI软件中完成，分辨率可为5.85cm，坐标系统可为WGS84_UTM_Zone 50N，本发明实施例对具体的参数和软件的种类不作限定。
102、将遥感影像输入至枯死树定位模型，输出与遥感影像对应的定位结果，定位结果包括待定位区域的遥感影像的枯死树候选框以及每个候选框对应的定位概率，候选框用于指示枯死树的位置信息，定位概率用于指示候选框内存在枯死树的概率；其中，枯死树定位模型是基于样本遥感影像及对应的样本标记采用深度学习训练后获得的。
在步骤102前可先进行模型训练以获得枯死树定位模型。深度学习前需要制作大量的标注数据样本。标注数据样本可以分为枯死树样本和背景负样本。枯死树样本是包含有枯死树的遥感影像，背景负样本是不包含枯死树的遥感影像。
其中，枯死树样本的制作过程为：首先可划定一片区域作为训练区，获取该训练区的遥感影像；然后对训练区的遥感影像内的所有枯死树进行人工标注；根据人工标注的点位数据建立以一定像素大小(例如128像素)为半径的圆形缓冲区；接着通过圆形缓冲区生成矩形的最小外包矩阵，然后采用生成的对应像素(256×256)的最小外包矩阵，批量裁剪该训练区的遥感影像，得到所有带有空间坐标的JPG格式的训练集，例如，本发明实施例共裁剪得到若干个(例如1000张)训练正样本。
背景负样本的制作过程为，先将训练区的遥感影像进行一定(例如256×256)像素大小的分割，得到分割后的栅格，然后人工从中挑选得到一定数量的代表性JPG训练集(例如1000张)。
获得上述样本后，可对枯死树样本和背景负样本进行不同的标记(即样本标记)，例如对枯死树样本标记为1，对背景负样本标记为0。标注后，枯死树样本和背景负样本组成了样本遥感影像，1或0即为样本遥感影像对应的样本标记。
在训练过程中，利用80％的样本遥感影像及对应的样本标记进行模型训练，训练完成后可获得枯树定位模型。训练完成后可采用20％的样本遥感影像对模型的性能进行测试，判断模型的性能是否符合要求。
确认模型训练完成后且性能满足要求，将待定位区域的遥感影像输入至枯死树定位模型后，该模型能够输出待定位区域的遥感影像的枯死树候选框以及每个候选框对应的定位概率(或识别概率)。换言之，候选框内可能含有枯死树，定位概率即为含有枯死树的概率。应当说明的是，一张遥感影像可能含有一个或多个候选框。并且，进一步地，可以通过候选框的数量获取枯死树的数量。待定位区域遥感影像数据集具体可通过以下方式获得：通过ArcGIS中的Split Raster工具将一个待定位区域的无人机影像按照256×256像素大小进行分割，构建待定位区域遥感影像数据集用于枯死树的定位(例如本发明实施例的待定位区域共得到9349张待定位影像)。
本发明实施例提供的方法，通过将遥感影像输入至枯死树定位模型，输出与遥感影像对应的定位结果，从而基于深度学习和遥感影像能够自动对待定位区域的枯死树进行定位，相比于现有技术中依靠人工定位枯死树能够有效提高定位效率，并为疫木的砍伐提供数据支撑。
基于上述实施例的内容，作为一种可选实施例，枯死树定位模型是基于样本遥感影像及对应的样本标记对Faster RCNN深度学习模型训练后获得的。
具体地，枯死树定位模型的具体可采用Faster RCNN模型。Faster RCNN是Ross BGirshick在2016年在RCNN和Fast RCNN的基础上提出。在结构上，Faster RCNN已经将特征提取，候选框生成，Bounding Box回归，分类等功能都整合在了一个网络中，使得综合性能有较大提高，在目标检测的速度方面尤为明显。本发明实施例选择Faster RCNN模型为对象检测模型(即枯死树定位模型)，基于该模型，训练过程如下：从全部的训练样本遥感影像中随机筛选80％的样本量(800张标记为1的枯死树样本，800张标记为0的背景负样本)作为训练数据，20％作为验证数据(200张标记为1的枯死树样本，200张标记为0的背景负样本)。将20％的验证数据是为了对选择的Faster RCNN深度学习模型进行参数调优。
参见图2，Faster RCNN的处理流程包括：
1)Faster RCNN首先使用一组基础的卷积+池化层提取整张输入图片(即遥感影像)的Feature Maps。该Feature Maps被共享用于后续RPN层产生候选框和全连接层分类用。所有的卷积核参数设置为Kernel_Size＝3，Pad＝1，即对图像做了扩边处理，使得原图变为(M+2)×(N+2)大小，再做3×3卷积后输出M×N，如此可以保持卷积层的图像大小不变。而池化层的参数设置为Kernel_size＝2，Stride＝2，这样一个M×N矩阵大小的图像经过池化层后都会变为(M/2)×(N/2)的大小，达到减少数据的目的。
2)候选框生成。Faster RCNN采用RPN(Region Proposal Network)全卷积网络对图片的卷积层特征进行计算分析，然后在不同的图像比例下，针对生成枯死树候选区边框，每个候选边框(即候选框)通过边框的中心点坐标x和y，高h，宽w来表示。该层通过Softmax分类判断锚定框属于前景对象(检测目标，即枯死树)或是背景对象，同时利用BoundingBox Regression修正锚定框获得精确的候选区边框，最后通过前景锚定框和Bounding BoxRegression偏移量获取候选框，同时剔除太小和超出边界的候选框，至此已经形成枯死树的目标定位功能。
3)ROI池化。该层综合输入的特征图层和候选框信息后提取候选框内的特征，送入后续的全连接层判定目标类别。
4)分类和定位。利用候选框提取的特征计算每个候选框的类别，同时再次使用Bounding Box Regression获得检测框最终的精确位置。
基于上述实施例的内容，作为一种可选实施例，将遥感影像输入至枯死树定位模型之前，还包括：对遥感影像进行裁剪，以使获得多个目标遥感影像中的每个目标遥感影像与样本遥感影像的大小相同；相应地，将遥感影像输入至枯死树定位模型，输出与遥感影像对应的定位结果，包括：将多个目标遥感影像分别输入至枯死树定位模型，分别输出与每个目标遥感影像对应的目标定位结果。
具体地，由于枯死树定位模型训练过程中使用的样本遥感影像均具有固定的大小，例如256×256像素。而由于待定位区域的遥感影像可能具有较大的尺寸，因此，为了提高定位的准确率，需要对遥感影像进行裁剪或分割，从而使分割获得的目标遥感影像的大小与样本遥感影像的大小相同，例如同为256×256像素。从而以每个目标遥感影像为处理单元，分别输入至枯死树定位模型中，获得分别对应的目标定位结果。可以理解的是，全部的目标遥感影像中定位获得的枯死树的集合即是待定位区域的枯死树。
基于上述实施例的内容，作为一种可选实施例，分别输出与每个目标遥感影像对应的目标定位结果之后，还包括：对于每一个目标遥感影像中的每一个候选框，计算候选框在像素坐标系下的中心点坐标；将候选框在像素坐标系下的中心点坐标转换为直角坐标系下的坐标，并将直角坐标系下的坐标作为候选框内的枯死树的位置信息。
具体地，参见图3，由于每个目标遥感影像中的每一个候选框的位置(左上和右下2点位)是基于遥感影像的像素坐标系的，而该像素坐标系是以左上角为原点。因此，需要进行坐标转换，得到枯死树中心点在平面直角坐标系下的坐标。具体如下：
候选框的中心点在像素坐标系下的坐标(xi,yi)计算如下：
Figure BDA0001855241600000071
Figure BDA0001855241600000072
其中，(ximin,yimin)为候选框左上角的像素坐标，(ximax,yimax)为候选框右下角的像素坐标。
由此可以计算得到枯死树中心点的平面直角坐标(xi',yi')：
x′i＝xi·Δx+x′0
y′i＝-yi·Δy+y′0
其中，Δx表示水平方向的无人机空间分辨率，Δy表示垂直方向的无人机空间分辨率，如本实施例中的5.85cm。
因此，经过上述计算可以得到每一候选框的中心点在直角坐标系下的坐标，并默认每一候选框内的枯死树位于候选框的中心点处。从而能够得到每一枯死树在直角坐标系下的坐标，并将枯死树在直角坐标系下的坐标作为枯死树的位置信息。
基于上述实施例的内容，作为一种可选实施例，分别输出与每个目标遥感影像对应的目标定位结果之后，还包括：对于多个目标遥感影像中任意相邻的两个第一目标遥感影像和第二目标遥感影像，若根据枯死树的位置信息，判断获知第一目标遥感影像中的第一枯死树与第二目标遥感影像中的第二枯死树之间的距离小于距离阈值，则将第一枯死树与第二枯死树合并定位为一棵枯死树。
具体地，由于将遥感影像进行了裁剪，获得了多个目标遥感影像，因此，可能一棵枯死树位于裁剪的边缘，而被分别裁剪进入了相邻的两个目标遥感影像中。因此，为了在对枯死树计数的过程中避免重复计数，需要对目标遥感影像的边缘处的枯死树进行合并定位。例如对于任意两个相邻的第一目标遥感影像和第二目标遥感影像，若第一目标遥感影像的边缘处存在的第一枯死树与第二目标遥感影像的边缘处存在的第二枯死树之间的距离小于预先设定的距离阈值，则可认为第一枯死树和第二枯死树为同一棵枯死树，并可以合并定位为一棵枯死树。其中，距离的计算可以采用欧式距离的计算方式，距离阈值可通过实地在待定位区域测量枯死树的平均冠幅确定，例如2米冠幅直径。因此，通过合并定位可以避免对枯死树的计数过程中重复计数。
基于上述实施例的内容，作为一种可选实施例，将第一枯死树与第二枯死树合并定位为一棵枯死树之后，还包括：统计遥感影像内枯死树的数量，并根据每棵枯死树的位置信息导出每棵枯死树的经纬度坐标。具体地，在合并定位后，可在定位枯死树的基础上统计待定位区域的遥感影像内全部的枯死树的数量，上述统计的过程具体可以通过ArcGIS软件实现。之后可导出每个枯死树的经纬度坐标，为疫木的砍伐提供数据参考。
参见图4，对本发明实施例提供的上述方法进行说明，步骤1)无人机遥感影像的获取和预处理；步骤2)训练数据集和验证数据集准备；步骤3)构造并训练深度学习网络模型；步骤4)待定位遥感影像数据集的准备；步骤5)枯死树逐个定位预测；步骤6)枯死树定位坐标转换；步骤7)枯死树定位合并和计数。最终的枯死树定位结果可参见图5。
本发明实施例提供的枯死树定位方法，首先获取区域无人机遥感影像和预处理操作，基于采集的无人机影像裁剪部分人工标注并作为深度学习网络的训练数据集和验证数据集；然后构造并训练深度学习网络模型，使用训练好的网络对待定位区域的遥感影像进行定位识别；对提取得到的枯死树坐标信息进行转换，从像素坐标转换到平面坐标或者经纬度坐标，最后进行整个区域枯死树定位合并和计数，能够提高人工目视判读无人机影像上枯死松树的工作效率。
基于上述实施例的内容，本发明实施例提供了一种枯死树定位系统，该枯死树定位系统用于执行上述方法实施例中的枯死树定位方法。参见图6，该系统包括：获取模块601和定位模块602；其中，获取模块601，用于获取待定位区域的遥感影像；定位模块602，用于将遥感影像输入至枯死树定位模型，输出与遥感影像对应的定位结果，定位结果包括待定位区域的遥感影像的枯死树候选框以及每个候选框对应的定位概率，候选框用于指示枯死树的位置信息，定位概率用于指示候选框内存在枯死树的概率；其中，枯死树定位模型是基于样本遥感影像及对应的样本标记采用深度学习训练后获得的。
其中，待定位区域可以是需要进行枯死树检测的一片区域。本发明实施例对枯死树的种类不作限定，以下仅以枯死树为松树为例进行说明。获取模块601获取待定位区域的方式具体可通过无人机获取。定位模块602将待定位区域的遥感影像输入至枯死树定位模型后，该模型能够输出含有候选框的遥感影像以及每个候选框对应的定位概率(或识别概率)。换言之，候选框内可能含有枯死树，定位概率即为含有枯死树的概率。
本发明实施例提供的系统，通过将遥感影像输入至枯死树定位模型，输出与遥感影像对应的定位结果，从而基于深度学习和遥感影像能够自动对待定位区域的枯死树进行定位，相比于现有技术中依靠人工定位枯死树能够有效提高定位效率，并为疫木的砍伐提供数据支撑。
基于上述实施例的内容，作为一种可选实施例，枯死树定位系统还包括：裁剪模块，用于在定位模块将遥感影像输入至枯死树定位模型之前，对遥感影像进行裁剪，以使获得多个目标遥感影像中的每个目标遥感影像与样本遥感影像的大小相同；相应地，定位模块具体用于将多个目标遥感影像分别输入至枯死树定位模型，分别输出与每个目标遥感影像对应的目标定位结果。
本发明实施例提供了一种电子设备，如图7所示，该设备包括：处理器(processor)701、通信接口(Communications Interface)702、存储器(memory)703和通信总线704，其中，处理器701，通信接口702，存储器703通过通信总线704完成相互间的通信。处理器701可以调用存储器703上并可在处理器701上运行的计算机程序，以执行上述各实施例提供的枯死树定位方法，例如包括：获取待定位区域的遥感影像；将遥感影像输入至枯死树定位模型，输出与遥感影像对应的定位结果，定位结果包括待定位区域的遥感影像的枯死树候选框以及每个候选框对应的定位概率，候选框用于指示枯死树的位置信息，定位概率用于指示候选框内存在枯死树的概率；其中，枯死树定位模型是基于样本遥感影像及对应的样本标记采用深度学习训练后获得的。
此外，上述的存储器703中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的枯死树定位方法，例如包括：获取待定位区域的遥感影像；将遥感影像输入至枯死树定位模型，输出与遥感影像对应的定位结果，定位结果包括待定位区域的遥感影像的枯死树候选框以及每个候选框对应的定位概率，候选框用于指示枯死树的位置信息，定位概率用于指示候选框内存在枯死树的概率；其中，枯死树定位模型是基于样本遥感影像及对应的样本标记采用深度学习训练后获得的。
以上所描述的电子设备等实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种枯死树定位方法，其特征在于，包括：
获取待定位区域的遥感影像；
将所述遥感影像输入至枯死树定位模型，输出与所述遥感影像对应的定位结果，所述定位结果包括所述待定位区域的所述遥感影像的枯死树候选框以及每个所述候选框对应的定位概率，所述候选框用于指示枯死树的位置信息，所述定位概率用于指示所述候选框内存在所述枯死树的概率；其中，所述枯死树定位模型是基于样本遥感影像及对应的样本标记采用深度学习训练后获得的；
所述样本遥感影像包括枯死树样本和背景负样本；
所述枯死树样本的制作过程为：首先划定一片区域作为训练区，获取该训练区的遥感影像；然后对训练区的遥感影像内的所有枯死树进行人工标注；根据人工标注的点位数据建立以目标像素大小为半径的圆形缓冲区；接着通过圆形缓冲区生成矩形的最小外包矩阵，然后采用生成的对应像素的最小外包矩阵，批量裁剪该训练区的遥感影像，得到所有带有空间坐标的JPG格式的训练集；
背景负样本的制作过程为，先将训练区的遥感影像进行预设像素大小的分割，得到分割后的栅格，然后人工从中挑选得到预设数量的代表性JPG训练集。
2.根据权利要求1所述的方法，其特征在于，所述将所述遥感影像输入至枯死树定位模型之前，还包括：
对所述遥感影像进行裁剪，以使获得多个目标遥感影像中的每个所述目标遥感影像与所述样本遥感影像的大小相同；
相应地，所述将所述遥感影像输入至枯死树定位模型，输出与所述遥感影像对应的定位结果，包括：
将多个所述目标遥感影像分别输入至所述枯死树定位模型，分别输出与每个所述目标遥感影像对应的目标定位结果。
3.根据权利要求2所述的方法，其特征在于，所述分别输出与每个所述目标遥感影像对应的目标定位结果之后，还包括：
对于每一个所述目标遥感影像中的每一个所述候选框，计算所述候选框在像素坐标系下的中心点坐标；将所述候选框在像素坐标系下的中心点坐标转换为直角坐标系下的坐标，并将所述直角坐标系下的坐标作为所述候选框内的枯死树的位置信息。
4.根据权利要求2所述的方法，其特征在于，所述分别输出与每个所述目标遥感影像对应的目标定位结果之后，还包括：
对于所述多个目标遥感影像中任意相邻的两个第一目标遥感影像和第二目标遥感影像，若根据所述枯死树的位置信息，判断获知所述第一目标遥感影像中的第一枯死树与第二目标遥感影像中的第二枯死树之间的距离小于距离阈值，则将所述第一枯死树与所述第二枯死树合并定位为一棵枯死树。
5.根据权利要求4所述的方法，其特征在于，所述将所述第一枯死树与所述第二枯死树合并定位为一棵枯死树之后，还包括：
统计所述遥感影像内所述枯死树的数量，并根据每棵所述枯死树的位置信息导出每棵所述枯死树的经纬度坐标。
6.根据权利要求1所述的方法，其特征在于，所述枯死树定位模型是基于样本遥感影像及对应的样本标记对Faster RCNN深度学习模型训练后获得的。
7.一种枯死树定位系统，其特征在于，包括：
获取模块，用于获取待定位区域的遥感影像；
定位模块，用于将所述遥感影像输入至枯死树定位模型，输出与所述遥感影像对应的定位结果，所述定位结果包括所述待定位区域的所述遥感影像的枯死树候选框以及每个所述候选框对应的定位概率，所述候选框用于指示枯死树的位置信息，所述定位概率用于指示所述候选框内存在所述枯死树的概率；其中，所述枯死树定位模型是基于样本遥感影像及对应的样本标记采用深度学习训练后获得的；
所述样本遥感影像包括枯死树样本和背景负样本；
所述枯死树样本的制作过程为：首先划定一片区域作为训练区，获取该训练区的遥感影像；然后对训练区的遥感影像内的所有枯死树进行人工标注；根据人工标注的点位数据建立以目标像素大小为半径的圆形缓冲区；接着通过圆形缓冲区生成矩形的最小外包矩阵，然后采用生成的对应像素的最小外包矩阵，批量裁剪该训练区的遥感影像，得到所有带有空间坐标的JPG格式的训练集；
背景负样本的制作过程为，先将训练区的遥感影像进行预设像素大小的分割，得到分割后的栅格，然后人工从中挑选得到预设数量的代表性JPG训练集。
8.根据权利要求7所述的系统，其特征在于，还包括：
裁剪模块，用于在定位模块将所述遥感影像输入至枯死树定位模型之前，对所述遥感影像进行裁剪，以使获得多个目标遥感影像中的每个所述目标遥感影像与所述样本遥感影像的大小相同；相应地，
所述定位模块具体用于将多个所述目标遥感影像分别输入至所述枯死树定位模型，分别输出与每个所述目标遥感影像对应的目标定位结果。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述枯死树定位方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述枯死树定位方法的步骤。
CN201811312043.8A 2018-11-06 2018-11-06 枯死树定位方法及系统 Active CN109657540B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811312043.8A CN109657540B (zh) 2018-11-06 2018-11-06 枯死树定位方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811312043.8A CN109657540B (zh) 2018-11-06 2018-11-06 枯死树定位方法及系统

Publications (2)

Publication Number Publication Date
CN109657540A CN109657540A (zh) 2019-04-19
CN109657540B true CN109657540B (zh) 2020-11-27

Family

ID=66110091

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811312043.8A Active CN109657540B (zh) 2018-11-06 2018-11-06 枯死树定位方法及系统

Country Status (1)

Country Link
CN (1) CN109657540B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2021246276A1 (en) * 2020-04-02 2022-10-27 Grace And Kowloon Holdings Limited Tree image data acquisition
CN111582176A (zh) * 2020-05-09 2020-08-25 湖北同诚通用航空有限公司 一种可见光遥感图像枯死木识别软件系统及识别方法
CN116310793B (zh) * 2023-02-08 2024-01-23 西南林业大学 山地枯死树识别定位方法、装置、设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3340130A1 (en) * 2016-12-23 2018-06-27 Hexagon Technology Center GmbH Method for prediction of soil and/or plant condition
CN106910188B (zh) * 2017-02-16 2020-07-31 苏州中科天启遥感科技有限公司 基于深度学习的遥感影像中机场跑道的检测方法
CN108363951B (zh) * 2018-01-11 2022-02-22 东南大学 遥感影像地类识别对应深度学习样本库的自动获取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《基于无人机图像分形特征油松受灾级别判定》;费云巧等;《计算机应用研究》;20170430;第1253-1258页 *
《无人机监测林业有害生物初探》;吕晓君等;《湖北林业科技》;20160831;第30-33页 *

Also Published As

Publication number Publication date
CN109657540A (zh) 2019-04-19

Similar Documents

Publication Publication Date Title
US10015360B1 (en) Image-based field boundary detection and identification
CN111986099B (zh) 基于融合残差修正的卷积神经网络的耕地监测方法及系统
CN109657540B (zh) 枯死树定位方法及系统
CN111666855B (zh) 基于无人机的动物三维参数提取方法、系统及电子设备
CN111028255A (zh) 基于先验信息与深度学习的农田区域预筛选方法及装置
US12118807B2 (en) Apparatus and method for three-dimensional object recognition
Röder et al. Application of optical unmanned aerial vehicle-based imagery for the inventory of natural regeneration and standing deadwood in post-disturbed spruce forests
CN112560623B (zh) 一种基于无人机的红树植物种类快速识别方法
CN107818303A (zh) 无人机油气管线影像自动对比分析方法、系统及软件存储器
EP3680608A1 (en) Antenna downward inclination angle measurement method based on multi-scale detection algorithm
CN115115954A (zh) 基于无人机遥感的松材线虫病疫区变色立木智能识别方法
CN115512238A (zh) 病害区域的确定方法、装置、存储介质及电子装置
CN116152177A (zh) 疫木识别方法、装置、计算机设备及计算机可读存储介质
CN112084989A (zh) 基于无人机与cnn的大范围松材线虫病枯立木智能检测方法
CN117392382A (zh) 一种基于多尺度密集实例检测的单木果树分割方法与系统
CN113033386B (zh) 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统
Zheng et al. Single shot multibox detector for urban plantation single tree detection and location with high-resolution remote sensing imagery
CN114880730A (zh) 确定目标设备的方法、装置及光伏系统
Khalid et al. Evaluation the accuracy of oil palm tree detection using deep learning and support vector machine classifiers
CN113807309A (zh) 一种基于深度学习的果园机械行走路线规划方法
Xiao et al. Individual tree detection from multi-view satellite images
CN108537108A (zh) 一种东亚飞蝗龄期识别方法及装置
JP5352435B2 (ja) 分類画像作成装置
CN114782844B (zh) 一种松材线虫病树识别方法、系统和存储介质
KR102416714B1 (ko) 3차원 이미지 및 딥러닝을 활용한 도시 규모 나무 지도 작성 시스템 및 방법

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant