CN109829372A - 树木间伐方法、装置、电子设备及计算机可读存储介质 - Google Patents

Abstract

本公开实施例公开了一种树木间伐方法、装置、电子设备及计算机可读存储介质，其中，该方法包括获取目标区域的图像数据；其中，所述目标区域至少包括一棵树木；将所述图像数据输入至预设的间伐策略模型，获得所述目标区域的间伐决策；其中，所述间伐策略模型包括感知子模型和决策子模型。本公开实施例能够自动给出人工树林的全面间伐决策，能够大大提高间伐抚育的效率，进而节省人力成本，提升抚育效率。

Description

树木间伐方法、装置、电子设备及计算机可读存储介质

技术领域

本公开涉及人工智能技术领域，具体涉及一种树木间伐方法、装置、电子设备及计算机可读存储介质。

背景技术

近年来，随着各种环境问题的出现，政府和社会越来越重视树木绿化工作，对森林里的树木及时进行各种森林抚育工作，有利于树木更好地生长。然而，目前森林工业仍然属于一个传统行业，主要工作由人工完成。

随着人工智能技术的发展，一些传统的图像识别、任务规划工作逐步可以转为机器来实现，这也为森林工业的自动化提供了广阔的技术应用空间。在抚育工作中，一些半自动和自动的抚育设备已经被开发出来，其中较多的技术是针对修枝抚育作业开发的。也就是对一棵树木的修枝作业能够通过自动化或半自动化设备高效的完成。

然而，间伐抚育作为一种针对森林片区的抚育作业，则在当前的自动化技术中少有提及，这是由于间伐抚育需要对一片森林进行多维度的评估，该过程在过去需要通过人工的经验结合各种间伐策略模型来完成，机器往往难以胜任。

发明内容

本公开实施例提供一种树木间伐方法、装置、电子设备及计算机可读存储介质。

第一方面，本公开实施例中提供了一种树木间伐方法。

具体的，所述树木间伐方法，包括：

获取目标区域的图像数据；其中，所述目标区域至少包括一棵树木；

将所述图像数据输入至预设的间伐策略模型，获得所述目标区域的间伐决策；其中，所述间伐策略模型包括感知子模型和决策子模型。

进一步地，所述间伐决策至少包括间伐目标、间伐周期和/或间伐强度。

进一步地，所述感知子模型通过训练数据训练得到。

进一步地，将所述图像数据输入至预设的间伐策略模型，获得所述目标区域的间伐决策，包括：

将所述图像数据输入到所述感知子模型，获得所述目标区域中单棵树木的第一感知信息和/或所述目标区域中整片森林的第二感知信息；

将所述目标区域中单棵树木的第一感知信息和/或所述目标区域中整片森林的第二感知信息输入到所述决策子模型，获得所述目标区域的间伐决策。

进一步地，所述树木间伐方法，还包括：

获取第一训练数据；其中，所述第一训练数据包括样本区域的样本图像和标注结果，所述标注结果包括样本区域中单棵树木的第一感知信息标注结果和/或所述样本区域中整片森林的第二感知信息标注结果；

利用所述第一训练数据训练第一人工智能子模型，获得所述感知子模型。

进一步地，所述决策子模型为预先训练好的第二人工智能子模型或者预定义的间伐决策判断规则。

第二方面，本公开实施例提供了一种树木间伐装置，包括：

第一获取模块，用于获取目标区域的图像数据；其中，所述目标区域至少包括一棵树木；

第二获取模块，用于将所述图像数据输入至预设的间伐策略模型，获得所述目标区域的间伐决策；其中，所述间伐策略模型包括感知子模型和决策子模型。

进一步地，所述间伐决策至少包括间伐目标、间伐周期和/或间伐强度。

进一步地，所述感知子模型通过训练数据训练得到。

进一步地，所述第二获取模块，包括：

第一获取子模块，用于将所述图像数据输入到所述感知子模型，获得所述目标区域中单棵树木的第一感知信息和/或所述目标区域中整片森林的第二感知信息；

第二获取子模块，用于将所述目标区域中单棵树木的第一感知信息和/或所述目标区域中整片森林的第二感知信息输入到所述决策子模型，获得所述目标区域的间伐决策。

进一步地，所述树木间伐装置，还包括：

第三获取模块，用于获取第一训练数据；其中，所述第一训练数据包括样本区域的样本图像和标注结果，所述标注结果包括样本区域中单棵树木的第一感知信息标注结果和/或所述样本区域中整片森林的第二感知信息标注结果；

第四获取模块，用于利用所述第一训练数据训练第一人工智能子模型，获得所述感知子模型。

进一步地，所述决策子模型为预先训练好的第二人工智能子模型或者预定义的间伐决策判断规则。

所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。

在一个可能的设计中，树木间伐装置的结构中包括存储器和处理器，所述存储器用于存储一条或多条支持树木间伐装置执行上述第一方面中树木间伐方法的计算机指令，所述处理器被配置为用于执行所述存储器中存储的计算机指令。所述树木间伐装置还可以包括通信接口，用于树木间伐装置与其他设备或通信网络通信。

第三方面，本公开实施例提供了一种电子设备，包括存储器和处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现第一方面所述的方法步骤。

第四方面，本公开实施例提供了一种计算机可读存储介质，用于存储树木间伐装置所用的计算机指令，其包含用于执行上述第一方面中树木间伐方法所涉及的计算机指令。

本公开实施例提供的技术方案可以包括以下有益效果：

本公开实施例提出在对人工树林的间伐过程中，可以通过预先获取间伐目标区域中的图像数据，进而根据图像数据以及预设的间伐策略模型获得间伐决策；间伐策略模型包括感知子模型和决策子模型，能够自动识别出图像数据中树林的相关信息，进而根据预先训练过的模式给出相应的间伐决策。通过本公开实施例能够自动给出人工树林的全面间伐决策，能够大大提高间伐抚育的效率，进而节省人力成本，提升抚育效率；进一步，还可以将本公开的方法拓展成具有自主行走和任务执行的设备，使得该设备能够自主的不间断巡回不同的目标区域，完成大片林区的间伐决策或直接完成间伐作业。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

结合附图，通过以下非限制性实施方式的详细描述，本公开的其它特征、目的和优点将变得更加明显。在附图中：

图1示出根据本公开一实施方式的树木间伐方法的流程图；

图2示出根据本公开一实施方式的目标区域的示例性示意图；

图3示出图2中的目标区域在利用本公开一实施方式处理后的目标区域的示例性示意图；

图4示出根据图1所示实施方式的步骤S102的流程图；

图5示出根据本公开另一实施方式的树木间伐方法的流程图；

图6示出根据本公开一实施方式的树木间伐方法中形成间伐决策的示例性示意图；

图7给出了能够用于本公开一实施方式提出的树木间伐方法的潜在设备系统结构示意图；

图8示出根据本公开一实施方式的树木间伐装置的结构框图；

图9是适于用来实现根据本公开一实施方式的树木间伐方法的电子设备的结构示意图。

具体实施方式

下文中，将参考附图详细描述本公开的示例性实施方式，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施方式无关的部分。

在本公开中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。

另外还需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出根据本公开一实施方式的树木间伐方法的流程图。如图1所示，所述树木间伐方法包括以下步骤S101-S102：

在步骤S101中，获取目标区域的图像数据；其中，所述目标区域至少包括一棵树木；

在步骤S102中，将所述图像数据输入至预设的间伐策略模型，获得所述目标区域的间伐决策；其中，所述间伐策略模型包括感知子模型和决策子模型。

在下文中将对步骤S101和S102分别做进一步的描述。

步骤S101

在本实施例中，树木间伐作业是指在一片森林，尤其是在未成熟的人工或自然森林内，对特定的树木的部分和全部进行砍伐，使得剩余树木能够由于获得更好的阳光、土壤、水分等资源进而更优质的生长的作业。树木间伐作业可以由人工或机器完成，其中，机器可以自动或半自动化的执行间伐作业。

目标区域可以包括森林的部分区域或者全部区域，目标区域至少包括森林中的任意一棵单棵树木。图像数据是指单棵树木或一片区域中多棵树木的图像信息。在本实施例中，可以通过图像传感器从目标区域中获得图像数据，其中，图像数据可以通过可见光传感器、红外图像传感器、激光测距传感器的一种或组合得到。图像传感器可以为单传感器、双目传感器、传感器阵列等可以实现采集目标区域图像信息的传感器，在此不做限定。

图2示出根据本公开一实施方式的目标区域的示例性示意图，如图2所示，森林中包括多棵树木，其中所关注的目标区域包括树木A、树木B和树木C。其中树木A与树木B为同一阔叶树种，树木C为针叶树种。

步骤S102

在本实施例中，间伐决策可以是针对目标区域，能够用于指示间伐作业所需的决策数据信息。间伐策略模型可以是卷积神经网络、深度神经网络、LSTM、随机森林、决策树等模型中的一种或多种，预先经过训练数据训练得到，间伐策略模型至少能够基于目标区域的图像数据预测出目标区域的间伐决策。在把已获取的目标区域的图像数据输入至间伐策略模型后，间伐策略模型可以通过处理图像数据，从而输出目标区域的间伐策略。

图3示出图2中的目标区域在利用本公开一实施方式处理后的目标区域的示例性示意图，如图3所示，一个简单的间伐决策示例为对树木B进行砍伐。由于树木B的生长态势较弱，树高和胸径均较小，并且树A和树C形成的森林郁闭度已经较高，未来树木B无法得到较好的成长，因此树木B成为间伐决策的目标。间伐策略模型可以包括感知子模型和决策子模型，例如间伐策略模型先通过感知子模型从图像数据中获取树木以及环境等中的一些感知信息，再将感知子模型得到的数据输入至决策子模型，并由决策子模型对感知信息进行处理，进而得到间伐决策。

本公开实施例提出在对人工树林的间伐过程中，可以通过预先获取间伐目标区域中的图像数据，进而根据图像数据以及预设的间伐策略模型获得间伐决策；间伐策略模型包括感知子模型和决策子模型，能够自动识别出图像数据中树林的相关信息，进而根据预先训练过的模式给出相应的间伐决策。通过本公开实施例能够自动给出人工树林的全面间伐决策，能够大大提高间伐抚育的效率，进而节省人力成本，提升抚育效率；

在本实施例的一个可选实现方式中，所述间伐决策至少包括间伐目标、间伐周期和/或间伐强度。

在本实施例中，间伐目标可以是间伐作业需要部分或全部砍伐的树木目标；间伐周期可以是进行多次间伐作业的时间间隔；间伐强度可以是间伐作业的强度，包括间伐作业后树木间距、间伐后森林郁闭度、间伐目标的材积、间伐后森林材积等因素。

在本实施例的一个可选实现方式中，所述感知子模型通过训练数据训练得到。

在本实施例中，感知子模型通过训练数据训练得到。由于森林图像为非标准化产品，树木的形态、分布和环境往往带有大量的随机性，使用传统的机器视觉很难直接得到用于决策的感知信息，因此感知子模型可以使用卷积神经网络和深度神经网络等机器学习方法，从图像数据中获取树木以及环境等中的一些感知信息，在此不做具体限定。此时对于当前目标区域，感知子模型从图像数据中获得了感知信息，因此决策子模型得到的是抽象数据信息，其可以根据该抽象数据信息形成间伐决策。

在本实施例的一个可选实现方式中，如图4所示，所述步骤S102，即将所述图像数据输入至预设的间伐策略模型，获得所述目标区域的间伐决策的步骤，进一步包括以下步骤S401-S402：

在步骤S401中，将所述图像数据输入到所述感知子模型，获得所述目标区域中单棵树木的第一感知信息和/或所述目标区域中整片森林的第二感知信息；

在步骤S402中，将所述目标区域中单棵树木的第一感知信息和/或所述目标区域中整片森林的第二感知信息输入到所述决策子模型，获得所述目标区域的间伐决策。

在下文中将对步骤S401和S402分别做进一步的描述。

步骤S401

在本实施例中，将以感知子模型采用神经网络的机器学习方法为例进行举例说明，但需要说明的是本公开中的感知子模型并不限于神经网络，其他机器学习方法同样能够适用。图像传感器将当前目标区域的图像数据的一帧或多帧发送至感知子模型的神经网络，得到当前目标区域的树木感知信息。其中，感知信息已经从图像信息转化为用于决策的抽象数据。例如，感知子模型可以分离识别出单棵树木的第一感知信息，其中，单棵树木的第一感知信息包括但不限于单棵树木树种、位置、材积、形态(圆直度)等；感知子模型还可以识别出目标区域中整片森林的第二感知信息，其中，整片森林的第二感知信息包括但不限于森林郁闭度、材积等。如果本地存储了历史上该目标区域的图像数据，感知子模型还可以根据历史数据以及当前目标区域的图像数据得到单棵树木或整片森林的生长态势，例如新增材积、生长速度等。

步骤S402

在本实施例中，将感知子模型获取的单棵树木的第一感知信息和/或所述目标区域中整片森林的第二感知信息输入到决策子模型中，此时对于当前目标区域，决策子模型得到了抽象数据信息，并根据该抽象数据信息形成目标区域的间伐决策。在一些实施例中，由于决策子模型适用抽象数据信息进行决策，因此决策子模型可以使用基于规则的方法，通过预定义的规则，判断目标区域的间伐决策。在另一些实施例中，由于树木分布的随机性，决策子模型也可以使用基于训练数据的机器学习方法来做出目标区域的间伐决策。

在本实施例的一个可选实现方式中，如图5所示，所述树木间伐方法，进一步包括以下步骤S501-S502：

在步骤S501中，获取第一训练数据；其中，所述第一训练数据包括样本区域的样本图像和标注结果，所述标注结果包括样本区域中单棵树木的第一感知信息标注结果和/或所述样本区域中整片森林的第二感知信息标注结果；

在步骤S502中，利用所述第一训练数据训练第一人工智能子模型，获得所述感知子模型。

在本实施例中，获取第一训练数据，其中，所述第一训练数据包括样本区域的样本图像和标注结果，其中，样本图像是通过图像传感器所获取的样本区域的图像数据，样本区域可以是包括至少一棵树木的区域或者森林；而标注结果包括该样本区域中单棵树木的第一感知信息标注结果和/或样本区域中整片森林的第二感知信息标注结果。单棵树木的第一感知信息标注结果包括但不限于单棵树木的树种、位置、材积、形态(圆直度)等的标注结果；整片森林的第二感知信息包括但不限于森林的郁闭度、材积等的标注结果。利用所获得的第一训练数据，即样本区域的样本图像和标注结果，训练第一人工智能子模型，从而获得感知子模型。

在一可选的实现方式中，所述第一感知信息为将单棵树木的感知数据量化后得到的数据；和/或，所述第二感知信息为将整片森林的感知数据量化后得到的数据。

该可选的实现方式中，感知子模型可以分离识别出单棵树的第一感知信息，例如每棵树的树种、每棵树的位置、每棵树的材积、每棵树的形态(圆直度)等量化后的数字实体，而非图像数据；感知子模型还可以识别出森林的第二感知信息，例如森林郁闭度、森林材积等量化后的数字实体。如果抚育决策模块本地存储于历史该区域的图像数据，感知子模型还可以得到单棵树木或森林的生长态势，例如新增材积、生长速度等量化后的数字实体。感知子模型可以为每一棵树木创建一个数字实体，用于记录该树木在当前区域中的状态。使用SLAM算法或其他图像处理再或者激光距离传感器的方法，感知子模型还可以得到每棵树木的位置信息等量化后的数字实体。

在一可选的实现方式中，步骤S101，即获取目标区域的图像数据的步骤，包括：

获取多个图像数据，使得所述多个图像数据至少能够覆盖所述目标区域；

步骤S102，即将所述图像数据输入至预设的间伐策略模型，获得所述目标区域的间伐决策得步骤，包括：

所述感知层模型根据所述多个图像数据获得完整的所述目标区域的所述第一感知信息和/或所述第二感知信息；

所述决策层模型根据所述第一感知信息和/或第二感知信息获得所述目标区域的间伐决策。

该可选的实现方式中，由于间伐作业往往针对于一大片森林，而图像传感器仅能获得当前一块目标区域的图像信息，因此在该可选的实现方式中抚育决策模块可以接收多帧图像，不同帧的图像对应于不同的目标区域，并在决策层感受到整片森林的感知数据之后，再进行间伐决策的生成。

在一可选的实现方式中，步骤S102，即将所述图像数据输入至预设的间伐策略模型，获得所述目标区域的间伐决策的步骤，包括：

将所述图像数据和间伐原则同时输入至所述间伐策略模型，获得所述目标区域的间伐决策；其中，所述间伐原则为人为设定的树木优化目标。

该可选的实现方式中，还可以接收外部配置信息，该配置信息可以由人工对当前森林的间伐原则进行设定，并通过该间伐原则调整最终的间伐策略。例如，一个简单的间伐原则可以划分为按最大出材率抚育和按照单株形态(胸径、圆直度)的方式。这种配置的差异来自于未来对当前森林中树木的利用方式决定的，如果当前森林为用于生产纸浆或发电，则材积为最终抚育优化目标，而如果当前森林未来用于生产高品质家具产品，则单株形态为最终抚育优化目标。这个设置会改变最终的间伐策略。

下面将以感知子模型采用神经网络的机器学习方法为例进行举例说明，但本公开并不限于此。感知子模型使用基于大量森林数据训练的神经网络来完成任务，例如标注有不同树种的训练数据可以使得神经网络识别出树木的种类，对树干和树冠的标注数据可以使得神经网络分离出树干部和树冠部，其中树干部的图像还可以进一步用于识别树干的胸径，圆直度等信息。其中树冠部分可以用于识别树木的生长态势，以及基于多棵树木树冠图像识别森林的郁闭度。感知子模型可以为每一棵树木创建一个数字实体，用于记录该树木在当前区域中的状态。使用SLAM算法或其他图像处理再或者激光距离传感器的方法，感知子模型可以得到每课树木的位置信息。

此时，第一训练数据中的标注结果是数字实体的数据，标注结果为间伐策略的各种信息，例如最简单的间伐目标为一个数字实体的标识。图6示出根据本公开一实施方式的树木间伐方法中形成间伐决策的示例性示意图，下面通过图4的示例来阐述上述标注结果的过程。如图6所示，感知子模型通过图像传感器传来的样本图像数据，在图像中识别出了不同的树木实体：树木A、树木B、树木C和杂草。对树木A的进一步识别，得到了树木的树高、树种、树冠部分图像及树干部分图像。对树干部分的识别给出了胸径、圆直度等数据。类似的，树木B、树木C的对应数据也一并得到。进一步，感知子模型对每课树木建立对应的数字实体：树木A、树木B、树木C、杂草以及对应的参数输出到决策子模型。注意，图6中的树木的参数识别在此处仅作为一个参考，尽管其中所列为较为重要的参数，但是在该方法的启示下，其他关于树木的参数均可以通过感知子模型的处理关联到对应的数字实体之上。并且，感知子模型也可以通过接收其他传感器的数据来得到树木相关的其他参数。

在本实施例的一个可选实现方式中，所述决策子模型为预先训练好的第二人工智能子模型或者预定义的间伐决策判断规则。

在本公开一实施例中，决策子模型为预定义的间伐决策判断规则，这种决策子模型更适用于规则较为明确的人工林。以下通过示例来解释具体的决策方法，首先获得当前目标区域的树种信息，由于人工林的树种较为固定，是人工设定的，因此可以将识别到的非目标树种的树木标定为间伐对象。其次，将目标树种之间的间距、树高、树冠、郁闭度等数据输入至间伐策略模型，得到需要砍伐的目标树木。

在本公开实施例一可选的实现方式中，决策子模型还可以包括间伐决策评估子模型。在一实施例中，树木间伐方法还可以包括：利用所述间伐决策评估子模型对所述间伐决策进行评估。间伐决策评估子模型可以通过对利用间伐决策间伐后的目标森林状况进行评估，得到间伐策决策是否满足预定的优化结果。例如，按照离线的森林工业数据，建立优化的人工林生长模型，该模型可以包括对应区域的优化植株间距、植株高度和胸径分布等数据，并评估间伐后森林状态与最优数据之间的匹配度，当匹配度较高时，则认为当前的间伐策略是较优的。

在本公开另一实施例中，决策子模型为预先训练好的第二人工智能子模型，这种决策子模型更适用于材种分布不规律、间伐策略缺少可定义特征的自然林。以下通过示例来解释具体的决策方法，首先，获得大量感知子模型获得的实际森林环境的数据，并通过人工的方法得到间伐策略，并在决策子模型的输入中完成对间伐策略的标注。进一步，根据标注的决策子模型输入数据训练一个机器学习模型，得到决策子模型所使用的模型。如图6所示，一个简单的间伐策略为按照树木单位，给出砍伐或保留的二元决策结果。例如，当前区域的间伐策略为保留树木A、树木C，砍伐树木B以及对应的杂草。此处，决策层还可以输入更为高级的决策结果，例如抚育周期、抚育强度等参数。优选地，用于训练机器学习模型的训练数据需要分布在不同的抚育决策场景，以增加模型应对环境的多样性。在本发明的启示下，其他任何的相关决策均应被视作与上述示例等同。

在本实施例的一个可选实现方式中，上述树木间伐方法可以应用在一个具有自主行走的机械系统之中。当系统获得当前目标区域的图像传感器之后，可以自主移动到下一个区域，并通过图像传感器得到新的目标区域的图像。同时，机械系统还可以包括一个标记设备，向确定的砍伐目标喷射标记。再或者，系统还包括一个执行设备，直接用于执行砍伐任务。

图7给出了能够用于本公开一实施方式提出的树木间伐方法的潜在设备系统结构示意图。如图7所示，整个系统划分为三个子系统，传感子系统包括至少一个图像传感器，并且根据需要可以配置其他类型的传感器，例如激光测距传感器、IMU、GPS等不同的传感器；决策子系统从传感子系统获得传感数据，并生成间伐抚育决策，其中决策子系统也负责提供自主行走和设备控制的决策。在决策子系统中，感知模块负责根据传感子系统传入的数据完成当前环境的感知，并进一步将感知数据传入决策模块。除此之外，决策子系统还包括森林生长模型库，用于辅助决策模块更好的根据当前感知数据生成决策。另外，决策子系统还可以包括一个地图子系统，该子系统包括了不同区域的地形以及森林状态数据，该数据可以辅助决策子系统完成自主行走导航，寻找匹配的森林生长模型，对感知数据进行微调等作用；控制子系统从传感子系统和决策子系统获得控制策略，并驱动对应的间伐装置完成任务。除此之外，设备系统还包括人机交互子系统，用于接收用户指令和配置信息。

下述为本公开装置实施例，可以用于执行本公开方法实施例。

图8示出根据本公开一实施方式的树木间伐装置的结构框图，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图8所示，所述树木间伐装置包括第一获取模块801和第二获取模块802：

第一获取模块801，用于获取目标区域的图像数据；其中，所述目标区域至少包括一棵树木；

第二获取模块802，用于将所述图像数据输入至预设的间伐策略模型，获得所述目标区域的间伐决策；其中，所述间伐策略模型包括感知子模型和决策子模型。

在一些实施例中，所述间伐决策至少包括间伐目标、间伐周期和/或间伐强度。

在一些实施例中，所述感知子模型通过训练数据训练得到。

在一些实施例中，所述第二获取模块，包括：

第一获取子模块，用于将所述图像数据输入到所述感知子模型，获得所述目标区域中单棵树木的第一感知信息和/或所述目标区域中整片森林的第二感知信息；

第二获取子模块，用于将所述目标区域中单棵树木的第一感知信息和/或所述目标区域中整片森林的第二感知信息输入到所述决策子模型，获得所述目标区域的间伐决策。

在一些实施例中，所述树木间伐装置，还包括：

第三获取模块，用于获取第一训练数据；其中，所述第一训练数据包括样本区域的样本图像和标注结果，所述标注结果包括样本区域中单棵树木的第一感知信息标注结果和/或所述样本区域中整片森林的第二感知信息标注结果；

第四获取模块，用于利用所述第一训练数据训练第一人工智能子模型，获得所述感知子模型。

在一些实施例中，所述决策子模型为预先训练好的第二人工智能子模型或者预定义的间伐决策判断规则。

上述实施例中提出的树木间伐装置与上述树木间伐方法对应一致，具体细节可参见上述对树木间伐方法的描述，在此不再赘述。

图9是适于用来实现根据本公开一实施方式的树木间伐方法的电子设备的结构示意图。

如图9所示，电子设备900包括中央处理单元(CPU)901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行上述图1所示的实施方式中的各种处理。在RAM903中，还存储有电子设备900操作所需的各种程序和数据。CPU901、ROM902以及RAM903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。

以下部件连接至I/O接口905：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。

特别地，根据本公开的实施方式，上文参考图1描述的方法可以被实现为计算机软件程序。例如，本公开的实施方式包括一种计算机程序产品，其包括有形地包含在及其可读介质上的计算机程序，所述计算机程序包含用于执行图1所示方法的程序代码。在这样的实施方式中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。

附图中的流程图和框图，图示了按照本公开各种实施方式的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，路程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施方式中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。作为另一方面，本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施方式中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种树木间伐方法，其特征在于，包括：

获取目标区域的图像数据；其中，所述目标区域至少包括一棵树木；

将所述图像数据输入至预设的间伐策略模型，获得所述目标区域的间伐决策；其中，所述间伐策略模型包括感知子模型和决策子模型。

2.根据权利要求1所述的方法，其特征在于，所述间伐决策至少包括间伐目标、间伐周期和/或间伐强度。

3.根据权利要求1或2所述的方法，其特征在于，所述感知子模型通过训练数据训练得到。

4.根据权利要求1或2所述的方法，其特征在于，将所述图像数据输入至预设的间伐策略模型，获得所述目标区域的间伐决策，包括：

将所述图像数据输入到所述感知子模型，获得所述目标区域中单棵树木的第一感知信息和/或所述目标区域中整片森林的第二感知信息；

将所述目标区域中单棵树木的第一感知信息和/或所述目标区域中整片森林的第二感知信息输入到所述决策子模型，获得所述目标区域的间伐决策。

5.根据权利要求3所述的方法，其特征在于，还包括：

获取第一训练数据；其中，所述第一训练数据包括样本区域的样本图像和标注结果，所述标注结果包括样本区域中单棵树木的第一感知信息标注结果和/或所述样本区域中整片森林的第二感知信息标注结果；

利用所述第一训练数据训练第一人工智能子模型，获得所述感知子模型。

6.根据权利要求1或2所述的方法，其特征在于，所述决策子模型为预先训练好的第二人工智能子模型或者预定义的间伐决策判断规则。

7.一种树木间伐装置，其特征在于，包括：

第一获取模块，用于获取目标区域的图像数据；其中，所述目标区域至少包括一棵树木；

第二获取模块，用于将所述图像数据输入至预设的间伐策略模型，获得所述目标区域的间伐决策；其中，所述间伐策略模型包括感知子模型和决策子模型。

8.根据权利要求7所述的装置，其特征在于，所述间伐决策至少包括间伐目标、间伐周期和/或间伐强度。

9.一种电子设备，其特征在于，包括存储器和处理器；其中，

所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现权利要求1-6任一项所述的方法步骤。

10.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该计算机指令被处理器执行时实现权利要求1-6任一项所述的方法步骤。