CN110084120B - 海岛环境下的植被调查方法、装置、系统、设备和介质 - Google Patents

海岛环境下的植被调查方法、装置、系统、设备和介质 Download PDF

Info

Publication number
CN110084120B
CN110084120B CN201910232680.2A CN201910232680A CN110084120B CN 110084120 B CN110084120 B CN 110084120B CN 201910232680 A CN201910232680 A CN 201910232680A CN 110084120 B CN110084120 B CN 110084120B
Authority
CN
China
Prior art keywords
plant
image
aerial vehicle
unmanned aerial
island
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
CN201910232680.2A
Other languages
English (en)
Other versions
CN110084120A (zh
Inventor
李定林
华丕龙
彭鹏
陈满
江淑文
刘广立
韩正洋
石江健
张昊英
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.)
Peak and Frequency Regulation Power Generation Co of China Southern Power Grid Co Ltd
Sun Yat Sen University
Original Assignee
Peak and Frequency Regulation Power Generation Co of China Southern Power Grid Co Ltd
Sun Yat Sen University
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 Peak and Frequency Regulation Power Generation Co of China Southern Power Grid Co Ltd, Sun Yat Sen University filed Critical Peak and Frequency Regulation Power Generation Co of China Southern Power Grid Co Ltd
Priority to CN201910232680.2A priority Critical patent/CN110084120B/zh
Publication of CN110084120A publication Critical patent/CN110084120A/zh
Application granted granted Critical
Publication of CN110084120B publication Critical patent/CN110084120B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Image Processing (AREA)

Abstract

发明公开了海岛环境下的植被调查方法、装置、系统、设备和介质、针对于需要进行植被调查的海岛，首先获取无人机航拍的多张二维地形图像，对海岛植被地形进行三维重建，得到海岛的三维地形图；然后根据无人机拍摄指定区域的植物图像时的位置坐标，确定出无人机拍摄的植物图像所属指定区域位于三维地形图中的位置；针对无人机拍摄到的指定区域的多张植物图像，选取存在植物叶片的图像，并且将其中的植物叶片分割出来，得到植物叶片目标；将上述获取到的植物叶片目标与植物叶片图像数据库进行对比，根据对比结果识别到物种信息。本发明能够快速以及准确的实现海岛环境植被调查的优点，为海岛上的植被资源勘察提供了一种快速安全的方法。

Description

海岛环境下的植被调查方法、装置、系统、设备和介质
技术领域
本发明涉及植被调查技术领域，特别涉及一种海岛环境下的植被调查方法、装置、系统、设备和介质。
背景技术
我国有岛屿众多约有11000多个，占我国陆地面积的0.8％，空间分布范围广，各大气候区都有分布，岛屿之间的环境差异显著，拥有丰富的植物物种多样性。海岛的研究具有更多的特殊性，很多无人岛没有修建码头，登岛困难，人员很难靠岸登岛进行植被研究。海岛的地形具有复杂性，往往岩石裸露，干热、强风、土层浅薄，悬崖峭壁林立，在这样的野外环境中考察植被，具有较大的安全隐患。海岛属于片段化的生境，每一个海岛都构成一个独立的生态系统，导致岛屿之间的微环境有很明显的差异，使得植物群落类型和物种组成对于环境的响应结果有很大的不同，因此，对岛屿植物的研究与利用意义重大。
由于海岛环境的复杂性，现有的人工亲临现场观察海岛图像的植被调查方法已经不适合在海岛上应用了。
发明内容
本发明的第一目的在于克服现有技术的缺点与不足，提供一种海岛环境下的植被调查方法，该方法能够快速以及准确的实现海岛环境的植被调查。
本发明的第二目的在于提供一种海岛环境下的植被调查装置。
本发明的第三目的在于提供一种海岛环境下的植被调查系统。
本发明的第四目的在于提供一种计算设备。
本发明的第五目的在于提供一种存储介质。
本发明的第一目的通过下述技术方案实现：一种海岛环境下的植被调查方法，步骤如下：
针对于需要进行植被调查的海岛，获取无人机航拍的多张二维地形图像，根据无人机每次航拍到的二维地形图像以及无人机每次航拍二维地形图像时的位置坐标对海岛植被地形进行三维重建，得到海岛的三维地形图；
获取无人机拍摄到的指定区域的多张植物图像，根据无人机拍摄指定区域的植物图像时的位置坐标，确定出无人机拍摄的植物图像所属指定区域位于三维地形图中的位置；
针对于无人机拍摄到的指定区域的每张植物图像，首先对其进行切分处理，将其中的各棵植物提取出来，得到仅包括一棵植物的一张或多张植物图；针对于上述获取到的仅包括一棵植物的植物图像，将其中的植物叶片分割出来，得到植物叶片目标图像；
将上述获取到的植物叶片目标图像与植物叶片图像数据库进行对比，根据对比结果识别到物种信息。
优选的，针对于无人机拍摄到的各张植物图像，通过以下方式进行切分处理得到仅包括一棵植物的一张或多张植物图：
对于无人机拍摄到的各张植物图像，首先转换成灰度图像；
针对于转换得到的灰度图像进行降噪滤波处理后，提取其中各个像素点的灰度值；
针对于降噪滤波处理后的灰度图像，利用K近邻算法比较一定范围内的各像素点的灰度相似度，从而区分出灰度图像中的背景部分和植物部分；
将降噪滤波处理后的灰度图像转换成RGB图像，将RGB图像中是各棵植物的像素点切分出来，以提取到仅包括一棵植物的一张或多张植物图像；
针对于上述切分得到的仅包括一棵植物的植物图像，计算其图像面积，若其图像面积小于无人机拍摄到的植物图像面积的a％，则剔除该切分得到的仅包括一棵植物的植物图像，其中a为一定值。
优选的，将植物叶片目标图像与植物叶片图像数据库进行对比的操作过程如下：
针对于需要进行植被调查的海岛，首先根据当地的气候条件建立一个可能存在的第一物种数据库；
将待识别的各张植物叶片目标图像存储为一个CSV文件，并且获取所有待识别的植物叶片目标图像的路径；
将CSV文件上传到云端服务器，由云端服务器将CSV文件中待识别的各张植物叶片目标图像分别与植物叶片图像数据库中的各植物叶片图像进行对比，得到对比结果，即得到各张植物叶片目标图像的物种信息判定结果；其中，将对比结果中准确率低于一定值的对比结果删除；
将上述获取到的物种信息判定结果分别与第一物种数据库进行对比，若上述获取到的物种信息判定结果不存在于第一物种数据库中，则对该物种信息判定结果进行标记；统计每种被标记的物种信息判定结果，若个数超过所有物种信息判定结果的b‰，则将该物种信息判定结果进行剔除，其中b为一定值。
优选的，还包括如下步骤：设定无人机航拍参数，包括设定无人机在航拍过程中航向重叠度为80％～100％，旁向重叠度为70％～90％，飞行高度为20米～60米。
设置无人机拍摄到植物图像的分辨率为0.5厘米～2厘米；
针对于切分获取到的仅包括一棵植物的植物图像，通过交互式图割算法从中分割出植物叶片，作为植物叶片目标图像。
本发明的第二目的通过下述技术方案实现：一种海岛环境下的植被调查装置，包括：
二维植被地形图获取模块，用于针对于需要进行植被调查的海岛，获取无人机航拍的多张二维地形图像；
三维构建模型，用于根据无人机每次航拍到的二维地形图像以及无人机每次航拍二维地形图像时的位置坐标对海岛植被地形进行三维重建，得到海岛的三维地形图；
植物图像获取模块，用于获取无人机拍摄到的指定区域的多张植物图像；
植物图像指定区域确定模块，用于根据无人机拍摄指定区域的植物图像时的位置坐标，确定出无人机拍摄的植物图像所属指定区域位于三维地形图中的位置；
图像切分模块，用于针对于无人机拍摄到的指定区域的每张植物图像，首先对其进行切分处理，将其中的各棵植物提取出来，得到仅包括一棵植物的一张或多张植物图；
植物叶片分割模块，针对于图像切分模块获取到的仅包括一棵植物的植物图像，将其中的植物叶片分割出来，得到植物叶片目标图像；
识别模块，用于将植物叶片目标图像与植物叶片图像数据库进行对比，根据对比结果识别到物种信息。
优选的，还包括无人机航拍参数设定模块，用于设定无人机航拍参数，包括无人机在航拍过程中航向重叠度为80％～100％，旁向重叠度为70％～90％，飞行高度为20米～60米。
本发明的第三目的通过下述技术方案实现：一种海岛环境下的植被调查系统，包括设置在无人机上的图像采集设备和计算设备；
所述图像采集设备，用于采集海岛二维地形图像以及植物图像，并且将采集到的图像发送给计算设备；
所述计算设备用于执行本发明第一目的所述的海岛环境下的植被调查方法。
优选的，所述计算设备，用于设定无人机航拍参数，并且将其中设定的无人机航拍参数发送给无人机的控制器，以控制无人机按照无人机航拍参数进行航拍工作；
所述计算设备设定的无人机航拍参数包括无人机在航拍过程中航向重叠度为80％～100％，旁向重叠度为70％～90％，飞行高度为20米～60米。
本发明的第四目的通过下述技术方案实现：一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现本发明第一目的所述的海岛环境下的植被调查方法；
本发明的第五目的通过下述技术方案实现：一种存储介质，存储有程序，所述程序被处理器执行时，实现本发明第一目的所述的海岛环境下的植被调查方法。
本发明相对于现有技术具有如下的优点及效果：
(1)本发明海岛环境下的植被调查方法中，针对于需要进行植被调查的海岛，首先获取无人机航拍的多张二维地形图像，根据无人机每次航拍到的二维地形图像对海岛植被地形进行三维重建，得到海岛的三维地形图；然后根据无人机拍摄指定区域的植物图像时的位置坐标，确定出无人机拍摄的植物图像所属指定区域位于三维地形图中的位置；针对于无人机拍摄到的指定区域的多张植物图像，选取出存在植物叶片的图像，并且将其中的植物叶片分割出来，得到植物叶片目标；将上述获取到的植物叶片目标与植物叶片图像数据库进行对比，根据对比结果识别到物种信息。由上述可见，在本发明植被调查方法下，植被调查人员仅仅通过操纵无人机即可实现海岛复杂环境下的全覆盖植被调查，特别适合应用于从未涉足的海岛环境植被调查，解决了现有技术中人工亲临海岛现场调查存在危险性高、效率低以及盲区大的技术问题，具有能够快速以及准确的实现海岛环境植被调查的优点，为海岛上的植被资源勘察提供了一种快速安全的方法。
(2)本发明海岛环境下的植被调查方法中，针对于无人机拍摄到的指定区域的每张植物图像，首先对其进行切分处理，将其中的各棵植物提取出来，得到仅包括一棵植物的一张或多张植物图；上述处理方法保证需要使用的植物图像中仅包括一棵植物，便于后续的识别。另外在本发明方法中，针对于上述切分得到的仅包括一棵植物的植物图像，将图像面积小于无人机拍摄到的原植物图像一定比率的植物图像进行剔除，以将清晰度不够的难以识别的植物以及一些小型的难以分离的灌木进行剔除。
(3)本发明海岛环境下的植被调查方法中，针对于上述获取到的仅包括一棵植物的植物图像，将其中的植物叶片分割出来，得到植物叶片目标图像；上述处理方式使得二维植物图像中复杂多变的且目标层交叉重叠的叶片中能够筛选出合适的植物叶片目标，大大降低图像识别对比的负担，进一步加快了植被调查的速度。
(4)本发明海岛环境下的植被调查方法中，将待识别的各张植物叶片目标图像存储为一个CSV文件，然后将整个CSV文件上传到云端服务器进行识别，相比一张张植物叶片目标图像的上传，大量节省了人工上传操作的时间。另外，针对于云端服务器得到的物种信息判定结果，将准确率低于一定值的对比结果进行剔除，使得有比较大概率出错的物种信息判定结果排除在外。随后，将上述获取到的物种信息判定结果分别与第一物种数据库进行比较，第一物种数据库为根据当地的气候条件建立一个可能存在的物种数据库，将不存在于第一物种数据库中物种信息判定结果进行标记，统计每种被标记的物种信息判定结果，若个数超过所有物种信息判定结果的b‰，则将该物种信息判定结果进行剔除，更进一步提高了海岛环境植被调查的准确度。
(5)本发明海岛环境下的植被调查方法中，针对于航拍海岛二维地形图像以及植物图像的无人机设定航拍参数，包括设定无人机在航拍过程中航向重叠度为80％～100％，旁向重叠度为70％～90％，飞行高度为20米～60米，在上述参数下，无人机拍摄到的各指定区域的植物图像能够更加准确的反应出植被情况，能够避免被调查的指定区域存在盲区的现象，进一步提高了海岛环境植被调查的准确度。
附图说明
图1是本发明海岛环境下的植被调查方法流程图。
图2是本发明方法中构建的海岛的三维地形图。
图3是本发明方法中从植物图像中分割出来的植物叶片目标图。
图4是本发明海岛环境下的植被调查装置结构框图。
图5是本发明海岛环境下的植被调查系统结构框图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例1
本实施例公开了一种海岛环境下的植被调查方法，如图1所示，步骤如下：
步骤S1、针对于需要进行植被调查的海岛，控制无人机在海岛上方进行航拍；在本实施例中，设定无人机航拍参数，使得无人机在航拍过程中航向重叠度为80％～100％，旁向重叠度为70％～90％，飞行高度为20米～60米。可以根据海岛的地质、地形条件及气象因素，选择无人机在船上或者岛上起飞；当海岛地质地形条件复杂、无停靠码头且海面上风速较小，选择无人机在船上起飞；当海岛有码头，选择无人机在岛上起飞。
步骤S2、针对于需要进行植被调查的海岛，获取无人机航拍的多张二维地形图像，根据无人机每次航拍到的二维地形图像以及无人机每次航拍二维地形图像时的位置坐标对海岛植被地形进行三维重建，得到海岛的三维地形图；在本实施例中，根据无人机每次航拍到的二维地形图像以及无人机每次航拍二维地形图像之间的对应关系，利用Pix4d软件构建海岛的三维地形图。如图2所示为根据二维地形图像以及无人机每次航拍二维地形图像之间的对应关系创建得到的海岛的三维地形图。
步骤S3、获取无人机拍摄到的指定区域的多张植物图像，根据无人机拍摄指定区域的植物图像时的位置坐标，确定出无人机拍摄的植物图像所属指定区域位于三维地形图中的位置，以得到植被图像对应植被所处区域在海岛中的实际位置；在本实施例中，设置无人机拍摄植物图像的分辨率为0.5厘米～2厘米，根据指定区域的面积大小确定要获取到无人机拍摄的植物图像的张数，例如针对于一块2000平方米的区域，可以获取6000余张无人机拍摄到的该区域的植物图像。
针对于无人机拍摄到的指定区域的每张植物图像，首先对其进行切分处理，将其中的各棵植物提取出来，得到仅包括一棵植物的一张或多张植物图；针对于上述获取到的仅包括一棵植物的植物图像，将其中的植物叶片分割出来，得到植物叶片目标图像；在本实施例中，可以使用交互式图割算法Grabcut将植物叶片从植物图像中分割出来，如图3所示为从植物图像中分割出来的植物叶片目标。
将上述获取到的植物叶片目标图像与植物叶片图像数据库进行对比，根据对比结果识别到物种信息。
在本实施例植被调查方法下，植被调查人员仅仅通过操纵无人机即可实现海岛复杂环境下的全覆盖植被调查，解决了现有技术中人工亲临海岛现场调查存在危险性高、效率低以及盲区大的技术问题，具有能够快速以及准确的实现海岛环境植被调查的优点，为海岛上的植被资源勘察提供了一种快速安全的方法，特别适合应用于从未涉足的海岛环境植被调查，克服海岛环境复杂甚至无法上岛，岛上陡峭无法攀爬等问题。
本实施例上述步骤S3中，针对于无人机拍摄到的各张植物图像，通过以下方式进行切分处理得到仅包括一棵植物的一张或多张植物图：
步骤S31、对于无人机拍摄到的各张植物图像，首先转换成灰度图像；使用的公式如下：
Gray＝R*0.299+G*0.587+B*0.114；
步骤S32、针对于转换得到的灰度图像进行降噪滤波处理后，提取其中各个像素点的灰度值；
步骤S33、针对于降噪滤波处理后的灰度图像，利用K近邻算法比较一定范围内的各像素点的灰度相似度，从而区分出灰度图像中的背景部分和植物部分；在本实施例中，利用K近邻算法比较一定范围内各像素点的灰度相似度的公式如下：
Figure GDA0003068177870000081
其中，xi为一定范围内像素点i的灰度值，yj为一定范围内像素点j的灰度值；n为一定范围内像素点的总数。
步骤S34、将降噪滤波处理后的灰度图像转换成RGB图像，将RGB图像中是各棵植物的像素点切分出来，以提取到仅包括一棵植物的一张或多张植物图像；
步骤S35、针对于上述切分得到的仅包括一棵植物的植物图像，计算其图像面积，若其图像面积小于无人机拍摄到的植物图像面积的a％，则剔除该切分得到的仅包括一棵植物的植物图像，其中a为一定值，在本实施例中，a为10。即当切分得到的仅包括一棵植物的植物图像的图像面积小于无人机拍摄到的植物图像面积的10％时，这种图像将被剔除。
在本实施例中，上述将植物叶片目标图像与植物叶片图像数据库进行对比的操作过程如下：
针对于需要进行植被调查的海岛，首先根据当地的气候条件建立一个可能存在的第一物种数据库；
将待识别的各张植物叶片目标图像存储为一个CSV文件，获取所有待识别的植物叶片目标图像的路径；在本实施例中，可以运用Python软件将植物叶片目标图像存储为一个CSV文件。
将CSV文件上传到云端服务器，由云端服务器的将CSV文件中待识别的各张植物叶片目标图像分别与植物叶片图像数据库中的各植物叶片图像进行对比，得到对比结果，即得到各张植物叶片目标图像的物种信息判定结果；其中，将对比结果中准确率低于一定值的对比结果删除；
将上述获取到的物种信息判定结果分别与第一物种数据库进行对比，若上述获取到的物种信息判定结果不存在于第一物种数据库中，则对该物种信息判定结果进行标记；统计每种被标记的物种信息判定结果，若个数超过所有物种信息判定结果的b‰，则将该物种信息判定结果进行剔除。在本实施例中，b可以设置为5。
实施例2
本实施例公开了一种海岛环境下的植被调查装置，如图4所示，包括：
无人机航拍参数设定模块，用于设定无人机航拍参数，包括无人机在航拍过程中航向重叠度为80％～100％，旁向重叠度为70％～90％，飞行高度为20米～60米；
二维植被地形图获取模块，用于针对于需要进行植被调查的海岛，获取无人机航拍的多张二维地形图像；
三维构建模型，用于根据无人机每次航拍到的二维地形图像以及无人机每次航拍二维地形图像时的位置坐标对海岛植被地形进行三维重建，得到海岛的三维地形图；在本实施例中，根据无人机每次航拍到的二维地形图像以及无人机每次航拍二维地形图像质检的对应关系，利用Pix4d软件构建海岛的三维地形图。
植物图像获取模块，用于获取无人机拍摄到的指定区域的多张植物图像；在本实施例中，设置无人机拍摄植物图像的分辨率为0.5厘米～2厘米，以能够获取到植物图像中的叶片信息。
植物图像指定区域确定模块，用于根据无人机拍摄指定区域的植物图像时的位置坐标，确定出无人机拍摄的植物图像所属指定区域位于三维地形图中的位置；
图像切分模块，用于针对于无人机拍摄到的指定区域的每张植物图像，首先对其进行切分处理，将其中的各棵植物提取出来，得到仅包括一棵植物的一张或多张植物图；
植物叶片分割模块，针对于图像切分模块获取到的仅包括一棵植物的植物图像，将其中的植物叶片分割出来，得到植物叶片目标图像；
识别模块，用于将植物叶片目标图像与植物叶片图像数据库进行对比，根据对比结果识别到物种信息。
在本实施例上，上述图像切分模块针对于无人机拍摄到的各张植物图像，通过以下方式进行切分处理得到仅包括一棵植物的一张或多张植物图：
对于无人机拍摄到的各张植物图像，首先转换成灰度图像；使用的公式如下：
Gray＝R*0.299+G*0.587+B*0.114；
针对于转换得到的灰度图像进行降噪滤波处理后，提取其中各个像素点的灰度值；
针对于降噪滤波处理后的灰度图像，利用K近邻算法比较一定范围内的各像素点的灰度相似度，从而区分出灰度图像中的背景部分和植物部分；
将降噪滤波处理后的灰度图像转换成RGB图像，将RGB图像中是各棵植物的像素点切分出来，以提取到仅包括一棵植物的一张或多张植物图像；
针对于上述切分得到的仅包括一棵植物的植物图像，计算其图像面积，若其图像面积小于无人机拍摄到的植物图像面积的a％，则剔除该切分得到的仅包括一棵植物的植物图像，其中a为一定值，在本实施例中，a为10。即当切分得到的仅包括一棵植物的植物图像的图像面积小于无人机拍摄到的植物图像面积的10％时，这种图像将被剔除。
在本实施例中，识别模块实现将植物叶片目标图像与植物叶片图像数据库进行对比的操作过程如下：
针对于需要进行植被调查的海岛，首先根据当地的气候条件建立一个可能存在的第一物种数据库；
将待识别的各张植物叶片目标图像存储为一个CSV文件，获取所有待识别的植物叶片目标图像的路径；
将CSV文件上传到云端服务器，由云端服务器将CSV文件中待识别的各张植物叶片目标图像分别与植物叶片图像数据库中的各植物叶片图像进行对比，得到对比结果，即得到各张植物叶片目标图像的物种信息判定结果；其中，将对比结果中准确率低于一定值的对比结果删除；
将上述获取到的物种信息判定结果分别与第一物种数据库进行对比，若上述获取到的物种信息判定结果不存在于第一物种数据库中，则对该物种信息判定结果进行标记；统计每种被标记的物种信息判定结果，若个数超过所有物种信息判定结果的b‰，则将该物种信息判定结果进行剔除。在本实施例中，b可以设置为5。
在此需要说明的是，本实施例的装置仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
实施例3
本实施例公开了一种海岛环境下的植被调查系统，如图5示，在无人机上的图像采集设备和计算设备；
图像采集设备，用于采集海岛二维地形图像以及植物图像，并且将采集到的图像发送给计算设备；在本实施例中，图像采集设备可以使用相机，相机悬挂在无人机上，以2～30秒的采样间隔拍摄海岛二维地形图像以及植物图像。在本实施例中，无人机飞到海岛上方后，先拍摄到海岛多张二维地形图像，可以根据海岛的大小确定要获取到多少张二维地形图像，以能够构建到海岛三维地形图为准。在创建得到海岛三维地形图后，再拍摄海岛指定区域的植物图像，其中拍摄植物图像时的分辨率要达到0.5厘米～1.0厘米。
本实施例中，计算设备通过网络连接云端服务器，计算设备用于执行实施例1所述的海岛环境下的植被调查方法，具体如下：
所述计算设备用于执行以下操作：
针对于需要进行植被调查的海岛，获取无人机航拍的多张二维地形图像，根据无人机每次航拍到的二维地形图像以及无人机每次航拍二维地形图像时的位置坐标对海岛植被地形进行三维重建，得到海岛的三维地形图；
获取无人机拍摄到的指定区域的多张植物图像，根据无人机拍摄指定区域的植物图像时的位置坐标，确定出无人机拍摄的植物图像所属指定区域位于三维地形图中的位置；
针对于无人机拍摄到的指定区域的每张植物图像，首先对其进行切分处理，将其中的各棵植物提取出来，得到仅包括一棵植物的一张或多张植物图；针对于上述获取到的仅包括一棵植物的植物图像，将其中的植物叶片分割出来，得到植物叶片目标图像；
将上述获取到的植物叶片目标图像上传到云端服务器，由云端服务器将植物叶片目标与植物叶片图像数据库进行对比，根据对比结果识别到物种信息。
云端服务器为带有植物叶片图像数据库的服务器，其中设置有植物识别软件，针对于计算设备上传的植物叶片目标图像，云端服务器的植物识别软件能够自行将植物叶片目标与植物叶片图像数据库进行对比，根据对比结果识别到物种信息，并且将得到的物种信息反馈给计算设备。
在本实施例上，计算设备针对于无人机拍摄到的各张植物图像，通过以下方式进行切分处理得到仅包括一棵植物的一张或多张植物图：
对于无人机拍摄到的各张植物图像，首先转换成灰度图像；使用的公式如下：
Gray＝R*0.299+G*0.587+B*0.114；
针对于转换得到的灰度图像进行降噪滤波处理后，提取其中各个像素点的灰度值；
针对于降噪滤波处理后的灰度图像，利用K近邻算法比较一定范围内的各像素点的灰度相似度，从而区分出灰度图像中的背景部分和植物部分；
将降噪滤波处理后的灰度图像转换成RGB图像，将RGB图像中是对应各棵植物的像素点切分出来，以提取到仅包括一棵植物的一张或多张植物图像；
针对于上述切分得到的仅包括一棵植物的植物图像，计算其图像面积，若其图像面积小于无人机拍摄到的植物图像面积的a％，则剔除该切分得到的仅包括一棵植物的植物图像，其中a为一定值，在本实施例中，a为10。即当切分得到的仅包括一棵植物的植物图像的图像面积小于无人机拍摄到的植物图像面积的10％时，这种图像将被剔除。
在本实施例中，计算设备实现将植物叶片目标图像与植物叶片图像数据库进行对比的操作过程如下：
针对于需要进行植被调查的海岛，首先根据当地的气候条件建立一个可能存在的第一物种数据库；
将待识别的各张植物叶片目标图像存储为一个CSV文件，获取所有待识别的植物叶片目标图像的路径；
将CSV文件上传到云端服务器，由云端服务器将CSV文件中待识别的各张植物叶片目标图像分别与植物叶片图像数据库中的各植物叶片图像进行对比，得到对比结果，即得到各张植物叶片目标图像的物种信息判定结果；其中，将对比结果中准确率低于一定值的对比结果删除；
将上述获取到的物种信息判定结果分别与第一物种数据库进行对比，若上述获取到的物种信息判定结果不存在于第一物种数据库中，则对该物种信息判定结果进行标记；统计每种被标记的物种信息判定结果，若个数超过所有物种信息判定结果的b‰，则将该物种信息判定结果进行剔除。在本实施例中，b可以设置为5。
在本实施例中计算设备可以连接无人机的飞行控制设备，计算机设备能够用于设定无人机航拍参数，并且将其中设定的无人机航拍参数发送给无人机的控制器，以控制无人机按照无人机航拍参数进行航拍工作；本实施例中，计算设备设定的无人机航拍参数包括无人机在航拍过程中航向重叠度为80％～100％，旁向重叠度为70％～90％，飞行高度为20米～60米。
在本实施例的植被调查系统中，计算设备可以是台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑或其他具有处理器功能的终端设备。
实施例4
本实施例公开了一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现实施例1所述的海岛环境下的植被调查方法，具体如下：
针对于需要进行植被调查的海岛，获取无人机航拍的多张二维地形图像，根据无人机每次航拍到的二维地形图像以及无人机每次航拍二维地形图像时的位置坐标对海岛植被地形进行三维重建，得到海岛的三维地形图；
获取无人机拍摄到的指定区域的多张植物图像，根据无人机拍摄指定区域的植物图像时的位置坐标，确定出无人机拍摄的植物图像所属指定区域位于三维地形图中的位置；
针对于无人机拍摄到的指定区域的每张植物图像，首先对其进行切分处理，将其中的各棵植物提取出来，得到仅包括一棵植物的一张或多张植物图；针对于上述获取到的仅包括一棵植物的植物图像，将其中的植物叶片分割出来，得到植物叶片目标图像；
将上述获取到的植物叶片目标图像上传到云端服务器，由云端服务器将植物叶片目标与植物叶片图像数据库进行对比，根据对比结果识别到物种信息。
在本实施例上，计算设备针对于无人机拍摄到的各张植物图像，通过以下方式进行切分处理得到仅包括一棵植物的一张或多张植物图：
对于无人机拍摄到的各张植物图像，首先转换成灰度图像；使用的公式如下：
Gray＝R*0.299+G*0.587+B*0.114；
针对于转换得到的灰度图像进行降噪滤波处理后，提取其中各个像素点的灰度值；
针对于降噪滤波处理后的灰度图像，利用K近邻算法比较一定范围内的各像素点的灰度相似度，从而区分出灰度图像中的背景部分和植物部分；
将降噪滤波处理后的灰度图像转换成RGB图像，将RGB图像中是各棵植物的像素点切分出来，以提取到仅包括一棵植物的一张或多张植物图像；
针对于上述切分得到的仅包括一棵植物的植物图像，计算其图像面积，若其图像面积小于无人机拍摄到的植物图像面积的a％，则剔除该切分得到的仅包括一棵植物的植物图像，其中a为一定值，在本实施例中，a为10。即当切分得到的仅包括一棵植物的植物图像的图像面积小于无人机拍摄到的植物图像面积的10％时，这种图像将被剔除。
在本实施例中，计算设备实现将植物叶片目标图像与植物叶片图像数据库进行对比的操作过程如下：
针对于需要进行植被调查的海岛，首先根据当地的气候条件建立一个可能存在的第一物种数据库；
将待识别的各张植物叶片目标图像存储为一个CSV文件，获取所有待识别的植物叶片目标图像的路径；
将CSV文件上传到云端服务器，由云端服务器将CSV文件中待识别的各张植物叶片目标图像分别与植物叶片图像数据库中的各植物叶片图像进行对比，得到对比结果，即得到各张植物叶片目标图像的物种信息判定结果；其中，将对比结果中准确率低于一定值的对比结果删除；
将上述获取到的物种信息判定结果分别与第一物种数据库进行对比，若上述获取到的物种信息判定结果不存在于第一物种数据库中，则对该物种信息判定结果进行标记；统计每种被标记的物种信息判定结果，若个数超过所有物种信息判定结果的b‰，则将该物种信息判定结果进行剔除。在本实施例中，b可以设置为5。
本实施例中，计算设备可以是台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑或其他具有处理器功能的终端设备。
实施例5
本实施例公开了一种存储介质，存储有程序，所述程序被处理器执行时，实现如下操作：
针对于需要进行植被调查的海岛，获取无人机航拍的多张二维地形图像，根据无人机每次航拍到的二维地形图像以及无人机每次航拍二维地形图像时的位置坐标对海岛植被地形进行三维重建，得到海岛的三维地形图；
获取无人机拍摄到的指定区域的多张植物图像，根据无人机拍摄指定区域的植物图像时的位置坐标，确定出无人机拍摄的植物图像所属指定区域位于三维地形图中的位置；
针对于无人机拍摄到的指定区域的每张植物图像，首先对其进行切分处理，将其中的各棵植物提取出来，得到仅包括一棵植物的一张或多张植物图；针对于上述获取到的仅包括一棵植物的植物图像，将其中的植物叶片分割出来，得到植物叶片目标图像；
将上述获取到的植物叶片目标图像上传到云端服务器，由云端服务器将植物叶片目标与植物叶片图像数据库进行对比，根据对比结果识别到物种信息。
在本实施例中，存储介质可以是磁盘、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、U盘、移动硬盘等介质。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (7)

1.一种海岛环境下的植被调查方法，其特征在于，步骤如下：
针对于需要进行植被调查的海岛，获取无人机航拍的多张二维地形图像，根据无人机每次航拍到的二维地形图像以及无人机每次航拍二维地形图像时的位置坐标对海岛植被地形进行三维重建，得到海岛的三维地形图；
获取无人机拍摄到的指定区域的多张植物图像，根据无人机拍摄指定区域的植物图像时的位置坐标，确定出无人机拍摄的植物图像所属指定区域位于三维地形图中的位置；
针对于无人机拍摄到的指定区域的每张植物图像，首先对其进行切分处理，将其中的各棵植物提取出来，得到仅包括一棵植物的一张或多张植物图；针对于上述获取到的仅包括一棵植物的植物图像，将其中的植物叶片分割出来，得到植物叶片目标图像；
将上述获取到的植物叶片目标图像与植物叶片图像数据库进行对比，根据对比结果识别到物种信息；
设定无人机航拍参数，包括设定无人机在航拍过程中航向重叠度为80％～100％，旁向重叠度为70％～90％，飞行高度为20米～60米；设置无人机拍摄到植物图像的分辨率为0.5厘米～2厘米；
将植物叶片目标图像与植物叶片图像数据库进行对比的操作过程如下：
针对于需要进行植被调查的海岛，首先根据当地的气候条件建立一个可能存在的第一物种数据库；
将待识别的各张植物叶片目标图像存储为一个CSV文件，并且获取所有待识别的植物叶片目标图像的路径；
将CSV文件上传到云端服务器，由云端服务器将CSV文件中待识别的各张植物叶片目标图像分别与植物叶片图像数据库中的各植物叶片图像进行对比，得到对比结果，即得到各张植物叶片目标图像的物种信息判定结果；其中，将对比结果中准确率低于一定值的对比结果删除；
将上述获取到的物种信息判定结果分别与第一物种数据库进行对比，若上述获取到的物种信息判定结果不存在于第一物种数据库中，则对该物种信息判定结果进行标记；统计每种被标记的物种信息判定结果，若个数超过所有物种信息判定结果的b‰，则将该物种信息判定结果进行剔除，其中b为一定值；
针对于无人机拍摄到的各张植物图像，通过以下方式进行切分处理得到仅包括一棵植物的一张或多张植物图：
对于无人机拍摄到的各张植物图像，首先转换成灰度图像；
针对于转换得到的灰度图像进行降噪滤波处理后，提取其中各个像素点的灰度值；
针对于降噪滤波处理后的灰度图像，利用K近邻算法比较一定范围内的各像素点的灰度相似度，从而区分出灰度图像中的背景部分和植物部分；
将降噪滤波处理后的灰度图像转换成RGB图像，将RGB图像中是各棵植物的像素点切分出来，以提取到仅包括一棵植物的一张或多张植物图像；
针对于上述切分得到的仅包括一棵植物的植物图像，计算其图像面积，若其图像面积小于无人机拍摄到的植物图像面积的a％，则剔除该切分得到的仅包括一棵植物的植物图像，其中a为一定值。
2.根据权利要求1所述的海岛环境下的植被调查方法，其特征在于，针对于切分获取到的仅包括一棵植物的植物图像，通过交互式图割算法从中分割出植物叶片，作为植物叶片目标图像。
3.一种海岛环境下的植被调查装置，其特征在于，包括：
二维植被地形图获取模块，用于针对于需要进行植被调查的海岛，获取无人机航拍的多张二维地形图像；
三维构建模型，用于根据无人机每次航拍到的二维地形图像以及无人机每次航拍二维地形图像时的位置坐标对海岛植被地形进行三维重建，得到海岛的三维地形图；
植物图像获取模块，用于获取无人机拍摄到的指定区域的多张植物图像；
植物图像指定区域确定模块，用于根据无人机拍摄指定区域的植物图像时的位置坐标，确定出无人机拍摄的植物图像所属指定区域位于三维地形图中的位置；
图像切分模块，用于针对于无人机拍摄到的指定区域的每张植物图像，首先对其进行切分处理，将其中的各棵植物提取出来，得到仅包括一棵植物的一张或多张植物图；针对于无人机拍摄到的各张植物图像，通过以下方式进行切分处理得到仅包括一棵植物的一张或多张植物图：
对于无人机拍摄到的各张植物图像，首先转换成灰度图像；
针对于转换得到的灰度图像进行降噪滤波处理后，提取其中各个像素点的灰度值；
针对于降噪滤波处理后的灰度图像，利用K近邻算法比较一定范围内的各像素点的灰度相似度，从而区分出灰度图像中的背景部分和植物部分；
将降噪滤波处理后的灰度图像转换成RGB图像，将RGB图像中是各棵植物的像素点切分出来，以提取到仅包括一棵植物的一张或多张植物图像；
针对于上述切分得到的仅包括一棵植物的植物图像，计算其图像面积，若其图像面积小于无人机拍摄到的植物图像面积的a％，则剔除该切分得到的仅包括一棵植物的植物图像，其中a为一定值；
植物叶片分割模块，针对于图像切分模块获取到的仅包括一棵植物的植物图像，将其中的植物叶片分割出来，得到植物叶片目标图像；
识别模块，用于将植物叶片目标图像与植物叶片图像数据库进行对比，根据对比结果识别到物种信息；
无人机航拍参数设定模块，用于设定无人机航拍参数，包括无人机在航拍过程中航向重叠度为80％～100％，旁向重叠度为70％～90％，飞行高度为20米～60米；
识别模块实现将植物叶片目标图像与植物叶片图像数据库进行对比的操作过程如下：
针对于需要进行植被调查的海岛，首先根据当地的气候条件建立一个可能存在的第一物种数据库；
将待识别的各张植物叶片目标图像存储为一个CSV文件，获取所有待识别的植物叶片目标图像的路径；
将CSV文件上传到云端服务器，由云端服务器将CSV文件中待识别的各张植物叶片目标图像分别与植物叶片图像数据库中的各植物叶片图像进行对比，得到对比结果，即得到各张植物叶片目标图像的物种信息判定结果；其中，将对比结果中准确率低于一定值的对比结果删除；
将上述获取到的物种信息判定结果分别与第一物种数据库进行对比，若上述获取到的物种信息判定结果不存在于第一物种数据库中，则对该物种信息判定结果进行标记；统计每种被标记的物种信息判定结果，若个数超过所有物种信息判定结果的b‰，则将该物种信息判定结果进行剔除。
4.一种海岛环境下的植被调查系统，其特征在于，包括设置在无人机上的图像采集设备和计算设备；
所述图像采集设备，用于采集海岛二维地形图像以及植物图像，并且将采集到的图像发送给计算设备；
所述计算设备用于执行权利要求1至2中任一项所述的海岛环境下的植被调查方法。
5.根据权利要求4所述海岛环境下的植被调查系统，其特征在于，所述计算设备，用于设定无人机航拍参数，并且将其中设定的无人机航拍参数发送给无人机的控制器，以控制无人机按照无人机航拍参数进行航拍工作；
所述计算设备设定的无人机航拍参数包括无人机在航拍过程中航向重叠度为80％～100％，旁向重叠度为70％～90％，飞行高度为20米～60米。
6.一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1至2中任一项所述的海岛环境下的植被调查方法。
7.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1至2中任一项所述的海岛环境下的植被调查方法。
CN201910232680.2A 2019-03-26 2019-03-26 海岛环境下的植被调查方法、装置、系统、设备和介质 Active CN110084120B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910232680.2A CN110084120B (zh) 2019-03-26 2019-03-26 海岛环境下的植被调查方法、装置、系统、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910232680.2A CN110084120B (zh) 2019-03-26 2019-03-26 海岛环境下的植被调查方法、装置、系统、设备和介质

Publications (2)

Publication Number Publication Date
CN110084120A CN110084120A (zh) 2019-08-02
CN110084120B true CN110084120B (zh) 2021-07-20

Family

ID=67413629

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910232680.2A Active CN110084120B (zh) 2019-03-26 2019-03-26 海岛环境下的植被调查方法、装置、系统、设备和介质

Country Status (1)

Country Link
CN (1) CN110084120B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112528833B (zh) * 2020-12-08 2022-09-13 中国科学院大学 一种植物样方调查方法、装置及系统
CN113052959B (zh) * 2021-03-24 2021-11-23 中国科学院地理科学与资源研究所 一种基于碳排放的海岛植被资源投放方法及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105046909A (zh) * 2015-06-17 2015-11-11 中国计量学院 一种基于小型无人机的农业辅助定损方法
CN105404853A (zh) * 2015-10-29 2016-03-16 江南大学 基于内容的植物叶片在线识别系统
CN105403199B (zh) * 2015-12-28 2017-02-08 观典防务技术股份有限公司 基于无人机的毒品原植物种植侦测方法及系统
CN106991147A (zh) * 2017-03-27 2017-07-28 重庆大学 一种植物识别系统及识别方法
CN109033937B (zh) * 2018-06-01 2021-11-05 武汉禾大科技有限公司 通过无人机影像进行植物数量统计方法及系统

Also Published As

Publication number Publication date
CN110084120A (zh) 2019-08-02

Similar Documents

Publication Publication Date Title
Javernick et al. Modeling the topography of shallow braided rivers using Structure-from-Motion photogrammetry
EP3770810A1 (en) Method and apparatus for acquiring boundary of area to be operated, and operation route planning method
Lam et al. An open source workflow for weed mapping in native grassland using unmanned aerial vehicle: Using Rumex obtusifolius as a case study
CN107451982B (zh) 一种基于无人机影像的高郁闭度林分树冠面积获取方法
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
David et al. Vegetation indices and textures in object-based weed detection from UAV imagery
Hu et al. Research on a single-tree point cloud segmentation method based on UAV tilt photography and deep learning algorithm
CN110084120B (zh) 海岛环境下的植被调查方法、装置、系统、设备和介质
Ellis et al. Influence of altitude on tropical marine habitat classification using imagery from fixed‐wing, water‐landing UAV s
Kermit et al. Towards a national infrastructure for semi-automatic mapping of cultural heritage in Norway
Vepakomma et al. Potential of multi-temporal UAV-borne lidar in assessing effectiveness of silvicultural treatments
Mayr et al. Mapping eroded areas on mountain grassland with terrestrial photogrammetry and object-based image analysis
CN110580468B (zh) 一种基于影像匹配点云的单木结构参数提取的方法
Herawan et al. Object-Based on Land Cover Classification on LAPAN-A3 Satellite Imagery Using Tree Algorithm (Case Study: Rote Island)
CN114862872B (zh) 一种基于Faster R-CNN的红树林单木分割方法
Wang et al. Retrieving individual tree heights from a point cloud generated with optical imagery from an unmanned aerial vehicle (UAV)
Wilson Using unmanned aerial systems to classify land cover and assess productivity in forested wetlands in Nova Scotia
Šiljeg et al. Quality Assessment of Worldview-3 Stereo Imagery Derived Models Over Millennial Olive Groves
Marasigan Jr et al. Improved mangrove crown measurement from airborne lidar data using marker-controlled watershed algorithm-filtered hamraz technique
Young Optimizing aerial imagery collection and processing parameters for drone-based individual
Creasy Unmanned Aerial Systems for Forest Structure Mapping: Assessments of Area-Based and Individual Tree Monitoring
Klier Improving Land Cover Classification Using Texture Patterns Derived from Micro-Scale Digital Elevation Models
Al-Ruzouq et al. Self-adaptive Image Segmentation Optimization for Hierarchal Object-based Classification of Drone-based Images
Aguilar Results of the drone survey for Ngaitupoto Ki Motokaraka Trust
Hamzah et al. Visualization of Tree Species Identification Using Mask RCNNs for Tropical Forests in Malaysia

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