CN112082475A - 活立木的种类识别方法与材积测量方法 - Google Patents

活立木的种类识别方法与材积测量方法 Download PDF

Info

Publication number
CN112082475A
CN112082475A CN202010869083.3A CN202010869083A CN112082475A CN 112082475 A CN112082475 A CN 112082475A CN 202010869083 A CN202010869083 A CN 202010869083A CN 112082475 A CN112082475 A CN 112082475A
Authority
CN
China
Prior art keywords
tree
standing tree
tested
standing
measured
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.)
Granted
Application number
CN202010869083.3A
Other languages
English (en)
Other versions
CN112082475B (zh
Inventor
吴方明
吴炳方
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.)
Aerospace Information Research Institute of CAS
Original Assignee
Aerospace Information Research Institute of CAS
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 Aerospace Information Research Institute of CAS filed Critical Aerospace Information Research Institute of CAS
Priority to CN202010869083.3A priority Critical patent/CN112082475B/zh
Publication of CN112082475A publication Critical patent/CN112082475A/zh
Application granted granted Critical
Publication of CN112082475B publication Critical patent/CN112082475B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B5/00—Measuring arrangements characterised by the use of mechanical techniques
    • G01B5/0035—Measuring of dimensions of trees
    • 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

Abstract

本发明公开了一种活立木的种类识别方法与材积测量方法，涉及森林资源调查技术领域。其中种类识别方法包括：获取被测活立木的不同角度的RGB‑D图像；基于不同角度的RGB‑D图像，拼接得到被测活立木的完整图像，从被测活立木的完整图像中分离出被测活立木的树干、树枝和树叶；基于训练后的深度卷积神经网络模型对分离出的树干和树叶进行树种识别，加权融合后置信度最高的类别为被测活立木的种类。本发明实施例利用深度卷积神经网络模型进行树种识别以得到树种信息，进而获取被测活立木的树种结构模型，结合几何原理计算材积，进而提高了活立木的种类识别准确率和材积测量精度。

Description

活立木的种类识别方法与材积测量方法
技术领域
本发明涉及森林资源调查技术领域，具体涉及一种活立木的种类识别方法与材积测量方法。
背景技术
实施森林资源调查是获取森林基础信息的重要途径，活立木种类和材积是森林资源调查中重要的两项内容。传统的树种识别方法主要通过观察、比较和分析各树种的主要特征，然后由宏观特征到微观特征逐步对树种进行人工识别。材积是指树木主干部分带皮的体积，长期以来林业工作者一直采用伐倒标准木获取编制森林数表所需的建模样本。该方法虽然精度较高，但却需要对树木进行大量伐倒，这种做法面临着破坏性大、成本高、工作效率低等问题，且不符合保护生态环境的宗旨。随着现代化调查设备的研制，森林资源调查向精准化和智能化的方向发展，从而方便使用者高效、高质量地完成森林资源调查工作，为进一步计算森林样方地上生物量提供精确数据。
相关技术中，基于深度学习进行树种分类方法，其中，采集待测树种的叶片图像数据以及进行预处理操作，并提取特征向量，再利用训练过的三十分类器对提取的叶片图像特征向量进行判断分类，实现树种的自动分类。该方法对单一背景叶片图像树种识别准确率较高，但是由于叶片的相互遮挡获取到叶片图像背景往往是较为复杂的，识别准确率较低。树冠遮挡条件下测量树高及材积，以树冠被遮挡的树木为研究对象，以全站仪为测量工具，将被遮挡的树干近似为圆锥体来求得该树木的材积，由于受树木结构的影响，该方法求得的该树木的材积准确率不高。
发明内容
为了克服相关技术中存在的树冠遮挡条件下被测活立木的种类识别和材积测量准确率不高的问题，本发明实施例提供了活立木的种类识别方法与材积测量方法，利用深度卷积神经网络模型进行树种识别以得到树种信息，进而获取被测活立木的树种结构模型，结合几何原理计算材积，进而提高了活立木的种类识别准确率和材积测量精度。
根据本发明的第一方面，提供一种活立木的种类识别方法，包括：
获取被测活立木的不同角度的RGB-D图像；
基于所述不同角度的RGB-D图像，拼接得到所述被测活立木的完整图像，从所述被测活立木的完整图像中分离出所述被测活立木的树干、树枝和树叶；
基于训练后的深度卷积神经网络模型对分离出的所述树干和所述树叶进行树种识别，加权融合后置信度最高的类别为所述被测活立木的种类。
可选地，所述训练后的深度卷积神经网络模型的建立过程包括：
建立深度卷积神经网络分类模型；
在不同的地理位置采集不同种类的活立木的不同角度的RGB-D图像；
基于所述不同种类的活立木的不同角度的RGB-D图像，拼接得到所述不同种类的活立木的完整图像，从所述不同种类的活立木的完整图像中分离出所述不同种类的活立木的树干、树枝和树叶；
基于所述不同种类的活立木的所述树干和所述树叶建立训练样本；
利用所述训练样本对所述深度卷积神经网络分类模型进行训练，当所述深度卷积神经网络分类模型的识别准确率达到一定值时，得到所述训练后的深度卷积神经网络模型。
可选地，所述获取被测活立木的不同角度的RGB-D图像包括：
采集所述被测活立木的不同角度的深度图像和RGB图像；
分别提取每一角度的深度图像和RGB图像中的特征点并进行配准得到所述被测活立木的每一角度的RGB-D图像。
可选地，所述基于所述不同角度的RGB-D图像，拼接得到所述被测活立木的完整图像，从所述被测活立木的完整图像中分离出所述被测活立木的树干、树枝和树叶包括：
提取所述不同角度的RGB-D图像的多个特征点，分别以所述多个特征点为中心点计算所述多个特征点的邻域几何信息的直方图；
利用所述直方图相似度进行特征点双向检查，将相似度小于一定值的所述特征点删除；
利用随机采样一致算法对所述不同角度的RGB-D图像进行图像间特征点的配准；
对所述不同角度的RGB-D图像进行空间变换、拼接形成所述被测活立木的完整图像；
运用深度和颜色信息寻找所述被测活立木的边缘，从背景中分离出所述被测活立木；
运用深度、颜色和形状信息从所述被测活立木中分离出树干、树枝和叶片。
可选地，所述基于训练后的深度卷积神经网络模型对分离出的所述树干和所述树叶进行树种识别，置信度最高的类别为所述被测活立木的种类包括：
多次运用所述训练后的深度卷积神经网络模型对所述树干进行种类识别，识别得到所述被测活立木所属于的种类和所述种类对应的第一置信度；
多次随机选择所述被测活立木的没有被遮挡的多片所述树叶并运用所述训练后的深度卷积神经网络模型分别对所述多片所述树叶进行种类识别，识别得到所述被测活立木所属于的种类和所述种类对应的多个第二置信度；
基于同一种类对应的所述第一置信度和所述多个第二置信度，加权融合计算得到将所述被测活立木识别为所述种类的置信度；
选择置信度最高的类别为所述被测活立木的种类。
根据本发明的第二方面，提供一种活立木的材积测量方法，包括：
基于如上所述的活立木的种类识别方法，得到被测活立木的种类；
建立所述被测活立木的材积测量模型，其中，基于所述被测活立木的地理位置和种类确定所述材积测量模型的模型参数；
计算距离地面不同高度处所述被测活立木的直径和所述被测活立木的树高；
基于所述距离地面不同高度处所述被测活立木的直径和所述被测活立木的树高，利用所述材积测量模型计算得到所述被测活立木的材积。
可选地，计算距离地面不同高度处所述被测活立木的直径包括：
计算RGB-D图像中每个点的三维空间坐标得到点云，分离出地面点后运用随机采样一致算法拟合地面，运用最小二乘拟合圆法计算距离地面不同高度处所述被测活立木的直径D。
可选地，所述被测活立木的树高的计算公式为：
Figure BDA0002649640760000041
HC＝L0sinα+L3sinλ
其中，H为所述被测活立木的树高，HC为树冠遮挡条件下所述被测活立木的最低的树枝底部的距离测量点最近的点C距离地面的高度，DC为距离地面HC高度处所述被测活立木的树干的直径，HT为树冠遮挡条件下所述被测活立木的可观测的树干最高点T距地面的高度，DT为距地面高度HT处所述被测活立木的树干的直径，L0为树冠遮挡条件下所述被测活立木的测量倾角最小时树干底部的距离测量点最近的点A与测量点P的距离，α为点A的测量倾角，L3为点C与测量点P的距离，γ为点C的测量倾角。
可选地，所述被测活立木的材积测量模型的公式为：
V＝aD胸 bHc
其中，V为所述被测活立木的材积，D胸为所述被测活立木的胸径，H为所述被测活立木的树高，a、b、c为基于所述被测活立木的地理位置和种类确定的所述材积测量模型的模型参数。
可选地，所述被测活立木的材积测量模型的公式为：
V＝V干+V梢
Figure BDA0002649640760000042
Figure BDA0002649640760000043
其中，V为所述被测活立木的材积，V干为所述被测活立木的树干的材积，V梢为所述被测活立木的树梢的材积，n为所述被测活立木的树干在垂直方向上的分段数，Di为所述被测活立木的第i段树干的最高点处的直径，Hi为所述被测活立木的第i段树干的最高点距地面的高度，k为基于所述被测活立木的地理位置和种类确定的所述材积测量模型的模型参数，HT为树冠遮挡条件下所述被测活立木的可观测的树干最高点T距地面的高度，DT为距地面高度HT处所述被测活立木的树干的直径，H为所述被测活立木的树高。
根据本发明的第三方面，提供一种活立木的种类识别和材积测量控制装置，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行上述的活立木的种类识别方法和材积测量方法。
根据本发明的第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令被执行时实现如上所述的活立木的种类识别方法和材积测量方法。
根据本发明的第五方面，提供一种计算机程序产品，包括计算机程序产品，所述计算机程序包括程序指令，当所述程序指令被移动终端执行时，使所述移动终端执行上述活立木的种类识别方法和材积测量方法的步骤。
本发明的实施例具有以下优点或有益效果：
(1)提取不同角度的RGB-D图像的多个特征点，利用多个特征点的邻域几何信息的直方图相似度进行特征点双向检查，将相似度小于一定值(例如，90％)的特征点删除，利用随机采样一致(RANSAC)算法对不同角度的RGB-D图像进行图像间特征点的配准，对不同角度的RGB-D图像进行空间变换、拼接形成被测活立木的完整图像，运用深度和颜色信息寻找被测活立木的边缘，从背景中分离出被测活立木，运用深度、颜色和形状信息从被测活立木中分离出树干、树枝和叶片。根据直方图相似性检查后特征点配准得到的RGB-D图像，运用深度、颜色和形状信息，可以准确、快速地从背景中分离出活立木树干、树枝、树叶，进而提高了活立木的树种识别和材积测量准确率。
(2)基于在不同的地理位置采集不同种类的活立木的不同角度深度图像和RGB图像，得到不同种类的活立木的完整图像，从不同种类的活立木的完整图像中分离出不同种类的活立木的树干、树枝和树叶，基于不同种类的活立木的树干和树叶建立训练样本，利用训练样本对深度卷积神经网络分类模型进行训练，得到深度卷积神经网络模型。利用地理位置分别获取被测活立木所在的当前区域的轻量化深度卷积神经网络模型识别树干和树叶的模型参数，对分离后的树干、树叶利用深度卷积神经网络模型进行树种识别，提高了活立木的树种识别的准确度。
(3)建立被测活立木的材积测量模型，其中，基于被测活立木的地理位置和种类确定材积测量模型的模型参数，利用深度卷积神经网络模型进行树种识别以得到树种信息，进而获取被测活立木的树种结构模型，结合几何原理计算材积，相比于直接运用圆锥体计算材积精度高，进而提高了活立木的材积测量准确率。
附图说明
通过以下参照附图对本发明实施例的描述，本发明的上述以及其他目的、特征和优点将更为清楚，在附图中：
图1示出本发明的一个实施例的活立木的种类识别方法的流程示意图。
图2示出本发明的一个实施例的活立木的材积测量方法的流程示意图。
图3示出本发明的一个实施例的活立木的距离地面不同高度处的直径的测量方法的流程示意图。
图4示出本发明的一个实施例的活立木的树高测量示意图。
具体实施方式
以下基于实施例对本发明进行描述，但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质，公知的方法、过程、流程没有详细叙述。另外附图不一定是按比例绘制的。
图1是本发明的一个实施例的活立木的种类识别方法的流程示意图。具体包括以下步骤：
在步骤S110中，建立深度卷积神经网络分类模型。
在该步骤中，建立深度卷积神经网络分类模型，具体包括：建立深度卷积神经网络分类模型，例如，轻量化深度卷积神经网络ShuffleNet V2的分类模型。
在步骤S120中，在不同的地理位置采集不同种类的活立木的不同角度的RGB-D图像。
在该步骤中，在不同的地理位置采集不同种类的活立木的不同角度深度图像和RGB图像。分别提取该不同种类的活立木的每一角度的深度图像和RGB图像中的特征点并进行配准得到该不同种类的活立木的每一角度的RGB-D图像。需要说明的是，这里用于提取每一角度的深度图像和RGB图像中的特征点的特征点提取算法包括基于主成分的SURF(Speeded Up Robust Features)算法。这里用于每一角度的深度图像和RGB图像中的特征点的配准算法包括基于OpenMP技术的迭代最近点(Iterative Closest Point,ICP)算法。
在步骤S130中，基于不同种类的活立木的不同角度的RGB-D图像，拼接得到不同种类的活立木的完整图像，从不同种类的活立木的完整图像中分离出不同种类的活立木的树干、树枝和树叶。
在该步骤中，提取不同角度的RGB-D图像的多个特征点，分别以多个特征点为中心点计算多个特征点的邻域几何信息的直方图。利用直方图相似度进行特征点双向检查，将相似度小于一定值(例如，90％)的特征点删除。利用随机采样一致(RANSAC)算法对不同角度的RGB-D图像进行图像间特征点的配准。对不同角度的RGB-D图像进行空间变换、拼接形成被测活立木的完整图像。运用深度和颜色信息寻找被测活立木的边缘，从背景中分离出被测活立木。运用深度、颜色和形状信息从被测活立木中分离出树干、树枝和叶片。
在步骤S140中，基于不同种类的活立木的树干和树叶建立训练样本。利用训练样本对深度卷积神经网络分类模型进行训练，当深度卷积神经网络分类模型的识别准确率达到一定值(例如，95％)时，停止训练，得到深度卷积神经网络模型。
在步骤S150中，基于训练后的所述深度卷积神经网络模型对分离出的所述树干和所述树叶进行树种识别，加权融合后置信度最高的类别为所述被测活立木的种类。
在该步骤中，多次运用深度卷积神经网络模型对树干进行种类识别，识别得到被测活立木所属于的种类和所述种类对应的第一置信度Q1。多次随机选择被测活立木的没有被遮挡的多片树叶(例如，4片树叶)并运用深度卷积神经网络模型对该多片树叶(例如，4片树叶)进行种类识别，识别得到被测活立木所属于的种类和所述种类对应的多个第二置信度(例如，4个第二置信度：Q2、Q3、Q4和Q5)。基于同一种类对应的第一置信度Q1和多个第二置信度(例如，4个第二置信度：Q2、Q3、Q4和Q5)，分别计算得到将被测活立木识别为相应种类的置信度Q。在一些实施例中，基于同一种类对应的第一置信度Q1和多个第二置信度(例如，4个第二置信度：Q2、Q3、Q4和Q5)，计算得到将被测活立木识别为相应种类的置信度Q的计算公式为：
Q＝0.2×(Q1+Q2+Q3+Q4+Q5) (1)
选择置信度最高的类别为被测活立木的种类。
图2是本发明的一个实施例的活立木的材积测量方法的流程示意图。具体包括以下步骤：
在步骤S210中，建立深度卷积神经网络模型。
在步骤S220中，获取被测活立木的不同角度的RGB-D图像。
在步骤S230中，基于所述不同角度的RGB-D图像，拼接得到所述被测活立木的完整图像，从所述被测活立木的完整图像中分离出所述被测活立木的树干、树枝和树叶。
在步骤S240中，基于不同种类的活立木的树干和树叶建立训练样本。利用训练样本对深度卷积神经网络分类模型进行训练，当深度卷积神经网络分类模型的识别准确率达到一定值(例如，95％)时，停止训练，得到深度卷积神经网络模型。
在步骤S250中，基于训练后的深度卷积神经网络模型对分离出的所述树干和所述树叶进行树种识别，加权融合后置信度最高的类别为所述被测活立木的种类。
步骤S210至步骤S250与图1中所示的步骤S110至步骤S150一致，这里就不再赘述。
在步骤S260中，建立所述被测活立木的材积测量模型，其中，基于所述被测活立木的地理位置和种类确定所述材积测量模型的模型参数。
在该步骤中，建立被测活立木的材积测量模型。在一些实施例中，被测活立木的材积测量模型为二元材积模型，其计算公式为：
V＝aD胸 bHc (2)
其中，V为被测活立木的材积，D胸为被测活立木的胸径，H为被测活立木的树高，a、b、c为基于被测活立木的地理位置和种类确定的材积测量模型的模型参数。
需要说明的是，被测活立木的胸径为被测活立木的距离地面1.3米处树干的直径。通过卫星导航定位系统获取被测活立木的地理位置。基于被测活立木的地理位置和种类通过查找二元材积表，获得材积测量模型的模型参数。
在一些实施例中，被测活立木的材积测量模型为分段材积模型，其计算公式为：
V＝V干+V梢 (3)
Figure BDA0002649640760000091
Figure BDA0002649640760000092
其中，V为被测活立木的材积，V干为被测活立木的树干的材积，V梢为被测活立木的树梢的材积，n为被测活立木的树干在垂直方向上的分段数，Di为被测活立木的第i段树干的最高点处的直径，Hi为被测活立木的第i段树干的最高点距地面的高度，k为基于被测活立木的地理位置和种类确定的材积测量模型的模型参数，HT为树冠遮挡条件下被测活立木的可观测的树干最高点T距地面的高度，DT为距地面高度HT处被测活立木的树干的直径，H为被测活立木的树高。
在步骤S270中，计算距离地面不同高度处所述被测活立木的直径和所述被测活立木的树高。
在该步骤中，计算距离地面不同高度处被测活立木的直径和被测活立木的树高。具体地，计算RGB-D图像中每个点的三维空间坐标得到点云，分离出地面点后运用随机采样一致算法拟合地面，运用最小二乘拟合圆法计算距离地面不同高度处被测活立木的直径D。图3示出本发明的一个实施例的活立木的距离地面不同高度处的直径的测量方法的流程示意图。如图3所示，具体包括以下步骤：
在步骤S310中，计算RGB-D图像中每个点的三维空间坐标得到点云。
在该步骤中，计算RGB-D图像中每个点的三维空间坐标得到点云。计算RGB-D图像中每个点的三维空间坐标的计算公式为：
Figure BDA0002649640760000101
其中，d为物点(该物点为被测活立木或周围环境上的一个点)与对应的RGB-D图像中一个点(像点)的距离，(u,v)为像点在RGB-D图像的图像坐标系中的坐标，(cx,cy)表示相机光轴在图像坐标系中的偏移量，fx和fy为相机的焦距，(x,y,z)为该物点在三维空间的坐标。
在步骤S320中，从点云中分离出地面点。
在该步骤中，计算点云中每一个点的法线向量，然后对法线向量垂直的区域进行检测并生成超像素区域，不断对法线向量夹角小于10度的两个超像素区域内的点合并为地面点，从而将点云中的地面点分离。
在步骤S330中，运用随机采样一致算法(RANSAC)对地面点拟合为地面。
在该步骤中，运用随机采样一致算法(RANSAC)拟合地面，其公式为：
Ux+Wy+Mz+N＝0 (7)
其中，(x,y,z)为RGB-D图像中的一个地面点在三维空间的坐标，U、W、M和N为拟合参数。
在步骤S340中，运用最小二乘拟合圆法计算距离地面不同高度处被测活立木的直径D。
在该步骤中，运用最小二乘法拟合距离地面不同高度z处树干为圆，其拟合公式为：
(x-xc)2+(y-yc)2＝R2 (8)
D＝2×R (9)
其中，(x,y,z)为RGB-D图像中的一个树干点在三维空间的坐标，(xc,yc)为距离地面不同高度z处树干的拟合圆的圆心坐标，R为距离地面不同高度z处树干的拟合圆的半径，D为距离地面不同高度z处被测活立木的直径。
图4示出本发明的一个实施例的活立木的树高测量示意图。如图4所示，点A为树冠遮挡条件下被测活立木的测量倾角最小时树干底部的距离测量点P最近的点，点A的测量倾角为α，点A距测量点P的距离为L0。点B为从最低点A开始沿树干垂直向上距离A点为1.3米的点，点B的测量倾角为β，点B距测量点P的距离为L1。寻找与点B在同一水平面且离测量点P最远的点F(未示出)，点F距测量点P的距离为L2。点C为树冠遮挡条件下被测活立木的最低的树枝底部的距离测量点最近的点，点C的测量倾角为γ，L3为点C距测量点P的距离。点T为树冠遮挡条件下被测活立木的可观测的树干最高点，点T的测量倾角为
Figure BDA0002649640760000112
点T距测量点P的距离为L4。点C距离地面的高度为HC，点T距离地面的高度为HT，被测活立木的树高为H。
被测活立木的树高的计算公式为：
Figure BDA0002649640760000111
HC＝L0sinα+L3sinλ (11)
其中，H为被测活立木的树高，HC为树冠遮挡条件下被测活立木的最低的树枝底部的距离测量点P最近的点C距离地面的高度，DC为距离地面HC高度处被测活立木的树干的直径，HT为树冠遮挡条件下被测活立木的可观测的树干最高点T距地面的高度，DT为距地面高度HT处被测活立木的树干的直径，L0为树冠遮挡条件下被测活立木的测量倾角最小时树干底部的距离测量点P最近的点A与测量点P的距离，α为点A的测量倾角，L3为树冠遮挡条件下被测活立木的最低的树枝底部的距离测量点P最近的点C与测量点P的距离，γ为点C的测量倾角。
在一些实施例中，被测活立木的材积测量模型为二元材积模型，其计算公式为公式(2)，计算距离地面不同高度处被测活立木的直径和被测活立木的树高包括：计算被测活立木的胸径D胸和被测活立木的树高H。
其中，计算被测活立木的胸径D胸的计算公式为：
Figure BDA0002649640760000121
其中，D胸为距离地面1.3米处被测活立木的树干的直径，L1为树冠遮挡条件下被测活立木的树干在垂直方向距离点A1.3米处的点B与测量点P之间的距离，L2为树冠遮挡条件下所述被测活立木的树干的与点B在同一水平面且距离测量点P最远的点F与测量点P之间的距离，β为点B的测量倾角，也为点F的测量倾角。
计算被测活立木的树高H的计算公式为公式(10)和(11)。
在一些实施例中，被测活立木的材积测量模型为分段材积模型，其计算公式为公式(3)至(5)，计算距离地面不同高度处被测活立木的直径和被测活立木的树高包括：公式(4)中被测活立木的第i段树干的最高点处的直径Di，公式(5)中距地面高度HT处被测活立木的树干的直径DT。直径Di和直径DT利用公式(6)至(9)来计算。
计算被测活立木的树高H的计算公式为公式(10)和(11)。
在步骤S280中，基于所述距离地面不同高度处所述被测活立木的直径和所述被测活立木的树高，利用所述材积测量模型计算得到所述被测活立木的材积。
根据本发明实施例的活立木的树种识别与材积测量方法，提取不同角度的RGB-D图像的多个特征点，利用多个特征点的邻域几何信息的直方图相似度进行特征点双向检查，将相似度小于一定值(例如，90％)的特征点删除，利用随机采样一致(RANSAC)算法对不同角度的RGB-D图像进行图像间特征点的配准，对不同角度的RGB-D图像进行空间变换、拼接形成被测活立木的完整图像，运用深度和颜色信息寻找被测活立木的边缘，从背景中分离出被测活立木，运用深度、颜色和形状信息从被测活立木中分离出树干、树枝和叶片。根据直方图相似性检查后特征点配准得到的RGB-D图像，运用深度、颜色和形状信息，可以准确、快速地从背景中分离出活立木树干、树枝、树叶，进而提高了活立木的树种识别和材积测量准确率。
基于在不同的地理位置采集不同种类的活立木的不同角度深度图像和RGB图像，得到不同种类的活立木的完整图像，从不同种类的活立木的完整图像中分离出不同种类的活立木的树干、树枝和树叶，基于不同种类的活立木的树干和树叶建立训练样本，利用训练样本对深度卷积神经网络分类模型进行训练，得到深度卷积神经网络模型。利用地理位置分别获取被测活立木所在的当前区域的轻量化深度卷积神经网络模型识别树干和树叶的模型参数，对分离后的树干、树叶利用深度卷积神经网络模型进行树种识别，提高了活立木的树种识别的准确度。
建立被测活立木的材积测量模型，其中，基于被测活立木的地理位置和种类确定材积测量模型的模型参数，利用深度卷积神经网络模型进行树种识别以得到树种信息，进而获取被测活立木的树种结构模型结合几何原理计算材积，相比于直接运用圆锥体计算材积精度高，进而提高了活立木的材积测量准确率。
相应地，本发明实施例提供一种活立木的种类识别和材积测量控制装置，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行上述的活立木的种类识别方法和材积测量方法。
相应地，本发明实施例提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机指令，所述计算机指令被执行时实现上述活立木木的种类识别方法和材积测量方法所规定的操作。
相应地，本发明实施例还提供了一种计算机程序产品，包括计算机程序，所述计算机程序包括程序指令，当所述程序指令被移动终端执行时，使所述移动终端执行上述活立木的种类识别方法和材积测量方法的步骤。
附图中的流程图、框图图示了本发明实施例的系统、方法、装置的可能的体系框架、功能和操作，流程图和框图上的方框可以代表一个模块、程序段或仅仅是一段代码，所述模块、程序段和代码都是用来实现规定逻辑功能的可执行指令。也应当注意，所述实现规定逻辑功能的可执行指令可以重新组合，从而生成新的模块和程序段。因此附图的方框以及方框顺序只是用来更好的图示实施例的过程和步骤，而不应以此作为对发明本身的限制。
以上所述仅为本发明的一些实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种活立木的种类识别方法，其特征在于，包括：
获取被测活立木的不同角度的RGB-D图像；
基于所述不同角度的RGB-D图像，拼接得到所述被测活立木的完整图像，从所述被测活立木的完整图像中分离出所述被测活立木的树干、树枝和树叶；
基于训练后的深度卷积神经网络模型对分离出的所述树干和所述树叶进行树种识别，加权融合后置信度最高的类别为所述被测活立木的种类。
2.根据权利要求1所述的种类识别方法，其特征在于，所述训练后的深度卷积神经网络模型的建立过程包括：
建立深度卷积神经网络分类模型；
在不同的地理位置采集不同种类的活立木的不同角度的RGB-D图像；
基于所述不同种类的活立木的不同角度的RGB-D图像，拼接得到所述不同种类的活立木的完整图像，从所述不同种类的活立木的完整图像中分离出所述不同种类的活立木的树干、树枝和树叶；
基于所述不同种类的活立木的所述树干和所述树叶建立训练样本；
利用所述训练样本对所述深度卷积神经网络分类模型进行训练，当所述深度卷积神经网络分类模型的识别准确率达到一定值时，得到所述训练后的深度卷积神经网络模型。
3.根据权利要求1所述的种类识别方法，其特征在于，所述获取被测活立木的不同角度的RGB-D图像包括：
采集所述被测活立木的不同角度的深度图像和RGB图像；
分别提取每一角度的深度图像和RGB图像中的特征点并进行配准得到所述被测活立木的每一角度的RGB-D图像。
4.根据权利要求1所述的种类识别方法，其特征在于，所述基于所述不同角度的RGB-D图像，拼接得到所述被测活立木的完整图像，从所述被测活立木的完整图像中分离出所述被测活立木的树干、树枝和树叶包括：
提取所述不同角度的RGB-D图像的多个特征点，分别以所述多个特征点为中心点计算所述多个特征点的邻域几何信息的直方图；
利用所述直方图相似度进行特征点双向检查，将相似度小于一定值的所述特征点删除；
利用随机采样一致算法对所述不同角度的RGB-D图像进行图像间特征点的配准；
对所述不同角度的RGB-D图像进行空间变换、拼接形成所述被测活立木的完整图像；
运用深度和颜色信息寻找所述被测活立木的边缘，从背景中分离出所述被测活立木；
运用深度、颜色和形状信息从所述被测活立木中分离出树干、树枝和叶片。
5.根据权利要求1所述的种类识别方法，其特征在于，所述基于训练后的深度卷积神经网络模型对分离出的所述树干和所述树叶进行树种识别，置信度最高的类别为所述被测活立木的种类包括：
多次运用所述训练后的深度卷积神经网络模型对所述树干进行种类识别，识别得到所述被测活立木所属于的种类和所述种类对应的第一置信度；
多次随机选择所述被测活立木的没有被遮挡的多片所述树叶并运用所述训练后的深度卷积神经网络模型分别对所述多片所述树叶进行种类识别，识别得到所述被测活立木所属于的种类和所述种类对应的多个第二置信度；
基于同一种类对应的所述第一置信度和所述多个第二置信度，加权融合计算得到将所述被测活立木识别为所述种类的置信度；
选择置信度最高的类别为所述被测活立木的种类。
6.一种活立木的材积测量方法，其特征在于，包括：
基于如权利要求1至5中任一项所述的活立木的种类识别方法，得到被测活立木的种类；
建立所述被测活立木的材积测量模型，其中，基于所述被测活立木的地理位置和种类确定所述材积测量模型的模型参数；
计算距离地面不同高度处所述被测活立木的直径和所述被测活立木的树高；
基于所述距离地面不同高度处所述被测活立木的直径和所述被测活立木的树高，利用所述材积测量模型计算得到所述被测活立木的材积。
7.根据权利要求6所述的材积测量方法，其特征在于，计算距离地面不同高度处所述被测活立木的直径包括：
计算RGB-D图像中每个点的三维空间坐标得到点云，分离出地面点后运用随机采样一致算法拟合地面，运用最小二乘拟合圆法计算距离地面不同高度处所述被测活立木的直径D。
8.根据权利要求7所述的材积测量方法，其特征在于，所述被测活立木的树高的计算公式为：
Figure FDA0002649640750000031
HC＝L0sinα+L3sinλ
其中，H为所述被测活立木的树高，HC为树冠遮挡条件下所述被测活立木的最低的树枝底部的距离测量点最近的点C距离地面的高度，DC为距离地面HC高度处所述被测活立木的树干的直径，HT为树冠遮挡条件下所述被测活立木的可观测的树干最高点T距地面的高度，DT为距地面高度HT处所述被测活立木的树干的直径，L0为树冠遮挡条件下所述被测活立木的测量倾角最小时树干底部的距离测量点最近的点A与测量点P的距离，α为点A的测量倾角，L3为点C与测量点P的距离，γ为点C的测量倾角。
9.根据权利要求8所述的材积测量方法，其特征在于，所述被测活立木的材积测量模型的公式为：
V＝aD胸 bHc
其中，V为所述被测活立木的材积，D胸为所述被测活立木的胸径，H为所述被测活立木的树高，a、b、c为基于所述被测活立木的地理位置和种类确定的所述材积测量模型的模型参数。
10.根据权利要求8所述的材积测量方法，其特征在于，所述被测活立木的材积测量模型的公式为：
V＝V干+V梢
Figure FDA0002649640750000041
Figure FDA0002649640750000042
其中，V为所述被测活立木的材积，V干为所述被测活立木的树干的材积，V梢为所述被测活立木的树梢的材积，n为所述被测活立木的树干在垂直方向上的分段数，Di为所述被测活立木的第i段树干的最高点处的直径，Hi为所述被测活立木的第i段树干的最高点距地面的高度，k为基于所述被测活立木的地理位置和种类确定的所述材积测量模型的模型参数，HT为树冠遮挡条件下所述被测活立木的可观测的树干最高点T距地面的高度，DT为距地面高度HT处所述被测活立木的树干的直径，H为所述被测活立木的树高。
CN202010869083.3A 2020-08-25 2020-08-25 活立木的种类识别方法与材积测量方法 Active CN112082475B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010869083.3A CN112082475B (zh) 2020-08-25 2020-08-25 活立木的种类识别方法与材积测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010869083.3A CN112082475B (zh) 2020-08-25 2020-08-25 活立木的种类识别方法与材积测量方法

Publications (2)

Publication Number Publication Date
CN112082475A true CN112082475A (zh) 2020-12-15
CN112082475B CN112082475B (zh) 2022-05-24

Family

ID=73728817

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010869083.3A Active CN112082475B (zh) 2020-08-25 2020-08-25 活立木的种类识别方法与材积测量方法

Country Status (1)

Country Link
CN (1) CN112082475B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114279323A (zh) * 2021-11-22 2022-04-05 北京林业大学 一种适用于中小型乔木的单株立木材积无损测定方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102005047A (zh) * 2010-11-15 2011-04-06 无锡中星微电子有限公司 图像配准系统及其方法
DE102012014300A1 (de) * 2012-07-19 2013-01-17 Daimler Ag Verfahren zur Objekterkennung in einer Umgebung eines Kraftwagens sowie Fahrerassistenzsystem zur Objekterkennung in einer Umgebung eines Kraftwagens
CN103791872A (zh) * 2014-03-04 2014-05-14 北京林业大学 一种使用新型胸高形数测定立木材积的方法
CN105043316A (zh) * 2015-05-17 2015-11-11 江西省科学院生物资源研究所 一种截干后活立木马褂木树干3d可视化及材积计算方法
CN105160299A (zh) * 2015-07-31 2015-12-16 华南理工大学 基于贝叶斯融合稀疏表示分类器的人脸情感识别方法
CN106231290A (zh) * 2016-08-30 2016-12-14 浙江工业大学 基于深度模板的3d树木图像构建方法
CN107462151A (zh) * 2016-06-03 2017-12-12 北京林业大学 一种基于数码相机测量单株立木材积的方法
CN108932500A (zh) * 2018-07-09 2018-12-04 广州智能装备研究院有限公司 一种基于深度神经网络的动态手势识别方法及系统
CN109191519A (zh) * 2018-09-07 2019-01-11 中科院金华信息技术有限公司 一种树木树干体积估算模型构建方法、体积估算方法及系统
CN109522929A (zh) * 2018-10-16 2019-03-26 南京农业大学 一种基于多源图像融合的自然环境下麦田杂草识别方法
CN109903323A (zh) * 2019-03-06 2019-06-18 张�成 用于透明物体识别的训练方法、装置、存储介质及终端
CN110517228A (zh) * 2019-07-30 2019-11-29 浙江农林大学 基于卷积神经网络与迁移学习的树干图像快速检测方法
CN110689039A (zh) * 2019-08-19 2020-01-14 浙江工业大学 一种基于四通道卷积神经网络的树干纹理识别方法
CN111401218A (zh) * 2020-03-12 2020-07-10 高宽友 一种智慧城市监控方法及系统

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102005047A (zh) * 2010-11-15 2011-04-06 无锡中星微电子有限公司 图像配准系统及其方法
DE102012014300A1 (de) * 2012-07-19 2013-01-17 Daimler Ag Verfahren zur Objekterkennung in einer Umgebung eines Kraftwagens sowie Fahrerassistenzsystem zur Objekterkennung in einer Umgebung eines Kraftwagens
CN103791872A (zh) * 2014-03-04 2014-05-14 北京林业大学 一种使用新型胸高形数测定立木材积的方法
CN105043316A (zh) * 2015-05-17 2015-11-11 江西省科学院生物资源研究所 一种截干后活立木马褂木树干3d可视化及材积计算方法
CN105160299A (zh) * 2015-07-31 2015-12-16 华南理工大学 基于贝叶斯融合稀疏表示分类器的人脸情感识别方法
CN107462151A (zh) * 2016-06-03 2017-12-12 北京林业大学 一种基于数码相机测量单株立木材积的方法
CN106231290A (zh) * 2016-08-30 2016-12-14 浙江工业大学 基于深度模板的3d树木图像构建方法
CN108932500A (zh) * 2018-07-09 2018-12-04 广州智能装备研究院有限公司 一种基于深度神经网络的动态手势识别方法及系统
CN109191519A (zh) * 2018-09-07 2019-01-11 中科院金华信息技术有限公司 一种树木树干体积估算模型构建方法、体积估算方法及系统
CN109522929A (zh) * 2018-10-16 2019-03-26 南京农业大学 一种基于多源图像融合的自然环境下麦田杂草识别方法
CN109903323A (zh) * 2019-03-06 2019-06-18 张�成 用于透明物体识别的训练方法、装置、存储介质及终端
CN110517228A (zh) * 2019-07-30 2019-11-29 浙江农林大学 基于卷积神经网络与迁移学习的树干图像快速检测方法
CN110689039A (zh) * 2019-08-19 2020-01-14 浙江工业大学 一种基于四通道卷积神经网络的树干纹理识别方法
CN111401218A (zh) * 2020-03-12 2020-07-10 高宽友 一种智慧城市监控方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘嘉政等: "基于深度学习的树种图像自动识别", 《南京林业大学学报》 *
窦刚等: "采用颜色纹理及光谱特征的木材树种分类识别", 《天津大学学报》 *
高旋等: "基于迁移学习的树种识别", 《森林工程》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114279323A (zh) * 2021-11-22 2022-04-05 北京林业大学 一种适用于中小型乔木的单株立木材积无损测定方法

Also Published As

Publication number Publication date
CN112082475B (zh) 2022-05-24

Similar Documents

Publication Publication Date Title
CN112381861B (zh) 一种基于地基激光雷达的林地点云数据配准和分割方法
CN110378909B (zh) 基于Faster R-CNN的面向激光点云的单木分割方法
CN111340012B (zh) 一种地质灾害解译方法、装置、终端设备
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
CN107832849B (zh) 一种基于知识库的电力线廊道三维信息提取方法及装置
Masuda Leaf area estimation by semantic segmentation of point cloud of tomato plants
CN107563366A (zh) 一种定位方法及装置、电子设备
CN115854895A (zh) 一种基于目标立木形态的非接触式立木胸径测量方法
CN114241217B (zh) 一种基于圆柱特征的树干点云高效提取方法
CN115880487A (zh) 基于深度学习方法的林木激光点云枝叶分离方法
CN114037836A (zh) 一种将人工智能识别技术应用于三维输变电工程测算的方法
CN112082475B (zh) 活立木的种类识别方法与材积测量方法
CN115909096A (zh) 无人机巡航管道隐患分析方法、装置及系统
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
CN111918547B (zh) 树冠识别装置、识别方法、程序和记录介质
Zheng et al. Single shot multibox detector for urban plantation single tree detection and location with high-resolution remote sensing imagery
CN112184903A (zh) 高压线行树障风险点的检测方法、装置、设备及介质
CN111814666A (zh) 一种复杂林分下的单木参数提取方法、系统、介质及设备
CN115861816B (zh) 一种立体低涡识别方法、装置、存储介质及终端
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
CN110084120B (zh) 海岛环境下的植被调查方法、装置、系统、设备和介质
CN115311396B (zh) 一种超高建筑物屋顶轮廓线的自动提取方法及系统
CN113723833B (zh) 造林实绩质量评价方法、系统、终端设备及存储介质
Grishin et al. Individual Tree Segmentation Quality Evaluation Using Deep Learning Models LiDAR Based
KR102453056B1 (ko) 라이다 데이터를 이용한 훼손지 식생 복원모델 산출시스템 및 방법, 이를 실행하는 프로그램 기록매체

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