CN113516083B - 一种草原区弃耕地植被的生态修复建模方法 - Google Patents

一种草原区弃耕地植被的生态修复建模方法 Download PDF

Info

Publication number
CN113516083B
CN113516083B CN202110812408.9A CN202110812408A CN113516083B CN 113516083 B CN113516083 B CN 113516083B CN 202110812408 A CN202110812408 A CN 202110812408A CN 113516083 B CN113516083 B CN 113516083B
Authority
CN
China
Prior art keywords
vegetation
detection
ecological
abandoned
modeling
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
CN202110812408.9A
Other languages
English (en)
Other versions
CN113516083A (zh
Inventor
王海
那日苏
塔娜
张晓庆
石红霄
哈斯巴根
王珍
孙世贤
张勇
彭大庆
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.)
Grassland Research Institute of Chinese Academy of Agricultural Sciences
Original Assignee
Grassland Research Institute of Chinese Academy of Agricultural Sciences
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 Grassland Research Institute of Chinese Academy of Agricultural Sciences filed Critical Grassland Research Institute of Chinese Academy of Agricultural Sciences
Priority to CN202110812408.9A priority Critical patent/CN113516083B/zh
Publication of CN113516083A publication Critical patent/CN113516083A/zh
Application granted granted Critical
Publication of CN113516083B publication Critical patent/CN113516083B/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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及生态修复领域，揭露一种生态修复建模方法，包括：对弃耕地航拍图执行特征提取得到弃耕地特征图，利用目标检测模型对所述弃耕地特征图执行类别检测得到检测候选框集，计算所述检测候选框集内每个检测候选框与其他检测候选框之间的重叠度，基于所述重叠度清理所述检测候选框集得到类别目标框集，剔除所述类别目标框集所选中的内容得到生态待修复特征图，基于所述生态待修复特征图生成生态待修复建模文件，将所述生态待修复建模文件输入至对应的建模工具，生成所述弃耕地航拍图的生态修复图。本发明还揭露草原区弃耕地植被的生态修复建模装置、电子设备以及存储介质。本发明可解决生态修复建模时间过长、浪费过多资源的问题。

Description

一种草原区弃耕地植被的生态修复建模方法
技术领域
本发明涉及生态修复领域，尤其涉及一种草原区弃耕地植被的生态修复建模方法、装置、电子设备及计算机可读存储介质。
背景技术
伴随科技不断发展，人民生活水平逐渐提高并放弃农耕生活，目前已出现越来越多的草原区弃耕地，如何对弃耕地进行生态修复是至关重要的，而生态修复弃耕地的第一步，是对草原区弃耕地进行建模操作，以可视化出生态修复后弃耕地，供研究人员等评估。
目前关于草原区弃耕地的生态修复建模，主要方法包括：先获取草原区弃耕地的测绘数据，其后建模人员利用测绘数据，使用3DMax等建模工具构建出草原区弃耕地的模型，然后剔除草原区弃耕地中的绿色植被，暴露出弃耕地完成建模。
虽然上述方法可完成对弃耕地的生态修复建模，但主要以建模人员操作为主，且从测绘、绘制草原区弃耕地模型、提取弃耕地并完成建模等过程来说，弃耕地的生态修复建模时间过长、浪费过多资源，违背绿色建模的理念。
发明内容
本发明提供一种草原区弃耕地植被的生态修复建模方法、装置、电子设备及计算机可读存储介质，其主要目的在于解决生态修复建模时间过长、浪费过多资源的问题。
为实现上述目的，本发明提供的一种草原区弃耕地植被的生态修复建模方法，包括：
接收弃耕地航拍图，对所述弃耕地航拍图执行特征提取，得到弃耕地特征图；
利用预构建的目标检测模型，对所述弃耕地特征图执行类别检测，得到检测候选框集；
计算所述检测候选框集内每个检测候选框与其他检测候选框之间的重叠度，基于所述重叠度清理所述检测候选框集，得到类别目标框集；
在所述弃耕地特征图中，剔除所述类别目标框集所选中的内容，得到生态待修复特征图；
基于所述生态待修复特征图生成生态待修复建模文件，将所述生态待修复建模文件输入至对应的建模工具，生成所述弃耕地航拍图的生态修复图。
可选地，所述基于所述生态待修复特征图生成生态待修复建模文件，包括：
接收用户输入的弃耕地植被名称，以所述弃耕地植被名称为搜索关键字，从预构建的贴图数据库中搜索与所述弃耕地植被名称对应的植被贴图；
以所述生态待修复特征图为图像形状，生成模型数据文件；
将所述植被贴图、所述模型数据文件及预构建的建模基础文件组合，得到所述生态待修复建模文件。
可选地，所述以所述生态待修复特征图为图像形状，生成模型数据文件，包括：
计算所述植被贴图在建模场景下的高度；
根据所述高度调整所述植被贴图，得到植被建模图；
以所述生态待修复特征图为图像形状，生成弃耕地地形图；
将所述弃耕地地形图的灰度值调整为预设灰度区间；
将调整灰度值完成的所述弃耕地地形图及所述植被建模图，生成符合建模要求并可读的所述模型数据文件。
可选地，所述对所述弃耕地航拍图执行特征提取，得到弃耕地特征图，包括：
去噪及灰度处理所述弃耕地航拍图，得到特征待提取航拍图；
利用预训练完成的神经网络，提取所述特征待提取航拍图的特征，得到所述弃耕地特征图。
可选地，所述利用预构建的目标检测模型，对所述弃耕地特征图执行类别检测，得到检测候选框集，包括：
利用所述目标检测模型的卷积核，对所述弃耕地特征图执行卷积操作，得到卷积图；
激活所述卷积图，得到每个检测候选框的坐标位置；
通过可视化工具及每个检测候选框的所述坐标位置，在所述弃耕地特征图中绘制得到所述所述检测候选框集。
可选地，所述利用预构建的目标检测模型，对所述弃耕地特征图执行类别检测，得到检测候选框集，还可以包括：
构建包括植被特征提取卷积层及检测框生成层的原始目标检测模型；
利用所述植被特征提取卷积层，提取预构建的植被图片训练集中植被特征，得到植被特征集；
根据所述植被特征集在所述植被图片训练集中的位置，利用所述检测框生成层生成对应的检测框；
调整所述目标检测模型的内部参数，直至所述植被特征提取卷积层提取所述植被图片训练集的提取次数达到预设阈值，得到所述目标检测模型；
利用所述植被特征提取卷积层，提取所述弃耕地特征图中的植被特征；
根据所述弃耕地特征图中的植被特征在所述弃耕地特征图中的位置，利用所述检测框生成层生成对应的检测框，得到所述检测候选框集。
可选地，所述计算所述检测候选框集内每个检测候选框与其他检测候选框之间的重叠度，包括：
利用如下方法计算每个检测候选框与其他检测候选框之间的重叠度：
Figure BDA0003168878310000031
其中，IOU表述所述重叠度，A、B表示所述检测候选框集内不相同的两个检测候选框，A∩B表示检测候选框A与检测候选框B的交集面积，A∪B表示检测候选框A与检测候选框B的并集面积。
为了解决上述问题，本发明还提供一种草原区弃耕地植被的生态修复建模装置，所述装置包括：
弃耕地特征提取模块，用于接收弃耕地航拍图，对所述弃耕地航拍图执行特征提取，得到弃耕地特征图；
检测候选框生成模块，用于利用预构建的目标检测模型，对所述弃耕地特征图执行类别检测，得到检测候选框集，计算所述检测候选框集内每个检测候选框与其他检测候选框之间的重叠度，基于所述重叠度清理所述检测候选框集，得到类别目标框集；
生态待修复特征生成模块，用于在所述弃耕地特征图中，剔除所述类别目标框集所选中的内容，得到生态待修复特征图；
生态修复模块，用于基于所述生态待修复特征图生成生态待修复建模文件，将所述生态待修复建模文件输入至对应的建模工具，生成所述弃耕地航拍图的生态修复图。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述中任意一项所述的草原区弃耕地植被的生态修复建模方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储创建的数据，存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现上述中任意一项所述的草原区弃耕地植被的生态修复建模方法。
本发明实施例利用GPS卫星或无人机等拍摄得到弃耕地航拍图，相比于背景技术中利用测绘数据来说，更简便且方便；另外，本发明利用目标检测模型检测出弃耕地航拍图中包括的不同类别的景物，如绿色植被等，并生成对应的检测候选框，其后剔除检测候选框所框选中的绿色植被后，仅剩下弃耕地，即生态待修复特征图，最后，利用生态待修复特征图生成生态待修复建模文件，并通过建模工具生成生态修复图，由此可见，本发明不用建模人员根据测绘数据构建出草原区弃耕地模型，也不用建模人员手动剔除草原区弃耕地中的绿色植被，提高了建模效率，因此本发明提出的草原区弃耕地植被的生态修复建模方法、装置及计算机可读存储介质，可以解决生态修复建模时间过长、浪费过多资源的问题。
附图说明
图1为本发明一实施例提供的草原区弃耕地植被的生态修复建模方法的流程示意图；
图2为本发明一实施例提供的草原区弃耕地植被的生态修复建模方法的检测候选框生成图；
图3为本发明一实施例提供的草原区弃耕地植被的生态修复建模方法的类别目标框生成图；
图4为本发明一实施例提供的草原区弃耕地植被的生态修复建模方法的生态待修复特征图；
图5为本发明一实施例提供的草原区弃耕地植被的生态修复建模方法中S5的示意图；
图6为本发明一实施例提供的草原区弃耕地植被的生态修复建模装置的模块示意图；
图7为本发明一实施例提供的实现草原区弃耕地植被的生态修复建模方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种草原区弃耕地植被的生态修复建模方法，所述草原区弃耕地植被的生态修复建模方法的执行主体包括但不限于服务端、终端等能够被配置为执行本发明实施例提供的该方法的电子设备中的至少一种。换言之，所述草原区弃耕地植被的生态修复建模方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的草原区弃耕地植被的生态修复建模方法的流程示意图。在本实施例中，所述草原区弃耕地植被的生态修复建模方法包括：
S1、接收弃耕地航拍图，对所述弃耕地航拍图执行特征提取，得到弃耕地特征图。
本发明实施例中，由于可能存在大片的弃耕地，若直接根据测绘人员的测绘结果，对弃耕地的植被修复进行建模，可能因测绘误差对建模造成影响，因此为了提高对弃耕地植被修复建模的精确度，本发明实施例利用卫星或无人机拍摄弃耕地，从而得到弃耕地航拍图。
进一步地，当得到弃耕地航拍图后，所述对所述弃耕地航拍图执行特征提取，得到弃耕地特征图，包括：
去噪及灰度处理所述弃耕地航拍图，得到特征待提取航拍图；
利用预训练完成的神经网络，提取所述特征待提取航拍图的特征，得到所述弃耕地特征图。
优选地，本发明实施例采用匹配滤波算法去除弃耕地航拍图中的噪点。
由于直接接收的弃耕地航拍图像素较大，因此需要从弃耕地航拍图中提取弃耕地的特征，方便后续的建模操作，本发明实施例中，通过改进已训练完成的ResNet神经网络的网络层数得到所述神经网络，其中，所述预训练完成的神经网络，包括：
去除所述ResNet神经网络的全连接层，并将所述ResNet神经网络的卷积网络层修改为八层，得到待训练神经网络，获取航拍图训练集及对应的标签集；
利用所述待训练神经网络预测所述航拍图训练集的标签，得到预测集；
计算所述标签集与所述预测集的损失值，当所述损失值大于预设阈值时，调整所述待训练神经网络的内部参数，并返回上述标签预测步骤；
直至所述损失值小于或等于预设阈值时，得到训练完成的所述神经网络。
所述损失函数为：
Figure BDA0003168878310000061
其中，DiceLoss为损失函数值，Y_true表示所述航拍图训练集的标签，即所述标签集，Y_pred则表示所述神经网络预测出的预测标签，即所述预测集，N是所述航拍图训练集的样本总数。
S2、利用预构建的目标检测模型，对所述弃耕地特征图执行类别检测，得到检测候选框集。
参阅图2所示，实线矩形框表示为草原区弃耕地，在草原区弃耕地内包括植被1、植被2、植被3、植被4及空白部分，其中空白部分为弃耕地，由于植被1、植被2、植被3、植被4并非弃耕地，因此只需要对空白部分执行生态修复即可，因此本发明实施例中，需先利用所述目标检测模型，依次识别出植被1、植被2、植被3、植被4，并利用检测候选框集框选出植被1、植被2、植被3、植被4。
详细地，本发明其中一个实施例中，所述利用预构建的目标检测模型，对所述弃耕地特征图执行类别检测，得到检测候选框集，包括：
利用所述目标检测模型的卷积核，对所述弃耕地特征图执行卷积操作，得到卷积图；
激活所述卷积图，得到每个检测候选框的坐标位置；
通过可视化工具及每个检测候选框的所述坐标位置，在所述弃耕地特征图中绘制得到所述所述检测候选框集。
本发明较佳实施例中，所述卷积核的规模包括12*12大小和6*6大小，进一步地，所述激活函数为线性激活函数，如softmax函数，可预测出每个检测候选框的坐标位置，从而绘制得到所述检测候选框集。
但由于基于卷积核操作的目标检测模型所生成的检测候选框集，会生成较多的重叠候选框，如图2所示，植被1和植被2都有两个重叠的候选框，因此需要对重叠的候选框执行剔除操作。
详细地，本发明另一实施例中，所述预构建的目标检测模型，包括：
步骤A：构建包括植被特征提取卷积层及检测框生成层的原始目标检测模型；
步骤B：利用所述植被特征提取卷积层，提取预构建的植被图片训练集中植被特征，得到植被特征集；
步骤C：根据所述植被特征集在所述植被图片训练集中的位置，利用所述检测框生成层生成对应的检测框；
步骤D：调整所述目标检测模型的内部参数，直至所述植被特征提取卷积层提取所述植被图片训练集的提取次数达到预设阈值，得到所述目标检测模型。
进一步地，所述利用预构建的目标检测模型，对所述弃耕地特征图执行类别检测，得到检测候选框集，包括：
利用所述植被特征提取卷积层，提取所述弃耕地特征图中的植被特征；
根据所述弃耕地特征图中的植被特征在所述弃耕地特征图中的位置，利用所述检测框生成层生成对应的检测框，得到所述检测候选框集。
本发明实施例中，所述植被特征提取卷积层与其他卷积层的不同点在于，植被特征提取卷积层对于包括绿色格式的图片的卷积更加敏感，可更精确的发现图片中绿色像素的图片区域。
S3、计算所述检测候选框集内每个检测候选框与其他检测候选框之间的重叠度，基于所述重叠度清理所述检测候选框集，得到类别目标框集。
本发明较佳实施例中，由于上述得到的检测候选框集中的候选框数量众多，故需清理所述检测候选框集，本发明较佳实施例通过计算每个候选框的重叠度，并根据重叠度完成清理。
详细的，利用如下方法计算每个检测候选框与其他检测候选框之间的重叠度：
Figure BDA0003168878310000081
其中，IOU表述所述重叠度，A、B表示所述检测候选框集内不相同的两个检测候选框，A∩B表示检测候选框A与检测候选框B的交集面积，A∪B表示检测候选框A与检测候选框B的并集面积。
进一步地，基于所述重IOU叠度清理所述检测候选框集的清理方法有多种，如按照重叠度从大到小的排序方法排序得到的各个重叠度，判断每个重叠度的差值是否小于预设的第一阈值，若小于所述第一阈值，则随机剔除重叠度中对应的一个检测候选框，直至得到所述类别目标框集，如经S3剔除重叠的候选框后，原图2变为图3所示。
本发明另一实施例中，可使用如下公式计算所述重叠度：
Smax＝max(S1,S2,...,Sn)
IOU＝RP(Smax,Si)，其中，Si属于S1,S2,...,Sn
其中，S1、S2、Sn为同一目标下检测框的面积，RP为相关性计算方法，当得知同一目标下检测框的最大面积Smax后，通过计算不同检测框的面积与最大面积Smax的相关性，从而完成检测框的剔除操作。
S4、在所述弃耕地特征图中，剔除所述类别目标框集所选中的内容，得到生态待修复特征图。
本发明实施例中，参阅图4所示，依次剔除所述类别目标框集中每个类别目标框，得到生态待修复特征图，即图4中灰色部分。
S5、基于所述生态待修复特征图生成生态待修复建模文件，将所述生态待修复建模文件输入至对应的建模工具，生成所述弃耕地航拍图的生态修复图。
本发明实施例中，建模一般均以建模文件为基础，因此详细地，参阅图5所示，所述基于所述生态待修复特征图生成生态待修复建模文件，包括：
S51、接收用户输入的弃耕地植被名称，以所述弃耕地植被名称为搜索关键字，从预构建的贴图数据库中搜索与所述弃耕地植被名称对应的植被贴图；
S52、以所述生态待修复特征图为图像形状，生成模型数据文件；
S53、将所述植被贴图、所述模型数据文件及预构建的建模基础文件组合，得到所述生态待修复建模文件。
其中，所述建模基础文件包括材质数据文件、灯光数据文件等一系列关于建模所需数据元素的文件。
进一步地，所述以所述生态待修复特征图为图像形状，生成模型数据文件，包括：
计算所述植被贴图在建模场景下的高度；
根据所述高度调整所述植被贴图，得到植被建模图；
以所述生态待修复特征图为图像形状，生成弃耕地地形图；
将所述弃耕地地形图的灰度值调整为预设灰度区间；
将调整灰度值完成的所述弃耕地地形图及所述植被建模图，生成符合建模要求并可读的所述模型数据文件。
本发明实施例中，如用户选择的弃耕地植被名称为龙舌兰，通过计算得到龙舌兰的平均高度为3米，因此将数据库中存储的龙舌兰贴图，按照预设比例执行调整得到植被建模图，如比例为100:1时，则调整后的龙舌兰建模图为3cm。
进一步地，如参阅图4所示，去除类别目标框集中所选中的植被后，所得到生态待修复特征图全部为生态待修复区域，因此以该生态待修复区域生成弃耕地地形图，其中弃耕地地形图中荒漠贴图，来源于所述数据库。
一般地，弃耕地地形图由于颜色较淡，和普通图片差别较大，因此需要调整弃耕地地形图的灰度值，以体现视觉效果。
优选地，需根据所使用的建模工具，对应生成符合要求的建模文件不同，其中建模工具如3dmax、unity3D等，如选择3dmax作为建模工具时，根据对应的生态待修复建模文件，利用3dmax渲染可得到该弃耕地航拍图对应的生态修复图。
本发明实施例利用GPS卫星或无人机等拍摄得到弃耕地航拍图，相比于背景技术中利用测绘数据来说，更简便且方便；另外，本发明利用目标检测模型检测出弃耕地航拍图中包括的不同类别的景物，如绿色植被等，并生成对应的检测候选框，其后剔除检测候选框所框选中的绿色植被后，仅剩下弃耕地，即生态待修复特征图，最后，利用生态待修复特征图生成生态待修复建模文件，并通过建模工具生成生态修复图，由此可见，本发明不用建模人员根据测绘数据构建出草原区弃耕地模型，也不用建模人员手动剔除草原区弃耕地中的绿色植被，提高了建模效率，因此本发明提出的草原区弃耕地植被的生态修复建模方法、装置及计算机可读存储介质，可以解决生态修复建模时间过长、浪费过多资源的问题。
如图6所示，是本发明草原区弃耕地植被的生态修复建模装置的模块示意图。
本发明所述草原区弃耕地植被的生态修复建模装置100可以安装于电子设备中。根据实现的功能，所述草原区弃耕地植被的生态修复建模装置可以包括弃耕地特征提取模块101、检测候选框生成模块102、生态待修复特征生成模块103及生态修复模块104。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述弃耕地特征提取模块101，用于接收弃耕地航拍图，对所述弃耕地航拍图执行特征提取，得到弃耕地特征图；
所述检测候选框生成模块102，用于利用预构建的目标检测模型，对所述弃耕地特征图执行类别检测，得到检测候选框集，计算所述检测候选框集内每个检测候选框与其他检测候选框之间的重叠度，基于所述重叠度清理所述检测候选框集，得到类别目标框集；
所述生态待修复特征生成模块103，用于在所述弃耕地特征图中，剔除所述类别目标框集所选中的内容，得到生态待修复特征图；
所述生态修复模块104，用于基于所述生态待修复特征图生成生态待修复建模文件，将所述生态待修复建模文件输入至对应的建模工具，生成所述弃耕地航拍图的生态修复图。
本发明实施例所提供的草原区弃耕地植被的生态修复建模装置100中的各个模块能够在使用时基于与上述的草原区弃耕地植被的生态修复建模方法采用相同的手段，具体地实施步骤在此不再赘述，关于各模块/单元的功能所产生技术效果与上述的草原区弃耕地植被的生态修复建模方法的技术效果相同的，即解决生态修复建模时间过长、浪费过多资源的问题。
如图7所示，是本发明实现草原区弃耕地植被的生态修复建模方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如草原区弃耕地植被的生态修复建模程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如草原区弃耕地植被的生态修复建模程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行草原区弃耕地植被的生态修复建模程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图7仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图7示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利发明范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的草原区弃耕地植被的生态修复建模程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
接收弃耕地航拍图，对所述弃耕地航拍图执行特征提取，得到弃耕地特征图；
利用预构建的目标检测模型，对所述弃耕地特征图执行类别检测，得到检测候选框集；
计算所述检测候选框集内每个检测候选框与其他检测候选框之间的重叠度，基于所述重叠度清理所述检测候选框集，得到类别目标框集；
在所述弃耕地特征图中，剔除所述类别目标框集所选中的内容，得到生态待修复特征图；
基于所述生态待修复特征图生成生态待修复建模文件，将所述生态待修复建模文件输入至对应的建模工具，生成所述弃耕地航拍图的生态修复图。
进一步地，所述电子设备1集成的模块/单元如果以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。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
接收弃耕地航拍图，对所述弃耕地航拍图执行特征提取，得到弃耕地特征图；
利用预构建的目标检测模型，对所述弃耕地特征图执行类别检测，得到检测候选框集；
计算所述检测候选框集内每个检测候选框与其他检测候选框之间的重叠度，基于所述重叠度清理所述检测候选框集，得到类别目标框集；
在所述弃耕地特征图中，剔除所述类别目标框集所选中的内容，得到生态待修复特征图；
基于所述生态待修复特征图生成生态待修复建模文件，将所述生态待修复建模文件输入至对应的建模工具，生成所述弃耕地航拍图的生态修复图。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图表记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
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限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (9)

1.一种草原区弃耕地植被的生态修复建模方法，其特征在于，所述方法包括：
接收弃耕地航拍图，对所述弃耕地航拍图执行特征提取，得到弃耕地特征图；
利用预构建的目标检测模型，对所述弃耕地特征图执行类别检测，得到检测候选框集；
计算所述检测候选框集内每个检测候选框与其他检测候选框之间的重叠度，基于所述重叠度清理所述检测候选框集，得到类别目标框集；
在所述弃耕地特征图中，剔除所述类别目标框集所选中的内容，得到生态待修复特征图；
基于所述生态待修复特征图生成生态待修复建模文件，将所述生态待修复建模文件输入至对应的建模工具，生成所述弃耕地航拍图的生态修复图；
所述利用预构建的目标检测模型，对所述弃耕地特征图执行类别检测，得到检测候选框集，还可以包括：
构建包括植被特征提取卷积层及检测框生成层的原始目标检测模型；
利用所述植被特征提取卷积层，提取预构建的植被图片训练集中植被特征，得到植被特征集；
根据所述植被特征集在所述植被图片训练集中的位置，利用所述检测框生成层生成对应的检测框；
调整所述目标检测模型的内部参数，直至所述植被特征提取卷积层提取所述植被图片训练集的提取次数达到预设阈值，得到所述目标检测模型；
利用所述植被特征提取卷积层，提取所述弃耕地特征图中的植被特征；
根据所述弃耕地特征图中的植被特征在所述弃耕地特征图中的位置，利用所述检测框生成层生成对应的检测框，得到所述检测候选框集。
2.如权利要求1所述的草原区弃耕地植被的生态修复建模方法，其特征在于，所述基于所述生态待修复特征图生成生态待修复建模文件，包括：
接收用户输入的弃耕地植被名称，以所述弃耕地植被名称为搜索关键字，从预构建的贴图数据库中搜索与所述弃耕地植被名称对应的植被贴图；
以所述生态待修复特征图为图像形状，生成模型数据文件；
将所述植被贴图、所述模型数据文件及预构建的建模基础文件组合，得到所述生态待修复建模文件。
3.如权利要求2所述的草原区弃耕地植被的生态修复建模方法，其特征在于，所述以所述生态待修复特征图为图像形状，生成模型数据文件，包括：
计算所述植被贴图在建模场景下的高度；
根据所述高度调整所述植被贴图，得到植被建模图；
以所述生态待修复特征图为图像形状，生成弃耕地地形图；
将所述弃耕地地形图的灰度值调整为预设灰度区间；
将调整灰度值完成的所述弃耕地地形图及所述植被建模图，生成符合建模要求并可读的所述模型数据文件。
4.如权利要求1所述的草原区弃耕地植被的生态修复建模方法，其特征在于，所述对所述弃耕地航拍图执行特征提取，得到弃耕地特征图，包括：
去噪及灰度处理所述弃耕地航拍图，得到特征待提取航拍图；
利用预训练完成的神经网络，提取所述特征待提取航拍图的特征，得到所述弃耕地特征图。
5.如权利要求1所述的草原区弃耕地植被的生态修复建模方法，其特征在于，所述利用预构建的目标检测模型，对所述弃耕地特征图执行类别检测，得到检测候选框集，包括：
利用所述目标检测模型的卷积核，对所述弃耕地特征图执行卷积操作，得到卷积图；
激活所述卷积图，得到每个检测候选框的坐标位置；
通过可视化工具及每个检测候选框的所述坐标位置，在所述弃耕地特征图中绘制得到所述检测候选框集。
6.如权利要求1至5中任意一项所述的草原区弃耕地植被的生态修复建模方法，其特征在于，所述计算所述检测候选框集内每个检测候选框与其他检测候选框之间的重叠度，包括：
利用如下方法计算每个检测候选框与其他检测候选框之间的重叠度：
其中，表述所述重叠度，A、B表示所述检测候选框集内不相同的两个检测候选框，表示检测候选框A与检测候选框B的交集面积，表示检测候选框A与检测候选框B的并集面积。
7.一种草原区弃耕地植被的生态修复建模装置，用于实现如权利要求1至6中任一项所述的草原区弃耕地植被的生态修复建模方法，其特征在于，所述装置包括：
弃耕地特征提取模块，用于接收弃耕地航拍图，对所述弃耕地航拍图执行特征提取，得到弃耕地特征图；
检测候选框生成模块，用于利用预构建的目标检测模型，对所述弃耕地特征图执行类别检测，得到检测候选框集，计算所述检测候选框集内每个检测候选框与其他检测候选框之间的重叠度，基于所述重叠度清理所述检测候选框集，得到类别目标框集；
生态待修复特征生成模块，用于在所述弃耕地特征图中，剔除所述类别目标框集所选中的内容，得到生态待修复特征图；
生态修复模块，用于基于所述生态待修复特征图生成生态待修复建模文件，将所述生态待修复建模文件输入至对应的建模工具，生成所述弃耕地航拍图的生态修复图。
8.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任一项所述的草原区弃耕地植被的生态修复建模方法。
9.一种计算机可读存储介质，包括存储数据区和存储程序区，其特征在于，所述存储数据区存储创建的数据，所述存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的草原区弃耕地植被的生态修复建模方法。
CN202110812408.9A 2021-07-19 2021-07-19 一种草原区弃耕地植被的生态修复建模方法 Active CN113516083B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110812408.9A CN113516083B (zh) 2021-07-19 2021-07-19 一种草原区弃耕地植被的生态修复建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110812408.9A CN113516083B (zh) 2021-07-19 2021-07-19 一种草原区弃耕地植被的生态修复建模方法

Publications (2)

Publication Number Publication Date
CN113516083A CN113516083A (zh) 2021-10-19
CN113516083B true CN113516083B (zh) 2023-04-07

Family

ID=78067537

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110812408.9A Active CN113516083B (zh) 2021-07-19 2021-07-19 一种草原区弃耕地植被的生态修复建模方法

Country Status (1)

Country Link
CN (1) CN113516083B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109247199A (zh) * 2018-09-17 2019-01-22 黑龙江省科学院自然与生态研究所 一种退耕重建小叶章湿地的方法
CN109496486A (zh) * 2018-12-29 2019-03-22 山东省林业科学研究院 一种盐碱地改良绿化方法
CN110118742A (zh) * 2019-05-27 2019-08-13 成都理工大学 基于光谱分析的陆表植被冠层生态水含量遥感反演方法
CN110204052A (zh) * 2019-06-10 2019-09-06 福建荣冠环境建设集团有限公司 一种湿地植被的生态修复方法

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100378272C (zh) * 2007-02-15 2008-04-02 陈建庭 城市河溪沟渠水体立体式原位生态修复方法
CN102129516A (zh) * 2011-03-10 2011-07-20 河海大学 一种沉水植物恢复判别模型及其应用
CN103636404B (zh) * 2013-12-30 2015-01-21 四川华电杂谷脑水电开发有限责任公司 高海拔大温差干旱干热河谷高陡坡弃渣体水土保持方法
CN104766366B (zh) * 2015-03-31 2019-02-19 东北林业大学 一种三维虚拟现实演示的建立方法
CN108391480A (zh) * 2017-12-29 2018-08-14 甘肃省治沙研究所 一种干旱荒漠区退耕地植被快速恢复的方法
CN108416686B (zh) * 2018-01-30 2021-10-19 中国矿业大学 一种基于煤炭资源开发的生态地质环境类型划分方法
CN108921361A (zh) * 2018-07-27 2018-11-30 内蒙古蒙草生态环境（集团）股份有限公司 草原生态修复区的识别方法、识别装置及应用
CN109740562B (zh) * 2019-01-14 2020-12-08 中国科学院地理科学与资源研究所 一种生态海绵型城市建设适宜区的系统及方法
US11180394B2 (en) * 2019-09-30 2021-11-23 Uchicago Argonne, Llc Optimally-controlled hybrid phytoremediation system
CN110927120B (zh) * 2019-11-30 2023-08-04 内蒙古小草数字生态产业股份有限公司 一种植被覆盖度预警方法
US11157737B2 (en) * 2019-12-26 2021-10-26 Ping An Technology (Shenzhen) Co., Ltd. Cultivated land recognition method in satellite image and computing device
CN111260187A (zh) * 2020-01-08 2020-06-09 长春工程学院 一种智能矿山地质环境信息评价系统及评价方法
CN111369178A (zh) * 2020-04-07 2020-07-03 榆林学院 一种基于生态大数据的矿区生态修复指导系统
CN111522977A (zh) * 2020-04-24 2020-08-11 贵州工程应用技术学院 一种喀斯特废弃矿山生态修复遥感检测方法
CN112084926A (zh) * 2020-09-03 2020-12-15 常德鑫芙蓉环保有限公司 废弃矿山生态修复植物筛选方法
CN112307552B (zh) * 2020-11-06 2022-07-01 中国葛洲坝集团易普力股份有限公司 一种基于实景三维建模的绿色矿山建设规划方法
CN112861732B (zh) * 2021-02-10 2021-11-02 东北林业大学 一种生态环境脆弱区土地监测方法、系统及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109247199A (zh) * 2018-09-17 2019-01-22 黑龙江省科学院自然与生态研究所 一种退耕重建小叶章湿地的方法
CN109496486A (zh) * 2018-12-29 2019-03-22 山东省林业科学研究院 一种盐碱地改良绿化方法
CN110118742A (zh) * 2019-05-27 2019-08-13 成都理工大学 基于光谱分析的陆表植被冠层生态水含量遥感反演方法
CN110204052A (zh) * 2019-06-10 2019-09-06 福建荣冠环境建设集团有限公司 一种湿地植被的生态修复方法

Also Published As

Publication number Publication date
CN113516083A (zh) 2021-10-19

Similar Documents

Publication Publication Date Title
CN112446919B (zh) 物体位姿估计方法、装置、电子设备及计算机存储介质
US20140212055A1 (en) Automated Mapping of Land Cover Using Sequences of Aerial Imagery
CN112699775A (zh) 基于深度学习的证件识别方法、装置、设备及存储介质
CN113283446A (zh) 图像中目标物识别方法、装置、电子设备及存储介质
CN116229007B (zh) 利用bim建模的四维数字图像构建方法、装置、设备及介质
CN111652209B (zh) 损伤检测方法、装置、电子设备及介质
CN113705461A (zh) 人脸清晰度检测方法、装置、设备及存储介质
CN112528909A (zh) 活体检测方法、装置、电子设备及计算机可读存储介质
CN115471775A (zh) 基于录屏视频的信息验证方法、装置、设备及存储介质
CN114637326A (zh) 区域策略制定方法、装置、设备及存储介质
CN116883611B (zh) 一种结合gis航道信息的航道淤泥分布主动探测识别方法
CN111930897B (zh) 专利检索方法、装置、电子设备及计算机可读存储介质
CN113887408A (zh) 活化人脸视频的检测方法、装置、设备及存储介质
CN113516083B (zh) 一种草原区弃耕地植被的生态修复建模方法
CN115757987B (zh) 基于轨迹分析的伴随对象确定方法、装置、设备及介质
CN112329596B (zh) 目标物定损方法、装置、电子设备及计算机可读存储介质
CN112528701B (zh) 二维码检测方法、装置、电子设备及介质
CN113627394B (zh) 人脸提取方法、装置、电子设备及可读存储介质
CN113705686B (zh) 图像分类方法、装置、电子设备及可读存储介质
CN115601684A (zh) 突发事件预警方法、装置、电子设备及存储介质
CN114463685A (zh) 行为识别方法、装置、电子设备及存储介质
CN113792671A (zh) 人脸合成图像的检测方法、装置、电子设备及介质
CN114862140A (zh) 基于行为分析的潜力评估方法、装置、设备及存储介质
CN114066664A (zh) 基于行为画像的风险等级评估方法、装置、设备及介质
CN113869385A (zh) 基于目标检测的海报比对方法、装置、设备及存储介质

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