CN113723224A - 一种远程树木砍伐智能监测的方法、装置及介质 - Google Patents
一种远程树木砍伐智能监测的方法、装置及介质 Download PDFInfo
- Publication number
- CN113723224A CN113723224A CN202110926695.6A CN202110926695A CN113723224A CN 113723224 A CN113723224 A CN 113723224A CN 202110926695 A CN202110926695 A CN 202110926695A CN 113723224 A CN113723224 A CN 113723224A
- Authority
- CN
- China
- Prior art keywords
- tree
- information
- area
- species
- degree
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000003860 storage Methods 0.000 claims abstract description 16
- 238000005520 cutting process Methods 0.000 claims description 63
- 238000012549 training Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 14
- 241000894007 species Species 0.000 description 92
- 230000000875 corresponding effect Effects 0.000 description 83
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000009466 transformation Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000001276 controlling effect Effects 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004800 variational method Methods 0.000 description 3
- 235000002566 Capsicum Nutrition 0.000 description 2
- 239000006002 Pepper Substances 0.000 description 2
- 241000722363 Piper Species 0.000 description 2
- 235000016761 Piper aduncum Nutrition 0.000 description 2
- 235000017804 Piper guineense Nutrition 0.000 description 2
- 235000008184 Piper nigrum Nutrition 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000001755 vocal effect Effects 0.000 description 2
- 244000274847 Betula papyrifera Species 0.000 description 1
- 235000009113 Betula papyrifera Nutrition 0.000 description 1
- 235000009109 Betula pendula Nutrition 0.000 description 1
- 235000010928 Betula populifolia Nutrition 0.000 description 1
- 235000002992 Betula pubescens Nutrition 0.000 description 1
- 206010027146 Melanoderma Diseases 0.000 description 1
- 241000219000 Populus Species 0.000 description 1
- 241000519995 Stachys sylvatica Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5854—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using shape and object relationship
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Library & Information Science (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Educational Administration (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Alarm Systems (AREA)
Abstract
本申请涉及图像处理的领域,尤其是涉及远程树木砍伐智能监测的方法、装置、电子设备及存储介质,该方法包括:获取目标监测区域的图像信息,所述目标监测区域包括每个树木种类对应的区域信息;基于所述图像信息确定所述每个树木种类对应的区域信息的树木种类信息与所述每个树木种类对应的区域信息的树木范围信息;结合所述树木种类信息与所述树木范围信息确定所述每个区域信息中树木砍伐程度。本申请具有提高森林树木监测的效果。
Description
技术领域
本申请涉及图像处理的领域,尤其是涉及一种远程树木砍伐智能监测的方法、装置及介质。
背景技术
中国地域广阔,森林覆盖率高,随着生态环境越来越被重视,如何有效进行森林保护和防止非法砍伐成了一项重要的工作。近年来,因为木材资源的缺乏,经济利益的驱动,非法砍伐森林的案件数量有所上升。所以如何有效监测森林非法砍伐违法事件,以便及时处置成了一项迫切的任务。当前的方案主要是人工巡查或者是群众报警的方式进行。由于需监控的面积大数量众多,所处的环境各不相同,采用人工干预的方式需消耗太多人力成本,并且这样的方式属于后发现后处置的方式,从而存在监测效率低的缺陷。
发明内容
为了提高森林树木监测效率,本申请提供远程树木砍伐智能监测的方法、装置、电子设备及存储介质。
第一方面,本申请提供一种远程树木砍伐智能监测的方法,采用如下的技术方案:
获取目标监测区域的图像信息,所述目标监测区域包括每个树木种类对应的区域信息;
基于所述图像信息确定所述每个树木种类对应的区域信息的树木种类信息与所述每个树木种类对应的区域信息的树木范围信息;
结合所述树木种类信息与所述树木范围信息确定所述每个区域信息中树木砍伐程度。
通过采用上述技术方案,在对森林树木进行监测时,首先对目标监测区域的图像信息进行采集,然后对采集到的图像信息进行扫描,确定图像信息中每个树木种类对应的区域信息的树木种类信息与每个树木种类对应的区域信息的树木范围信息,最后通过树木种类信息与树木范围信息相结合,确定树木砍伐程度,通过砍伐程度确定当前森林树木有无被砍伐,进而达到了提高森林树木监测的效果。
在另一种可能实现的方式中,所述基于所述图像信息确定所述所述每个树木种类对应的区域信息的树木种类信息与所述每个树木种类对应的区域信息的树木范围信息,之前还包括:
对所述图像信息进行去噪处理,并将去噪后的所述图像信息进行图像增强处理。
通过上述技术方案,在获取到当前森林树木的图像信息后,由于现实中的数字图像在数字化和传输过程中常受到成像设备与外部环境噪声干扰等影响,因此需要使用去噪技术对图像信息进行去噪,以便于减少数字图像中噪声,使得图像信息更加准确,然后将去噪后的图像信息进行图像增强处理,改善图像信息的视觉效果,使得图像更加的清晰,达到了提高图像识别度的效果。
在另一种可能实现的方式中,所述基于所述图像信息确定所述每个树木种类对应的区域信息的树木种类信息与所述每个树木种类对应的区域信息的树木范围信息,包括:
对所述图像信息进行扫描,识别所述图像信息中所存在的不同树木种类,并确定所述每个树木种类对应的区域信息的树木种类信息;
基于所述每个树木种类对应的区域信息的树木种类信息对所述每个树木种类对应的区域信息的树木范围信息进行检测,确定所述每个树木种类对应的区域信息的树木范围信息。
通过采用上述技术方案,在获取图像信息中的树木种类信息与每个树木种类信息相对应的树木范围信息时,首先对图像信息中所包含的各个不同的树木种类进行扫描,识别出不同树木种类相对应的树木种类信息(例如:杨树、白桦树),然后对树木种类信息所对应的树木范围信息进行检测,获取各个不同树木种类信息所对应的树木范围信息,从而便于对不同种类的树木进行监测。
在另一种可能实现的方式中,所述结合所述树木种类信息与所述树木范围信息确定所述每个区域信息中树木砍伐程度,包括:
获取所述树木范围信息的原始树木范围信息;
确定所述树木范围信息与所述原始树木范围信息是否相匹配;
若不匹配,则基于所述树木范围信息与所述原始树木范围信息之间的差值计算树木砍伐程度;
获取所述树木砍伐程度,并将所述树木砍伐程度进行控制显示。
通过采用上述技术方案,在确定每个区域信息中对应的树木砍伐程度信息时,首先获取与树木范围信息相对应的原始树木范围信息,然后将树木范围信息与原始树木范围信息相对比,确定树木范围信息是否发生变化,若检测到树木范围信息发生变化,则获取树木范围信息与原始树木范围信息之间的差值,并基于差值确定当前树木范围信息的树木砍伐程度,最后对树木砍伐程度进行获取,同时将获取到的树木砍伐程度进行控制显示,从而便于工作人员进行数据查验。
在另一种可能实现的方式中,所述结合所述树木种类信息与所述树木范围信息确定所述每个区域信息中树木砍伐程度,之后还包括:
将所述每个区域信息中对应的树木砍伐程度上传至云服务器,以使得所述云服务器存储所述树木砍伐程度;
其中,所述云服务器还用于根据树木砍伐程度确定是否控制预设终端进行报警。
通过采用上述技术方案,将拍摄好的图像信息进行处理后,根据识别到的树木种类信息与各个树木种类相对应的树木范围信息确定树木砍伐程度,并将树木砍伐程度通过4G无线通信的方式传输到云服务器上,云服务器对获取到的树木砍伐程度进行比较判断,确定当前树木砍伐程度是否满足要求,若不满足,则控制预设终端进行报警,并将当前树木砍伐程度进行数据保存,若满足,则直接将当前树木砍伐程度进行数据保存,从而达到了警示的效果。
在另一种可能实现的方式中,所述基于所述图像信息确定所述每个树木种类对应的区域信息的树木种类信息与所述每个树木种类对应的区域信息的树木范围信息,以及结合所述树木种类信息与所述树木范围信息确定所述每个区域信息中树木砍伐程度的方式是通过训练后的网络模型实现的。
通过采用上述技术方案,在对树木砍伐程度进行确实时,通过训练后的网络模型分别对树木种类信息与树木范围信息进行识别计算,确定当前树木种类信息的准确性,然后对不同树木种类信息所对应的树木范围信息进行数据计算,从而获得树木砍伐程度。
在另一种可能实现的方式中,所述方法还包括:
获取训练样本,所述训练样本包括:所述不同树木种类对应的区域信息的森林资料图片;
根据所述训练样本对原始网络模型进行训练,得到所述训练后的网络模型。
通过采用上述技术方案,分别采集不同树木种类对应的区域信息的森林资料图片,并将采集到的森林资料图片输入到原始网络模型中进行训练,训练完成后,得到训练后的网络模型,便于后续对树木砍伐程度进行计算。
第二方面,本申请提供一种远程树木砍伐智能监测的装置,采用如下的技术方案:
一种远程树木砍伐智能监测的装置,包括:
第一获取模块,用于获取目标监测区域的图像信息,所述目标监测区域包括每个树木种类对应的区域信息;
第一确定模块,用于基于所述图像信息确定所述每个树木种类对应的区域信息的树木种类信息与所述每个树木种类对应的区域信息的树木范围信息;
第二确定模块,用于结合所述树木种类信息与所述树木范围信息确定所述每个区域信息中树木砍伐程度。
通过采用上述技术方案,在对森林树木进行监测时,首先对目标监测区域的图像信息进行采集,然后对采集到的图像信息进行扫描,确定图像信息中每个树木种类对应的区域信息的树木种类信息与每个树木种类对应的区域信息的树木范围信息,最后通过树木种类信息与树木范围信息相结合,确定树木砍伐程度,通过砍伐程度确定当前森林树木有无被砍伐,进而达到了提高森林树木监测的效果。
在一种可能的实现方式中,所述装置还包括:图像处理模块,其中,
所述图像处理模块,用于对所述图像信息进行去噪处理,并将去噪后的所述图像信息进行图像增强处理。
在另一种可能的实现方式中,所述第一确定模块在基于所述图像信息确定所述每个树木种类对应的区域信息的树木种类信息与所述每个树木种类对应的区域信息的树木范围信息,具体用于:
对所述图像信息进行扫描,识别所述图像信息中所存在的不同树木种类,并确定所述每个树木种类对应的区域信息的树木种类信息;
基于所述每个树木种类对应的区域信息的树木种类信息对所述每个树木种类对应的区域信息的树木范围信息进行检测,确定所述每个树木种类对应的区域信息的树木范围信息。
在另一种可能的实现方式中,所述第二确定模块在结合所述树木种类信息与所述树木范围信息确定所述每个区域信息中树木砍伐程度,具体用于:
获取所述树木种类信息与所述树木种类信息相对应的区域信息的树木范围信息;
获取所述树木范围信息的原始树木范围信息;
确定所述树木范围信息与所述原始树木范围信息是否相匹配;
若不匹配,则基于所述树木范围信息与所述原始树木范围信息之间的差值计算树木砍伐程度;
获取所述树木砍伐程度,并将所述树木砍伐程度进行控制显示。
在另一种可能的实现方式中,所述装置还包括:存储模块以及报警模块,其中:
所述存储模块,用于将所述每个区域信息中对应的树木砍伐程度上传至云服务器,以使得所述云服务器存储所述树木砍伐程度;
所述报警模块,用于所述云服务器还用于根据树木砍伐程度确定是否控制预设终端进行报警。
在另一种可能的实现方式中,所述装置还包括:所述基于所述图像信息确定所述每个树木种类对应的区域信息的树木种类信息与所述每个树木种类对应的区域信息的树木范围信息,以及结合所述树木种类信息与所述树木范围信息确定所述每个区域信息中树木砍伐程度的方式是通过训练后的网络模型实现的。
在另一种可能的实现方式中,所述装置还包括:第二获取模块以及训练模块,其中,
所述第二获取模块,用于获取训练样本,所述训练样本包括:所述不同树木种类对应的区域信息的森林资料图片;
所述训练模块,用于根据所述训练样本对原始网络模型进行训练,得到所述训练后的网络模型。
第三方面,本申请提供一种电子设备,采用如下的技术方案:
一种电子设备,该电子设备包括:
一个或多个处理器;
存储器;
一个或多个应用程序,其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行,一个或多个程序配置用于:执行根据第一方面任一中可能的实现方式所示的一种远程树木砍伐智能监测。
通过采用上述技术方案,在对森林树木进行监测时,首先对目标监测区域的图像信息进行采集,然后对采集到的图像信息进行扫描,确定图像信息中每个树木种类对应的区域信息的树木种类信息与每个树木种类对应的区域信息的树木范围信息,最后通过树木种类信息与树木范围信息相结合,确定树木砍伐程度,通过砍伐程度确定当前森林树木有无被砍伐,进而达到了提高森林树木监测的效果。
第四方面,本申请提供一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,包括:存储有能够被处理器加载并执行实现第一方面任一种可能的实现方式所示的一种远程树木砍伐智能监测的计算机程序。
通过采用上述技术方案,在对森林树木进行监测时,首先对目标监测区域的图像信息进行采集,然后对采集到的图像信息进行扫描,确定图像信息中每个树木种类对应的区域信息的树木种类信息与每个树木种类对应的区域信息的树木范围信息,最后通过树木种类信息与树木范围信息相结合,确定树木砍伐程度,通过砍伐程度确定当前森林树木有无被砍伐,进而达到了提高森林树木监测的效果。
综上所述,本申请包括以下至少一种有益技术效果:
1. 在对森林树木进行监测时,首先对目标监测区域的图像信息进行采集,然后对采集到的图像信息进行扫描,确定图像信息中每个树木种类对应的区域信息的树木种类信息与每个树木种类对应的区域信息的树木范围信息,最后通过树木种类信息与树木范围信息相结合,确定树木砍伐程度,通过砍伐程度确定当前森林树木有无被砍伐,进而达到了提高森林树木监测的效果;
2.将拍摄好的图像信息进行处理后,根据识别到的树木种类信息与各个树木种类相对应的树木范围信息确定树木砍伐程度,并将树木砍伐程度通过4G无线通信的方式传输到云服务器上,云服务器对获取到的树木砍伐程度进行比较判断,确定当前树木砍伐程度是否满足要求,若不满足,则控制预设终端进行报警,并将当前树木砍伐程度进行数据保存,若满足,则直接将当前树木砍伐程度进行数据保存,从而达到了警示的效果。
附图说明
图1是本申请实施例的一种远程树木砍伐智能监测方法流程示意图;
图2为本申请实施例的一种远程树木砍伐智能监测装置结构示意图;
图3为本申请实施例的电子设备的结构示意图。
具体实施方式
以下结合附图1-3对本申请作进一步详细说明。
领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本申请的权利要求范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。
下面结合说明书附图对本申请实施例作进一步详细描述。
本申请实施例提供了一种远程树木砍伐智能监测,由电子设备执行,由电子设备执行,该电子设备可以为服务器也可以为终端设备,其中,该服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云计算服务的云服务器。终端设备可以是智能手机、平板电脑、笔记本电脑、台式计算机等,但并不局限于此,该终端设备以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请实施例在此不做限制,如图1所示,该方法包括:
步骤S10,获取目标监测区域的图像信息,目标监测区域包括每个树木种类对应的区域信息。
具体地,使用具有4G功能的AI拍摄工具(例如:照相机、摄影机)对目标监测区域内的森林树木进行拍照,并将拍摄后的照片以4G无线的通信方式传递到云管理平台,云管理平台对传送过来的照片进行识别,获取照片中的图像信息,同时对图像信息中所包含的不同种类的树木进行区域分割划分,得到不同树木种类对应的区域信息的图像信息。
步骤S11,基于图像信息确定每个树木种类对应的区域信息的树木种类信息与每个树木种类对应的区域信息的树木范围信息。
具体地,对图像信息中所包含的不同树木种类的树叶信息进行扫描,获取树叶的外观形状信息,将树叶的外观形状信息与数据库内存储的树叶的外观性状信息进行对比,确定该树叶的外观形状信息属于哪种树木种类,并将该树木种类的名称信息与树木种类进行绑定。
对图片中绑定树木种类名称的树木种类信息进行树木范围信息的扫描,确定当前树木种类在该幅图片中的占比。
步骤S12,结合树木种类信息与树木范围信息确定每个区域信息中树木砍伐程度。
具体地,通过对树木种类信息的识别,获取到各个树木种类所对应的树木范围信息,对树木范围信息与预设的树木范围信息进行比对,确定当前树木范围信息与预设的树木范围信息的树木范围差值,计算树木范围差值与预设的树木范围信息的树木范围比值,对树木范围信息比值进行百分比,从而得到树木砍伐程度。
本申请实施例提供了一种远程树木砍伐智能监测的方法,在对森林树木进行监测时,首先对目标监测区域的图像信息进行采集,然后对采集到的图像信息进行扫描,确定图像信息中每个树木种类对应的区域信息的树木种类信息与每个树木种类对应的区域信息的树木范围信息,最后通过树木种类信息与树木范围信息相结合,确定树木砍伐程度,通过砍伐程度确定当前森林树木有无被砍伐,进而达到了提高森林树木监测的效果。
本申请实施例的一种可能的实现方式,步骤S10之前还包括步骤Sa(图中未示出),其中,
步骤Sa,对图像信息进行去噪处理,并将去噪后的图像信息进行图像增强处理。
具体地,噪声可以理解为“妨碍人们感觉器官对所接收的信源信息理解的因素”。例如,一幅黑白图片,其平面亮度分布假定为f(x,y),那么对其接收起干扰作用的亮度分布R(x,y),即可称为图像噪声。常见的图像噪音有加性噪音、乘兴噪音、量化噪音以及“椒盐”噪音。加性嗓声和图像信号强度是不相关的,例如:图像在传输过程中引进的“信道噪声”电视摄像机扫描图像的噪声;乘性嗓声和图像信号是相关的,往往随图像信号的变化而变化,例如:飞点扫描图像中的嗓声、电视扫描光栅、胶片颗粒等等;量化嗓声是数字图像的主要噪声源,其大小显示出数字图像和原始图像的差异;“椒盐”噪音,例如:图像切割引起的即黑图像上的白点,白图像上的黑点噪声,在变换域引入的误差,使图像反变换后造成的变换噪声。
图像去噪的方式包括空间域滤波、变换域滤波、偏微分方程以及变分法。空域滤波是在原图像上直接进行数据运算,对像素的灰度值进行处理;变换域去噪方法是对图像进行某种变换,将图像从空间域转换到变换域,再对变换域中的变换系数进行处理,再进行反变换将图像从变换域转换到空间域来达到去除图像嗓声的目的;偏微分方程是近年来兴起的一种图像处理方法,主要针对低层图像处理并取得了很好的效果。偏微分方程具有各向异性的特点,应用在图像去噪中,可以在去除噪声的同时,很好的保持边缘;变分法是利用数学进行图像去噪方法是基于变分法的思想,确定图像的能量函数,通过对能量函数的最小化工作,使得图像达到平滑状态。
对去噪后的图像信息进行图像增强处理,通过对原图像附加一些信息或变换数据,有选择地突出图像中感兴趣的特征或者抑制(掩盖)图像中某些不需要的特征,使图像与视觉响应特性相匹配。
本申请实施例的一种可能的实现方式,步骤S11具体包括步骤Sb(图中未示出)以及步骤Sc(图中未示出),其中,
步骤Sb,对图像信息进行扫描,识别图像信息中所存在的不同树木种类,并确定每个树木种类对应的区域信息的树木种类信息。
具体地,对图像信息中所存在的树木种类进行扫描,识别图像信息中存在的所有树木种类,例如:一幅图片中存在两种不同的树木中,针对树木的颜色、树叶的形状分别对两种树木进行识别,将树木的颜色、树叶的形状与数据库内存储的树木的特征外观形状信息进行对比,确定该树木的外观形状信息属于那种树木种类。
步骤Sc,基于每个树木种类对应的区域信息的树木种类信息对每个树木种类对应的区域信息的树木范围信息进行检测,确定每个树木种类对应的区域信息的树木范围信息。
具体地,基于当前树木种类的特征外观形状,对与当前树木种类外观形状相符的树木种类范围进行检测。
本申请实施例的一种可能的实现方式,步骤12具体包括步骤Sd(图中未示出)、步骤Se(图中未示出)、步骤Sf(图中未示出)、步骤Sz(图中未示出)以及步骤Sy(图中未示出),其中,
步骤Sd,获取树木种类信息与树木种类信息相对应的区域信息的树木范围信息。
具体地,在本申请实施例中,预先对云服务平台上的树木种类信息以及与树木种类信息相对应的区域信息的树木范围信息进行查询获取,将获取到的树木种类信息与树木范围信息保存到指定文件夹中或数据库中备用,以便于后续数据检验时使用。
步骤Se,获取树木范围信息的原始树木范围信息。
具体的,预先拍摄完整的树木范围信息,并将该树木范围信息设置为原始树木范围信息,并将原始树木范围信息保存数据库中,以便于后期对树木有无缺失进行比对确认。
步骤Sf,确定树木范围信息与原始树木范围信息是否相匹配。
具体地,在本申请实施例中,电子设备通过控制层、业务层以及数据访问层对数据库中存储的原始树木范围信息与树木范围信息进行获取,具体可以包括:在数据访问层只负责与原始树木范围信息与树木范围信息的数据进行交互,对数据进行读取操作,业务层需要根据系统的实际业务需求进行逻辑代码的编写,与数据库中存储的原始树木范围信息与树木范围信息进行交互,业务逻辑层调用数据访问层的相关方法实现与数据库的交互,并将执行结果反馈给控制层,控制层的职能是负责读取数据库中存储的原始树木范围信息与树木范围信息,并通过控制用户的输入,并调用业务层的方法,最后工作人员主动判断两幅图片是否完全一致。
步骤Sz,若不匹配,则基于树木范围信息与原始树木范围信息之间的差值计算树木砍伐程度。
具体地,在对树木范围信息与预设的原始树木范围信息进行比对后,确定当前树木范围信息与预设的树木范围信息的树木范围差值,并根据树木范围差值对树木砍伐程度进行计算,计算原理为计算树木范围差值与预设的树木范围信息的树木范围比值,对树木范围信息比值进行百分比,从而得到树木砍伐程度。
例如:原始树木范围信息中树木种类A占用面积为1,而在树木范围信息中树木种类A占用面面积减少了0.5,则当前树木砍伐程度为50%。
步骤Sy,获取树木砍伐程度,并将树木砍伐程度进行控制显示。
具体的,通过控制层(controller)、业务层(service)以及数据访问层(dao)对树木砍伐程度进行获取,在数据访问层只负责与数据库的数据交互,将数据进行读取操作,业务层需要根据系统的实际业务需求进行逻辑代码的编写,业务逻辑层调用数据访问层的相关方法实现与数据库的交互,并将执行结果反馈给控制层,控制层将树木砍伐程度发送到视图渲染器,对实时树木砍伐程度进行视图渲染,对实时树木砍伐程度进行回显。
本申请实施例的一种可能的实现方式,步骤12之后还包括步骤Sg(图中未示出)以及步骤Sh(图中未示出),其中,
步骤Sg,将每个区域信息中对应的树木砍伐程度上传至云服务器,以使得云服务器存储树木砍伐程度。
具体地,在对树木砍伐程度进行上传时,通过4G通信将树木砍伐程度上传至云服务器上,云服务器将树木砍伐程度传输到后台管理系统,后台管理系统对树木砍伐程度进行采集接收,通过控制层(controller)、业务层(service)以及数据访问层(dao)将树木砍伐程度保存到数据库内,以便于后续对树木砍伐程度进行查看。
步骤Sh,云服务器还用于根据树木砍伐程度确定是否控制预设终端进行报警。
具体地,在发现树木缺失时,电子设备向云服务器传递控制信号,以控制终端通过声音方式以及灯光输出方式发出报警信号,已提醒工作人员树木出现缺失的情况发生。
例如,通过声音方式发出报警信号的装置包括:蜂鸣器、铃铛、哨子以及汽笛等等,通过灯光输出方式发出报警信号的装置包括:呼吸灯、闪烁灯、工程警报灯等等。
本申请实施例的一种可能的实现方式,步骤12之后还包括步骤S121(图中未示出),其中,
步骤121,基于图像信息确定每个树木种类对应的区域信息的树木种类信息与每个树木种类对应的区域信息的树木范围信息,以及结合树木种类信息与树木范围信息确定每个区域信息中树木砍伐程度的方式是通过训练后的网络模型实现的。
具体地,基础的神经网络模型由卷积、激活以及池化(pooling)三种结构组成。神经网络模型输出的结果是每幅图像的特定特征空间。当处理图像分类任务时,我们会把神经网络模型输出的特征空间作为全连接层或全连接神经网络(fully connected neuralnetwork,FCN)的输入,用全连接层来完成从输入图像到标签集的映射,即分类。当然,整个过程最重要的工作就是如何通过训练数据迭代调整网络权重,也就是后向传播算法。目前主流的卷积神经网络(CNNs),比如VGG,ResNet都是由简单的CNN调整,组合而来。
本申请实施例的一种可能的实现方式,步骤121具体包括步骤S1211(图中未示出)以及步骤S1212(图中未示出),其中,
步骤S1211,获取训练样本,训练样本包括:不同树木种类对应的区域信息的森林资料图片。
具体地,使用图像捕获设备对树木种类对应的区域信息的森林进行拍摄,图像捕获设备可以是任何计算设备,其包括相机(诸如但不限于智能电话、计算平板电脑、膝上型计算机、台式计算机、或任何可穿戴计算设备)。
步骤S1212,根据训练样本对原始网络模型进行训练,得到训练后的网络模型。
具体地,使用算法对原始网络模型进行训练,该算法采用深度学习中的CNN(卷积神经网络)进行算法模型的训练,其中算法模型训练的方法是大量采集树木森林资料图片,并且将图片进行数人据打标,导入神经网络训练服务器进行算法模型的训练,通过多次的迭代训练和参数的优化,并导入测试样本进行测试,当样本测试识别率到达一定的期望值(如90%)以上时,将得到最终可部署的算法模型,并将得到的算法识别模型内置到AI摄像头内部。
上述实施例从方法流程的角度介绍一种远程树木砍伐智能监测的方法,下述实施例从虚拟模块或者虚拟单元的角度介绍了一种远程树木砍伐智能监测的装置,具体详见下述实施例。
本申请实施例提供一种远程树木砍伐智能监测的装置,如图所示,该远程树木砍伐智能监测的装置20具体可以包括:第一获取模块21、第一确定模块22以及第二确定模块23其中,
第一获取模块21,用于获取目标监测区域的图像信息,目标监测区域包括每个树木种类对应的区域信息;
第一确定模块22,用于基于图像信息确定每个树木种类对应的区域信息的树木种类信息与每个树木种类对应的区域信息的树木范围信息;
第二确定模块23,用于结合树木种类信息与树木范围信息确定每个区域信息中树木砍伐程度。
本申请实施例中的另一种可能的实现方式,装置20还包括:图像处理模块,其中,
图像处理模块,用于对图像信息进行去噪处理,并将去噪后的图像信息进行图像增强处理。
本申请实施例中的另一种可能的实现方式,第一确定模块22在基于图像信息确定每个树木种类对应的区域信息的树木种类信息与每个树木种类对应的区域信息的树木范围信息,具体用于:
对图像信息进行扫描,识别图像信息中所存在的不同树木种类,并确定每个树木种类对应的区域信息的树木种类信息;
基于每个树木种类对应的区域信息的树木种类信息对每个树木种类对应的区域信息的树木范围信息进行检测,确定每个树木种类对应的区域信息的树木范围信息。
本申请实施例中的另一种可能的实现方式,第二确定模块23在结合树木种类信息与树木范围信息确定每个区域信息中树木砍伐程度,具体用于:
获取树木种类信息与树木种类信息相对应的区域信息的树木范围信息;
获取树木范围信息的原始树木范围信息;
确定树木范围信息与原始树木范围信息是否相匹配;
若不匹配,则基于树木范围信息与原始树木范围信息之间的差值计算树木砍伐程度;
获取树木砍伐程度,并将树木砍伐程度进行控制显示。
本申请实施例中的另一种可能的实现方式,装置20还包括:存储模块以及报警模块,其中:
存储模块,用于将每个区域信息中对应的树木砍伐程度上传至云服务器,以使得云服务器存储树木砍伐程度;
报警模块,用于云服务器还用于根据树木砍伐程度确定是否控制预设终端进行报警。
本申请实施例中的另一种可能的实现方式,装置20还包括:基于图像信息确定每个树木种类对应的区域信息的树木种类信息与每个树木种类对应的区域信息的树木范围信息,以及结合树木种类信息与树木范围信息确定每个区域信息中树木砍伐程度的方式是通过训练后的网络模型实现的。
本申请实施例中的另一种可能的实现方式,装置20还包括:第二获取模块以及训练模块,其中,
第二获取模块,用于获取训练样本,训练样本包括:不同树木种类对应的区域信息的森林资料图片;
训练模块,用于根据训练样本对原始网络模型进行训练,得到训练后的网络模型。
具体地,第一获取模块21与第二获取模块可以为相同的获取模块,也可以为不同的获取模块;第一确定模块22以及第二确定模块23可以均为相同的模块,也可以均为不同的模块,也可以部分为相同的模块。
本申请实施例提供了一种远程树木砍伐智能监测的装置,在申请实施例中,在对森林树木进行监测时,首先对目标监测区域的图像信息进行采集,然后对采集到的图像信息进行扫描,确定图像信息中每个树木种类对应的区域信息的树木种类信息与每个树木种类对应的区域信息的树木范围信息,最后通过树木种类信息与树木范围信息相结合,确定树木砍伐程度,通过砍伐程度确定当前森林树木有无被砍伐,进而达到了提高森林树木监测的效果。
本申请实施例提供了一种远程树木砍伐智能监测的装置,适用于上述方法实施例,在此不再赘述。
本申请实施例中提供了一种电子设备,如图3所示,图3所示的电子设备300包括:处理器301和存储器303。其中,处理器301和存储器303相连,如通过总线302相连。可选地,电子设备300还可以包括收发器304。需要说明的是,实际应用中收发器304不限于一个,该电子设备300的结构并不构成对本申请实施例的限定。
处理器301可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器301也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线302可包括一通路,在上述组件之间传送信息。总线302可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线302可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器303可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器303用于存储执行本申请方案的应用程序代码,并由处理器301来控制执行。处理器301用于执行存储器303中存储的应用程序代码,以实现前述方法实施例所示的内容。
其中,电子设备包括但不限于:移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。还可以为服务器等。图3示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当其在计算机上运行时,使得计算机可以执行前述方法实施例中相应内容。与现有技术相比,在申请实施例中,在对森林树木进行监测时,首先对目标监测区域的图像信息进行采集,然后对采集到的图像信息进行扫描,确定图像信息中每个树木种类对应的区域信息的树木种类信息与每个树木种类对应的区域信息的树木范围信息,最后通过树木种类信息与树木范围信息相结合,确定树木砍伐程度,通过砍伐程度确定当前森林树木有无被砍伐,进而达到了提高森林树木监测的效果。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种远程树木砍伐智能监测的方法,其特征在于,包括:
获取目标监测区域的图像信息,所述目标监测区域包括每个树木种类对应的区域信息;
基于所述图像信息确定所述每个树木种类对应的区域信息的树木种类信息与所述每个树木种类对应的区域信息的树木范围信息;
结合所述树木种类信息与所述树木范围信息确定所述每个区域信息中树木砍伐程度。
2.根据权利要求1所述的一种远程树木砍伐智能监测的方法,其特征在于,所述基于所述图像信息确定所述每个树木种类对应的区域信息的树木种类信息与所述每个树木种类对应的区域信息的树木范围信息,之前还包括:
对所述图像信息进行去噪处理,并将去噪后的所述图像信息进行图像增强处理。
3.根据权利要求1所述的一种远程树木砍伐智能监测的方法,其特征在于,所述基于所述图像信息确定所述每个树木种类对应的区域信息的树木种类信息与所述每个树木种类对应的区域信息的树木范围信息,包括:
对所述图像信息进行扫描,识别所述图像信息中所存在的不同树木种类,并确定所述每个树木种类对应的区域信息的树木种类信息;
基于所述每个树木种类对应的区域信息的树木种类信息对所述每个树木种类对应的区域信息的树木范围信息进行检测,确定所述每个树木种类对应的区域信息的树木范围信息。
4.根据权利要求1所述的方法,其特征在于,所述结合所述树木种类信息与所述树木范围信息确定所述每个区域信息中树木砍伐程度,包括:
获取所述树木种类信息与所述树木种类信息相对应的区域信息的树木范围信息;
获取所述树木范围信息的原始树木范围信息;
确定所述树木范围信息与所述原始树木范围信息是否相匹配;
若不匹配,则基于所述树木范围信息与所述原始树木范围信息之间的差值计算树木砍伐程度;
获取所述树木砍伐程度,并将所述树木砍伐程度进行控制显示。
5.根据权利要求1所述的方法,其特征在于,所述结合所述树木种类信息与所述树木范围信息确定所述每个区域信息中树木砍伐程度,之后还包括:
将所述每个区域信息中对应的树木砍伐程度上传至云服务器,以使得所述云服务器存储所述树木砍伐程度;
其中,所述云服务器还用于根据树木砍伐程度确定是否控制预设终端进行报警。
6.根据权利要求1所述的方法,其特征在于,所述基于所述图像信息确定所述每个树木种类对应的区域信息的树木种类信息与所述每个树木种类对应的区域信息的树木范围信息,以及结合所述树木种类信息与所述树木范围信息确定所述每个区域信息中树木砍伐程度的方式是通过训练后的网络模型实现的。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
获取训练样本,所述训练样本包括:所述不同树木种类对应的区域信息的森林资料图片;
根据所述训练样本对原始网络模型进行训练,得到所述训练后的网络模型。
8.一种远程树木砍伐智能监测的装置,其特征在于,包括:
第一获取模块,用于获取目标监测区域的图像信息,所述目标监测区域包括每个树木种类对应的区域信息;
第一确定模块,用于基于所述图像信息确定所述每个树木种类对应的区域信息的树木种类信息与所述每个树木种类对应的区域信息的树木范围信息;
第二确定模块,用于结合所述树木种类信息与所述树木范围信息确定所述每个区域信息中树木砍伐程度。
9.一种电子设备,其特征在于,其包括:
一个或者多个处理器;
存储器;
一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序配置用于:执行根据权利要求1~8任一项所述的远程树木砍伐智能监测的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1~8任一项所述的远程树木砍伐智能监测的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110926695.6A CN113723224A (zh) | 2021-08-12 | 2021-08-12 | 一种远程树木砍伐智能监测的方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110926695.6A CN113723224A (zh) | 2021-08-12 | 2021-08-12 | 一种远程树木砍伐智能监测的方法、装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113723224A true CN113723224A (zh) | 2021-11-30 |
Family
ID=78675716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110926695.6A Pending CN113723224A (zh) | 2021-08-12 | 2021-08-12 | 一种远程树木砍伐智能监测的方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113723224A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117237824B (zh) * | 2023-11-14 | 2024-02-02 | 吉林省林业科学研究院(吉林省林业生物防治中心站) | 一种基于遥感图像技术的林区采伐检测设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008003855A (ja) * | 2006-06-22 | 2008-01-10 | Chugoku Electric Power Co Inc:The | 樹木伐採指示装置及び樹木伐採指示方法 |
CN108052914A (zh) * | 2017-12-21 | 2018-05-18 | 中国科学院遥感与数字地球研究所 | 一种基于slam和图像识别的森林林木资源调查方法 |
CN109829372A (zh) * | 2018-12-26 | 2019-05-31 | 北京木业邦科技有限公司 | 树木间伐方法、装置、电子设备及计算机可读存储介质 |
CN111126354A (zh) * | 2020-02-05 | 2020-05-08 | 江苏星月测绘科技股份有限公司 | 一种基于多时相的自然资源监测发现方法 |
CN112204567A (zh) * | 2019-09-17 | 2021-01-08 | 深圳市大疆创新科技有限公司 | 基于机器视觉的树木种类识别方法及装置 |
CN112633107A (zh) * | 2020-12-16 | 2021-04-09 | 广东省林业科学研究院 | 一种智慧林业监测方法、装置、设备以及存储介质 |
CN112668400A (zh) * | 2020-12-08 | 2021-04-16 | 深圳先进技术研究院 | 一种植被识别方法及应用 |
-
2021
- 2021-08-12 CN CN202110926695.6A patent/CN113723224A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008003855A (ja) * | 2006-06-22 | 2008-01-10 | Chugoku Electric Power Co Inc:The | 樹木伐採指示装置及び樹木伐採指示方法 |
CN108052914A (zh) * | 2017-12-21 | 2018-05-18 | 中国科学院遥感与数字地球研究所 | 一种基于slam和图像识别的森林林木资源调查方法 |
CN109829372A (zh) * | 2018-12-26 | 2019-05-31 | 北京木业邦科技有限公司 | 树木间伐方法、装置、电子设备及计算机可读存储介质 |
CN112204567A (zh) * | 2019-09-17 | 2021-01-08 | 深圳市大疆创新科技有限公司 | 基于机器视觉的树木种类识别方法及装置 |
WO2021051268A1 (zh) * | 2019-09-17 | 2021-03-25 | 深圳市大疆创新科技有限公司 | 基于机器视觉的树木种类识别方法及装置 |
CN111126354A (zh) * | 2020-02-05 | 2020-05-08 | 江苏星月测绘科技股份有限公司 | 一种基于多时相的自然资源监测发现方法 |
CN112668400A (zh) * | 2020-12-08 | 2021-04-16 | 深圳先进技术研究院 | 一种植被识别方法及应用 |
CN112633107A (zh) * | 2020-12-16 | 2021-04-09 | 广东省林业科学研究院 | 一种智慧林业监测方法、装置、设备以及存储介质 |
Non-Patent Citations (3)
Title |
---|
BIN ZHANG, LIN ZHAO, XIAOLI ZHANG: "Three-dimensional convolutional neural network model for tree species classification using airborne hyperspectral images", REMOTE SENSING OF ENVIRONMENT, vol. 247 * |
寇卫利: "基于多源遥感的橡胶林时空演变研究", 中国优秀博士学位论文全文数据库农业科技辑 * |
胡砚霞;黄进良;杜耘;韩鹏鹏;王久玲;黄维;: "洞庭湖洲滩速生杨树林变化信息提取方法", 生态学报, no. 24 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117237824B (zh) * | 2023-11-14 | 2024-02-02 | 吉林省林业科学研究院(吉林省林业生物防治中心站) | 一种基于遥感图像技术的林区采伐检测设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109657564B (zh) | 一种人员在岗检测方法、装置、存储介质及终端设备 | |
CN107590456B (zh) | 一种高空视频监控中小微目标的检测方法 | |
CN110718235B (zh) | 异常声音检测的方法、电子设备及存储介质 | |
CN107292886B (zh) | 基于网格划分及神经网络的目标物入侵检测方法及装置 | |
CN111008561B (zh) | 一种牲畜的数量确定方法、终端及计算机存储介质 | |
WO2022116104A1 (zh) | 图像处理方法、装置、设备及存储介质 | |
CN113808354A (zh) | 一种用于工地危险区域预警的方法、装置及介质 | |
CN112270309A (zh) | 一种车辆卡口设备抓拍质量评估方法、装置及可读介质 | |
CN111339997A (zh) | 火点区域的确定方法及装置、存储介质和电子装置 | |
CN110738251A (zh) | 图像处理方法、图像处理装置、电子设备及存储介质 | |
CN109558790B (zh) | 一种行人目标检测方法、装置及系统 | |
CN115424171A (zh) | 火焰和烟雾检测方法、装置和存储介质 | |
CN111161090A (zh) | 圈养栏信息的确定方法、装置及系统、存储介质 | |
CN103530864B (zh) | 一种环保烟尘无组织排放视频监测黑度分析系统 | |
CN113723224A (zh) | 一种远程树木砍伐智能监测的方法、装置及介质 | |
CN112116567A (zh) | 一种无参考图像质量评价方法、装置及存储介质 | |
CN115457408A (zh) | 一种土地监测方法、装置、电子设备及介质 | |
CN112749735B (zh) | 基于深度学习的转炉出钢钢流识别方法、系统、介质及终端 | |
US10535154B2 (en) | System, method, and program for image analysis | |
CN112989932A (zh) | 基于改进原型网络的少样本森林火灾烟雾识别方法及装置 | |
CN113792715B (zh) | 粮仓害虫监测预警方法、装置、设备及存储介质 | |
CN111325198A (zh) | 视频对象特征提取方法和装置、视频对象匹配方法和装置 | |
CN115631192A (zh) | 一种阀门试压机的控制方法、装置、设备及介质 | |
CN114861946A (zh) | 一种养殖设备管理方法、装置、电子设备及存储介质 | |
CN111314161B (zh) | 一种流量识别方法和装置 |
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 |