CN114708519B - 一种基于无人机遥感的麋鹿识别与形态轮廓参数提取方法 - Google Patents
一种基于无人机遥感的麋鹿识别与形态轮廓参数提取方法 Download PDFInfo
- Publication number
- CN114708519B CN114708519B CN202210572286.5A CN202210572286A CN114708519B CN 114708519 B CN114708519 B CN 114708519B CN 202210572286 A CN202210572286 A CN 202210572286A CN 114708519 B CN114708519 B CN 114708519B
- Authority
- CN
- China
- Prior art keywords
- elk
- individual
- remote sensing
- image
- aerial vehicle
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
一种基于无人机遥感的麋鹿识别与形态轮廓参数提取方法,以无人机遥感影像为处理素材,先进行预处理、标注,再建立目标检测模型,然后用初始影像、标注文件训练,再将新遥感影像代入目标检测模型以获得新遥感影像上麋鹿个体的目标检测位置信息,然后一并导入数据库中以获得图像数据集,再筛选以获得麋鹿个体影像语义分割训练集,然后生成个体掩膜,再建立语义分割模型,并以训练集、个体掩膜训练,然后将新图像数据集调入模型以获得个体预测掩膜,再进行灰度、二值化处理,然后将二值化图形转换为麋鹿轮廓矢量信息文件以完成形态轮廓参数提取。本设计不仅在复杂环境下监测精度较高、利于麋鹿形态轮廓参数提取,而且使用成本较低,功能性较强。
Description
技术领域
本发明涉及一种麋鹿的监测方法,属于动物监测领域,尤其涉及一种基于无人机遥感的麋鹿识别与形态轮廓参数提取方法。
背景技术
麋鹿为中国特有的大型有蹄类湿地物种,是国家Ⅰ级重点保护野生动物。由于人类活动、气候变化等因素,野生麋鹿种群于19世纪初在中国本土灭绝。1985年中国开始实施麋鹿重引入项目,目前我国麋鹿种群数量已超过8000只,逐步形成了江苏大丰、湖北石首和湖南洞庭湖3个较大的野生麋鹿种群以及分布全国各地近100处输出小种群。1991年在长江中游天鹅洲长江故道建立了湖北石首麋鹿国家级自然保护区。以麋鹿为代表的有蹄类动物喜群居且警惕性高,常规的样线、样带、目视计数等调查监测方法存在着栖息区域难以到达、动物形态参数非接触式获取困难、大面积种群难以覆盖、数量统计存在人为误差等问题,使得麋鹿种群数量动态变化规律和个体形态参数特征难以实现精确的观测和记录。
目前,监测麋鹿等野生动物的调查方法主要分为人工监测和计算机智能监测。其中,人工监测以定期人工野外调查获得相关数据,主要使用样线法、样点法、抽样调查法、计数法、标记重补法等,以动物独特的天然标记作为鉴定依据,再根据获得的数据估计动物种群数量即密度的变化参数。以麋鹿为代表的有蹄类动物喜群居且警惕性高,该种类方法会消耗大量的时间与人力,分拣成本高,且易受环境条件及其他因素影响,导致调查效率低、数据统计结果准确度低、人为误差大、动物形态参数非接触式获取困难等问题。
计算机智能监测目前主要包括无线电遥测技术、自动感应红外相机技术、视频监控技术等。无线电遥测技术以目标动物佩戴发射器为媒介,通过无线电波的发射和接收来跟踪动物轨迹并获得其活动状态;自动感应红外相机技术通过温差传感器自动拍摄动物照片;视频监控技术通过监控摄像头自动采集动物视频数据传输到电脑端进行分析。尽管相较人工监测便利很多,但也存在一些问题,如硬件设施成本较高,受限于数据存储方式及传输速度,导致时间成本大,易受自然环境影响而造成数据传送、存储管理过程中丢失、共享不及时,受限于焦距和拍摄角度等因素导致难以覆盖全部种群等问题。
由上可见,主流的监测方法很难在复杂环境下提高监测的精度,易出现背景信息的错判、麋鹿目标的漏判及麋鹿轮廓信息误差大无法获取等问题,限制了麋鹿形态轮廓参数信息的非接触式获取,此外,数据源的分辨率也在很大程度上限制了麋鹿形态轮廓参数的提取精度。
公开该背景技术部分的信息仅仅旨在增加对本申请的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本发明的目的是克服现有技术中存在的在复杂环境下监测精度较低、不利于麋鹿形态轮廓参数提取的缺陷与问题,提供一种在复杂环境下监测精度较高、利于麋鹿形态轮廓参数提取的基于无人机遥感的麋鹿识别与形态轮廓参数提取方法。
为实现以上目的,本发明的技术解决方案是:一种基于无人机遥感的麋鹿识别与形态轮廓参数提取方法,包括以下步骤:
S1:通过无人机平台上挂载的摄像头或传感器对地面上的麋鹿种群进行拍摄,以获取对应的无人机遥感影像,该无人机遥感影像为图片,拍摄次数为多次,无人机遥感影像的数量为多张;
S2:对前述无人机遥感影像进行预处理以得到初始影像I1,所述预处理包括图像增强、去噪、过滤中的至少一种或任意组合;所有的初始影像I1构成一个单独的文件夹;
S3:采用目标识别数据标注工具对初始影像I1中的麋鹿个体进行标注,每张初始影像I1被标注后对应生成一个标注文件T1,该T1为txt或xml格式,且初始影像I1与其对应的T1组成图像—位置信息对;
单张I1中,每标注一个麋鹿,该初始影像I1所对应的T1里就会生成一个标注数据;所有的T1构成一个单独的文件夹;
S4:先采用YOLO算法建立初始目标检测模型M1,再在算法中指定上述I1、T1各自所在的文件夹的调用路径,然后运行算法以对初始目标检测模型M1进行训练,训练时,初始目标检测模型M1将调用的两个文件夹自动划分为训练集、测试集,训练结束后即可获得成功目标检测模型M2;
S5:将上述成功目标检测模型M2应用于实际,即先重复S1、S2步骤以获得被监测麋鹿种群所对应的新遥感影像,再将新遥感影像调用进成功目标检测模型M2以运行,然后检测出新遥感影像上麋鹿个体的位置,并获得记录了对应目标检测位置信息的txt文件T2;所述新遥感影像与T2一一对应,所述新遥感影像、T2的数量均为多个;
S6:先将上述新遥感影像及其对应的T2一同导入pycharm集成开发环境中,以得到所有被检测出的麋鹿个体所对应的单张图片,一只麋鹿个体对应一张图片,所有麋鹿个体的图片组成图像数据集D1,再对图像数据集D1中图片的数量进行统计,即可获知麋鹿的数量,从而完成麋鹿识别;
S7:先对图像数据集D1中的图片进行筛选以获得麋鹿个体影像语义分割训练集I2,该麋鹿个体影像语义分割训练集I2为一个单独的文件夹,再运行交互式自动标注工具EISeg对麋鹿个体影像语义分割训练集I2进行调用,然后对I2中的每张图片进行标注以生成该张图片对应的个体掩膜,一张图片对应一个个体掩膜,所有的个体掩膜组成个体训练掩膜集Y1;再采用语义分割算法建立初始语义分割模型F1,然后在算法中指定麋鹿个体影像语义分割训练集I2、个体训练掩膜集Y1各自所在的文件夹的调用路径,然后运行算法以对初始语义分割模型F1进行训练,训练结束后即可获得成功语义分割模型F2;
S8:将上述成功语义分割模型F2应用于实际,即先重复S6步骤以获得被监测麋鹿种群所对应的新图像数据集D2,再将新图像数据集D2调入成功语义分割模型F2以获得对应的个体预测掩膜集Y2,新图像数据集D2中的麋鹿个体图片与个体预测掩膜集Y2中的个体预测掩膜一一对应;
S9:先对个体预测掩膜进行灰度处理,再对灰度图进行二值化以获得麋鹿个体的二值化图形;
S10:先采用Arcgis工具将上述二值化图形转换为麋鹿轮廓矢量信息文件,再基于麋鹿轮廓矢量信息文件获得麋鹿轮廓的面积与周长,并生成骨架线,然后计算提取的骨架线长度为麋鹿身长,从而获得麋鹿个体的形态轮廓参数。
所述S1中,所述无人机的飞行高度设置在50—60m之间。
所述S1、S2中,所述无人机遥感影像带有对应的坐标信息。
所述S3中,所述目标识别数据标注工具为Labelimg软件;所述对初始影像I1中的麋鹿个体进行标注是指:先点击麋鹿个体,再拉拽标注框以将麋鹿个体框住。
所述S4中,所述YOLO算法是指采用Darknet-53骨干网络运行的YOLO V5算法。
所述S5中,在获得T2的同时,展示新遥感影像上所有麋鹿个体的位置标示图,该位置标示图为框住麋鹿个体的标示框。
所述S7中,所述语义分割算法为deeplab V3+算法。
所述S9中,对个体预测掩膜依次进行灰度处理、二值化处理的为OpenCV库;同时,OpenCV库对二值化图形进行调用,将二值化图形叠加到其对应的新图像数据集D2中的麋鹿个体图片上,并进行展示。
所述S10中,在得到麋鹿轮廓的面积、周长,并生成骨架线之后,进行的判断操作包括:根据麋鹿身长与轮廓的周长的比值判定麋鹿的性别。
所述S10中,在得到麋鹿轮廓的面积、周长,并生成骨架线之后,进行的判断操作还包括:
先从麋鹿轮廓上提取特征点,再根据特征点进行计算,以得到麋鹿的头宽与身宽,然后根据身长、身宽判定麋鹿的年龄;
在上述判断操作结束之后,将所获得的面积、周长、身长、头宽、身宽、性别、年龄都导入属性表中,以输出麋鹿个体的属性特征。
与现有技术相比,本发明的有益效果为:
1、本发明一种基于无人机遥感的麋鹿识别与形态轮廓参数提取方法中,以无人机遥感影像作为处理的基本素材,再在此基础之上,先依次获得成功目标检测模型M2、成功语义分割模型F2,再将二者带入实际应用,即将先获取的无人机遥感影像依次代入成功目标检测模型M2、成功语义分割模型F2进行运行,不仅获得待监测的麋鹿种群的数量,完成个体识别,而且在其基础之上,获得每个麋鹿对应的个体预测掩膜,再依据个体预测掩膜获得麋鹿轮廓矢量信息文件,然后根据麋鹿轮廓矢量信息文件生成轮廓面积、周长、骨架线等属于麋鹿的形态轮廓参数,再计算获得身长、头宽、体宽等形态轮廓参数,最终根据麋鹿的形态轮廓参数对麋鹿的性别、年龄进行判断,从而绘制各个麋鹿个体的属性表;整个处理流程,以无人机遥感影像开始,依次衔接之目标检测模型、语义分割模型,两种模型的采用不仅能够克服复杂背景环境的障碍,提升监测精度,而且降低了操作难度与成本,提升了监测效率,使得只需获得高分辨率的无人机照片,就能对麋鹿种群进行迅速、精确的监测,并能进一步的获取准确的麋鹿的形态轮廓参数,丰富了监测的功能。因此,本发明不仅在复杂环境下监测精度较高、利于麋鹿形态轮廓参数提取,而且使用成本较低,功能性较强,适合于推广应用。
2、本发明一种基于无人机遥感的麋鹿识别与形态轮廓参数提取方法中,在获得麋鹿的形态轮廓参数之后,能对前述参数进行针对性的应用,以对麋鹿的性别、年龄进行判断。可见,本发明的作用不仅仅在于简单的监测,更关键的在于监测后的应用,是对种群监测的进一步的细化、深化,利于架构麋鹿种群的动态生存系统,更可以在此基础之上,推广应用在其余的动物,甚至各种活动体上。因此,本发明利于建立动物体的动态监测系统,应用范围较广。
3、本发明一种基于无人机遥感的麋鹿识别与形态轮廓参数提取方法中,以无人机遥感影像作为处理的基本素材,无论是各种模型的训练,还是训练成功之后的应用,都是如此,其价值不仅在于无人机遥感影像具有较高的分辨率,更在于无人机遥感影像都配有各自的坐标信息,该坐标信息不仅利于绘制整体的被监测麋鹿种群的生态分布图,而且便于对麋鹿的形态轮廓参数进行识别,以获得准确的骨架线的长度,轮廓的周长与面积,麋鹿的头宽与身宽等,最终有利于提高对麋鹿的性别、年龄进行判断的准确性。因此,本发明的准确性较高。
4、本发明一种基于无人机遥感的麋鹿识别与形态轮廓参数提取方法中,通过无人机平台上挂载的摄像头或传感器对地面上的麋鹿种群进行拍摄,以获取对应的无人机遥感影像,应用时,使用无人机平台实现麋鹿种群监测,能够突破地形限制,获取麋鹿种群的全貌,复杂环境下的适应性良好,同时,还能避免对麋鹿种群进行干扰,导致麋鹿惊慌,降低其生存质量,尤其是将无人机飞行高度设置在50—60m之间,可以兼具获得高分辨率的无人机遥感影像、不干扰麋鹿。因此,本发明的适用性较好。
附图说明
图1是本发明的流程结构示意图。
图2是本发明中初始影像的示意图。
图3是图2对应的标注操作示意图。
图4是本发明中新遥感影像的示意图。
图5是图4对应的位置标示图,即目标检测后结果示意图。
图6是本发明中图像数据集D1中的麋鹿个体图片。
图7是图6对应的个体掩膜的图片。
图8是本发明中新图像数据集D2中的麋鹿个体图片。
图9是图8对应的个体预测掩膜的图片。
图10是本发明中将二值化图形叠加到其对应的新图像数据集D2中的麋鹿个体图片上的示意图。
图11是本发明中麋鹿个体为雄鹿时,生成骨架线的示意图。
图12是本发明中麋鹿个体为雌鹿时,生成骨架线的示意图。
具体实施方式
以下结合附图说明和具体实施方式对本发明作进一步详细的说明。
参见图1—图12,一种基于无人机遥感的麋鹿识别与形态轮廓参数提取方法,包括以下步骤:
S1:通过无人机平台上挂载的摄像头或传感器对地面上的麋鹿种群进行拍摄,以获取对应的无人机遥感影像,该无人机遥感影像为图片,拍摄次数为多次,无人机遥感影像的数量为多张;
S2:对前述无人机遥感影像进行预处理以得到初始影像I1,所述预处理包括图像增强、去噪、过滤中的至少一种或任意组合;所有的初始影像I1构成一个单独的文件夹;
S3:采用目标识别数据标注工具对初始影像I1中的麋鹿个体进行标注,每张初始影像I1被标注后对应生成一个标注文件T1,该T1为txt或xml格式,且初始影像I1与其对应的T1组成图像—位置信息对;
单张I1中,每标注一个麋鹿,该初始影像I1所对应的T1里就会生成一个标注数据;所有的T1构成一个单独的文件夹;
S4:先采用YOLO算法建立初始目标检测模型M1,再在算法中指定上述I1、T1各自所在的文件夹的调用路径,然后运行算法以对初始目标检测模型M1进行训练,训练时,初始目标检测模型M1将调用的两个文件夹自动划分为训练集、测试集,训练结束后即可获得成功目标检测模型M2;
S5:将上述成功目标检测模型M2应用于实际,即先重复S1、S2步骤以获得被监测麋鹿种群所对应的新遥感影像,再将新遥感影像调用进成功目标检测模型M2以运行,然后检测出新遥感影像上麋鹿个体的位置,并获得记录了对应目标检测位置信息的txt文件T2;所述新遥感影像与T2一一对应,所述新遥感影像、T2的数量均为多个;
S6:先将上述新遥感影像及其对应的T2一同导入pycharm集成开发环境中,以得到所有被检测出的麋鹿个体所对应的单张图片,一只麋鹿个体对应一张图片,所有麋鹿个体的图片组成图像数据集D1,再对图像数据集D1中图片的数量进行统计,即可获知麋鹿的数量,从而完成麋鹿识别;
S7:先对图像数据集D1中的图片进行筛选以获得麋鹿个体影像语义分割训练集I2,该麋鹿个体影像语义分割训练集I2为一个单独的文件夹,再运行交互式自动标注工具EISeg对麋鹿个体影像语义分割训练集I2进行调用,然后对I2中的每张图片进行标注以生成该张图片对应的个体掩膜,一张图片对应一个个体掩膜,所有的个体掩膜组成个体训练掩膜集Y1;再采用语义分割算法建立初始语义分割模型F1,然后在算法中指定麋鹿个体影像语义分割训练集I2、个体训练掩膜集Y1各自所在的文件夹的调用路径,然后运行算法以对初始语义分割模型F1进行训练,训练结束后即可获得成功语义分割模型F2;
S8:将上述成功语义分割模型F2应用于实际,即先重复S6步骤以获得被监测麋鹿种群所对应的新图像数据集D2,再将新图像数据集D2调入成功语义分割模型F2以获得对应的个体预测掩膜集Y2,新图像数据集D2中的麋鹿个体图片与个体预测掩膜集Y2中的个体预测掩膜一一对应;
S9:先对个体预测掩膜进行灰度处理,再对灰度图进行二值化以获得麋鹿个体的二值化图形;
S10:先采用Arcgis工具将上述二值化图形转换为麋鹿轮廓矢量信息文件,再基于麋鹿轮廓矢量信息文件获得麋鹿轮廓的面积与周长,并生成骨架线,然后计算提取的骨架线长度为麋鹿身长,从而获得麋鹿个体的形态轮廓参数。
所述S1中,所述无人机的飞行高度设置在50—60m之间。
所述S1、S2中,所述无人机遥感影像带有对应的坐标信息。
所述S3中,所述目标识别数据标注工具为Labelimg软件;所述对初始影像I1中的麋鹿个体进行标注是指:先点击麋鹿个体,再拉拽标注框以将麋鹿个体框住。
所述S4中,所述YOLO算法是指采用Darknet-53骨干网络运行的YOLO V5算法。
所述S5中,在获得T2的同时,展示新遥感影像上所有麋鹿个体的位置标示图,该位置标示图为框住麋鹿个体的标示框。
所述S7中,所述语义分割算法为deeplab V3+算法。
所述S9中,对个体预测掩膜依次进行灰度处理、二值化处理的为OpenCV库;同时,OpenCV库对二值化图形进行调用,将二值化图形叠加到其对应的新图像数据集D2中的麋鹿个体图片上,并进行展示。
所述S10中,在得到麋鹿轮廓的面积、周长,并生成骨架线之后,进行的判断操作包括:根据麋鹿身长与轮廓的周长的比值判定麋鹿的性别。
所述S10中,在得到麋鹿轮廓的面积、周长,并生成骨架线之后,进行的判断操作还包括:
先从麋鹿轮廓上提取特征点,再根据特征点进行计算,以得到麋鹿的头宽与身宽,然后根据身长、身宽判定麋鹿的年龄;
在上述判断操作结束之后,将所获得的面积、周长、身长、头宽、身宽、性别、年龄都导入属性表中,以输出麋鹿个体的属性特征。
本发明的原理说明如下:
初始目标检测模型M1将调用的两个文件夹自动划分为训练集、测试集:初始影像I1所在的文件夹里的数据被划分为训练集、测试集,标注文件T1所在的文件夹里的数据也被划分为训练集、测试集,且训练集、测试集的比例是一致的。
所述获得新遥感影像所对应的记录了目标检测位置信息的txt文件T2中,所述目标检测位置信息是指麋鹿个体在其所在的新遥感影像上的相对位置信息,即单张新遥感影像中的麋鹿相对该张图片的位置信息。
对图像数据集D1中的图片进行筛选以获得麋鹿个体影像语义分割训练集I2:筛选依据麋鹿的背部特征进行,背部特征越清楚则图片质量越好。
对图片进行标注以生成该张图片对应的个体掩膜是指:标注时,将图片上麋鹿涉及的部位都点取,以将麋鹿覆盖全,从而生成对应的个体掩膜。
实施例1:
参见图1,一种基于无人机遥感的麋鹿识别与形态轮廓参数提取方法,包括以下步骤:
S1:通过无人机平台上挂载的摄像头或传感器对地面上的麋鹿种群进行拍摄,以获取对应的无人机遥感影像,该无人机遥感影像为图片,拍摄次数为多次,无人机遥感影像的数量为多张;
S2:对前述无人机遥感影像进行预处理以得到初始影像I1(如图2所示),所述预处理包括图像增强、去噪、过滤中的至少一种或任意组合;所有的初始影像I1构成一个单独的文件夹;
S3:采用目标识别数据标注工具对初始影像I1中的麋鹿个体进行标注(如图3所示),每张初始影像I1被标注后对应生成一个标注文件T1,该T1为txt或xml格式,且初始影像I1与其对应的T1组成图像—位置信息对;
单张I1中,每标注一个麋鹿,该初始影像I1所对应的T1里就会生成一个标注数据;所有的T1构成一个单独的文件夹;
S4:先采用YOLO算法建立初始目标检测模型M1,再在算法中指定上述I1、T1各自所在的文件夹的调用路径,然后运行算法以对初始目标检测模型M1进行训练,训练时,初始目标检测模型M1将调用的两个文件夹自动划分为训练集、测试集,训练结束后即可获得成功目标检测模型M2;
S5:将上述成功目标检测模型M2应用于实际,即先重复S1、S2步骤以获得被监测麋鹿种群所对应的新遥感影像(如图4所示),再将新遥感影像调用进成功目标检测模型M2以运行,然后检测出新遥感影像上麋鹿个体的位置(如图5所示),并获得记录了对应目标检测位置信息的txt文件T2;所述新遥感影像与T2一一对应,所述新遥感影像、T2的数量均为多个;
S6:先将上述新遥感影像及其对应的T2一同导入pycharm集成开发环境中,以得到所有被检测出的麋鹿个体所对应的单张图片,一只麋鹿个体对应一张图片,所有麋鹿个体的图片组成图像数据集D1,再对图像数据集D1中图片的数量进行统计,即可获知麋鹿的数量,从而完成麋鹿识别;
S7:先对图像数据集D1中的图片进行筛选以获得麋鹿个体影像语义分割训练集I2,该麋鹿个体影像语义分割训练集I2为一个单独的文件夹,再运行交互式自动标注工具EISeg对麋鹿个体影像语义分割训练集I2进行调用,然后对I2中的每张图片(如图6所示)进行标注以生成该张图片对应的个体掩膜(如图7所示),一张图片对应一个个体掩膜,所有的个体掩膜组成个体训练掩膜集Y1;再采用语义分割算法建立初始语义分割模型F1,然后在算法中指定麋鹿个体影像语义分割训练集I2、个体训练掩膜集Y1各自所在的文件夹的调用路径,然后运行算法以对初始语义分割模型F1进行训练,训练结束后即可获得成功语义分割模型F2;
S8:将上述成功语义分割模型F2应用于实际,即先重复S6步骤以获得被监测麋鹿种群所对应的新图像数据集D2,再将新图像数据集D2调入成功语义分割模型F2以获得对应的个体预测掩膜集Y2(如图9所示),新图像数据集D2中的麋鹿个体图片(如图8所示)与个体预测掩膜集Y2中的个体预测掩膜一一对应;
S9:先对个体预测掩膜进行灰度处理,再对灰度图进行二值化以获得麋鹿个体的二值化图形;
S10:先采用Arcgis工具将上述二值化图形转换为麋鹿轮廓矢量信息文件,再基于麋鹿轮廓矢量信息文件获得麋鹿轮廓的面积与周长,并生成骨架线,然后计算提取的骨架线长度为麋鹿身长,从而获得麋鹿个体的形态轮廓参数,此时的形态轮廓参数包括轮廓的面积与周长,以及骨架线及其长度。
实施例2:
基本内容同实施例1,不同之处在于:
如图10所示,所述S9中,对个体预测掩膜依次进行灰度处理、二值化处理的为OpenCV库;同时,OpenCV库对二值化图形进行调用,将二值化图形叠加到其对应的新图像数据集D2中的麋鹿个体图片上,并进行展示。
实施例3:
基本内容同实施例1,不同之处在于:
如图11、图12所示,先采用Arcgis工具将上述二值化图形转换为麋鹿轮廓矢量信息文件,再基于麋鹿轮廓矢量信息文件获得麋鹿轮廓的面积与周长,并生成骨架线,然后计算提取的骨架线长度为麋鹿身长,再根据麋鹿身长和轮廓的周长的比值判定麋鹿的性别;
此外,先从麋鹿轮廓上提取特征点,再根据特征点进行计算,以得到麋鹿的头宽与身宽,然后根据身长、身宽判定麋鹿的年龄;
最后,在上述判断操作结束之后,将所获得的面积、周长、身长、头宽、身宽、性别、年龄都导入属性表中,以输出麋鹿个体的属性特征。
以上所述仅为本发明的较佳实施方式,本发明的保护范围并不以上述实施方式为限,但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化,皆应纳入权利要求书中记载的保护范围内。
Claims (7)
1.一种基于无人机遥感的麋鹿识别与形态轮廓参数提取方法,其特征在于:所述麋鹿识别与形态轮廓参数提取方法包括以下步骤:
S1:通过无人机平台上挂载的摄像头或传感器对地面上的麋鹿种群进行拍摄,以获取对应的无人机遥感影像,该无人机遥感影像为图片,拍摄次数为多次,无人机遥感影像的数量为多张;
S2:对前述无人机遥感影像进行预处理以得到初始影像I1,所述预处理包括图像增强、去噪、过滤中的至少一种或任意组合;所有的初始影像I1构成一个单独的文件夹;
S3:采用目标识别数据标注工具对初始影像I1中的麋鹿个体进行标注,每张初始影像I1被标注后对应生成一个标注文件T1,该T1为txt或xml格式,且初始影像I1与其对应的T1组成图像—位置信息对;
单张I1中,每标注一个麋鹿,该初始影像I1所对应的T1里就会生成一个标注数据;所有的T1构成一个单独的文件夹;
S4:先采用YOLO算法建立初始目标检测模型M1,再在算法中指定上述I1、T1各自所在的文件夹的调用路径,然后运行算法以对初始目标检测模型M1进行训练,训练时,初始目标检测模型M1将调用的两个文件夹自动划分为训练集、测试集,训练结束后即可获得成功目标检测模型M2;
S5:将上述成功目标检测模型M2应用于实际,即先重复S1、S2步骤以获得被监测麋鹿种群所对应的新遥感影像,再将新遥感影像调用进成功目标检测模型M2以运行,然后检测出新遥感影像上麋鹿个体的位置,并获得记录了对应目标检测位置信息的txt文件T2;所述新遥感影像与T2一一对应,所述新遥感影像、T2的数量均为多个;
S6:先将上述新遥感影像及其对应的T2一同导入pycharm集成开发环境中,以得到所有被检测出的麋鹿个体所对应的单张图片,一只麋鹿个体对应一张图片,所有麋鹿个体的图片组成图像数据集D1,再对图像数据集D1中图片的数量进行统计,即可获知麋鹿的数量,从而完成麋鹿识别;
S7:先对图像数据集D1中的图片进行筛选以获得麋鹿个体影像语义分割训练集I2,该麋鹿个体影像语义分割训练集I2为一个单独的文件夹,再运行交互式自动标注工具EISeg对麋鹿个体影像语义分割训练集I2进行调用,然后对I2中的每张图片进行标注以生成该张图片对应的个体掩膜,一张图片对应一个个体掩膜,所有的个体掩膜组成个体训练掩膜集Y1;再采用语义分割算法建立初始语义分割模型F1,然后在算法中指定麋鹿个体影像语义分割训练集I2、个体训练掩膜集Y1各自所在的文件夹的调用路径,然后运行算法以对初始语义分割模型F1进行训练,训练结束后即可获得成功语义分割模型F2;
S8:将上述成功语义分割模型F2应用于实际,即先重复S6步骤以获得被监测麋鹿种群所对应的新图像数据集D2,再将新图像数据集D2调入成功语义分割模型F2以获得对应的个体预测掩膜集Y2,新图像数据集D2中的麋鹿个体图片与个体预测掩膜集Y2中的个体预测掩膜一一对应;
S9:先对个体预测掩膜进行灰度处理,再对灰度图进行二值化以获得麋鹿个体的二值化图形;
S10:先采用Arcgis工具将上述二值化图形转换为麋鹿轮廓矢量信息文件,再基于麋鹿轮廓矢量信息文件获得麋鹿轮廓的面积与周长,并生成骨架线,然后计算提取的骨架线长度为麋鹿身长,从而获得麋鹿个体的形态轮廓参数;
所述S1、S2中,所述无人机遥感影像带有对应的坐标信息;
所述S10中,在得到麋鹿轮廓的面积、周长,并生成骨架线之后,进行的判断操作包括:根据麋鹿身长与轮廓的周长的比值判定麋鹿的性别;
所述S10中,在得到麋鹿轮廓的面积、周长,并生成骨架线之后,进行的判断操作还包括:
先从麋鹿轮廓上提取特征点,再根据特征点进行计算,以得到麋鹿的头宽与身宽,然后根据身长、身宽判定麋鹿的年龄;
在上述判断操作结束之后,将所获得的面积、周长、身长、头宽、身宽、性别、年龄都导入属性表中,以输出麋鹿个体的属性特征。
2.根据权利要求1所述的一种基于无人机遥感的麋鹿识别与形态轮廓参数提取方法,其特征在于:所述S1中,所述无人机的飞行高度设置在50—60m之间。
3.根据权利要求1或2所述的一种基于无人机遥感的麋鹿识别与形态轮廓参数提取方法,其特征在于:所述S3中,所述目标识别数据标注工具为Labelimg软件;所述对初始影像I1中的麋鹿个体进行标注是指:先点击麋鹿个体,再拉拽标注框以将麋鹿个体框住。
4.根据权利要求1或2所述的一种基于无人机遥感的麋鹿识别与形态轮廓参数提取方法,其特征在于:所述S4中,所述YOLO算法是指采用Darknet-53骨干网络运行的YOLO V5算法。
5.根据权利要求1或2所述的一种基于无人机遥感的麋鹿识别与形态轮廓参数提取方法,其特征在于:所述S5中,在获得T2的同时,展示新遥感影像上所有麋鹿个体的位置标示图,该位置标示图为框住麋鹿个体的标示框。
6.根据权利要求1或2所述的一种基于无人机遥感的麋鹿识别与形态轮廓参数提取方法,其特征在于:所述S7中,所述语义分割算法为deeplab V3+算法。
7.根据权利要求1或2所述的一种基于无人机遥感的麋鹿识别与形态轮廓参数提取方法,其特征在于:所述S9中,对个体预测掩膜依次进行灰度处理、二值化处理的为OpenCV库;同时,OpenCV库对二值化图形进行调用,将二值化图形叠加到其对应的新图像数据集D2中的麋鹿个体图片上,并进行展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210572286.5A CN114708519B (zh) | 2022-05-25 | 2022-05-25 | 一种基于无人机遥感的麋鹿识别与形态轮廓参数提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210572286.5A CN114708519B (zh) | 2022-05-25 | 2022-05-25 | 一种基于无人机遥感的麋鹿识别与形态轮廓参数提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114708519A CN114708519A (zh) | 2022-07-05 |
CN114708519B true CN114708519B (zh) | 2022-09-27 |
Family
ID=82177210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210572286.5A Active CN114708519B (zh) | 2022-05-25 | 2022-05-25 | 一种基于无人机遥感的麋鹿识别与形态轮廓参数提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114708519B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109064445A (zh) * | 2018-06-28 | 2018-12-21 | 中国农业科学院特产研究所 | 一种动物的数量统计方法和系统、存储介质 |
CN110599537A (zh) * | 2019-07-25 | 2019-12-20 | 中国地质大学(武汉) | 基于Mask R-CNN的无人机图像建筑物面积计算方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600637B (zh) * | 2016-12-08 | 2019-04-09 | 中国科学院海洋研究所 | 一种使用遥感影像观测野生动物种群数量的方法 |
CN108491820B (zh) * | 2018-04-02 | 2022-04-12 | 京东方科技集团股份有限公司 | 图像中肢体表示信息的识别方法、装置及设备、存储介质 |
CN110399840B (zh) * | 2019-05-22 | 2024-04-02 | 西南科技大学 | 一种快速的草坪语义分割及边界检测方法 |
CN111339912B (zh) * | 2020-02-24 | 2023-04-18 | 中国科学院植物研究所 | 一种基于遥感影像识别牛羊的方法和系统 |
-
2022
- 2022-05-25 CN CN202210572286.5A patent/CN114708519B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109064445A (zh) * | 2018-06-28 | 2018-12-21 | 中国农业科学院特产研究所 | 一种动物的数量统计方法和系统、存储介质 |
CN110599537A (zh) * | 2019-07-25 | 2019-12-20 | 中国地质大学(武汉) | 基于Mask R-CNN的无人机图像建筑物面积计算方法及系统 |
Non-Patent Citations (2)
Title |
---|
《Livestock detection in aerial images using a fully convolutional network》;Liang Han,et al;《computational visual media》;20190630;第5卷(第2期);第221-228页 * |
《基于深层卷积神经网络的肉兔图像分割与体质量估测》;段恩泽,等;《农业机械学报》;20210630;第52卷(第6期);第259-267页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114708519A (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104881865B (zh) | 基于无人机图像分析的森林病虫害监测预警方法及其系统 | |
Wu et al. | A voxel-based method for automated identification and morphological parameters estimation of individual street trees from mobile laser scanning data | |
CN108537191B (zh) | 一种基于结构光摄像头的三维人脸识别方法 | |
CN110263717B (zh) | 一种融入街景影像的土地利用类别确定方法 | |
CN111582234B (zh) | 基于uav和深度学习的大范围油茶林果智能检测与计数方法 | |
US20230281265A1 (en) | Method for estimating body size and weight of pig based on deep learning | |
CN108416985B (zh) | 一种基于图像识别的地质灾害监测预警系统及预警方法 | |
CN106403904A (zh) | 一种基于无人机的景观尺度植被覆盖度的计算方法及系统 | |
CN106331636A (zh) | 基于行为事件触发的输油管道智能视频监控系统及方法 | |
CN102855485B (zh) | 一种小麦抽穗的自动检测方法 | |
CN111414954B (zh) | 一种岩石图像检索方法及其系统 | |
Lambers et al. | Towards detection of archaeological objects in high-resolution remotely sensed images: the Silvretta case study | |
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 | |
CN106709432A (zh) | 基于双目立体视觉的人头检测计数方法 | |
CN114708519B (zh) | 一种基于无人机遥感的麋鹿识别与形态轮廓参数提取方法 | |
CN113378754A (zh) | 一种工地裸土监测方法 | |
CN116229001A (zh) | 一种基于空间熵的城市三维数字地图生成方法及系统 | |
CN115115954A (zh) | 基于无人机遥感的松材线虫病疫区变色立木智能识别方法 | |
CN112287787B (zh) | 一种基于梯度直方图特征的作物倒伏分级方法 | |
CN115830474A (zh) | 一种识别野生藏药独一味及其分布并计算其产量的方法与系统 | |
CN110084125B (zh) | 一种基于深度学习的农业保险查勘技术方法 | |
CN109598793B (zh) | 基于倾斜摄影测量快速修改植被和水体的制作方法及装置 | |
CN114140703A (zh) | 一种森林松材线虫病害智能识别方法及系统 | |
CN112396699A (zh) | 一种基于无人机影像进行地块自动勾画的方法 | |
Permana et al. | Analysis of aerial photography with unmanned aerial vehicle (uav) using ecognition developer to estimate the number of trees in the forest area |
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 |