CN115661647A - 一种树木栽种生长状况的定时巡检方法 - Google Patents

一种树木栽种生长状况的定时巡检方法 Download PDF

Info

Publication number
CN115661647A
CN115661647A CN202211308063.4A CN202211308063A CN115661647A CN 115661647 A CN115661647 A CN 115661647A CN 202211308063 A CN202211308063 A CN 202211308063A CN 115661647 A CN115661647 A CN 115661647A
Authority
CN
China
Prior art keywords
image
tree
trunk
towards
images
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
Application number
CN202211308063.4A
Other languages
English (en)
Inventor
杜芳
陈盼
高书伟
李元
邓静
赵自稳
杨卫红
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.)
Xinxiang Forestry Technology Promotion Station Xinxiang Forestry Workstation
Original Assignee
Xinxiang Forestry Technology Promotion Station Xinxiang Forestry Workstation
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 Xinxiang Forestry Technology Promotion Station Xinxiang Forestry Workstation filed Critical Xinxiang Forestry Technology Promotion Station Xinxiang Forestry Workstation
Priority to CN202211308063.4A priority Critical patent/CN115661647A/zh
Publication of CN115661647A publication Critical patent/CN115661647A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Catching Or Destruction (AREA)

Abstract

一种树木栽种生长状况的定时巡检方法，与主流的遥感影像技术监测方法不同的是，采用在树木近距离范围内的传感器对单棵树木进行影像获取，并通过无线信号将捕捉到的图像传递给远程服务器；远程服务器接收图像并对一定区域内每棵树木的图像进行分析，进而判别其中存在问题的树木，将相应的树木编号反馈给巡查人员，大大降低了巡查人员的工作量。

Description

一种树木栽种生长状况的定时巡检方法
技术领域
本发明属于林业与计算机科学、模式识别技术交叉领域，特别地，涉及一种树木栽种生长状况的定时巡检方法。
背景技术
树木栽种生长状况的监测是林业生态分析中的重要部分。随着信息技术的发展，采用图像、视频等影像方法成为对树木栽种和生长状况监测一类重要方法，在生产实践中得到了广泛应用，被应用于林木资源监测、造林采伐、识别林分边界、生物特征评估、生物多样性保护、林火资源损失等诸多林业管理应用方面。特别是对于树苗培育、研究过程中，精确、快速的监控树苗的长势、病害情况变得尤为重要。
树木栽种生长状况的监测是林木资源监测的关键需求之一，目前主流监测方法是采用遥感影像技术，通过高分辨率遥感影像提取一定区域内数目的颜色特征、轮廓特征。但遥感影像虽然能够提取大范围的林木特征，在对单一树木信息的提取上仍不够精确，例如对某棵树木病虫害的检测；而且遥感图像更多集中在树叶的茂密程度、颜色等，无法监测树干的虫害情况。目前常用人工目视方法对单一树木检测进行补足，但又耗费了大量人力物力，且依赖于工作人员的专业知识，培训成本高。因此亟需一种自动化方法实现对树木栽种和生长状况的自动化监测，且对单棵树木实现较高的监测精度，及时发现生长状况出现问题的树木。
现有技术中也有使用神经网络等图像处理手段进行树木检测的方法，但大多针对树木轮廓、大小、高低等单一宏观情况，并没有适合、专门用于病虫害和生长状况综合情况的检测算法。而用于其他领域的神经网络模型直接转用效果不佳，不能工业化应用。
发明内容
本发明创造性的提出一种树木栽种生长状况的定时巡检方法，与主流的遥感影像技术监测方法不同的是，采用在树木近距离范围内的传感器对单棵树木进行影像获取，并通过无线信号将捕捉到的图像传递给远程服务器；远程服务器接收图像并对一定区域内每棵树木的图像进行分析，进而判别其中存在问题的树木，将相应的树木编号反馈给巡查人员，大大降低了巡查人员的工作量。此外，本发明提出的基于单棵树木的图像分析方法也是本发明的重要创新。
一种树木栽种生长状况的定时巡检方法，
步骤1：利用布置在树木四周地表的图像传感器获取树木树干、树枝部分的图像，将图像通过无线信号传输给部署在远程的服务器，服务器将同一树木周围共8台传感器拍摄的图像形成集合，记为
Figure 100002_DEST_PATH_IMAGE002
，其中
Figure 100002_DEST_PATH_IMAGE004
表示点位标记，集合中上标数字表示环绕树木的次序，
Figure 100002_DEST_PATH_IMAGE006
分别表示朝向树干拍摄图像和朝向树枝拍摄图像；
步骤2：确定树干区域并检测病虫害情况
将朝向树干拍摄图像的原图像
Figure 100002_DEST_PATH_IMAGE008
与三个不同边缘响应算子
Figure 100002_DEST_PATH_IMAGE010
、
Figure 100002_DEST_PATH_IMAGE012
，
Figure 100002_DEST_PATH_IMAGE014
、
Figure 100002_DEST_PATH_IMAGE016
，
Figure 100002_DEST_PATH_IMAGE018
、
Figure 100002_DEST_PATH_IMAGE020
作卷积运算，获得边缘响应图
Figure 100002_DEST_PATH_IMAGE022
：
Figure 100002_DEST_PATH_IMAGE024
Figure 100002_DEST_PATH_IMAGE026
Figure 100002_DEST_PATH_IMAGE028
Figure 100002_DEST_PATH_IMAGE030
其中max表示在几个响应算子的计算结果中取最大值，符号
Figure 100002_DEST_PATH_IMAGE032
表示按阈值作图像二值化，即分为有响应和无响应，获得边缘响应图；取每个边缘响应图的重心，有响应的边缘与重心连线所经过的像素集合为树干区域；
根据获得的树干区域，利用K种病虫害图像模板组在树干区域内扫描获取不同区域存在病虫害的概率值，记
Figure 100002_DEST_PATH_IMAGE034
表示与第k类病虫害图像模板的匹配概率大于阈值
Figure 100002_DEST_PATH_IMAGE036
的局部区域数，并且：
Figure 100002_DEST_PATH_IMAGE038
Figure 100002_DEST_PATH_IMAGE040
、
Figure 100002_DEST_PATH_IMAGE042
分别表示与树木区域内所有局部区域匹配数最多的类别；
若
Figure 100002_DEST_PATH_IMAGE044
，则将该棵树木标记为树干可能存在病虫害树木；
步骤3：确定树枝区域并检测树叶覆盖度
对朝向树枝拍摄图像
Figure 100002_DEST_PATH_IMAGE046
，每张图像中提取连续的子图，每个子图的尺寸为
Figure 100002_DEST_PATH_IMAGE048
，对每个子图作特征变换：
Figure 100002_DEST_PATH_IMAGE050
Figure 100002_DEST_PATH_IMAGE052
上四式中
Figure 100002_DEST_PATH_IMAGE054
表示朝向树枝拍摄图像的某个子图，
Figure 100002_DEST_PATH_IMAGE056
表示子图中像素坐标；
通过上述四式计算子图的特征值
Figure 100002_DEST_PATH_IMAGE058
，用于表示子图的局部特征；通过树叶子图的训练样本对上述局部特征进行训练，并采用二值分类器对朝向树枝拍摄图像的某个子图
Figure 343624DEST_PATH_IMAGE054
进行判别，判断其是否为树叶区域；从而计算树枝上的树叶覆盖度；
步骤4：根据树干和树枝的判断结果分析问题树木，将其编号发送至用户终端。
上述步骤3中，根据每个子图的判别结果获得朝向树枝拍摄图像的树叶覆盖区域，并根据覆盖像素数与图像总像素数的比值计算其覆盖度。
上述步骤1中，在树木四周地表布置图像传感器，图像传感器的布置点位共四个，点位两两相对且其连线正交；每个点位布置两台传感器，其中一台拍摄向树干方向，另一台朝向天空拍摄向树枝方向。
步骤1中，每台传感器每隔一定时间拍摄一次图像。
在每天上午、下午阳光充足的时间段各拍摄一张图像。
步骤2中，匹配概率
Figure 100002_DEST_PATH_IMAGE060
计算方法如下：
Figure 100002_DEST_PATH_IMAGE062
其中
Figure 100002_DEST_PATH_IMAGE064
、
Figure 100002_DEST_PATH_IMAGE066
分别表示
Figure 100002_DEST_PATH_IMAGE068
、
Figure 100002_DEST_PATH_IMAGE070
中坐标为
Figure 100002_DEST_PATH_IMAGE072
的像素值。
一种实施权上述方法的巡检系统，包括传感终端、服务器和用户终端。
传感终端包括朝向树枝部分的图像传感器和朝向树干部分的图像传感器、用于支撑上述传感器的底座和支架。
传感终端还包括无线传输装置，用于将图像传输至服务器。
用户终端用于接收树木编号，并提示巡检员对相应树木进行人工巡检。
本发明的发明点及技术效果：
1、本发明提出一种树木栽种生长状况的定时巡检方法，与主流的遥感影像技术监测方法不同的是，利用布置在树木四周地表的图像传感器同时采集并处理树干图像和树枝图像，并将两者综合起来判别其中存在问题的树木，将相应的树木编号反馈给巡查人员，大大降低了巡查人员的工作量。
2、设计了专门判别树干区域的图像处理方法，利用特殊边缘算子和边缘相应图的获取算法，通过重心的关联，能够准确判断树干区域，并为病虫害的判别提供图像基础。优化了病虫害的判别算法，可以最大程度对上述检测方法可能导致的错误结果进行约束，特别是能够防止在树木纹理过于复杂的情况下，将纹理识别为虫洞导致的误判。如此，可以在计算量远低于神经网络模型的情况下，得到准确的检测结果。
3、不同于一般树叶覆盖的检测，提出了独特的子图的特征值
Figure 650978DEST_PATH_IMAGE058
提取方法，使得识别树叶更加准确、快捷，比一般神经网络算法和图像二值化算法等更加快速准确。
4、提出一种根据树干结果和树枝结果的综合判定方法，更加适合育苗期的树木巡检。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：
图1是图像传感器部署主视图。
图2是图像传感器部署俯视图。
图3是根据重心和边缘响应形成树干区域示意图。
具体实施方式
通常情况下树木的生长状况包括病虫害情况及树叶覆盖度，这是日常巡检的重要工作。但目前人工巡检工作量非常大，且巡检出问题的树木是少数，因此大量时间实际上浪费了。特别是对于大片重要林区或大片育苗林而言，及时发现树木生长状况的异常能够挽回巨大的经济损失。这是因为，在育苗期，某些病虫害传播非常快，不能及时发现病虫害或由病虫害导致的树叶覆盖度降低，则会导致大片林木发生同类问题。为解决这一问题，只能提高人工巡检频率，但这显然是不现实的。
为此，本发明提出了一种无线巡检的系统和实施的方法。
巡检系统包括：传感终端、服务器和用户终端。
其中传感终端包括朝向树枝部分的图像传感器1和朝向树干部分的图像传感器2、用于支撑上述传感器的底座3和支架4。每棵树5周围部署4个传感终端，用于从四个方向采集图像，更加全面。可以理解的是，可以适当降低部署量以降低成本。
传感终端还包括无线传输装置，用于将图像传输至服务器。
服务器用于接收图像，并进行处理识别，判别树木生长状况，并将生长状况可能存在问题的树木编号发送至用户终端。
用户终端用于接收树木编号，并提示巡检员对相应树木进行人工巡检。
具体实施的方法包括：
步骤1基于图像传感器的树木图像获取、传输、集合构建
利用布置在树木四周地表的图像传感器获取树木树干、树枝部分的图像，将图像通过无线信号传输给部署在远程的服务器，服务器上的图像集合模块将同一树木目标周围传感器所拍摄到的所有图像作为集合，传递给下一步骤进行分析。
S1.1一种利用布置在树木四周地表的图像传感器获取树木树干、树枝部分的图像的方法，在树木四周地表布置图像传感器，图像传感器的布置点位共四个，点位两两相对且其连线正交，这样可以使所有传感器的拍摄范围达到最优；每个点位布置两台传感器，其中一台拍摄向树干方向，另一台朝向天空拍摄向树枝方向；每台传感器的拍摄方向预先设定已知（图1）。
在现有技术下，上述图像传感器可集成移动通信芯片的无线信号传输功能，将采集到的图像传输给特定远程服务器；作为可选但非限定的方式，上述图像传感器及其附属芯片可采用地下电缆或电池方式实施供电。
S1.2每台传感器每隔一定时间拍摄一次图像，作为推荐配置，可在每天上午、下午阳光充足的时间段各拍摄一张图像。拍摄时间由巡查人员预先设定，以天气晴朗、光线充足为优，区域内所有传感器的拍摄同步实施。
每次拍摄完成后，所有传感器的拍摄图像通过无线信号传输给远程服务器，远程服务器配置图像集合模块，根据数据来源将同一树木周围共8台传感器拍摄的图像形成集合，记为
Figure DEST_PATH_IMAGE074
其中
Figure 758611DEST_PATH_IMAGE004
表示点位标记，集合中上标数字表示环绕树木的次序，
Figure 888241DEST_PATH_IMAGE006
分别表示朝向树干拍摄图像和朝向树枝拍摄图像。
步骤2确定树干区域并检测病虫害情况
从朝向树干拍摄图像中检测出树干区域，并检测树干区域是否存在病虫害特征。
S2.1在本发明所述特定环境下，图像传感器可能存在部分被地表植物叶片遮挡的情形，为了能够在部分遮挡条件下检测树干区域，提出一种对遮挡鲁棒的树干区域检测方法。
定义树木区域边缘的响应算子如下：
Figure DEST_PATH_IMAGE076
其中
Figure 764930DEST_PATH_IMAGE010
、
Figure 384130DEST_PATH_IMAGE012
是两个方阵，
Figure DEST_PATH_IMAGE078
、
Figure DEST_PATH_IMAGE080
分别表示矩阵行列的元素，
Figure DEST_PATH_IMAGE082
是元素下标，并且：
Figure DEST_PATH_IMAGE084
Figure DEST_PATH_IMAGE086
其中
Figure DEST_PATH_IMAGE088
、
Figure DEST_PATH_IMAGE090
表示
Figure 369273DEST_PATH_IMAGE010
、
Figure 302594DEST_PATH_IMAGE012
的每行（列）元素数，
Figure DEST_PATH_IMAGE092
.
进一步的，定义：
Figure DEST_PATH_IMAGE094
Figure 830527DEST_PATH_IMAGE014
、
Figure 558312DEST_PATH_IMAGE016
是两个方阵，
Figure DEST_PATH_IMAGE096
.
Figure DEST_PATH_IMAGE098
、
Figure DEST_PATH_IMAGE100
分别表示矩阵行列的元素，
Figure 171696DEST_PATH_IMAGE082
是元素下标，并且：
Figure DEST_PATH_IMAGE102
Figure DEST_PATH_IMAGE104
上式双斜线
Figure DEST_PATH_IMAGE106
表示整除符号。例如3//2=1，4//2=2，5//2=2.
进一步的，定义：
Figure DEST_PATH_IMAGE108
Figure 785340DEST_PATH_IMAGE018
、
Figure 105463DEST_PATH_IMAGE020
是两个方阵，
Figure DEST_PATH_IMAGE110
.
Figure DEST_PATH_IMAGE112
、
Figure DEST_PATH_IMAGE114
分别表示矩阵行列的元素，
Figure 332045DEST_PATH_IMAGE082
是元素下标，并且：
Figure DEST_PATH_IMAGE116
Figure DEST_PATH_IMAGE118
上述
Figure 291780DEST_PATH_IMAGE010
、
Figure 363641DEST_PATH_IMAGE012
，
Figure 741533DEST_PATH_IMAGE014
、
Figure 873437DEST_PATH_IMAGE016
，
Figure 133517DEST_PATH_IMAGE018
、
Figure 946752DEST_PATH_IMAGE020
表示三个不同尺度下的边缘响应算子，用于适应树木相对于图像的相对大小，并去除局部噪声。
将朝向树干拍摄图像的原图像
Figure 241467DEST_PATH_IMAGE008
与上述边缘响应算子作卷积运算，获得边缘响应图
Figure 747535DEST_PATH_IMAGE022
：
Figure DEST_PATH_IMAGE024A
Figure DEST_PATH_IMAGE026A
Figure DEST_PATH_IMAGE028A
Figure DEST_PATH_IMAGE030A
其中max表示在几个响应算子的计算结果中取最大值，符号
Figure 885124DEST_PATH_IMAGE032
表示按阈值作图像二值化，即分为有响应和无响应，获得边缘响应图；取每个边缘响应图的重心：
Figure DEST_PATH_IMAGE120
Figure DEST_PATH_IMAGE122
Figure DEST_PATH_IMAGE124
Figure DEST_PATH_IMAGE126
其中
Figure DEST_PATH_IMAGE128
，
Figure DEST_PATH_IMAGE130
，
Figure DEST_PATH_IMAGE132
，
Figure DEST_PATH_IMAGE134
分别表示
Figure 813634DEST_PATH_IMAGE022
的重心位置。
原图像中，有响应的边缘与重心连线所经过的像素集合为树干区域（图3）。
S2.2根据S2.1获得的树干区域，根据病虫害图像模板组在树干区域内扫描获取不同区域存在病虫害的概率值。
设病虫害图像模板组为
Figure DEST_PATH_IMAGE136
类树干遭受病虫害的局部图像，记为：
Figure DEST_PATH_IMAGE138
在S2.1所获得树干区域内选取等大小的局部区域，与病虫害图像模板组计算匹配概率，并依次扫描直至扫过所有树干区域，扫描过的区域数为
Figure DEST_PATH_IMAGE140
，每次扫描的局部区域记为：
Figure DEST_PATH_IMAGE142
匹配概率
Figure 827770DEST_PATH_IMAGE060
计算方法如下：
Figure DEST_PATH_IMAGE062A
其中
Figure 832635DEST_PATH_IMAGE064
、
Figure 4990DEST_PATH_IMAGE066
分别表示
Figure 222345DEST_PATH_IMAGE068
、
Figure 429336DEST_PATH_IMAGE070
中坐标为
Figure 339523DEST_PATH_IMAGE072
的像素值。
记
Figure 999174DEST_PATH_IMAGE034
表示与第k类病虫害图像模板的匹配概率大于阈值
Figure 754641DEST_PATH_IMAGE036
的局部区域数，并且：
Figure DEST_PATH_IMAGE038A
Figure 144034DEST_PATH_IMAGE040
、
Figure 959543DEST_PATH_IMAGE042
分别表示与树木区域内所有局部区域匹配数最多的类别。
如果：
Figure DEST_PATH_IMAGE144
则将该棵树木标记为可能存在病虫害树木。以上判断标准是经过大量实验优化得到的，可以最大程度对上述检测方法可能导致的错误结果进行约束，特别是能够防止在树木纹理过于复杂的情况下，将纹理识别为虫洞导致的误判，以此提高检测准确性。根据实验，该检测准确度为92%，同等情况下使用ResNet神经网络方法准确度为80%，而使用一般图像处理方法（例如二值化处理方法等）准确度为54%。
步骤3确定树枝区域并检测树叶覆盖度
从朝向天空拍摄图像中检测树枝树叶区域，判断树叶覆盖度。
对朝向树枝拍摄图像
Figure 637649DEST_PATH_IMAGE046
，每张图像中提取连续的子图，每个子图的尺寸为
Figure 196806DEST_PATH_IMAGE048
，作为优选取
Figure DEST_PATH_IMAGE146
。
对每个子图作特征变换：
Figure DEST_PATH_IMAGE050A
Figure DEST_PATH_IMAGE052A
上四式中
Figure 299760DEST_PATH_IMAGE054
表示朝向树枝拍摄图像的某个子图，
Figure 223854DEST_PATH_IMAGE056
表示子图中像素坐标。通过上述四式计算子图的特征值
Figure 920415DEST_PATH_IMAGE058
，用于表示子图的局部特征。上述子图特征值反映了树叶部分不同方向的纹理特征，与常规的基于像素的模板匹配方法相比提高了特征的鲁棒性。
通过树叶子图的训练样本对上述局部特征进行训练，并采用二值分类器对朝向树枝拍摄图像的某个子图
Figure 220946DEST_PATH_IMAGE054
进行判别，判断其是否为树叶区域。进一步根据每个子图的判别结果获得朝向树枝拍摄图像的树叶覆盖区域，并根据覆盖像素数与图像总像素数的比值计算其覆盖度。
步骤4基于朝向树干拍摄图像树干区域病虫害状态和朝向树枝拍摄图像树叶覆盖度判别树木栽种生长状况
根据步骤2获得朝向树干拍摄图像树干区域病虫害状态，根据步骤3获得朝向树枝拍摄图像树叶覆盖度，并进一步判别树木栽种生长状况。
根据步骤2获得朝向树干拍摄图像树干区域病虫害状态，对每张朝向树干拍摄图像其标记为0或1；对于单棵树木共获得4张朝向树干拍摄图像
Figure 319352DEST_PATH_IMAGE008
，其对应标记分别记为：
Figure DEST_PATH_IMAGE148
进一步的，定义：
Figure DEST_PATH_IMAGE150
根据步骤3获得朝向树枝拍摄图像树叶覆盖度，对每张朝向树枝拍摄图像获得覆盖度数值为0-1内的百分比实数；对于单棵树木共获得4张朝向树枝拍摄图像
Figure 742243DEST_PATH_IMAGE046
，其覆盖度数值分别记为：
Figure DEST_PATH_IMAGE152
进一步的，计算：
Figure DEST_PATH_IMAGE154
对于监测区域内的所有树木，计算相应的
Figure DEST_PATH_IMAGE156
的分布，有：
Figure DEST_PATH_IMAGE158
Figure DEST_PATH_IMAGE160
表示树木的总数。
Figure DEST_PATH_IMAGE162
、
Figure DEST_PATH_IMAGE164
分别表示
Figure 50733DEST_PATH_IMAGE156
的分布均值、标准差。
对于第n棵树木，如果其对应的
Figure DEST_PATH_IMAGE166
，且其对应的
Figure 951693DEST_PATH_IMAGE156
在总体分布
Figure 639027DEST_PATH_IMAGE162
的二倍标准差即
Figure DEST_PATH_IMAGE168
之外，则认为树木存在生长状况问题，提示巡查人员作进一步人工检查。上述判断标准更加适合育苗期的林木巡检，能够准确快速定位问题树木。
如下表格给出了本发明方法对存在问题的树木状况进行自动巡查的检测准确率，可见本发明方法适用于较大范围的树木栽种生长状况检测，并能够准确定位单棵树木的问题，大大降低了人工巡查的工作量。
Figure DEST_PATH_IMAGE170
本领域技术人员应认识到，虽然本文已详尽示出和描述了本发明的多个示例性实施例，但是，在不脱离本发明精神和范围的情况下，仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变型或修改。因此，本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。

Claims (10)

1.一种树木栽种生长状况的定时巡检方法，其特征在于：
步骤1：利用布置在树木四周地表的图像传感器获取树木树干、树枝部分的图像，将图像通过无线信号传输给部署在远程的服务器，服务器将同一树木周围共8台传感器拍摄的图像形成集合，记为
Figure DEST_PATH_IMAGE002
，其中
Figure DEST_PATH_IMAGE004
表示点位标记，集合中上标数字表示环绕树木的次序，
Figure DEST_PATH_IMAGE006
分别表示朝向树干拍摄图像和朝向树枝拍摄图像；
步骤2：确定树干区域并检测病虫害情况
将朝向树干拍摄图像的原图像
Figure DEST_PATH_IMAGE008
与三个不同边缘响应算子
Figure DEST_PATH_IMAGE010
、
Figure DEST_PATH_IMAGE012
，
Figure DEST_PATH_IMAGE014
、
Figure DEST_PATH_IMAGE016
，
Figure DEST_PATH_IMAGE018
、
Figure DEST_PATH_IMAGE020
作卷积运算，获得边缘响应图
Figure DEST_PATH_IMAGE022
：
Figure DEST_PATH_IMAGE024
Figure DEST_PATH_IMAGE026
Figure DEST_PATH_IMAGE028
Figure DEST_PATH_IMAGE030
其中max表示在几个响应算子的计算结果中取最大值，符号
Figure DEST_PATH_IMAGE032
表示按阈值作图像二值化，即分为有响应和无响应，获得边缘响应图；取每个边缘响应图的重心，有响应的边缘与重心连线所经过的像素集合为树干区域；
根据获得的树干区域，利用K种病虫害图像模板组在树干区域内扫描获取不同区域存在病虫害的概率值，记
Figure DEST_PATH_IMAGE034
表示与第k类病虫害图像模板的匹配概率大于阈值
Figure DEST_PATH_IMAGE036
的局部区域数，并且：
Figure DEST_PATH_IMAGE038
Figure DEST_PATH_IMAGE040
、
Figure DEST_PATH_IMAGE042
分别表示与树木区域内所有局部区域匹配数最多的类别；
若
Figure DEST_PATH_IMAGE044
，则将该棵树木标记为树干可能存在病虫害树木；
步骤3：确定树枝区域并检测树叶覆盖度
对朝向树枝拍摄图像
Figure DEST_PATH_IMAGE046
，每张图像中提取连续的子图，每个子图的尺寸为
Figure DEST_PATH_IMAGE048
，对每个子图作特征变换：
Figure DEST_PATH_IMAGE050
Figure DEST_PATH_IMAGE052
上四式中
Figure DEST_PATH_IMAGE054
表示朝向树枝拍摄图像的某个子图，
Figure DEST_PATH_IMAGE056
表示子图中像素坐标；
通过上述四式计算子图的特征值
Figure DEST_PATH_IMAGE058
，用于表示子图的局部特征；通过树叶子图的训练样本对上述局部特征进行训练，并采用二值分类器对朝向树枝拍摄图像的某个子图
Figure 319882DEST_PATH_IMAGE054
进行判别，判断其是否为树叶区域；从而计算树枝上的树叶覆盖度；
步骤4：根据树干和树枝的判断结果分析问题树木，将其编号发送至用户终端。
2.如权利要求1所述的一种树木栽种生长状况的定时巡检方法，其特征在于：上述步骤3中，根据每个子图的判别结果获得朝向树枝拍摄图像的树叶覆盖区域，并根据覆盖像素数与图像总像素数的比值计算其覆盖度。
3.如权利要求1所述的一种树木栽种生长状况的定时巡检方法，其特征在于：上述步骤1中，在树木四周地表布置图像传感器，图像传感器的布置点位共四个，点位两两相对且其连线正交；每个点位布置两台传感器，其中一台拍摄向树干方向，另一台朝向天空拍摄向树枝方向。
4.如权利要求1所述的一种树木栽种生长状况的定时巡检方法，其特征在于：步骤1中，每台传感器每隔一定时间拍摄一次图像。
5.如权利要求4所述的一种树木栽种生长状况的定时巡检方法，其特征在于：在每天上午、下午阳光充足的时间段各拍摄一张图像。
6.如权利要求1所述的一种树木栽种生长状况的定时巡检方法，其特征在于：步骤2中，匹配概率
Figure DEST_PATH_IMAGE060
计算方法如下：
Figure DEST_PATH_IMAGE062
其中
Figure DEST_PATH_IMAGE064
、
Figure DEST_PATH_IMAGE066
分别表示
Figure DEST_PATH_IMAGE068
、
Figure DEST_PATH_IMAGE070
中坐标为
Figure DEST_PATH_IMAGE072
的像素值。
7.一种实施权利要求1-6之一所述的一种树木栽种生长状况的定时巡检方法的巡检系统，其特征在于：包括传感终端、服务器和用户终端。
8.如权利要求7所述的巡检系统，其特征在于：传感终端包括朝向树枝部分的图像传感器和朝向树干部分的图像传感器、用于支撑上述传感器的底座和支架。
9.如权利要求7所述的巡检系统，其特征在于：传感终端还包括无线传输装置，用于将图像传输至服务器。
10.如权利要求7所述的巡检系统，其特征在于：用户终端用于接收树木编号，并提示巡检员对相应树木进行人工巡检。
CN202211308063.4A 2022-10-25 2022-10-25 一种树木栽种生长状况的定时巡检方法 Pending CN115661647A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211308063.4A CN115661647A (zh) 2022-10-25 2022-10-25 一种树木栽种生长状况的定时巡检方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211308063.4A CN115661647A (zh) 2022-10-25 2022-10-25 一种树木栽种生长状况的定时巡检方法

Publications (1)

Publication Number Publication Date
CN115661647A true CN115661647A (zh) 2023-01-31

Family

ID=84992119

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211308063.4A Pending CN115661647A (zh) 2022-10-25 2022-10-25 一种树木栽种生长状况的定时巡检方法

Country Status (1)

Country Link
CN (1) CN115661647A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116310913A (zh) * 2023-05-12 2023-06-23 江苏苏海信息科技(集团)有限公司 基于小型无人机测量技术的自然资源调查监测方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116310913A (zh) * 2023-05-12 2023-06-23 江苏苏海信息科技(集团)有限公司 基于小型无人机测量技术的自然资源调查监测方法及装置
CN116310913B (zh) * 2023-05-12 2023-07-25 江苏苏海信息科技(集团)有限公司 基于小型无人机测量技术的自然资源调查监测方法及装置

Similar Documents

Publication Publication Date Title
US10568316B2 (en) Apparatus and methods for in-field data collection and sampling
CN100416590C (zh) 利用位置和纹理特征自动识别作物苗期田间杂草的方法
Hall et al. Optical remote sensing applications in viticulture‐a review
CN110569786B (zh) 一种基于无人机数据采集的果树识别和数量监测方法及系统
WO2001033505A2 (en) Multi-variable model for identifying crop response zones in a field
CN110942039A (zh) 一种主要农作物高温灾害遥感监测预报系统及方法
CN111462058B (zh) 一种水稻有效穗快速检测方法
CN113657469B (zh) 基于图像识别的木本植物物候期的自动观测方法和系统
CN102855485B (zh) 一种小麦抽穗的自动检测方法
KR101822410B1 (ko) 작물 영상을 사용한 작물 생육 진단 장치
CN114818909B (zh) 一种基于作物长势特征的杂草检测方法和装置
CN111666827B (zh) 一种林业病虫害智能识别方法及系统
CN114067207A (zh) 一种基于深度学习和图像处理的蔬菜苗田杂草检测方法
CN105067532A (zh) 一种鉴别油菜菌核病和灰霉病早期病斑的方法
CN115661647A (zh) 一种树木栽种生长状况的定时巡检方法
CN115631421A (zh) 耕地智慧保护方法及保护系统
CN112580671A (zh) 一种基于深度学习的稻穗多发育期自动检测方法及系统
CN110689022B (zh) 基于叶片匹配的各株作物图像提取方法
KR20190069648A (ko) 인삼의 영상 이미지 분석을 통한 생육량 측정 방법
CN113377062B (zh) 一种具有病虫害和旱情监控的多功能预警系统
CN117058607A (zh) 一种基于图像视觉分析的植物生长状态监测系统
CN110135481B (zh) 一种农作物病变检测方法以及检测装置
Rangarajan et al. A vision based crop monitoring system using segmentation techniques
CN214175117U (zh) 一种基于嵌入式的农作物病虫害识别装置
Deng et al. Tree crown recognition algorithm on high spatial resolution remote sensing imagery

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