CN116258956A - 无人机树木识别方法、设备、存储介质及装置 - Google Patents

Abstract

本发明公开了一种无人机树木识别方法、设备、存储介质及装置，本发明通过对无人机采集的遥感图像信息进行预处理并基于改进后的Mask‑R‑CNN模型对遥感树木图像进行分割并基于预设树种模型和树木图像信息对树种类型进行识别，获得各树种类型对应的图像集合；基于预设形态学模型和各树种类型的图像集合对目标区域内的树木进行生长趋势预测，根据预测结果确定目标区域对应的树木生长态势感知。本发明通过改进后的Mask‑R‑CNN模型对预处理获得的遥感树木图像进行分割，并根据预设树种模型进行树种识别，从而确定各类型树木的生长态势，本发明实现了通过无人机精准识别植被的同时对树木的生长态势精准预测，提升了数据准确性。

Description

无人机树木识别方法、设备、存储介质及装置

技术领域

本发明涉及图像处理技术领域，尤其涉及一种无人机树木识别方法、设备、存储介质及装置。

背景技术

随着全球气候变暖或其他原因需要对自然森林以及种植的树木对应的参数进行确定(如：通过植被面积、树木对应的数量确定树木的碳排放量)，但许多地方的树木由于地势或其他原因，并不能采用人工识别的方式去采集树木相关数据，因此通常会借用无人机侦查的方式去采集树木的图片以用作后续识别，虽然无人机植被监测虽然可以提供极大的便利，但是现有无人机树木识别方法存在识别流程不完成以及精确度不高，导致数据不准确，进而影响后期数据分析。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种无人机树木识别方法、设备、存储介质及装置，旨在解决现有技术中针对无人机进行树木识别时由于地形复杂以及图像处理局限性导致识别结果准确性较差的技术问题。

为实现上述目的，本发明提供一种无人机树木识别方法，所述无人机树木识别方法包括以下步骤：

对无人机采集的遥感图像信息进行预处理，获得处理后的遥感树木图像；

基于改进后的Mask-R-CNN模型对所述遥感树木图像进行分割，获得分割后的树木图像信息；

基于预设树种模型和所述树木图像信息对树种类型进行识别，获得各树种类型对应的图像集合；

基于预设形态学模型和各树种类型的图像集合对目标区域内的树木进行生长趋势预测，根据预测结果确定所述目标区域对应的树木生长态势感知。

可选地，所述对无人机采集的遥感图像信息进行预处理，获得处理后的遥感树木图像的步骤，包括：

基于SLIC算法对无人机采集的遥感图像信息进行分割处理，获得分割后的遥感图像集合；

根据所述SLIC算法从所述遥感图像集合中提取色彩特征以及纹理特征，并根据所述色彩特征和所述纹理特征确实所述遥感图像集合中遥感树木图像。

可选地，所述基于改进后的Mask-R-CNN模型对所述遥感树木图像进行分割，获得分割后的树木图像信息的步骤，包括：

基于改进后的Mask-R-CNN模型和预设交叉熵损失函数对所述遥感树木图像进行分割识别，获得目标树冠对应的轮廓参数；

根据预设边界跟踪算法和所述轮廓参数确定所述目标树冠对应的重心坐标；

根据所述轮廓参数和所述重心坐标确定分割后的树木图像信息。

可选地，所述基于预设树种模型和所述树木图像信息对树种类型进行识别，获得各树种类型对应的图像集合的步骤，包括：

基于预设树种模型、所述轮廓参数以及所述重心坐标对树冠类型进行识别，并根据识别结果确定树种类型以及数量；

根据所述树种类型以及数量对所述遥感树木图像进行分类，获得各树种类型对应的图像集合。

可选地，所述基于预设形态学模型和各树种类型的图像集合对目标区域内的树木进行生长趋势预测，根据预测结果确定所述目标区域对应的树木生长态势感知的步骤，包括：

基于预设形态学模型对各树种类型的图像集合中的树木形态特征进行特征对比，根据对比结果确定目标区域内的树木的生长年龄；

根据所述生长年龄对所述目标区域内的树木进行生长趋势预测，获得预测结果；

根据所述预测结果和预设马尔科夫模型确定所述目标区域对应的树木生长态势感知。

可选地，所述根据所述预测结果和预设马尔科夫模型确定所述目标区域对应的树木生长态势感知的步骤，包括：

根据所述预测结果和预设马尔科夫模型确定预设周期内所述目标区域对应的生长速度；

根据所述生长速度对所述目标区域树木占地面积进行预测，获得预测面积；

根据所述预测面积以及预设聚类算法确定树木生长态势感知。

可选地，所述对无人机采集的遥感图像信息进行预处理，获得处理后的遥感树木图像的步骤之前，还包括：

获取各类型树种对应的生长样本数据；

将所述生长样本数据输入至初始Mask-R-CNN模型中进行训练，并根据预设标注工具对训练结果进行标注，获得标注后的样本数据集；

基于所述标注后的样本数据集对初始Mask-R-CNN模型进行迭代训练，直至输出的训练结果满足预设条件，并将训练好的Mask-R-CNN模型作为改进后的Mask-R-CNN模型。

此外，为实现上述目的，本发明还提出一种无人机树木识别设备，所述无人机树木识别设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的无人机树木识别程序，所述无人机树木识别程序配置为实现如上文所述的无人机树木识别的步骤。

此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有无人机树木识别程序，所述无人机树木识别程序被处理器执行时实现如上文所述的无人机树木识别方法的步骤。

此外，为实现上述目的，本发明还提出一种无人机树木识别装置，所述无人机树木识别装置包括：

图像预处理模块，用于对无人机采集的遥感图像信息进行预处理，获得处理后的遥感树木图像；

图像分割模块，用于基于改进后的Mask-R-CNN模型对所述遥感树木图像进行分割，获得分割后的树木图像信息；

树种识别模块，用于基于预设树种模型和所述树木图像信息对树种类型进行识别，获得各树种类型对应的图像集合；

态势感知模块，用于基于预设形态学模型和各树种类型的图像集合对目标区域内的树木进行生长趋势预测，根据预测结果确定所述目标区域对应的树木生长态势感知。

本发明通过对无人机采集的遥感图像信息进行预处理，获得处理后的遥感树木图像；基于改进后的Mask-R-CNN模型对所述遥感树木图像进行分割，获得分割后的树木图像信息；基于预设树种模型和所述树木图像信息对树种类型进行识别，获得各树种类型对应的图像集合；基于预设形态学模型和各树种类型的图像集合对目标区域内的树木进行生长趋势预测，根据预测结果确定所述目标区域对应的树木生长态势感知。由于本发明通过改进后的Mask-R-CNN模型对预处理获得的遥感树木图像进行分割，并根据预设树种模型进行树种识别，从而进一步地确定各类型树木的生长态势，相较于现有技术中无人机树木识别方法存在识别流程不完成以及精确度不高，导致数据不准确，本发明实现了通过无人机精准识别植被的同时对树木的生长态势精准预测，提升了数据准确性。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的无人机树木识别设备的结构示意图；

图2为本发明无人机树木识别方法第一实施例的流程示意图；

图3为本发明无人机树木识别方法第二实施例的流程示意图；

图4为本发明无人机树木识别方法第三实施例的流程示意图；

图5为本发明无人机树木识别装置第一实施例的结构框图。

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。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的无人机树木识别设备结构示意图。

如图1所示，该无人机树木识别设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)，可选用户接口1003还可以包括标准的有线接口、无线接口，对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory，RAM)，也可以是稳定的存储器(Non-volatileMemory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成对无人机树木识别设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及无人机树木识别程序。

在图1所示的无人机树木识别设备中，网络接口1004主要用于连接后台服务器，与所述后台服务器进行数据通信；用户接口1003主要用于连接用户设备；所述无人机树木识别设备通过处理器1001调用存储器1005中存储的无人机树木识别程序，并执行本发明实施例提供的无人机树木识别方法。

基于上述硬件结构，提出本发明无人机树木识别方法的实施例。

参照图2，图2为本发明无人机树木识别方法第一实施例的流程示意图，提出本发明无人机树木识别方法第一实施例。

在本实施例中，所述无人机树木识别方法包括以下步骤：

步骤S10：对无人机采集的遥感图像信息进行预处理，获得处理后的遥感树木图像。

需说明的是，本实施例的执行主体可以是具有无人机树木识别功能的设备，所述设备如：无人机、计算机、笔记本、电脑以及平板等，还可为其它可实现相同或相似功能的无人机树木识别设备。本实施例对此不做限制。此处将以上述计算机为例对本实施例和下述各实施例进行说明。

可理解的是，无人机可以用于多种场景下的树木识别，其中在现有的无人机针对复杂陡峭的地形识别过程中，由于复杂地形效应:跨区域的空间变异性大、地面的异质性、地面的不完全采样以及由于飞行高度导致的拍摄图像变形等问题。导致数据完整性的缺失。此外，野外调查的分辨率极高，可以分辨枯叶和植被，而航拍影像只能分辨植被斑块，导致无人机测得的植被覆盖度普遍高于野外调查。因此为克服上述问题，需要先对无人机采集的遥感图像进行预处理，以减少由于上述问题导致的无人机图像不完整或失真导致不能精确识别出树木图像以用作后续图像识别。

应理解的是，在对采集的遥感图像预处理之前，需要对无人机配置的相机进行标定，其中标定过程可以是指根据无人机的地面速度、相机曝光时间、焦距长度以及飞行高度等参数确定无人机拍摄像点位移，根据所述拍摄像点位移对相机进行标定。通过上述方式对无人机相机进行标定可以提高测图的精度。所述预处理可以是将SLIC算法对无人机采集的遥感图像信息进行分割处理，获得处理后的遥感树木图像。所述遥感图像信息可以是无人机采集的遥感图像视频信息，其中所述视频信息中包含多帧遥感图像，并且为了避免重复图像重复，将相邻帧数图像相似率大于预设相似阈值的图像删除，并将筛选后的遥感图像信息通过SLIC算法进行分割处理，获得处理后的遥感树木图像。所述遥感树木图像可以是通过SLIC算法从筛选后的遥感图像信息中识别出的包含树木的图像。

具体实现中，通过SLIC算法对无人机采集的遥感图像信息进行预处理，获得处理后的遥感树木图像。

进一步地，所述步骤S10包括：基于SLIC算法对无人机采集的遥感图像信息进行分割处理，获得分割后的遥感图像集合；根据所述SLIC算法从所述遥感图像集合中提取色彩特征以及纹理特征，并根据所述色彩特征和所述纹理特征确实所述遥感图像集合中遥感树木图像。

需说明的是，SLIC(Simple linear iterative clustering)算法可以是基于k-means算法生成的超像素分割算法，其中通过SLIC算法将原本像素级的图，划分成区域级的图，即将图像分割后的图像进一步细化分割，从而能够实现更加精准图像分割，以便于后期识别处理。

其中，所述SLIC算法通过初始化聚类中心：按照设定的超像素个数，在图像内均匀的分配聚类中心点。假设图片总共有A个像素点，预分割为B个相同尺寸的超像素，则每个超像素的大小为A/B，则相邻聚类中心的距离近似为S＝sqrt(A/B)；在聚类中心的n*n邻域内重新选择聚类中心(一般可以取n＝3)。具体方法为：计算该邻域内所有像素点的梯度值，将聚类中心移到该邻域内梯度最小的地方。这样做的目的是为了避免聚类中心落在梯度较大的轮廓边界上，以免影响后续聚类效果；在每个聚类中心周围的邻域内为每个像素点分配类标签(即标注属于哪个聚类中心)。这与基础的k-means在整张图中搜索方法不同，SLIC的搜索范围限制为2S*2S，可以加速算法收敛，如下图。在此注意一点：期望的超像素尺寸为SS，但是搜索的范围是2S*2S；对于每个搜索到的像素点，分别计算它和该聚类中心的距离。即通过颜色距离、空间距离以及相邻聚类中心的距离计算最终距离度量，由于每个像素点都会被多个聚类中心点搜索到，所以每个像素点都会有一个与周围聚类中心的距离，将其中最小值对应的聚类中心作为该像素点的聚类中心。并通过预设迭代算法进行优化迭代直至收敛，以使分割图像达到理想分割效果。

可理解的是，基于SLIC算法对无人机采集的遥感图像信息进行分割处理，获得预设数量的不规则像素块对应的遥感图像集合。根据所述SLIC算法从所述遥感图像集合中提取色彩特征以及纹理特征具有树木特征相似性的像素块对应的遥感图像生成相应的集合，并从所述集合中确实遥感树木图像。

步骤S20：基于改进后的Mask-R-CNN模型对所述遥感树木图像进行分割，获得分割后的树木图像信息。

需说明的是，改进后的Mask-R-CNN模型可以是基于Faster R-CNN模型构建改进的模型，Mask-R-CNN的结构包括主干网络层、区域网络层、RoI对齐层和边界框以及分类和掩码。改进后的Mask-R-CNN模型可以是采用自下而上的方法实现特征融合网络层上层和下层之间的特征，所述Mask-R-CNN模型用于处理具有混合物种的大规模林区的无人机高分辨率图像，从而实现了同时解决个体树冠分割、物种分类和计数检测的目的。其中所述模型修改了FPN网络的自上而下的特征融合特征，以减少网络的下层和上层之间的特征融合路径。并通过边界加权损失模块被添加到交叉熵损失函数，作为目标边界处预测算法的改进。

可理解的是，基于改进后的Mask-R-CNN模型对所述遥感树木图像进行分割，获得分割后的树木图像信息。

进一步地，所述步骤S10之前，还包括：获取各类型树种对应的生长样本数据；将所述生长样本数据输入至初始Mask-R-CNN模型中进行训练，并根据预设标注工具对训练结果进行标注，获得标注后的样本数据集；基于所述标注后的样本数据集对初始Mask-R-CNN模型进行迭代训练，直至输出的训练结果满足预设条件，并将训练好的Mask-R-CNN模型作为改进后的Mask-R-CNN模型。

需说明的是，获取各类型树种对应的生长样本数据，所述生长样本数据包括各类型树木在不同时期对应的生长样本数据集，将生长样本数据集分为训练集、验证集和测试集，并对初始Mask-R-CNN模型进行训练，并根据预设标注工具对训练结果进行标注，获得标注后的样本数据集，其中预设标注工具可以是预先设置的对特征点进行赋值标注的工具。

可理解的是，基于所述标注后的样本数据集对初始Mask-R-CNN模型进行迭代训练，直至输出的训练结果满足预设条件，并将训练好的Mask-R-CNN模型作为改进后的Mask-R-CNN模型。为了提高数据集的完整性，通过平移、旋转和反转来扩展训练集和验证集的图像，以充分提取特征点，达到最佳的训练效果，输出最优的模型。

具体实现中，初始模型可以是针对单个树木对应的生长样本数据进行训练，然后依次叠加树木数量直至训练结果满足预设条件，输出Mask-R-CNN模型。

步骤S30：基于预设树种模型和所述树木图像信息对树种类型进行识别，获得各树种类型对应的图像集合。

需说明的是，预设树种模型可以是预先设置的用于识别树种的模型，其中，通过分割后的树木图像信息。

步骤S40：基于预设形态学模型和各树种类型的图像集合对目标区域内的树木进行生长趋势预测，根据预测结果确定所述目标区域对应的树木生长态势感知。

需说明的是，预设形态学模型可以是预先设置的基于形态学算法构建的用于识别树木形态模型，所述模型可以兼顾树木生长机理的生长模型与植物外观的形态模型。

本实施例对无人机采集的遥感图像信息进行预处理，获得处理后的遥感树木图像；基于改进后的Mask-R-CNN模型对所述遥感树木图像进行分割，获得分割后的树木图像信息；基于预设树种模型和所述树木图像信息对树种类型进行识别，获得各树种类型对应的图像集合；基于预设形态学模型和各树种类型的图像集合对目标区域内的树木进行生长趋势预测，根据预测结果确定所述目标区域对应的树木生长态势感知。由于本实施例通过改进后的Mask-R-CNN模型对预处理获得的遥感树木图像进行分割，并根据预设树种模型进行树种识别，从而进一步地确定各类型树木的生长态势，相较于现有技术中无人机树木识别方法存在识别流程不完成以及精确度不高，导致数据不准确，本实施例实现了通过无人机精准识别植被的同时对树木的生长态势精准预测，提升了数据准确性。

参照图3，图3为本发明无人机树木识别方法第二实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明无人机树木识别方法的第二实施例。

在本实施例中，所述步骤S20，包括：

步骤S201：基于改进后的Mask-R-CNN模型和预设交叉熵损失函数对所述遥感树木图像进行分割识别，获得目标树冠对应的轮廓参数。

需说明的是，预设交叉熵损失函数可以是预先设置的用于优化目标边界处预测精度的函数，所述交叉熵损失函数可以是用于分类的损失函数，交叉熵越低，概率越相似，其中交叉熵可以包括信息熵和相对熵，在Mask-R-CNN的损失计算中，每个RoI对齐层输出具有相应的二进制掩码，掩码的损失是整个网络中损失的一部分。为了获得类别的数量和图像大小，掩码分支为每个RoI编码大小为K m2的输出矩阵，其中K是类别的数量。结合应用于每个单个像素的S形函数，掩码损失被定义为平均二进制交叉熵损失函数。

应理解的是，由于不同研究区域的水热条件、植被特征、土壤因素等条件不同，无人机数据确定的模型也不同，导致遥感监测估测草原植被的精度低、稳定性差。再有就是照片识别软件的开发:在无人机获取的草原图片信息中，有些目标信息因为有遮挡而无法获取，需要研究人员用肉眼观察，大大降低了工作效率，也限制了图像图片中其他信息的获取。因此无人机在植被资源监测中的应用受到限制。为了避免上述问题且为了提升对边界的分割精度，通过将边界加权损失函数添加至预设交叉熵损失函数，以优化目标边界处预测精度的函数。

具体实现中，基于改进后的Mask-R-CNN模型和预设交叉熵损失函数对所述遥感树木图像进行分割识别，获得目标树冠对应的轮廓参数，所述轮廓参数包括轮廓边界起点信息以及轮廓线条信息。

步骤S202：根据预设边界跟踪算法和所述轮廓参数确定所述目标树冠对应的重心坐标。

需说明的是，预设边界跟踪算法可以是预先设置的用于跟踪轮廓边缘以及进行边界分割的算法，其中，所述算法可以是在图像中找到一个边界点，然后从这个边界点出发，按照某种策略寻找下一个边界点，以此跟踪出目标边界。

可理解的是，根据起始边界点可以通过使用边界跟踪算法生成中空边界，然后在灰度化之前恢复其颜色，以生成每个实心表面轮廓，并根据预设矩阵公式确定每个实心表面轮廓对应图形的重心坐标。

步骤S203：根据所述轮廓参数和所述重心坐标确定分割后的树木图像信息。

需说明的是，根据所述轮廓参数和所述重心坐标确定分割后的树木图像信息。

在本实施例中，步骤S30还包括：

步骤S301：基于预设树种模型、所述轮廓参数以及所述重心坐标对树冠类型进行识别，并根据识别结果确定树种类型以及数量。

需说明的是，不同的树种类型对应的树冠不同，因此对应的轮廓也会不同，通过预设树种模型、轮廓参数和所述重心坐标确定分割后的树木图像信息，其中，所述树木图像信息可以是待识别树木图像中树木对应的树种类型、轮廓以及树木对应的重心坐标等信息。

可理解的是，在一定程度上，树木数量的准确性决定了整个林区的生物量评估。因此需要先确定树种类型以及数量，来用作后期决定了整个林区的生物量评估。

步骤S302：根据所述树种类型以及数量对所述遥感树木图像进行分类，获得各树种类型对应的图像集合。

需说明的是，通过树种类型以及数量可以精确对遥感树木图像进行分类，获得各树种类型对应的图像集合，进而以便于对各类型的树种进行后期生长态势的预测。

可理解的是，每一种类型树种对应一个集合，由于不同树种对应的生长参数不同，为便于后期数据分析，通过预先将遥感树木图像按照树种类型进行分类，获得各树种类型对应的图像集合。

本实施例通过对无人机采集的遥感图像信息进行预处理，获得处理后的遥感树木图像；基于改进后的Mask-R-CNN模型和预设交叉熵损失函数对所述遥感树木图像进行分割识别，获得目标树冠对应的轮廓参数；根据预设边界跟踪算法和所述轮廓参数确定所述目标树冠对应的重心坐标；根据所述轮廓参数和所述重心坐标确定分割后的树木图像信息；基于预设树种模型、所述轮廓参数以及所述重心坐标对树冠类型进行识别，并根据识别结果确定树种类型以及数量；根据所述树种类型以及数量对所述遥感树木图像进行分类，获得各树种类型对应的图像集合；基于预设形态学模型和各树种类型的图像集合对目标区域内的树木进行生长趋势预测，根据预测结果确定所述目标区域对应的树木生长态势感知。由于本实施例通过改进后的Mask-R-CNN模型对预处理获得的遥感树木图像进行分割，并根据预设树种模型进行树种识别，从而进一步地确定各类型树木的生长态势，相较于现有技术中无人机树木识别方法存在识别流程不完成以及精确度不高，导致数据不准确，本实施例实现了通过无人机精准识别植被的同时对树木的生长态势精准预测，提升了数据准确性。

参照图4，图4为本发明无人机树木识别方法第三实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明无人机树木识别方法的第三实施例。

在本实施例中，所述步骤S40，还包括：

步骤S401：基于预设形态学模型对各树种类型的图像集合中的树木形态特征进行特征对比，根据对比结果确定目标区域内的树木的生长年龄。

需说明的是，树木在不同的生长年龄存在的树木形态会不同，因此通过预设形态学模型对各树种类型的图像集合中的树木形态特征进行特征对比可以确定目标区域内的树木的生长年龄。

步骤S402：根据所述生长年龄对所述目标区域内的树木进行生长趋势预测，获得预测结果。

需说明的是，树木的生长周期达到一定时间后会逐渐变缓慢，因此，可以通过生长年龄对所述目标区域内的树木进行生长趋势预测，获得预测结果。

步骤S403：根据所述预测结果和预设马尔科夫模型确定所述目标区域对应的树木生长态势感知。

需说明的是，预设马尔科夫模型可以是预先设置的用于预测目标区域的树木生长态势感知模型，其中树木生长态势感知的预测可以是指针对树木生长态势变动概率的预测，例如：概率大于预设概率值时，判定树木生长态势感知良好，若概率低于预设概率值时，判定树木生长态势感知较差，通过对树木生长态势感知的确定可以是对目标区域树木进行相应维护以达到更加有效地环境保护效果。

可理解的是，预设马尔科夫模型可以通过确定树木生长状态，从预测目的出发，考虑决策需要划分目标建筑所处的状态。计算初始概率，并根据实际问题分析历史数据中的状态概率作为初始概率；通过计算状态转移概率，并根据状态转移概率对目标区域的树木生长态势感知进行预测。

进一步地，所述步骤S403还包括：根据所述预测结果和预设马尔科夫模型确定预设周期内所述目标区域对应的生长速度；根据所述生长速度对所述目标区域树木占地面积进行预测，获得预测面积；根据所述预测面积以及预设聚类算法确定树木生长态势感知。

需说明的是，预设周期可以是指未来的一段时间，如：一年、五年、十年等，对此不加以具体限制；生长速度可以是指树在一定时间范围内高度变化以及占地面积变化。通过生长速度对所述目标区域树木占地面积进行预测，获得预测面积，从而能够根据预测面积以及预设聚类算法确定树木生长态势感知。预设聚类算法可以是预先涉及到针对同类型树种树木进行聚类分析树木生长态势感知的算法。

本实施例通过对无人机采集的遥感图像信息进行预处理，获得处理后的遥感树木图像；基于改进后的Mask-R-CNN模型对所述遥感树木图像进行分割，获得分割后的树木图像信息；基于预设树种模型和所述树木图像信息对树种类型进行识别，获得各树种类型对应的图像集合；基于预设形态学模型对各树种类型的图像集合中的树木形态特征进行特征对比，根据对比结果确定目标区域内的树木的生长年龄；根据所述生长年龄对所述目标区域内的树木进行生长趋势预测，获得预测结果；根据所述预测结果和预设马尔科夫模型确定所述目标区域对应的树木生长态势感知。由于本实施例通过改进后的Mask-R-CNN模型对预处理获得的遥感树木图像进行分割，并根据预设树种模型进行树种识别，从而进一步地确定各类型树木的生长态势，相较于现有技术中无人机树木识别方法存在识别流程不完成以及精确度不高，导致数据不准确，本实施例实现了通过无人机精准识别植被的同时对树木的生长态势精准预测，提升了数据准确性。

此外，为实现上述目的，本发明还提出一种无人机树木识别设备，所述无人机树木识别设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的无人机树木识别程序，所述无人机树木识别程序配置为实现如上文所述的无人机树木识别的步骤。

此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有无人机树木识别程序，所述无人机树木识别程序被处理器执行时实现如上文所述的无人机树木识别方法的步骤。

参照图5，图5为本发明无人机树木识别装置第一实施例的结构框图。

如图5所示，本发明实施例提出的无人机树木识别装置包括：

图像预处理模块10，用于对无人机采集的遥感图像信息进行预处理，获得处理后的遥感树木图像；

图像分割模块20，用于基于改进后的Mask-R-CNN模型对所述遥感树木图像进行分割，获得分割后的树木图像信息；

树种识别模块30，用于基于预设树种模型和所述树木图像信息对树种类型进行识别，获得各树种类型对应的图像集合；

态势感知模块40，用于基于预设形态学模型和各树种类型的图像集合对目标区域内的树木进行生长趋势预测，根据预测结果确定所述目标区域对应的树木生长态势感知。

本实施例对无人机采集的遥感图像信息进行预处理，获得处理后的遥感树木图像；基于改进后的Mask-R-CNN模型对所述遥感树木图像进行分割，获得分割后的树木图像信息；基于预设树种模型和所述树木图像信息对树种类型进行识别，获得各树种类型对应的图像集合；基于预设形态学模型和各树种类型的图像集合对目标区域内的树木进行生长趋势预测，根据预测结果确定所述目标区域对应的树木生长态势感知。由于本实施例通过改进后的Mask-R-CNN模型对预处理获得的遥感树木图像进行分割，并根据预设树种模型进行树种识别，从而进一步地确定各类型树木的生长态势，相较于现有技术中无人机树木识别方法存在识别流程不完成以及精确度不高，导致数据不准确，本实施例实现了通过无人机精准识别植被的同时对树木的生长态势精准预测，提升了数据准确性。

进一步地，所述图像预处理模块10，还用于基于SLIC算法对无人机采集的遥感图像信息进行分割处理，获得分割后的遥感图像集合；根据所述SLIC算法从所述遥感图像集合中提取色彩特征以及纹理特征，并根据所述色彩特征和所述纹理特征确实所述遥感图像集合中遥感树木图像。

进一步地，所述图像分割模块20，还用于基于改进后的Mask-R-CNN模型和预设交叉熵损失函数对所述遥感树木图像进行分割识别，获得目标树冠对应的轮廓参数；根据预设边界跟踪算法和所述轮廓参数确定所述目标树冠对应的重心坐标；根据所述轮廓参数和所述重心坐标确定分割后的树木图像信息。

进一步地，所述树种识别模块30，还用于基于预设树种模型、所述轮廓参数以及所述重心坐标对树冠类型进行识别，并根据识别结果确定树种类型以及数量；根据所述树种类型以及数量对所述遥感树木图像进行分类，获得各树种类型对应的图像集合。

进一步地，所述态势感知模块40，还用于基于预设形态学模型对各树种类型的图像集合中的树木形态特征进行特征对比，根据对比结果确定目标区域内的树木的生长年龄；根据所述生长年龄对所述目标区域内的树木进行生长趋势预测，获得预测结果；根据所述预测结果和预设马尔科夫模型确定所述目标区域对应的树木生长态势感知。

进一步地，所述态势感知模块40，还用于根据所述预测结果和预设马尔科夫模型确定预设周期内所述目标区域对应的生长速度；根据所述生长速度对所述目标区域树木占地面积进行预测，获得预测面积；根据所述预测面积以及预设聚类算法确定树木生长态势感知。

进一步地，所述无人机树木识别装置还包括模型训练模块，所述模型训练模块用于获取各类型树种对应的生长样本数据；将所述生长样本数据输入至初始Mask-R-CNN模型中进行训练，并根据预设标注工具对训练结果进行标注，获得标注后的样本数据集；基于所述标注后的样本数据集对初始Mask-R-CNN模型进行迭代训练，直至输出的训练结果满足预设条件，并将训练好的Mask-R-CNN模型作为改进后的Mask-R-CNN模型。

应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。

需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。

另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的无人机树木识别方法，此处不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为名称。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器镜像(Read Only Memory image，ROM)/随机存取存储器(Random AccessMemory，RAM)、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种无人机树木识别方法，其特征在于，所述无人机树木识别方法包括以下步骤：

对无人机采集的遥感图像信息进行预处理，获得处理后的遥感树木图像；

基于改进后的Mask-R-CNN模型对所述遥感树木图像进行分割，获得分割后的树木图像信息；

基于预设树种模型和所述树木图像信息对树种类型进行识别，获得各树种类型对应的图像集合；

基于预设形态学模型和各树种类型的图像集合对目标区域内的树木进行生长趋势预测，根据预测结果确定所述目标区域对应的树木生长态势感知。

2.如权利要求1所述的无人机树木识别方法，其特征在于，所述对无人机采集的遥感图像信息进行预处理，获得处理后的遥感树木图像的步骤，包括：

基于SLIC算法对无人机采集的遥感图像信息进行分割处理，获得分割后的遥感图像集合；

根据所述SLIC算法从所述遥感图像集合中提取色彩特征以及纹理特征，并根据所述色彩特征和所述纹理特征确实所述遥感图像集合中遥感树木图像。

3.如权利要求1所述的无人机树木识别方法，其特征在于，所述基于改进后的Mask-R-CNN模型对所述遥感树木图像进行分割，获得分割后的树木图像信息的步骤，包括：

基于改进后的Mask-R-CNN模型和预设交叉熵损失函数对所述遥感树木图像进行分割识别，获得目标树冠对应的轮廓参数；

根据预设边界跟踪算法和所述轮廓参数确定所述目标树冠对应的重心坐标；

根据所述轮廓参数和所述重心坐标确定分割后的树木图像信息。

4.如权利要求3所述的无人机树木识别方法，其特征在于，所述基于预设树种模型和所述树木图像信息对树种类型进行识别，获得各树种类型对应的图像集合的步骤，包括：

基于预设树种模型、所述轮廓参数以及所述重心坐标对树冠类型进行识别，并根据识别结果确定树种类型以及数量；

根据所述树种类型以及数量对所述遥感树木图像进行分类，获得各树种类型对应的图像集合。

5.如权利要求1所述的无人机树木识别方法，其特征在于，所述基于预设形态学模型和各树种类型的图像集合对目标区域内的树木进行生长趋势预测，根据预测结果确定所述目标区域对应的树木生长态势感知的步骤，包括：

基于预设形态学模型对各树种类型的图像集合中的树木形态特征进行特征对比，根据对比结果确定目标区域内的树木的生长年龄；

根据所述生长年龄对所述目标区域内的树木进行生长趋势预测，获得预测结果；

根据所述预测结果和预设马尔科夫模型确定所述目标区域对应的树木生长态势感知。

6.如权利要求5所述的无人机树木识别方法，其特征在于，所述根据所述预测结果和预设马尔科夫模型确定所述目标区域对应的树木生长态势感知的步骤，包括：

根据所述预测结果和预设马尔科夫模型确定预设周期内所述目标区域对应的生长速度；

根据所述生长速度对所述目标区域树木占地面积进行预测，获得预测面积

根据所述预测面积以及预设聚类算法确定树木生长态势感知。

7.如权利要求1所述的无人机树木识别方法，其特征在于，所述对无人机采集的遥感图像信息进行预处理，获得处理后的遥感树木图像的步骤之前，还包括：

获取各类型树种对应的生长样本数据；

将所述生长样本数据输入至初始Mask-R-CNN模型中进行训练，并根据预设标注工具对训练结果进行标注，获得标注后的样本数据集；

基于所述标注后的样本数据集对初始Mask-R-CNN模型进行迭代训练，直至输出的训练结果满足预设条件，并将训练好的Mask-R-CNN模型作为改进后的Mask-R-CNN模型。

8.一种无人机树木识别设备，其特征在于，所述无人机树木识别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的无人机树木识别程序，所述无人机树木识别程序被所述处理器执行时实现如权利要求1至7中任一项所述的无人机树木识别方法。

9.一种存储介质，其特征在于，所述存储介质上存储有无人机树木识别程序，所述无人机树木识别程序被处理器执行时实现如权利要求1至7中任一项所述的无人机树木识别方法。

10.一种无人机树木识别装置，其特征在于，所述无人机树木识别装置包括：

图像预处理模块，用于对无人机采集的遥感图像信息进行预处理，获得处理后的遥感树木图像；

图像分割模块，用于基于改进后的Mask-R-CNN模型对所述遥感树木图像进行分割，获得分割后的树木图像信息；

树种识别模块，用于基于预设树种模型和所述树木图像信息对树种类型进行识别，获得各树种类型对应的图像集合；

态势感知模块，用于基于预设形态学模型和各树种类型的图像集合对目标区域内的树木进行生长趋势预测，根据预测结果确定所述目标区域对应的树木生长态势感知。

Images