CN116310793B - 山地枯死树识别定位方法、装置、设备及存储介质 - Google Patents

山地枯死树识别定位方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116310793B
CN116310793B CN202310077504.2A CN202310077504A CN116310793B CN 116310793 B CN116310793 B CN 116310793B CN 202310077504 A CN202310077504 A CN 202310077504A CN 116310793 B CN116310793 B CN 116310793B
Authority
CN
China
Prior art keywords
target
mountain
dead tree
longitude
dead
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
CN202310077504.2A
Other languages
English (en)
Other versions
CN116310793A (zh
Inventor
马云强
芦俊佳
张海燕
李林玉
储博程
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.)
Yunnan Information Technology Co ltd
Southwest Forestry University
Original Assignee
Yunnan Information Technology Co ltd
Southwest Forestry University
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 Yunnan Information Technology Co ltd, Southwest Forestry University filed Critical Yunnan Information Technology Co ltd
Priority to CN202310077504.2A priority Critical patent/CN116310793B/zh
Publication of CN116310793A publication Critical patent/CN116310793A/zh
Application granted granted Critical
Publication of CN116310793B publication Critical patent/CN116310793B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种山地枯死树识别定位方法、装置、设备及存储介质，该方法包括构建样本数据集输入卷积神经网络模型进行训练，获得山地目标枯死树识别模型，获取无人机执行最佳采集航线时采集的目标山地的正射图像，提取所述正射图像的中心点经纬度坐标，利用山地目标枯死树识别模型对正射图像进行识别，提取枯死树识别图像中目标枯死树候选框在像素坐标系下的中心点坐标，转换为地理坐标系下的坐标，并与对应的目标枯死树候选框相关联。本发明通过山地目标枯死树识别模型在枯死树识别时生成的目标枯死树候选框，利用正射图像的中心点经纬度坐标，精确确定目标枯死树候选框的地理坐标，解决了目前山地枯死树识别定位的准确性和效率不高的技术问题。

Description

山地枯死树识别定位方法、装置、设备及存储介质
技术领域
本发明涉及图像识别技术领域，尤其涉及到一种山地枯死树识别定位方法、装置、设备及存储介质。
背景技术
松树广泛分布于我国各省之间，占我国森林资源的25%，它的健康与生态环境保护密切相关。松材线虫是松树萎蔫病的一种主要致病因子，松树感染该病后最快40天即可枯死。
目前林业松材线虫防控的主要方式为人工地面监测，存在林区面积大，林木密度高、通视条件差、山高路陡，人力难以抵达，而且人力巡检无法查看树冠上面的情况。巡护人员文化素质参差不齐，巡护数据差异大，且很难验证，错报、误报、瞒报、乱报情况频繁，数据参考性差，对松材线虫病病害防控决策造成很大的困扰。
无人机低空遥感具有低成本、高效率、高分辨率、方便灵活等优势，已经被广泛应用于枯死树木的监测中，森林病虫害监测不仅要求及时获取最新的影像，还需要及时从影像上获取枯死树木的位置信息，以便工作人员及早采取措施，避免病害扩散造成更大的危害，目前的枯死树木信息提取主要是依靠人工目视判读，费时费力且无法准确落实异常松树情况。因此，如何对山地枯死树进行准确的识别定位，是一个亟需解决的技术问题。
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山地枯死树识别定位方法、装置、设备及存储介质，旨在解决目前山地枯死树识别定位的准确性和效率不高的技术问题。
为实现上述目的，本发明提供一种山地枯死树识别定位方法，所述方法包括以下步骤：
构建样本数据集；其中，所述样本数据集包括若干张具有标注的山地枯死树正射图像，所述山地枯死树正射图像包括目标枯死树和非目标枯死树；
将所述样本数据集输入卷积神经网络模型进行训练，获得山地目标枯死树识别模型；
获取无人机执行最佳采集航线时采集的目标山地的正射图像，提取所述正射图像的中心点经纬度坐标；
利用所述山地目标枯死树识别模型对所述正射图像进行识别，获得目标山地的枯死树识别图像；其中，所述枯死树识别图像包括目标枯死树候选框；
提取所述目标枯死树候选框在像素坐标系下的中心点坐标，基于正射图像的中心点经纬度坐标，将所述中心点坐标转换为地理坐标系下的坐标，并与对应的目标枯死树候选框相关联。
可选的，所述构建样本数据集步骤，具体包括：
获取无人机相机采集的山地枯死树正射图像；其中，所述山地枯死树正射图像包括目标枯死树和非目标枯死树；
对所述山地枯死树正射图像中的目标枯死树和非目标枯死树进行标注，利用标注后的山地枯死树正射图像构建样本数据集；
按比例随机抽取所述样本数据集，分为训练数据集和验证数据集。
可选的，所述将所述样本数据集输入卷积神经网络模型进行训练，获得山地目标枯死树识别模型步骤，具体包括：利用所述训练数据集对卷积神经网络模型进行训练，利用所述验证数据集对训练后的模型进行验证；其中，所述卷积神经网络模型采用YOLOv5模型。
可选的，所述无人机执行最佳采集航线为无人机根据目标航点经纬度坐标和目标航点飞行高度执行目标山地的正射图像采集任务，其中，目标航点经纬度坐标为正射图像的中心点经纬度坐标；所述获取无人机执行最佳采集航线时采集的目标山地的正射图像步骤之前，所述方法还包括：确定无人机执行最佳采集航线的目标航点经纬度坐标和目标航点飞行高度。
可选的，确定无人机执行最佳采集航线的目标航点经纬度坐标步骤，具体包括：
根据所述无人机相机参数和仿地飞行高度，确定单张山地枯死树正射图像对应的地面覆盖小矩形的尺寸参数；
利用地面覆盖小矩形铺满目标山地的最小外接矩形，并获取最小外接矩形下每个地面覆盖小矩形的中心点坐标；
建立最小外接矩形到标准坐标系矩形的变换矩阵，利用所述变换矩阵将每个地面覆盖小矩形的中心点坐标变换到经纬度坐标；
遍历摘除与所述目标山地的多边形不相交的地面覆盖小矩形，获取剩下的所述地面覆盖小矩形的中心点经纬度坐标作为目标航点经纬度坐标。
可选的，确定无人机执行最佳采集航线的目标航点飞行高度步骤，具体包括：获取目标山地的数字高程模型数据，根据每个所述目标航点经纬度坐标读取目标航点与起飞航点的数字高程模型数据，确定每个航点的飞行高度。
可选的，基于正射图像的中心点经纬度坐标，将所述中心点坐标转换为地理坐标系下的坐标步骤，具体包括：基于正射图像的中心点经纬度，计算获得正射图像的像素坐标系中单位像素对应的经纬度值，并根据单位像素对应的经纬度值，计算获得目标枯死树候选框的中心点在地理坐标系下的坐标。
可选的，所述无人机相机参数包括成像单元尺寸、相机焦距和拍摄照片比例。
可选的，所述仿地飞行高度是保证所述单张山地枯死树正射图像上树木最清晰且地面覆盖面积最大时得到的无人机距离树木树冠的最佳高度。
可选的，所述利用地面覆盖小矩形铺满目标山地的最小外接矩形步骤中，还包括：利用地面覆盖小矩形，在预设重叠率的条件下铺满目标山地的最小外接矩形；其中，所述预设重叠率为无人机相机拍摄目标山地时拍摄效率最高的航向重叠率和旁向重叠率。
此外，为了实现上述目的，本发明还提供了一种山地枯死树识别定位装置，所述山地枯死树识别定位装置包括：
构建模块，用于构建样本数据集；其中，所述样本数据集包括若干张具有标注的山地枯死树正射图像，所述山地枯死树正射图像包括目标枯死树和非目标枯死树；
训练模块，用于将所述样本数据集输入卷积神经网络模型进行训练，获得山地目标枯死树识别模型；
获取模块，用于获取无人机执行最佳采集航线时采集的目标山地的正射图像，提取所述正射图像的中心点经纬度坐标；
识别模块，用于利用所述山地目标枯死树识别模型对所述正射图像进行识别，获得目标山地的枯死树识别图像；其中，所述枯死树识别图像包括目标枯死树候选框；
定位模块，用于提取所述目标枯死树候选框在像素坐标系下的中心点坐标，基于正射图像的中心点经纬度坐标，将所述中心点坐标转换为地理坐标系下的坐标，并与对应的目标枯死树候选框相关联。
此外，为了实现上述目的，本发明还提供了一种山地枯死树识别定位设备，所述设备包括：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山地枯死树识别定位程序，所述山地枯死树识别定位程序被所述处理器执行时实现上述的山地枯死树识别定位方法的步骤。
此外，为了实现上述目的，本发明还提供了一种存储介质，所述存储介质上存储有山地枯死树识别定位程序，所述山地枯死树识别定位程序被处理器执行时实现上述的山地枯死树识别定位方法的步骤。
本发明实施例提出的一种山地枯死树识别定位方法、装置、设备及存储介质，该方法包括构建样本数据集，将样本数据集输入卷积神经网络模型进行训练，获得山地目标枯死树识别模型，获取无人机执行最佳采集航线时采集的目标山地的正射图像，提取所述正射图像的中心点经纬度坐标，利用山地目标枯死树识别模型对正射图像进行识别，获得目标山地的枯死树识别图像，提取枯死树识别图像中目标枯死树候选框在像素坐标系下的中心点坐标，转换为地理坐标系下的坐标，并与对应的目标枯死树候选框相关联。本发明通过山地目标枯死树识别模型在枯死树识别时生成的目标枯死树候选框，利用正射图像的中心点经纬度坐标，确定目标枯死树候选框的地理坐标，解决了目前山地枯死树识别定位的准确性和效率不高的技术问题。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的装置结构示意图；
图2为本发明山地枯死树识别定位方法实施例的流程示意图；
图3为本发明YOLOv5模型的各指标与迭代次数关系示意图；
图4为本发明利用地面覆盖小矩形铺满目标山地最小外接矩形的示意图；
图5为本发明枯死树识别图像中目标枯死树候选框的示意图；
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
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的装置结构示意图。
如图1所示，该装置可以包括：处理器1001，例如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)、输入单元比如键盘(Keyboard)，可选的用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，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中示出的装置的结构并不构成对装置的限定，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，作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、用户接口模块以及山地枯死树识别定位程序。
在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的山地枯死树识别定位程序，并执行以下操作：
构建样本数据集；其中，所述样本数据集包括若干张具有标注的山地枯死树正射图像，所述山地枯死树正射图像包括目标枯死树和非目标枯死树；
将所述样本数据集输入卷积神经网络模型进行训练，获得山地目标枯死树识别模型；
获取无人机执行最佳采集航线时采集的目标山地的正射图像，提取所述正射图像的中心点经纬度坐标；
利用所述山地目标枯死树识别模型对所述正射图像进行识别，获得目标山地的枯死树识别图像；其中，所述枯死树识别图像包括目标枯死树候选框；
提取所述目标枯死树候选框在像素坐标系下的中心点坐标，基于正射图像的中心点经纬度坐标，将所述中心点坐标转换为地理坐标系下的坐标，并与对应的目标枯死树候选框相关联。
本发明应用于装置的具体实施例与下述应用山地枯死树识别定位方法的各实施例基本相同，在此不作赘述。
本发明实施例提供了一种山地枯死树识别定位方法，参照图2，图2为本发明山地枯死树识别定位方法实施例的流程示意图。
本实施例中，所述山地枯死树识别定位方法包括以下步骤：
步骤S100，构建样本数据集；其中，所述样本数据集包括若干张具有标注的山地枯死树正射图像，所述山地枯死树正射图像包括目标枯死树和非目标枯死树。
具体而言，本实施例中，构建样本数据集，通过获取无人机相机采集的山地枯死树正射图像；其中，所述山地枯死树正射图像包括目标枯死树和非目标枯死树；对所述山地枯死树正射图像中的目标枯死树和非目标枯死树进行标注，利用标注后的山地枯死树正射图像构建样本数据集；按比例随机抽取所述样本数据集，分为训练数据集和验证数据集。
在实际应用中，针对松树枯死树识别定位，在获取无人机相机采集的山地枯死树正射图像时，本实施例采用大疆精灵4RTK无人机，前往已知有枯死松树的松树林中进行高空拍摄，获取不同高度4864×3648（4:3）分辨率的JPEG树木正射图像，采集的正射图像中均包括枯死树。
经实验测试，无人机距离树冠高度50-75m为最佳采集高度，此时采集的单张正射图像在单棵树木足够清晰的情况下，对应的地面拍摄面积最大，确保无人机采集航线重叠率低于15%，大大提高了作业效率，节约成本。
更进一步的，本实施例还包括对正射图像中的枯死树进行标注，利用标注后的正射图像构建样本数据集。
在实际应用中，选取1752张采集高度在50-75m之间的正射图像进行枯死树标注，标注为枯死松树和枯死其他树两种类型，标注后的正射图像包括枯死松树和枯死其他树的边界框；然后将标注后的正射图像样本按比例随机抽取90%作为训练数据集，10%作为验证数据集。
步骤S200，将所述样本数据集输入卷积神经网络模型进行训练，获得山地目标枯死树识别模型。
具体而言，在本实施例中，将所述样本数据集输入卷积神经网络模型进行训练，获得山地目标枯死树识别模型，通过利用所述训练数据集对卷积神经网络模型进行训练，利用所述验证数据集对训练后的模型进行验证；其中，所述卷积神经网络模型采用YOLOv5模型。
在实际应用中，运用YOLOv5模型对样本数据集进行反复训练，对比不同网络结构的训练结果，获得评分及表现最优的可用来识别松林中枯死松树的模型。
进一步的，将随机抽取的训练数据集和验证数据集正射图像划分文件夹，输入训练数据集到YOLOv5网络模型进行训练，选择yolov5m权重文件，经过反复训练，得到准确率为71.2%的模型，最后输出TorchScript模型用于枯死松树识别。其中，本实施例提供的YOLOv5模型的各指标与迭代次数关系示意图如图3所示。
步骤S300，获取无人机执行最佳采集航线时采集的目标山地的正射图像，提取所述正射图像的中心点经纬度坐标。
具体而言，在本实施例中，所述无人机执行最佳采集航线为无人机根据目标航点经纬度坐标和目标航点飞行高度执行目标山地的正射图像采集任务，其中，目标航点经纬度坐标为正射图像的中心点经纬度坐标。也即，无人机相机采集正射图像时的采集参数，包括用于采集山地枯死树正射图像的无人机相机参数、目标航点经纬度坐标以及目标航点飞行高度。
在此基础上，获取无人机执行最佳采集航线时采集的目标山地的正射图像步骤之前，所述方法还包括：确定无人机执行最佳采集航线的目标航点经纬度坐标和目标航点飞行高度。
对于目标航点经纬度，确定无人机执行最佳采集航线的目标航点经纬度坐标步骤，具体包括：根据所述无人机相机参数和仿地飞行高度，确定单张山地枯死树正射图像对应的地面覆盖小矩形的尺寸参数；利用地面覆盖小矩形铺满目标山地的最小外接矩形，并获取最小外接矩形下每个地面覆盖小矩形的中心点坐标；建立最小外接矩形到标准坐标系矩形的变换矩阵，利用所述变换矩阵将每个地面覆盖小矩形的中心点坐标变换到经纬度坐标；遍历摘除与所述目标山地的多边形不相交的地面覆盖小矩形，获取剩下的所述地面覆盖小矩形的中心点经纬度坐标作为目标航点经纬度坐标。
对于目标航点飞行高度，确定无人机执行最佳采集航线的目标航点飞行高度步骤，具体包括：获取目标山地的数字高程模型数据，根据每个所述目标航点经纬度坐标读取目标航点与起飞航点的数字高程模型数据，确定每个航点的飞行高度。
其中，所述无人机相机参数包括成像单元尺寸、相机焦距和拍摄照片比例。由此，据所述无人机相机参数和仿地飞行高度，确定单张山地枯死树正射图像对应的地面覆盖小矩形的尺寸参数，具体采用如下计算步骤：根据无人机相机成像原理，首先转换视场角FOV与成像单元尺寸及焦距的关系为：tan（FOV/2）=（成像单元尺寸/2）/焦距，然后根据FOV与仿地飞行高度可计算出单张正射图像实际拍摄的斜边长度diagonal=2*tan（FOV/2）*飞行高度，最后根据diagonal与照片拍摄比例4:3，通过勾股定理算出单张正射图像拍摄范围对应的地面小矩形实际长和宽。
其中，目标航点高度采用如下步骤计算：输入目标山地林区12.5米分辨率数字高程模型（dem）数据，根据每个所述航点经纬度坐标读取目标航点与起飞航点的dem数据，根据公式，计算所述每个航点的飞行高度。
所述仿地飞行高度是前期训练所述枯死树识别模型时，经多次实验测试，在保证所述采集单张正射图像上树木最清晰的前提下，所述单张正射图像地面覆盖面积最大时得到的松树树冠距离无人机的最佳高度。
如图4所示，在确定单张山地枯死树正射图像对应的地面覆盖小矩形的尺寸参数之后，利用地面覆盖小矩形铺满目标山地的最小外接矩形，具体采用如下步骤：
计算覆盖目标山地林区多边形的最小外接矩形长宽，输入5-15%重叠率计算所述单张正射图像对应的地面覆盖小矩形铺满所述目标山地林区长宽所需的行和列，超出最小外接矩形边界部分除以2作为整体偏差值；使用单张正射图像覆盖矩形逐张铺满最小外接矩形在标准坐标系下的区域，获取每个小矩形的中心点坐标；带入偏差值的情况下获取最小外接矩形到标准坐标系矩形的变换矩阵M，所述中心点坐标通过所述变换矩阵M逐个变换到经纬度坐标；遍历摘除与所述目标山地林区多边形不相交的所述小矩形，获取剩下的所述小矩形中心点经纬度坐标即为航线航点。
所述重叠率是前期训练枯死松树识别模型时，经多次实验测试，保证作业效率最高，但不漏拍目标山地林区任何一棵树木的所述无人机采集最佳航向重叠率和旁向重叠率。
在利用地面覆盖小矩形铺满目标山地的最小外接矩形后，即可获取最小外接矩形下每个地面覆盖小矩形的中心点坐标，也即对应正射图像的中心点经纬度坐标。
步骤S400，利用所述山地目标枯死树识别模型对所述正射图像进行识别，获得目标山地的枯死树识别图像；其中，所述枯死树识别图像包括目标枯死树候选框。
具体而言，在本实施例中，如图5所示，所述识别完成后的识别图像包括所述正射图像的枯死松树候选框，用于指示枯死松树的位置。
步骤S500，提取所述目标枯死树候选框在像素坐标系下的中心点坐标，基于正射图像的中心点经纬度坐标，将所述中心点坐标转换为地理坐标系下的坐标，并与对应的目标枯死树候选框相关联。
具体而言，在本实施例中，对于每一个所述目标正射图像中的每一个所述候选框，计算所述候选框在像素坐标系下的中心点坐标，将所述候选框在像素坐标系下的中心点坐标转换为地理坐标系下的坐标，并将所述地理坐标系下的坐标作为所述候选框内的枯死树的经纬度坐标。
在实际应用中，基于正射图像的中心点经纬度坐标，将所述中心点坐标转换为地理坐标系下的坐标步骤，具体包括：基于正射图像的中心点经纬度，计算获得正射图像的像素坐标系中单位像素对应的经纬度值，并根据单位像素对应的经纬度值，计算获得目标枯死树候选框的中心点在地理坐标系下的坐标。
在本实施例中，提供了一种山地枯死树识别方法，通过山地目标枯死树识别模型在枯死树识别时生成的目标枯死树候选框，利用正射图像的中心点经纬度坐标，确定目标枯死树候选框的地理坐标，解决了目前山地枯死树识别定位的准确性和效率不高的技术问题。
本实施例为本发明山地枯死树识别定位装置实施例的结构框图。
本发明实施例提出的山地枯死树识别定位装置包括：
构建模块，用于构建样本数据集；其中，所述样本数据集包括若干张具有标注的山地枯死树正射图像，所述山地枯死树正射图像包括目标枯死树和非目标枯死树；
训练模块，用于将所述样本数据集输入卷积神经网络模型进行训练，获得山地目标枯死树识别模型；
获取模块，用于获取无人机执行最佳采集航线时采集的目标山地的正射图像，提取所述正射图像的中心点经纬度坐标；
识别模块，用于利用所述山地目标枯死树识别模型对所述正射图像进行识别，获得目标山地的枯死树识别图像；其中，所述枯死树识别图像包括目标枯死树候选框；
定位模块，用于提取所述目标枯死树候选框在像素坐标系下的中心点坐标，基于正射图像的中心点经纬度坐标，将所述中心点坐标转换为地理坐标系下的坐标，并与对应的目标枯死树候选框相关联。
本发明山地枯死树识别定位装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
此外，本发明还提出一种山地枯死树识别定位设备，其特征在于，所述山地枯死树识别定位设备包括存储器、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山地枯死树识别定位程序，其中：所述山地枯死树识别定位程序被所述处理器执行时实现本发明各个实施例所述的山地枯死树识别定位方法。
本申请山地枯死树识别定位设备的具体实施方式与上述山地枯死树识别定位方法各实施例基本相同，在此不再赘述。
此外，本发明还提出一种可读存储介质，所述可读存储介质包括计算机可读存储介质，其上存储有山地枯死树识别定位程序。所述可读存储介质可以是图1的终端中的存储器1005，也可以是如ROM(Read-Only Memory，只读存储器)/RAM(Random Access Memory，随机存取存储器)、磁碟、光盘中的至少一种，所述可读存储介质包括若干指令用以使得一台具有处理器的山地枯死树识别定位设备执行本发明各个实施例所述的山地枯死树识别定位方法。
本申请可读存储介质中山地枯死树识别定位程序的具体实施方式与上述山地枯死树识别定位方法各实施例基本相同，在此不再赘述。
可以理解的是，在本说明书的描述中，参考术语“一实施例”、“另一实施例”、“其他实施例”、或“第一实施例～第N实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
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。
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如上所述的一个存储介质(如ROM/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，空调器，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 (7)

1.一种山地枯死树识别定位方法，其特征在于，所述方法包括以下步骤：
构建样本数据集；其中，所述样本数据集包括若干张具有标注的山地枯死树正射图像，所述山地枯死树正射图像包括目标枯死树和非目标枯死树；
将所述样本数据集输入卷积神经网络模型进行训练，获得山地目标枯死树识别模型；
获取无人机执行最佳采集航线时采集的目标山地的正射图像，提取所述正射图像的中心点经纬度坐标；
利用所述山地目标枯死树识别模型对所述正射图像进行识别，获得目标山地的枯死树识别图像；其中，所述枯死树识别图像包括目标枯死树候选框；
提取所述目标枯死树候选框在像素坐标系下的中心点坐标，基于正射图像的中心点经纬度坐标，将所述中心点坐标转换为地理坐标系下的坐标，并与对应的目标枯死树候选框相关联；
其中，所述无人机执行最佳采集航线为无人机在每个目标航点经纬度坐标和目标航点飞行高度执行目标山地的正射图像采集任务，其中，目标航点经纬度坐标为正射图像的中心点经纬度坐标；所述获取无人机执行最佳采集航线时采集的目标山地的正射图像步骤之前，所述方法还包括：确定无人机执行最佳采集航线的目标航点经纬度坐标和目标航点飞行高度；
其中，确定无人机执行最佳采集航线的目标航点经纬度坐标步骤，具体包括：根据所述无人机相机参数和仿地飞行高度，确定单张山地枯死树正射图像对应的地面覆盖小矩形的尺寸参数；利用地面覆盖小矩形铺满目标山地的最小外接矩形，并获取最小外接矩形下每个地面覆盖小矩形的中心点坐标；建立最小外接矩形到标准坐标系矩形的变换矩阵，利用所述变换矩阵将每个地面覆盖小矩形的中心点坐标变换到经纬度坐标；遍历摘除与所述目标山地的多边形不相交的地面覆盖小矩形，获取剩下的所述地面覆盖小矩形的中心点经纬度坐标作为目标航点经纬度坐标；
其中，利用地面覆盖小矩形铺满目标山地的最小外接矩形，并获取最小外接矩形下每个地面覆盖小矩形的中心点坐标，具体包括：计算覆盖目标山地林区多边形的最小外接矩形长宽，输入5-15%重叠率计算所述单张正射图像对应的地面覆盖小矩形铺满所述目标山地林区长宽所需的行和列，超出最小外接矩形边界部分除以2作为整体偏差值；使用单张正射图像覆盖矩形逐张铺满最小外接矩形在标准坐标系下的区域，获取每个小矩形的中心点坐标
其中，确定无人机执行最佳采集航线的目标航点飞行高度步骤，具体包括：获取目标山地的数字高程模型数据，根据每个所述目标航点经纬度坐标读取目标航点与起飞航点的数字高程模型数据，确定每个航点的飞行高度；其中，每个航点的飞行高度的表达式，具体为：。
2.如权利要求1所述的山地枯死树识别定位方法，其特征在于，所述构建样本数据集步骤，具体包括：
获取无人机相机采集的山地枯死树正射图像；其中，所述山地枯死树正射图像包括目标枯死树和非目标枯死树；
对所述山地枯死树正射图像中的目标枯死树和非目标枯死树进行标注，利用标注后的山地枯死树正射图像构建样本数据集；
按比例随机抽取所述样本数据集，分为训练数据集和验证数据集。
3.如权利要求2所述的山地枯死树识别定位方法，其特征在于，所述将所述样本数据集输入卷积神经网络模型进行训练，获得山地目标枯死树识别模型步骤，具体包括：利用所述训练数据集对卷积神经网络模型进行训练，利用所述验证数据集对训练后的模型进行验证；其中，所述卷积神经网络模型采用YOLOv5模型。
4.如权利要求1所述的山地枯死树识别定位方法，其特征在于，基于正射图像的中心点经纬度坐标，将所述中心点坐标转换为地理坐标系下的坐标步骤，具体包括：基于正射图像的中心点经纬度，计算获得正射图像的像素坐标系中单位像素对应的经纬度值，并根据单位像素对应的经纬度值，计算获得目标枯死树候选框的中心点在地理坐标系下的坐标。
5.一种山地枯死树识别定位装置，其特征在于，所述山地枯死树识别定位装置包括：
构建模块，用于构建样本数据集；其中，所述样本数据集包括若干张具有标注的山地枯死树正射图像，所述山地枯死树正射图像包括目标枯死树和非目标枯死树；
训练模块，用于将所述样本数据集输入卷积神经网络模型进行训练，获得山地目标枯死树识别模型；
获取模块，获取无人机执行最佳采集航线时采集的目标山地的正射图像，提取所述正射图像的中心点经纬度坐标；
识别模块，用于利用所述山地目标枯死树识别模型对所述正射图像进行识别，获得目标山地的枯死树识别图像；其中，所述枯死树识别图像包括目标枯死树候选框；
定位模块，用于提取所述目标枯死树候选框在像素坐标系下的中心点坐标，基于正射图像的中心点经纬度坐标，将所述中心点坐标转换为地理坐标系下的坐标，并与对应的目标枯死树候选框相关联；
其中，所述无人机执行最佳采集航线为无人机在每个目标航点经纬度坐标和目标航点飞行高度执行目标山地的正射图像采集任务，其中，目标航点经纬度坐标为正射图像的中心点经纬度坐标；所述获取无人机执行最佳采集航线时采集的目标山地的正射图像之前，还包括：确定无人机执行最佳采集航线的目标航点经纬度坐标和目标航点飞行高度；
其中，确定无人机执行最佳采集航线的目标航点经纬度坐标，具体包括：
根据所述无人机相机参数和仿地飞行高度，确定单张山地枯死树正射图像对应的地面覆盖小矩形的尺寸参数；
利用地面覆盖小矩形铺满目标山地的最小外接矩形，并获取最小外接矩形下每个地面覆盖小矩形的中心点坐标；
建立最小外接矩形到标准坐标系矩形的变换矩阵，利用所述变换矩阵将每个地面覆盖小矩形的中心点坐标变换到经纬度坐标；
遍历摘除与所述目标山地的多边形不相交的地面覆盖小矩形，获取剩下的所述地面覆盖小矩形的中心点经纬度坐标作为目标航点经纬度坐标；
其中，确定无人机执行最佳采集航线的目标航点飞行高度，具体包括：获取目标山地的数字高程模型数据，根据每个所述目标航点经纬度坐标读取目标航点与起飞航点的数字高程模型数据，确定每个航点的飞行高度。
6.一种山地枯死树识别定位设备，其特征在于，所述山地枯死树识别定位设备包括：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山地枯死树识别定位程序，所述山地枯死树识别定位程序被所述处理器执行时实现如权利要求1至4中任一项所述的山地枯死树识别定位方法的步骤。
7.一种存储介质，其特征在于，所述存储介质上存储有山地枯死树识别定位程序，所述山地枯死树识别定位程序被处理器执行时实现如权利要求1至4中任一项所述的山地枯死树识别定位方法的步骤。
CN202310077504.2A 2023-02-08 2023-02-08 山地枯死树识别定位方法、装置、设备及存储介质 Active CN116310793B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310077504.2A CN116310793B (zh) 2023-02-08 2023-02-08 山地枯死树识别定位方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310077504.2A CN116310793B (zh) 2023-02-08 2023-02-08 山地枯死树识别定位方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN116310793A CN116310793A (zh) 2023-06-23
CN116310793B true CN116310793B (zh) 2024-01-23

Family

ID=86831402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310077504.2A Active CN116310793B (zh) 2023-02-08 2023-02-08 山地枯死树识别定位方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116310793B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109657540A (zh) * 2018-11-06 2019-04-19 北京农业信息技术研究中心 枯死树定位方法及系统
CN109948563A (zh) * 2019-03-22 2019-06-28 华南农业大学 一种基于深度学习的松材线虫病枯死树检测定位方法
WO2021198967A1 (en) * 2020-04-02 2021-10-07 Grace And Kowloon Holdings Limited Tree image data acquisition

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109657540A (zh) * 2018-11-06 2019-04-19 北京农业信息技术研究中心 枯死树定位方法及系统
CN109948563A (zh) * 2019-03-22 2019-06-28 华南农业大学 一种基于深度学习的松材线虫病枯死树检测定位方法
WO2021198967A1 (en) * 2020-04-02 2021-10-07 Grace And Kowloon Holdings Limited Tree image data acquisition

Also Published As

Publication number Publication date
CN116310793A (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
JP6921095B2 (ja) 航空画像を収集及び分析するための方法
Laliberte et al. Image processing and classification procedures for analysis of sub-decimeter imagery acquired with an unmanned aircraft over arid rangelands
US20200241568A1 (en) Unmanned aerial vehicle
Ćwiąkała et al. Assessment of the possibility of using unmanned aerial vehicles (UAVs) for the documentation of hiking trails in alpine areas
KR102098259B1 (ko) 무인항공기를 이용한 산림병해충 의심목 선별 시스템
JP5560157B2 (ja) スペクトル情報抽出装置
Hao et al. Assessing tree height and density of a young forest using a consumer unmanned aerial vehicle (UAV)
KR20220112590A (ko) 인공지능 기반 수계오염원 모니터링 시스템 및 방법
Gong et al. Photo ecometrics for forest inventory
CN115962757A (zh) 一种无人机测绘方法、系统和可读存储介质
CN112084989A (zh) 基于无人机与cnn的大范围松材线虫病枯立木智能检测方法
CN116258956A (zh) 无人机树木识别方法、设备、存储介质及装置
CN115424135A (zh) 一种用于植被提取深度学习的四通道影像处理方法
CN109657540B (zh) 枯死树定位方法及系统
CN116310793B (zh) 山地枯死树识别定位方法、装置、设备及存储介质
CN113537293A (zh) 基于无人机和全卷积神经网络的小麦倒伏区域识别方法
Xiao et al. Individual tree detection from multi-view satellite images
Miller et al. Precise quantification of land cover before and after planned disturbance events with UAS-derived imagery
CN115112100B (zh) 遥感控制系统及方法
de Kock et al. Zoometric data extraction from drone imagery: the Arabian oryx (Oryx leucoryx)
Fu et al. Automatic detection tree crown and height using Mask R-CNN based on unmanned aerial vehicles images for biomass mapping
CN115423975A (zh) 一种基于可见光影像及深度学习算法的地面高程提取方法
Tompalski et al. A comparison of LiDAR and image-derived canopy height models for individual tree crown segmentation with object based image analysis
Hanson et al. Calculating forest biomass with small format aerial photography, videography and a profiling laser
CN113378700A (zh) 基于无人机航拍影像的草原鼠害动态监测方法

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