CN116912476B - 松材线虫病无人机遥感监测快速定位方法及相关装置 - Google Patents

松材线虫病无人机遥感监测快速定位方法及相关装置 Download PDF

Info

Publication number
CN116912476B
CN116912476B CN202310816433.3A CN202310816433A CN116912476B CN 116912476 B CN116912476 B CN 116912476B CN 202310816433 A CN202310816433 A CN 202310816433A CN 116912476 B CN116912476 B CN 116912476B
Authority
CN
China
Prior art keywords
image
coordinates
color
aerial vehicle
unmanned aerial
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
CN202310816433.3A
Other languages
English (en)
Other versions
CN116912476A (zh
Inventor
赵春江
张瑞瑞
丁晨琛
伊铜川
陈栋
姜舒文
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.)
Nongxin Nanjing Intelligent Agricultural Research Institute Co ltd
Original Assignee
Nongxin Nanjing Intelligent Agricultural Research Institute Co ltd
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 Nongxin Nanjing Intelligent Agricultural Research Institute Co ltd filed Critical Nongxin Nanjing Intelligent Agricultural Research Institute Co ltd
Priority to CN202310816433.3A priority Critical patent/CN116912476B/zh
Publication of CN116912476A publication Critical patent/CN116912476A/zh
Application granted granted Critical
Publication of CN116912476B publication Critical patent/CN116912476B/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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/16—Image acquisition using multiple overlapping images; Image stitching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了松材线虫病无人机遥感监测快速定位方法及相关装置，涉及病虫害防治技术领域。其中，该松材线虫病无人机遥感监测快速定位方法，包括：采集预设范围内棋盘图像信息；对所述棋盘图像信息中的位置进行标定，建立解算纬度方向和经度方向的天线和图像中心点偏移方程；通过算法对无人机采集的单张变色木图像进行识别；利用方程对识别后的变色木图像的坐标进行转换，获得天线和图像中心坐标的位置偏移量；通过图像的经纬度空间分辨率，计算变色木的经纬度空间坐标，获得单幅图像中变色木具体空间位置坐标。本发明，解决拼接后的图像存在形变，造成变色木形状发生变化，导致与训练模型使用的变色木特征存在一定差异，影响识别精度的问题。

Description

松材线虫病无人机遥感监测快速定位方法及相关装置
技术领域
本发明涉及病虫害防治技术领域，尤其涉及一种松材线虫病无人机遥感监测快速定位方法及相关装置。
背景技术
松材线虫病作为一种由松材线虫引起的松树病害，其传播速度快、致死率高，健康松树感染此病后，从出现症状到死亡，最快在4周左右死亡，整片松林在3～5年内被毁灭。松材线虫病严重威胁我国的森林生态环境，也造成了巨大的经济损失。
目前，对松材线虫病的诊断主要以无人机遥感图像为主，通过获取疫区的无人机遥感图像，对图像进行拼接生成覆盖区域的带地理位置坐标的图像，然后使用图像分割或者目标定位网络模型识别拼接后图像中受松材线虫病危害的变色木，同时根据拼接生成带地理位置坐标图像的地理位置获得变色木具体位置坐标。
现有的诊断方法是基于无人机遥感图像拼接生成大区域无人机图像，识别变色木后再进行坐标转换，获得单株变色木的方法存在一定的不足；首先需要对大量的无人机图像进行拼接，拼接操作十分的耗费计算机资源，通常处理大区域图像(4000张)需要约24小时，不利于高时效的获得变色木结果；同时，拼接后的图像存在形变，造成变色木形状发生变化，导致与训练模型使用的变色木特征存在一定差异，影响识别精度；以及，大区域拼接后，由于拼接时存在一定的误差导致图像坐标与实际情况存在变化，为此往往需要在地面布设控制点完成精确的坐标校准，增加了工作量的问题。针对上述出现的问题，目前尚未提出有效的解决方案。
发明内容
发明目的：提供一种松材线虫病无人机遥感监测快速定位方法及相关装置，以解决现有技术存在的上述问题。
技术方案：松材线虫病无人机遥感监测快速定位方法，包括：
采集预设范围内棋盘图像信息；
对所述棋盘图像信息中的位置进行标定，建立解算纬度方向和经度方向的天线和图像中心点偏移方程；
通过算法对无人机采集的单张变色木图像进行识别；
利用方程对识别后的变色木图像的坐标进行转换，获得天线和图像中心坐标的位置偏移量；
通过图像的经纬度空间分辨率，计算变色木的经纬度空间坐标，获得单幅图像中变色木具体空间位置坐标。
作为优选，采集预设范围内棋盘图像信息包括：
将无人机分别在1m，5m和10m高度悬停，同时使得细线的长度满足悬挂的重物与相网格接触；
在每个高度上拍摄照片时，在确保重物始终在棋盘网格内的前提下移动无人机，每个高度获得20张图像，累计获得60张图像。
作为优选，采集预设范围内棋盘图像信息之前包括：
无人机通过连接件与重物相连，形成铅垂法；
连接件与连接无人机位置为无人机天线的垂直下视位置；
在地面布设大小为1*1m的棋盘网格，棋盘网格在长度和宽度上分别由50个黑白交替的小网格构成，即每个小网格的大小为2cm。
作为优选，对所述棋盘图像信息中的位置进行标定，建立解算纬度方向和经度方向的天线和图像中心点偏移方程包括：
使用差分GPS对棋盘的中心点进行位置测定，记录为(LatD，LonD)；
使用OpenCV对棋盘图像进行畸变矫正；
对完成畸变矫正后的棋盘图像，读取其EXIF信息中的经纬度坐标，形成坐标序列：(LatI，LonI)；
统计每张图片中重物所在的坐标，通过(LatD，LonD)计算棋盘中每个小网络的坐标，获得重物所在的坐标，即天线位置所在坐标，形成天线位置所在坐标的序列(LatP，LonP)；
基于二次函数y＝ax2+bx+c，分别输入数据对(LatI，LatP)和(LonI，LonP)，求得对纬度方向上的偏移系数，(alat，blat，clat)，(alon，blon，clon)，形成如下两个二次函数，分别用于求解纬度方向和经度方向的天线和图像中心点偏移：
x＝alatx2+blatx+clat (1)
y＝alony2+blony+clon (2)。
作为优选，通过算法对无人机采集的单张变色木图像进行识别包括：
使用深度语义分割模型对单张变色木图像进行识别，获得变色木的2值图像；
使用OpenCV获得变色木的轮廓。
作为优选，利用方程对识别后的变色木图像的坐标进行转换，获得天线和图像中心坐标的位置偏移量包括：
使用灰度重心法获得变色木的重心坐标(x，y)；
提取单张图像中EXIF信息中的经纬度坐标记录为(a，b)，并使用公式(1)和(2)分别计算为真实天线坐标(aT，bT)；
计算变色木的重心坐标(x，y)与中心点在图像像素上的偏移，记录为(xD，yD)。
作为优选，通过图像的经纬度空间分辨率，计算变色木的经纬度空间坐标，获得单幅图像中变色木具体空间位置坐标包括：
对于图像的经纬度空间分辨率(Δx，Δy)，计算变色木的经纬度空间坐标(aT+Δx*xD，bT+Δy*yD)。
为了实现上述目的，根据本申请的另一方面，提供了松材线虫病无人机遥感监测快速定位装置。
根据本申请的松材线虫病无人机遥感监测快速定位装置，包括：
采集模块，用于采集预设范围内棋盘图像信息；
标定解算模块，用于对所述棋盘图像信息中的位置进行标定，建立解算纬度方向和经度方向的天线和图像中心点偏移方程；
识别模块，用于通过算法对无人机采集的单张变色木图像进行识别；
坐标转换模块，用于利用方程对识别后的变色木图像的坐标进行转换，获得天线和图像中心坐标的位置偏移量；
计算模块，用于通过图像的经纬度空间分辨率，计算变色木的经纬度空间坐标，获得单幅图像中变色木具体空间位置坐标。
为了实现上述目的，根据本申请的另一方面，提供了一种电子设备。
根据本申请的电子设备，包括：存储器和处理器，所述存储器中存储有计算机程序，其中，所述处理器被设置为运行所述计算机程序以执行所述的松材线虫病无人机遥感监测快速定位方法。
为了实现上述目的，根据本申请的另一方面，提供了一种存储介质。
根据本申请的存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述的松材线虫病无人机遥感监测快速定位方法。
有益效果：在本申请实施例中，采用单张图像中心点坐标为基础解算变色木坐标的方式，通过采集预设范围内棋盘图像信息；对所述棋盘图像信息中的位置进行标定，建立解算纬度方向和经度方向的天线和图像中心点偏移方程；通过算法对无人机采集的单张变色木图像进行识别；利用方程对识别后的变色木图像的坐标进行转换，获得天线和图像中心坐标的位置偏移量；通过图像的经纬度空间分辨率，计算变色木的经纬度空间坐标，获得单幅图像中变色木具体空间位置坐标，达到了快速计算和定位的目的，从而实现了提高识别精度、减小工作量和提高定位效率的技术效果，进而解决了现有的诊断方法首先需要对大量的无人机图像进行拼接，拼接操作十分的耗费计算机资源，通常处理大区域图像(4000张)需要约24小时，不利于高时效的获得变色木结果；同时，拼接后的图像存在形变，造成变色木形状发生变化，导致与训练模型使用的变色木特征存在一定差异，影响识别精度；以及，大区域拼接后，由于拼接时存在一定的误差导致图像坐标与实际情况存在变化，为此往往需要在地面布设控制点完成精确的坐标校准，增加了工作量的技术问题。
附图说明
图1是根据本申请实施例的松材线虫病无人机遥感监测快速定位方法的流程示意图；
图2是根据本申请实施例的松材线虫病无人机遥感监测快速定位装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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，所描述的实施例仅仅是本申请一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
根据本发明实施例，提供了一种松材线虫病无人机遥感监测快速定位方法，如图1所示，该方法包括如下的步骤S101至步骤S105：
步骤S101、采集预设范围内棋盘图像信息；
通过采集预设范围内的图像信息，能够获得预定范围内相关信息的效果，从而为后续的解算提供数据基础。
根据本发明实施例，优选的，采集预设范围内棋盘图像信息包括：
将无人机分别在1m，5m和10m高度悬停，同时使得细线的长度满足悬挂的重物与相网格接触；
在每个高度上拍摄1张照片时，在确保重物始终在棋盘网格内的前提下移动无人机，每个高度获得20张图像，累计获得60张图像。
通过使用无人机分别对多个高度进行悬停拍照，且确保重物始终在棋盘网格范围内，从而获得多个不同高度的棋盘图像信息。
根据本发明实施例，优选的，采集预设范围内棋盘图像信息之前包括：
无人机通过连接件与重物相连，形成铅垂法；
连接件与连接无人机位置为无人机天线的垂直下视位置；
在地面布设大小为1*1m的棋盘网格，棋盘网格在长度和宽度上分别由50个黑白交替的小网格构成，即每个小网格的大小为2cm。
无人机通过细线将与重物相连，即将重物挂在无人机底部垂直方向，形成铅锤法；其中，重物可以为：铁块或钢块等，取决于使用场合的需要，以及无人机的承载能力；重物在重力的作用下，其位置与无人机天线的垂直下视位置相匹配；
在地面上布设所需规格的棋盘网格，为便于计算可选择1*1m的棋盘网格，并划分成多个小网格，以便精准定位和计算的效果。
步骤S102、对所述棋盘图像信息中的位置进行标定，建立解算纬度方向和经度方向的天线和图像中心点偏移方程；
通过对棋盘图像信息中的位置进行标定，从而建立解算纬度方向和经度方向的天线和图像中心点偏移方程，进而完成了对天线和图像坐标偏差上的标定，最终为后续准确的代入计算提供数据基础。
根据本发明实施例，优选的，对所述棋盘图像信息中的位置进行标定，建立解算纬度方向和经度方向的天线和图像中心点偏移方程包括：
使用差分GPS对棋盘的中心点进行位置测定，记录为(LatD，LonD)；
使用OpenCV对棋盘图像进行畸变矫正；
对完成畸变矫正后的棋盘图像，读取其EXIF信息中的经纬度坐标，形成坐标序列：(LatI，LonI)；
统计每张图片中重物所在的坐标，通过(LatD，LonD)计算棋盘中每个小网络的坐标，获得重物所在的坐标，即天线位置所在坐标，形成天线位置所在坐标的序列(LatP，LonP)；
基于二次函数y＝ax2+bx+c，分别输入数据对(LatI，LatP)和(LonI，LonP)，求得对纬度方向上的偏移系数，(alat，blat，clat)，(alon，blon，clon)，形成如下两个二次函数，分别用于求解纬度方向和经度方向的天线和图像中心点偏移：
x＝alatx2+blatx+clat (1)
y＝alony2+blony+clon (2)。
具体地，使用差分GPS对棋盘的中心点进行位置测定，包括但不限于以下步骤：
步骤一、放置基准站：在测量之前，需要放置一个基准站。基准站是一个已知位置的GPS接收器，可以用来校准移动设备的位置。将基准站放置在现场，并确保它稳固地安装在地面上；
步骤二、安装移动设备：连接移动设备(例如机载GPS接收器)并将其安装在无人机上。确保设备的天线指向空中，并且没有任何遮挡物遮挡；
步骤三、获取基准站数据：开始采集基准站数据以进行校准。通常需要几分钟或更长时间。在此期间，基准站将记录GPS卫星信号的数据，然后将其传输给移动设备，以便进行精确定位；
步骤四、选择测量点：选择您要测量的棋盘中心点，并将无人机悬停在该位置上；
步骤五、启动差分GPS：打开差分GPS功能，并等待设备获取GPS信号；
步骤六、记录测量数据：当获得足够的卫星信号时，记录测量数据；
步骤七、处理数据：使用专业的GPS处理软件对数据进行处理。该软件将使用基准站数据来校准设备并计算精确位置坐标。最终的结果将是棋盘中心点的经纬度和海拔高度等信息。当然实际情况可以做相应的调整，本申请不做限定。
具体地，使用OpenCV对棋盘图像进行畸变矫正，包括但不限于以下步骤：
步骤一、读取图像：使用OpenCV中的cv2.imread函数读取棋盘图像；
步骤二、导入相机标定参数：使用OpenCV中的cv2.FileStorage函数从先前的相机标定文件中导入相机内参矩阵和畸变系数；
步骤三、获取棋盘角点：使用OpenCV中的cv2.findChessboardCorners函数获取棋盘格角点；
步骤四、矫正畸变：使用OpenCV中的cv2.undistort函数根据导入的相机内参矩阵和畸变系数对图像进行畸变矫正；
步骤五、可视化结果：使用OpenCV中的cv2.imshow函数显示矫正后的图像，并使用cv2.waitKey等待用户按下一个键以退出窗口。当然实际情况可以做相应的调整，本申请不做限定。
具体地，对完成畸变矫正后的棋盘图像，读取其EXIF信息中的经纬度坐标，形成坐标序列：(LatI,LonI)，包括但不限于以下步骤：
步骤一、读取畸变矫正后的图像：使用OpenCV中的cv2.imread函数读取畸变矫正后的棋盘图像；
步骤二、使用Pillow库读取图像的EXIF信息：使用Pillow库中的Image.open()函数打开图像文件并获取其EXIF信息；
步骤三、解析EXIF信息并提取经纬度坐标：使用Pillow库中的ExifTags.TAGS字典和ExifRead库中的piexif.Exif.load函数解析EXIF信息并提取经纬度坐标；
步骤四、将经纬度坐标转换为十进制格式：根据EXIF信息中的经纬度分别计算出其十进制格式的值；
步骤五、形成坐标序列：将所得到的经纬度坐标转换为一个包含两个元素的元组(即纬度和经度)，并将其添加到一个列表中，最终形成完整的坐标序列。
步骤S103、通过算法对无人机采集的单张变色木图像进行识别。
通过无人机采集棋盘网格内单张变色木的图像信息，能够实现良好的变色木信息采集效果。
根据本发明实施例，优选的，通过算法对无人机采集的单张变色木图像进行识别包括：
使用深度语义分割模型对单张变色木图像进行识别，获得变色木的2值图像；
使用OpenCV获得变色木的轮廓。
具体的，使用深度语义分割模型对单张变色木图像进行识别，获得变色木的2值图像，包括但不限于以下步骤：
步骤一、收集数据集：需要收集大量的包含变色木和其他物体的图像，并且需要将这些图像标注为像素级别的类别信息。可以手动标注或使用自动化工具来完成；
步骤二、准备训练数据：将数据集分成训练集、验证集和测试集。通常采用80％的数据作为训练集，10％的数据作为验证集，10％的数据作为测试集；
步骤三、加载模型：选择合适的深度语义分割模型，如U-Net、FCN等，并加载预训练权重；
步骤四、数据增强：对训练集进行数据增强，如随机翻转、旋转、缩放等，以扩充训练数据集，提高模型泛化能力；
步骤五、训练模型：将准备好的训练数据输入到模型中进行训练。在训练过程中，可以根据验证集的表现调整超参数，如学习率、优化器等；
步骤六、测试模型：在测试集上测试模型的性能，评估其在像素级别分类上的准确性。可以计算精确度、召回率、F1值等指标；
步骤七、生成2值图像：将训练好的模型应用于新的变色木图像上，得到一个像素级别的类别预测结果。然后将预测结果进行二值化处理，得到变色木的2值图像。
具体地，使用OpenCV获得变色木的轮廓，包括但不限于以下步骤：
步骤一、读取2值图像：使用OpenCV中的imread函数读取变色木的2值图像；
步骤二、二值化处理：如果2值图像不是纯黑和白，需要进行二值化处理。可以使用OpenCV中的threshold函数将像素值大于某个阈值的像素设为白色，其余像素设为黑色；
步骤三、腐蚀操作：对于细小或断裂的物体，可以使用OpenCV中的erode函数进行腐蚀操作，将它们消除或连接起来。可以多次迭代腐蚀操作，直到达到预期效果；
步骤四、查找轮廓：使用OpenCV中的findContours函数查找图像中的所有轮廓。可以指定轮廓近似方法和轮廓逼近程度等参数，以达到更好的效果；
步骤五、绘制轮廓：使用OpenCV中的drawContours函数将轮廓绘制到原始图像上。可以指定轮廓索引、颜色和线宽等参数；
步骤六、显示结果：最后，使用OpenCV中的imshow函数显示处理后的图像，并用waitKey函数来暂停程序运行，等待用户按下键盘。
步骤S104、利用方程对识别后的变色木图像的坐标进行转换，获得天线和图像中心坐标的位置偏移量。
能够实现精准的坐标转换效果，从而为后续获得准确的空间坐标提供保障。
根据本发明实施例，优选的，利用方程对识别后的变色木图像的坐标进行转换，获得天线和图像中心坐标的位置偏移量包括：
使用灰度重心法获得变色木的重心坐标(x,y)；
提取单张图像中EXIF信息中的经纬度坐标记录为(a,b)，并使用公式(1)和(2)分别计算为真实天线坐标(aT,bT)；
计算变色木的重心坐标(x,y)与中心点在图像像素上的偏移，记录为(xD,yD)。
具体的，使用灰度重心法获得变色木的重心坐标(x,y)，包括：使用OpenCV中的moments函数计算图像的矩和重心坐标。其中，第一阶矩(m10，m01)表示图像的质量，第零阶矩(m00)表示图像的面积；绘制重心：可以使用OpenCV中的circle函数在图像上绘制出重心点；显示结果：最后，使用OpenCV中的imshow函数显示处理后的图像，并用waitKey函数来暂停程序运行，等待用户按下键盘。
提取单张图像中EXIF信息中的经纬度坐标记录为(a,b)，并使用公式(1)和(2)分别计算为真实天线坐标(aT,bT)，包括但不限于以下步骤：
步骤一、读取图像：使用Python中的Pillow库中的Image函数读取变色木图像，并使用其_exif属性来获取EXIF信息；
步骤二、提取经纬度信息：从EXIF信息中提取出经度和纬度值；
步骤三、转换为十进制形式：将经度和纬度值由度分秒表示转换为十进制数值表示。需要注意的是，如果经度和纬度的参考方向为南或西，则需要将其乘以-1；
步骤四、计算真实天线坐标：使用公式(1)和(2)分别计算出变色木在地球上的真实经纬度坐标(aT，bT)。其中，a0、b0为测站的经度和纬度；dR、dθ分别表示变色木到测站的距离和方位角。
步骤S105、通过图像的经纬度空间分辨率，计算变色木的经纬度空间坐标，获得单幅图像中变色木具体空间位置坐标。
通过上述解算和坐标转换步骤，获得单幅图像中变色木具体空间位置坐标，能够获得准确的变色木空间坐标的效果。
本发明通过直接对单张无人机影像中变色木进行识别，同时进行坐标解算，获得单株变色木的具体空间位置坐标，从而能够实现高效率的对变色木的空间位置的确定效果。
根据本发明实施例，优选的，通过图像的经纬度空间分辨率，计算变色木的经纬度空间坐标，获得单幅图像中变色木具体空间位置坐标包括：
对于图像的经纬度空间分辨率(Δx，Δy)，计算变色木的经纬度空间坐标(aT+Δx*xD，bT+Δy*yD)。
从以上的描述中，可以看出，本发明实现了如下技术效果：
在本申请实施例中，采用单张图像中心点坐标为基础解算变色木坐标的方式，通过采集预设范围内棋盘图像信息；对所述棋盘图像信息中的位置进行标定，建立解算纬度方向和经度方向的天线和图像中心点偏移方程；通过算法对无人机采集的单张变色木图像进行识别；利用方程对识别后的变色木图像的坐标进行转换，获得天线和图像中心坐标的位置偏移量；通过图像的经纬度空间分辨率，计算变色木的经纬度空间坐标，获得单幅图像中变色木具体空间位置坐标，达到了快速计算和定位的目的，从而实现了提高识别精度、减小工作量和提高定位效率的技术效果，进而解决了现有的诊断方法首先需要对大量的无人机图像进行拼接，拼接操作十分的耗费计算机资源，通常处理大区域图像(4000张)需要约24小时，不利于高时效的获得变色木结果；同时，拼接后的图像存在形变，造成变色木形状发生变化，导致与训练模型使用的变色木特征存在一定差异，影响识别精度；以及，大区域拼接后，由于拼接时存在一定的误差导致图像坐标与实际情况存在变化，为此往往需要在地面布设控制点完成精确的坐标校准，增加了工作量的技术问题。
本发明还具有如下有益效果：
解决传统的松材线虫变色木定位方法需要进行拼接，坐标校正后才可获得具体变色木的空间位置，本方法通过直接以单张图像中心点坐标为基础解算变色木坐标，无需图像拼接这一耗时处理过程即可获得变色木的空间位置。
本方法提出的方法可以适用于任意无人机和相机系统。通过位置标定，建立解算纬度方向和经度方向的天线和图像中心点偏移方程，获得天线和图像中心坐标的位置偏移量。
使用本方法提出的校正方法可有效的用于任意载荷的无人机系统。
能够实现高效率的对变色木的空间位置的确定。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
根据本发明实施例，还提供了一种用于实施上述松材线虫病无人机遥感监测快速定位方法的装置，如图2所示，该装置包括：
采集模块10，用于采集预设范围内棋盘图像信息；
通过采集预设范围内的图像信息，能够获得预定范围内相关信息的效果，从而为后续的解算提供数据基础。
标定解算模块20，用于对所述棋盘图像信息中的位置进行标定，建立解算纬度方向和经度方向的天线和图像中心点偏移方程；
通过对棋盘图像信息中的位置进行标定，从而建立解算纬度方向和经度方向的天线和图像中心点偏移方程，进而完成了对天线和图像坐标偏差上的标定，最终为后续准确的代入计算提供数据基础。
识别模块30，用于通过算法对无人机采集的单张变色木图像进行识别；
通过无人机采集棋盘网格内单张变色木的图像信息，能够实现良好的变色木信息采集效果。
坐标转换模块40，用于利用方程对识别后的变色木图像的坐标进行转换，获得天线和图像中心坐标的位置偏移量；
能够实现精准的坐标转换效果，从而为后续获得准确的空间坐标提供保障。
计算模块50，用于通过图像的经纬度空间分辨率，计算变色木的经纬度空间坐标，获得单幅图像中变色木具体空间位置坐标
通过上述解算和坐标转换步骤，获得单幅图像中变色木具体空间位置坐标，能够获得准确的变色木空间坐标的效果。
从以上的描述中，可以看出，本发明实现了如下技术效果：
在本申请实施例中，采用单张图像中心点坐标为基础解算变色木坐标的方式，通过采集预设范围内棋盘图像信息；对所述棋盘图像信息中的位置进行标定，建立解算纬度方向和经度方向的天线和图像中心点偏移方程；通过算法对无人机采集的单张变色木图像进行识别；利用方程对识别后的变色木图像的坐标进行转换，获得天线和图像中心坐标的位置偏移量；通过图像的经纬度空间分辨率，计算变色木的经纬度空间坐标，获得单幅图像中变色木具体空间位置坐标，达到了快速计算和定位的目的，从而实现了提高识别精度、减小工作量和提高定位效率的技术效果，进而解决了现有的诊断方法首先需要对大量的无人机图像进行拼接，拼接操作十分的耗费计算机资源，通常处理大区域图像(4000张)需要约24小时，不利于高时效的获得变色木结果；同时，拼接后的图像存在形变，造成变色木形状发生变化，导致与训练模型使用的变色木特征存在一定差异，影响识别精度；以及，大区域拼接后，由于拼接时存在一定的误差导致图像坐标与实际情况存在变化，为此往往需要在地面布设控制点完成精确的坐标校准，增加了工作量的技术问题。
本申请一个实施例还提供了一种电子设备，用于存储如所述的松材线虫病无人机遥感监测快速定位方法。该设备，包括：存储器和处理器，所述存储器中存储有计算机程序，其中，所述处理器被设置为运行所述计算机程序以执行松材线虫病无人机遥感监测快速定位方法。
本申请一个实施例还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行松材线虫病无人机遥感监测快速定位方法。
存储介质：
终端设备集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一存储介质中，该计算机程序在被处理器执行时，可实现上述显示上述内存功耗优化、处理内存功耗优化的各个步骤。
其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计界机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践.计算机可读介质不包括电载波信号和电信信号。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。

Claims (9)

1.松材线虫病无人机遥感监测快速定位方法，其特征在于，包括：
采集预设范围内棋盘图像信息；
对所述棋盘图像信息中的位置进行标定，建立解算纬度方向和经度方向的无人机天线和图像中心点偏移方程；
使用差分GPS对棋盘的中心点进行位置测定，记录为(LatD,LonD)；
使用OpenCV对棋盘图像进行畸变矫正；
对完成畸变矫正后的棋盘图像，读取其EXIF信息中的经纬度坐标，形成坐标序列：(LatI,LonI)；
统计每张图片中无人机悬挂的重物所在的坐标，通过(LatD,LonD)计算棋盘中每个小网络的坐标，获得重物所在的坐标，即天线位置所在坐标，形成天线位置所在坐标的序列(LatP,LonP)；
基于二次函数y＝ax2+bx+c,分别输入数据对(LatI,LatP)和(LonI,LonP),求得对经纬度方向上的偏移系数，(alat，blat，clat)，(alon，blon，clon)，形成如下两个二次函数，分别用于求解纬度方向和经度方向的天线和图像中心点偏移：
x＝alatx2+blatx+clat (1)
y＝alony2+blony+clon (2)；
通过算法对无人机采集的单张变色木图像进行识别；
利用方程对识别后的变色木图像的坐标进行转换，获得天线和图像中心坐标的位置偏移量；
通过图像的经纬度空间分辨率，计算变色木的经纬度空间坐标，获得单幅图像中变色木具体空间位置坐标。
2.根据权利要求1所述的松材线虫病无人机遥感监测快速定位方法，其特征在于，采集预设范围内棋盘图像信息包括：
将无人机分别在1m，5m和10m高度悬停，同时使得细线的长度满足悬挂于无人机底部的重物与网格接触；
在每个高度上拍摄照片时，在确保重物始终在棋盘网格内的前提下移动无人机，每个高度获得20张图像，累计获得60张图像。
3.根据权利要求2所述的松材线虫病无人机遥感监测快速定位方法，其特征在于，采集预设范围内棋盘图像信息之前包括：
无人机通过连接件与重物相连，形成铅垂法；
连接件与连接无人机位置为无人机天线的垂直下视位置；
在地面布设大小为1*1m的棋盘网格，棋盘网格在长度和宽度上分别由50个黑白交替的小网格构成，即每个小网格的大小为2cm。
4.根据权利要求1所述的松材线虫病无人机遥感监测快速定位方法，其特征在于，通过算法对无人机采集的单张变色木图像进行识别包括：
使用深度语义分割模型对单张变色木图像进行识别，获得变色木的2值图像；
使用OpenCV获得变色木的轮廓。
5.根据权利要求1所述的松材线虫病无人机遥感监测快速定位方法，其特征在于，利用方程对识别后的变色木图像的坐标进行转换，获得天线和图像中心坐标的位置偏移量包括：
使用灰度重心法获得变色木的重心坐标(x,y)；
提取单张图像中EXIF信息中的经纬度坐标记录为(a,b)，并使用公式(1)和(2)分别计算为真实天线坐标(aT,bT)；
计算变色木的重心坐标(x,y)与中心点在图像像素上的偏移，记录为(xD,yD)。
6.根据权利要求1所述的松材线虫病无人机遥感监测快速定位方法，其特征在于，通过图像的经纬度空间分辨率，计算变色木的经纬度空间坐标，获得单幅图像中变色木具体空间位置坐标包括：
对于图像的经纬度空间分辨率(Δx，Δy)，计算变色木的经纬度空间坐标(aT+Δx*xD,bT+Δy*yD)。
7.松材线虫病无人机遥感监测快速定位装置，其特征在于，包括：
采集模块，用于采集预设范围内棋盘图像信息；
标定解算模块，用于对所述棋盘图像信息中的位置进行标定，建立解算纬度方向和经度方向的无人机天线和图像中心点偏移方程；
建立解算纬度方向和经度方向的无人机天线和图像中心点偏移方程；
使用差分GPS对棋盘的中心点进行位置测定，记录为(LatD,LonD)；
使用OpenCV对棋盘图像进行畸变矫正；
对完成畸变矫正后的棋盘图像，读取其EXIF信息中的经纬度坐标，形成坐标序列：(LatI,LonI)；
统计每张图片中无人机悬挂的重物所在的坐标，通过(LatD,LonD)计算棋盘中每个小网络的坐标，获得重物所在的坐标，即天线位置所在坐标，形成天线位置所在坐标的序列(LatP,LonP)；
基于二次函数y＝ax2+bx+c,分别输入数据对(LatI,LatP)和(LonI,LonP),求得对经纬度方向上的偏移系数，(alat，blat，clat)，(alon，blon，clon)，形成如下两个二次函数，分别用于求解纬度方向和经度方向的天线和图像中心点偏移：
x＝alatx2+blatx+clat (1)
y＝alony2+blony+clon (2)；
识别模块，用于通过算法对无人机采集的单张变色木图像进行识别；
坐标转换模块，用于利用方程对识别后的变色木图像的坐标进行转换，获得天线和图像中心坐标的位置偏移量；
计算模块，用于通过图像的经纬度空间分辨率，计算变色木的经纬度空间坐标，获得单幅图像中变色木具体空间位置坐标。
8.电子设备，包括：存储器和处理器，其特征在于，所述存储器中存储有计算机程序，其中，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至6中任一项所述的松材线虫病无人机遥感监测快速定位方法。
9.存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至6中任一项所述的松材线虫病无人机遥感监测快速定位方法。
CN202310816433.3A 2023-07-05 2023-07-05 松材线虫病无人机遥感监测快速定位方法及相关装置 Active CN116912476B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310816433.3A CN116912476B (zh) 2023-07-05 2023-07-05 松材线虫病无人机遥感监测快速定位方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310816433.3A CN116912476B (zh) 2023-07-05 2023-07-05 松材线虫病无人机遥感监测快速定位方法及相关装置

Publications (2)

Publication Number Publication Date
CN116912476A CN116912476A (zh) 2023-10-20
CN116912476B true CN116912476B (zh) 2024-05-31

Family

ID=88357375

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310816433.3A Active CN116912476B (zh) 2023-07-05 2023-07-05 松材线虫病无人机遥感监测快速定位方法及相关装置

Country Status (1)

Country Link
CN (1) CN116912476B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005266627A (ja) * 2004-03-22 2005-09-29 Electronic Navigation Research Institute 電子地図情報の補正方法及び移動局位置監視システム
CN103345737A (zh) * 2013-06-04 2013-10-09 北京航空航天大学 一种基于误差补偿的uav高分辨率影像几何校正方法
WO2017142408A1 (en) * 2016-02-19 2017-08-24 Fom-Nikhef Displacement sensor
CN113537089A (zh) * 2021-07-20 2021-10-22 浙江点创信息科技有限公司 一种基于无人机航拍原片的松材线虫病疫木识别定位方法
CN113642463A (zh) * 2021-08-13 2021-11-12 广州市赋安电子科技有限公司 一种视频监控和遥感图像的天地多视图对齐方法
CN114387528A (zh) * 2021-12-29 2022-04-22 浙江同创空间技术有限公司 松材线虫病监测天空地一体化监测方法
CN115019200A (zh) * 2022-05-20 2022-09-06 三峡大学 一种基于样本不平衡的松材线虫病树智能识别方法
CN115115954A (zh) * 2022-07-06 2022-09-27 重庆渝之翼航空科技有限公司 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
CN115619719A (zh) * 2022-09-26 2023-01-17 华南农业大学 一种基于改进Yolo v3网络模型的松材线虫病疫木检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102473804B1 (ko) * 2020-10-16 2022-12-05 이노뎁 주식회사 영상관제 시스템에서 카메라 영상내 관제 지점의 지도 매핑 방법

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005266627A (ja) * 2004-03-22 2005-09-29 Electronic Navigation Research Institute 電子地図情報の補正方法及び移動局位置監視システム
CN103345737A (zh) * 2013-06-04 2013-10-09 北京航空航天大学 一种基于误差补偿的uav高分辨率影像几何校正方法
WO2017142408A1 (en) * 2016-02-19 2017-08-24 Fom-Nikhef Displacement sensor
CN113537089A (zh) * 2021-07-20 2021-10-22 浙江点创信息科技有限公司 一种基于无人机航拍原片的松材线虫病疫木识别定位方法
CN113642463A (zh) * 2021-08-13 2021-11-12 广州市赋安电子科技有限公司 一种视频监控和遥感图像的天地多视图对齐方法
CN114387528A (zh) * 2021-12-29 2022-04-22 浙江同创空间技术有限公司 松材线虫病监测天空地一体化监测方法
CN115019200A (zh) * 2022-05-20 2022-09-06 三峡大学 一种基于样本不平衡的松材线虫病树智能识别方法
CN115115954A (zh) * 2022-07-06 2022-09-27 重庆渝之翼航空科技有限公司 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
CN115619719A (zh) * 2022-09-26 2023-01-17 华南农业大学 一种基于改进Yolo v3网络模型的松材线虫病疫木检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
无人机图像侦查目标定位方法及精度分析;杨帅 等;红外技术;第38卷(第10期);全文 *

Also Published As

Publication number Publication date
CN116912476A (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
CN110598784B (zh) 基于机器学习的建筑垃圾分类方法及装置
CN109493320B (zh) 基于深度学习的遥感影像道路提取方法及系统、存储介质、电子设备
Taylor et al. Monitoring landscape change in the National Parks of England and Wales using aerial photo interpretation and GIS
CN110889327B (zh) 一种基于热红外图像的水域周边排污口智能检测方法
CN110363176B (zh) 一种图像分析方法及装置
CN113610070A (zh) 一种基于多源数据融合的滑坡灾害识别方法
CN111598942A (zh) 一种用于对电力设施仪表进行自动定位的方法及系统
CN115494007A (zh) 基于随机森林的土壤有机质高精度快速检测方法及装置
CN108230375A (zh) 基于结构相似性快速鲁棒的可见光图像与sar图像配准方法
CN116338628B (zh) 一种基于学习架构的激光雷达测深方法、装置及电子设备
CN112489099A (zh) 点云配准方法、装置、存储介质及电子设备
CN115423968B (zh) 基于点云数据和实景三维模型的输电通道优化方法
CN117076928A (zh) 一种桥梁健康状态监测方法、装置、系统及电子设备
CN115457408A (zh) 一种土地监测方法、装置、电子设备及介质
CN117115651A (zh) 基于多通道的遥感图像目标识别方法、装置、设备和介质
CN113065556B (zh) 一种数字式仪表定位和数字识别方法、装置和计算机设备
CN113516177A (zh) 基于光谱纹理特征和支持向量机的小麦倒伏区域识别方法
CN116912476B (zh) 松材线虫病无人机遥感监测快速定位方法及相关装置
CN117422677A (zh) 一种机载端用电力线路图像缺陷检测方法、装置及系统
CN117036748A (zh) 高分辨率遥感影像标注的迁移修正方法、系统及存储介质
CN114897859A (zh) 基于矢量化电力线的树障分析方法、装置及电子设备
CN114782822A (zh) 电力设备的状态检测方法、装置、电子设备及存储介质
CN111366172B (zh) 数字高程模型的质量检测方法、装置和存储介质
CN114140703A (zh) 一种森林松材线虫病害智能识别方法及系统
CN113096129A (zh) 高光谱卫星影像中的云量检测方法和装置

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
GR01 Patent grant
GR01 Patent grant