CN117387581A - 油樟生物量估算方法、装置以及存储介质 - Google Patents
油樟生物量估算方法、装置以及存储介质 Download PDFInfo
- Publication number
- CN117387581A CN117387581A CN202311695603.3A CN202311695603A CN117387581A CN 117387581 A CN117387581 A CN 117387581A CN 202311695603 A CN202311695603 A CN 202311695603A CN 117387581 A CN117387581 A CN 117387581A
- Authority
- CN
- China
- Prior art keywords
- biomass
- point cloud
- cloud data
- camphor
- sample
- 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.)
- Granted
Links
- 241000723346 Cinnamomum camphora Species 0.000 title claims abstract description 195
- 239000002028 Biomass Substances 0.000 title claims abstract description 180
- DSSYKIVIOFKYAU-XCBNKYQSSA-N (R)-camphor Chemical compound C1C[C@@]2(C)C(=O)C[C@@H]1C2(C)C DSSYKIVIOFKYAU-XCBNKYQSSA-N 0.000 title claims abstract description 154
- 238000000034 method Methods 0.000 title claims abstract description 88
- 241000196324 Embryophyta Species 0.000 claims abstract description 81
- 229960000846 camphor Drugs 0.000 claims abstract description 76
- 229930008380 camphor Natural products 0.000 claims abstract description 76
- 238000007781 pre-processing Methods 0.000 claims abstract description 37
- 230000006870 function Effects 0.000 claims description 26
- 238000000547 structure data Methods 0.000 claims description 25
- 238000001914 filtration Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 23
- 230000004927 fusion Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 abstract description 27
- 230000000875 corresponding effect Effects 0.000 description 42
- 238000004364 calculation method Methods 0.000 description 9
- 239000000463 material Substances 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 241000723347 Cinnamomum Species 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 239000010238 camphora Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/04—Interpretation of pictures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
-
- 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
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种油樟生物量估算方法、装置以及存储介质。涉及植物生物量测量领域。其中方法包括:通过对油樟进行拍摄获取相应的点云数据;对点云数据进行预处理,得到相应的特征项;以及通过预设的油樟生物量估算模型根据特征项对油樟生物量进行估算,得到油樟的油樟生物量,其中油樟生物量估算模型是通过均方误差loss MSE 添加惩罚项的损失函数进行训练的,并且其中损失函数的公式为:,其中惩罚项为:,其中表示第i个特征项的惩罚值,表示与第i个特征项对应的特征权重,n表示特征项的数量,α为超参数。解决了用于生物量估算的参数类型不足以实现准确的生物量估算以及基于多结构参数的油樟生物量估算模型的稳定性较差的问题。
Description
技术领域
本申请涉及植物生物量测量领域,特别是涉及一种油樟生物量估算方法、装置以及存储介质。
背景技术
油樟生物量与产量高度正相关,因此,准确获取生物量数据对于油樟产量预估至关重要。传统的人工测量方式不仅耗时耗力,测量效率低,而且,准确性也无法保证,因为测量结果的准确与否与工作人员的技术水平密切相关。现代化的自动化测量方式可以有效地解决人工方式存在的问题。现有的基于机器的全自动化树木测量方法大多通过获取株高和冠幅等参数构建生物量估算模型进行生物量预测。但是,将这些方法直接应用于油樟生物量估算,偏差较大,这主要是因为油樟生物量不仅与冠幅、株高、郁闭度这些参数有关,还受到地径、分枝数、分枝程度等生长状态的显著影响。
地径反映油樟树的生长情况和年龄,较大的地径通常表示油樟树生长较快,年龄较大,叶片较厚,生物量较大。分枝数和分枝程度反映油樟树的枝条分布情况和枝条生长能力,较多的分枝数通常表示油樟树的枝条丰富、叶片较大,生物量也较大。多年生的油樟在生长状态不一致的情况下估算结果偏差较大。
并且,基于多结构参数构建出的油樟生物量估算模型在数据限定的情况下预计能够表现出较好的准确性。但是,这些参数之间可能存在一定程度的相关性。例如当地径较大时,冠幅通常也较大。这种相关性可能导致模型训练出现过拟合问题,即模型的泛化性不足,在新的数据项上表现不佳。因此,训练出的模型稳定性可能较差。因此如何提供一种兼具准确性和稳定性的油樟生物量估算模型,以实现油樟生物量以及产量在广泛场景中的准确预估,是目前亟需解决的问题。
公开号为CN110148116A,名称为一种森林生物量估算方法及其系统。公开了一种森林生物量估算方法及其系统。所述方法包括步骤:获取待测区域的森林参数计算出样点的森林生物量;获取LiDAR点云数据,并对所述LiDAR点云数据进行分离,根据所述地面点生成数字高程模型;对所述LiDAR点云数据进行归一化处理,得到归一化的LiDAR点云数据;将所述归一化的LiDAR点云数据转为预定分辨率的栅格数据,得到树木高度栅格数据;根据所述多光谱数据计算出该区域的植被指数分布数据;将所述森林生物量与树木高度栅格数据以及植被指数分布数据采用生物量回归公式估算出待测区域的森林生物量。
公开号为CN111984915A,名称为一种基于异速生长关系联合激光雷达方程的生物量提取方法,它涉及一种生物量提取方法。本发明要解决现有遥感数据用于森林生物量反演,精度较低与适普性较弱的问题。方法:一、建立异速生长关系联合激光雷达方程的森林生物量反演模型;二、对地基激光雷达点云数据进行预处理,得到基于归一化处理后的单木激光雷达点云数据,利用计算几何中二维凸包算法提取不同高度处树冠横截面积,根据公式计算获得激光雷达生物量指数LBI;三、将激光雷达生物量指数LBI代入公式,确定系数a、b及c,得到激光雷达生物量指数构建的生物量反演模型并计算生物量。
发明内容
本申请的实施例提供了一种油樟生物量估算方法、装置以及存储介质,以至少解决现有技术中存在的用于生物量估算的参数类型不足以实现准确的生物量估算,以及基于多结构参数的油樟生物量估算模型的稳定性较差的技术问题。
根据本申请实施例的一个方面,提供了一种油樟生物量估算方法,包括:通过对油樟进行拍摄获取相应的点云数据;对点云数据进行预处理,得到相应的特征项,其中特征项包括株高、冠幅、郁闭度、地径、一级分枝数、最大分支程度和多个冠幅株高乘积因子;以及通过预设的油樟生物量估算模型根据特征项对油樟生物量进行估算,得到油樟的油樟生物量,其中油樟生物量估算模型是通过均方误差loss MSE 添加惩罚项的损失函数进行训练的,并且其中损失函数的公式为:,其中惩罚项为:,其中/>表示第i个特征项的惩罚值,/>表示与第i个特征项对应的特征权重,n表示特征项的数量,α为超参数。
根据本申请实施例的另一个方面,还提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时由处理器执行以上所述的方法。
根据本申请实施例的另一个方面,还提供了一种油樟生物量估算装置,包括:数据获取模块,用于通过对油樟进行拍摄获取相应的点云数据;预处理模块,用于对点云数据进行预处理,得到相应的特征项,其中特征项包括株高、冠幅、郁闭度、地径、一级分枝数、最大分支程度和多个冠幅株高乘积因子;以及生物量估算模块,用于通过预设的油樟生物量估算模型根据特征项对油樟生物量进行估算,得到油樟的油樟生物量,其中油樟生物量估算模型是通过均方误差loss MSE 添加惩罚项的损失函数进行训练的,并且其中损失函数的公式为:,其中惩罚项为:/>,其中/>表示第i个特征项的惩罚值,/>表示与第i个特征项对应的特征权重,n表示特征项的数量,α为超参数。
根据本申请实施例的另一个方面,还提供了一种油樟生物量估算装置,包括:处理器;以及存储器,与处理器连接,用于为处理器提供处理以下处理步骤的指令:通过对油樟进行拍摄获取相应的点云数据;对点云数据进行预处理,得到相应的特征项,其中特征项包括株高、冠幅、郁闭度、地径、一级分枝数、最大分支程度和多个冠幅株高乘积因子;以及通过预设的油樟生物量估算模型根据特征项对油樟生物量进行估算,得到油樟的油樟生物量,其中油樟生物量估算模型是通过均方误差loss MSE 添加惩罚项的损失函数进行训练的,并且其中损失函数的公式为:,其中惩罚项为:,其中/>表示第i个特征项的惩罚值,/>表示与第i个特征项对应的特征权重,n表示特征项的数量,α为超参数。
在本申请实施例中,本技术方案对油樟的参数进行自动化测量,相较于传统的人工方式,测量效率更高,减少了人力物力的浪费,而且,有效地排除了人工测量误差的干扰,使得测量结果更加准确。服务器通过对点云数据进行处理,得到冠幅、株高、郁闭度、地径、第一分枝数、最大分支程度和多个冠幅株高乘积因子等多个特征项。在这些参数的选择上,根据专家经验,在冠幅、株高、郁闭度这些常用的树木参数基础上,增加了地径、第一分枝数、最大分支程度这些对油樟生物估算很重要的特征项,以获取更加准确的生物量估算模型。并且,对特征权重参数设定惩罚项,以解决因油樟结构参数之间存在的相关性而导致的过拟合问题,有效地提高了模型的泛化能力即模型稳定性。从而,解决了现有技术中存在的用于生物量估算的参数类型不足以实现准确的生物量估算,以及基于多结构参数的油樟生物量估算模型的稳定性较差的技术问题。
并且服务器将多个特征项输入至油樟生物量估算模型,得到油樟生物量。从而本技术方案在冠幅、株高以及郁闭度的基础上增加了地径、分枝数和分支程度等影响因子,对于油樟这种以叶片为主要生物量的常绿乔木生物量估算更加准确。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是用于实现根据本申请实施例1所述的方法的计算设备的硬件结构框图;
图2是根据本申请实施例1所述的油樟生物量估算系统的示意图;
图3是根据本申请实施例1的第一个方面所述的油樟生物量估算方法的流程示意图;
图4是根据本申请实施例2所述的油樟生物量估算装置的示意图;以及
图5是根据本申请实施例3所述的油樟生物量估算装置的示意图。
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的技术方案,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能够以除了在这里图示或描述的那些以外的顺序实施。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。
实施例1
根据本实施例,提供了一种油樟生物量估算方法的方法实施例,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。
本实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的计算设备中执行。图1示出了一种用于实现油樟生物量估算方法的计算设备的硬件结构框图。如图1所示,计算设备可以包括一个或多个处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器、以及用于通信功能的传输装置。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算设备还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到计算设备中的其他元件中的任意一个内。如本申请实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器可用于存储应用软件的软件程序以及模块,如本申请实施例中的油樟生物量估算方法对应的程序指令/数据存储装置,处理器通过运行存储在存储器内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的应用程序的油樟生物量估算方法。存储器可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至计算设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算设备的通信供应商提供的无线网络。在一个实例中,传输装置包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与计算设备的用户界面进行交互。
此处需要说明的是,在一些可选实施例中,上述图1所示的计算设备可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是,图1仅为特定具体实例的一个实例,并且旨在示出可存在于上述计算设备中的部件的类型。
图2是根据本实施例所述的油樟生物量估算系统的示意图。参照图2所示,该系统包括:多个三维激光扫描仪101~103以及服务器200。
其中多个三维激光扫描仪101~103对油樟进行多角度拍摄,并将生成的点云数据发送至服务器200。
服务器200将点云数据进行处理,生成特征项,并将特征项输入油樟生物量估算模型,之后油樟生物量估算模型输出油樟生物量。
需要说明的是,系统中的多个三维激光扫描仪101~103以及服务器200均可适用上面所述的硬件结构。
在上述运行环境下,根据本实施例的第一个方面,提供了一种油樟生物量估算方法,该方法由图2中所示的服务器200实现。图3示出了该方法的流程示意图,参考图3所示,该方法包括:
S302:通过对油樟进行拍摄获取相应的点云数据;
S304:对点云数据进行预处理,得到相应的特征项,其中特征项包括株高、冠幅、郁闭度、地径、一级分枝数、最大分支程度和多个冠幅株高乘积因子;以及
S306:通过预设的油樟生物量估算模型根据特征项对油樟生物量进行估算,得到油樟的油樟生物量,其中油樟生物量估算模型是通过均方误差loss MSE 添加惩罚项的损失函数进行训练的,并且其中损失函数的公式为:
,
其中惩罚项为:
,
其中表示第i个特征项的惩罚值,/>表示与第i个特征项对应的特征权重,n表示特征项的数量,α为超参数。
具体地,用户获取油樟株高、油樟最大宽度、三维激光扫描仪垂直可视角度和三维激光扫描仪水平可视角度,从而计算三维激光扫描仪的部署位置。
其中三维激光扫描仪的部署高度h 3d_cam 的计算公式为:
,
其中为人工测量的油樟株高,/>为大于0的一个经验数,使之在油樟单个扫描周期内可全部扫描。
三维激光扫描仪的部署距离d 3d_cam 的计算公式为:
,且,
其中,为人工测量的油樟株高,/>为人工测量的油樟最大宽度,/>为三维激光扫描仪垂直可视角度,/>为三维激光扫描仪水平可视角度,/>为三维激光扫描仪的最大扫描距离。
优选地,三维激光扫描仪的最佳部署距离为:
,
且,
进一步地,用户根据计算出来的部署高度和部署距离,对三维激光扫描仪进行部署,从而多个不同角度的三维激光扫描仪,例如三维激光扫描仪101~103对油樟进行多个角度拍摄,得到油樟的点云数据。之后三维激光扫描仪101~103将点云数据发送至服务器200。
进一步地,服务器200接收到点云数据后,对点云数据进行预处理,得到树冠结构数据。其中树冠结构数据包括冠幅、株高、地径、一级分枝数和最大分支程度。
并且服务器200根据点云数据生成相应的RGB图像,将相应的RGB图像输入预先训练的郁闭度识别模型,之后郁闭度识别模型输出对应郁闭度。
进一步地,服务器200将得到的树冠结构数据进行处理,从而得到多个冠幅株高乘积因子。
从而服务器200将冠幅、株高、地径、一级分枝数、最大分支程度、郁闭度和多个冠幅株高乘积因子作为特征项。
进一步地,服务器200将特征项输入预设的油樟生物量估算模型,从而油樟生物量估算模型根据特征项对油樟生物量进行估算,从而输出油樟的油樟生物量。
其中油樟生物量估算模型是通过均方误差(loss MSE )添加惩罚项进行训练的,并且其中损失函数(loss)的公式为:
,
其中惩罚项为:
,
其中表示第i个特征项的惩罚值,/>表示与第i个特征项对应的特征权重,n表示特征项的数量,α为超参数。其中超参数α可以根据经验进行设置。
并且其中当全为1时,油樟生物量估算模型为岭回归模型;当/>全为0时,油樟生物量估算模型为普通线性回归模型。
正如背景技术中所述的,油樟生物量与产量高度正相关,因此,准确获取生物量数据对于油樟产量预估至关重要。传统的人工测量方式不仅耗时耗力,测量效率低,而且,准确性也无法保证,因为测量结果的准确与否与工作人员的技术水平密切相关。现代化的自动化测量方式可以有效地解决人工方式存在的问题。现有的基于机器的全自动化树木测量方法大多通过获取株高和冠幅等参数构建生物量估算模型进行生物量预测。但是,将这些方法直接应用于油樟生物量估算,偏差较大,这主要是因为油樟生物量不仅与冠幅、株高、郁闭度这些参数有关,还受到地径、分枝数、分枝程度等生长状态的显著影响。地径反映油樟树的生长情况和年龄,较大的地径通常表示油樟树生长较快,年龄较大,叶片较厚,生物量较大。分枝数和分枝程度反映油樟树的枝条分布情况和枝条生长能力,较多的分枝数通常表示油樟树的枝条丰富、叶片较大,生物量也较大。多年生的油樟在生长状态不一致的情况下估算结果偏差较大。并且,基于多结构参数构建出的油樟生物量估算模型在数据限定的情况下预计能够表现出较好的准确性。但是,这些参数之间可能存在一定程度的相关性。例如当地径较大时,冠幅通常也较大。这种相关性可能导致模型训练出现过拟合问题,即模型的泛化性不足,在新的数据项上表现不佳。因此,训练出的模型稳定性可能较差。因此如何提供一种兼具准确性和稳定性的油樟生物量估算模型,以实现油樟生物量以及产量在广泛场景中的准确预估,是目前亟需解决的问题。
针对以上所述的技术问题,本技术方案对油樟的参数进行自动化测量,相较于传统的人工方式,测量效率更高,减少了人力物力的浪费,而且,有效地排除了人工测量误差的干扰,使得测量结果更加准确。服务器通过对点云数据进行处理,得到冠幅、株高、郁闭度、地径、第一分枝数、最大分支程度和多个冠幅株高乘积因子等多个特征项。在这些参数的选择上,根据专家经验,在冠幅、株高、郁闭度这些常用的树木参数基础上,增加了地径、第一分枝数、最大分支程度这些对油樟生物估算很重要的特征项,以获取更加准确的生物量估算模型。并且,对特征权重参数设定惩罚项,以解决因油樟结构参数之间存在的相关性而导致的过拟合问题,有效地提高了模型的泛化能力即模型稳定性。从而,解决了现有技术中存在的用于生物量估算的参数类型不足以实现准确的生物量估算,以及基于多结构参数的油樟生物量估算模型的稳定性较差的技术问题。并且服务器将多个特征项输入至油樟生物量估算模型,得到油樟生物量。从而本技术方案在冠幅、株高以及郁闭度的基础上增加了地径、分枝数和分支程度等影响因子,对于油樟这种以叶片为主要生物量的常绿乔木生物量估算更加准确。
可选地,对点云数据进行预处理,得到相应的特征项的操作,包括:对点云数据进行第一预处理,得到相应的树冠结构数据;通过郁闭度识别模型对油樟的图像进行识别,得到相应的郁闭度;以及对树冠结构数据进行第二预处理,得到多个冠幅株高乘积因子。
具体地,服务器200接收到点云数据后,对点云数据进行预处理(即,第一预处理),得到树冠结构数据。其中树冠结构数据包括冠幅、株高、地径、一级分枝数和最大分支程度。
进一步地,服务器200根据点云数据生成相应的二维RGB图像,将相应的二维RGB图像输入预先训练的郁闭度识别模型,之后郁闭度识别模型输出对应的郁闭度。
在此之前,服务器200预先获取油樟的二维RGB图像作为样本数据,并且对二维RGB图像进行郁闭度标注。之后服务器200根据标注后的二维RGB图像进行CNN训练,从而得到郁闭度识别模型。
进一步地,服务器200将得到的树冠结构数据进行处理(即,第二预处理),从而得到多个冠幅株高乘积因子。其中多个冠幅株高乘积因子包括:冠幅株高乘积因子(标识为area cinn )、冠幅株高乘积因子2(标识为vec cinn )以及冠幅株高乘积因子3(标识为vec cinn_dens )。
其中冠幅株高乘积因子(标识为area cinn )的计算公式为:
area cinn =width cinn height cinn ,
其中width cinn 表示株高(单位:米),height cinn 表示冠幅(单位:米)。
冠幅株高乘积因子2(标识为vec cinn )的计算公式为:
。
冠幅株高乘积因子3(标识为vec cinn_dens )的计算公式为:
vec cinn_dens =vec cinn dens cinn ,
其中dens cinn 表示郁闭度。
从而本技术方案对点云数据进行预处理,得到相应的特征项,从而使得特征项更加规范,进而提高了估算的油樟生物量的准确度。
可选地,对所述点云数据进行第一预处理,得到相应的树冠结构数据的操作,包括:选取同一时刻的三个点云数据,以其中一个点云数据为基准,另外两个点云数据以油樟的树干为Z轴进行旋转,进行对齐融合操作,得到融合矩阵;对所述融合矩阵进行滤波操作;以及根据滤波操作后的点云数据计算凸包,使用最小包围盒对所述滤波操作后的点云数据进行曲面拟合,计算树冠结构数据。
具体地,服务器200将接收到的点云数据通过时间进行划分,从而对同一时刻的多个点云数据进行融合。例如服务器200从同一时刻的多个点云数据中选取三个点云数据,以其中一个点云数据为基准,即该点云数据保持不动。另外两个点云数据以油樟的树干为Z轴进行旋转,从而将三个点云数据调整为同一坐标系中,从而对该三个点云数据进行对齐融合操作。
其中每个点云数据(point p )都使用M行3列的矩阵来进行表示:
,
其中point p 表示第p个点云数据,即,p=1~3,p为自然数。
并且其中(x p,j ,y p,j ,z p,j )为第p个点云数据中第j个样本点(point p,j )的坐标,j=1~M。并且其中M为点云数据中样本点的数量。
从而为基准的点云数据point 1为:
。
进一步地,服务器200将顺时针方向第1个点云数据point 2(即,以油樟的树干为Z轴进行旋转的另外两个点云数据的其中第一个点云数据)的每一个样本点坐标(x,y,z)进行顺时旋转120度,其中旋转矩阵R2:
,
从而点云数据point 2旋转后得到的点云数据point 2_rotated 的第j个样本点:
。
进一步地,服务器200将顺时针方向第2个点云数据point 3(即,以油樟的树干为Z轴进行旋转的另外两个点云数据的其中第二个点云数据)的每一个样本点坐标(x,y,z)进行顺时旋转240度,其中旋转矩阵R3。
,
从而点云数据point 3旋转后得到的点云数据point 3_rotated 的第j个样本点:
。
进一步地,服务器200将3个矩阵进行合并,得到临时融合矩阵。
其中
。
进一步地,服务器200对融合矩阵依次进行重复点删除操作,离群点删除操作,加权中位值滤波,平均值下采样,得到滤波处理后的点云数据point filterd_downsampling 。
进一步地,服务器200通过函数ConvexHull(),计算滤波处理后的点云数据point filterd_downsampling 的凸包point hull 。
其中
point hull =ConvexHull(point filterd_downsampling )。
之后服务器200计算点云数据中的最大x(即,)、最大y(即,/>)和最大z(即,)以及最小x(即,/>)、最小y(即,/>)和最小z(即,/>),从而确定最小包围盒,其中
进一步地,服务器200计算根据冠幅计算公式计算冠幅width cinn :
width cinn =max((x max -x min ),(y max -y min ))/2。
服务器200计算根据株高计算公式计算株高height cinn :
height cinn =z max 。
进一步地,一级分枝数和最大分枝程度branchlevel cinn 通过人工测量的方式获取。因该生理特征较长时间内不会发生变化,因此本实施例中采用每月测量一次的方法。并且地径dbh cinn 也通过人工测量的方式获取。
从而,本技术方案通过对点云数据进行预处理,得到相应的树冠结构数据,从而使得树冠结构数据更加规范,进而提高了估算的油樟生物量的准确度。
可选地,滤波操作,包括:重复点删除、离群点删除、加权中位值滤波以及平均值下采样。
具体地,服务器200计算临时融合矩阵的点云数据中每个样本点之间的欧氏距离,从而通过计算每个样本点与临时融合矩阵/>的点云数据中其他样本点的距离,生成距离矩阵。
例如第a个样本点和第b个样本点之间的距离point distances(a,b)为:
,
其中a≠b。
之后服务器200将距离point distances(a,b)与预设阈值threshold dup 进行比较,当距离point distances(a,b)小于预设阈值threshold dup 时,则判定第b个样本点为第a个样本点的重复点,从而将第b个样本点进行移除。从而服务器200移除样本点的重复点,得到新的矩阵point merge :
point merge =remove(point distances(a,b)<threshould dup ),
从而,服务器200通过上述方式,将每个低于预设阈值的样本点进行移除,得到矩阵point merge 。
进一步地,服务器200对矩阵point merge 进行离群点删除操作。
更具体地,服务器200确定矩阵point merge 的点云数据中的各个样本点,并确定各个样本点的邻域半径r,之后计算矩阵point merge 的点云数据中各个样本点与邻域半径r内所有的样本点的欧式距离的平均值。
例如,计算第c个样本点和邻域半径r内的第d个样本点之间的距离,进而计算第c个样本点和邻域半径r内所有的样本点的距离的平均值point distances_avg(c,d),其中
,
其中c=1~R,d=1~R,R为邻域内样本点的数量。
例如,计算第1个样本点和邻域半径r内的第d个样本点之间的距离,进而计算第1个样本点和邻域半径r内所有的样本点的距离的平均值point distances_avg(1,d),其中
,
例如,计算第2个样本点和邻域半径r内的第d个样本点之间的距离,进而计算第2个样本点和邻域半径r内所有的样本点的距离的平均值point distances_avg(2,d),其中
,
……
例如,计算第R个样本点和邻域半径r内的第d个样本点之间的距离,进而计算第R个样本点和邻域半径r内所有的样本点的距离的平均值point distances_avg(R,d),其中
,
进一步地,服务器200将平均值point distances_avg(c,d)与预设阈值threshold dis 进行比较,当平均值point distances_avg(c,d)大于预设阈值threshold dis ,则将第c个样本点移除。
之后服务器200对point merge 的点云数据中每个超过预设阈值threshold dis 的样本点进行移除。
其中移除样本点,从而得到新的矩阵point filterd 的表达式为:
point filterd =remove(point distances_avg(c,d)<threshould dis )。
进一步地,服务器200将矩阵point filterd 均匀地划分为s个网格子集,每个网格子集包括T个样本点。对于每个子集,服务器200计算在该子集中某个样本点(例如第e个样本点)和与该样本点(例如第e个样本点)在同一子集内的所有样本点的距离,并根据距离计算权重值。
例如第k个网格子集中,第e个样本点和与其在同一子集的第f个样本点的距离和权重值/>为:
,/>
,
其中k=1~s,e≠f。
例如在第k个网格子集中,第1个样本点和与其在同一子集的第2个样本点的距离和权重值/>为:
,
。
在第k个网格子集中,第1个样本点和与其在同一子集的第3个样本点的距离和权重值/>为:
,
。
……
在第k个网格子集中,第1个样本点和与其在同一子集的第T个样本点的距离和权重值/>为:
,
。
……
例如在第k个网格子集中,第2个样本点和与其在同一子集的第1个样本点的距离和权重值/>为:
,
。
在第k个网格子集中,第2个样本点和与其在同一子集的第3个样本点的距离和权重值/>为:
,
。
……
在第k个网格子集中,第2个样本点和与其在同一子集的第T个样本点的距离和权重值 />为:/>
,
。
……
例如在第k个网格子集中,第T个样本点和与其在同一子集的第1个样本点的距离 和权重值/>为:
,
。
例如在第k个网格子集中,第T个样本点和与其在同一子集的第2个样本点的距离和权重值/>为:
,
。
……
在第k个网格子集中,第T个样本点和与其在同一子集的第T-1个样本点的距离和权重值/>为:
,
。
进一步地,在第k个网格子集中,对于该网格子集中每个样本点e,根据其权重值对其邻域内的点进行排序(即,表达式(1)),并将作为中位数的样本点的值作为该样本点e的新值(即,表达式(2)和表达式(3))。
(1)
(2)
(3)
之后服务器200根据得到新值的各个样本点生成相应的点云数据:
。
进一步地,服务器200将点云数据均匀地划分为u个网格子集,每个网格子集包括g(h)个样本点,之后对每个子集/>进行平均值下采样。其中平均值下采样表达式为:/>
,
其中g=1~u。
之后服务器200合并平均值下采样后得到的点云数据:
。
从而本技术方案对点云数据进行滤波操作,去除不规范的点云数据,进而提高了估算的油樟生物量的准确度。
可选地,方法还包括:对连续采集的点云数据进行时序异常点检测,根据偏差对脏数据进行移除。从而本技术方案对脏数据进行移除,从而保证了估算的油樟生物量的准确度。
可选地,通过以下操作步骤训练油樟生物量估算模型:依据专家知识选取样本数据,其中样本数据包括样本株高、样本冠幅、样本郁闭度、样本地径、样本一级分枝数、样本最大分枝程度和多个样本冠幅株高乘积因子;根据样本数据对油樟生物量估算模型进行训练,并且其中对样本数据对应的特征权重设定惩罚值。
具体地,服务器200依据专家知识选取样本数据,其中样本数据包括样本株高、样本冠幅、样本郁闭度、样本地径、样本一级分枝数、样本最大分枝程度和多个样本冠幅株高乘积因子,之后构建线性回归方程。其中线性回归方程为:
,
其中,β为线性参数,为株高权重,/>为冠幅权重,/>为郁闭度权重,为地径权重,/>为一级分枝数权重,/>为最大分枝程度权重,/>为冠幅株高乘积因子权重,/>为冠幅株高乘积因子2权重,/>为冠幅株高乘积因子3权重。
之后服务器200利用F检验法计算单株油樟生物量与各个特征权重之间的关联度。其中单株油樟生物量为预先获取的样本数据。
之后服务器200根据得到的关联度对权重进行排序,从而由大到小依次为:
。
进一步地,服务器200依据样本特征相关系数对相应的特征权重参数设定惩罚值。其中关联度越小,惩罚值越大。
其中损失函数为均方误差(loss MSE )和惩罚项,并且其中损失函数(loss)的公式为:
,
其中惩罚项为:
/>
其中,。
当全为1时,油樟生物量估算模型为岭回归模型;当/>全为0时,油樟生物量估算模型为普通线性回归模型。其中,/>为株高的惩罚值,/>为冠幅的惩罚值,/>为郁闭度的惩罚值,/>为地径的惩罚值,/>为一级分枝数的惩罚值,/>为最大分枝程度的惩罚值,/>为冠幅株高乘积因子的惩罚值,/>为冠幅株高乘积因子2的惩罚值,/>为冠幅株高乘积因子3的惩罚值。
之后服务器200使用梯度下降法最小化损失函数,从而油樟生物量估算模型完毕。其中最小化损失函数的公式为:
。
进一步地,服务器200通过交叉验证的方法对油樟生物量估算模型进行优化,从而得到最优的油樟生物量估算模型。
从而,本技术方案在油樟生物量模型中添加了基于专家经验的损失函数惩罚项,有效提升了模型的稳定性和泛化性。
此外,参考图1所示,根据本实施例的第二个方面,提供了一种存储介质。所述存储介质包括存储的程序,其中,在所述程序运行时由处理器执行以上所述的方法。
从而根据本实施例,本技术方案对油樟的参数进行自动化测量,相较于传统的人工方式,测量效率更高,减少了人力物力的浪费,而且,有效地排除了人工测量误差的干扰,使得测量结果更加准确。服务器通过对点云数据进行处理,得到冠幅、株高、郁闭度、地径、第一分枝数、最大分支程度和多个冠幅株高乘积因子等多个特征项。在这些参数的选择上,根据专家经验,在冠幅、株高、郁闭度这些常用的树木参数基础上,增加了地径、第一分枝数、最大分支程度这些对油樟生物估算很重要的特征项,以获取更加准确的生物量估算模型。并且,对特征权重参数设定惩罚项,以解决因油樟结构参数之间存在的相关性而导致的过拟合问题,有效地提高了模型的泛化能力即模型稳定性。从而,解决了现有技术中存在的用于生物量估算的参数类型不足以实现准确的生物量估算,以及基于多结构参数的油樟生物量估算模型的稳定性可能较差的技术问题。并且服务器将多个特征项输入至油樟生物量估算模型,得到油樟生物量。从而本技术方案在冠幅、株高以及郁闭度的基础上增加了地径、分枝数和分支程度等影响因子,对于油樟这种以叶片为主要生物量的常绿乔木生物量估算更加准确。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
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根据上述实施例的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,或者网络设备等)执行本发明各个实施例所述的方法。
实施例2
图4示出了根据本实施例所述的油樟生物量估算装置400,该装置400与根据实施例1的第一个方面所述的方法相对应。参考图4所示,该装置400包括:数据获取模块410,用于通过对油樟进行拍摄获取相应的点云数据;预处理模块420,用于对点云数据进行预处理,得到相应的特征项,其中特征项包括株高、冠幅、郁闭度、地径、一级分枝数、最大分支程度和多个冠幅株高乘积因子;以及生物量估算模块430,用于通过预设的油樟生物量估算模型根据特征项对油樟生物量进行估算,得到油樟的油樟生物量,其中油樟生物量估算模型是通过均方误差loss MSE 添加惩罚项的损失函数进行训练的,并且其中损失函数的公式为:,其中惩罚项为:/>,其中/>表示第i个特征项的惩罚值,/>表示与第i个特征项对应的特征权重,n表示特征项的数量,α为超参数。
可选地,预处理模块420,包括:第一预处理子模块,用于对点云数据进行第一预处理,得到相应的树冠结构数据;图像识别子模块,用于通过郁闭度识别模型对油樟的图像进行识别,得到相应的郁闭度;以及第二预处理子模块,用于对树冠结构数据进行第二预处理,得到多个冠幅株高乘积因子。
可选地,第一预处理子模块,包括:融合单元,用于选取同一时刻的三个点云数据,以其中一个点云数据为基准,另外两个点云数据以油樟的树干为Z轴进行旋转,进行对齐融合操作,得到融合矩阵;滤波单元,用于对融合矩阵进行滤波操作;以及计算单元,用于根据滤波操作后的点云数据计算凸包,使用最小包围盒对滤波操作后的点云数据进行曲面拟合,计算树冠结构数据。
可选地,滤波操作,包括:重复点删除、离群点删除、加权中位值滤波以及平均值下采样。
可选地,装置400还包括:移除模块,用于对连续采集的点云数据进行时序异常点检测,根据偏差对脏数据进行移除。
可选地,装置400还包括:训练模块,用于通过以下操作步骤训练油樟生物量估算模型:依据专家知识选取样本数据,其中样本数据包括样本株高、样本冠幅、样本郁闭度、样本地径、样本一级分枝数、样本最大分枝程度和多个样本冠幅株高乘积因子;根据样本数据对油樟生物量估算模型进行训练,并且其中对样本数据对应的特征权重设定惩罚值。
从而根据本实施例,本技术方案对油樟的参数进行自动化测量,相较于传统的人工方式,测量效率更高,减少了人力物力的浪费,而且,有效地排除了人工测量误差的干扰,使得测量结果更加准确。服务器通过对点云数据进行处理,得到冠幅、株高、郁闭度、地径、第一分枝数、最大分支程度和多个冠幅株高乘积因子等多个特征项。在这些参数的选择上,根据专家经验,在冠幅、株高、郁闭度这些常用的树木参数基础上,增加了地径、第一分枝数、最大分支程度这些对油樟生物估算很重要的特征项,以获取更加准确的生物量估算模型。并且,对特征权重参数设定惩罚项,以解决因油樟结构参数之间存在的相关性而导致的过拟合问题,有效地提高了模型的泛化能力即模型稳定性。从而,解决了现有技术中存在的用于生物量估算的参数类型不足以实现准确的生物量估算,以及基于多结构参数的油樟生物量估算模型的稳定性可能较差的技术问题。并且服务器将多个特征项输入至油樟生物量估算模型,得到油樟生物量。从而本技术方案在冠幅、株高以及郁闭度的基础上增加了地径、分枝数和分支程度等影响因子,对于油樟这种以叶片为主要生物量的常绿乔木生物量估算更加准确。
实施例3
图5示出了根据本实施例所述的油樟生物量估算装置500,该装置500与根据实施例1的第一个方面所述的方法相对应。参考图5所示,该装置500包括:处理器510;以及存储器520,与处理器510连接,用于为处理器510提供处理以下处理步骤的指令:通过对油樟进行拍摄获取相应的点云数据;对点云数据进行预处理,得到相应的特征项,其中特征项包括株高、冠幅、郁闭度、地径、一级分枝数、最大分支程度和多个冠幅株高乘积因子;以及通过预设的油樟生物量估算模型根据特征项对油樟生物量进行估算,得到油樟的油樟生物量,其中油樟生物量估算模型是通过均方误差loss MSE 添加惩罚项的损失函数进行训练的,并且其中损失函数的公式为:,其中惩罚项为:,其中/>表示第i个特征项的惩罚值,/>表示与第i个特征项对应的特征权重,n表示特征项的数量,α为超参数。
可选地,对点云数据进行预处理,得到相应的特征项的操作,包括:对点云数据进行第一预处理,得到相应的树冠结构数据;通过郁闭度识别模型对油樟的图像进行识别,得到相应的郁闭度;以及对树冠结构数据进行第二预处理,得到多个冠幅株高乘积因子。
可选地,对点云数据进行第一预处理,得到相应的树冠结构数据的操作,包括:选取同一时刻的三个点云数据,以其中一个点云数据为基准,另外两个点云数据以油樟的树干为Z轴进行旋转,进行对齐融合操作,得到融合矩阵;对融合矩阵进行滤波操作;以及根据滤波操作后的点云数据计算凸包,使用最小包围盒对滤波操作后的点云数据进行曲面拟合,计算树冠结构数据。
可选地,滤波操作,包括:重复点删除、离群点删除、加权中位值滤波以及平均值下采样。
可选地,装置500还包括:对连续采集的点云数据进行时序异常点检测,根据偏差对脏数据进行移除。
可选地,装置500还包括:通过以下操作步骤训练油樟生物量估算模型:依据专家知识选取样本数据,其中样本数据包括样本株高、样本冠幅、样本郁闭度、样本地径、样本一级分枝数、样本最大分枝程度和多个样本冠幅株高乘积因子;根据样本数据对油樟生物量估算模型进行训练,并且其中对样本数据对应的特征权重设定惩罚值。
从而根据本实施例,本技术方案对油樟的参数进行自动化测量,相较于传统的人工方式,测量效率更高,减少了人力物力的浪费,而且,有效地排除了人工测量误差的干扰,使得测量结果更加准确。服务器通过对点云数据进行处理,得到冠幅、株高、郁闭度、地径、第一分枝数、最大分支程度和多个冠幅株高乘积因子等多个特征项。在这些参数的选择上,根据专家经验,在冠幅、株高、郁闭度这些常用的树木参数基础上,增加了地径、第一分枝数、最大分支程度这些对油樟生物估算很重要的特征项,以获取更加准确的生物量估算模型。并且,对特征权重参数设定惩罚项,以解决因油樟结构参数之间存在的相关性而导致的过拟合问题,有效地提高了模型的泛化能力即模型稳定性。从而,解决了现有技术中存在的用于生物量估算的参数类型不足以实现准确的生物量估算,以及基于多结构参数的油樟生物量估算模型的稳定性可能较差的技术问题。并且服务器将多个特征项输入至油樟生物量估算模型,得到油樟生物量。从而本技术方案在冠幅、株高以及郁闭度的基础上增加了地径、分枝数和分支程度等影响因子,对于油樟这种以叶片为主要生物量的常绿乔木生物量估算更加准确。
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。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种油樟生物量估算方法,其特征在于,包括:
通过对油樟进行拍摄获取相应的点云数据;
对所述点云数据进行预处理,得到相应的特征项,其中所述特征项包括株高、冠幅、郁闭度、地径、一级分枝数、最大分支程度和多个冠幅株高乘积因子;以及
通过预设的油樟生物量估算模型根据所述特征项对油樟生物量进行估算,得到所述油樟的油樟生物量,其中所述油樟生物量估算模型是通过均方误差loss MSE 添加惩罚项的损失函数进行训练的,并且其中所述损失函数的公式为:
,
其中所述惩罚项为:
,
其中表示第i个特征项的惩罚值,/>表示与所述第i个特征项对应的特征权重,n表示所述特征项的数量,α为超参数。
2.根据权利要求1所述的方法,其特征在于,对所述点云数据进行预处理,得到相应的特征项的操作,包括:
对所述点云数据进行第一预处理,得到相应的树冠结构数据;
通过郁闭度识别模型对所述油樟的图像进行识别,得到相应的郁闭度;以及
对所述树冠结构数据进行第二预处理,得到所述多个冠幅株高乘积因子。
3.根据权利要求1所述的方法,其特征在于,对所述点云数据进行第一预处理,得到相应的树冠结构数据的操作,包括:
选取同一时刻的三个点云数据,以其中一个点云数据为基准,另外两个点云数据以所述油樟的树干为Z轴进行旋转,进行对齐融合操作,得到融合矩阵;
对所述融合矩阵进行滤波操作;以及
根据滤波操作后的点云数据计算凸包,使用最小包围盒对所述滤波操作后的点云数据进行曲面拟合,计算树冠结构数据。
4.根据权利要求3所述的方法,其特征在于,所述滤波操作,包括:重复点删除、离群点删除、加权中位值滤波以及平均值下采样。
5.根据权利要求1所述的方法,其特征在于,还包括:
对连续采集的点云数据进行时序异常点检测,根据偏差对脏数据进行移除。
6.根据权利要求1所述的方法,其特征在于,通过以下操作步骤训练所述油樟生物量估算模型:
依据专家知识选取样本数据,其中所述样本数据包括样本株高、样本冠幅、样本郁闭度、样本地径、样本一级分枝数、样本最大分枝程度和多个样本冠幅株高乘积因子;
根据所述样本数据对所述油樟生物量估算模型进行训练,并且其中
对所述样本数据对应的特征权重设定惩罚值。
7.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时由处理器执行权利要求1至6中任意一项所述的方法。
8.一种油樟生物量估算装置,其特征在于,包括:
数据获取模块,用于通过对油樟进行拍摄获取相应的点云数据;
预处理模块,用于对所述点云数据进行预处理,得到相应的特征项,其中所述特征项包括株高、冠幅、郁闭度、地径、一级分枝数、最大分支程度和多个冠幅株高乘积因子;以及
生物量估算模块,用于通过预设的油樟生物量估算模型根据所述特征项对油樟生物量进行估算,得到所述油樟的油樟生物量,其中所述油樟生物量估算模型是通过均方误差loss MSE 添加惩罚项的损失函数进行训练的,并且其中所述损失函数的公式为:
,
其中所述惩罚项为:
,
其中表示第i个特征项的惩罚值,/>表示与所述第i个特征项对应的特征权重,n表示所述特征项的数量,α为超参数。
9.根据权利要求8所述的装置,其特征在于,预处理模块,包括:
第一预处理子模块,用于对所述点云数据进行第一预处理,得到相应的树冠结构数据;
图像识别子模块,用于通过郁闭度识别模型对所述油樟的图像进行识别,得到相应的郁闭度;以及
第二预处理子模块,用于对所述树冠结构数据进行第二预处理,得到所述多个冠幅株高乘积因子。
10.一种油樟生物量估算装置,其特征在于,包括:
处理器;以及
存储器,与所述处理器连接,用于为所述处理器提供处理以下处理步骤的指令:
通过对油樟进行拍摄获取相应的点云数据;
对所述点云数据进行预处理,得到相应的特征项,其中所述特征项包括株高、冠幅、郁闭度、地径、一级分枝数、最大分支程度和多个冠幅株高乘积因子;以及
通过预设的油樟生物量估算模型根据所述特征项对油樟生物量进行估算,得到所述油樟的油樟生物量,其中所述油樟生物量估算模型是通过均方误差loss MSE 添加惩罚项的损失函数进行训练的,并且其中所述损失函数的公式为:
,
其中所述惩罚项为:
,
其中表示第i个特征项的惩罚值,/>表示与所述第i个特征项对应的特征权重,n表示所述特征项的数量,α为超参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311695603.3A CN117387581B (zh) | 2023-12-12 | 2023-12-12 | 油樟生物量估算方法、装置以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311695603.3A CN117387581B (zh) | 2023-12-12 | 2023-12-12 | 油樟生物量估算方法、装置以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117387581A true CN117387581A (zh) | 2024-01-12 |
CN117387581B CN117387581B (zh) | 2024-02-13 |
Family
ID=89467083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311695603.3A Active CN117387581B (zh) | 2023-12-12 | 2023-12-12 | 油樟生物量估算方法、装置以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117387581B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109427091A (zh) * | 2018-03-21 | 2019-03-05 | 新疆林业科学院现代林业研究所 | 一种基于高光谱遥感和摄影测量技术的生物量模型研建方法 |
US20200141877A1 (en) * | 2018-11-06 | 2020-05-07 | Nanjing Agricultural University | Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle |
US11089762B1 (en) * | 2020-10-15 | 2021-08-17 | Ecto, Inc. | Methods for generating consensus biomass estimates |
CN113297904A (zh) * | 2021-04-16 | 2021-08-24 | 广州市华南自然资源科学技术研究院 | 一种基于卫星驱动模型的高寒草地生物量估算方法及系统 |
US20220207413A1 (en) * | 2020-12-28 | 2022-06-30 | International Business Machines Corporation | Loss augmentation for predictive modeling |
CN115908268A (zh) * | 2022-10-25 | 2023-04-04 | 中国农业大学 | 一种水下鱼体生物量实时测量方法及装置 |
CN116224359A (zh) * | 2022-12-20 | 2023-06-06 | 中国地质调查局烟台海岸带地质调查中心 | 基于机载LiDAR和小样本数据的森林地上生物量估算方法 |
WO2023193401A1 (zh) * | 2022-04-06 | 2023-10-12 | 合众新能源汽车股份有限公司 | 点云检测模型训练方法、装置、电子设备及存储介质 |
CN116883834A (zh) * | 2023-06-14 | 2023-10-13 | 武汉大学 | 一种赤松单木地上生物量遥感估算方法及系统 |
CN117150902A (zh) * | 2023-08-31 | 2023-12-01 | 北京市生态环境监测中心 | 结合背包点云和卫星遥感数据的生物量反演方法和系统 |
-
2023
- 2023-12-12 CN CN202311695603.3A patent/CN117387581B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109427091A (zh) * | 2018-03-21 | 2019-03-05 | 新疆林业科学院现代林业研究所 | 一种基于高光谱遥感和摄影测量技术的生物量模型研建方法 |
US20200141877A1 (en) * | 2018-11-06 | 2020-05-07 | Nanjing Agricultural University | Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle |
US11089762B1 (en) * | 2020-10-15 | 2021-08-17 | Ecto, Inc. | Methods for generating consensus biomass estimates |
US20220207413A1 (en) * | 2020-12-28 | 2022-06-30 | International Business Machines Corporation | Loss augmentation for predictive modeling |
CN113297904A (zh) * | 2021-04-16 | 2021-08-24 | 广州市华南自然资源科学技术研究院 | 一种基于卫星驱动模型的高寒草地生物量估算方法及系统 |
WO2023193401A1 (zh) * | 2022-04-06 | 2023-10-12 | 合众新能源汽车股份有限公司 | 点云检测模型训练方法、装置、电子设备及存储介质 |
CN115908268A (zh) * | 2022-10-25 | 2023-04-04 | 中国农业大学 | 一种水下鱼体生物量实时测量方法及装置 |
CN116224359A (zh) * | 2022-12-20 | 2023-06-06 | 中国地质调查局烟台海岸带地质调查中心 | 基于机载LiDAR和小样本数据的森林地上生物量估算方法 |
CN116883834A (zh) * | 2023-06-14 | 2023-10-13 | 武汉大学 | 一种赤松单木地上生物量遥感估算方法及系统 |
CN117150902A (zh) * | 2023-08-31 | 2023-12-01 | 北京市生态环境监测中心 | 结合背包点云和卫星遥感数据的生物量反演方法和系统 |
Non-Patent Citations (2)
Title |
---|
刘兆刚 等: "樟子松人工林树冠内一级枝条空间的分布规律", 林业科学, vol. 43, no. 10, 15 October 2007 (2007-10-15), pages 19 - 26 * |
娄雪婷 等: "森林地上生物量遥感估测研究进展", 国土资源遥感, no. 01, 15 March 2011 (2011-03-15), pages 1 - 6 * |
Also Published As
Publication number | Publication date |
---|---|
CN117387581B (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Koukoulas et al. | Mapping individual tree location, height and species in broadleaved deciduous forest using airborne LIDAR and multi‐spectral remotely sensed data | |
Yu et al. | Automatic image-based detection technology for two critical growth stages of maize: Emergence and three-leaf stage | |
Liu et al. | A vision-based robust grape berry counting algorithm for fast calibration-free bunch weight estimation in the field | |
CN110414738B (zh) | 一种农作物产量预测方法及系统 | |
CN109522899B (zh) | 咖啡成熟果实的检测方法、装置及电子设备 | |
CN103093208A (zh) | 一种果蔬识别的方法及系统 | |
CN110363246A (zh) | 一种高时空分辨率植被指数ndvi的融合方法 | |
CN112364681B (zh) | 基于二维表的植被覆盖度估算方法及装置 | |
CN103090946B (zh) | 果树单树产量测量的方法和系统 | |
CN113223040B (zh) | 基于遥感的香蕉估产方法、装置、电子设备和存储介质 | |
Díaz et al. | Grapevine buds detection and localization in 3D space based on structure from motion and 2D image classification | |
CN111291686B (zh) | 农作物根果表型参数的提取与根果表型判别方法及系统 | |
CN115861409B (zh) | 大豆叶面积测算方法、系统、计算机设备及存储介质 | |
CN116227758B (zh) | 基于遥感技术和深度学习的农产品成熟度预测方法及系统 | |
Suryono et al. | Rice phenology classification based on random forest algorithm for data imbalance using Google Earth engine | |
Sosa et al. | An algorithm for detection of nutritional deficiencies from digital images of coffee leaves based on descriptors and neural networks | |
CN117387581B (zh) | 油樟生物量估算方法、装置以及存储介质 | |
Sudana et al. | Mobile application for identification of coffee fruit maturity using digital image processing | |
CN116863341B (zh) | 基于时间序列卫星遥感影像的作物分类和识别方法和系统 | |
CN115049902B (zh) | 柑橘叶片含水量可视化预测方法、系统、设备及存储介质 | |
CN103824083A (zh) | 基于叶片完备局部二值特征的Web在线物种识别方法 | |
CN110555343B (zh) | 典型资源要素中林、灌、草三要素提取方法和系统 | |
CN115494009A (zh) | 一种烟叶成熟度的智能判别方法及系统 | |
CN114782835A (zh) | 作物倒伏面积比例检测方法及装置 | |
CN114255395A (zh) | 多源遥感数据融合的农作物分类方法、系统、设备及介质 |
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 |