CN118038300B - 一种基于图像识别的绿化方法 - Google Patents
一种基于图像识别的绿化方法 Download PDFInfo
- Publication number
- CN118038300B CN118038300B CN202410436135.6A CN202410436135A CN118038300B CN 118038300 B CN118038300 B CN 118038300B CN 202410436135 A CN202410436135 A CN 202410436135A CN 118038300 B CN118038300 B CN 118038300B
- Authority
- CN
- China
- Prior art keywords
- features
- vegetation
- key image
- image frame
- target
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012544 monitoring process Methods 0.000 claims abstract description 53
- 230000000877 morphologic effect Effects 0.000 claims abstract description 29
- 238000013135 deep learning Methods 0.000 claims abstract description 6
- 230000004927 fusion Effects 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 239000002023 wood Substances 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 6
- 239000000463 material Substances 0.000 description 11
- 238000012549 training Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及生态绿化领域,公开了一种基于图像识别的绿化方法,包括:获取目标绿化区域的遥感数据并输入深度残差收缩网络,得到实际生长指标;从云端获取模拟生长指标,并确定实际生长指标与模拟生长指标是否匹配;若不匹配,则通过激光雷达采集目标绿化区域的三维点云数据,并输入深度学习网络得到三维特征;获取航拍图像组,并针对航拍图像组进行特征提取,得到目标绿化区域对应的色彩特征和形态特征;将三维特征、色彩特征和形态特征进行融合,得到融合特征,根据融合特征生成目标绿化区域对应的植被监测信息。从而实现了绿化过程中植被生长状态的精确监测。
Description
技术领域
本发明涉及生态绿化领域,具体涉及一种基于图像识别的绿化方法。
背景技术
图像识别技术通过计算机提取图像特征,从而得到图像特征向量。在此基础上,利用图像特征向量完成图像识别任务。随着机器视觉技术的不断发展和完善,图像识别技术被广泛的应用在各行各业。针对生态绿化领域,现有技术中一般通过图像识别技术获取需要进行绿化的区域的地形地貌数据、土地类型数据,在此基础上,由绿化人员对这些数据进行分析并结合气候数据,制定适宜的绿化方案,并进行植被生长状态监测。
然而,现有技术经常会存在如下技术问题:
第一,在植被的生长过程中,仅仅通过单一的监测手段来进行植被生长状态的监测,这种监测方式存在监测准确率较低的问题;
第二,由于植被的形态特征等信息比较复杂,单纯的二维投影并不能完全反映植被的形态特征,进而导致生成的植被监测信息准确率较低;
第三,植被生长过程中会遇到火灾等各种自然灾害的影响,如何通过技术手段实现这些自然灾害的自动监测和预警是亟待解决的问题。
发明内容
本发明内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本发明提出了一种基于图像识别的绿化方法,来解决以上背景技术部分提到的技术问题中的一项或多项。
本发明提供了一种基于图像识别的绿化方法,包括:获取目标绿化区域的遥感数据,并将遥感数据输入深度残差收缩网络,得到目标绿化区域的实际生长指标,实际生长指标包括实际植被指数、实际叶面积指数;从云端获取模拟生长指标,并确定实际生长指标与模拟生长指标是否匹配,其中,模拟生长指标是根据目标绿化区域的历史环境数据生成的;若实际生长指标与模拟生长指标不匹配,则通过激光雷达对目标绿化区域进行探测,得到目标绿化区域的三维点云数据,将三维点云数据输入深度学习网络,得到目标绿化区域对应的三维特征,三维特征包括单木结构特征和植被垂直结构特征;获取目标绿化区域的航拍图像组,并针对航拍图像组进行特征提取,得到目标绿化区域对应的色彩特征和形态特征;将三维特征、色彩特征和形态特征进行融合,得到融合特征,根据融合特征生成目标绿化区域对应的植被监测信息。
可选的,获取目标绿化区域的航拍图像组,并针对航拍图像组进行特征提取,得到目标绿化区域对应的色彩特征和形态特征,包括:对航拍图像组进行关键帧提取,得到多个关键图像帧,其中,多个关键图像帧中每个关键图像帧对应有一个地理位置信息,地理位置信息包括经度、纬度和高度;根据每个关键图像帧对应的地理位置信息中的经度和纬度对多个关键图像帧进行分组,得到多个第一关键图像帧组,每个第一关键图像帧组内的不同关键图像帧对应的地理位置之间的距离小于预设距离阈值,其中,不同关键图像帧对应的地理位置之间的距离是根据地理位置信息中的经度和纬度确定的;将每个第一关键图像帧组中各个关键图像帧进行像素级别融合,得到每个第一关键图像帧组对应的融合图像,将每个第一关键图像帧组对应的融合图像输入主题色提取网络,得到第一数量个主题色,分别查找每个主题色对应的颜色编码信息,各个主题色对应的颜色编码信息和每个第一关键图像帧组对应的地理位置信息组成每个第一关键图像帧组对应的子色彩特征;多个第一关键图像帧组分别对应的子色彩特征组成目标绿化区域对应的色彩特征,其中,每个第一关键图像帧组对应的地理位置信息是根据每个第一关键图像帧组内的各个关键图像帧对应的地理位置信息确定的中心位置经度和纬度。
可选的,获取目标绿化区域的航拍图像组,并针对航拍图像组进行特征提取,得到目标绿化区域对应的色彩特征和形态特征,还包括:根据每个关键图像帧对应的地理位置信息中的高度对多个关键图像帧进行分组,得到多个第二关键图像帧组,每个第二关键图像帧组内的不同关键图像帧对应的高度之间的距离小于预设高度阈值;将每个第二关键图像帧组中各个关键图像帧进行像素级别融合,得到每个第二关键图像帧组对应的融合图像,将每个第二关键图像帧组对应的融合图像输入形态提取网络,得到每个第二关键图像帧组对应的子形态特征;多个第二关键图像帧组分别对应的子形态特征组成目标绿化区域对应的形态特征。
可选的,在将三维特征、色彩特征和形态特征进行融合,得到融合特征,根据融合特征生成目标绿化区域对应的植被监测信息之前,基于图像识别的绿化方法还包括:针对航拍图像组进行全局特征提取,得到目标绿化区域对应的全局特征;以及将三维特征、色彩特征和形态特征进行融合,得到融合特征,根据融合特征生成目标绿化区域对应的植被监测信息,包括:将三维特征、色彩特征、形态特征和全局特征进行拼接,得到拼接特征;将拼接特征输入全连接网络,得到目标绿化区域对应的植被监测信息。
可选的,植被监测信息包括植被生长状态级别;以及基于图像识别的绿化方法,还包括:当植被生长状态级别低于预设级别,获取通过布设于目标绿化区域的传感器采集目标时间区间内的环境数据序列,环境数据序列中的每个环境数据包括多个环境指标;对环境数据序列进行异常指标识别,以确定环境数据序列中的异常指标;针对异常指标,生成针对目标绿化区域的环境调节信息,并根据环境调节信息执行环境调节操作。
可选的,植被监测信息包括植被分布均衡度分级和植被密度分布图;以及基于图像识别的绿化方法,还包括:当植被分布均衡度分级低于预设级数,确定植被密度分布图中植被分布密度小于预设密度阈值的图像块和图像块的实际植被密度;根据图像块对应的实际植被密度,生成植被密度调整信息,并根据植被密度调整信息执行植被密度调整操作。
本发明具有如下有益效果:
1、实现了绿化过程中植被生长状态的精确监测。具体来说,通过多种监测手段的融合,具体包括遥感数据、三维点云数据和航拍图像三种信息进行融合,从而提高了监测准确率;
2、由于激光雷达可以通过激光束穿透植被冠层, 因此三维特征不仅可以包括单木结构特征,还可以包括植被垂直结构特征。从而通过引入三维点云数据,克服了单纯的二维投影并不能完全反映植被的形态特征的问题,进一步提高了植被监测信息准确率;
3、通过火灾敏感指标、目标绿化区域中多个监测点的温度信息、是否为特殊节日信息进行综合预测,从而提高了火灾发生概率的预测准确率。在此基础上,考虑到当火灾发生时会出现火苗、烟雾等现象,进而导致实时主题色发生变化,因此,通过实时主题色与预先设定的预警主题色匹配,可以尽早发现火灾,并自动进行物资盘点与调拨,以便于及时扑灭火灾,减少火灾带来的损失。
附图说明
结合附图并参考以下具体实施方式,本发明各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是本发明的一种基于图像识别的绿化方法的流程图。
具体实施方式
下面将参照附图更详细地描述本发明。虽然附图中显示了本发明的某些实施例,然而应当理解的是,本发明可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是,本发明的附图及实施例仅用于示例性作用,并非用于限制本发明的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
需要注意,本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本发明的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本发明。
如图1所示,示出了本发明的一种基于图像识别的绿化方法的流程图,具体包括以下步骤:
步骤101,获取目标绿化区域的遥感数据,并将遥感数据输入深度残差收缩网络,得到目标绿化区域的实际生长指标,实际生长指标包括实际植被指数、实际叶面积指数。
在一些实施例中,一种基于图像识别的绿化方法的执行主体可以是生态监测平台。实践中,生态监测平台与云端可以通过各种通信方式进行通信。另外,生态监测平台还可以与遥感数据采集设备、航拍设备等等进行通信,以获取遥感数据、航拍图像等信息。根据需要,生态监测平台还可以与各种传感器通信,以获取传感器所采集的环境数据。其中,环境数据包括但不限于:温度、湿度、土壤指标等等。
在一些实施例中,目标绿化区域可以是技术人员指定的绿化区域。在此基础上,上述执行主体可以首先获取目标绿化区域的遥感数据。由于遥感数据包含丰富的细节信息,在生成实际生长指标的过程中,受到噪声的影响较为严重。而深度残差收缩网络适合处理强噪声数据,因此,通过将遥感数据输入深度残差收缩网络,可以得到更加准确的实际生长指标。实际生长指标包括实际植被指数、实际叶面积指数。其中,深度残差收缩网络(DeepResidual Shrinkage Networks,DRSN)是深度残差网络(Deep Residual Networks)的一种改进形式。
在一些实施例中,可以利用预先标注的训练样本集进行训练,使得深度残差收缩网络能够准确生成目标绿化区域的实际生长指标。训练样本集中的训练样本包括样本遥感数据、标注植被指数、标注叶面积指数。在此基础上,将样本遥感数据作为输入,将标注植被指数、标注叶面积指数作为期望输出,不断调整网络中各层的参数,直至满足训练停止条件,得到训练后的深度残差收缩网络。
研究发现,植物叶面在可见光红光波段有很强的吸收特性,在近红外波段有很强的反射特性,这是植被遥感监测的物理基础,通过这两个波段测量值的不同组合可得到不同的植被指数。根据需要,实际植被指数是利用不同波段探测值组合而成的,能反映植物生长状况的指数。实际叶面积指数(leaf area index)是指单位土地面积上植物叶片总面积占土地面积的倍数。通过上述训练过程,深度残差收缩网络可以学习到不同波段探测值组合的权重等参数,从而能够更加准确的生成实际生长指标。
步骤102,从云端获取模拟生长指标,并确定实际生长指标与模拟生长指标是否匹配。
在一些实施例中,上述执行主体可以从云端获取模拟生长指标。具体来说,云端部署有生长指标预测模型。在此基础上,可以将目标绿化区域的历史环境数据输入生长指标预测模型,从而得到模拟生长指标。其中,历史环境数据包括按不限于:温度数据、湿度数据、光照数据、土壤指标数据、绿化周期等等。这些数据可以通过布设在目标绿化区域的多个传感器采集得到。其中,生长指标预测模型可以是长短期记忆网络。
在此基础上,确定实际生长指标与模拟生长指标是否匹配,即确定实际生长指标与模拟生长指标之间的差值是否小于或等于预设差值阈值;若实际生长指标与模拟生长指标之间的差值大于预设差值阈值,则实际生长指标与模拟生长指标不匹配,反之,则匹配。
步骤103,若实际生长指标与模拟生长指标不匹配,则通过激光雷达对目标绿化区域进行探测,得到目标绿化区域的三维点云数据,将三维点云数据输入深度学习网络,得到目标绿化区域对应的三维特征,三维特征包括单木结构特征和植被垂直结构特征。
在一些实施例中,若实际生长指标与模拟生长指标不匹配,可以通过激光雷达对目标绿化区域进行探测,得到目标绿化区域的三维点云数据。由于激光雷达可以通过激光束穿透植被冠层, 因此三维特征不仅可以包括单木结构特征,还可以包括植被垂直结构特征。其中,单木结构特征包括冠型、叶形、分枝方式等;植被垂直结构是植被在空间中的垂直分化或成层现象,植被垂直结构特征包括冠层高度、不同植被垂直分布情况等。
在此基础上,可以将三维点云数据输入深度学习网络,从而得到目标绿化区域对应的三维特征。例如,深度学习网络可以是全连接神经网络或残差网络。
步骤104,获取目标绿化区域的航拍图像组,并针对航拍图像组进行特征提取,得到目标绿化区域对应的色彩特征和形态特征。
在一些实施例中,可以通过搭载有图像采集设备的无人机来采集目标绿化区域的航拍图像组。
具体的,获取目标绿化区域的航拍图像组,并针对航拍图像组进行特征提取,得到目标绿化区域对应的色彩特征和形态特征,包括以下步骤:
对航拍图像组进行关键帧提取,得到多个关键图像帧,其中,多个关键图像帧中每个关键图像帧对应有一个地理位置信息,地理位置信息包括经度、纬度和高度;
根据每个关键图像帧对应的地理位置信息中的经度和纬度对多个关键图像帧进行分组,得到多个第一关键图像帧组,每个第一关键图像帧组内的不同关键图像帧对应的地理位置之间的距离小于预设距离阈值,其中,不同关键图像帧对应的地理位置之间的距离是根据地理位置信息中的经度和纬度确定的;
将每个第一关键图像帧组中各个关键图像帧进行像素级别融合,得到每个第一关键图像帧组对应的融合图像,将每个第一关键图像帧组对应的融合图像输入主题色提取网络,得到第一数量个主题色,分别查找每个主题色对应的颜色编码信息,各个主题色对应的颜色编码信息和每个第一关键图像帧组对应的地理位置信息组成每个第一关键图像帧组对应的子色彩特征;多个第一关键图像帧组分别对应的子色彩特征组成目标绿化区域对应的色彩特征,其中,每个第一关键图像帧组对应的地理位置信息是根据每个第一关键图像帧组内的各个关键图像帧对应的地理位置信息确定的中心位置经度和纬度;
根据每个关键图像帧对应的地理位置信息中的高度对多个关键图像帧进行分组,得到多个第二关键图像帧组,每个第二关键图像帧组内的不同关键图像帧对应的高度之间的距离小于预设高度阈值;
将每个第二关键图像帧组中各个关键图像帧进行像素级别融合,得到每个第二关键图像帧组对应的融合图像,将每个第二关键图像帧组对应的融合图像输入形态提取网络,得到每个第二关键图像帧组对应的子形态特征;多个第二关键图像帧组分别对应的子形态特征组成目标绿化区域对应的形态特征。
步骤105,将三维特征、色彩特征和形态特征进行融合,得到融合特征,根据融合特征生成目标绿化区域对应的植被监测信息。
在一些实施例中,可以将三维特征、色彩特征和形态特征进行拼接后得到拼接特征,并将拼接特征输入预测网络(全连接网络),得到目标绿化区域对应的植被监测信息。实践中,植被监测信息包括植被生长状态信息、植被分布信息等等。植被分布信息包括植被分布均衡度分级,植被生长状态信息包括植被生长状态级别。
可选的,在将三维特征、色彩特征和形态特征进行融合,得到融合特征,根据融合特征生成目标绿化区域对应的植被监测信息之前,基于图像识别的绿化方法还包括:针对航拍图像组进行全局特征提取,得到目标绿化区域对应的全局特征;以及将三维特征、色彩特征和形态特征进行融合,得到融合特征,根据融合特征生成目标绿化区域对应的植被监测信息,包括:将三维特征、色彩特征、形态特征和全局特征进行拼接,得到拼接特征;将拼接特征输入全连接网络,得到目标绿化区域对应的植被监测信息。
可选的,植被监测信息包括植被生长状态级别;以及基于图像识别的绿化方法,还包括:当植被生长状态级别低于预设级别,获取通过布设于目标绿化区域的传感器采集目标时间区间内的环境数据序列,环境数据序列中的每个环境数据包括多个环境指标;对环境数据序列进行异常指标识别,以确定环境数据序列中的异常指标;针对异常指标,生成针对目标绿化区域的环境调节信息,并根据环境调节信息执行环境调节操作。
可选的,植被监测信息包括植被分布均衡度分级和植被密度分布图;以及基于图像识别的绿化方法,还包括:当植被分布均衡度分级低于预设级数,确定植被密度分布图中植被分布密度小于预设密度阈值的图像块和图像块的实际植被密度;根据图像块对应的实际植被密度,生成植被密度调整信息,并根据植被密度调整信息执行植被密度调整操作。
在一些实施例中,实现了绿化过程中植被生长状态的精确监测。具体来说,通过多种监测手段的融合,具体包括遥感数据、三维点云数据和航拍图像三种信息进行融合,从而提高了监测准确率;另外,通过引入三维点云数据,克服了单纯的二维投影并不能完全反映植被的形态特征的问题,进一步提高了植被监测信息准确率。
在一些实施例中,为了进一步解决背景技术部分所描述的技术问题三,即“植被生长过程中会火灾等各种自然灾害的影响,如何通过技术手段实现这些自然灾害的自动监测和预警是亟待解决的问题”,本发明的一些实施例中,还包括以下步骤:
步骤一,获取目标绿化区域的气象数据;
步骤二,从气象数据中提取预先确定的火灾敏感指标,将火灾敏感指标、目标绿化区域中多个监测点的温度信息、是否为特殊节日信息组成预测特征,将预测特征输入全连接网络,得到火灾预测信息,火灾预测信息包括目标绿化区域中多个监测点中每个监测点的火灾发生概率;
步骤三,当多个监测点中的目标监测点的火灾发生概率大于预设概率阈值,采集目标监测点对应的监测点图像,并将监测点图像输入主题色提取网络,得到目标监测点对应的实时主题色,将实时主题色与预先设定的预警主题色进行比对,以确定实时主题色与预先设定的预警主题色是否匹配;主题色提取网络可以是卷积神经网络。
步骤四,若实时主题色与预先设定的预警主题色匹配,生成第一预警信息,并将第一预警信息发送至目标绿化区域的第一预设范围内部署的多个救援站点的终端设备,第一预警信息用于提示工作人员进行救援物资盘点并上报救援物资盘点信息,其中,目标指标包括温度、湿度等;
步骤五,接收多个终端设备反馈的救援物资盘点信息,并基于目标监测点的火灾发生概率查询对应的物资配备基准信息,确定救援物资盘点信息与物资配备基准信息是否匹配,若不匹配,根据救援物资盘点信息与物资配备基准信息之间的差值,生成救援物资调拨信息,并将救援物资调拨信息发送至目标绿化区域的第二预设范围内部署的多个救援站点的终端设备,以对第一预设范围内部署的多个救援站点的救援物资进行调拨补充。
在这些实施例中,通过火灾敏感指标、目标绿化区域中多个监测点的温度信息、是否为特殊节日信息进行综合预测,从而提高了火灾发生概率的预测准确率。在此基础上,考虑到当火灾发生时会出现火苗、烟雾等现象,进而导致实时主题色发生变化,因此,通过实时主题色与预先设定的预警主题色匹配,可以尽早发现火灾,并自动进行物资盘点与调拨,以便于及时扑灭火灾,减少火灾带来的损失。
以上描述仅为本发明的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本发明中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (4)
1.一种基于图像识别的绿化方法,其特征在于,包括:
获取目标绿化区域的遥感数据,并将所述遥感数据输入深度残差收缩网络,得到所述目标绿化区域的实际生长指标,所述实际生长指标包括实际植被指数、实际叶面积指数;
从云端获取模拟生长指标,并确定所述实际生长指标与所述模拟生长指标是否匹配,其中,所述模拟生长指标是根据所述目标绿化区域的历史环境数据生成的;
若所述实际生长指标与所述模拟生长指标不匹配,则通过激光雷达对目标绿化区域进行探测,得到所述目标绿化区域的三维点云数据,将所述三维点云数据输入深度学习网络,得到所述目标绿化区域对应的三维特征,所述三维特征包括单木结构特征和植被垂直结构特征;
获取目标绿化区域的航拍图像组,并针对所述航拍图像组进行特征提取,得到所述目标绿化区域对应的色彩特征和形态特征;
将所述三维特征、所述色彩特征和所述形态特征进行融合,得到融合特征,根据所述融合特征生成所述目标绿化区域对应的植被监测信息;
其中,所述获取目标绿化区域的航拍图像组,并针对所述航拍图像组进行特征提取,得到所述目标绿化区域对应的色彩特征和形态特征,包括:
对所述航拍图像组进行关键帧提取,得到多个关键图像帧,其中,所述多个关键图像帧中每个关键图像帧对应有一个地理位置信息,所述地理位置信息包括经度、纬度和高度;
根据每个关键图像帧对应的地理位置信息中的经度和纬度,对所述多个关键图像帧进行分组,得到多个第一关键图像帧组,每个第一关键图像帧组内的不同关键图像帧对应的地理位置之间的距离小于预设距离阈值,其中,所述不同关键图像帧对应的地理位置之间的距离是根据所述地理位置信息中的经度和纬度确定的;
将每个第一关键图像帧组中各个关键图像帧进行像素级别融合,得到每个第一关键图像帧组对应的融合图像,将所述每个第一关键图像帧组对应的融合图像输入主题色提取网络,得到第一数量个主题色,分别查找每个主题色对应的颜色编码信息,各个主题色对应的颜色编码信息和所述每个第一关键图像帧组对应的地理位置信息组成每个第一关键图像帧组对应的子色彩特征;多个第一关键图像帧组分别对应的子色彩特征组成所述目标绿化区域对应的色彩特征,其中,所述每个第一关键图像帧组对应的地理位置信息是根据每个第一关键图像帧组内的各个关键图像帧对应的地理位置信息所述确定的中心位置经度和纬度;
所述获取目标绿化区域的航拍图像组,并针对所述航拍图像组进行特征提取,得到所述目标绿化区域对应的色彩特征和形态特征,还包括:
根据每个关键图像帧对应的地理位置信息中的高度对所述多个关键图像帧进行分组,得到多个第二关键图像帧组,每个第二关键图像帧组内的不同关键图像帧对应的高度之间的距离小于预设高度阈值;
将每个第二关键图像帧组中各个关键图像帧进行像素级别融合,得到每个第二关键图像帧组对应的融合图像,将所述每个第二关键图像帧组对应的融合图像输入形态提取网络,得到每个第二关键图像帧组对应的子形态特征;多个第二关键图像帧组分别对应的子形态特征组成所述目标绿化区域对应的形态特征。
2.根据权利要求1所述的基于图像识别的绿化方法,其特征在于,在所述将所述三维特征、所述色彩特征和所述形态特征进行融合,得到融合特征,根据所述融合特征生成所述目标绿化区域对应的植被监测信息之前,所述基于图像识别的绿化方法还包括:
针对所述航拍图像组进行全局特征提取,得到所述目标绿化区域对应的全局特征;以及
所述将所述三维特征、所述色彩特征和所述形态特征进行融合,得到融合特征,根据所述融合特征生成所述目标绿化区域对应的植被监测信息,包括:
将所述三维特征、所述色彩特征、所述形态特征和所述全局特征进行拼接,得到拼接特征;
将所述拼接特征输入全连接网络,得到所述目标绿化区域对应的植被监测信息。
3.根据权利要求2所述的基于图像识别的绿化方法,其特征在于,
所述植被监测信息包括植被生长状态级别;以及
所述基于图像识别的绿化方法,还包括:
当所述植被生长状态级别低于预设级别,获取通过布设于所述目标绿化区域的传感器采集目标时间区间内的环境数据序列,所述环境数据序列中的每个环境数据包括多个环境指标;
对所述环境数据序列进行异常指标识别,以确定所述环境数据序列中的异常指标;
针对所述异常指标,生成针对目标绿化区域的环境调节信息,并根据所述环境调节信息执行环境调节操作。
4.根据权利要求3所述的基于图像识别的绿化方法,其特征在于,所述植被监测信息包括植被分布均衡度分级和植被密度分布图;以及
所述基于图像识别的绿化方法,还包括:
当所述植被分布均衡度分级低于预设级数,确定所述植被密度分布图中植被分布密度小于预设密度阈值的图像块和所述图像块的实际植被密度;
根据所述图像块对应的实际植被密度,生成植被密度调整信息,并根据所述植被密度调整信息执行植被密度调整操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410436135.6A CN118038300B (zh) | 2024-04-11 | 2024-04-11 | 一种基于图像识别的绿化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410436135.6A CN118038300B (zh) | 2024-04-11 | 2024-04-11 | 一种基于图像识别的绿化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118038300A CN118038300A (zh) | 2024-05-14 |
CN118038300B true CN118038300B (zh) | 2024-06-11 |
Family
ID=91002673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410436135.6A Active CN118038300B (zh) | 2024-04-11 | 2024-04-11 | 一种基于图像识别的绿化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118038300B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104503518A (zh) * | 2014-11-28 | 2015-04-08 | 北京中农腾达科技有限公司 | 一种小型智能化植物生长系统 |
CA3146711A1 (en) * | 2019-09-09 | 2021-03-18 | Supriya KAPUR | Systems and methods for processing images of slides to infer biomarkers |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10234439B2 (en) * | 2012-11-07 | 2019-03-19 | Airscout Inc. | Methods and systems for analyzing a field |
-
2024
- 2024-04-11 CN CN202410436135.6A patent/CN118038300B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104503518A (zh) * | 2014-11-28 | 2015-04-08 | 北京中农腾达科技有限公司 | 一种小型智能化植物生长系统 |
CA3146711A1 (en) * | 2019-09-09 | 2021-03-18 | Supriya KAPUR | Systems and methods for processing images of slides to infer biomarkers |
Non-Patent Citations (2)
Title |
---|
Unmanned Aerial vehicle’s runway landing system with efficient target detection by using morphological fusion for military surveillance system;N. Nagarani等;《Computer Communications》;20191223;第463–472页 * |
利用无人机遥感的矿区复垦耕地的作物生物量精细化评价;张建勇;《中国博士学拉论文全文数据库 农业科技辑》;20220115;第D043-5页 * |
Also Published As
Publication number | Publication date |
---|---|
CN118038300A (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106441233B (zh) | 基于倾斜摄影三维重建技术的电力通道走廊巡检方法 | |
CN110213376B (zh) | 一种用于虫害预防的信息处理系统及方法 | |
Koukoulas et al. | Mapping individual tree location, height and species in broadleaved deciduous forest using airborne LIDAR and multi‐spectral remotely sensed data | |
CN112308292B (zh) | 一种火灾风险等级分布图的绘制方法 | |
US8649553B2 (en) | Method for predicting a trend of a meteorological phenomenon on the basis of data originating from a meteorological radar | |
CN110929592A (zh) | 一种用于海上养殖区外边界的提取方法及系统 | |
CN104834920A (zh) | 一种无人机多光谱图像的智能林火识别方法及装置 | |
CN106403904A (zh) | 一种基于无人机的景观尺度植被覆盖度的计算方法及系统 | |
CN114035604B (zh) | 一种视频监控和无人机空地联动的异常目标检测方法 | |
CN111539325A (zh) | 基于深度学习的森林火灾探测方法 | |
CN115880466B (zh) | 基于无人机遥感的城市工程测绘方法及系统 | |
CN115731545A (zh) | 一种基于融合感知的电缆隧道巡检方法及装置 | |
KR102591379B1 (ko) | 랜덤포레스트 기계학습과 기상 관측 및 모델 예측 자료를 이용한 실시간 시정 산출 방법 | |
CN117571056B (zh) | 一种基于物联网的环境保护监测方法、系统 | |
KR102331410B1 (ko) | 재난 사고 현장 대응형 드론 표준 운용 방법 및 그 시스템 | |
CN118038300B (zh) | 一种基于图像识别的绿化方法 | |
CN114494845A (zh) | 一种用于施工项目现场人工智能隐患排查系统及其排查方法 | |
CN116665081B (zh) | 一种滨海植被地上生物量的估算方法、计算机设备及介质 | |
RU2716477C1 (ru) | Система мониторинга лесопользования и лесопатологических изменений | |
Zheng et al. | Forest farm fire drone monitoring system based on deep learning and unmanned aerial vehicle imagery | |
CN113256567B (zh) | 香蕉叶面积指数检测方法及系统 | |
US20240103537A1 (en) | Methods, systems, and devices for inspecting structures and objects | |
CN115664006A (zh) | 一种增量配电网智能管控一体化平台 | |
CN114755674A (zh) | 基于人工智能的多站雷达融合监测系统 | |
CN113514402A (zh) | 一种冬小麦叶绿素含量的预测系统及方法 |
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 |