CN118230195A - 一种无人机数据采集的柚树识别和数量监测方法及系统 - Google Patents
一种无人机数据采集的柚树识别和数量监测方法及系统 Download PDFInfo
- Publication number
- CN118230195A CN118230195A CN202410309570.2A CN202410309570A CN118230195A CN 118230195 A CN118230195 A CN 118230195A CN 202410309570 A CN202410309570 A CN 202410309570A CN 118230195 A CN118230195 A CN 118230195A
- Authority
- CN
- China
- Prior art keywords
- growth
- tree
- trees
- trunk
- shaddock
- 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.)
- Pending
Links
- 244000276331 Citrus maxima Species 0.000 title claims abstract description 96
- 235000001759 Citrus maxima Nutrition 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 238000012216 screening Methods 0.000 claims abstract description 49
- 238000012512 characterization method Methods 0.000 claims abstract description 35
- 239000001606 7-[(2S,3R,4S,5S,6R)-4,5-dihydroxy-6-(hydroxymethyl)-3-[(2S,3R,4R,5R,6S)-3,4,5-trihydroxy-6-methyloxan-2-yl]oxyoxan-2-yl]oxy-5-hydroxy-2-(4-hydroxyphenyl)chroman-4-one Substances 0.000 claims description 25
- 229930019673 naringin Natural products 0.000 claims description 25
- DFPMSGMNTNDNHN-ZPHOTFPESA-N naringin Chemical compound O[C@@H]1[C@H](O)[C@@H](O)[C@H](C)O[C@H]1O[C@H]1[C@H](OC=2C=C3O[C@@H](CC(=O)C3=C(O)C=2)C=2C=CC(O)=CC=2)O[C@H](CO)[C@@H](O)[C@@H]1O DFPMSGMNTNDNHN-ZPHOTFPESA-N 0.000 claims description 25
- 229940052490 naringin Drugs 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 15
- FTVWIRXFELQLPI-ZDUSSCGKSA-N (S)-naringenin Chemical compound C1=CC(O)=CC=C1[C@H]1OC2=CC(O)=CC(O)=C2C(=O)C1 FTVWIRXFELQLPI-ZDUSSCGKSA-N 0.000 claims description 13
- WGEYAGZBLYNDFV-UHFFFAOYSA-N naringenin Natural products C1(=O)C2=C(O)C=C(O)C=C2OC(C1)C1=CC=C(CC1)O WGEYAGZBLYNDFV-UHFFFAOYSA-N 0.000 claims description 13
- 229940117954 naringenin Drugs 0.000 claims description 13
- 235000007625 naringenin Nutrition 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 7
- 235000013399 edible fruits Nutrition 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 210000003462 vein Anatomy 0.000 claims description 2
- 238000013138 pruning Methods 0.000 claims 1
- 241000196324 Embryophyta Species 0.000 abstract description 4
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002420 orchard Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于植物识别监测技术领域,本发明提供了一种无人机数据采集的柚树识别和数量监测方法及系统,包括:基于柚树的历史生长数据,构建树叶变化曲线图,根据树叶信息与变化曲线图的比较进行第一轮识别筛选,基于树木的图像,计算图像中树木的生长轮廓表征值,将图像中树木的生长轮廓表征值对应的树叶的宽度与长度之比和对应的变化曲线进行比较,根据比较结果对树木进行筛选并判断是否进行第二轮筛选,第二轮筛选则根据树木的树干信息对树木进行筛选,本发明基于历史数据构建变化曲线图,与图像中的树木等信息进行比较,去除了因为树木生长年限不同导致树木大小不同而产生的识别错误影响因素,通过两轮识别筛选极大提高了柚树的识别精度。
Description
技术领域
本发明属于植物识别监测技术领域,具体地说是一种无人机数据采集的柚树识别和数量监测方法及系统。
背景技术
柚树种植是农业生产的重要组成部分,柚树的数量监测对于种植管理至关重要。传统的柚树数量监测方法主要依靠人工计数,这种方法既耗时又容易出错。近年来,无人机技术的发展为柚树数量监测提供了新的解决方案。然而,现有的无人机监测系统在柚树识别和数量统计方面仍存在准确率不高、处理速度慢等问题。
公开号为CN110569786A的一项中国专利申请公开了本发明提出一种基于无人机数据采集的果树识别和数量监测方法,包括:S1-1,对无人机采集的多幅图像进行拼接,根据拼接后的图像得到三维点云数据集和数字表面模型DSM数据;S1-2,对三维点云数据集进行布料模拟滤波CSF处理,得到数字高程模型DEM数据;S1-3,对DEM进行异常值剔除和DEM校准;S1-4,根据DEM数据和DSM数据计算差值求得果园的树高数据,并将树高数据转化为灰度图,再进一步将灰度图转化为假彩图图像。本发明还提出一种对应的系统。本发明解决了树木影子和杂草对无人机遥感图像处理产生影响,提高了果树识别和数量统计精度。
上现有技术中,解决了树木影子和杂草对无人机遥感图像处理产生影响,提高了果树识别和数量统计精度,但未考虑到同种树木因生长年限不同,且轮廓和大小等方面各不相同,并未极大地提高果树的识别精度。
为此,本发明提供一种无人机数据采集的柚树识别和数量监测方法及系统。
发明内容
为了弥补现有技术的不足,解决背景技术中所提出的至少一个技术问题。
本发明解决其技术问题所采用的技术方案是:一种无人机数据采集的柚树识别和数量监测方法及系统,包括:
步骤一:通过无人机采集一定范围区域内的树木的图像数据,树木图像数据包括树木的树叶信息和树干信息;
步骤二:根据树叶信息进行第一轮识别筛选,具体筛选过程如下:
S1,基于柚树的历史生长数据,构建树叶变化曲线图;
S2,基于树木的图像,计算图像中树木的生长轮廓表征值;
S3,将图中树木的生长轮廓表征值对应的树叶的宽度与长度之比标记点和树叶表面纹路数量与树叶面积之比标记点树叶变化曲线进行比较:
若标记点分别位于对应的变化曲线轨迹上,则进行第二轮筛选;
若标记点全都不或不全都位于对应的变化曲线轨迹上,则进行分析,具体分析过程为:获得图中树叶的宽度与长度之比标记点与对应变化曲线之间的最短距离,并标记为ai;获得图中树叶表面纹路数量与树叶面积之比标记点与对应变化曲线之间的最短距离,并标记为bi;
将获得的最短距离ai与bi与预设阈值进行比较:
若ai≤预设阈值且bi≤预设阈值,则该图像中的树木疑似柚树,进行第二轮识别筛选;
若ai>预设阈值且bi>预设阈值,则表示该图像中的树木不是柚树,并在图像中进行框选标注;
步骤三;根据树干信息进行第二轮识别筛选;
步骤四:在采集的图像中,将所有树木的数量与框选的树木数量进行差值处理,获得柚树的数量;
步骤五:获取该地区以往至少五年内的温度数据,基于以往至少五年内的温度数据构建柚树的生长速率模型,基于生长速率模型对预测年限后预测区域内的柚树生长状态进行预测。
作为本发明进一步的技术方案为:所述树叶信息包括树叶的形状数据和树叶纹理发散数据,树干信息包括树干的树皮剥落程度数据和树干的树皮纹理深度数据;
所述树叶的形状数据表示为树叶的宽度与长度之比;
所述树叶纹理发散数据表示为树叶表面纹路数量与树叶面积之比;
所述树干的树皮的剥落程度数据表示为树干的树皮的剥落面积与树干树皮总面积之比;
所述树干的树皮的纹理深度数据表示为树干纹理的最大深度与最小深度之比。
作为本发明进一步的技术方案为:所述树叶变化曲线图中包括生长轮廓对应的树叶的宽度与长度之比变化曲线和生长轮廓对应的树叶表面纹路数量与树叶面积之比变化曲线。
作为本发明进一步的技术方案为:根据所述树干信息进行第二轮识别筛选,筛选过程如下:
若图中树木的生长轮廓表征值对应的树干的树皮的剥落面积与树干树皮总面积之比标记点和对应的树干纹理的最大深度与最小深度之比标记点分别位于对应的变化曲线轨迹上,则判定该图像中的树木为柚树;
若图中树木的生长轮廓表征值对应的树干的树皮的剥落面积与树干树皮总面积之比标记点和对应的树干纹理的最大深度与最小深度之比标记点全都不或不全都位于对应的变化曲线轨迹上,则进行分析。
作为本发明进一步的技术方案为:所述分析包括:
S111,获得图中树木的生长轮廓表征值对应的树干的树皮的剥落面积与树干树皮总面积之比标记点与对应变化曲线之间的最短距离,将其标记为ci;
S112,获得树干纹理的最大深度与最小深度之比标记点和对应变化曲线之间的最短距离,将其标记为di;
S113,将最短距离ci和di具体比较过程如下:
若ci≤预设阈值且di≤预设阈值,则该图像中的树木为柚树;
若ci>预设阈值且di>预设阈值,则表示该图像中的树木不是柚树,并在图像中进行框选标注。
作为本发明进一步的技术方案为:所述预设阈值与第一轮识别筛选步骤中的预设阈值相同,预设阈值的获得过程为:
利用无人机采集柚树的图像数据,将图像数据中包含的树叶的宽度与长度之比、树叶表面纹路数量与树叶面积之比、树干的树皮的剥落面积与树干树皮总面积之比、树干纹理的最大深度与最小深度之比与实际柚树的树叶的宽度与长度之比、树叶表面纹路数量与树叶面积之比、树干的树皮的剥落面积与树干树皮总面积之比、树干纹理的最大深度与最小深度之比分别进行差值处理,并将其获得的差值进行求和取均值,将其获得的均值作为识别筛选过程中的预设阈值。
作为本发明进一步的技术方案为:获取所述该地区以往至少五年内的温度数据,基于以往至少五年内的温度数据构建柚树的生长速率模型,具体为:
计算五年内第一年至第五年的平均温度变化总值,并将其标记为hi;
获取以往五年内的柚树生长数据,基于生长数据计算五年内第一年至第五年柚树的生长变化幅度;
将柚树第一年至第五年的生长变化高度标记为Ki、第一年至第五年的树干生长变化直径标记为Pi以及第一年至第五年柚树的占地变化面积标记为Mi;
将第一年至第五年的生长变化高度Ki、第一年至第五年的树干生长变化直径Pi以及第一年至第五年柚树的占地变化面积Mi进行量化处理,取其值代入公式:第一年至第五年柚树的生长变化幅度Si,其中,β、γ、ρ为预设比例系数;
根据获得第一年至第五年的平均温度变化总值hi和第一年至第五年柚树的生长状态变化幅度Si构建生长速率模型。
作为本发明进一步的技术方案为:所述具体模型为:
其中,a1和a2为预设比例因子,a1取值为0.2856,a2取值为0.2564,t为第一年至第五年的生长时间,t测为柚树预测时间。
作为本发明进一步的技术方案为:基于所述生长速率模型对预测年限后预测区域内的柚树生长状态进行预测,包括:
将柚树的预测年限代入生长速率模型,获得在预测年限后的柚树生长速率;
在图像中选取预测区域,计算该预测区域中的柚树的平均生长状态表征值,具体计算过程如下:
获取柚树的生长高度和枝干数量,并将其标记为xi和vi;
通过公式:ni=xi×s1+vi×s2获得初始生长状态表征值ni,其中,s1和s2为预设比例系数;
将预测年限后的柚树生长速率与预测年限进行乘积处理,将处理后的结果与预测区域中的柚树的初始生长状态表征值ni进行求和,获得预测年限后该区域的生长状态表征值,将预测年限后该区域的生长平均高度表征值与预设阈值进行比较;
若预测年限后该区域的生长状态表征值≥预设阈值,则表示在预测年限后该预测区域的柚树生长状态较好;
若预测年限后该区域的生长状态表征值<预设阈值,则表示在预测年限后该预测区域的柚树生长状态较差。
一种无人机数据采集的柚树识别和数量监测系统,包括:
无人机采集模块,所述无人机采集模块用于通过无人机采集一定范围区域内的树木的图像数据;
第一筛选模块,所述第一筛选模块用于根据树叶信息对图像中的树木进行筛选;
第二筛选模块,所述第二筛选模块用于根据树干信息对图像中的树木进行筛选;
数量统计模块,所述数量统计模块用于统计所有树木的数量以及框选的树木数量,将所有树木的数量与框选的树木数量进行差值处理,获得柚树的数量;
生长预测模块,所述生长预测模块用于根据以往至少五年内的温度数据构建柚树的生长速率模型,并基于生长速率模型对预测年限后预测区域内的柚树生长状态进行预测
本发明的有益效果如下:
1.本发明所述的一种无人机数据采集的柚树识别和数量监测方法及系统,基于柚树的历史生长数据,构建树叶变化曲线图,根据树叶信息与变化曲线图的比较进行第一轮识别筛选,具体为,基于树木的图像,计算图像中树木的生长轮廓表征值,将图像中树木的生长轮廓表征值对应的树叶的宽度与长度之比和树叶表面纹路数量与树叶面积之比分别在图中进行标记并与变化曲线进行比较,根据比较结果对树木进行筛选并判断是否进行第二轮筛选,第二轮筛选则根据树木的树干信息对不是柚树的树木进行筛除,最终整体实现对柚木的识别,本发明基于历史数据构建变化曲线图,与图像中的树木等信息进行比较,去除了因为树木生长年限不同导致树木大小不同而产生的识别错误影响因素,通过两轮识别筛选极大提高了柚树的识别精度。
2.本发明所述的一种无人机数据采集的柚树识别和数量监测方法及系统,基于温度数据计算五年内第一年至第五年的平均温度变化总值,并获得五年内第一年至第五年的平均温度变化总值,基于柚树生长数据计算五年内第一年至第五年柚树的生长变化幅度,根据获得第一年至第五年的平均温度变化总值和第一年至第五年柚树的生长状态变化幅度构建生长速率模型将,柚树的预测年限代入生长速率模型,获得在预测年限后的柚树生长速率,计算该预测区域中的柚树的平均生长状态表征值,将预测年限后的柚树生长速率与预测年限进行乘积处理,将处理后的结果与预测区域中的柚树的初始生长状态表征值进行求和,获得预测年限后该区域的生长状态表征值,将预测年限后该区域的生长平均高度表征值与预设阈值进行比较,本发明通过对无人机采集数据进行分析,从而实现了对一定图像采集区域内的柚树生长状态进行预测。
附图说明
下面结合附图对本发明作进一步说明。
图1是本发明实施例一的方法流程图;
图2是本发明实施例一的筛选流程图;
图3是本发明实施例二的系统模块图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
实施例一
如图1所示,本发明实施例所述的一种无人机数据采集的柚树识别和数量监测方法,包括:
步骤一:通过无人机采集一定范围区域内的树木的图像数据,树木图像数据包括树木的树叶信息和树干信息;
基于无人机采集一定范围区域内的树木的图像以及图像数据对树木进行两轮识别筛选,第一轮识别筛选根据树叶信息进行筛选,第二轮识别筛选根据树干信息进行筛选;
树叶信息包括树叶的形状数据和树叶纹理发散数据,树干信息包括树干的树皮剥落程度数据和树干的树皮纹理深度数据;
树叶的形状数据表示为树叶的宽度与长度之比,树叶纹理发散数据表示为树叶表面纹路数量与树叶面积之比,树干的树皮的剥落程度数据表示为树干的树皮的剥落面积与树干树皮总面积之比,树干的树皮的纹理深度数据表示为树干纹理的最大深度与最小深度之比;
具体筛选过程如下:
如图2所示,第一轮识别筛选:
S1,基于柚树的历史生长数据,根据随着树木生长年限增加而变化的树木生长轮廓表征值、生长轮廓对应的树叶的宽度与长度之比和生长轮廓对应的树叶表面纹路数量与树叶面积之比构建树叶变化曲线图,图中,X轴表示树木的轮廓表征值,Y轴表示生长轮廓对应的树叶的宽度与长度之比和生长轮廓对应的树叶表面纹路数量与树叶面积之比,树叶变化曲线图中包括生长轮廓对应的树叶的宽度与长度之比变化曲线和生长轮廓对应的树叶表面纹路数量与树叶面积之比变化曲线;
S2,基于树木的图像,计算图像中树木的生长轮廓表征值,其中,生长轮廓表征值=树木的树高×树木整体所占范围面积;
S3,将图像中树木的生长轮廓表征值在X轴上相应位置进行标记,并将图像中树木的生长轮廓表征值对应的树叶的宽度与长度之比和树叶表面纹路数量与树叶面积之比分别在图中进行标记;
将图中树木的生长轮廓表征值对应的树叶的宽度与长度之比标记点和树叶表面纹路数量与树叶面积之比标记点与其生长轮廓表征值对应的树叶的宽度与长度之比变化曲线和生长轮廓表征值对应的树叶表面纹路数量与树叶面积之比变化曲线进行比较:
若图中树木的生长轮廓表征值对应的树叶的宽度与长度之比标记点和对应的树叶表面纹路数量与树叶面积之比标记点分别位于生长轮廓表征值对应的树叶的宽度与长度之比变化曲线和生长轮廓表征值对应的树叶表面纹路数量与树叶面积之比变化曲线轨迹上,则进行第二轮筛选;
若图中树木的生长轮廓表征值对应的树叶的宽度与长度之比标记点和对应的树叶表面纹路数量与树叶面积之比标记点全都不或不全都位于生长轮廓表征值对应的树叶的宽度与长度之比变化曲线和生长轮廓表征值对应的树叶表面纹路数量与树叶面积之比变化曲线轨迹上,则进行分析,具体分析过程为:
S11,获得图中树木的生长轮廓表征值对应的树叶的宽度与长度之比标记点与生长轮廓表征值对应的树叶的宽度与长度之比变化曲线之间的最短距离,将其标记为ai;
S12,获得树叶表面纹路数量与树叶面积之比标记点和生长轮廓表征值对应的树叶表面纹路数量与树叶面积之比变化曲线之间的最短距离,将其标记为bi;
S13,将图中树木的生长轮廓表征值对应的树叶的宽度与长度之比标记点与生长轮廓表征值对应的树叶的宽度与长度之比变化曲线之间的最短距离ai和树叶表面纹路数量与树叶面积之比标记点和生长轮廓表征值对应的树叶表面纹路数量与树叶面积之比变化曲线之间的最短距离bi与预设阈值进行比较,具体比较过程如下:
若ai≤预设阈值且bi≤预设阈值,则该图像中的树木疑似柚树,进行第二轮识别筛选;
若ai>预设阈值且bi>预设阈值,则表示该图像中的树木不是柚树,并在图像中进行框选标注;
第二轮识别筛选:
第二轮识别筛选的原理与第一轮识别筛选的原理相同,此处不进行一一说明,进行简化说明,如下:
若图中树木的生长轮廓表征值对应的树干的树皮的剥落面积与树干树皮总面积之比标记点和对应的树干纹理的最大深度与最小深度之比标记点分别位于生长轮廓表征值对应的树干的树皮的剥落面积与树干树皮总面积之比变化曲线和生长轮廓表征值对应的树干纹理的最大深度与最小深度之比变化曲线轨迹上,则该图像中的树木为柚树;
若图中树木的生长轮廓表征值对应的树干的树皮的剥落面积与树干树皮总面积之比标记点和对应的树干纹理的最大深度与最小深度之比标记点全都不或不全都位于生长轮廓表征值对应的树干的树皮的剥落面积与树干树皮总面积之比变化曲线和生长轮廓表征值对应的树干纹理的最大深度与最小深度之比变化曲线轨迹上,则进行分析,具体分析过程为:
S111,获得图中树木的生长轮廓表征值对应的树干的树皮的剥落面积与树干树皮总面积之比标记点与生长轮廓表征值对应的树干的树皮的剥落面积与树干树皮总面积之比变化曲线之间的最短距离,将其标记为ci;
S112,获得树干纹理的最大深度与最小深度之比标记点和生长轮廓表征值对应的树干纹理的最大深度与最小深度之比变化曲线之间的最短距离,将其标记为di;
S113,将图中树木的生长轮廓表征值对应的树干的树皮的剥落面积与树干树皮总面积之比标记点与生长轮廓表征值对应的树干的树皮的剥落面积与树干树皮总面积之比变化曲线之间的最短距离ci和树干纹理的最大深度与最小深度之比标记点分别和生长轮廓表征值对应的树干纹理的最大深度与最小深度之比变化曲线之间的最短距离di与预设阈值进行比较,具体比较过程如下:
若ci≤预设阈值且di≤预设阈值,则该图像中的树木为柚树;
若ci>预设阈值且di>预设阈值,则表示该图像中的树木不是柚树,并在图像中进行框选标注;
需要说明的是,上述比较过程中的预设阈值相同,其中预设阈值的获得过程为:利用无人机采集柚树的图像数据,将图像数据中包含的树叶的宽度与长度之比、树叶表面纹路数量与树叶面积之比、树干的树皮的剥落面积与树干树皮总面积之比、树干纹理的最大深度与最小深度之比与实际柚树的树叶的宽度与长度之比、树叶表面纹路数量与树叶面积之比、树干的树皮的剥落面积与树干树皮总面积之比、树干纹理的最大深度与最小深度之比分别进行差值处理,并将其获得的差值进行求和取均值,将其获得的均值作为识别筛选过程中的预设阈值;
步骤二:在采集的图像中,统计所有树木的数量以及框选的树木数量,将所有树木的数量与框选的树木数量进行差值处理,获得柚树的数量;
步骤三:获取该地区以往至少五年内的温度数据,基于以往至少五年内的温度数据构建柚树的生长速率模型,基于生长速率模型对预测年限后预测区域内的柚树生长状态进行预测;
温度数据表示为五年内每年每个季节的平均温度;
计算五年内第一年至第五年的平均温度变化总值,其中,第一年至第五年的平均温度变化总值获得过程为:
计算一年内季节交替的变化平均温度,一年内季节交替的变化平均温度为一年内每两个连续季节的平均温度均值的差值之和;
将第一年至第五年内所有一年内的季节交替的变化平均温度进行求和,获得五年内第一年至第五年的平均温度变化总值,将其标记为hi;
获取以往五年内的柚树生长数据,基于生长数据计算五年内第一年至第五年柚树的生长变化幅度;
生长数据包括:柚树第一年至第五年的生长变化高度、第一年至第五年的树干生长变化直径以及第一年至第五年柚树的占地变化面积;
将柚树第一年至第五年的生长变化高度标记为Ki、第一年至第五年的树干生长变化直径标记为Pi以及第一年至第五年柚树的占地变化面积标记为M i;
将第一年至第五年的生长变化高度Ki、第一年至第五年的树干生长变化直径Pi以及第一年至第五年柚树的占地变化面积Mi进行量化处理,取其值代入公式:第一年至第五年柚树的生长变化幅度Si,其中,β、γ、ρ为预设比例系数;
根据获得第一年至第五年的平均温度变化总值hi和第一年至第五年柚树的生长状态变化幅度Si构建生长速率模型,具体模型为:
其中,a1和a2为预设比例因子,a1取值为0.2856,a2取值为0.2564,t为第一年至第五年的生长时间,t测为柚树预测时间;
对无人机采集的图像中的柚树生长情况进行预测,根据预测需求,获得柚树的预测年限,将柚树的预测年限作为预测时间代入生长速率模型,获得在预测年限后的柚树生长速率;
根据预测需求,在图像中选取预测区域,计算该预测区域中的柚树的平均生长状态表征值,具体计算过程如下:
获取柚树的生长高度和枝干数量,并将其标记为xi和vi;
通过公式:ni=xi×s1+vi×s2获得初始生长状态表征值ni,其中,s1和s2为预设比例系数;
将预测年限后的柚树生长速率与预测年限进行乘积处理,将处理后的结果与预测区域中的柚树的初始生长状态表征值ni进行求和,获得预测年限后该区域的生长状态表征值,将预测年限后该区域的生长平均高度表征值与预设阈值进行比较;
若预测年限后该区域的生长状态表征值≥预设阈值,则表示在预测年限后该预测区域的柚树生长状态较好;
若预测年限后该区域的生长状态表征值<预设阈值,则表示在预测年限后该预测区域的柚树生长状态较差。
实施例二
基于实施例一的基础上,如图3所示,本发明实施例所述的一种无人机数据采集的柚树识别和数量监测系统,包括:
无人机采集模块,无人机采集模块用于通过无人机采集一定范围区域内的树木的图像数据;
第一筛选模块,第一筛选模块用于根据树叶信息对图像中的树木进行筛选;
第二筛选模块,第二筛选模块用于根据树干信息对图像中的树木进行筛选;
数量统计模块,数量统计模块用于统计所有树木的数量以及框选的树木数量,将所有树木的数量与框选的树木数量进行差值处理,获得柚树的数量;
生长预测模块,生长预测模块用于根据以往至少五年内的温度数据构建柚树的生长速率模型,并基于生长速率模型对预测年限后预测区域内的柚树生长状态进行预测。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种无人机数据采集的柚树识别和数量监测方法,其特征在于:包括:
步骤一:通过无人机采集一定范围区域内树木的图像数据,树木图像数据包括树木的树叶信息和树干信息;
步骤二:根据树叶信息进行第一轮识别筛选,具体筛选过程如下:
S1,基于柚树的历史生长数据,构建树叶变化曲线图;
S2,基于树木的图像,计算图像中树木的生长轮廓表征值;
S3,将图中树木的生长轮廓表征值对应的树叶的宽度与长度之比标记点和树叶表面纹路数量与树叶面积之比标记点树叶变化曲线进行比较:
若标记点分别位于对应的变化曲线轨迹上,则进行第二轮筛选;
若标记点全都不或不全都位于对应的变化曲线轨迹上,则进行分析,具体分析过程为:获得图中树叶的宽度与长度之比标记点与对应变化曲线之间的最短距离,并标记为ai;获得图中树叶表面纹路数量与树叶面积之比标记点与对应变化曲线之间的最短距离,并标记为bi;
将获得的最短距离ai与bi与预设阈值进行比较:
若ai≤预设阈值且bi≤预设阈值,则该图像中的树木疑似柚树,进行第二轮识别筛选;
若ai>预设阈值且bi>预设阈值,则表示该图像中的树木不是柚树,并在图像中进行框选标注;
步骤三:根据树干信息进行第二轮识别筛选;
步骤四:在采集的图像中,将所有树木的数量与框选的树木数量进行差值处理,获得柚树的数量;
步骤五:获取该地区以往至少五年内的温度数据,基于以往至少五年内的温度数据构建柚树的生长速率模型,基于生长速率模型对预测年限后预测区域内的柚树生长状态进行预测;五年以上的柚树生长开始进入产果区,因人工修剪,柚树核心主干生长变化较小。
2.根据权利要求1所述的一种无人机数据采集的柚树识别和数量监测方法,其特征在于:
所述树叶信息包括树叶的形状数据和树叶纹理发散数据,树干信息包括树干的树皮剥落程度数据和树干的树皮纹理深度数据;
所述树叶的形状数据表示为树叶的宽度与长度之比;
所述树叶纹理发散数据表示为树叶表面纹路数量与树叶面积之比;
所述树干的树皮的剥落程度数据表示为树干的树皮的剥落面积与树干树皮总面积之比;
所述树干的树皮的纹理深度数据表示为树干纹理的最大深度与最小深度之比。
3.根据权利要求1所述的一种无人机数据采集的柚树识别和数量监测方法,其特征在于:所述树叶变化曲线图中包括生长轮廓对应的树叶的宽度与长度之比变化曲线和生长轮廓对应的树叶表面纹路数量与树叶面积之比变化曲线。
4.根据权利要求1所述的一种无人机数据采集的柚树识别和数量监测方法,其特征在于:根据所述树干信息进行第二轮识别筛选,筛选过程如下:
若图中树木的生长轮廓表征值对应的树干的树皮的剥落面积与树干树皮总面积之比标记点和对应的树干纹理的最大深度与最小深度之比标记点分别位于对应的变化曲线轨迹上,则判定该图像中的树木为柚树;
若图中树木的生长轮廓表征值对应的树干的树皮的剥落面积与树干树皮总面积之比标记点和对应的树干纹理的最大深度与最小深度之比标记点全都不或不全都位于对应的变化曲线轨迹上,则进行分析。
5.根据权利要求4所述的一种无人机数据采集的柚树识别和数量监测方法,其特征在于:所述分析包括:
S111,获得图中树木的生长轮廓表征值对应的树干的树皮的剥落面积与树干树皮总面积之比标记点与对应变化曲线之间的最短距离,将其标记为ci;
S112,获得树干纹理的最大深度与最小深度之比标记点和对应变化曲线之间的最短距离,将其标记为di;
S113,将最短距离ci和di具体比较过程如下:
若ci≤预设阈值且di≤预设阈值,则该图像中的树木为柚树;
若ci>预设阈值且di>预设阈值,则表示该图像中的树木不是柚树,并在图像中进行框选标注。
6.根据权利要求5所述的一种无人机数据采集的柚树识别和数量监测方法,其特征在于:
所述预设阈值与第一轮识别筛选步骤中的预设阈值相同,预设阈值的获得过程为:
利用无人机采集柚树的图像数据,将图像数据中包含的树叶的宽度与长度之比、树叶表面纹路数量与树叶面积之比、树干的树皮的剥落面积与树干树皮总面积之比、树干纹理的最大深度与最小深度之比与实际柚树的树叶的宽度与长度之比、树叶表面纹路数量与树叶面积之比、树干的树皮的剥落面积与树干树皮总面积之比、树干纹理的最大深度与最小深度之比分别进行差值处理,并将其获得的差值进行求和取均值,将其获得的均值作为识别筛选过程中的预设阈值。
7.根据权利要求1所述的一种无人机数据采集的柚树识别和数量监测方法,其特征在于:
获取所述该地区以往至少五年内的温度数据,基于以往至少五年内的温度数据构建柚树的生长速率模型,具体为:
计算五年内第一年至第五年的平均温度变化总值,并将其标记为hi;
获取以往五年内的柚树生长数据,基于生长数据计算五年内第一年至第五年柚树的生长变化幅度;
将柚树第一年至第五年的生长变化高度标记为Ki、第一年至第五年的树干生长变化直径标记为Pi以及第一年至第五年柚树的占地变化面积标记为Mi;
将第一年至第五年的生长变化高度Ki、第一年至第五年的树干生长变化直径Pi以及第一年至第五年柚树的占地变化面积Mi进行量化处理,取其值代入公式:第一年至第五年柚树的生长变化幅度Si,其中,β、γ、ρ为预设比例系数;
根据获得第一年至第五年的平均温度变化总值hi和第一年至第五年柚树的生长状态变化幅度Si构建生长速率模型。
8.根据权利要求1所述的一种无人机数据采集的柚树识别和数量监测方法,其特征在于:所述具体模型为:
其中,a1和a2为预设比例因子,a1取值为0.2856,a2取值为0.2564,t为第一年至第五年的生长时间,t测为柚树预测时间。
9.根据权利要求1所述的一种无人机数据采集的柚树识别和数量监测方法,其特征在于:
基于所述生长速率模型对预测年限后预测区域内的柚树生长状态进行预测,包括:
将柚树的预测年限代入生长速率模型,获得在预测年限后的柚树生长速率;
在图像中选取预测区域,计算该预测区域中的柚树的平均生长状态表征值,具体计算过程如下:
获取柚树的生长高度和枝干数量,并将其标记为xi和vi;
通过公式:ni=xi×s1+vi×s2获得初始生长状态表征值ni,其中,s1和s2为预设比例系数;
将预测年限后的柚树生长速率与预测年限进行乘积处理,将处理后的结果与预测区域中的柚树的初始生长状态表征值ni进行求和,获得预测年限后该区域的生长状态表征值,将预测年限后该区域的生长平均高度表征值与预设阈值进行比较;
若预测年限后该区域的生长状态表征值≥预设阈值,则表示在预测年限后该预测区域的柚树生长状态较好;
若预测年限后该区域的生长状态表征值<预设阈值,则表示在预测年限后该预测区域的柚树生长状态较差。
10.一种无人机数据采集的柚树识别和数量监测系统,其特征在于:包括:
无人机采集模块,所述无人机采集模块用于通过无人机采集一定范围区域内的树木的图像数据;
第一筛选模块,所述第一筛选模块用于根据树叶信息对图像中的树木进行筛选;
第二筛选模块,所述第二筛选模块用于根据树干信息对图像中的树木进行筛选;
数量统计模块,所述数量统计模块用于统计所有树木的数量以及框选的树木数量,将所有树木的数量与框选的树木数量进行差值处理,获得柚树的数量;
生长预测模块,所述生长预测模块用于根据以往至少五年内的温度数据构建柚树的生长速率模型,并基于生长速率模型对预测年限后预测区域内的柚树生长状态进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410309570.2A CN118230195A (zh) | 2024-03-19 | 2024-03-19 | 一种无人机数据采集的柚树识别和数量监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410309570.2A CN118230195A (zh) | 2024-03-19 | 2024-03-19 | 一种无人机数据采集的柚树识别和数量监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118230195A true CN118230195A (zh) | 2024-06-21 |
Family
ID=91497167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410309570.2A Pending CN118230195A (zh) | 2024-03-19 | 2024-03-19 | 一种无人机数据采集的柚树识别和数量监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118230195A (zh) |
-
2024
- 2024-03-19 CN CN202410309570.2A patent/CN118230195A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921885B (zh) | 一种综合三类数据源联合反演森林地上生物量的方法 | |
CN109115776B (zh) | 一种基于颜色和深度信息的穴盘苗长势无损监测方法和装置 | |
CN111104858B (zh) | 一种基于形态模型法的大范围作物物候提取方法 | |
CN111340826B (zh) | 基于超像素与拓扑特征的航拍图像单株树冠分割算法 | |
CN109063660B (zh) | 一种基于多光谱卫星影像的作物识别方法 | |
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 | |
CN113221765A (zh) | 一种基于数字相机影像有效像元的植被物候期提取方法 | |
CN113269825B (zh) | 基于地基激光雷达技术林木胸径值提取的方法 | |
CN112434569B (zh) | 一种无人机热成像系统 | |
CN116543316B (zh) | 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法 | |
CN116824384A (zh) | 一种基于标准曲线的大豆识别方法 | |
CN114612794A (zh) | 一种细碎化农业区土地覆被与种植结构的遥感识别方法 | |
CN116882850B (zh) | 一种基于大数据的园林数据智能管理方法以及系统 | |
Anindya et al. | IoT Based Climate Prediction System Using Long Short-Term Memory (LSTM) Algorithm as Part of Smart Farming 4.0 | |
CN112861712B (zh) | 基于人工智能与多时相遥感的农业病虫害监测方法 | |
CN116778477B (zh) | 一种基于图像处理的玉米果穗性状指标计算方法 | |
CN111582035B (zh) | 一种果树树龄识别方法、装置、设备及存储介质 | |
CN112580595A (zh) | 一种基于Shapelet的双季稻田遥感识别方法 | |
CN118230195A (zh) | 一种无人机数据采集的柚树识别和数量监测方法及系统 | |
CN116524279A (zh) | 一种数字农业的人工智能图像识别作物长势分析方法 | |
CN117011694A (zh) | 一种基于级联循环网络的林木生长参数预测方法 | |
CN113011220A (zh) | 穗数识别方法、装置、存储介质及处理器 | |
CN113506017B (zh) | 一种校园用数字园林管养系统 | |
CN112215184B (zh) | 一种基于三维激光扫描仪的油茶果树产量检测方法 | |
CN113283346A (zh) | 一种基于机器学习的火龙果产量预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |