[發(fā)明專(zhuān)利]活立木的種類(lèi)識(shí)別方法與材積測(cè)量方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010869083.3
• 申請(qǐng)日: 2020-08-25
• 公開(kāi)（公告）號(hào): CN112082475B
• 公開(kāi)（公告）日: 2022-05-24
• 發(fā)明（設(shè)計(jì)）人: 吳方明;吳炳方
• 申請(qǐng)（專(zhuān)利權(quán)）人: 中國(guó)科學(xué)院空天信息創(chuàng)新研究院
• 主分類(lèi)號(hào): G01B11/00
• 分類(lèi)號(hào): G01B11/00;G06N3/04;G06N3/08
• 代理公司: 北京成創(chuàng)同維知識(shí)產(chǎn)權(quán)代理有限公司 11449
• 代理人: 馬陸娟

本發(fā)明公開(kāi)了一種活立木的種類(lèi)識(shí)別方法與材積測(cè)量方法，涉及森林資源調(diào)查技術(shù)領(lǐng)域。其中種類(lèi)識(shí)別方法包括：獲取被測(cè)活立木的不同角度的RGB?D圖像；基于不同角度的RGB?D圖像，拼接得到被測(cè)活立木的完整圖像，從被測(cè)活立木的完整圖像中分離出被測(cè)活立木的樹(shù)干、樹(shù)枝和樹(shù)葉；基于訓(xùn)練后的深度卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)分離出的樹(shù)干和樹(shù)葉進(jìn)行樹(shù)種識(shí)別，加權(quán)融合后置信度最高的類(lèi)別為被測(cè)活立木的種類(lèi)。本發(fā)明實(shí)施例利用深度卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行樹(shù)種識(shí)別以得到樹(shù)種信息，進(jìn)而獲取被測(cè)活立木的樹(shù)種結(jié)構(gòu)模型，結(jié)合幾何原理計(jì)算材積，進(jìn)而提高了活立木的種類(lèi)識(shí)別準(zhǔn)確率和材積測(cè)量精度。

技術(shù)領(lǐng)域

本發(fā)明涉及森林資源調(diào)查技術(shù)領(lǐng)域，具體涉及一種活立木的種類(lèi)識(shí)別方法與材積測(cè)量方法。

背景技術(shù)

實(shí)施森林資源調(diào)查是獲取森林基礎(chǔ)信息的重要途徑，活立木種類(lèi)和材積是森林資源調(diào)查中重要的兩項(xiàng)內(nèi)容。傳統(tǒng)的樹(shù)種識(shí)別方法主要通過(guò)觀(guān)察、比較和分析各樹(shù)種的主要特征，然后由宏觀(guān)特征到微觀(guān)特征逐步對(duì)樹(shù)種進(jìn)行人工識(shí)別。材積是指樹(shù)木主干部分帶皮的體積，長(zhǎng)期以來(lái)林業(yè)工作者一直采用伐倒標(biāo)準(zhǔn)木獲取編制森林?jǐn)?shù)表所需的建模樣本。該方法雖然精度較高，但卻需要對(duì)樹(shù)木進(jìn)行大量伐倒，這種做法面臨著破壞性大、成本高、工作效率低等問(wèn)題，且不符合保護(hù)生態(tài)環(huán)境的宗旨。隨著現(xiàn)代化調(diào)查設(shè)備的研制，森林資源調(diào)查向精準(zhǔn)化和智能化的方向發(fā)展，從而方便使用者高效、高質(zhì)量地完成森林資源調(diào)查工作，為進(jìn)一步計(jì)算森林樣方地上生物量提供精確數(shù)據(jù)。

相關(guān)技術(shù)中，基于深度學(xué)習(xí)進(jìn)行樹(shù)種分類(lèi)方法，其中，采集待測(cè)樹(shù)種的葉片圖像數(shù)據(jù)以及進(jìn)行預(yù)處理操作，并提取特征向量，再利用訓(xùn)練過(guò)的三十分類(lèi)器對(duì)提取的葉片圖像特征向量進(jìn)行判斷分類(lèi)，實(shí)現(xiàn)樹(shù)種的自動(dòng)分類(lèi)。該方法對(duì)單一背景葉片圖像樹(shù)種識(shí)別準(zhǔn)確率較高，但是由于葉片的相互遮擋獲取到葉片圖像背景往往是較為復(fù)雜的，識(shí)別準(zhǔn)確率較低。樹(shù)冠遮擋條件下測(cè)量樹(shù)高及材積，以樹(shù)冠被遮擋的樹(shù)木為研究對(duì)象，以全站儀為測(cè)量工具，將被遮擋的樹(shù)干近似為圓錐體來(lái)求得該樹(shù)木的材積，由于受樹(shù)木結(jié)構(gòu)的影響，該方法求得的該樹(shù)木的材積準(zhǔn)確率不高。

發(fā)明內(nèi)容

為了克服相關(guān)技術(shù)中存在的樹(shù)冠遮擋條件下被測(cè)活立木的種類(lèi)識(shí)別和材積測(cè)量準(zhǔn)確率不高的問(wèn)題，本發(fā)明實(shí)施例提供了活立木的種類(lèi)識(shí)別方法與材積測(cè)量方法，利用深度卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行樹(shù)種識(shí)別以得到樹(shù)種信息，進(jìn)而獲取被測(cè)活立木的樹(shù)種結(jié)構(gòu)模型，結(jié)合幾何原理計(jì)算材積，進(jìn)而提高了活立木的種類(lèi)識(shí)別準(zhǔn)確率和材積測(cè)量精度。

根據(jù)本發(fā)明的第一方面，提供一種活立木的種類(lèi)識(shí)別方法，包括：

獲取被測(cè)活立木的不同角度的RGB-D圖像；

基于所述不同角度的RGB-D圖像，拼接得到所述被測(cè)活立木的完整圖像，從所述被測(cè)活立木的完整圖像中分離出所述被測(cè)活立木的樹(shù)干、樹(shù)枝和樹(shù)葉；

基于訓(xùn)練后的深度卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)分離出的所述樹(shù)干和所述樹(shù)葉進(jìn)行樹(shù)種識(shí)別，加權(quán)融合后置信度最高的類(lèi)別為所述被測(cè)活立木的種類(lèi)。

可選地，所述訓(xùn)練后的深度卷積神經(jīng)網(wǎng)絡(luò)模型的建立過(guò)程包括：

建立深度卷積神經(jīng)網(wǎng)絡(luò)分類(lèi)模型；

在不同的地理位置采集不同種類(lèi)的活立木的不同角度的RGB-D圖像；

基于所述不同種類(lèi)的活立木的不同角度的RGB-D圖像，拼接得到所述不同種類(lèi)的活立木的完整圖像，從所述不同種類(lèi)的活立木的完整圖像中分離出所述不同種類(lèi)的活立木的樹(shù)干、樹(shù)枝和樹(shù)葉；

基于所述不同種類(lèi)的活立木的所述樹(shù)干和所述樹(shù)葉建立訓(xùn)練樣本；

利用所述訓(xùn)練樣本對(duì)所述深度卷積神經(jīng)網(wǎng)絡(luò)分類(lèi)模型進(jìn)行訓(xùn)練，當(dāng)所述深度卷積神經(jīng)網(wǎng)絡(luò)分類(lèi)模型的識(shí)別準(zhǔn)確率達(dá)到一定值時(shí)，得到所述訓(xùn)練后的深度卷積神經(jīng)網(wǎng)絡(luò)模型。

可選地，所述獲取被測(cè)活立木的不同角度的RGB-D圖像包括：

采集所述被測(cè)活立木的不同角度的深度圖像和RGB圖像；