[發(fā)明專利]基于無(wú)人機(jī)與CNN的大范圍松材線蟲病枯立木智能檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010973416.7
• 申請(qǐng)日: 2020-09-16
• 公開(kāi)（公告）號(hào): CN112084989A
• 公開(kāi)（公告）日: 2020-12-15
• 發(fā)明（設(shè)計(jì)）人: 莫登奎;嚴(yán)恩萍;文東新;向俊;夏瑞聰;熊君;廖健
• 申請(qǐng)（專利權(quán)）人: 湖南三湘綠谷生態(tài)科技有限公司;中南林業(yè)科技大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/32;G06K9/62;G06N3/04;G06N3/08;G06Q10/04
• 代理公司: 北京金智普華知識(shí)產(chǎn)權(quán)代理有限公司 11401
• 代理人: 楊采良

1.一種無(wú)人機(jī)與卷積神經(jīng)網(wǎng)絡(luò)的大范圍松材線蟲病枯立木智能檢測(cè)與計(jì)數(shù)方法，其特征在于，所述無(wú)人機(jī)與卷積神經(jīng)網(wǎng)絡(luò)的大范圍松材線蟲病枯立木智能檢測(cè)與計(jì)數(shù)方法包括：

利用大數(shù)據(jù)挖掘技術(shù)獲取適宜分辨率的開(kāi)源遙感數(shù)據(jù)；對(duì)獲取的遙感數(shù)據(jù)進(jìn)行輻射定標(biāo)、大氣校正、正射校正、數(shù)據(jù)融合和彩色合成處理；

利用面向?qū)ο蠓指钆c決策樹分類結(jié)合的方法，通過(guò)選取合適的規(guī)則和閾值，提取林地信息；利用無(wú)人機(jī)進(jìn)行UAV數(shù)據(jù)采集；

利用標(biāo)注工具對(duì)采集的UAV數(shù)據(jù)中的目標(biāo)數(shù)據(jù)進(jìn)行邊框標(biāo)注、數(shù)據(jù)擴(kuò)增處理；將擴(kuò)增后的數(shù)據(jù)按一定比例劃分為訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù)；

構(gòu)建智能檢測(cè)與計(jì)數(shù)模型；利用訓(xùn)練數(shù)據(jù)集對(duì)構(gòu)建的模型進(jìn)行訓(xùn)練；并對(duì)訓(xùn)練后的模型進(jìn)行驗(yàn)證；利用通過(guò)驗(yàn)證的模型進(jìn)行松材線蟲病枯立木的位置、數(shù)量、面積、分布的智能檢測(cè)與計(jì)數(shù)以及蔓延趨勢(shì)的預(yù)測(cè)。

2.如權(quán)利要求1所述無(wú)人機(jī)與卷積神經(jīng)網(wǎng)絡(luò)的大范圍松材線蟲病枯立木智能檢測(cè)與計(jì)數(shù)方法，其特征在于，所述利用無(wú)人機(jī)進(jìn)行UAV數(shù)據(jù)采集包括：

(1)根據(jù)區(qū)域的地形地貌明確航測(cè)范圍、航高、重疊度及其他基本參數(shù)，并進(jìn)行航線規(guī)劃；

(2)按照預(yù)定的規(guī)劃航線，采用無(wú)人機(jī)對(duì)松材線蟲病枯立木的松樹林進(jìn)行拍攝；

(3)采用專業(yè)軟件對(duì)航拍圖像進(jìn)行照片加載、照片匹配、生成點(diǎn)云和格網(wǎng)，生成DEM，制作DOM航拍圖，得到UAV數(shù)據(jù)。

3.如權(quán)利要求1所述無(wú)人機(jī)與卷積神經(jīng)網(wǎng)絡(luò)的大范圍松材線蟲病枯立木智能檢測(cè)與計(jì)數(shù)方法，所述數(shù)據(jù)擴(kuò)增處理包括：利用圖像旋轉(zhuǎn)、圖像移動(dòng)、噪聲注入、對(duì)比度變換等方法對(duì)已標(biāo)注的枯立木圖像數(shù)據(jù)進(jìn)行擴(kuò)增。

4.如權(quán)利要求1所述無(wú)人機(jī)與卷積神經(jīng)網(wǎng)絡(luò)的大范圍松材線蟲病枯立木智能檢測(cè)與計(jì)數(shù)方法，其特征在于，所述智能檢測(cè)與計(jì)數(shù)模型構(gòu)建方法包括：

1)采用特征提取網(wǎng)絡(luò)對(duì)枯立木航拍圖像數(shù)據(jù)進(jìn)行特征提取；

2)利用區(qū)域提取網(wǎng)絡(luò)RPN預(yù)測(cè)用于目標(biāo)檢測(cè)的候選區(qū)域，同時(shí)基于定位精度評(píng)價(jià)函數(shù)IOU，對(duì)預(yù)測(cè)候選區(qū)域進(jìn)行篩選；

3)采用邊框回歸算法和非極大值抑制方法，修正并確定最終的檢測(cè)區(qū)域；

4)采用梯度下降和反向傳播算法進(jìn)行優(yōu)化模擬，當(dāng)模擬精度和次數(shù)達(dá)到規(guī)定要求時(shí)，生成最終的智能檢測(cè)與計(jì)數(shù)模型，同時(shí)保存網(wǎng)絡(luò)的當(dāng)前參數(shù)配置和最終權(quán)重。

5.如權(quán)利要求1所述無(wú)人機(jī)與卷積神經(jīng)網(wǎng)絡(luò)的大范圍松材線蟲病枯立木智能檢測(cè)與計(jì)數(shù)方法，其特征在于，所述模型驗(yàn)證包括：利用Mask RCNN卷積神經(jīng)網(wǎng)絡(luò)將驗(yàn)證數(shù)據(jù)集的實(shí)例照片分割成具有預(yù)測(cè)掩碼的灰度照片，統(tǒng)計(jì)照片中預(yù)測(cè)目標(biāo)的掩碼數(shù)量，進(jìn)行枯立木的智能檢測(cè)與計(jì)數(shù)，輸出驗(yàn)證精度。

6.一種無(wú)人機(jī)與卷積神經(jīng)網(wǎng)絡(luò)的大范圍松材線蟲病枯立木智能檢測(cè)與計(jì)數(shù)系統(tǒng)，其特征在于，所述無(wú)人機(jī)與卷積神經(jīng)網(wǎng)絡(luò)的大范圍松材線蟲病枯立木智能檢測(cè)與計(jì)數(shù)系統(tǒng)包括：

數(shù)據(jù)獲取模塊，用于利用大數(shù)據(jù)挖掘技術(shù)獲取適宜分辨率的開(kāi)源遙感數(shù)據(jù)；

數(shù)據(jù)處理模塊，用于對(duì)獲取的遙感數(shù)據(jù)進(jìn)行輻射定標(biāo)、大氣校正、正射校正、數(shù)據(jù)融合和彩色合成處理；

信息提取模塊，用于利用面向?qū)ο蠓指钆c決策樹分類結(jié)合的方法，通過(guò)選取合適的規(guī)則和閾值，提取林地信息；

UAV數(shù)據(jù)采集模塊，用于利用無(wú)人機(jī)進(jìn)行UAV數(shù)據(jù)采集；

UAV數(shù)據(jù)處理模塊，用于對(duì)采集的UAV數(shù)據(jù)進(jìn)行處理并擴(kuò)增；

數(shù)據(jù)劃分模塊，用于對(duì)擴(kuò)增后的數(shù)據(jù)進(jìn)行劃分；

模型構(gòu)建模塊，用于構(gòu)建智能檢測(cè)與計(jì)數(shù)模型；

模型驗(yàn)證模塊，用于對(duì)構(gòu)建的模型進(jìn)行驗(yàn)證；

檢測(cè)模塊，用于利用通過(guò)驗(yàn)證的模型進(jìn)行松材線蟲病枯立木的位置、數(shù)量、面積、分布的智能檢測(cè)與計(jì)數(shù)以及蔓延趨勢(shì)的預(yù)測(cè)。

7.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)，使得所述處理器執(zhí)行如下步驟：

利用大數(shù)據(jù)挖掘技術(shù)獲取適宜分辨率的開(kāi)源遙感數(shù)據(jù)；對(duì)獲取的遙感數(shù)據(jù)進(jìn)行輻射定標(biāo)、大氣校正、正射校正、數(shù)據(jù)融合和彩色合成處理；

利用面向?qū)ο蠓指钆c決策樹分類結(jié)合的方法，通過(guò)選取合適的規(guī)則和閾值，提取林地信息；利用無(wú)人機(jī)進(jìn)行數(shù)據(jù)采集；

利用標(biāo)注工具對(duì)UAV數(shù)據(jù)中的目標(biāo)數(shù)據(jù)進(jìn)行邊框標(biāo)注、數(shù)據(jù)擴(kuò)增處理；將擴(kuò)增的數(shù)據(jù)按一定比例劃分為訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù)；

利用提取的林地信息，構(gòu)建智能檢測(cè)與計(jì)數(shù)模型；利用訓(xùn)練數(shù)據(jù)集對(duì)構(gòu)建的模型進(jìn)行訓(xùn)練；并對(duì)訓(xùn)練后的模型進(jìn)行驗(yàn)證；利用通過(guò)驗(yàn)證的模型進(jìn)行松材線蟲病枯立木的位置、數(shù)量、面積、分布的智能檢測(cè)與計(jì)數(shù)以及蔓延趨勢(shì)的預(yù)測(cè)。