[發明專利]一種果林統計中快速單木提取定位計數方法

在審

• 申請號: 202011051868.6
• 申請日: 2020-09-29
• 公開（公告）號: CN112307903A
• 公開（公告）日: 2021-02-02
• 發明（設計）人: 李麟;張宇棠
• 申請（專利權）人: 江西裕豐智能農業科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06T7/11;G06T7/194
• 代理公司: 南昌金軒知識產權代理有限公司 36129
• 代理人: 石紅麗

本發明公開了一種果林統計中快速單木提取定位計數方法，涉及農業智能化技術領域，包括以下步驟：通過無人機航拍采集目標果林的遙感影像數據，將航拍數據初始化；通過柵格數字表面模型(DSM)以及正射影像圖輸出瓦片數據，將瓦片數據分別送入k?means聚類分析以及101層的卷積神經網絡中輸出前景區域圖和特征圖并整合；通過遷移學習全連接層、Softmax分類器、邊框回歸的網絡參數得到識別結果；輸出識別結果在閾值以上的坐標框并作為識別結果標記在原始圖像上。通過聚類分析改進神經網絡算法并搭配遷移學習的調整網絡結構實現對果林遙感影像中目標單木的快速檢測，并完成數量統計，可有效提高網絡在實際檢測中的準確率，克服密集遮擋等問題，并提高檢測速度。

技術領域

本發明涉及農業智能化技術領域，具體涉及一種果林統計中快速單木提取定位計數方法。

背景技術

現如今，人工智能技術正處于迅猛發展時期，各行各業都在面臨智能化轉型這一問題，而我國的智慧農林發展仍處于滯后階段，無論是農林統計管理、智慧種植、防災防蟲等都正處于人工階段，其面臨的問題是成本高、效率低等。如何能夠快速準確的提取每一株目標單木，是解決上述問題的關鍵，這也是推動智慧農林產業化發展長期以來備受關注的一大難題。

早期的單木提取都是基于傳統的圖像處理的方法，利用圖像中單木的顏色、形狀等特征，通過閾值分割、邊緣檢測算子等方法尋找梯度變化，從而分割單木實例。這種方法對圖像分析的速度較慢并且對密集的單木提取準確率較低，無法滿足工業上的實際需求。后期隨著深度學習的方法廣泛應用，開始提出將卷積神經網絡用于提取圖像中的深層特征，不同規模的網絡對特征的提取能力不同，在精度上相較于之前的傳統方法有所提高，但實際自然環境下面臨光照、地形、種植密集等復雜問題需要改進解決。

發明內容

為解決現有技術問題，本發明通過提出一種基于聚類分析的方法改進目標檢測網絡算法，通過聚類分析、遷移學習的方法可有效提高網絡在實際檢測中的準確率，克服密集遮擋等問題，并提高檢測速度，滿足工業上的實際需求。

為達到上述效果，本發明具體提供一種果林統計中快速單木提取定位計數方法，包括以下步驟：

S1：通過無人機航拍采集目標果林的遙感影像數據，將航拍數據初始化；

S2：初始化后的航拍數據通過加密點云LAS和三維網格紋理處理獲取其清晰的三維模型；

S3：通過柵格數字表面模型(DSM)以及正射影像圖輸出瓦片數據；

S4：將瓦片數據分別送入k-means聚類分析以及101層的卷積神經網絡中輸出前景區域圖和特征圖；

S5：整合前景區域圖和特征圖中的各部分特征；

S6：通過遷移學習的方法訓練調整最后的全連接層、Softmax分類器、邊框回歸的網絡參數并輸出結果并得到識別結果；

S7：輸出識別結果在閾值以上的坐標框并作為識別結果標記在原始圖像上。

進一步的方案是，S1中所述的通過將航拍數據初始化，獲得航拍數據的重疊度，地理參考匹配。

進一步的方案是，S3中所述的將瓦片數據送入k-means聚類分析是通過k-means聚類分析樣本中的目標分布，對網絡的輸入進行先驗分布。

進一步的方案是，將S3中所述的先驗分布的結果送入RPN網絡中，通過若干滑動窗口卷積，可將圖像中的前景區域與背景區域分離。

進一步的方案是，S3中所述的將瓦片數據送入101層的卷積神經網絡是通過101層的卷積神經網絡來卷積提取圖像中的深層特征得到特征圖。

進一步的方案是，S5中所述的整合各部分特征通過全連接層進行整合，且在整合前須要在前景區域圖和特征圖的圖像數據中加入池化層來固定數據的輸出尺寸。