[發明專利]基于圖像識別的木本植物物候期的自動觀測方法和系統

在審

• 申請號: 202110873270.3
• 申請日: 2021-07-30
• 公開（公告）號: CN113657469A
• 公開（公告）日: 2021-11-16
• 發明（設計）人: 盧煥萍;朱懷衛;汪昊;譚浩波;黃光民;王廣倫;王輝;吳乃庚;潘明海
• 申請（專利權）人: 廣東省生態氣象中心（珠江三角洲環境氣象預報預警中心）
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/00
• 代理公司: 廣州科粵專利商標代理有限公司 44001
• 代理人: 程旻露

1.基于圖像識別的木本植物物候期的自動觀測方法，其特征在于，包括有以下步驟：

S1，獲取植物的樣本圖片，并形成第一樣本集；

S2，將第一樣本集中的樣本圖片按照物候期特征進行分類；在第一樣本集中選取部分樣本圖片形成第二樣本集，對第二樣本集的樣本圖片進行特征標注，并將已標注的樣本圖片訓練初步模型，通過初步模型對第一樣本集中的樣本圖片進行物候期的初步分類篩選，并對分類篩選后的樣本圖片進行人工二次分類遷移；

S3，根據物候期特征把第一樣本集中的樣本圖片分成主要物候期組和特殊物候期組，并對應獲得主要物候期樣本集和特殊物候期樣本集，應用主要物候期樣本集訓練主要物候期識別模型，應用特殊物候期樣本集訓練特殊物候期識別模型；

S4，應用主要物候期樣本集訓練主要物候期識別模型，其步驟包括：

S41，將主要物候期組的樣本圖片的物候期特征進行標注；

S42，將主要物候期樣本集中的樣本圖片按照不同的物候期類型分別劃分成訓練集、驗證集和測試集；

S43，將待輸入的植物圖片進行拆分和圖像特征增強；

S44，將主要物候期樣本集的訓練集、驗證集和測試集導入訓練模型建立主要物候期識別模型；

S5，應用特殊物候期樣本集訓練特殊物候期識別模型，其步驟包括：

S51，將特殊物候期樣本集中的圖片進行特征標注，

S52，將標注的圖片通過圖像轉換代碼生成與原圖大小一致的特征標注色塊圖，并與原圖成對保存于特殊物候期樣本集中；

S53，將特征標注色塊圖加入特殊物候期樣本集中，將樣本集中的原圖和特征標注色塊圖成對劃分成訓練集、驗證集和測試集；

S54，將更新的特殊物候期樣本集中的訓練集、驗證集和測試集導入訓練模型建立特殊物候期識別模型；

S6，將待識別植物圖片按照一定的規則先后通過主要物候期識別模型和特殊物候期識別模型對圖像物候期特征進行識別；

S7，對圖像識別結果進行判定。

2.根據權利要求1所述的基于圖像識別的木本植物物候期的自動觀測方法，其特征在于，在S3中，據物候期特征把第一樣本集中的樣本圖片分成主要物候期組和特殊物候期組；其中，主要物候期組圖片組的物候期類別包括：常綠喬木和灌木的芽膨大期、芽開放期、展葉期、花蕾或花序出現期、開花期、果實或種子果實成熟期、果實或種子脫落期，對于落葉喬木和灌木則還包括葉變色期和落葉期；特殊物候期圖片組包括樹木全株僅布滿成熟綠色葉片的時期，記為“純綠葉期”，對于落葉喬木和灌木，特殊物候期組還包括葉片全部脫落后只剩下樹枝的時期，記為“光桿期”，合并統稱空窗期。

3.根據權利要求1所述的基于圖像識別的木本植物物候期的自動觀測方法，其特征在于，將主要物候期樣本集和特殊物候期樣本集，分別應用不同的訓練模型建立主要物候期識別模型和特殊物候期識別模型；在S44中，將主要物候期樣本集的訓練集、驗證集和測試集導入YOLOV4中的主干提取網絡CSPDarkNet53建立主要物候期識別模型；而S54中，則將特殊物候期樣本集中的訓練集、驗證集和測試集導入語義分割模型Unet建立特殊物候期識別模型。

4.根據權利要求1所述的基于圖像識別的木本植物物候期的自動觀測方法，其特征在于，在S41中，應用labelImg工具中的Create RectBox功能，將主要物候期樣本集中的圖片的物候期特征進行標注，以矩陣的形式標注其中的物候期特征。

5.根據權利要求1所述的基于圖像識別的木本植物物候期的自動觀測方法，其特征在于，在S43中，將待輸入的植物圖片進行拆分包括以下步驟：

樣本圖片各像素點具有對應的坐標，通過坐標平移按照一定像素大小拆分樣本圖片，并生成多份圖片，相對應的xml文件對應分成多份xml文件；判斷每個物候期特征標注的坐標是否在拆分圖片的范圍內，若是，則根據坐標平移法對物候期特征的坐標進行相應的加減以達到拆分圖片上重新定位；

定義拆分圖片的有效像素為m，m像素以內的目標標注范圍認為已失去物候期標注特征，因而將跨區域小于m像素的目標標注范圍剔除，不寫入多份xml文件。