[发明专利]活立木的种类识别方法与材积测量方法

说明书

本发明公开了一种活立木的种类识别方法与材积测量方法，涉及森林资源调查技术领域。其中种类识别方法包括：获取被测活立木的不同角度的RGB‑D图像；基于不同角度的RGB‑D图像，拼接得到被测活立木的完整图像，从被测活立木的完整图像中分离出被测活立木的树干、树枝和树叶；基于训练后的深度卷积神经网络模型对分离出的树干和树叶进行树种识别，加权融合后置信度最高的类别为被测活立木的种类。本发明实施例利用深度卷积神经网络模型进行树种识别以得到树种信息，进而获取被测活立木的树种结构模型，结合几何原理计算材积，进而提高了活立木的种类识别准确率和材积测量精度。

技术领域

本发明涉及森林资源调查技术领域，具体涉及一种活立木的种类识别方法与材积测量方法。

背景技术

实施森林资源调查是获取森林基础信息的重要途径，活立木种类和材积是森林资源调查中重要的两项内容。传统的树种识别方法主要通过观察、比较和分析各树种的主要特征，然后由宏观特征到微观特征逐步对树种进行人工识别。材积是指树木主干部分带皮的体积，长期以来林业工作者一直采用伐倒标准木获取编制森林数表所需的建模样本。该方法虽然精度较高，但却需要对树木进行大量伐倒，这种做法面临着破坏性大、成本高、工作效率低等问题，且不符合保护生态环境的宗旨。随着现代化调查设备的研制，森林资源调查向精准化和智能化的方向发展，从而方便使用者高效、高质量地完成森林资源调查工作，为进一步计算森林样方地上生物量提供精确数据。

相关技术中，基于深度学习进行树种分类方法，其中，采集待测树种的叶片图像数据以及进行预处理操作，并提取特征向量，再利用训练过的三十分类器对提取的叶片图像特征向量进行判断分类，实现树种的自动分类。该方法对单一背景叶片图像树种识别准确率较高，但是由于叶片的相互遮挡获取到叶片图像背景往往是较为复杂的，识别准确率较低。树冠遮挡条件下测量树高及材积，以树冠被遮挡的树木为研究对象，以全站仪为测量工具，将被遮挡的树干近似为圆锥体来求得该树木的材积，由于受树木结构的影响，该方法求得的该树木的材积准确率不高。

发明内容

为了克服相关技术中存在的树冠遮挡条件下被测活立木的种类识别和材积测量准确率不高的问题，本发明实施例提供了活立木的种类识别方法与材积测量方法，利用深度卷积神经网络模型进行树种识别以得到树种信息，进而获取被测活立木的树种结构模型，结合几何原理计算材积，进而提高了活立木的种类识别准确率和材积测量精度。

根据本发明的第一方面，提供一种活立木的种类识别方法，包括：

获取被测活立木的不同角度的RGB-D图像；

基于所述不同角度的RGB-D图像，拼接得到所述被测活立木的完整图像，从所述被测活立木的完整图像中分离出所述被测活立木的树干、树枝和树叶；

基于训练后的深度卷积神经网络模型对分离出的所述树干和所述树叶进行树种识别，加权融合后置信度最高的类别为所述被测活立木的种类。

可选地，所述训练后的深度卷积神经网络模型的建立过程包括：

建立深度卷积神经网络分类模型；

在不同的地理位置采集不同种类的活立木的不同角度的RGB-D图像；

基于所述不同种类的活立木的不同角度的RGB-D图像，拼接得到所述不同种类的活立木的完整图像，从所述不同种类的活立木的完整图像中分离出所述不同种类的活立木的树干、树枝和树叶；

基于所述不同种类的活立木的所述树干和所述树叶建立训练样本；

利用所述训练样本对所述深度卷积神经网络分类模型进行训练，当所述深度卷积神经网络分类模型的识别准确率达到一定值时，得到所述训练后的深度卷积神经网络模型。

可选地，所述获取被测活立木的不同角度的RGB-D图像包括：

采集所述被测活立木的不同角度的深度图像和RGB图像；