[发明专利]一种果林统计中快速单木提取定位计数方法

说明书

本发明公开了一种果林统计中快速单木提取定位计数方法，涉及农业智能化技术领域，包括以下步骤：通过无人机航拍采集目标果林的遥感影像数据，将航拍数据初始化；通过栅格数字表面模型(DSM)以及正射影像图输出瓦片数据，将瓦片数据分别送入k‑means聚类分析以及101层的卷积神经网络中输出前景区域图和特征图并整合；通过迁移学习全连接层、Softmax分类器、边框回归的网络参数得到识别结果；输出识别结果在阈值以上的坐标框并作为识别结果标记在原始图像上。通过聚类分析改进神经网络算法并搭配迁移学习的调整网络结构实现对果林遥感影像中目标单木的快速检测，并完成数量统计，可有效提高网络在实际检测中的准确率，克服密集遮挡等问题，并提高检测速度。

技术领域

本发明涉及农业智能化技术领域，具体涉及一种果林统计中快速单木提取定位计数方法。

背景技术

现如今，人工智能技术正处于迅猛发展时期，各行各业都在面临智能化转型这一问题，而我国的智慧农林发展仍处于滞后阶段，无论是农林统计管理、智慧种植、防灾防虫等都正处于人工阶段，其面临的问题是成本高、效率低等。如何能够快速准确的提取每一株目标单木，是解决上述问题的关键，这也是推动智慧农林产业化发展长期以来备受关注的一大难题。

早期的单木提取都是基于传统的图像处理的方法，利用图像中单木的颜色、形状等特征，通过阈值分割、边缘检测算子等方法寻找梯度变化，从而分割单木实例。这种方法对图像分析的速度较慢并且对密集的单木提取准确率较低，无法满足工业上的实际需求。后期随着深度学习的方法广泛应用，开始提出将卷积神经网络用于提取图像中的深层特征，不同规模的网络对特征的提取能力不同，在精度上相较于之前的传统方法有所提高，但实际自然环境下面临光照、地形、种植密集等复杂问题需要改进解决。

发明内容

为解决现有技术问题，本发明通过提出一种基于聚类分析的方法改进目标检测网络算法，通过聚类分析、迁移学习的方法可有效提高网络在实际检测中的准确率，克服密集遮挡等问题，并提高检测速度，满足工业上的实际需求。

为达到上述效果，本发明具体提供一种果林统计中快速单木提取定位计数方法，包括以下步骤：

S1：通过无人机航拍采集目标果林的遥感影像数据，将航拍数据初始化；

S2：初始化后的航拍数据通过加密点云LAS和三维网格纹理处理获取其清晰的三维模型；

S3：通过栅格数字表面模型(DSM)以及正射影像图输出瓦片数据；

S4：将瓦片数据分别送入k-means聚类分析以及101层的卷积神经网络中输出前景区域图和特征图；

S5：整合前景区域图和特征图中的各部分特征；

S6：通过迁移学习的方法训练调整最后的全连接层、Softmax分类器、边框回归的网络参数并输出结果并得到识别结果；

S7：输出识别结果在阈值以上的坐标框并作为识别结果标记在原始图像上。

进一步的方案是，S1中所述的通过将航拍数据初始化，获得航拍数据的重叠度，地理参考匹配。

进一步的方案是，S3中所述的将瓦片数据送入k-means聚类分析是通过k-means聚类分析样本中的目标分布，对网络的输入进行先验分布。

进一步的方案是，将S3中所述的先验分布的结果送入RPN网络中，通过若干滑动窗口卷积，可将图像中的前景区域与背景区域分离。

进一步的方案是，S3中所述的将瓦片数据送入101层的卷积神经网络是通过101层的卷积神经网络来卷积提取图像中的深层特征得到特征图。

进一步的方案是，S5中所述的整合各部分特征通过全连接层进行整合，且在整合前须要在前景区域图和特征图的图像数据中加入池化层来固定数据的输出尺寸。