[发明专利]一种基于机器视觉和深度学习的立木胸径测量方法

权利要求书

1.一种基于机器视觉和深度学习的立木胸径测量方法，其特征在于，包括以下步骤：

第一步，相机标定和图像校正，相机标定和图像校正模块接收由相机拍摄的多张标定板图片，对相机进行标定得到相机内参和外参以及畸变系数，之后利用其对需要测量的图片进行畸变校正；

第二步，树干图像分割，校正后的图片进入树干图像分割模块，树干图像分割模块采用U-Net网络分割，使用U-Net网络进行树干的提取，得到一副分割图像；

第三步，胸径测量，分割图像进入胸径测量模块后，首先进行胸径两侧的图像像素提取，像素提取时使用改进的树干外接矩形算法以及扫描线胸径定位算法，当得到胸径像素坐标之后进行三维坐标的重建工作，得到胸径两端的三维坐标，之后利用世界坐标进行胸径长度测算，其中采用了胸径误差校正模型对结果进行校正，其中胸径测量模块包括胸径像素坐标的提取、胸径三维坐标的重建和胸径长度的测算，胸径像素坐标的提取包括分割图像轮廓提取、树干轮廓外接矩形提取和胸径位置的定位，胸径三维坐标的重建包括三维重建模型和胸径三维坐标计算。

2.根据权利要求1的一种基于机器视觉和深度学习的立木胸径测量方法，其特征在于，第一步中，标定板采用10×9的棋盘格，每一个方格边长为20mm。

3.根据权利要求1的一种基于机器视觉和深度学习的立木胸径测量方法，其特征在于，第二步中，树干图像分割模块需要使用数据集，数据集需要尽量多的拍摄不同种类、不同环境下的树干原始图像和带有标定板的树木的图像，数据集需采用VOC2012数据集的格式来进行标注和整理，对于最终得到的图片以及其mask，采用8:1:1的比例划分训练集，验证集和测试集。

4.根据权利要求1的一种基于机器视觉和深度学习的立木胸径测量方法，其特征在于，第二步中，U-Net结构的网络使用pytorch框架进行搭建。

5.根据权利要求1的一种基于机器视觉和深度学习的立木胸径测量方法，其特征在于，第三步中，分割图像轮廓提取采用OpenCV的findContours()函数。

6.根据权利要求1的一种基于机器视觉和深度学习的立木胸径测量方法，其特征在于，第三步中，树干轮廓外接矩形提取采用椭圆拟合求外接矩形的方法。

7.根据权利要求1的一种基于机器视觉和深度学习的立木胸径测量方法，其特征在于，第三步中，胸径位置的定位采用扫描线的方法来获取胸径的位置。

8.根据权利要求1的一种基于机器视觉和深度学习的立木胸径测量方法，其特征在于，第三步中，三维重建模型通过公式得到世界坐标(Xw,Yw,Zw)，其中A为相机的内参矩阵，R为旋转矩阵和T为平移向量。

9.根据权利要求1的一种基于机器视觉和深度学习的立木胸径测量方法，其特征在于，第三步中，第三步中，胸径三维坐标计算时采用公式

10.根据权利要求1的一种基于机器视觉和深度学习的立木胸径测量方法，其特征在于，胸径长度的测算模型为其中fx为由相机标定得到的相机x方向焦距；(x1,y1)，(x2,y2)为胸径像素提取部分得到的胸径像素坐标；(xw1,yw1,zw1)和(xw2,yw2,zw2)为胸径三维坐标重建得到的；f为直接从出厂参数得到的相机焦距f。