基于改进SSD神经网络的统计树木数量的方法及系统技术方案

本发明专利技术实施例公开了一种基于改进SSD神经网络的统计树木数量的方法及系统，方法包括：采集图像，其中，图像为航拍的环境图像；将图像输入预先训练好的用于识别树木的神经网络模型中，以通过神经网络模型识别图像中的树木，其中，神经网络模型包括一一对应地提取多个尺度的特征图像的多个卷积层、以及一一对应地对多个尺度的特征图进行特征融合的多个反卷积层，以由多个反卷积层获取到融合后的新特征图。本发明专利技术的基于改进SSD神经网络的统计树木数量的方法，通过对图像分析之前，对神经网络模型进行训练，从而，能够对复杂环境下的图像均具有普适性，并且可以精确的识别到树木的数量，进而，提高对林业资源统计的精确度。

【技术实现步骤摘要】
基于改进SSD神经网络的统计树木数量的方法及系统
本专利技术涉及图像处理
，具体涉及一种基于改进SSD神经网络的统计树木数量的方法及系统。
技术介绍
卷积神经网络在图像分类、行人检测以及标志识别方面得到广泛应用。例如：使用卷积神经网络对无人机航拍的图像中建筑类、林地、水体等进行分类识别。然而，利用无人机获取的林木图像中环境信息复杂，通过目前的神经网络识别过程中，精度较差，即：识别树木不够准确。
技术实现思路
基于现有技术中存在的问题，本专利技术实施例提出了一种基于改进SSD神经网络的统计树木数量的方法及系统。第一方面，本专利技术实施例提供了一种基于改进SSD神经网络的统计树木数量的方法，包括：采集图像，其中，所述图像为航拍的环境图像；将所述图像输入预先训练好的用于识别树木的神经网络模型中，以通过所述神经网络模型识别所述图像中的树木，其中，所述神经网络模型包括一一对应地提取多个尺度的特征图像的多个卷积层、以及一一对应地对多个尺度的特征图进行特征融合的多个反卷积层，以由所述多个反卷积层获取到融合后的新特征图。在一些示例中，还包括对所述神经网络模型进行训练的步骤，具体为：获取多个图像训练样本；对多个图像训练样本进行多尺度的特征图映射；对多尺度的特征图进行先验框匹配和数据增强训练，得到训练完成的用于识别树木的所述神经网络模型。在一些示例中，所述对多个图像训练样本进行多尺度的特征图映射，包括：使用可提取多个尺度的特征图的多个卷积层提取所述多个尺度的特征图，并通过与对应的反卷积层的前后端融合，得到融合后的新特征图。在一些示例中，所述对多尺度的特征图进行先验框匹配和数据增强训练，得到训练完成的用于识别树木的所述神经网络模型，包括：基于多个尺度的特征图，设置尺度或者长宽比不同的先验框；通过水平翻转、裁剪、放大和缩小中的一个或多个方式对多尺度的特征图进行数据增强。在一些示例中，所述对所述神经网络模型进行训练，包括：对于多个图像训练样本中每个真实目标，找到与其交并比IOU最大的先验框；通过所述先验框与对应的真实目标进行匹配；对剩余的未匹配的先验框，如果真实目标的交并比IOU大于预设值，则通过所述先验框与对应的真实目标进行匹配；对负样本进行抽样，抽样时按照置信度误差进行降序排列，并选取误差的较大的top-k作为训练的负样本。在一些示例中，所述通过所述神经网络模型识别所述图像中的树木时，所述多尺度的特征图的尺度越大，用于检测的目标越小。在一些示例中，在所述神经网络模型中，通过设置的损失函数进行多个图像训练样本的分类。第二方面本专利技术实施例还提供了一种基于改进SSD神经网络的统计树木数量的系统，包括：采集模块，用于采集图像，其中，所述图像为航拍的环境图像；分类模块，用于将所述图像输入预先训练好的用于识别树木的神经网络模型中，以通过所述神经网络模型识别所述图像中的树木，其中，所述神经网络模型包括一一对应地提取多个尺度的特征图像的多个卷积层、以及一一对应地对多个尺度的特征图进行特征融合的多个反卷积层，以由所述多个反卷积层获取到融合后的新特征图。第三方面，本专利技术实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的基于改进SSD神经网络的统计树木数量的方法。第四方面，本专利技术实施例还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述的基于改进SSD神经网络的统计树木数量的方法。由上述技术方案可知，本专利技术实施例提供的基于改进SSD神经网络的统计树木数量的方法及系统，通过对图像分析之前，对神经网络模型进行训练，从而，能够对复杂环境下的图像均具有普适性，并且可以精确的识别到树木的数量，进而，提高对林业资源统计的精确度。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些图获得其他的附图。图1是本专利技术一实施例提供的基于改进SSD神经网络的统计树木数量的方法的流程图；图2是本专利技术一实施例提供的基于改进SSD神经网络的统计树木数量的方法中的神经网络模型的示意图；图3是本专利技术一实施例提供的基于改进SSD神经网络的统计树木数量的系统的结构示意图；图4是本专利技术一实施例提供的电子设备的结构示意图。具体实施方式下面结合附图，对本专利技术的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。以下结合附图描述根据本专利技术实施例的语音检测方法及系统。图1示出了本专利技术一实施例提供的基于改进SSD神经网络的统计树木数量的方法的流程图，如图1所示，本专利技术实施例提供的基于改进SSD神经网络的统计树木数量的方法，具体包括如下内容：S101：采集图像，其中，图像为航拍的环境图像。S102：将图像输入预先训练好的用于识别树木的神经网络模型中，以通过神经网络模型识别所述图像中的树木，其中，所述神经网络模型包括一一对应地提取多个尺度的特征图像的多个卷积层、以及一一对应地对多个尺度的特征图进行特征融合的多个反卷积层，以由所述多个反卷积层获取到融合后的新特征图。即：通过神经网络模型识别所述图像中的树木时，所述多尺度的特征图的尺度越大，用于检测的目标越小。在具体示例中，首先对所述神经网络模型进行训练，具体为：获取多个图像训练样本；对多个图像训练样本进行多尺度的特征图映射；对多尺度的特征图进行先验框匹配和数据增强训练，得到训练完成的用于识别树木的所述神经网络模型。训练过程如下：对于多个图像训练样本中每个真实目标，找到与其交并比IOU最大的先验框；通过所述先验框与对应的真实目标进行匹配；对剩余的未匹配的先验框，如果真实目标的交并比IOU大于预设值，则通过所述先验框与对应的真实目标进行匹配；对负样本进行抽样，抽样时按照置信度误差进行降序排列，并选取误差的较大的top-k作为训练的负样本。其中，对多个图像训练样本进行多尺度的特征图映射，包括：使用可提取多个尺度的特征图的多个卷积层提取所述多个尺度的特征图，并通过与对应的反卷积层的前后端融合，得到融合后的新特征图。对多尺度的特征图进行先验框匹配和数据增强训练，得到训练完成的用于识别树木的所述神经网络模型，包括：基于多个尺度的特征图，设置尺度或者长宽比不同的先验框；通过水平翻转、裁剪、放大和缩小中的一个或多个方式对多尺度的特征图进行数据增强。在所述神经网络模型中，通过设置的损失函数进行多个图像训练样本的分类。以下具体说明对航拍的环境图像进行树木的本文档来自技高网...

【技术保护点】
1.一种基于改进SSD神经网络的统计树木数量的方法，其特征在于，包括：/n采集图像，其中，所述图像为航拍的环境图像；/n将所述图像输入预先训练好的用于识别树木的神经网络模型中，以通过所述神经网络模型识别所述图像中的树木，/n其中，所述神经网络模型包括一一对应地提取多个尺度的特征图像的多个卷积层、以及一一对应地对多个尺度的特征图进行特征融合的多个反卷积层，以由所述多个反卷积层获取到融合后的新特征图。/n

【技术特征摘要】
1.一种基于改进SSD神经网络的统计树木数量的方法，其特征在于，包括：
采集图像，其中，所述图像为航拍的环境图像；
将所述图像输入预先训练好的用于识别树木的神经网络模型中，以通过所述神经网络模型识别所述图像中的树木，
其中，所述神经网络模型包括一一对应地提取多个尺度的特征图像的多个卷积层、以及一一对应地对多个尺度的特征图进行特征融合的多个反卷积层，以由所述多个反卷积层获取到融合后的新特征图。


2.根据权利要求1所述的基于改进SSD神经网络的统计树木数量的方法，其特征在于，还包括对所述神经网络模型进行训练的步骤，具体为：
获取多个图像训练样本；
对多个图像训练样本进行多尺度的特征图映射；
对多尺度的特征图进行先验框匹配和数据增强训练，得到训练完成的用于识别树木的所述神经网络模型。


3.根据权利要求2所述的基于改进SSD神经网络的统计树木数量的方法，其特征在于，所述对多个图像训练样本进行多尺度的特征图映射，包括：
使用可提取多个尺度的特征图的多个卷积层提取所述多个尺度的特征图，并通过与对应的反卷积层的前后端融合，得到融合后的新特征图。


4.根据权利要求2所述的基于改进SSD神经网络的统计树木数量的方法，其特征在于，所述对多尺度的特征图进行先验框匹配和数据增强训练，得到训练完成的用于识别树木的所述神经网络模型，包括：
基于多个尺度的特征图，设置尺度或者长宽比不同的先验框；
通过水平翻转、裁剪、放大和缩小中的一个或多个方式对多尺度的特征图进行数据增强。


5.根据权利要求2所述的基于改进SSD神经网络的统计树木数量的方法，其特征在于，所述对所述神经网络模型进行训练，包括：
对于多个图像训练样本中每个...

【专利技术属性】
技术研发人员：韩巧玲，刘雷，赵燕东，赵玥，席本野，宋美慧，李晨曦，
申请(专利权)人：北京林业大学，
类型：发明
国别省市：北京;11