一种基于无人机可见光遥感的红树植物自动识别方法技术

本发明专利技术涉及一种基于无人机可见光遥感的红树植物自动识别方法，该方法通过无人机采集的可见光遥感数据，预处理获取训练模型所需的数据集；然后通过三维点云重建，生成研究样地的数字表面模型；改进了SegNet语义分割模型，添加一组卷积神经网络获取红树植物物理结构特征，结合基于可见光正射图像提取的特征训练模型；利用训练的模型进行红树植物的自动分类识别。该方法没有根据研究样地进行针对性设计，采用像素级的分类方式，普适性强，且该方法利用红树林物理结构信息约束有助于更全面的认知红树林，有效提高了物种识别的准确率，可轻松应用于不同区域的红树林调研与监测。轻松应用于不同区域的红树林调研与监测。轻松应用于不同区域的红树林调研与监测。

【技术实现步骤摘要】
一种基于无人机可见光遥感的红树植物自动识别方法


[0001]本专利技术属于红树林遥感监测
，具体涉及一种基于无人机可见光遥感的红树植物自动识别方法。

技术介绍

[0002]低空无人机遥感成本低、数据采集灵活、图像空间分辨率高，具有实时获取影像资料的能力，特别在小区域低空领域具有一定的优势，是传统航空遥感和卫星遥感的重要补充。在过去几年中，无人机在森林制图、作物管理和其他植被监测方面广受关注，而红树林无人机遥感研究作为其中的一个分支，正处于起步阶段。
[0003]目前，基于无人机可见光遥感开展的红树植物种类识别研究主要围绕对象级的种类识别算法展开。面向对象的种类识别方法通过图像分割技术提取斑块的光谱、纹理和几何结构等特征，人工筛选相关特征对物种进行分类。然而，相关研究中所需图像分割参数和特征类型要结合调查样地的特点进行针对性选取，普适性较弱，不利于红树林生态系统的长期有效监测。
[0004]随着近些年计算机视觉技术的不断发展，基于深度学习的像素级图像分割算法可以解决上述的问题，所以基于深度学习的像素级图像分割算法成为现在研究热点。例如：像素级的种类识别方法，其是通过端到端的人工智能算法，利用计算机提供的高计算性能直接对图像像素进行划分，实现对无人机可见光遥感数据的识别与理解，处理方式简单，方法普适性强。但是，目前该方向的研究主要通过彩色航拍图像获取红树植物的光谱特征来实现分类，未能充分利用红树植物的物理结构等信息来对其进行更为全面的认知。

技术实现思路

[0005]为克服现有技术的上述不足，本专利技术提出一种基于无人机可见光遥感的红树植物自动识别方法，包括以下步骤：
[0006]S1：采集红树林生态系统的无人机可见光遥感数据得到无人机原始图像；
[0007]S2：对无人机原始图像进行预处理、数据标注以及裁切处理后获取训练网络所需训练集、测试集和验证集；
[0008]S3：对经过预处理、数据标注以及裁切处理后的无人机原始图像进行三维点云重建，获取飞行区域的红树植物数字表面模型；
[0009]S4：将S2中获取的训练集和S3中对应的红树植物数字表面模型输入改进的SegNet神经网络进行训练，经过验证集验证循环迭代进行参数优化，构建红树植物种类自动识别模型；
[0010]S5：将测试集中的数据输入S4获取的红树植物种类自动分类模型，获取种类识别结果，验证红树植物分类模型精度，并改进参数，进行优化；
[0011]S6：将验证精度后的红树植物分类模型存储在服务器；
[0012]S7：实时获取无人机可见光遥感数据通过数据链回传至服务器，服务器调用红树
植物分类模型对无人机可见光遥感数据进行认知，以实现红树植物的自动分类识别。
[0013]具体地，在S1中，采集红树林生态系统的无人机可见光遥感数据时，无人机选型为大疆精灵Phantom 4RTK，其水平方向和高度方向上的定位精度均为厘米级，像素为5472
×
3648。飞行参数选取为高度为80m，飞行速度为3m/s，航向重叠度为90％，旁向重叠度为80％，镜头垂直向下拍摄正射影像，单次作业时间平均为18min。
[0014]具体地，在S2中，进行以下步骤：
[0015]S21：根据无人机云台相机镜头畸变参数，对无人机原始图像进行畸变校正；
[0016]S22：对经过畸变校正的无人机原始图像进行数据标注，以确定植物识别种类标签；
[0017]S23：对数据标注后的无人机原始图像进行裁切，对图像数据进行扩充并对包含红树植物的有效区域内采集的数据进行筛选；
[0018]S24：将裁切过的无人机原始图像按照相应的比例划分为训练集、测试集和验证集。
[0019]具体地，在S3中，进行以下步骤：
[0020]S31：根据无人机飞行参数对经过预处理、数据标注以及裁切处理后的无人机原始图像进行三维点云重建；
[0021]S32：基于三维点云重建结果，获取飞行区域的红树植物数字表面模型。
[0022]具体地，在S4中，进行以下步骤：
[0023]S41：通过VGG-16网络的前13层卷积将S2获取的训练集进行特征提取；
[0024]S42：通过VGG-16网络的前13层卷积，对S3中对应的红树植物数字表面模型进行特征提取；
[0025]S43：对S41和S42提取的特征图进行组合，得到红树植物物理结构信息约束的高维度特征信息；
[0026]S44：高维度特征信息进行上采样和反卷积，获取与原始图像尺寸相同的像素级语义分割图像模型；
[0027]S45：根据S2中获取的验证集对像素级语义分割图像模型进行参数进行优化，获取红树植物种类自动分类模型。
[0028]有益效果：
[0029]本专利技术的红树植物自动识别方法，在构造基于深度学习的像素级分类识别算法时，改进了SegNet语义分割算法，添加了一组卷积神经网络提取红树林数字地面模型(Digital Surface Model，DSM)的特征信息，通过DSM提供的物理结构信息来辅助红树林物种的判断，提升了红树林物种识别的精度。本专利技术方法中经过改进的像素级种类自动识别方法提高了红树植物种类自动识别方法的精度；同时，由于方法并未针对研究样地进行针对性设计，其普适性较强，可轻松应用于不同区域的红树林调研与监测。
附图说明
[0030]图1为本专利技术的基于无人机可见光遥感的红树植物自动识别方法流程框图；
[0031]图2为本专利技术改进的深度学习网络框架图。
具体实施方式
[0032]以下结合实施例对本专利技术作进一步的阐述，所述的实施例仅为本专利技术一部分的实施例，这些实施例仅用于解释本专利技术，对本专利技术的范围并不构成任何限制。
[0033]如图1所示，一种基于无人机可见光遥感的红树植物自动识别方法，包括以下步骤：
[0034]S1：采集红树林生态系统的无人机可见光遥感数据得到无人机原始图像；
[0035]具体地，在S1中，采集红树林生态系统的无人机可见光遥感数据时，无人机选型为大疆精灵Phantom4RTK，其水平方向和高度方向上的定位精度均为厘米级，像素为5472
×
3648。飞行参数选取为高度为80m，飞行速度为3m/s，航向重叠度为90％，旁向重叠度为80％，镜头垂直向下拍摄正射影像，单次作业时间平均为18min。
[0036]S2：对无人机原始图像进行预处理、数据标注以及裁切处理后获取训练网络所需训练集、测试集和验证集；
[0037]具体地，在S2中，进行以下步骤：
[0038]S21：根据无人机云台相机镜头畸变参数，对无人机原始图像进行畸变校正；
[0039]S22：对经过畸变校正的无人机原始图像进行数据标注，以确定植物识别种类标签。例如，对无人机原始图像进行识别，标注图像中哪些是树种类型，哪些是裸地，将识别的对应标签标注为对应的类型即可；
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无人机可见光遥感的红树植物自动识别方法，其特征在于：包括以下步骤：S1：采集红树林生态系统的无人机可见光遥感数据，得到无人机原始图像；S2：对无人机原始图像进行预处理、数据标注以及裁切处理后获取训练网络所需训练集、测试集和验证集；S3：对经过预处理、数据标注以及裁切处理后的无人机原始图像进行三维点云重建，获取飞行区域的红树植物数字表面模型；S4：将S2中获取的训练集和S3中对应的红树植物数字表面模型输入改进的SegNet神经网络进行训练，经过验证集验证循环迭代进行参数优化，构建红树植物种类自动识别模型；S5：将测试集中的数据输入S4获取的红树植物种类自动分类模型，获取种类识别结果，验证红树植物分类模型精度，并改进参数，进行优化；S6：将验证精度后的红树植物分类模型存储在服务器；S7：实时获取无人机可见光遥感数据通过数据链回传至服务器，服务器调用红树植物分类模型对无人机可见光遥感数据进行认知，以实现红树植物的自动分类识别。2.根据权利要求1所述的红树植物自动识别方法，其特征在于：具体地，在S1中，采集红树林生态系统的无人机可见光遥感数据时，无人机选型为大疆精灵Phantom 4 RTK，其水平方向和高度方向上的定位精度均为厘米级，像素为5472
×
3648，飞行参数选取为高度为80m，飞行速度为3m/s，航向重叠度为90％，旁向重叠度为80％，镜头垂直向下拍摄正射影像，单次作业时间平均为18m...

【专利技术属性】
技术研发人员：李瑞利，沈小雪，翟朝阳，张志，张月琪，江鎞倩，
申请(专利权)人：北京大学深圳研究生院，
类型：发明
国别省市：