一种基于卷积神经网络的牧草优势度识别方法技术

本发明专利技术涉及图像处理技术领域，公开了一种基于卷积神经网络的牧草优势度识别方法，包括以下步骤：S1、将被监测草原划分出若干草地样方，以俯视的角度对草地样方进行拍照得到至少两幅彩色的样方图像，对每幅所述样方图像进行图像预处理后得到样方图像集；S2、构建牧草识别神经网络；S3、将所述样方图像集中的每幅样方图像分别输入牧草识别神经网络，得到标示目标牧草分类信息的掩模图像，根据每幅掩模图像中表示各个目标牧草种类的像素点的数量，计算该幅掩模图像中，每种目标牧草的覆盖度和优势度。本发明专利技术能够提高牧草的识别精度，为草原退化监测提供可靠的参考数据。化监测提供可靠的参考数据。化监测提供可靠的参考数据。

【技术实现步骤摘要】
一种基于卷积神经网络的牧草优势度识别方法


[0001]本专利技术涉及图像处理
，特别涉及一种基于卷积神经网络的牧草优势度识别方法。

技术介绍

[0002]草原作为全球生态系统的重要组成部分之一，在全球气候变化和生态平衡中起着关键作用，但受过度放牧、开矿、人为开垦等因素的影响，常常面临着草原退化的威胁。草原退化使植物群落小型化，土壤性状恶化，从而使草原植物群落结构组成发生变化，这不仅直接影响草地载畜能力与草原生态系统生产力，而且使土地退化、沙化，沙尘暴等自然灾害频发，严重影响着环境质量和生态平衡。因此，有必要对草原退化程度建立系统性的监测并提供动态的定量监测数据，针对可能发生的草原退化危险发出预警，以便及时调整草原保护策略，促进草原生态系统的恢复。
[0003]草原退化程度监测的主要指标之一是牧草优势种群的改变，即在群落中适口性好、多年生的物种比例减少，适口性差、一、二年生的物种比例增加。传统的牧草种群特征监测方法包括实地目测法和直接收割法等，这些传统方法由于费时、费力等缺陷而逐渐难以满足目前的草地调查工作，且受人为因素影响，其精确度也难获得可靠保障。得益于多光谱遥感技术的发展，通过卫星或无人机携带的多光谱遥感图像系统，可对草原实现大面积的动态监测，特别是对草原植被覆盖率和生物量等宏观数据可进行快速、无损监测，免去了人工统计的麻烦，但是，受遥感技术空间分辨率的限制，加上牧草种群整体高度较低且混杂生长，使得遥感技术在牧草分类和不同种类牧草的优势度识别方面表现不佳。

技术实现思路

[0004]针对上述情况，本专利技术的目的是提供一种基于卷积神经网络的牧草优势度识别方法，该方法基于卷积神经网络模型，可对草原上的牧草种类进行识别，并对其优势度提供定量参考数据，为草原退化监测提供可靠依据。
[0005]为了实现上述目的，本专利技术通过以下技术方案实现的：
[0006]一种基于卷积神经网络的牧草优势度识别方法，包括以下步骤：
[0007]S1、将被监测草原划分出若干草地样方，以俯视的角度对草地样方进行拍照得到至少两幅彩色的样方图像，对每幅所述样方图像进行图像预处理后得到样方图像集。
[0008]其中，划分草地样方的方法采用本领域的常规手段，例如，样方的形状可为正方形或长方形，样方的布局可为对角线形布局、曲线形布局或棋盘形布局。
[0009]S2、构建牧草识别神经网络，步骤如下：
[0010]S21、选定至少两种目标牧草，每种目标牧草种类获取至少两幅彩色的目标牧草图像，对每幅所述目标牧草图像进行图像预处理和标注得到原始数据集。
[0011]其中，目标牧草图像的获取方式可为实地拍摄，也可从互联网上获取，标注是指使用图像标注工具，例如labelImg、labelme等，对目标牧草图像中的目标牧草进行标注，生成
与所述目标牧草图像对应的标注信息，以利后继对牧草识别神经网络进行训练。
[0012]出于以较小的经济和时间成本达到较好的监测效果的目的，所述目标牧草种类的选择应当以当地的牧草优势种和退化指示种为主，目标牧草种类的数量以4～7种为宜，例如，位于内蒙古自治区东南部的科尔沁沙地，目标牧草可设定为小叶锦鸡儿、盐蒿、地梢瓜、狗尾草和蒺藜等；位于乌兰察布的荒漠草原，目标牧草可设定为短花针茅、冷蒿、狭叶锦鸡儿、猪毛菜和栉叶蒿。具体的，针对每种目标牧草采集的图像以5～10幅为宜，且上述图像包含了目标牧草生长期、开花期和结实期的图像。
[0013]S22、对所述原始数据集进行数据增强得到增强数据集，将所述增强数据集划分成训练集、验证集和测试集。
[0014]其中，所述数据增强的方式包括裁剪、随机角度的图像翻转、随机角度的图像旋转等；需要说明的是，每幅原始数据集的图像的标注信息应当得到与对应图像一致的数据增强处理，以保证标注信息与原始数据集中对应图像的一致性。
[0015]S23、根据Dense
‑
net的稠密连接思想，对U
‑
net神经网络改进得到牧草识别神经网络。
[0016]S24、使用训练集、验证集和测试集训练所述牧草识别神经网络，得到训练好的牧草识别神经网络。
[0017]S3、将所述样方图像集中的每幅样方图像分别输入所述训练好的牧草识别神经网络，得到标示目标牧草分类信息的掩模图像，根据每幅掩模图像中表示各个目标牧草种类的像素点的数量，计算该幅掩模图像中，每种目标牧草的覆盖度和优势度。
[0018]目标牧草A
i
的盖度D
i
计算公式如下：
[0019]D
i
＝P
i
/P，
[0020]目标牧草A
i
的优势度N
i
计算公式如下：
[0021]N
i
＝P
i
/P
T
，
[0022]其中，m种目标牧草种类分别表示为目标牧草A1，目标牧草A2，
……
，目标牧草A
i
，
……
，目标牧草A
m
，m为不小于2的正整数，i为不大于m的正整数，P
i
为掩模图像中表示牧草A
i
的像素点数量，P表示整幅掩模图像的像素点数量，P
T
表示整幅掩模图像中所有种类的目标牧草的像素点数量之和，即
[0023]通常的，用于评价物种优势度的方法分为盖度占比和个体数占比两种，显而易见的，在本专利技术中，俯视角度获取的草地样方图像对不同种类牧草的盖度体现得更为充分，适合将牧草盖度用作牧草优势度的表征数据。
[0024]通过比较一幅样方图像中各个目标牧草种类的盖度大小，可以确定目标牧草种类在对应草地样方中的优势度，即，某种目标牧草的盖度越大，则其优势度越高，而通过计算一幅样方图像中各个目标牧草的优势度，可反映出对应草地样方中的生物多样性水平，即，各个种类目标牧草的优势度差别越大，说明对应草地样方中的生物多样性水平越差；上述目标牧草的盖度和优势度数据为草原退化监测提供了基本数据，实际操作中可根据需求进行更多计算和变形以获得更为直观的呈现效果，为草原退化程度的监测提供参考。
[0025]进一步的，所述步骤S1和步骤S21中的图像预处理公式包括G通道增强处理，所述G通道增强处理公式如下：
[0026][0027]其中，R0、G0、B0分别为样方图像或目标牧草图像的R通道、G通道和B通道的初始通道图像，R、G、B为样方图像或目标牧草图像经G通道增强处理后的R通道、G通道和B通道的通道图像，α为特征叠加系数，α的取值范围为0≤α≤1。
[0028]在实际操作中，通过实地拍摄得到的部分图像是灰蒙蒙的，特别是在荒漠草原区域，这种灰蒙蒙的图像更多，究其原因，一是干旱的生存环境使牧草的叶片发生了一定程度的卷曲而露出叶片灰白色的背面，二是地表的浮土和灰尘沉降在叶片上，遮盖住了叶片原本的颜色。在这种灰蒙蒙的图像中，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的牧草优势度识别方法，其特征在于，包括以下步骤：S1、将被监测草原划分出若干草地样方，以俯视的角度对草地样方进行拍照得到至少两幅彩色的样方图像，对每幅所述样方图像进行图像预处理后得到样方图像集；S2、构建牧草识别神经网络，步骤如下：S21、选定至少两种目标牧草，每种目标牧草获取至少两幅彩色的目标牧草图像，对每幅所述目标牧草图像进行图像预处理和标注得到原始数据集；S22、对所述原始数据集进行数据增强得到增强数据集，将所述增强数据集划分成训练集、验证集和测试集；S23、根据Dense
‑
net的稠密连接思想，对U
‑
net神经网络改进得到牧草识别神经网络；S24、使用训练集、验证集和测试集训练所述牧草识别神经网络，得到训练好的牧草识别神经网络；S3、将所述样方图像集中的每幅样方图像分别输入所述训练好的牧草识别神经网络，得到标示目标牧草分类信息的掩模图像，根据每幅掩模图像中表示各个目标牧草种类的像素点的数量，计算该幅掩模图像中，每种目标牧草的覆盖度和优势度；目标牧草A
i
的盖度D
i
计算公式如下：D
i
＝P
i
/P，目标牧草A
i
的优势度N
i
计算公式如下：N
i
＝P
i
/P
T
，其中，m种目标牧草分别表示为目标牧草A1，目标牧草A2，
……
，目标牧草A
i
，
……
，目标牧草A
m
，m为不小于2的正整数，i为不大于m的正整数，P

【专利技术属性】
技术研发人员：张少鹏，王秀玲，
申请(专利权)人：内蒙古工业大学，
类型：发明
国别省市：