本申请公开了基于无人机图像深度学习的植株识别制图方法和系统，通过无人机采集待测试的植株遥感图像；获取单植株遥感图像数据集；对Faster RCNN深度学习目标识别框架模型进行优化，获取FruitNet深度学习目标识别模型并进行训练，对FruitNet深度学习目标识别模型进行单植株识别预测，获取单植株识别预测结果；基于所述单植株识别预测结果，获取植株空间分布专题地图。本申请有效解决了人为调查统计的误差，提高植株调查识别与定位的精度和效率，减少了传统植株调查统计方法的复杂程度，可为智慧果园和精准农业提供重要的科技支撑，为乡村果树产业振兴发展提供科技服务。为乡村果树产业振兴发展提供科技服务。为乡村果树产业振兴发展提供科技服务。
【技术实现步骤摘要】
基于无人机图像深度学习的植株识别制图方法和系统
[0001]本申请属于植株识别制图领域，具体涉及基于无人机图像深度学习的植株识别制图方法和系统。
技术介绍
[0002]柚子树(拉丁学名：Citrus maxima，别名：文旦，简称柚树)，芸香科柑橘属常绿乔木果树，具有重要的经济价值。它栽培于丘陵或低山地带，在中国广东、广西、浙江、江西、台湾、福建、湖南、湖北、四川、贵州、云南等省均有栽种，在东南亚各国亦有分布。我国柚树种植地域分布较广泛，其数量调查统计任务繁重，准确的植株数量和空间分布数据十分缺乏。传统的基于农户调查和统计上报的柚树统计方法不仅周期较长、费用较高，而且因人为原因会造成数据不一致、缺少空间分布数据等问题，不利于柚树果园精准管理和产业发展规划。现有单株果树识别技术还未有涉及到本申请专利的方法流程，特别是利用改进的Faster RCNN深度学习目标识别框架模型(FruitNet)进行植株识别和定位，并利用非极大值抑制(Non
‑
Maximum Suppression，NMS)和ArcGIS进行较大面积的果园区域植株空间分布制图。
[0003]本申请提出了一种快速、高效、低成本的植株识别与制图技术方法，能够自动准确统计柚树数量并进行精准定位制图，可为柚树果园种植面积调查、柚树数量精确估算、病毒虫害监测、长势监测和产值估算等提供关键的基础数据，对智慧果园管理和精准农业实践有重要意义。
技术实现思路
[0004]本申请提出了基于无人机图像深度学习的植株识别制图方法和系统，基于采集的植株遥感图像，通过优化后的Faster RCNN深度学习目标识别框架模型进行训练，对植株进行识别预测，获取植株空间分布专题地图。
[0005]为实现上述目的，本申请提供了如下方案：
[0006]基于无人机图像深度学习的植株识别制图方法，包括：
[0007]采集待测试的植株遥感图像；
[0008]基于所述待测试的植株遥感图像，获取单植株遥感图像数据集；
[0009]基于所述单植株遥感图像数据集，对Faster RCNN深度学习目标识别框架模型进行优化，获取FruitNet深度学习目标识别模型；
[0010]对所述FruitNet深度学习目标识别模型进行训练，获取深度学习目标识别模型权重文件；
[0011]基于所述深度学习目标识别模型权重文件，对所述FruitNet深度学习目标识别模型进行单植株识别预测，获取单植株识别预测结果；
[0012]基于所述单植株识别预测结果，获取植株空间分布专题地图。
[0013]优选的，获取所述单植株遥感图像数据集的方法包括：通过ArcGIS绘制植株样本
标签数据，并获取带有经纬度坐标和投影信息的植株样本图像数据集。
[0014]优选的，对所述Faster RCNN深度学习目标识别框架模型进行优化的方法包括：
[0015]将Faster RCNN原模型中的分类骨干网络VGG16修改为ResNet50，并增加特征图金字塔网络模块，在ResNet残差模块加入通道注意力机制SENet，形成优化后的FruitNet深度学习目标识别模型。
[0016]优选的，对所述FruitNet深度学习目标识别模型进行训练的方法包括：
[0017]通过VOC2012数据集预训练权重进行迁移学习训练，优化策略为：
[0018]通过带动量的梯度下降算法SGDM，动量M＝0.9，权重衰减率＝5.00E
‑
4，最大训练批次＝100，初始学习率＝0.01，步降次数＝20批次，步降系数γ＝0.6，通过训练获取高精度的植株识别深度学习模型权重文件。
[0019]优选的，获取所述植株空间分布专题地图的方法包括：基于所述单植株识别预测结果，通过Python的GDAL库编写制图和非极大抑制脚本，生成无重复的植株空间分布文件；
[0020]利用ArcGIS对所述植株遥感图像和所述无重复的植株空间分布文件进行叠加，获取所述植株空间分布专题地图。
[0021]为了更好的实现上述技术效果，本申请还提供了基于无人机图像深度学习的植株识别制图系统，
[0022]包括：采集植株遥感图像模块、植株遥感图像数据集制作模块、FruitNet深度学习目标识别模块、FruitNet深度学习目标识别训练模块、深度学习目标识别预测模块和空间分布专题地图制作模块；
[0023]所述采集植株遥感图像模块用于采集待测试的植株遥感图像；
[0024]所述植株遥感图像数据集制作模块用于基于所述待测试的植株遥感图像，获取单植株遥感图像数据集；
[0025]所述FruitNet深度学习目标识别模块用于基于所述单植株遥感图像数据集，对Faster RCNN深度学习目标识别框架模型进行优化，获取FruitNet深度学习目标识别模型；
[0026]所述FruitNet深度学习目标识别训练模块对所述FruitNet深度学习目标识别模型进行训练，获取深度学习目标识别模型权重文件；
[0027]所述深度学习目标识别预测模块用于基于所述深度学习目标识别模型权重文件，对所述FruitNet深度学习目标识别模型进行单植株识别预测，获取单植株识别预测结果；
[0028]所述空间分布专题地图制作模块用于基于所述单植株识别预测结果，获取植株空间分布专题地图。
[0029]优选的，所述植株遥感图像数据集制作模块中所述获取单植株遥感图像数据集的方法包括：通过ArcGIS绘制植株样本标签数据，并获取带有经纬度坐标和投影信息的植株样本图像数据集。
[0030]优选的，所述FruitNet深度学习目标识别模块中对所述Faster RCNN深度学习目标识别框架模型进行优化的方法包括：
[0031]将Faster RCNN原模型中的分类骨干网络VGG16修改为ResNet50，并增加特征图金字塔网络模块，在ResNet残差模块加入通道注意力机制SENet，形成优化后的FruitNet深度学习目标识别模型。
[0032]优选的，所述FruitNet深度学习目标识别训练模块中对所述FruitNet深度学习目
标识别模型进行训练的方法包括：
[0033]通过VOC2012数据集预训练权重进行迁移学习训练，优化策略为：
[0034]通过带动量的梯度下降算法SGDM，动量M＝0.9，权重衰减率＝5.00E
‑
4，最大训练批次＝100，初始学习率＝0.01，步降次数＝20批次，步降系数γ＝0.6，通过训练获取高精度的植株识别深度学习模型权重文件。
[0035]优选的，所述空间分布专题地图制作模块中获取植株空间分布专题地图的方法包括：基于所述单植株识别预测结果，通过Python的GDAL库编写制图和非极大抑制脚本，生成无重复的植株空间分布文件；
[0036]利用ArcGIS对所述植株遥感图像和所述无重复的植株空间分布文件进行叠加，获取本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于无人机图像深度学习的植株识别制图方法，其特征在于，包括如下步骤：采集待测试的植株遥感图像；基于所述待测试的植株遥感图像，获取单植株遥感图像数据集；基于所述单植株遥感图像数据集，对Faster RCNN深度学习目标识别框架模型进行优化，获取FruitNet深度学习目标识别模型；对所述FruitNet深度学习目标识别模型进行训练，获取深度学习目标识别模型权重文件；基于所述深度学习目标识别模型权重文件，对所述FruitNet深度学习目标识别模型进行单植株识别预测，获取单植株识别预测结果；基于所述单植株识别预测结果，获取植株空间分布专题地图。2.如权利要求1所述基于无人机图像深度学习的植株识别制图方法，其特征在于，获取所述单植株遥感图像数据集的方法包括：通过ArcGIS绘制植株样本标签数据，并获取带有经纬度坐标和投影信息的植株样本图像数据集。3.如权利要求1所述基于无人机图像深度学习的植株识别制图方法，其特征在于，对所述Faster RCNN深度学习目标识别框架模型进行优化的方法包括：将Faster RCNN原模型中的分类骨干网络VGG16修改为ResNet50，并增加特征图金字塔网络模块，在ResNet残差模块加入通道注意力机制SENet，形成优化后的FruitNet深度学习目标识别模型。4.如权利要求1所述基于无人机图像深度学习的植株识别制图方法，其特征在于，对所述FruitNet深度学习目标识别模型进行训练的方法包括：通过VOC2012数据集预训练权重进行迁移学习训练，优化策略为：通过带动量的梯度下降算法SGDM，动量M＝0.9，权重衰减率＝5.00E
‑
4，最大训练批次＝100，初始学习率＝0.01，步降次数＝20批次，步降系数γ＝0.6，通过训练获取高精度的植株识别深度学习模型权重文件。5.如权利要求1所述基于无人机图像深度学习的植株识别制图方法，其特征在于，获取所述植株空间分布专题地图的方法包括：基于所述单植株识别预测结果，通过Python的GDAL库编写制图和非极大抑制脚本，生成无重复的植株空间分布文件；利用ArcGIS对所述植株遥感图像和所述无重复的植株空间分布文件进行叠加，获取所述植株空间分布专题地图。6.基于无人机图像深度学习的植株识别制图系统，其特征在于，包括：采集植株遥感图像模块、植株遥感图像数据集制作模块、FruitNet深度学习目标识别模块、FruitNet深度学习目标识别训练模块、深度学习目标识别预测模块和空间分布专题地图制作模块；所述采集植株遥感图像模块用于采集待...
【专利技术属性】
技术研发人员：熊永柱，赖为乾，曾晓峰，陈燕奎，朱明勇，廖文佳，
申请(专利权)人：嘉应学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。