一种识别野生藏药独一味及其分布并计算其产量的方法与系统技术方案

本发明专利技术提供了一种识别野生藏药独一味及其分布并计算其产量的方法与系统，属于中药资源调查领域。该方法包括如下步骤：(1)图像采集；(2)图片处理及标注；(3)训练阶段；(4)识别独一味及其分布并计算其产量。本发明专利技术识别野生藏药独一味及其分布并计算其产量的方法提高了对小目标植物，特别是野生藏药独一味的识别率，且在定位处正确生成了相应的掩膜，克服了目前无人机结合图像识别技术对小目标草本类植物识别存在的问题，真正的将其运用在小目标草本类植物，特别是对野生藏药独一味的识别上，提高了对野生藏药独一味的识别率，并可有效计算出其分布区的产量，本发明专利技术为中药资源调查和产量监测提供了一种可靠的技术。查和产量监测提供了一种可靠的技术。查和产量监测提供了一种可靠的技术。

【技术实现步骤摘要】
一种识别野生藏药独一味及其分布并计算其产量的方法与系统


[0001]本专利技术属于中药资源调查领域，具体涉及一种识别野生藏药独一味及其分布并计算其产量的方法与系统。

技术介绍

[0002]野生药用植物产量调查是中药资源可持续利用的关键环节和难点问题。目前，主要采用样方调查结合3S技术进行产量估算，该方法在中药资源调查中广泛应用。但是，传统野外样方生物量调查费时费力且调查面积有限，而野生药用植物资源的分布往往不均，因而该蕴藏量调查方法的效率、准确性及在资源保护实践中的应用性有很大的提升空间，对于我国高原、荒漠等恶劣地区药用资源调查尤为突出。
[0003]近年来，图像机器视觉识别随着人工智能技术进步呈现井喷式发展，在人脸识别、无人驾驶、医学影像识别方面进展迅速。如基于人工智能算法实现对CT影像的机器视觉识别，从而进行疾病诊断极大提高了诊断效率，体现出巨大的发展潜力与优势。
[0004]同时，无人机技术与应用也迅猛发展，无人机全称“无人驾驶飞行器”(Unmanned Aerial Vehicle，UAV)，是硬件发展和应用极为迅猛的新兴方向。无人机测绘迅速工具化，被认为是“空中传感器”。无人机遥感摄影是无人机的重要应用领域，具有高机动性、高时效性、高分辨率、云下飞行和低成本等优势，在农业、林业、资源、生态、环境保护等领域应用广泛，可以快速进行区域影像采集工作，并结合地面实测数据，完成该区域的物种信息监测，并为大范围遥感提供精度验证。
[0005]因此采用无人机技术结合图像机器视觉识别有望对野生药用植物进行识别，并对其分布和产量进行分析统计。专利CN107578447B公开了一种基于种无人机影像的作物垄位置确定方法及系统。所述方法具体包括：获取无人机拍摄的作物区图像，通过二值化并根据提取图斑面积和图斑面积特征去除杂草等非作物图斑；基于作物成像原理提取农作物特征点；建立一个与农作物垄方向平行的h
×
d矩形窗口，通过滤波扫描的策略筛选符合要求的农作物特征点；根据筛选出的农作物特征点，采用最小二乘法，确定作物垄的位置。其能够利用无人机影像精确地检测出作物垄并确定作物垄位置。专利CN110378303A公开了采用Mask
‑
RCNN等方法在图片中可以准确找到待识别植物的区域；专利CN109887020B公开了可以采用Mask
‑
RCNN深度学习方法进行茎叶区域检测模型训练，利用茎叶区域检测模型检测待测植株二维投影点图像，得到所述待测植株的茎干和叶片区域。
[0006]野生藏药独一味是一味药用价值十分高的藏药，能够准确识别其品种并确定其分布计算其产量，对藏药独一味的进一步发展有重要意义。但是，高原独一味资源样方调查困难，不能全面覆盖独一味生长区域，且耗时耗力。目前检测野生藏药独一味方法很少，且识别准确率低下，专业性不强。亟需一种快速、准确测量野生藏药独一味分布的方法和系统。采用无人机技术结合图像机器视觉识别有望解决该问题。但目前，现技术有人将无人机系统与Mask R
‑
CNN结合，只能对大目标有较好的识别效果，对于小目标药用植物(大小为2cm
‑
30cm不等)辨别率较低。同时，如果采用上述专利方法识别独一味容易将独一味和其他相似植株统一识别，并且系统实现独一味识别和产量计算的时间和流程过于持久，导致其辨别率低、耗时长。

技术实现思路

[0007]为了解决上述问题，本专利技术提供了一种识别野生藏药独一味及其分布并计算其产量的方法与系统。
[0008]本专利技术技术方案如下：
[0009]本专利技术提供了一种识别野生藏药独一味及其分布并计算其产量的方法，它包括如下步骤：
[0010](1)图像采集：采用无人机拍摄独一味分布区RGB图像；
[0011](2)图片处理及标注：对拍摄的RGB图像进行裁剪，并标注，将标注样本数据集转化为二值掩码标签的格式，分为训练集、测试集、验证集，用于模型训练；
[0012](3)训练阶段：利用Python编程语言在Tensorflow深度学习框架下进行模型训练直至val_loss收敛为止，得到识别野生藏药独一味及其分布并计算其产量的模型；
[0013](4)识别独一味及其分布并计算其产量：将独一味分布区RGB图像经过处理生成正射影像图，将正射影像图送入步骤(3)的模型中进行识别，将识别后的图像进行拼接，最后计算分布区的面积和产量。
[0014]进一步地，
[0015]步骤(1)中，所述图像采集包括采集独一味不同生长阶段、不同天气条件、不同退化草地、不同飞行高度的图像；
[0016]和/或，步骤(2)中，所述裁剪为使用Python中的open
‑
cv模块进行裁剪；
[0017]和/或，步骤(2)中，所述标注为采用Labelme开源标注工具作为标注软件进行标注，生产json文件数据集；
[0018]和/或，步骤(2)中，所述训练集、测试集、验证集的比例为7:2:1；
[0019]和/或，步骤(4)中，所述将独一味分布区RGB图像经过处理生成正射影像图的方法为将RGB图像添加到Agisoft Metashape Pro软件中，校准，照片对齐，选择超高精度，并且输入标记坐标进行坐标位置校准，然后优化相机对齐，建立密集点云，质量设置最高，建立DSM，最后生成正射影像图；
[0020]和/或，步骤(4)中，所述正射影像图裁剪为512pixel*512pixel大小；
[0021]和/或，步骤(4)中，所述计算分布区的面积和产量的方法为通过ENVI5.3软件图像处理技术，将识别后的独一味从背景中分割，以计算出独一味在分布区的总叶面积，通过地上部分鲜重
‑
叶面积之间的线性关系，计算出分布区的产量。
[0022]进一步地，
[0023]步骤(1)中，所述不同生长阶段包括独一味幼苗期、成熟期、开花期、结果期；
[0024]和/或，步骤(1)中，所述不同退化草地包括未退化草地、轻度退化草地、中度退化草地和重度退化草地；
[0025]和/或，步骤(1)中，所述不同飞行高度为无人机飞行高度10m、15m、20m、25m。
[0026]进一步地，
[0027]步骤(3)中，所述模型训练包括如下步骤：
[0028]1)利用双线性插值的方式把图像缩放到512pixel*512pixel的大小，输入到ResNet网络中；
[0029]2)对图像金字塔中每层特征图的每一个元素点构建若干候选的RoI区域；
[0030]3)分别用RPN网络对每个RoI区域进行坐标回归和前景和背景分类；
[0031]4)为每一个真实的区域选择匹配的RoI区域；
[0032]5)把判断为前景的区域按照交并比IoU和RPN网络的输出值score进行排序，选择IoU最高的且score值最高的若干RoI区域作为真实区域的匹配区域；
[0033]6本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种识别野生藏药独一味及其分布并计算其产量的方法，其特征在于：它包括如下步骤：(1)图像采集：采用无人机拍摄独一味分布区RGB图像；(2)图片处理及标注：对拍摄的RGB图像进行裁剪，并标注，将标注样本数据集转化为二值掩码标签的格式，分为训练集、测试集、验证集，用于模型训练；(3)训练阶段：利用Python编程语言在Tensorflow深度学习框架下进行模型训练直至val_loss收敛为止，得到识别野生藏药独一味及其分布并计算其产量的模型；(4)识别独一味及其分布并计算其产量：将独一味分布区RGB图像经过处理生成正射影像图，将正射影像图送入步骤(3)的模型中进行识别，将识别后的图像进行拼接，最后计算分布区的面积和产量。2.根据权利要求1所述的方法，其特征在于：步骤(1)中，所述图像采集包括采集独一味不同生长阶段、不同天气条件、不同退化草地、不同飞行高度的图像；和/或，步骤(2)中，所述裁剪为使用Python中的open
‑
cv模块进行裁剪；和/或，步骤(2)中，所述标注为采用Labelme开源标注工具作为标注软件进行标注，生产json文件数据集；和/或，步骤(2)中，所述训练集、测试集、验证集的比例为7:2:1；和/或，步骤(4)中，所述将独一味分布区RGB图像经过处理生成正射影像图的方法为将RGB图像添加到Agisoft Metashape Pro软件中，校准，照片对齐，选择超高精度，并且输入标记坐标进行坐标位置校准，然后优化相机对齐，建立密集点云，质量设置最高，建立DSM，最后生成正射影像图；和/或，步骤(4)中，所述正射影像图裁剪为512pixel*512pixel大小；和/或，步骤(4)中，所述计算分布区的面积和产量的方法为通过ENVI5.3软件图像处理技术，将识别后的独一味从背景中分割，以计算出独一味在分布区的总叶面积，通过地上部分鲜重
‑
叶面积之间的线性关系，计算出分布区的产量。3.根据权利要求2所述的方法，其特征在于：步骤(1)中，所述不同生长阶段包括独一味幼苗期、成熟期、开花期、结果期；和/或，步骤(1)中，所述不同退化草地包括未退化草地、轻度退化草地、中度退化草地和重度退化草地；和/或，步骤(1)中，所述不同飞行高度为无人机飞行高度10m、15m、20m、25m。4.根据权利要求1所述的方法，其特征在于：步骤(3)中，所述模型训练包括如下步骤：1)利用双线性插值的方式把图像缩放到512pixel*512pixel的大小，输入到ResNet网络中；2)对图像金字塔中每层特征图的每一个元素点构建若干候选的RoI区域；3)分别用RPN网络对每个RoI区域进行坐标回归和前景和背景分类；4)为每一个真实的区域选择匹配的RoI区域；5)把判断为前景的区域按照交并比IoU和RPN网络的输出值score进行排序，选择IoU最高的且score值最高的若干RoI区域作为真实区域的匹配区域；
6)最后输入到分割网络、坐标回归网络以及分类网络中进行训练，直至val_loss收敛为止；优选地，步骤(3)中，所述RoI区域的长款尺寸由(0.5,1,2)的比例和(8,16,32,64,128)的长度的两两组合构成，一个元素点共15个RoI区域。5.一种识别野生藏药独一味及其分布并计算其产量的设备，其特征在于：所述设备包括：A.独一味分布区图像获取模块，用于获取无人机拍摄的独一味分布区RGB图像；B.图像裁剪模块，用于对获取的独一味分布区RGB图像进行剪裁；C.数据采集模块，用于对图像数据进行采集，标注后将标注样本数据集转化为二值掩码标签的格式，分为训练集、...

【专利技术属性】
技术研发人员：钟世红，古锐，丁荣，王成辉，
申请(专利权)人：西南民族大学，
类型：发明
国别省市：