一种基于实时目标检测网络的森林参数估测方法技术

本发明专利技术公开了一种基于实时目标检测网络的森林参数估测方法，主要涉及森林参数估测领域。包括以下步骤：S1.获取稀疏森林点云数据，进行网格分块；S2.对数据预处理；S3.生成森林点云密度图，构建单木树冠图像目标检测训练集和测试集；S4.构建实时目标检测模型，得到网络结构；S5.对点云密度图进行检测，获取单木树冠的轮廓区域，并获取单木点云；S6.对单木平均树高和单木平均胸径进行估测。本发明专利技术的有益效果在于：以森林点云为输入数据，通过转化为密度图进行实时图像目标检测，以图像目标检测获取单木点云的方法来高效估测森林参数信息，能够达到较高的实时性，无论是对于稠密森林场景还是稀疏森林场景都能够有效的识别树冠，达到提取单木点云的目的。取单木点云的目的。取单木点云的目的。

【技术实现步骤摘要】
一种基于实时目标检测网络的森林参数估测方法


[0001]本专利技术涉及森林参数估测领域，具体是一种基于实时目标检测网络的森林参数估测方法。

技术介绍

[0002]森林是地球上最为重要的生态系统，对森林资源进行调查能够获取到重要的森林参数，能够准确的检测以及评估森林的资源变化，为林业部门制定林业决策做出科学参考。传统的森林参数获取方法需要使用大量人力、物力进行实地测量，但是随着激光雷达技术的发展，机载激光雷达能够快速高效的获取大范围的森林三维数据，为森林参数估测提供一种新的方法。
[0003]对于森林参数的估测，通过获取到森林中单棵树点云进行计算具有最高的准确率。目前从森林点云中获取单木点云的传统方法有基于分水岭的方法、基于局部最大值的方法、基于区域生长的方法，这些方法能够有效的获取单木点云信息，但是存在的缺点是具有较高的时间复杂度，需要计算点与点之间的空间几何关系，并且对于不同树种类型，传统方法没有较好的鲁棒性。
[0004]在利用深度学习的森林参数估测方面，无论是基于点云的方法还是基于图像的方法都能够准确的获取单棵树点云，以实现森林参数估计的目的。基于点云的深度学习方法可以分为点云目标检测和点云实例分割，当前基于点云实例分割的方法尚不成熟，无法有效的在室外场景中使用，基于点云目标检测的方法能够有效的应用在大场景的点云任务中，但是存在不能做到全场景分割的实时性。基于图像的深度学习方法同样也可以分为基于图像目标实例分割的方法和基于图像目标检测的方法，基于图像实例分割的方法能够的有效的获取树冠轮廓并且部分网络模型能够达到一定的实时性，但是在部分森林点云场景中，树冠郁闭度较高，图像实例分割模型无法发挥出效果。

技术实现思路

[0005]本专利技术的目的在于提供一种基于实时目标检测网络的森林参数估测方法，它以森林点云为输入数据，通过转化为密度图进行实时图像目标检测，以图像目标检测获取单木点云的方法来高效估测森林参数信息，能够达到较高的实时性，无论是对于稠密森林场景还是稀疏森林场景都能够有效的识别树冠，达到提取单木点云的目的。
[0006]本专利技术为实现上述目的，通过以下技术方案实现：
[0007]一种基于实时目标检测网络的森林参数估测方法，包括以下步骤：
[0008]S1.使用机载激光雷达对样地数据进行采集，获取稀疏森林点云数据，使用基于分水岭的方法对大场景点云进行网格分块；
[0009]S2.对步骤S1的小区域网格中的原始森林点云数据进行预处理，包括点云去噪和地面点的去除；
[0010]S3.使用步骤S2预处理后的森林点云数据生成森林点云密度图，通过密度图构建
单木树冠图像目标检测训练集和测试集，并使用软件进行标注；
[0011]S4.构建基于YOLOv5的实时目标检测模型，并使用CBAM注意力机制进行优化，使用Recursive
‑
FPN特征融合层解决不同数据中树冠尺度不一致的问题，得到具有实时性检测能力的网络结构YOLOv5
‑
RT；
[0012]S5.使用步骤S4中训练好的YOLOv5
‑
RT模型对待检测的森林点云密度图进行检测，获取单木树冠的轮廓区域，并利用方框区域获取单木点云；
[0013]S6.根据步骤S5中获取到的所有单木点云对样地内的单木平均树高和单木平均胸径两种森林参数进行估测。
[0014]进一步的，所述步骤S1中的网格分块方法包括：
[0015]1.1，对获取到的原始森林点云数据使用分水岭算法进行粗分割获取低精度的单木点云数据，并计算每个单木点云的质心点；
[0016]1.2，对原始森林点云数据的全区域进行100m*100m的网格划分，并利用质心点的位置来确定对应点云所属的网格。
[0017]进一步的，在步骤1.2中，沿着树冠边缘将大场景森林点云划分为小场景点云，保证树冠点云的完整性，以达到有效训练数据的构建。
[0018]进一步的，在步骤S2中，对小区域森林点云进行预处理包括：
[0019]2.1，使用渐进三角网加密滤波算法去除森林点云中的地面点；
[0020]2.2，使用体素滤波算法对雷达扫描时生成的噪点进行去除；
[0021]进一步的，在步骤S3中，对密度图的生成包括：
[0022]3.1，在xy平面上对森林点云进行体素化，体素块在z轴上的高度没有限制，在xy平面上的面积大小为0.3m*0.3m；
[0023]3.2，对每个体素块中的点个数进行统计，计算出所有体素块中点云个数的极值，将最小值与最大值的数值区间进行离散化，并投影出从蓝到红的色阶，按照色阶颜色赋予体素块颜色，得到森林场景的密度图。
[0024]进一步的，步骤S4还包括：
[0025]4.1，在YOLOv5
‑
RT网络结构的特征提取部分，针对密度图中树冠中心较为明显的特点，在ResNet的最后两层添加CBAM注意力机制；
[0026]4.2，在YOLOv5
‑
RT网络结构的多级特征融合部分，针对密度图中树冠尺度不一致的特点，使用Recursive
‑
FPN对原始的FPN进行强化。
[0027]进一步的，在步骤4.1中，所描述的CBAM卷积注意力机制是由通道注意力机制和空间注意力机制组成，具体的原理为：
[0028][0029][0030]公式中Q为输入的特征图，Q'为Q经由通道注意力加权后得到的特征信息；Q”为Q'经由空间注意力机制加权后得到的特征信息；M
c
(Q)和M
s
(Q')分别为通道注意力机制和空间注意力机制生成的权重信息；表示特征图之间按位相乘。
[0031]进一步的，在步骤4.2中，所描述的Recursive
‑
FPN特点为：
[0032]将传统的FPN的特征进行融合后再次输入给骨干网络，进行多次循环以实现特征
图信息的有效利用。
[0033]进一步的，对于步骤S6中平均单木树高的参数的获取，采用单木点云的最高点和单木点云的最低点做高程差的到，具体公式如下，
[0034]T
h
＝z(P
top
)
‑
z(P
ground
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0035]公式中z(P
top
)表示单木点云的树顶高程最高点，z(P
ground
)表示单木的位置高程的最低点；
[0036]对于步骤S6中平均单木胸径的估计，是对获取到的单木点云在1.8m
‑
2m处的切片进行点云圆拟合得到。
[0037]对比现有技术，本专利技术的有益效果在于：
[0038]本专利技术使用深度学习实时图像目标检测算法对森林参数进行估测，能够高效的获取森林树高以及森林单木胸径，具有很高的应本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于实时目标检测网络的森林参数估测方法，其特征在于：包括以下步骤：S1.使用机载激光雷达对样地数据进行采集，获取稀疏森林点云数据，使用基于分水岭的方法对大场景点云进行网格分块；S2.对步骤S1的小区域网格中的原始森林点云数据进行预处理，包括点云去噪和地面点的去除；S3.使用步骤S2预处理后的森林点云数据生成森林点云密度图，通过密度图构建单木树冠图像目标检测训练集和测试集，并使用软件进行标注；S4.构建基于YOLOv5的实时目标检测模型，并使用CBAM注意力机制进行优化，使用Recursive
‑
FPN特征融合层解决不同数据中树冠尺度不一致的问题，得到具有实时性检测能力的网络结构YOLOv5
‑
RT；S5.使用步骤S4中训练好的YOLOv5
‑
RT模型对待检测的森林点云密度图进行检测，获取单木树冠的轮廓区域，并利用方框区域获取单木点云；S6.根据步骤S5中获取到的所有单木点云对样地内的单木平均树高和单木平均胸径两种森林参数进行估测。2.根据权利要求1所述一种基于实时目标检测网络的森林参数估测方法，其特征在于：所述步骤S1中的网格分块方法包括：1.1，对获取到的原始森林点云数据使用分水岭算法进行粗分割获取低精度的单木点云数据，并计算每个单木点云的质心点；1.2，对原始森林点云数据的全区域进行100m*100m的网格划分，并利用质心点的位置来确定对应点云所属的网格。3.根据权利要求2所述一种基于实时目标检测网络的森林参数估测方法，其特征在于：在步骤1.2中，沿着树冠边缘将大场景森林点云划分为小场景点云，保证树冠点云的完整性，以达到有效训练数据的构建。4.根据权利要求1所述一种基于实时目标检测网络的森林参数估测方法，其特征在于：在步骤S2中，对小区域森林点云进行预处理包括：2.1，使用渐进三角网加密滤波算法去除森林点云中的地面点；2.2，使用体素滤波算法对雷达扫描时生成的噪点进行去除。5.根据权利要求1所述一种基于实时目标检测网络的森林参数估测方法，其特征在于：在步骤S3中，对密度图的生成包括：3.1，在xy平面上对森林点云进行体素化，体素块在z轴上的高度没有限制，在xy平面上的面积大小为0.3m*0.3m；3.2，对每个体素块中的点个数进行统计，计算出所有体素块中点云个数的极值，将最小值与最大...

【专利技术属性】
技术研发人员：李中山，季良辉，
申请(专利权)人：西北农林科技大学，
类型：发明
国别省市：