[发明专利]一种基于图像的疫木检测与定位方法及系统

说明书

本发明提出一种基于图像的疫木检测与定位方法及系统。本发明设计的多尺度候选区域融合网络，其中检测小目标的RPN(S‑RPN)以ResNet18得到的特征图，检测中型目标的RPN(M‑RPN)以ResNet32得到的特征图，检测大型目标的RPN(L‑RPN)以ResNet50得到的特征图。然后采用非最大抑制(NMS)来减少冗余的候选区域。该网络可以解决目前基于深度神经网络的目标检测网络模型难以应对多尺度松林疫木检测的问题。本发明提出根据云台监测塔的摄像机成像原理和数字地形高程数据(DEM)构建疫木三维定位几何模型，可以准确实现疫木爆发点的三维定位。本发明简单、快速，可提高松林疫木的监测预警能力。

技术领域

本发明属于图像检测及定位技术领域，具体涉及基于深度学习的多尺度候选区域融合的疫木检测网络和疫木三维定位几何模型。

背景技术

松材线虫病是我国林业危害最大的松林病害之一，被称为松树的“癌症”。从一棵松树的感染到整片松林的死亡只需要3-5年的时间，被感染的松树被称为疫木。因此，疫木检测是松林防护的首要大事。受感染的松树与正常健康松树最显著的特征是树木的整个树冠针叶呈黄褐色或红褐色，而正常健康松树的树冠针叶是绿色的。目前松林疫木检测方法主要为：1)地面调查方法，即依靠护林员实地走访，收集单株疫木的坐标位置信息并采集样本，这种方式检测准确性和可靠性较高，但劳动力和时间成本很高，效率比较低；2)卫星遥感检测方法，现在林业监测大部分通过遥感图像实现对大面积松林的区域监测，由于卫星重访周期长，且受多云多雾的影响，遥感图像空间分辨率不高，目前难以实现单株疫木的监测；3)无人驾驶飞行器(UAV)检测方法，该方法由于受限于UAV的续航时间，无法长时间实时检测较大区域的松林；4)云台观测塔监测方法，通过将监控摄像机设置在云台观测塔制高点上对松林实行近地低空拍摄，拍摄到的视频具有较高的空间分辨率，再抽取视频中的单帧RGB图像进行检测和分析，目前已成为松林疫木检测的一种有效的监测方法。

随着深度学习目标检测方法的极大进步，基于图像的目标检测方法通过深度神经网络模型，可以检测出图像中感兴趣目标。并且通过卷积神经网络(CNN)可以自动提取特征，尤其高层次语义特征，已经在遥感图像目标检测领域取得了不错的效果。然而，通过云台观测塔的摄像机拍摄松林图像时，摄影存在远景和近景的差异性，并且松树的树冠在高分辨率图像中的大小、位置都随着到云台的距离有很大变化。常用的基于CNN的目标检测网络由于候选框尺度较为单一，因此在检测不同尺度的疫木时，检测结果不佳。同时，单纯检测出图像级的疫木像素坐标是没有任何监测意义的，必须准确的定位出疫木相对于山地地形的空间级地理坐标，才能对疫木的发现及保护工作带来实际的效用。

发明内容

本发明的目的是针对云台观测塔图像的疫木检测及定位提出的一种基于图像的疫木检测与定位方法，用于解决目前基于深度神经网络的目标检测网络模型难以应对多尺度松林疫木检测，以及无法准确获取疫木地理位置的问题。

本发明的技术方案如下：

一种基于图像的疫木检测与定位方法，包括以下步骤：

步骤1：视频预处理：将云台观测塔拍摄的视频抽取出单帧图像，然后进行图像预处理和标注，制作成数据集供网络模型训练、验证和测试。

步骤2：构建多尺度候选区域融合网络，在步骤1获得的数据集训练该模型。

步骤3：将待测试图像输入到训练好的多尺度候选区域融合检测网络，得到输出结果。根据疫木三维定位几何模型，计算出疫木具体的地理三维坐标。

进一步，步骤2包括以下子步骤：

步骤2-1：首先对多尺度候选区域融合网络的输入图像进行预处理，然后将图像缩放固定到224*224像素，最后将224*224像素的图像和放大一倍图像、缩小一倍图像分别作为多尺度候选区域融合网络的输入。