CN112560623B - 一种基于无人机的红树植物种类快速识别方法 - Google Patents
一种基于无人机的红树植物种类快速识别方法 Download PDFInfo
- Publication number
- CN112560623B CN112560623B CN202011424503.3A CN202011424503A CN112560623B CN 112560623 B CN112560623 B CN 112560623B CN 202011424503 A CN202011424503 A CN 202011424503A CN 112560623 B CN112560623 B CN 112560623B
- Authority
- CN
- China
- Prior art keywords
- mangrove
- plants
- identification
- species
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于无人机的红树植物种类快速识别方法,该方法首先通过无人机采集的可见光遥感数据,预处理获取训练模型所需的数据集;然后,通过三维点云重建,生成研究样地的数字表面模型,利用其代表的植物的高度信息将图像中植物预分类为3类;最后,获取像素级种类识别算法和面向对象的种类识别算法的分类结果,根据两种算法对物种识别精度的不同,构建红树植物分类识别权重数据库,按照数据库中的权重对预分类结果进行细化分类,得到准确的红树植物类型,提升了红树林物种识别的精度。同时,对同一区域不同时间或植物群落类型类似区域进行物种识别时,可直接调用权重数据库中权重参数,提高了分类识别的效率和普适性。
Description
技术领域
本发明属于红树林遥感监测技术领域,具体涉及一种基于无人机的红树植物种类快速识别方法。
背景技术
低空无人机遥感成本低、数据采集灵活、图像空间分辨率高,具有实时获取影像资料的能力,特别在小区域低空领域具有一定的优势,是传统航空遥感和卫星遥感的重要补充。在过去几年中,无人机在森林制图、作物管理和其他植被监测方面广受关注,红树林无人机遥感研究作为其中的一个分支,正处于起步阶段。
目前,基于无人机遥感数据开展的红树林研究主要关注红树林植物的物种识别和生态信息提取,涉及的方法种类较多,主要包括像素级的种类识别和面向对象的种类识别等。其中,像素级的种类识别算法通过计算机提供的高计算性能,采用端到端的人工智能算法,直接实现对无人机采集图像的识别与理解,辅助红树林生态***物种分析和评估。该类算法技术简单,不需要过多人为干预,普适性较好。然而,存在无法充分利用图像中的空间几何约束等信息的问题,影响了种类识别的精度。面向对象的种类识别算法通过图像分割技术提取斑块的光谱、纹理和几何结构等特征,人工筛选相关特征对物种进行分类。该类算法较为成熟,处理速度较快。然而,相关研究中所需图像分割参数和特征类型要结合调查样地的特点进行针对性选取,普适性较弱。考虑红树林生态***的特点,根据不同红树植物的特征,设计合理权重将上述两种算法相结合,是充分利用红树植物特征并提升种类识别效率的可行办法。
发明内容
有鉴于此,本发明的目的是提供一种基于无人机的红树植物种类快速识别方法,具体包括以下步骤:
S1:采集红树林生态***的无人机原始图像;
S2:对采集的无人机原始图像进行预处理,并对图像进行数据标注,获取训练网络所需训练集、测试集和验证集;
S3:对S2中经过预处理的图像进行三维点云重建,获取飞行区域的红树植物数字表面模型(Digital Surface Model,DSM);
S4:将S2获取的训练集输入SegNet神经网络进行训练,经过验证集验证循环迭代进行参数优化,获取红树植物种类识别模型;基于S2中经过畸变校正无人机原始图像,优化面向对象的种类识别算法,筛选最佳的物种分类参数;
S5:利用S4获取的红树植物种类识别模型,对S2中经过预处理的测试集进行识别和分类,获取像素级识别结果,并获取模型对各种植物的第一识别精度;通过S4优化的面向对象的种类识别算法,对S2中经过预处理的测试集进行识别和分类,获取对象级识别结果,并获取算法对各种植物的第二识别精度;
S6:根据不同红树植物的第一识别精度和第二识别精度,构建红树植物种类识别权重数据库,为红树林生态***的物种细分类提供基础;
S7:利用S3中获取的红树植物数字表面模型,获取并根据不同植物的高度信息,将图像中的红树植物预分类成“高层植物、中层植物和底层植物”;
S8:在S7获取的三个植物大类中,利用S5获取的像素级识别结果和S5获取的对象级识别结果,按S6中的权重数据库中的权重对图像进行细分类,获取确切的种类识别结果。
具体地,在S1中,采集无人机原始图像时,无人机选型为大疆精灵Phantom 4 RTK,其水平方向和高度方向上的定位精度均为厘米级,像素为5472×3568。飞行参数选取为高度为80m,飞行速度为3m/s,航向重叠度为90%,旁向重叠度为80%,镜头垂直向下拍摄正射影像。单次作业时间平均为18min。
具体地,在S2中,包括以下具体步骤:
S21:根据无人机云台相机镜头畸变参数,对采集的无人机原始图像进行畸变校正;
S22:对经过畸变校正无人机原始图像进行数据标注,确定植物识别种类标签;例如植被识别种类可以为秋茄、无瓣海桑、老鼠筋、裸地和水域等。
S23:对数据标注后的图像进行裁切,对图像数量进行扩充并对有效区域(包含红树植物)内采集的数据进行筛选;
S24:将裁切后的图像按照60%、20%和20%的比例划分为训练集、验证集和测试集。
具体地,在S3中,包括以下具体步骤:
S31:根据无人机飞行参数(如高度、图像航向重叠度和旁向重叠度等)对预处理的图像进行三维点云重建;
S32、基于三维点云重建结果,获取该区域的DSM数据;
S33:根据S2获取的数据集,裁切对应经纬度位置和对应航向角的DSM,获取飞行区域的红树植物数字表面模型。
具体地,在S4中,包括以下具体步骤:
S41:通过VGG-16网络的前13层卷积网络,对训练集中的正射影像特征提取获得深层次特征信息,所述正射影像特征包括红树植物的光谱特征;
S42:对深层次特征信息进行上采样和反卷积,获取与原始图像尺寸相同的像素级语义分割图像;
S43:利用S2中获取的训练集对神经网络模型进行训练,根据S2中获取的验证集对神经网络模型参数进行优化得到红树植物种类识别模型;
S44:利用S2中经过畸变校正无人机原始图像,对面向对象的种类识别算法的参数进行优化选取,具体包括图像分割尺度参数、分类特征数量和分类特征类型等。
具体地,在S5中,获取第一识别精度,包括以下具体步骤:
S51:利用S4中经过训练优化后得到的红树植物种类识别模型,对S2中经过预处理的测试集进行识别和分类;
S52:统计测试集中不同红树植物被正确识别的准确率,获取模型对各种植物的第一识别精度。
具体地,在S5中,获取第二识别精度,包括以下具体步骤:
S53:根据S4选定的图像分割参数,利用面向对象的种类识别算法对S2中经过预处理的测试集进行识别与分类;
S54:统计算法对S53中算法对各个斑块中植物的识别置信度,获取算法对各种植物的第二识别精度。
具体地,在S6中,包括以下具体步骤:
S61:根据不同红树植物的第一识别精度和第二识别精度,计算两种算法在出现识别差异时的权重,公式为
其中,Weights代表权重,Acc代表识别精度,pixe1代表像素级种类识别算法,object代表面向对象的种类识别算法,i代表识别的不同植物种类。
S62:将两种算法对各种红树林植物识别分类的权重存储,并进一步构建为权重数据库,为红树林生态***的物种细分类时提供准则。
具体地,在S7中,包括以下具体步骤:
S71:根据对应于步骤S2测试集的DSM结果,获取代表红树植物高度信息的灰度图;
S72:根据不同的灰度值,设定阈值将图像中的红树植物预分类为3类:高层植物、中层植物以及底层植物。
具体地,在S8中,包括以下具体步骤:
S81:评估S5像素级种类识别算法以及S6面向对象的种类识别算法对不同红树植物的种类识别结果,根据S6构建的数据库快速选取合理的融合权重;
S82:在S7预分类的3类区域中,根据S81设计的权重,利用对象级和像素级的种类识别结果,对红树植物进行精确识别。
本发明具有如下有益效果:
本发明设计的基于无人机的红树植物种类快速识别方法,针对现有种类识别算法精度有限,无法充分利用图像特征且效率不高的问题,首先利用红树林的数字地面模型(Digital Surface Model,DSM)代表的植物的高度信息来辅助红树林物种的判断,将图像中植物预分类为3类;然后,获取像素级种类识别算法和面向对象的种类识别算法的分类结果,根据两种算法对物种识别精度的不同,构建了红树植物识别分类权重数据库,按照数据库中的权重对预分类结果进行细化分类,得到准确的红树植物类型,提升了红树林物种识别的精度。本发明方法中融合多种特征信息的分步骤种类识别方法提高了红树植物种类别的精度;同时,由于对预分类结果细化分类时考虑了不同算法的精度构建了红树植物识别分类权重数据库,本发明方法可轻松应用于同一区域不同时间或植物群落类型类似区域的物种识别,普适性较强,便于高效率地开展红树林调研与监测。
附图说明
图1为本发明的基于无人机的红树植物种类快速识别方法流程框图。
图2为本发明实施例混生红树林红树植物物种分类效果图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
针对现有红树林种类识别研究中存在的特征信息利用不充分,种类识别效果不佳的问题,可以设计融合多种特征信息的分步骤红树植物种类识别方法,具体方案如下:
本发明提供了一种基于无人机的红树植物种类快速识别方法,具体的过程如图1所示,包括:
S1:采集红树林生态***的无人机原始图像;
S2:对采集的无人机原始图像进行预处理,并对图像进行数据标注,获取训练网络所需训练集、测试集和验证集;
S3:对S2中经过预处理的图像进行三维点云重建,获取飞行区域的红树植物数字表面模型(Digital Surface Model,DSM);
S4:将S2获取的训练集输入SegNet神经网络进行训练,经过验证集验证循环迭代进行参数优化,获取红树植物种类识别模型;基于S2中经过畸变校正无人机原始图像,优化面向对象的种类识别算法,筛选最佳的物种分类参数;
S5:利用S4获取的红树植物种类识别模型,对S2中经过预处理的测试集进行识别和分类,获取像素级识别结果,并获取模型对各种植物的第一识别精度;通过S4优化的面向对象的种类识别算法,对S2中经过预处理的测试集进行识别和分类,获取对象级识别结果,并获取算法对各种植物的第二识别精度;
S6:根据第一识别精度和第二识别精度,构建红树植物种类识别权重数据库,为物种细分类提供基础;
S7:利用S3中获取的红树植物数字表面模型,获取并根据不同植物的高度信息,将图像中的红树植物预分类成“高层植物、中层植物和底层植物”;
S8:在S7获取的三个植物大类中,利用S5获取的像素级识别结果和S5获取的对象级识别结果,按S6中的权重数据库中的权重对图像进行细分类,获取确切的种类识别结果。
具体地,在S1中,采集无人机原始图像时,无人机选型为大疆精灵Phantom 4 RTK,其水平方向和高度方向上的定位精度均为厘米级,像素为5472×3568。飞行参数选取为高度为80m,飞行速度为3m/s,航向重叠度为90%,旁向重叠度为80%,镜头垂直向下拍摄正射影像。单次作业时间平均为18min。
具体地,在S2中,包括以下具体步骤:
S21:根据无人机云台相机镜头畸变参数,对采集的无人机原始图像进行畸变校正;
S22:对经过畸变校正无人机原始图像进行数据标注,确定植物识别种类标签;例如植被识别种类可以为秋茄、无瓣海桑、老鼠筋、裸地和水域等。
S23:对数据标注后的图像进行裁切,对图像数量进行扩充并对包含有红树植物的有效区域内采集的数据进行筛选;
S24:将裁切后的图像按照60%、20%和20%的比例划分为训练集、验证集和测试集。
具体地,在S3中,包括以下具体步骤:
S31:根据无人机飞行参数(如高度、图像航向重叠度和旁向重叠度等)对预处理的图像进行三维点云重建;
S32、基于三维点云重建结果,获取该区域的DSM数据;
S33:根据S2获取的数据集,裁切对应经纬度位置和对应航向角的DSM,获取飞行区域的红树植物数字表面模型。
具体地,在S4中,包括以下具体步骤:
S41:通过VGG-16网络的前13层卷积网络,对训练集中的正射影像特征提取获得深层次特征信息,所述正射影像特征包括红树植物的光谱特征;
S42:对深层次特征信息进行上采样和反卷积,获取与原始图像尺寸相同的像素级语义分割图像;
S43:利用S2中获取的训练集对神经网络模型进行训练,根据S2中获取的验证集对神经网络模型参数进行优化得到红树植物种类识别模型;
S44:利用S2中经过畸变校正无人机原始图像,对面向对象的种类识别算法的参数进行优化选取,具体包括图像分割尺度参数、分类特征数量和分类特征类型等。
具体地,在S5中,获取第一识别精度,包括以下具体步骤:
S51:利用S4中经过训练优化后得到的红树植物种类识别模型,对S2中经过预处理的测试集进行识别和分类;
S52:统计测试集中不同红树植物被正确识别的准确率,获取模型对各种植物的第一识别精度。
具体地,在S5中,获取第二识别精度,包括以下具体步骤:
S53:根据S4选定的图像分割参数,利用面向对象的种类识别算法对S2中经过预处理的测试集进行识别与分类;
S54:统计算法对S53中算法对各个斑块中植物的识别置信度,获取算法对各种植物的第二识别精度。
具体地,在S6中,包括以下具体步骤:
S61:根据不同红树植物的第一识别精度和第二识别精度,计算两种算法在出现识别差异时的权重,公式为
其中,Weights代表权重,Acc代表识别精度,pixe1代表像素级种类识别算法,object代表面向对象的种类识别算法,i代表识别的不同植物种类。
S62:将两种算法对各种红树林植物识别分类的权重存储,并进一步构建为权重数据库,为红树林生态***的物种细分类时提供准则。
具体地,在S7中,包括以下具体步骤:
S71:根据对应于步骤S2测试集的DSM结果,获取代表红树植物高度信息的灰度图;
S72:根据不同的灰度值,设定阈值将图像中的红树植物预分类为3类:高层植物、中层植物以及底层植物;
具体地,在S8中,包括以下具体步骤:
S81:评估S5像素级种类识别算法以及S6面向对象的种类识别算法对不同红树植物的种类识别结果,根据S6构建的数据库快速选取合理的融合权重;
S82:在S7预分类的3类区域中,根据S81选取的权重,利用对象级和像素级的种类识别结果,对红树植物进行精确识别。
优选地,S2中对标注过图像预处理时,可将图像尺寸固定为736×736像素,S3中DSM数据对应的也被裁切为736×736像素。
优选地,S3中可选取ContextCapture软件进行红树林三维点云重建,并进一步生成研究样地的DSM数据。
优选地,S4中神经网络进行训练时,硬件设备可选为NVIDIA GeForce RTX2080Ti显卡,处理器为Intel i9-10900K,训练学习率为5×10-6,训练迭代次数为100。
优选地,S4可选取eCognition软件进行图像的多尺度分割,分割参数选定为100,筛选红蓝绿三波段光谱、图像亮度、图像块尺寸和图像块形状指数作为,通过软件内置的最近邻法对红树植物进行种类识别。
优选地,S6构建的权重数据库中,面向对象的种类识别算法以及像素级的种类识别算法对涉及到的5种红树植物秋茄、白骨壤、海桑、无瓣海桑、老鼠筋的权重,根据计算公式被设定为(0.4275/0.5725)、(0.6098/0.3902)、(0.7168/0.2832)、(0.7353/0.2567)和(0.56/0.44)。
以下以深圳市福田红树林(主要包括秋茄、白骨壤、海桑、无瓣海桑、老鼠筋)为例,采用本发明方法进行识别,种类识别效果如图2所示。从图示结果可知,不同类型的红树物种可被正确识别。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于无人机的红树植物种类快速识别方法,其特征在于,具体包括以下步骤:
S1:采集红树林生态***的无人机原始图像;
S2:对采集的无人机原始图像进行预处理,并对图像进行数据标注,获取训练网络所需训练集、测试集和验证集;
S3:对S2中经过预处理的图像进行三维点云重建,获取飞行区域的红树植物数字表面模型;
S4:将S2获取的训练集输入SegNet神经网络进行训练,经过验证集验证循环迭代进行参数优化,获取红树植物种类识别模型;基于S2中经过畸变校正无人机原始图像,优化面向对象的种类识别算法,筛选最佳的物种分类参数;
S5:利用S4获取的红树植物种类识别模型,对S2中经过预处理的测试集进行识别和分类,获取像素级识别结果,并获取模型对各种植物的第一识别精度;通过S4优化的面向对象的种类识别算法,对S2中经过预处理的测试集进行识别和分类,获取对象级识别结果,并获取算法对各种植物的第二识别精度;
S6:根据不同红树植物的第一识别精度和第二识别精度,构建红树植物种类识别权重数据库,为红树林生态***的物种细分类提供基础;
S7:利用S3中获取的红树植物数字表面模型,获取并根据不同植物的高度信息,将图像中的红树植物预分类成“高层植物、中层植物和底层植物”;
S8:在S7获取的三个植物大类中,利用S5获取的像素级识别结果和S5获取的对象级识别结果,按S6中的权重数据库中的权重对图像进行细分类,获取确切的种类识别结果;
具体地,在S6中,包括以下具体步骤:
S61:根据不同红树植物的第一识别精度和第二识别精度,计算两种算法在出现识别差异时的权重,公式为
其中,Weights代表权重,Acc代表识别精度,pixel代表像素级种类识别算法,object代表面向对象的种类识别算法,i代表识别的不同植物种类;
S62:将两种算法对各种红树林植物识别分类的权重存储,并进一步构建为权重数据库,为红树林生态***的物种细分类时提供准则;
具体地,在S8中,包括以下具体步骤:
S81:评估S5像素级种类识别算法以及S5面向对象的种类识别算法对不同红树植物的种类识别结果,根据S6构建的数据库快速选取合理的权重;
S82:在S7预分类的3类区域中,根据S81设计的权重,利用对象级和像素级的种类识别结果,对红树植物进行精确识别。
2.根据权利要求1所述的红树植物种类快速识别方法,其特征在于,
具体地,在S1中,采集无人机原始图像时,无人机选型为大疆精灵Phantom4RTK,其水平方向和高度方向上的定位精度均为厘米级,像素为5472×3568,飞行参数选取为高度为80m,飞行速度为3m/s,航向重叠度为90%,旁向重叠度为80%,镜头垂直向下拍摄正射影像,单次作业时间平均为18min。
3.根据权利要求1所述的红树植物种类快速识别方法,其特征在于,
具体地,在S2中,包括以下具体步骤:
S21:根据无人机云台相机镜头畸变参数,对采集的无人机原始图像进行畸变校正;
S22:对经过畸变校正无人机原始图像进行数据标注,确定植物识别种类标签;植被识别种类为秋茄、无瓣海桑、老鼠簕、裸地和水域;
S23:对数据标注后的图像进行裁切,对图像数量进行扩充并对有效区域内采集的数据进行筛选;
S24:将裁切后的图像按照60%、20%和20%的比例划分为训练集、验证集和测试集。
4.根据权利要求1所述的红树植物种类快速识别方法,其特征在于,
具体地,在S3中,包括以下具体步骤:
S31:根据无人机飞行参数对预处理的图像进行三维点云重建;
S32、基于三维点云重建结果,获取该区域的DSM数据;
S33:根据S2获取的数据集,裁切对应经纬度位置和对应航向角的DSM,获取飞行区域的红树植物数字表面模型。
5.根据权利要求1所述的红树植物种类快速识别方法,其特征在于,
具体地,在S4中,包括以下具体步骤:
S41:通过VGG-16网络的前13层卷积网络,对训练集中的正射影像特征提取获得深层次特征信息,所述正射影像特征包括红树植物的光谱特征;
S42:对深层次特征信息进行上采样和反卷积,获取与原始图像尺寸相同的像素级语义分割图像;
S43:利用S2中获取的训练集对神经网络模型进行训练,根据S2中获取的验证集对神经网络模型参数进行优化得到红树植物种类识别模型;
S44:利用S2中经过畸变校正无人机原始图像,对面向对象的种类识别算法的参数进行优化选取,具体包括图像分割尺度参数、分类特征数量和分类特征类型。
6.根据权利要求1所述的红树植物种类快速识别方法,其特征在于,
具体地,在S5中,获取第一识别精度,包括以下具体步骤:
S51:利用S4中经过训练优化后得到的红树植物种类识别模型,对S2中经过预处理的测试集进行识别和分类;
S52:统计测试集中不同红树植物被正确识别的准确率,获取模型对各种植物的第一识别精度。
7.根据权利要求1所述的红树植物种类快速识别方法,其特征在于,
具体地,在S5中,获取第二识别精度时,包括以下具体步骤:
S53:根据S4选定的图像分割参数,利用面向对象的种类识别算法对S2中经过预处理的测试集进行识别与分类;
S54:统计算法对S53中各个斑块中植物的识别置信度,获取各种植物的第二识别精度。
8.根据权利要求1所述的红树植物种类快速识别方法,其特征在于,
具体地,在S7中,包括以下具体步骤:
S71:根据对应于步骤S2测试集的DSM结果,获取代表红树植物高度信息的灰度图;
S72:根据不同的灰度值,设定阈值将图像中的红树植物预分类为3类:高层植物、中层植物以及底层植物。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011424503.3A CN112560623B (zh) | 2020-12-08 | 2020-12-08 | 一种基于无人机的红树植物种类快速识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011424503.3A CN112560623B (zh) | 2020-12-08 | 2020-12-08 | 一种基于无人机的红树植物种类快速识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112560623A CN112560623A (zh) | 2021-03-26 |
CN112560623B true CN112560623B (zh) | 2022-03-29 |
Family
ID=75059759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011424503.3A Active CN112560623B (zh) | 2020-12-08 | 2020-12-08 | 一种基于无人机的红树植物种类快速识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112560623B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113439728A (zh) * | 2021-06-30 | 2021-09-28 | 南京林业大学 | 一种自适应无人机喷烟喷雾施药***及其使用方法 |
CN113647281B (zh) * | 2021-07-22 | 2022-08-09 | 盘锦光合蟹业有限公司 | 一种除草方法及*** |
CN113936214B (zh) * | 2021-10-19 | 2023-06-02 | 桂林理工大学 | 一种基于融合空天遥感影像的岩溶湿地植被群落分类方法 |
CN116912696A (zh) * | 2023-07-27 | 2023-10-20 | 广州双木林业有限公司 | 基于树木模型的树林检测方法、***、设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991335A (zh) * | 2019-11-29 | 2020-04-10 | 福州大学 | 一种基于多特征优选的可见光无人机遥感影像森林树种分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7933451B2 (en) * | 2005-11-23 | 2011-04-26 | Leica Geosystems Ag | Feature extraction using pixel-level and object-level analysis |
-
2020
- 2020-12-08 CN CN202011424503.3A patent/CN112560623B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991335A (zh) * | 2019-11-29 | 2020-04-10 | 福州大学 | 一种基于多特征优选的可见光无人机遥感影像森林树种分类方法 |
Non-Patent Citations (3)
Title |
---|
ON THE USABILITY OF DEEP NETWORKS FOR OBJECT-BASED IMAGE ANALYSIS;Nicolas Audebert et al;《https://arxiv.fenshishang.com/pdf/1609.06845.pdf》;20160922;1-10 * |
基于改进的像素级和对象级的遥感影像合成分类;李刚 等;《测绘学报》;20121231;第41卷(第6期);891-897 * |
红树林生态开发现状与对策研究;沈小雪 等;《中国环境科学》;20200630;第40卷(第9期);4004-4016 * |
Also Published As
Publication number | Publication date |
---|---|
CN112560623A (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112560623B (zh) | 一种基于无人机的红树植物种类快速识别方法 | |
Malinverni et al. | Hybrid object-based approach for land use/land cover mapping using high spatial resolution imagery | |
CN107918776B (zh) | 一种基于机器视觉的用地规划方法、***及电子设备 | |
CN110866079A (zh) | 一种智慧景区实景语义地图的生成与辅助定位方法 | |
CN109063754B (zh) | 一种基于OpenStreetMap的遥感影像多特征联合分类方法 | |
CN111723657B (zh) | 一种基于YOLOv3与自优化的河道异物检测方法及装置 | |
CN110263717A (zh) | 一种融入街景影像的土地利用类别确定方法 | |
CN109299673A (zh) | 城市群绿度空间提取方法及介质 | |
Yancho et al. | Fine-scale spatial and spectral clustering of UAV-acquired digital aerial photogrammetric (DAP) point clouds for individual tree crown detection and segmentation | |
CN112016497A (zh) | 基于人工智能的单视角太极拳动作分析及考核*** | |
CN114943893B (zh) | 一种土地覆盖分类的特征增强方法 | |
CN109492700A (zh) | 一种基于多维信息融合的复杂背景目标识别方法 | |
CN112907520A (zh) | 基于端到端深度学习方法的单株树冠检测方法 | |
CN116385958A (zh) | 一种用于电网巡检和监控的边缘智能检测方法 | |
CN115272791B (zh) | 一种基于YoloV5的茶叶用多目标检测定位方法 | |
CN109919088A (zh) | 一种喀斯特地区火龙果单株识别自动提取方法 | |
CN112307992A (zh) | 一种基于无人机可见光遥感的红树植物自动识别方法 | |
CN115965812A (zh) | 无人机影像对湿地植被物种和地物分类的评估方法 | |
Gupta et al. | Tree annotations in LiDAR data using point densities and convolutional neural networks | |
CN116630828B (zh) | 基于地形环境适配的无人机遥感信息采集***及方法 | |
CN117392535A (zh) | 一种面向复杂环境的果树花芽目标检测与白点率估算方法 | |
CN116229001A (zh) | 一种基于空间熵的城市三维数字地图生成方法及*** | |
CN112287787B (zh) | 一种基于梯度直方图特征的作物倒伏分级方法 | |
Cal | High-resolution object-based building extraction using PCA of LiDAR nDSM and aerial photos | |
CN108399413A (zh) | 一种图片拍摄区域识别及地理定位方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |