【技术实现步骤摘要】
一种高点全景变色树自动监测方法、装置和系统
[0001]本申请涉及目标监测、检测及识别
，更为具体来说，本申请涉及一种高点全景变色树自动监测方法、装置和系统。
技术介绍
[0002]松材线虫病是针对松树的一种致命性病害，松树染病后内部叶绿素和水分含量降低，针叶会逐渐变为黄褐色，萎蔫，最短在40天内即可干枯死亡，被称为松树的癌症。监测由松材线虫病导致的变色松树是林业病虫害监测工作中的一项重要研究内容。染病树的表型特征可为判断树木染病情况提供依据。
[0003]目前的变色树监测方案存在着诸多问题。人工踏查方案劳动强度大，需要投入大量人力，而且林区多为山地，人员行动不便，导致监测效率低下。无人机遥感监测方案实际使用过程中易用性较差，虽然利用无人机可以灵活地对林区进行航拍，在一定程度上提高了监测效率，更何况无人机对操作人员的技术要求较高，操作具有难度。此外无人机获取林区图像后需要将图片导出后再通过人工判读或识别算法来识别，整个使用过程较为复杂。受限于无人机的续航能力，无人机遥感监测难以适应大尺度区域的高时空分辨率检测。因此，需要开发一种高点全景变色树自动监测方法和系统。
技术实现思路
[0004]基于上述技术问题，本专利技术旨在提供一种优化的目标检测模型，搭建综合的监测系统，来对高点全景下的树图像进行监测、检测及识别，进而及时而精准地识别出松材线虫染病的变色树。
[0005]本专利技术第一方面提供了一种高点全景变色树自动监测方法，包括：
[0006]获取高点全景的树图像；>[0007]将所述高点全景的树图像输入到训练好的目标检测模型中，得到所属的变色树类别的置信度；
[0008]根据所述变色树类别的置信度确定出变色树；
[0009]其中，所述目标检测模型基于YOLOV3模型，包括骨干网络模块、金字塔网络与路径聚合网络组合模块和输出模块，所述骨干网络模块包括卷积模块及跨阶段局部网络残差模块。
[0010]具体地，所述将所述高点全景的树图像输入到训练好的目标检测模型中，得到所属的变色树类别的置信度，包括：
[0011]将所述高点全景的树图像输入到训练好的目标检测模型中，所述卷积模块对所述高点全景的树图像进行特征提取得到第一特征图；
[0012]所述跨阶段局部网络残差模块将所述第一特征图按通道划分为第一部分特征图和第二部分特征图；
[0013]所述跨阶段局部网络残差模块将所述第一部分特征图和对所述第二部分特征图
进行注意力机制处理后的结果合并得到第三特征图；
[0014]所述跨阶段局部网络残差模块输出所述第三特征图到金字塔网络与路径聚合网络组合模块；
[0015]所述金字塔网络与路径聚合网络组合模块对所述第三特征图处理后将处理结果发给所述输出模块，所述输出模块得到所属的变色树类别的置信度。
[0016]进一步地，所述跨阶段局部网络残差模块还包括注意力机制模块，所述跨阶段局部网络残差模块将所述第一部分特征图和对所述第二部分特征图进行注意力机制处理后的结果合并得到第三特征图，包括：
[0017]所述注意力机制模块对所述第二部分特征图进行加权处理及重标定得到第二特征图；
[0018]所述跨阶段局部网络残差模块将所述第一部分特征图和所述第二特征图合并得到第三特征图。
[0019]进一步地，所述金字塔网络与路径聚合网络组合模块对所述第三特征图处理后将处理结果发给所述输出模块，所述输出模块得到所属的变色树类别的置信度，包括：
[0020]所述金字塔网络与路径聚合网络组合模块对所述第三特征图进行融合处理，得到特征加强后的第四特征图；
[0021]将所述第四特征图发送到所述输出模块，所述输出模块得到所属的变色树类别的置信度。
[0022]优选地，所述跨阶段局部网络残差模块由5个卷积模块和n个残差模块的叠加组成，其中，n为自然数。
[0023]优选地，所述金字塔网络与路径聚合网络组合模块包括特征金字塔网络和路径路径聚合网络；所述特征金字塔通过自顶向下的上采样方式传递特征信息，所述路径路径聚合网络通过自底向上的下采样方式传递特征信息，以使所述金字塔网络与路径聚合网络组合模块输出充分融合的底层目标位置信息与高层语义信息的特征图。
[0024]进一步优选地，所述目标检测模型采用的损失函数为：
[0025][0026]其中，A表示预测框的面积，B表示真实框的面积，IoU
(A,B)
表示A与B的交并比，α是用于做协调比例的参数，v是用来衡量长宽比一致性的参数，b和b
gt
分别表示预测框和真实框的中心点，ρ(.)表示欧式距离，c表示预测框和真实框的最小外界矩形的对角线距离。
[0027]本专利技术第二方面提供了一种高点全景变色树自动监测装置，所述装置包括：
[0028]获取模块，用于获取高点全景的树图像；
[0029]监测模块，用于将所述高点全景的树图像输入到训练好的目标检测模型中，得到所属的变色树类别的置信度；
[0030]识别模块，用于根据所述变色树类别的置信度确定出变色树；
[0031]其中，所述目标检测模型基于YOLOv3模型，包括骨干网络模块、金字塔网络与路径聚合网络组合模块和输出模块，所述骨干网络模块包括卷积模块及跨阶段局部网络残差模块。
[0032]本专利技术第三方面提供了一种高点全景变色树自动监测系统，所述系统包括本申请
各实施方式中所述的高点全景变色树自动监测装置，高架平台，处理软件及存储服务器，所述获取模块包括摄像机。
[0033]本专利技术第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以下步骤：
[0034]获取高点全景的树图像；
[0035]将所述高点全景的树图像输入到训练好的目标检测模型中，得到所属的变色树类别的置信度；
[0036]根据所述变色树类别的置信度确定出变色树；
[0037]其中，所述目标检测模型基于YOLOV3模型，包括骨干网络模块、金字塔网络与路径聚合网络组合模块和输出模块，所述骨干网络模块包括卷积模块及跨阶段局部网络残差模块。
[0038]本申请的有益效果为：本申请所述方法采用结构优化的目标检测模型，可以更精准地监测到高点全景下的变色树，识别出松材线虫染病的变色树。优化的目标检测模型基于YOLOV3模型，包括骨干网络模块、金字塔网络与路径聚合网络组合模块和输出模块，所述骨干网络模块包括卷积模块及跨阶段局部网络残差模块，金字塔网络与路径聚合网络组合模块还包括注意力机制模块。结构优化的该目标检测模型在进行实验测试中的综合表现也优于其他模型，其平均查准率、精度和召回率数据都很高，在检测精度方面取得了令人满意的结果，进而能及时而精准地识别高点全景下的变色树，即松材线虫染病的变色树。
附图说明
[0039]构成说明书的一部分的附图描述了本申请的实施例，并且连同描述一起用于解释本申本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种高点全景变色树自动监测方法，其特征在于，包括：获取高点全景的树图像；将所述高点全景的树图像输入到训练好的目标检测模型中，得到所属的变色树类别的置信度；根据所述变色树类别的置信度确定出变色树；其中，所述目标检测模型基于YOLOV3模型，包括骨干网络模块、金字塔网络与路径聚合网络组合模块和输出模块，所述骨干网络模块包括卷积模块及跨阶段局部网络残差模块。2.根据权利要求1所述的高点全景变色树自动监测方法，其特征在于，所述将所述高点全景的树图像输入到训练好的目标检测模型中，得到所属的变色树类别的置信度，包括：将所述高点全景的树图像输入到训练好的目标检测模型中，所述卷积模块对所述高点全景的树图像进行特征提取得到第一特征图；所述跨阶段局部网络残差模块将所述第一特征图按通道划分为第一部分特征图和第二部分特征图；所述跨阶段局部网络残差模块将所述第一部分特征图和对所述第二部分特征图进行注意力机制处理后的结果合并得到第三特征图；所述跨阶段局部网络残差模块输出所述第三特征图到金字塔网络与路径聚合网络组合模块；所述金字塔网络与路径聚合网络组合模块对所述第三特征图处理后将处理结果发给所述输出模块，所述输出模块得到所属的变色树类别的置信度。3.根据权利要求2所述的高点全景变色树自动监测方法，其特征在于，所述跨阶段局部网络残差模块还包括注意力机制模块，所述跨阶段局部网络残差模块将所述第一部分特征图和对所述第二部分特征图进行注意力机制处理后的结果合并得到第三特征图，包括：所述注意力机制模块对所述第二部分特征图进行加权处理及重标定得到第二特征图；所述跨阶段局部网络残差模块将所述第一部分特征图和所述第二特征图合并得到第三特征图。4.根据权利要求3所述的高点全景变色树自动监测方法，其特征在于，所述金字塔网络与路径聚合网络组合模块对所述第三特征图处理后将处理结果发给所述输出模块，所述输出模块得到所属的变色树类别的置信度，包括：所述金字塔网络与路径聚合网络组合模块对所述第三特征图进行融合处理，得到特征加强后的第四特征图；将所述...
【专利技术属性】
技术研发人员：兰鹏，申卫星，葛成恺，贾春燕，孙丰刚，李凤迪，
申请(专利权)人：泰安市泰山森林病虫害防治检疫站，
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。