【技术实现步骤摘要】
本专利技术属于图像分割领域，特别是一种基于改进yolov8-seg的林下广角单木图像分割方法及系统。
技术介绍
1、对单木分割(individual tree segmentation，its)问题的研究，是未来精准林业、智慧林业建设的基础性工作之一，在林业领域，准确地提取林木结构参数是林木监测、森林蓄积量与碳储量评估等关键任务的重要依据，是揭示森林生长状况和规律的重要指标，也是评判森林资源经营管理成效的重要参考。
2、对于森林这种复杂的自然环境，通过无人机或遥感图像处理是现阶段获取林木结构参数的主要方法，但目前卫星遥感影像与无人机摄影图获取图像的精度较低、且运行与维护成本偏高，同时由于树冠的遮挡和拍摄距离等因素，其采集的图像数据难以满足对林下深层信息的获取需求，无法完成林木更加精细生长结构信息如胸径、树高等的提取。
技术实现思路
1、本专利技术的目的在于提供一种基于改进yolov8-seg的林下广角单木图像分割方法及系统，以解决现有技术存在的上述问题。
2、实现本专利技术目的的技术方案为：一种基于改进yolov8-seg的林下广角单木图像分割方法，包括如下步骤：
3、s1、使用双目鱼眼摄像头，采集目标森林样地的广角深度图像数据，获取林木广角rgb图像，并将其划分为训练集和测试集；
4、s2、基于林木广角rgb图像，构建yolov8-seg林木目标检测模型；yolov8-seg林木目标检测模型包括分块卷积模块、自适应权重模块和交叉融合
5、s3、基于林木广角rgb图像的训练集和测试集，对yolov8-seg林木目标检测模型进行训练；
6、s4、使用训练好的yolov8-seg林木目标检测模型，提取单木图像的深度信息，基于单木图像的深度信息，计算单木实际的树高和胸径参数。
7、根据本申请的一个方面，步骤s1进一步为：
8、s11、将双目鱼眼摄像头安装移动平台上，按照预定的间隔和角度拍摄目标森林样地的广角深度图像数据，包括左右两张广角rgb图像以及对应的深度图像；
9、s12、采用鱼眼畸变校正算法，将广角深度图像数据进行畸变校正，得到林木广角rgb图像；
10、s13、对林木广角rgb图像进行预处理，包括去除噪声、增强亮度、调整对比度和缩放尺寸；
11、s14、采用数据划分算法，将预处理后的林木广角rgb图像按照预定的比例，划分为训练集和测试集。
12、根据本申请的一个方面，步骤s2进一步为：
13、s21、基于林木广角rgb图像和yolov8 ultralytics开源框架，构建yolov8-seg林木目标检测模型；
14、s22、采用分块卷积模块，对预处理后的林木广角rgb图像进行特征提取，得到多尺度的特征图；
15、s23、采用自适应权重模块，通过权重自适应和注意力机制，将多尺度的特征图进行自适应调整；
16、s24、采用交叉融合模块，将自适应调整后的特征图进行融合；
17、s25、将融合后的特征图输入头部网络，预测特征图的边界和类别；
18、s26、将融合后的特征图和预测的边界和类别输入分割网络，预测单木图像的分割掩码和轮廓；
19、s27、基于单木图像的分割掩码和轮廓，构建yolov8-seg的损失函数。
20、根据本申请的一个方面，步骤s3中进一步为：
21、s31、采用数据增强算法，对训练集中的林木广角rgb图像进行预处理，包括旋转、平移、缩放、裁剪、翻转和颜色变换；
22、s32、基于预处理后的训练集，采用优化算法，对yolov8-seg林木目标检测模型的参数进行更新，使损失函数最小化；
23、s33、使用更新参数后的yolov8-seg林木目标检测模型，对测试集中的林木广角rgb图像进行推理，得到每个单木的分割结果和检测框坐标；
24、s34、基于每个单木的分割结果和检测框坐标，对更新参数后的yolov8-seg林木目标检测模型进行评估，得到评估指标；
25、s35、基于评估指标，采用早停法，判断是否继续更新yolov8-seg林木目标检测模型的参数，如果是，则返回步骤s31；否则，输出训练好的yolov8-seg林木目标检测模型。
26、根据本申请的一个方面，步骤s4中进一步为：
27、s41、使用训练好的yolov8-seg林木目标检测模型，确定每棵树的像素区域，提取像素区域内所有像素的深度值，将深度值转换为灰度值，得到单木区域灰度图；
28、s42、采用高斯滤波器，对单木区域灰度图进行平滑降噪；
29、s43、采用校正方法，对平滑降噪后的单木区域灰度图进行深度值校正；
30、s44、基于灰度值，将深度值校正后的单木区域灰度图转换为真实单木深度图；
31、s45、基于真实单木深度图，计算单木实际的树高和胸径参数。
32、根据本申请的一个方面，还包括对林木广角rgb图像进行标签标注，具体步骤为：
33、s12a、获取林木广角rgb图像的光谱信息，采用光谱聚类算法，对林木广角rgb图像的光谱信息进行聚类，得到每个像素点的光谱类别；
34、s12b、采用区域生长算法，对光谱类别相同的像素点进行合并，得到每个单木的光谱区域；
35、s12c、采用光谱特征提取算法，对每个单木的光谱区域进行特征提取，得到每个单木的光谱特征向量；
36、s12d、采用光谱分类算法，对每个单木的光谱特征向量进行分类，得到每个单木的树种标签；
37、s12e、将每个单木的树种标签在其对应的林木广角rgb图像进行标注。
38、根据本申请的一个方面，步骤s1还可以为：
39、s1a、使用双目鱼眼摄像头和激光雷达相机，对目标森林样地进行广角rgbd图像数据采集，包括左右两张广角rgb图像、深度图像和点云数据；
40、s1b、使用广角相机标定板和点云标定板，分别获取双目鱼眼摄像头的内外参数和激光雷达的内外参数；
41、s1c、基于双目鱼眼摄像头的内外参数和激光雷达的内外参数，采用联合畸变校正和配准方程，对广角rgbd图像数据进行校正；
42、s1d、使用labelme标注软件，对校正后的广角rgbd图像数据进行手动标注，基于手动标注后的广角rgbd图像数据，生成自监督预训练的数据集和监督微调的数据集。
43、根据本申请的一个方面，步骤s2还包括：
44、s2a、基于林木广角rgb图像和yolov8 ultralytics开源框架，构建yolov8-seg林木目标检测模型；
45、s2b、将yolov8-seg林木目标检测模型的骨干网络替换为混合特征金字塔hfp结构，对预处理后的林木广角rgb图像进行多尺度特征本文档来自技高网...
【技术保护点】
1.一种基于改进YOLOv8-Seg的林下广角单木图像分割方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于改进YOLOv8-Seg的林下广角单木图像分割方法，其特征在于，步骤S1具体为：
3.根据权利要求2所述的基于改进YOLOv8-Seg的林下广角单木图像分割方法，其特征在于，步骤S2具体为：
4.根据权利要求3所述的基于改进YOLOv8-Seg的林下广角单木图像分割方法，其特征在于，步骤S3具体为：
5.根据权利要求4所述的基于改进YOLOv8-Seg的林下广角单木图像分割方法，其特征在于，步骤S4具体为：
6.根据权利要求5所述的基于改进YOLOv8-Seg的林下广角单木图像分割方法，其特征在于，还包括对林木广角RGB图像进行标签标注，具体步骤为：
7.根据权利要求5所述的基于改进YOLOv8-Seg的林下广角单木图像分割方法，其特征在于，步骤S1还可以为：
8.根据权利要求7所述的基于改进YOLOv8-Seg的林下广角单木图像分割方法，其特征在于，步骤S2还包括：
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。