基于无人机遥感图像的松材线虫病害立木检测方法及装置与流程

1.本技术涉及遥感影像处理技术领域，尤其是涉及基于无人机遥感图像的松材线虫病害立木检测方法及装置。


背景技术：

2.松材线虫病，又称为松树萎蔫病，传播蔓延迅速，防治难度极大，在我国造成了大面积松林死亡，被称为松树癌症和无烟的森林火灾。松材线虫的危害现状促使病害防控不容疏忽，其中松材线虫病害树木的检测是防控的关键环节，传统的检测方法主要依赖人工现场巡查的方法，存在耗时耗力的缺点。
3.近年来，随着遥感和计算机技术的发展，利用各种航空航天遥感图像进行病虫害检测成为了一种高效的手段。现有的相关研究主要集中于基于高光谱数据的光谱特征和基于图像颜色和纹理特征的分类算法，但是基于无人机航拍数据的机器学习和深度学习融合应用算法研究较少，且未有全流程的数据处理分析方法。另外针对松材线虫的蔓延预测，目前未有相关的解决方案。


技术实现要素：

4.有鉴于此，本技术提供了基于无人机遥感图像的松材线虫病害立木检测方法及装置，以解决上述技术问题。
5.第一方面，本技术实施例提供了一种基于无人机遥感图像的松材线虫病害立木检测方法，包括：
6.获取无人机的多光谱相机采集的地面多光谱影像，对地面多光谱影像进行处理得到数字正射影像；
7.利用预先训练完成的基于随机森林的病害树木分类模型对数字正射影像进行处理，得到第一分类结果；
8.利用预先训练完成的基于deeplabv3 的病害树木语义分割模型对数字正射影像进行处理，得到第二分类结果；
9.利用预先训练完成的基于pspnet的病害树木语义分割模型对数字正射影像进行处理，得到第三分类结果；
10.利用预先训练完成的融合模型对三个分类结果进行处理，得到数字正射影像的每个像元的最终分类结果。
11.进一步地，所述基于随机森林的病害树木分类模型的输入包括数字正射影像的每个像元的遥感指数，所述遥感指数至少包括：归一化植被指数ndvi、710nm波段的一阶导数、归一化差异红色边缘指数ndre、修正型叶绿素吸收比植被指数mcari、改进型叶绿素吸收比植被指数tcari、叶绿素指数的绿光cig、叶绿素指数的红边cire、增强植被指数evi和比值植被指数rvi；所述病害树木分类模型的输出为每个像元的第一分类结果，第一分类结果取值为0、1和2；0表示无松材线虫病害的健康木，1表示有松材线虫病害的疫木，2表示枯死木。
12.进一步地，所述融合模型为xgboost树模型，其输入为基于随机森林的病害树木分类模型输出的第一类分类结果，基于deeplabv3 的病害树木语义分割模型输出的第二类分类结果，和基于pspnet的病害树木语义分割模型输出的第三类分类结果，输出为数字正射影像的每个像元的最终分类结果，取值为0、1和2；0表示无松材线虫病害的健康木，1表示有松材线虫病害的疫木，2表示枯死木。
13.进一步地，所述方法还包括：
14.获取多张无人机数字正射样本影像，样本影像上的树冠区域标注分类结果：健康木、疫木或枯死木；
15.对每张无人机数字正射样本影像进行多尺度树冠划定和树种分类处理，得到对应的针叶类型树冠的掩膜样本影像；
16.将多张针叶类型树冠的掩膜样本影像组成训练数据集；
17.利用训练数据集对基于随机森林的病害树木分类模型进行模型训练；
18.利用训练数据集对基于deeplabv3 的病害树木语义分割模型进行模型训练；
19.利用训练数据集对基于pspnet的病害树木语义分割模型进行模型训练。
20.进一步地，所述融合模型采用xgboost树模型，所述融合模型的训练步骤包括：
21.将训练完成的基于随机森林的病害树木分类模型、基于deeplabv3 的病害树木语义分割模型和基于pspnet的病害树木语义分割模型作为三个基学习器，将xgboost树模型作为元学习器；将三个基学习器的输出作为元学习器的输入；
22.利用训练数据集对三个基学习器和元学习器进行训练，训练过程中，基学习器的模型参数保持不变，只调整元学习器的模型参数。
23.进一步地，所述方法还包括：
24.从数字正射影像中提取出每个树冠区域，若一个树冠区域内的像元的分类结果为0的个数占到整个区域的像元总数的90％以上，则判断该树冠为健康树冠，若一个树冠区域内的像元的分类结果为1的个数占到整个区域的像元总数的90％以上，则判断该树冠为疫木树冠；
25.获取每个健康树冠的六个特征因子值，包括：树冠面积s、单株平均归一化植被指数ndvi、疫木滞积数量d、湿度h、温度t和防治措施p；
26.利用预先得到的朴素贝叶斯算法的不同特征的条件概率参数，计算每个健康树冠的感染概率；
27.判断感染概率是否大于概率阈值，若为是，则判断存在感染分险，否则，不存在感染分险，由此得到数字正射影像中每棵健康木被松材线虫感染的预测结果。
28.进一步地，从数字正射影像中提取出每个树冠区域；包括：
29.利用pie-sias软件对数字正射影像进行处理，得到数字正射影像中每个树冠区域；pie-sias软件中设置的参数为：步长为0.1；分割尺度是28，形状因子为0.6，紧致度为0.5。
30.第二方面，本技术实施例提供了一种基于无人机遥感图像的松材线虫病害立木检测装置，包括：
31.获取单元，用于获取无人机的多光谱相机采集的地面多光谱影像，对地面多光谱影像进行处理得到数字正射影像；
32.第一分类单元，用于利用预先训练完成的基于随机森林的病害树木分类模型对数字正射影像进行处理，得到第一分类结果；
33.第二分类单元，用于利用预先训练完成的基于deeplabv3 的病害树木语义分割模型对数字正射影像进行处理，得到第二分类结果；
34.第三分类单元，用于利用预先训练完成的基于pspnet的病害树木语义分割模型对数字正射影像进行处理，得到第三分类结果；
35.融合单元，用于利用预先训练完成的融合模型对三个分类结果进行处理，得到数字正射影像的每个像元的最终分类结果。
36.第三方面，本技术实施例提供了一种电子设备，包括：存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本技术实施例的基于无人机遥感图像的松材线虫病害立木检测方法。
37.第四方面，本技术实施例提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令被处理器执行时实现本技术实施例的基于无人机遥感图像的松材线虫病害立木检测方法。
附图说明
38.为了更清楚地说明本技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
39.图1为本技术实施例提供的基于无人机遥感图像的松材线虫病害立木检测方法的流程图；
40.图2为本技术实施例提供的基于无人机遥感图像的松材线虫病害立木检测装置的功能结构图；
41.图3为本技术实施例提供的电子设备的结构图。
具体实施方式
42.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。
43.因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
44.首先对本技术实施例的设计思想进行简单介绍。
45.近年来，随着遥感和计算机技术的发展，利用各种航空航天遥感图像进行病虫害检测成为了一种高效的手段。现有的相关研究主要集中于基于高光谱数据的光谱特征和基于图像颜色和纹理特征的分类算法，但是基于无人机航拍数据的机器学习和深度学习融合
应用算法研究较少，且未有全流程的数据处理分析方法。另外针对松材线虫的蔓延预测，目前未有相关的解决方案。
46.为解决上述技术问题，本技术提供了一种基于无人机遥感图像的松材线虫病害立木检测方法，该方法利用三个检测模型分别对无人机的数字正射影像进行处理，得到三个分类结果，再利用融合模型对三个分类结果进行融合，得到最终的分类结果。在此基础上，利用朴素贝叶斯算法对健康木是否会感染病害进行概率预测。
47.本技术的优势在于：
48.1、根据松材线虫疫木的物理光学性质和图像特征分别构建检测模型，再进行融合，提高了疫木识别精度；
49.2、根据松材线虫病的传播机理和分布特征，将风险预测问题转化为分类问题进行量化，并构建朴素贝叶斯概率预测模型，在此基础上进行虫害蔓延区域预测；
50.3、利用无人机多光谱数据，通过树冠划定进行单株提取，更准确的判断疫木数量和病虫害分布、蔓延情况。
51.在介绍了本技术实施例的应用场景和设计思想之后，下面对本技术实施例提供的技术方案进行说明。
52.如图1所示，本技术实施例提供了一种基于无人机遥感图像的松材线虫病害立木检测方法，包括：
53.步骤101：获取无人机的多光谱相机采集的地面多光谱影像，对地面多光谱影像进行处理得到数字正射影像；
54.其中，对地面多光谱影像进行处理得到数字正射影像，包括：
55.通过空中三角测量，对地面多光谱影像进行特征提取、特征匹配、光束发区域网平差处理后，进行全局色调平差及局部色调校正，得到具有地理位置信息的数字正射影像。其中数字正射影像包含蓝光(450nm
±
16nm)、绿光(560nm
±
16nm)、红光(650nm
±
16nm)、红边(730nm
±
16nm)和近红(840nm
±
16nm)5个波段。
56.步骤102：利用预先训练完成的基于随机森林的病害树木分类模型对数字正射影像进行处理，得到第一分类结果；
57.基于数字正射影像的原始光谱信息，计算9个相关遥感指数结合样本作为随机森林算法模型输入，实现松材线虫病害树木区域提取。
58.感染松材线虫病的松树与健康松树相比，针叶颜色上有明显的区别，健康针叶呈现绿色，不同时期病害树木的针叶叶绿素减少，则会呈现黄褐色、红褐色或灰白色；除了针叶颜色上的区别之外，针叶的含水量也会在染病之后出现明显的下降。由于叶绿素和水分的减少，病害树木和健康树木的光谱曲线有明显差异。绿光区随着受害程度的加深，
59.反射率逐渐减小；在红光区，含水量大的植被对红光吸收强，随着受害加深，反射率逐渐增大。
60.随机森林通过集成学习的bagging思想将多个决策树的基本单元集成，将若干个弱分类器的结果进行投票，从而组成一个强分类器，可以实现对一个输入样本进行分类。
61.基于随机森林的病害树木分类模型使用了以下9个遥感指数作为输入特征，结合样本中对应的类别，进行训练，减少了冗余和干扰信息，更加有效快速地提取出松材线虫病害区域。
62.9个遥感指数的计算公式如下：
63.归一化植被指数ndvi：
[0064][0065]
710nm波段的一阶导数ρ
710
′
：
[0066]
ρ
710
′
＝(ρ
red_edge-ρ
red
)/(730-650)
[0067]
归一化差异红色边缘指数ndre：
[0068][0069]
修正型叶绿素吸收比植被指数mcari：
[0070][0071]
改进型叶绿素吸收比植被指数tcari：
[0072][0073]
叶绿素指数的绿光cig：
[0074][0075]
叶绿素指数的红边cire：
[0076][0077]
增强植被指数evi：
[0078][0079]
比值植被指数rvi：
[0080][0081]
其中，ρ
nir
为中心波长840nm的近红波段反射率，ρ
red_edge
为中心波长730nm的红边波段反射率，ρ
red
为中心波长650nm的光波段反射率，ρ
green
为中心波长560nm的绿光波段反射率，ρ
blue
为中心波长450nm的蓝光波段反射率。
[0082]
所述基于随机森林的病害树木分类模型的输入包括数字正射影像的每个像元的9
个遥感指数，所述基于随机森林的病害树木分类模型的输出为每个像元的第一分类结果，第一分类结果取值为0、1和2；0表示无松材线虫病害的健康木，1表示有松材线虫病害的疫木，2表示枯死木。
[0083]
此外，基于随机森林的病害树木分类模型的训练步骤包括：
[0084]
获取多张无人机数字正射样本影像，样本影像上的树冠区域标注分类结果：健康木、疫木或枯死木；
[0085]
对每张无人机数字正射样本影像进行多尺度树冠划定和树种分类处理，得到对应的针叶类型树冠的掩膜样本影像；
[0086]
将多张针叶类型树冠的掩膜样本影像组成训练数据集；
[0087]
利用训练数据集对基于随机森林的病害树木分类模型进行模型训练；模型训练设置的主要参数：决策树的个数为100，对样本集进行有放回抽样来构建决策树，同时，构建决策树最优模型时考虑的最大特征数为8，节点可分的最小样本数为2，叶子节点含有的最少样本为6。
[0088]
步骤103：利用预先训练完成的基于deeplabv3 的病害树木语义分割模型对数字正射影像进行处理，得到第二分类结果；
[0089]
卷积神经网络通过卷积层、池化层和激活函数等结构的层层堆叠，从输入图像中学习特征。卷积层通过一定大小的卷积核，在特征图上滑动，在需要的位置停留并与窗口内的特征图做张量积，以此从图像中的局部区域获取局部信息；池化层作用为压缩数据、特征降维、减少参数的数量；激活函数用于增加网络的非线性能力，通过卷积层与池化层的特征抽取后，网络从输入图像中完成了低级特征到高级特征的学习，最后完成分类任务。
[0090]
传统方法在获取目标时，难以兼顾空间细节信息，会造成细节特征的丢失，考虑到有部分感染病害的单株松木目标较小，难以通过光谱特征进行区分，存在“同谱异物”或“同物异谱”的情况。针对单株病害树木的空间信息在采样过程中容易丢失的问题，本实施例的病害树木语义分割模型采用deeplabv3 ，deeplabv3 模型的解码器中引入了大量的空洞卷积，在不损失信息的情况下，加大了感受野，让每个卷积输出都包含较大范围的信息，之后通过金字塔池化模块进行合并，然后进行1*1卷积压缩特征。在解码器中，对压缩后的有效特征利用1*1卷积调整通道数，然后和编码器部分输出的有效特征进行堆叠，再进行两次深度可分离卷积得到最终的有效特征层。
[0091]
基于deeplabv3 的病害树木语义分割模型的输入为数字正射影像，输出为第二分类结果，第三分类结果取值为0、1和2；0表示无松材线虫病害的健康木，1表示有松材线虫病害的疫木，2表示枯死木。
[0092]
此外，所述方法还包括：利用训练数据集对基于deeplabv3 的病害树木语义分割模型进行模型训练。
[0093]
步骤104：利用预先训练完成的基于pspnet的病害树木语义分割模型对数字正射影像进行处理，得到第三分类结果；
[0094]
基于pspnet的病害树木语义分割模型的输入为数字正射影像，输出为第三分类结果，第三分类结果取值为0、1和2；0表示无松材线虫病害的健康木，1表示有松材线虫病害的疫木，2表示枯死木。
[0095]
此外，所述方法还包括：利用训练数据集对基于pspnet的病害树木语义分割模型
进行模型训练。
[0096]
步骤105：利用预先训练完成的融合模型对三个分类结果进行处理，得到数字正射影像的每个像元的最终分类结果；
[0097]
其中，所述融合模型采用xgboost树模型，其输入为基于随机森林的病害树木分类模型输出的第一类分类结果，基于deeplabv3 的病害树木语义分割模型输出的第二类分类结果，和基于pspnet的病害树木语义分割模型输出的第三类分类结果，输出为数字正射影像的每个像元的最终分类结果，取值为0、1和2；0表示无松材线虫病害的健康木，1表示有松材线虫病害的疫木，2表示枯死木。
[0098]
此外，所述融合模型的训练步骤包括：
[0099]
将训练完成的基于随机森林的病害树木分类模型、基于deeplabv3 的病害树木语义分割模型和基于pspnet的病害树木语义分割模型作为三个基学习器，将xgboost树模型作为元学习器；将三个基学习器的输出作为元学习器的输入；
[0100]
利用训练数据集对三个基学习器和元学习器进行训练，训练过程中，基学习器的模型参数保持不变，只调整元学习器的模型参数。
[0101]
在得到数字正射影像的每个像元的分类结果后，所述方法还包括：对健康木感染松材线虫病害进行预测的步骤：
[0102]
松材线虫蔓延预测的实现思路是将其转化为松材线虫病害风险预测问题，而病害风险预测的量化识别则是将病害风险问题转化为统计中的分类问题，然后采用对应的模型进行处理。考虑到松材线虫病害传播的生物机理，其表现特征之间具有高度独立性，因此采用朴素贝叶斯算法对其进行分类；朴素贝叶斯算法还具有对缺失数据不太敏感，分类效率稳定和能够处理多分类问题等优势。
[0103]
具体的，对健康木感染松材线虫病害进行预测的步骤包括：
[0104]
步骤s1：从数字正射影像中提取出每个树冠区域；
[0105]
利用pie-sias软件对数字正射影像进行处理，得到数字正射影像中每个树冠区域；pie-sias软件中设置的参数为：步长为0.1；分割尺度是28，形状因子为0.6，紧致度为0.5。
[0106]
步骤s2：若一个树冠区域内的像元的分类结果为0的个数占到整个区域的像元总数的90％以上，则判断该树冠为健康树冠，若一个树冠区域内的像元的分类结果为1的个数占到整个区域的像元总数的90％以上，则判断该树冠为疫木树冠；
[0107]
步骤s3：获取每个健康树冠的六个特征因子值，包括：树冠面积s、单株平均归一化植被指数ndvi、疫木滞积数量d、湿度h、温度t和防治措施p；
[0108]
朴素贝叶斯算法的输入包括6个特征因子：树冠面积s、单株平均归一化植被指数ndvi、疫木滞积数量d、湿度h、温度t和防治措施p；输出为：感染(取值为1)或健康(取值为0)。
[0109]
树冠面积s的计算步骤为：根据树冠区域的像元个数和像元分辨率，得到每个树冠区域的面积s。
[0110]
疫木滞积数量d的计算步骤为：
[0111]
统计以每个健康树冠为中心，半径为100m的圆形区域内，以20m为滞积距离的间隔区内疫木的数量ni，并进行加权处理，得到疫木滞积数量d：
[0112][0113]
其中，wi为传播距离分布权重，i为正整数；
[0114]
湿度h为单株位置处的空气湿度；温度t为单株位置处的大气温度，可从气象数据中获取到；防治措施p的取值：采取防治定义为1，未采取防治定义为0。
[0115]
步骤s4：利用预先得到的朴素贝叶斯算法的不同特征的条件概率参数，计算每个健康树冠的感染概率；
[0116]
首先生成变化数据集，包括多组变化样本影像，一组变化样本影像包括两个时期的同一区域的两幅正射样本影像，分别对两期样本影像进行数据标注，标注类别包括：健康木、疫木和枯死木；对比样本影像，将其中健康木转变疫木或枯死木标记为感染，健康木仍为健康木的标记为健康。
[0117]
然后利用变化数据集，获取朴素贝叶斯算法的不同特征的条件概率参数，具体为：根据前期样本影像的单株立木区域和气象数据，计算6个特征因子值，以变化标注为输出(感染为1，健康为0)，统计得到朴素贝叶斯算法的不同特征的条件概率参数。
[0118]
步骤s5：判断感染概率是否大于概率阈值，若为是，则判断存在感染分险，否则，不存在感染分险，由此得到数字正射影像中每棵健康木被松材线虫感染的预测结果。
[0119]
其中，概率阈值为50％。
[0120]
基于上述实施例，本技术实施例提供了一种基于无人机遥感图像的松材线虫病害立木检测装置，参阅图2所示，本技术实施例提供的基于无人机遥感图像的松材线虫病害立木检测装置200至少包括：
[0121]
获取单元201，用于获取无人机的多光谱相机采集的地面多光谱影像，对地面多光谱影像进行处理得到数字正射影像；
[0122]
第一分类单元202，用于利用预先训练完成的基于随机森林的病害树木分类模型对数字正射影像进行处理，得到第一分类结果；
[0123]
第二分类单元203，用于利用预先训练完成的基于deeplabv3 的病害树木语义分割模型对数字正射影像进行处理，得到第二分类结果；
[0124]
第三分类单元204，用于利用预先训练完成的基于pspnet的病害树木语义分割模型对数字正射影像进行处理，得到第三分类结果；
[0125]
融合单元205，用于利用预先训练完成的融合模型对三个分类结果进行处理，得到数字正射影像的每个像元的最终分类结果。
[0126]
需要说明的是，本技术实施例提供的基于无人机遥感图像的松材线虫病害立木检测装置200解决技术问题的原理与本技术实施例提供的基于无人机遥感图像的松材线虫病害立木检测方法相似，因此，本技术实施例提供的基于无人机遥感图像的松材线虫病害立木检测装置200的实施可以参见本技术实施例提供的基于无人机遥感图像的松材线虫病害立木检测方法的实施，重复之处不再赘述。
[0127]
如图3所示，本技术实施例提供的电子设备300至少包括：处理器301、存储器302和存储在存储器302上并可在处理器301上运行的计算机程序，处理器301执行计算机程序时实现本技术实施例提供的基于无人机遥感图像的松材线虫病害立木检测方法。
[0128]
本技术实施例提供的电子设备300还可以包括连接不同组件(包括处理器301和存储器302)的总线303。其中，总线303表示几类总线结构中的一种或多种，包括存储器总线、外围总线、局域总线等。
[0129]
存储器302可以包括易失性存储器形式的可读介质，例如随机存储器(random access memory，ram)3021和/或高速缓存存储器3022，还可以进一步包括只读存储器(read only memory，rom)3023。
[0130]
存储器302还可以包括具有一组(至少一个)程序模块3025的程序工具3024，程序模块3025包括但不限于：操作子系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
[0131]
电子设备300也可以与一个或多个外部设备304(例如键盘、遥控器等)通信，还可以与一个或者多个使得用户能与电子设备300交互的设备通信(例如手机、电脑等)，和/或，与使得电子设备300与一个或多个其它电子设备300进行通信的任何设备(例如路由器、调制解调器等)通信。这种通信可以通过输入/输出(input/output，i/o)接口305进行。并且，电子设备300还可以通过网络适配器306与一个或者多个网络(例如局域网(local area network，lan)，广域网(wide area network，wan)和/或公共网络，例如因特网)通信。如图3所示，网络适配器306通过总线303与电子设备300的其它模块通信。应当理解，尽管图3中未示出，可以结合电子设备300使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列(redundant arrays of independent disks，raid)子系统、磁带驱动器以及数据备份存储子系统等。
[0132]
需要说明的是，图所示的电子设备300仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
[0133]
本技术实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机指令，该计算机指令被处理器执行时实现本技术实施例提供的基于无人机遥感图像的松材线虫病害立木检测方法。
[0134]
此外，尽管在附图中以特定顺序描述了本技术方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
[0135]
尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改。
[0136]
最后应说明的是：以上各实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述各实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的范围。