[发明专利]基于深度学习的单木级树种识别方法

权利要求书

1.一种基于深度学习的单木级树种识别方法，其特征在于，所述方法包括：

通过LiDAR点云数据获取冠层高度模型；

通过局部最大值算法与冠层高度模型进行航空影像单木分割，并裁剪得到单株树木的块状影像；

基于单株树木的块状影像利用深度卷积神经网络对单木树种进行识别；

所述通过LiDAR点云数据获取冠层高度模型包括：

通过反向距离权重IDW插值法提取数字高程模型DEM和数字表面模型DSM；

根据DSM和DEM的差值建立了冠层高度模型CHM；

所述通过局部最大值算法与冠层高度模型进行航空影像单木分割，并裁剪得到单株树木的块状影像包括：

使用可变的移动窗口扫描新生成的树冠高度模型表面，标识局部最大值；

运用树冠与树高的经验关系构建可变的移动窗口，以局部最大值作为单木顶点；

以树冠最高点为中心截取64*64个像元的单木影像；

所述运用树冠与树高的经验关系构建窗口判断局部最大值是否为单木顶点包括：

在局部最大值对应的树冠范围内没有更高的像元点，那么该像元所在位置即为单木顶点，树冠与树高的经验关系见式如下：

width(m)＝2.51503+0.00901ht²

其中：ht表示插值后的CHM模型中的树高，width表示预测的冠幅直径；

所述基于单株树木的块状影像利用深度卷积神经网络对单木树种进行识别包括：

基于单株树木的块状影像作为深度残差卷积神经网络ResNet-50中输入层的参数；通过卷积模块组逐层提取特征，残差模块配合卷积模块增强了特征的提取，最终通过分类模块实现对单木树种的分类；

所述ResNet-50中设置有四个Dropout层，所述Dropout层设置于投影快捷模块之后；

所述ResNet-50中输入层尺寸为64×64像素，对应第一个卷积模块的特征输入为64；最后一个池化层的内核大小为2，以确保最后一个要素映射的大小为1*1；所述ResNet-50中输出层中的每个神经元对应一个树种类型。

2.如权利要求1所述的基于深度学习的单木级树种识别方法，其特征在于，所述移动窗口包括大小为n*n的矩形窗口和圆形窗口，所述n为大于0的自然数。

3.如权利要求2所述的基于深度学习的单木级树种识别方法，其特征在于，所述以树冠最高点为中心截取64*64个像元的单木影像包括：

将树冠最高点与RGB航空影像进行叠加，以最高点为中心，截取单木块状影像，作为单木类型识别的输入数据；

根据树木的特征，选择单木块状尺寸为64*64，并存储为png格式；

每张树木图像按照所提取的树木编号和类型对单木进行命名。

4.如权利要求1至3所述的基于深度学习的单木级树种识别方法，其特征在于，所述深度残差卷积神经网络ResNet-50基础学习率设置为0.00001，学习率采用Adam随机优化方法进行自适应更新，最大迭代设置为200000。