[发明专利]造林实绩质量评价方法、系统、终端设备及存储介质

说明书

本发明公开了一种造林实绩质量评价方法、系统、终端设备及存储介质，所述方法包括：获取造林区域图像；基于训练好的深度学习耦合模型，检测造林区域图像中的目标物体，并对造林区域图像中的目标物体进行分割，切分出目标物体，所述目标物体包括成活幼树、死亡幼树、空穴和伴生杂草，所述深度学习耦合模型为目标检测与图像分割的耦合模型；通过分类器网络对目标物体进行分类；根据分类结果，实现造林实绩质量评价。本发明能够应用到造林实绩质量评价过程中对造林密度、造林苗木成活率、造林苗木保存率的客观评价。

技术领域

本发明涉及一种造林实绩质量评价方法、系统、终端设备及存储介质，属于造林质量评价领域。

背景技术

在造林行业层面，传统的造林实绩质量评价方法存在几点不足：1)主观性较强、从业人员劳动强度高、调查覆盖面小、调查效率低；2)前期无人机技术执行该项目稳定性较低、成本较高，且摄像头分辨率不高，影响幼树的检测和识别效果；3)缺少能够使应用落地的相关数据，相关数据需要经过长期积累、处理；4)缺少对应用场景的精细理解，没有将无人机数据采集、数据处理、模型训练与实际落地应用结合起来，没有在模型训练和应用落地中找到平衡点。

在算法层面，基于深度学习的目标检测算法有两大主流方向，分别是两阶段(two-stage)模型和一阶段(one-stage)模型。两阶段模型以RCNN系列为代表，第一阶段是搜索出候选框，第二阶段是通过深度学习对候选框进行进一步的特征提取，确定候选框的目标类别与目标位置，两阶段模型需要对候选框进行大量搜索与卷积操作，因此计算非常耗时，而且对计算硬件要求较高，不适合在移动端场景中使用。一阶段模型以SSD和YOLO系列为代表，属于端到端的模型，即只需要给定输入图像就可以获得目标物体的置信度、目标类别、以及目标位置。由于造林区域的实际场景复杂，而且对于无人机等远景拍摄照片中存在大量的小目标物体，这些对于早期的一阶段目标检测模型很难精准识别，即使YOLO-V3采用特征金字塔网络结构，对深度卷积网络提取的特征从高层特征传递到浅层进行融合，这些改善仅仅提升大目标物体的检测与识别，对小目标物体检测准确度仍然很低，达不到实用的级别。

发明内容

有鉴于此，本发明提供了一种造林实绩质量评价方法、系统、终端设备及存储介质，其能够应用到造林实绩质量评价过程中对造林密度、造林苗木成活率、造林苗木保存率的客观调查和客观评价。

本发明的第一个目的在于提供一种造林实绩质量评价方法。

本发明的第二个目的在于提供一种造林实绩质量评价系统。

本发明的第三个目的在于提供一种终端设备。

本发明的第四个目的在于提供一种存储介质。

本发明的第一个目的可以通过采取如下技术方案达到：

一种造林实绩质量评价方法，所述方法包括：

获取造林区域图像；

基于训练好的深度学习耦合模型，检测造林区域图像中的目标物体，并对造林区域图像中的目标物体进行分割，切分出目标物体，所述目标物体包括成活幼树、死亡幼树、空穴和伴生杂草，所述深度学习耦合模型为目标检测与图像分割的耦合模型；

通过分类器网络对目标物体进行分类；

根据分类结果，实现造林实绩质量评价。

进一步的，所述基于训练好的深度学习耦合模型，检测造林区域图像中的目标物体，并对造林区域图像中的目标物体进行分割，切分出目标物体，具体包括：

将造林区域图像输入训练好的深度学习耦合模型；

通过深度卷积神经网络对造林区域图像进行一系列的特征提取；

通过目标检测网络的检测头对提取的特征进行检测，得到检测目标；