[发明专利]一种基于卷积神经网络的牧草优势度识别方法

说明书

本发明涉及图像处理技术领域，公开了一种基于卷积神经网络的牧草优势度识别方法，包括以下步骤：S1、将被监测草原划分出若干草地样方，以俯视的角度对草地样方进行拍照得到至少两幅彩色的样方图像，对每幅所述样方图像进行图像预处理后得到样方图像集；S2、构建牧草识别神经网络；S3、将所述样方图像集中的每幅样方图像分别输入牧草识别神经网络，得到标示目标牧草分类信息的掩模图像，根据每幅掩模图像中表示各个目标牧草种类的像素点的数量，计算该幅掩模图像中，每种目标牧草的覆盖度和优势度。本发明能够提高牧草的识别精度，为草原退化监测提供可靠的参考数据。

技术领域

本发明涉及图像处理技术领域，特别涉及一种基于卷积神经网络的牧草优势度识别方法。

背景技术

草原作为全球生态系统的重要组成部分之一，在全球气候变化和生态平衡中起着关键作用，但受过度放牧、开矿、人为开垦等因素的影响，常常面临着草原退化的威胁。草原退化使植物群落小型化，土壤性状恶化，从而使草原植物群落结构组成发生变化，这不仅直接影响草地载畜能力与草原生态系统生产力，而且使土地退化、沙化，沙尘暴等自然灾害频发，严重影响着环境质量和生态平衡。因此，有必要对草原退化程度建立系统性的监测并提供动态的定量监测数据，针对可能发生的草原退化危险发出预警，以便及时调整草原保护策略，促进草原生态系统的恢复。

草原退化程度监测的主要指标之一是牧草优势种群的改变，即在群落中适口性好、多年生的物种比例减少，适口性差、一、二年生的物种比例增加。传统的牧草种群特征监测方法包括实地目测法和直接收割法等，这些传统方法由于费时、费力等缺陷而逐渐难以满足目前的草地调查工作，且受人为因素影响，其精确度也难获得可靠保障。得益于多光谱遥感技术的发展，通过卫星或无人机携带的多光谱遥感图像系统，可对草原实现大面积的动态监测，特别是对草原植被覆盖率和生物量等宏观数据可进行快速、无损监测，免去了人工统计的麻烦，但是，受遥感技术空间分辨率的限制，加上牧草种群整体高度较低且混杂生长，使得遥感技术在牧草分类和不同种类牧草的优势度识别方面表现不佳。

发明内容

针对上述情况，本发明的目的是提供一种基于卷积神经网络的牧草优势度识别方法，该方法基于卷积神经网络模型，可对草原上的牧草种类进行识别，并对其优势度提供定量参考数据，为草原退化监测提供可靠依据。

为了实现上述目的，本发明通过以下技术方案实现的：

一种基于卷积神经网络的牧草优势度识别方法，包括以下步骤：

S1、将被监测草原划分出若干草地样方，以俯视的角度对草地样方进行拍照得到至少两幅彩色的样方图像，对每幅所述样方图像进行图像预处理后得到样方图像集。

其中，划分草地样方的方法采用本领域的常规手段，例如，样方的形状可为正方形或长方形，样方的布局可为对角线形布局、曲线形布局或棋盘形布局。

S2、构建牧草识别神经网络，步骤如下：

S21、选定至少两种目标牧草，每种目标牧草种类获取至少两幅彩色的目标牧草图像，对每幅所述目标牧草图像进行图像预处理和标注得到原始数据集。

其中，目标牧草图像的获取方式可为实地拍摄，也可从互联网上获取，标注是指使用图像标注工具，例如labelImg、labelme等，对目标牧草图像中的目标牧草进行标注，生成与所述目标牧草图像对应的标注信息，以利后继对牧草识别神经网络进行训练。

出于以较小的经济和时间成本达到较好的监测效果的目的，所述目标牧草种类的选择应当以当地的牧草优势种和退化指示种为主，目标牧草种类的数量以4～7种为宜，例如，位于内蒙古自治区东南部的科尔沁沙地，目标牧草可设定为小叶锦鸡儿、盐蒿、地梢瓜、狗尾草和蒺藜等；位于乌兰察布的荒漠草原，目标牧草可设定为短花针茅、冷蒿、狭叶锦鸡儿、猪毛菜和栉叶蒿。具体的，针对每种目标牧草采集的图像以5～10幅为宜，且上述图像包含了目标牧草生长期、开花期和结实期的图像。