[发明专利]一种基于深度学习技术的果树统计方法

权利要求书

1.一种基于深度学习技术的果树统计方法，其特征在于，包括以下步骤：

获取待统计区域的卫星遥感图像；

在卫星遥感图像上，分别选择若干个训练样本子区域和若干个测试样本子区域；

针对训练样本子区域，采用双线性插值方法对图像进行采样，再采用非局部均值滤波对插值后的图像进行去噪；采用随机裁剪方法对其区域进行裁剪，作为深度学习模型的训练样本；通过labelImg软件对图像中的果树进行矩形框标注；将训练样本集与对应的标注集，通过深度学习模型使用迭代训练的方式进行训练，得到果树目标检测模型；

针对测试样本子区域，先采样后划分，构建测试样本集；

将测试图像送进果树目标检测模型进行预测，得到每个图像中果树的边框坐标；

完成测试集中所有图像的预测后，将得到的每个相对于子图像的边框坐标转换为相对整个研究区域影像的边框坐标，并使用非极大值抑制方法去除同一棵果树被重复检测的情况；

在整个图像的标注文件中，每一行代表一棵树的矩形坐标，统计行数即完成区域果树统计。

2.根据权利要求1所述基于深度学习技术的果树统计方法，其特征在于，对每块子区域进行采样，将图片上采样到2400×2400像素。

3.根据权利要求2所述基于深度学习技术的果树统计方法，其特征在于，对于放大后的每块子区域，采用随机裁剪方法，从6个2400×2400区域的像素区域中生成6000个640×640像素的图像，每个图像包含10棵果树，作为深度学习模型的训练样本。

4.根据权利要求1所述基于深度学习技术的果树统计方法，其特征在于，通过双线性插值利用与坐标轴平行的直线去把小数坐标分解到相邻的四个整数坐标点，赋予不同的权重进行计算；具体为：

寻找距离对应坐标最近的四个已知像素点，分别设为Q11＝(x1,y1)、Q12＝(x1,y2),Q21＝(x2,y1),Q22＝(x2,y2)；

在x方向进行线性插值：

其中，R1＝(x,y1)，R2＝(x,y2)；

在y方向进行线性插值：

综合x方向和y方向，双线性插值的结最后果为：

5.根据权利要求1所述基于深度学习技术的果树统计方法，其特征在于，所述非局部均值滤波的具体操作为：

利用整张图像的像素点进行滤波，f(x)为含有噪声的图片，G(x)为去除噪声的图片，在f(x)中选取像素i和像素j，将i作为中心点，选取i的邻域，称为相似块比较区域，计算这个邻域里各个点之间的像素值的高斯加权欧氏距离，去噪过程输入与输出的关系为：

其中，y的取值范围为整张图像；ω为图像块x，y的相似度；是高斯核；λ(i)是以i为中心的图像中的块区域；h为衰减因子。

6.根据权利要求1所述基于深度学习技术的果树统计方法，其特征在于，所述测试样本集的构建操作为：

将600×600像素区域的测试区域采样为2400×2400像素，采用重叠划分法将放大后的测试图像划分为640×640像素的测试样本，选择100像素作为测试样本重叠区域的宽度；每个果树至少完整包括在一个测试样本图像上。