[发明专利]一种基于小尺度松材线虫病树的检测方法

说明书

一种基于小尺度松材线虫病树的检测方法，包括以下步骤：步骤1：使用无人机航拍获取遥感图像，对松材线虫病树进行标记，制作成数据集；步骤2：将数据集输入底层特征批处理融合和多重特征复用网络模型中，进行特征提取，获得识别模型，识别松材线虫病树；步骤3：将松材线虫病树的识别结果矢量化，得到松材线虫病树的经纬度坐标文件；步骤4：将松材线虫病树的经纬度坐标信息上传到松材线虫病树监理平台，通过监理平台查看病树的地理分布情况，人工砍伐。本发明专利的目的是为了解决遥感影像复杂背景下一种对小尺度松材线虫病树漏检的问题，而提出的一种基于底层特征批处理融合和多重特征复用网络模型的松材线虫病树的检测方法。

技术领域

本发明涉及松材线虫病树检测技术领域，尤其涉及一种基于小尺度松材线虫病树的检测方法。

背景技术

森林病虫害是森林健康和林业生产的宿敌。松材线虫是对松树危害较大的外来入侵物种之一，感染松材线虫病后会造成松树针叶黄褐色或红褐色，在6个月内即可导致病树整株干枯死亡，且繁殖速度快、传播途径广、传播范围广、难以防治，是使松林大片被毁的重要害虫。因此，及时发现松材线虫病树至关重要。

现在对松材线虫病的监测手段主要有地面调查、卫星遥感监测、多光谱无人机图像和无人机遥感监测。传统的对松材线虫病的调查方法利用人工普查效率低，成本高，容易造成遗漏；卫星遥感空间分辨率低且时效性差；多光谱无人机图像获取效率低，分辨率高。通过无人机获取全色波段图像目前是最有效的，无人机全色波段图像既能获取较高空间分辨率的图像，同时也能保证图片获取的效率，通过提取高空间分辨率图像上单株病树的颜色、形状、纹理等特征，通过深度学习的方式能够获得较高的检测精度，满足治理的需要。

自2012年Hinton等人提出的AlexNet在ImageNet大规模视觉识别挑战赛图像分类比赛夺冠后，深度学习迅速发展，并在计算机视觉领域得到了越来越广泛的运用，越来越多的学者将深度学习应用于遥感场景下的目标检测中。Wang等人针对遥感影像小目标检测，提出了一种结合特征金字塔(FPN)的SSD改进算法，该算法一定程度上提高了检测的速度和精度。姚群力等人提出一种多尺度网络遥感目标检测框架-MSCNN，该算法对多尺度遥感大尺度目标结果较好，但对多尺度下的小尺度目标检测效果较差。

为了实现复杂背景下遥感小目标的高效检测，本专利提出了一种底层特征批处理融合和多重特征复用网络模型的松材线虫病树的检测方法。该方法思考了并重新设计了特征融合模块，将主要负责小目标检测的浅层特征图与具有丰富语义信息的深层特征图相融合，采用批处理模块化特征融合方式，对浅层特征信息进行了增强以及复用，提高了对小尺度目标的特征提取能力，并采用了迁移学习的思想，先对低分辨率下相对较小的小尺度病树样本进行模型训练，再将其训练所得模型作为更高分辨率1：500的数据集训练的预训练模型，从而提高了网络模型对小尺度目标病树的检测能力。

发明内容

本发明专利的目的是为了解决遥感影像复杂背景下一种对小尺度松材线虫病树漏检的问题，而提出的一种基于底层特征批处理融合和多重特征复用网络模型的松材线虫病树的检测方法。

一种基于小尺度松材线虫病树的检测方法，具体包括以下步骤：

步骤1：获取图像，并对松材线虫病树进行标记，制作成数据集；

步骤2：将数据集输入底层特征批处理融合和多重特征复用网络模型中，进行特征提取，获得识别模型，识别松材线虫病树；

步骤3：将松材线虫病树的识别结果矢量化，得到松材线虫病树的经纬度坐标信息；

步骤4：将松材线虫病树的经纬度坐标信息上传到松材线虫病树监理平台，通过监理平台查看病树的地理分布情况，人工砍伐。

在步骤2中，将数据集输入底层特征批处理融合和多重特征复用网络模型中，进行特征提取，得到识别模型，具体采用以下步骤：

2-1：对无人机影像样本集进行挑选、预处理；