[发明专利]基于无人机遥感图像的松材线虫病害立木检测方法及装置

权利要求书

1.一种基于无人机遥感图像的松材线虫病害立木检测方法，其特征在于，包括：

获取无人机的多光谱相机采集的地面多光谱影像，对地面多光谱影像进行处理得到数字正射影像；

利用预先训练完成的基于随机森林的病害树木分类模型对数字正射影像进行处理，得到第一分类结果；

利用预先训练完成的基于DeepLabv3+的病害树木语义分割模型对数字正射影像进行处理，得到第二分类结果；

利用预先训练完成的基于PSPNet的病害树木语义分割模型对数字正射影像进行处理，得到第三分类结果；

利用预先训练完成的融合模型对三个分类结果进行处理，得到数字正射影像的每个像元的最终分类结果。

2.根据权利要求1所述的基于无人机遥感图像的松材线虫病害立木检测方法，其特征在于，所述基于随机森林的病害树木分类模型的输入包括数字正射影像的每个像元的遥感指数，所述遥感指数至少包括：归一化植被指数NDVI、710nm波段的一阶导数、归一化差异红色边缘指数NDRE、修正型叶绿素吸收比植被指数MCARI、改进型叶绿素吸收比植被指数TCARI、叶绿素指数的绿光CIg、叶绿素指数的红边CIre、增强植被指数EVI和比值植被指数RVI；所述基于随机森林的病害树木分类模型的输出为每个像元的第一分类结果，第一分类结果取值为0、1和2；0表示无松材线虫病害的健康木，1表示有松材线虫病害的疫木，2表示枯死木。

3.根据权利要求2所述的基于无人机遥感图像的松材线虫病害立木检测方法，其特征在于，所述融合模型为XGBoost树模型，其输入为基于随机森林的病害树木分类模型输出的第一类分类结果，基于DeepLabv3+的病害树木语义分割模型输出的第二类分类结果，和基于PSPNet的病害树木语义分割模型输出的第三类分类结果，输出为数字正射影像的每个像元的最终分类结果，取值为0、1和2；0表示无松材线虫病害的健康木，1表示有松材线虫病害的疫木，2表示枯死木。

4.根据权利要求3所述的基于无人机遥感图像的松材线虫病害立木检测方法，其特征在于，所述方法还包括：

获取多张无人机数字正射样本影像，样本影像上的树冠区域标注分类结果：健康木、疫木或枯死木；

对每张无人机数字正射样本影像进行多尺度树冠划定和树种分类处理，得到对应的针叶类型树冠的掩膜样本影像；

将多张针叶类型树冠的掩膜样本影像组成训练数据集；

利用训练数据集对基于随机森林的病害树木分类模型进行模型训练；

利用训练数据集对基于DeepLabv3+的病害树木语义分割模型进行模型训练；

利用训练数据集对基于PSPNet的病害树木语义分割模型进行模型训练。

5.根据权利要求4所述的基于无人机遥感图像的松材线虫病害立木检测方法，其特征在于，所述融合模型采用XGBoost树模型，所述融合模型的训练步骤包括：

将训练完成的基于随机森林的病害树木分类模型、基于DeepLabv3+的病害树木语义分割模型和基于PSPNet的病害树木语义分割模型作为三个基学习器，将XGBoost树模型作为元学习器；将三个基学习器的输出作为元学习器的输入；

利用训练数据集对三个基学习器和元学习器进行训练，训练过程中，基学习器的模型参数保持不变，只调整元学习器的模型参数。

6.根据权利要求3所述的基于无人机遥感图像的松材线虫病害立木检测方法，其特征在于，所述方法还包括：

从数字正射影像中提取出每个树冠区域，若一个树冠区域内的像元的分类结果为0的个数占到整个区域的像元总数的90％以上，则判断该树冠为健康树冠，若一个树冠区域内的像元的分类结果为1的个数占到整个区域的像元总数的90％以上，则判断该树冠为疫木树冠；

获取每个健康树冠的六个特征因子值，包括：树冠面积S、单株平均归一化植被指数NDVI、疫木滞积数量D、湿度H、温度T和防治措施P；

利用预先得到的朴素贝叶斯算法的不同特征的条件概率参数，计算每个健康树冠的感染概率；

判断感染概率是否大于概率阈值，若为是，则判断存在感染分险，否则，不存在感染分险，由此得到数字正射影像中每棵健康木被松材线虫感染的预测结果。