[发明专利]一种融合多源异构数据的松材线虫病受害木识别深度学习方法

说明书

本发明公开一种基于无人机高光谱和LiDAR的融合数据而提出的3D点云深度学习方法(BH3DNet)，适用于区域松材线虫病害的超高精度监测，属于深度学习和数据融合在林业应用技术领域。关键技术要点包括：1.使用特定方法将高光谱数据赋值到点云数据上来融合高光谱和点云数据；2.使用特定方法高斯噪声抖动扩增样本数据集；3.构建了一种基于点云的实例分割算法模型(BH3DNet)。本发明将基于无人机遥感数据监测病虫害发生区域做到了单木尺度，形成单木定位、单木边界分割和感病阶段识别一体化的监测技术体系，从而快速、自动完成受害木定位和感病阶段监测，为灾害的早期防控提供有力技术支撑。

一、技术领域

本发明涉及一种融合高光谱和点云数据监测松材线虫病害的方法，特别是提出了一种高光谱数据和点云数据的融合方法，构建了一种深度学习算法网络模型，用以实现单木尺度基于融合数据的松材线虫病(Pine wilt disease,PWD)受害木不同感病阶段判别，属于深度学习和数据融合在林业应用技术领域。

二、技术背景

松材线虫病是一种对我国林业造成严重危害和数以亿计经济损失的森林传染病,其主要通过寄主昆虫松墨天牛和人工疫木迁徙传播，具有破坏性强、传播速度快和防治难度大的特点。传统调查方法时效性差，效率低，需消耗大量人力物力；遥感技术因其覆盖范围大、效率高、成本低等优势被广泛应用于森林病虫害的监测中。现今主要的遥感技术包括航天遥感、航空遥感和地面遥感，其中卫星遥感的分辨率相对较低，而地基遥感成本过高，不适合大面积监测。

无人机作为一种新型遥感平台，通过搭载多种传感器，如高清相机，多光谱、高光谱传感器和LiDAR(Light Detection and Ranging)等，可以获取丰富的多源精细遥感数据，为监测不同感病阶段植株提供了新的手段，在林业病虫害监测应用中发挥关键的作用。与传统遥感手段相比，机载高光谱遥感具有波段窄、通道多、空间信息与光谱信息合二为一的特点，它利用窄而连续的光谱通道对地物成像，获取有利于地物精细识别和分类的特征，能大大提高对松材线虫感病时期的识别和分类精度；机载激光雷达受天气影响较小，穿透性强，可生成地物密集的三维点云数据，能够提取与冠层高度模型、森林垂直结构等相关的特征，被广泛应用于单木的分割和参数估算。但目前这两种数据联合应用的技术缺失，导致无人机PWD监测具有很大局限性，即无法将PWD监测做到单木尺度。

近几年，深度学习引起了国内外研究者极大的关注，基于卷积神经网络的算法凭其较高的鲁棒性和效率逐渐被应用在遥感领域，目前已有不少工作成功将卷积神经网络(Convolutional Neural Networks，CNN)用于病虫害监测领域中，且取得了不错的效果。然而，这些方法多集中在基于光学数据的颜色特征和纹理特征的分类算法，只能做到像素尺度的病害监测，无法直接完成单木级别的受害木识别，且得不到受害木树冠边界信息。LiDAR技术具有单木定位和分割的能力，但由于缺少光谱信息难以很好表达树木的生理特征变化，因而难以直接识别感病疫木，尤其是不同的感病阶段。目前，基于无人机航拍的高光谱和点云融合数据的深度学习应用算法较少，且未有全流程的数据处理分析方法，以及融合两种数据的松材线虫病单木尺度的监测技术。因此，构建一个单木定位、单木边界分割和感病阶段识别一体化的监测技术体系，从而直接完成受害木定位和感病阶段监测，能够为灾害的早期防控提供有力技术支撑。

综上，当前松材线虫受害木检测和受害程度监测算法面临的主要挑战是：

(1)基于高分光学图像的CNN(Convolutional Neural Network)分类方法识别受害木的精度不高且无法真正做到单木检测。

(2)基于LiDAR点云的分割方法可以实现单木定位和树冠分割但无法获得植株受害信息。

三、发明内容