亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于實(shí)例分割的高郁閉度林分單木樹(shù)冠無(wú)人機(jī)遙感提取

        2022-10-12 06:50:24謝運(yùn)鴻荊雪慧丁志丹李豪偉孫玉軍
        林業(yè)科學(xué)研究 2022年5期
        關(guān)鍵詞:單木郁閉度冠幅

        謝運(yùn)鴻,荊雪慧,孫 釗,丁志丹,李 睿,李豪偉,孫玉軍

        (北京林業(yè)大學(xué)森林資源和環(huán)境管理國(guó)家林業(yè)和草原局重點(diǎn)開(kāi)放性實(shí)驗(yàn)室,北京 100083)

        樹(shù)冠是森林資源調(diào)查與監(jiān)測(cè)中重要的樹(shù)木測(cè)量指標(biāo)之一[1],基于實(shí)地調(diào)查的樹(shù)冠測(cè)量雖然能夠提供可靠的相關(guān)信息[2-3],但耗時(shí)耗力。因此,迫切需要一種快速、準(zhǔn)確地檢測(cè)樹(shù)冠的新思路。遙感技術(shù)在森林調(diào)查中的應(yīng)用提供了有效準(zhǔn)確的樹(shù)木測(cè)量,例如,無(wú)人機(jī)可以在高空間分辨率下探測(cè)到詳細(xì)的森林信息[4]。史結(jié)清等[5]指出,無(wú)人機(jī)遙感在高郁閉度或植被茂密的林分無(wú)法被充分利用,只能通過(guò)人工判讀獲取目標(biāo)林分的郁閉度,但因?yàn)楦哂糸]度林分中樹(shù)冠特征復(fù)雜,人工判讀也會(huì)存在一定的偏差。包括局部最大/最小檢測(cè)[6]、邊緣檢測(cè)[7]、分水嶺[8]、區(qū)域生長(zhǎng)[9]和模板匹配[10]等傳統(tǒng)分割方法,無(wú)法充分挖掘或提取無(wú)人機(jī)圖像中的所有可用信息,利用新的方法快速、準(zhǔn)確、自動(dòng)測(cè)量和監(jiān)測(cè)森林屬性越來(lái)越引起人們的興趣。實(shí)例分割[11]是基于圖像深度學(xué)習(xí)的一種技術(shù),它不再依賴(lài)于一致的光譜特征或基于規(guī)則的算法,并已被證明能夠超越經(jīng)典的遙感技術(shù)。在林業(yè)方面,深度學(xué)習(xí)已成功應(yīng)用于單木檢測(cè)[9]、植物病害和健康檢測(cè)[12]、森林樹(shù)種制圖[13]等等。Mask R-CNN作為基于掩碼區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)[14],是近年來(lái)前沿的模型,它集成了目標(biāo)檢測(cè)任務(wù)和語(yǔ)義分割任務(wù)來(lái)執(zhí)行實(shí)例分割。本研究試驗(yàn)了基于無(wú)人機(jī)RGB影像和Mask R-CNN實(shí)例分割的一種適合高郁閉度人工純林單木樹(shù)冠提取的模型,比較低郁閉度與高郁閉度林分的樹(shù)冠提取效果,為高郁閉度單木樹(shù)冠提取提供新思路。

        1 研究區(qū)概況與數(shù)據(jù)來(lái)源

        本研究共選擇了2個(gè)研究區(qū),高郁閉度林分的影像采集點(diǎn)位于福建省三明市將樂(lè)縣國(guó)有林場(chǎng)(26°41′ N,117°27′ E),低郁閉度林分的影像取自于江西省贛州市大余縣集體林區(qū)(25°21′ N,114°19′ E)。2個(gè)研究區(qū)均為杉木純林,其中于福建獲取影像總面積13.7 hm2,2021年7月使用大疆悟2無(wú)人機(jī)拍攝,影像地面采樣距離(GSD)為4 cm;于江西獲取影像總面積為27.8 hm2,2018年8月使用大疆精靈4Pro無(wú)人機(jī)拍攝,GSD為4 cm。影像均采用瑞士Pix4d公司的無(wú)人機(jī)數(shù)據(jù)處理軟件Pix4dmapper進(jìn)行圖像處理,合成的數(shù)字正射影像如圖1所示。各選取94份512 ×512像素的影像,分別包含3769、5170個(gè)樹(shù)冠,利用VIA軟件手動(dòng)勾繪單木樹(shù)冠邊緣以完成樹(shù)冠標(biāo)注,輸出的標(biāo)注和影像作為模型的樣本,分為訓(xùn)練集40張,驗(yàn)證集24張,測(cè)試集30張,示例樣本見(jiàn)圖1(d ~ g),數(shù)據(jù)集各參數(shù)統(tǒng)計(jì)見(jiàn)表1。

        圖1 研究區(qū)概況示意圖(b和c分別為高郁閉度林分和低郁閉度林分無(wú)人機(jī)影像)Fig. 1 Survey map of the study area(b and c are UAV images of high canopy density forest and low canopy density forest, respectively)

        表1 數(shù)據(jù)集參數(shù)統(tǒng)計(jì)Table 1 Parameters statistics of dataset

        2 研究方法

        2.1 實(shí)例分割模型:Mask R-CNN

        Mask R-CNN作為Faster R-CNN[15]的擴(kuò)展模型,以Faster R-CNN為基礎(chǔ)在目標(biāo)檢測(cè)末端框架中加入1個(gè)掩膜分支,借助全連接層(FC)使得每個(gè)輸出建議框?qū)崿F(xiàn)實(shí)例分割。Mask R-CNN的架構(gòu)分為3個(gè)階段,第一階段通過(guò)主干網(wǎng)絡(luò)從輸入圖像中提取特征圖,分別選取7種主干網(wǎng)絡(luò),如表2所示,第二階段將特征圖傳輸給區(qū)域建議網(wǎng)絡(luò)(RPN)生成興趣區(qū)域(RoIs),最后階段由RPN生成的ROIs映射至共享特征圖中提取相應(yīng)的目標(biāo)特征,經(jīng)過(guò)興趣區(qū)域?qū)R層(ROIAlign)對(duì)齊,然后分別輸出到FC和全卷積網(wǎng)絡(luò)(FCN)中進(jìn)行目標(biāo)分類(lèi)和實(shí)例分割,在此過(guò)程中生成了分類(lèi)置信度、邊界框和分割實(shí)例之間的掩膜。

        表2 模型主干Table 2 Backbone of model

        2.2 模型訓(xùn)練

        模型訓(xùn)練環(huán)境為Windows 10操作系統(tǒng),顯示核心(GPU)為NAVIDIA RTX2070,顯存為8 GB,中央處理器(CPU)為英特爾i7-9750,內(nèi)存為32 GB,基于Python3.6編程平臺(tái),利用Pytorch搭建實(shí)例分割Mask R-CNN各個(gè)模型。各模型參數(shù)設(shè)置基本一致,學(xué)習(xí)率設(shè)置為0.00025,各部分損失權(quán)重初始值設(shè)為1,權(quán)重衰減系數(shù)設(shè)為0.0001,批量為1,置信度閾值設(shè)為0.7。模型輸出結(jié)果包括每張圖像中每個(gè)實(shí)例的類(lèi)別預(yù)測(cè)、邊界框預(yù)測(cè)、置信度以及掩膜預(yù)測(cè),模型的訓(xùn)練損失主要包括2個(gè)部分:RPN的訓(xùn)練損失和多分支預(yù)測(cè)網(wǎng)絡(luò)中的訓(xùn)練損失,訓(xùn)練過(guò)程中損失值穩(wěn)定后代表訓(xùn)練完成,所有模型迭代4000次后總損失值均達(dá)到穩(wěn)定狀態(tài)。

        2.3 林分參數(shù)提取與精度評(píng)價(jià)

        訓(xùn)練完成后,每個(gè)模型對(duì)應(yīng)1個(gè)權(quán)重文件,將預(yù)測(cè)圖像和權(quán)重文件輸入至模型中,實(shí)例分割結(jié)果經(jīng)過(guò)OpenCV工具包的轉(zhuǎn)換,在圖像中每個(gè)實(shí)例繪畫(huà)掩膜、邊界框和標(biāo)注類(lèi)別,因?yàn)楸驹囼?yàn)實(shí)例只含單個(gè)類(lèi)別而且圖像大小較小,在結(jié)果后處理過(guò)程中將不標(biāo)注類(lèi)別。實(shí)例分割結(jié)果中的掩膜和邊界框是以數(shù)組的形式展現(xiàn)的,掩膜數(shù)組包含所有實(shí)例邊緣像素的圖像空間坐標(biāo),邊界框數(shù)組涵蓋4個(gè)角點(diǎn)的圖像空間坐標(biāo),由此可進(jìn)行林分參數(shù)提取。假設(shè)模型對(duì)一張影像(默認(rèn)xy像元一致,影像寬高為w和h) 預(yù)測(cè)出n株 樹(shù),影像的地面采樣距離為gsd,第i(i≦n) 株單木的樹(shù)冠預(yù)測(cè)邊界框Bi=(y1,y2,y3,y4), 類(lèi)別為Ci(Ci值為0或1,0代表背景,1代表杉木),掩膜為Mi(Mi內(nèi)元素個(gè)數(shù)等于影像的高與寬的乘積,內(nèi)部元素值為0或1,0元素代表背景像素,1元素代表樹(shù)冠像素),整張圖像的預(yù)測(cè)結(jié)果S=((B1,C1,M1),…,(Bi,Ci,Mi),…,(Bn,Cn,Mn))。 則該影像中單木株樹(shù)N=n, 第i株單木東西冠幅EWi=∣y3-y1∣×gsd2, 第i株 單木南北冠幅SNi=∣y4-y2∣×gsd2,第i株 單木樹(shù)冠面積Gi=sum(Mi)×gsd2( s um為元素求和函數(shù)),整張影像的林分郁閉度。采用交并比(IoU)、邊界框平均精度(Box-AP)和分割平均精度(Segm-AP)對(duì)樹(shù)冠實(shí)例分割結(jié)果進(jìn)行評(píng)價(jià),采用均方根誤差和預(yù)測(cè)決定系數(shù)進(jìn)行單木參數(shù)和林分參數(shù)提取的評(píng)估。

        3 結(jié)果

        3.1 樹(shù)冠實(shí)例分割結(jié)果

        7個(gè)模型的實(shí)例分割結(jié)果如圖2所示,c ~i為低郁閉度林分可視化結(jié)果,影像中林分稀疏,單木樹(shù)冠之間邊緣可明顯區(qū)分;l ~ r為高郁閉度林分可視化結(jié)果,由于林分密集,樹(shù)冠與樹(shù)冠之間重疊比例比低郁閉度林分高,相鄰樹(shù)冠之間較難區(qū)分邊緣,而且樹(shù)冠邊緣復(fù)雜,對(duì)樹(shù)冠分割是一項(xiàng)挑戰(zhàn)。各個(gè)模型均能夠分割相鄰樹(shù)冠,得到較為清晰的樹(shù)冠邊緣。對(duì)7個(gè)模型進(jìn)行精度評(píng)價(jià),不同郁閉度各模型的Box-AP和Segm-AP值如圖3所示,低郁閉度測(cè)試集的Box-AP和Segm-AP平均值分別為55.89%、57.29%,比高郁閉度測(cè)試集的Box-AP平均值(46.00%)和Segm-AP平均值(44.45%)高出9.89%、12.84%。低郁閉度測(cè)試集中,分割性能最優(yōu)的模型為R50-DC5,Box-AP和Segm-AP值分別為57.63%、58.83%;高郁閉度測(cè)試集中,各模型AP值差異不明顯,分割性能最優(yōu)的模型為R101-DC5,Box-AP和Segm-AP值分別為47.93%、47.22%。

        圖2 低/高郁閉度林分影像分割結(jié)果可視化(c ~ i, l ~ r分別為R50-C4、R50-DC5、R50-FPN、R101-C4、R101-DC5、R101-FPN和X101-FPN實(shí)例分割結(jié)果)Fig. 2 Visual segmentation results of low/high canopy density forest images(c ~ i, l ~ r are R50-C4, R50-DC5,R50-FPN, R101-C4, R101-DC5, R101-FPN and X101-FPN instance segmentation results)

        圖3 AP圖Fig. 3 AP figure

        3.2 單木參數(shù)提取

        分別在7個(gè)模型測(cè)試集中抽取300個(gè)IoU≥0.5樹(shù)冠,進(jìn)行精度評(píng)價(jià)(見(jiàn)表3)。低郁閉度林分東西冠幅、南北冠幅和樹(shù)冠面積參數(shù)提取平均RMSE分別為0.161、0.179和0.341,平均R2分別為0.912、0.918和0.957,東西冠幅、南北冠幅和樹(shù)冠面積參數(shù)提取最優(yōu)模型分別為R101-FPN、R101-C4和R101-C4。ResNet101在樹(shù)冠提取性能優(yōu)于ResNet50,更深層次的殘差網(wǎng)絡(luò)對(duì)特征的準(zhǔn)確提取有著一定的優(yōu)勢(shì),但是在低郁閉度林分中優(yōu)勢(shì)不明顯。高郁閉度林分東西冠幅、南北冠幅和樹(shù)冠面積參數(shù)提取平均RMSE分別為0.479、0.497和1.256,平均R2分別為0.806、0.762和0.936。隨著林分郁閉度的增加,影像中單木特征逐漸復(fù)雜,參數(shù)提取偏差變大,但是低/高郁閉度林分單木樹(shù)冠面積提取的R2僅相差0.021,說(shuō)明實(shí)例分割模型在高郁閉度林分仍能夠做到較準(zhǔn)確提取樹(shù)冠參數(shù)。高郁閉度林分中各參數(shù)提取最佳模型均為R101-FPN,RMSE分別為0.369、0.395和1.079,R2分別為0.886、0.861和0.948,R101-FPN更適應(yīng)于高郁閉度林樹(shù)冠參數(shù)的提取。

        表3 單木樹(shù)冠冠幅和面積提取評(píng)價(jià)Table 3 Evaluation table of crown width and area extraction of single tree

        3.3 林分參數(shù)提取

        各實(shí)例分割模型低、高郁閉度測(cè)試集的林分單木株數(shù)提取結(jié)果如圖4所示,縱坐標(biāo)為單木株數(shù),折線(xiàn)的每個(gè)折點(diǎn)代表不同單木株數(shù)的等面積樣地。低郁閉度林分影像中各模型單木株數(shù)提取偏差均比高郁閉度低,且隨著林分單木株數(shù)的增加偏差也不會(huì)呈明顯的增加的趨勢(shì),反觀(guān)高郁閉度林分單木株數(shù)提取結(jié)果,隨著林分單木株數(shù)的增加偏差呈一定的增加趨勢(shì),代表株數(shù)密度越大,提取性能呈下降趨勢(shì)。R101-FPN模型在高郁閉度測(cè)試集的表現(xiàn)最好,根據(jù)圖4(m)中隨著樣地內(nèi)單木株數(shù)越來(lái)越多,參考株數(shù)與預(yù)測(cè)株數(shù)的偏差沒(méi)有呈現(xiàn)越來(lái)越大的趨勢(shì),因此該模型對(duì)各株數(shù)密度的林分的提取有著一定的穩(wěn)定性。如圖5所示,在對(duì)測(cè)試集的林分郁閉度預(yù)測(cè)中,低、高郁閉度林分郁閉度預(yù)測(cè)性能最優(yōu)的模型均為R101-FPN,R2分別為0.873、0.865。綜上所述,在7個(gè)實(shí)例分割模型中,各郁閉度的林分參數(shù)提取綜合性能最優(yōu)的為R101-FPN模型。

        圖4 低/高郁閉度林分單木株數(shù)預(yù)測(cè)散點(diǎn)圖(a~g, h~n分別為低/高郁閉度散點(diǎn)圖)Fig. 4 Scatter plots of single tree number prediction in low/ high canopy density forest(a~g, h~n are low/high canopy density scatterplots, respectively)

        圖5 低/高郁閉度林分郁閉度預(yù)測(cè)散點(diǎn)圖(a~g, h~n分別為低/高郁閉度散點(diǎn)圖)Fig. 5 Scatter plots of canopy density number prediction in low/high canopy density forest(a~g, h~n are low/high canopy density scatterplots, respectively)

        4 討論

        依托7個(gè)Mask R-CNN實(shí)例分割模型,利用無(wú)人機(jī)遙感影像,展示了一種自動(dòng)化、準(zhǔn)確、計(jì)算高效的提取杉木純林單木樹(shù)冠的方法。與馮靜靜等[16]對(duì)組成結(jié)構(gòu)簡(jiǎn)單且分辨率為0.2 m的青海云杉成熟純林進(jìn)行灰度梯度圖像分割方法的樹(shù)冠提取相比,本研究的高郁閉度復(fù)雜特征林分單木樹(shù)冠面積預(yù)測(cè)(以R101-FPN為例)R2與簡(jiǎn)單特征青海云杉成熟純林灰度梯度圖像分割方法相當(dāng),均為0.95,本研究的實(shí)例分割模型可以實(shí)行批量分割,容錯(cuò)率更高,更輕易獲得每個(gè)單木樹(shù)冠的冠幅、面積和林分的郁閉度參數(shù)。面對(duì)無(wú)人機(jī)影像中樹(shù)冠之間相互粘連的情況,傳統(tǒng)數(shù)字圖像處理的樹(shù)冠提取方法的圖像分割參數(shù)需要多次試驗(yàn)后手動(dòng)設(shè)定,且較難做到精準(zhǔn)提取單木和應(yīng)用于不同的場(chǎng)景。例如李明華等[17]對(duì)水杉人工林影像(分辨率為0.3 m)進(jìn)行分水嶺分割,樹(shù)冠面積預(yù)測(cè)R2高于0.9的區(qū)域只存在單木分布均一、樹(shù)冠之間有明顯間隙、樹(shù)木冠幅和長(zhǎng)勢(shì)基本一致的林分。面對(duì)高郁閉度林分樹(shù)冠的提取,實(shí)例分割模型做到了一定精度的單木樹(shù)冠提取。影響實(shí)例分割模型提取樹(shù)冠精度的因素除了林分條件外,還有影像分辨率,在林分稀疏且結(jié)構(gòu)組成簡(jiǎn)單、分辨率為亞米級(jí)的影像,各種分割方法[8,18-19]能夠做到單木計(jì)數(shù)和粗略的樹(shù)冠邊緣描繪,適用于不要求高精度的大范圍林分樹(shù)冠信息獲取。但是要求在林分樹(shù)冠特征復(fù)雜的動(dòng)態(tài)變化監(jiān)測(cè)[20]、樹(shù)冠形態(tài)檢測(cè)、建立以樹(shù)冠參數(shù)為基礎(chǔ)的林分模型等高精度研究試驗(yàn)中,性?xún)r(jià)比高且便捷的無(wú)人機(jī)則更適合,其分辨率為厘米級(jí)的影像與合適的方法能更精準(zhǔn)地描繪樹(shù)冠的邊緣,更準(zhǔn)確地進(jìn)行單木計(jì)數(shù)。無(wú)人機(jī)厘米級(jí)影像可以依靠神經(jīng)網(wǎng)絡(luò)提取更多的樹(shù)冠特征以及更多的樹(shù)冠邊緣信息,神經(jīng)網(wǎng)絡(luò)相比其他傳統(tǒng)圖像處理方法,能提取到更多特征信息從而做到精準(zhǔn)單木樹(shù)冠提取。本研究中也有不少模型對(duì)高郁閉度林分存在漏分割的現(xiàn)象,所以在后續(xù)工作中,將無(wú)人機(jī)航拍影像生成的數(shù)字表面模型與數(shù)字高程模型運(yùn)算而得的冠層高度模型加入實(shí)例分割的運(yùn)算中,冠層高度模型蘊(yùn)含豐富的樹(shù)冠3D信息,與之前的RGB影像2D信息結(jié)合或許將得到更高的單木樹(shù)冠提取精度。

        5 結(jié)論

        本研究試驗(yàn)了基于實(shí)例分割模型進(jìn)行從低到高郁閉度的杉木純林單木樹(shù)冠提取的方法,實(shí)現(xiàn)了高精度、自動(dòng)化樹(shù)冠提取。主要結(jié)論:1)7個(gè)實(shí)例分割對(duì)單木樹(shù)冠的提取精度能夠達(dá)到林業(yè)生產(chǎn)實(shí)踐的需求,所有模型對(duì)低郁閉度測(cè)試集的Box-AP和Segm-AP平均值分別為55.89%、57.29%,對(duì)高郁閉度測(cè)試集的Box-AP和Segm-AP平均值分別為46.00%、44.45%;2)低郁閉度林分東西冠幅、南北冠幅和樹(shù)冠面積參數(shù)提取平均RMSE分別為0.161、0.179和0.341,平均R2分別為0.912、0.918和0.957,高郁閉度林分東西冠幅、南北冠幅和樹(shù)冠面積參數(shù)提取平均RMSE分別為0.479、0.497和1.256,平均預(yù)測(cè)R2分別為0.806、0.762和0.936;3)R101-FPN模型在高郁閉度測(cè)試集的表現(xiàn)最好,對(duì)各株數(shù)密度的林分的提取有著一定的穩(wěn)定性;4)低郁閉度林分郁閉度預(yù)測(cè)性能最好的模型為R101-FPN,預(yù)測(cè)R2可達(dá)0.873,高郁閉度林分郁閉度預(yù)測(cè)性能最好的為R101-FPN模型,預(yù)測(cè)R2可達(dá)0.865;5)綜合各評(píng)價(jià)指標(biāo),R101-FPN模型具有樹(shù)冠提取精度高的特點(diǎn)。

        猜你喜歡
        單木郁閉度冠幅
        無(wú)人機(jī)遙感影像提取的單木冠幅數(shù)據(jù)在桉樹(shù)林分蓄積量估測(cè)中的應(yīng)用1)
        地基與無(wú)人機(jī)激光雷達(dá)結(jié)合提取單木參數(shù)
        城市綠地微環(huán)境對(duì)土壤動(dòng)物群落多樣性的影響
        融合LiDAR點(diǎn)云與高分影像的單木檢測(cè)方法研究
        施肥對(duì)三江平原丘陵區(qū)長(zhǎng)白落葉松人工林中齡林單木樹(shù)冠圓滿(mǎn)度影響
        不同郁閉度馬尾松林下種植射干的生長(zhǎng)效果分析
        無(wú)人機(jī)影像匹配點(diǎn)云單木識(shí)別算法
        遙感信息(2019年1期)2019-03-22 01:38:16
        郁閉度與七指毛桃生長(zhǎng)的相關(guān)性分析
        寬葉藍(lán)靛果葉片不同海拔和郁閉度的遺傳變異研究
        森林工程(2018年3期)2018-06-26 03:40:46
        基于雙尺度體元覆蓋密度的TLS點(diǎn)云數(shù)據(jù)單木識(shí)別算法
        森林工程(2018年5期)2018-05-14 13:54:30
        污污污污污污WWW网站免费| 日本人妻伦理在线播放| 欧美噜噜久久久xxx| 四虎影视4hu4虎成人| 最近日韩激情中文字幕| 亚洲人成在线播放a偷伦| 伊人久久亚洲精品中文字幕| 亚洲国产精品久久久久久无码| 精品少妇人妻av一区二区| 一区二区无码中出| 日韩少妇高潮在线视频| 性感女教师在线免费观看| 香港台湾经典三级a视频| 久久久久无码精品亚洲日韩| 无遮高潮国产免费观看韩国 | 色婷婷精品午夜在线播放| 免费在线观看一区二区| 国产精品三级在线不卡| 无遮挡1000部拍拍拍免费| 最新高清无码专区| 国产免费久久精品99re丫y| 久久精品国语对白黄色| 少妇性俱乐部纵欲狂欢少妇| 国产麻豆成人精品av| 久久精品—区二区三区无码伊人色| av免费在线观看网站大全| 亚洲精品久久久久一区二区| 台湾佬自拍偷区亚洲综合| 国产精品白浆视频一区| 女人天堂国产精品资源麻豆| 国产精品福利一区二区| 九九99无码精品视频在线观看| 欧美zozo另类人禽交| 亚洲成人一区二区三区不卡| 精品久久人妻av中文字幕| 奇米影视久久777中文字幕| 男人的天堂av一二三区| 神马影院日本一区二区| 天下第二社区在线视频| 国产成人啪精品午夜网站| 日本特殊按摩在线观看|