基于Mask R-CNN的平原造林地区单木树冠分割.pdf
《基于Mask R-CNN的平原造林地区单木树冠分割.pdf》由会员分享,可在线阅读,更多相关《基于Mask R-CNN的平原造林地区单木树冠分割.pdf(6页珍藏版)》请在咨信网上搜索。
1、FORESTRESOURCESMANAGEMENTNo.3第3期June20232023年6 月林业资源管理基于MaskR-CNN的平原造林地区单木树冠分割邢元军,温坤剑,郭晓妮,宋亚斌,胡中岳,江腾宇,贺紫荆(国家林业和草原局中南调查规划院,长沙410 0 0 0)摘要:利用无人机可见光影像,探索自动提取平原造林地区林木空间分布和数量的方法。以河北省张家口市怀来县造林斑块为研究对象,构建单木树冠数据集,选用不同卷积层的MaskR-CNN模型(R50-FPN-1x、R50-FPN-3x、R101-FPN-3x)进行训练和预测,比较各模型在独立测试集的精度。结果表明:各模型均可对造林地区的单木树
2、冠进行分割,其中R101-FPN-3x模型精度最高,为7 5.33%,召回率为7 3.2 3%;基于MaskR-CNN的无人机影像单木分割方法能够快速、精准地自动检测造林地区单木目标,有效地分割单木树冠绘制树冠轮廓,提高中小范围平原造林区域单木调查监测的效率。关键词:无人机;单木树冠分割;MaskR-CNN;造林成效评价中图分类号:S771.8;T P7 51文献标识码:A文章编号:10 0 2-6 6 2 2(2 0 2 3)0 3-0 1150 6D0I:10.13466/ki.lyzygl.2023.03.015Single-Tree Crown Delineation in Plain
3、 AfforestationAreas Based on Mask R-CNNXING Yuanjun,WEN Kunjian,GUO Xiaoni,SONG Yabin,HU Zhongyue,JIANG Tengyu,HE Zijing(Central South Academy of Inventory and Planning of National Forestry and Grassland Administration,Changsha 410000,China)Abstract:This paper aims to investigate an automated approa
4、ch for extracting spatial distribution andquantities of planted trees in plain areas by using of visible light imagery obtained from unmanned aerialvehicles.Specifically,the study focuses on analyzing afforestation patches located in Huailai,Zhangjiakou,Hebei Province.To achieve this,a manually cons
5、tructed single-tree crown dataset was utilized to train andpredict Mask R-CNN models with varying backbone networks(R50-FPN-1x,R50-FPN-3x,R101-FPN-3x),and their accuracies were compared on an independent test set.Results indicate that all backbonemodels were able to segment tree crowns in the affore
6、sted areas,with the R101-FPN-3x model achievingthe highest accuracy of 75.33%and a recall rate of 73.23%.The results showed that the single treesegmentation method based on Mask R-CNN from UAV images could quickly and accurately detect singletree targets in afforestation areas automatically,and effe
7、ctively segment single tree crown to map the crowncontour,which could meet the needs of efficient investigation and monitoring in small and medium-sizedplain afforestation areas.Key words:UAV;Single-Tree Crown Segmentation;Mask R-CNN;afforestation evaluation收稿日期:2 0 2 3-0 4-19;修回日期:2 0 2 3-0 5-17作者简
8、介:邢元军(19 8 2),男,山东文登人,高级工程师,主要研究方向:森林资源调查监测研究。Email:116第3期林业资源管理科学绿化是遵循自然规律和经济规律,保护修复自然生态系统和建设绿水青山的内在要求,是改善生态环境、应对气候变化、维护生态安全的重要举措,对建设生态文明和美丽中国具有重大意义)。随着国土绿化空间范围不断扩大,及时高效开展国土绿化综合核查,精确定量掌握营造林实际面积和质量,是森林经营管理高效化、推动森林高质量可持续发展的重要措施 2 目前我国已有较为完善的营造林核查技术标准体系 3,该体系主要是调查县级造林地块的核实面积、合格面积以及成效面积,核查造林的核实率、合格率、成效
9、率等指标。当前,对造林地块的调查,主要采用抽样调查法,以造林地块内样行或标准地为基本单位,统计单位造林株数以及成活或保存株数,推算造林存活率和保存率 4-5。该方法在选取基本单位时主观性较强,且需花费大量人力和时间成本,因此总体效率有待提高 6 。无人机遥感技术具有操作简便、机动灵活、可以搭载多种载荷等优势,利用无人机遥感技术提取冠层、获取单木冠层结构及理化参数已成为林草资源监测的重要技术手段 7-8 。与传统有人机航测方法相比,无人机遥感技术能及时提供可靠的高分辨率影像,可以满足我国森林、草原、湿地资源调查对高时空分辨率的需求,且减少了一定的人工和时间成本,已在林业和草原行业得到广泛应用(9
10、-12)。传统的树冠检测或分割算法主要利用边缘检测、区域生长和分水岭等计算机视觉算法,在数字地表模型和冠层高度模型上对树冠进行识别,该方法易受树冠下其他分层植被的影响,导致树冠检测或分割精度不高。近年来,随着深度学习方法的发展,结合卷积神经网络和可见光影像,检测树木并分割树冠边界,已逐步被用在林业遥感影像智能化处理领域或 13-14。其中,Mask R-CNN算法是一种实例分割算法,具有自动提取高级特征的能力,在各类森林中表现出了较好的树冠识别效果,能提供更准确的单木冠层面积和侧向生长信息,同时避免来自相邻树木的干扰以及背景噪声的影响 15-1。O本研究基于无人机可见光影像和MaskR-CNN
11、实例分割算法,探究平原造林地区无人机可见光影像单木树冠分割的可行性,比较不同卷积层的模型在独立测试集上的精度,分析该方法在林业应用的可能性,旨在为造林区域核查提供参考。1研究区概况与数据来源1.1研究区概况研究区位于河北省张家口市怀来县马营屯村(40.392N,115.464E),造林地面积59.2 6 53hm,种植树种为文冠果(Xanthoceras sorbifolia Bunge),种植时间为2 0 19 年春季,株行距约为2 m2m,林木行向东西排布,冠幅大小不一,地表部分存在杂草干扰。1.2无人机数据来源与处理本研究使用的图像由大疆Mavic2Pro搭载的HasselbladL1D
12、-20cRGB可见光相机于2 0 2 0 年6 月6号拍摄,单次拍摄图像大小为547 2 36 48,拍摄海拔6 30 m,共拍摄2 8 0 张照片。采用无人机数据处理软件Pix4dmapper,通过结构重建生成拍摄范围内的点云数据,然后再生成数字正射影像图1(a),分辨率为2.9 5 cm。为训练和验证单木分割方法,将研究区正射影像中的所有单木进行树冠边缘手工标注,未标注标本如图1(b)所示,标注后样本如图1(c)所示,完成树冠绘制共计11331个。然后将正射可见光影像按照512 512 的大小,切割成重复率为0.2 5的掩膜切片,共计9 19 6 个。在各个掩膜切片中,对树冠区域与非树冠区
13、域用二进制数据进行划分。其中,90%的切片用于训练集和验证集的构建,10%的切片用于测试。为反映该模型在未知区域的检测效果,测试切片单独设立,不与训练集和验证集的切片有任何重叠。2研究方法2.1模型架构与参数设置在计算机视觉领域中,实例分割包括物体检测和语义分割,通过在图像中找出既定物体的边界,再对每个物体提供唯一的掩膜加以标记。首先,进行物体检测,识别图像中所有物体的位置和大小;然后,进行语义分割,将图像分割成若干个区域,每个区域表示单独物体或物体的一部分,并为其分配一个语义标签。117邢元军等:基于MaskR-CNN的平原造林地区单木树冠分割第3 期1152740E1152745E1152
14、750E1152755E11528E115285E1152810E(b)未标注样本00.204km11527/40E1152745E1152750E11527/55E11528E115285E1152810E(a)数字正射影像(c)手工标注样本图1研究区概况示意图以及手工树冠标注Fig.1 Location of the study area and manual tree crown annotationMaskR-CNN是一种实例分割算法,是FasterR-CNN的改进版本 18 。它在 Faster R-CNN 的基础上增加一个分割分支,用于分割FasterR-CNN检测出的单个物体边框
15、内的实例,在完成物体检测的同时也完成了实例分割任务,能快速、准确地识别图像中的物体。MaskR-CNN的主要结构包括3个部分:共享的卷积层(Backbone)、区域提取层(RegionProposalNetwork,RPN)和实例分割层(Mask Head)。共享的卷积层用于提取特征,区域提取层用于生成物体检测框,并对每个检测框进行分类;实例分割层用于生成每个物体实例的二进制掩膜。本研究选用残差网络(ResNet)作为网络主干部分,其由一个若干层深度ResNet模块和一个特征金字塔(FeaturePyramidNetwork,FPN)模块组成,与传统神经网络相比,它能更有效地抑制随层数不断增加
16、而造成的网络梯度爆炸现象2.2模型训练模型训练环境为Windows10操作系统,图形处理器(GPU)为NvidiaRTX1660S,显存为6 CB。在Detectron2库上搭建已在COCO(Common Objects inContext)数据集上训练过的实例分割MaskR-CNN模型,并对其进行微调。训练过程中,通过加载特定的模型结构和微软COCO图像数据集的预训练权重,可以将大数据集训练过的模型迁移用于树冠分割。在模型框架上使用ResNet+FPN作为主框架,该框架通过使用标准卷积层和全连接层进行掩膜和边界框预测。在现有研究中,这些模型保持了最佳的速度和准确度。具体使用的模型包括ResN
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于Mask R-CNN的平原造林地区单木树冠分割 基于 Mask CNN 平原 造林 地区 树冠 分割
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。