(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211129005.5 (22)申请日 2022.09.16 (71)申请人 航天宏图信息技 术股份有限公司 地址 100094 北京市海淀区翠湖北环路2号 院4号楼 (72)发明人 陈法融　余永安　胡辉　周君亚　 王宇翔　陈强　房松松　 (74)专利代理 机构 北京超凡宏宇专利代理事务 所(特殊普通 合伙) 11463 专利代理师 安卫静 (51)Int.Cl. G06V 20/17(2022.01) G06N 3/04(2006.01) G06V 10/26(2022.01) G06V 10/56(2022.01)G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06V 20/10(2022.01) G06V 20/70(2022.01) (54)发明名称 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 (57)摘要 本申请提供了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， 涉及遥感影像处 理技术领域， 包括： 获取无人机的地面多光谱影 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。 本申请提高了松材线虫病害立木的检测精度。 权利要求书2页 说明书9页 附图3页 CN 115311588 A 2022.11.08 CN 115311588 A 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De epLabv3+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P SPNet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XGBo ost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DeepL abv3+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树模型作为权　利　要　求　书 1/2 页 2 CN 115311588 A 2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。 7.根据权利要求6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， 从数字正 射影像中提取 出每个树冠区域； 包括： 利用PIE‑SIAS软件对数字正射影像进行处理， 得到数字正射影像中每个树冠区域； PIE‑SIAS软件中设置的参数为： 步长为0.1； 分割尺度是28， 形状因子为0.6， 紧致度为0.5 。 8.一种基于无 人机遥感图像的松材线虫病害立木检测装置， 其特 征在于， 包括： 获取单元， 用于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； 第一分类单元， 用于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； 第二分类单元， 用于利用预先训练完成的基于DeepL abv3+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； 第三分类单元， 用于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； 融合单元， 用于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。 9.一种电子设备， 其特征在于， 包括： 存储器、 处理器和存储在所述存储器上并可在所 述处理器上运行 的计算机程序， 所述处理器执行所述计算机程序时实现如权利要求1 ‑7任 一项所述的基于无 人机遥感图像的松材线虫病害立木检测方法。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储有计算机指 令， 所述计算机指令被处理器执行时实现如权利要求1 ‑7任一项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。权　利　要　求　书 2/2 页 3 CN 115311588 A 3