(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 202210238878.3 (22)申请日 2022.03.11 (71)申请人 安徽大学 地址 230601 安徽省合肥市经济技 术开发 区九龙路1 11号 (72)发明人 王彪　杨辉　秦军　 (74)专利代理 机构 安徽顺超知识产权代理事务 所(特殊普通 合伙) 34120 专利代理师 陈波 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 10/10(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 基于深度学习模型的无人机遥感松材线虫 病害监测方法 (57)摘要 本发明属于无人机遥感数据处理技术领域， 具体涉及一种基于深度学习模型的无人机遥感 松材线虫病害 监测方法， 该方法包括： 步骤一、 无 人机遥感数据获取、 处理： 实地勘察了解作业区 域实际状况， 获取松材线虫病害监测所需数据； 步骤二、 松材线虫病害样本库的建立： 获取对应 松材线虫病害标签， 构建松材线虫病害样本库； 步骤三、 设计针对性的松材线虫病害深度学习监 测算法： 经过空间信息 保留模块提取目标空间细 节信息， 利用上下文信息模块扩 大感受野获取上 下文信息， 结合注意力优化模块对多层次特征进 行融合， 输出最终提取结果。 本发明在应用上取 得具有使用价值的无人机遥感松材线虫病害监 测技术， 推进松材线虫病害监测的应用与发展。 权利要求书3页 说明书9页 附图2页 CN 114595975 A 2022.06.07 CN 114595975 A 1.基于深度学习模型的无人机遥感松材线虫病害监测方法， 其特征在于， 包括如下步 骤： 步骤一、 无 人机遥感数据获取、 处 理 飞行作业前， 赴测区实地赴测区实地踏勘了解作业区域范围、 面积、 地势起伏状况地理 条件， 记录信息； 规划测区避免无效区域划入； 相机检校； 在林区内执行像控点布设工作， 要求分布均匀、 标记明显且不可移动， 布设比例按照 20‑30个/平方公里， 若林 冠覆盖比率较大， 数量酌情增 加； 抬起无人机离地1 ‑1.5m， 通过多光谱相机配置界面或使用地面站， 使多光谱相机对准 标准反射板区域并拍摄3 ‑5组照片， 同时为防止标准反射板图像区域过曝， 在标准反射板外 壳下铺设高反射的垫布， 或将标准反射板放置在水泥路、 白色油漆地 面高反射 地表处； 飞行采集多光谱影像数据， 检查数据质量， 要求像质良好， 影像无拖影、 无畸变； 数据信 息准确， 读取部分数据并通过读取检验； 数据量充足， 导入航空遥感图像拼接软件加载航 点， 数量与覆盖面积与测区相同即为质量 合格； 多光谱正射影像的生产， 包括： 相机内定向、 坐标系统选取、 辐射定标、 波段配准、 空中 三角测量、 数字高程模型及多光谱正 射影像生产； 步骤二、 松材线虫病害样本库的建立 根据松材线虫病 害染病后 树叶变黄的特点， 基于处理完成的无人机遥感影像利用目视 解译的方式获取松材线虫病害目标， 获取对应的松材线虫病害标签； 多尺度的分割有助于 提高样本数量与多样性， 防治模 型过拟合， 因此将影像与标签数据进 行多尺度的分割后， 合 并构建松材线虫病害样本库； 构建训练库； 步骤三、 设计 针对性的松材线虫病害深度学习监测算法 设计空间信息保留模块与上下文信息模块构建SCANet网络； 在下采样中， 原始影像进 入第一个卷积层后， 全卷积网络 分为两支： 一支 为空间信息保留模块， 用来 获取足够的空间 信息和图像的细节特征； 另一支为上下文信息模块， 包含4个下采样层和2个注意力优化模 块， 用来扩大感受野， 获取丰富的上下文信息； 注意力优化模块分别对后两个下采样层进 行 优化后与空间信息保留模块输出 的特征进行融合； 在上采样 中， 网络主要包括三个密集连 接块和三个上采样层； 连续的上采样操作能够放大特征图， 同时通过跳跃连接逐步恢复细 节特征， 产生与原 始影像相同分辨 率的特征图， 并利用softmax分类 器来输出 预测图。 2.根据权利要求1所述的基于深度学习模型的无人机遥感松材线虫病害监测方法， 其 特征在于： 步骤一中， 记录信息包含： 1)最大高差， 通过地图工具， 大致评估最大高差， 并在 实地踏勘时询问、 对比， 确定真实高差； 2)优选的起降点， 寻找测区范围内或邻近测区的起 飞点与转场点， 增加有效数据采集时间； 3)测区地物组成， 需保证测区森林覆盖率达到50％ 且郁闭度达0.7， 对于树木种植稀疏处需提前预留数据成果交互 时间； 对于面积不 足的区域 需合理规划航线， 以提高整体任务效率； 4)作业设备， 松材线 虫病变色立木空中遥感监测需 要无人机搭载多光谱相机/仪作为作业设备； 5)作业期应选择松林感染松材线虫病后变色 明显的症状显 现期， 重点是秋季枯死松 树高峰期； 6)定位控制点： 使用手持定位仪采集标定权　利　要　求　书 1/3 页 2 CN 114595975 A 24个以上定位控制点， 控制点的选取应包括作业区有明显地物特征的点位； 7)作业计划经主 管部门审核后， 向相关单位进行空域申请， 确保飞行作业期间的飞行安全。 3.根据权利要求2所述的基于深度学习模型的无人机遥感松材线虫病害监测方法， 其 特征在于： 步骤一中， 规则测区： 以矩形航线自动规划 航线； 不规则区域以自定义多边形航 线手动设置航点或通过直接导入测区矢量边界实现测区划分； 为保证一体化成图， 航高需 大于3倍最大高差， 若存在航高差距过大的区域， 应对该区域执行航摄 分区并单独执行航线 采集； 同时为保证飞行安全， 保证测区成图完整度， 需计算测区基准面高度并用于拼接过 程； 根据所要求航高， 基于飞行任务需求计算地面分辨率、 航高参数； 航速的设置需考虑无 人机性能、 载荷最小拍照间隔限制与重 叠度限制。 4.根据权利要求1所述的基于深度学习模型的无人机遥感松材线虫病害监测方法， 其 特征在于： 步骤一中， 相机检校应满足以下要求： ①相机检校参数应包括： 主点坐标、 主距和 畸变差方程系 数；②相机检校时应在地面或空中对检校场进行多基线多角度摄影， 通过摄 影测量平差方法得到相机参数最 终解， 并统计精度报告； ③检校精度应满足： 主点坐标中误 差不应大于10微米， 主距中误差不应大于5微米， 经过畸变差方程式及测定的系数值拟合 后， 残余畸变差不应大于 0.3像素。 5.根据权利要求1所述的基于深度学习模型的无人机遥感松材线虫病害监测方法， 其 特征在于： 步骤二中， 训练库的构建原则： 样本选取要具有代表性， 具体为健康和非健康两 大类， 染病初期、 中期、 后 期、 末期4小类， 样 本选取要 具有代表 性， 每种目标类型的样本需要 覆盖不同采集来源、 不同分辨率、 典型成像条件、 典型地面景观类型、 典型数据异常不同情 况； 各目标、 覆盖各种典型情况的样本的数量尽可能分布均匀； 每种目标类型、 覆盖各种典 型情况的样本数量需达 到一定数量。 6.根据权利要求1所述的基于深度学习模型的无人机遥感松材线虫病害监测方法， 其 特征在于： 步骤三中， 空间信息保留模块： 该模块主要由三个密集连接块与三个转换层组成， 转换层主要由卷积层、 dropout层、 池化层构成； 密集连接块任何两个特征层之 间都有一个直接的信息转换； 对于每一层， 前面 所有层的输出将被用作输入， 而它自己的输出也将用作后续层的输入； 密集连接块使得网 络更容易训练， 其公式表达为： Xl＝Hl([X0,X1, …,Xl‑1])       (I) 式(I)中， [X0,X1, …,Xl‑1]表示之前所有层输出的连接， 非线性变换Hl通常为包含批 标准化层、 激活层和3 ×3卷积层的复合函数； 转换层包含1*1的卷积层、 dr opout层、 步长为2 的平均池化层； 通过密集连接块重复利用前层信息， 并利用转换层下采样， 获取丰富的空间 信息与细节特 征。 7.根据权利要求1所述的基于深度学习模型的无人机遥感松材线虫病害监测方法， 其 特征在于： 步骤二中， 上 下文信息模块： 通过强化上下文背景信 息， 突出目标深层特征， 提升模型识别准确性， 降低单一光谱特 征带来的影响， 避免 “同谱异物 ”、“同物异谱 ”现象； 上下文信息模块主要包含一系列的下采 样层(包含简单的卷积、 池化操作)以及两个注意力优化模块(Attention  Refinement   Module,ARM)； 连续的池化操作能够 使网络获取较大的感受野同时降低参数量、 减少内存消 耗； 注意力优化模块主要包含平均池化层， 1 ×1卷积层， 批标准化层以及sigmoid层， 通过计权　利　要　求　书 2/3 页 3 CN 114595975 A 3