一种基于果园的果树监测方法及装置与流程亚新体育

　　导航：X技术最新专利计算;推算;计数设备的制造及其应用技术

　　1.本技术涉及农林监测领域，具体而言，涉及一种基于果园的果树监测方法及装置。

　　2.目前，学者们已经开始使用无人机来获取rgb图像和dsm图像来进行果树数量的监测与提取。但是，现有的研究普遍都在采用基于图像分割算法(如控制分水岭算法、反流域分割算法等)或深度学习算法。然而，针对于这两种方法而言，图像分割算法无法有效的对低矮、不规则果树的数量进行监测与提取；深度学习算法虽然精度较高，但是其所要求的样本标记准确性、数量都比较高，且构建复杂，计算量大，从而导致其并不适合于对果园果树进行简洁有效地果树数量监测。

　　3.本技术实施例的目的在于提供一种基于果园的果树监测方法及装置，能够提高监测的普遍适应性，并能够以一种简单有效的方式完成对果园果树的监测。

　　7.根据预设的滤波窗口对所述数字表面模型进行降噪平滑处理，得到平滑影像；

　　8.在所述平滑影像中提取果树结构参数；所述果树结构参数至少包括树顶位置、冠幅和树高；

　　10.根据预设的筛选条件对所述调整果树参数进行筛选，得到果树监测结果；所述果树监测结果至少包括果树数量。

　　11.实施这种实施方式，能够提高监测的普遍适应性，并能够以一种简单有效的方式完成对果园果树的监测。

　　12.进一步地，所述对所述无人机影像进行预处理，得到数字表面模型的步骤包括：

　　18.通过arcgis软件在所述数字正射影像中进行测量获取，得到滤波窗口和筛选条件。

　　19.进一步地，所述根据预设的滤波窗口对所述数字表面模型进行降噪平滑处理，得到平滑影像的步骤包括：

　　21.根据预设的滤波窗口对所述降采样影像进行高斯模糊，得到高斯模糊影像；

　　22.根据邻域分析计算公式对所述高斯模糊影像进行邻域分析计算，得到分析影像；

　　24.进一步地，所述高斯模糊影像包括多个栅格像元，多个栅格像元中存在一个中心像元，所述邻域分析计算公式为：

　　通过局部最大值滤波算法在所述平滑影像中求取最大值点，并将所述最大值点确定为树顶位置；

　　通过四邻域拉普拉斯算法在所述平滑影像中提取树冠边缘影像，并对所述树冠边缘影像进行二值化处理和均值化处理，得到冠幅；

　　根据所述树顶位置和所述冠幅确定四分之一冠幅最大像元值和二分之一冠幅最小像元值，根据所述四分之一冠幅最大像元值和所述二分之一冠幅最小像元值进行计算得到树高。

　　进一步地，所述对所述果树结构参数进行误差调整，得到调整果树参数的步骤包括：

　　根据树顶位置进行冗余剔除处理和/或冗余合并处理，得到调整后的树顶位置；

　　根据所述调整后的树顶位置对所述冠幅进行冗余剔除处理和/或缩放处理，得到调整后的冠幅；

　　根据所述调整后的树顶位置和所述调整后的冠幅对所述树高进行调整，得到调整后的树高。

　　本技术实施例第二方面提供了一种基于果园的果树监测装置，所述基于果园的果树监测装置包括：

　　平滑单元，用于根据预设的滤波窗口对所述数字表面模型进行降噪平滑处理，得到平滑影像；

　　提取单元，用于在所述平滑影像中提取果树结构参数；所述果树结构参数至少包括树顶位置、冠幅和树高；

　　筛选单元，用于根据预设的筛选条件对所述调整果树参数进行筛选，得到果树监测结果；所述果树监测结果至少包括果树数量。

　　实施这种实施方式，能够提高监测的普遍适应性，并能够以一种简单有效的方式完成对果园果树的监测。

　　本技术实施例第三方面提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行本技术实施例第一方面中任一项所述的基于果园的果树监测方法。

　　本技术实施例第四方面提供了一种计算机可读存储介质，其存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本技术实施例第一方面中任一项所述的基于果园的果树监测方法。

　　为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

　　图8为本技术实施例提供的一种局部最大值点位置随滤波窗口大小的变化情况示意图；

　　应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

　　请参看图1，图1为本实施例提供了一种基于果园的果树监测方法的流程示意图。其中，该基于果园的果树监测方法包括：

　　本实施例中，执行主体可以时计算机软件；其中，无人机影像可以是导入至计算机软件中的。

　　本实施例中，该方法通过空中三角测量法来计算无人机影像中缺失的影像信息。

　　s104、根据三维参考模型生成数字表面模型，根据三维参考模型生成数字正射影像。

　　请参阅图3，图3示出了一种数字正射影像的示意图；同时，请参阅图4，图4示出了一种数字表面模型的示意图。其中，数字正射影像为研究区数字正射影像，数字表面模型为研究区数字表面模型。本方法想要实现的果树株数提取的效果主要是基于数字表面模型结合邻域分析等数字图像处理方法来实现的。

　　s105、通过arcgis软件在数字正射影像中进行测量获取，得到滤波窗口和筛选条件。

　　本实施例中，该方法为了得到合适的滤波窗口大小和筛选条件，需要获取果树的高度范围、冠幅的范围以及果树之间的最小距离等数据，这些数据可以通过实地测量获取，也可以使用arcgis软件在数字正射影像上进行测量获取。

　　本实施例中，该方法对图像进行平滑的过程包括步骤s106～s109，其目的主要有两个：

　　请参阅图5，图5示出了一种图像平滑过程果树的变化情况(上图为单株果树；下图为两株相邻果树)。其中，从果树的dsm(a1、g1)可以看出，通过处理无人机影像数据获取的dsm存在很多的凸起，这些凸起会对树顶的提取造成很大的干扰，因此需要提前去除这些凸起，或者将其合并为一个。为此，后续步骤采取了一系列降噪的方法对dsm进行处理，具体如下。

　　本实施例中，降采样又称为下采样或缩小图像。图像降采样效果的直观感受是图像分辨率的降低。

　　在本实施例中，降采样的主要目的是：减少图像噪声；缩小图像，减少数据量。

　　本实施例中，为了保证图像采样后树顶不会太小或消失，树冠的最小冠幅与图像分辨率的比s，应当满足：s≥3：1，即保证最小树冠的直径最少由3个像素组成；同时为了达到减少图像噪声的目的，s也不应太大。

　　7开始，果树冠层的形状就不再有大幅度的变化，只是逐渐增加了一些微小的凸起，这些凸起会对果树树顶的提取造成干扰。考虑到一些果树的树冠相对较小，为了保证降采样后这些树冠体现的相对完整，可以选取11

　　s107、根据预设的滤波窗口对降采样影像进行高斯模糊，得到高斯模糊影像。

　　本实施例中，高斯模糊的目的是使图像变得模糊。该种高斯模糊对于图像来说是一种低通滤波器，可以使图像变得平滑。

　　在本实施例中，高斯模糊的目的是：减少图像噪声以及降低细节层次；突出树顶的

　　本实施例中，高斯模糊用正态分布计算图像中每个像素的变换，其在二维空间的定义为：

　　μ,ν是二维图像像素点的坐标；σ是正态分布的标准偏差。σ越大，峰值越小，各个像素点的权重越接近，图像也就越平滑。

　　本实施例中，滤波窗口大小和σ值的选取是准确提取树顶的关键。若滤波窗口较小(σ值较小)，则减少图像噪声和突出树顶的效果不理想；若滤波窗口过大(σ值过大)，邻域内的其他像元的像元值对该像元的影响过大，从而无法起到突出树顶的作用，甚至产生伪树顶。

　　s108、根据邻域分析计算公式对高斯模糊影像进行邻域分析计算，得到分析影像。

　　本实施例中，邻域分析是一种窗口分析，其基本思路就是以待计算的栅格像元为中心，向周围扩展一定范围，然后根据这些扩展栅格像元与中心像元的值或仅用扩展像元(即分析窗口)的值进行函数运算，从而得到这个待计算像元的新值。根据分析窗口的形状，可以分为：矩形邻域、圆形邻域、环形邻域、扇形邻域等。

　　作为一种可选的实施方式，高斯模糊影像包括多个栅格像元，多个栅格像元中存在一个中心像元，邻域分析计算公式为：

　　本实施例中，该方法所采用的邻域分析的规则是选取窗口内所有像元值小于等于中心像元的像元值，然后求取这些像元值的均值作为该中心像元的像元值。即

　　其中，设置该规则的目的是突出不明显的树顶，或树冠粘连较为严重的树顶(如d1、j1)。

　　本实施例中，均值滤波与高斯模糊相似，都是可以使图像变得平滑，从而达到减少图像噪声和图像细节的目的。不同于高斯模糊，均值滤波是对窗口内所有像元的像元值计算均值，将该均值作为中心像元的像元值。在本文中均值滤波的主要目的是对相邻较近的树顶进行平滑，将这些树顶合并为一个(e1)，即去除部分伪树顶。

　　在本实施例中，滤波窗口大小的选取对伪树顶的削减和消除起到重要作用。与高斯滤波相同，窗口过小，将会减弱降噪的效果；而窗口过大，可能促使伪树顶的形成，甚至可能消除掉相邻的低矮树顶。为了减少上述情况的发生，滤波窗口的大小应当稍小于最小冠幅(降采样后像元个数)或最小株距(降采样后像元个数)。这样选取的原因是考虑到相邻树

　　冠之间会出现相互交叉，或者其中一个树冠的冠幅稍小且高度较低，当滤波窗口较大时，其中一个树顶会消失(如图8中e2)，或者两个树顶之间出现一个伪树顶(合并为一个树顶，如图8中j2，或生成一个树顶)。

　　s110、通过局部最大值滤波算法在平滑影像中求取最大值点，并将最大值点确定为树顶位置。

　　本实施例中，每株果树只有一个最大值点位于树冠的中心区域。因此，该方法采用局部最大值滤波算法在平滑图像上求取最大值点，即潜在的树顶的位置。局部最大值的滤波窗口大小取决于最小冠幅(降采样后像元个数)和最小株距(降采样后像元个数)。滤波窗口较小可能出现较多的伪树顶；滤波窗口较大，则会出现遗漏树顶的情况。

　　s111、通过四邻域拉普拉斯算法在平滑影像中提取树冠边缘影像，并对树冠边缘影像进行二值化处理和均值化处理，得到冠幅。

　　本实施例中，本文采用拉普拉斯算子(四邻域)对平滑后的图像进行边缘提取，将处理后的图像中像元值大于固定阈值(例如0)的像元作为树冠像元，从而获得二值图。最后结合树顶的提取结果，获取每个树顶所属树冠的冠幅，从而实现树冠的粗略提取，同时根据树冠范围对树顶的位置进行调整。

　　在本实施例中，由于树冠要高于周围地面点，同时平滑后的图像中树冠中的噪声和层次细节得到了大幅度的简化。因此，使用拉普拉斯算子对图像滤波之后，树冠边缘位置的像元(即像元值发生突变的位置)会小于零。利用这个特点，将处理后的图像以零为阈值进行二值化，得到树冠的大致轮廓。然而，因为图像进行了平滑，像元发生突变的位置向外偏移，所以提取到的树冠要大于实际树冠。

　　在本实施例中，从树顶位置向八个方向逐渐延伸至树冠边缘(黑域)，可以获得八个点(箭头)的位置和八个方向的距离(如9，图9示出了树顶到树冠边界的距离)。八个距离的均值，记为冠幅的一半；将八个点分为四组(东-西、南-北、东南-西北和西南-东北)，对每组数据的行列号分别求取均值(东-西只计算列均值，南-北只计算行均值)，将得到3个行均值和3个列均值，再分别取均值，最终获得的行列号即为调整后树顶的位置。

　　s112、根据树顶位置和冠幅确定四分之一冠幅最大像元值和二分之一冠幅最小像元值，根据四分之一冠幅最大像元值和二分之一冠幅最小像元值进行计算得到树高。

　　一、以树顶为圆心，以四分之一冠幅为半径画圆(图10，内圆)，提取该圆范围内dsm的像元，从这些像元中计算最大的像元值，记为hm；

　　二、以树顶为圆心，以二分之一冠幅为半径画圆(图10，外圆)，提取该圆范围内dsm的像元，从这些像元中计算最小的像元值，记为hg；

　　s113、根据树顶位置进行冗余剔除处理和/或冗余合并处理，得到调整后的树顶位置。

　　本实施例中，该方法根据树顶之间的距离对满足一定条件的树顶进行删除或调整。因为果园内果树种植方式较为规范，株行距相对固定，所以当两个树顶的距离很近时，

　　可以判定这两个树顶属于同一个树冠；而当一个树顶距离若干树顶很近时，则这个树顶可能位于两个(或两个以上)树顶之间，将该树顶判定为伪树顶进行删除。该过程主要分为以下两部分：

　　1、树顶的删除。当一个树顶距离另外若干(≥2)树顶距离小于最小株距，则删除该树顶；

　　2、树顶的调整。当一个树顶只与另一个树顶距离小于最小株距，则取两树顶的中间位置作为新的树顶，同时删除上面两个树顶。冠幅和树高取较大值。

　　s114、根据调整后的树顶位置对冠幅进行冗余剔除处理和/或缩放处理，得到调整后的冠幅。

　　本实施例中，该方法根据最小树高对树冠进行缩放调整。首先将冠幅向外扩展一定距离(如0.2米/dsm分辨率)，尽可能把整个树冠包含在内；之后向内逐渐收缩(逐像元，或每隔若干像元)，得到一个稍小的圆，以这个圆作为一个圆环的内环，以若干像素为环宽，创建圆环；根据不同需求，统计圆环内像元值的最大值、最小值、中位数或均值等数据，这里取均值作为判别标准；当均值大于最小树高时，停止收缩；最终得到调整后的冠幅。

　　s115、根据调整后的树顶位置和调整后的冠幅对树高进行调整，得到调整后的树高。

　　本实施例中，根据树顶之间的距离与树顶所属树冠的冠幅两者的关系对树顶进行删除或调整。与树顶位置的调整时的判定过程相似，判定方法如下：

　　通过一个树顶o2所属树冠的半径r2，与另一个树顶o1所属树冠的半径r1，可以计算出两个树冠之间相交的距离，记为inter。当inter值大于一定距离(这里设置为r2的2/3)时，认为o2相对于o1距离相近。

　　本实施例中，该方法可以对树顶进行删除，即当树顶o2与另外若干(≥2)树顶距离相近，则删除树顶o2。同时，该方法可以对树顶进行调整，即当树顶o2只与另一个树顶o1距离相近，则将o2沿着o1o2方向向外移动一段距离，同时缩短树冠的半径。这里树顶移动的距离为inter*r1/(r1+r2)/2，半径也缩小相同的长度，这样可以保证o所属树冠的另一侧边界保持不变。

　　请参阅图11，图11示出了一种树顶的调整过程示意图。其中，o1、o2分别表示两个树顶；r1、r2为o1、o2对应的半径；dist为o1、o2之间的距离；inter＝r1+r2-dist。

　　s116、根据预设的筛选条件对调整果树参数进行筛选，得到果树监测结果；果树监测结果至少包括果树数量。

　　本实施例中，该方法可以经过之前一系列的处理，得到每株果树的位置、高度、冠幅、外围高度等属性。

　　在本实施例中，因为该方法是基于dsm实现果树的提取，也就是根据地面高程的差异性提取果树，所以具有一定高度的建筑、车辆等也会被识别为果树。所以，设置筛选条件，例如树高与外围高度之差小于0.25米，或者冠幅大于2.9米，或者外围高度大于1.6米等，将满足上述条件的“果树”筛除之后，得到一个合理的结果(可见图11的处理过程)。

　　本实施例中，该方法的执行主体可以为计算机、服务器等计算装置，对此本实施例中不作任何限定。

　　在本实施例中，该方法的执行主体还可以为智能手机、平板电脑等智能设备，对此本实施例中不作任何限定。

　　可见，实施本实施例所描述的基于果园的果树监测方法，能够提高监测的普遍适应性，并能够以一种简单有效的方式完成对果园果树的监测。

　　请参看图2，图2为本实施例提供的一种基于果园的果树监测装置的结构示意图。如图2所示，该基于果园的果树监测装置包括：

　　平滑单元230，用于根据预设的滤波窗口对数字表面模型进行降噪平滑处理，得到平滑影像；

　　提取单元240，用于在平滑影像中提取果树结构参数；果树结构参数至少包括树顶位置、冠幅和树高；

　　筛选单元260，用于根据预设的筛选条件对调整果树参数进行筛选，得到果树监测结果；果树监测结果至少包括果树数量。

　　获取子单元224，用于通过arcgis软件在数字正射影像中进行测量获取，得到滤波窗口和筛选条件。

　　降采样子单元231，用于根据预设分辨率对数字表面模型进行降采样，得到降采样影像；

　　高斯模糊子单元232，用于根据预设的滤波窗口对降采样影像进行高斯模糊，得到高斯模糊影像；

　　邻域分析子单元233，用于根据邻域分析计算公式对高斯模糊影像进行邻域分析计算，得到分析影像；

　　作为一种可选的实施方式，高斯模糊影像包括多个栅格像元，多个栅格像元中存在一个中心像元，邻域分析计算公式为：

　　树顶提取子单元241，用于通过局部最大值滤波算法在平滑影像中求取最大值点，并将最大值点确定为树顶位置；

　　冠幅提取子单元242，用于通过四邻域拉普拉斯算法在平滑影像中提取树冠边缘影像，并对树冠边缘影像进行二值化处理和均值化处理，得到冠幅；

　　树高提取子单元243，用于根据树顶位置和冠幅确定四分之一冠幅最大像元值和二分之一冠幅最小像元值，根据四分之一冠幅最大像元值和二分之一冠幅最小像元值进行计算得到树高。

　　树顶调整子单元251，用于根据树顶位置进行冗余剔除处理和/或冗余合并处理，得到调整后的树顶位置；

　　冠幅调整子单元252，用于根据调整后的树顶位置对冠幅进行冗余剔除处理和/或缩放处理，得到调整后的冠幅；

　　树高调整子单元253，用于根据调整后的树顶位置和调整后的冠幅对树高进行调整，得到调整后的树高。

　　本技术实施例中，对于基于果园的果树监测装置的解释说明可以参照实施例1中的描述，对此本实施例中不再多加赘述。

　　可见，实施本实施例所描述的基于果园的果树监测装置，能够提高监测的普遍适应性，并能够以一种简单有效的方式完成对果园果树的监测。

　　本技术实施例提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行本技术实施例1中的基于果园的果树监测方法。

　　本技术实施例提供了一种计算机可读存储介质，其存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本技术实施例1中的基于果园的果树监测方法。

　　在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

　　另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

　　所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以

　　存储在一个计算机可读存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。

　　以上所述仅为本技术的实施例而已，并不用于限制本技术的保护范围，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

　　以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应所述以权利要求的保护范围为准。

　　需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个

　　限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

　　1.计算机视觉 2.无线.计算机仿线.网络安全；物联网安全 、大数据安全 2.安全态势感知、舆情分析和控制 3.区块链及应用亚新体育