题名 基于智能手机与机器视觉技术的立木胸径测量方法
被引量：12
1
作者
管昉立 徐爱俊
机构
浙江 农林大学 信息工程学院浙江农林大学林业感知技术与智能装备国家林业与草原局重点实验室 浙江 农林大学 浙江 省林业 智能 监测与信息技术 研究重点 实验室
出处
《浙江农林大学学报》
CAS
CSCD
北大核心
2018年第5期892-899,共8页
基金
国家自然科学基金资助项目(31670641) 浙江省科技重点研发计划资助项目(2018C02013) 浙江省大学生科技创新活动计划暨新苗人才计划资助项目(2016R412044)
文摘
针对现有森林资源调查中立木胸径测量工作劳动强度大、效率低,先进设备操作复杂、成本高等问题,结合相机标定、三维重建、机器视觉和近景摄影测量等技术,探索基于智能手机与机器视觉技术的立木胸径测量方法。通过智能手机获取待测立木的图像信息,运用Lab颜色空间模型(Lab color model)和3×3算子对图像进行卷积运算,得到立木图像的视觉显著图;结合HSV颜色模型(色调H,饱和度S,明度V)中的H分量增强图像中立木树干部分的颜色对比度,通过图像分割算法识别并获取自然环境下的目标立木轮廓区域;通过一种改进的带有非线性畸变项的相机标定模型标定智能手机的相机内、外参数,并借助相机参数和二维图像信息进行三维世界坐标重建,从而实现树干1.3 m处胸径的测量。经验证,一定距离内胸径测量结果的相对误差小于2.50%。该方法测量精度较高,符合森林资源调查对胸径测量的精度要求,可应用于森林资源调查。
关键词
森林计测学 智能手机 胸径测量 相机标定 三维重建 视觉显著性 自适应直方图均衡化
Keywords
forest measurement smartphone DBH measurement camera calibration three-dimensional reconstruction visual saliency contrast limited adaptive histogram equalization
分类号
S758.7
[农业科学—森林经理学]
题名 基于智能手机单目视觉的多株立木高度提取方法
被引量：4
2
作者
陈相武 徐爱俊
机构
浙江 农林大学 信息工程学院浙江 农林大学 浙江 省林业 智能 监测与信息技术 研究重点 实验室 浙江农林大学林业感知技术与智能装备国家林业与草原局重点实验室
出处
《北京林业大学学报》
CAS
CSCD
北大核心
2020年第8期43-52,共10页
基金
国家自然科学基金项目(31670641) 浙江省科技重点研究计划资助项目(2018C02013)。
文摘
【目的】提出一种智能手机单目视觉下的多株立木高度提取方法。【方法】该方法以智能手机为采集设备,利用Graph Cut算法对输入的立木图像进行分割定位,实现单幅图像中多株立木轮廓的自动获取;再通过智能手机相机对摄像头进行标定,从而基于几何相似法获取智能手机相机图像的深度信息。在不同角度下拍摄标靶,进行深度提取模型的精度优化,进而确定信息提取的最优方位。同时,结合高精度陀螺仪获取相机俯视角,根据提取的深度信息和相机俯视角实现非接触条件下的多株立木高度测量。【结果】使用型号为MI 2S的小米智能手机为试验设备,在本方法中的立木高度测量模型具有良好的稳定性,并且试验中最高相对误差为2.45%,树高测量精度可达97.55%。【结论】基于智能手机单目视觉下的立木高度提取方法精确度高、操作简便,能够有效满足国家森林资源二类调查中对于树高测量精度的要求。
关键词
单目视觉 多株立木 深度提取 高度测量
Keywords
monocular vision multiple standing tree depth extraction height measurement
分类号
S758.4
[农业科学—森林经理学]
题名 基于多特征融合和知识蒸馏的亚热带常见乔木识别方法
3
作者
丁鋆 徐爱俊 吴小芬 周素茵
机构
浙江 农林大学 数学与计算机科学学院浙江 农林大学 浙江 省林业 智能 监测与信息技术 研究重点 实验室 浙江农林大学林业感知技术与智能装备国家林业与草原局重点实验室 杭州市临安区农村水务资产经营有限公司
出处
《电子技术应用》
2024年第8期1-9,共9页
基金
国家自然科学基金(32371867)。
文摘
乔木在维持生态平衡、保护生物多样性以及调节气候和改善空气质量等方面发挥着至关重要的作用。针对复杂背景下乔木识别准确率较低的问题,提出了一种基于树木多特征融合和知识蒸馏的亚热带常见乔木识别模型MFFMN-KD-TA。该模型采用3个并行的MobileNetV3_Small主干网络分别提取树叶、树干和树木整体特征;并通过知识蒸馏和嵌入Triplet Attention模块的方法优化训练。试验结果表明,MFFMN-KD-TA模型在自建树木测试集上的准确率、精确率和F1分数分别为0.9609、0.9621和0.9608,较MFFMN模型分别提升了3.05%、2.83%和3.07%。与三分支融合模型3-ShuffleNetV2和3-MobileNetV2相比,提出的多特征融合模型MFFMN-KD-TA参数量较小且能够较准确地识别乔木种类,为亚热带和其他地区的树种识别提供了新思路和新方法。
关键词
树种识别 亚热带地区 MobileNetV3 多特征融合 知识蒸馏
Keywords
tree species identification subtropical areas MobileNetV3 multiple features fusion knowledge distillation
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
题名 基于运动恢复结构的多株立木因子测量方法
被引量：3
4
作者
顾雯钧 徐爱俊 尹建新
机构
浙江 农林大学 数学与计算机科学学院浙江 农林大学 浙江 省林业 智能 监测与信息技术 研究重点 实验室 浙江农林大学林业感知技术与智能装备国家林业与草原局重点实验室
出处
《浙江农林大学学报》
CAS
CSCD
北大核心
2022年第4期792-799,共8页
基金
国家自然科学基金资助项目(31670641) 浙江省科技重点研发计划项目(2018C02013) 浙江省公益基金项目(LGN21C160004)。
文摘
【目的】提出基于运动恢复结构的多株立木因子测量方法,以解决目前基于三维点云的立木因子测量方法获取立木树高和胸径存在效率低或成本高的问题。【方法】(1)使用智能手机环绕包含多株立木的场景拍摄一段视频,并采用固定帧采样法和差异值哈希算法自动提取立木视频中的关键帧图像,然后,基于运动恢复结构(structure from motion,SfM)算法处理立木关键帧图像,从而获取立木场景的原始三维点云;(2)在对原始三维点云进行预处理及初步分割后,运用条件欧几里得聚类算法对多株立木三维点云进行分割,以提取单株立木三维点云;(3)对立木三维点云使用最值遍历法和椭圆拟合法实现立木树高和胸径的自动测量。【结果】与真实值相比,本研究方法测得的树高、胸径的平均相对误差分别为1.96%、3.19%,均方根误差分别为0.133 3 m、0.533 7 cm,相关系数分别为0.987 9、0.962 1。【结论】该方法具有较高的树高和胸径测量精度,提供了一种便捷、低成本的多株立木因子三维测量方法。图6表1参27。
关键词
立木因子测量 视频关键帧 运动恢复结构 三维点云分割
Keywords
tree attribute measurement video key frame structure from motion(SfM) point cloud segmentation
分类号
S758.1
[农业科学—森林经理学]
题名 基于消费级双目相机的立木因子测量方法
被引量：1
5
作者
尹萍 徐爱俊 叶俊华 夏芳 王泽华
机构
浙江 农林大学 数学与计算机科学学院浙江 农林大学 浙江 省林业 智能 监测与信息技术 研究重点 实验室 浙江农林大学林业感知技术与智能装备国家林业与草原局重点实验室 浙江 农林大学 环境与资源学院浙江 农林大学 数字乡村研究所浙江 农林大学 经济与管理学院
出处
《浙江农林大学学报》
CAS
CSCD
北大核心
2023年第2期436-445,共10页
基金
国家自然科学基金资助项目(31670641) 浙江省科技重点研发计划项目(2018C02013) 浙江省公益基金项目(LGN21C160004)。
文摘
【目的】随着林业信息化的快速发展,机器视觉测量技术广泛应用于林业领域。针对传统立木因子测量方法成本较高、携带不便、操作复杂等问题,提出消费级双目相机与机器视觉技术相结合的立木因子无接触测量方法。【方法】首先使用消费级USB 3.0双目相机采集立木图像,通过改进的SGM算法生成高质量视差图;再根据三角原理转化为深度图,进而获取立木三维点云;基于空间密度聚类和混合滤波三维点云去噪方法快速准确去除聚集、离散的噪声点,再进行方向矫正和点云分割;最后,利用最值遍历法和椭圆拟合法实现树高、胸径的无接触测量。【结果】树高、胸径的相对测量误差分别小于2.219%、5.620%,测量值与真实值的相关系数R2分别为0.978、0.995,均方根误差分别为0.047 m、0.249 cm。【结论】本方法易操作、成本较低,同时具有较高的测量精度,能够满足无接触测量的需求。
关键词
视差图 双目视觉 三维点云 点云去噪 立木因子测量
Keywords
parallax image binocular vision three-dimensional point cloud point cloud denoising tree attributes measurement
分类号
S758.1
[农业科学—森林经理学]
