基于神經(jīng)網(wǎng)絡(luò)的多光譜信息融合的樹種識(shí)別算法研究

高振宇，吳增明，李俊鵬

（1.云南電網(wǎng)有限責(zé)任公司，云南昆明 650000；2.云南電網(wǎng)有限責(zé)任公司 帶電作業(yè)分公司，云南昆明 650011）

為了保持生態(tài)平衡，維護(hù)人們賴以生存的地球，國(guó)家大力提倡植樹造林工程建設(shè)，種類豐富的樹木被廣泛種植。植樹造林可以抑制水土流失、抵御風(fēng)沙，改善生態(tài)環(huán)境[1]。隨著被種植的經(jīng)濟(jì)林陸續(xù)進(jìn)入成熟期，需對(duì)樹木種類識(shí)別，以保證樹木的高效利用[2]。不同樹木種類的利用價(jià)值各有不同，如何正確識(shí)別樹種是一項(xiàng)非常重要的工作，傳統(tǒng)的識(shí)別方法通過(guò)木材的風(fēng)格特征進(jìn)行識(shí)別，利用木材的宏觀特征、微觀特征對(duì)不同樹種進(jìn)行測(cè)算，識(shí)別不同風(fēng)格特征的樹種種類，充分發(fā)揮木材的經(jīng)濟(jì)價(jià)值[3]。

綠色森林不僅可以綠化家園，還可有效維持生態(tài)平衡，促進(jìn)森林資源的可持續(xù)發(fā)展，對(duì)社會(huì)經(jīng)濟(jì)的發(fā)展具有重要意義[4]。隨著樹木種植面積的不斷增加，為了更好地保護(hù)森林資源，應(yīng)加強(qiáng)樹種識(shí)別工作的效率。傳統(tǒng)樹種識(shí)別方法主要依靠人工實(shí)地調(diào)查，根據(jù)木材的風(fēng)格特征進(jìn)行判斷，在人對(duì)木材風(fēng)格特征的主觀判斷的基礎(chǔ)上，實(shí)現(xiàn)對(duì)樹種的識(shí)別[5]。這種定性識(shí)別木材的方式不僅浪費(fèi)大量人力物力，而且識(shí)別耗費(fèi)時(shí)間較長(zhǎng)，無(wú)法滿足高效率識(shí)別要求，還存在一定的誤差。隨著種植樹種的種類快速增加，現(xiàn)階段無(wú)法實(shí)現(xiàn)木材樹種的自動(dòng)識(shí)別。因此，文中提出基于神經(jīng)網(wǎng)絡(luò)的多光譜信息融合的樹種識(shí)別算法，對(duì)樹種進(jìn)行識(shí)別。

1 基于神經(jīng)網(wǎng)絡(luò)的多光譜信息融合識(shí)別原理

神經(jīng)網(wǎng)絡(luò)是一種多層神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)如圖1所示。

圖1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

神經(jīng)網(wǎng)絡(luò)算法是運(yùn)用導(dǎo)師學(xué)習(xí)算法，在學(xué)習(xí)過(guò)程中通過(guò)正向傳播和反向傳播實(shí)現(xiàn)。正向傳播負(fù)責(zé)網(wǎng)絡(luò)計(jì)算，根據(jù)輸入?yún)?shù)求出結(jié)果；反向傳播負(fù)責(zé)逐層傳遞誤差，修改網(wǎng)絡(luò)權(quán)重，用于網(wǎng)絡(luò)的正確識(shí)別，訓(xùn)練完成后識(shí)別則只需正向傳播[6-9]。多光譜信息融合識(shí)別模型如圖2 所示。

圖2 多光譜信息融合識(shí)別模型

神經(jīng)網(wǎng)絡(luò)各并行子網(wǎng)輸出，通過(guò)與訓(xùn)練輸出的差值進(jìn)行誤差識(shí)別，對(duì)訓(xùn)練輸出識(shí)別誤差值進(jìn)行比較，計(jì)算后得出識(shí)別概率。運(yùn)用神經(jīng)網(wǎng)絡(luò)子網(wǎng)的識(shí)別結(jié)果，作為D-S 理論后級(jí)推理的證據(jù)源，從而對(duì)同一目標(biāo)進(jìn)行多周期證據(jù)融合[10-12]。設(shè)識(shí)別框架為：

神經(jīng)網(wǎng)絡(luò)子網(wǎng)能夠?qū)崿F(xiàn)對(duì)樹種的識(shí)別，并行子網(wǎng)數(shù)量為S，訓(xùn)練輸出組合成的向量為：

目標(biāo)特征向量序列為{t1,t2,t3,…,tn}，神經(jīng)網(wǎng)絡(luò)子網(wǎng)識(shí)別輸出組合的S維向量為：

設(shè)其中一個(gè)中間變量為X，可表示為：

神經(jīng)網(wǎng)絡(luò)子網(wǎng)i對(duì)樹種識(shí)別概率為：

將數(shù)據(jù)變換后的輸出記作：

該變換公式為：

式中，向量y表示待識(shí)別樹種對(duì)整個(gè)識(shí)別過(guò)程的歸一化隸屬度，其值能夠滿足賦值基本要求。將該向量時(shí)間序列作為證據(jù)遞歸到組合之中，形成多光譜信息融合推理，并輸出全部融合結(jié)果[13]。

2 樹種識(shí)別算法實(shí)現(xiàn)

2.1 關(guān)鍵點(diǎn)提取

1）枝下高提取

樹木分為主干和樹枝，測(cè)量時(shí)以枝下高位置作為樹木主干與樹冠的分割點(diǎn)，對(duì)枝下高進(jìn)行測(cè)量。枝下高即為樹木的主干高度，正常樹木的枝干一般高度大約在1.3 m以上分叉，因此枝下高應(yīng)大于1.3 m。測(cè)量時(shí)要對(duì)每棵樹不同高度處樹干的干徑和重心位置進(jìn)行測(cè)量，以每棵樹的點(diǎn)云中取出該樹從1.3 m 至最高處的點(diǎn)云[14-15]。在以1.3 m 處開始對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行水平分層，單層厚度為10 cm，采用Hough 變換和圓擬合的方法，求出這層樹干的圓心和半徑。以獲取的圓心進(jìn)行半徑的提取，在2r范圍內(nèi)將點(diǎn)云數(shù)據(jù)體元化，以體元尺寸5 cm×5 cm× 10 cm 為標(biāo)準(zhǔn)，如果體元內(nèi)回波點(diǎn)個(gè)數(shù)n＞2，則表示該體元被覆蓋。如此循環(huán)遍歷所有層，從而得到各層的覆蓋體元個(gè)數(shù)，作為樹干處垂直剖面[16]。由于樹干處點(diǎn)云分布比較集中，而且各層的覆蓋度變化不大，直到枝下高處覆蓋度才會(huì)明顯變大，因此，根據(jù)樹木枝干的分布特點(diǎn)，可以得到枝下高的準(zhǔn)確位置。

2）冠高提取

樹冠高的提取較為簡(jiǎn)單，在提取冠高時(shí)以樹冠頂端到樹冠最低端間的豎直距離作為樹冠高。由于傳統(tǒng)測(cè)量方法中對(duì)冠高的測(cè)量，很難分辨樹冠最低端的位置，尤其在冠層底層樹枝分布雜亂的情況下，不僅浪費(fèi)大量的時(shí)間，還會(huì)出現(xiàn)測(cè)量誤差。因此,利用地面激光雷達(dá)對(duì)樹木的點(diǎn)云進(jìn)行三維檢視，這種檢視方法既可以解決枝葉間互相遮擋的問(wèn)題，又能實(shí)現(xiàn)快速尋找樹冠最低端，準(zhǔn)確地提取冠層部分點(diǎn)云，節(jié)約了人力物力，提高了樹冠提取的精準(zhǔn)性。

3）樹高提取

在完整樹種識(shí)別數(shù)據(jù)中，樹木頂部是坐標(biāo)系中的最大值，數(shù)據(jù)底部是坐標(biāo)系中的最小值，兩者之間的差值是樹高。枝下高、冠高、樹高的關(guān)系如圖3所示。

圖3 枝下高、冠高、樹高的關(guān)系

2.2 樹種識(shí)別算法流程設(shè)計(jì)

根據(jù)上述提取的關(guān)鍵點(diǎn)，設(shè)計(jì)樹種識(shí)別算法流程，如圖4 所示。

圖4 樹種識(shí)別算法流程

由圖4 可知，對(duì)于樹種識(shí)別，需先采用雷達(dá)設(shè)備以圓形為基礎(chǔ)掃描該區(qū)域全部樹木，獲取相關(guān)圖像。然后對(duì)圖像預(yù)處理和分割，從中提取相關(guān)樹種特征，實(shí)現(xiàn)特征匹配。通過(guò)提取相關(guān)樣本圖像，并進(jìn)行一系列處理，從中提取樣本特征，并存儲(chǔ)到樹種特征數(shù)據(jù)庫(kù)中，再次進(jìn)行特征匹配。通過(guò)匹配結(jié)果可確定樹種，由此輸出樹種識(shí)別及結(jié)果。

3 實(shí)驗(yàn)分析

為了驗(yàn)證基于神經(jīng)網(wǎng)絡(luò)的多光譜信息融合的樹種識(shí)別算法研究的合理性，進(jìn)行實(shí)驗(yàn)驗(yàn)證分析。

3.1 實(shí)驗(yàn)環(huán)境

在Win7 操作系統(tǒng)下進(jìn)行實(shí)驗(yàn)分析，系統(tǒng)開發(fā)使用工具是Eclipse，系統(tǒng)數(shù)據(jù)庫(kù)為手機(jī)自帶的SQLite數(shù)據(jù)庫(kù)。

3.2 實(shí)驗(yàn)數(shù)據(jù)獲取與處理

在云南地區(qū)選取樹木，利用FARO photon 型號(hào)的地面激光雷達(dá)對(duì)該區(qū)域進(jìn)行掃描，如圖5 所示。

圖5 FARO photon型號(hào)的地面激光雷達(dá)

對(duì)該區(qū)域樹木進(jìn)行多次掃描，在立體視圖中刪除多余噪點(diǎn)。該雷達(dá)相關(guān)參數(shù)設(shè)置如表1 所示。

表1 雷達(dá)相關(guān)參數(shù)設(shè)置

3.3 樹木數(shù)據(jù)提取

在樹干高處朝南或朝北方向貼標(biāo)識(shí)，并在樣本樹木周期均勻防止參考求，以此作為基站，可對(duì)樹木進(jìn)行全面掃描。選取掃描區(qū)域?yàn)橐粋€(gè)圓形，每隔10 min 掃描一次，具體掃描結(jié)果如圖6 所示。

圖6 掃描結(jié)果

在3D 模式下，選取單木數(shù)據(jù)，剔除多余數(shù)據(jù)。依據(jù)該掃描結(jié)果可看出3 種樹木的特征，如表2 所示。

表2 樹木特征

3.4 實(shí)驗(yàn)結(jié)果分析

基于上述內(nèi)容，分別采用傳統(tǒng)算法與神經(jīng)網(wǎng)絡(luò)的多光譜信息融合識(shí)別算法對(duì)3 種樹木進(jìn)行識(shí)別，識(shí)別結(jié)果如圖7 所示。

圖7 不同算法識(shí)別精準(zhǔn)度對(duì)比

由圖7 可知，采用傳統(tǒng)算法對(duì)桉樹識(shí)別時(shí)，識(shí)別精準(zhǔn)度最高為60%，對(duì)橡膠樹識(shí)別時(shí)，識(shí)別精準(zhǔn)度最低為9%；采用所研究算法對(duì)橡膠樹識(shí)別時(shí)，識(shí)別精準(zhǔn)度最高為98%，對(duì)竹子識(shí)別時(shí)，識(shí)別精準(zhǔn)度最低為82%。由此可知，基于神經(jīng)網(wǎng)絡(luò)的多光譜信息融合的樹種識(shí)別算法識(shí)別精準(zhǔn)度較高。

4 結(jié)束語(yǔ)

隨著森林資源的不斷擴(kuò)大，開展樹種識(shí)別可以有效地促進(jìn)樹木的生存發(fā)展，利用神經(jīng)網(wǎng)絡(luò)的多光譜信息融合識(shí)別算法進(jìn)行樹種識(shí)別，改善了傳統(tǒng)識(shí)別方法存在的時(shí)間長(zhǎng)、效率低的缺點(diǎn)，實(shí)現(xiàn)了快速準(zhǔn)確地識(shí)別樹木種類，避免浪費(fèi)大量的人力物力，有效節(jié)約經(jīng)濟(jì)成本，促進(jìn)森林資源可持續(xù)發(fā)展。