(19)中华 人民共和国 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 202210038521.0 (22)申请日 2022.01.13 (71)申请人 国家林业和草原局生物灾害防控中 心 地址 110000 辽宁省沈阳市于洪区黄河北 大街58号 (72)发明人 方国飞　黄季夏　卢晓　孙红　 李晓冬　陈怡帆　王越　周艳涛　 (74)专利代理 机构 苏州国卓知识产权代理有限 公司 323 31 代理人 江舟 (51)Int.Cl. G06V 20/17(2022.01) G06V 10/26(2022.01) G06V 10/44(2022.01)G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种松材线虫病发生区域智能识别方法 (57)摘要 本发明公开了一种松材线虫病发生区域智 能识别方法， 将遥感影像数据和深度学习技术运 用于松材线虫病的监测领域。 基于遥感影像构建 松材线虫病发生区域语义分割样 本数据集， 构建 UNet语义分割模型并进行模型的训练和优化， 实 现松材线虫病发生区域的智能识别。 本发明流程 简单， 实用性强， 为松材线虫病的智 能监测提供 一种新的方法， 适用于森林病虫害监测、 深度学 习影像识别等领域。 权利要求书1页 说明书3页 附图2页 CN 114373140 A 2022.04.19 CN 114373140 A 1.一种松材线虫病发生区域智能识别方法， 其特 征在于， 包括以下步骤： S1、 构建松材线虫病遥感影像语义分割样本数据集， 获取高分辨率遥感影像， 对遥感影 像进行预处理和人工标注； S2、 构建UNet深度语义分割网络； S3、 进行UNet深度语义分割网络模型 结构的改进； S4、 基于构建的松材线虫病遥感影 像语义分割样本数据集进行改进模型的训练； S5、 使用改进后的模型进行松材线虫病发生区域的智能识别。 2.如权利要求1所述的方法， 其特征在于： 步骤S1中， 构建松材线虫病遥感影像语义分 割样本数据集， 包括以下步骤： S1、 对遥感进行波段组合， 将R、 G、 B三个波段进行组合， 合成真彩色影 像； S2、 在真彩色影像下进行目视解译， 确定松材线虫病枯死木为黄色、 红色、 紫色、 灰色的 单株树木； S3、 进行影 像裁剪， 裁剪成640*640大小的影 像； S4、 对影像进行人工标注， 在labelme 软件中进行松材线虫病枯死木的标注。 3.如权利 要求1所述的方法， 其特征在于： 步骤S2中， 构 建UNet深度语义分割网络， 使用 python和tensorfl ow深度学习框架进行UNet网络模型的构建。 4.如权利要求1所述的方法， 其特征在于： 步骤S3中， 进行UNet深度卷积网络模型结构 的改进， 在UNet结构的基础上增加第一行的卷积层个数， 增加8个卷积层， 丢弃最后两次下 采样的卷积层。 5.如权利要求1所述的方法， 其特征在于： 步骤S4中， 基于构建的松材线虫病遥感影像 语义分割样本数据集进行改进模型的训练， 使用构建好的样本数据集对改进后的模型进 行 训练， 并保存训练好的模型和参数。 6.如权利要求1所述的方法， 其特征在于： 步骤S5中， 使用改进后的模型进行松材线虫 病发生区域的智能识别， 将待识别的影像放入训练好的改进模型中进行识别， 得到松材线 虫病枯死树的识别结果。权　利　要　求　书 1/1 页 2 CN 114373140 A 2一种松材线虫病发生区域智能识别方 法 一、 技术领域 [0001]本发明涉及森林病虫害遥感影像分析和深度学习领域， 特别涉及一种松材线虫病 发生区域智能识别方法。 二、 背景技术 [0002]松材线虫病(B ursaphelenchus  xylophilus)是中 国最危险的森林生物灾害之一， 对于松类树种是一种毁灭性病害。 因其具有传染性强、 致死率高的特点， 松材线 虫病也被称 为松树的“癌症”。 松材线虫病使中国林业生态和经济遭受重大损失， 在1982—2017年的35 年间， 该病导致枯死松 树5000余万株， 经济损失达数千亿 元， 对中国的森林资源和生态环 境 造成巨大破坏。 [0003]传统的松材线虫病监测主要是监测员定期巡查监测， 或者开展松材线虫病 的普 查， 由于部分林区当中未能建立相关的监测站和分配相应的监测人员， 导致松材线虫病监 测不全面， 加快了疫情的传播。 深度语义分割技术已在传统图像识别领域得到了日益广泛 的研究和应用， 基于遥感影像运用语义分割技术对松材线虫病进行智能识别， 可以节省大 量人力， 实现松材线虫病更精准的监测。 三、 发明内容 [0004](一)要解决的技 术问题 [0005]本发明要解决的技术问题是： 如何构建一种适宜识别松材线虫病的深度语义分割 网络， 从而可以基于 遥感影像进行松材线虫病发生区域的精准识别。 [0006](二)技术方案 [0007]为了解决上述技术问题， 本发明提出了一种松材线虫病 发生区域智能识别方法， 包括以下步骤： [0008]S1、 获取高分辨率的高分2号或无人机遥感影像， 并对遥感影像进行波段组合等预 处理。 [0009]S2、 根据调查资料或解译经验确定目视解译的标准， 主要根据颜色、 纹理、 形状等 特征进行确定， 根据确定好的解译 特征进行影像样本的裁剪， 最后在labelme标注软件中进 行枯死木的标注。 [0010]S3、 将构建的松材线虫病枯死木样本数据集分为训练 ‑验证数据集和测试数据集， 训练卷积神经网络时使用训练 ‑验证数据集， 训练 ‑验证数据集约占数据集样本量的80％， 其中包括8 0％的训练数据和20％检验数据， 分别仅限用于语义分割网络参数更新和实时分 类效果评价； 测试数据集仅作为训练后语义分割网络的输入数据， 约占数据集样本量的 20％， 独立于训练过程， 用于 评估模型的处 理能力和泛化 性能。 [0011]S4、 构建UNet语义分割模型， 该模型简单、 高效、 易懂、 可以从小数据集中训练， 对 卷积神经网络结构进行了更精细更高效的设计,可以实现对像素的精确分类。 [0012]S5、 对UNet深度语义分割网络进行结构上的改进， 通过开始的两个卷积层得到的说　明　书 1/3 页 3 CN 114373140 A 3