CN119495029A 结合参照物图像分析的树木倒伏检测方法及系统 （云途信息科技(杭州)有限公司）

结合参照物图像分析的树木倒伏检测方法本发明公开了结合参照物图像分析的树木过实施本发明的方法可实现提升树木倒伏监测2将所述初始图像输入至树木与参照物关键点检测模型确定树木关键点以及参照物关若当前天气不是极端天气，则根据所述两条拟合直线确定树输出评估结果为树木倾斜或倒伏所对应的图若所述树木未被积水淹没，则持续监测两条拟合直线间夹角行所述输出评估结果为树木倾斜或倒伏所对应的图像若所述树木被积水淹没，则采用参照物与积水关系分割模型根据参照物关键点拟合形成的拟合直线与更新后的树木关键点形成的拟合直线最终树木与参照物关键点检测模型是通过带有关键点标签的含有树木和参照物的图像作为样将所述初始图像输入至树木与参照物关键点检测模型确定树木关键点以及参照物关键点，将所述初始图像输入至树木与参照物关键点检测模型内，采用卷积基于所述标记之间的距离评估相似性，利用局部密度和最小确定所述重要性得分的最高标记选为聚类中将所述新标记输入Transformer块中，以将特征的信息从所述标记传递至所述新标记对所有所述标记进行聚类处理，并通过计算所述标记之间的距离评3对于每个所述标记，确定所述标记到具有更高局部密度的其他所述通过结合所述局部密度和所述距离指标确定每个所述标记的重要性通过argmax所述高分辨率热图中数值最大的点作为关键点，以得通过持续获取初始图像，并输入至树木与参照物关键点检测模型确当树木已发生倒伏时，确定所述树木在初始图像的相对位置及所述树木的导向角度，记录下所述树木开始倒伏的时间点、摄像头的拍摄方向以及位置4根据所述积水深度及淹水部分的所述树木的关键点位置，结合关键点检测单元，用于将所述初始图像输入至树木与参照物关键拟合单元，用于分别拟合连接所述树木关键点以及所述参照物第一评估单元，用于若当前天气不是极端天气，则根据所第二评估单元，用于若所述树木未被积水淹没，则持续监关键点更新单元，用于若所述树木被积水淹没，则采用参照物第三评估单元，用于根据参照物关键点拟合形成的拟5线或道路基准线之间的垂直角度是否超出设定阈值，以此判断树木是否发生了倾斜或倒[0004]但是基于图像分析的技术手段由于拍摄角度的问题，在将所述初始图像输入至树木与参照物关键点检测模型确定树木关键点以及参照6输出评估结果为树木倾斜或倒伏所对应的图并执行所述输出评估结果为树木倾斜或倒伏所对应的图根据参照物关键点拟合形成的拟合直线与更新后的树木关键点形成的拟合直线的含有树木和参照物的图像作为样本集训练确定所述重要性得分的最高标记选为聚类中心，且将其余标记分配给最近的中将所述新标记输入Transformer块中，以将特征的信息从所述标记传递至所述新对于每个所述标记，确定所述标记到具有更高局部密度的其他所述标记的距离，通过结合所述局部密度和所述距离指标确定每个所述标记的重要性7线所对应的夹角超过第一阈值后又恢复到小于第一阈值，确定所述树木保持正常生长状使用参照物与积水关系分割模型根据所述树木的树根、树干或树冠与积水的关8[0020]图1为本发明实施例提供的结合参照物图像分析的树木倒伏检测方法的流程示意9图5为本发明实施例提供的结合参照物图像分析的树木倒伏检测系统的示意性框[0026]图1是本发明实施例提供的结合参照物图像分析的树木倒伏检测方法的流程示意树木和参照物的图像作为样本集训练基于transformer的网络所得。此模型能够聚焦于树[0045]最小高密度距离指的是对于任意一个标记，找到所有具有标记的最大距离作为它的δ值。这一参数帮助识别出那些不仅局部密度高而且远离其他选取最小的距离作为该标记的距离指标δ。这一步骤旨在找出那些不仅本身位于高密度区通过argmax操作选取热图上亮度最高的点作为估计的[0071]在经过Transformer块处理后的新标记基础上，接下来需要将这些特征映射回原[0075]对于树木关键点，应用所选的拟合方法以找到一条最佳匹配这些点分布的直[0091]可以通过获取实时气象信息（例如从公共API或者本地传感器来确定当前是否生一系列随时间变化的多帧图像对应的拟合[0113]在本实施例中，对于每一个标记出的参照物，系统会生成其对应的二值化掩模积水关系分割模型的工作原理可以参照中国专利CN118691838B所提及的参照物与积水关[0123]使用几何算法或线性代数方法计算参照物的拟合直线与树木的拟合直线之间的[0138]收集到的不同视角下的原始图像需要经过一系列预处理步骤才能被有效地整合[0140]采用加权平均法或其他先进的融合策略将多张重叠区域较大的图像合成一张无[0151]上述的结合参照物图像分析的树木倒伏检测方法，通过采用低空摄像头拍摄图[0153]图5是本发明实施例提供的一种结合参照物图像分析的树木倒伏检测系统300的提供一种结合参照物图像分析的树木倒伏检测系统300。该结合参照物图像分析的树木倒伏检测系统300包括用于执行上述结合参照物图像分析的树木倒伏检测方法的单元，该系元302，用于将所述初始图像输入至树木与参照物关键点检测模型确定树木关键点以及参估单元310，用于根据参照物关键点拟合形成的拟合直线与更新后的树木关键点形成的拟特征提取子单元，用于将所述初始图像输入至树木与参照物关键点检测模型内，通过结合所述局部密度和所述距离指标确定每个所述标记的重要性定所述树木在初始图像的相对位置及所述树木的导向角度，以得到所述树木的倒伏方向，分界线确定子单元，用于使用参照物与积水关系分割模型根据所述树木的树根、析的树木倒伏检测系统300和各单元的具体实现过程，可以参考前述方法实施例中的相应[0162]上述结合参照物图像分析的树木倒伏检测系统300可以实现为一种计算机程序的[0165]该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序所述输出评估结果为树木倾斜或倒伏所对应的图像照物的图像作为样本集训练基于transfo[0171]在一实施例中，处理器502在实现所述将所述初始图像输入至树木与参照物关键高密度距离确定聚类中心的重要性得分；确定所述重要性得分的最高标记选为聚类中心，[0173]在一实施例中，处理器502在实现所述选取所述高分辨率热图最亮位置作为关键[0177]在一实施例中，处理器502在实现所述采用参照物与积水关系分割模型计算所述使用参照物与积水关系分割模型根据所述树木的树根、树干或树冠与积水的关[0178]应当理解，在本申请实施例中，处理器502可以是中央处理单元(CentralProcessingUnit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器微处理器或者该处理器也可以是任何常规的[0179]本领域普通技术人员可以理解的是实现上述实施例的方所述输出评估结果为树木倾斜或倒伏所对应的图像照物的图像作为样本集训练基于transfo