1 中国林业科学研究院资源信息研究所，北京 100091
2 国家林业和草原局林业遥感与信息技术重点实验室，北京 100091
3 国家林业和草原局华东调查规划院，浙江 杭州 310019
为探索采用无人机（UAV）遥感影像进行亚热带树种识别的应用潜力，提出一种结合残差模块和有效通道注意力的网络（ECA-ResNet）对单木树冠影像数据集进行模型训练和识别。首先，利用单木分割算法提取单木树冠，构建不同尺度的UAV可见光影像单株树冠影像块样本数据集，并将其划分为训练数据、验证数据和独立测试集；其次，以ResNet50为主干网络，在瓶颈层插入有效通道注意力并调整网络结构，构建ECA-ResNet；最后，将数据集载入预训练的ECA-ResNet模型，进行参数迭代训练和验证并进行独立测试，择优确定单木树冠的合适窗口大小。结果表明：ECA-ResNet对64×64像素的单木树冠影像数据集中树种的识别效果更为理想，训练精度和验证精度分别达98.98%和96.60%，独立测试识别精度、Kappa系数分别达85.61%、0.8140；ECA-ResNet模型的训练、验证、独立测试精度分别高于ResNet50网络2.63个百分点、1.80个百分点、5.31个百分点。该研究结果证明卷积神经网络（CNN）能够充分提取可见光图像的空间特征，有效通道注意力能够有效提升CNN的单木树种识别能力。
树种识别 残差网络 有效通道注意力 无人机可见光图像 单木树冠影像块 激光与光电子学进展
2023, 60(2): 0210004
1 广西科技大学电气电子与计算机科学学院, 广西 柳州 545006
2 东北林业大学信息与计算机工程学院, 黑龙江 哈尔滨 150040
紫檀属中的木材有很多属于名贵木材, 不同树种之间十分相似。 传统的木材识别方法多以木材解剖学为主, 通过观察木材的切片结构特征对木材的树种进行判断, 这类方法虽有较高的识别精度, 但是其识别工艺较为复杂而且技术难度也相对较高。 与木材解剖学相对应的是利用图像信息或光谱信息的木材树种识别方法, 该类方法虽具有较为简单的识别工艺, 但是在对同属相似木材树种进行识别时, 往往不能够取得较好的识别效果。 提出了一种基于木材切面光谱特征和纹理特征相融合的木材树种识别方法, 该方法不仅识别工艺简单、 自动化程度高, 而且具有较高的识别精度。 首先通过数码相机和光谱仪采集木材切面的图像信息和光谱信息, 然后分别使用纹理特征提取方法和光谱特征提取方法提取两类特征的特征向量, 接下来使用基于典型相关分析的特征级融合方法将这两个特征向量进行融合, 最后使用支持向量机对融合后的特征向量进行分类识别。 为了验证方法的有效性, 以市场中常见的5种紫檀属树种的三个切面为研究对象, 对这些木材树种进行了识别。 实验结果显示, 单独使用纹理特征的识别正确率最高为80.00%, 单独使用光谱特征的识别正确率最高为94.40%, 使用融合的特征最高的识别正确率可达99.20%。 还将这5种木材树种与其他30种木材树种进行了混合, 混合后的木材样本数量可达1750。 实验进一步显示, 该方法可以对包含紫檀属在内的35种木材的树种进行识别, 其正确率可达98.29%。 综上所述, 木材的纹理特征和木材的光谱特征可以有效的相互补充, 从而进一步提高识别正确率。 最后还用所提出的方法与目前主流的方法进行了比较, 结果发现所述的木材树种识别方法高于目前主流方法。
同属木材 树种识别 光谱特征 纹理特征 特征融合 Same genus wood Tree species identification Spectral features Textural features Feature fusion 光谱学与光谱分析
2022, 42(7): 2247
1 东北林业大学信息与计算机工程学院, 黑龙江 哈尔滨 150040
2 广西科技大学计算机科学与通信工程学院, 广西 柳州 545006
木材是人们生活中必不可少的可再生资源, 同时在建筑、 工艺、 家具、 结构材料等方面有着举足轻重的地位。 市场中常见的木材品种繁多, 其品质和价格千差万别, 使用智能化技术对木材进行正确的分类不仅可以防止不法商贩“以次充好”, 也可以大幅度降低木材分类人员的工作难度。 通过木材的遗传信息和解剖学信息可以得到较为准确的木材分类结果, 这类方法识别工艺相对复杂, 对非专业人员并不友好。 借助木材切面的图像信息或光谱信息可以简单方便地对木材进行分类, 然而由于不同种木材之间存在的近似性, 这类方法往往分类精度不高或只适用于某些阔叶木材。 提出了一种基于木材横切面图像信息和光谱信息的多特征木材分类算法, 首先分别采集木材横切面的光谱信息以及图像信息; 再使用Segnet图像分割方法将待分类样本分成含管孔木材和不含管孔木材两组, 并对含管孔样本组中的木材进行管孔分割; 然后对含管孔样本组中的木材提取管孔特征、 光谱特征以及纹理特征, 对无管孔样本组木材提取光谱特征和纹理特征; 最后根据这些特征使用支持向量机分别对木材进行分类并记录其木材的分类结果, 对分类结果不一致的样本使用相似性判据判断最佳分类结果。 为了验证该方法的有效性, 以20种常见的阔叶木材和针叶木材的混合样本集为研究对象, 对其进行了分类。 实验结果显示三种特征均可以对木材进行分类, 单独使用光谱特征、 纹理特征以及管孔特征对木材进行分类的最高正确率分别为93.00%, 89.33% 和69.23%, 通过相似测度的判断后三个特征可以相互补充从而进一步提高木材的分类正确率, 最高正确率可达98.00%。 综上所述, 该方法可以对包含阔叶木材和针叶木材的混合样本集中的木材进行分类, 木材横切面的光谱特征、 纹理特征以及管孔特征可以相互补充, 从而使分类正确率进一步的提高。 与目前的主流木材分类方法进行对比, 发现该算法的分类正确率高于其他算法。
木材树种识别 纹理特征 管孔特征 光谱特征 特征融合 Wood species classification Textural feature Pore feature Spectral feature Feature-level fusion 光谱学与光谱分析
2021, 41(6): 1713
东北林业大学工程技术学院, 黑龙江 哈尔滨 150040
基于支持向量机和马氏距离探索了中红外光谱分析识别进口的卢氏黑黄檀、 风车木、 微凹黄檀、 燃料紫檀和东非黑黄檀的能力。 应用中红外光谱仪采集了500组试验样本进行分析, 对试验数据进行了预处理: 首先, 为了保证样本的有效性, 对异常光谱进行了诊断。 基于莱特检验法诊断出卢氏黑黄檀和微凹黄檀各有2组异常, 风车木、 燃料紫檀和东非黑黄檀各有1组异常。 为使样本数量统一, 五种树种分别剔除了包含异常光谱在内的5组数据； 其次, 分析了近红外光谱的树种识别研究, 结果表明: 对光谱数据进行一阶导数处理, 可提高识别的精度。 因此, 对中红外光谱数据进行了平滑处理和一阶导数处理。 采用主成分分析提取了光谱数据的特征值, 测试集的第一和第二主成分得分的散点图显示, 平滑加一阶导数处理的测试集的各自聚类性较平滑处理好。 以主成分的得分为特征, 基于支持向量机和马氏距离进行了识别研究。 考虑到识别方法中主成分个数的选取会直接影响识别的精度, 而通常主成分的选取仅参考累计贡献率, 此处为使主成分的选取更科学, 在支持向量机识别方法中利用粒子群算法进行参数寻优时, 对主成分的个数(范围为［5, 30］)与5折检验下的最佳判别准确率的关系进行了试验, 结果表明: 平滑处理和平滑加一阶导数处理的主成分个数在［7, 11］范围内的5折检验下的最佳判别准确率较高, 结合对应的判别准确率, 确定了最佳的主成分个数为8个。 以前8个主成分作为输入变量, 基于支持向量机和马氏距离对测试集进行了测试, 结果得出: 两种识别方法的正确识别率均较高, 支持向量机的识别率略高于马氏距离, 平滑加一阶导数处理的识别率均优于平滑处理, 平滑加一阶导数处理的支持向量机正确识别率达到了98%, 识别效果最好。 因此, 中红外光谱分析可以作为木材树种识别的一种有效手段。
中红外光谱 树种识别 一阶导数 主成分分析 支持向量机 马氏距离 Mid-infrared spectrum Tree species identification First derivative Principal component analysis Support vector machine Mahalanobis distance 光谱学与光谱分析
2020, 40(7): 2128
1 新疆农业大学草业与环境科学学院, 新疆 乌鲁木齐 830052
2 安徽师范大学地理与旅游学院, 安徽 芜湖 241000
3 滁州学院计算机与信息工程学院, 安徽 滁州 239000
4 新疆师范大学地理科学与旅游学院, 新疆 乌鲁木齐 830001
针对森林复杂冠层结构和林分高密度下遥感树种识别精度不高的问题,将能够提取高维数据立体特征的三维卷积神经网络(3D-CNN)引入到遥感影像树种识别中,并利用残差网络(ResNet)对其进行改进,提出三维残差卷积神经网络(3D-RCNN),以减小网络深度带来的误差,降低退化现象的影响。联合高分五号高光谱数据(GF-5 AHIS)和高分六号高空间分辨率数据(GF-6 PMS),辅以森林资源数据和外业调查数据构建样本集。结合3D-RCNN思想构建树种识别模型。实验结果表明:相较于传统3D-CNN,3D-RCNN将模型网络从12层增加到18层,能够深化网络结构,缓解网络退化;联合GF-5 AHIS和GF-6 PMS,3D-RCNN能够有效地识别北亚热带森林树种,且识别精度(91.72%)要优于传统3D-CNN(85.65%)和支持向量机算法(85.22%)。
图像处理 卷积神经网络 残差网络 树种识别 高光谱影像 激光与光电子学进展
2020, 57(24): 242804
College of Information and Computer Engineering, Northeast Forestry University, Harbin50040,China
木材往往堆积在室外，在对木材样本采集高光谱图像时往往会受到外界因素（光照、温度、湿度）的影响，从而造成木材树种的误判。为了解决这一问题，本文利用PLS（Pattern Lacunarity Spectrum）和LBP（Local Binary Pattern）对木材横截面的高光谱图像的纹理信息进行了特征提取，而后将高光谱图像的近红外光谱与纹理特征相融合，并以融合后的新特征作为识别的依据，最后使用SVM（Support Vector Machine）和BP（Back Propagation）神经网络两种分类器对木材树种进行了识别，实验表明该算法在无干扰情况下可拥有最高100%的识别正确率效果。为了验证该算法可以在高光谱图像失真的情况下依然可以对木材进行正确的识别，本文仿真了光照变化对高光谱图像的影响，并对比了影响前后的识别正确率，结果显示该算法可以在高光谱图像失真的情况下对木材的树种进行正确的识别，优于传统的和近期主流的木材树种分类算法。
高光谱图像 木材树种识别 光照变化 特征融合 hyper-spectral image wood species recognition illumination variation feature fusion
东北林业大学 信息与计算机工程学院, 黑龙江 哈尔滨 150040
为了过滤木材高光谱图像中大量的冗余信息, 提升应用图像纹理进行分类的准确率, 本文采用基于多重分形理论的木材高光谱图像分类算法。首先利用不同的特征选择算法选取最具代表性的10个波段; 随后根据不同的函数密度图像对所选取波段的图像求解其多重分形曲线, 将选择出的多个波段所对应的多重分形曲线取平均, 得到表示样本纹理特征的多重分形曲线; 最后使用支持向量机和BP神经网络分类器对多重分形曲线进行分类。实验表明, 相对熵(K-L散度)要好于自适应波段选择(ABS)提取的波段, 多重分形算法提取的高光谱图像纹理特征要好于灰度共生矩阵, 支持向量机算法的分类准确率和速度要优于BP神经网络, 融合K-L散度、多重分形和支持向量机算法能够有效地提高木材高光谱图像的识别准确率, 最高识别准确率达到了97.91%。
木材树种识别 高光谱图像纹理 多重分形 wood species recognition hyper-spectral image multi fractal
1 南京大学国际地球系统科学研究所, 江苏 南京 210023
2 江苏省地理信息技术重点实验室, 江苏 南京 210023
基于遥感光谱特征准确识别优势树种类型对于区域林业资源的监测和经营具有重要意义, 也是当前亟待解决的重要科学问题。 伴随遥感技术的发展, 利用时间序列高分影像能够有效获取林分树种不同物候期生长特性及其冠层光谱动态信息, 有利于克服区域森林类型精细识别中普遍存在的异物同谱难题。 以中国东北地区赤峰市旺业甸国有林场为试验区, 采用覆盖完整自然年的共36景高分一号(GF-1)WFV时间序列数据(16 m), 提取包含不同优势树种生长阶段特征的林分冠层光谱归一化植被指数(NDVI), 结合支持向量机(SVM)模型对研究区内5种典型优势树种: 油松、 落叶松、 山杨、 白桦和蒙古栎, 进行不同时间尺度下(单季相、 全季相、 逐月和逐旬)的光谱识别研究。 同时, 分别基于原始时序光谱及其一阶、 二阶和三阶微分变换结果, 探讨了不同分辨率时序NDVI光谱及其3种微分变换结果对区域森林优势树种的识别效果。 结果显示, 基于不同尺度的时间序列数据能够获得比不同季节单时相数据更好的树种识别结果(p＜0.05), 其中采用全季相数据的树种总分类精度相比于春、 夏和秋不同季节的单季相数据结果, 分别提高了7.67%, 6.64%和3.6%, 表明时间序列影像中所包含的植被物候信息对于区分不同森林树种类型十分重要, 同时秋季是采用单时相数据的最佳识别季节(p＜0.05); 在不同时间序列数据中, 基于逐旬的NDVI数据显著优于基于逐月和全季相数据的光谱识别结果(p＜0.05), 而基于全季相数据的光谱识别结果最低(p＜0.05), 表明更密集的时序光谱信息有利于区域树种类型识别精度的提升。 此外, 结合光谱微分变换后的树种识别结果比仅采用原始NDVI时间序列的识别结果精度更高(p＜0.05), 其中基于逐旬和逐月时间分辨率数据的最高识别精度能够达到82.1%和78.74%, 分别提升了3.38%和2.95%。 研究表明采用基于全年逐旬或逐月尺度的时序光谱数据, 并结合相应的微分变换方法, 可以有效提高区域尺度优势树种的识别精度, 为相关多光谱森林植被精细识别研究提供参考。
树种识别 时序NDVI 微分变换 高分一号 支持向量机 Tree species classification NDVI time-series Differential transformation GF-1 Support vector machine 光谱学与光谱分析
2019, 39(12): 3794
东北林业大学信息与计算机工程学院, 黑龙江 哈尔滨 150040
采用体视显微高光谱成像方法, 构建木材树种分类识别模型。 利用SOC710VP体视显微高光谱图像采集系统获取可见光/近红外(372.53～1 038.57 nm)波段内的木材高光谱图像。 首先, 采用ENVI软件提取木材样本感兴趣区域(ROI)的平均光谱, 分别采用连续投影算法(SPA)和竞争性自适应重加权算法(CARS)对光谱数据进行降维。 再利用支持向量机(SVM)分别建立木材样本采集波段和特征波长下的分类模型。 然后, 在空间维采用第一主成分图像, 计算基于灰度共生矩阵(GLCM)的木材纹理特征。 在0°, 45°, 90°和135°四个方向计算能量、 熵、 惯性矩、 相关性等16个特征参数后输入SVM进行木材树种分类处理。 最后, 采用四个复合核函数SVM进行光谱维和空间维的特征融合及分类识别。 20个树种的分类实验结果表明, CARS的特征波长选择效果和运行速度较好一些, 采用普通SVM进行木材光谱维特征分类处理时, 测试集分类准确率达到了92.166 7%。 采用基于GLCM的木材空间维纹理特征时, 采用普通SVM的测试集分类准确率是60.333 0%, 具有较低的分类精度。 在将光谱维和空间维纹理特征进行数据融合及分类处理时, 采用复合核函数SVM分类具有更好的效果。 采用第二个复合核函数的SVM分类精度最高, 测试集分类正确率是94.166 7%, 运行时间为0.254 7 s。 另外, 采用第一个和第三个复合核函数的SVM的测试集分类准确率分别是93.333 3%和92.610 0%, 运行时间分别为0.180 0和0.260 2 s。 可以看出, 采用这3种复合核函数的SVM进行木材树种分类, 分类精度都高于采用普通SVM的光谱维或者空间维的分类识别精度。 因此, 利用体视显微高光谱成像和复合核函数SVM可以提高木材树种分类精度, 为木材树种快速分类提供了参考。
木材树种识别 高光谱成像 复合核函数 特征融合 Wood species classification Hyper-spectral imaging Composite kernel SVM Feature fusion SVM 光谱学与光谱分析
2019, 39(12): 3776
1 南京林业大学信息科学技术学院, 江苏 南京 210037
2 南京林业大学南方现代林业协同创新中心, 江苏 南京 210037
采用地面激光扫描获取树木的光探测和测距数据,并将其作为遥感数据源,选取水杉、棕榈、无患子、竹子和橡胶树为研究对象,提出了三类有效特征:树木相对聚类特征、点云分布特征和树木表观特征,列举了68个特征参数。采用支持向量机在交叉验证中对训练数据集进行检验计算,确定最优的特征参数组,最终在测试数据集中进行树种分类。研究结果表明:基于树木相对聚类特征的最优特征参数组进行树种分类的平均分类精度较低(45%);基于点云分布特征的最优特征参数组进行树种分类的平均分类精度有所增加(58.8%);基于树木表观特征的最优特征参数组进行树种分类的平均分类精度较高(63.8%);基于三类特征的13个最优特征参数进行树种分类的平均分类精度最高(87.5%)。此外,由于水杉与其他树种形态差异较为明显,在分类中表现突出,错判率最低(6.5%)。所提方法具有较高的可行性,为获得更准确的森林树种分布提供了强有力的工具。
遥感 激光雷达 树种识别 支持向量机(SVM) 交叉验证 组合特征参数
