基于神經網絡的多光譜信息融合的樹種識別算法研究

高振宇，吳增明，李俊鵬

（1.云南電網有限責任公司，云南昆明 650000；2.云南電網有限責任公司 帶電作業分公司，云南昆明 650011）

為了保持生態平衡，維護人們賴以生存的地球，國家大力提倡植樹造林工程建設，種類豐富的樹木被廣泛種植。植樹造林可以抑制水土流失、抵御風沙，改善生態環境[1]。隨著被種植的經濟林陸續進入成熟期，需對樹木種類識別，以保證樹木的高效利用[2]。不同樹木種類的利用價值各有不同，如何正確識別樹種是一項非常重要的工作，傳統的識別方法通過木材的風格特征進行識別，利用木材的宏觀特征、微觀特征對不同樹種進行測算，識別不同風格特征的樹種種類，充分發揮木材的經濟價值[3]。

綠色森林不僅可以綠化家園，還可有效維持生態平衡，促進森林資源的可持續發展，對社會經濟的發展具有重要意義[4]。隨著樹木種植面積的不斷增加，為了更好地保護森林資源，應加強樹種識別工作的效率。傳統樹種識別方法主要依靠人工實地調查，根據木材的風格特征進行判斷，在人對木材風格特征的主觀判斷的基礎上，實現對樹種的識別[5]。這種定性識別木材的方式不僅浪費大量人力物力，而且識別耗費時間較長，無法滿足高效率識別要求，還存在一定的誤差。隨著種植樹種的種類快速增加，現階段無法實現木材樹種的自動識別。因此，文中提出基于神經網絡的多光譜信息融合的樹種識別算法，對樹種進行識別。

1 基于神經網絡的多光譜信息融合識別原理

神經網絡是一種多層神經網絡，其結構如圖1所示。

圖1 神經網絡結構圖

神經網絡算法是運用導師學習算法，在學習過程中通過正向傳播和反向傳播實現。正向傳播負責網絡計算，根據輸入參數求出結果；反向傳播負責逐層傳遞誤差，修改網絡權重，用于網絡的正確識別，訓練完成后識別則只需正向傳播[6-9]。多光譜信息融合識別模型如圖2 所示。

圖2 多光譜信息融合識別模型

神經網絡各并行子網輸出，通過與訓練輸出的差值進行誤差識別，對訓練輸出識別誤差值進行比較，計算后得出識別概率。運用神經網絡子網的識別結果，作為D-S 理論后級推理的證據源，從而對同一目標進行多周期證據融合[10-12]。設識別框架為：

神經網絡子網能夠實現對樹種的識別，并行子網數量為S，訓練輸出組合成的向量為：

目標特征向量序列為{t1,t2,t3,…,tn}，神經網絡子網識別輸出組合的S維向量為：

設其中一個中間變量為X，可表示為：

神經網絡子網i對樹種識別概率為：

將數據變換后的輸出記作：

該變換公式為：

式中，向量y表示待識別樹種對整個識別過程的歸一化隸屬度，其值能夠滿足賦值基本要求。將該向量時間序列作為證據遞歸到組合之中，形成多光譜信息融合推理，并輸出全部融合結果[13]。

2 樹種識別算法實現

2.1 關鍵點提取

1）枝下高提取

樹木分為主干和樹枝，測量時以枝下高位置作為樹木主干與樹冠的分割點，對枝下高進行測量。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，因此枝下高應大于1.3 m。測量時要對每棵樹不同高度處樹干的干徑和重心位置進行測量，以每棵樹的點云中取出該樹從1.3 m 至最高處的點云[14-15]。在以1.3 m 處開始對點云數據進行水平分層，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。以獲取的圓心進行半徑的提取，在2r范圍內將點云數據體元化，以體元尺寸5 cm×5 cm× 10 cm 為標準，如果體元內回波點個數n＞2，則表示該體元被覆蓋。如此循環遍歷所有層，從而得到各層的覆蓋體元個數，作為樹干處垂直剖面[16]。由于樹干處點云分布比較集中，而且各層的覆蓋度變化不大，直到枝下高處覆蓋度才會明顯變大，因此，根據樹木枝干的分布特點，可以得到枝下高的準確位置。

2）冠高提取

樹冠高的提取較為簡單，在提取冠高時以樹冠頂端到樹冠最低端間的豎直距離作為樹冠高。由于傳統測量方法中對冠高的測量，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，不僅浪費大量的時間，還會出現測量誤差。因此,利用地面激光雷達對樹木的點云進行三維檢視，這種檢視方法既可以解決枝葉間互相遮擋的問題，又能實現快速尋找樹冠最低端，準確地提取冠層部分點云，節約了人力物力，提高了樹冠提取的精準性。

3）樹高提取

在完整樹種識別數據中，樹木頂部是坐標系中的最大值，數據底部是坐標系中的最小值，兩者之間的差值是樹高。枝下高、冠高、樹高的關系如圖3所示。

圖3 枝下高、冠高、樹高的關系

2.2 樹種識別算法流程設計

根據上述提取的關鍵點，設計樹種識別算法流程，如圖4 所示。

圖4 樹種識別算法流程

由圖4 可知，對于樹種識別，需先采用雷達設備以圓形為基礎掃描該區域全部樹木，獲取相關圖像。然后對圖像預處理和分割，從中提取相關樹種特征，實現特征匹配。通過提取相關樣本圖像，并進行一系列處理，從中提取樣本特征，并存儲到樹種特征數據庫中，再次進行特征匹配。通過匹配結果可確定樹種，由此輸出樹種識別及結果。

3 實驗分析

為了驗證基于神經網絡的多光譜信息融合的樹種識別算法研究的合理性，進行實驗驗證分析。

3.1 實驗環境

在Win7 操作系統下進行實驗分析，系統開發使用工具是Eclipse，系統數據庫為手機自帶的SQLite數據庫。

3.2 實驗數據獲取與處理

在云南地區選取樹木，利用FARO photon 型號的地面激光雷達對該區域進行掃描，如圖5 所示。

圖5 FARO photon型號的地面激光雷達

對該區域樹木進行多次掃描，在立體視圖中刪除多余噪點。該雷達相關參數設置如表1 所示。

表1 雷達相關參數設置

3.3 樹木數據提取

在樹干高處朝南或朝北方向貼標識，并在樣本樹木周期均勻防止參考求，以此作為基站，可對樹木進行全面掃描。選取掃描區域為一個圓形，每隔10 min 掃描一次，具體掃描結果如圖6 所示。

圖6 掃描結果

在3D 模式下，選取單木數據，剔除多余數據。依據該掃描結果可看出3 種樹木的特征，如表2 所示。

表2 樹木特征

3.4 實驗結果分析

基于上述內容，分別采用傳統算法與神經網絡的多光譜信息融合識別算法對3 種樹木進行識別，識別結果如圖7 所示。

圖7 不同算法識別精準度對比

由圖7 可知，采用傳統算法對桉樹識別時，識別精準度最高為60%，對橡膠樹識別時，識別精準度最低為9%；采用所研究算法對橡膠樹識別時，識別精準度最高為98%，對竹子識別時，識別精準度最低為82%。由此可知，基于神經網絡的多光譜信息融合的樹種識別算法識別精準度較高。

4 結束語

隨著森林資源的不斷擴大，開展樹種識別可以有效地促進樹木的生存發展，利用神經網絡的多光譜信息融合識別算法進行樹種識別，改善了傳統識別方法存在的時間長、效率低的缺點，實現了快速準確地識別樹木種類，避免浪費大量的人力物力，有效節約經濟成本，促進森林資源可持續發展。