本发明属于遥感技术、深度学习技术和面积计算领域，具体而言，涉及一种基于无人机航拍的快速获取异常草样面积的方法。
背景技术：
1、异常草样指的是外来植物生物被引入到新的生态系统中，并在该环境中生长、繁殖并对当地生态系统产生显著影响的现象；外来物种通常在其新环境中缺乏自然天敌，因此可以迅速扩散，导致原生物种的减少或灭绝，破坏生态平衡，并可能对人类社会和经济造成负面影响。
2、例如：互花米草是一种典型的异常草样，它具有很强的生长能力和扩散能力，能够迅速占据大片湿地；互花米草产生的危害包括：生态破坏、其他生物的栖息地丧失和影响渔业等。
3、但在对异常草样进行除草时，遇到的困难除了生物学特性、控制方法不适用和资源限制等原因外，最主要的原因是对异常草样监测和评估的困难；其中，对异常草样面积的评估是至关重要的，因为它直接的反映了目标区域的异常草样入侵状态；同时，获得目标区域的异常草样的入侵状态和位置，可以制定有针对性的措施对该地区的异常草样进行治理。
技术实现思路
1、本发明的目的在于克服现有技术存在的以上问题，以及在原有技术基础上大大提高其技术效果；为此，本发明提供了一种基于无人机航拍的快速获取异常草样面积的方法，该方法包括：
2、(一)确定需要监测的目标区域，将目标区域进行网格化，将目标区域划分成多个面积相等的长方形区域；
3、(二)通过gps应用程序确定每个长方形区域的中心点坐标位置，根据各个长方形区域的中心点坐标位置确定无人机拍摄图像时的最短航线；并根据长方形的面积s1、无人机相机模组图像传感器的感光面积s2和无人机相机模组的镜头焦距f确定无人机的航高h，确定无人机航高的公式为：
4、
5、(三)根据确定的最短航线和航高h进行无人机飞行拍摄，在每个长方形区域的中心点坐标位置进行垂直航拍，获取对应长方形区域垂直航拍图像；
6、(四)通过cnn深度学习技术对每个长方形区域的垂直航拍图像进行分割和处理，获取分割图像，通过分割图像计算识别每个长方形区域目标异常草样的像素个数和每个长方形区域的总像素个数；
7、(五)根据每个长方形区域目标异常草样的像素个数和每个长方形区域的总像素个数获取整个目标区域异常草样的面积；整个目标区域异常草样面积的计算公式为：
8、
9、其中，s表示整个目标区域异常草样的面积，i表示第i个长方形区域，n表示通过网格化共将目标区域划分成n个长方形区域，αi表示第i个长方形区域中目标异常草样的像素个数，s1表示每个相同长方形的面积，β0表示每个长方形区域图像的总像素个数。
10、所述将目标区域划分成多个面积相等的长方形区域包括：所述目标区域指待监测的生长有目标异常草样的区域，采用tilemill软件对目标区域进行网格化，将目标区域划分成多个长和宽相等的长方形，且所有长方形的长互相平行，宽互相平行；对于目标区域边缘不能直接划分成长方形的情况，则通过面积相等的长方形将边缘区域包含在其中的方式进行划分。
11、所述根据各个长方形区域的中心点坐标位置确定无人机拍摄图像时的最短航线包括：无人机从一个长方形区域的中心点位置拍摄后飞向邻近的长方形区域的中心点进行拍摄，确定无人机拍摄图像时的最短航线的方法为：(a)通过gps应用程序确定各个长方形的中心点坐标位置，通过所有中心点坐标位置形成散点图；(b)选择散点图中的任一点为起点，通过开放旅行商问题的相关算法得到从起点出发到其他全部中心点坐标位置的最短距离，所述最短距离即为无人机拍摄图像时的最短航线；所述开放旅行商问题指目标是访问给定的所有地点，并且从起点出发到达终点，不需要回到起点；解决开放旅行商问题的相关算法包括：精确算法、现成工具和库、启发式和近似算法。
12、所述确定无人机航高的公式包括：公式中的s1和s2的长宽比相同，为了获取更清晰的异常草样图像，且使得任务量不能过大，s1的大小要适中；根据目标异常草样的类别特征、拍摄图像中异常草样的识别效果和工作量确定s1的大小。
13、所述获取对应长方形区域垂直航拍图像包括：若需要监测的目标区域为多陡坡地带，则需要将获得的垂直航拍图像进行正射校正，获取对应的正射图像；随后，对正射图像进行步骤(四)和步骤(五)的处理，获得目标区域异常草样的面积。
14、所述cnn深度学习技术包括：cnn深度学习技术是一种深度学习模型，用于处理和分析图像数据；cnn通过一系列卷积层、池化层和全连接层自动提取图像特征；cn n深度学习技术包括：模型的训练、模型的验证和训练好的模型；其中，模型的训练包括：首先，收集包含目标异常草样的植物图像数据，使用标注工具对每张图像中的植物进行标注，并将其分类到相应的标签中；对标注的图像进行图像缩放、归一化和数据增强的预处理任务，并将预处理后的图像分为训练集和测试集；其次，选择合适的cnn架构，构成cnn网络模型，通常使用的cnn架构包括vgg16、resnet和inception；最后，将训练集输入到选择的cnn网络模型进行训练，直到包括达到设定的固定轮数和损失函数收敛，则停止训练；所述模型的验证包括：将测试集输入到训练的模型中，根据结果评估模型的性能；根据评估结果，调整模型的超参数以提高模型性能，直到获得性能良好的模型，将调整以后的模型叫做训练好的模型。
15、所述cnn深度学习技术还包括：通过训练好的模型对每个长方形区域的垂直航拍图像进行分割和处理，获取分割图像；分割图像的过程为：特征提取、上下文捕捉和像素分类；通过得到的分割图像，对分割图像进行二值掩模处理，获得目标异常草样的二值掩模图像，其中目标异常草样对应区域每个像素值为1，背景像素值0；通过二值掩模图像获得目标异常草样区域像素个数；并通过python图像处理工具获取整个长方形图像的总像素个数。
16、所述根据每个长方形区域目标异常草样的像素个数和每个长方形区域的总像素个数获取整个目标区域异常草样的面积包括：设置连接无人机的中央控制中心，所述中央控制中心上布置包括tilemill软件、gps应用程序、cnn深度学习技术、python图像处理工具和多种算法；在无人机自动按照最短航线和航高进行垂直航拍时，每获得一张图像中央控制中心立刻对该图像中目标异常草样的像素个数进行计算，并计算每个长方形图像的总像素个数；直到无人机航行到航线终点，并计算航线终点所对应的长方形中目标异常草样的像素个数和每个长方形图像的总像素个数，将获得的长方形中目标异常草样的像素个数和每个长方形图像的总像素个数带入步骤(五)的整个目标区域异常草样面积的计算公式中，快速获得整个目标区域异常草样的面积。
17、本发明的有益效果是：
18、(1)本发明给出了一种基于无人机航拍的快速获取异常草样面积的方法，该方法能够快速的获取目标区域的异常草样面积，为制定进一步的除草计划提供重要的数据支持；且给出了无人机最短航线的获取方法，使得无人机通过最短航线进行拍摄，节能并且高效。
19、(2)本发明采用网格化的方式将目标区域划分到相同的长方形区域中，通过计算每个长方形区域图像中目标异常草样的像素个数和每个长方形区域图像中总像素个数，通过获得的像素数直接计算整个目标区域的目标异常草样的总面积；因为每个长方形区域拍摄的目标异常草样将会更加清晰，相比于直接获得整个目标区域的图像，进行面积计算将更加的准确；且因为每个长方形面积相等和长方形区域图像的总像素相等，相比于每个区域均要计算一次目标异常草样像素所占的比例，本发明获得整个目标区域的目标异常草样的总面积计算方法将会更加简单。
20、(3)本发明在无人机拍摄过程中，就可以对之前最短航线上拍摄的长方形区域图像进行目标异常草样像素个数和长方形区域图像总像素个数进行统计；当到达航线终点，并计算完终点对应的长方形区域目标异常草样像素个数和长方形区域图像总像素个数，将整个航线中获得的像素参数直接带入整个目标区域异常草样面积的计算公式，快速得到整个目标区域异常草样面积。
1.一种基于无人机航拍的快速获取异常草样面积的方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的一种基于无人机航拍的快速获取异常草样面积的方法，其特征在于，所述将目标区域划分成多个面积相等的长方形区域包括：所述目标区域指待监测的生长有目标异常草样的区域，采用tilemill软件对目标区域进行网格化，将目标区域划分成多个长和宽相等的长方形，且所有长方形的长互相平行，宽互相平行；对于目标区域边缘不能直接划分成长方形的情况，则通过面积相等的长方形将边缘区域包含在其中的方式进行划分。
3.根据权利要求1所述的一种基于无人机航拍的快速获取异常草样面积的方法，其特征在于，所述根据各个长方形区域的中心点坐标位置确定无人机拍摄图像时的最短航线包括：无人机从一个长方形区域的中心点位置拍摄后飞向邻近的长方形区域的中心点进行拍摄，确定无人机拍摄图像时的最短航线的方法为：(a)通过gps应用程序确定各个长方形的中心点坐标位置，通过所有中心点坐标位置形成散点图；(b)选择散点图中的任一点为起点，通过开放旅行商问题的相关算法得到从起点出发到其他全部中心点坐标位置的最短距离，所述最短距离即为无人机拍摄图像时的最短航线；所述开放旅行商问题指目标是访问给定的所有地点，并且从起点出发到达终点，不需要回到起点；解决开放旅行商问题的相关算法包括：精确算法、现成工具和库、启发式和近似算法。
4.根据权利要求1所述的一种基于无人机航拍的快速获取异常草样面积的方法，其特征在于，所述确定无人机航高的公式包括：公式中的s1和s2的长宽比相同，为了获取更清晰的异常草样图像，且使得任务量不能过大，s1的大小要适中；根据目标异常草样的类别特征、拍摄图像中异常草样的识别效果和工作量确定s1的大小。
5.根据权利要求1所述的一种基于无人机航拍的快速获取异常草样面积的方法，其特征在于，所述获取对应长方形区域垂直航拍图像包括：若需要监测的目标区域为多陡坡地带，则需要将获得的垂直航拍图像进行正射校正，获取对应的正射图像；随后，对正射图像进行步骤4)和步骤5)的处理，获得目标区域异常草样的面积。
6.根据权利要求1所述的一种基于无人机航拍的快速获取异常草样面积的方法，其特征在于，所述cnn深度学习技术包括：cnn深度学习技术是一种深度学习模型，用于处理和分析图像数据；cnn通过一系列卷积层、池化层和全连接层自动提取图像特征；cnn深度学习技术包括：模型的训练、模型的验证和训练好的模型；其中，模型的训练包括：首先，收集包含目标异常草样的植物图像数据，使用标注工具对每张图像中的植物进行标注，并将其分类到相应的标签中；对标注的图像进行图像缩放、归一化和数据增强的预处理任务，并将预处理后的图像分为训练集和测试集；其次，选择合适的cnn架构，构成cnn网络模型，通常使用的cnn架构包括vgg16、resnet和inception；最后，将训练集输入到选择的cnn网络模型进行训练，直到包括达到设定的固定轮数和损失函数收敛，则停止训练；所述模型的验证包括：将测试集输入到训练的模型中，根据结果评估模型的性能；根据评估结果，调整模型的超参数以提高模型性能，直到获得性能良好的模型，将调整以后的模型叫做训练好的模型。
7.根据权利要求1所述的一种基于无人机航拍的快速获取异常草样面积的方法，其特征在于，所述cnn深度学习技术还包括：通过训练好的模型对每个长方形区域的垂直航拍图像进行分割和处理，获取分割图像；分割图像的过程为：特征提取、上下文捕捉和像素分类；通过得到的分割图像，对分割图像进行二值掩模处理，获得目标异常草样的二值掩模图像，其中目标异常草样对应区域每个像素值为1，背景像素值0；通过二值掩模图像获得目标异常草样区域像素个数；并通过python图像处理工具获取整个长方形图像的总像素个数。
8.根据权利要求1所述的一种基于无人机航拍的快速获取异常草样面积的方法，其特征在于，所述根据每个长方形区域目标异常草样的像素个数和每个长方形区域的总像素个数获取整个目标区域异常草样的面积包括：设置连接无人机的中央控制中心，所述中央控制中心上布置包括tilemill软件、gps应用程序、cnn深度学习技术、pytho n图像处理工具和多种算法；在无人机自动按照最短航线和航高进行垂直航拍时，每获得一张图像中央控制中心立刻对该图像中目标异常草样的像素个数进行计算，并计算每个长方形图像的总像素个数；直到无人机航行到航线终点，并计算航线终点所对应的长方形中目标异常草样的像素个数和每个长方形图像的总像素个数，将获得的长方形中目标异常草样的像素个数和每个长方形图像的总像素个数带入步骤5)的整个目标区域异常草样面积的计算公式中，快速获得整个目标区域异常草样的面积。
