一种基于无人机数据的牲畜羊单位估算方法

本技术涉及畜牧业，具体而言，涉及一种基于无人机数据的牲畜羊单位估算方法。

背景技术：

1、放牧牲畜羊单位核定是天然草原草畜平衡管理的核心工作之一。现有的入户调查方法存在调查效率低、放牧和舍饲牲畜难以区分、牲畜体型数据难以获取导致放牧牲畜采食量估算不准等问题，天然草原上的放牧牲畜数量究竟有多少、分布在哪里，这些问题长期困扰着草地管理部门。近年来，无人机作为一种自上而下的新型成像遥感技术，具有成本低、不受视线遮挡、对动物干扰小等特点，为牲畜调查提供了新的途径，但现有解译工作还主要依靠目视判别，耗时长、不利于推广，亟待发展高精度的牲畜自动识别方法，以支撑高频次迅捷监测。

2、随着遥感影像分辨率提高和计算技术发展，研究人员开发了许多动物识别方法，主要分为传统目标识别方法和基于深度学习的识别方法。

3、传统目标识别算法主要围绕手动提取的光谱、纹理、形状等底层特征和中层次特征来展开。传统目标识别方法人工建立的特征和规则一般可解释性较强，但总体精度较低、泛化能力差，只适用于小批量影像识别。

4、深度学习识别模型主要分为：1)目标检测，给出图像中每个目标的类别和位置。目标检测算法通常速度快，但生成的水平锚框存在对密集/粘连目标识别精度低的问题。2)语义分割，是对图像进行像素级预测，并识别出每个像素的类别，代表性算法有unet、deeplab等，不区分个体且虚假目标较多，在尺度、形状多变的地物提取和土地利用分类等方面展示出较大优势。语义分割模型在粘连目标识别方面有优势，但对稀疏目标识别精度低。研究并改进多种模型协同识别机制，构建高精度的牲畜识别模型显得十分必要。

5、同时，无人机样带调查获得的数据覆盖范围通常较小，将样带调查数据进行尺度外扩和空间化定量表达是研究大空间尺度食草动物分布规律的有效途径。针对如何将局部调查数据进行外扩实现空间网格化处理，许多学者已经对不同模拟方法作了很多有益的探索。早期研究多基于动物均匀分布的假设，将样线调查的密度外推到整个区域，可获得大范围的野生动物数量，但由于动物分布具有很强的空间异质性，基于均匀分布的假设，根据局部调查结果推算的区域密度不确定性很大。一些学者采用分层抽样和估算法以提高精度，即对研究区进行分层抽样调查，然后将每层抽样获得的种群密度均值作为该层的种群密度，种群数量估算则通过每层的密度与面积乘机之和获得。路飞英等将新疆阿尔金山国家级自然保护区分为东部非产羔地和西部产羔地两层，采用样线法估算了藏羚羊、藏野驴、野牦牛3种有蹄类动物的数量和分布状况。然而关于如何进行分层，抽样样本量如何确定，如何进行分层估算才更为科学，估算结果利用什么数据验证，如何验证等问题研究尚为空白。

技术实现思路

1、本发明提供了一种基于无人机数据的牲畜羊单位估算方法，所述基于无人机数据的牲畜羊单位估算方法包括以下步骤：

2、步骤1、基于系统分层抽样法布设无人机航拍样带，利用无人机对航拍样带进行抽样航拍，获取无人机影像，并对影像进行拼接；

3、步骤2、基于改进的关键点深度学习网络，对拼接后的无人机影像进行分割与解译，提取无人机样带内牲畜的数量；

4、步骤3、构建分层抽样估算模型，根据样带内牲畜羊单位折算量推算预设区域内的牲畜羊单位，实现从样带到区域的尺度扩展；

5、步骤4，基于卫星影像解译结果、地面调查或统计数据对无人机影像解译精度进行评价。

6、更近一步地，在步骤1中，还包括：

7、步骤11，将抽样调查面积根据动物的分布密度划分为多个区域；

8、步骤12，将研究区域总面积转变为抽样调查面积计算，并获取第i层抽样面积；

9、步骤13，计算无人机飞行高度；

10、步骤14，确定航拍重叠度，并对无人机获取的影像进行拼接。

11、更近一步地，在步骤11中，所述系统分层抽样的抽样调查面积为：

12、

13、其中，si表示第i层的抽样面积，i表示划分区域数。

14、更近一步地，在步骤12中，所述第i层的抽样面积为：

15、

16、其中，n是用cochran公式计算得到的置信度为95％时第i层近似的牲畜群体抽样数量，n是研究区域总面积，s0是每个牲畜群体的平均占有草场面积；牲畜群体抽样数量n为：

17、

18、其中，zα/2为置信区间，p为具有相关属性的抽样牲畜群体比例，e为误差幅度。

19、更近一步地，在步骤2中，所述改进的关键点深度学习网络包括主干网络和预测网络，所述主干网络用于生成特征图，所述预测网络用于识别牲畜；

20、所述主干网络包括卷积模块和注意力机制模块，所述注意力机制模块设置在两个卷积模块之间，包括通道卷积注意力单元和空间卷积注意力单元；

21、所述注意力机制模块输出为：

22、

23、

24、式中，f表示输入特征图，mc表示通道注意力操作，f′表示通道注意力模块输出，ms表示空间注意力操作，表示逐个元素相乘的卷积操作，f″表示卷积注意力模块的输出；

25、在步骤2中，所述通道注意力图mc(f)表示为：

26、

27、其中，和分别表示平均池化特征和最大池化特征，σ表示sigmoid函数；

28、所述空间注意力图ms(f)表示为：

29、

30、式中，使用两个池化操作聚合成一个特征图的通道信息，生成两个2d图，大小为1×h×w，大小为1×h×w，f7×7表示一个滤波器大小为7×7的卷积运算；

31、所述预测网络包括多个原边界框预测分支和旋转角度预测分支；

32、所述关键点深度学习网络输入的目标的边界框定义为(cx，cy，δx，δy，w，h，θ)，其中，(cx，cy)代表目标中心点坐标，(δx，δy)表示中心点偏移值，(w，h)表示目标的宽和高；

33、所述关键点深度学习网络损失函数则在原损失函数的基础上增加旋转因子的损失函数：

34、l＝lk+λsizelsize+λoffloff+λanglelangle

35、

36、式中，λsize＝0.1，λoff＝λangle＝1，lk、lsize、loff、langle分别为中心点、尺度、中心点偏置、旋转角的损失函数，ak分别为第k个角度的预测值和真实值。

37、更近一步地，在步骤2中，根据牲畜边框的间距判断密集程度：

38、若iou≥0，则表示牲畜粘连，采用基于efficientps的语义分割模型对密集区域进行语义分割，根据牲畜平均体尺结合模糊均值聚类算法估算牲畜数量及每个牲畜的质心点；

39、若iou＜0，则表示牲畜分布稀疏，直接计算牲畜个数。

40、更近一步地，在步骤3中，将样带上某点的种群密度、根据样带牲畜数量推算预设区域内的牲畜密度通过以下方式进行：

41、样带上某点(cx，cy)的种群密度为：

42、

43、式中，m(cx，cy)为(cx，cy)点的畜群个体数折算成的羊单位；其中，绵羊/山羊折算为1羊单位，黄牛/马/骡子为5羊单位，牦牛为4羊单位，乳牛为6.5羊单位，驴为3羊单位，a(cx，cy)为(cx，cy)点的畜群占有域；

44、a(cx，cy)通过种子区域生长法获得，令生长速度与畜群规模成正比，直到与周边其他种子点的生长区域相交时，每个种子点的生长区域即为该种群的占有域。

45、更近一步地，在步骤3中，利用样带内牲畜羊单位推算预设区域内全部牲畜羊单位，实现牲畜羊单位从样带到区域的尺度扩展：

46、

47、其中，ui表示第i层的牲畜羊单位数，si为第i层的抽样面积，s′i为第i层的总面积；第i层的牲畜羊单位数为：

48、ui＝∑ρ(cx，cy)，(cx，cy)∈wi

49、其中，wi为第i层内所有点。

50、更近一步地，在步骤4中，牲畜在航向垂直方向上的运动造成的种群羊单位解译偏差为：

51、

52、式中，nstrip为影像逐条带拼接去除重复计数后的牲畜羊单位，nuav为全部影像整体拼接后发现的牲畜羊单位，biasmove为种群羊单位解译偏差。

53、更近一步地，在步骤4中，基于卫星影像解译结果、地面调查或统计数据评估无人机影像调查偏差为：

54、

55、式中，nuav为全部影像整体拼接后发现的牲畜数量，nother为基于卫星影像解译结果、地面调查或统计数据获得的牲畜数量，biasuav为基于卫星影像解译结果、地面调查或统计数据评估无人机影像调查偏差。

56、本技术的有益效果是：

57、本发明提出的基于无人机数据的牲畜羊单位估算方法，针对牲畜分布范围广、位置动态变化等特点，根据统计学原理发展无人机抽样调查的方法，推导抽样比例/面积，建立的无人机样带调查方法较传统地面样带调查有不可比拟的优势，如数据采集更快、对动物干扰小、无遮挡、可抵达地面难以到达的地方，因而数据成本更低、分布更合理、精度更高。

58、本发明提出的基于无人机数据的牲畜羊单位估算方法，提出了基于旋转关键点的牲畜识别网络，将目标检测问题变成了一个标准的关键点预测问题，摒弃了anchor的概念，在目标检测的精度和效率之间取得了较好平衡，同时为解决原有centernet产生的边框不能很好贴合目标的问题，在原框架中加入让预测框产生不同角度的旋转因子，在损失函数中增加目标旋转角度的损失函数，使预测边界框可以更加精确的包围目标，采用并行多尺度提取路径、空洞卷积、类别分支信息增强模块、通道和空间卷积注意力模块等方法增加卷积时的感受野，提高目标的掩膜生成能力，突出牲畜特征信息，从而提升网络对多尺度牲畜识别能力，并结合语义分割模型和传统目标提取方法，取得了对密集牲畜识别更好表现。