(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210193831.X (22)申请日 2022.03.01 (71)申请人 瀚云科技有限公司 地址 214000 江苏省无锡市无锡新区新吴 区菱湖大道111号无锡软件园天鹅座B 栋1111室 (72)发明人 闫政　郑永强　姚廷山　何渝君　 汪玉东　成正林　唐茂文　邬明罡　 (74)专利代理 机构 北京超凡宏宇专利代理事务 所(特殊普通 合伙) 11463 专利代理师 刘凤 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/22(2022.01) G06V 10/44(2022.01)G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) (54)发明名称 一种树木的检测方法、 装置、 电子设备及存 储介质 (57)摘要 本申请提供了一种树木的检测方法、 装置、 电子设备及存储介质， 确定方法包括： 将全景树 木图像输入训练好的叶片密度 识别模型， 确定全 景树木图像的树木叶片密度图； 基于树木叶片密 度图确定随机游走的起始采样点， 以起始采样点 进行随机游走， 当获取到的采样点的数量达到预 设阈值时， 采集下一个采样点作为目标采样点； 基于每轮随机游走对应的任意两个采样点的最 大密度差和目标采样点的密度值， 确定该轮随机 游走对应的轮廓点； 基于各轮随机游走时产生的 轮廓点， 确定目标树木图像中目标树木的轮廓。 本申请通过目标树木的轮廓点来确定目标树木 轮廓， 这样能够明显的区分出目标树木图像区域 和背景图像区域之间的边界， 提高了目标树木检 测的准确率。 权利要求书2页 说明书12页 附图4页 CN 114581774 A 2022.06.03 CN 114581774 A 1.一种树木的检测方法， 其特 征在于， 所述检测方法包括： 获取待检测区域中的全景树木图像； 所述全景树木图像包括目标树木图像区域和带有 其他树木的背景图像区域； 将所述全景树木图像输入训练好的叶片密度识别模型， 确定所述全景树木图像的树木 叶片密度图； 基于所述树木叶片密度图确定随机游走的起始采样点， 以所述起始采样点作为起点进 行随机游走， 当随机游走获取到的采样点的数量达到预设阈值时， 采集下一个采样点作为 目标采样点； 基于每轮随机游走对应的任意两个采样点的最大密度差和所述目标采样点的密度值， 确定该轮随机游走对应的所述目标树木的轮廓点； 当所述随机游走的游走轮数达到预设轮数时， 基于各轮随机游走时产生的所述轮廓 点， 确定所述全景树木图像中所述目标树木的轮廓， 以完成对所述目标树木的检测。 2.根据权利要求1所述的检测方法， 其特征在于， 通过以下方式确定每轮随机游走对应 的任意两个采样点的最大密度差： 确定每轮随机游走对应的任意两个采样点的密度差， 并将多个所述密度差 中的最大值 确定为任意两个所述采样点的最大密度差； 其中， 该任意两个采样点之间的距离满足预设采样间距。 3.根据权利要求2所述的检测方法， 其特征在于， 所述基于每轮随机游走对应的任意两 个采样点的最大密度差和所述目标采样点的密度值， 确定该轮随机游走对应的所述目标树 木的轮廓点， 包括： 在每轮随机游走 下， 判断目标采样点的密度值与背景 预设密度值之间的大小关系； 若所述目标采样点的密度值小于背景预设密度值， 则确定该轮随机游走的当前采样点 为该轮随机游走对应的轮廓点。 4.根据权利要求3所述的检测方法， 其特征在于， 所述基于每轮随机游走对应的任意两 个采样点的最大密度差和所述 目标采样点的密度值， 确定该轮随机游走对应的轮廓点， 还 包括： 在每轮随机游走下， 判断目标采样点的密度值与采样点的最大密度值之间的差值是否 大于所述 最大密度差； 若是， 则确定该轮随机游走的当前采样点 为该轮随机游走对应的轮廓点。 5.根据权利要求4所述的检测方法， 其特征在于， 在所述在每轮随机游走下， 判断目标 采样点的密度值与采样点的最大密度值之 间的差值是否大于所述最大密度差之后， 所述检 测方法还 包括： 若否， 且所述目标采样点的密度值大于背景预设密度值， 则将所述目标采样点列入该 轮随机游走 的采样点， 并将继续采集下一个采样点作为新的目标采样点， 更新该轮随机游 走对应的任意两个采样点的最大密度差 。 6.根据权利要求1所述的检测方法， 其特征在于， 通过以下方式确定训练好的叶片密度 识别模型： 获取样本全景树木图像集； 针对所述样本全景树木图像集中的叶片中心点进行 标注， 生成叶片密度特 征数据集；权　利　要　求　书 1/2 页 2 CN 114581774 A 2基于所述叶片密度特征数据集， 对构建好的神经网络进行训练， 得到训练好的叶片密 度识别模型。 7.根据权利要求1所述的检测方法， 其特征在于， 在所述基于所述树木叶片密度图确定 随机游走 的起始采样点， 以所述起始采样点作为起点进行随机游走之后， 所述检测方法还 包括： 当随机游走获取到的采样点的数量小于预设阈值， 确定随机游走的多个采样点的多个 密度值； 若任一所述采样点的密度值小于背景 预设密度值， 则结束该轮随机游走。 8.一种树木的检测装置， 其特 征在于， 所述检测装置包括： 获取模块， 用于获取待检测区域中的全景树木 图像； 所述全景树木 图像包括目标树木 图像区域和带有其 他树木的背景图像区域； 第一确定模块， 用于将所述全景树木 图像输入训练好的叶片密度识别模型， 确定所述 全景树木图像的树木叶片密度图； 采集模块， 用于基于所述树木 叶片密度图确定随机游走的起始采样点， 以所述起始采 样点作为起点进行随机游走， 当随机游走获取到的采样点的数量达到预设阈值时， 采集下 一个采样点作为目标采样点； 第二确定模块， 用于基于每轮随机游走对应的任意两个采样点的最大密度差和所述目 标采样点的密度值， 确定该轮随机游走对应的所述目标树木的轮廓点； 第三确定模块， 用于当所述随机游走的游走轮数达到预设轮数时， 基于各轮随机游走 时产生的所述轮廓点， 确定所述全景树木图像中所述 目标树木的轮廓， 以完成对所述 目标 树木的检测。 9.一种电子设备， 其特征在于， 包括： 处理器、 存储器和总线， 所述存储器存储有所述处 理器可执行 的机器可读指令， 当电子设备运行时， 所述处理器与所述存储器之间通过总线 通信， 所述机器可读指令被所述处理器运行时执行如上述权利要求 1至7中任一所述的检测 方法的步骤。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质上存储有计算机 程序， 所述计算机程序被处理器运行时执行如上述权利要求 1至7中任一所述的检测方法的 步骤。权　利　要　求　书 2/2 页 3 CN 114581774 A 3