在树木的生长发育过程中,根系起着至关重要的作用。而地下根系错综复杂,盘根交错,因此对树木根系的识别定位是目前亟待解决的问题。传统的根系扫描图像定位识别方法多是基于数字图像分析的方法,存在各种问题,限制其广泛应用。Faster Region CNN(Faster-rCNN)作为深度学习中的目标识别模型,不仅可以实现分类的效果,还可以通过Region Proposal Network(RPN)实现感兴趣区域的快速定位,使根系扫描图像识别定位实现自动化。本文致力于研究基于Faster-rCNN的根系扫描图像定位识别方法,主要工作包括以下方面:1.构造根系识别数据集。数据集由两部分组成,分别为利用GPRMAX V2.0正演的模拟图像以及通过埋根法采集的实地图像。2.设计Faster-rCNN网络结构。本文使用模拟图像数据集训练网络,结果显示分类准确率达到86%。表明该模型对双曲线的识别定位具有应用价值。再使用实地图像数据集训练网络,模型准确率为72%,进一步说明模型对双曲线识别定位的可行性。3.探究主成分分析(PCA)在根系识别中的应用。首先将PCA应用于手势识别领域中探究PCA的最佳数据维度。结果表明,对于同等尺寸大小的样本,存在最佳维度范围使得分类准确度最佳。之后,尝试使用PCA对根系扫描图像进行特征提取,将提取过特征的图像样本送入模型训练。结果表明,当样本压缩率为4%时,可将Faster-rCNN模型的识别准确率提高近10%。4.开展颐和园现场实验测试算法的识别效果。应用文中的模型对在颐和园获取的根系扫描图像进行双曲线的识别与定位,将模型的识别结果与人工辨识结果对比,并与Tree WIN软件处理结果横向比较。结果表明,该模型基本可以满足野外实地情况下根系扫描图像的识别定位需求。