一种应用激光技术的多维形态鉴别动植物有害生物方法技术

本发明专利技术提出了采用激光技术对生物形态进行测距生成初始的多维动植物有害生物形态轮廓点云数据，对初始的多维动植物有害生物形态轮廓点云数据“去噪”，重建精准的多维动植物有害生物形态轮廓点云数据，拆分精准的多维动植物有害生物形态轮廓点云数据获得基于有害生物检索表获得对于动植物有害生物区分的局部形态特征点云数据；与预先训练好的有害生物检索表中对于对应的形态特征标准点云数据库进行比对、分类检索，确定动植物有害生物种属。本方法大大缩短了生物样本多维成型的时间，提高了加涅效率；提高了生物鉴别的准确率，而且具有记忆能力，使用次数越多鉴别速度越快、准确性越高。

【技术实现步骤摘要】
一种应用激光技术的多维形态鉴别动植物有害生物方法
本专利技术属于人工智能的生物识别领域，具体涉及一种应用激光技术的多维形态鉴别动植物有害生物方法。
技术介绍
物联网、区块链、云计算、大数据等信息技术的发展，为人工智能开辟了许多应用领域，也提出了越来越高的要求，生物特征识别是人工智能极为重要的组成部分，智能鉴别动植物有害生物(有害生物类、杂草类、软体动物类、蜘蛛类、真菌类、线虫类、原核生物类)是生物特征识别极为重要的应用领域。准确、快速、便利等问题都对动植物有害生物鉴别方法的智能化提出了很高要求。目前智能鉴别动植物有害生物方法还处于实验探索阶段，在现有实验探索的方法中，相对成熟的方法是达姆施塔特扫描图像鉴别方法，通过两个半圆形光源提供各个方向的照明，然后用一台板载数码相机来持续采集照片，通过双轴步进马达的旋转，以及机台的往复移动，相机从四面八方进行拍摄，400个不同的空间方向的25000张照片，结合到一起，就形成了一个3D模型。虽然该技术能达到扫描成像，具有数字化、远程性等特性，在动植物有害生物鉴别领域进行了尝试，但是由于达姆施塔特扫描图像鉴别方法存在单个生物样本需要400个不同空间方向拍摄25000张照片，整个过程需要精准定位、多次摆位、多次拍摄，历时数个小时完成，数据量非常大，导致达姆施塔特扫描生物鉴别在目前还只能处于实验阶段，难以进入应用。
技术实现思路
本专利技术提出了采用激光技术对生物形态进行测距生成初始的多维动植物有害生物形态轮廓点云数据，对初始的多维动植物有害生物形态轮廓点云数据“去噪”，重建精准的多维动植物有害生物形态轮廓点云数据，拆分精准的多维动植物有害生物形态轮廓点云数据获得基于有害生物检索表获得对于动植物有害生物区分的局部形态特征点云数据；与预先训练好的有害生物检索表中对于对应的形态特征标准点云数据库进行比对、分类检索，确定动植物有害生物种属。一种应用激光技术的多维形态鉴别动植物有害生物方法，其特征在于，该方法采用非接触式的激光扫描成像技术，由激光发射器向动植物有害生物样本表面投射激光，投射的激光经动植物有害生物样本表面形状和间隙调制后，形成漫反射光，通过感光传感器接收反射光后形成的激光，根据发射激光的时间与光接收传感器接收激光的时间的差值，计算出待测生物样本表面的测试点到发射器之间的相对距离，并利用三角关系即可计算出变化前后像点位置关系，简便快速对生物形态特征进行一次性测距形成初始生物形态多维轮廓电子点云数据；具体操作步骤如下：第一步：开启激光扫描设备，然后预热，检查设备、网络、软件系统；保持硬件设备、网络、软件系统等处于正常工作状态。第二步：放置待测有害生物样本，扫描采集待测有害生物样本获得初始多维样品形态轮廓点云数据；待测有害生物样本根据有害生物的形态特征扫描需要，对待测有害生物样本进行扫描前处理，保证形态特征清晰、完整。第三步：“去噪”重建待测有害生物样本精准多维有害生物形态轮廓点云数据；对于动植物有害生物的“去噪”有卡尔曼滤波算法、高斯滤波算法和拉普拉斯算法。第四步：拆分没有噪点的精准的多维有害生物形态轮廓点云数据；对于动植物有害生物的分割有马尔可夫模型算法的分割算法、法线矢量及一致化算法。第五步：将待测有害生物样本多维有害生物形态轮廓点云数据，与基于有害生物检索表预先训练好的有害生物数据库进行比对、分类检索，与基于有害生物检索表预先训练好的有害生物数据库进行比对、分类检索，进行比对结果验证，再进入卷积神经网络进行深度识别学习；基于有害生物检索表预先训练好的有害生物数据库与提取的特征进行比对，直到达到标准的识别准确度才输出结果。待测有害生物样本多维有害生物形态轮廓点云数据进行与基于有害生物检索表预先训练好的有害生物数据库进行比对、分类检索通过采取基于卷积神经网络算法、启发算法。待测有害生物样本多维有害生物形态轮廓点云数据进行与基于有害生物检索表预先训练好的有害生物数据库进行比对、分类检索整个流程是基于tensorflow和pointnet++来完成。第六步：记忆提高鉴别速度、准确性；即通过每次对这次天牛样本的鉴定所获得的多维有害生物形态轮廓点云数据与输出的结果，会记录在有害生物数据库中，因此再次鉴别未知有害生物为天牛时，会在计算过程中省去部分卷积神经网络重复运算的过程，提高了鉴别的速度，除此以外有害生物数据库也能升级了标准的原始标准数据，提高了鉴别的准确率；因此，机器学习、训练具有记忆能力，用户的每次使用都会形成记忆，当下一次使用时就会快速与历史数据进行比对，使用次数越多、记忆越多，鉴别速度就会越快、准确性就会越高。待测有害生物样本多维有害生物形态轮廓点云数据进行与基于有害生物检索表预先训练好的有害生物数据库进行比对、分类检索整个流程是基于tensorflow和pointnet++来完成；PointNet通过对称方法来解决点云存在的无序性问题；PointNet++中使用的对称方法概括如下：f({x1，x2，…xn})≈g(h(x1)，h(x2)，…h(xn))式中,f是全局特征的提取函数,h是每一个点的特征提取函数,g是PointNet使用的对称函数max-pooling；在对n个点进行卷积等操作后，生成n*1024维的特征矩阵，在PointNet中也就是1024个1024维的全局特征，通过使用最大池化法对每个维度求其最大值，这样就解决了点云的无序性问题；当特征维数足够大时，最大池化可以模拟任意对称函数。本专利技术具有如下有益效果：本方法不需要精准定位、多次摆位、多次拍摄大量的照片，只通过激光在动植物有害生物样本上非接触式的通过激光扫描一遍就可以获取大量的多维动植物有害生物形态轮廓点云数据，操作便利性强，大大缩短了生物样本多维成型的时间，提高了加涅效率；同时，本方法是根据检索表对动植物有害生物的局部形态特征点云数据(有害生物获得有害生物头部触角、口器，胸部翅、足，腹部性器等关键局部特征；杂草获得杂草籽的形状、大小、脐条、颖片、表面光滑与凸起等关键局部特征)针对性地进行对比、鉴别，纳米精度的扫描提供大量的生物形态电子点云数据，提高了生物鉴别的准确率，而且具有记忆能力，使用次数越多鉴别速度越快、准确性越高。极大地扩展了激光技术和人工智能在农业、执法、决策、科研、教育培训等动植物有害生物相关领域应用附图说明图1示意了本专利技术实现的流程。图2示意了线激光技术扫描数据采集示意图。图3示意了结构光技术扫描数据采集示意图。图4示意了系统连接图。图5示意了去噪后的效果。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。一种应用激光技术的多维形态鉴别动植物有害生物方法。该方法采用非接触式的激光扫描成像技术，激光扫描成本文档来自技高网...

【技术保护点】
1.一种应用激光技术的多维形态鉴别动植物有害生物方法，其特征在于，该方法采用非接触式的激光扫描成像技术，由激光发射器向动植物有害生物样本表面投射激光，投射的激光经动植物有害生物样本表面形状和间隙调制后，形成漫反射光，通过感光传感器接收反射光后形成的激光，根据发射激光的时间与光接收传感器接收激光的时间的差值，计算出待测生物样本表面的测试点到发射器之间的相对距离，并利用三角关系即可计算出变化前后像点位置关系，简便快速对生物形态特征进行一次性测距形成初始生物形态多维轮廓电子点云数据；具体操作步骤如下：/n第一步：开启激光扫描设备，然后预热，检查设备、网络、软件系统；保持硬件设备、网络、软件系统等处于正常工作状态；/n第二步：放置待测有害生物样本，扫描采集待测有害生物样本获得初始多维样品形态轮廓点云数据；/n第三步：“去噪”重建待测有害生物样本精准多维有害生物形态轮廓点云数据；/n第四步：拆分没有噪点的精准的多维有害生物形态轮廓点云数据；/n第五步：将待测有害生物样本多维有害生物形态轮廓点云数据，与基于有害生物检索表预先训练好的有害生物数据库进行比对、分类检索，与基于有害生物检索表预先训练好的有害生物数据库进行比对、分类检索，进行比对结果验证，再进入卷积神经网络进行深度识别学习；基于有害生物检索表预先训练好的有害生物数据库与提取的特征进行比对，直到达到标准的识别准确度才输出结果。/n...

【技术特征摘要】
1.一种应用激光技术的多维形态鉴别动植物有害生物方法，其特征在于，该方法采用非接触式的激光扫描成像技术，由激光发射器向动植物有害生物样本表面投射激光，投射的激光经动植物有害生物样本表面形状和间隙调制后，形成漫反射光，通过感光传感器接收反射光后形成的激光，根据发射激光的时间与光接收传感器接收激光的时间的差值，计算出待测生物样本表面的测试点到发射器之间的相对距离，并利用三角关系即可计算出变化前后像点位置关系，简便快速对生物形态特征进行一次性测距形成初始生物形态多维轮廓电子点云数据；具体操作步骤如下：
第一步：开启激光扫描设备，然后预热，检查设备、网络、软件系统；保持硬件设备、网络、软件系统等处于正常工作状态；
第二步：放置待测有害生物样本，扫描采集待测有害生物样本获得初始多维样品形态轮廓点云数据；
第三步：“去噪”重建待测有害生物样本精准多维有害生物形态轮廓点云数据；
第四步：拆分没有噪点的精准的多维有害生物形态轮廓点云数据；
第五步：将待测有害生物样本多维有害生物形态轮廓点云数据，与基于有害生物检索表预先训练好的有害生物数据库进行比对、分类检索，与基于有害生物检索表预先训练好的有害生物数据库进行比对、分类检索，进行比对结果验证，再进入卷积神经网络进行深度识别学习；基于有害生物检索表预先训练好的有害生物数据库与提取的特征进行比对，直到达到标准的识别准确度才输出结果。


2.根据权利要求1所述的一种应用激光技术的多维形态鉴别动植物有害生物方法，其特征在于，增加第六步：记忆提高鉴别速度、准确性；即通过每次对这次天牛样本的鉴定所获得的多维有害生物形态轮廓点云数据与输出的结果，会记录在有害生物数据库中，因此再次鉴别未知有害生物为天牛时，会在计算过程中省去部分卷积神经网络重复运算的过程，提高了鉴别的速度，除此以外有害生物数据库也能升级了标准的原始标准数据，提高了鉴别的准确率；因此，机器学习、训练具有记忆能力，用户的每次使用都会形成记忆，当下一次使用时就会快速与历史数据进行比对，使用次数越多、记忆越多，鉴别速度就会越快、准确性就会越高。


3.根据权利要求1或2所述的一种应用激光技术的多维形态鉴别动植物有害生物方法，其特征在于，所述的第二步中待测...

【专利技术属性】
技术研发人员：何铭就，陈艳，蒋嘉胜，程杰，程曦，郑国忠，
申请(专利权)人：广州市炜城智能科技有限公司，
类型：发明
国别省市：广东;44