【技术实现步骤摘要】
一种基于深度学习的树木线虫病害木识别方法及系统
[0001]本专利技术涉及森林病虫害防治
,尤其涉及一种基于深度学习的树木线虫病害木识别方法及系统。
技术介绍
[0002]目前,森林病虫害已经严重威胁到森林可持续发展的进程,每年造成经济损失高达数亿元。比如,松材线虫由于其具有扩散快,致病机理复杂等问题,已经成为林业管理中主要的防治对象。然而基于传统人工调查的方法耗时耗力,不能很好的掌握病害发生范围,往往错过了最佳防治期限。同时,遭受松材线虫病害的森林由于其林分组成和爆发程度多样,使得利用传统分类手段在识别病害木的研究并不能实现良好的泛化能力,往往一种方法只适用于特定条件下的检测场景。在森林复杂的背景之下,树冠没有固定的特征形态,且冠幅大小各异,单一的特征提取结构很难为多种目标的识别提供全面的信息,而且森林还中存在着大量连片的其他用地类型(如裸土、水域、房屋建筑、农田等)的干扰,在单木水平上的检测效果并不令人满意。针对检测效果不佳的现状,目前主要存在的原因如下:(1)在复杂的森林背景下,通过人工设计的底层特征并不能有效反映图像丰富的信息,同时由于森林裸土和阴影的存在,极大阻碍了检测效果。如何提取有效的特征在一定程度上决定了模型的分类能力。然而,对于最终用户来说,定义这些复杂的特征通常需要大量的经验和专家知识。而且,即使经过各种特征的复杂设计过程,仍然很难找到最有效的特征用于识别不同的对象。
[0003](2)在众多的目标检测任务中,都是采用勾画外接框的标记方法,而在实际的森林病害木调查中,都是以坐标点的标 ...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的树木线虫病害木识别方法, 其特征在于,包括如下步骤:采集树木线虫病害区域的影像信息,对所述影像信息中的病害木位点进行标记并形成标记点;基于所述标记点构建以病害木位点为中心的二维高斯空间置信图;构建多尺度空间注意力卷积神经网络模型,并利用所述二维高斯空间置信图结合深度学习算法对所述多尺度空间注意力卷积神经网络模型进行训练;利用训练后的所述多尺度空间注意力卷积神经网络模型对目标区域树木线虫病害进行预测识别,得到病害预测结果。2.根据权利要求1所述的基于深度学习的树木线虫病害木识别方法, 其特征在于,在对所述影像信息中的病害木位点进行标记后,还包括如下步骤:对病害木位点的标记点进行数据扩充,并基于数据扩充后的病害木位点的标记点来构建以病害木位点为中心的二维高斯空间置信图。3.根据权利要求2所述的基于深度学习的树木线虫病害木识别方法, 其特征在于,所述对病害木位点的标记点进行数据扩充具体包括如下步骤:根据病害木的冠幅大小设定匹配的外接矩形,并输出矩形框内的图像对象,生成病害木数据集;选择病害密度小于预设密度阈值的有林地区生成由若干随机点组成的随机点矩阵,并在随机点位置处粘贴所述病害木数据集中的图像对象;当所有粘贴的图像对象的像素总和与原影像信息的像素总和的比例大于预设比例阈值时,数据扩充结束。4.根据权利要求1所述的基于深度学习的树木线虫病害木识别方法, 其特征在于,所述基于所述标记点构建以病害木位点为中心的二维高斯空间置信图具体包括如下步骤:根据病害木位点构建二维高斯核函数:
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中,l ={ l1, l2, l3,
…
,l k
},l k
R2,为所述图像影像中病害木的位置,对应高斯核函数的局部作用范围;根据所述二维高斯核函数计算每个病害木位点对应的病害概率矩阵;将每个病害木位点对应的病害概率矩阵进行叠加,得到所述二维高斯空间置信图。5.根据权利要求4所述的基于深度学习的树木线虫病害木识别方法, 其特征在于,所述构建多尺度空间注意力卷积神经网络模型的具体方法为:采用深度残差网络ResNet作为主干网络,构建包含编码器和解码器的多尺度空间注意力卷积神经网络模型;其中,所述编码器包括残差卷积层集以及由多个不同扩张率的扩张卷积层组成的多扩张卷积联合空间注意力模块;所述残差卷积层集对所述影像信息进行初步特征提取出处理,得到初步空间特征;多个不同扩张率的所述扩张卷积层分别对所述初步空间特征进行二次特征提取处理,并得到对应不同尺度的二次空间特征,经过Sigmoid函数处理由多个扩张卷积层输出的二次空间特征形成的特征集,并输出多尺度空间注意力卷积神经网络模型的空间监督权重;
将所述特征集与卷积核为1的卷积层进行卷积处理,得到密集空间特征;所述解码器将所述密集空间特征与其他不同尺度层对应的密集空间特征进行融合,得到融合不同感受野的多尺度空间注意力特征层。6.根据权利要求5所述的基于深度学习的树木线虫病害木识别方法, 其特征在于,所述利用所述二维高斯空间置信图结合深度学习算法对所述多尺...
【专利技术属性】
技术研发人员:佃袁勇,韩泽民,林浩然,周靖靖,周志翔,王鹏程,
申请(专利权)人:华中农业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。