一种基于深度学习的树木根径和深度预测方法及预测系统技术方案

本发明专利技术公开了一种基于深度学习的树木根径和深度预测方法及预测系统，属于无损检测技术领域。所述方法采用探地雷达A

【技术实现步骤摘要】
一种基于深度学习的树木根径和深度预测方法及预测系统


[0001]本专利技术涉及一种基于深度学习的树木根径和深度预测方法及预测系统，属于无损检测


技术介绍

[0002]根系在植物个体中扮演着至关重要的角色，它可以为植物提供生长所需的水和营养物质，同时还有支撑、固定植物体的作用，但根系相较于果树的枝干或冠层更加难以观察和取样。在根系研究的过程中，由于在自然条件下对植物根系的观察和取样较为困难,导致根系研究落后于植物的地上部分。当前的根系检测方法基本分为两类，破坏性检测和无损检测(NDT)。传统的破坏性检测可以精确获得根系直径信息，但费时耗力且可能对根系造成不可逆的破坏，在果树和古树名木的根系检测中是不可取的。
[0003]探地雷达(GPR)作为一种新兴的无损检测技术，具有定位准确、速度快、使用灵活和探测精度高等特点，相对于其他无损检测方法(例如X射线断层扫描、核磁共振方法、声学方法和电阻率层析成像等)有着操作简单、携带便捷、可重复测量等优点，因此被广泛应用于探测浅层地下的未知物体。探地雷达在树木根系和树干检测中也发挥着重要的作用，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的树根半径和深度预测方法，其特征在于，所述方法采用卷积神经网络和注意力机制相结合的深度学习预测模型预测树根的半径和深度，步骤包括：步骤一：使用开源软件gprMax仿真生成探地雷达采集树根的一维数据：A
‑
Scan数据；步骤二：采用所述注意力机制对所述A
‑
Scan数据进行处理，算出输入数据和标签数据的特征相似度；步骤三：根据所述特征相似度计算特征权重系数；步骤四：将特征权重系数与数值化A
‑
Scan数据逐个元素相乘得到重新分配权重的A
‑
Scan数据；步骤五：使用卷积神经网络对所述重新分配权重的A
‑
Scan数据进行特征提取，并根据提取的特征进行树根半径和深度的预测。2.根据权利要求1所述方法，其特征在于，所述注意力机制对所述A
‑
Scan数据进行处理包括：计算所述A
‑
Scan数据和标签数据的特征相似度，激活函数设置为Sigmoid，将A
‑
Scan数据和标签导入多层神经网络MLP进行计算，所述特征相似度的计算公式为：sim
i
(inputs
i
,labels)＝MLP(inputs
i
,labels)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)式中sim
i
为特征相似度，inputs
i
是输入A
‑
Scan数据，labels是标签值，MLP(
·
)表示MLP网络。3.根据权利要求2所述方法，其特征在于，所述特征权重系数的计算方法包括：引入Softmax函数进行计算，一方面完成归一化操作，将原来的特征相似度整理成所有元素权重之和为1的概率分布，另一方面通过Softmax的内在机制突出重要元素的权重，特征权重系数的计算公式为：式中α
i
为特征权重系数，k表示A
‑
Scan数据的特征总数。4.根据权利要求3所述方法，其特征在于，计算所述重新分配权重的A
‑
Scan数据的过程包括：把所述特征权重系数与输入数据相乘，获得重新分配权重的输入数据：其中，x
i
为原始输入数据；为分配权重的输入数据；对特征权重系数进行加权求和：式中Attention Value为Attention数值。5.根据权利要求4所述方法，其特征在...

【专利技术属性】
技术研发人员：李光辉，王哲旭，
申请(专利权)人：江南大学，
类型：发明
国别省市：