一种基于智能审图对林木为害状特征推断小蠹种类的方法技术

本发明专利技术属于图像处理技术领域，特别涉及一种基于智能审图对林木为害状特征推断小蠹种类的方法，其特征在于，该方法包括以下步骤：步骤1、针对现有已知的所有小蠹为害状类型的特征数据进行采集；步骤2、将采集到的所有小蠹为害状类型的特征数据训练建立为害状数据库；步骤3、针对需要鉴别的未知小蠹为害状类型的特征数据进行采集；步骤4、将采集到的需要鉴别的未知小蠹为害状类型的特征数据与为害状数据库进行比对、分类检索，确定为害状类型。步骤5：根据为害状的鉴别结果推断小蠹类型。在该方法中，通过直接从林木为害状特征进行推断小蠹种类，无需先找到需鉴定昆虫的本体，鉴别效率更高。高。

【技术实现步骤摘要】
一种基于智能审图对林木为害状特征推断小蠹种类的方法


[0001]本专利技术属于图像处理
，特别涉及一种基于智能审图对林木为害状特征推断小蠹种类的方法。

技术介绍

[0002]小蠹Scolytidae，是鞘翅目、小蠹科一类昆虫的统称。该科昆虫按照食性分为两大类，树皮小蠹类和食菌小蠹类。为象甲总科中的高等类群。世界约6000 种，中国约有500种。终生潜伏于树干中，只有新成虫羽化后的短暂时间飞离树身。高温少雨往往成为小蠹大量发生成灾的原因，在针叶林区，这种现象比较明显。
[0003]而在树木受到小蠹危害时，需要通过判断小蠹具体的种类，再针对性的治理小蠹；现有技术中一般直接采用专家鉴定，通过专家找到需鉴定昆虫的本体然后进行鉴定，该过程比较耗费时间，但是效率低，难以普及。
[0004]现有技术为了解决这一问题，公开了一种基于深度卷积神经网络的害虫图像自动识别方法(申请号为CN201510247514.1)，包括以下步骤：(1)收集原始图像并进行预处理，构成训练集，计算训练集的均值图像；(2)构造深度卷积神经网络；(3)在训练集的训练样本中随机采集子图像块，利用子图像块预训练深度卷积神经网络；(4)利用训练集，结合基于mini
‑
batch的随机梯度下降算法训练深度卷积神经网络；(5)对待测害虫图像进行所述预处理，形成测试样本，测试样本减去训练集的均值图像后，利用训练完成的深度卷积神经网络识别测试样本。该现有技术公开的识别方法，可以无需专家进行鉴别，效率相对提高一些。但是该识别方法仍然具有一些缺陷：1、仍然需要先找到需鉴定昆虫的本体然后进行鉴定，该过程需要耗费时间更长；2、需要根据害虫成虫本身的外观形态特征进行识别，但是对于昆虫的幼虫是很难识别的，因为昆虫幼虫身上的特征数量太少太单一，难以从形态学上面进行分析。

技术实现思路

[0005]本专利技术的首要目的在于提供一种基于智能审图对林木为害状特征推断小蠹种类的方法，该方法通过直接从林木为害状特征进行推断小蠹种类，无需先找到需鉴定昆虫的本体，鉴别效率更高。
[0006]本专利技术的另一种目的在于提供一种基于智能审图对林木为害状特征推断小蠹种类的方法，该方法从小蠹的为害状上面找特征，无论是成虫还是幼虫，只要在一个地方生活过就一定留有相关的为害状痕迹，且通过为害状痕迹推断成虫或幼虫的种类更加准确。
[0007]为了实现上述目的，本专利技术的技术方案如下。
[0008]一种基于智能审图对林木为害状特征推断小蠹种类的方法，其特征在于，该方法包括以下步骤：
[0009]步骤1、针对现有已知的所有小蠹为害状类型的特征数据进行采集；
[0010]步骤2、将采集到的所有小蠹为害状类型的特征数据训练建立为害状数据库；
[0011]步骤3、针对需要鉴别的未知小蠹为害状类型的特征数据进行采集；
[0012]步骤4、将采集到的需要鉴别的未知小蠹为害状类型的特征数据与为害状数据库进行比对、分类检索，确定为害状类型。
[0013]步骤5：根据为害状的鉴别结果推断小蠹类型。在该方法中，通过直接从林木为害状特征进行推断小蠹种类，无需先找到需鉴定昆虫的本体，鉴别效率更高。且无论是成虫还是幼虫，只要在一个地方生活过就一定留有相关的为害状痕迹，通过为害状痕迹推断成虫或幼虫的种类更加准确。
[0014]进一步的，在步骤1中，每种小蠹为害状类型的特征数据采集10个标本以上。
[0015]进一步的，在步骤1中，采集为害状特征数据时，利用深度相机，获取为害状特征各像素点的X、Y、Z的三维数据；依据害状特征各个像素点的坐标(x， y，z)进行3D模型重建以获取为害状3D模型特征数据。
[0016]进一步的，在步骤2中，包括以下步骤：
[0017]步骤2.1，将步骤1中获取的所有小蠹为害状类型的3D模型特征数据进行相关特征选择和抽取；
[0018]步骤2.2，对于每种为害状类型的3D模型特征数据的特征进行特征分割提取；
[0019]步骤2.3，建立为害状类型的3D模型特征数据库。
[0020]进一步的，在步骤2.1中，使用ORB算法和Surf算法联合进行对所有小蠹为害状类型的3D模型特征数据提取，利用ORB算法定位关键点像素，利用surf 算法定位稳定的特征点；提取每种小蠹为害状类型的3D模型特征数据的特征点描述子使用KNN算法进行匹配，通过匹配点对构建图像序列之间的变换矩阵，采用RANSAC算法对图像变换矩阵进行求解与精炼。
[0021]进一步的，在步骤2.2中，采取基于灰度共生矩阵分割算法、全卷积网络、贝叶斯定理和八叉树法，进行特征分割提取。
[0022]进一步的，在步骤3中，包括有：
[0023]步骤3.1，采集需要鉴别的未知小蠹为害状类型的特征数据时，利用深度相机，获取需要鉴别的未知小蠹为害状类型的特征数据各像素点的X、Y、Z的三维数据；依据需要鉴别的未知小蠹为害状类型的特征数据各个像素点的坐标(x， y，z)进行3D模型重建以获取需要鉴别的未知小蠹为害状3D模型特征数据。
[0024]步骤3.2，将需要鉴别的未知小蠹为害状3D模型特征数据的特征进行特征分割提取。
[0025]进一步的，在步骤4中，需要鉴别的未知小蠹为害状3D模型特征数据与为害状数据库进行比对、分类检索，确定为害状类型。
[0026]进一步的，在步骤5中，包括有以下步骤：
[0027]步骤5.1，通过确定的为害状的类型，推断出造成为害状的小蠹种类。
[0028]步骤5.2，计算需要鉴别的未知小蠹为害状3D模型的体积，并结合小蠹种类，估算小蠹的数量。
[0029]本专利技术的有益效果在于，在本专利技术中，通过直接从林木为害状特征进行推断小蠹种类，无需先找到需鉴定昆虫的本体，鉴别效率更高。且无论是成虫还是幼虫，只要在一个地方生活过就一定留有相关的为害状痕迹，通过为害状痕迹推断成虫或幼虫的种类更加准
确。
具体实施方式
[0030]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0031]一种基于智能审图对林木为害状特征推断小蠹种类的方法，该方法总共分为 4个阶段进行，分别是:
[0032]阶段一：为害状特征数据采集，针对现有已知的所有为害状类型进行采集，每种为害状类型采集10个标本以上；
[0033]阶段二：为害状特征数据训练建立为害状数据库；
[0034]阶段三：未知为害状鉴别；
[0035]阶段四：根据为害状的鉴别结果推断小蠹类型。
[0036]前面两个阶段是预先进行的。后面两个阶段可以是现场普通人员操作。
[0037]第一阶段步骤如下：
[0038]步骤一：利用深度相机(TOF)的工作原理，获取为害状特征的X，Y，Z 的三维数据，其测距原理是通过给为害状特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于智能审图对林木为害状特征推断小蠹种类的方法，其特征在于，该方法包括以下步骤：步骤1、针对现有已知的所有小蠹为害状类型的特征数据进行采集；步骤2、将采集到的所有小蠹为害状类型的特征数据训练建立为害状数据库；步骤3、针对需要鉴别的未知小蠹为害状类型的特征数据进行采集；步骤4、将采集到的需要鉴别的未知小蠹为害状类型的特征数据与为害状数据库进行比对、分类检索，确定为害状类型。步骤5：根据为害状的鉴别结果推断小蠹类型。2.根据权利要求1所述的一种基于智能审图对林木为害状特征推断小蠹种类的方法，其特征在于，在步骤1中，每种小蠹为害状类型的特征数据采集10个标本以上。3.根据权利要求1所述的一种基于智能审图对林木为害状特征推断小蠹种类的方法，其特征在于，在步骤1中，采集为害状特征数据时，利用深度相机，获取为害状特征各像素点的X、Y、Z的三维数据；依据害状特征各个像素点的坐标(x，y，z)进行3D模型重建以获取为害状3D模型特征数据。4.根据权利要求3所述的一种基于智能审图对林木为害状特征推断小蠹种类的方法，其特征在于，在步骤2中，包括以下步骤：步骤2.1，将步骤1中获取的所有小蠹为害状类型的3D模型特征数据进行相关特征选择和抽取；步骤2.2，对于每种为害状类型的3D模型特征数据的特征进行特征分割提取；步骤2.3，建立为害状类型的3D模型特征数据库。5.根据权利要求4所述的一种基于智能审图对林木为害状特征推断小蠹种类的方法，其特征在于，在步骤2.1中，使用ORB算法和Surf算法联合进行对所有小蠹为害状类型的3D模型特征数据提取，利用ORB算...

【专利技术属性】
技术研发人员：汪莹，
申请(专利权)人：汪莹，
类型：发明
国别省市：