一种用于综合识别的目标图像特征提取方法技术

本发明专利技术公开了一种用于综合识别的目标图像特征提取方法，涉及图像特征提取方法技术领域，收集区域农田中农作物的图像数据，并对收集的农作物图像数据进行预处理，通过卷积神经网络提取图像数据中农作物的异常生长特征后，基于网格法获取连续异常特征的占比值，并通过计算异常特征离散程度来分析农作物异常生长发展趋势，依据分析结果生成相应的农田管理策略，从而能够对影响农作物的异常生长进行趋势分析，便于提前做出管理策略。本发明专利技术通过农田系数由小到大对所有区域农田进行排序，生成农田排序管理表，在定期对所有区域农田进行综合管理时，依据农田排序管理表正序选择农田的管理顺序，有效提高对农田的管理效率。有效提高对农田的管理效率。有效提高对农田的管理效率。

【技术实现步骤摘要】
一种用于综合识别的目标图像特征提取方法


[0001]本专利技术涉及图像特征提取方法
，具体涉及一种用于综合识别的目标图像特征提取方法。

技术介绍

[0002]农业病虫害是农业生产中常见的问题，严重影响着农作物的生长和产量，传统的病虫害监测和防治方法通常依赖于人工观察和经验判断，存在着效率低下、主观性强和容易出错的问题，随着计算机视觉和机器学习技术的快速发展，利用图像特征提取和分类方法对农田病虫害进行自动识别和分析成为可能；图像特征提取是指从图像中提取有用的信息和特征，用于表征图像的内容和结构，在农田病虫害图像中，特征提取可以帮助识别和分析病虫害的类型、严重程度和分布情况，通过分析图像中的颜色、纹理、形状等特征，可以从大量的图像数据中提取出有区分度的特征，用于病虫害的分类和定量分析。
[0003]现有技术存在以下不足：现有针对农业病虫害目标图像特征提取方法通常仅是识别并提取图像数据中图像异常生长的特征数据，并在发现异常生长的特征数据时发出警示信号，再由农业种植管理人员做出管理，然而，由于农田占据一定面积，现有提取方法在提取异常生长特征数据后，无法依据异常生长特征数据对异常生长发展的趋势进行分析，不仅容易导致过度管理，造成管理资源的浪费，而且分析不够全面，导致管理不及时，造成农作物大面积死亡等问题。

技术实现思路

[0004]本专利技术的目的是提供一种用于综合识别的目标图像特征提取方法，以解决
技术介绍
中不足。
[0005]为了实现上述目的，本专利技术提供如下技术方案：一种用于综合识别的目标图像特征提取方法，所述提取方法包括以下步骤：S1：收集区域农田中农作物的图像数据，并对收集的农作物图像数据进行预处理；S2：通过卷积神经网络提取图像数据中农作物的异常生长特征；S3：基于网格法获取连续异常特征的占比值，并通过计算异常特征离散程度来分析农作物异常生长发展趋势；S4：依据分析结果生成相应的农田管理策略；S5：将农田异常特征离散程度结合与农田相关的多源数据进行综合分析获取农田系数，并依据农田系数由小到大对所有区域农田进行排序，生成农田排序管理表；S6：定期对所有区域农田进行综合管理时，依据农田排序管理表正序选择农田的管理顺序。
[0006]在一个优选的实施方式中，步骤S3中，异常特征离散程度的获取逻辑为：
S3.1：提取系统获取图像数据后，基于网法将图像数据划分为多个网格；S3.2：识别图像数据中的异常特征后，获取所有异常检测点的数量；S3.3：获取检测点异常特征网格占取数量，并计算所有检测点平均值：；式中，为平均值，表示检测点的异常特征网格占取数量，为所有异常检测点的数量；S3.4：计算每个检测点异常特征网格占取数量与异常特征网格占取数量平均值的差值，将差值平方后的总和除以所有异常检测点的数量减1得到方差；S3.5：最后对方差进行平方根操作，得到异常特征离散程度。
[0007]在一个优选的实施方式中，所述异常特征离散程度的计算表达式为：式中，为异常特征离散程度，，表示所有异常检测点的数量，为正整数，表示检测点的异常特征网格占取数量，表示平均值。
[0008]在一个优选的实施方式中，步骤S3中，分析农作物异常生长发展趋势包括以下步骤：S3.6：若平均值＞异常网格数量阈值，且异常特征离散程度＜离散阈值，分析结果为农作物异常生长，且异常生长发展趋势快；S3.7：若平均值＞异常网格数量阈值，且异常特征离散程度≥离散阈值，分析结果为农作物异常生长，且异常生长发展趋势缓和；S3.8：若平均值≤异常网格数量阈值，且异常特征离散程度＜离散阈值，分析结果为农作物正常生长，且正常生长趋势稳定；S3.9：若平均值≤异常网格数量阈值，且异常特征离散程度≥离散阈值，分析结果为农作物正常生长，但正常生长趋势不稳定。
[0009]在一个优选的实施方式中，步骤S5中，获取农田系数包括以下步骤：将农田异常特征离散指数、农作物经济效益量度以及土壤质量赋值通过公式综合计算得到农田系数，计算表达式为：式中，为农作物经济效益量度，为农田异常特征离散指数，为土壤质量赋值，分别为农作物经济效益量度、农田异常特征离散指数以及土壤质量赋值的比例系数，且均大于0。
[0010]在一个优选的实施方式中，所述农田异常特征离散指数的获取逻辑为：若平均值＞异常网格数量阈值，且异常特征离散程度＜离散阈值，农田异
常特征离散指数=2.5；若平均值＞异常网格数量阈值，且异常特征离散程度≥离散阈值，农田异常特征离散指数=2；若平均值≤异常网格数量阈值，且异常特征离散程度＜离散阈值，农田异常特征离散指数=1；若平均值≤异常网格数量阈值，且异常特征离散程度≥离散阈值，农田异常特征离散指数=1.5。
[0011]在一个优选的实施方式中，所述农作物经济效益量度的计算表达式为：
[0012]约束条件为：式中，表示农田中各种农作物的种植面积，表示各种农作物的收益系数，为约束条件中的系数，表示不同限制条件下农作物的影响，为约束条件的常数。
[0013]在一个优选的实施方式中，所述土壤质量赋值的计算表达式为：式中，为土壤pH浮动值，为土壤有机质含量浮动值，为土壤养分含量浮动值。
[0014]在一个优选的实施方式中，所述土壤pH浮动值的计算表达式为：式中，为采集的土壤pH平均值，为农田土壤pH值标准范围。
[0015]在一个优选的实施方式中，所述土壤有机质含量浮动值的计算表达式为：式中，为采集的土壤有机质含量平均值，为农田土壤有机质含量标准范围；所述土壤养分含量浮动值的计算表达式为：式中，为采集的土壤养分含量平均值，为农田土壤养分含量标准范围。
[0016]在上述技术方案中，本专利技术提供的技术效果和优点：本专利技术通过卷积神经网络提取图像数据中农作物的异常生长特征后，基于网格法获取连续异常特征的占比值，并通过计算异常特征离散程度来分析农作物异常生长发展趋势，依据分析结果生成相应的农田管理策略，从而能够对影响农作物的异常生长进行趋势分析，便于提前做出管理策略，并且，通过农田系数由小到大对所有区域农田进行排序，生成农田排序管理表，在定期对所有区域农田进行综合管理时，依据农田排序管理表正序选择农田的管理顺序，有效提高对农田的管理效率。
[0017]本专利技术通过提取识别农作物的异常生长特征后，基于网格法将图像数据分割为若干网格，然后计算图像数据中异常生长特征的离散程度，从而对农作物的生长趋势进行分析，并依据分析结果来制定相应的农田管理策略，从而减少资源的浪费，并减少对环境的不良影响，实现可持续的农业发展；本专利技术在获取种植区域内，所有农田的农田系数后，依据农田系数由小到大对所有区域农田进行排序，生成农田排序管理表，在农田排序管理表中，农田的排序越靠前，表明农田越需要被管理，在定期对所有区域农田进行综合管理时，依据农田排序管理表正序选择农田的管理顺序，从而提高对农田的综合管理效率。
附图说明
[0018]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于综合识别的目标图像特征提取方法，其特征在于：所述提取方法包括以下步骤：S1：收集区域农田中农作物的图像数据，并对收集的农作物图像数据进行预处理；S2：通过卷积神经网络提取图像数据中农作物的异常生长特征；S3：基于网格法获取连续异常特征的占比值，并通过计算异常特征离散程度来分析农作物异常生长发展趋势；S4：依据分析结果生成相应的农田管理策略；S5：将农田异常特征离散程度结合与农田相关的多源数据进行综合分析获取农田系数，并依据农田系数由小到大对所有区域农田进行排序，生成农田排序管理表；S6：定期对所有区域农田进行综合管理时，依据农田排序管理表正序选择农田的管理顺序。2.根据权利要求1所述的一种用于综合识别的目标图像特征提取方法，其特征在于：步骤S3中，异常特征离散程度的获取逻辑为：S3.1：提取系统获取图像数据后，基于网法将图像数据划分为多个网格；S3.2：识别图像数据中的异常特征后，获取所有异常检测点的数量；S3.3：获取检测点异常特征网格占取数量，并计算所有检测点平均值：；式中，为平均值，表示检测点的异常特征网格占取数量，为所有异常检测点的数量；S3.4：计算每个检测点异常特征网格占取数量与异常特征网格占取数量平均值的差值，将差值平方后的总和除以所有异常检测点的数量减1得到方差；S3.5：最后对方差进行平方根操作，得到异常特征离散程度。3.根据权利要求2所述的一种用于综合识别的目标图像特征提取方法，其特征在于：所述异常特征离散程度的计算表达式为：式中，为异常特征离散程度，，表示所有异常检测点的数量，为正整数，表示检测点的异常特征网格占取数量，表示平均值。4.根据权利要求3所述的一种用于综合识别的目标图像特征提取方法，其特征在于：步骤S3中，分析农作物异常生长发展趋势包括以下步骤：S3.6：若平均值＞异常网格数量阈值，且异常特征离散程度＜离散阈值，分析结果为农作物异常生长，且异常生长发展趋势快；S3.7：若平均值＞异常网格数量阈值，且异常特征离散程度≥离散阈值，分析结果为农作物异常生长，且异常生长发展趋势缓和；S3.8：若平均值≤异常网格数量阈值，且异常特征离散程度＜离散阈值，分析
结果为农作物正常生长，且正常生长趋...

【专利技术属性】
技术研发人员：乔亚，葛坤，
申请(专利权)人：安徽迪万科技有限公司，
类型：发明
国别省市：