一种高精度森林松材线虫病害智能识别方法技术

本发明专利技术提出了一种高精度森林松材线虫病害智能识别方法，包括以下步骤：S1，获取待识别的图像数据；S2，对步骤S1中获取的待识别的图像数据进行识别，判断待识别的图像数据中是否存在线虫病害。本发明专利技术能够针对无人机采集的森林松树图像进行识别线虫病害，实现“早发现、早除治”的防护措施。的防护措施。的防护措施。

【技术实现步骤摘要】
一种高精度森林松材线虫病害智能识别方法


[0001]本专利技术涉及一种森林安全
，特别是涉及一种高精度森林松材线虫病害智能识别方法。

技术介绍

[0002]松材线虫病是全球森林生态系统中最具危险性、毁灭性的病害，具有发病快、传播迅速、危害严重、防治困难等特点，有极强的扩散性和破坏性，被称为“松树的癌症”。国家林草局已经将松材线虫防治列为我国林业上的一项十分紧迫而重大的任务，已启动国家松材线虫病害五年防控攻坚战计划，坚决遏制松材线虫病害快速扩散蔓延势头，切实维护我国的生态安全和生物安全。“早发现、早除治”是森林松材线虫病防控的最关键因素。

技术实现思路

[0003]本专利技术旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种高精度森林松材线虫病害智能识别方法。
[0004]为了实现本专利技术的上述目的，本专利技术提供了一种高精度森林松材线虫病害智能识别方法，包括以下步骤：
[0005]S1，获取待识别的图像数据；
[0006]S2，对步骤S1中获取的待识别的图像数据进行识别，判断待识别的图像数据中是否存在松材线虫病害。
[0007]在本专利技术的一种优选实施方式中，在步骤S1中对待识别图像数据的获取方法包括以下步骤：
[0008]S11，可见光相机拍摄巡检线路上的巡检图像；
[0009]S12，将巡检图像转换为图像字符串和图像字符码；
[0010]S13，将图像字符串和图像字符码发送到巡检平台；
[0011]S14，巡检平台接收到无人机发送的数据后对接收到的数据进行图像化。
[0012]在本专利技术的一种优选实施方式中，在步骤S2中判断待识别的图像数据中是否存在松材线虫病害的方法包括以下步骤：
[0013]S21，获取健康的松树图像数据和不健康的松树图像数据；将健康的松树图像数据和不健康的松树图像数据进行分组，分别为训练组和测试组，训练组包括健康松树图像训练组和不健康的松树图像训练组，测试组包括健康松树图像测试组和不健康的松树图像测试组；
[0014]S22，将步骤S21中训练组中的数据输入到原始卷积网络模型中进行训练，训练后得到训练后的卷积网络模型；
[0015]S23，将步骤S22中测试组中的数据输入到训练后的卷积网络模型中进行测试，测试后得到目标卷积网络模型；
[0016]S24，将待识别的图像数据输入目标卷积网络模型，得到结果。
[0017]在本专利技术的一种优选实施方式中，在步骤S23中，通过正确率、错误率、检验率、找准率、总结率之一或者任意组合指标确定目标卷积网络模型；正确率的计算方法为：
[0018][0019]其中，Accuracy表示正确率；
[0020]TP表示实际不健康被记录分类为不健康；TN表示实际健康被记录分类为健康；
[0021]FP表示实际的健康被记录分类为不健康；FN表示实际不健康被记录分类为健康；错误率的计算方法为：
[0022][0023]其中，FPR表示错误率；
[0024]FP表示实际的健康记录被分类为不健康；TN表示实际健康记录被分类为健康；检验率的计算方法为：
[0025][0026]其中，DR表示检验率；
[0027]TP表示实际不健康被记录分类为不健康；FN表示实际不健康被记录分类为健康；找准率的计算方法为：
[0028][0029]其中，Exaction表示找准率；
[0030]TP表示实际不健康被记录分类为不健康；FP表示实际的健康记录被分类为不健康；
[0031]总结率的计算方法为：
[0032][0033]其中，F1表示总结率；
[0034]α表示权重因子；
[0035]Exaction表示找准率；
[0036]DR表示检验率。
[0037]在本专利技术的一种优选实施方式中，在步骤S24中根据以下公式确定结果：
[0038][0039]其中，P
j
表示输入的第j张图像的类别值；
[0040]H
j
表示输入的第j幅图像的输出标签值；
[0041]J表示输入图像的总张数；
[0042]H
i
表示输入的第i幅图像的输出标签值；
[0043]exp()表示以自然底数e为底的指数函数，也可以写成
[0044]若P
j
小于或者等于预设类别阈值，则输入的第j张图像为健康的松树图像，即为未患上松材线虫病害；
[0045]若P
j
大于预设类别阈值，则输入的第j张图像为不健康的松树图像，即为患上了松材线虫病害。
[0046]在本专利技术的一种优选实施方式中，在步骤S12中将巡检图像转换为图像字符串的方法为：
[0047]S121，判断X与Y间的大小关系：
[0048]若X＝Y，则执行下一步；
[0049]若X≠Y，则将巡检图像转换为横纵像素点相等的巡检图像，将巡检图像转换为横纵像素点相等的巡检图像的方法为：
[0050]S1211，判断X与Y间的大小关系：
[0051]若X＞Y，则执行下一步；
[0052]若X<Y，则执行步骤S1213；
[0053]S1212，在巡检图像的右侧添加X
‑
Y列像素值为0的图像，形成X
×
X巡检图像；
[0054]S1213，在巡检图像的下侧添加Y
‑
X行像素值为0的图像，形成Y
×
Y巡检图像；
[0055]S122，统计巡检图像中每个个像素点的像素值位数，将巡检图像中像素点的像素值最大位数记作C；
[0056]S123，将巡检图像中像素点的像素值位数少于C的，在其前面添0，使其像素值位数等于C；
[0057]S124，按照从左到右、从上到下的顺序依次从巡检图像中取出每个像素点的像素值，得到图像字符串。
[0058]在本专利技术的一种优选实施方式中，在步骤S12中图像字符码的计算方法为：
[0059]ImageNo＝Hashdigestalgorithms(Grayimage)，
[0060]ImageNo表示通过MD5或者sha1的摘要算法得到的图像字符码；
[0061]Hashdigestalgorithms()表示MD5或者sha1的摘要算法；
[0062]Grayimage表示输入MD5或者sha1的摘要算法的拍摄的巡检图像。
[0063]在本专利技术的一种优选实施方式中，在步骤S14中对接收到的数据进行图像化的方法包括以下步骤：
[0064]S141，统计巡检平台接收到的图像字符串的字符个数，记作D，根据接收到的图像字符串的字符个数生成X
′×
X
′
像素点矩阵；
[0065]S142，将接收到的图像字符串按照C
′
个为一组本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高精度森林松材线虫病害智能识别方法，其特征在于，包括以下步骤：S1，获取待识别的图像数据；S2，对步骤S1中获取的待识别的图像数据进行识别，判断待识别的图像数据中是否存在松材线虫病害。2.根据权利要求1所述的高精度森林松材线虫病害智能识别方法，其特征在于，在步骤S1中对待识别图像数据的获取方法包括以下步骤：S11，可见光相机拍摄巡检线路上的巡检图像；S12，将巡检图像转换为图像字符串和图像字符码；S13，将图像字符串和图像字符码发送到巡检平台；S14，巡检平台接收到无人机发送的数据后对接收到的数据进行图像化。3.根据权利要求1所述的高精度森林松材线虫病害智能识别方法，其特征在于，在步骤S2中判断待识别的图像数据中是否存在松材线虫病害的方法包括以下步骤：S21，获取健康的松树图像数据和不健康的松树图像数据；将健康的松树图像数据和不健康的松树图像数据进行分组，分别为训练组和测试组，训练组包括健康松树图像训练组和不健康的松树图像训练组，测试组包括健康松树图像测试组和不健康的松树图像测试组；S22，将步骤S21中训练组中的数据输入到原始卷积网络模型中进行训练，训练后得到训练后的卷积网络模型；S23，将步骤S22中测试组中的数据输入到训练后的卷积网络模型中进行测试，测试后得到目标卷积网络模型；S24，将待识别的图像数据输入目标卷积网络模型，得到结果。4.根据权利要求1所述的高精度森林松材线虫病害智能识别方法，其特征在于，在步骤S23中，通过正确率、错误率、检验率、找准率、总结率之一或者任意组合指标确定目标卷积网络模型；正确率的计算方法为：其中，Accuracy表示正确率；TP表示实际不健康被记录分类为不健康；TN表示实际健康被记录分类为健康；FP表示实际的健康被记录分类为不健康；FN表示实际不健康被记录分类为健康；错误率的计算方法为：其中，FPR表示错误率；FP表示实际的健康记录被分类为不健康；TN表示实际健康记录被分类为健康；
检验率的计算方法为：其中，DR表示检验率；TP表示实际不健康被记录分类为不健康；FN表示实际不健康被记录分类为健康；找准率的计算方法为：其中，Exaction表示找准率；TP表示实际不健康被记录分类为不健康；FP表示实际的健康记录被分类为不健康；总结率的计算方法为：其中，F1表示总结率；α表示权重因子；Exaction表示找准率；DR表示检验率。5.根据权利要求1所述的高精度森林松材线虫病害智能识别方法，其特征在于，在步骤S24中根据以下公式确定结果：其中，P
j
表示输入的第j张图像的类别值；H
j
表示输入的第j幅图像的输出标签值；J表示输入图像的总张数；H
i
表示输入的第i幅图像的输出标签值；exp()表示以自然底数e为底的指数函数，也可以写成若P
j
小于或者等于预设类别阈值，则输入的第j张图像为健康的松树图像，即为未患上松材线虫病害；若P
j
大于预设类别阈值，则输入的第j张图像为不健康的松树图像，即为患上了松材线虫病害。6.根据权利要求2所述的高精度森林松材线虫病害智能识别方法，其特征在于，在步骤S12中将巡检图像转换为图像字符串的方法为：S121，判断X与Y间的大小关系：若X＝Y，则执行下一步；若X≠Y，则将巡检图像转换为横纵像素点相等的巡检图像，将巡检图像转换为横纵像素点相等的巡检图像的方法为：
S1211，判断X与Y间的大小关系：若X＞Y，则执行下一步；若X<Y，则执行步骤S1213；S1212，在巡检图像的右侧添加X
‑
Y列像素值为0的图像，形成X
×
X巡检图像；S1213，...

【专利技术属性】
技术研发人员：王宝珍，朱金山，张溪，王祥洪，龚秋月，宋柳洋，党雨婷，张雪琴，余定燕，王蓉，王彬鑫，王琴，
申请(专利权)人：重庆绿城臻挚科技有限公司，
类型：发明
国别省市：