一种基于人工智能的红树林生长状态检测方法及系统技术方案

本发明专利技术涉及人工智能领域，特别是一种基于人工智能的红树林生长状态检测方法及系统

【技术实现步骤摘要】
一种基于人工智能的红树林生长状态检测方法及系统


[0001]本专利技术涉及人工智能领域，特别是一种基于人工智能的红树林生长状态检测方法及系统
。

技术介绍

[0002]红树林是一种生长在热带与亚热带海岸潮间带，由红树植物为主体，常绿乔木或灌木构成的湿地木本植物群落，在净化海水
、
防风消浪以及维持生物多样性方面具有重要的作用，现有技术中，红树林的培育工作和生长状态通常是在海水中进行，并且伴随着海水的高浓度盐
、
潮汐和红树林的盘根错节，导致人工对红树林的幼苗在自然环境的培育和生长难以观察和维护，因此如何提升红树林幼苗的生长状态检测，同时对红树林幼苗进行定期检查和维护是现阶段丞待解决的技术问题
。

技术实现思路

[0003]本专利技术的目的是为了解决上述问题，设计了一种基于人工智能的红树林生长状态检测方法及系统
。
[0004]实现上述目的本专利技术的技术方案为，进一步，在上述一种基于人工智能的红树林生长状态检测方法中，所述红树林生长状态检测方法包括以下步骤：通过图像采集装置获取红树林中幼苗的历史幼苗图像数据，对所述历史幼苗图像数据进行数据预处理，得到待训练红树林生长状态数据；基于
ResNet
残差网络建立
ResNet
红树林幼苗生长状态检测模型，在所述
ResNet
红树林幼苗生长状态检测模型的卷积层后引入
SE
注意力机制模块，得到初始
ResNet
红树林幼苗生长状态检测模型；将所述待训练红树林生长状态数据输入至所述初始
ResNet
红树林幼苗生长状态检测模型中进行训练，在所述初始
ResNet
红树林幼苗生长状态检测模型中加入
Dropout
层和
Dense
层；所述
Dropout
层用于在初始
ResNet
红树林幼苗生长状态检测模型进行参数更新时随机省略神经元；所述
Dense
层用于利用
L2
正则化和
Softmax
分类函数对初始
ResNet
红树林幼苗生长状态检测模型的权重进行调整；得到目标
ResNet
红树林幼苗生长状态检测模型；通过图像采集装置获取红树林中幼苗的实时幼苗图像数据，对所述实时幼苗图像数据进行图像增强处理，得到增强实时幼苗图像数据；利用中值滤波对增强实时幼苗图像数据进行滤波处理，得到滤波实时幼苗图像数据；基于阈值分割法对所述滤波实时幼苗图像数据进行二值化处理，得到待识别红树林生长状态数据；将所述待识别红树林生长状态数据输入至所述目标
ResNet
红树林幼苗生长状态检测模型进行幼苗生长状态检测，得到第一幼苗实时生长状态；根据所述第一幼苗实时生长状态判断红树林幼苗的虫害状态，若红树林幼苗的虫害状态为严重虫害状态或中度虫害状态，则基于虫害措施处理数据库对严重虫害状态的红
树林幼苗生成农药喷洒措施，并利用农药喷洒装置进行喷洒；基于目标
ResNet
红树林幼苗生长状态检测模型对喷洒农药后的红树林幼苗进行实时监测，得到第二幼苗实时生长状态，根据所述第二幼苗实时生长状态生成红树林幼苗的生长维护措施
。
[0005]进一步，在上述红树林生长状态检测方法中，所述通过图像采集装置获取红树林中幼苗的历史幼苗图像数据，对所述历史幼苗图像数据进行数据预处理，得到待训练红树林生长状态数据，包括：通过图像采集装置获取红树林中幼苗的历史幼苗图像数据，所述历史幼苗图像数据至少包括幼苗树叶图像数据
、
幼苗枝干图像数据，所述图像采集装置密集度为3个
/
㎡
；对所述历史幼苗图像数据进行图像增强处理，得到增强幼苗图像数据；利用中值滤波对所述增强幼苗图像数据进行滤波处理，得到滤波幼苗图像数据；基于阈值分割法对所述滤波幼苗图像数据进行二值化处理，得到待训练红树林生长状态数据
。
[0006]进一步，在上述红树林生长状态检测方法中，所述基于
ResNet
残差网络建立
ResNet
红树林幼苗生长状态检测模型，在所述
ResNet
红树林幼苗生长状态检测模型的卷积层后引入
SE
注意力机制模块，得到初始
ResNet
红树林幼苗生长状态检测模型，包括：基于
ResNet
残差网络建立
ResNet
红树林幼苗生长状态检测模型，所述
ResNet
红树林幼苗生长状态检测模型至少包括输入层
、
卷积层
、
池化层
、
全连接层和输出层；在所述
ResNet
红树林幼苗生长状态检测模型的卷积层后引入
SE
注意力机制模块；利用
Swish
激活函数替代所述
ResNet
红树林幼苗生长状态检测模型的
ReLU
激活函数；将交叉熵损失函数作为所述
ResNet
红树林幼苗生长状态检测模型的损失函数，得到初始
ResNet
红树林幼苗生长状态检测模型
。
[0007]进一步，在上述红树林生长状态检测方法中，所述将所述待训练红树林生长状态数据输入至所述初始
ResNet
红树林幼苗生长状态检测模型中进行训练，得到目标
ResNet
红树林幼苗生长状态检测模型，包括：将所述待训练红树林生长状态数据输入至所述初始
ResNet
红树林幼苗生长状态检测模型中进行训练；利用
Batch Normalization
对所述
ResNet
红树林幼苗生长状态检测模型的网络层数据进行归一化处理；基于
NAdam
优化算法对所述
ResNet
红树林幼苗生长状态检测模型的训练过程进行优化，得到目标
ResNet
红树林幼苗生长状态检测模型
。
[0008]进一步，在上述红树林生长状态检测方法中，所述将所述待识别红树林生长状态数据输入至所述目标
ResNet
红树林幼苗生长状态检测模型进行幼苗生长状态检测，得到第一幼苗实时生长状态，包括：所述第一幼苗实时生长状态至少包括严重虫害状态
、
中度虫害状态
、
轻度虫害状态和无虫害状态；所述轻度虫害状态包括每颗红树林幼苗的害虫数量小于等于2只，每颗红树林幼苗的害虫种类小于等于2种；所述无虫害状态包括红树林幼苗无害虫；
所述严重虫害状态包括每颗红树林幼苗的害虫数量大于
15
只，每颗红树林幼苗的害虫种类大于5种；所述中度虫害状态包括每颗红树林幼苗的害虫数量大于8只，每颗红树林幼苗的害虫种类大本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于人工智能的红树林生长状态检测方法，其特征在于，所述红树林生长状态检测方法包括以下步骤：通过图像采集装置获取红树林中幼苗的历史幼苗图像数据，对所述历史幼苗图像数据进行数据预处理，得到待训练红树林生长状态数据；基于
ResNet
残差网络建立
ResNet
红树林幼苗生长状态检测模型，在所述
ResNet
红树林幼苗生长状态检测模型的卷积层后引入
SE
注意力机制模块，得到初始
ResNet
红树林幼苗生长状态检测模型；将所述待训练红树林生长状态数据输入至所述初始
ResNet
红树林幼苗生长状态检测模型中进行训练，在所述初始
ResNet
红树林幼苗生长状态检测模型中加入
Dropout
层和
Dense
层；所述
Dropout
层用于在初始
ResNet
红树林幼苗生长状态检测模型进行参数更新时随机省略神经元；所述
Dense
层用于利用
L2
正则化和
Softmax
分类函数对初始
ResNet
红树林幼苗生长状态检测模型的权重进行调整；得到目标
ResNet
红树林幼苗生长状态检测模型；通过图像采集装置获取红树林中幼苗的实时幼苗图像数据，对所述实时幼苗图像数据进行图像增强处理，得到增强实时幼苗图像数据；利用中值滤波对增强实时幼苗图像数据进行滤波处理，得到滤波实时幼苗图像数据；基于阈值分割法对所述滤波实时幼苗图像数据进行二值化处理，得到待识别红树林生长状态数据；将所述待识别红树林生长状态数据输入至所述目标
ResNet
红树林幼苗生长状态检测模型进行幼苗生长状态检测，得到第一幼苗实时生长状态；根据所述第一幼苗实时生长状态判断红树林幼苗的虫害状态，若红树林幼苗的虫害状态为严重虫害状态或中度虫害状态，则基于虫害措施处理数据库对严重虫害状态的红树林幼苗生成农药喷洒措施，并利用农药喷洒装置进行喷洒；基于目标
ResNet
红树林幼苗生长状态检测模型对喷洒农药后的红树林幼苗进行实时监测，得到第二幼苗实时生长状态，根据所述第二幼苗实时生长状态生成红树林幼苗的生长维护措施
。2.
如权利要求1所述的一种基于人工智能的红树林生长状态检测方法，其特征在于，所述通过图像采集装置获取红树林中幼苗的历史幼苗图像数据，对所述历史幼苗图像数据进行数据预处理，得到待训练红树林生长状态数据，包括：通过图像采集装置获取红树林中幼苗的历史幼苗图像数据，所述历史幼苗图像数据至少包括幼苗树叶图像数据
、
幼苗枝干图像数据，所述图像采集装置密集度为3个
/
㎡
；对所述历史幼苗图像数据进行图像增强处理，得到增强幼苗图像数据；利用中值滤波对所述增强幼苗图像数据进行滤波处理，得到滤波幼苗图像数据；基于阈值分割法对所述滤波幼苗图像数据进行二值化处理，得到待训练红树林生长状态数据
。3.
如权利要求1所述的一种基于人工智能的红树林生长状态检测方法，其特征在于，所述基于
ResNet
残差网络建立
ResNet
红树林幼苗生长状态检测模型，在所述
ResNet
红树林幼苗生长状态检测模型的卷积层后引入
SE
注意力机制模块，得到初始
ResNet
红树林幼苗生长状态检测模型，包括：基于
ResNet
残差网络建立
ResNet
红树林幼苗生长状态检测模型，所述
ResNet
红树林幼苗生长状态检测模型至少包括输入层
、
卷积层
、
池化层
、
全连接层和输出层；
在所述
ResNet
红树林幼苗生长状态检测模型的卷积层后引入
SE
注意力机制模块；利用
Swish
激活函数替代所述
ResNet
红树林幼苗生长状态检测模型的
ReLU
激活函数；将交叉熵损失函数作为所述
ResNet
红树林幼苗生长状态检测模型的损失函数，得到初始
ResNet
红树林幼苗生长状态检测模型
。4.
如权利要求1所述的一种基于人工智能的红树林生长状态检测方法，其特征在于，所述将所述待训练红树林生长状态数据输入至所述初始
ResNet
红树林幼苗生长状态检测模型中进行训练，包括：将所述待训练红树林生长状态数据输入至所述初始
ResNet
红树林幼苗生长状态检测模型中进行训练；利用
Batch Normalization
对所述
ResNet
红树林幼苗生长状态检测模型的网络层数据进行归一化处理；基于
NAdam
优化算法对所述
ResNet
红树林幼苗生长状态检测模型的训练过程进行优化，得到目标
ResNet
红树林幼苗生长状态检测模型
。5.
如权利要求1所述的一种基于人工智能的红树林生长状态检测方法，其特征在于，所述将所述待识别红树林生长状态数据输入至所述目标
ResNet
红树林幼苗生长状态检测模型进行幼苗生长状态检测，得到第一幼苗实时生长状态，包括：所述第一幼苗实时生长状态至少包括严重虫害状态
、
中度虫害状态
、
轻度虫害状态和无虫害状态；所述轻度虫害状态包括每颗红树林幼苗的害虫数量小于等于2只，每颗红树林幼苗的害虫种类小于等于2种；所述无虫害状态包括红树林幼苗无害虫；所述严重虫害状态包括每颗红树林幼苗的害虫数量大于
15
只，每颗红树林幼苗的害虫种类大于5种；所述中度虫害状态包括每颗红树林幼苗的害虫数量大于8只，每颗红树林幼苗的害虫种类大于3种
。6.
如权利要求1所述的一种基于人工智能的红树林生长状态检测方法，其...

【专利技术属性】
技术研发人员：董先农，田大翠，曾旭婷，张文娟，李裕恒，刘彪，黄丽，
申请(专利权)人：岭南设计集团有限公司，
类型：发明
国别省市：