【技术实现步骤摘要】
本专利技术涉及计算机视觉和机器学习，尤其涉及一种基于图像分割的松材线虫病灾害实时监测预警方法与系统。
技术介绍
1、在林业领域，松材线虫病是一种严重危害松树生长的病害，传播迅速且隐匿性强，一旦爆发，往往给森林生态带来难以估量的损失。传统的人工巡查方式虽然在一定程度上能够发现问题，但受限于人员、时间、地域等因素，难以实现全面、系统、高效的监测。
2、松材线虫是一种很小的害虫，它很难在卫星遥感或无人机的图像中直接被发现。随着科技的进步，现在使用无人机拍摄的松林图像来识别松材线虫病，主要通过观察松树的光谱反射率的变化来判断是否感染了松材线虫。如果一棵松树被这种虫子感染了，那么这棵树在几个月内会逐渐变黄，然后枯萎，它的颜色会与健康的松树明显不同，可以通过观察这种颜色的变化来识别病树。
3、目前，基于无人机图像和深度学习技术来识别松材线虫病的方法，主要是依据松树图像的差异来粗略地判断异常情况，但由于航拍高度和设备条件的限制，因此难以具体评估病松的详细形状和大小，从而难以准确评估病损程度。
技术实现思路
1、有鉴于此，本专利技术提出一种基于图像分割的松材线虫病灾害实时监测预警方法与系统，以解决现有技术中存在的难以精准识别病松区域的问题。
2、本专利技术具体的技术方案如下：
3、一种基于图像分割的松材线虫病灾害实时监测预警方法，包括步骤：
4、步骤1、数据采集与预处理：选择位于预定区域的无人机图像进行采集，并经过图像清洗、标注和增强的预
5、步骤2、模型选取与训练：将步骤1生成的样本集，分成训练集、验证集和测试集，对于训练集采用深度学习图像处理模型进行训练，并监控损失函数的值以判断模型是否收敛，若收敛，则进入下一步骤；
6、步骤3、模型测试与评估：使用验证集和测试集对模型进行评估，通过构造评价指标准确率、召回率和f1分数，全面评估模型的性能；
7、步骤4、用户数据集构建与监测预警：根据步骤3获得的最优模型，利用用户数据集进行实时监测与预警。
8、进一步地，步骤1具体包括：数据采集区域选择；无人机图像采集；实地图像采集；图像标注；图像预处理与数据集生成。
9、进一步地，所述步骤2具体包括：
10、步骤2.1、选取多个类型的深度学习视觉模型作为评估对象，所述多个类型的深度学习视觉模型至少包括：语义分割的全卷积网络、使用金字塔池化或对称编码器-解码器的多尺度特征融合模型、扩张卷积来增加感受野的模型和使用自我注意机制代替多尺度特征融合来捕获上下文的模型；
11、步骤2.2、使用dice损失函数对选取的深度学习模型进行训练。
12、进一步地，dice损失定义为
13、
14、其中，|a∩b|为同时在预测值a和真实值b中的像素数量，|a|和|b|分别表示在预测值a和真实值b中的像素数量。
15、进一步地，所述步骤3具体包括：步骤3.1、使用精确率、召回率、jaccard指数和f1评分指标来评估不同深度学习模型的性能；步骤3.2、计算语义分割的全卷积网络、使用金字塔池化或对称编码器-解码器的多尺度特征融合模型、扩张卷积来增加感受野的模型和使用自我注意机制代替多尺度特征融合来捕获上下文的模型在的精确率、召回率、jaccard指数和f1评分值，比较各个模型的评分值，并选择其中值最高的模型作为候选模型。
16、进一步地，精确度的计算公式为：precision＝tp/(tp+fp)；
17、召回率的计算公式为：recall＝tp/(tp+fn)；
18、jaccard指数的计算公式为：
19、f1评分值的计算公式为：f1＝2*((precision*recall)/(precision+recall))；其中，tp表示阳性标签被正确预测为阳性，tn表示阴性标签被正确预测为阴性，fp表示阴性标签被错误预测为阳性，fn表示阳性标签被错误预测为阴性；j(a,b)表示预测a和真实值b之间的jaccard指数；|a∩b|为同时在预测值a和真实值b中的像素数量，|a|和|b|分别表示在预测值a和真实值b中的像素数量。
20、进一步地，步骤4具体包括：步骤4.1、使用基于深度学习模型的线虫病监测与评估模型来监测和评估松林线虫病的情况；步骤4.2、将用户数据集输入到步骤3得到的基于深度学习模型的线虫病监测与评估模型中，输出关于该区域松林线虫病感染情况的评估结果。
21、一种基于图像分割的松材线虫病灾害实时监测预警系统，应用上述任一项的松材线虫病灾害实时监测预警方法，系统包括：数据采集与预处理模块、模型选取与训练模块、模型测试与评估模块和用户数据集构建与监测预警模块；
22、数据采集与预处理模块包括数据采集区域选择单元、无人机图像采集单元、实地图像采集单元、图像标注单元和图像预处理与数据集生成单元；
23、模型选取与训练模块包括选取不同类型的深度学习视觉模型单元、使用dice损失函数对选取的深度学习模型进行训练单元；
24、模型测试与评估模块包括使用精确率、召回率、jaccard指数和f1评分指标来评估不同深度学习模型的性能单元、计算语义分割的全卷积网络、使用金字塔池化或对称编码器-解码器的多尺度特征融合模型、扩张卷积来增加感受野的模型和使用自我注意机制代替多尺度特征融合来捕获上下文的模型在的精确率、召回率、jaccard指数和f1评分值，比较各个模型的评分值，并选择其中值最高的模型作为候选模型单元；
25、用户数据集构建与监测预警模块，用于实时监测和预警松材线虫病灾害，根据所述模型测试与评估模块获得的最优模型，利用用户数据集进行实时监测与预警。
26、本专利技术的有益效果在于：
27、本专利技术利用深度学习技术提供了一种新的面向松材线虫病监测与评估的方法，能够更准确地识别和评估松材线虫病的危害情况，通过精准识别病松区域，可以减少漏检和误检的情况，提高监测的准确率。
本文档来自技高网...【技术保护点】
1.一种基于图像分割的松材线虫病灾害实时监测预警方法，其特征在于，包括步骤：
2.根据权利要求1的松材线虫病灾害实时监测预警方法，其特征在于，所述步骤1具体包括：数据采集区域选择；无人机图像采集；实地图像采集；图像标注；图像预处理与数据集生成。
3.根据权利要求1的松材线虫病灾害实时监测预警方法，其特征在于，所述步骤2具体包括：
4.根据权利要求3的松材线虫病灾害实时监测预警方法，其特征在于，Dice损失定义为
5.根据权利要求1的松材线虫病灾害实时监测预警方法，其特征在于，所述步骤3具体包括：步骤3.1、使用精确率、召回率、Jaccard指数和F1评分指标来评估不同深度学习模型的性能；步骤3.2、计算语义分割的全卷积网络、使用金字塔池化或对称编码器-解码器的多尺度特征融合模型、扩张卷积来增加感受野的模型和使用自我注意机制代替多尺度特征融合来捕获上下文的模型在的精确率、召回率、Jaccard指数和F1评分值，比较各个模型的评分值，并选择其中值最高的模型作为候选模型。
6.根据权利要求5的松材线虫病灾害实时监测预警方法，其
7.根据权利要求5的松材线虫病灾害实时监测预警方法，其特征在于，所述步骤4具体包括：步骤4.1、使用基于深度学习模型的线虫病监测与评估模型来监测和评估松林线虫病的情况；步骤4.2、将用户数据集输入到步骤3得到的基于深度学习模型的线虫病监测与评估模型中，输出关于该区域松林线虫病感染情况的评估结果。
8.一种基于图像分割的松材线虫病灾害实时监测预警系统，应用如权利要求1-8任一项所述的松材线虫病灾害实时监测预警方法，其特征在于，所述系统包括：数据采集与预处理模块、模型选取与训练模块、模型测试与评估模块和用户数据集构建与监测预警模块；
...【技术特征摘要】
1.一种基于图像分割的松材线虫病灾害实时监测预警方法，其特征在于，包括步骤：
2.根据权利要求1的松材线虫病灾害实时监测预警方法，其特征在于，所述步骤1具体包括：数据采集区域选择；无人机图像采集；实地图像采集；图像标注；图像预处理与数据集生成。
3.根据权利要求1的松材线虫病灾害实时监测预警方法，其特征在于，所述步骤2具体包括：
4.根据权利要求3的松材线虫病灾害实时监测预警方法，其特征在于，dice损失定义为
5.根据权利要求1的松材线虫病灾害实时监测预警方法，其特征在于，所述步骤3具体包括：步骤3.1、使用精确率、召回率、jaccard指数和f1评分指标来评估不同深度学习模型的性能；步骤3.2、计算语义分割的全卷积网络、使用金字塔池化或对称编码器-解码器的多尺度特征融合模型、扩张卷积来增加感受野的模型和使用自我注意机制代...
【专利技术属性】
技术研发人员：王永，李晓娟，郭婉琳，尹华阳，汪青桐，
申请(专利权)人：合肥恒宝天择智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。