[發明專利]入侵植物的監測方法及系統

有效

• 申請號: 201810586568.4
• 申請日: 2018-06-06
• 公開（公告）號: CN108875620B
• 公開（公告）日: 2021-11-05
• 發明（設計）人: 喬曦;錢萬強;萬方浩;彭長連
• 申請（專利權）人: 中國農業科學院深圳農業基因組研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 北京法信智言知識產權代理事務所(特殊普通合伙) 11737
• 代理人: 劉靜榮

1.入侵植物監測方法，其特征在于，所述方法包括以下步驟：

獲取待監測區域的地面高光譜圖像；

確定目標入侵植物成像的敏感光譜波段，提取所述高光譜圖像中目標入侵植物和背景的光譜特征，并找出差異性最大值對應的光譜波段，從而確定所述目標入侵植物成像的敏感光譜波段；

構建深度卷積神經網絡，提取所述目標入侵植物成像的敏感光譜波段下的高光譜圖像，選取部分敏感光譜波段下的高光譜圖像，并分成訓練集和測試集，用訓練集訓練所述深度卷積神經網絡，然后用測試集測試訓練生成的深度卷積神經網絡；

若測試結果達到預期標準，則訓練完成，若測試結果未達到預期標準，則調整深度卷積神經網絡后，重新用測試集測試調整后的深度卷積神經網絡，直到測試結果大于等于預期標準，訓練完成；

識別入侵植物，利用訓練完成的深度卷積神經網絡對未被選取的敏感光譜波段下的高光譜圖像進行識別，標識出入侵植物和背景；

計算目標入侵植物區域每個像素點的危害熱力值，根據危害熱力值大小賦予所述像素點對應顏色，從而生成入侵植物分布可視化熱圖，

其中，危害熱力值通過以下公式計算危害熱力值，

其中，h_ij表示目標入侵植物區域中單個入侵植物連通區域中像素點(i,j)的危害熱力值，l_ijmin和l_ijmax是像素點(i,j)到所在連通區域邊緣的最近距離和最遠距離。

2.根據權利要求1所述的入侵植物監測方法，其特征在于，在構建深度卷積神經網絡步驟中，將選取的部分敏感光譜波段下的高光譜圖像裁剪成多個正方形單元。

3.根據權利要求2所述的入侵植物監測方法，其特征在于，在識別入侵植物步驟中，將未被選取的敏感光譜波段下的高光譜圖像裁剪成與選取的敏感光譜波段下的高光譜圖像相等的正方形單元。

4.根據權利要求1所述的入侵植物監測方法，其特征在于，用訓練集訓練所述深度卷積神經網絡時，設置深度卷積神經網絡的訓練參數為學習率衰減因子為0.5，學習率衰減周期為100，初始學習率為0.001，訓練循環最高次數為150，隨機抽取的樣本數為800。

5.一種入侵植物的監測系統，其特征在于，所述系統包括圖像采集模塊、控制平臺、可視化單元和監測平臺，其中，

所述圖像采集模塊包括飛行器和高光譜成像儀，高光譜成像儀搭載在所述飛行器上，用于拍攝待監測區域的地面高光譜圖像；

所述控制平臺用于控制所述飛行器的飛行軌跡，并接受高光譜成像儀的高光譜圖像，并將所述高光譜圖像發送至監測平臺；

所述監測平臺包括圖像處理單元和深度卷積神經網絡單元，所述圖像處理單元用于提取所述高光譜圖像中目標入侵植物和背景的光譜特征，并找出差異性最大值對應的光譜波段，從而確定所述目標入侵植物成像的敏感光譜波段，

所述深度卷積神經網絡單元用于訓練測試完成后識別入侵植物，其包括以下步驟：

提取所述高光譜圖像中目標入侵植物和背景的光譜特征，并找出差異性最大值對應的光譜波段，從而確定所述目標入侵植物成像的敏感光譜波段；

構建深度卷積神經網絡結構，訓練完成的深度卷積神經網絡單元對未被選取的高光譜圖像進行識別，標識出入侵植物和背景，通過以下步驟訓練深度卷積神經網絡單元：

提取所述目標入侵植物成像的敏感光譜波段下的高光譜圖像，選取部分圖像，并分成訓練集和測試集，用訓練集訓練所述深度卷積神經網絡，然后用測試集進行測試訓練生成的深度卷積神經網絡；

若測試結果達到預期標準，則訓練完成；若測試結果未達到預期標準，則調整深度卷積神經網絡后，重新用測試集測試深度卷積神經網絡，直到測試結果大于預期結果，訓練完成；

所述可視化單元用于計算目標入侵植物區域每個像素點的危害熱力值，根據危害熱力值大小賦予所述像素點對應顏色，從而生成入侵植物分布可視化熱圖，

其中，危害熱力值通過以下公式計算危害熱力值，

其中，h_ij表示目標入侵植物區域中單個入侵植物連通區域中像素點(i,j)的危害熱力值，l_ijmin和l_ijmax是像素點(i,j)到所在連通區域邊緣的最近距離和最遠距離。