[發明專利]一種基于深度學習的樹木線蟲病害木識別方法及系統

有效

• 申請號: 202110569852.2
• 申請日: 2021-05-25
• 公開（公告）號: CN113033520B
• 公開（公告）日: 2021-08-13
• 發明（設計）人: 佃袁勇;韓澤民;林浩然;周靖靖;周志翔;王鵬程
• 申請（專利權）人: 華中農業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 武漢謙源知識產權代理事務所(普通合伙) 42251
• 代理人: 王力

本發明涉及一種基于深度學習的樹木線蟲病害木識別方法及系統,其方法包括采集樹木線蟲病害區域的影像信息，對影像信息中的病害木位點進行標記并形成標記點；基于標記點構建以病害木位點為中心的二維高斯空間置信圖；構建多尺度空間注意力卷積神經網絡模型，并利用二維高斯空間置信圖結合深度學習算法對多尺度空間注意力卷積神經網絡模型進行訓練；利用訓練后的多尺度空間注意力卷積神經網絡模型對目標區域樹木線蟲病害進行預測識別，得到病害預測結果。本發明可提高目標識別的準確性，通過多尺度空間注意力卷積神經網絡模型融合不同感受野下的特征圖，將多分辨率的深度信息整合到常規空間語義中，提升模型對于病害木與周圍關系的學習和識別能力。

技術領域

本發明涉及森林病蟲害防治技術領域，尤其涉及一種基于深度學習的樹木線蟲病害木識別方法及系統。

背景技術

目前，森林病蟲害已經嚴重威脅到森林可持續發展的進程，每年造成經濟損失高達數億元。比如，松材線蟲由于其具有擴散快，致病機理復雜等問題，已經成為林業管理中主要的防治對象。然而基于傳統人工調查的方法耗時耗力，不能很好的掌握病害發生范圍，往往錯過了最佳防治期限。同時，遭受松材線蟲病害的森林由于其林分組成和爆發程度多樣，使得利用傳統分類手段在識別病害木的研究并不能實現良好的泛化能力，往往一種方法只適用于特定條件下的檢測場景。在森林復雜的背景之下，樹冠沒有固定的特征形態，且冠幅大小各異，單一的特征提取結構很難為多種目標的識別提供全面的信息，而且森林還中存在著大量連片的其他用地類型(如裸土、水域、房屋建筑、農田等)的干擾，在單木水平上的檢測效果并不令人滿意。針對檢測效果不佳的現狀，目前主要存在的原因如下：

(1)在復雜的森林背景下，通過人工設計的底層特征并不能有效反映圖像豐富的信息，同時由于森林裸土和陰影的存在，極大阻礙了檢測效果。如何提取有效的特征在一定程度上決定了模型的分類能力。然而，對于最終用戶來說，定義這些復雜的特征通常需要大量的經驗和專家知識。而且，即使經過各種特征的復雜設計過程，仍然很難找到最有效的特征用于識別不同的對象。

(2)在眾多的目標檢測任務中，都是采用勾畫外接框的標記方法，而在實際的森林病害木調查中，都是以坐標點的標記方式。這給利用傳統標記方式的訓練框架帶來了難度。通過內業標記病害木范圍的方法不僅增加了工作量，而且容易引入人為誤差，如何基于標記點來生成病害木的可訓練范圍將是研究的重點。

(3)森林檢測環境較為復雜，面對分布各異的病害木檢測任務，在保證準確檢測病害木的前提下，盡量多的檢測病害木也非常關鍵，在一般的森林病害木發病區域，既包含零散分布的檢測對象，也包含集中分布的檢測對象。前者的檢測需要模型能夠學習更加廣泛的空間信息，以達到識別距離較遠的對象；后者的檢測需要模型學習目標之間的邊界信息，如何解決間距較近的樹冠被誤判為一個對象的情況。

發明內容

本發明所要解決的技術問題是針對上述現有技術的不足，基于深度學習的樹木線蟲病害木識別方法，涉及植物病蟲害防治領域，解決了現有樹木病蟲害分類識別方法存在的圖像識別率低、模型結構復雜、預測精準度低的問題，提供一種基于深度學習的樹木線蟲病害木識別方法及系統。

本發明解決上述技術問題的技術方案如下：一種基于深度學習的樹木線蟲病害木識別方法，包括如下步驟：

采集樹木線蟲病害區域的影像信息，對所述影像信息中的病害木位點進行標記并形成標記點；

基于所述標記點構建以病害木位點為中心的二維高斯空間置信圖；

構建多尺度空間注意力卷積神經網絡模型，并利用所述二維高斯空間置信圖結合深度學習算法對所述多尺度空間注意力卷積神經網絡模型進行訓練；

利用訓練后的所述多尺度空間注意力卷積神經網絡模型對目標區域樹木線蟲病害進行預測識別，得到病害預測結果。

在上述技術方案的基礎上，本發明還可以做如下改進：