【技術實現步驟摘要】
本專利技術涉及圖像數據處理的，具體為一種人工林健康程度的監測方法。
技術介紹
1、人工林是指由人類種植和管理的森林，與天然林相比，人工林在樹種結構、密度、管理方式等方面具有不同的特征，因此在健康監測上也有其獨特的需求；
2、現階段對于人工林健康監測面臨著以下難題：
3、現階段對于圖像數據的采集，采用的是常規圖像遙感技術，主要使用可見光和近紅外波段，而忽略了中紅外和熱紅外波段，這些波段對于識別植物水分含量、溫度變化和病害特征非常重要；
4、人工林通常由單一或少數樹種組成，且密度較高，這使得遙感圖像難以區分個體樹木或識別局部健康狀況。此外，不同生長階段的人工林在光譜響應上也存在差異，增加了監測難度。
技術實現思路
1、鑒于上述存在的問題，提出了本專利技術。
2、為解決上述技術問題，本專利技術提供如下技術方案：一種人工林健康程度的監測方法，包括以下步驟，
3、利用無人機遙感技術收集人工林圖像數據，并將收集的圖像數據構建為光譜圖像數據進行人工林健康程度分類，包括，
4、構建光譜圖像數據集，并通過計算人工林的歸一化差異植被指數對人工林健康程度進行初分類；
5、基于深度學習算法構建人工林健康監測模型，同時輸入光譜圖像數據訓練集對人工林健康監測模型進行訓練，包括，
6、基于光譜圖像數據中節點的空間關系構建圖結構，以及利用圖神經網絡構建人工林健康監測模型，并根據搭建的人工林健康監測模型進行人工林健康分類
7、利用目標檢測算法對人工林健康監測模型進行優化，并根據優化之后的人工林健康監測模型的輸出結果進行健康程度評定，包括，
8、利用yolo目標檢測算法對人工林健康監測模型進行優化，具體為：
9、通過計算定位損失、置信度損失以及分類損失對人工林健康監測模型進行優化訓練。
10、作為本專利技術所述一種人工林健康程度的監測方法的一種優選方案，其中：所述對人工林健康程度進行初分類具體如下：
11、
12、其中，表示提取的紅外波段的反射率，表示提取的紅光波段的反射率，表示計算的歸一化差異植被指數，用于對人工林健康程度進行初分類，具體如下：
13、當計算的歸一化差異植被指數滿足公式時，當前圖像中對應的人工林區域中的植被劃分至健康類別；
14、當計算的歸一化差異植被指數滿足公式時，當前圖像中對應的人工林區域中的植被劃分至死亡類別；
15、作為本專利技術所述一種人工林健康程度的監測方法的一種優選方案，其中：所述基于多光譜圖像數據集中節點的空間關系構建圖結構具體如下：
16、對于兩個區域節點、，基于生態相似性與物理距離對二者的空間關系進行描述，則有，
17、
18、
19、
20、其中，表示節點、之間的邊的權重，表示節點之間的空間關系強度，表示節點之間的歐幾里得距離，表示節點之間的生態相似性，表示環境影響因子，表示距離衰減因子，用于表示物理距離對邊權重的影響程度，且取值為正值，衰減因子的大小與對邊權重影響程度成正比，表示生態相似性調整因子，用于控制生態相似性對邊權重的影響程度，、分別表示節點、的值，表示環境衰減因子，用于表示節點之間的環境條件差異，、分別表示節點、的環境條件，包括光照強度以及水分含量。
21、作為本專利技術所述一種人工林健康程度的監測方法的一種優選方案，其中：所述利用圖神經網絡構建人工林健康監測模型具體如下：
22、基于計算的值構建每個節點的特征向量，則有，，表示第個節點的初始特征向量，表示第個節點的值；
23、利用構建的特征向量，通過圖結構的邊，從相鄰節點的接收信息，并進行特征更新，則有，
24、從相鄰節點接收信息，則有，
25、
26、根據接收的信息，進行特征更新，則有，
27、
28、其中，表示節點的第層特征向量，表示節點、在第層的邊的權重，表示節點、在第層的環境影響因子，表示消息函數，用于從相鄰節點接收信息，表示節點從相鄰節點中接收到的第層的信息，表示非線性激活函數，表示節點在第層更新后的特征向量。
29、作為本專利技術所述一種人工林健康程度的監測方法的一種優選方案，其中：所述人工林健康分類具體如下：
30、根據softmax函數進行人工林健康分類，具體為：
31、
32、其中，表示輸出函數的權重矩陣，由實施人員根據實際應用場景設定，表示圖神經網絡的層數，表示節點的第層特征向量，表示softmax函數值，用于對人工林進行健康分類，具體分類如下：
33、為當前節點通過softmax函數轉換的概率分布，根據進行人工林健康分類，表示最大類別，則有，
34、將人工林健康程度分為健康、亞健康以及不健康三種類別，且每種類別對softmax函數值的取值區間范圍；
35、為當前節點的概率分布中最大類別，根據最大類別的結果，將當前節點對應的人工林區域的健康程度進行類別匹配。
36、作為本專利技術所述一種人工林健康程度的監測方法的一種優選方案，其中：所述利用yolo目標檢測算法對人工林健康監測模型進行優化具體如下：
37、對于人工林健康監測模型的分類結果，將不同健康狀態的區域對應的遙感圖像進行標注，并為健康、亞健康以及不健康區域生成對應的邊界框；
38、利用yolo目標檢測算法進行優化，包括，定位損失、置信度損失以及分類損失，所述定位損失用于度量預測的邊界框與實際邊界框之間的位置和尺寸差異，所述置信度損失用于衡量預測邊界框是否包含目標對象，以及預測的置信度與實際的差異，所述分類損失用于衡量預測的類別概率與實際類別之間的差異。
39、作為本專利技術所述一種人工林健康程度的監測方法的一種優選方案，其中：所述定位損失具體計算如下：
40、對于中心坐標的損失，
41、
42、對于寬高的損失，
43、
44、其中，表示網絡劃分的大小，本實施例中的網絡劃分的大小為，表示每個網絡單元預測邊界框數量，表示網絡單元的邊界框是否包含目標，表示人工林健康監測模型監測對于樹木分類的邊界框的中心坐標，、表示人工林健康監測模型對于樹木分類的邊界框的寬和高，表示目標檢測算法對于樹木分類預測的邊界框的中心坐標，、表示目標檢測算法對于樹木分類預測的邊界框的寬和高，表示中心坐標的損失，表示寬高的損失。
45、作為本專利技術所述一種人工林健康程度的監測方法的一種優選方案，其中：所述置信度損失以及分類損失具體計算如下：
46、
47、其中，表示網絡劃分的大小，本實施例中的網絡劃分的大小為，表示每個網絡單元預測邊界框數量，表示網絡單元的邊界框是否包含目標，表示人工林健康監測模型對樹木分類的置信度得分，表示目標檢測算法對于樹木分類預測的置信度得本文檔來自技高網...
【技術保護點】
1.一種人工林健康程度的監測方法，其特征在于：包括以下步驟，
2.如權利要求1所述的一種人工林健康程度的監測方法，其特征在于：所述對人工林健康程度進行初分類具體如下：
3.如權利要求2所述的一種人工林健康程度的監測方法，其特征在于：所述基于光譜圖像數據中節點的空間關系構建圖結構具體如下：
4.如權利要求3所述的一種人工林健康程度的監測方法，其特征在于：所述利用圖神經網絡構建人工林健康監測模型具體如下：
5.如權利要求4所述的一種人工林健康程度的監測方法，其特征在于：所述人工林健康分類具體如下：
6.如權利要求5所述的一種人工林健康程度的監測方法，其特征在于：所述利用YOLO目標檢測算法對人工林健康監測模型進行優化具體如下：
7.如權利要求6所述的一種人工林健康程度的監測方法，其特征在于：所述定位損失具體計算如下：
8.如權利要求7所述的一種人工林健康程度的監測方法，其特征在于：所述置信度損失以及分類損失具體計算如下：
【技術特征摘要】
1.一種人工林健康程度的監測方法，其特征在于：包括以下步驟，
2.如權利要求1所述的一種人工林健康程度的監測方法，其特征在于：所述對人工林健康程度進行初分類具體如下：
3.如權利要求2所述的一種人工林健康程度的監測方法，其特征在于：所述基于光譜圖像數據中節點的空間關系構建圖結構具體如下：
4.如權利要求3所述的一種人工林健康程度的監測方法，其特征在于：所述利用圖神經網絡構建人工林健康監測模型具體如下：
5...
【專利技術屬性】
技術研發人員：賈國棟，孟君，朱長軒，王堃瑩，傅楷翔，蔣濤，丁兵兵，嚴涵，武昱鑫，李雪涵，李昌霖，張瀟，張玉珊，劉子奇，劉子赫，馮巖開，王玉石，王欲坤，王麗芳，王旭，
申請(專利權)人：北京林業大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。