CN110133643B - 植物根系探测方法及装置 - Google Patents

植物根系探测方法及装置 Download PDF

Info

Publication number
CN110133643B
CN110133643B CN201910432606.5A CN201910432606A CN110133643B CN 110133643 B CN110133643 B CN 110133643B CN 201910432606 A CN201910432606 A CN 201910432606A CN 110133643 B CN110133643 B CN 110133643B
Authority
CN
China
Prior art keywords
radar wave
root system
plant root
data
preprocessed
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910432606.5A
Other languages
English (en)
Other versions
CN110133643A (zh
Inventor
梁浩
张萌
文剑
赵燕东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Forestry University
Original Assignee
Beijing Forestry University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Forestry University filed Critical Beijing Forestry University
Priority to CN201910432606.5A priority Critical patent/CN110133643B/zh
Publication of CN110133643A publication Critical patent/CN110133643A/zh
Application granted granted Critical
Publication of CN110133643B publication Critical patent/CN110133643B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/885—Radar or analogous systems specially adapted for specific applications for ground probing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请提供一种植物根系探测方法及装置，涉及探测技术领域。本申请实施例通过探地雷达设备对植物根系进行扫描，获取植物根系对应的雷达波数据；对雷达波数据进行预处理，得到预处理后的雷达波数据；从预处理后的雷达波数据中提取携带有植物根系的特征信息的关联数据；根据双级联随机森林算法和生成式对抗网络模型，解译关联数据，得到植物根系的生物特征，使得在使用GPR技术进行植物根系探测，对探地雷达波数据进行处理和特征提取时，能够通过双级联随机森林算法和生成式对抗网络模型，更精确地解译出植物根系的生物特征，从而有效地将雷达波数据中携带的根系信息提取出来。

Description

植物根系探测方法及装置
技术领域
本申请涉及探测技术领域，具体而言，涉及一种植物根系探测方法及装置。
背景技术
探地雷达(Ground Penetrating Radar，GPR)技术是一种用于探测地下目标体的无损探测技术，被广泛应用于物理探测领域，如：探测地下岩土层、水位、管线、矿藏以及文物等。
目前，在使用GPR技术进行植物根系探测时，主要通过对探地雷达波信号进行处理和特征提取，解译雷达波数据中携带植物根系信息，实现植物根系生物特征的估测与识别，进而获知探测目标体的大小、位置、材质信息以及异常状况等。
但是，现有技术中，在使用GPR技术进行植物根系探测，对探地雷达波数据进行处理和特征提取时，常常无法有效地将雷达波数据中携带的根系信息提取出来。
发明内容
本申请的目的在于，提供一种植物根系探测方法及装置，用于解决现有技术中使用GPR技术进行植物根系探测，对探地雷达波信号进行处理和特征提取时，无法有效地将雷达波中携带的根系信息提取出来的问题。
为实现上述目的，本申请实施例所采用的技术方案如下：
第一方面，本申请实施例提供一种植物根系探测方法，所述方法包括：通过探地雷达设备对植物根系进行扫描，获取所述植物根系对应的雷达波数据；对所述雷达波数据进行预处理，得到预处理后的雷达波数据；从预处理后的雷达波数据中提取携带有所述植物根系的特征信息的关联数据；根据双级联随机森林算法和生成式对抗网络模型，解译所述关联数据，得到所述植物根系的生物特征。
可选地，所述雷达波数据包括：雷达波信号和雷达波双曲线图像。
可选地，所述对所述雷达波数据进行预处理，得到预处理后的雷达波数据，包括：对所述雷达波信号进行自动时变增益，得到补偿后的雷达波信号；采用希尔伯特黄变换对所述补偿后的雷达波信号进行时频分析，得到时频分析后的雷达波信号；对所述时频分析后的雷达波信号进行曲波Curvelet变换，得到预处理后的雷达波信号。
可选地，所述对所述雷达波数据进行预处理，得到预处理后的雷达波数据，还包括：对所述雷达波双曲线图像进行去噪处理；对去噪处理后的所述雷达波双曲线图像进行图像锐化，得到预处理后的雷达波双曲线图像。
可选地，所述从预处理后的雷达波数据中提取携带有所述植物根系的特征信息的关联数据，包括：采用稀疏降维算法结合强化学习SARSA算法，从所述预处理后的雷达波信号中提取携带有所述植物根系的特征信息的关联数据；和采用双树复小波算法对所述预处理后的雷达波双曲线图像进行三级双树复小波分解，得到预设数量个特征向量，并根据全卷积神经网络，从预设数量个所述特征向量中提取符合预设要求的特征向量，作为所述雷达波双曲线图像中携带有所述植物根系的特征信息的关联数据。
可选地，所述植物根系的生物特征包括：根生物量、根径、生长方向和分布范围。
第二方面，本申请实施例还提供一种植物根系探测装置，包括：获取模块，用于通过探地雷达设备对植物根系进行扫描，获取所述植物根系对应的雷达波数据；预处理模块，用于对所述雷达波数据进行预处理，得到预处理后的雷达波数据；提取模块，用于从预处理后的雷达波数据中提取携带有所述植物根系的特征信息的关联数据；解译模块，用于根据双级联随机森林算法和生成式对抗网络模型，解译所述关联数据，得到所述植物根系的生物特征。
可选地，所述雷达波数据包括：雷达波信号和雷达波双曲线图像。
可选地，所述预处理模块包括：时变增益模块，用于对所述雷达波信号进行自动时变增益，得到补偿后的雷达波信号；时频分析模块，用于采用希尔伯特黄变换对所述补偿后的雷达波信号进行时频分析，得到时频分析后的雷达波信号；曲波变换模块，用于对所述时频分析后的雷达波信号进行曲波Curvelet变换，得到预处理后的雷达波信号；去噪模块，用于对所述雷达波双曲线图像进行去噪处理；图像锐化模块，用于对去噪处理后的所述雷达波双曲线图像进行图像锐化，得到预处理后的雷达波双曲线图像。
可选地，所述提取模块包括：第一提取子模块，用于采用稀疏降维算法结合强化学习SARSA算法，从所述预处理后的雷达波信号中提取携带有所述植物根系的特征信息的关联数据；第二提取子模块，用于采用双树复小波算法对所述预处理后的雷达波双曲线图像进行三级双树复小波分解，得到预设数量个特征向量，并根据全卷积神经网络，从预设数量个所述特征向量中提取符合预设要求的特征向量，作为所述雷达波双曲线图像中携带有所述植物根系的特征信息的关联数据。
基于上述任一方面，本申请的有益效果是：
本申请实施例通过探地雷达设备对植物根系进行扫描，获取植物根系对应的雷达波数据；对雷达波数据进行预处理，得到预处理后的雷达波数据；从预处理后的雷达波数据中提取携带有植物根系的特征信息的关联数据；根据双级联随机森林算法和生成式对抗网络模型，解译关联数据，得到植物根系的生物特征，使得在使用GPR技术进行植物根系探测，对探地雷达波数据进行处理和特征提取时，能够通过双级联随机森林算法和生成式对抗网络模型，更精确地解译出植物根系的生物特征，从而有效地将雷达波数据中携带的根系信息提取出来。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例提供的植物根系探测方法的流程示意图；
图2示出了GPR植物根系探测产生双曲线的示意图；
图3示出了本申请实施例提供的植物根系探测方法的另一流程示意图；
图4示出了本申请实施例提供的植物根系探测方法的又一流程示意图；
图5示出了本申请实施例提供的植物根系探测方法的又一流程示意图；
图6示出了本申请实施例提供的植物根系探测装置的结构示意图；
图7示出了本申请实施例提供的植物根系探测装置的另一结构示意图；
图8示出了本申请实施例提供的植物根系探测装置的又一结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的描述中，需要说明的是，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
本申请实施例提供一种植物根系探测方法，可以应用于服务器、计算机等具有数据处理能力的设备。通过该植物根系探测方法进行植物根系探测，能够有效地将雷达波数据中携带的根系信息提取出来。
图1示出了本申请实施例提供的植物根系探测方法的流程示意图。如图1所示，该植物根系探测方法包括：
S101、通过探地雷达设备对植物根系进行扫描，获取植物根系对应的雷达波数据。
其中，植物根系一般是指植物体生长在地面下的营养器官，具有吸收、固着、输导、合成、储藏和繁殖等功能。土壤内的水和矿物质都是通过根系进入植物的各个部分。但是，植物根系深处地下，观测十分不便。
而探地雷达(Ground Penetrating Radar，GPR)作为一种用高频无线电波来确定介质内部物质分布规律的地球物理方法，能够在无损于植物根系和土壤环境的前提下，实现对植物根系的探测。常见的探地雷达设备包括：地面探测雷达(Ground-probing Radar)、地下雷达(Subsurface Radar)、地质雷达(Geo Radar)、脉冲雷达(Impulse Radar)或表面穿透雷达(Surface Pene-trating Radar)等，均是利用宽带电磁波以脉冲形式来探测地表之下或确定不可视的物体内部或结构。
通过探地雷达设备对植物根系进行扫描时，雷达产生的高频电磁波以宽频短脉冲的形式，由地面通过发射天线送入地下，经地层或地下目标体(如植物根系、土壤等)反射后，返回地面被接收天线接收。其中，电磁波的频率可以是200兆赫兹(MHz)至2千兆赫兹(GHz)，电磁波在地下介质中传播时，传播的路径、电磁场强度与波形将会随着介质的介电常数、几何形态等因素的不同，而产生不同程度的变化，也即，接收天线接收到的电磁波会随着植物根系介质和土壤介质的电学参数的差异，而具有不同的电磁波特性。
例如，探地雷达设备在地表运行的过程中，越接近于植物根系时，接收天线接收到的反射电磁波的信号运行时间逐渐减少，当探地雷达设备正好运行到植物根系的正上方时，信号运行时间达到最少；然后，随着探地雷达设备逐渐远离植物根系时，信号运行时间会逐渐增加，导致在雷达剖面上会产生一个双曲线特征。
图2示出了GPR植物根系探测产生双曲线的示意图。
如图2所示，图2(左)中沿着T1至R7的方向为探地雷达设备的运行方向，目的体可以表示植物根系；图2(右)中横坐标表示探地雷达的位置位移，纵坐标表示电磁波特性的变化；通过图2可以得知，当植物根系的主轴与探地雷达设备的天线运行方向垂直时，可以形成最清晰的双曲线，而植物根系与天线运行方向相同时，在雷达剖面上产生线状特征，不会产生双曲线，其他相交的角度则会产生扭曲的双曲线。
从而，通过探地雷达设备对植物根系进行扫描，可以根据接收电线接收到的电磁波特性的变化，获取到与植物根系相关的雷达波数据。
S102、对雷达波数据进行预处理，得到预处理后的雷达波数据。
具体地，可以对上述所获取的雷达波数据进行预处理，例如，可以对数据进行去噪处理，以提高数据的精确性；也可以对数据作补偿处理，以提高数据的精度等，从而得到预处理后的雷达波数据。
S103、从预处理后的雷达波数据中提取携带有植物根系的特征信息的关联数据。
一般而言，所获取到的雷达波数据中不仅仅包括植物根系的数据，也可能包括携带有土壤或其他地下介质的数据。可选地，可以对上述预处理后的雷达波数据进行筛选，从预处理后的雷达波数据中提取仅仅与植物根系相关的数据，也即，提取携带有植物根系的特征信息的关联数据。
S104、根据双级联随机森林算法和生成式对抗网络模型，解译关联数据，得到植物根系的生物特征。
其中，随机森林算法既可以用于分类问题，也可以用于回归问题。相对于普通单个算法而言，双级联随机森林算法由于采用了集成算法而具有更高地计算精度，且在训练过程中训练速度较快。对于生成式对抗网络模型而言，其通常包括生成器和判别器，生成器的目的是尽量去学习真实的数据分布，而判别器的目的是尽量正确判别输入数据是来自真实数据还是来自生成器；在实际应用中，生成器和判别器均需要不断优化，各自提高自己的生成能力和判别能力。
可选地，可以预先根据植物根系的生物特征，使用双级联随机森林算法对生成式对抗网络模型进行训练。然后，可以根据双级联随机森林算法和训练好的生成式对抗网络模型，对提取到的上述携带有植物根系的特征信息的关联数据进行解译，从而可以得到被探地雷达设备所扫描的植物根系的生物特征。
可选地，植物根系的生物特征可以包括：根生物量、根径、生长方向和分布范围等。
具体地，可以根据雷达波数据的变化绘制植物根系的形态图、以确定植物根系的生长方向、分布范围等，还可以根据反射电磁波的信号强度判断植物根系的根径大小、以及结合植物根系的根径大小统计植物根系在一定范围内的根生物量等。对于植物根系的生物特征的具体类型，本申请在此不作限制。
由上所述，本申请实施例通过探地雷达设备对植物根系进行扫描，获取植物根系对应的雷达波数据；对雷达波数据进行预处理，得到预处理后的雷达波数据；从预处理后的雷达波数据中提取携带有植物根系的特征信息的关联数据；根据双级联随机森林算法和生成式对抗网络模型，解译关联数据，得到植物根系的生物特征，使得在使用GPR技术进行植物根系探测，对探地雷达波数据进行处理和特征提取时，能够通过双级联随机森林算法和生成式对抗网络模型，更精确地解译出植物根系的生物特征，从而有效地将雷达波数据中携带的根系信息提取出来。
可选地，雷达波数据可以包括：雷达波信号和雷达波双曲线图像。
图3示出了本申请实施例提供的植物根系探测方法的另一流程示意图。
可选地，如图3所示，上述对雷达波数据进行预处理，得到预处理后的雷达波数据，包括：
S201、对雷达波信号进行自动时变增益，得到补偿后的雷达波信号。
具体地，时变增益是指放大的增益是时间的函数。由于在探地雷达系统中，时间实际对应着目标体(植物根系)离天线的距离，从这个角度讲，时变增益也可以称之为距离增益。对雷达波信号进行自动时变增益，也即对近距离目标体的反射电磁波采用衰减或较低增益放大，而对远距离目标体的反射电磁波采用较高增益放大，使电磁波信号变得相对平稳，以保证后续对电磁波信号的获取和辨别。
S202、采用希尔伯特黄变换对补偿后的雷达波信号进行时频分析，得到时频分析后的雷达波信号。
具体地，希尔伯特黄变换主要包含经验模态分解(Empirical ModeDecomposition，简称EMD)和Hilbert谱分析(Hilbert Spectrum Analysis，简称HSA)。希尔伯特黄变换处理非平稳信号的基本过程是：首先利用EMD方法将给定的信号分解为若干固有模态函数(以Intrinsic Mode Function或IMF表示，也称作本征模态函数)，这些IMF是满足一定条件的分量；然后，对每一个IMF进行Hilbert变换，得到相应的Hilbert谱，即将每个IMF表示在联合的时频域中；最后，将所有IMF的Hilbert谱汇总，即可得到原始信号的Hilbert谱，从而实现对雷达波信号的时频分析过程。
S203、对时频分析后的雷达波信号进行曲波Curvelet变换，得到预处理后的雷达波信号。
具体地，对雷达波信号进行曲波Curvelet变换，可以实现对雷达波信号的滤波处理，达到对雷达波信号去噪的目的。
可选地，在本申请其他实施方式中，也可以通过采取其他小波变换或傅里叶变换的方式实现对雷达波信号的滤波处理，以达到对雷达波信号去噪的目的。
由此，本申请实施例采用自动时变增益、希尔伯特黄变换和Curvelet小波变换进行对雷达波信号进行补偿、时频分析以及滤波处理，从而得到了预处理后的雷达波信号。
图4示出了本申请实施例提供的植物根系探测方法的又一流程示意图。
可选地，如图4所示，上述对雷达波数据进行预处理，得到预处理后的雷达波数据，还包括：
S301、对雷达波双曲线图像进行去噪处理。
可选地，可以采用中值滤波、全变分滤波、局部均值滤波等滤波方法，对雷达波双曲线图像进行滤波，以去除雷达波双曲线图像中的噪声，使得后续可以更精确地提取雷达波数据中携带有植物根系的特征信息的关联数据，保证最终植物根系探测的结果的有效性。
需要说明的是，本申部分实施方式中，也可以采用高斯滤波、双边滤波等其他滤波方法对雷达波双曲线图像进行去噪处理，本申请对此不作限制。
S302、对去噪处理后的雷达波双曲线图像进行图像锐化，得到预处理后的雷达波双曲线图像。
具体地，上述步骤S301中采用滤波方法对雷达波双曲线图像进行去噪处理，往往会导致雷达波双曲线图像的边界、轮廓变得较为模糊。可选地，为了解决雷达波双曲线图像的边界、轮廓变得较为模糊所带来的不利影响，可以利用形态学滤波和高通滤波等图像锐化技术，对雷达波双曲线图像进行图像锐化，使得雷达波双曲线图像的边缘和轮廓变得清晰，从而有利于后续处理过程中对雷达波双曲线图像的边缘提取、分割等。
图5示出了本申请实施例提供的植物根系探测方法的又一流程示意图。
可选地，如图5所示，上述从预处理后的雷达波数据中提取携带有植物根系的特征信息的关联数据，包括：
S401、采用稀疏降维算法结合强化学习SARSA算法，从预处理后的雷达波信号中提取携带有植物根系的特征信息的关联数据。
具体地，采用稀疏降维算法在对雷达波信号进行处理时，需要对雷达波信号依次进行稀疏表示、重建稀疏点选择以及数据降维，在得到雷达波信号特征的同时，可以有效去除信号的冗余度、保留完整的重要信息。而SARSA算法是一种单步更新的算法，其选取的是一种保守的策略，通过价值函数的更新，来更新当前的策略，进而产生新的状态和即时奖励，一直循环进行，直到价值函数和策略都收敛为止。使用SARSA算法确定重建稀疏点，能够保证最优解的精度。因此，可以采用稀疏降维算法结合强化学习SARSA算法，从上述预处理后的雷达波信号中提取携带有植物根系的特征信息的关联数据，以保证提取精度。
S402、采用双树复小波算法对预处理后的雷达波双曲线图像进行三级双树复小波分解，得到预设数量个特征向量。
具体地，双树复小波算法能够用于对雷达波双曲线图像进行双树复小波变换，从而实现对预处理后的雷达波双曲线图像的三级双树复小波分解，以得到预设数量的特征向量。其中，特征向量用于表示与植物根系的特征信息相关的向量数据。
需要说明的是，对雷达波双曲线图像进行双树复小波变换，所得到的特征向量的数量可以是根据需要所设定的值，例如，预设数量可以根据植物根系所处的不同应用环境、植物根系探测所需的精度等条件，设置为40、45、50等不同的值，本申请对特征向量的数量不作要求。
S403、根据全卷积神经网络，从预设数量个特征向量中提取符合预设要求的特征向量，作为雷达波双曲线图像中携带有植物根系的特征信息的关联数据。
具体地，全卷积神经网络是包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。根据全卷积神经网络，可以按照预设要求对上述预设数量个特征向量进行筛选，从中提取符合预设要求的特征向量。其中，预设要求可以是指提取特征向量中的优选关键特征，例如，优选关键特征可以是能够完整地表达雷达波双曲线图像的复杂信息、且数据冗余较小的特征向量等。
由上所述，本申请实施例根据全卷积神经网络，按照预设要求对特征向量进行筛选，将符合预设要求的特征向量，如：能够完整地表达雷达波双曲线图像的复杂信息、且数据冗余较小的特征向量等，作为雷达波双曲线图像中携带有植物根系的特征信息的关联数据，可以使得所提取的关联数据与植物根系的生物特征具有更高的相关度，从而提高了最终解译得到的植物根系的生物特征的精度。
此外，还需要特别说明的是，在本申请其他实施方式中，可以是先执行上述步骤S402和步骤S403，再执行步骤S401；或者也可以是将步骤S402和步骤S403作为整体，与步骤S401同时执行。也即，图5所示的植物根系探测方法的流程步骤仅仅为本申请众多实施例中的一种，对于从预处理后的雷达波信号中提取关联数据的步骤和从对预处理后的雷达波双曲线图像中提取关联数据的步骤之间的执行顺序，本申请不作限定。
本申请实施例还提供一种植物根系探测装置，用于执行前述实施例中所述的植物根系探测方法。
图6示出了本申请实施例提供的植物根系探测装置的结构示意图。
如图6所示，该植物根系探测装置包括：获取模块510，用于通过探地雷达设备对植物根系进行扫描，获取植物根系对应的雷达波数据；预处理模块520，用于对雷达波数据进行预处理，得到预处理后的雷达波数据；提取模块530，用于从预处理后的雷达波数据中提取携带有植物根系的特征信息的关联数据；解译模块540，用于根据双级联随机森林算法和生成式对抗网络模型，解译关联数据，得到植物根系的生物特征。
可选地，雷达波数据包括：雷达波信号和雷达波双曲线图像。
图7示出了本申请实施例提供的植物根系探测装置的另一结构示意图。
可选地，如图7所示，预处理模块520包括：时变增益模块521，用于对雷达波信号进行自动时变增益，得到补偿后的雷达波信号；时频分析模块522，用于采用希尔伯特黄变换对补偿后的雷达波信号进行时频分析，得到时频分析后的雷达波信号；曲波变换模块523，用于对时频分析后的雷达波信号进行曲波Curvelet变换，得到预处理后的雷达波信号；去噪模块524，用于对雷达波双曲线图像进行去噪处理；图像锐化模块525，用于对去噪处理后的雷达波双曲线图像进行图像锐化，得到预处理后的雷达波双曲线图像。
图8示出了本申请实施例提供的植物根系探测装置的又一结构示意图。
可选地，如图8所示，提取模块530包括：第一提取子模块531，用于采用稀疏降维算法结合强化学习SARSA算法，从预处理后的雷达波信号中提取携带有植物根系的特征信息的关联数据；第二提取子模块532，用于采用双树复小波算法对预处理后的雷达波双曲线图像进行三级双树复小波分解，得到预设数量个特征向量，并根据全卷积神经网络，从预设数量个特征向量中提取符合预设要求的特征向量，作为雷达波双曲线图像中携带有植物根系的特征信息的关联数据。
由于本申请实施例提供的植物根系探测装置，用于执行前述方法实施例中所述的植物根系探测方法，因此，具有前述方法实施例中所述的全部有益效果，本申请在此不再赘述。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (8)

1.一种植物根系探测方法，其特征在于，所述方法包括：
通过探地雷达设备对植物根系进行扫描，获取所述植物根系对应的雷达波数据；
对所述雷达波数据进行预处理，得到预处理后的雷达波数据；
从预处理后的雷达波数据中提取携带有所述植物根系的特征信息的关联数据；
根据双级联随机森林算法和生成式对抗网络模型，解译所述关联数据，得到所述植物根系的生物特征；
所述从预处理后的雷达波数据中提取携带有所述植物根系的特征信息的关联数据，包括：
采用稀疏降维算法结合强化学习SARSA算法，从所述预处理后的雷达波信号中提取携带有所述植物根系的特征信息的关联数据；和，
采用双树复小波算法对所述预处理后的雷达波双曲线图像进行三级双树复小波分解，得到预设数量个特征向量，并根据全卷积神经网络，从预设数量个所述特征向量中提取符合预设要求的特征向量，作为所述雷达波双曲线图像中携带有所述植物根系的特征信息的关联数据；
所述根据双级联随机森林算法和生成式对抗网络模型，解译所述关联数据，得到所述植物根系的生物特征，包括：
预先根据植物根系的生物特征，使用双级联随机森林算法对生成式对抗网络模型进行训练；
根据训练好的生成式对抗网络模型，解译所述关联数据，得到所述植物根系的生物特征。
2.根据权利要求1所述的方法，其特征在于，所述雷达波数据包括：雷达波信号和雷达波双曲线图像。
3.根据权利要求2所述的方法，其特征在于，所述对所述雷达波数据进行预处理，得到预处理后的雷达波数据，包括：
对所述雷达波信号进行自动时变增益，得到补偿后的雷达波信号；
采用希尔伯特黄变换对所述补偿后的雷达波信号进行时频分析，得到时频分析后的雷达波信号；
对所述时频分析后的雷达波信号进行曲波Curvelet变换，得到预处理后的雷达波信号。
4.根据权利要求3所述的方法，其特征在于，所述对所述雷达波数据进行预处理，得到预处理后的雷达波数据，还包括：
对所述雷达波双曲线图像进行去噪处理；
对去噪处理后的所述雷达波双曲线图像进行图像锐化，得到预处理后的雷达波双曲线图像。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述植物根系的生物特征包括：根生物量、根径、生长方向和分布范围。
6.一种植物根系探测装置，其特征在于，包括：
获取模块，用于通过探地雷达设备对植物根系进行扫描，获取所述植物根系对应的雷达波数据；
预处理模块，用于对所述雷达波数据进行预处理，得到预处理后的雷达波数据；
提取模块，用于从预处理后的雷达波数据中提取携带有所述植物根系的特征信息的关联数据；
解译模块，用于根据双级联随机森林算法和生成式对抗网络模型，解译所述关联数据，得到所述植物根系的生物特征；
所述提取模块包括：
第一提取子模块，用于采用稀疏降维算法结合强化学习SARSA算法，从所述预处理后的雷达波信号中提取携带有所述植物根系的特征信息的关联数据；
第二提取子模块，用于采用双树复小波算法对所述预处理后的雷达波双曲线图像进行三级双树复小波分解，得到预设数量个特征向量，并根据全卷积神经网络，从预设数量个所述特征向量中提取符合预设要求的特征向量，作为所述雷达波双曲线图像中携带有所述植物根系的特征信息的关联数据；
所述解译模块，具体用于预先根据植物根系的生物特征，使用双级联随机森林算法对生成式对抗网络模型进行训练；根据训练好的生成式对抗网络模型，解译所述关联数据，得到所述植物根系的生物特征。
7.根据权利要求6所述的装置，其特征在于，所述雷达波数据包括：雷达波信号和雷达波双曲线图像。
8.根据权利要求7所述的装置，其特征在于，所述预处理模块包括：
时变增益模块，用于对所述雷达波信号进行自动时变增益，得到补偿后的雷达波信号；
时频分析模块，用于采用希尔伯特黄变换对所述补偿后的雷达波信号进行时频分析，得到时频分析后的雷达波信号；
曲波变换模块，用于对所述时频分析后的雷达波信号进行曲波Curvelet变换，得到预处理后的雷达波信号；
去噪模块，用于对所述雷达波双曲线图像进行去噪处理；
图像锐化模块，用于对去噪处理后的所述雷达波双曲线图像进行图像锐化，得到预处理后的雷达波双曲线图像。
CN201910432606.5A 2019-05-22 2019-05-22 植物根系探测方法及装置 Active CN110133643B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910432606.5A CN110133643B (zh) 2019-05-22 2019-05-22 植物根系探测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910432606.5A CN110133643B (zh) 2019-05-22 2019-05-22 植物根系探测方法及装置

Publications (2)

Publication Number Publication Date
CN110133643A CN110133643A (zh) 2019-08-16
CN110133643B true CN110133643B (zh) 2021-08-20

Family

ID=67572455

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910432606.5A Active CN110133643B (zh) 2019-05-22 2019-05-22 植物根系探测方法及装置

Country Status (1)

Country Link
CN (1) CN110133643B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111445515B (zh) * 2020-03-25 2021-06-08 中南大学 基于特征融合网络的地下圆柱体目标半径估算方法及系统
CN111505628B (zh) * 2020-04-29 2022-06-03 中国南方电网有限责任公司超高压输电公司广州局 基于探地雷达对地下电缆成像的探测与识别方法
CN112379368A (zh) * 2020-12-09 2021-02-19 长安大学 一种基于地质雷达的植被根系三维无损探测方法
CN113803304B (zh) * 2021-09-18 2023-04-11 北京林业大学 一种电液气混合控制的自适应爬树整枝系统
CN117708761B (zh) * 2024-02-06 2024-05-03 四川省亿尚农业旅游开发有限公司 一种融合多指标环境条件的朱顶红育苗系统及方法

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102292187A (zh) * 2008-11-21 2011-12-21 普雷茨特两合公司 用于监控要在工件上实施的激光加工过程的方法和装置以及具有这种装置的激光加工头
CN104569972A (zh) * 2015-01-20 2015-04-29 中国科学院成都生物研究所 一种植物根系三维构型无损检测方法
CN105005042A (zh) * 2015-07-27 2015-10-28 河南工业大学 一种探地雷达地下目标定位方法
CN105590093A (zh) * 2015-12-11 2016-05-18 桂林电子科技大学 基于稀疏表示的地下隐藏裂缝填充物识别方法
CN105891442A (zh) * 2016-03-31 2016-08-24 中国科学院南京土壤研究所 一种土壤质地颗粒含量预测方法
CN106442882A (zh) * 2016-09-22 2017-02-22 北京林业大学 一种基于雷达波的树木内部结构无损探测成像装置
CN106442635A (zh) * 2016-09-22 2017-02-22 北京林业大学 一种基于雷达波的树木内部结构层位识别的方法
DE102015013547A1 (de) * 2015-10-20 2017-04-20 Green Excellence GmbH Erkundung und Charakterisierung von Untergründen unter Nutzung von Sensorik, hochfrequenten elektromagnetischen Wellen (Ground Penetrating Radar (GPR) und Drohnen (UAV und UAS) / Ablösen des manuellen "Abklopfen von Beton"
US9715008B1 (en) * 2013-03-20 2017-07-25 Bentley Systems, Incorporated Visualization of 3-D GPR data in augmented reality
CN107064177A (zh) * 2017-05-24 2017-08-18 电子科技大学 基于自适应模糊推理的超宽带土壤信号含水量识别方法
CN108520282A (zh) * 2018-04-13 2018-09-11 湘潭大学 一种基于Triple-GAN的分类方法
CN108734220A (zh) * 2018-05-23 2018-11-02 山东师范大学 基于k线聚类和强化学习的自适应金融时间序列预测方法
CN108830331A (zh) * 2018-06-22 2018-11-16 西安交通大学 一种基于全卷积网络的探地雷达目标检测方法
CN109212553A (zh) * 2018-09-14 2019-01-15 南京林业大学 无人机LiDAR和随机森林提取银杏生物物理特性的方法
CN109343022A (zh) * 2016-12-30 2019-02-15 北京师范大学 估测层间土壤含水量的方法
CN109472817A (zh) * 2018-09-27 2019-03-15 浙江工业大学 一种基于循环生成对抗网络的多序列磁共振图像配准方法
CN109784091A (zh) * 2019-01-16 2019-05-21 福州大学 一种融合差分隐私gan和pate模型的表格数据隐私保护方法
CN109782274A (zh) * 2019-01-31 2019-05-21 长安大学 一种基于探地雷达信号时频统计特征的水损害识别方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104392242A (zh) * 2014-11-13 2015-03-04 东北林业大学 基于双树复小波特征提取及压缩感知的实木板材表面纹理与缺陷协同分类方法
CN107038692A (zh) * 2017-04-16 2017-08-11 南方医科大学 基于小波分解和卷积神经网络的x线胸片骨抑制处理方法
EP3612981B1 (en) * 2017-04-19 2024-05-29 Siemens Healthineers AG Target detection in latent space
US10623581B2 (en) * 2017-07-25 2020-04-14 Vail Systems, Inc. Adaptive, multi-modal fraud detection system
CN108898155A (zh) * 2018-05-18 2018-11-27 浙江工业大学 一种小波阈值降噪结合卷积神经网络的sar图像目标识别方法
CN109086658B (zh) * 2018-06-08 2021-06-08 中国科学院计算技术研究所 一种基于生成对抗网络的传感器数据生成方法与系统
CN109493916A (zh) * 2018-06-29 2019-03-19 北京大学 一种基于稀疏性因子分析的基因-基因交互作用识别方法

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102292187A (zh) * 2008-11-21 2011-12-21 普雷茨特两合公司 用于监控要在工件上实施的激光加工过程的方法和装置以及具有这种装置的激光加工头
US9715008B1 (en) * 2013-03-20 2017-07-25 Bentley Systems, Incorporated Visualization of 3-D GPR data in augmented reality
CN104569972A (zh) * 2015-01-20 2015-04-29 中国科学院成都生物研究所 一种植物根系三维构型无损检测方法
CN105005042A (zh) * 2015-07-27 2015-10-28 河南工业大学 一种探地雷达地下目标定位方法
DE102015013547A1 (de) * 2015-10-20 2017-04-20 Green Excellence GmbH Erkundung und Charakterisierung von Untergründen unter Nutzung von Sensorik, hochfrequenten elektromagnetischen Wellen (Ground Penetrating Radar (GPR) und Drohnen (UAV und UAS) / Ablösen des manuellen "Abklopfen von Beton"
CN105590093A (zh) * 2015-12-11 2016-05-18 桂林电子科技大学 基于稀疏表示的地下隐藏裂缝填充物识别方法
CN105891442A (zh) * 2016-03-31 2016-08-24 中国科学院南京土壤研究所 一种土壤质地颗粒含量预测方法
CN106442635A (zh) * 2016-09-22 2017-02-22 北京林业大学 一种基于雷达波的树木内部结构层位识别的方法
CN106442882A (zh) * 2016-09-22 2017-02-22 北京林业大学 一种基于雷达波的树木内部结构无损探测成像装置
CN109343022A (zh) * 2016-12-30 2019-02-15 北京师范大学 估测层间土壤含水量的方法
CN107064177A (zh) * 2017-05-24 2017-08-18 电子科技大学 基于自适应模糊推理的超宽带土壤信号含水量识别方法
CN108520282A (zh) * 2018-04-13 2018-09-11 湘潭大学 一种基于Triple-GAN的分类方法
CN108734220A (zh) * 2018-05-23 2018-11-02 山东师范大学 基于k线聚类和强化学习的自适应金融时间序列预测方法
CN108830331A (zh) * 2018-06-22 2018-11-16 西安交通大学 一种基于全卷积网络的探地雷达目标检测方法
CN109212553A (zh) * 2018-09-14 2019-01-15 南京林业大学 无人机LiDAR和随机森林提取银杏生物物理特性的方法
CN109472817A (zh) * 2018-09-27 2019-03-15 浙江工业大学 一种基于循环生成对抗网络的多序列磁共振图像配准方法
CN109784091A (zh) * 2019-01-16 2019-05-21 福州大学 一种融合差分隐私gan和pate模型的表格数据隐私保护方法
CN109782274A (zh) * 2019-01-31 2019-05-21 长安大学 一种基于探地雷达信号时频统计特征的水损害识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A New Deep Generative Network for Unsupervised;Juan Mario Haut;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20181130;第56卷(第11期);6792-6810 *
一种改进的图像去噪与增强模型;赵杰;《电视技术》;20131202;31-34 *
基于探地雷达的植物根系探测研究进展;王丹丹;《南京信息工程大学学报》;20160121;46-55 *
基于深度卷积神经网络的人脸表情识别方法;陈科雯;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180415;全文 *

Also Published As

Publication number Publication date
CN110133643A (zh) 2019-08-16

Similar Documents

Publication Publication Date Title
CN110133643B (zh) 植物根系探测方法及装置
CN105137498B (zh) 一种基于特征融合的地下目标探测识别系统及方法
Chen et al. Adaptive ground clutter reduction in ground-penetrating radar data based on principal component analysis
Carrer et al. Automatic enhancement and detection of layering in radar sounder data based on a local scale hidden Markov model and the Viterbi algorithm
CN110866545A (zh) 一种探地雷达资料中管线目标的自动识别方法及系统
CN111795931B (zh) 一种针对激光超声缺陷检测衍射回波信号的重构提取方法
Zhang et al. Advanced signal processing method for ground penetrating radar feature detection and enhancement
CN108710888B (zh) 一种探地雷达数据配准方法
CN106199532A (zh) 基于混合傅立叶‑小波分析的探地雷达信号降噪方法
Zheng et al. A novel edge detection for buried target extraction after SVD-2D wavelet processing
CN103777191B (zh) 基于小波平移不变阈值去噪的激光雷达波形数据处理方法
CN113780361B (zh) 一种基于2.5d-cnn算法的三维探地雷达图像地下管线识别方法
CN113901878B (zh) 一种基于cnn+rnn算法的三维探地雷达图像地下管线识别方法
Zhang et al. A reverberation noise suppression method of sonar image based on shearlet transform
CN107121705B (zh) 一种基于自动反相校正和峰度值比较的探地雷达回波信号去噪算法
Ali et al. Feature extraction based on empirical mode decomposition for shapes recognition of buried objects by ground penetrating radar
Gonzalez-Huici A strategy for landmine detection and recognition using simulated GPR responses
CN114169411B (zh) 一种基于3d-cnn算法的三维探地雷达图像地下管线识别方法
CN115113163A (zh) 一种探地雷达多分辨率低秩稀疏分解杂波抑制方法
CN112666552B (zh) 一种探地雷达数据背景杂波自适应去除方法
Xue et al. Ionogram echo extraction based on the convolutional neural networks
Ouadfeul et al. Noise attenuation from GPR data using wavelet transform and artificial neural network
Ali et al. A cascade hyperbolic recognition of buried objects using hybrid feature extraction in ground penetrating radar images
Atef et al. GPR ringing suppression using lateral outliers' swap filter
Rohman et al. Remote human respiration detection using ultra-wideband impulse radar mounted on a linearly flying platform

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant