CN114220002B - 一种基于卷积神经网络的外来植物入侵监测方法和系统 - Google Patents
一种基于卷积神经网络的外来植物入侵监测方法和系统 Download PDFInfo
- Publication number
- CN114220002B CN114220002B CN202111417719.1A CN202111417719A CN114220002B CN 114220002 B CN114220002 B CN 114220002B CN 202111417719 A CN202111417719 A CN 202111417719A CN 114220002 B CN114220002 B CN 114220002B
- Authority
- CN
- China
- Prior art keywords
- neural network
- matrix
- convolutional neural
- preset
- network model
- 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
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012544 monitoring process Methods 0.000 title claims abstract description 23
- 230000009545 invasion Effects 0.000 title abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 65
- 238000012795 verification Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 225
- 238000011176 pooling Methods 0.000 claims description 47
- 230000004913 activation Effects 0.000 claims description 42
- 238000013528 artificial neural network Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 24
- 238000011478 gradient descent method Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 12
- 230000005855 radiation Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 230000003595 spectral effect Effects 0.000 claims description 10
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 claims description 8
- 230000017105 transposition Effects 0.000 claims description 7
- 238000013139 quantization Methods 0.000 claims description 6
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 5
- 241000196324 Embryophyta Species 0.000 description 51
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000010606 normalization Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 4
- 235000000342 Solanum rostratum Nutrition 0.000 description 3
- 241000193264 Solanum rostratum Species 0.000 description 3
- 241001521901 Tribulus lanuginosus Species 0.000 description 3
- 238000009795 derivation Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 241001599890 Euphorbia dentata Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 244000144972 livestock Species 0.000 description 2
- 231100000572 poisoning Toxicity 0.000 description 2
- 230000000607 poisoning effect Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 231100000331 toxic Toxicity 0.000 description 2
- 230000002588 toxic effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 241000270295 Serpentes Species 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的外来植物入侵监测方法和系统，基于无人机按多个预设飞行高度在选定区域进行拍摄并获取目标高光谱图像；根据目标高光谱图像中指定感兴趣区域中各像素点的波段数据生成训练数据集；根据训练数据集对预设卷积神经网络模型进行训练和优化后得到训练完成的目标卷积神经网络模型；基于各目标卷积神经网络模型进行实地验证并确定识别精度最高的最佳卷积神经网络模型；基于无人机按照最佳飞行高度在待识别区域拍摄获取待识别高光谱图像，并基于最佳卷积神经网络模型从待识别高光谱图像中识别出指定外来植物，从而可高效准确的进行草原外来植物入侵监测，实现草原植被持续健康发展，保障了农牧民财产安全。
Description
技术领域
本申请涉及入侵植物监测技术领域，更具体地，涉及一种基于卷积神经网络的外来植物入侵监测方法和系统。
背景技术
广袤的草原为当地牧民提供了生活原料，满足基本生产和生活要求，由于草原生态系统的脆弱性以及地域的广阔性，外来植物一旦通过某种途径侵入，就能够很快适应当地生态环境，其防治难度也相对较大。
目前发现的主要外来有毒有害植物主要包括刺萼龙葵、疏花蒺藜草、齿裂大戟等，其中，刺萼龙葵和疏花蒺藜草已经逐渐蔓延且分布面积越来越大。这些外来有毒有害植物的入侵定植改变当地植物种群结构，使草地生产能力和牧草品质下降，草原严重退化，破坏当地农牧业生态环境，引起牲畜中毒，威胁到畜牧业生产、生态安全和人民群众的身体健康。
综上，有必要对草原上的外来植物入侵进行识别监测来保护草原植被持续健康发展，现有技术中一般采用人工识别监测，识别效率低，成本高。
因此，如何高效准确的进行草原外来植物入侵监测，是目前有待解决的技术问题。
发明内容
本发明提供一种基于卷积神经网络的外来植物入侵监测方法，用以解决现有技术中对草原上的外来植物入侵进行监测时效率低，成本高的技术问题。
该方法包括：
在预设拍摄时间段，基于携带有高光谱相机的无人机按多个预设飞行高度在存在指定外来植物的选定区域进行拍摄，并对拍摄获取的原始高光谱图像进行去除异常值和辐射校正后获取目标高光谱图像；
根据所述目标高光谱图像中指定感兴趣区域中各像素点的波段数据生成训练数据集；
根据所述训练数据集对预设卷积神经网络模型进行训练，并基于梯度下降法对所述预设卷积神经网络模型的模型参数进行优化，直至所述预设卷积神经网络模型的交叉熵损失小于预设值时得到训练完成的各所述预设飞行高度下的目标卷积神经网络模型；
基于各所述目标卷积神经网络模型进行实地验证并从各所述目标卷积神经网络模型中确定识别精度最高的最佳卷积神经网络模型；
基于无人机按照与所述最佳卷积神经网络模型对应的最佳飞行高度在待识别区域拍摄获取待识别高光谱图像，并基于所述最佳卷积神经网络模型从所述待识别高光谱图像中识别出所述指定外来植物；
其中，所述预设拍摄时间段是根据所述指定外来植物在生长周期中的光谱特征确定的，所述预设卷积神经网络模型包括卷积层和神经网络层，所述神经网络层包括输入层H1、隐藏层H2、第一激活层H3、输出层H4和第二激活层Y，所述模型参数包括第一权重矩阵W1、第一常数b1、第二权重矩阵W2和第二常数b2，其中，H2=H1*W1+b1，H4=H3*W2+b2。
在本申请一些实施例中，根据所述目标高光谱图像中指定感兴趣区域中各像素点的波段数据生成训练数据集，具体为：
基于数据标准化算法对所述波段数据进行数据标准化；
基于蛇形排列将数据标准化的波段数据转置为目标矩阵；
根据与各所述像素点对应的各目标矩阵生成所述训练数据集；
其中，所述蛇形排列为矩阵中每一行数据填写完毕后首尾相接。
在本申请一些实施例中，根据所述训练数据集对预设卷积神经网络模型进行训练，具体为：
将所述训练数据集输入所述卷积层依次进行第一次卷积、第一次池化、第二次卷积、第二次池化和转置得到目标一阶矩阵；
将所述目标一阶矩阵输入所述神经网络层进行分类得到结果矩阵；
对所述结果矩阵进行softmax处理并量化后确定交叉熵损失。
在本申请一些实施例中，将所述训练数据集输入所述卷积层依次进行第一次卷积、第一次池化、第二次卷积、第二次池化和转置得到目标一阶矩阵，具体为：
基于多个预设卷积核分别对所述目标矩阵进行第一次卷积得到第一立体矩阵；
基于预设池化算法对所述第一立体矩阵进行第一次池化得到第二立体矩阵；
基于多个所述预设卷积核对所述第二立体矩阵进行第二次卷积得到第三立体矩阵；
基于所述预设池化算法对所述第三立体矩阵进行第二次池化得到第四立体矩阵；
将所述第四立体矩阵进行转置得到所述目标一阶矩阵。
在本申请一些实施例中，所述预设卷积核的数量为16，所述目标矩阵的大小为30*30，所述第一立体矩阵的大小为28*28*16，所述第二立体矩阵的大小为14*14*16，所述第三立体矩阵的大小为12*12*16，所述第四立体矩阵的大小为6*6*16，所述目标一阶矩阵的大小为1*576。
在本申请一些实施例中，将所述目标一阶矩阵输入所述神经网络层进行分类得到结果矩阵，具体为：
将所述目标一阶矩阵输入所述输入层H1，并基于所述第一权重矩阵W1和所述第一常数b1在所述隐藏层H2得到隐藏层矩阵；
基于预设激活函数对所述隐藏层矩阵进行激活操作后在所述第一激活层H3得到激活层矩阵，并基于所述第二权重矩阵W2和所述第一常数b2在所述输出层得到输出层矩阵；
基于所述预设激活函数对所述输出层矩阵进行激活操作后在所述第二激活层Y得到所述结果矩阵。
在本申请一些实施例中，所述目标一阶矩阵的大小为1*576，所述第一权重矩阵W1的初始值为576*100的矩阵，所述隐藏层矩阵和所述激活层矩阵的大小为1*100，所述第二权重矩阵W2的初始值为100*2的矩阵，所述输出层矩阵和所述结果矩阵的大小为1*2。
在本申请一些实施例中，基于梯度下降法对所述预设卷积神经网络模型的模型参数进行优化，具体为：
基于梯度下降法确定所述第一权重矩阵和所述第二权重矩阵中每个权重相对于总体误差的偏导数，基于各所述偏导数和预设学习速率对所述第一权重矩阵和所述第二权重矩阵进行优化；
基于所述总体误差对所述第一常数和所述第二常数进行优化；
其中，所述总体误差为预设卷积神经网络模型的各个输出结果分别相对于预设目标值的误差之和。
在本申请一些实施例中，所述预设拍摄时间段为所述指定外来植物的开花期前后，所述方法还包括：
若所述最佳卷积神经网络模型的识别精度未达到预设精度，在新的选定区域降低无人机的飞行高度获取新的目标高光谱图像，基于与所述新的目标高光谱图像对应的新的最佳卷积神经网络模型从所述待识别高光谱图像中识别出所述指定外来植物。
相应的，本发明还提出了一种基于卷积神经网络的外来植物入侵监测系统，所述系统包括：
采集模块，用于在预设拍摄时间段，基于携带有高光谱相机的无人机按多个预设飞行高度在存在指定外来植物的选定区域进行拍摄，并对拍摄获取的原始高光谱图像进行去除异常值和辐射校正后获取目标高光谱图像；
生成模块，用于根据所述目标高光谱图像中指定感兴趣区域中各像素点的波段数据生成训练数据集；
训练模块，用于根据所述训练数据集对预设卷积神经网络模型进行训练，并基于梯度下降法对所述预设卷积神经网络模型的模型参数进行优化，直至所述预设卷积神经网络模型的交叉熵损失小于预设值时得到训练完成的各所述预设飞行高度下的目标卷积神经网络模型；
验证模块，用于基于各所述目标卷积神经网络模型进行实地验证并从各所述目标卷积神经网络模型中确定识别精度最高的最佳卷积神经网络模型；
识别模块，用于基于无人机按照与所述最佳卷积神经网络模型对应的最佳飞行高度在待识别区域拍摄获取待识别高光谱图像，并基于所述最佳卷积神经网络模型从所述待识别高光谱图像中识别出所述指定外来植物；
其中，所述预设拍摄时间段是根据所述指定外来植物在生长周期中的光谱特征确定的，所述预设卷积神经网络模型包括卷积层和神经网络层，所述神经网络层包括输入层H1、隐藏层H2、第一激活层H3、输出层H4和第二激活层Y，所述模型参数包括第一权重矩阵W1、第一常数b1、第二权重矩阵W2和第二常数b2，其中，H2=H1*W1+b1，H4=H3*W2+b2。
通过应用以上技术方案，在预设拍摄时间段，基于携带有高光谱相机的无人机按多个预设飞行高度在存在指定外来植物的选定区域进行拍摄，并对拍摄获取的原始高光谱图像进行去除异常值和辐射校正后获取目标高光谱图像；根据目标高光谱图像中指定感兴趣区域中各像素点的波段数据生成训练数据集；根据训练数据集对预设卷积神经网络模型进行训练，并基于梯度下降法对预设卷积神经网络模型的模型参数进行优化，直至预设卷积神经网络模型的交叉熵损失小于预设值时得到训练完成的各预设飞行高度下的目标卷积神经网络模型；基于各目标卷积神经网络模型进行实地验证并从各目标卷积神经网络模型中确定识别精度最高的最佳卷积神经网络模型；基于无人机按照与最佳卷积神经网络模型对应的最佳飞行高度在待识别区域拍摄获取待识别高光谱图像，并基于最佳卷积神经网络模型从待识别高光谱图像中识别出指定外来植物，从而可高效准确的进行草原外来植物入侵监测，降低了成本，实现草原植被持续健康发展，保障了农牧民财产安全。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地 ，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，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的附图。
图1示出了本发明实施例提出的一种基于卷积神经网络的外来植物入侵监测方法的流程示意图；
图2示出了本发明实施例中像素点的波段数据示意图；
图3示出了第一次卷积原理示意图；
图4示出了不同卷积核的举例示意图；
图5示出了池化操作原理示意图；
图6示出了第二次卷积原理示意图；
图7示出了本发明实施例中神经网络层的结构示意图；
图8示出了本发明实施例提出的一种基于卷积神经网络的外来植物入侵监测系统的结构示意图。
具体实施方式
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，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做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。
本申请实施例提供一种基于卷积神经网络的外来植物入侵监测方法，基于携带有高光谱相机的无人机采集高光谱数据，基于高光谱数据进行卷积神经网络模型训练，根据训练完成的卷积神经网络进行外来植物入侵监测，提高识别监测效率，降低了成本，如图1所示，该方法包括以下步骤：
步骤S101，在预设拍摄时间段，基于携带有高光谱相机的无人机按多个预设飞行高度在存在指定外来植物的选定区域进行拍摄，并对拍摄获取的原始高光谱图像进行去除异常值和辐射校正后获取目标高光谱图像。
本实施例中，指定外来植物在生长周期中呈现不同的光谱特征，根据光谱特征变化显著的时间段（如开花期前后）确定预设拍摄时间段，可提高识别效率。无人机上设置有高光谱相机，在预设拍摄时间段，基于无人机按多个预设飞行高度在存在指定外来植物的选定区域进行拍摄，获取原始高光谱图像。
为了提高识别准确性，对原始高光谱图像进行预处理并获取目标高光谱图像，预处理包括去除异常值和辐射校正，去除异常值和辐射校正的具体过程对于本领域技术人员是显而易见的，在此不再赘述。
可选的，预设飞行高度包括50米、75米和100米，指定外来植物包括刺萼龙葵、疏花蒺藜草、齿裂大戟。
步骤S102，根据所述目标高光谱图像中指定感兴趣区域中各像素点的波段数据生成训练数据集。
本实施例中，指定感兴趣区域为用户通过目视观察确定的存在指定外来植物的区域，指定感兴趣区域中包括多个像素点，每个像素点都由很多的波段数据组成，如图2所示，每一层代表一个波段的数据，根据各像素点的波段数据可生成训练数据集。
为了提高识别准确度，在本申请一些实施例中，根据所述目标高光谱图像中指定感兴趣区域中各像素点的波段数据生成训练数据集，具体为：
基于数据标准化算法对所述波段数据进行数据标准化；
基于蛇形排列将数据标准化的波段数据转置为目标矩阵；
根据与各所述像素点对应的各目标矩阵生成所述训练数据集。
本实施例中，不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性，可选的，数据标准化算法可包括min-max标准化，log函数转换，atan函数转换，z-score标准化，模糊量化法，本领域技术人员可根据实际需要灵活选用。
先基于数据标准化算法对波段数据进行数据标准化，然后基于蛇形排列将数据标准化的波段数据转置为目标矩阵，蛇形排列为矩阵中每一行数据填写完毕后首尾相接，基于蛇形排列的方式可极大的保留波段数据的连续性，使在后续卷积过程中提高特征提取准确度，最后根据与各像素点对应的各目标矩阵生成训练数据集。
步骤S103，根据所述训练数据集对预设卷积神经网络模型进行训练，并基于梯度下降法对所述预设卷积神经网络模型的模型参数进行优化，直至所述预设卷积神经网络模型的交叉熵损失小于预设值时得到训练完成的各所述预设飞行高度下的目标卷积神经网络模型。
本实施例中，梯度下降法的计算过程就是沿梯度下降的方向求解极小值（也可以沿梯度上升方向求解极大值）。对于交叉熵损失，p表示真实标记的分布，q则为训练后的模型的预测标记分布，交叉熵损失函数可以衡量p与q的相似性。
对不同的预设飞行高度下的训练数据集，分别进行模型训练和模型参数优化，在预设卷积神经网络模型的交叉熵损失小于预设值时得到训练完成的与各预设飞行高度对应的目标卷积神经网络模型。其中，预设卷积神经网络模型包括卷积层和神经网络层，如图7所示，神经网络层包括输入层H1、隐藏层H2、第一激活层H3、输出层H4和第二激活层Y，所述模型参数包括第一权重矩阵W1、第一常数b1、第二权重矩阵W2和第二常数b2，其中，H2=H1*W1+b1，H4=H3*W2+b2。
为了提高识别准确度，在本申请一些实施例中，根据所述训练数据集对预设卷积神经网络模型进行训练，具体为：
将所述训练数据集输入所述卷积层依次进行第一次卷积、第一次池化、第二次卷积、第二次池化和转置得到目标一阶矩阵；
将所述目标一阶矩阵输入所述神经网络层进行分类得到结果矩阵；
对所述结果矩阵进行softmax处理并量化后确定交叉熵损失。
本实施例中，训练过程包括卷积层训练和神经网络层训练，先将训练数据集输入卷积层依次进行第一次卷积、第一次池化、第二次卷积、第二次池化和转置得到目标一阶矩阵，然后将目标一阶矩阵输入神经网络层进行分类得到结果矩阵，为了使结果矩阵转化为相对概率，对结果矩阵进行softmax处理，然后将Softmax输出结果进行量化后确定交叉熵损失。
可选的，量化的过程具体为进行对数的负数运算：如：-log0.9=0.046，概率越接近100%，该计算结果值越接近于0，说明结果越准确，该计算结果值即交叉熵损失。
为了可靠的得到目标一阶矩阵，在本申请一些实施例中，将所述训练数据集输入所述卷积层依次进行第一次卷积、第一次池化、第二次卷积、第二次池化和转置得到目标一阶矩阵，具体为：
基于多个预设卷积核分别对所述目标矩阵进行第一次卷积得到第一立体矩阵；
基于预设池化算法对所述第一立体矩阵进行第一次池化得到第二立体矩阵；
基于多个所述预设卷积核对所述第二立体矩阵进行第二次卷积得到第三立体矩阵；
基于所述预设池化算法对所述第三立体矩阵进行第二次池化得到第四立体矩阵；
将所述第四立体矩阵进行转置得到所述目标一阶矩阵。
本实施例中，将目标矩阵输入卷积层后，先基于多个预设卷积核分别对目标矩阵进行第一次卷积得到第一立体矩阵，再基于预设池化算法对第一立体矩阵进行第一次池化得到第二立体矩阵，再基于多个预设卷积核对第二立体矩阵进行第二次卷积得到第三立体矩阵，再基于预设池化算法对第三立体矩阵进行第二次池化得到第四立体矩阵，最后将第四立体矩阵进行转置得到目标一阶矩阵。
如图4所示为不同卷积核的举例示意图，不同的卷积核获取的数据特征不同。
可选的，预设池化算法包括最大/平均池化、随机池化、中值池化、组合池化、Spatial Pyramid Pooling、NetVLAD池化、双线性池化，本领域技术人员可根据实际需要灵活选取。
为了可靠的得到目标一阶矩阵，在本申请一些实施例中，所述预设卷积核的数量为16，所述目标矩阵的大小为30*30，所述第一立体矩阵的大小为28*28*16，所述第二立体矩阵的大小为14*14*16，所述第三立体矩阵的大小为12*12*16，所述第四立体矩阵的大小为6*6*16，所述目标一阶矩阵的大小为1*576。
为了准确的得到结果矩阵，在本申请一些实施例中，将所述目标一阶矩阵输入所述神经网络层进行分类得到结果矩阵，具体为：
将所述目标一阶矩阵输入所述输入层H1，并基于所述第一权重矩阵W1和所述第一常数b1在所述隐藏层H2得到隐藏层矩阵；
基于预设激活函数对所述隐藏层矩阵进行激活操作后在所述第一激活层H3得到激活层矩阵，并基于所述第二权重矩阵W2和所述第一常数b2在所述输出层得到输出层矩阵；
基于所述预设激活函数对所述输出层矩阵进行激活操作后在所述第二激活层Y得到所述结果矩阵。
本实施例中，先将目标一阶矩阵输入所述输入层H1，再基于第一权重矩阵W1和第一常数b1在隐藏层H2得到隐藏层矩阵，在基于预设激活函数对隐藏层矩阵进行激活操作，在第一激活层H3得到激活层矩阵，然后基于第二权重矩阵W2和第一常数b2在输出层得到输出层矩阵，最后基于预设激活函数对输出层矩阵进行激活操作后在第二激活层Y得到结果矩阵。
可选的，预设激活函数包括sigmod函数、tanh函数、ReLU函数、ELU函数、PReLU函数，本领域技术人员可根据实际需要灵活选取。
为了准确的得到结果矩阵，在本申请一些实施例中，所述目标一阶矩阵的大小为1*576，所述第一权重矩阵W1的初始值为576*100的矩阵，所述隐藏层矩阵和所述激活层矩阵的大小为1*100，所述第二权重矩阵W2的初始值为100*2的矩阵，所述输出层矩阵和所述结果矩阵的大小为1*2。
为了提高识别的准确性，在本申请一些实施例中，基于梯度下降法对所述预设卷积神经网络模型的模型参数进行优化，具体为：
基于梯度下降法确定所述第一权重矩阵和所述第二权重矩阵中每个权重相对于总体误差的偏导数，基于各所述偏导数和预设学习速率对所述第一权重矩阵和所述第二权重矩阵进行优化；
基于所述总体误差对所述第一常数和所述第二常数进行优化；
其中，所述总体误差为预设卷积神经网络模型的各个输出结果分别相对于预设目标值的误差之和。
本实施例中，根据预设卷积神经网络模型的各个输出结果分别相对于预设目标值的误差之和确定总体误差，基于梯度下降法确定第一权重矩阵和第二权重矩阵中每个权重相对于总体误差的偏导数，然后基于各偏导数和预设学习速率对第一权重矩阵和第二权重矩阵进行优化，第一常数和第二常数不需要进行求导，直接基于总体误差进行优化。
步骤S104，基于各所述目标卷积神经网络模型进行实地验证并从各所述目标卷积神经网络模型中确定识别精度最高的最佳卷积神经网络模型。
本实施例中，识别精度为对所述指定外来植物的识别结果与实际情况对比后的正确率，基于各目标卷积神经网络模型进行实地验证，将识别精度最高的目标卷积神经网络模型作为最佳卷积神经网络模型。
可以理解的是，每个目标卷积神经网络模型对应一个预设飞行高度，每个目标卷积神经网络模型对相应预设飞行高度下的高光谱图像进行识别，并确定识别精度。
步骤S105，基于无人机按照与所述最佳卷积神经网络模型对应的最佳飞行高度在待识别区域拍摄获取待识别高光谱图像，并基于所述最佳卷积神经网络模型从所述待识别高光谱图像中识别出所述指定外来植物。
本实施例中，最佳卷积神经网络模型对应一个最佳飞行高度，基于该最佳飞行高度在待识别区域拍摄获取待识别高光谱图像，并基于最佳卷积神经网络模型从待识别高光谱图像中识别出指定外来植物。
为了进一步提高识别准确度，在本申请一些实施例中，所述预设拍摄时间段为所述指定外来植物的开花期前后，所述方法还包括：
若所述最佳卷积神经网络模型的识别精度未达到预设精度，在新的选定区域降低无人机的飞行高度获取新的目标高光谱图像，基于与所述新的目标高光谱图像对应的新的最佳卷积神经网络模型从所述待识别高光谱图像中识别出所述指定外来植物。
本实施例中，指定外来植物在开花期前后的光谱特征变化显著，预设拍摄时间段为指定外来植物的开花期之前和开花期之后。
若最佳卷积神经网络模型的识别精度未达到预设精度，说明当前的选定区域及飞行高度不合适，此时可重新确定新的选定区域和降低飞行高度，在新的选定区域降低无人机的飞行高度获取新的目标高光谱图像，重新进行模型训练和模型参数优化后，基于与新的目标高光谱图像对应的新的最佳卷积神经网络模型从待识别高光谱图像中识别出指定外来植物。
通过应用以上技术方案，在预设拍摄时间段，基于携带有高光谱相机的无人机按多个预设飞行高度在存在指定外来植物的选定区域进行拍摄，并对拍摄获取的原始高光谱图像进行去除异常值和辐射校正后获取目标高光谱图像；根据目标高光谱图像中指定感兴趣区域中各像素点的波段数据生成训练数据集；根据训练数据集对预设卷积神经网络模型进行训练，并基于梯度下降法对预设卷积神经网络模型的模型参数进行优化，直至预设卷积神经网络模型的交叉熵损失小于预设值时得到训练完成的各预设飞行高度下的目标卷积神经网络模型；基于各目标卷积神经网络模型进行实地验证并从各目标卷积神经网络模型中确定识别精度最高的最佳卷积神经网络模型；基于无人机按照与最佳卷积神经网络模型对应的最佳飞行高度在待识别区域拍摄获取待识别高光谱图像，并基于最佳卷积神经网络模型从待识别高光谱图像中识别出指定外来植物，从而可高效准确的进行草原外来植物入侵监测，降低了成本，实现草原植被持续健康发展，保障了农牧民财产安全。
为了进一步阐述本发明的技术思想，现结合具体的应用场景，对本发明的技术方案进行说明。
本申请实施例提供一种基于卷积神经网络的外来植物入侵监测方法，包括以下步骤：
1.实地采样
1.1确定需要识别的外来植物，实地查找。
1.2考虑不同植被在开花期前后光谱特征差异较大，对每一种外来植物进行开花期前后两次采样；
1.3考虑到无人机飞行高度影响着对地监测分辨率以及监测速率，在采样时选取多种不同飞行高度，在识别模型建立时，通过比较确定最适宜高度。
2.无人机高光谱数据处理
2.1去除异常值
在高光谱相机拍摄影像时，受外界环境、仪器误差的影响，难免会产生明显异常于其他像素点的点，经过数据验证后需要将异常值剔除。
2.2辐射校正
用户需要计算地物的光谱反射率或光谱辐射亮度时，或者需要对不同时间、不同传感器获取的图像进行比较时，都必须将图像的亮度灰度值转换为绝对的辐射亮度，这个过程就是辐射校正，可以理解为对数据的标准化校准。
2.3感兴趣区域提取
通过目视观察，确定哪些区域（像素点）是要识别的外来植物，将这些像素点提取出来。
2.4提取一个像素点
在感兴趣区域中提取一个像素点。如图2所示，高光谱数据每一个像素点都由很多的波段数据组成，图2中每一层代表一个波段的数据，提取一个像素点就是将该位置像素点的所有波段信息进行提取。
2.5波段归一化处理
在提取每一个像素点后，进行波段归一化处理。
数据标准化（归一化）处理是数据挖掘的一项基础工作，不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。可将所有数据的取值范围都通过计算换算在（0-1）之间，本实施例采用“min-max标准化”方法。
2.6转制为目标矩阵
现在的每一个像素点的波段信息都是按顺序排列，按照900个波普通道来计算，现将这些波段信息写进矩阵里。现有技术中，目标矩阵中第一行填写完毕后从第二行头部继续填写。而本实施例中在矩阵内的排列方法按照蛇形排列，即每一行数据填写完毕后首尾相接，这样极大的保留了波段数据的连续性，使在后续卷积过程中提高特征提取准确度。
3.卷积神经网络模型建立
此卷积神经网络模型在卷积层内设计两次卷积操作，在神经网络层设计2层全连接神经网络操作。
3.1卷积层
卷积的目的是减少数据量，并且提取出数据特征。
3.1.1输入层
为上一步骤输出的目标矩阵，大小为30*30。
3.1.2第一次卷积
卷积解释：如图3中的卷积核，以每次滑动1个位置的方式对矩阵进行一次遍历，最终得到一个新矩阵。
在此方法中，30*30矩阵经过一个卷积核卷积变为28*28大小。
不同类型的卷积核会提取出不同特征信息的数据，为此，本次卷积共设计16个卷积核，将会得到16个新矩阵，将16层重叠摆放，此时变为数据为28*28*16的立体矩阵。
如图4所示，不同的卷积核获取数据特征不同。可以理解的是，图4中仅为对不同卷积核的原理进行举例说明，不涉及本实施例的数据特征。
3.1.3第一次池化
池化操作将减少数据中冗余信息，本方法采用最大值选择法进行池化操作，如图5所示。对每以层矩阵进行池化后，将得到14*14*16的立体矩阵。
3.1.4第二次卷积
对这个立体矩阵进行卷积操作，操作原理如下：对每一层都进行如第一次卷积同样的操作，再将每层数据相加，得到一个新的矩阵，如图6所示，图6中一个4*4*3的立方体经过操作变为2*2的矩阵。
本方法中，立体矩阵经过一个卷积核卷积，变成一个新的12*12矩阵。
不同类型的卷积核会提取出不同特征信息的数据，为此，本次卷积共设计16个卷积核，将会得到16个新矩阵，将16层重叠摆放，此时变为数据为12*12*16的立体矩阵。
3.1.5第二次池化
池化操作将减少数据中冗余信息，本此池化依然采用最大值选择法进行池化操作。
对每一层矩阵进行池化后，将得到6*6*16的立体矩阵。
3.1.6转置
将6*6*16的立体矩阵转置为一介矩阵，此时数据变为1*576。
相比较一开始30*30=900的数据量，减少了将近一半，并且模型还通过卷积的方式将数据的不同特征进行了抓取。
3.2神经网络层
神经网络层的主要目的是对数据进行分类，分类按照每个结果可能出现的概率来显示（假如有4个分类结果，最后算出的是每个结果可能出现的概率，4个概率相加等于100%），神经网络层不断的学习样本的目的就是更新概率，使分类正确的那个结果最大可能接近100%概率。如图7所示为本申请实施例中神经网络层的结构示意图。
3.2.1输入层H1
上一层的1*576的矩阵。
3.2.2隐藏层H2
将1*576的矩阵进行运算，运算方式为：
H2=H1*W1+b1
其中，H1为输入的矩阵，H2为新产生的矩阵，W1为第一权重矩阵，W1暂时为一个576*100的随机矩阵，b1暂时为一个随机常数。暂时的原因是每一次识别训练都将更新W1和b1。
此时H2为1*100矩阵。
3.2.3第一激活层H3
通常隐藏层结束后进行一步激活操作，激活层是为矩阵运算的结果添加非线性的结果。激活方法为进行一步函数运算，本次方法将采用sigmoid函数，常用于隐层神经元输出，取值范围为(0,1)，它可以将一个实数映射到(0,1)的区间，可以用来做二分类。在特征相差比较复杂或是相差不是特别大时效果比较好。Sigmoid作为激活函数有以下优缺点：平滑、易于求导。更新H2矩阵为H3矩阵。
3.2.4输出层H4
学习阶段无人机高光谱识别将分为3类。包括目标物种、其他植被、其他。
将H3进行输出运算：
H4=H3*W2+b2
其中H4为结果层，输出为一个1*2的矩阵，W2为第二权重矩阵，是一个100*2的矩阵，b2为第二常数。
3.2.5第二激活层Y
在进行一次激活操作，激活方法为进行一步函数运算，本次方法将采用sigmoid函
数。得到结果矩阵
。
3.2.6 softmax处理
输出Y的值可能会是(9.0，2.0)这样的矩阵，虽然可以找到里边的最大值“9”，从而找到对应的分类为I，但是这并不直观。若想让最终的输出为概率，也就是说可以生成像(90%,10%)这样的结果，这样做不仅可以找到最大概率的分类，而且可以知道各个分类计算的概率值。
通过计算得到两种结果的概率，比如输出的结果是(85%,15%,)，而真实的结果是(100%,0)。虽然输出的结果可以正确分类，但是与真实结果之间是有差距的，一个优秀的网络对结果的预测要无限接近于100%，为此，需要将Softmax输出结果的好坏程度做一个“量化”。
3.2.8交叉熵损失计算
最常见的量化方法为进行对数的负数运算：如：-log0.9=0.046，概率越接近100%，该计算结果值越接近于0，说明结果越准确，该计算结果值即交叉熵损失。不断训练神经网络的目的就是尽可能地减少交叉熵损失。
3.3模型验证与参数优化
算出交叉熵损失后，就要开始反向传播。反向传播就是一个参数优化的过程，优化对象就是网络中的所有W和b（即第一权重矩阵W1、第一常数b1、第二权重矩阵W2和第二常数b2，因为其他所有参数都是确定的）。
采用梯度下降法计算每一个权重对总体误差的偏导数，利用偏导数和预设学习速率对第一权重矩阵和第二权重矩阵进行优化。
3.3.1计算总体误差
总体误差：(square Error)
其中，target为设计的目标值，output为实际值。
有2个输出，分别计算与
， 
对应的总体误差
和
，最终总
体误差为两个总体误差之和：
3.3.2第二层权重更新
以权重矩阵W2中一个参数（w2,1）为例，如果想知道（w2,1）对总体误差产生了多少影响，可以用总体误差对（w2,1）求偏导求出：（链式法则）
具体计算过程如下：
三项相乘最终求出
，这样就计算出总体误差 
对 
的偏
导值。
最后，更新
的值
其中，
是学习速率，这里取0.1。
同理，可更新 
。
3.3.3第一层权重更新
具体计算过程如下：
同理求出
。
两者相加得到
三项相乘最终求出
，这样就计算出总体误差
对 
的偏导
值。
最后，更新
的值
其中，
是学习速率，这里取0.1。
同理，可更新
。
可以理解的是，图7中的h1-1相当于（h1,1），W1-1相当于（W1,1），h2-1相当于（h2,1），h3-1相当于（h3,1），W2-1相当于（W2,1），h4-1相当于（h4,1），其他以此类推。
3.3.4 b1、b2优化
同W参数优化类似，不需要进行复杂求导，在优化时直接通过总体误差调整b1、b2数值的大小，
3.3.5判断交叉熵损失
判断交叉熵损失是否小于0.046，若是则训练完成，否则继续进行训练。
4.实地验证
进行实地验证，从各训练完成的目标卷积神经网络模型中确定识别精度最高的最佳卷积神经网络模型，基于无人机按照与最佳卷积神经网络模型对应的最佳飞行高度在待识别区域拍摄获取待识别高光谱图像，并基于最佳卷积神经网络模型从待识别高光谱图像中识别出指定外来植物。
若最佳卷积神经网络模型的识别精度未达到预设精度，在新的选定区域降低无人机的飞行高度获取新的目标高光谱图像，基于与新的目标高光谱图像对应的新的最佳卷积神经网络模型从待识别高光谱图像中识别出指定外来植物。
5.实际应用。
通过应用以上技术方案，提高外来有害植被监测效率，维护了生物多样性，实现保护草原植被持续健康发展，进而减少了牲畜中毒、刺伤事件，保护了农牧民财产安全。
本申请实施例还提出了一种于卷积神经网络的外来植物入侵监测系统，如图8所示，所述系统包括：
采集模块201，用于在预设拍摄时间段，基于携带有高光谱相机的无人机按多个预设飞行高度在存在指定外来植物的选定区域进行拍摄，并对拍摄获取的原始高光谱图像进行去除异常值和辐射校正后获取目标高光谱图像；
生成模块202，用于根据所述目标高光谱图像中指定感兴趣区域中各像素点的波段数据生成训练数据集；
训练模块203，用于根据所述训练数据集对预设卷积神经网络模型进行训练，并基于梯度下降法对所述预设卷积神经网络模型的模型参数进行优化，直至所述预设卷积神经网络模型的交叉熵损失小于预设值时得到训练完成的各所述预设飞行高度下的目标卷积神经网络模型；
验证模块204，用于基于各所述目标卷积神经网络模型进行实地验证并从各所述目标卷积神经网络模型中确定识别精度最高的最佳卷积神经网络模型；
识别模块205，用于基于无人机按照与所述最佳卷积神经网络模型对应的最佳飞行高度在待识别区域拍摄获取待识别高光谱图像，并基于所述最佳卷积神经网络模型从所述待识别高光谱图像中识别出所述指定外来植物；
其中，所述预设拍摄时间段是根据所述指定外来植物在生长周期中的光谱特征确定的，所述预设卷积神经网络模型包括卷积层和神经网络层，所述神经网络层包括输入层H1、隐藏层H2、第一激活层H3、输出层H4和第二激活层Y，所述模型参数包括第一权重矩阵W1、第一常数b1、第二权重矩阵W2和第二常数b2，其中，H2=H1*W1+b1，H4=H3*W2+b2。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种基于卷积神经网络的外来植物入侵监测方法，其特征在于，所述方法包括：
在预设拍摄时间段，基于携带有高光谱相机的无人机按多个预设飞行高度在存在指定外来植物的选定区域进行拍摄，并对拍摄获取的原始高光谱图像进行去除异常值和辐射校正后获取目标高光谱图像；
根据所述目标高光谱图像中指定感兴趣区域中各像素点的波段数据生成训练数据集；
根据所述训练数据集对预设卷积神经网络模型进行训练，并基于梯度下降法对所述预设卷积神经网络模型的模型参数进行优化，直至所述预设卷积神经网络模型的交叉熵损失小于预设值时得到训练完成的各所述预设飞行高度下的目标卷积神经网络模型；
基于各所述目标卷积神经网络模型进行实地验证并从各所述目标卷积神经网络模型中确定识别精度最高的最佳卷积神经网络模型；
基于无人机按照与所述最佳卷积神经网络模型对应的最佳飞行高度在待识别区域拍摄获取待识别高光谱图像，并基于所述最佳卷积神经网络模型从所述待识别高光谱图像中识别出所述指定外来植物；
其中，所述预设拍摄时间段是根据所述指定外来植物在生长周期中的光谱特征确定的，所述预设卷积神经网络模型包括卷积层和神经网络层，所述神经网络层包括输入层H1、隐藏层H2、第一激活层H3、输出层H4和第二激活层Y，所述模型参数包括第一权重矩阵W1、第一常数b1、第二权重矩阵W2和第二常数b2，其中，H2=H1*W1+b1，H4=H3*W2+b2。
2.如权利要求1所述的方法，其特征在于，根据所述目标高光谱图像中指定感兴趣区域中各像素点的波段数据生成训练数据集，具体为：
基于数据标准化算法对所述波段数据进行数据标准化；
基于蛇形排列将数据标准化的波段数据转置为目标矩阵；
根据与各所述像素点对应的各目标矩阵生成所述训练数据集；
其中，所述蛇形排列为矩阵中每一行数据填写完毕后首尾相接。
3.如权利要求2所述的方法，其特征在于，根据所述训练数据集对预设卷积神经网络模型进行训练，具体为：
将所述训练数据集输入所述卷积层依次进行第一次卷积、第一次池化、第二次卷积、第二次池化和转置得到目标一阶矩阵；
将所述目标一阶矩阵输入所述神经网络层进行分类得到结果矩阵；
对所述结果矩阵进行softmax处理并量化后确定交叉熵损失。
4.如权利要求3所述的方法，其特征在于，将所述训练数据集输入所述卷积层依次进行第一次卷积、第一次池化、第二次卷积、第二次池化和转置得到目标一阶矩阵，具体为：
基于多个预设卷积核分别对所述目标矩阵进行第一次卷积得到第一立体矩阵；
基于预设池化算法对所述第一立体矩阵进行第一次池化得到第二立体矩阵；
基于多个所述预设卷积核对所述第二立体矩阵进行第二次卷积得到第三立体矩阵；
基于所述预设池化算法对所述第三立体矩阵进行第二次池化得到第四立体矩阵；
将所述第四立体矩阵进行转置得到所述目标一阶矩阵。
5.如权利要求4所述的方法，其特征在于，所述预设卷积核的数量为16，所述目标矩阵的大小为30*30，所述第一立体矩阵的大小为28*28*16，所述第二立体矩阵的大小为14*14*16，所述第三立体矩阵的大小为12*12*16，所述第四立体矩阵的大小为6*6*16，所述目标一阶矩阵的大小为1*576。
6.如权利要求3所述的方法，其特征在于，将所述目标一阶矩阵输入所述神经网络层进行分类得到结果矩阵，具体为：
将所述目标一阶矩阵输入所述输入层H1，并基于所述第一权重矩阵W1和所述第一常数b1在所述隐藏层H2得到隐藏层矩阵；
基于预设激活函数对所述隐藏层矩阵进行激活操作后在所述第一激活层H3得到激活层矩阵，并基于所述第二权重矩阵W2和所述第二常数b2在所述输出层得到输出层矩阵；
基于所述预设激活函数对所述输出层矩阵进行激活操作后在所述第二激活层Y得到所述结果矩阵。
7.如权利要求6所述的方法，其特征在于，所述目标一阶矩阵的大小为1*576，所述第一权重矩阵W1的初始值为576*100的矩阵，所述隐藏层矩阵和所述激活层矩阵的大小为1*100，所述第二权重矩阵W2的初始值为100*2的矩阵，所述输出层矩阵和所述结果矩阵的大小为1*2。
8.如权利要求1所述的方法，其特征在于，基于梯度下降法对所述预设卷积神经网络模型的模型参数进行优化，具体为：
基于梯度下降法确定所述第一权重矩阵和所述第二权重矩阵中每个权重相对于总体误差的偏导数，基于各所述偏导数和预设学习速率对所述第一权重矩阵和所述第二权重矩阵进行优化；
基于所述总体误差对所述第一常数和所述第二常数进行优化；
其中，所述总体误差为预设卷积神经网络模型的各个输出结果分别相对于预设目标值的误差之和。
9.如权利要求1所述的方法，其特征在于，所述预设拍摄时间段为所述指定外来植物的开花期前后，所述方法还包括：
若所述最佳卷积神经网络模型的识别精度未达到预设精度，在新的选定区域降低无人机的飞行高度获取新的目标高光谱图像，基于与所述新的目标高光谱图像对应的新的最佳卷积神经网络模型从所述待识别高光谱图像中识别出所述指定外来植物。
10.一种基于卷积神经网络的外来植物入侵监测系统，其特征在于，所述系统包括：
采集模块，用于在预设拍摄时间段，基于携带有高光谱相机的无人机按多个预设飞行高度在存在指定外来植物的选定区域进行拍摄，并对拍摄获取的原始高光谱图像进行去除异常值和辐射校正后获取目标高光谱图像；
生成模块，用于根据所述目标高光谱图像中指定感兴趣区域中各像素点的波段数据生成训练数据集；
训练模块，用于根据所述训练数据集对预设卷积神经网络模型进行训练，并基于梯度下降法对所述预设卷积神经网络模型的模型参数进行优化，直至所述预设卷积神经网络模型的交叉熵损失小于预设值时得到训练完成的各所述预设飞行高度下的目标卷积神经网络模型；
验证模块，用于基于各所述目标卷积神经网络模型进行实地验证并从各所述目标卷积神经网络模型中确定识别精度最高的最佳卷积神经网络模型；
识别模块，用于基于无人机按照与所述最佳卷积神经网络模型对应的最佳飞行高度在待识别区域拍摄获取待识别高光谱图像，并基于所述最佳卷积神经网络模型从所述待识别高光谱图像中识别出所述指定外来植物；
其中，所述预设拍摄时间段是根据所述指定外来植物在生长周期中的光谱特征确定的，所述预设卷积神经网络模型包括卷积层和神经网络层，所述神经网络层包括输入层H1、隐藏层H2、第一激活层H3、输出层H4和第二激活层Y，所述模型参数包括第一权重矩阵W1、第一常数b1、第二权重矩阵W2和第二常数b2，其中，H2=H1*W1+b1，H4=H3*W2+b2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111417719.1A CN114220002B (zh) | 2021-11-26 | 2021-11-26 | 一种基于卷积神经网络的外来植物入侵监测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111417719.1A CN114220002B (zh) | 2021-11-26 | 2021-11-26 | 一种基于卷积神经网络的外来植物入侵监测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114220002A CN114220002A (zh) | 2022-03-22 |
| CN114220002B true CN114220002B (zh) | 2022-11-15 |
Family
ID=80698461
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111417719.1A Active CN114220002B (zh) | 2021-11-26 | 2021-11-26 | 一种基于卷积神经网络的外来植物入侵监测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114220002B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108875620A (zh) * | 2018-06-06 | 2018-11-23 | 中国农业科学院深圳农业基因组研究所 | 入侵植物的监测方法及系统 |
| CN109344698A (zh) * | 2018-08-17 | 2019-02-15 | 西安电子科技大学 | 基于可分离卷积和硬阈值函数的高光谱波段选择方法 |
| CN110032963A (zh) * | 2019-04-04 | 2019-07-19 | 首都师范大学 | 互花米草新生斑块的动态监测方法 |
| CN111238448A (zh) * | 2020-01-17 | 2020-06-05 | 南通大学 | 一种非破坏性监测草地植物物种多样性的方法 |
| CN111353725A (zh) * | 2020-03-31 | 2020-06-30 | 中铁二局第一工程有限公司 | 滇西北高原高寒地区铁路绿色通道植被生态恢复监测评估方法及应用 |
| CN111881728A (zh) * | 2020-06-16 | 2020-11-03 | 四川师范大学 | 基于低空遥感的草地鼠害监测方法 |
| CN112052755A (zh) * | 2020-08-24 | 2020-12-08 | 西安电子科技大学 | 基于多路注意力机制的语义卷积高光谱图像分类方法 |
| CN112464891A (zh) * | 2020-12-14 | 2021-03-09 | 湖南大学 | 一种高光谱图像分类方法 |
| CN113222959A (zh) * | 2021-05-26 | 2021-08-06 | 马翔 | 一种基于高光谱图像卷积神经网络的鲜枣虫眼检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7622298B2 (en) * | 2006-03-24 | 2009-11-24 | Norits, Inc. | Method for creating perfusable microvessel systems |
| CN110516596B (zh) * | 2019-08-27 | 2023-03-24 | 西安电子科技大学 | 基于Octave卷积的空谱注意力高光谱图像分类方法 |
-
2021
- 2021-11-26 CN CN202111417719.1A patent/CN114220002B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108875620A (zh) * | 2018-06-06 | 2018-11-23 | 中国农业科学院深圳农业基因组研究所 | 入侵植物的监测方法及系统 |
| CN109344698A (zh) * | 2018-08-17 | 2019-02-15 | 西安电子科技大学 | 基于可分离卷积和硬阈值函数的高光谱波段选择方法 |
| CN110032963A (zh) * | 2019-04-04 | 2019-07-19 | 首都师范大学 | 互花米草新生斑块的动态监测方法 |
| CN111238448A (zh) * | 2020-01-17 | 2020-06-05 | 南通大学 | 一种非破坏性监测草地植物物种多样性的方法 |
| CN111353725A (zh) * | 2020-03-31 | 2020-06-30 | 中铁二局第一工程有限公司 | 滇西北高原高寒地区铁路绿色通道植被生态恢复监测评估方法及应用 |
| CN111881728A (zh) * | 2020-06-16 | 2020-11-03 | 四川师范大学 | 基于低空遥感的草地鼠害监测方法 |
| CN112052755A (zh) * | 2020-08-24 | 2020-12-08 | 西安电子科技大学 | 基于多路注意力机制的语义卷积高光谱图像分类方法 |
| CN112464891A (zh) * | 2020-12-14 | 2021-03-09 | 湖南大学 | 一种高光谱图像分类方法 |
| CN113222959A (zh) * | 2021-05-26 | 2021-08-06 | 马翔 | 一种基于高光谱图像卷积神经网络的鲜枣虫眼检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| Development of an Automated Monitoring Platform for Invasive Plants in a Rare Great Lakes Ecosystem Using Uncrewed Aerial Systems and Convolutional Neural Networks;Joshua G. Cohen 等;《2020 International Conference on Unmanned Aircraft Systems》;20201231;第1553-1564页 * |
| 土壤重金属Cu含量遥感反演的波段选择与最佳光谱分辨率研究;黄长平 等;《遥感技术与应用》;20100630;第25卷(第3期);第341、353-357页 * |
| 基于神经元网络模型的崇明东滩湿地生态系统健康评估;王莹 等;《长江流域资源与环境》;20100731;第19卷(第7期);第776-781页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114220002A (zh) | 2022-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110287944B (zh) | 基于深度学习的多光谱遥感影像的农作物虫害监测方法 | |
| CN111985543B (zh) | 一种高光谱图像分类模型的构建方法、分类方法及系统 | |
| Bendel et al. | Evaluating the suitability of hyper-and multispectral imaging to detect foliar symptoms of the grapevine trunk disease Esca in vineyards | |
| CN107784305A (zh) | 基于卷积神经网络的设施蔬菜病害识别方法及装置 | |
| CN114648705B (zh) | 一种基于卫星遥感的碳汇监测系统及方法 | |
| CN111161362A (zh) | 一种茶树生长状态光谱影像鉴别方法 | |
| CN113378747A (zh) | 一种小麦条锈病遥感预测方法及装置 | |
| CN116106856B (zh) | 雷暴大风的识别模型建立方法、识别方法及计算设备 | |
| CN117114913A (zh) | 一种基于大数据的智能化农业数据采集系统 | |
| Monigari et al. | Plant leaf disease prediction | |
| CN116912712A (zh) | 一种结合作物轮作的生长季内作物类型遥感识别方法 | |
| CN114973024A (zh) | 一种机采棉脱叶效果综合评价指标监测与评价方法及系统 | |
| CN118379622A (zh) | 基于遥感影像的水质监测方法、装置以及计算机设备 | |
| CN112288744B (zh) | 基于整型推理量化cnn的sar图像变化检测方法 | |
| CN114220002B (zh) | 一种基于卷积神经网络的外来植物入侵监测方法和系统 | |
| CN113537645A (zh) | 基于机器学习融合卫星与天气数据的大豆产量预测方法 | |
| CN115965875B (zh) | 一种农作物病虫害智能监控方法及系统 | |
| CN117152645A (zh) | 基于无人机多光谱影像深度特征的小麦锈病监测方法 | |
| CN116994126A (zh) | 基于冠层反射率光谱的作物叶面积指数获取方法及装置 | |
| CN116822716A (zh) | 一种基于时空注意力的台风预测方法、系统、设备及介质 | |
| CN115454988A (zh) | 基于随机森林网络的卫星电源系统缺失数据补全方法 | |
| CN115170987A (zh) | 一种基于图像分割和配准融合对葡萄进行病害检测的方法 | |
| Savin et al. | Prediction of crop yields with the use of neural networks | |
| Sivakumar et al. | Deep Convolution Network Analysis for Crop Growth Prediction | |
| CN118097435B (zh) | 基于超图神经网络的玉米倒伏分类方法及装置 |
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 |