CN116206208B - 一种基于人工智能的林业病虫害快速分析系统 - Google Patents
一种基于人工智能的林业病虫害快速分析系统 Download PDFInfo
- Publication number
- CN116206208B CN116206208B CN202310491097.XA CN202310491097A CN116206208B CN 116206208 B CN116206208 B CN 116206208B CN 202310491097 A CN202310491097 A CN 202310491097A CN 116206208 B CN116206208 B CN 116206208B
- Authority
- CN
- China
- Prior art keywords
- lbp
- feature vectors
- distance
- lbp feature
- feature
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种基于人工智能的林业病虫害快速分析系统,包括:根据邻域半径中LBP特征向量的跳变点的统计特征获取不同维度的重要程度,在LBP特征向量的聚类过程中,聚类簇迭代更新时,根据聚类簇中已有LBP特征向量的特征距离与不同维度的重要程度,来进一步优化聚类过程中聚类簇的迭代更新。本发明能够将图像中纹理特征相近的像素点进行聚类,通过对LBP特征向量分析对聚类过程进行调节,避免同一个聚类簇中出现不同纹理特征的像素点,保证聚类结果准确性,进一步提高后续对林业病虫害检测的准确性。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种基于人工智能的林业病虫害快速分析系统。
背景技术
在通过林业监测图像中对树木的病虫害进行检测时,因为树叶或树木枝干的病虫害的特征十分多样,所以在进行基于人工智能的林业病虫害快速分析深度学习模型的训练时,需要在模型中将林业监测图像中的不同的纹理特征进行提取。
在林业病虫害检测中,纹理特征是一种非常有用的特征。因为不同种类的病虫害通常具有不同的纹理特征,例如,叶片表面受到病害或虫害侵袭时,会出现各种斑点、斑纹、颜色变化、凹凸不平等纹理特征。这些特征可以用于区分不同的病虫害类型,从而实现林业病虫害的自动诊断和监测;
在采用纹理特征进行林业病虫害检测时,可以使用LBP(局部二值模式)算法对图像进行纹理特征提取。通过LBP算法,可以找到最适合用于不同种类的病虫害监测的纹理特征。利用这些纹理特征进行病虫害的分类、识别和监测不同的病虫害,有助于及时发现和控制病虫害的扩散,从而保证林业生产的稳定和可持续发展。在通过LBP算法对林业病虫害检测图像进行纹理特征提取的过程中,会出现因为病虫害在图像中的多样性导致的多种不同的大小、形状、方向的纹理结构。这会导致LBP算法提取到的纹理特征自身就存在着特征数据维度过高的情况。在当前场景中,因为病虫害纹理特征的多样性会导致数据的维度发生维度爆炸的情况。所以在对多样化的纹理特征进行提取时,同样需要在这个过程中进行维度过高问题的解决。
在现有的对于图像中每个像素点的LBP特征进行相同纹理确定与特征降维时,可以对图像中每一个像素点的LBP特征向量进行聚类。将相同纹理特征聚为一类,在这个过程中同时也将多样的LBP特征进行了降维处理。
发明内容
本发明提供一种基于人工智能的林业病虫害快速分析系统,以解决现有的问题。
本发明的一种基于人工智能的林业病虫害快速分析系统采用如下技术方案:
本发明提供了一种基于人工智能的林业病虫害快速分析系统,该系统包括以下模块:
图像采集模块:采集林业监测图像;
特征分析模块:获取任意像素点在局部区域内的LBP特征向量,将LBP特征向量中数值不相同的相邻维度中序数最大的一个维度记为跳变点,获取所有跳变点;
将两个LBP特征向量存在数值差异的维度的数量记为第一特征距离;获取与任意LBP特征向量的第一特征距离小于预设邻域半径的所有LBP特征向量,记为域内特征向量;
根据LBP特征向量的维度数量与维度对应的序数之间的差异获得重要程度因子,根据重要程度因子,对LBP特征向量在任意维度的跳变点数量与域内特征向量的数量的比值进行调节,获得重要程度;
根据任意两个域内特征向量在不同维度上数值的差异,对重要程度调整获得第二特征距离;
聚类调节模块:根据域内特征向量对应像素点的灰度值差异与第二特征距离进行融合,获得第三特征距离;
对LBP特征向量进行迭代聚类,根据聚类簇中所有跳变点所对应维度的数量,与正在聚类的LBP特征向量中无跳变点对应维度的数量的比值获得一致性;根据一致性对平均第三特征距离调节获得相关特征;根据相关特征对第三特征距离校正获得聚类距离,根据聚类距离对LBP特征向量进行密度聚类获得若干聚类簇;
病虫害分析模块:利用卷积神经网络对聚类簇在林业监测图像上对应的区域进行病虫害分析。
进一步的,所述重要程度,获取方法如下:
其中,表示第i个LBP特征向量的第m个维度的重要程度,N表示LBP特征向量的
维度的数量,m表示LBP特征向量的第m个维度,表示第i个LBP特征向量在邻域半径的区
域中包含的LBP特征向量的数量,表示第i个LBP特征向量在邻域半径范围中所有LBP特
征向量在第m个维度发生跳变的数量,表示重要程度因子,e表示自然常数。
进一步的,所述第二特征距离,获取方法如下:
其中,表示第i个LBP特征向量与在邻域半径范围中第j个LBP特征向量之
间的第二特征距离;表示第i个LBP特征向量与邻域半径范围中第j个LBP特征向量在第
m个维度上的预设差异因子;表示第i个LBP特征向量,表示第i个LBP特征向量在邻域半
径范围中第j个LBP特征向量,表示第i个LBP特征向量的第m个维度的重要程度,N表示
LBP特征向量的维度数量,m表示LBP特征向量的第m个维度的数值。
进一步的,所述第三特征距离,获取方法如下:
根据任意LBP特征向量与其在邻域半径范围内的任意LBP特征向量对应像素点的灰度值差值,以及任意LBP特征向量与其在邻域半径范围内的任意LBP特征向量的第二特征距离的平方和获得第三特征距离因子,将第三特征距离因子的开平方结果作为第三特征距离。
进一步的,所述相关特征,获取方法如下:
其中,表示聚类簇中第个已聚类特征向量与待聚类特征向量之间的相关
特征,表示聚类簇中特征向量的数量,表示聚类簇中第个已聚类特征向量,表示待
聚类特征向量,表示聚类簇中第个已聚类特征向量与待聚类特征向量之间的第
三特征距离,表示聚类簇中所有已聚类特征向量存在跳变点所对应维度的数量,表
示待聚类特征向量中不存在跳变点所对应维度的数量,exp()表示以自然常数为底的指数
函数。
进一步的,所述根据聚类距离对LBP特征向量进行密度聚类获得若干聚类簇,包括的具体步骤如下:
利用相关特征对第三特征距离进行乘积调节获得聚类距离,利用预设的DBSCAN密度聚类算法的邻域半径与邻域密度阈值参数,根据LBP特征向量之间的聚类距离的大小,对LBP特征向量进行DBSCAN密度聚类,获得若干个聚类簇。
进一步的,所述利用卷积神经网络对聚类簇在林业监测图像上对应的区域进行病虫害分析,包括的具体步骤如下:
首先,获取所有聚类簇在林业监测图像中像素点所形成的区域,将这些区域提取出来作为新的图像,记为样本图像,并通过相关行业内的专业人员对获得的样本图像所对应的病虫害类型情况进行标注,将标注信息作为样本图像对应的人工标签,人工标签的内容包括:煤污病、叶锈病、炭疽病、黄化病、白粉病、食叶类害虫、吸汁类害虫以及钻蛀类害虫;将每个样本图像以及对应的人工标签作为一个样本,将由大量的林业监测图像获取的大量样本构成的数据集作为训练LeNet5卷积神经网络的数据集;
然后,将获得的数据集按照6:2:2的比例分为训练集、测试集以及验证集,对LeNet5卷积神经网络进行训练;
最后,将完成训练的LeNet5卷积神经网络,应用于对林业监测图像的病虫害快速分析,识别出林业监测图像中所含有的病虫害的类型。
本发明的技术方案的有益效果是:
(1)基于本发明所述的通过DBSCAN密度聚类对林业监测图像中的纹理特征进行聚类处理可以高效地提取图像中的纹理信息,相较于传统的通过LBP特征向量进行统计分析提取图像中的纹理特征,聚类过程既可以将相似的纹理特征划分为同一个簇类,并且可以聚类过程中将LBP特征向量进行降维。避免LBP特征维度过高而导致的分析速度慢。并且DBSCAN密度聚类具有更快的计算速度,并且在解决错误密度划分问题后,同样可以保证聚类结果的准确性;
(2)通过LBP特征向量的密度在LBP特征向量空间中,进行DBSCAN密度聚类的聚类迭代过程中,根据聚类簇中的LBP特征向量之间,对于场景中林业病虫害纹理特征表征的相似性,进行密度条件的限定,从而使得当出现不符合场景中林业病虫害的相似纹理特征时,对当前进行迭代更新的聚类簇进行调控,重新选取LBP特征向量进行新一轮的密度聚类,从而使得所得聚类簇满足LBP特征向量的相似性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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发明的一些实施例,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的附图。
图1为本发明一种基于人工智能的林业病虫害快速分析系统的模块流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于人工智能的林业病虫害快速分析系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于人工智能的林业病虫害快速分析系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于人工智能的林业病虫害快速分析系统的模块流程图,该系统包括以下模块:
图像采集模块:利用携带高分辨率相机的无人机,采集林业区域的高分辨率的林业监测图像,用于后续林业病虫害的智能分析。
在采用林业监测图像中的纹理特征进行病虫害快速分析时,因为病虫害纹理特征存在的多样性,需要对监测图像进行纹理特征的聚类。在LBP特征空间中进行密度聚类时,为了避免密度满足聚类阈值时,导致DBSCAN算法将不同纹理特征划分为一类的情况而影响对病虫害的分析判断结果;
本实施例通过对林业病虫害纹理特征的相似性进行分析,根据分析结果避免对于林业病虫害的错误识别;
对于待监测分析病虫害情况的林业区域,通过带有高分辨率相机的无人机进行林业监测图像采集,获取用于林业病虫害分析的图像,记为林业监测图像。
至此,获得林业监测图像。
特征分析模块:利用LBP算法获取林业监测图像中每个像素点LBP特征向量,根据LBP特征向量获得LBP算法中任意两个特征点之间优化后距离。
步骤(1),预设邻域大小为的局部区域,利用LBP算法(局部二值模式算法)获
取林业监测图像中所有局部区域的LBP特征向量,将任意一个局部区域的LBP特征向量,作
为该局部区域的中心像素点对应的LBP特征向量,则每一个像素点都对应一个LBP特征向
量,每一个LBP特征向量都含有若干个维度,且所有LBP特征向量的维度的数量都相同,在本
实施例中,由于获取LBP特征向量时,是在预设邻域大小为的局部区域中,则LBP特征
向量的维度数量为24;
由林业监测图像的所有像素点对应的LBP特征向量构成的空间记为LBP特征向量空间;
需要说明的是,LBP特征向量中数值发生跳变时,即相邻维度对应的数值不相同,对应了两个相邻维度下对应的数值,且这两个数值不同,将这两个相邻维度中维度的序数最大的一个记为跳变点,则获取每个像素点对应LBP特征向量中的所有跳变点;
步骤(2),在利用林业监测图像提取得到的LBP特征向量空间中,对LBP特征向量进行密度聚类来将图像中的不同纹理特征进行分类的过程中,为了避免因为特征向量的局部密度满足密度阈值而使得反映不同纹理特征的LBP特征向量被划分为一类,首先需要确定通过LBP特征向量中不同的特征变化点的重要程度对LBP特征向量之间的距离进行校正,使得密度聚类中特征向量之间的距离衡量准确,当聚类过程中的距离计算准确之后,才能够对聚类过程中的相关参数进行校正,校正之后获取LBP特征向量的准确的密度判断。在聚类簇通过密度判断进行迭代聚类时,在迭代的过程中,通过当前聚类簇中已有的特征向量的纹理一致性对聚类过程进行调控,避免因为特征向量的局部密度满足密度阈值而使得不同纹理特征向量被聚类在同一个聚类簇中。
对于获取到的林业监测图像的LBP特征向量空间,对LBP特征向量空间中的LBP特
征向量进行DBSCAN进行密度聚类时,所用的距离为LBP特征向量空间中LBP特征向量之间的
距离,记为特征距离,特征距离表示两个LBP特征向量中相同维度下,数值存在差异的维度
的数量,例如:有向量和,向量a的第一维数
据为第一个数1,与向量b中的第一个数相同,向量a的第二维数据为第二个数1,而向量b的
第二维数据为第二个数0,以此类推,获取向量a与b所有在相同维度下数值不相同的维度并
统计数量,则得到向量a和向量b的统计结果为3,获取任意两个LBP特征向量空间在相同维
度下数值不相同的维度的数量,记为第一特征距离。
另外,在本实施例所述的林业病虫害场景中,LBP算法获取的跳变点代表着林业病虫害监测过程中用于区分病虫害种类的特征,纹理特征的不同是通过跳变点的不同进行衡量的。
在聚类过程中,首先需要获取与局部区域对应的中心像素点的LBP特征向量的特征距离,小于邻域半径的LBP特征向量,通过满足距离条件的特征向量数量来判断是否满足密度聚类的邻域密度阈值。
但是在通过LBP算法对林业监测图像的纹理特征进行分析的过程中,不同纹理特征对应的病虫害种类是不同的,那么利用DBSCAN算法中对于LBP特征向量之间的距离进行判断,如果仅通过数值存在差异的维度数量进行判断,这种判断方法会存在跳变点的数量相同,但是跳变点对应的维度不同的情况,这样就会导致LBP特征向量之间的距离的大小,无法表征林业监测图像中的纹理种类。所以在利用DBSCAN算法进行密度聚类时,需要先通过传统的邻域密度半径进行范围内的LBP特征向量中跳变点的确定。因为对于LBP特征向量的二进制序列是采用旋转不变提取方法,所以特征变化点的位置不同对应的是纹理的不同,在林业监测图像中也就对应的是病虫害的种类不同。
预设DBSCAN密度聚类算法的邻域半径与邻域密度阈值M,本实施例设定、,对于特征向量空间中的第i个LBP特征向量,通过传统的距离衡量方式进行邻域
半径范围内的特征向量的确定,将邻域半径范围内所有LBP特征向量构成的簇,记为特征向
量簇;将邻域半径范围内LBP特征向量记为域内特征向量。
其中,表示第i个LBP特征向量的第m个维度的重要程度,N表示LBP特征向量的
维度数量,m表示LBP特征向量的第m个维度,表示第i个LBP特征向量在邻域半径的区域
中包含的LBP特征向量的数量,表示第i个LBP特征向量在邻域半径范围中所有LBP特征
向量在第m个维度发生跳变的数量,表示重要程度因子,e表示自然常数。
重要程度表示的是LBP特征向量中每个维度发生跳变的重要程度,在LBP特征向量
的获取过程中,LBP特征向量对应的二进制序列,是通过转换对应的十进制的LBP值获取的,
在二进制转换十进制的过程中,在LBP特征向量中的维度越小,在二进制序列中的位置越靠
前,而越是位置靠前的维度,对于林业监测图像的纹理特征的影响越高,所以根据LBP特征
向量对应的二进制序列中位置,获取到每个维度的重要程度,即m越小,越大,重要
程度越大。
另外,将LBP特征向量空间中任意一个LBP特征向量记为中心特征向量,对于中心
特征向量与其邻域半径范围中的LBP特征向量,根据在每一个维度上,与LBP特征向量同样
维度发生跳变的数量,获得每个维度的重要程度,根据邻域半径范围内的跳变位置的统计
特征确定每个跳变点对应维度的重要程度。
上述所确定的不同维度的重要程度,在LBP特征向量进行聚类的邻域半径范围中,通过每个维度跳变出现概率以及中心特征向量的跳变点来确定对应维度的重要程度,相较于利用同维度下数值差异的数量获得特征距离,可以通过重要程度对中心特征向量重新进行邻域密度的衡量,保证在密度聚类过程中对LBP特征向量之间的特征距离的判断时,就避免对纹理特征的错误判断。
则第二特征距离的获取方法如下:
其中,表示第i个LBP特征向量与在邻域半径范围中第j个LBP特征向量之
间的第二特征距离;表示第i个LBP特征向量与邻域半径范围中第j个LBP特征向量在第
m个维度上的差异因子,规定两个特征向量在第m个维度上数值不同时,差异因子为1,数值
相同时,差异因子为0;表示第i个LBP特征向量,表示第i个LBP特征向量在邻域半径范围
中第j个LBP特征向量,表示第i个LBP特征向量的第m个维度的重要程度,N表示LBP特征
向量的维度数量,m表示LBP特征向量的第m个维度。
对于两个LBP特征向量,对应第i个LBP特征向量的任意维度的重要程度,其
中重要的维度的重要程度是大于一的,不重要的维度会使得特征距离加一,而对于不同重
要程度的维度,所附加的距离就是在重要程度向量中对应维度的重要程度,即为。
至此,在DBSCAN密度聚类的过程中对于LBP特征向量之间的距离,通过邻域半径中的跳变点的统计特征获取不同维度的重要程度,并根据重要程度对LBP特征向量重新获取邻域半径范围内的密度。
聚类调节模块:根据第二特征距离结合像素点的灰度值获得第三特征距离,利用第三特征距离对聚类算法的相关参数进行调节,实现更好的聚类效果。
在通过LBP特征向量的不同维度的重要程度,对不同LBP特征向量之间的特征距离进行优化之后,需要对LBP特征向量进行密度聚类,因为密度聚类中只要LBP特征向量与任意聚类簇的中心特征向量满足邻域密度阈值,就会被放入到同一个聚类簇中,只有在所有密度可达的特征距离对应的LBP特征向量都被判定完成,才会在特征向量空间中重新选取LBP特征向量进行下一个聚类簇的判定和迭代聚类。
在这个过程中也就出现了本实施例的核心问题,在特征向量空间中当一个区域的LBP特征向量的密度较高时,不同的纹理特征会被划分到一个聚类簇中,这就会导致纹理特征的错误识别,所以在进行DBSCAN密度聚类时,聚类簇在不断进行迭代聚类,会有新的LBP特征向量不断加入聚类簇中,本实施例通过聚类簇中已有的LBP特征向量继续对第二特征距离进行调整,利用调整后的第二特征距离,对DBSCAN密度聚类算法的聚类过程进行调节,保证任意一个聚类簇中的LBP特征向量都是对应同一种纹理特征。针对于这个问题:
首先,对于林业监测图像中每个像素点的LBP特征向量,是由与对应邻域范围内的像素点之间的灰度差异获取的。在林业病虫害分析中,不同像素点的灰度值对应纹理特征所表示的病虫害类型是不同的。例如,白粉病的纹理特征只有像素点是白色时才成立,所以在对LBP特征向量进行聚类时,同样要考虑LBP特征向量对应的像素点自身的灰度值,对第二特征距离进行进一步优化,获得第三特征距离;
其中,表示第i个LBP特征向量与在邻域半径范围中第j个LBP特征向量之
间的第三特征距离,表示第i个LBP特征向量对应像素点的灰度值,表示第i个LBP特征
向量在邻域半径范围中第j个LBP特征向量对应像素点的灰度值;表示第i个LBP特
征向量与在邻域半径范围中第j个LBP特征向量之间的第二特征距离。
第三特征距离通过在LBP特征向量之间的第二特征距离的基础上,加入对应灰度值之间的欧式距离作为LBP特征向量之间新的距离度量,从而在LBP特征向量的特征向量空间中进行密度聚类的过程中,加入对LBP特征向量对应像素点的灰度值的考虑,避免纹理特征相近,但对应像素点之间自身的灰度值相差较大的情况,从而避免后续进行聚类时,聚类簇的过度迭代。
在后续的DBSCAN密度聚类开始之后,对于任意一个LBP特征向量来说,随着聚类簇中的LBP特征向量的数量增加,聚类簇在特征向量空间中范围的扩大,需要在DBSCAN密度聚类过程中,根据LBP特征向量之间的相关特征对第三特征距离进行调节,实现对聚类过程中聚类簇迭代更新的调节,即随着簇类越来越大,对于距离的衡量也需要随着变化。也就是对于特征向量的要求越来越高。
另外,将DBSCAN密度聚类过程中已经进入聚类簇的LBP特征向量记为已聚类特征向量;将DBSCAN密度聚类过程中正在判定是否要进入聚类簇的LBP特征向量记为待聚类特征向量;
对于密度聚类过程中LBP特征向量之间的相关特征获取方法如下:
其中,表示聚类簇中第个已聚类特征向量与待聚类特征向量之间的相关
特征,表示聚类簇中特征向量的数量,表示聚类簇中第个已聚类特征向量,表示待
聚类特征向量,表示聚类簇中第个已聚类特征向量与待聚类特征向量之间的第
三特征距离,表示聚类簇中所有已聚类特征向量存在跳变点所对应维度的数量,表
示待聚类特征向量中不存在跳变点所对应维度的数量,exp()表示以自然常数为底的指数
函数。
对于待聚类特征向量,首先通过对应像素点的灰度值差异进行距离计算。对于每
一个待聚类特征向量,通过与聚类簇中的每个已聚类特征向量的平均第三特征距离作为DBSCAN密度聚类时聚类簇的迭代更新过程中,待聚类特征向量与聚类
簇之间距离的衡量,随着待聚类特征向量与聚类簇中已聚类特征向量之间的平均第三特征
距离越大,则因为第三特征距离会让不同维度的重要程度更高,则会加大该特征向量与其
他特征向量的距离。
然后,进一步通过待聚类特征向量与聚类簇中已聚类特征向量的跳变点的一致
性,对跳变点对应的维度的重要程度进行调整,随着第三特征距离越来越大,如果让跳变点
对应维度的重要程度一直变大,就会使得让符合的LBP特征向量因为第三特征距离过大而
无法进入该簇类,所以将跳变点位置的一致性更高的LBP特征向量也能够进入簇
类。
基于所述LBP特征向量之间的相关特征,利用待聚类特征向量与聚类簇中已聚类特征向量的平均第三特征距离,对跳变点对应维度的重要程度进行调节增大,并通过跳变点的一致性来缩小调节跳变点对应维度的重要程度,可以在密度聚类的迭代过程中,对于待聚类特征向量加入聚类簇的要求越来越高,可以使得聚类簇中对于林业病虫害不同种类的病虫害,对应的纹理特征进行细致的划分。使得聚类簇在迭代到无满足邻域密度阈值条件的待聚类特征向量时,停止该聚类簇的迭代聚类过程,同时进行其他聚类簇的迭代聚类过程的调节,从而将不同的纹理特征划分为不同的聚类簇,使得后续利用卷积神经网络对聚类簇对应像素点的区域是否反映病虫害的检测更加准确。
对于DBSCAN密度聚类过程中,需要利用聚类簇中已聚类特征向量与待聚类特征向量之间的距离进行聚类,将用于聚类的已聚类特征向量与待聚类特征向量之间的距离记为聚类距离,聚类距离的获取方法为:
其中,表示聚类簇中第个已聚类特征向量,表示待聚类特征向量,表
示聚类簇中第个已聚类特征向量与待聚类特征向量之间的聚类距离,表示聚类簇
中第个已聚类特征向量与待聚类特征向量之间的相关特征,表示聚类簇中第个
已聚类特征向量与待聚类特征向量之间的第三特征距离。
随着聚类簇中已聚类特征向量的加入,获取到跳变点的一致性之后,获得
聚类簇中已聚类特征向量与待聚类特征向量之间的相关特征,则根据相关特征优化第三特
征距离,获得已聚类特征向量与待聚类特征向量之间的聚类距离,将聚类距离作
为DBSCAN密度聚类过程中对已聚类特征向量与待聚类特征向量之间的距离的衡量,实现对
已聚类特征向量与待聚类特征向量的DBSCAN密度聚类。
至此,通过LBP特征向量的跳变点对应维度的重要程度,对LBP特征向量之间的特征距离进行校正,获得准确的聚类距离用于DBSCAN密度聚类,根据聚类簇中LBP特征向量对聚类过程进行调节,使得获取的每一个聚类簇都能够反映准确且同一的纹理特征。
病虫害分析模块:利用神经网络对聚类算法的参数调节后,进行病虫害的快速分析。
获取所有聚类簇在林业监测图像中像素点所形成的区域,通过相关行业内人士对各区域的病虫害类型进行标注,赋予人工标签,并对LeNet5卷积神经网络进行训练,用于对林业病虫害的快速分析,具体的过程为:
首先,获取所有聚类簇在林业监测图像中像素点所形成的区域,将这些区域提取出来作为新的图像,记为样本图像,并通过相关行业内的专业人员对获得的样本图像所对应的病虫害类型情况进行标注,将标注信息作为样本图像对应的人工标签,人工标签的内容包括:煤污病、叶锈病、炭疽病、黄化病、白粉病、食叶类害虫、吸汁类害虫以及钻蛀类害虫;将每个样本图像以及对应的人工标签作为一个样本,将由大量的林业监测图像获取的大量样本构成的数据集作为训练LeNet5卷积神经网络的数据集;
然后,将获得的数据集按照6:2:2的比例分为训练集、测试集以及验证集,对LeNet5卷积神经网络进行训练;
最后,将完成训练的LeNet5卷积神经网络,应用于对林业监测图像的病虫害快速分析,识别出林业监测图像中所含有的病虫害的类型。
需要说明的是,本实施例中所用的exp(-x)模型仅用于表示负相关关系和约束模
型输出的结果处于区间内,具体实施时,可替换成具有同样目的的其他模型,本实施例
只是以exp(-x)模型为例进行叙述,不对其做具体限定,其中x是指该模型的输入。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于人工智能的林业病虫害快速分析系统,其特征在于,该系统包括以下模块:
图像采集模块:采集林业监测图像;
特征分析模块:获取任意像素点在局部区域内的LBP特征向量,将LBP特征向量中数值不相同的相邻维度中序数最大的一个维度记为跳变点,获取所有跳变点;
将两个LBP特征向量存在数值差异的维度的数量记为第一特征距离;获取与任意LBP特征向量的第一特征距离小于预设邻域半径的所有LBP特征向量,记为域内特征向量;
根据LBP特征向量的维度数量与维度对应的序数之间的差异获得重要程度因子,根据重要程度因子,对LBP特征向量在任意维度的跳变点数量与域内特征向量的数量的比值进行调节,获得重要程度;
根据任意两个域内特征向量在不同维度上数值的差异,对重要程度调整获得第二特征距离;
聚类调节模块:根据域内特征向量对应像素点的灰度值差异与第二特征距离进行融合,获得第三特征距离;
对LBP特征向量进行迭代聚类,根据聚类簇中所有跳变点所对应维度的数量,与正在聚类的LBP特征向量中无跳变点对应维度的数量的比值获得一致性;根据一致性对平均第三特征距离调节获得相关特征;根据相关特征对第三特征距离校正获得聚类距离,根据聚类距离对LBP特征向量进行密度聚类获得若干聚类簇;
病虫害分析模块:利用卷积神经网络对聚类簇在林业监测图像上对应的区域进行病虫害分析;
所述重要程度,获取方法如下:
其中,表示第i个LBP特征向量的第m个维度的重要程度,N表示LBP特征向量的维度的数量,m表示LBP特征向量的第m个维度,/>表示第i个LBP特征向量在邻域半径/>的区域中包含的LBP特征向量的数量,/>表示第i个LBP特征向量在邻域半径范围中所有LBP特征向量在第m个维度发生跳变的数量,/>表示重要程度因子,e表示自然常数;
所述第二特征距离,获取方法如下:
其中,表示第i个LBP特征向量与在邻域半径范围中第j个LBP特征向量之间的第二特征距离;/>表示第i个LBP特征向量与邻域半径范围中第j个LBP特征向量在第m个维度上的预设差异因子;/>表示第i个LBP特征向量,/>表示第i个LBP特征向量在邻域半径范围中第j个LBP特征向量,/>表示第i个LBP特征向量的第m个维度的重要程度,N表示LBP特征向量的维度数量,m表示LBP特征向量的第m个维度的数值;
所述第三特征距离,获取方法如下:
根据任意LBP特征向量与其在邻域半径范围内的任意LBP特征向量对应像素点的灰度值差值,以及任意LBP特征向量与其在邻域半径范围内的任意LBP特征向量的第二特征距离的平方和获得第三特征距离因子,将第三特征距离因子的开平方结果作为第三特征距离;
所述相关特征,获取方法如下:
2.根据权利要求1所述一种基于人工智能的林业病虫害快速分析系统,其特征在于,所述根据聚类距离对LBP特征向量进行密度聚类获得若干聚类簇,包括的具体步骤如下:
利用相关特征对第三特征距离进行乘积调节获得聚类距离,利用预设的DBSCAN密度聚类算法的邻域半径与邻域密度阈值参数,根据LBP特征向量之间的聚类距离的大小,对LBP特征向量进行DBSCAN密度聚类,获得若干个聚类簇。
3.根据权利要求1所述一种基于人工智能的林业病虫害快速分析系统,其特征在于,所述利用卷积神经网络对聚类簇在林业监测图像上对应的区域进行病虫害分析,包括的具体步骤如下:
首先,获取所有聚类簇在林业监测图像中像素点所形成的区域,将这些区域提取出来作为新的图像,记为样本图像,并通过相关行业内的专业人员对获得的样本图像所对应的病虫害类型情况进行标注,将标注信息作为样本图像对应的人工标签,人工标签的内容包括:煤污病、叶锈病、炭疽病、黄化病、白粉病、食叶类害虫、吸汁类害虫以及钻蛀类害虫;将每个样本图像以及对应的人工标签作为一个样本,将由大量的林业监测图像获取的大量样本构成的数据集作为训练LeNet5卷积神经网络的数据集;
然后,将获得的数据集按照6:2:2的比例分为训练集、测试集以及验证集,对LeNet5卷积神经网络进行训练;
最后,将完成训练的LeNet5卷积神经网络,应用于对林业监测图像的病虫害快速分析,识别出林业监测图像中所含有的病虫害的类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310491097.XA CN116206208B (zh) | 2023-05-05 | 2023-05-05 | 一种基于人工智能的林业病虫害快速分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310491097.XA CN116206208B (zh) | 2023-05-05 | 2023-05-05 | 一种基于人工智能的林业病虫害快速分析系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116206208A CN116206208A (zh) | 2023-06-02 |
CN116206208B true CN116206208B (zh) | 2023-07-07 |
Family
ID=86515003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310491097.XA Active CN116206208B (zh) | 2023-05-05 | 2023-05-05 | 一种基于人工智能的林业病虫害快速分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116206208B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117391265B (zh) * | 2023-12-13 | 2024-03-05 | 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) | 基于大数据分析的林业病虫灾害风险预测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516712A (zh) * | 2019-08-01 | 2019-11-29 | 仲恺农业工程学院 | 虫害图像识别方法、虫害监控方法、装置、设备及介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598908B (zh) * | 2014-09-26 | 2017-11-28 | 浙江理工大学 | 一种农作物叶部病害识别方法 |
CN111325271B (zh) * | 2020-02-18 | 2023-09-12 | Oppo广东移动通信有限公司 | 图像分类方法及装置 |
CN113128514A (zh) * | 2021-04-26 | 2021-07-16 | 山东大学 | 一种棉花害虫定位与分类识别方法及系统 |
-
2023
- 2023-05-05 CN CN202310491097.XA patent/CN116206208B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516712A (zh) * | 2019-08-01 | 2019-11-29 | 仲恺农业工程学院 | 虫害图像识别方法、虫害监控方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116206208A (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830188B (zh) | 基于深度学习的车辆检测方法 | |
CN112418117B (zh) | 一种基于无人机图像的小目标检测方法 | |
CN108960245B (zh) | 轮胎模具字符的检测与识别方法、装置、设备及存储介质 | |
CN112200121B (zh) | 基于evm和深度学习的高光谱未知目标检测方法 | |
CN116092013B (zh) | 一种用于智慧监控的危险路况识别方法 | |
CN112949704B (zh) | 一种基于图像分析的烟叶成熟度状态识别方法及装置 | |
CN108596195B (zh) | 一种基于稀疏编码特征提取的场景识别方法 | |
CN114897896B (zh) | 基于灰度变换的建筑木材缺陷检测方法 | |
CN110288033B (zh) | 一种基于卷积神经网络的甘蔗蔗节特征识别与定位方法 | |
CN116206208B (zh) | 一种基于人工智能的林业病虫害快速分析系统 | |
CN116168003A (zh) | 基于人工智能的注塑件银纹缺陷检测方法及系统 | |
CN111539910B (zh) | 锈蚀区域检测方法及终端设备 | |
CN111369526B (zh) | 基于半监督深度学习的多类型旧桥裂痕识别方法 | |
CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
CN109829511B (zh) | 基于纹理分类的下视红外图像中云层区域检测方法 | |
CN111695560A (zh) | 基于卷积神经网络对农作物病虫害主动定位聚焦的方法 | |
CN114219051B (zh) | 图像分类方法、分类模型的训练方法、装置及电子设备 | |
CN116416523A (zh) | 一种基于机器学习的水稻生长阶段的识别系统和方法 | |
CN115830302A (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
CN114067314B (zh) | 一种基于神经网络的花生霉变识别方法及系统 | |
Promsuk et al. | Numerical Reader System for Digital Measurement Instruments Embedded Industrial Internet of Things. | |
CN114782761A (zh) | 基于深度学习的智能仓储物料识别方法和系统 | |
CN115393631A (zh) | 基于贝叶斯层图卷积神经网络的高光谱图像分类方法 | |
CN111666953B (zh) | 一种基于语义分割的潮汐带测绘方法及设备 | |
CN114022782A (zh) | 一种基于modis卫星数据的海雾探测方法 |
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 |