CN116403154A - 一种园林景观组合式立体绿化异常智能监控方法 - Google Patents
一种园林景观组合式立体绿化异常智能监控方法 Download PDFInfo
- Publication number
- CN116403154A CN116403154A CN202310207778.9A CN202310207778A CN116403154A CN 116403154 A CN116403154 A CN 116403154A CN 202310207778 A CN202310207778 A CN 202310207778A CN 116403154 A CN116403154 A CN 116403154A
- Authority
- CN
- China
- Prior art keywords
- greening
- area
- abnormal
- water content
- dimensional
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 230000005856 abnormality Effects 0.000 title claims description 9
- 230000002159 abnormal effect Effects 0.000 claims abstract description 182
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 151
- 238000003973 irrigation Methods 0.000 claims abstract description 87
- 230000002262 irrigation Effects 0.000 claims abstract description 87
- 238000001228 spectrum Methods 0.000 claims description 21
- 238000012216 screening Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 230000009194 climbing Effects 0.000 claims description 3
- 229930002875 chlorophyll Natural products 0.000 abstract description 4
- 235000019804 chlorophyll Nutrition 0.000 abstract description 4
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 abstract description 4
- 241000196324 Embryophyta Species 0.000 description 35
- 230000006870 function Effects 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 230000002427 irreversible effect Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 241000722953 Akebia Species 0.000 description 2
- 241000205585 Aquilegia canadensis Species 0.000 description 2
- 235000007516 Chrysanthemum Nutrition 0.000 description 2
- 244000189548 Chrysanthemum x morifolium Species 0.000 description 2
- 240000008669 Hedera helix Species 0.000 description 2
- 235000005087 Malus prunifolia Nutrition 0.000 description 2
- 244000070406 Malus silvestris Species 0.000 description 2
- 244000242564 Osmanthus fragrans Species 0.000 description 2
- 235000019083 Osmanthus fragrans Nutrition 0.000 description 2
- 241000967859 Rosa setigera Species 0.000 description 2
- 235000003609 Rosa setigera var setigera Nutrition 0.000 description 2
- 241000219094 Vitaceae Species 0.000 description 2
- 240000003290 Wisteria sinensis Species 0.000 description 2
- 235000014027 Wisteria sinensis Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 235000011725 climbing rose Nutrition 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 235000021021 grapes Nutrition 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000003621 irrigation water Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000004745 nonwoven fabric Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 235000019362 perlite Nutrition 0.000 description 2
- 239000010451 perlite Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 241001464837 Viridiplantae Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 239000003440 toxic substance Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/22—Improving land use; Improving water use or availability; Controlling erosion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明属于数字化园林技术领域，本发明提供了一种园林景观组合式立体绿化异常智能监控方法，通过获取对应在各个绿化区域和对比高光谱影像中每个像素的叶片含水率；在三维模型上的各个绿化区域中识别出叶片含水率异常的绿化异常带；根据对比高光谱影像的叶片含水率定位绿化异常带中的异常源位置；根据空间上相邻位置的叶片含水率变化的变化度能够准确的监控到叶片含水率在关键区域的细微的变化趋势，极大提升了立体绿化建筑上的绿化异常带的预警准确性，可以快速的筛选出灌溉后反而出现比灌溉前还干旱的位置，以此可以根据植物的叶绿素变化标记出立体绿化建筑的设备异常位置的大致区域。
Description
技术领域
本发明属于立体园林技术、图像处理技术领域，具体涉及一种园林景观组合式立体绿化异常智能监控方法。
背景技术
立体绿化技术是把植物和建筑拼凑，将植物在一起融入到建筑中，使建筑群具有节约能源、美化环境的功能，根据建筑的特性位置给植物选择合适的环境，例如与建筑室外空气交界处，以保障植物生长稳定，立体绿化不仅提高建筑物的观赏价值，还可以有效减少建筑物表面温度，吸收降低噪声，减少污染空气中有毒物质的排放，为建筑物所在的区域提供一个良好的环境。而立体绿化的模型制作是将植物与建筑物结合在一起，使建筑表面的空间构成具备立体感的绿色植物模型，根据植物支撑的结构形式，从而设置工程设施，支撑绿化设计需求，保护植物，减少天气因素对植物的影响，满足视觉美化的要求。
在园林景观组合式立体绿化中，经常布置有大量的传感器和构成滴灌系统的多组管路、增压泵、滴灌管、滴头及电磁阀的这些微小而大量的装置，而由于园林景观组合式立体绿化的特殊场景，很多这样的装置布置在人工无法巡检的位置，例如花架、棚架、阳台、廊、柱、栅栏及各种假山与建筑设施上的绿化、固定架的绿化中上部这些难以直接检查或者检查不便的位置，其中，只要有一个位置的装置出现故障问题，这个位置的灌溉会无法工作导致所在区域出现无法供水，引发的灌溉问题导致这个位置的绿化出现异常，造成这些位置的植物出现大面积的枯死、导致植物烂根等不可逆伤害，而现有的方法往往是在这些位置的植物出现大面积的枯死前难以发现，只能在修复故障设备后替换这些已经枯死的植物。
发明内容
本发明的目的在于提出一种园林景观组合式立体绿化异常智能监控方法，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
为了实现上述目的，根据本发明的一方面，提供一种园林景观组合式立体绿化异常智能监控方法，所述方法包括以下步骤：
从不同角度获取立体绿化建筑的高光谱遥感影像作为对比高光谱影像；
通过滴灌系统对立体绿化建筑进行滴灌，经过预设时长T1，再次从不同角度获取立体绿化建筑的高光谱遥感影像作为灌溉高光谱影像；
根据灌溉高光谱影像进行三维重建获取立体绿化建筑的三维模型；
标注出三维模型上种植有植物的区域作为绿化区域；
分别获取对应在各个绿化区域和对比高光谱影像中每个像素的叶片含水率；
在三维模型上的各个绿化区域中识别出叶片含水率异常的绿化异常带；
根据对比高光谱影像的叶片含水率定位绿化异常带中的异常源位置，以异常源位置在立体绿化建筑的对应位置为异常点；
筛选出与各个异常点的距离最短的各个滴灌系统的滴头作为异常滴头；
在三维模型上标记出异常滴头相应的位置，然后将三维模型输出至客户端进行显示。
进一步地，在所述立体绿化建筑上种植有植物的区域中的不同位置设置多组的管路、增压泵、滴灌管、滴头及电磁阀构成滴灌系统。
进一步地，预设时长T1为[6，48]小时。
进一步地，立体绿化建筑是直接攀附式绿化建筑、格架式绿化建筑、合栽式绿化建筑、垂挂式绿化建筑、嵌合式绿化建筑或者直立式绿化建筑中的任意一种绿化建筑。
其中，在立体绿化建筑中种植有植物的区域所种植的植物种植于无纺布制成的容器中，种植的基质为草炭土与珍珠岩，所述植物为紫藤、葡萄、爬藤蔷薇、木香、金银花、木通、海棠、菊花、桂花、常春藤中任意一种或多种的组合。
进一步地，从不同角度获取立体绿化建筑的高光谱遥感影像的方法为：通过张正友标定法对无人机上载有的高光谱相机进行标定，以无人机获取场景对象不同视角、位置的高光谱遥感影像。
优选地，根据灌溉高光谱影像进行三维重建获取立体绿化建筑的三维模型为以下参考文献中的方法中的任意一种：
[1]邹松.基于三维重建的无人机高光谱影像拼接研究[D].中国科学院大学.
[2]李均力,贾永红.基于分辨率退化模型的全色和多光谱遥感影像融合方法[J].武汉大学学报：信息科学版,2004,29(4):5.
[3]何赛灵,马腾飞.基于SfM和深度学习的高光谱三维重建系统及方法与应用:,CN114677474A[P].2022.
[4]张黎宁,周宇.SPOT5全色与多光谱图像融合方法研究[J].南京林业大学学报：自然科学版,2007,31(4):4。
优选地，标注出三维模型上种植有植物的区域作为绿化区域的方法为：通过高光谱遥感影像的光谱反射特征以光谱反演法获取三维模型上各个位置对应的叶片含水率，以三维模型上所有位置的叶片含水率的平均值为AQ，以分水岭算法对三维模型进行划分为多个子区域，筛选出各个子区域中所有位置的叶片含水率的平均值大于AQ的子区域作为绿化区域。
优选地，标注出三维模型上种植有植物的区域作为绿化区域的方法为：以人工在三维模型上标注出种植有植物的区域作为绿化区域。
其中，获取叶片含水率的方法为：通过高光谱遥感影像的光谱反射特征；采用单波段、差值型、比值型、归一化型这四类光谱指数模型构建反演模型，或者,利用人工神经网络模型技术建立反演模型，通过反演模型对高光谱遥感影像的反射光谱及一阶导数光谱进行全波段搜索分析获取叶片含水率。
其中，获取叶片含水率的方法为：通过中国专利公开号为：CN115443889A中的反演模型对高光谱遥感影像进行反演获取叶片含水率、或者中国专利公开号为：CN112577906A中的反演模型对高光谱遥感影像进行反演获取叶片含水率。
进一步地，在三维模型上的各个绿化区域中识别出叶片含水率异常的绿化异常带的方法包括：
通过Delaunay三角剖分算法将三维模型剖分为多个三角形的子区域；获取各个绿化区域中的所有子区域中所有位置对应的叶片含水率；标记各个绿化区域中子区域的叶片含水率最高的子区域记为中心区域；(显然中心区域一般距离这个绿化区域灌溉水分最多的位置最近)；
依次对各个绿化区域中的子区域进行干旱异常趋势判断，具体如下：
以绿化区域的边缘上的各个角点中距离三维模型的最高点最近的角点为MPB，以绿化区域的边缘上的各个角点中距离三维模型的最低点最近的角点为MPC，以MPB到MPC的方向作为灌溉流向；将与中心区域相邻的各个子区域中最低点高于中心区域最高点的子区域记为上干旱导向块BlUp；将与中心区域相邻的各个子区域中最高点低于中心区域最低点的子区域记为下干旱导向块BlDown；
以通过BlUp的边缘上距离MPB最近的点Up1和BlDown的边缘上距离MPB最近的点Up2的直线为HighL；以通过BlUp的边缘上距离MPC最近的点Do1和BlDown的边缘上距离MPC最近的点Do2的直线为LowL；将HighL和LowL在绿化区域上的投影线HighLP和LowLP之间分割出的区域为干旱导向区域AridZone；以AridZone中子区域的叶片含水率最低的子区域记为起算区域；
从起算区域的位置开始，沿着灌溉流向的方向搜索绿化区域上在AridZone内部的各个子区域，当搜索的子区域不满足绿化异常条件时或者所述各个子区域全部搜索完毕时停止搜索，将停止前搜索到的各个子区域依次拼接为绿化异常带；
其中，绿化异常条件为：Mois(Are(i-1))＜Mois(Are(i))且Mois(Are(i))＞Mois(Are(i+1))，其中，Are(i)为从起算区域的位置开始沿着灌溉流向的方向搜索到的绿化区域上在AridZone内部的各个子区域中第i个子区域，i是序号；Mois()函数为取子区域的边缘上各点位置的叶片含水率的均值；(去边缘线上的叶片含水率的目的是为了判断相邻子区域之间的含水率的衔接性，相邻接的边缘线比较子区域内部的各个点而言衔接性更好判断)；
或者，绿化异常条件为：
Even(Are(i-1))≤Even(Are(i))≤Even(Are(i+1))；
其中，Even(Are(i))函数为取子区域Are(i)的异常含水值，Are(i)的异常含水值AbnM(i)的计算方法是：计算从第1个到i个子区域的叶片含水率的平均值，
(叶片含水率的均值有时候并不能表现出绿化异常的变化趋势，由于灌溉水是从上至下的流动，所以通过位置的灌溉上下游关系的上干旱导向块和下干旱导向块计算更加稳定能够体现出更加稳定叶片绿化异常的变化趋势，本申请提出了以下异常含水值的计算方法)；
或者，Are(i)的异常含水值AbnM(i)的计算方法是：
其中，AVi是第i个子区域的边缘上各点位置的叶片含水率的均值；Sum是从起算区域的位置开始沿着灌溉流向的方向搜索绿化区域上在AridZone内部的各个子区域的总数，j是变量；GA{BlUp,AVj}为上干旱导向块BlUp的叶片含水率和第j个子区域的边缘上各点位置的叶片含水率的均值AVj之间的差值；GA{BlDown,AVj}为下干旱导向块BlDown的叶片含水率和第j个子区域的边缘上各点位置的叶片含水率的均值AVj之间的差值；(其中，GA{BlUp,AVj}和GA{BlDown,AVj}能够准确的分别表现出第j个子区域的灌溉上游的子区域和灌溉下游的子区域之间和第j个子区域的含水率异常较大的差异值)。
其中，子区域的叶片含水率为子区域上的所有点的位置对应的叶片含水率的平均值。
有益效果：根据空间上相邻位置的叶片含水率变化的变化度能够准确的监控到叶片含水率在关键区域的细微的变化趋势，从遥感图像上能够准确的识别出绿化区域上即将导致向干旱转变的绿化异常带，绿化异常带是能够表现出各个绿化区域中导致损害植物的不可逆转的干旱风险的区域，极大提升了立体绿化建筑上的绿化异常带的预警准确性。
进一步地，根据对比高光谱影像的叶片含水率定位绿化异常带中的异常源位置的方法包括：将子区域内所有的像素点位置对应的叶片含水率的平均值缩写为子区域的叶片含水率；将子区域在对比高光谱影像的相同区域记为子区域的影子区域；则将子区域的影子区域内所有的像素点位置对应的叶片含水率的平均值缩写为影子区域的叶片含水率；筛选出绿化异常带中所有的子区域的叶片含水率小于影子区域的叶片含水率的子区域，记这些子区域中叶片含水率最低的像素点位置为异常源位置。
由此，可以快速的筛选出灌溉后反而出现比灌溉前还干旱的位置，以此可以根据植物的叶绿素变化标记出立体绿化建筑的设备异常位置的大致区域。
由于灌溉是由高向低灌溉形成水流的水道，只是通过简单的筛选出绿化异常带中的异常源位置(异常的无法工作的滴头)使得需要检查的区域不精准，为了让后期的检修进一步缩小检查范围，提高识别的异常源位置的精度，因此通过以下优选地方法予以改进：
优选地，根据对比高光谱影像的叶片含水率定位绿化异常带中的异常源位置的方法包括：
将所有的绿化异常带按照在三维模型上的高低从高到低进行排序后，构成序列ABr＝{abrk}，其中，abrk为序列ABr中第k个绿化异常带；序号k∈[1,S2]，S2为ABr中绿化异常带的数量；将子区域内所有的像素点位置对应的叶片含水率的平均值缩写为子区域的叶片含水率；依次将ABr中各个绿化异常带abrk进行路径连接获得滴灌路线域，具体的方法为：
在k的取值范围内遍历进行路径连接，路径连接具体为：将第k个绿化异常带abrk中叶片含水率最低的子区域为前连接区A，将第k+1个绿化异常带abrk1+1中叶片含水率最低的子区域为后连接区B；
以前连接区A的边缘线上最高点为Z1，以后连接区B的边缘线上最高点为Z2；以前连接区A的边缘线上最低点为X1，以后连接区B的边缘线上最低点为X2；以点Z1、X1、Z2、X2的连线构成的区域为abrk和abrk1+1之间的滴灌路线子域；依次将各个滴灌路线子域拼接的得到滴灌路线域；
依次将ABr中各个绿化异常带abrk进行路径连接获得对比路线域，具体的方法为：
在k的取值范围内遍历进行路径连接，路径连接具体为：将第k个绿化异常带abrk在对比高光谱影像的相同区域中含水率最低的子区域为前连接区C，将第k+1个绿化异常带abrk1+1在对比高光谱影像的相同区域中叶片含水率最低的子区域为后连接区D；
在对比高光谱影像上，以前连接区C的边缘线上最高点为Z3，以后连接区D的边缘线上最高点为Z4；以前连接区C的边缘线上最低点为X3，以后连接区D的边缘线上最低点为X4；以点Z3、X3、Z4、X4的连线构成的区域为abrk和abrk1+1之间的对比路线子域；依次将各个对比路线子域在三维模型上的对应的各个区域进行拼接的得到对比路线域；
将滴灌路线域和对比路线域的交集区域作为异常路径区域，将子区域内所有的像素点位置对应的叶片含水率的平均值缩写为子区域的叶片含水率；将子区域在对比高光谱影像的相同区域记为子区域的影子区域；
筛选出异常路径区域内所有的子区域的叶片含水率小于影子区域的叶片含水率的子区域，记这些子区域中叶片含水率最低的像素点位置为异常源位置。
本发明还提供了一种立体绿化遥感智能灌溉系统，所述一种立体绿化遥感智能灌溉系统包括：处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述一种立体绿化遥感智能灌溉方法中的步骤，所述一种立体绿化遥感智能灌溉系统可以运行于桌上型计算机、笔记本、掌上电脑及云端数据中心等计算设备中，可运行的系统可包括，但不仅限于，处理器、存储器、服务器集群，所述处理器执行所述计算机程序运行在以下系统的单元中：
对比影像获取单元，用于从不同角度获取立体绿化建筑的高光谱遥感影像作为对比高光谱影像；
滴灌影像获取单元，用于通过滴灌系统对立体绿化建筑进行滴灌，经过预设时长T1，再次从不同角度获取立体绿化建筑的高光谱遥感影像作为灌溉高光谱影像；
滴灌三维重建单元，用于根据灌溉高光谱影像进行三维重建获取立体绿化建筑的三维模型；
绿化区域标注单元，用于标注出三维模型上种植有植物的区域作为绿化区域；
含水率获取单元，用于分别获取对应在各个绿化区域和对比高光谱影像中每个像素的叶片含水率；
绿化异常带识别单元，用于在三维模型上的各个绿化区域中识别出叶片含水率异常的绿化异常带；
异常点识别单元，用于根据对比高光谱影像的叶片含水率定位绿化异常带中的异常源位置，以异常源位置在立体绿化建筑的对应位置为异常点；
异常滴头定位单元，用于筛选出与各个异常点的距离最短的各个滴灌系统的滴头作为异常滴头；
三维模型显示单元，用于在三维模型上标记出异常滴头相应的位置，然后将三维模型输出至客户端进行显示。
本发明的有益效果为：本发明提供一种立体绿化遥感智能灌溉方法及系统，根据空间上相邻位置的叶片含水率变化的变化度能够准确的监控到叶片含水率在关键区域的细微的变化趋势，从遥感图像上能够准确的识别出绿化区域上即将导致向干旱转变的绿化异常带，绿化异常带是能够表现出各个绿化区域中导致损害植物的不可逆转的干旱风险的区域，极大提升了立体绿化建筑上的绿化异常带的预警准确性，可以快速的筛选出灌溉后反而出现比灌溉前还干旱的位置，以此可以根据植物的叶绿素变化标记出立体绿化建筑的设备异常位置的大致区域。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本发明的上述以及其他特征将更加明显，本发明附图中相同的参考标号表示相同或相似的元素，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，在附图中：
图1所示为一种园林景观组合式立体绿化异常智能监控方法的流程图；
图2所示为一种园林景观组合式立体绿化异常智能监控系统结构图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为一种园林景观组合式立体绿化异常智能监控方法的流程图，下面结合图1来阐述根据本发明的实施方式的一种园林景观组合式立体绿化异常智能监控方法，所述方法包括以下步骤：
从不同角度获取立体绿化建筑的高光谱遥感影像作为对比高光谱影像；
通过滴灌系统对立体绿化建筑进行滴灌，经过预设时长T1，再次从不同角度获取立体绿化建筑的高光谱遥感影像作为灌溉高光谱影像；
根据灌溉高光谱影像进行三维重建获取立体绿化建筑的三维模型；
标注出三维模型上种植有植物的区域作为绿化区域；(一般多个不同位置的绿化区域)；
分别获取对应在各个绿化区域和对比高光谱影像中每个像素的叶片含水率；
在三维模型上的各个绿化区域中识别出叶片含水率异常的绿化异常带；
根据对比高光谱影像的叶片含水率定位绿化异常带中的异常源位置，以异常源位置在立体绿化建筑的对应位置为异常点；
筛选出与各个异常点的距离最短的各个滴灌系统的滴头作为异常滴头；
在三维模型上标记出异常滴头相应的位置，然后将三维模型输出至客户端进行显示。
进一步地，在所述立体绿化建筑上种植有植物的区域中的不同位置设置多组的管路、增压泵、滴灌管、滴头及电磁阀构成滴灌系统。
进一步地，预设时长T1为[6，48]小时。
进一步地，立体绿化建筑是直接攀附式绿化建筑、格架式绿化建筑、合栽式绿化建筑、垂挂式绿化建筑、嵌合式绿化建筑或者直立式绿化建筑中的任意一种绿化建筑。
其中，在立体绿化建筑中种植有植物的区域所种植的植物种植于无纺布制成的容器中，种植的基质为草炭土与珍珠岩，所述植物为紫藤、葡萄、爬藤蔷薇、木香、金银花、木通、海棠、菊花、桂花、常春藤中任意一种或多种的组合。
进一步地，从不同角度获取立体绿化建筑的高光谱遥感影像的方法为：通过张正友标定法对无人机上载有的高光谱相机进行标定，以无人机获取场景对象不同视角、位置的高光谱遥感影像。
优选地，根据灌溉高光谱影像进行三维重建获取立体绿化建筑的三维模型为以下参考文献中的方法中的任意一种：
[1]邹松.基于三维重建的无人机高光谱影像拼接研究[D].中国科学院大学.
[2]李均力,贾永红.基于分辨率退化模型的全色和多光谱遥感影像融合方法[J].武汉大学学报：信息科学版,2004,29(4):5.
[3]何赛灵,马腾飞.基于SfM和深度学习的高光谱三维重建系统及方法与应用:,CN114677474A[P].2022.
[4]张黎宁,周宇.SPOT5全色与多光谱图像融合方法研究[J].南京林业大学学报：自然科学版,2007,31(4):4。
优选地，标注出三维模型上种植有植物的区域作为绿化区域的方法为：通过高光谱遥感影像的光谱反射特征以光谱反演法获取三维模型上各个位置对应的叶片含水率，以三维模型上所有位置的叶片含水率的平均值为AQ，以分水岭算法对三维模型进行划分为多个子区域，筛选出各个子区域中所有位置的叶片含水率的平均值大于AQ的子区域作为绿化区域。
优选地，标注出三维模型上种植有植物的区域作为绿化区域的方法为：以人工在三维模型上标注出种植有植物的区域作为绿化区域。
其中，获取叶片含水率的方法为：通过高光谱遥感影像的光谱反射特征；采用单波段、差值型、比值型、归一化型这四类光谱指数模型构建反演模型，或者,利用人工神经网络模型技术建立反演模型，通过反演模型对高光谱遥感影像的反射光谱及一阶导数光谱进行全波段搜索分析获取叶片含水率。
其中，获取叶片含水率的方法为：通过中国专利公开号为：CN115443889A中的反演模型对高光谱遥感影像进行反演获取叶片含水率、或者中国专利公开号为：CN112577906A中的反演模型对高光谱遥感影像进行反演获取叶片含水率。
进一步地，在三维模型上的各个绿化区域中识别出叶片含水率异常的绿化异常带的方法包括：
通过Delaunay三角剖分算法将三维模型剖分为多个三角形的子区域；获取各个绿化区域中的所有子区域中所有位置对应的叶片含水率；标记各个绿化区域中子区域的叶片含水率最高的子区域记为中心区域；(显然中心区域一般距离这个绿化区域灌溉水分最多的位置最近)；
依次对各个绿化区域中的子区域进行干旱异常趋势判断，具体如下：
以绿化区域的边缘上的各个角点中距离三维模型的最高点最近的角点为MPB，以绿化区域的边缘上的各个角点中距离三维模型的最低点最近的角点为MPC，以MPB到MPC的方向作为灌溉流向；将与中心区域相邻的各个子区域中最低点高于中心区域最高点的子区域记为上干旱导向块BlUp；将与中心区域相邻的各个子区域中最高点低于中心区域最低点的子区域记为下干旱导向块BlDown；
以通过BlUp的边缘上距离MPB最近的点Up1和BlDown的边缘上距离MPB最近的点Up2的直线为HighL；以通过BlUp的边缘上距离MPC最近的点Do1和BlDown的边缘上距离MPC最近的点Do2的直线为LowL；将HighL和LowL在绿化区域上的投影线HighLP和LowLP之间分割出的区域为干旱导向区域AridZone；以AridZone中子区域的叶片含水率最低的子区域记为起算区域；
从起算区域的位置开始，沿着灌溉流向的方向搜索绿化区域上在AridZone内部的各个子区域，当搜索的子区域不满足绿化异常条件时或者所述各个子区域全部搜索完毕时停止搜索，将停止前搜索到的各个子区域依次拼接为绿化异常带；
其中，绿化异常条件为：Mois(Are(i-1))＜Mois(Are(i))且Mois(Are(i))＞Mois(Are(i+1))，其中，Are(i)为从起算区域的位置开始沿着灌溉流向的方向搜索到的绿化区域上在AridZone内部的各个子区域中第i个子区域，i是序号；Mois()函数为取子区域的边缘上各点位置的叶片含水率的均值；(去边缘线上的叶片含水率的目的是为了判断相邻子区域之间的含水率的衔接性，相邻接的边缘线比较子区域内部的各个点而言衔接性更好判断)；
或者，绿化异常条件为：
Even(Are(i-1))≤Even(Are(i))≤Even(Are(i+1))；
其中，Even(Are(i))函数为取子区域Are(i)的异常含水值，Are(i)的异常含水值AbnM(i)的计算方法是：计算从第1个到i个子区域的叶片含水率的平均值，
(叶片含水率的均值有时候并不能表现出绿化异常的变化趋势，由于灌溉水是从上至下的流动，所以通过位置的灌溉上下游关系的上干旱导向块和下干旱导向块计算更加稳定能够体现出更加稳定叶片绿化异常的变化趋势，本申请提出了以下异常含水值的计算方法)；
或者，Are(i)的异常含水值AbnM(i)的计算方法是：
其中，AVi是第i个子区域的边缘上各点位置的叶片含水率的均值；Sum是从起算区域的位置开始沿着灌溉流向的方向搜索绿化区域上在AridZone内部的各个子区域的总数，j是变量；GA{BlUp,AVj}为上干旱导向块BlUp的叶片含水率和第j个子区域的边缘上各点位置的叶片含水率的均值AVj之间的差值；GA{BlDown,AVj}为下干旱导向块BlDown的叶片含水率和第j个子区域的边缘上各点位置的叶片含水率的均值AVj之间的差值；(其中，GA{BlUp,AVj}和GA{BlDown,AVj}能够准确的分别表现出第j个子区域的灌溉上游的子区域和灌溉下游的子区域之间和第j个子区域的含水率异常较大的差异值)。
其中，子区域的叶片含水率为子区域上的所有点的位置对应的叶片含水率的平均值。
有益效果：根据空间上相邻位置的叶片含水率变化的变化度能够准确的监控到叶片含水率在关键区域的细微的变化趋势，从遥感图像上能够准确的识别出绿化区域上即将导致向干旱转变的绿化异常带，绿化异常带是能够表现出各个绿化区域中导致损害植物的不可逆转的干旱风险的区域，极大提升了立体绿化建筑上的绿化异常带的预警准确性。
进一步地，根据对比高光谱影像的叶片含水率定位绿化异常带中的异常源位置的方法包括：将子区域内所有的像素点位置对应的叶片含水率的平均值缩写为子区域的叶片含水率；将子区域在对比高光谱影像的相同区域记为子区域的影子区域；则将子区域的影子区域内所有的像素点位置对应的叶片含水率的平均值缩写为影子区域的叶片含水率；筛选出绿化异常带中所有的子区域的叶片含水率小于影子区域的叶片含水率的子区域，记这些子区域中叶片含水率最低的像素点位置为异常源位置。
由此，可以快速的筛选出灌溉后反而出现比灌溉前还干旱的位置，以此可以根据植物的叶绿素变化标记出立体绿化建筑的设备异常位置的大致区域。
由于灌溉是由高向低灌溉形成水流的水道，只是通过简单的筛选出绿化异常带中的异常源位置(异常的无法工作的滴头)使得需要检查的区域不精准，为了让后期的检修进一步缩小检查范围，提高识别的异常源位置的精度，因此通过以下优选地方法予以改进：
优选地，根据对比高光谱影像的叶片含水率定位绿化异常带中的异常源位置的方法包括：
将所有的绿化异常带按照在三维模型上的高低从高到低进行排序后，构成序列ABr＝{abrk}，其中，abrk为序列ABr中第k个绿化异常带；序号k∈[1,S2]，S2为ABr中绿化异常带的数量；将子区域内所有的像素点位置对应的叶片含水率的平均值缩写为子区域的叶片含水率；依次将ABr中各个绿化异常带abrk进行路径连接获得滴灌路线域，具体的方法为：
在k的取值范围内遍历进行路径连接，路径连接具体为：将第k个绿化异常带abrk中叶片含水率最低的子区域为前连接区A，将第k+1个绿化异常带abrk1+1中叶片含水率最低的子区域为后连接区B；
以前连接区A的边缘线上最高点为Z1，以后连接区B的边缘线上最高点为Z2；以前连接区A的边缘线上最低点为X1，以后连接区B的边缘线上最低点为X2；以点Z1、X1、Z2、X2的连线构成的区域为abrk和abrk1+1之间的滴灌路线子域；依次将各个滴灌路线子域拼接的得到滴灌路线域；
依次将ABr中各个绿化异常带abrk进行路径连接获得对比路线域，具体的方法为：
在k的取值范围内遍历进行路径连接，路径连接具体为：将第k个绿化异常带abrk在对比高光谱影像的相同区域中含水率最低的子区域为前连接区C，将第k+1个绿化异常带abrk1+1在对比高光谱影像的相同区域中叶片含水率最低的子区域为后连接区D；
在对比高光谱影像上，以前连接区C的边缘线上最高点为Z3，以后连接区D的边缘线上最高点为Z4；以前连接区C的边缘线上最低点为X3，以后连接区D的边缘线上最低点为X4；以点Z3、X3、Z4、X4的连线构成的区域为abrk和abrk1+1之间的对比路线子域；依次将各个对比路线子域在三维模型上的对应的各个区域进行拼接的得到对比路线域；
将滴灌路线域和对比路线域的交集区域作为异常路径区域，将子区域内所有的像素点位置对应的叶片含水率的平均值缩写为子区域的叶片含水率；将子区域在对比高光谱影像的相同区域记为子区域的影子区域；
筛选出异常路径区域内所有的子区域的叶片含水率小于影子区域的叶片含水率的子区域，记这些子区域中叶片含水率最低的像素点位置为异常源位置。
本发明的实施例提供的一种园林景观组合式立体绿化异常智能监控系统，如图2所示为本发明的一种园林景观组合式立体绿化异常智能监控系统结构图，该实施例的一种园林景观组合式立体绿化异常智能监控系统包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种园林景观组合式立体绿化异常智能监控系统实施例中的步骤。
所述系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下系统的单元中：
对比影像获取单元，用于从不同角度获取立体绿化建筑的高光谱遥感影像作为对比高光谱影像；
滴灌影像获取单元，用于通过滴灌系统对立体绿化建筑进行滴灌，经过预设时长T1，再次从不同角度获取立体绿化建筑的高光谱遥感影像作为灌溉高光谱影像；
滴灌三维重建单元，用于根据灌溉高光谱影像进行三维重建获取立体绿化建筑的三维模型；
绿化区域标注单元，用于标注出三维模型上种植有植物的区域作为绿化区域；
含水率获取单元，用于分别获取对应在各个绿化区域和对比高光谱影像中每个像素的叶片含水率；
绿化异常带识别单元，用于在三维模型上的各个绿化区域中识别出叶片含水率异常的绿化异常带；
异常点识别单元，用于根据对比高光谱影像的叶片含水率定位绿化异常带中的异常源位置，以异常源位置在立体绿化建筑的对应位置为异常点；
异常滴头定位单元，用于筛选出与各个异常点的距离最短的各个滴灌系统的滴头作为异常滴头；
三维模型显示单元，用于在三维模型上标记出异常滴头相应的位置，然后将三维模型输出至客户端进行显示。
所述一种园林景观组合式立体绿化异常智能监控系统可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述一种园林景观组合式立体绿化异常智能监控系统，可运行的系统可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种园林景观组合式立体绿化异常智能监控系统的示例，并不构成对一种园林景观组合式立体绿化异常智能监控系统的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种园林景观组合式立体绿化异常智能监控系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种园林景观组合式立体绿化异常智能监控系统运行系统的控制中心，利用各种接口和线路连接整个一种园林景观组合式立体绿化异常智能监控系统可运行系统的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种园林景观组合式立体绿化异常智能监控系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
Claims (8)
1.一种园林景观组合式立体绿化异常智能监控方法，其特征在于，所述方法包括以下步骤：
从不同角度获取立体绿化建筑的高光谱遥感影像作为对比高光谱影像；
通过滴灌系统对立体绿化建筑进行滴灌，经过预设时长T1，再次从不同角度获取立体绿化建筑的高光谱遥感影像作为灌溉高光谱影像；
根据灌溉高光谱影像进行三维重建获取立体绿化建筑的三维模型；
标注出三维模型上种植有植物的区域作为绿化区域；
分别获取对应在各个绿化区域和对比高光谱影像中每个像素的叶片含水率；
在三维模型上的各个绿化区域中识别出叶片含水率异常的绿化异常带；
根据对比高光谱影像的叶片含水率定位绿化异常带中的异常源位置，以异常源位置在立体绿化建筑的对应位置为异常点；
筛选出与各个异常点的距离最短的各个滴灌系统的滴头作为异常滴头；
在三维模型上标记出异常滴头相应的位置，然后将三维模型输出至客户端进行显示。
2.根据权利要求1所述的一种园林景观组合式立体绿化异常智能监控方法，其特征在于，在所述立体绿化建筑上种植有植物的区域中的不同位置设置多组的管路、增压泵、滴灌管、滴头及电磁阀构成滴灌系统，立体绿化建筑是直接攀附式绿化建筑、格架式绿化建筑、合栽式绿化建筑、垂挂式绿化建筑、嵌合式绿化建筑或者直立式绿化建筑中的任意一种绿化建筑。
3.根据权利要求1所述的一种园林景观组合式立体绿化异常智能监控方法，其特征在于，在三维模型上的各个绿化区域中识别出叶片含水率异常的绿化异常带的方法包括：
通过Delaunay三角剖分算法将三维模型剖分为多个三角形的子区域；获取各个绿化区域中的所有子区域中所有位置对应的叶片含水率；标记各个绿化区域中子区域的叶片含水率最高的子区域记为中心区域；
依次对各个绿化区域中的子区域进行干旱异常趋势判断，具体如下：
以绿化区域的边缘上的各个角点中距离三维模型的最高点最近的角点为MPB，以绿化区域的边缘上的各个角点中距离三维模型的最低点最近的角点为MPC，以MPB到MPC的方向作为灌溉流向；将与中心区域相邻的各个子区域中最低点高于中心区域最高点的子区域记为上干旱导向块BlUp；将与中心区域相邻的各个子区域中最高点低于中心区域最低点的子区域记为下干旱导向块BlDown；以通过BlUp的边缘上距离MPB最近的点Up1和BlDown的边缘上距离MPB最近的点Up2的直线为HighL；以通过BlUp的边缘上距离MPC最近的点Do1和BlDown的边缘上距离MPC最近的点Do2的直线为LowL；将HighL和LowL在绿化区域上的投影线HighLP和LowLP之间分割出的区域为干旱导向区域AridZone；以AridZone中子区域的叶片含水率最低的子区域记为起算区域；
从起算区域的位置开始，沿着灌溉流向的方向搜索绿化区域上在AridZone内部的各个子区域，当搜索的子区域不满足绿化异常条件时或者所述各个子区域全部搜索完毕时停止搜索，将停止前搜索到的各个子区域依次拼接为绿化异常带；
其中，绿化异常条件为：Mois(Are(i-1))＜Mois(Are(i))且Mois(Are(i))＞Mois(Are(i+1))，其中，Are(i)为从起算区域的位置开始沿着灌溉流向的方向搜索到的绿化区域上在AridZone内部的各个子区域中第i个子区域，i是序号；Mois()函数为取子区域的边缘上各点位置的叶片含水率的均值。
4.根据权利要求3所述的一种园林景观组合式立体绿化异常智能监控方法，其特征在于，绿化异常条件为：Even(Are(i-1))≤Even(Are(i))≤Even(Are(i+1))；
其中，Even(Are(i))函数为取子区域Are(i)的异常含水值，Are(i)的异常含水值AbnM(i)的计算方法是：计算从第1个到i个子区域的叶片含水率的平均值。
5.根据权利要求4所述的一种园林景观组合式立体绿化异常智能监控方法，其特征在于，Are(i)的异常含水值AbnM(i)的计算方法是：
其中，AVi是第i个子区域的边缘上各点位置的叶片含水率的均值；Sum是从起算区域的位置开始沿着灌溉流向的方向搜索绿化区域上在AridZone内部的各个子区域的总数，j是变量；GA{BlUp,AVj}为上干旱导向块BlUp的叶片含水率和第j个子区域的边缘上各点位置的叶片含水率的均值AVj之间的差值；GA{BlDown,AVj}为下干旱导向块BlDown的叶片含水率和第j个子区域的边缘上各点位置的叶片含水率的均值AVj之间的差值。
6.根据权利要求3所述的一种园林景观组合式立体绿化异常智能监控方法，其特征在于，根据对比高光谱影像的叶片含水率定位绿化异常带中的异常源位置的方法包括：将子区域内所有的像素点位置对应的叶片含水率的平均值缩写为子区域的叶片含水率；将子区域在对比高光谱影像的相同区域记为子区域的影子区域；则将子区域的影子区域内所有的像素点位置对应的叶片含水率的平均值缩写为影子区域的叶片含水率；筛选出绿化异常带中所有的子区域的叶片含水率小于影子区域的叶片含水率的子区域，记这些子区域中叶片含水率最低的像素点位置为异常源位置。
7.根据权利要求4所述的一种园林景观组合式立体绿化异常智能监控方法，其特征在于，根据对比高光谱影像的叶片含水率定位绿化异常带中的异常源位置的方法包括：
将所有的绿化异常带按照在三维模型上的高低从高到低进行排序后，构成序列ABr＝{abrk}，其中，abrk为序列ABr中第k个绿化异常带；序号k∈[1,S2]，S2为ABr中绿化异常带的数量；将子区域内所有的像素点位置对应的叶片含水率的平均值缩写为子区域的叶片含水率；依次将ABr中各个绿化异常带abrk进行路径连接获得滴灌路线域，具体的方法为：
在k的取值范围内遍历进行路径连接，路径连接具体为：将第k个绿化异常带abrk中叶片含水率最低的子区域为前连接区A，将第k+1个绿化异常带abrk1+1中叶片含水率最低的子区域为后连接区B；
以前连接区A的边缘线上最高点为Z1，以后连接区B的边缘线上最高点为Z2；以前连接区A的边缘线上最低点为X1，以后连接区B的边缘线上最低点为X2；以点Z1、X1、Z2、X2的连线构成的区域为abrk和abrk1+1之间的滴灌路线子域；依次将各个滴灌路线子域拼接的得到滴灌路线域；依次将ABr中各个绿化异常带abrk进行路径连接获得对比路线域，具体的方法为：在k的取值范围内遍历进行路径连接，路径连接具体为：将第k个绿化异常带abrk在对比高光谱影像的相同区域中含水率最低的子区域为前连接区C，将第k+1个绿化异常带abrk1+1在对比高光谱影像的相同区域中叶片含水率最低的子区域为后连接区D；
在对比高光谱影像上，以前连接区C的边缘线上最高点为Z3，以后连接区D的边缘线上最高点为Z4；以前连接区C的边缘线上最低点为X3，以后连接区D的边缘线上最低点为X4；以点Z3、X3、Z4、X4的连线构成的区域为abrk和abrk1+1之间的对比路线子域；依次将各个对比路线子域在三维模型上的对应的各个区域进行拼接的得到对比路线域；
将滴灌路线域和对比路线域的交集区域作为异常路径区域，将子区域内所有的像素点位置对应的叶片含水率的平均值缩写为子区域的叶片含水率；将子区域在对比高光谱影像的相同区域记为子区域的影子区域；筛选出异常路径区域内所有的子区域的叶片含水率小于影子区域的叶片含水率的子区域，记这些子区域中叶片含水率最低的像素点位置为异常源位置。
8.一种园林景观组合式立体绿化异常智能监控系统，其特征在于，所述一种园林景观组合式立体绿化异常智能监控系统包括：处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1到7中的任意一种所述的一种园林景观组合式立体绿化异常智能监控方法中的步骤，所述一种园林景观组合式立体绿化异常智能监控系统可以运行于桌上型计算机、笔记本、掌上电脑及云端数据中心的计算设备中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310207778.9A CN116403154B (zh) | 2023-03-06 | 2023-03-06 | 一种园林景观组合式立体绿化异常智能监控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310207778.9A CN116403154B (zh) | 2023-03-06 | 2023-03-06 | 一种园林景观组合式立体绿化异常智能监控方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116403154A true CN116403154A (zh) | 2023-07-07 |
| CN116403154B CN116403154B (zh) | 2023-11-03 |
Family
ID=87013247
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310207778.9A Active CN116403154B (zh) | 2023-03-06 | 2023-03-06 | 一种园林景观组合式立体绿化异常智能监控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116403154B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN204994370U (zh) * | 2015-09-07 | 2016-01-27 | 深圳风会云合生态环境有限公司 | 一种用于立体绿化的滴灌系统 |
| CN108449585A (zh) * | 2018-05-24 | 2018-08-24 | 安徽辉闰环境保护工程股份有限公司 | 一种植物墙监控系统 |
| WO2019016545A1 (en) * | 2017-07-19 | 2019-01-24 | Rezatec Limited | WATER NETWORK MONITORING SYSTEM |
| WO2019124657A1 (ko) * | 2017-12-20 | 2019-06-27 | 주식회사 이콘비즈 | 수분 정보를 이용하여 나무병을 예찰하는 방법 및 시스템 |
| CN212159731U (zh) * | 2020-04-08 | 2020-12-15 | 广西大学行健文理学院 | 一种用于监测树皮含水率的装置 |
| CN114429592A (zh) * | 2021-12-30 | 2022-05-03 | 山东浪潮工业互联网产业股份有限公司 | 一种基于人工智能的自动灌溉方法及设备 |
| CN114897423A (zh) * | 2022-06-06 | 2022-08-12 | 河海大学 | 基于作物水分指示线的农田灌溉概率指数计算方法 |
-
2023
- 2023-03-06 CN CN202310207778.9A patent/CN116403154B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN204994370U (zh) * | 2015-09-07 | 2016-01-27 | 深圳风会云合生态环境有限公司 | 一种用于立体绿化的滴灌系统 |
| WO2019016545A1 (en) * | 2017-07-19 | 2019-01-24 | Rezatec Limited | WATER NETWORK MONITORING SYSTEM |
| WO2019124657A1 (ko) * | 2017-12-20 | 2019-06-27 | 주식회사 이콘비즈 | 수분 정보를 이용하여 나무병을 예찰하는 방법 및 시스템 |
| CN108449585A (zh) * | 2018-05-24 | 2018-08-24 | 安徽辉闰环境保护工程股份有限公司 | 一种植物墙监控系统 |
| CN212159731U (zh) * | 2020-04-08 | 2020-12-15 | 广西大学行健文理学院 | 一种用于监测树皮含水率的装置 |
| CN114429592A (zh) * | 2021-12-30 | 2022-05-03 | 山东浪潮工业互联网产业股份有限公司 | 一种基于人工智能的自动灌溉方法及设备 |
| CN114897423A (zh) * | 2022-06-06 | 2022-08-12 | 河海大学 | 基于作物水分指示线的农田灌溉概率指数计算方法 |
Non-Patent Citations (2)
| Title |
|---|
| QUEMADA, C: ""Remote Sensing for Plant Water Content Monitoring: A Review"", 《REMOTE SENSING》, pages 1 - 37 * |
| 符凯娟: ""采用3D几何特征的草莓叶片含水率监测与试验验证"", 《农业工程学报》, pages 1 - 9 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116403154B (zh) | 2023-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11164310B2 (en) | Method and system for crop recognition and boundary delineation | |
| Reis et al. | Automatic detection of bunches of grapes in natural environment from color images | |
| CN108647652B (zh) | 一种基于图像分类和目标检测的棉花发育期自动识别方法 | |
| BR112018011458B1 (pt) | Método, mídia de armazenamento não transitória e sistema de processamento de dados | |
| Zhang et al. | 3D monitoring for plant growth parameters in field with a single camera by multi-view approach | |
| Hočevar et al. | Flowering estimation in apple orchards by image analysis | |
| CN116012720B (zh) | 基于高分遥感影像的农作物长势监测方法、设备及介质 | |
| Hétroy-Wheeler et al. | Segmentation of tree seedling point clouds into elementary units | |
| CN106971409B (zh) | 玉米冠层叶色建模系统及方法 | |
| CN116210571B (zh) | 一种立体绿化遥感智能灌溉方法及系统 | |
| Da Costa et al. | Delineation of vine parcels by segmentation of high resolution remote sensed images | |
| CN114868505B (zh) | 一种智能水肥控制柜 | |
| Santra et al. | Relative Radiometric Normalisation-performance testing of selected techniques and impact analysis on vegetation and water bodies | |
| Andrade et al. | ARSPivot, a sensor-based decision support software for variable-rate irrigation center pivot systems: Part B. Application | |
| CN116403154B (zh) | 一种园林景观组合式立体绿化异常智能监控方法及系统 | |
| He et al. | Recognition of soybean pods and yield prediction based on improved deep learning model | |
| Mendez et al. | Frost prediction in highland crops management using IoT-enabled system and multiple regression | |
| US11988549B2 (en) | Apparatus, methodologies and software applications for determining a level of direct sunlight | |
| Zhang et al. | Three-dimensional branch segmentation and phenotype extraction of maize tassel based on deep learning | |
| AU2016277672A1 (en) | Method of selecting an ordered image subset for structure assessment | |
| Cosmopoulos et al. | Temporal analysis of forest structural condition at an acid mine site using multispectral digital camera imagery | |
| Xiao et al. | 3D reconstruction and characterization of cotton bolls in situ based on UVA technology | |
| CN110161970A (zh) | 一种农业物联网综合服务管理系统 | |
| Zhang et al. | Estimation of peanut seedling emergence rate of based on UAV visible light image | |
| Fava et al. | Assessment of Mediterranean pasture condition using MODIS normalized difference vegetation index time series |
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 |