CN116523352B - 一种森林资源信息的管理方法及系统 - Google Patents
一种森林资源信息的管理方法及系统 Download PDFInfo
- Publication number
- CN116523352B CN116523352B CN202310816233.8A CN202310816233A CN116523352B CN 116523352 B CN116523352 B CN 116523352B CN 202310816233 A CN202310816233 A CN 202310816233A CN 116523352 B CN116523352 B CN 116523352B
- Authority
- CN
- China
- Prior art keywords
- forest
- data
- vegetation
- resource
- growth state
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 36
- 238000011156 evaluation Methods 0.000 claims abstract description 137
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000012544 monitoring process Methods 0.000 claims abstract description 38
- 238000012937 correction Methods 0.000 claims description 74
- 238000000605 extraction Methods 0.000 claims description 62
- 238000012545 processing Methods 0.000 claims description 55
- 230000011218 segmentation Effects 0.000 claims description 45
- 230000003287 optical effect Effects 0.000 claims description 39
- 238000010276 construction Methods 0.000 claims description 31
- 230000008859 change Effects 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 28
- 230000009467 reduction Effects 0.000 claims description 16
- 238000003709 image segmentation Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 238000013210 evaluation model Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 20
- 238000004458 analytical method Methods 0.000 description 16
- 230000007613 environmental effect Effects 0.000 description 12
- 230000000694 effects Effects 0.000 description 10
- 230000036541 health Effects 0.000 description 8
- 230000010354 integration Effects 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 238000007637 random forest analysis Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 229930002875 chlorophyll Natural products 0.000 description 4
- 235000019804 chlorophyll Nutrition 0.000 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 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000029553 photosynthesis Effects 0.000 description 2
- 238000010672 photosynthesis Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000009546 growth abnormality Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000001429 visible spectrum Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- 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
Abstract
本发明涉及森林资源信息管理技术领域,尤其涉及一种森林资源信息的管理方法及系统。该方法包括以下步骤:获取森林资源多模态图像数据并进行森林图像提取以及森林资源提取,获取森林植被图像数据以及森林环境资源数据;根据森林植被图像数据进行特征提取,获取森林植被特征数据;获得森林植被种类数据;根据森林植被特征数据以及森林植被种类数据进行第一生长状态评估,获取第一生长状态数据;根据森林环境资源数据以及森林植被种类数据进行第二生长状态评估,获取第二生长状态数据;根据第一生长状态数据以及第二生长状态数据进行生长状态监测评估,获取森林生长状态监测数据。本发明有助于实现森林资源的有效管理、保护和可持续利用。
Description
技术领域
本发明涉及森林资源信息管理技术领域,尤其涉及一种森林资源信息的管理方法及系统。
背景技术
森林资源信息是指有关森林的各种数据和知识,包括森林的空间分布、植被类型、生物多样性、土壤质量、气候条件的方面的信息。它对于森林资源的管理、保护和可持续利用具有重要意义。森林资源信息的管理方法是指对获取、整理、分析和利用森林资源信息的一系列操作和技术。这些方法可以帮助管理者更好地了解和利用森林资源,做出科学决策,并采取相应的管理措施。常规方法对森林资源信息的分析通常依赖于人工经验和简化模型,缺乏科学性和准确性。无法充分挖掘和利用大量的复杂数据,限制了对森林资源的深入理解和有效管理。
发明内容
本发明为解决上述技术问题,提出了一种森林资源信息的管理方法及系统,以解决至少一个上述技术问题。
本申请提供了一种森林资源信息的管理方法,包括以下步骤:
步骤S1:获取森林资源多模态图像数据;对森林资源多模态图像数据进行森林图像提取以及森林资源提取,从而分别获取森林植被图像数据与森林环境资源数据;
步骤S2:对森林植被图像数据进行特征提取,从而获取森林植被特征数据;其中森林植被特征数据包括森林植被颜色特征数据、森林植被纹理特征数据以及森林植被形状特征数据;
步骤S3:利用预设的森林植被识别模型对森林植被特征数据进行识别,从而获得森林植被种类数据;
步骤S4:根据森林植被特征数据以及森林植被种类数据进行第一生长状态评估,从而获取第一生长状态数据;
步骤S5:根据森林环境资源数据以及森林植被种类数据进行第二生长状态评估,从而获取第二生长状态数据;
步骤S6:根据第一生长状态数据以及第二生长状态数据进行生长状态监测评估,从而获取森林生长状态监测数据。
本发明通过获取森林资源多模态图像数据并进行图像和资源提取,可以获得丰富的森林植被图像数据和森林环境资源数据。这有助于全面了解森林的状况和特征。通过对森林植被图像数据进行特征提取和利用预设的森林植被识别模型进行识别,可以获取森林植被种类数据。这有助于准确地识别和分类森林中的不同植被类型。基于森林植被特征数据和植被种类数据,进行第一和第二生长状态评估,可以获得森林的生长状态数据。这有助于了解森林的生态环境、生物多样性以及植被的生长状况。通过综合分析第一和第二生长状态数据,进行生长状态监测评估,可以获取森林的生长状态监测数据。这有助于及时掌握森林的健康状况、生态平衡以及潜在的问题。
优选地,森林资源多模态图像数据包括森林资源光学图像数据以及森林资源激光图像数据,步骤S1具体为:
步骤S11:通过激光雷达对森林资源区域进行扫描,从而获取森林资源激光图像数据;
步骤S12:利用光学摄像头进行光学图像采集,从而获取森林资源光学图像数据;
步骤S13:对森林资源光学图像数据进行森林资源图像分割,从而获取森林资源分割图像数据;
步骤S14:对森林资源激光图像数据进行森林资源提取,从而获取森林环境资源数据;其中森林环境资源数据包括森林土地利用类型数据、森林水体分布数据以及森林道路网络数据。
本发明中多模态数据获取:采用激光雷达和光学摄像头获取森林资源的多模态图像数据,包括激光图像和光学图像。通过结合两种不同的数据源,可以获得更全面、多角度的森林资源信息,有助于提高对森林资源的全面理解和分析。通过对光学图像数据进行森林资源图像分割,可以将图像中的森林部分与其他背景进行有效分离。这有助于提取和准确定位森林资源,为后续的分析和提取工作提供准确的数据基础。利用激光图像数据进行森林资源提取,可以获取关于森林环境的具体数据,如森林土地利用类型、森林水体分布和森林道路网络等。这些数据对于森林资源管理和规划具有重要意义,可以支持决策者进行科学决策和制定相应的管理措施。通过步骤S14获取的森林环境资源数据,结合步骤S13中的森林资源分割图像数据和步骤S12中的光学图像数据,可以获得全面的森林资源信息。这些信息可以用于森林资源的评估、监测和管理,为保护和可持续利用森林资源提供科学依据。
优选地,步骤S13具体为:
步骤S131:对森林资源光学图像数据进行森林资源阈值图像分割,从而获取第一森林资源分割图像数据;
步骤S132:对森林资源光学图像数据进行森林资源纹理图像分割,从而获取第二森林资源分割图像数据;
步骤S133:对第一森林资源分割图像数据以及第二森林资源分割图像数据进行相近修正处理,从而获取森林资源分割图像数据。
本发明中步骤S131和S132使用不同的方法对森林资源光学图像数据进行阈值和纹理分割。通过采用多种分割技术,可以提高森林资源分割的准确性和鲁棒性。这有助于将森林部分从图像中准确地提取出来,并与其他背景进行有效分离。步骤S133将第一森林资源分割图像数据和第二森林资源分割图像数据进行相近修正处理,从而获取更准确的森林资源分割图像数据。这样做可以综合考虑不同分割结果之间的差异,进一步提升分割结果的准确性和一致性。这有助于提取更精确的森林资源信息,为后续的分析和管理提供更可靠的数据基础。通过精确的森林资源分割图像数据,可以对森林资源进行更精细化的管理和监测。例如,可以对森林面积、植被类型和植被分布等进行定量分析,为森林资源保护、规划和管理提供详尽的信息支持。这有助于制定科学的森林保护策略和可持续的资源利用方案。采用图像分割方法可以实现对大量森林资源光学图像数据的自动处理和分析。这提高了处理效率,并减轻了人工处理的负担。通过自动化处理,可以快速地获取森林资源分割图像数据,为大规模的森林资源管理和监测提供了可行的解决方案。
优选地,步骤S2具体为:
步骤S21:对森林植被图像数据进行颜色统计提取,从而获取森林植被颜色特征数据;
步骤S22:对森林植被图像数据进行第一纹理特征提取,从而获取第一森林植被纹理特征数据;
步骤S23:对森林植被图像数据进行第二纹理特征提取,从而获取第二森林植被纹理特征数据;其中第一纹理特征提取与第二纹理特征提取为采取不同的纹理特征提取方式,森林植被纹理特征数据包括第一森林植被纹理特征数据;
步骤S24:对森林植被图像数据进行降噪处理,从而获取森林植被降噪图像数据;
步骤S25:对森林植被降噪图像数据进行二值化处理,从而获取森林植被二值化图像数据;
步骤S26:对森林植被二值化图像数据进行轮廓提取,从而获取森林植被轮廓图像数据;
步骤S27:对森林植被轮廓图像数据进行特征优化,从而获取森林植被形状特征数据。
本发明中步骤S21通过颜色统计提取森林植被的颜色特征数据,步骤S22和S23采用不同的纹理特征提取方式获取森林植被的纹理特征数据。这样的多维度特征提取可以更全面地描述森林植被的特征,包括颜色、纹理的方面的信息。这有助于准确地描述和区分不同类型的森林植被。步骤S24对森林植被图像数据进行降噪处理,步骤S25将降噪后的图像数据进行二值化处理。这些处理步骤有助于去除图像中的噪声和不相关信息,保留植被区域的重要特征。通过二值化处理,可以将植被区域与背景进行明确的分割,为后续的形状特征提取提供清晰的图像基础。步骤S26通过轮廓提取从二值化图像中获取森林植被的轮廓图像数据,步骤S27对轮廓图像进行特征优化,提取森林植被的形状特征数据。通过对植被轮廓进行分析和优化,可以获取关于植被形状的重要信息,如面积、周长、形状指标。这有助于对植被结构和形态进行定量化描述,为植被分类和生长状态评估提供依据。通过综合考虑颜色、纹理和形状特征数据,可以对森林植被进行精确的分类和特征分析。这有助于识别不同类型的植被、监测植被的生长状态和变化,并提供详细的植被特征信息。这些信息对于森林资源管理、生态研究和环境评估等方面具有重要的应用价值。
优选地,步骤S3中的森林植被识别模型的构建步骤包括以下步骤:
步骤S31:获取标准森林植被图像数据集以及对应的植被标注数据;
步骤S32:根据标准森林植被图像数据集进行图像预处理,从而获取标准森林植被图像预处理数据集;
步骤S33:对标准森林植被图像预处理数据集进行特征提取并特征选择,从而获取标准森林植被图像特征数据集;
步骤S34:对标准森林植被图像特征数据集进行复杂度评估,从而获取特征复杂度数据;
步骤S35:判断特征复杂度数据是否为第一特征复杂度数据;其中第二特征复杂度数据为不为第一特征复杂度数据的特征复杂度数据;
步骤S36:确定特征复杂度数据为第一特征复杂度数据时,则根据标准森林植被图像特征数据集进行第一模型构建,从而构建第一森林植被识别模型;
步骤S37:确定特征复杂度数据为第二特征复杂度数据时,则根据标准森林植被图像特征数据集进行第二模型构建,从而构建第二森林植被识别模型,其中第一模型构建与第二模型构建采用的模型构建方法不同,第一特征复杂度数据的数值数据小于第二特征复杂度数据的数值数据;
其中第一模型构建以及第二模型构建采用森林植被模型评估计算公式进行评估计算,森林植被模型评估计算公式具体为:
;
为森林植被模型评估结果项,/>为第一模型权重系数,/>为召回率,/>为第二模型权重系数,/>为模型常数项,/>为森林植被模型历史准确率契合度,/>为森林植被模型准确率,/>为第三模型权重系数,/>为调整系数,/>为森林植被模型调整项,/>为森林植被模型评估结果项的修正项。
本发明构造了一种森林植被模型评估计算公式,该计算公式考虑多个因素对森林植被模型评估结果的影响。通过将不同参数加权相加,得到森林植被模型评估结果项,从而综合评估模型的性能和准确度。这有助于提供一个全面的评估指标,更好地衡量森林植被模型的表现。公式中的/>、/>和/>分别为第一、第二和第三模型的权重系数。这些权重系数可以根据实际情况进行调节,以便根据不同模型的重要性和贡献度进行加权计算。通过调整权重系数,可以使评估结果更加符合实际需求和应用场景。第一项/>代表了召回率与第一模型权重系数的乘积,这意味着模型的召回率对评估结果有一定的影响。第二项/>表示了第二模型权重系数与模型历史准确率契合度和准确率的乘积的对数,这表明模型的历史准确率和准确率对结果的影响。第三项/>表示了第三模型权重系数与调整项的指数函数的乘积,这说明调整项对结果的影响。最后一项/>为修正项,可以进一步调整和修正评估结果。这些参数之间的相互作用使得公式能够综合考虑不同因素对评估结果的影响,并根据权重系数进行加权计算。
本发明中通过获取标准森林植被图像数据集以及对应的植被标注数据,并根据图像预处理、特征提取和特征选择的步骤,构建森林植被识别模型。这样的步骤序列可以有效提取植被图像的关键特征,并选择最具有代表性的特征,从而提高植被识别的准确性。通过对标准森林植被图像特征数据集进行复杂度评估,判断特征复杂度数据是否为第一特征复杂度数据,从而选择不同的模型构建方法。这样可以针对不同的特征复杂度情况,采用最适合的模型构建方法,提高模型的效果和泛化能力。根据特征复杂度数据的判断结果,构建第一森林植被识别模型和第二森林植被识别模型。采用不同的模型构建方法可以更好地适应特征复杂度的变化,提高模型的灵活性和准确性。通过构建不同的森林植被识别模型,可以更准确地识别和分类不同类型的森林植被。每个模型根据其特定的构建方法和特征复杂度进行优化,以提高模型的性能和识别准确性。这有助于实现对森林植被的精确分类和识别,为森林资源管理和生态研究提供更可靠的支持。
优选地,第一生长状态数据包括植被覆盖度评估数据以及植被指数评估数据,步骤S4具体为:
根据森林植被图像数据以及森林植被种类数据进行植被覆盖度评估,从而获取植被覆盖度评估数据;
根据森林植被图像数据以及森林植被种类数据进行植被指数评估,从而获取植被指数评估数据。
本发明中通过使用森林植被图像数据和植被种类数据,可以进行植被覆盖度评估。植被覆盖度是指森林地区被植被覆盖的程度,它对森林生态环境的状况和植被生长状态提供了重要的信息。通过评估植被覆盖度,可以了解森林地区的植被分布和密度,从而更好地理解森林生态系统的变化和健康状况。使用森林植被图像数据和植被种类数据进行植被指数评估。植被指数是通过对植被图像数据进行数学计算得出的指标,常用的指数包括归一化植被指数(NDVI)。植被指数可以反映植被的生长状况和健康程度,它与植被的光合作用和叶绿素含量等有关。通过评估植被指数,可以获取关于森林植被的生长状态、叶绿素含量和植被生态系统的活跃程度的信息。
优选地,步骤S5具体为:
对森林植被特征数据以及森林植被种类数据进行关联处理,从而获取森林植被特征种类关联数据;
利用预训练的森林植被种类生长状态评估模型对森林植被特征种类关联数据进行识别评估,从而获取第二生长状态数据。
本发明中通过步骤S5中的关联处理,将森林植被特征数据与森林植被种类数据进行关联,从而获取森林植被特征种类关联数据。这种关联数据可以提供更加全面和详细的信息,将不同的植被特征与其对应的植被种类关联起来,有助于更准确地描述森林的生长状态。在步骤S5中,使用预训练的森林植被种类生长状态评估模型对森林植被特征种类关联数据进行识别评估。这意味着该方法利用了预先训练好的模型,通过模型的识别和评估能力来获取第二生长状态数据。预训练模型可以学习和捕捉植被特征与生长状态之间的关系,从而提供有关森林的生长状态信息。
优选地,步骤S6具体为:
步骤S61:对第一生长状态数据以及第二生长状态数据进行筛选分类,从而获取生长状态重合评估数据以及生长状态差异评估数据;
步骤S62:利用森林植被种类数据以及森林环境资源数据对生长状态重合评估数据进行变化趋势修正,从而获取生长状态修正重合评估数据;
步骤S63:对生长状态修正重合评估数据以及生长状态重合评估数据进行时序合并,从而获取森林生长状态监测数据。
本发明中通过步骤S6中的筛选分类,将第一生长状态数据和第二生长状态数据进行比较和分析,得到生长状态重合评估数据和生长状态差异评估数据。这些数据可以反映森林生长状态的一致性和变化程度,帮助判断不同区域或时间段内的生长状态是否相似或存在差异。在步骤S6中,利用森林植被种类数据以及森林环境资源数据对生长状态重合评估数据进行变化趋势修正,得到生长状态修正重合评估数据。这一步骤考虑了植被种类和环境因素对生长状态的影响,通过修正可以更准确地评估森林生长状态的重合程度。通过步骤S6中的时序合并,将生长状态修正重合评估数据和生长状态重合评估数据进行合并,得到森林生长状态监测数据。这些数据可以用于跟踪森林生长状态的变化趋势,了解森林的生长情况以及可能存在的问题或趋势,从而进行森林资源管理和生态保护决策。
优选地,变化趋势修正通过变化趋势修正计算公式进行变化趋势修正,其中变化趋势修正计算公式具体为:
;
为生长状态修正重合评估数据,/>为积分上限,/>为积分下限,/>为第一权重项,/>为森林植被种类历史变化项,/>为时间变量,/>为第二权重项,/>为森林环境资源影响程度项,/>为第三权重项,/>为调整项,/>为修正系数,/>为误差修正项。
本发明构造了一种变化趋势修正计算公式,该计算公式调整参数的取值和权重的大小,可以对生长状态修正进行精确控制,以更准确地反映森林植被的生长状态。公式中的积分操作可以综合考虑一定时间范围内的变化趋势,从而对修正结果进行综合评估。修正系数和误差修正项/>可以对修正结果进行微调和纠正,以提高修正结果的准确性和可靠性。通过权衡和综合考虑森林植被种类历史变化、环境资源影响程度、调整因素和误差修正项,对生长状态修正重合评估数据进行修正,以更准确地反映森林植被的实际生长状态。这有助于提高森林生态系统监测和评估的准确性,并为森林资源管理和决策提供可靠的数据支持。积分上限/>以及积分下限/>表示为时间变量t的积分范围。第一权重项/>、第二权重项/>以及第三权重项/>用于调整各项对生长状态修正的贡献程度。这些权重项可以根据实际情况进行设定,以适应不同因素的影响。通过积分计算在该时间范围内的变化趋势修正。森林植被种类历史变化项/>表示森林植被种类随时间的变化情况,对生长状态修正起到影响作用。森林环境资源影响程度项/>表示森林环境资源对生长状态的影响程度,可以是环境因素如水源、气候的指标。调整项/>用于对生长状态修正进行调整,根据需要可以考虑额外的调整因素。
优选地,一种森林资源信息的管理系统,包括:
森林资源多模态图像数据处理模块,用于获取森林资源多模态图像数据;对森林资源多模态图像数据进行森林图像提取以及森林资源提取,从而分别获取森林植被图像数据与森林环境资源数据;
森林植被图像数据特征提取模块,用于对森林植被图像数据进行特征提取,从而获取森林植被特征数据;其中森林植被特征数据包括森林植被颜色特征数据、森林植被纹理特征数据以及森林植被形状特征数据;
森林植被特征数据识别模块,用于利用预设的森林植被识别模型对森林植被特征数据进行识别,从而获得森林植被种类数据;
第一生长状态数据处理模块,用于根据森林植被特征数据以及森林植被种类数据进行第一生长状态评估,从而获取第一生长状态数据;
第二生长状态评估处理模块,根据森林环境资源数据以及森林植被种类数据进行第二生长状态评估,从而获取第二生长状态数据;
森林生长状态监测数据处理模块,根据第一生长状态数据以及第二生长状态数据进行生长状态监测评估,从而获取森林生长状态监测数据。
本发明的有益效果在于:通过获取森林资源的多模态图像数据,可以获取到丰富的信息,包括森林植被图像数据和森林环境资源数据,从而提供了全面的森林资源信息基础。通过对森林资源多模态图像数据进行森林图像提取和森林资源提取,可以从原始数据中提取出与森林相关的有效信息,为后续处理和分析提供准确的数据基础。利用森林植被图像数据进行特征提取,包括颜色特征、纹理特征和形状特征,可以从视觉特征上描述森林植被的属性和特性,为后续的识别和评估提供重要依据。通过预设的森林植被识别模型对森林植被特征数据进行识别,可以准确地识别出森林植被的种类,为后续的生长状态评估和监测提供基础数据。通过对森林植被特征数据、环境资源数据和植被种类数据的综合分析,可以进行第一生长状态评估和第二生长状态评估,获得关于森林植被的生长状态数据。结合生长状态监测评估,可以实时监测森林的生长状态变化,为森林资源管理和决策提供重要参考。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1示出了一实施例的森林资源信息的管理方法的步骤流程图;
图2示出了一实施例的步骤S1骤流程图;
图3示出了一实施例的步骤S13骤流程图;
图4示出了一实施例的步骤S2步骤流程图;
图5示出了一实施例的步骤S3步骤流程图;
图6示出了一实施例的步骤S6步骤流程图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的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,都属于本发明保护的范围。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
请参阅图1至图6,本申请提供了一种森林资源信息的管理方法,包括以下步骤:
步骤S1:获取森林资源多模态图像数据;对森林资源多模态图像数据进行森林图像提取以及森林资源提取,从而分别获取森林植被图像数据与森林环境资源数据;
具体地,例如使用无人机或卫星图像获取森林资源的多模态图像数据,包括可见光图像、红外图像等。然后,利用图像处理算法对多模态图像数据进行处理,提取出森林植被图像数据和森林环境资源数据,如植被覆盖度、土壤含水量。
步骤S2:对森林植被图像数据进行特征提取,从而获取森林植被特征数据;其中森林植被特征数据包括森林植被颜色特征数据、森林植被纹理特征数据以及森林植被形状特征数据;
具体地,例如利用图像处理和计算机视觉技术对森林植被图像进行特征提取。例如,通过颜色空间转换和直方图统计分析提取植被颜色特征数据,通过纹理分析方法(如灰度共生矩阵、小波变换等)提取植被纹理特征数据,通过形状识别算法提取植被形状特征数据。
步骤S3:利用预设的森林植被识别模型对森林植被特征数据进行识别,从而获得森林植被种类数据;
具体地,例如建立预设的森林植被识别模型,例如基于深度学习的卷积神经网络(CNN)。将森林植被特征数据输入到模型中,经过模型的训练和推理,可以对植被特征进行分类识别,得到森林植被种类数据,如松树、橡树、灌木。
步骤S4:根据森林植被特征数据以及森林植被种类数据进行第一生长状态评估,从而获取第一生长状态数据;
具体地,例如根据先前获得的森林植被特征数据和植被种类数据,结合相关的生长状态评估算法,计算出第一生长状态数据,如植被覆盖度、植被密度。
步骤S5:根据森林环境资源数据以及森林植被种类数据进行第二生长状态评估,从而获取第二生长状态数据;
具体地,例如结合森林环境资源数据(如土壤水分、气温、光照等)和植被种类数据,利用相关的生长状态评估算法,计算出第二生长状态数据,如生长速率、生长健康状况。
步骤S6:根据第一生长状态数据以及第二生长状态数据进行生长状态监测评估,从而获取森林生长状态监测数据。
具体地,例如将第一生长状态数据和第二生长状态数据进行对比和分析,以监测森林的生长状态变化趋势。根据监测结果,可以获得森林生长状态监测数据,如生长趋势预测、生长异常检测。
本发明通过获取森林资源多模态图像数据并进行图像和资源提取,可以获得丰富的森林植被图像数据和森林环境资源数据。这有助于全面了解森林的状况和特征。通过对森林植被图像数据进行特征提取和利用预设的森林植被识别模型进行识别,可以获取森林植被种类数据。这有助于准确地识别和分类森林中的不同植被类型。基于森林植被特征数据和植被种类数据,进行第一和第二生长状态评估,可以获得森林的生长状态数据。这有助于了解森林的生态环境、生物多样性以及植被的生长状况。通过综合分析第一和第二生长状态数据,进行生长状态监测评估,可以获取森林的生长状态监测数据。这有助于及时掌握森林的健康状况、生态平衡以及潜在的问题。
优选地,森林资源多模态图像数据包括森林资源光学图像数据以及森林资源激光图像数据,步骤S1具体为:
步骤S11:通过激光雷达对森林资源区域进行扫描,从而获取森林资源激光图像数据;
具体地,例如激光雷达系统安装在无人机或地面设备上,对森林资源区域进行扫描。激光雷达发射激光束,通过接收反射回来的激光信号,可以获取地面、植被以及其他物体的高程信息。通过处理激光信号,可以生成森林资源激光图像数据,包括地面高程、植被高度等信息。
步骤S12:利用光学摄像头进行光学图像采集,从而获取森林资源光学图像数据;
具体地,例如使用装载在无人机、卫星或地面设备上的光学摄像头进行森林资源区域的图像采集。光学摄像头可以捕捉可见光谱范围的图像,包括RGB图像或多光谱图像。通过图像采集,可以获取森林资源光学图像数据,用于后续的分析和处理。
步骤S13:对森林资源光学图像数据进行森林资源图像分割,从而获取森林资源分割图像数据;
具体地,例如采用图像分割算法对森林资源光学图像数据进行处理,将图像中的不同对象或区域进行分割和提取。例如,可以利用阈值分割、区域生长、基于边缘的分割等算法对森林图像进行植被与非植被的分割,得到森林资源分割图像数据,标识出植被区域和其他地物的分布情况。
步骤S14:对森林资源激光图像数据进行森林资源提取,从而获取森林环境资源数据;其中森林环境资源数据包括森林土地利用类型数据、森林水体分布数据以及森林道路网络数据。
具体地,例如利用激光图像数据进行森林资源提取。通过处理激光图像数据,可以识别和提取出森林土地利用类型,例如森林覆盖、草地、农田等。此外,通过分析激光图像数据中的高程信息和地形特征,可以提取出森林水体分布数据,包括湖泊、河流、水源等。同时,通过激光图像数据中的道路特征,可以提取出森林道路网络数据,包括道路位置、连接性的信息。
本发明中多模态数据获取:采用激光雷达和光学摄像头获取森林资源的多模态图像数据,包括激光图像和光学图像。通过结合两种不同的数据源,可以获得更全面、多角度的森林资源信息,有助于提高对森林资源的全面理解和分析。通过对光学图像数据进行森林资源图像分割,可以将图像中的森林部分与其他背景进行有效分离。这有助于提取和准确定位森林资源,为后续的分析和提取工作提供准确的数据基础。利用激光图像数据进行森林资源提取,可以获取关于森林环境的具体数据,如森林土地利用类型、森林水体分布和森林道路网络等。这些数据对于森林资源管理和规划具有重要意义,可以支持决策者进行科学决策和制定相应的管理措施。通过步骤S14获取的森林环境资源数据,结合步骤S13中的森林资源分割图像数据和步骤S12中的光学图像数据,可以获得全面的森林资源信息。这些信息可以用于森林资源的评估、监测和管理,为保护和可持续利用森林资源提供科学依据。
优选地,步骤S13具体为:
步骤S131:对森林资源光学图像数据进行森林资源阈值图像分割,从而获取第一森林资源分割图像数据;
具体地,例如使用阈值分割算法,如Otsu算法或基于灰度直方图的自适应阈值算法,对森林资源光学图像进行处理。首先,将图像转换为灰度图像,然后选择适当的阈值来将图像分割为背景和前景(植被)区域。可以根据像素的灰度值与阈值的关系来确定像素的分类。最终得到第一森林资源分割图像数据,其中包含被认为是植被的区域。
步骤S132:对森林资源光学图像数据进行森林资源纹理图像分割,从而获取第二森林资源分割图像数据;
具体地,例如使用纹理分割算法,如基于纹理特征的区域生长算法或基于纹理滤波器的分割方法,对森林资源光学图像进行处理。这些算法可以通过计算图像中不同区域的纹理特征来确定植被和非植被区域。例如,可以使用局部二值模式(Local BinaryPatterns,LBP)或灰度共生矩阵(Gray Level Co-occurrence Matrix,GLCM)来描述图像的纹理特征。根据纹理特征的差异,将图像分割为不同的区域,得到第二森林资源分割图像数据。
步骤S133:对第一森林资源分割图像数据以及第二森林资源分割图像数据进行相近修正处理,从而获取森林资源分割图像数据。
具体地,例如将第一森林资源分割图像数据和第二森林资源分割图像数据进行像素级别的比较和修正。可以根据两个图像的相似性度量(如结构相似性指数,SSIM)或逻辑运算(如交集、并集)来确定像素的最终分类。通过相近修正处理,可以获得更准确的森林资源分割图像数据,其中植被和非植被区域被更精确地区分出来。
本发明中步骤S131和S132使用不同的方法对森林资源光学图像数据进行阈值和纹理分割。通过采用多种分割技术,可以提高森林资源分割的准确性和鲁棒性。这有助于将森林部分从图像中准确地提取出来,并与其他背景进行有效分离。步骤S133将第一森林资源分割图像数据和第二森林资源分割图像数据进行相近修正处理,从而获取更准确的森林资源分割图像数据。这样做可以综合考虑不同分割结果之间的差异,进一步提升分割结果的准确性和一致性。这有助于提取更精确的森林资源信息,为后续的分析和管理提供更可靠的数据基础。通过精确的森林资源分割图像数据,可以对森林资源进行更精细化的管理和监测。例如,可以对森林面积、植被类型和植被分布等进行定量分析,为森林资源保护、规划和管理提供详尽的信息支持。这有助于制定科学的森林保护策略和可持续的资源利用方案。采用图像分割方法可以实现对大量森林资源光学图像数据的自动处理和分析。这提高了处理效率,并减轻了人工处理的负担。通过自动化处理,可以快速地获取森林资源分割图像数据,为大规模的森林资源管理和监测提供了可行的解决方案。
优选地,步骤S2具体为:
步骤S21:对森林植被图像数据进行颜色统计提取,从而获取森林植被颜色特征数据;
具体地,例如对森林植被图像数据进行颜色空间转换,如RGB到HSV或Lab空间,对转换后的图像进行颜色统计,如直方图统计或颜色矩计算。计算植被图像中不同颜色通道的均值、方差、色调分布的特征,从而得到森林植被颜色特征数据。
步骤S22:对森林植被图像数据进行第一纹理特征提取,从而获取第一森林植被纹理特征数据;
具体地,例如使用基于滤波器的纹理特征提取方法,如灰度共生矩阵(GLCM)、小波变换或局部二值模式(LBP)等。这些方法可以计算植被图像中不同区域的纹理特征,如对比度、能量、熵等。通过提取纹理特征,可以表征植被图像中的细节和纹理信息,并得到第一森林植被纹理特征数据。
步骤S23:对森林植被图像数据进行第二纹理特征提取,从而获取第二森林植被纹理特征数据;其中第一纹理特征提取与第二纹理特征提取为采取不同的纹理特征提取方式,森林植被纹理特征数据包括第一森林植被纹理特征数据;
具体地,例如采用另一种不同的纹理特征提取方法,例如基于图像局部方向的纹理特征提取(例如Gabor滤波器)或基于局部二值模式(LBP)的纹理特征提取。这些方法可以计算植被图像的不同纹理特征,如方向性、局部结构。通过第二纹理特征提取,可以获得额外的森林植被纹理特征数据,丰富了对植被图像的描述。
步骤S24:对森林植被图像数据进行降噪处理,从而获取森林植被降噪图像数据;
具体地,例如采用图像降噪算法,如高斯滤波、中值滤波、小波降噪等方法,对森林植被图像数据进行降噪处理。这些算法可以减少图像中的噪声,提高图像质量和准确性。通过降噪处理,可以得到更清晰的森林植被图像数据。
步骤S25:对森林植被降噪图像数据进行二值化处理,从而获取森林植被二值化图像数据;
具体地,例如通过应用二值化算法,如基于阈值的二值化、自适应阈值二值化或基于边缘检测的二值化方法,将森林植被降噪图像数据转换为二值图像。二值化处理可以将图像分割为植被和非植被两个类别,便于后续的形状特征提取和分析。
步骤S26:对森林植被二值化图像数据进行轮廓提取,从而获取森林植被轮廓图像数据;
具体地,例如利用图像处理技术,如边缘检测算法(如Canny边缘检测)或连通组件分析算法,从森林植被二值化图像数据中提取出植被的轮廓。通过检测图像中的边缘或连通区域,可以得到表示植被形状的轮廓信息。
步骤S27:对森林植被轮廓图像数据进行特征优化,从而获取森林植被形状特征数据。
具体地,例如对提取的植被轮廓进行形状特征提取和优化。可以计算轮廓的长度、面积、形状因子等形状特征。此外,还可以采用形状描述子,如傅里叶描述子、尺度不变特征变换(Scale-Invariant Feature Transform,SIFT)的方法,来描述和表征植被的形状特征。通过特征优化,可以得到更准确和有代表性的森林植被形状特征数据。
本发明中步骤S21通过颜色统计提取森林植被的颜色特征数据,步骤S22和S23采用不同的纹理特征提取方式获取森林植被的纹理特征数据。这样的多维度特征提取可以更全面地描述森林植被的特征,包括颜色、纹理的方面的信息。这有助于准确地描述和区分不同类型的森林植被。步骤S24对森林植被图像数据进行降噪处理,步骤S25将降噪后的图像数据进行二值化处理。这些处理步骤有助于去除图像中的噪声和不相关信息,保留植被区域的重要特征。通过二值化处理,可以将植被区域与背景进行明确的分割,为后续的形状特征提取提供清晰的图像基础。步骤S26通过轮廓提取从二值化图像中获取森林植被的轮廓图像数据,步骤S27对轮廓图像进行特征优化,提取森林植被的形状特征数据。通过对植被轮廓进行分析和优化,可以获取关于植被形状的重要信息,如面积、周长、形状指标。这有助于对植被结构和形态进行定量化描述,为植被分类和生长状态评估提供依据。通过综合考虑颜色、纹理和形状特征数据,可以对森林植被进行精确的分类和特征分析。这有助于识别不同类型的植被、监测植被的生长状态和变化,并提供详细的植被特征信息。这些信息对于森林资源管理、生态研究和环境评估等方面具有重要的应用价值。
优选地,步骤S3中的森林植被识别模型的构建步骤包括以下步骤:
步骤S31:获取标准森林植被图像数据集以及对应的植被标注数据;
具体地,例如从现有的森林植被图像数据集中选择合适的图像样本,这些图像应涵盖不同类型的森林植被和场景。同时,为每个图像提供相应的植被标注数据,即将植被区域进行标记或分割,以提供监督学习的训练数据。
步骤S32:根据标准森林植被图像数据集进行图像预处理,从而获取标准森林植被图像预处理数据集;
具体地,例如对标准森林植被图像数据集进行预处理,包括图像去噪、图像增强、颜色校正、尺寸调整的操作。这些预处理操作旨在提升图像质量和减少噪声干扰,使得后续的特征提取和模型训练更加准确和可靠。
步骤S33:对标准森林植被图像预处理数据集进行特征提取并特征选择,从而获取标准森林植被图像特征数据集;
具体地,例如使用计算机视觉或图像处理技术,从标准森林植被图像预处理数据集中提取相关特征。这些特征可以包括颜色特征、纹理特征、形状特征、空间特征等。然后,根据特征的重要性和相关性进行特征选择,排除冗余或不相关的特征,以获得更具代表性和区分度的标准森林植被图像特征数据集。
步骤S34:对标准森林植被图像特征数据集进行复杂度评估,从而获取特征复杂度数据;
具体地,例如根据标准森林植被图像特征数据集的特征向量,评估特征的复杂度。复杂度可以包括特征向量的维度、信息熵、相关性等度量指标。通过复杂度评估,可以获得反映特征集合复杂度的数据。
步骤S35:判断特征复杂度数据是否为第一特征复杂度数据;其中第二特征复杂度数据为不为第一特征复杂度数据的特征复杂度数据;
具体地,例如假设设定第一特征复杂度数据的阈值为0-0.5。如果特征复杂度数据为0.3,则判断为第一特征复杂度数据;如果特征复杂度数据为0.8,则判断为第二特征复杂度数据。
步骤S36:确定特征复杂度数据为第一特征复杂度数据时,则根据标准森林植被图像特征数据集进行第一模型构建,从而构建第一森林植被识别模型;
具体地,例如如果特征复杂度数据满足第一特征复杂度数据的条件,则可以基于标准森林植被图像特征数据集构建第一森林植被识别模型。例如,可以选择支持向量机(Support Vector Machine,SVM)或随机森林(Random Forest)的分类器,利用特征数据集进行训练和模型构建。
步骤S37:确定特征复杂度数据为第二特征复杂度数据时,则根据标准森林植被图像特征数据集进行第二模型构建,从而构建第二森林植被识别模型,其中第一模型构建与第二模型构建采用的模型构建方法不同,第一特征复杂度数据的数值数据小于第二特征复杂度数据的数值数据;
具体地,例如如果特征复杂度数据满足第二特征复杂度数据的条件,则可以基于标准森林植被图像特征数据集构建第二森林植被识别模型。例如,可以采用深度学习模型,如卷积神经网络(Convolutional Neural Network,CNN)或循环神经网络(RecurrentNeural Network,RNN),利用特征数据集进行训练和模型构建。第一模型构建与第二模型构建采用的模型构建方法不同可能是因为第二特征复杂度数据的数值较大,需要更复杂的模型来捕捉更多的特征关系。
其中第一模型构建以及第二模型构建采用森林植被模型评估计算公式进行评估计算,森林植被模型评估计算公式具体为:
;
为森林植被模型评估结果项,/>为第一模型权重系数,/>为召回率,/>为第二模型权重系数,/>为模型常数项,/>为森林植被模型历史准确率契合度,/>为森林植被模型准确率,/>为第三模型权重系数,/>为调整系数,/>为森林植被模型调整项,/>为森林植被模型评估结果项的修正项。
本发明构造了一种森林植被模型评估计算公式,该计算公式考虑多个因素对森林植被模型评估结果的影响。通过将不同参数加权相加,得到森林植被模型评估结果项,从而综合评估模型的性能和准确度。这有助于提供一个全面的评估指标,更好地衡量森林植被模型的表现。公式中的/>、/>和/>分别为第一、第二和第三模型的权重系数。这些权重系数可以根据实际情况进行调节,以便根据不同模型的重要性和贡献度进行加权计算。通过调整权重系数,可以使评估结果更加符合实际需求和应用场景。第一项/>代表了召回率与第一模型权重系数的乘积,这意味着模型的召回率对评估结果有一定的影响。第二项/>表示了第二模型权重系数与模型历史准确率契合度和准确率的乘积的对数,这表明模型的历史准确率和准确率对结果的影响。第三项/>表示了第三模型权重系数与调整项的指数函数的乘积,这说明调整项对结果的影响。最后一项/>为修正项,可以进一步调整和修正评估结果。这些参数之间的相互作用使得公式能够综合考虑不同因素对评估结果的影响,并根据权重系数进行加权计算。
本发明中通过获取标准森林植被图像数据集以及对应的植被标注数据,并根据图像预处理、特征提取和特征选择的步骤,构建森林植被识别模型。这样的步骤序列可以有效提取植被图像的关键特征,并选择最具有代表性的特征,从而提高植被识别的准确性。通过对标准森林植被图像特征数据集进行复杂度评估,判断特征复杂度数据是否为第一特征复杂度数据,从而选择不同的模型构建方法。这样可以针对不同的特征复杂度情况,采用最适合的模型构建方法,提高模型的效果和泛化能力。根据特征复杂度数据的判断结果,构建第一森林植被识别模型和第二森林植被识别模型。采用不同的模型构建方法可以更好地适应特征复杂度的变化,提高模型的灵活性和准确性。通过构建不同的森林植被识别模型,可以更准确地识别和分类不同类型的森林植被。每个模型根据其特定的构建方法和特征复杂度进行优化,以提高模型的性能和识别准确性。这有助于实现对森林植被的精确分类和识别,为森林资源管理和生态研究提供更可靠的支持。
优选地,第一生长状态数据包括植被覆盖度评估数据以及植被指数评估数据,步骤S4具体为:
根据森林植被图像数据以及森林植被种类数据进行植被覆盖度评估,从而获取植被覆盖度评估数据;
具体地,例如根据森林植被图像数据和相应的森林植被种类数据,可以采用以下方法进行植被覆盖度评估:阈值法(Thresholding Method):选择适当的阈值来将图像中的植被与背景进行分割,并计算植被像素与总像素数的比例,作为植被覆盖度的评估指标。指数法(Index Method):根据特定的植被指数计算公式,如归一化植被指数(NormalizedDifference Vegetation Index,NDVI)或绿光植被指数(Green Vegetation Index,GVI),计算图像中的植被指数值,该指数值可用于估计植被覆盖度。机器学习方法:利用已标注的森林植被图像数据集和对应的植被覆盖度标注数据,构建机器学习模型,如支持向量机(Support Vector Machine,SVM)或随机森林(Random Forest),通过训练模型来预测植被覆盖度。
根据森林植被图像数据以及森林植被种类数据进行植被指数评估,从而获取植被指数评估数据。
具体地,例如根据森林植被图像数据和相应的森林植被种类数据,可以采用以下方法进行植被指数评估:归一化植被指数(Normalized Difference Vegetation Index,NDVI):利用红光和近红外光波段的反射率差异计算NDVI指数值,该指数值可以反映植被的繁茂程度和健康状态。植被指数差异法(Vegetation Index Difference Method):计算不同植被指数之间的差异,如NDVI和绿光植被指数(Green Vegetation Index,GVI)之间的差异,以评估植被覆盖度和植被类型。基于光谱曲线拟合的方法:利用多光谱数据和植被光谱响应模型,通过曲线拟合分析来估计植被指数和植被覆盖度。
本发明中通过使用森林植被图像数据和植被种类数据,可以进行植被覆盖度评估。植被覆盖度是指森林地区被植被覆盖的程度,它对森林生态环境的状况和植被生长状态提供了重要的信息。通过评估植被覆盖度,可以了解森林地区的植被分布和密度,从而更好地理解森林生态系统的变化和健康状况。使用森林植被图像数据和植被种类数据进行植被指数评估。植被指数是通过对植被图像数据进行数学计算得出的指标,常用的指数包括归一化植被指数(NDVI)。植被指数可以反映植被的生长状况和健康程度,它与植被的光合作用和叶绿素含量等有关。通过评估植被指数,可以获取关于森林植被的生长状态、叶绿素含量和植被生态系统的活跃程度的信息。
优选地,步骤S5具体为:
对森林植被特征数据以及森林植被种类数据进行关联处理,从而获取森林植被特征种类关联数据;
具体地,例如根据已提取的森林植被特征数据和相应的森林植被种类数据,可以进行关联处理,例如使用特征和种类之间的匹配算法,如KNN(k最近邻)算法或决策树算法,将特征数据与对应的植被种类进行关联,形成森林植被特征种类关联数据。
利用预训练的森林植被种类生长状态评估模型对森林植被特征种类关联数据进行识别评估,从而获取第二生长状态数据。
具体地,例如利用预先训练好的模型,如深度学习模型(如卷积神经网络)或机器学习模型(如支持向量机或随机森林),将森林植被特征种类关联数据输入模型中进行识别评估。模型通过学习已知的植被特征种类关联数据和对应的生长状态标注数据,可以对新的关联数据进行生长状态的识别和评估,从而获取第二生长状态数据,如植被健康状况、生长速度等。
本发明中通过步骤S5中的关联处理,将森林植被特征数据与森林植被种类数据进行关联,从而获取森林植被特征种类关联数据。这种关联数据可以提供更加全面和详细的信息,将不同的植被特征与其对应的植被种类关联起来,有助于更准确地描述森林的生长状态。在步骤S5中,使用预训练的森林植被种类生长状态评估模型对森林植被特征种类关联数据进行识别评估。这意味着该方法利用了预先训练好的模型,通过模型的识别和评估能力来获取第二生长状态数据。预训练模型可以学习和捕捉植被特征与生长状态之间的关系,从而提供有关森林的生长状态信息。
优选地,步骤S6具体为:
步骤S61:对第一生长状态数据以及第二生长状态数据进行筛选分类,从而获取生长状态重合评估数据以及生长状态差异评估数据;
具体地,例如根据第一生长状态数据和第二生长状态数据,可以进行筛选分类,将两个数据集中生长状态重合的区域归类为生长状态重合评估数据,将生长状态不同或存在差异的区域归类为生长状态差异评估数据。这可以通过比较两个数据集中相应像素位置的生长状态值或特征差异来实现。
步骤S62:利用森林植被种类数据以及森林环境资源数据对生长状态重合评估数据进行变化趋势修正,从而获取生长状态修正重合评估数据;
具体地,例如利用森林植被种类数据和森林环境资源数据,可以对生长状态重合评估数据进行修正。例如,结合种类数据和环境资源数据,可以对某些生长状态重合的区域进行修正,以考虑植被种类和环境因素对生长状态的影响。修正后的数据可以提供更准确的生长状态评估结果。
步骤S63:对生长状态修正重合评估数据以及生长状态重合评估数据进行时序合并,从而获取森林生长状态监测数据。
具体地,例如将生长状态修正重合评估数据和生长状态重合评估数据进行时序合并,可以得到森林生长状态监测数据。这可以通过将多个时间点的修正重合评估数据和重合评估数据进行比较和整合来实现,以获得关于森林生长状态随时间变化的信息。如数据比较:对于每个时间点,将相应的修正重合评估数据和重合评估数据进行比较。可以计算它们之间的差异或相似性度量,以获得生长状态的变化信息。比较的方法可以根据具体情况选择,例如计算差异指标、相似性指数或相关性指标。数据整合:根据数据比较的结果,将多个时间点的修正重合评估数据和重合评估数据进行整合。可以采用加权平均、插值或融合等技术来生成单个生长状态监测数据。整合过程可以考虑每个时间点的数据质量、权重或重要性,以及生长状态的变化趋势。
本发明中通过步骤S6中的筛选分类,将第一生长状态数据和第二生长状态数据进行比较和分析,得到生长状态重合评估数据和生长状态差异评估数据。这些数据可以反映森林生长状态的一致性和变化程度,帮助判断不同区域或时间段内的生长状态是否相似或存在差异。在步骤S6中,利用森林植被种类数据以及森林环境资源数据对生长状态重合评估数据进行变化趋势修正,得到生长状态修正重合评估数据。这一步骤考虑了植被种类和环境因素对生长状态的影响,通过修正可以更准确地评估森林生长状态的重合程度。通过步骤S6中的时序合并,将生长状态修正重合评估数据和生长状态重合评估数据进行合并,得到森林生长状态监测数据。这些数据可以用于跟踪森林生长状态的变化趋势,了解森林的生长情况以及可能存在的问题或趋势,从而进行森林资源管理和生态保护决策。
优选地,变化趋势修正通过变化趋势修正计算公式进行变化趋势修正,其中变化趋势修正计算公式具体为:
;
为生长状态修正重合评估数据,/>为积分上限,/>为积分下限,/>为第一权重项,/>为森林植被种类历史变化项,/>为时间变量,/>为第二权重项,/>为森林环境资源影响程度项,/>为第三权重项,/>为调整项,/>为修正系数,/>为误差修正项。
本发明构造了一种变化趋势修正计算公式,该计算公式调整参数的取值和权重的大小,可以对生长状态修正进行精确控制,以更准确地反映森林植被的生长状态。公式中的积分操作可以综合考虑一定时间范围内的变化趋势,从而对修正结果进行综合评估。修正系数和误差修正项/>可以对修正结果进行微调和纠正,以提高修正结果的准确性和可靠性。通过权衡和综合考虑森林植被种类历史变化、环境资源影响程度、调整因素和误差修正项,对生长状态修正重合评估数据进行修正,以更准确地反映森林植被的实际生长状态。这有助于提高森林生态系统监测和评估的准确性,并为森林资源管理和决策提供可靠的数据支持。积分上限/>以及积分下限/>表示为时间变量t的积分范围。第一权重项/>、第二权重项/>以及第三权重项/>用于调整各项对生长状态修正的贡献程度。这些权重项可以根据实际情况进行设定,以适应不同因素的影响。通过积分计算在该时间范围内的变化趋势修正。森林植被种类历史变化项/>表示森林植被种类随时间的变化情况,对生长状态修正起到影响作用。森林环境资源影响程度项/>表示森林环境资源对生长状态的影响程度,可以是环境因素如水源、气候的指标。调整项/>用于对生长状态修正进行调整,根据需要可以考虑额外的调整因素。
优选地,本发明还提供了一种森林资源信息的管理系统,包括:
森林资源多模态图像数据处理模块,用于获取森林资源多模态图像数据;对森林资源多模态图像数据进行森林图像提取以及森林资源提取,从而分别获取森林植被图像数据与森林环境资源数据;
森林植被图像数据特征提取模块,用于对森林植被图像数据进行特征提取,从而获取森林植被特征数据;其中森林植被特征数据包括森林植被颜色特征数据、森林植被纹理特征数据以及森林植被形状特征数据;
森林植被特征数据识别模块,用于利用预设的森林植被识别模型对森林植被特征数据进行识别,从而获得森林植被种类数据;
第一生长状态数据处理模块,用于根据森林植被特征数据以及森林植被种类数据进行第一生长状态评估,从而获取第一生长状态数据;
第二生长状态评估处理模块,根据森林环境资源数据以及森林植被种类数据进行第二生长状态评估,从而获取第二生长状态数据;
森林生长状态监测数据处理模块,根据第一生长状态数据以及第二生长状态数据进行生长状态监测评估,从而获取森林生长状态监测数据。
本发明的有益效果在于:通过获取森林资源的多模态图像数据,可以获取到丰富的信息,包括森林植被图像数据和森林环境资源数据,从而提供了全面的森林资源信息基础。通过对森林资源多模态图像数据进行森林图像提取和森林资源提取,可以从原始数据中提取出与森林相关的有效信息,为后续处理和分析提供准确的数据基础。利用森林植被图像数据进行特征提取,包括颜色特征、纹理特征和形状特征,可以从视觉特征上描述森林植被的属性和特性,为后续的识别和评估提供重要依据。通过预设的森林植被识别模型对森林植被特征数据进行识别,可以准确地识别出森林植被的种类,为后续的生长状态评估和监测提供基础数据。通过对森林植被特征数据、环境资源数据和植被种类数据的综合分析,可以进行第一生长状态评估和第二生长状态评估,获得关于森林植被的生长状态数据。结合生长状态监测评估,可以实时监测森林的生长状态变化,为森林资源管理和决策提供重要参考。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附申请文件而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种森林资源信息的管理方法,其特征在于,包括以下步骤:
步骤S1:获取森林资源多模态图像数据;对森林资源多模态图像数据进行森林图像提取以及森林资源提取,从而分别获取森林植被图像数据与森林环境资源数据;
步骤S2:对森林植被图像数据进行特征提取,从而获取森林植被特征数据;其中森林植被特征数据包括森林植被颜色特征数据、森林植被纹理特征数据以及森林植被形状特征数据;
步骤S3:利用预设的森林植被识别模型对森林植被特征数据进行识别,从而获得森林植被种类数据;步骤S3中的森林植被识别模型的构建步骤包括以下步骤:
获取标准森林植被图像数据集以及对应的植被标注数据;
根据标准森林植被图像数据集进行图像预处理,从而获取标准森林植被图像预处理数据集;
对标准森林植被图像预处理数据集进行特征提取并特征选择,从而获取标准森林植被图像特征数据集;
对标准森林植被图像特征数据集进行复杂度评估,从而获取特征复杂度数据;
判断特征复杂度数据是否为第一特征复杂度数据;其中第二特征复杂度数据为不为第一特征复杂度数据的特征复杂度数据;
确定特征复杂度数据为第一特征复杂度数据时,则根据标准森林植被图像特征数据集进行第一模型构建,从而构建第一森林植被识别模型;
确定特征复杂度数据为第二特征复杂度数据时,则根据标准森林植被图像特征数据集进行第二模型构建,从而构建第二森林植被识别模型,其中第一模型构建与第二模型构建采用的模型构建方法不同,第一特征复杂度数据的数值数据小于第二特征复杂度数据的数值数据;
其中第一模型构建以及第二模型构建采用森林植被模型评估计算公式进行评估计算,森林植被模型评估计算公式具体为:
;
为森林植被模型评估结果项,/>为第一模型权重系数,/>为召回率,/>为第二模型权重系数,/>为模型常数项,/>为森林植被模型历史准确率契合度,/>为森林植被模型准确率,/>为第三模型权重系数,/>为调整系数,/>为森林植被模型调整项,/>为森林植被模型评估结果项的修正项;
步骤S4:根据森林植被特征数据以及森林植被种类数据进行第一生长状态评估,从而获取第一生长状态数据;
步骤S5:根据森林环境资源数据以及森林植被种类数据进行第二生长状态评估,从而获取第二生长状态数据;
步骤S6,包括:
对第一生长状态数据以及第二生长状态数据进行筛选分类,从而获取生长状态重合评估数据以及生长状态差异评估数据;
利用森林植被种类数据以及森林环境资源数据对生长状态重合评估数据进行变化趋势修正,从而获取生长状态修正重合评估数据;
对生长状态修正重合评估数据以及生长状态重合评估数据进行时序合并,从而获取森林生长状态监测数据,变化趋势修正通过变化趋势修正计算公式进行变化趋势修正,其中变化趋势修正计算公式具体为:
;
为生长状态修正重合评估数据,/>为积分上限,/>为积分下限,/>为第一权重项,为森林植被种类历史变化项,/>为时间变量,/>为第二权重项,/>为森林环境资源影响程度项,/>为第三权重项,/>为调整项,/>为修正系数,/>为误差修正项。
2.根据权利要求1所述的方法,其特征在于,森林资源多模态图像数据包括森林资源光学图像数据以及森林资源激光图像数据,步骤S1具体为:
步骤S11:通过激光雷达对森林资源区域进行扫描,从而获取森林资源激光图像数据;
步骤S12:利用光学摄像头进行光学图像采集,从而获取森林资源光学图像数据;
步骤S13:对森林资源光学图像数据进行森林资源图像分割,从而获取森林资源分割图像数据;
步骤S14:对森林资源激光图像数据进行森林资源提取,从而获取森林环境资源数据;其中森林环境资源数据包括森林土地利用类型数据、森林水体分布数据以及森林道路网络数据。
3.根据权利要求1所述的方法,其特征在于,步骤S13具体为:
对森林资源光学图像数据进行森林资源阈值图像分割,从而获取第一森林资源分割图像数据;
对森林资源光学图像数据进行森林资源纹理图像分割,从而获取第二森林资源分割图像数据;
对第一森林资源分割图像数据以及第二森林资源分割图像数据进行相近修正处理,从而获取森林资源分割图像数据。
4.根据权利要求1所述的方法,其特征在于,步骤S2具体为:
对森林植被图像数据进行颜色统计提取,从而获取森林植被颜色特征数据;
对森林植被图像数据进行第一纹理特征提取,从而获取第一森林植被纹理特征数据;
对森林植被图像数据进行第二纹理特征提取,从而获取第二森林植被纹理特征数据;其中第一纹理特征提取与第二纹理特征提取为采取不同的纹理特征提取方式,森林植被纹理特征数据包括第一森林植被纹理特征数据;
对森林植被图像数据进行降噪处理,从而获取森林植被降噪图像数据;
对森林植被降噪图像数据进行二值化处理,从而获取森林植被二值化图像数据;
对森林植被二值化图像数据进行轮廓提取,从而获取森林植被轮廓图像数据;
对森林植被轮廓图像数据进行特征优化,从而获取森林植被形状特征数据。
5.根据权利要求1所述的方法,其特征在于,第一生长状态数据包括植被覆盖度评估数据以及植被指数评估数据,步骤S4具体为:
根据森林植被图像数据以及森林植被种类数据进行植被覆盖度评估,从而获取植被覆盖度评估数据;
根据森林植被图像数据以及森林植被种类数据进行植被指数评估,从而获取植被指数评估数据。
6.根据权利要求1所述的方法,其特征在于,步骤S5具体为:
对森林植被特征数据以及森林植被种类数据进行关联处理,从而获取森林植被特征种类关联数据;
利用预训练的森林植被种类生长状态评估模型对森林植被特征种类关联数据进行识别评估,从而获取第二生长状态数据。
7.一种森林资源信息的管理系统,其特征在于,用于执行如权利要求1所述的森林资源信息的管理方法,所述森林资源信息的管理系统包括:
森林资源多模态图像数据处理模块,用于获取森林资源多模态图像数据;对森林资源多模态图像数据进行森林图像提取以及森林资源提取,从而分别获取森林植被图像数据与森林环境资源数据;
森林植被图像数据特征提取模块,用于对森林植被图像数据进行特征提取,从而获取森林植被特征数据;其中森林植被特征数据包括森林植被颜色特征数据、森林植被纹理特征数据以及森林植被形状特征数据;
森林植被特征数据识别模块,用于利用预设的森林植被识别模型对森林植被特征数据进行识别,从而获得森林植被种类数据;
第一生长状态数据处理模块,用于根据森林植被特征数据以及森林植被种类数据进行第一生长状态评估,从而获取第一生长状态数据;
第二生长状态评估处理模块,根据森林环境资源数据以及森林植被种类数据进行第二生长状态评估,从而获取第二生长状态数据;
森林生长状态监测数据处理模块,根据第一生长状态数据以及第二生长状态数据进行生长状态监测评估,从而获取森林生长状态监测数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310816233.8A CN116523352B (zh) | 2023-07-05 | 2023-07-05 | 一种森林资源信息的管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310816233.8A CN116523352B (zh) | 2023-07-05 | 2023-07-05 | 一种森林资源信息的管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116523352A CN116523352A (zh) | 2023-08-01 |
CN116523352B true CN116523352B (zh) | 2023-09-22 |
Family
ID=87390767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310816233.8A Active CN116523352B (zh) | 2023-07-05 | 2023-07-05 | 一种森林资源信息的管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116523352B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020649A (zh) * | 2013-01-16 | 2013-04-03 | 东北林业大学 | 一种基于纹理信息的森林类型识别方法 |
CN104851087A (zh) * | 2015-04-17 | 2015-08-19 | 华中农业大学 | 多尺度森林动态变化监测方法 |
CN112434617A (zh) * | 2020-11-26 | 2021-03-02 | 南京观微空间科技有限公司 | 一种基于多源遥感数据的森林生物量变化监测方法及系统 |
CN112668400A (zh) * | 2020-12-08 | 2021-04-16 | 深圳先进技术研究院 | 一种植被识别方法及应用 |
CN113156394A (zh) * | 2021-03-31 | 2021-07-23 | 国家林业和草原局华东调查规划设计院 | 基于激光雷达的森林资源监测方法、装置和存储介质 |
CN113343808A (zh) * | 2021-05-27 | 2021-09-03 | 海南省林业科学研究院(海南省红树林研究院) | 一种基于卫星遥感技术的热带森林资源测量方法 |
WO2021223607A1 (zh) * | 2020-05-07 | 2021-11-11 | 杭州睿琪软件有限公司 | 植物状态评估方法、系统及计算机可读存储介质 |
WO2021255458A1 (en) * | 2020-06-16 | 2021-12-23 | Dark Horse Technologies Ltd | System and method for crop monitoring |
CN114868504A (zh) * | 2022-04-21 | 2022-08-09 | 河南省景观规划设计研究院有限公司 | 一种园林植物的生长状态监测方法及装置 |
CN115453555A (zh) * | 2022-09-19 | 2022-12-09 | 中国科学院植物研究所 | 一种草地生产力的无人机快速监测方法及系统 |
CN115661641A (zh) * | 2022-10-19 | 2023-01-31 | 青岛农业大学 | 一种基于多源无人机遥感评估不同生长阶段茶园重要表型参数的方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11263707B2 (en) * | 2017-08-08 | 2022-03-01 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
-
2023
- 2023-07-05 CN CN202310816233.8A patent/CN116523352B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020649A (zh) * | 2013-01-16 | 2013-04-03 | 东北林业大学 | 一种基于纹理信息的森林类型识别方法 |
CN104851087A (zh) * | 2015-04-17 | 2015-08-19 | 华中农业大学 | 多尺度森林动态变化监测方法 |
WO2021223607A1 (zh) * | 2020-05-07 | 2021-11-11 | 杭州睿琪软件有限公司 | 植物状态评估方法、系统及计算机可读存储介质 |
WO2021255458A1 (en) * | 2020-06-16 | 2021-12-23 | Dark Horse Technologies Ltd | System and method for crop monitoring |
CN112434617A (zh) * | 2020-11-26 | 2021-03-02 | 南京观微空间科技有限公司 | 一种基于多源遥感数据的森林生物量变化监测方法及系统 |
CN112668400A (zh) * | 2020-12-08 | 2021-04-16 | 深圳先进技术研究院 | 一种植被识别方法及应用 |
CN113156394A (zh) * | 2021-03-31 | 2021-07-23 | 国家林业和草原局华东调查规划设计院 | 基于激光雷达的森林资源监测方法、装置和存储介质 |
CN113343808A (zh) * | 2021-05-27 | 2021-09-03 | 海南省林业科学研究院(海南省红树林研究院) | 一种基于卫星遥感技术的热带森林资源测量方法 |
CN114868504A (zh) * | 2022-04-21 | 2022-08-09 | 河南省景观规划设计研究院有限公司 | 一种园林植物的生长状态监测方法及装置 |
CN115453555A (zh) * | 2022-09-19 | 2022-12-09 | 中国科学院植物研究所 | 一种草地生产力的无人机快速监测方法及系统 |
CN115661641A (zh) * | 2022-10-19 | 2023-01-31 | 青岛农业大学 | 一种基于多源无人机遥感评估不同生长阶段茶园重要表型参数的方法及系统 |
Non-Patent Citations (1)
Title |
---|
利用随机森林和纹理特征的森林类型识别;吕杰;郝宁燕;李崇贵;史晓亮;李宗泽;;遥感信息(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116523352A (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chouhan et al. | Applications of computer vision in plant pathology: a survey | |
Pérez-Zavala et al. | A pattern recognition strategy for visual grape bunch detection in vineyards | |
Dhingra et al. | Study of digital image processing techniques for leaf disease detection and classification | |
Mizushima et al. | An image segmentation method for apple sorting and grading using support vector machine and Otsu’s method | |
Sadeghi-Tehran et al. | Multi-feature machine learning model for automatic segmentation of green fractional vegetation cover for high-throughput field phenotyping | |
Castillo-Martínez et al. | Color index based thresholding method for background and foreground segmentation of plant images | |
US7983486B2 (en) | Method and apparatus for automatic image categorization using image texture | |
US7136524B1 (en) | Robust perceptual color identification | |
Bhargava et al. | Quality evaluation of Mono & bi-Colored Apples with computer vision and multispectral imaging | |
Kumari et al. | Hybridized approach of image segmentation in classification of fruit mango using BPNN and discriminant analyzer | |
Sharmin et al. | Machine vision based local fish recognition | |
US20120213440A1 (en) | Systems and Methods for Automatically Identifying Shadows in Images | |
Zhu et al. | Support vector machine and YOLO for a mobile food grading system | |
Zhang et al. | Density Weighted Connectivity of Grass Pixels in image frames for biomass estimation | |
Janani et al. | Detection and classification of groundnut leaf nutrient level extraction in RGB images | |
Dange et al. | Grape vision: a CNN-based system for yield component analysis of grape clusters | |
Kumar et al. | A novel hybrid segmentation technique for identification of wheat rust diseases | |
Bhadur et al. | Agricultural crops disease identification and classification through leaf images using machine learning and deep learning technique: a review | |
Yang et al. | Rapid image detection and recognition of rice false smut based on mobile smart devices with anti-light features from cloud database | |
CN116523352B (zh) | 一种森林资源信息的管理方法及系统 | |
Akther et al. | Transfer learning on VGG16 for the classification of potato leaves infected by blight diseases | |
CN112686222B (zh) | 星载可见光探测器对船舶目标检测的方法和系统 | |
Zakiyyah et al. | Characterization and Classification of Citrus reticulata var. Keprok Batu 55 Using Image Processing and Artificial Intelligence | |
Lu et al. | Feature-set characterization for target detection based on artificial color contrast and principal component analysis with robotic tealeaf harvesting applications | |
Septiarini et al. | Image processing for maturity classification of tomato using otsu and manhattan distance methods. |
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 |