CN113591946A - 一种凤眼蓝生物量监测平台 - Google Patents
一种凤眼蓝生物量监测平台 Download PDFInfo
- Publication number
- CN113591946A CN113591946A CN202110803560.0A CN202110803560A CN113591946A CN 113591946 A CN113591946 A CN 113591946A CN 202110803560 A CN202110803560 A CN 202110803560A CN 113591946 A CN113591946 A CN 113591946A
- Authority
- CN
- China
- Prior art keywords
- model
- module
- phoenix
- blue
- biomass
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种凤眼蓝生物量监测平台,属于水生生物量技术领域。通过在无人机上安装影像传感器,再将影像传感器与数据分析***数据连接,当影像传感器拍摄图片之后,将图片数据传输给数据分析***,数据分析***内分别设有机器学习模块、特征识别模块和风险评估模块,机器学习模块用于用于凤眼蓝的分类和识别,特征识别模块用于识别凤眼蓝的颜色特征,风险评估模块用于建立适应本区域的外来植物入侵性风险评估,通过三个不同的模块估算出凤眼蓝的生物量,无需人工观察或者人工计数,且效率高,便于为后续对凤眼蓝的清理的工作提供有力的参考数据。
Description
技术领域
本发明涉及水生生物监测技术领域,尤其涉及一种凤眼蓝生物量监测平台。
背景技术
凤眼蓝于2003年被国家列为第一批外来入侵物种名单,30年代作为畜禽饲料引入中国内地各省并推广种植,后逃逸为野生植物。由于凤眼蓝繁殖速度极快,已广泛分布于华北、华东、华中、华南和西南的19个省市,尤以云南、江苏、浙江、福建等省的入侵最为严重,给当地环境带来了极大的威胁。国内外专家学者对凤眼蓝的入侵做了大量的研究,现有的凤眼蓝的防治方法包括机械方法、化学方法和生物防治等。由于凤眼蓝超强的适生和繁殖能力,一旦形成入侵规模,就非常难以根除。因此,对凤眼蓝进行生物量的监测,是防止凤眼蓝爆发前的一个有效的防治手段。
目前,现有技术用传统图像处理的方法对凤眼蓝进行特征提取,以达到识别凤眼蓝生物量的目的,但缺少基于多目标检测的凤眼蓝的图像识别,导致识别不精确,不能满足对凤眼蓝生物量的监测要求。
发明内容
本发明的目的在于提供一种凤眼蓝生物量监测平台。根据本发明的凤眼蓝生物量监测平台,通过对凤眼蓝进行基于多目标检测图像识别,能准确的识别凤眼蓝的生物量,为后续的清理和研究提供便利,本发明采用的技术方案如下:
根据本发明的一个方面,提供了一种凤眼蓝生物量监测平台,凤眼蓝生物量监测平台包括无人机、影像传感器和数据分析***,所述影像传感器安装在所述无人机上,所述影像传感器与所述数据分析***数据连接,所述数据分析***包括机器学习模块、特征识别模块和风险评估模块;
所述机器学习模块用于用于凤眼蓝的分类和识别;
所述特征识别模块用于识别凤眼蓝的颜色特征;
所述风险评估模块用于建立适应本区域的外来植物入侵性风险评估。
优选的,所述特征识别模块包括RGB色彩空间模型,所述RGB色彩空间模型为:F=r[R]+r[G]+r[B]。
优选的,所述风险评估模块包括模糊层次分析模型和生物量估算模型,所述模糊层次分析模型用于构建模糊互补矩阵和模糊一致判断矩阵,并研究模糊关系,所述生物量估算模型用于计算监测区域凤眼蓝的生物量。
优选的,所述数据分析***还包括多目标检测模块,所述多目标检测模块包括YOLO-v4-tiny模型,所述YOLO-v4-tiny模型用于对凤眼蓝进行识别。
本发明采用的上述技术方案,具有如下显著效果:
(1)本发明通过在无人机上安装影像传感器,再将影像传感器与数据分析***数据连接,当影像传感器拍摄图片之后,将图片数据传输给数据分析***,数据分析***内分别设有机器学习模块、特征识别模块和风险评估模块,机器学习模块用于用于凤眼蓝的分类和识别,特征识别模块用于识别凤眼蓝的颜色特征,风险评估模块用于建立适应本区域的外来植物入侵性风险评估,通过三个不同的模块估算出凤眼蓝的生物量,无需人工观察或者人工计数,且效率高,便于为后续对凤眼蓝的清理的工作提供有力的参考数据。
(2)机器学习模块设有聚类分析单元,通过聚类分析单元的K-means模型,对图片表面具有相似值的像素进行分割,并应用机器学习算法进行评估,通过实践显示出了良好的性能,可以很好地应用于图像的分割和识别中,识别精度高、识别效率高。
(3)由于高空拍摄的纹理、形状、空间关系等特征信息不突出,不适合作为凤眼蓝的识别特征,本发明的特征识别模块内设有RGB色彩空间模型,通过采用RGB色彩空间模型对凤眼蓝的叶片颜色作为区分其他水生植物的特征,因此,应用色彩空间模型更利于识别出凤眼蓝,提高识别精度和准确度。
(4)风险评估模块内设有模糊层次分析模型和生物量估算模型,通过模糊层次分析模型构建模糊互补矩阵和模糊一致判断矩阵,研究模糊关系,经过生物量估算模型估算出监测区域凤眼蓝的生物量,便于后续对凤眼蓝的评估和清理。
(5)通过多目标检测模块中的YOLO-v4-tiny模型对凤眼蓝进行识别,为后期对凤眼蓝清理提供准确的数据定位,避免在进行凤眼蓝清除时,误切割水域内其他无害水生植物或者景观水生植物,且识别精度高,识别速度快。
附图说明
图1是本发明的结构示意图;
图2是本发明的K-means模型执行示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下参照附图并举出优选实施例,对本发明进一步详细说明。然而,需要说明的是,说明书中列出的许多细节仅仅是为了使读者对本发明的一个或多个方面有一个透彻的理解,即便没有这些特定的细节也可以实现本发明的这些方面。
如图1所示,根据本发明的一种凤眼蓝生物量监测平台,凤眼蓝生物量监测平台包括无人机、影像传感器和数据分析***,影像传感器安装在无人机上,影像传感器与数据分析***数据连接,使用无人机进行了目标清理水域的高空图像采集工作,并影像传感器对搜集到的图像信息发送至数据分析***,通过数据分析***进行图像识别,提取出凤眼蓝图像,数据分析***包括机器学习模块、特征识别模块和风险评估模块。
机器学***方和准则JK。
为了使聚类结果优化,应该使准则JK最小化,步骤如下:
1)给出n个混合样本,令I=1,表示迭代次数,选取K个初始聚合中心Zj(I),j=1,2,…,k;
4)判断:若Zj(I+1)≠Zj(I)(j=1,2,…,k),则返回步骤2);否则,步骤结束。以上步骤执行过程如图2所示。
基于图像分析,凤眼蓝的叶片颜色可作为区分其他水生植物的特征,相比于颜色特征,高空拍摄的纹理、形状、空间关系等特征信息不突出,不适合作为凤眼蓝的识别特征。因此,针对凤眼蓝的颜色特征,主要应用RGB色彩空间模型,色彩空间实际上由颜色模型(Acolor model)和映射函数(A mapping function)构成,RGB色彩空间模型编码由三部分组成:红色R(Red)、绿色G(Green)和蓝色B(Blue)。可见的颜色可以通过添加不同强度的红色、绿色和蓝色来再现:F=r[R]+r[G]+r[B],产生丰富广泛的颜色。
通过基于无监督机器学习的K-means模型和色彩空间模型融合,在实际应用中解决了更多的问题,相对于独立使用两种模型,融合后的模型更具有潜力和价值。
在河道上进行实验,拍摄地点为广西壮族自治区南宁市邕宁区八尺江河道,在高于水面约30m处的河道航拍,在RGB色彩空间下的图像中采集,随机抽取凤眼蓝图片数据集中的10个图像的部分凤眼蓝共计100个像素点对应的R、G、B三通道值,进行数值分析计算。
表1
基于K-means模型对整个监测区域图像分割结果,应用表1中在RGB色彩空间模型下设定的识别阈值,即凤眼蓝在R、G、B三个通道的平均值±2*标准差,R=129-65,G=176-112,B=99-44确定K-means-RGB模型。对凤眼蓝图像进行识别。
风险评估模块包括模糊层次分析模型和生物量估算模型,模糊层次分析模型用于构建模糊互补矩阵和模糊一致判断矩阵,并研究模糊关系,模糊层次分析模型可以将定性评价转化为定量评价,在生态风险评估中,往往存在一些不确定因素导致评估结果的失真,模糊理论可以提高评价结果的可靠性。模糊评价主要根据模糊数学隶属度理论,应用模糊关系合成的原理,通过多个***的、全面的指标对评价目标进行科学的、综合的评判。层次分析模型是将决策总是有关的元素分解成目标、准则、方案等层次,在此基础之上进行定性和定量分析。层次分析模型的特点是在对复杂的决策问题的本质、影响因素及其内在关系等进行深入分析的基础上,利用较少的定量信息使决策的思维过程数学化,从而为多目标、多准则或无结构特性的复杂决策问题提供简便的决策方法。尤其适合于对决策结果难于直接准确计量的场合。层次分析模型作为一个确定诸多指标在评价中权重的模型,其自身具有很多劣势,而这种劣势中非常重要的一点在于AHP检验判断矩阵是否一致时比较困难,一旦某层次的指标较多时,评判者就很难确定相互之间的权重关系以保证思维的一致性,这些主观不确定性就容易导致整个***的一致性较差,无法达到预期的评价效果。
因此,基于以上缺陷模糊层次分析模型(FAHP)的设计者从判断矩阵出发,对原本的层次分析法进行修改,在模糊层次分析模型中,不再采用三角模糊数,即不通过倍数关系来比较两两元素间的重要性,而是通过使被比较的两元素重要性之和为1,且根据影响程度分配值的方式来实现不同指标间重要性的比较。模糊层次分析模型为量化评价指标、选择最优方案提供了依据。模糊层次分析模型的关键在于模糊关系的研究、模糊互补矩阵的构建和模糊一致判断矩阵的构建,其具体方法如下:
①对被评价的对象做详细研究,筛选出决定被评价对象的各项指标,并按指标的包含关系等要素将指标分为目标层、准则层和措施层,明确准则层与目标层之间的包含关系;
表2
②在每一层内部比较两两元素之间的权重关系,采用0.1-0.9的标度方式(如表2所示)确定两两元素之间的关系。
③根据上一步得到的权重关系,建立模糊互补矩阵。
模糊互补矩阵:
上式的是一个由四个指标组成的判断层所获得的模糊互补矩阵,每一个元素r,代表着第i个元素与第j个元素相比,其重要性关系如何。由此,可以得到每一对对应的元素(左下与右上的关系)其重要性之和都为1。
④将模糊互补矩阵调整为模糊一致矩阵。在上一步得到的模糊互补矩阵并非严格意义上的1-9标度互反矩阵,还需要进行一次一致性转换。
⑤在一致性判断矩阵的基础上,通过公式获得各项指标的权重,并对权重进行进一步的排序,从而得到各项指标的重要性关系。
结合不同环境条件下对凤眼蓝上部生物积累量与其附主植物的数值关系,并结合凤眼蓝覆盖面积、花序数,总花数等数量关系来进行计算,
表3
表3是根据20个0.25m2的样地计算得出的干重重量,结合监测区域的面积以及监测区域图像的像素,确定了监测区域图像单位像素点的面积、单位像素点对应的凤眼蓝花生物量和总生物量。
表4
如表4所示,基于表4监测区域单位像素对应的凤眼蓝生物量,并结合对凤眼蓝识别结果的像素点数量的计算,即可实现监测区域凤眼蓝生物量的计算。
数据分析***还包括多目标检测模块,多目标检测模块包括YOLO-v4-tiny模型,YOLO-v4-tiny采用CSPdarknet53_tiny作为主干特征提取网络,共五个残差模块。最后三个残差模块的输出会输入到特征金字塔结构中,YOLO-v4-tiny的特征金字塔部分采用了PANet结构对特征层进行了特征融合。经过特征融合后,输出的三种特征层尺寸分别为原输入尺寸的1/8,1/16和1/32,相当于将图片划分成尺寸为S×S网格。在每个单元格中,都有三个不同尺寸的先验框。最后通过预测值来对先验框进行调整来得到边界框(boundingbox)。
多目标检测模型构建将遵循以下步骤:
1、搜集凤眼蓝及其它水生植物数据集:选取凤眼蓝(Eichhornia crassipes)、大薸(Pistia stratiotes)、王莲(Victoria amazonica)、芡实(Gorgon fruit)、莲(Lotus)、睡莲(Water lily)、花蔺(Butomus umbellatus)、花叶芦竹(Mosaic bamboo reed)华夏慈姑(Sagittaria)、芦苇(Reed)这10种常见水生植物作为识别目标,这10种常见水生植物中包含了挺水植物,浮叶植物,漂浮植物三种类型,这三种类型的植物皆可以在水面上被观测到。其中,凤眼蓝与大薸均可以当作清除对象,在确定好选取的常见10种水生植物后,搜集并整理了这10类水生植物的图像数据集,其图片数量为:凤眼蓝与船的数量分别为400张与318张,其余9钟水生植物的图像数量均为200张。
2、图像的标签化处理:由于一张图片中可能包含多个物体,这其中可能包含目标物体与非目标物体,所以要将目标物体标记并命名才能够进行正确的训练。使用多目标检测的标注工具LabelImg对图片进行标注,最终将每张图片标注的结果将保存在xml文件中,xml文件和图片名称一致,记录着图片名称,标注的对象类别,像素坐标等信息,其中标注的类别、坐标与长度宽度是重要信息。
3、YOLO-v4网络构建:YOLO-v4-tiny网络在PyTorch深度学习框架下进行搭建,输入数据结构为608×608DPI,利用主干特征提取网络,可以获得两个shape的有效特征层,即CSPdarknet53_tiny最后两个shape的有效特征层,传入加强特征提取网络当中进行FPN的构建。
4、模型训练:将步骤2中获得的标签文件与训练数据集导入至YOLO-v4-tiny网络中,经过400次的训练世代获取最后的权重文件,将权重文件(.PTH)导入YOLO-v4-Tiny模型即可完成预测。在训练过程中由两个指标训练误差(Train loss)与验证误差(Validationloss)能反映出训练过程的好坏,训练误差是指训练集在模型中的预测结果与真实结果的误差,衡量模型在训练集上的拟合能力。验证误差是指验证集在模型中的预测结果与真实结果的误差,衡量的是在未见过数据上的拟合能力,或者泛化能力,定性评估训练效果,Train loss与Validation loss都在下降,说明网络仍在学习,正确拟合模型。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种凤眼蓝生物量监测平台,其特征在于:包括无人机、影像传感器和数据分析***,所述影像传感器安装在所述无人机上,所述影像传感器与所述数据分析***数据连接,所述数据分析***包括机器学习模块、特征识别模块和风险评估模块;
所述机器学习模块用于用于凤眼蓝的分类和识别;
所述特征识别模块用于识别凤眼蓝的颜色特征;
所述风险评估模块用于建立适应本区域的外来植物入侵性风险评估。
3.根据权利要求1所述的一种凤眼蓝生物量监测平台,其特征在于:所述特征识别模块包括RGB色彩空间模型,所述RGB色彩空间模型为:F=r[R]+r[G]+r[B]。
4.根据权利要求1所述的一种凤眼蓝生物量监测平台,其特征在于:所述风险评估模块包括模糊层次分析模型和生物量估算模型,所述模糊层次分析模型用于构建模糊互补矩阵和模糊一致判断矩阵,并研究模糊关系,所述生物量估算模型用于计算监测区域凤眼蓝的生物量。
5.根据权利要求1所述的一种凤眼蓝生物量监测平台,其特征在于:所述数据分析***还包括多目标检测模块,所述多目标检测模块包括YOLO-v4-tiny模型,所述YOLO-v4-tiny模型用于对凤眼蓝进行识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110803560.0A CN113591946A (zh) | 2021-07-15 | 2021-07-15 | 一种凤眼蓝生物量监测平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110803560.0A CN113591946A (zh) | 2021-07-15 | 2021-07-15 | 一种凤眼蓝生物量监测平台 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113591946A true CN113591946A (zh) | 2021-11-02 |
Family
ID=78247672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110803560.0A Pending CN113591946A (zh) | 2021-07-15 | 2021-07-15 | 一种凤眼蓝生物量监测平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113591946A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101814063A (zh) * | 2010-05-24 | 2010-08-25 | 天津大学 | 基于距离权重的全局k-均值聚类算法 |
CN108020211A (zh) * | 2017-12-01 | 2018-05-11 | 云南大学 | 一种无人机航空摄影估测入侵植物生物量的方法 |
CN111163628A (zh) * | 2017-05-09 | 2020-05-15 | 蓝河技术有限公司 | 使用图像数据的自动植物检测 |
-
2021
- 2021-07-15 CN CN202110803560.0A patent/CN113591946A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101814063A (zh) * | 2010-05-24 | 2010-08-25 | 天津大学 | 基于距离权重的全局k-均值聚类算法 |
CN111163628A (zh) * | 2017-05-09 | 2020-05-15 | 蓝河技术有限公司 | 使用图像数据的自动植物检测 |
CN108020211A (zh) * | 2017-12-01 | 2018-05-11 | 云南大学 | 一种无人机航空摄影估测入侵植物生物量的方法 |
Non-Patent Citations (1)
Title |
---|
朱宏伟: "珠海淇澳岛无瓣海桑入侵风险综合评估", 《中国优秀硕士学位论文全文数据库基础科学辑》, pages 85 - 87 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN110399909B (zh) | 一种基于标签约束弹性网图模型的高光谱图像分类方法 | |
CN111739075A (zh) | 一种结合多尺度注意力的深层网络肺部纹理识别方法 | |
CN103413151B (zh) | 基于图正则低秩表示维数约简的高光谱图像分类方法 | |
CN107679509B (zh) | 一种小环藻识别方法及装置 | |
CN109410238B (zh) | 一种基于PointNet++网络的枸杞识别计数方法 | |
CN112347970B (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
CN107358203B (zh) | 一种基于深度卷积阶梯网络的高分辨sar图像分类方法 | |
CN112016392A (zh) | 一种基于高光谱图像的大豆虫害程度的小样本检测方法 | |
CN110853070A (zh) | 基于显著性与Grabcut的水下海参图像分割方法 | |
CN111222545B (zh) | 基于线性规划增量学习的图像分类方法 | |
Chen et al. | Agricultural remote sensing image cultivated land extraction technology based on deep learning | |
Gleason et al. | A Fusion Approach for Tree Crown Delineation from Lidar Data. | |
CN114842264A (zh) | 一种基于多尺度空谱特征联合学习的高光谱图像分类方法 | |
CN113936214A (zh) | 一种基于融合空天遥感影像的岩溶湿地植被群落分类方法 | |
CN111738052B (zh) | 基于深度学习的多特征融合高光谱遥感地物分类方法 | |
CN111291818B (zh) | 一种面向云掩膜的非均匀类别的样本均衡化方法 | |
CN117409339A (zh) | 一种用于空地协同的无人机作物状态视觉识别方法 | |
CN109886146A (zh) | 基于机器视觉检测的洪灾信息遥感智能采集方法及设备 | |
CN115908924A (zh) | 一种基于多分类器的小样本高光谱图像语义分割方法及*** | |
CN116704497B (zh) | 一种基于三维点云的油菜表型参数提取方法及*** | |
CN111325158B (zh) | 一种基于cnn和rfc的集成学习的极化sar图像分类方法 | |
CN111460943A (zh) | 一种遥感影像地物分类方法及*** | |
CN115049842B (zh) | 一种飞机蒙皮图像损伤检测与2d-3d定位方法 | |
CN114494586B (zh) | 晶格投影的深度学习网络阔叶树枝叶分离与骨架重建方法 |
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 |