CN114550017B - 基于移动端的松材线虫病一体化预警及检测方法和装置 - Google Patents
基于移动端的松材线虫病一体化预警及检测方法和装置 Download PDFInfo
- Publication number
- CN114550017B CN114550017B CN202210436868.0A CN202210436868A CN114550017B CN 114550017 B CN114550017 B CN 114550017B CN 202210436868 A CN202210436868 A CN 202210436868A CN 114550017 B CN114550017 B CN 114550017B
- Authority
- CN
- China
- Prior art keywords
- image information
- target
- pine wood
- wood nematode
- sample
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 108
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 69
- 235000008331 Pinus X rigitaeda Nutrition 0.000 title claims description 43
- 235000011613 Pinus brutia Nutrition 0.000 title claims description 43
- 241000018646 Pinus brutia Species 0.000 title claims description 43
- 241000243771 Bursaphelenchus xylophilus Species 0.000 claims abstract description 320
- 238000001514 detection method Methods 0.000 claims abstract description 189
- 239000002023 wood Substances 0.000 claims abstract description 152
- 241000894007 species Species 0.000 claims abstract description 102
- 238000000605 extraction Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims description 55
- 238000013528 artificial neural network Methods 0.000 claims description 45
- 241000238631 Hexapoda Species 0.000 claims description 39
- 241000243770 Bursaphelenchus Species 0.000 claims description 32
- 239000013598 vector Substances 0.000 claims description 29
- 241000122205 Chamaeleonidae Species 0.000 claims description 24
- 241000196324 Embryophyta Species 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 20
- 241001465754 Metazoa Species 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 230000010354 integration Effects 0.000 claims description 2
- 230000006378 damage Effects 0.000 abstract description 18
- 239000002609 medium Substances 0.000 description 65
- 230000008569 process Effects 0.000 description 21
- 238000005070 sampling Methods 0.000 description 14
- 238000012544 monitoring process Methods 0.000 description 13
- 241000244206 Nematoda Species 0.000 description 10
- 208000015181 infectious disease Diseases 0.000 description 10
- 230000008859 change Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000011835 investigation Methods 0.000 description 5
- 208000000291 Nematode infections Diseases 0.000 description 4
- 240000008670 Pinus densiflora Species 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000000877 morphologic effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 239000007170 xylophilus medium Substances 0.000 description 4
- 241001481710 Cerambycidae Species 0.000 description 3
- 240000000793 Pinus armandii Species 0.000 description 3
- 235000000405 Pinus densiflora Nutrition 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 241001442207 Monochamus alternatus Species 0.000 description 2
- 235000005205 Pinus Nutrition 0.000 description 2
- 241000218602 Pinus <genus> Species 0.000 description 2
- 235000011612 Pinus armandii Nutrition 0.000 description 2
- 241000142776 Pinus elliottii Species 0.000 description 2
- 241000018650 Pinus massoniana Species 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000001404 mediated effect Effects 0.000 description 2
- 244000052769 pathogen Species 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000218631 Coniferophyta Species 0.000 description 1
- 108020004414 DNA Proteins 0.000 description 1
- 102000053602 DNA Human genes 0.000 description 1
- 230000004544 DNA amplification Effects 0.000 description 1
- 241001501885 Isochrysis Species 0.000 description 1
- 241001442208 Monochamus Species 0.000 description 1
- 241000218657 Picea Species 0.000 description 1
- 235000005018 Pinus echinata Nutrition 0.000 description 1
- 235000011334 Pinus elliottii Nutrition 0.000 description 1
- 235000013264 Pinus jeffreyi Nutrition 0.000 description 1
- 240000007263 Pinus koraiensis Species 0.000 description 1
- 235000011615 Pinus koraiensis Nutrition 0.000 description 1
- 235000016013 Pinus leiophylla var chihuahuana Nutrition 0.000 description 1
- 241001149652 Pinus luchuensis Species 0.000 description 1
- 235000011609 Pinus massoniana Nutrition 0.000 description 1
- 241000534656 Pinus resinosa Species 0.000 description 1
- 240000007320 Pinus strobus Species 0.000 description 1
- 241000218626 Pinus sylvestris Species 0.000 description 1
- 241000218686 Pinus thunbergii Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 235000013490 limbo Nutrition 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于移动端的松材线虫病一体化预警及检测方法和装置,所述基于移动端的松材线虫病一体化预警及检测方法,包括:对第一图像信息进行特征提取,在第一图像信息包括变色木特征、松材线虫寄主树种特征以及松材线虫媒介特征的情况下,获取目标林分对应的第二图像信息;对第二图像信息进行特征提取,在第二图像信息包括松材线虫特征的情况下,基于第一图像信息生成目标林分中目标疫木的受害阶段检测信息;其中,第一图像信息包括目标林分中至少部分区域的生物信息,第二图像信息包括目标林分中目标变色木的木段信息。本发明的基于移动端的松材线虫病一体化预警及检测方法,可以实现快速、高效且准确的松材线虫病灾前预警及灾后检测。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种基于移动端的松材线虫病一体化预警及检测方法和装置。
背景技术
松材线虫病是由重大检疫性有害生物松材线虫引起的一种具有毁灭性的森林病害,给松林资源以及自然生态环境等造成了巨大的危害。
当前常采用形态学方法和分子检测技术进行松材线虫病检测鉴定,开展这类鉴定工作需要对变色木进行采样,林分中的变色木冗杂,变色原因各异,不加以筛选的取样受制于地形、劳动力等条件难以实现,巨量的线虫样本也会对形态检测和分子检测工作的开展造成不小的挑战。
发明内容
本发明提供一种基于移动端的松材线虫病一体化预警及检测方法和装置,用以解决现有技术中检测效率不高且操作不便的缺陷,实现高效且便捷的检测。
本发明提供一种基于移动端的松材线虫病一体化预警及检测方法,包括:
对第一图像信息进行特征提取,在所述第一图像信息包括变色木特征、松材线虫寄主树种特征以及松材线虫媒介特征的情况下,获取目标林分对应的第二图像信息;
对所述第二图像信息进行特征提取,在所述第二图像信息包括松材线虫特征的情况下,基于所述第一图像信息生成所述目标林分中目标疫木的受害阶段检测信息;
其中,所述第一图像信息包括所述目标林分中至少部分区域的生物信息,所述第二图像信息包括所述目标林分中目标变色木的木段信息。
根据本发明提供的一种基于移动端的松材线虫病一体化预警及检测方法,所述第一图像信息包括:第一子图像信息、第二子图像信息和第三子图像信息;
在所述对第一图像信息进行特征提取之前,所述方法包括:获取所述目标林分对应的第一子图像信息,所述第一子图像信息包括所述目标林分中的植物信息;
所述对第一图像信息进行特征提取,在所述第一图像信息包括变色木特征、松材线虫寄主树种特征以及松材线虫媒介特征的情况下,获取目标林分对应的第二图像信息,包括:
对所述第一子图像信息进行特征提取,在所述第一子图像信息包括所述变色木特征的情况下,获取所述目标林分对应的第二子图像信息,所述第二子图像信息包括所述目标林分中各类非变色木的信息;
对所述第二子图像信息进行特征提取,在所述第二子图像信息包括所述松材线虫寄主树种特征的情况下,获取所述目标林分对应的第三子图像信息,所述第三子图像信息包括所述目标林分中的目标动物信息;
对所述第三子图像信息进行特征提取,在所述第三子图像信息包括所述松材线虫媒介特征的情况下,获取所述目标林分对应的第二图像信息。
根据本发明提供的一种基于移动端的松材线虫病一体化预警及检测方法,
所述对所述第一子图像信息进行特征提取,包括:将所述第一子图像信息输入至目标神经网络的变色木检测层,获取由所述变色木检测层输出的变色木识别结果;
所述对所述第二子图像信息进行特征提取,包括:将所述第二子图像信息输入至所述目标神经网络的寄主树种识别层,获取由所述寄主树种识别层输出的松材线虫寄主树种识别结果;
所述对所述第三子图像信息进行特征提取,包括:将所述第三子图像信息输入至所述目标神经网络的媒介昆虫识别层,获取由所述媒介昆虫识别层输出的松材线虫媒介识别结果;其中,
所述变色木检测层为,以样本第一子图像信息为样本,以与所述样本第一子图像信息对应的样本变色木特征为样本标签,训练得到;
所述寄主树种识别层为,以样本第二子图像信息为样本,以与所述样本第二子图像信息对应的样本松材线虫寄主树种特征为样本标签,训练得到;
所述媒介昆虫识别层为,以样本第三子图像信息为样本,以与所述样本第三子图像信息对应的样本松材线虫媒介特征为样本标签,训练得到。
根据本发明提供的一种基于移动端的松材线虫病一体化预警及检测方法,
所述对所述第二图像信息进行特征提取,包括:将所述第二图像信息输入至目标神经网络的松材线虫识别层,获取由所述松材线虫识别层输出的松材线虫识别结果;
所述基于所述第一图像信息生成所述目标林分中目标疫木的受害阶段检测信息,包括:将所述第一图像信息输入至所述目标神经网络的受害阶段检测层,获取由所述受害阶段检测层输出的所述目标疫木的受害阶段检测信息;其中,
所述松材线虫识别层为,以样本第二图像信息为样本,以与所述样本第二图像信息对应的样本松材线虫特征为样本标签,训练得到;
所述受害阶段检测层为,以样本第一图像信息为样本,以与所述样本第一图像对应的样本受害阶段检测信息为样本标签,训练得到。
根据本发明提供的一种基于移动端的松材线虫病一体化预警及检测方法,在所述对所述第二图像信息进行特征提取之后,所述方法还包括:
在所述第二图像信息包括所述松材线虫特征的情况下,确定所述目标林分为松材线虫病感病林分;
在所述第二图像信息不包括所述松材线虫特征的情况下,确定所述目标林分为一级预警林分。
根据本发明提供的一种基于移动端的松材线虫病一体化预警及检测方法,在所述对第一图像信息进行特征提取之后,且在所述对所述第二图像信息进行特征提取之前,所述方法包括:
在所述第一图像信息包括所述松材线虫寄主树种特征和所述松材线虫媒介特征,且不包括所述变色木特征的情况下,确定所述目标林分为二级预警林分。
根据本发明提供的一种基于移动端的松材线虫病一体化预警及检测方法,在所述对第一图像信息进行特征提取之后,且在所述对所述第二图像信息进行特征提取之前,所述方法包括:
在所述第一图像信息包括所述松材线虫寄主树种特征,且不包括所述松材线虫媒介特征和所述变色木特征的情况下,确定所述目标林分为三级预警林分。本发明还提供一种基于移动端的松材线虫病一体化预警及检测装置,包括:
第一处理模块,用于对第一图像信息进行特征提取,在所述第一图像信息包括变色木特征、松材线虫寄主树种特征以及松材线虫媒介特征的情况下,获取目标林分对应的第二图像信息;
第二处理模块,用于对所述第二图像信息进行特征提取,在所述第二图像信息包括松材线虫特征的情况下,基于所述第一图像信息生成所述目标林分中目标疫木的受害阶段检测信息;
其中,所述第一图像信息包括所述目标林分中至少部分区域的生物信息,所述第二图像信息包括所述目标林分中目标变色木的木段信息。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述基于移动端的松材线虫病一体化预警及检测方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于移动端的松材线虫病一体化预警及检测方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述基于移动端的松材线虫病一体化预警及检测方法。
本发明提供的基于移动端的松材线虫病一体化预警及检测方法和装置,基于变色木、松材线虫寄主树种以及松材线虫媒介等多个维度的识别结果,以综合判断目标林分感染松材线虫病的风险,在确定目标林分完全具备感染松材线虫病的条件的情况下,进一步进行松材线虫的识别,在提高检测结果的***性和准确性的基础上,还可以实现灾前检测,防止松材线虫病的扩散和蔓延,具有较好的及时性;除此之外,在识别出松材线虫的情况下,进一步基于第一图像信息生成目标疫木的受害阶段检测信息,用于判断林分及单木尺度的受害阶段,无需用户具备先验知识即可得到较为准确的染病程度信息,检测效率高。
附图说明
为了更清楚地说明本发明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是本发明提供的基于移动端的松材线虫病一体化预警及检测方法的流程示意图之一;
图2是本发明提供的基于移动端的松材线虫病一体化预警及检测方法的流程示意图之二;
图3是本发明提供的基于移动端的松材线虫病一体化预警及检测方法的流程示意图之三;
图4是本发明提供的基于移动端的松材线虫病一体化预警及检测方法的流程示意图之四;
图5是本发明提供的基于移动端的松材线虫病一体化预警及检测方法的流程示意图之五;
图6是本发明提供的基于移动端的松材线虫病一体化预警及检测方法的流程示意图之六;
图7是本发明提供的基于移动端的松材线虫病一体化预警及检测方法的流程示意图之七;
图8是本发明提供的基于移动端的松材线虫病一体化预警及检测装置的结构示意图;
图9是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
下面结合图1至图7描述本发明的基于移动端的松材线虫病一体化预警及检测方法。
需要说明的是,本发明的基于移动端的松材线虫病一体化预警及检测方法的执行主体为移动终端,包括但不限于用户的手机、相机、手表或平板电脑等。
当然,在其他实施例中,本发明的基于移动端的松材线虫病一体化预警及检测方法的执行主体也可以为非移动终端,如服务器或电脑等。
如图1所示,该基于移动端的松材线虫病一体化预警及检测方法,包括:步骤110和步骤120。
步骤110、对第一图像信息进行特征提取,在第一图像信息包括变色木特征、松材线虫寄主树种特征以及松材线虫媒介特征的情况下,获取目标林分对应的第二图像信息,其中,第一图像信息包括目标林分中至少部分区域的生物信息;
在该步骤中,第一图像信息用于表征目标林分中树种信息、变色木信息以及目标动物信息等,其中,第一图像信息可以包括无人机航拍的图像信息,也可以为通过移动摄像头拍摄的诱捕器内的图像信息等。
其中,目标林分为需要进行松材线虫病检测的生长有林木的整个区域或部分区域。
第一图像信息包括目标林分中至少部分区域的生物信息,生物信息包括植物相关信息和动物相关信息,其中,
植物相关信息可以包括:目标林分中变色木的相关信息、非变色木的相关信息以及树种相关信息。
动物相关信息可以包括目标林分中的昆虫相关信息,如松墨天牛、云杉花墨天牛等墨天牛属的天牛的相关信息、非松材线虫媒介的相关信息以及松材线虫的相关信息。
第一图像信息可以包括多张图像。
在实际执行过程中,可以采用图像传感器采集第一图像信息,其中,图像传感器包括但不限于:无人机、航拍器、摄像机或设置于移动终端上的摄像头等。
采集得到的第一图像信息,可以存储于本地数据库,或存储于云端数据库,在需要时进行调取即可。
变色木为当前颜色与正常颜色不同的树木,可以理解的是,发生异常变色的树木,可能是因为染病而导致变色,也可能因为气候等原因导致变色;其中,因为染病而导致变色的树木,可能是因为感染松材线虫病而导致变色,也可能是因为感染其他病而导致变色。
变色木特征为用于区别变色木与非变色木的特征。
松材线虫寄主树种为容易感染松材线虫病的品种的树。
松材线虫寄主树种包括针叶树,其中尤以松属(Pinus)树种为主,高度感病有华山松(P. armandii)、日本赤松(P. densiflora)、湿地松(P. elliottii)、欧洲赤松(P. sylvestris)、黄松(P. thunbergii)、琉球松(P. luchuensis)、华南五针松(P. kwuangtungensis)、美国红松(P. resinosa)、马尾松(P. massoniana)等松属植物。
松材线虫寄主树种特征为用于识别各松材线虫寄主树种的种类的特征。
松材线虫媒介为用于传播松材线虫的媒介。需要说明的是,松材线虫自身运动能力不强,主动传播距离非常有限,被动传播是其主要的传播方式,其一般只存在于同一棵松材线虫寄主树上,而不会主动迁移至其他树木,而在松材线虫媒介的携带下,会使松材线虫在不同松材线虫寄主树之间传播。
其中,松材线虫媒介主要包括:松墨天牛、云杉花墨天牛等墨天牛属的天牛。
松材线虫媒介特征为用于区别松材线虫媒介天牛于其他动物的特征。
在该实施例中,对获取的第一图像信息进行特征提取,并判断所提取的特征是否为变色木特征、松材线虫寄主树种特征以及松材线虫媒介特征。
在实际执行过程中,在从第一图像信息中提取得到变色木特征、松材线虫寄主树种特征以及松材线虫媒介特征的情况下,即可确定该目标林分中包括变色木、松材线虫寄主树种以及松材线虫媒介,则确定该目标林分具备松材线虫病的感染条件,则获取目标林分的第二图像信息。
其中,第二图像信息用于表征目标林分中目标变色木的木段信息,需要说明的是,木段信息中包括有目标变色木的木段中所携带的线虫的信息。
其中,目标变色木可以为目标林分中的任意变色木,也即,目标变色木可以为目标林分中全部的变色木,或者也可以为目标林分中部分的变色木。
在实际执行过程中,可以采用无人机定位找到变色木,并采集变色木的木段。如果变色木数量少且位置便于采集,则可以采集全部变色木木段,并在树体多个部位采样得到多个采样样本。
将多个采样样本中的变色木木段劈成细条,采用贝尔曼漏斗法过滤线虫,取样生成其在光学显微镜下的线虫影像,以获取第二图像信息。
如果变色木数量多,则可以采取抽样检测的方式,按比例选取变色木,采集部分采样样本,并通过同样的方式获取第二图像信息。
在获取第二图像信息后,则可进入步骤120。
下面通过具体实施例,对步骤110的实现方式进行说明。
在一些实施例中,第一图像信息包括:第一子图像信息、第二子图像信息和第三子图像信息,
如图2所示,在步骤110之前,该方法还可以包括:获取目标林分对应的第一子图像信息,第一子图像信息包括目标林分中的植物信息;
继续参考图2,步骤110可以包括:对第一子图像信息进行特征提取,在第一子图像信息包括变色木特征的情况下,获取目标林分对应的第二子图像信息,第二子图像信息包括目标林分中各类非变色木的信息;
对第二子图像信息进行特征提取,在第二子图像信息包括松材线虫寄主树种特征的情况下,获取目标林分对应的第三子图像信息,第三子图像信息包括目标林分中的目标动物信息;
对第三子图像信息进行特征提取,在第三子图像信息包括松材线虫媒介特征的情况下,获取目标林分对应的第二图像信息。
在该实施例中,第一图像信息包括第一子图像信息、第二子图像信息和第三子图像信息,其中,
第一子图像信息包括目标林分中的植物信息,需要说明的是,第一子图像信息应尽可能覆盖目标林分中的全部植物。
第二子图像信息包括目标林分中各类非变色木的图像信息;
第三子图像信息包括目标林分中的目标动物信息,其中,目标生物为需要识别的生物,如松材线虫媒介等。
在实际执行过程中,可以采用不同的图像采集装置采集不同的第一图像信息,且在不同的应用场景下,第一图像信息中的各个子图像信息的采集步骤也可以有所不同。
例如森保一线工作人员在到达林区后,可以将手机连接无人机遥控器,操控无人机飞抵目标林分的上方,在中高空大量采集该片目标林分的图像,以得到第一子图像信息。
如果林分面积较小,可适当调高飞行高度,以便在第一子图像信息中囊括整片林分;如果林分面积过大,可采取巡航拍摄的方式采集林分各部分的图像。
无人机采集的第一子图像信息,会通过图传模块实时传输到手机端进行保存。
可以通过无人机低空采集目标林分中的各类非变色木的树种的图像,以获取第二子图像信息。
可以通过图像传感器或手机等具备摄像功能的移动终端采集第三子图像信息。
同样,可以将第一子图像信息和第二子图像信息存储于本地数据库或云端数据库,在需要时调取即可。
继续参考图2,在获取得到第一子图像信息后,对第一子图像信息进行特征提取以及识别,以判断该第一子图像信息中是否包括变色木特征。
在一些实施例中,在未识别到变色木特征的情况下,则可以认为目标林分中不包括变色木,则表征目标林分未表现出病状,则可以初步判定该目标林分处于健康状态,排除受松材线虫侵染的可能,结束检测。
在另一些实施例中,在识别到变色木特征的情况下,则需进一步确定变色木变色的原因是否是因为受松材线虫侵染,则获取目标林分的第二子图像信息,并对第二子图像信息进行识别。
对第二子图像信息进行特征提取,并判断所提取的特征是否包括松材线虫寄主树种特征,以判断目标林分中树木的类别信息是否包括松材线虫寄主树种。
在获取第二子图像信息后,对第二子图像信息进行特征提取以及图像识别,以确定第二子图像信息中是否包括松材线虫寄主树种特征。
在一些实施例中,在未识别到松材线虫寄主树种特征的情况下,则确定该目标林分中不包括松材线虫寄主树种,则确定该目标林分不存在感染松材线虫病的风险,则结束检测。
在另一些实施例中,在识别到松材线虫寄主树种特征的情况下,则确定该目标林分中包括松材线虫寄主树种,则确定该目标林分存在感染松材线虫病的风险,从而进入下一步检测,以检测该目标林分中是否存在松材线虫媒介。
在确定目标林分中各类非变色木包括松材线虫寄主树种的情况下,则获取第三子图像信息,并对第三子图像信息进行识别。
在实际执行过程中,可以通过摄像机或手机摄像头拍摄设置于目标林分中的目标诱捕器内的图像,以获取第三子图像信息。
其中,目标诱捕器为用于诱捕松材线虫媒介的装置。
通过对第三子图像信息进行特征提取,以判断第三子图像信息中是否包括松材线虫媒介特征。
在一些实施例中,在未识别到第三子图像信息中包括松材线虫媒介特征的情况下,则确定该目标林分中不存在松材线虫媒介,则确定该目标林分中缺少必要的传播媒介,则确定该目标林分感染松材线虫病的风险较低,则结束检测。
在另一些实施例中,在识别到确定目标林分中包括松材线虫媒介特征的情况下,则确定该目标林分中存在松材线虫媒介,从而确定该目标林分同时具备松材线虫传播的两个条件:媒介昆虫和寄主树种,则确定该目标林分存在感染松材线虫病的风险,则执行下一步检测,以判断该目标林分中的变色木中是否具有松材线虫。
则在识别到确定目标林分中包括松材线虫媒介的情况下,获取目标林分的第二图像信息。
其中,第二图像信息的获取方式已在上文实施例中进行说明,在此不做赘述。
在获取得到第二图像信息后,可将第二图像信息存储于本地服务器或云端服务器,在需要时调取即可。
步骤120、对第二图像信息进行特征提取,在第二图像信息包括松材线虫特征的情况下,基于第一图像信息生成目标林分中目标疫木的受害阶段检测信息,第二图像信息包括目标林分中目标变色木的木段信息。
在该步骤中,目标疫木为目标林分中任意感染松材线虫病的林木。
目标疫木可以为一棵疫木,也可以为林分中的多棵疫木。
受害阶段检测信息用于表征目标疫木受松材线虫侵染的程度。
受害阶段检测信息可以包括目标疫木感染松材线虫病的受害阶段信息,例如,受害阶段检测信息可以包括:轻度受害、中度受害和重度受害等。
通过对第二图像信息进行特征提取,并判断所提取的特征是否包括松材线虫特征,在确定包括松材线虫特征的情况下,则可以确定该第二图像信息所对应的目标变色木中携带有松材线虫。
在本实施例中,在识别得到第二图像信息中包括松材线虫特征的情况下,有必要对检测样本进行进一步的分子检测实验或图像的专家鉴定,在确定该变色木树体内确实存在松材线虫的前提下,则确定该目标林分已受到松材线虫侵染。
需要说明的是,在确定任一变色木中包括松材线虫的情况下,则可以确定该目标林分已受到松材线虫病的侵染。
在该情况下,则需进一步判断该目标林分中的目标疫木的染病程度,基于第一图像信息即可判断该目标林分中目标疫木的染病程度,生成并输出目标林分中目标疫木的受害阶段检测信息。
需要说明的是,本步骤中对第一图像信息进行处理的过程与步骤110中对第一图像信息进行处理的过程不同。
在一些实施例中,基于第一图像信息生成目标林分中目标疫木的受害阶段检测信息,包括:对第一图像信息中的第一子图像信息进行图像识别,生成目标林分中目标疫木的受害阶段检测信息。
在另一些实施例中,在未识别得到第二图像信息中包括松材线虫特征的情况下,则确定该目标林分暂未受到松材线虫的侵染,但仍可以确定该目标林分感染松材线虫病的风险较高。
发明人在研发过程中发现,相关松材线虫病的检测方法,主要包括以下几种:1)形态学鉴定的方法,该方法要求森保工作人员具有专业的松材线虫识别技能;2)分子检测的方法,该方法利用基因扩增***检测松材线虫的DNA分子,从而识别松材线虫。
对于这两种检测方法,都需要森保工作人员进行林地踏查后,在发现变色木的基础上深入林分当中,进行树干采样。在变色木采样过程中,肯定会受到各类客观因素干扰:林区多而面积大,地形崎岖且杂灌丛生难以深入,变色木数量巨大且变色原因各异,往往是耗费了大量人工与时间之后,采集到大量的变色木样本,而这些样本根本不具备松材线虫存在的条件,也就更不需要耗费资金和精力开展进一步的样本处理和线虫种类检测鉴定环节。
对于第一种检测方法,由于森保一线人员很多都是非植保专业出身,缺乏过硬的鉴识本领,而且人工检测过程检测速度慢,不适合对大批量样本开展形态学鉴定,特征识别过程易受主观意识影响,查准率波动较大且检测效率不高。
对于第二种检测方法,需要当地具有专门的检测设备及仪器,一批次检测的样本量很少,且样本采集、处理和检测过程耗时较长,不适合对大批量样本开展检测。
而在本发明的实施例中,一方面基于变色木、松材线虫寄主树种以及松材线虫媒介等多个维度的识别结果,以综合判断目标林分感染松材线虫病的风险,在不进行变色木采样、处理及松材线虫鉴定的前提下,快速排除掉不具备松材线虫病存在条件的林分,实现林分的松材线虫病感病原因快速筛查,极大缩小目标林分的数量,有效减少实际需要开展鉴定工作的样本量,大大提高了工作效率;在确定目标林分具有感染松材线虫病的条件的情况下,进一步进行松材线虫的识别,通过将病原物、传播媒介以及寄主等多个检测维度进行融合,提高了检测的***性和检测结果的准确性。
根据本发明实施例提供的基于移动端的松材线虫病一体化预警及检测方法,基于变色木、松材线虫寄主树种以及松材线虫媒介等多个维度的识别结果,以综合判断目标林分感染松材线虫病的风险,在确定目标林分完全具备松材线虫存在条件的情况下,进一步进行松材线虫的识别,在提高检测结果的***性和准确性的基础上,还可以实现灾前的早期监测,具有较好的及时性;除此之外,在识别出松材线虫的情况下,进一步基于第一图像信息生成目标疫木不同受害阶段检测信息,无需用户具备先验知识即可得到较为准确的单木及林分尺度的染病程度信息,检测效率高。
如图3所示,在一些实施例中,在步骤120之后,该方法还可以包括:
在第二图像信息包括松材线虫特征的情况下,确定目标林分为松材线虫病感病林分;
在第二图像信息不包括松材线虫特征的情况下,确定目标林分为一级预警林分。
在该实施例中,例如,从第二子图像信息中识别出松材线虫寄主树种的特征,且从第三子图像信息中识别出松材线虫媒介的特征,并从第一子图像信息中识别出变色木的特征,即确定该目标林分中同时包括松材线虫寄主树种、松材线虫媒介以及变色木;则确认该目标林分感染松材线虫病的可能性较高,则将该目标林分确定为一级预警林分。
在一些实施例中,在确定预警等级后,还可以基于预警等级,输出与预警等级对应的检测方案。
可以理解的是,预警等级可以包括多个不同的等级,不同的等级的林分所对应的检测方案也有所不同。预警等级越高,其对应的检测方案也应更加严密。
其中,检测方案用于指导用户或机器对目标林分进行松材线虫病的检测,以及时发现问题,从而实现灾前检测。
例如,在将目标林分确定为一级预警林分后,***自动基于一级预警林分匹配生成与一级预警林分对应的检测方案。
其中,与一级预警林分对应的检测方案可以包括:定时进行变色木采样,同时开展林分无人机航拍作业。
在又一些实施例中,在第二图像信息包括松材线虫特征的情况下,确定目标林分为松材线虫病感病林分。
在该实施例中,例如从第二图像信息中识别出松材线虫的特征,则基本确定该目标林分中存在松材线虫,后续对少量样本进行分子检测或专家鉴定的基础上,验证变色木内确实存在松材线虫,表明目标林分已受到松材线虫侵染,则将目标林分确定为松材线虫病感病林分。
在将目标林分确定为松材线虫病感病林分后,***自动基于松材线虫病感病林分匹配生成与松材线虫病感病林分对应的检测方案。
其中,与松材线虫病感病林分对应的检测方案可以包括:定期开展无人机监测和卫生伐作业。
继续参考图3,在一些实施例中,在步骤110之后且在步骤120之前,该方法还可以包括:在第一图像信息包括松材线虫寄主树种特征和松材线虫媒介特征,且不包括变色木特征的情况下,确定目标林分为二级预警林分。
在该实施例中,例如,从第二子图像信息中识别出松材线虫寄主树种的特征,从第三子图像信息中识别出松材线虫媒介的特征,且未从第一子图像信息中识别出变色木的特征,则确认该目标林分中包括松材线虫寄主树种以及松材线虫媒介,但暂未包括变色木;则确认该目标林分具备一定的感染松材线虫病的可能性,则将该目标林分确定为二级预警林分,并输出二级预警。
在将目标林分确定为二级预警林分后,***自动基于二级预警林分匹配生成与二级预警林分对应的检测方案。
其中,与二级预警林分对应的检测方案可以包括:至少每月对该目标林分开展一次无人机航拍作业,检测目标林分内变色木存在情况,必要时对变色木进行采样检测松材线虫存在情况,并根据具体情况对预警类别进行升级。
继续参考图3,在一些实施例中,在步骤110之后且在步骤120之前,该方法还可以包括:
在第一图像信息包括松材线虫寄主树种特征,且不包括松材线虫媒介特征和变色木特征的情况下,确定目标林分为三级预警林分。
在该实施例中,例如,未从第二子图像信息中识别出松材线虫寄主树种的信息,则确定目标林分中不包括松材线虫寄主树种,则可以排除该目标林分感染松材线虫的可能。
又如,从第二子图像信息中识别出松材线虫寄主树种的特征,且未从第一子图像信息中识别出变色木的特征,也未从第三子图像信息中识别出松材线虫媒介的特征,则确定目标林分中包括松材线虫寄主树种,但暂未包括变色木和松材线虫媒介,则近似认为该目标林分感染松材线虫的可能性较低,将该目标林分为三级预警林分,并输出三级预警。
其中,与三级预警林分对应的检测方案可以包括:按季度或按月对该目标林分开展媒介昆虫检测工作,并根据实际情况对预警等级进行升级。
发明人在研发过程中发现,相关技术中,通常是借助人工踏查或遥感等手段对松材线虫病感病林分开展疫情监测工作,这些监测工作往往为灾后监测工作,如通过采集受害林分图像进行人工目视解译或导入PC端设备进行变色木的自动化检测。这些方法缺少对易感林分早期预警的研究,无法实现准实时、甚至实时的林分监测,另外其检测设备的不便携性也对监测工作的开展造成困扰。
而在本申请中,通过对林分中变色木、松材线虫寄主树种以及松材线虫媒介天牛的存在情况进行层层检测,从多维度综合评定目标林分感染松材线虫病的风险,对具有不同感病风险的林分进行预警等级划定,开展预警监测工作,从而实现松材线虫病在林区内大面积扩散之前的变色木早期发现,这种灾前预警的方式通过对易感林分的早期监测,可有效防止松材线虫病的扩散蔓延。
根据本申请实施例提供的基于移动端的松材线虫病一体化预警及检测方法,通过对易感林分的预警等级界定,开展早期林分监测等工作,可防止松材线虫病的扩散和蔓延。
需要说明的是,在实际执行过程中,可以采用目标神经网络执行以上步骤110和步骤120。
可以理解的是,目标神经网络可以为卷积神经网络、残差神经网络或其他任意类型的神经网络,本发明不作限定。
需要说明的是,如图5所示,目标神经网络包括变色木检测层、寄主树种识别层、媒介昆虫识别层、松材线虫识别层和受害阶段检测层。
其中,变色木检测层用于识别变色木的特征,并对识别的特征进行分类,输出值为:包括变色木或不包括变色木;
变色木检测层的输出与寄主树种识别层连接,用于控制寄主树种识别层的开闭。
寄主树种识别层用于识别寄主树种的特征,并对识别的特征进行分类,输出值为:包括寄主树种或不包括寄主树种;
寄主树种识别层的输出与媒介昆虫识别层连接,用于***介昆虫识别层的开闭。
媒介昆虫识别层用于识别松材线虫媒介的特征,并对识别的特征进行分类,输出值为:包括松材线虫媒介或不包括松材线虫媒介;
媒介昆虫识别层的输出与松材线虫识别层连接,用于控制松材线虫识别层的开闭。
松材线虫识别层用于识别松材线虫的特征,并对识别的特征进行分类,输出值为:包括松材线虫或不包括松材线虫;
松材线虫识别层的输出与受害阶段检测层连接,用于控制受害阶段检测层的开闭。
下面结合图4-图7,以目标神经网络为例,对步骤110的具体实现方式进行说明。
如图4所示,在一些实施例中,对第一子图像信息进行特征提取,包括:将第一子图像信息输入至目标神经网络的变色木检测层,获取由变色木检测层输出的变色木识别结果;
对第二子图像信息进行特征提取,包括:将第二子图像信息输入至目标神经网络的寄主树种识别层,获取由寄主树种识别层输出的松材线虫寄主树种识别结果;
对第三子图像信息进行特征提取,包括:将第三子图像信息输入至目标神经网络的媒介昆虫识别层,获取由媒介昆虫识别层输出的松材线虫媒介识别结果;其中在该实施例中,第一图像信息包括第一子图像信息和第三子图像信息。
其中,第一子图像信息为变色木检测层的输入,第三子图像信息为媒介昆虫识别层的输入。
变色木识别结果包括:确认识别到变色木的识别结果或确认未识别到变色木的识别结果。
松材线虫寄主树种识别结果包括:确认识别到松材线虫寄主树种的识别结果或确认未识别到松材线虫寄主树种的识别结果。
松材线虫媒介识别结果包括:确认识别到松材线虫的识别结果或确认未识别到松材线虫的识别结果。
在实际执行过程中,先将第一子图像信息输入至变色木检测层,由变色木检测层识别第一子图像信息中是否包括变色木的特征,若识别到变色木的特征,则输出确认识别到变色木的识别结果,并将确认识别到变色木的识别结果作为门控输入至寄主树种识别层。
在寄主树种识别层接收到变色木检测层输出的确认识别到变色木的识别结果后,控制寄主树种识别层的工作开关开启,寄主树种识别层开始工作。
将第二子图像信息输入至寄主树种识别层,由寄主树种识别层识别第二子图像信息中是否包括松材线虫寄主树种的特征,若识别到松材线虫寄主树种的特征,则输出确认识别到松材线虫寄主树种的识别结果,并将确认识别到松材线虫寄主树种的识别结果作为门控输入至媒介昆虫识别层。
在媒介昆虫识别层接收到寄主树种识别层输出的确认识别到松材线虫寄主树种的识别结果后,***介昆虫识别层的工作开关开启,媒介昆虫识别层开始工作。
将第三子图像信息输入至媒介昆虫识别层,由媒介昆虫识别层识别第三子图像信息中是否包括松材线虫媒介的特征,若识别到松材线虫媒介的特征,则输出确认识别到松材线虫媒介的识别结果,并将确认识别到松材线虫媒介的识别结果作为门控输入至松材线虫识别层。
当然,在另一些实施例中,在变色木检测层未识别出变色木的特征的情况下,则输出确认未识别到变色木的识别结果,并将确认未识别到变色木的识别结果作为门控输入至寄主树种识别层。在寄主树种识别层接收到变色木检测层输出的确认识别到变色木的识别结果后,控制寄主树种识别层的工作开关关闭,则结束本次检测。
在又一些实施例中,在寄主树种识别层未从第二子图像信息中识别出松材线虫寄主树种的特征的情况下,则输出确认未识别到松材线虫寄主树种的识别结果,并将确认未识别到松材线虫寄主树种的识别结果作为门控输入至媒介昆虫识别层。
在媒介昆虫识别层接收到寄主树种识别层输出的确认未识别到松材线虫寄主树种的识别结果后,***介昆虫识别层的工作开关关闭,则结束本次检测。
在又一些实施例中,在媒介昆虫识别层未从第三子图像信息中识别出松材线虫媒介的特征的情况下,则输出确认未识别到松材线虫媒介的识别结果,并将确认未识别到松材线虫媒介的识别结果作为门控输入至松材线虫识别层。
可以理解的是,在实际应用之前,需对目标神经网络中的变色木检测层、寄主树种识别层以及媒介昆虫识别层进行训练,其中:
变色木检测层为以样本第一子图像信息为样本,以与样本第一子图像信息对应的样本变色木特征为样本标签,训练得到;
寄主树种识别层为以样本第二子图像信息为样本,以与样本第二子图像信息对应的样本松材线虫寄主树种特征为样本标签,训练得到;
媒介昆虫识别层为以样本第三子图像信息为样本,以与样本第三子图像信息对应的样本松材线虫媒介特征为样本标签,训练得到。
如图6所示,在该实施例中,样本第一子图像信息可以包括多张样本植物图像,每张样本植物图像均对应一片样本林分,不同的样本林分中所包含的变色木和非变色木的情况不同。基于该样本林分中实际包含变色木的情况,对包含有变色木的样本林分所对应的样本植物图像中的变色木特征进行标记,生成样本变色木特征,并将该样本变色木特征作为该样本植物图像对应的样本标签。
分别将每一张样本植物图像及其对应的样本标签作为一个训练样本,从而可以得到多个训练样本,利用多个训练样本即可对变色木检测层进行训练。
样本第二子图像信息可以包括多张样本第三图像,每张样本第三图像均对应一种树种的非变色木的林木。基于非变色木的实际树种类别,对树种类别为松材线虫寄主树种的林木所对应的样本第三图像中的林木特征进行标记,生成样本松材线虫寄主树种特征,并将该样本松材线虫寄主树种特征作为该样本植物图像对应的样本标签。
分别将每一张样本第三图像及其对应的样本标签作为一个训练样本,从而可以得到多个训练样本,利用多个训练样本即可对寄主树种识别层进行训练。
样本第三子图像信息可以包括多张样本动物图像,每张样本动物图像对应一种类型的动物,基于动物的实际类别,对实际类别为松材线虫媒介的动物所对应的样本动物图像中的动物特征进行标记,生成样本松材线虫媒介特征,并将该样本松材线虫媒介特征作为该样本动物图像对应的样本标签。分别将每一张样本动物图像及其对应的样本标签作为一个训练样本,从而可以得到多个训练样本,利用多个训练样本即可对媒介昆虫识别层进行训练。
需要说明的是,对于实际应用过程中所涉及的第一图像信息和第二子图像信息,均可作为后续用于训练目标神经网络的训练样本,随着样本集的扩大,该目标神经网络的学习能力和智能程度也将越来越好。
下面以目标神经网络为例,对步骤120的具体实现方式进行说明。
继续参考图4,在一些实施例中,对第二图像信息进行特征提取,包括:将第二图像信息输入至目标神经网络的松材线虫识别层,获取由松材线虫识别层输出的松材线虫识别结果;
基于第一图像信息生成目标林分中目标疫木的受害阶段检测信息,包括:将第一图像信息输入至目标神经网络的受害阶段检测层,获取由受害阶段检测层输出的目标疫木的受害阶段检测信息。
在该实施例中,第二图像信息可以为目标林分中目标变色木的木段图像信息,目标变色木可以为目标林分中的任意一个或多个变色木。
第二图像信息用于判断目标林分中目标变色木的木段中是否含有松材线虫。
松材线虫识别结果包括:确认识别到松材线虫识别结果和确认未识别到松材线虫识别结果。
需要说明的是,松材线虫识别层可以由媒介昆虫识别层的输出结果来控制。
例如,在实际执行过程中,在媒介昆虫识别层从第三子图像信息中识别出松材线虫媒介的特征,则输出确认识别到松材线虫媒介的识别结果,并将确认识别到松材线虫媒介的识别结果作为门控输入至松材线虫识别层。
松材线虫识别层在接收到媒介昆虫识别层输出的确认识别到松材线虫媒介的识别结果后,控制松材线虫识别层的工作开关开启,松材线虫识别层开始工作。
将第二图像信息输入至松材线虫识别层,由松材线虫识别层识别第二图像信息中是否包括松材线虫的特征,若识别到松材线虫的特征,则输出确认识别到松材线虫的识别结果,并将确认识别到松材线虫的识别结果作为门控输入至受害阶段检测层。
受害阶段检测层用于输出目标林分及单木受松材线虫侵染的程度。
在实际执行过程中,在受害阶段检测层接收到松材线虫识别层输出的确认识别到松材线虫的识别结果后,控制受害阶段检测层的工作开关开启,受害阶段检测层开始工作。
将第一图像信息输入至害等级检测层,由受害阶段检测层对第一图像信息进行识别分析,输出目标疫木的受害阶段检测信息。
在另一些实施例中,在松材线虫识别层未从第二图像信息中识别出松材线虫的特征的情况下,可以对该未识别出松材线虫的第二图像信息进行进一步地图像识别,以避免因漏判或误判等情况对识别结果的影响。
在仍未识别到松材线虫的特征的情况下,则输出确定未识别到松材线虫的识别结果,并将确定未识别到松材线虫的识别结果作为门控输入至受害阶段检测层。
受害阶段检测层接收到由松材线虫识别层输出的确定未识别到松材线虫的识别结果后,控制受害阶段检测层的工作开关关闭,则结束本次检测。
当然,在其他实施例中,在松材线虫识别层未从第二图像信息中识别出松材线虫的特征的情况下,还可以采取其他方式对松材线虫进行进一步检测,如对第二图像信息进行筛选,得到识别出的特征与松材线虫相似的第二图像信息所对应的目标变色木的木段,并将筛选得到的目标变色木的木段作为疑似样本进行松材线虫分子检测鉴定工作,进一步验证是否存在松材线虫,本发明不做限定。
同样,在实际应用之前,需对目标神经网络中的松材线虫识别层和受害阶段检测层进行训练,其中:
松材线虫识别层为以样本第二图像信息为样本,以与样本第二图像信息对应的样本松材线虫特征为样本标签,训练得到;
受害阶段检测层为以样本第一图像信息为样本,以与样本第一图像对应的样本受害阶段检测信息为样本标签训练得到。
继续参考图6,在该实施例中,样本第二图像信息可以包括多张样本第二图像,不同的样本第二图像为不同的样本变色木的木段的显微图像,基于实际上的样本变色木的木段中是否含有松材线虫的情况,对实际含有松材线虫的木段所对应的样本第二图像中的线虫特征进行标记,生成样本松材线虫特征,并将该样本松材线虫特征作为该样本第二图像对应的样本标签。
分别将每一张样本第二图像及其对应的样本标签作为一个训练样本,从而可以得到多个训练样本,利用多个训练样本即可对松材线虫识别层进行训练。
样本第一图像信息可以包括多个样本第一子图像信息,每个样本第一子图像信息均对应一片样本林分,不同的样本林分受松材线虫侵染的程度各不相同,基于样本林分受松材线虫侵染的实际程度,对每个样本第一子图像信进行标记,生成样本受害阶段检测信息,并将该样本受害阶段检测信息作为该样本植物图像对应的样本标签,具体标记过程如图7所示。
例如,将无人机拍摄的松材线虫病感病林分图像(样本第一子图像信息)导入ArcGIS或ENVI软件中,对林分中所有受害木进行树冠勾绘,分割成单个的树冠区域,使用超绿灰度化算法ExG=2G-R-B,其中,R为红色通道,G为绿色通道,B为蓝色通道,进一步生成超绿分割二值图,根据像素值占比进行类别划分,异常变色部分像素数占树冠总像素数80%以上,划分为重度感病疫木;异常变色部分像素数占树冠总像素数10%-80%,划分为中度感病疫木;异常变色部分像素数占树冠总像素数10%以下,划分为轻度感病疫木。
在一些实施例中,还可以通过在感病林分中设置长期监测点的方式采集无人机时序监测影像,通过目视解译的方式区分出早期感病后树冠呈现出的黄绿色阶段,并将其划入轻度感病疫木类型。
在以上实施例中,通过使用定量的方式,将松材线虫病疫木按受害程度划分为轻度、中度和重度三种类型,使训练数据中不同疫木类别的划分更具科学性及严谨性,更有利于模型参数的构建,进一步提高模型检测的精确率。
分别将每一个样本第一子图像信及其对应的样本标签作为一个训练样本,从而可以得到多个训练样本,利用多个训练样本即可对受害阶段检测层进行训练。
当然,在另一些实施例中,还可以采用ArcGIS/ENVI软件对样本第一子图像信息中不同感病程度的疫木进行类别划分,即通过勾绘树冠,生成超绿分割二值图等步骤,根据树冠异常变色像素数量占总像素数量的比例,定量的将不同感病阶段的疫木进行标注,然后使用标注后的训练集对YOLOX算法模型进行训练,生成松材线虫病疫木受害阶段检测层,该方法相较定性的人工标注方式,提高了检测精度。
在又一些实施例中,还可以本方案可采用YOLOv5算法、Faster R-CNN算法或SSD算法代替YOLOX算法构建基于PC端的目标神经网络。
需要说明的是,继续参考图6,在训练过程中,可以首先对采集的样本数据进行分类以及标注,以得到多个针对于不同层的训练样本。
然后将多个训练样本随机分为训练集、验证集和测试集,基于训练集和验证集对目标神经网络进行训练,并利用测试集对训练后的目标神经网络进行验证,基于验证结果对目标神经网络进行调整,如根据精确率以及召回率等指标对模型构建情况进行评判,通过扩充数据集以及调整网络参数等方式,对模型进行重新训练,不断提高检测精度,直到模型检测精度满足要求,也即使得目标神经网络输出的预测结果满足预设指标值,则完成训练。
例如,可以按照按7:1:2的比例划分训练集、验证集和测试集。
将训练好的目标神经网络导出,并导入至移动终端进行编译。
同样,对于实际应用过程中所涉及的第一图像信息和第二图像信息,均可作为后续用于训练目标神经网络的训练样本,随着样本集的扩大,该目标神经网络的学习能力和智能程度也将越来越好。
发明人在研发过程中还发现,相关技术中,基于深度学习的变色木检测方法都是基于PC端开发的,需要将记录航拍图像信息的SD卡从无人机中取出,把图像导入计算机中预先训练好的变色木检测模型中,进行自动化识别与检测。因此在野外开展调查工作要么携带笔记本电脑这类硬件设备,在无人机飞行结束后,现场进行图像目标检测;要么将航拍照片带回室内,导入计算机设备进行检测,从而耽误野外其他工作的进一步开展,对森保野外调查工作的开展造成很大不便。
除此之外,对于现有的植物识别软件,尽管实现了移动端的检测,但由于其搭载到服务器上运行,受网络条件制约,在无网络的地方无法运行,而林区内往往信号不佳,很多区域没有网络覆盖,难以实现实时的在线检测。
而在本发明实施例中,通过在移动终端上部署预先训练好的目标神经网络,调用本机CPU或GPU即可运行,只需输入采集的图像信息即可输出最终结果,无需联网,从而使得即便在野外无信号的区域,也可以随时随地得到识别结果;
除此之外,通过在目标神经网络中融合变色木检测层、寄主树种识别层、媒介昆虫识别层、松材线虫识别层和受害阶段检测层等多个层结构,利用不同层实现不同的识别功能,从而无需用户在林区与实验室之间反复奔波,有效减少了检测过程中的工作量,提高了检测效率。
在本发明中,通过训练轻量级人工神经网络,生成包括变色木检测层、松材线虫寄主树种识别层、媒介昆虫识别层、松材线虫识别层和受害阶段检测层在内的多个检测层的模型,经过模型格式的转换,模型移动端的部署,开发出基于移动端,针对松材线虫病病原物、传播媒介、寄主树种的一体化检测软件,实现松材线虫病检测流程的自动化,有效代替人工检测,使一线工作人员无需掌握松材线虫病检测鉴定的相关专业知识,便可开展一系列相关工作。同时使用移动端设备替代PC端设备,解决了日常护林工作中设备便携性的问题。
通过遥感、计算机技术和林学理论相结合,在借助便携式设备的基础上,解决当前单一手段无法便捷、快速且准实时的进行林分的松材线虫病病因确定、感病林分判定和疫木受害阶段检测信息等问题。该方法可快速筛查大区域林分的松材线虫病感病状况,大大减少变色木采样、检测鉴定的工作量,简化松材线虫病病因鉴定和疫木检测工作流程,实现一次调查便能获取所需的全部信息,无需反复开展多次采样和调查工作,极大提高工作效率,降低一线工作人员的工作量。
根据本发明实施例提供的基于移动端的松材线虫病一体化预警及检测方法,通过在移动终端上构建预先训练好的目标神经网络来执行图像识别与分析功能,实现在无信号的环境下也可以随时随地得到识别结果;通过在目标神经网络中融合变色木检测层、寄主树种识别层、媒介昆虫识别层、松材线虫识别层和受害阶段检测层等多个层结构,利用不同层实现不同的识别功能,组合实现对松材线虫病的筛查,有效减少了检测过程中的工作量,提高了检测效率。
下面对本发明提供的基于移动端的松材线虫病一体化预警及检测装置进行描述,下文描述的基于移动端的松材线虫病一体化预警及检测装置与上文描述的基于移动端的松材线虫病一体化预警及检测方法可相互对应参照。
如图8所示,该基于移动端的松材线虫病一体化预警及检测装置,包括:第一处理模块810和第二处理模块820。
第一处理模块810,用于对第一图像信息进行特征提取,在第一图像信息包括变色木特征、松材线虫寄主树种特征以及松材线虫媒介特征的情况下,获取目标林分对应的第二图像信息;
第二处理模块820,用于对第二图像信息进行特征提取,在第二图像信息包括松材线虫特征的情况下,基于第一图像信息生成目标林分中目标疫木的受害阶段检测信息;
其中,第一图像信息包括目标林分中至少部分区域的生物信息,第二图像信息包括目标林分中目标变色木的木段信息。
根据本发明实施例提供的基于移动端的松材线虫病一体化预警及检测装置,基于变色木、松材线虫寄主树种以及松材线虫媒介等多个维度的识别结果,以综合判断目标林分感染松材线虫病的风险,在确定目标林分完全具备松材线虫存在条件的情况下,进一步进行松材线虫的识别,在提高检测结果的***性和准确性的基础上,还可以实现灾前的早期监测,具有较好的及时性;除此之外,在识别出松材线虫的情况下,进一步基于第一图像信息生成目标疫木不同受害阶段的受害阶段检测信息,无需用户具备先验知识即可得到较为准确的单木及林分尺度的染病程度信息,检测效率高。
在一些实施例中,第一图像信息包括:第一子图像信息、第二子图像信息和第三子图像信息,该装置还可以包括:
第一获取模块,用于在对第一图像信息进行特征提取之前,获取目标林分对应的第一子图像信息,第一子图像信息包括目标林分中的植物信息;
第一处理模块810,还可以用于:
对第一子图像信息进行特征提取,在第一子图像信息包括变色木特征的情况下,获取目标林分对应的第二子图像信息,第二子图像信息包括目标林分中各类非变色木的信息;
对第二子图像信息进行特征提取,在第二子图像信息包括松材线虫寄主树种特征的情况下,获取目标林分对应的第三子图像信息,第三子图像信息包括目标林分中的目标动物信息;
对第三子图像信息进行特征提取,在第三子图像信息包括松材线虫媒介特征的情况下,获取目标林分对应的第二图像信息。
在一些实施例中,第一处理模块810,还可以用于:
将第一子图像信息输入至目标神经网络的变色木检测层,获取由变色木检测层输出的变色木识别结果;
将第二子图像信息输入至目标神经网络的寄主树种识别层,获取由寄主树种识别层输出的松材线虫寄主树种识别结果;
将第三子图像信息输入至目标神经网络的媒介昆虫识别层,获取由媒介昆虫识别层输出的松材线虫媒介识别结果;其中,
变色木检测层为以样本第一子图像信息为样本,以与样本第一子图像信息对应的样本变色木特征为样本标签,训练得到;
寄主树种识别层为以样本第二子图像信息为样本,以与样本第二子图像信息对应的样本松材线虫寄主树种特征为样本标签,训练得到;
媒介昆虫识别层为以样本第三子图像信息为样本,以与样本第三子图像信息对应的样本松材线虫媒介特征为样本标签,训练得到。
在一些实施例中,第二处理模块820,还可以用于:
将第二图像信息输入至目标神经网络的松材线虫识别层,获取由松材线虫识别层输出的松材线虫识别结果;
将第一图像信息输入至目标神经网络的受害阶段检测层,获取由受害阶段检测层输出的目标疫木的受害阶段检测信息;其中,
松材线虫识别层为以样本第二图像信息为样本,以与样本第二图像信息对应的样本松材线虫特征为样本标签,训练得到;
受害阶段检测层为以样本第一图像信息为样本,以与样本第一图像对应的样本受害阶段检测信息为样本标签训练得到。
在一些实施例中,该装置还可以包括第三处理模块,用于:
在对第二图像信息进行特征提取之后,在第二图像信息包括松材线虫特征的情况下,确定目标林分为松材线虫病感病林分。
在一些实施例中,该装置还可以包括第四处理模块,用于:在对第二图像信息进行特征提取之后,在第二图像信息不包括松材线虫特征的情况下,确定目标林分为一级预警林分。
在一些实施例中,该装置还可以包括第五处理模块,用于:
在对第一图像信息进行特征提取之后,且在对第二图像信息进行特征提取之前,在第一图像信息包括松材线虫寄主树种特征和松材线虫媒介特征,且不包括变色木特征的情况下,确定目标林分为二级预警林分。
在一些实施例中,该装置还可以包括第六处理模块,用于:
在对第一图像信息进行特征提取之后,且在对第二图像信息进行特征提取之前,在第一图像信息包括松材线虫寄主树种特征,且不包括松材线虫媒介特征和变色木特征的情况下,确定目标林分为三级预警林分。
图9示例了一种电子设备的实体结构示意图,如图9所示,该电子设备可以包括:处理器(processor)910、通信接口(Communications Interface)920、存储器(memory)930和通信总线940,其中,处理器910,通信接口920,存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的逻辑指令,以执行基于移动端的松材线虫病一体化预警及检测方法,该方法包括:对第一图像信息进行特征提取,在第一图像信息包括变色木特征、松材线虫寄主树种特征以及松材线虫媒介特征的情况下,获取目标林分对应的第二图像信息;对第二图像信息进行特征提取,在第二图像信息包括松材线虫特征的情况下,基于第一图像信息生成目标林分中目标疫木的受害阶段检测信息;其中,第一图像信息包括目标林分中至少部分区域的生物信息,第二图像信息包括目标林分中目标变色木的木段信息。
此外,上述的存储器930中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的基于移动端的松材线虫病一体化预警及检测方法,该方法包括:对第一图像信息进行特征提取,在第一图像信息包括变色木特征、松材线虫寄主树种特征以及松材线虫媒介特征的情况下,获取目标林分对应的第二图像信息;对第二图像信息进行特征提取,在第二图像信息包括松材线虫特征的情况下,基于第一图像信息生成目标林分中目标疫木的受害阶段检测信息;其中,第一图像信息包括目标林分中至少部分区域的生物信息,第二图像信息包括目标林分中目标变色木的木段信息。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的基于移动端的松材线虫病一体化预警及检测方法,该方法包括:对第一图像信息进行特征提取,在第一图像信息包括变色木特征、松材线虫寄主树种特征以及松材线虫媒介特征的情况下,获取目标林分对应的第二图像信息;对第二图像信息进行特征提取,在第二图像信息包括松材线虫特征的情况下,基于第一图像信息生成目标林分中目标疫木的受害阶段检测信息;其中,第一图像信息包括目标林分中至少部分区域的生物信息,第二图像信息包括目标林分中目标变色木的木段信息。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于移动端的松材线虫病一体化预警及检测方法,其特征在于,包括:
对第一图像信息进行特征提取,在所述第一图像信息包括变色木特征、松材线虫寄主树种特征以及松材线虫媒介特征的情况下,获取目标林分对应的第二图像信息;
对所述第二图像信息进行特征提取,在所述第二图像信息包括松材线虫特征的情况下,基于所述第一图像信息生成所述目标林分中目标疫木的受害阶段检测信息;
其中,所述第一图像信息包括所述目标林分中至少部分区域的生物信息,所述第二图像信息包括所述目标林分中目标变色木的木段信息。
2.根据权利要求1所述的基于移动端的松材线虫病一体化预警及检测方法,其特征在于,所述第一图像信息包括:第一子图像信息、第二子图像信息和第三子图像信息;
在所述对第一图像信息进行特征提取之前,所述方法包括:获取所述目标林分对应的第一子图像信息,所述第一子图像信息包括所述目标林分中的植物信息;
所述对第一图像信息进行特征提取,在所述第一图像信息包括变色木特征、松材线虫寄主树种特征以及松材线虫媒介特征的情况下,获取目标林分对应的第二图像信息,包括:
对所述第一子图像信息进行特征提取,在所述第一子图像信息包括所述变色木特征的情况下,获取所述目标林分对应的第二子图像信息,所述第二子图像信息包括所述目标林分中各类非变色木的信息;
对所述第二子图像信息进行特征提取,在所述第二子图像信息包括所述松材线虫寄主树种特征的情况下,获取所述目标林分对应的第三子图像信息,所述第三子图像信息包括所述目标林分中的目标动物信息;
对所述第三子图像信息进行特征提取,在所述第三子图像信息包括所述松材线虫媒介特征的情况下,获取所述目标林分对应的第二图像信息。
3.根据权利要求2所述的基于移动端的松材线虫病一体化预警及检测方法,其特征在于,
所述对所述第一子图像信息进行特征提取,包括:将所述第一子图像信息输入至目标神经网络的变色木检测层,获取由所述变色木检测层输出的变色木识别结果;
所述对所述第二子图像信息进行特征提取,包括:将所述第二子图像信息输入至所述目标神经网络的寄主树种识别层,获取由所述寄主树种识别层输出的松材线虫寄主树种识别结果;
所述对所述第三子图像信息进行特征提取,包括:将所述第三子图像信息输入至所述目标神经网络的媒介昆虫识别层,获取由所述媒介昆虫识别层输出的松材线虫媒介识别结果;其中,
所述变色木检测层为,以样本第一子图像信息为样本,以与所述样本第一子图像信息对应的样本变色木特征为样本标签,训练得到;
所述寄主树种识别层为,以样本第二子图像信息为样本,以与所述样本第二子图像信息对应的样本松材线虫寄主树种特征为样本标签,训练得到;
所述媒介昆虫识别层为,以样本第三子图像信息为样本,以与所述样本第三子图像信息对应的样本松材线虫媒介特征为样本标签,训练得到。
4.根据权利要求1所述的基于移动端的松材线虫病一体化预警及检测方法,其特征在于,
所述对所述第二图像信息进行特征提取,包括:将所述第二图像信息输入至目标神经网络的松材线虫识别层,获取由所述松材线虫识别层输出的松材线虫识别结果;
所述基于所述第一图像信息生成所述目标林分中目标疫木的受害阶段检测信息,包括:将所述第一图像信息输入至所述目标神经网络的受害阶段检测层,获取由所述受害阶段检测层输出的所述目标疫木的受害阶段检测信息;其中,
所述松材线虫识别层为,以样本第二图像信息为样本,以与所述样本第二图像信息对应的样本松材线虫特征为样本标签,训练得到;
所述受害阶段检测层为,以样本第一图像信息为样本,以与所述样本第一图像对应的样本受害阶段检测信息为样本标签,训练得到。
5.根据权利要求1-4任一项所述的基于移动端的松材线虫病一体化预警及检测方法,其特征在于,在所述对所述第二图像信息进行特征提取之后,所述方法还包括:
在所述第二图像信息包括所述松材线虫特征的情况下,确定所述目标林分为松材线虫病感病林分;
在所述第二图像信息不包括所述松材线虫特征的情况下,确定所述目标林分为一级预警林分。
6.根据权利要求1-4任一项所述的基于移动端的松材线虫病一体化预警及检测方法,其特征在于,在所述对第一图像信息进行特征提取之后,且在所述对所述第二图像信息进行特征提取之前,所述方法包括:
在所述第一图像信息包括所述松材线虫寄主树种特征和所述松材线虫媒介特征,且不包括所述变色木特征的情况下,确定所述目标林分为二级预警林分。
7.根据权利要求1-4任一项所述的基于移动端的松材线虫病一体化预警及检测方法,其特征在于,在所述对第一图像信息进行特征提取之后,且在所述对所述第二图像信息进行特征提取之前,所述方法包括:
在所述第一图像信息包括所述松材线虫寄主树种特征,且不包括所述松材线虫媒介特征和所述变色木特征的情况下,确定所述目标林分为三级预警林分。
8.一种基于移动端的松材线虫病一体化预警及检测装置,其特征在于,包括:
第一处理模块,用于对第一图像信息进行特征提取,在所述第一图像信息包括变色木特征、松材线虫寄主树种特征以及松材线虫媒介特征的情况下,获取目标林分对应的第二图像信息;
第二处理模块,用于对所述第二图像信息进行特征提取,在所述第二图像信息包括松材线虫特征的情况下,基于所述第一图像信息生成所述目标林分中目标疫木的受害阶段检测信息;
其中,所述第一图像信息包括所述目标林分中至少部分区域的生物信息,所述第二图像信息包括所述目标林分中目标变色木的木段信息。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述基于移动端的松材线虫病一体化预警及检测方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于移动端的松材线虫病一体化预警及检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210436868.0A CN114550017B (zh) | 2022-04-25 | 2022-04-25 | 基于移动端的松材线虫病一体化预警及检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210436868.0A CN114550017B (zh) | 2022-04-25 | 2022-04-25 | 基于移动端的松材线虫病一体化预警及检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114550017A CN114550017A (zh) | 2022-05-27 |
CN114550017B true CN114550017B (zh) | 2022-07-12 |
Family
ID=81666607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210436868.0A Active CN114550017B (zh) | 2022-04-25 | 2022-04-25 | 基于移动端的松材线虫病一体化预警及检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114550017B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116977865B (zh) * | 2023-09-22 | 2024-02-06 | 北京林业大学 | 基于单木尺度的松材线虫病感病风险预测方法 |
CN117975312B (zh) * | 2024-03-28 | 2024-06-07 | 安徽大学 | 用于松材线虫病识别的无人机拍摄图像处理*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011355A (zh) * | 2021-03-25 | 2021-06-22 | 东北林业大学 | 一种松材线虫病图像识别检测方法及装置 |
CN113033520A (zh) * | 2021-05-25 | 2021-06-25 | 华中农业大学 | 一种基于深度学习的树木线虫病害木识别方法及*** |
CN114387528A (zh) * | 2021-12-29 | 2022-04-22 | 浙江同创空间技术有限公司 | 松材线虫病监测天空地一体化监测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FI20185930A1 (fi) * | 2018-11-02 | 2020-05-03 | Collectivecrunch Oy | Metsäpalstan kohdeattribuutin ennustaminen |
-
2022
- 2022-04-25 CN CN202210436868.0A patent/CN114550017B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011355A (zh) * | 2021-03-25 | 2021-06-22 | 东北林业大学 | 一种松材线虫病图像识别检测方法及装置 |
CN113033520A (zh) * | 2021-05-25 | 2021-06-25 | 华中农业大学 | 一种基于深度学习的树木线虫病害木识别方法及*** |
CN114387528A (zh) * | 2021-12-29 | 2022-04-22 | 浙江同创空间技术有限公司 | 松材线虫病监测天空地一体化监测方法 |
Non-Patent Citations (1)
Title |
---|
基于U-Net网络和无人机影像的松材线虫病变色木识别;张瑞瑞 等;《农业工程学报》;20200630;第36卷(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114550017A (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114550017B (zh) | 基于移动端的松材线虫病一体化预警及检测方法和装置 | |
Naikwadi et al. | Advances in image processing for detection of plant diseases | |
CN112668490B (zh) | 基于YOLOv4的害虫检测方法、***、装置及可读存储介质 | |
CN106844614A (zh) | 一种户型图功能区域快速识别*** | |
Schmid et al. | The LOKI underwater imaging system and an automatic identification model for the detection of zooplankton taxa in the Arctic Ocean | |
WO2017194399A1 (en) | Recognition of weed in a natural environment | |
CN103528617A (zh) | 一种座舱仪表自动识别和检测方法及装置 | |
Delplanque et al. | Multispecies detection and identification of African mammals in aerial imagery using convolutional neural networks | |
EP3279831A1 (en) | Recognition of weed in a natural environment using a digital image | |
CN109063482A (zh) | 宏病毒识别方法、装置、存储介质及处理器 | |
CN114897655B (zh) | 基于视觉的防疫控制方法及装置、存储介质、电子设备 | |
CN111340096A (zh) | 一种基于对抗互补学习的弱监督蝴蝶目标检测方法 | |
CN111091131B (zh) | 基于多任务学习的自适应车牌字符识别***及识别方法 | |
Cochero et al. | A convolutional neural network to recognize Chagas disease vectors using mobile phone images | |
Greenberg | Automated image recognition for wildlife camera traps: Making it work for you | |
CN116977865B (zh) | 基于单木尺度的松材线虫病感病风险预测方法 | |
CN117671499A (zh) | 基于深度学习的花卉等级自动分类分拣与病虫害监测*** | |
CN114266979A (zh) | 茶树病虫害智能识别方法、装置、设备及存储介质 | |
JP2022053470A (ja) | 温室効果ガス判別プログラム | |
CN116310913B (zh) | 基于小型无人机测量技术的自然资源调查监测方法及装置 | |
Weinstein et al. | Geographic generalization in airborne RGB deep learning tree detection | |
CN116721060A (zh) | 一种基于注意力机制的红棕象甲虫检测方法 | |
CN116757998A (zh) | 基于ai的ctc细胞和ctc样细胞的筛查方法及装置 | |
AU2021104683A4 (en) | Smart Tree Health Assessment (THA) model using advanced computer vision techniques and machine learning | |
CN112508946B (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 |
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 |