[发明专利]入侵植物的监测方法及系统

说明书

本发明涉及入侵植物监测领域，具体涉及一种入侵植物的监测方法及系统。本发明把飞行器、控制平台和监测平台建立了入侵植物的监测系统，通过该系统能够快速精准识别大、中、小规模的入侵植物，尤其是能在入侵植物爆发前监测到入侵植物，且提供更高分辨率的图像信息，基于深度卷积神经网络的识别算法能更快速、更准确识别入侵植物。

技术领域

本发明涉及入侵植物监测领域，具体涉及一种入侵植物的监测方法及系统。

背景技术

某些植物被有意或无意引入非正常分布的区域，并在新栖息地爆发式生长繁殖，改变原有的生物地理分布，打乱生态系统的原有结构和功能，破坏当地生态系统多样性，从而成为入侵植物。

入侵植物一般分布无规律，且与本地植物混杂，可见光下视觉辨识度低，加之野外环境复杂多变，因此，一般检测方法很难实现对入侵植物实时精准监测。现有技术中针对入侵植物的监测方法主要有人工踏查、高空遥感和卫星遥感。高空遥感和卫星遥感能较快速的检测出大规模入侵植物分布状况，但受限于图像分辨率和识别算法智能化程度，往往将中小规模入侵植物作为误差点忽略掉，不利于指导入侵植物的早期防治，错过防治入侵植物的最佳时期。高空遥感和卫星遥感还易受云层干扰，监测成本高，灵活性差，很难满足入侵植物监测中对于速度和成本的要求。

因此，随着入侵植物的危害性日益增加，目前迫切需要开发一种新的监测技术快速精准监测入侵植物。

发明内容

为了解决现有技术中存在的灵活性差、成本高的问题，本发明提供一种快速精准监测入侵植物的方法，为入侵植物的早期预警和防治提供数据依据。

本发明的目的是提供一种入侵植物监测方法。

本发明的再一目的是提供一种入侵植物的监测系统。

根据本发明具体实施方式的入侵植物监测方法，其包括以下步骤：

获取待监测区域的地面高光谱图像；

确定目标入侵植物成像的敏感光谱波段，提取所述高光谱图像中目标入侵植物和背景的光谱特征，利用光谱波段和所述目标入侵植物-其他典型背景光谱特征差异性的定量模型找出差异性最大值对应的光谱波段，从而确定所述目标入侵植物成像的敏感光谱波段，以实现所述目标入侵植物和其他典型背景在视觉上的区分；

构建深度卷积神经网络结构，提取所述目标入侵植物成像的敏感光谱波段下的图像，选取部分图像分成训练集和测试集，用训练集训练所述深度卷积神经网络，然后用测试集进行测试训练生成的深度卷积神经网络；

若测试结果达到预期标准，则训练完成；若测试结果未达到预期标准，则调整深度卷积神经网络结果，重新用测试集测试深度卷积神经网络，直接测试结果大于预期结果，训练完成；

利用训练完成的深度卷积神经网络对未被选取的高光谱图形进行识别，标识出入侵植物和背景。

根据本发明具体实施方式的入侵植物监测方法，将选取的部分图像裁剪成多个正方形单元，正方形单元为固定尺寸大小，一般能被2整除，常用尺寸32,64,96,128，224,384和512等。

根据本发明具体实施方式的入侵植物监测方法，用训练集训练所述深度卷积神经网络时，设置训练参数为学习率衰减因子为0.5，学习率衰减周期为100，初始学习率为0.001，训练循环最高次数为150，随机抽取的样本数为800。

根据本发明具体实施方式的入侵植物监测方法，基于统计分析计算待监测区域，每个像素点的危害热力值，具体计算公式如下：式中h_ij表示所述识别结果中单个入侵植物连通区域中像素点的危害热力值，l_ijmin和l_ijmax是像素点(i,j)到所在连通区域边缘的最近距离和最远距离；根据危害热力值大小赋予所述像素点对应颜色，从而生成入侵植物分布可视化热图。