[发明专利]一种基于深度学习的树木线虫病害木识别方法及系统

说明书

本发明涉及一种基于深度学习的树木线虫病害木识别方法及系统,其方法包括采集树木线虫病害区域的影像信息，对影像信息中的病害木位点进行标记并形成标记点；基于标记点构建以病害木位点为中心的二维高斯空间置信图；构建多尺度空间注意力卷积神经网络模型，并利用二维高斯空间置信图结合深度学习算法对多尺度空间注意力卷积神经网络模型进行训练；利用训练后的多尺度空间注意力卷积神经网络模型对目标区域树木线虫病害进行预测识别，得到病害预测结果。本发明可提高目标识别的准确性，通过多尺度空间注意力卷积神经网络模型融合不同感受野下的特征图，将多分辨率的深度信息整合到常规空间语义中，提升模型对于病害木与周围关系的学习和识别能力。

技术领域

本发明涉及森林病虫害防治技术领域，尤其涉及一种基于深度学习的树木线虫病害木识别方法及系统。

背景技术

目前，森林病虫害已经严重威胁到森林可持续发展的进程，每年造成经济损失高达数亿元。比如，松材线虫由于其具有扩散快，致病机理复杂等问题，已经成为林业管理中主要的防治对象。然而基于传统人工调查的方法耗时耗力，不能很好的掌握病害发生范围，往往错过了最佳防治期限。同时，遭受松材线虫病害的森林由于其林分组成和爆发程度多样，使得利用传统分类手段在识别病害木的研究并不能实现良好的泛化能力，往往一种方法只适用于特定条件下的检测场景。在森林复杂的背景之下，树冠没有固定的特征形态，且冠幅大小各异，单一的特征提取结构很难为多种目标的识别提供全面的信息，而且森林还中存在着大量连片的其他用地类型(如裸土、水域、房屋建筑、农田等)的干扰，在单木水平上的检测效果并不令人满意。针对检测效果不佳的现状，目前主要存在的原因如下：

(1)在复杂的森林背景下，通过人工设计的底层特征并不能有效反映图像丰富的信息，同时由于森林裸土和阴影的存在，极大阻碍了检测效果。如何提取有效的特征在一定程度上决定了模型的分类能力。然而，对于最终用户来说，定义这些复杂的特征通常需要大量的经验和专家知识。而且，即使经过各种特征的复杂设计过程，仍然很难找到最有效的特征用于识别不同的对象。

(2)在众多的目标检测任务中，都是采用勾画外接框的标记方法，而在实际的森林病害木调查中，都是以坐标点的标记方式。这给利用传统标记方式的训练框架带来了难度。通过内业标记病害木范围的方法不仅增加了工作量，而且容易引入人为误差，如何基于标记点来生成病害木的可训练范围将是研究的重点。

(3)森林检测环境较为复杂，面对分布各异的病害木检测任务，在保证准确检测病害木的前提下，尽量多的检测病害木也非常关键，在一般的森林病害木发病区域，既包含零散分布的检测对象，也包含集中分布的检测对象。前者的检测需要模型能够学习更加广泛的空间信息，以达到识别距离较远的对象；后者的检测需要模型学习目标之间的边界信息，如何解决间距较近的树冠被误判为一个对象的情况。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足，基于深度学习的树木线虫病害木识别方法，涉及植物病虫害防治领域，解决了现有树木病虫害分类识别方法存在的图像识别率低、模型结构复杂、预测精准度低的问题，提供一种基于深度学习的树木线虫病害木识别方法及系统。

本发明解决上述技术问题的技术方案如下：一种基于深度学习的树木线虫病害木识别方法，包括如下步骤：

采集树木线虫病害区域的影像信息，对所述影像信息中的病害木位点进行标记并形成标记点；

基于所述标记点构建以病害木位点为中心的二维高斯空间置信图；

构建多尺度空间注意力卷积神经网络模型，并利用所述二维高斯空间置信图结合深度学习算法对所述多尺度空间注意力卷积神经网络模型进行训练；

利用训练后的所述多尺度空间注意力卷积神经网络模型对目标区域树木线虫病害进行预测识别，得到病害预测结果。

在上述技术方案的基础上，本发明还可以做如下改进：