【技术实现步骤摘要】
本专利技术涉及图像数据处理的，具体为一种人工林健康程度的监测方法。
技术介绍
1、人工林是指由人类种植和管理的森林，与天然林相比，人工林在树种结构、密度、管理方式等方面具有不同的特征，因此在健康监测上也有其独特的需求；
2、现阶段对于人工林健康监测面临着以下难题：
3、现阶段对于图像数据的采集，采用的是常规图像遥感技术，主要使用可见光和近红外波段，而忽略了中红外和热红外波段，这些波段对于识别植物水分含量、温度变化和病害特征非常重要；
4、人工林通常由单一或少数树种组成，且密度较高，这使得遥感图像难以区分个体树木或识别局部健康状况。此外，不同生长阶段的人工林在光谱响应上也存在差异，增加了监测难度。
技术实现思路
1、鉴于上述存在的问题，提出了本专利技术。
2、为解决上述技术问题，本专利技术提供如下技术方案：一种人工林健康程度的监测方法，包括以下步骤，
3、利用无人机遥感技术收集人工林图像数据，并将收集的图像数据构建为光谱图像数据进行人工林健康程度分类，包括，
4、构建光谱图像数据集，并通过计算人工林的归一化差异植被指数对人工林健康程度进行初分类；
5、基于深度学习算法构建人工林健康监测模型，同时输入光谱图像数据训练集对人工林健康监测模型进行训练，包括，
6、基于光谱图像数据中节点的空间关系构建图结构，以及利用图神经网络构建人工林健康监测模型，并根据搭建的人工林健康监测模型进行人工林健康分类
7、利用目标检测算法对人工林健康监测模型进行优化，并根据优化之后的人工林健康监测模型的输出结果进行健康程度评定，包括，
8、利用yolo目标检测算法对人工林健康监测模型进行优化，具体为：
9、通过计算定位损失、置信度损失以及分类损失对人工林健康监测模型进行优化训练。
10、作为本专利技术所述一种人工林健康程度的监测方法的一种优选方案，其中：所述对人工林健康程度进行初分类具体如下：
11、
12、其中，表示提取的红外波段的反射率，表示提取的红光波段的反射率，表示计算的归一化差异植被指数，用于对人工林健康程度进行初分类，具体如下：
13、当计算的归一化差异植被指数满足公式时，当前图像中对应的人工林区域中的植被划分至健康类别；
14、当计算的归一化差异植被指数满足公式时，当前图像中对应的人工林区域中的植被划分至死亡类别；
15、作为本专利技术所述一种人工林健康程度的监测方法的一种优选方案，其中：所述基于多光谱图像数据集中节点的空间关系构建图结构具体如下：
16、对于两个区域节点、，基于生态相似性与物理距离对二者的空间关系进行描述，则有，
17、
18、
19、
20、其中，表示节点、之间的边的权重，表示节点之间的空间关系强度，表示节点之间的欧几里得距离，表示节点之间的生态相似性，表示环境影响因子，表示距离衰减因子，用于表示物理距离对边权重的影响程度，且取值为正值，衰减因子的大小与对边权重影响程度成正比，表示生态相似性调整因子，用于控制生态相似性对边权重的影响程度，、分别表示节点、的值，表示环境衰减因子，用于表示节点之间的环境条件差异，、分别表示节点、的环境条件，包括光照强度以及水分含量。
21、作为本专利技术所述一种人工林健康程度的监测方法的一种优选方案，其中：所述利用图神经网络构建人工林健康监测模型具体如下：
22、基于计算的值构建每个节点的特征向量，则有，，表示第个节点的初始特征向量，表示第个节点的值；
23、利用构建的特征向量，通过图结构的边，从相邻节点的接收信息，并进行特征更新，则有，
24、从相邻节点接收信息，则有，
25、
26、根据接收的信息，进行特征更新，则有，
27、
28、其中，表示节点的第层特征向量，表示节点、在第层的边的权重，表示节点、在第层的环境影响因子，表示消息函数，用于从相邻节点接收信息，表示节点从相邻节点中接收到的第层的信息，表示非线性激活函数，表示节点在第层更新后的特征向量。
29、作为本专利技术所述一种人工林健康程度的监测方法的一种优选方案，其中：所述人工林健康分类具体如下：
30、根据softmax函数进行人工林健康分类，具体为：
31、
32、其中，表示输出函数的权重矩阵，由实施人员根据实际应用场景设定，表示图神经网络的层数，表示节点的第层特征向量，表示softmax函数值，用于对人工林进行健康分类，具体分类如下：
33、为当前节点通过softmax函数转换的概率分布，根据进行人工林健康分类，表示最大类别，则有，
34、将人工林健康程度分为健康、亚健康以及不健康三种类别，且每种类别对softmax函数值的取值区间范围；
35、为当前节点的概率分布中最大类别，根据最大类别的结果，将当前节点对应的人工林区域的健康程度进行类别匹配。
36、作为本专利技术所述一种人工林健康程度的监测方法的一种优选方案，其中：所述利用yolo目标检测算法对人工林健康监测模型进行优化具体如下：
37、对于人工林健康监测模型的分类结果，将不同健康状态的区域对应的遥感图像进行标注，并为健康、亚健康以及不健康区域生成对应的边界框；
38、利用yolo目标检测算法进行优化，包括，定位损失、置信度损失以及分类损失，所述定位损失用于度量预测的边界框与实际边界框之间的位置和尺寸差异，所述置信度损失用于衡量预测边界框是否包含目标对象，以及预测的置信度与实际的差异，所述分类损失用于衡量预测的类别概率与实际类别之间的差异。
39、作为本专利技术所述一种人工林健康程度的监测方法的一种优选方案，其中：所述定位损失具体计算如下：
40、对于中心坐标的损失，
41、
42、对于宽高的损失，
43、
44、其中，表示网络划分的大小，本实施例中的网络划分的大小为，表示每个网络单元预测边界框数量，表示网络单元的边界框是否包含目标，表示人工林健康监测模型监测对于树木分类的边界框的中心坐标，、表示人工林健康监测模型对于树木分类的边界框的宽和高，表示目标检测算法对于树木分类预测的边界框的中心坐标，、表示目标检测算法对于树木分类预测的边界框的宽和高，表示中心坐标的损失，表示宽高的损失。
45、作为本专利技术所述一种人工林健康程度的监测方法的一种优选方案，其中：所述置信度损失以及分类损失具体计算如下：
46、
47、其中，表示网络划分的大小，本实施例中的网络划分的大小为，表示每个网络单元预测边界框数量，表示网络单元的边界框是否包含目标，表示人工林健康监测模型对树木分类的置信度得分，表示目标检测算法对于树木分类预测的置信度得本文档来自技高网...
【技术保护点】
1.一种人工林健康程度的监测方法，其特征在于：包括以下步骤，
2.如权利要求1所述的一种人工林健康程度的监测方法，其特征在于：所述对人工林健康程度进行初分类具体如下：
3.如权利要求2所述的一种人工林健康程度的监测方法，其特征在于：所述基于光谱图像数据中节点的空间关系构建图结构具体如下：
4.如权利要求3所述的一种人工林健康程度的监测方法，其特征在于：所述利用图神经网络构建人工林健康监测模型具体如下：
5.如权利要求4所述的一种人工林健康程度的监测方法，其特征在于：所述人工林健康分类具体如下：
6.如权利要求5所述的一种人工林健康程度的监测方法，其特征在于：所述利用YOLO目标检测算法对人工林健康监测模型进行优化具体如下：
7.如权利要求6所述的一种人工林健康程度的监测方法，其特征在于：所述定位损失具体计算如下：
8.如权利要求7所述的一种人工林健康程度的监测方法，其特征在于：所述置信度损失以及分类损失具体计算如下：
【技术特征摘要】
1.一种人工林健康程度的监测方法，其特征在于：包括以下步骤，
2.如权利要求1所述的一种人工林健康程度的监测方法，其特征在于：所述对人工林健康程度进行初分类具体如下：
3.如权利要求2所述的一种人工林健康程度的监测方法，其特征在于：所述基于光谱图像数据中节点的空间关系构建图结构具体如下：
4.如权利要求3所述的一种人工林健康程度的监测方法，其特征在于：所述利用图神经网络构建人工林健康监测模型具体如下：
5...
【专利技术属性】
技术研发人员：贾国栋，孟君，朱长轩，王堃莹，傅楷翔，蒋涛，丁兵兵，严涵，武昱鑫，李雪涵，李昌霖，张潇，张玉珊，刘子奇，刘子赫，冯岩开，王玉石，王欲坤，王丽芳，王旭，
申请(专利权)人：北京林业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。