【技术实现步骤摘要】
本专利技术涉及护坡植被优选领域，尤其涉及一种基于机器视觉的护坡植被优选系统及方法。
技术介绍
1、在工程扰动下，不可避免地会造就裸露边坡，而植被护坡已经成为治理裸露边坡最直接且最有效的新型手段。护坡植被能形成良好的生态结构，进而有效化解传统防护措施与生态环境保护间矛盾。裸露边坡土体与水能够为护坡植被的生长提供基础条件，护坡植被能够为裸露边坡创造更好的生态环境，降低土体的渗透性和减少雨水的入渗速率，庞大的护坡植被根系网络可以改善土体结构。
2、护坡植被的合理选择是裸露边坡复绿和提高裸露边坡稳定性的前提条件。然而，对于护坡植被的选择，现有研究大多是从常用护坡植被中直接挑选，并没有因地制宜地配置护坡植被，且无法保证护坡植被的生长质量。通过现有方法挑选和配置的护坡植物通常无法长久存活，进而无法与边坡形成良好的生态环境。机器视觉是利用机器来模拟眼睛的视觉功能，通过机器的软硬件建立三维场景和二维图像间的对应关系，进而有效捕捉视觉信息，并让视觉信息更直观地进行表现。机器视觉具有实时性、自动化和高精度等特征，能实现对客观世界的感知和识别，广泛应用于缺陷检测、食品分拣和作物识别等领域，但在护坡植被优选领域鲜少运用。
3、综上，亟需一种新的技术方案，用以解决如何通过机器视觉技术因地制宜地选择护坡植被的技术问题。
技术实现思路
1、本专利技术提供了一种基于机器视觉的护坡植被优选系统及方法，用以解决如何通过机器视觉技术因地制宜地选择护坡植被的技术问题。
2、为实现上述目
3、图像采集模块用于按预设频率采集目标边坡的原始图像，并将原始图像发送至图像预处理模块；目标边坡包括预设种类和数量的待选植被；
4、图像预处理模块用于接收原始图像，将原始图像按待选植被的种类进行切片，得到切片图像集，并将切片图像组发送至图像分析模块；
5、图像分析模块用于接收切片图像集，通过粒子群算法优化快速模糊c均值聚类对切片图像集进行分析，得到第一数据，并将第一数据发送至数据处理模块；第一数据包括全部待选植被的预设生长参数数据；
6、数据处理模块用于接收第一数据，并根据第一数据对全部待选植被进行健康度评估，得到第二数据，根据第二数据选择健康度最高的待选植被作为目标边坡的护坡植被。
7、优选的，图像采集模块包括照明单元、供电单元、图像采集单元和支撑单元；
8、供电单元用于为照明单元、图像采集单元提供电源；照明单元用于提供光源；支撑单元用于固定照明单元、供电单元和图像采集单元；
9、图像采集单元用于按预设频率采集目标边坡的原始图像，并将原始图像发送至图像预处理模块；原始图像包括时间信息。
10、优选的，图像预处理模块包括图像读取单元、图像切片单元和亮度自适应单元；
11、图像读取单元用于接收原始图像；图像切片单元用于根据原始图像按待选植被的种类进行切片，得到子图像集；子图像集中的图像包括种类信息；
12、亮度自适应单元用于处理子图像集中图像光照不均匀的影响，得到切片图像集，并将切片图像集发送至图像分析模块。
13、优选的，通过粒子群算法优化快速模糊c均值聚类对切片图像集进行分析包括：
14、步骤一：获取切片图像集中单张切片图像的分辨率，将切片图像从rgb彩色空间转到lab空间，得到lab像素矩阵；分别提取lab空间a通道和b通道中的数据，将a通道和b通道的数据进行扁平化处理，再将扁平化后的a通道和b通道数据按水平方向合并，得到第一矩阵x[n]；通过快速傅里叶变换将第一矩阵x[n]的数据转换至频域，得到第二矩阵x[k]：
15、
16、其中，x[n]表示原始的离散时间信号在样本索引为n处的值；k表示频域中的频率索引变量；n表示样本点总数；n表示样本索引变量；
17、步骤二：设置粒子群优化快速模糊c均值算法的参数，初始化粒子位置和速度，每个粒子的位置代表一组聚类中心；将快速模糊c均值算法目标函数作为适应度函数；目标函数根据给定的聚类中心计算目标函数值；
18、步骤三：通过pso算法对快速模糊c均值算法进行迭代优化，包括：
19、采用更新粒子的速度和位置，计算新的适应度值，若新的适应度值小于个体最佳适应度值，则更新个体最佳位置和适应度值，包括：
20、
21、其中，为第i个粒子再第t+1次时的速度向量；w为惯性权重；为第i个粒子再第t次时的速度向量；c1和c2为学习因子，通常为非负常数；rand()为(0，1)之间的随机数；pbesti为第i个粒子迄今为止找到的个体最佳位置；为第i个粒子在第次迭代时的位置向量；gbest为整个粒子找到的全局最佳位置；第i个粒子在第次迭代时的位置向量。
22、从优化后的粒子位置中提取聚类中心，同时初始化频域中样本与聚类中心的差异矩阵，用以计算样本与聚类中心的相似性距离，包括：
23、
24、其中，dij表示第i个样本与第j个聚类中心在频域的相似性距离；a表示快速傅里叶变后的样本数据矩阵；c表示聚类中心矩阵；aik表示矩阵a中第i行第k列的元素；cjk表示矩阵c中第j行第k列的元素；m表示频域特征维度；
25、更新隶属度矩阵，可通过如下关系式进行表示：
26、
27、其中，c表示聚类的类别；m表示模糊指数；dij表示数据点i到聚类中心j的相似性距离；dik表示数据点i到聚类中心k的相似性距离；uij表示第i数据属于第j个聚类中心的隶属度；
28、检查是否收敛，可通过如下关系式进行表示：
29、||unew-u||＜ε
30、其中，unew表示当前迭代得到的新隶属矩阵；u表示上一次迭代的隶属度矩阵；ε表示收敛阈值；
31、若未收敛则重新迭代；若收敛则循环结束，以绿色类别隶属度的平均值作为阈值，根据阈值生成掩码，得到属于绿色类别的像素点；
32、步骤四：根据绿色类别的像素点计算全部待选植被的预设生长参数数据，包括：
33、计算植被覆盖度f：
34、
35、其中，n表示绿色像素点数，m表示目标边坡的总像素；
36、进行连通区域分析，计算种子发芽率gr，可通过如下关系式进行表示：
37、
38、其中，n表示切片图像的连通域数量，s表示护坡植被的种子数；
39、获取每个联通区域的像素数量乘以每个像素点代表实际面积，计算植被生长均匀度s，用以衡量植被面积数据集的离散程度，包括：
40、
41、其中，表示植被面积平均值，ai表示切片图像中第i株植被的面积；
42、根据植被覆盖度f、种子发芽率gr和植被生长均匀度s得到第一子数据；
43本文档来自技高网...
【技术保护点】
1.一种基于机器视觉的护坡植被优选系统，其特征在于，包括图像采集模块、图像预处理模块、图像分析模块和数据处理模块；
2.根据权利要求1所述的基于机器视觉的护坡植被优选系统，其特征在于，所述图像采集模块包括照明单元、供电单元、图像采集单元和支撑单元；
3.根据权利要求2所述的基于机器视觉的护坡植被优选系统，其特征在于，所述图像预处理模块包括图像读取单元、图像切片单元和亮度自适应单元；
4.根据权利要求3所述的基于机器视觉的护坡植被优选系统，其特征在于，所述通过粒子群算法优化快速模糊C均值聚类对所述切片图像集进行分析包括：
5.根据权利要求4所述的基于机器视觉的护坡植被优选系统，其特征在于，根据所述第一数据对全部待选植被进行健康度评估，得到第二数据包括：
6.一种基于机器视觉的护坡植被优选方法，基于权利要求5所述的系统，其特征在于，所述方法包括：
7.根据权利要求6所述的基于机器视觉的护坡植被优选方法，其特征在于，通过所述图像采集模块按预设频率采集目标边坡的原始图像，并将所述原始图像发送至所述图像预处理模块包括：
8.根据权利要求7所述的基于机器视觉的护坡植被优选方法，其特征在于，通过所述图像预处理模块接收所述原始图像，将所述原始图像按待选植被的种类进行切片，得到切片图像集，并将所述切片图像组发送至所述图像分析模块包括：
9.根据权利要求8所述的基于机器视觉的护坡植被优选方法，其特征在于，所述通过粒子群算法优化快速模糊C均值聚类对所述切片图像集进行分析包括：
10.根据权利要求9所述的基于机器视觉的护坡植被优选方法，其特征在于，根据所述第一数据对全部待选植被进行健康度评估，得到第二数据包括：
...【技术特征摘要】
1.一种基于机器视觉的护坡植被优选系统，其特征在于，包括图像采集模块、图像预处理模块、图像分析模块和数据处理模块；
2.根据权利要求1所述的基于机器视觉的护坡植被优选系统，其特征在于，所述图像采集模块包括照明单元、供电单元、图像采集单元和支撑单元；
3.根据权利要求2所述的基于机器视觉的护坡植被优选系统，其特征在于，所述图像预处理模块包括图像读取单元、图像切片单元和亮度自适应单元；
4.根据权利要求3所述的基于机器视觉的护坡植被优选系统，其特征在于，所述通过粒子群算法优化快速模糊c均值聚类对所述切片图像集进行分析包括：
5.根据权利要求4所述的基于机器视觉的护坡植被优选系统，其特征在于，根据所述第一数据对全部待选植被进行健康度评估，得到第二数据包括：
6.一种基于机器视觉的护坡植被优选方法，...
【专利技术属性】
技术研发人员：李嘉兵，张红日，欧阳淼，李侑军，尹平保，张永杰，张震，李懿德，蒋群波，
申请(专利权)人：长沙理工大学，
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。