【技术实现步骤摘要】
本专利技术涉及数据处理，尤其涉及一种行道树安全风险特征的检测方法、系统、设备及存储介质。
技术介绍
1、行道树是城市绿化的重要组成部分，在减少温室气体排放、净化空气、改善心理健康等方面起到关键作用。行道树病虫害会降低树木活力，并可能导致广泛的树木死亡，降低城市景观品质和城市空气质量，增加城市管理成本，影响生态系统稳定和健康水平，对城市生态环境和市民生活造成了多方面的危害。据调查，目前上海市行道树的安全风险主要来源于病虫害，其中，在树干处常见的病虫害主要包括树洞、机械损伤、白蚁、腐败、天牛和真菌等。这些病虫害不仅单独存在，还会相互影响，加重树木损伤。近年来，对行道树的养护工作一直是上海市城市建设的重要任务，对上海市未来发展具有重要意义。
2、在病虫害检测任务中，病虫害具有形态复杂、大小不一、分布不均等特性，导致病虫害的边界目标的确定较难，出现误检、漏检以及不完整检测的情况，降低了检测精度。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种行道树安全风险特征的检测方法、系统、设备及存储介质，用于解决现有技术中由于人工排查的方式虽然在识别行道树树干病虫害时具有较高的精确度，但是其成本高、容易遗漏，且对排查人员有较高的专业知识的要求，使得大范围的监测和识别上存在一定的局限性，难以全面掌握城市行道树病虫害情况的问题。
2、第一方面，本申请提供了一种行道树安全风险特征的检测方法，包括：
3、获取行道树上树干的待识别图像信息；
4、采用预
5、其中，所述检测模型是基于改进后的yolov8网络预训练得到的，改进后的yolov8网络包括选择性多尺度卷积核注意力机制模块，且改进后的yolov8网络采用wiou损失作为损失函数。
6、在其中一个实施例中，预训练检测模型的步骤，包括：获取行道树上树干的图像信息；预处理所述图像信息，得到训练样本；将所述训练样本输入改进后的yolov8网络，提取病虫害特征；基于所述选择性多尺度卷积核注意力机制模块，处理提取的所述病虫害特征，得到优化特征向量；根据所述优化特征向量，得到预测结果；基于所述损失函数，计算所述预测结果和真实值的损失值，根据所述损失值优化改进后的yolov8网络的超参数，直至预测结果满足预设训练要求，得到训练好的检测模型。
7、在其中一个实施例中，改进后的yolov8网络还包括平均池化模块，所述平均池化模块设置于改进后的yolov8网络的特征融合网络中。
8、在其中一个实施例中，预训练检测模型的步骤，还包括：提取的病虫害特征先经过所述平均池化模块进行池化处理，再输入所述选择性多尺度卷积核注意力机制模块。
9、在其中一个实施例中，所述预处理所述图像信息，得到训练样本，包括：对所述图像信息进行数据清洗和数据增强操作，得到图像数据集；对所述图像数据集中的原始图像进行标注，得到标注图像；所述原始图像和其对应的标注图像构成所述训练样本。
10、在其中一个实施例中，改进后的yolov8网络的损失值计算包括分类分支和回归分支，所述回归分支采用wiou损失作为损失函数。
11、在其中一个实施例中，所述回归分支采用wiou损失作为损失函数，包括：
12、lwiouv3＝γlwiouv1
13、
14、lwiouv1＝rwiouliou
15、
16、其中，α和δ分别表示超参数；wg和hg分别表示两框最小外接矩形的宽和高，(x,y)表示预测框的中心点坐标，(xgt,ygt)表示真实框的中心点坐标；b表示预测框，bgt表示真实框；表示任意一个预测框的iou损失。
17、第二方面，本申请提供了一种行道树安全风险特征的检测系统，包括：
18、获取模块，用于获取行道树上树干的待识别图像信息；
19、检测模块，用于采用预训练的检测模型，对所述待识别图像信息上的病虫害进行检测，得到检测结果；其中，所述检测模型是基于改进后的yolov8网络预训练得到的，改进后的yolov8网络包括选择性多尺度卷积核注意力机制模块，且改进后的yolov8网络采用wiou损失作为损失函数。
20、第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面中任一项所述的方法步骤。
21、第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面中任一项所述的方法步骤。
22、上述一种行道树安全风险特征的检测方法、系统、设备及存储介质，至少具有以下优点：
23、本申请的选择性多尺度卷积核注意力机制模块，可使模型更加自适应地选择合适的感受野，捕获多尺度的病虫害特征信息，提高了检测能力；采用wiou损失作为损失函数，可以聚焦于普通质量的锚框，帮助模型更精准地确定病虫害边界目标，降低了误检、漏检以及不完整检测的风险。基于改进后的yolov8网络训练得到的检测模型，可对普通质量的行道树树干的图像信息进行多尺度的病虫害识别，且识别精度高，为城市绿化管理和决策提供了更全面的参考依据。
本文档来自技高网...【技术保护点】
1.一种行道树安全风险特征的检测方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，预训练检测模型的步骤，包括：
3.如权利要求2所述的方法，其特征在于，改进后的YOLOv8网络还包括平均池化模块，所述平均池化模块设置于改进后的YOLOv8网络的特征融合网络中。
4.如权利要求3所述的方法，其特征在于，预训练检测模型的步骤，还包括：
5.如权利要求2所述的方法，其特征在于，所述预处理所述图像信息，得到训练样本，包括：
6.如权利要求1-5中任一项所述的方法，其特征在于，改进后的YOLOv8网络的损失值计算包括分类分支和回归分支，所述回归分支采用WIOU损失作为损失函数。
7.如权利要求6所述的方法，其特征在于：所述回归分支采用WIOU损失作为损失函数，包括：
8.一种行道树安全风险特征的检测系统，其特征在于，包括：
9.一种计算机设备，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，其特征在于：所述处理器执行所述程序时实现权利要求1-7中任意一项
10.一种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权利要求1-7中任意一项所述的方法。
...【技术特征摘要】
1.一种行道树安全风险特征的检测方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，预训练检测模型的步骤，包括：
3.如权利要求2所述的方法，其特征在于，改进后的yolov8网络还包括平均池化模块，所述平均池化模块设置于改进后的yolov8网络的特征融合网络中。
4.如权利要求3所述的方法，其特征在于，预训练检测模型的步骤，还包括：
5.如权利要求2所述的方法，其特征在于，所述预处理所述图像信息，得到训练样本，包括：
6.如权利要求1-5中任一项所述的方法，其特征在于，改进后的yolov8...
【专利技术属性】
技术研发人员：王本耀，胡国华，张彦婷，奉树成，宋天阳，于天赐，袁尚炎，杨瑞卿，
申请(专利权)人：上海市绿化管理指导站，
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。