[发明专利]一种互花米草识别与预警方法

说明书

本发明涉及一年四季中零散斑块互花米草的识别监测与预警，尤其是互花米草识别与预警方法，其识别与预警方法为：一、搭建采集平台，采集互花米草图像；二、图像拼接与分割；三、制作训练集、验证集、测试集；四、选择主流的卷积神经网络，进行模型的训练、验证与测试。五、判断识别准确率，选择满足条件的卷积神经网络；六、分别训练四个时期的数据，进行互花米草的空间分布；七、构建危害等级评估模型；八、获取互花米草的扩散距离；九、获取互花米草的生物量作物参数；十、生成互花米草预警可视化热图。本发明实现了局域尺度下互花米草的精准识别，并生成预警可视化热图，为互花米草早期的监测与防治提供数据资料。

技术领域

本发明涉及一种互花米草识别与预警方法。

背景技术

互花米草原产于北美洲，具有抗击风沙，保护河堤等优点。出于保滩护岸的目的，我国于1979年从美国引进互花米草的幼苗和种子，并在福建省罗源湾进行试种实验，其后在我国沿海地区开始推广试种。互花米草通过有性繁殖和无性繁殖来扩大种群，经过多年的扩散，已经广泛分布到中国海岸潮间带，对中国的滨海湿地生态系统的结构和功能造成严重影响。由于当前卫星遥感分辨率低下等特点，难以对零散斑块的互花米草进行监测，针对此情况，提出一种基于无人机遥感的监测方法，可以对零散斑块的互花米草进行监测，并且制作预警模型，预测未来时期互花米草的大致扩散情况，从而对早期的互花米草进行防治与根除。

发明内容

本发明为了解决零散斑块互花米草的监测与预警问题，从而提出一种基于无人机遥感和深度学习神经网络的互花米草识别与预警方法。

本发明按照以下步骤进行：

一种互花米草识别与预警方法，其包括以下步骤：

步骤一：基于无人机平台，设置无人机的飞行模式，参数设置为无人机的飞行高度为h，飞行速度为v,拍照模式设置为等间距拍照，相机朝向设置于平行于主航线，飞行航向重叠率设置为x，旁向重叠率设置为y，云台俯仰角度设置为w，规划无人机飞行航线，自动拍摄模式。基于设置好的图像采集系统，实地采集互花米草图像。其中， h的取值，根据实际情况确定，h取值越大，无人机拍出图片的范围越大，但物体本身分辨率会降低；h取值越小，无人机拍摄相同区域大小的物体，需要的时间会更多。本文中，根据实地勘察实际情况，取h为10米。飞行速度设置越大，无人机采集的图像会出现模糊的画面；飞行速度设置越小，采集图像需要的时间会加长，本文中，取 v＝4.0m/s。在航向重叠率和旁向重叠率的设置上，由于后期采集的图片，需要通过photoscan软件进行拼接，生成正射影像图，设置过小，后期图片不能拼接成正射影像；设置过大，会使无人机重复采集图像，从而浪费时间。本文中，x,y取值为60％。在云台俯仰角度的设置上，由于要生成正射影像，所以垂直俯拍，本文中，取w＝-90°。

步骤二：对步骤一中采集的试验区域原始图片，利用photoscan 软件，进行图像拼接，生成正射影像图。再利用MATLAB软件，把生成的正射影像图分割成n×n像素大小的图片。其中，n的取值大小，需要根据电脑的配置等情况进行选择。n设置的越大，对计算机配置要求越高；设置的越小，会把图片的原始特征分割，不利于对象的识别。本为中，根据所拥用设备的实际情况，取n＝112。

步骤三：基于步骤二中分割的小图片，随机选择其中一部分图片，按照互花米草、红树林，滩涂、河堤分为四类，并且按照一定的比例制作训练集、验证集、测试集。本文中，划分比列为6：2：2。

步骤四：基于主流的深度学习卷积神经网络，选择其中的几种，对某一时期的数据集进行模型的训练、验证与测试，记录其识别准确率。通过查阅文献，本文选择AlexNet、VGG16、GoogleNet、ResNet50、 EfficientNetB0等五种卷积网络模型对互花米草进行分类识别。由于互花米草一般在3月份开始逐渐生长，所以选择以春季时期的数据集作为基础数据集，进行模型的训练。