一种基于人工智能的林业环境可视化监测系统及方法

1.本发明林业环境监测技术领域，具体为一种基于人工智能的林业环境可视化监测系统及方法。


背景技术：

2.园林植物的重要性已经被越来越多的人所重视，它们不仅能起到绿化城市环境,净化城市空气，防止水土流失的作用，而且还能丰富人们的精神文化生活。我国园林植物种类多园林植物病害的种类也十分复杂，以香樟为例，病害以发生在叶部居多，被侵染叶片正面的叶脉之间，产生色泽不同的死斑，现有技术中，虽然有对香樟树的赤斑病进行预测，但是有时候也不能很精准的预测出，导致病斑位置继续扩大后成褐色或黄色，中部先死，逐渐向外枯死，斑点形状不规则，数斑联合可使叶片大部分枯死，严重时还会导致树木变成枯木。


技术实现要素：

3.本发明的目的在于提供一种基于人工智能的林业环境可视化监测系统及方法，以解决上述背景技术中提出的问题。
4.为了解决上述技术问题，本发明提供如下技术方案：
5.一种基于人工智能的林业环境可视化监测系统及方法，该方法包括以下步骤：
6.s1、利用监控影像建立林业监测区域进行可视化监测，采集林业环境中采集任一棵树木i的叶片初始图像与任一棵树木i的叶片产生斑点时的斑点图像；
7.s2、将一个年分为四个周期，对任一周期内任一棵树木i的叶片图像信息进行监测，与林业环境中任一棵树木i的叶片初始图像进行对比，截取任一棵树木i的叶片产生斑点时的斑点图像中与任一棵树木i的叶片初始图像的对比部分；
8.s3、对截取到任一周期内任一棵树木i的叶片产生斑点时的斑点图像与任一棵树木i的叶片初始图像对比部分与树木遭遇赤斑病时的图像进行对比，判断任一棵树木i是否遭遇赤斑病；
9.s4、若任一棵树木i树木遭遇赤斑病，则发出报警信息上传至可视化监测端口，通知管理人员对树木及时进行救治。
10.在步骤s2中，以年为单位，将一年分为四个周期：所述第一个周期包括3月、4月、5月；所述第二个周期包括6月、7月、8月；所述第三个周期包括9月、10月、11月；所述第四个周期包括12月、1月、2月；
11.对各个周期内树木的图像变化信息进行监测包括：
12.s2-1、采集风级大小、叶片上的霉菌数量、降雨量、昆虫种类，生成导致叶片产生斑点的概率；
13.s2-2、将截取到的任一周期内树木的彩色图像转为灰色图像，对灰色图像进行分割。
14.选取香樟作为观察对象，将一年分为四个周期，四个周期分别对应春季、夏季、秋季、冬季；香樟容易发病的一般季节为夏季，病原为半知菌的叶茎点霉菌，病原菌以分生孢子在落叶病斑上越冬，为第二年初侵染的病菌来缘，来年春季香樟叶子展开时分生孢子随风、雨、昆虫传播到新叶上，从伤口、气孔处侵入叶内扩展蔓延，6-7月病症出现大量落叶、落果。
15.在步骤s2-1中，生成导致叶片产生斑点的概率为：
16.p1＝w1*k1+w2*k2+w3*k3+w4*k4+w5*k517.对其进行归一化处理，其中，p1为导致叶片产生斑点的概率；w1为叶片上的霉菌数量；k1为叶片叶片上的霉菌数量产生斑点影响的权重；w2为风级大小；k2为风级大小影响霉菌扩散导致叶片产生斑点影响的权重；w3为降雨量大小；k3为降雨量大小影响霉菌扩散导致叶片产生斑点影响的权重；w4为昆虫种类；k4为昆虫种类影响霉菌扩散导致叶片产生斑点影响的权重；w5为在不同的周期下的误差；k5为在不同的周期下的误差影响的权重；
18.在步骤s2-2中，对灰色图像进行分割过程如下：
19.s2-21、图像的大小为m*n，计算任一棵树木i的叶片初始图像的灰度直方图包括：
20.设任一棵树木i的叶片初始图像的总像素数为n1，有l个灰度级(0,1,2,...,l-1)，灰度级为nq；计算得到的任一棵树木i的叶片初始图像的均衡化直方图h为：
[0021][0022]
将计算后的均衡化直方图输出，输出后的斑点位置图像亮度增强，便于观察；
[0023]
均衡化直方图用来对斑点位置的图像进行调整，可以使斑点位置图像更容易被观察到。
[0024]
一幅图像由不一样灰度值的像素组成，图像中灰度的分布状况是该图像的一个重要特征。图像的灰度直方图就描述了图像中灰度分布状况，可以很直观的展现出图像中各个灰度级所占的多少。图像的灰度直方图是灰度级的函数，描述的是图像中具备该灰度级的像素的个数。
[0025]
s2-22、设定任一棵树木i的叶片产生斑点时的斑点图像占任一棵树木i的叶片产生斑点时的整个叶片图像的比例阈值为p；
[0026]
s2-23、判断任一棵树木i的叶片产生斑点时的斑点图像概率p2是否接近p；
[0027][0028]
其中，n为任一棵树木i的叶片产生斑点时的斑点图像包含的像素点；
[0029]
若p2》p，则截取任一棵树木i的叶片产生斑点时的斑点图像中与任一棵树木i的叶片初始图像的对比部分。
[0030]
在一幅图像中，人们常常只对其中的部分目标感兴趣，这些目标通常占据一定的区域，并且在某些特性上和临近的图像有差别。这些特性差别可能非常明显，也可能很细微，以至肉眼察觉不出来。随着计算机图像处理技术的发展，使得人们可以通过计算机来获取和处理图像信息。图像识别的基础是图像分割，其作用是把反映物体真实情况的、占据不同区域的、具有不同特性的目标区分开来，并形成数字特征。图像分割是图像识别和图像理
解的基本前提步骤，图像分割质量的好坏直接影响后续图像处理的效果，甚至决定其成败，因此，图像分割的作用是至关重要的。
[0031]
在步骤s3中，利用his模型对任一棵树木i的叶片产生斑点时的斑点图像中与任一棵树木i的叶片初始图像的均衡化直方图进行对比并提取包括：
[0032]
建立rgb坐标系统，对所有颜色进行归一化处理后，将rgb坐标系统转换为his模型：
[0033][0034]
其中，r代表红色；g代表绿色；b代表蓝色；r、g、b的取值范围为：0-255，0代表最浅，255代表最深；h代表色调；s代表饱和度；i代表亮度；θ代表空间夹角；
[0035]
由于人的视觉对亮度的敏感程度远强于对颜色浓淡的敏感程度，为了便于色彩处理和识别，人的视觉系统经常采用hsi色彩空间，它比rgb色彩空间更符合人的视觉特性。在图像处理和计算机视觉中大量算法都可在hsi色彩空间中方便地使用，它们可以分开处理而且是相互独立的。因此，在hsi色彩空间可以大大简化图像分析和处理的工作量。hsi色彩空间和rgb色彩空间只是同一物理量的不同表示法，因而它们之间存在着转换关系。hsi模型完全反映了人感知颜色的基本属性，与人感知颜色的结果一一对应，因此，在本方法中采用hsi模型。
[0036]
将经过his模型处理的斑点图像输出，输出后的斑点图像表现的更清晰，将输出的经过his模型处理的斑点图像通过伽马变换对提取到的任一棵树木i的叶片产生斑点时的斑点图像中与任一棵树木i的叶片初始图像的对比部分进行处理，使提取到的对比部分的细节得到进一步的加强，公式如下：
[0037]
s＝c*r
γ
*p1[0038]
其中，r为输入灰度值，取值范围为[0,1]；s为经过伽马变化后的输出灰度值；c为灰度缩放系数，通常取1；γ为伽马因子，控制整个变换的缩放程度；
[0039]
当γ《1时，变换效果为：输出图像比输入图像更亮；
[0040]
当γ》1时，变换效果为：输出图像比输入图像更暗；
[0041]
伽马变换可以使斑点位置图像进行增强，使图像变得更接近人眼感受的响应
[0042]
将经过伽马变化后的斑点图像输出；对树木遭遇赤斑病的图像进行处理，提取斑点位置的图像，对其进行伽马变换；将任一棵树木i的叶片产生斑点时的斑点图像中与任一棵树木i的叶片初始图像的对比部分输出图像与经过伽马变换后的树木遭遇赤斑病时的斑点图像进行对比：
[0043]
设置经过伽马变换后的树木遭遇赤斑病时的斑点图像包含的灰度级级数记为集合{a1,a2,...,am}，a1,a2,...,am分别代表树木遭遇赤斑病时的斑点图像中每一部分包含的灰度级级数；任一棵树木i的叶片产生斑点时的斑点图像中与任一棵树木i的叶片初始图像的对比部分输出图像包含的灰度级级数记为合集{b1,b2,...,bn}；b1,b2,...,bn分别代表任一棵树木i的叶片产生斑点时的斑点图像中与任一棵树木i的叶片初始图像的对比部分输出图像中每一部分包含的灰度级级数；
[0044]
对树木遭遇赤斑病时的斑点图像中每一部分包含的灰度级级数求平均灰度级级数得到：
[0045][0046]
其中，h0为经过伽马变换后的树木遭遇赤斑病时的斑点图像的平均灰度级级数；
[0047]
将任一棵树木i的叶片产生斑点时的斑点图像中与任一棵树木i的叶片初始图像的对比部分输出图像包含的灰度级级数与对树木遭遇赤斑病时的斑点图像中每一部分包含的灰度级级数求平均灰度级级数进行对比，将任一棵树木i的叶片产生斑点时的斑点图像中与任一棵树木i的叶片初始图像的对比部分输出图像中每一部分包含的灰度级与经过伽马变换后的树木遭遇赤斑病时的斑点图像的平均灰度级级数进行比较，若任一棵树木i的叶片产生斑点时的斑点图像中与任一棵树木i的叶片初始图像的对比部分输出图像中每一部分包含的灰度级级数大于经过伽马变换后的树木遭遇赤斑病时的斑点图像的平均灰度级级数，则记为1；反之，则记为0；
[0048]
设置记为1的个数为q
t
；设置记为1的个数阈值q，当q
t
》q时，表明此时的树木遭遇到了赤斑病，则发出报警信息上传至可视化监测端口，通知管理人员对树木及时进行救治。
[0049]
当初始图像与树木得赤斑病的图像进行比较，记为1的个数越多，就说明树木得赤斑病的概率越大；记为1的个数越少，树木得赤斑病的概率越小。
[0050]
一种基于人工智能的林业环境可视化监测系统，该系统包括信息采集模块、监测模块、对比模块、报警模块；
[0051]
所述信息采集模块用于对林业环境中采集任一棵树木i的叶片初始图像与任一棵树木i的叶片产生斑点时的斑点图像进行采集，并进行存储；所述监测模块用于对任一周期与任一周期任一棵树木i的叶片图像信息进行监测；所述对比模块用于将任一周期内任一棵树木i的叶片图像信息与林业环境中任一棵树木i的叶片初始图像进行对比、截取到任一周期内任一棵树木i的叶片产生斑点时的斑点图像与任一棵树木i的叶片初始图像对比部分与树木遭遇赤斑病时的图像进行对比；所述报警模块用于将对比后的图像进行判断，判断树木是否遭遇赤斑病，若树木遭遇赤斑病，则发出报警信息上传至可视化监测端口，通知管理人员对树木及时进行救治；
[0052]
所述信息采集模块的输出端与所述监测模块的输入端相连接；所述监测模块的输出端与所述对比模块的输入端相连接；所述对比模块的输出端与所述报警模块的输入端相连接；所述报警模块的输出端与可视化监测端口相连接。
[0053]
所述信息采集模块包括采集单元、存储单元；
[0054]
所述采集单元用于对林业环境中采集任一棵树木i的叶片初始图像与任一棵树木i的叶片产生斑点时的斑点图像进行采集；所述存储单元用于对林业环境中采集任一棵树
木i的叶片初始图像与任一棵树木i的叶片产生斑点时的斑点图像进行存储；
[0055]
所述采集单元的输出端与所述存储单元的输入端相连接；所述存储单元的输出端与所述监测模块的输入端相连接；
[0056]
所述监测模块包括周期监测单元、叶片监测单元；
[0057]
所述周期监测单元用于对任一周期进行监测；所述叶片监测单元用于对任一周期任一棵树木i的叶片图像信息进行监测；
[0058]
所述周期监测单元的输出端与所述叶片监测单元的输入端相连接；所述叶片监测单元的输出端与所述对比模块的输入端相连接。
[0059]
所述对比模块包括第一次对比单元、第二次对比单元；
[0060]
所述第一次对比单元用于将任一周期内任一棵树木i的叶片图像信息与林业环境中任一棵树木i的叶片初始图像进行对比；所述第二次对比单元用于将截取到任一周期内任一棵树木i的叶片产生斑点时的斑点图像与任一棵树木i的叶片初始图像对比部分与树木遭遇赤斑病时的图像进行对比；
[0061]
所述第一次对比单元的输出端与所述再次对比单元的输入端相连接；所述第二次对比单元的输出端与所述报警模块的输入端相连接。
[0062]
所述报警模块包括判断单元、上传单元；
[0063]
所述判断单元用于将对比后的图像进行判断，判断树木是否遭遇赤斑病；所述上传单元用于判断出树木遭遇赤斑病后，则发出报警信息上传至可视化监测端口，通知管理人员对树木及时进行救治；
[0064]
所述判断单元的输出端与所述上传单元的输入端相连接；所述上传单元的输出端与可视化监测端口相连接。
[0065]
与现有技术相比，本发明所达到的有益效果是：利用监控影像建立林业监测区域进行可视化监测，采集林业环境中采集任一棵树木i的叶片初始图像与任一棵树木i的叶片产生斑点时的斑点图像；将一个年分为四个周期，对任一周期内任一棵树木i的叶片图像信息进行监测，与林业环境中任一棵树木i的叶片初始图像进行对比，截取任一棵树木i的叶片产生斑点时的斑点图像中与任一棵树木i的叶片初始图像的对比部分；对截取到任一周期内任一棵树木i的叶片产生斑点时的斑点图像与任一棵树木i的叶片初始图像对比部分与树木遭遇赤斑病时的图像进行对比，判断任一棵树木i是否遭遇赤斑病；若任一棵树木遭遇赤斑病，则发出报警信息上传至可视化监测端口，通知管理人员对树木及时进行救治。
[0066]
本发明可以更精准的监测树木的赤斑病，对树木进行救治，净化城市空气，保护生态环境。
附图说明
[0067]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
[0068]
图1是本发明一种基于人工智能的林业环境可视化监测系统的结构示意图；
[0069]
图2是本发明一种基于人工智能的林业环境可视化监测系统及方法的流程示意图。
具体实施方式
[0070]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0071]
请参阅图1-2，本发明提供技术方案：
[0072]
一种基于人工智能的林业环境可视化监测系统及方法，该方法包括以下步骤：
[0073]
s1、利用监控影像建立林业监测区域进行可视化监测，采集林业环境中采集任一棵树木i的叶片初始图像与任一棵树木i的叶片产生斑点时的斑点图像；
[0074]
s2、将一个年分为四个周期，对任一周期内任一棵树木i的叶片图像信息进行监测，与林业环境中任一棵树木i的叶片初始图像进行对比，截取任一棵树木i的叶片产生斑点时的斑点图像中与任一棵树木i的叶片初始图像的对比部分；
[0075]
在步骤s2中，以年为单位，将一年分为四个周期：所述第一个周期包括3月、4月、5月；所述第二个周期包括6月、7月、8月；所述第三个周期包括9月、10月、11月；所述第四个周期包括12月、1月、2月；
[0076]
对各个周期内树木的图像变化信息进行监测包括：
[0077]
s2-1、采集叶片上的霉菌数量、风级大小、降雨量，生成导致叶片产生斑点的概率；
[0078]
在步骤s2-1中，生成导致叶片产生斑点的概率为：
[0079]
p1＝w1*k1+w2*k2+w3*k3+w4*k4+w5*k5[0080]
对其进行归一化处理，其中，p1为导致叶片产生斑点的概率；w1为叶片上的霉菌数量；k1为叶片叶片上的霉菌数量产生斑点影响的权重；w2为风级大小；k2为风级大小影响霉菌扩散导致叶片产生斑点影响的权重；w3为降雨量大小；k3为降雨量大小影响霉菌扩散导致叶片产生斑点影响的权重；w4为昆虫种类；k4为昆虫种类影响霉菌扩散导致叶片产生斑点影响的权重；w5为在不同的周期下的误差；k5为在不同的周期下的误差影响的权重；
[0081]
在步骤s2-2中，对灰色图像进行分割过程如下：
[0082]
s2-21、图像的大小为m*n，计算任一棵树木i的叶片初始图像的灰度直方图包括：
[0083]
设任一棵树木i的叶片初始图像的总像素数为n1，有l个灰度级(0,1,2,...,l-1)，灰度级为nq；计算得到的任一棵树木i的叶片初始图像的均衡化直方图h为：
[0084][0085]
将计算后的均衡化直方图输出，输出后的斑点位置图像亮度增强，便于观察；
[0086]
s2-22、设定任一棵树木i的叶片产生斑点时的斑点图像占任一棵树木i的叶片产生斑点时的整个叶片图像的比例阈值为p；
[0087]
s2-23、判断任一棵树木i的叶片产生斑点时的斑点图像概率p2是否接近p；
[0088][0089]
其中，n为任一棵树木i的叶片产生斑点时的斑点图像包含的像素点；
[0090]
若p2》p，则截取任一棵树木i的叶片产生斑点时的斑点图像中与任一棵树木i的叶
片初始图像的对比部分。
[0091]
s3、对截取到任一周期内任一棵树木i的叶片产生斑点时的斑点图像与任一棵树木i的叶片初始图像对比部分与树木遭遇赤斑病时的图像进行对比，判断任一棵树木i是否遭遇赤斑病；
[0092]
在步骤s3中，利用his模型对任一棵树木i的叶片产生斑点时的斑点图像中与任一棵树木i的叶片初始图像的均衡化直方图进行对比并提取包括：
[0093]
建立rgb坐标系统，对所有颜色进行归一化处理后，将rgb坐标系统转换为his模型：
[0094][0095]
其中，r代表红色；g代表绿色；b代表蓝色；r、g、b的取值范围为：0-255，0代表最浅，255代表最深；h代表色调；s代表饱和度；i代表亮度；θ代表空间夹角；
[0096]
将经过his模型处理的斑点图像输出，输出后的斑点图像表现的更清晰，将输出的经过his模型处理的斑点图像通过伽马变换对提取到的任一棵树木i的叶片产生斑点时的斑点图像中与任一棵树木i的叶片初始图像的对比部分进行处理，使提取到的对比部分的细节得到进一步的加强，公式如下：
[0097]
s＝c*r
γ
*p1[0098]
其中，r为输入灰度值，取值范围为[0,1]；s为经过伽马变化后的输出灰度值；c为灰度缩放系数，通常取1；γ为伽马因子，控制整个变换的缩放程度；
[0099]
当γ《1时，变换效果为：输出图像比输入图像更亮；
[0100]
当γ》1时，变换效果为：输出图像比输入图像更暗；
[0101]
将经过伽马变化后的斑点图像输出；
[0102]
s4、若任一棵树木i树木遭遇赤斑病，则发出报警信息上传至可视化监测端口，通知管理人员对树木及时进行救治。
[0103]
对树木遭遇赤斑病的图像进行处理，提取斑点位置的图像，对其进行伽马变换；将任一棵树木i的叶片产生斑点时的斑点图像中与任一棵树木i的叶片初始图像的对比部分输出图像与经过伽马变换后的树木遭遇赤斑病时的斑点图像进行对比：
[0104]
设置经过伽马变换后的树木遭遇赤斑病时的斑点图像包含的灰度级级数记为集合{a1,a2,...,am}，a1,a2,...,am分别代表树木遭遇赤斑病时的斑点图像中每一部分包含的灰度级级数；任一棵树木i的叶片产生斑点时的斑点图像中与任一棵树木i的叶片初始图像的对比部分输出图像包含的灰度级级数记为合集{b1,b2,...,bn}；b1,b2,...,bn分别代表任
一棵树木i的叶片产生斑点时的斑点图像中与任一棵树木i的叶片初始图像的对比部分输出图像中每一部分包含的灰度级级数；
[0105]
对树木遭遇赤斑病时的斑点图像中每一部分包含的灰度级级数求平均灰度级级数得到：
[0106][0107]
其中，h0为经过伽马变换后的树木遭遇赤斑病时的斑点图像的平均灰度级级数；
[0108]
将任一棵树木i的叶片产生斑点时的斑点图像中与任一棵树木i的叶片初始图像的对比部分输出图像包含的灰度级级数与对树木遭遇赤斑病时的斑点图像中每一部分包含的灰度级级数求平均灰度级级数进行对比，将任一棵树木i的叶片产生斑点时的斑点图像中与任一棵树木i的叶片初始图像的对比部分输出图像中每一部分包含的灰度级与经过伽马变换后的树木遭遇赤斑病时的斑点图像的平均灰度级级数进行比较，若任一棵树木i的叶片产生斑点时的斑点图像中与任一棵树木i的叶片初始图像的对比部分输出图像中每一部分包含的灰度级级数大于经过伽马变换后的树木遭遇赤斑病时的斑点图像的平均灰度级级数，则记为1；反之，则记为0；
[0109]
设置记为1的个数为q
t
；设置记为1的个数阈值q，当q
t
》q时，表明此时的树木遭遇到了赤斑病，则发出报警信息上传至可视化监测端口，通知管理人员对树木及时进行救治。
[0110]
当初始图像与树木得赤斑病的图像进行比较，记为1的个数越多，就说明树木得赤斑病的概率越大；记为1的个数越少，树木得赤斑病的概率越小。
[0111]
实施例一：
[0112]
选取第二周期作为进行计算：
[0113]
根据p1＝w1*k1+w2*k2+w3*k3，设置w1为10个；k1为0.009；w2为4级，k2为0.008；w3为49mm；k3为0.007；w4为12；k4为0.006；w5为0.1；k5为0.002；对其进行归一化处理，计算得到p1＝0.54；
[0114]
设置图像的大小为48mm*33mm，设任一棵树木i的叶片初始图像的总像素数为n1为80万个，设置nq为235；根据计算得到的任一棵树木i的叶片初始图像的均衡化直方图h＝2.94；
[0115]
设定比例阈值p为0.6；根据设置n为60万个；计算得到p2＝0.75；
[0116]
此时p2》p，则截取任一棵树木i的叶片产生斑点时的斑点图像中与任一棵树木i的叶片初始图像的对比部分。
[0117]
根据s＝c*r
γ
*p1；c为灰度缩放系数，通常取1；为了使斑点位置图像更明显，设置γ为设置r为0.95计算得出s＝0.53；此时的输出图像更亮；
[0118]
设置经过伽马变换后的树木遭遇赤斑病时的斑点图像包含的灰度级级数记为集合{7,19,3,21,18,45}；设置任一棵树木i的叶片产生斑点时的斑点图像中与任一棵树木i的叶片初始图像的对比部分输出图像包含的灰度级级数记为合集{4,8,15,23,9,12}；
[0119]
根据得到对树木遭遇赤斑病时的斑点图像中每一部分包含的灰度级级数求平均灰度级级数h0＝18.83；将{34,48,15,23,22,19}与h0进行比较；任一棵树木i的叶片产生斑点时的斑点图像中与任一棵树木i的叶片初始图像的对比部分输出图像中每一部分包含的灰度级级数大于经过伽马变换后的树木遭遇赤斑病时的斑点图像的平均灰度级级数，则记为1；反之，则记为0；最后得到(1 1 0 1 1 1)，记为1的个数q
t
为5；设置记为1的个数阈值为3；此时q
t
》q时，表明此时的树木遭遇到了赤斑病，则发出报警信息上传至可视化监测端口，通知管理人员对树木及时进行救治。
[0120]
一种基于人工智能的林业环境可视化监测系统，该系统包括信息采集模块、监测模块、对比模块、报警模块；
[0121]
所述信息采集模块用于对林业环境中采集任一棵树木i的叶片初始图像与任一棵树木i的叶片产生斑点时的斑点图像进行采集，并进行存储；所述监测模块用于对任一周期与任一周期任一棵树木i的叶片图像信息进行监测；所述对比模块用于将任一周期内任一棵树木i的叶片图像信息与林业环境中任一棵树木i的叶片初始图像进行对比、截取到任一周期内任一棵树木i的叶片产生斑点时的斑点图像与任一棵树木i的叶片初始图像对比部分与树木遭遇赤斑病时的图像进行对比；所述报警模块用于将对比后的图像进行判断，判断树木是否遭遇赤斑病，若树木遭遇赤斑病，则发出报警信息上传至可视化监测端口，通知管理人员对树木及时进行救治；
[0122]
所述信息采集模块的输出端与所述监测模块的输入端相连接；所述监测模块的输出端与所述对比模块的输入端相连接；所述对比模块的输出端与所述报警模块的输入端相连接；所述报警模块的输出端与可视化监测端口相连接。
[0123]
所述信息采集模块包括采集单元、存储单元；
[0124]
所述采集单元用于对林业环境中采集任一棵树木i的叶片初始图像与任一棵树木i的叶片产生斑点时的斑点图像进行采集；所述存储单元用于对林业环境中采集任一棵树木i的叶片初始图像与任一棵树木i的叶片产生斑点时的斑点图像进行存储；
[0125]
所述采集单元的输出端与所述存储单元的输入端相连接；所述存储单元的输出端与所述监测模块的输入端相连接；
[0126]
所述监测模块包括周期监测单元、叶片监测单元；
[0127]
所述周期监测单元用于对任一周期进行监测；所述叶片监测单元用于对任一周期任一棵树木i的叶片图像信息进行监测；
[0128]
所述周期监测单元的输出端与所述叶片监测单元的输入端相连接；所述叶片监测单元的输出端与所述对比模块的输入端相连接。
[0129]
所述对比模块包括第一次对比单元、第二次对比单元；
[0130]
所述第一次对比单元用于将任一周期内任一棵树木i的叶片图像信息与林业环境中任一棵树木i的叶片初始图像进行对比；所述第二次对比单元用于将截取到任一周期内任一棵树木i的叶片产生斑点时的斑点图像与任一棵树木i的叶片初始图像对比部分与树木遭遇赤斑病时的图像进行对比；
[0131]
所述第一次对比单元的输出端与所述再次对比单元的输入端相连接；所述第二次对比单元的输出端与所述报警模块的输入端相连接。
[0132]
所述报警模块包括判断单元、上传单元；
[0133]
所述判断单元用于将对比后的图像进行判断，判断树木是否遭遇赤斑病；
[0134]
所述上传单元用于判断出树木遭遇赤斑病后，则发出报警信息上传至可视化监测端口，通知管理人员对树木及时进行救治；
[0135]
所述判断单元的输出端与所述上传单元的输入端相连接；所述上传单元的输出端可视化监测端口相连接。
[0136]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0137]
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。