本发明涉及入侵植物监测领域，具体涉及一种入侵植物的监测方法及系统。
背景技术
某些植物被有意或无意引入非正常分布的区域，并在新栖息地爆发式生长繁殖，改变原有的生物地理分布，打乱生态系统的原有结构和功能，破坏当地生态系统多样性，从而成为入侵植物。
入侵植物一般分布无规律，且与本地植物混杂，可见光下视觉辨识度低，加之野外环境复杂多变，因此，一般检测方法很难实现对入侵植物实时精准监测。现有技术中针对入侵植物的监测方法主要有人工踏查、高空遥感和卫星遥感。高空遥感和卫星遥感能较快速的检测出大规模入侵植物分布状况，但受限于图像分辨率和识别算法智能化程度，往往将中小规模入侵植物作为误差点忽略掉，不利于指导入侵植物的早期防治，错过防治入侵植物的最佳时期。高空遥感和卫星遥感还易受云层干扰，监测成本高，灵活性差，很难满足入侵植物监测中对于速度和成本的要求。
因此，随着入侵植物的危害性日益增加，目前迫切需要开发一种新的监测技术快速精准监测入侵植物。
技术实现要素：
为了解决现有技术中存在的灵活性差、成本高的问题，本发明提供一种快速精准监测入侵植物的方法，为入侵植物的早期预警和防治提供数据依据。
本发明的目的是提供一种入侵植物监测方法。
本发明的再一目的是提供一种入侵植物的监测系统。
根据本发明具体实施方式的入侵植物监测方法，其包括以下步骤：
获取待监测区域的地面高光谱图像；
确定目标入侵植物成像的敏感光谱波段，提取所述高光谱图像中目标入侵植物和背景的光谱特征，利用光谱波段和所述目标入侵植物-其他典型背景光谱特征差异性的定量模型找出差异性最大值对应的光谱波段，从而确定所述目标入侵植物成像的敏感光谱波段，以实现所述目标入侵植物和其他典型背景在视觉上的区分；
构建深度卷积神经网络结构，提取所述目标入侵植物成像的敏感光谱波段下的图像，选取部分图像分成训练集和测试集，用训练集训练所述深度卷积神经网络，然后用测试集进行测试训练生成的深度卷积神经网络；
若测试结果达到预期标准，则训练完成；若测试结果未达到预期标准，则调整深度卷积神经网络结果，重新用测试集测试深度卷积神经网络，直接测试结果大于预期结果，训练完成；
利用训练完成的深度卷积神经网络对未被选取的高光谱图形进行识别，标识出入侵植物和背景。
根据本发明具体实施方式的入侵植物监测方法，将选取的部分图像裁剪成多个正方形单元，正方形单元为固定尺寸大小，一般能被2整除，常用尺寸32,64,96,128，224,384和512等。
根据本发明具体实施方式的入侵植物监测方法，用训练集训练所述深度卷积神经网络时，设置训练参数为学习率衰减因子为0.5，学习率衰减周期为100，初始学习率为0.001，训练循环最高次数为150，随机抽取的样本数为800。
根据本发明具体实施方式的入侵植物监测方法，基于统计分析计算待监测区域，每个像素点的危害热力值，具体计算公式如下：
根据本发明具体实施方式的入侵植物的监测系统，其包括图像采集模块、控制平台和监测平台，其中，
所述图像采集模块包括飞行器和高光谱成像仪，高光谱成像仪搭载在所述飞行器上，用于拍摄待监测区域的地面高光谱图像；
所述控制平台用于控制所述飞行器的飞行轨迹，并接受高光谱成像仪的高光谱图像，并将所述高光谱图像发送至监测平台；
所述监测平台包括图像处理单元和深度卷积神经网络单元，所述图像处理单元安用于提取所述高光谱图像中目标入侵植物和背景的光谱特征，并找出差异性最大值对应的光谱波段，从而确定所述目标入侵植物成像的敏感光谱波段，
所述深度卷积神经网络用于训练测试完成后识别入侵植物，其包括以下步骤：
提取所述高光谱图像中目标入侵植物和背景的光谱特征，并找出差异性最大值对应的光谱波段，从而确定所述目标入侵植物成像的敏感光谱波段；
构建深度卷积神经网络结构，训练完成的深度卷积神经网络单元对未被选取的高光谱图像进行识别，标识出入侵植物和背景，通过以下步骤训练深度卷积神经网络单元：
提取所述目标入侵植物成像的敏感光谱波段下的高光谱图像，选取部分图像，并分成训练集和测试集，用训练集训练所述深度卷积神经网络，然后用测试集进行测试训练生成的深度卷积神经网络；
若测试结果达到预期标准，则训练完成；若测试结果未达到预期标准，则调整深度卷积神经网络后，重新用测试集测试深度卷积神经网络，直到测试结果大于预期结果，训练完成。
根据本发明的具体实施方式的入侵植物的监测系统，还包括可视化单元，所述可视化单元用于计算待监测区域每个像素点的危害热力值，根据危害热力值大小赋予所述像素点对应颜色，从而生成入侵植物分布可视化热图，
其中，危害热力值通过以下公式计算危害热力值，
根据本发明具体实施方式的入侵植物的监测系统，高光谱成像仪通过usb口与所述飞行器连接，所述飞行器通过wifi与所述地面控制平台连接，所述监测平台通过usb口与所述控制平台连接。
根据本发明具体实施方式的入侵植物的监测系统，所述飞行器为无人机。
本发明的有益效果：
1.本发明提供更高分辨率的图像信息，建立的深度卷积神经网络的识别算法更快速、更准确识别入侵植物；
2.本发明提供高光谱信息，扩展了数据维度，为不同种植物的区分提供更多选择；
3.本发明能够快速精准识别大、中、小规模的入侵植物，尤其是能在入侵植物爆发前监测到入侵植物；
4.本发明的监测系统结构简单，成本低、灵活性强，不易受云层干扰。
附图说明
图1是本发明入侵植物监测系统的结构示意图；
图2为本发明的入侵植物监测方法的流程示意图。
具体实施方式
下面结合附图对本发明作进一步的描述。
如图2所示，本发明的入侵植物监测方法包括如下步骤：
获取待监测区域的地面高光谱图像；
确定所述目标入侵植物成像的敏感光谱波段，对所述高光谱图像进行光谱分析处理，提取所述高光谱图像中目标入侵植物和其他典型背景的光谱特征，利用光谱波段和所述目标入侵植物与其他典型背景光谱特征差异性的定量模型找出差异性最大值对应的光谱波段，从而确定所述目标入侵植物成像的敏感光谱波段，以实现所述目标入侵植物和其他典型背景在视觉上的区分；
构建深度卷积神经网络结构，提取所述目标入侵植物成像的敏感光谱波段下的图像，并进行基于深度卷积神经网络的图像智能识别，选取部分入侵植物成像的敏感光谱波段下的图像按一定尺寸大小(常用尺寸32,64,96,128，224,384和512等)裁剪成小方块，以保证较多的所述小方块图像只包含一种目标，把所述小方块图像标注目标入侵植物或背景，然后按一定比例(7：3或6：4)把标注好的所述小方块图像分成训练集和测试集，构建与上述裁剪尺寸相对应的深度卷积神经网络结构。
输入训练集训练所述深度卷积神经网络，然后用测试集测试训练好的所述深度卷积神经网络的识别速度和准确性，如未达到预期标准(准确率可设置90％甚至更高的准确率，识别时间预期时间可设置为每秒至少识别100张所述小方块图像)则调整深度卷积神经网络结构，通过增减卷积层、激活函数relulayer、池化层maxpooling2dlayer，调整卷积层滤波函数尺寸、池化层尺寸和步长，增减训练参数大小，重新训练测试直至达到预期目标，确定最终的深度卷积神经网络。
本发明的深度卷积神经网络结构为：
输入层：inputlayer，输入是尺寸224×224的rgb3通道图像；
第二层：卷积层convolution2dlayer，函数尺寸7×7，6通道，步长1，无填充；
第三层：激活函数relulayer；
第四层：池化层maxpooling2dlayer，函数尺寸4×4，步长1，无填充；
第五层：卷积层convolution2dlayer，函数尺寸7×7，12通道，步长1，填充1；
第六层：激活函数relulayer；
第七层：池化层maxpooling2dlayer，函数尺寸4×4，步长1，无填充；
第八层：全连接层fullyconnectedlayer，2通道；
第九层：分类层softmaxlayer；
输出层：classificationlayer。
使用两个7×7的大滤波器可以使本算法对区域目标更敏感。对于薇甘菊一般成片分布的植物，基于区域特征更能准确识别薇甘菊目标。使用4×4的池化函数更能快速的降低数据维度，提高计算速度。
训练参数为：学习率衰减因子为0.5，学习率衰减周期为100，初始学习率为0.001，训练循环最高次数为150，随机抽取的样本数为800。
对未被选取的高光谱图像按构建深度卷积神经网络结构所对应的尺寸大小裁剪，并进行智能识别，标识出入侵植物和背景，并拼接，从而实现所述入侵植物的快速精准识别。
基于统计分析计算待监测区域每个像素点(i,j)的危害热力值，根据危害热力值大小赋予所述像素点对应颜色(如将危害热力值大的像素点标记为红色，值小的像素点标记为白色或蓝色)，从而生成入侵植物分布可视化热图，具体计算公式如下：
式中hij表示所述识别结果中单个入侵植物连通区域中像素点(i,j)的危害热力值，lijmin和lijmax是像素点(i,j)到所在连通区域边缘的最近距离和最远距离。
上述的入侵植物的监测方法借助本发明的监测系统得以实现，如图1所示，本发明的入侵植物监测系统图像采集模块、控制平台和监测平台。包括便携式高光谱成像仪、飞行器和地面监测平台。所述图像采集模块包括飞行器和高光谱成像仪，高光谱成像仪搭载在所述飞行器上，用于拍摄待监测区域的地面高光谱图像。其中，飞行器优选为无人机。
控制平台控制所述飞行器按预定轨迹和离地面固定高度低空匀速飞行，并接收高光谱图像，然后发送至监测平台。
监测平台，用于处理所述高光谱图像，基于相应方法步骤自动识别入侵植物并生成所述入侵植物分布可视化热图；
本发明的入侵植物监测系统，其中，所述便携式高光谱成像仪通过usb口与所述飞行器连接，所述飞行器通过wifi与控制平台连接，监测平台通过usb口与所述控制平台连接，所述便携式高光谱成像仪通过所述飞行器将地面高光谱图像发送至控制平台，由控制平台将图像转发到所述地面监测平台。