基于神经网络的园林信息管理方法及系统与流程

本技术涉及但不限于图像处理，尤其涉及一种基于神经网络的园林信息管理方法及系统。

背景技术：

1、园林信息管理是园林行业中至关重要的一部分，它涉及到对园林景观、植物、建筑等多方面的管理和维护。传统的园林信息管理主要依赖于人工调查和记录，这种方式存在着效率低、成本高、容易出错等问题。随着计算机视觉和图像处理技术的发展，园林信息管理领域开始逐渐引入图像识别技术，以提高管理效率、降低成本并实现信息化管理。

2、园林图像识别技术基于计算机视觉和深度学习等技术，通过对园林景观、植物、建筑等元素进行图像采集、识别和分析，实现对园林信息的自动获取和处理。这项技术可以帮助园林管理者更好地了解园林内各种植被的分布情况、健康状况以及变化趋势，从而指导园林的规划、养护和管理工作。此外，园林图像识别技术还可以应用在园林设计中，辅助进行园林规划、布局和设计，为园林的建设和改造提供科学依据。

3、在图像识别过程中，对于图像数量庞大，图像内容繁杂的情况下，通常会将图像进行分块，对其中的部分进行识别分类，但是容易忽略掉关键信息，而对所有的图像信息进行识别又会降低分类识别的效率，为园林信息管理的及时性带来困难，那么，如何保障图像识别分类的精度和速度是需要考虑的技术问题。

技术实现思路

1、有鉴于此，本技术实施例至少提供一种基于神经网络的园林信息管理方法及系统。

2、本技术实施例的技术方案是这样实现的：

3、一方面，本技术实施例提供一种基于神经网络的园林信息管理方法，应用于园林信息管理系统，所述方法包括：

4、在获取到目标园林图像对应的x个园林图像分块时，对所述x个园林图像分块分别进行图像描述数组抽取处理，得到x个第一描述数组；其中，x≥1；

5、对所述x个第一描述数组进行局部聚焦处理，得到所述x个园林图像分块各自对应的内部聚焦影响系数；x个内部聚焦影响系数包括s个非零内部聚焦影响系数和u个零值内部聚焦影响系数；其中，1≤s≤x，u＝x-s；

6、在所述x个园林图像分块中，将所述u个零值内部聚焦影响系数对应的园林图像分块进行清洗操作，得到s个园林图像分块，对所述s个园林图像分块进行图像描述数组抽取处理，得到s个第二描述数组；

7、根据所述s个第二描述数组以及所述s个非零内部聚焦影响系数，生成所述目标园林图像对应的园林图像描述数组，所述园林图像描述数组用于推理所述目标园林图像对应的图像分类。

8、在一些实施例中，所述在获取到目标园林图像对应的x个园林图像分块时，对所述x个园林图像分块分别进行图像描述数组抽取处理，得到x个第一描述数组，包括：

9、在获取到目标园林图像时，获取针对所述目标园林图像的目标图像识别网络；所述目标图像识别网络包括第一图像描述数组抽取模块；

10、根据所述目标园林图像的语义分割结果以及与所述目标图像识别网络相关联的图像尺寸，对目标园林图像进行图像分解，得到x个园林图像分块各自对应的图像像素矩阵；

11、基于所述第一图像描述数组抽取模块中的第一嵌入映射模块，对x个图像像素矩阵中的每个图像像素矩阵进行嵌入映射操作，得到x个像素描述数组；

12、基于所述第一图像描述数组抽取模块中的第一降采样模块，对所述x个像素描述数组进行降采样，得到所述x个园林图像分块各自对应的第一描述数组。

13、在一些实施例中，所述根据所述目标园林图像的语义分割结果以及与所述目标图像识别网络相关联的图像尺寸，对目标园林图像进行图像分解，得到x个园林图像分块各自对应的图像像素矩阵，包括：

14、根据所述目标园林图像的语义分割结果以及与所述目标图像识别网络相关联的图像尺寸，对所述目标园林图像进行图像分解，得到x个初始图像分块；所述x个初始图像分块包括初始图像分块p，其中，1≤p≤x；

15、获取用于对所述初始图像分块p进行组合的标记信息，所述标记信息包括用于指示起始像素位置的第一标记信息和用于指示结束像素位置的第二标记信息；

16、将所述第一标记信息组合在所述初始图像分块p的首个像素，且将所述第二标记信息组合在所述初始图像分块p的最后一个像素，将组合后的初始图像分块p作为园林图像分块p；

17、在得到x个园林图像分块时，分别对所述x个园林图像分块中的每个园林图像分块进行像素分解，得到x个图像像素矩阵。

18、在一些实施例中，所述对所述x个第一描述数组进行局部聚焦处理，得到所述x个园林图像分块各自对应的内部聚焦影响系数，包括：

19、将所述x个第一描述数组加载到目标图像识别网络中的局部聚焦模块，根据所述局部聚焦模块中的数组调节变量以及所述x个第一描述数组，确定所述x个园林图像分块各自的评价变量；所述x个园林图像分块包括园林图像分块p；其中，1≤p≤x，所述评价变量包括所述园林图像分块p的评价变量up，所述局部聚焦模块包括选择注意力机制；

20、根据所述评价变量up以及x个评价变量，得到所述园林图像分块p的置信度变量cp；

21、在得到每个园林图像分块各自的置信度变量时，根据选取方式从x个置信度变量中选取s个置信度变量；

22、将所述s个置信度变量中的每个置信度变量分别进行标准化操作，得到s个非零内部聚焦影响系数，将除所述s个置信度变量之外的u个置信度变量分别进行数值分配处理，得到u个零值内部聚焦影响系数；

23、将所述s个非零内部聚焦影响系数和所述u个零值内部聚焦影响系数，确定为所述x个园林图像分块各自对应的内部聚焦影响系数；

24、其中，所述选取方式包括第一选取方式；所述第一选取方式包括选取临界值q；所述在得到每个园林图像分块各自的置信度变量时，根据选取方式从x个置信度变量中选取s个置信度变量，包括：

25、在得到每个园林图像分块各自的置信度变量时，对x个置信度变量进行按序排列，得到排列信息；

26、如果所述排列信息为递减排列信息，则从所述x个置信度变量中选取前s个置信度变量；

27、如果所述排列信息为递增排列信息，则从所述x个置信度变量中选取后s个置信度变量；

28、以及，所述选取方式包括第二选取方式；所述第二选取方式包括累加置信度临界值；所述在得到每个园林图像分块各自的置信度变量时，根据选取方式从x个置信度变量中选取s个置信度变量，包括：

29、在得到每个园林图像分块各自的置信度变量时，对x个置信度变量进行递减排序，得到递减排列信息；

30、依据所述递减排列信息，游走所述递减排列信息中的置信度变量；

31、如果已游走的置信度变量的累加结果满足所述累加置信度临界值，则在所述x个置信度变量中，对拟选取变量和位于所述拟选取变量之后的置信度变量进行清洗操作，得到s个置信度变量，其中，所述拟选取变量为已游走的置信度变量中位于最后的置信度变量。

32、在一些实施例中，所述在所述x个园林图像分块中，将所述u个零值内部聚焦影响系数对应的园林图像分块进行清洗操作，得到s个园林图像分块，对所述s个园林图像分块进行图像描述数组抽取处理，得到s个第二描述数组，包括：

33、在所述x个园林图像分块中，将所述u个零值内部聚焦影响系数对应的园林图像分块进行清洗操作，得到s个园林图像分块；

34、根据所述s个园林图像分块对应的图像像素矩阵，分别确定用于加载到目标图像识别网络中的第二图像描述数组抽取模块的s个矩阵加载描述数组；

35、基于所述第二图像描述数组抽取模块中的第二嵌入映射模块，分别对所述s个矩阵加载描述数组进行嵌入映射操作，得到s个第二描述数组。

36、在一些实施例中，所述s个园林图像分块包括第一拟识别图像分块；所述根据所述s个园林图像分块对应的图像像素矩阵，分别确定用于加载到目标图像识别网络中的第二图像描述数组抽取模块的s个矩阵加载描述数组，包括：

37、在所述s个园林图像分块对应的图像像素矩阵中，确定所述第一拟识别图像分块对应的图像像素矩阵，将确定的图像像素矩阵确定为拟识别像素矩阵；

38、分别获取所述拟识别像素矩阵对应的像素向量，所述拟识别像素矩阵对应的分布向量以及所述拟识别像素矩阵对应的隔离向量；

39、对所述像素向量、所述分布向量以及所述隔离向量进行组合处理，将组合处理后的矩阵作为所述拟识别像素矩阵加载到目标图像识别网络中的第二图像描述数组抽取模块的矩阵加载描述数组。

40、在一些实施例中，所述根据所述s个第二描述数组以及所述s个非零内部聚焦影响系数，生成所述目标园林图像对应的园林图像描述数组，包括：

41、将所述s个园林图像分块中的每个园林图像分块分别作为第二拟识别图像分块；

42、基于所述目标图像识别网络中的第二降采样模块，在所述s个第二描述数组中获取所述第二拟识别图像分块对应的第二描述数组；

43、基于所述第二降采样模块，在所述s个非零内部聚焦影响系数中获取所述第二拟识别图像分块对应的非零内部聚焦影响系数；

44、将所述拟识别图像分块对应的第二描述数组以及所述拟识别图像分块对应的非零内部聚焦影响系数之间的相乘结果，作为所述拟识别图像分块对应的图像分块描述数组；

45、在得到所述s个园林图像分块各自对应的图像分块描述数组时，对s个图像分块描述数组进行相加，得到所述目标园林图像对应的园林图像描述数组；

46、所述方法还包括：

47、将所述园林图像描述数组加载到目标图像识别网络中的标准化模块；

48、基于所述标准化模块，分别确定所述目标园林图像针对g个图像分类中的每个图像分类之间的分类置信度，其中，所述g个图像分类是对第二示例园林图像进行划簇后获得的，所述第二示例园林图像是用于对所述目标图像识别网络进行事前调试的示例园林图像，其中，g≥1；

49、从g个分类置信度中确定最大分类置信度，将所述最大分类置信度对应的图像分类作为所述目标园林图像对应的图像分类。

50、在一些实施例中，所述方法还包括：

51、获取用于对第一图像识别网络进行调试的第一示例园林图像库以及所述第一示例园林图像库中的第一示例园林图像对应的示例注释信息；所述示例注释信息用于注释所述第一示例园林图像的真实图像分类，其中，所述第一图像识别网络是基于第二示例园林图像库和针对所述第二示例园林图像库的划簇策略，对第二图像识别网络进行事前调试后获得的；

52、在所述第一图像识别网络中，根据所述第一示例园林图像对应的第一示例图像数组，推理所述第一示例园林图像的推理图像分类，其中，所述第一示例图像数组是根据所述第一示例园林图像对应的第一示例内部聚焦影响系数以及对所述第一示例园林图像进行选取后的示例描述数组生成的，所述第一示例内部聚焦影响系数是对所述第一示例园林图像进行局部聚焦处理后获得的；

53、根据所述推理图像分类和所述真实图像分类，对所述第一图像识别网络进行调试，得到目标图像识别网络，所述目标图像识别网络用于对所述目标园林图像的图像分类进行推理。

54、在一些实施例中，所述方法还包括：

55、获取用于对第二图像识别网络进行事前调试的第二示例园林图像库，在所述第二图像识别网络中确定所述第二示例园林图像库中的每个第二示例园林图像各自对应的第二示例图像数组，其中，所述第二示例图像数组是根据所述第二示例园林图像对应的第二示例内部聚焦影响系数以及对所述第二示例园林图像进行选取后的示例描述数组生成的，所述第二示例内部聚焦影响系数是对所述第二示例园林图像进行局部聚焦处理后获得的；

56、根据针对所述第二示例园林图像库的划簇策略，对所述每个第二示例园林图像各自对应的第二示例图像数组进行划簇，得到g个图像分类；其中，g≥1；

57、根据所述g个图像分类以及所述第二示例园林图像库，对所述第二图像识别网络进行事前调试，得到所述第一图像识别网络。

58、第二方面，本技术提供了一种园林信息管理系统，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以上所述方法中的步骤。

59、本技术实施例的有益效果至少包括：

60、在本技术实施例提供的基于神经网络的园林信息管理方法及系统中，在获取到目标园林图像对应的x个园林图像分块时，不用直接对目标园林图像进行裁切，同时不用统一对x个园林图像分块中的每个园林图像分块进行相同的图像描述数组抽取，具体是先基于对x个园林图像分块进行图像描述数组抽取处理，得到x个第一描述数组，然后基于对x个第一描述数组进行局部聚焦，得到x个内部聚焦影响系数。其中，x≥1。x个内部聚焦影响系数中包括s个非零内部聚焦影响系数和u个零值内部聚焦影响系数，1≤s≤x，u＝x-s。基于此，在x个园林图像分块中，清洗u个零值内部聚焦影响系数对应的园林图像分块，重点聚焦其中s个非零内部聚焦影响系数所对应的园林图像分块，如此，在进行图像描述数组抽取处理时，可以缓解图像嵌入的数据量，缩短处理时间，得到s个第二描述数组。然后，基于s个第二描述数组和s个非零内部聚焦影响系数，得到描述园林图像的园林图像描述数组。该园林图像描述数组可以用于推理目标园林图像的图像分类，那么，本技术不仅确保了园林图像推理的精度，还提高了园林图像推理的速度。

61、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本技术的技术方案。