一种基于人工智能的红树林生长状态检测方法及系统与流程

本发明涉及人工智能领域，特别是一种基于人工智能的红树林生长状态检测方法及系统。

背景技术：

1、红树林是一种生长在热带与亚热带海岸潮间带，由红树植物为主体，常绿乔木或灌木构成的湿地木本植物群落，在净化海水、防风消浪以及维持生物多样性方面具有重要的作用，现有技术中，红树林的培育工作和生长状态通常是在海水中进行，并且伴随着海水的高浓度盐、潮汐和红树林的盘根错节，导致人工对红树林的幼苗在自然环境的培育和生长难以观察和维护，因此如何提升红树林幼苗的生长状态检测，同时对红树林幼苗进行定期检查和维护是现阶段丞待解决的技术问题。

技术实现思路

1、本发明的目的是为了解决上述问题，设计了一种基于人工智能的红树林生长状态检测方法及系统。

2、实现上述目的本发明的技术方案为，进一步，在上述一种基于人工智能的红树林生长状态检测方法中，所述红树林生长状态检测方法包括以下步骤：

3、通过图像采集装置获取红树林中幼苗的历史幼苗图像数据，对所述历史幼苗图像数据进行数据预处理，得到待训练红树林生长状态数据；

4、基于resnet残差网络建立resnet红树林幼苗生长状态检测模型，在所述resnet红树林幼苗生长状态检测模型的卷积层后引入se注意力机制模块，得到初始resnet红树林幼苗生长状态检测模型；

5、将所述待训练红树林生长状态数据输入至所述初始resnet红树林幼苗生长状态检测模型中进行训练，在所述初始resnet红树林幼苗生长状态检测模型中加入dropout层和dense层；所述dropout层用于在初始resnet红树林幼苗生长状态检测模型进行参数更新时随机省略神经元；所述dense层用于利用l2正则化和softmax分类函数对初始resnet红树林幼苗生长状态检测模型的权重进行调整；得到目标resnet红树林幼苗生长状态检测模型；

6、通过图像采集装置获取红树林中幼苗的实时幼苗图像数据，对所述实时幼苗图像数据进行图像增强处理，得到增强实时幼苗图像数据；利用中值滤波对增强实时幼苗图像数据进行滤波处理，得到滤波实时幼苗图像数据；

7、基于阈值分割法对所述滤波实时幼苗图像数据进行二值化处理，得到待识别红树林生长状态数据；将所述待识别红树林生长状态数据输入至所述目标resnet红树林幼苗生长状态检测模型进行幼苗生长状态检测，得到第一幼苗实时生长状态；

8、根据所述第一幼苗实时生长状态判断红树林幼苗的虫害状态，若红树林幼苗的虫害状态为严重虫害状态或中度虫害状态，则基于虫害措施处理数据库对严重虫害状态的红树林幼苗生成农药喷洒措施，并利用农药喷洒装置进行喷洒；

9、基于目标resnet红树林幼苗生长状态检测模型对喷洒农药后的红树林幼苗进行实时监测，得到第二幼苗实时生长状态，根据所述第二幼苗实时生长状态生成红树林幼苗的生长维护措施。

10、进一步，在上述红树林生长状态检测方法中，所述通过图像采集装置获取红树林中幼苗的历史幼苗图像数据，对所述历史幼苗图像数据进行数据预处理，得到待训练红树林生长状态数据，包括：

11、通过图像采集装置获取红树林中幼苗的历史幼苗图像数据，所述历史幼苗图像数据至少包括幼苗树叶图像数据、幼苗枝干图像数据，所述图像采集装置密集度为3个/㎡；

12、对所述历史幼苗图像数据进行图像增强处理，得到增强幼苗图像数据；

13、利用中值滤波对所述增强幼苗图像数据进行滤波处理，得到滤波幼苗图像数据；

14、基于阈值分割法对所述滤波幼苗图像数据进行二值化处理，得到待训练红树林生长状态数据。

15、进一步，在上述红树林生长状态检测方法中，所述基于resnet残差网络建立resnet红树林幼苗生长状态检测模型，在所述resnet红树林幼苗生长状态检测模型的卷积层后引入se注意力机制模块，得到初始resnet红树林幼苗生长状态检测模型，包括：

16、基于resnet残差网络建立resnet红树林幼苗生长状态检测模型，所述resnet红树林幼苗生长状态检测模型至少包括输入层、卷积层、池化层、全连接层和输出层；

17、在所述resnet红树林幼苗生长状态检测模型的卷积层后引入se注意力机制模块；

18、利用swish激活函数替代所述resnet红树林幼苗生长状态检测模型的relu激活函数；

19、将交叉熵损失函数作为所述resnet红树林幼苗生长状态检测模型的损失函数，得到初始resnet红树林幼苗生长状态检测模型。

20、进一步，在上述红树林生长状态检测方法中，所述将所述待训练红树林生长状态数据输入至所述初始resnet红树林幼苗生长状态检测模型中进行训练，得到目标resnet红树林幼苗生长状态检测模型，包括：

21、将所述待训练红树林生长状态数据输入至所述初始resnet红树林幼苗生长状态检测模型中进行训练；

22、利用batch normalization对所述resnet红树林幼苗生长状态检测模型的网络层数据进行归一化处理；

23、基于nadam优化算法对所述resnet红树林幼苗生长状态检测模型的训练过程进行优化，得到目标resnet红树林幼苗生长状态检测模型。

24、进一步，在上述红树林生长状态检测方法中，所述将所述待识别红树林生长状态数据输入至所述目标resnet红树林幼苗生长状态检测模型进行幼苗生长状态检测，得到第一幼苗实时生长状态，包括：

25、所述第一幼苗实时生长状态至少包括严重虫害状态、中度虫害状态、轻度虫害状态和无虫害状态；

26、所述轻度虫害状态包括每颗红树林幼苗的害虫数量小于等于2只，每颗红树林幼苗的害虫种类小于等于2种；所述无虫害状态包括红树林幼苗无害虫；

27、所述严重虫害状态包括每颗红树林幼苗的害虫数量大于15只，每颗红树林幼苗的害虫种类大于5种；所述中度虫害状态包括每颗红树林幼苗的害虫数量大于8只，每颗红树林幼苗的害虫种类大于3种。

28、进一步，在上述红树林生长状态检测方法中，所述根据所述第一幼苗实时生长状态判断红树林幼苗的虫害状态，若红树林幼苗的虫害状态为严重虫害状态或中度虫害状态，则基于虫害措施处理数据库对严重虫害状态的红树林幼苗生成农药喷洒措施，并利用农药喷洒装置进行喷洒，包括：

29、根据所述第一幼苗实时生长状态判断红树林幼苗的虫害状态，若红树林幼苗的虫害状态为严重虫害状态或中度虫害状态，则将所述第一幼苗实时生长状态传输至服务器中；

30、若为严重虫害状态，则服务器基于虫害措施处理数据库生成高浓度农药喷洒措施，所述高浓度农药喷洒措施为利用75%百菌清1 000倍溶液进行消毒处理，且每周2次连续喷洒1个月；

31、若为中度虫害状态，则服务器基于虫害措施处理数据库生成低浓度农药喷洒措施，所述低浓度农药喷洒措施为50%百菌清1 000倍溶液进行消毒处理，且每周1次连续喷洒1个月；

32、所述虫害措施处理数据库基于大数据分析建立的虫害处理措施数据库；

33、根据所述高浓度农药喷洒措施和所述低浓度农药喷洒措施生成农药喷洒装置的控制指令，基于所述控制指令控制农药喷洒装置对红树林幼苗进行喷洒。

34、进一步，在上述红树林生长状态检测方法中，所述基于目标resnet红树林幼苗生长状态检测模型对喷洒农药后的红树林幼苗进行实时监测，得到第二幼苗实时生长状态，根据所述第二幼苗实时生长状态生成红树林幼苗的生长维护措施，包括：

35、实时检测至少包括每隔2天获取1次喷洒农药后的红树林幼苗图像数据；将喷洒农药后的红树林幼苗图像数据输入至目标resnet红树林幼苗生长状态检测模型进行判断；

36、若严重害虫状态和中度害虫状态有好转趋势，则减少百菌清1 000倍溶液的浓度和喷洒次数，若严重害虫状态和中度害虫状态无好转趋势则更换杀虫药水并对管理人员进行预警。

37、实现上述目的本发明的技术方案为，进一步，在上述一种基于人工智能的红树林生长状态检测系统中，所述红树林生长状态检测系统，包括：

38、数据获取模块，用于通过图像采集装置获取红树林中幼苗的历史幼苗图像数据，对所述历史幼苗图像数据进行数据预处理，得到待训练红树林生长状态数据；

39、模型建立模块，用于基于resnet残差网络建立resnet红树林幼苗生长状态检测模型，在所述resnet红树林幼苗生长状态检测模型的卷积层后引入se注意力机制模块，得到初始resnet红树林幼苗生长状态检测模型；

40、模型训练模块，用于将所述待训练红树林生长状态数据输入至所述初始resnet红树林幼苗生长状态检测模型中进行训练，在所述初始resnet红树林幼苗生长状态检测模型中加入dropout层和dense层；所述dropout层用于在初始resnet红树林幼苗生长状态检测模型进行参数更新时随机省略神经元；所述dense层用于利用l2正则化和softmax分类函数对初始resnet红树林幼苗生长状态检测模型的权重进行调整；得到目标resnet红树林幼苗生长状态检测模型；

41、图像采集模块，用于通过图像采集装置获取红树林中幼苗的实时幼苗图像数据，对所述实时幼苗图像数据进行图像增强处理，得到增强实时幼苗图像数据；利用中值滤波对增强实时幼苗图像数据进行滤波处理，得到滤波实时幼苗图像数据；

42、状态检测模块，用于基于阈值分割法对所述滤波实时幼苗图像数据进行二值化处理，得到待识别红树林生长状态数据；将所述待识别红树林生长状态数据输入至所述目标resnet红树林幼苗生长状态检测模型进行幼苗生长状态检测，得到第一幼苗实时生长状态；

43、状态处理模块，用于根据所述第一幼苗实时生长状态判断红树林幼苗的虫害状态，若红树林幼苗的虫害状态为严重虫害状态或中度虫害状态，则基于虫害措施处理数据库对严重虫害状态的红树林幼苗生成农药喷洒措施，并利用农药喷洒装置进行喷洒；

44、状态检测模块，用于基于目标resnet红树林幼苗生长状态检测模型对喷洒农药后的红树林幼苗进行实时监测，得到第二幼苗实时生长状态，根据所述第二幼苗实时生长状态生成红树林幼苗的生长维护措施。

45、进一步，在上述一种基于人工智能的红树林生长状态检测系统中，所述数据获取模块包括以下子模块：

46、获取子模块，用于通过图像采集装置获取红树林中幼苗的历史幼苗图像数据，所述历史幼苗图像数据至少包括幼苗树叶图像数据、幼苗枝干图像数据，所述图像采集装置密集度为3个/㎡；

47、增强子模块，用于对所述历史幼苗图像数据进行图像增强处理，得到增强幼苗图像数据；

48、滤波子模块，用于利用中值滤波对所述增强幼苗图像数据进行滤波处理，得到滤波幼苗图像数据；

49、二值化子模块，用于基于阈值分割法对所述滤波幼苗图像数据进行二值化处理，得到待训练红树林生长状态数据。

50、进一步，在上述一种基于人工智能的红树林生长状态检测系统中，所述模型建立模块包括以下子模块：

51、建立子模块，用于基于resnet残差网络建立resnet红树林幼苗生长状态检测模型，所述resnet红树林幼苗生长状态检测模型至少包括输入层、卷积层、池化层、全连接层和输出层；

52、引入子模块，用于在所述resnet红树林幼苗生长状态检测模型的卷积层后引入se注意力机制模块；

53、替代子模块，用于利用swish激活函数替代所述resnet红树林幼苗生长状态检测模型的relu激活函数；

54、得到子模块，用于将交叉熵损失函数作为所述resnet红树林幼苗生长状态检测模型的损失函数，得到初始resnet红树林幼苗生长状态检测模型。

55、其有益效果在于，通过图像采集装置获取红树林中幼苗的历史幼苗图像数据，对所述历史幼苗图像数据进行数据预处理，得到待训练红树林生长状态数据；基于resnet残差网络建立resnet红树林幼苗生长状态检测模型，在所述resnet红树林幼苗生长状态检测模型的卷积层后引入se注意力机制模块，得到初始resnet红树林幼苗生长状态检测模型；将所述待训练红树林生长状态数据输入至所述初始resnet红树林幼苗生长状态检测模型中进行训练，得到目标resnet红树林幼苗生长状态检测模型；通过图像采集装置获取红树林中幼苗的实时幼苗图像数据，将所述实时幼苗图像数据输入至所述目标resnet红树林幼苗生长状态检测模型进行幼苗生长状态检测，得到第一幼苗实时生长状态；根据所述第一幼苗实时生长状态判断红树林幼苗的虫害状态，若红树林幼苗的虫害状态为严重虫害状态或中度虫害状态，则基于虫害措施处理数据库对严重虫害状态的红树林幼苗生成农药喷洒措施，并利用农药喷洒装置进行喷洒；基于目标resnet红树林幼苗生长状态检测模型对喷洒农药后的红树林幼苗进行实时监测，得到第二幼苗实时生长状态，根据所述第二幼苗实时生长状态生成红树林幼苗的生长维护措施。可以提升红树林幼苗的生长状态检测准确度和效率，减少人工对红树林的生长状态检测，提高红树林幼苗的生长控制程度，提升经济性和企业盈利。