一种水生藻类与植被识别方法及系统

本发明涉及水环境监测，尤其涉及一种水体藻类与植被识别方法及系统。

背景技术：

1、藻类过度繁殖与水生植被退化是当前水环境治理的核心问题。其中，蓝藻水华爆发过程中会持续释放剧毒藻毒素，直接污染饮用水水源，严重威胁城乡居民饮水安全与用水健康；水生植被作为水体生态的“净化器”，其分布变化直接反映生态健康状态。因此，精准识别水生藻类与植被的空间分布及动态变化，是水环境监测与治理的关键前提。

2、传统水生藻类与植被识别方法主要包括人工采样法、单一遥感识别法，主要包含人工实地采样检测法与单一遥感影像识别法两类，两种主流技术均存在显著短板，难以满足现代化水环境高精度、常态化、大范围监测的需求。人工采样检测法是水体生态监测的基础传统手段，主要依靠作业人员乘船或涉水开展水样、植被样本的实地采集，再通过实验室理化检测完成藻类浓度判定、植被种类鉴定等工作。该方法仅能获取有限的单点离散监测数据，覆盖范围极小，无法实现大面积全域水体的同步监测，难以真实反映藻类与水生植被的整体空间分布格局。同时，后续实验室检测流程繁琐、周期冗长，常规叶绿素a检测、植被物种鉴定等分析工作耗时可达24-72h，且检测过程需消耗纳氏试剂、高效液相色谱专用试剂等多种耗材，整体监测成本较高。此外，人工采样极易受天气、水域环境、采样点位选择等偶然因素干扰，监测数据随机性强、代表性不足，无法支撑水体生态动态变化的精准研判。

3、为突破人工采样法效率低、覆盖范围有限的缺陷，行业逐步引入遥感识别技术开展水体藻类与水生植被监测，早期以单一遥感影像识别方案为主，但该技术方案同样存在明显技术瓶颈。一方面，单一可见光影像识别方式受外界环境干扰极强，光照强度、水体浑浊度等环境变量会直接影响影像成像效果，极易出现泥沙高反射区域被误判为藻类聚集区、水体阴影区域被误判为水生植被的问题，整体识别准确率普遍低于80%，监测可靠性较差；另一方面，单一多光谱影像识别方案存在空间分辨率偏低的问题，常规分辨率仅为1~5m/像素，无法识别1m²以下的小面积藻类集群，难以捕捉水体局部微尺度生态异常，同时该方案数据预处理与分析流程复杂，单独应用的设备与算力成本较高，监测性价比与实用性不足。

4、针对上述传统人工检测、单一遥感识别技术的诸多弊端，现有相关研究逐步引入深度学习算法，结合可见光影像构建智能化识别模型，实现了水体藻类与植被识别技术的迭代升级。相较于传统监测方式，该智能化方案摒弃了人工实地采样、实验室繁琐检测的操作模式，大幅缩短了监测周期、降低了人力与耗材成本，同时依托深度学习的特征提取能力，有效提升了影像数据的信息利用率与识别自动化程度，突破了传统方法无法大面积、快速监测的技术局限，为水体藻类与植被常态化监测提供了新的技术思路。

5、但基于智能化识别模型的方案仅依托单一可见光数据源开展模型训练与识别推理，数据维度单一，在强光折射、水体浑浊、光影交错等复杂水域环境下，影像特征干扰性较强，模型极易出现特征混淆、误判漏判的问题，环境适应性较差。

技术实现思路

1、为此，本发明所要解决的技术问题在于克服基于智能化识别模型的方案仅依托单一可见光数据源开展模型训练与识别推理，数据维度单一，在复杂光照和水体条件下易产生误判的缺陷。

2、为解决上述技术问题，本发明提供了一种水体藻类与植被识别方法，包括：

3、采集目标水体的可见光影像与多光谱影像，以可见光影像为基准，对多光谱影像进行图像配准，得到目标多光谱影像；

4、对可见光影像与目标多光谱影像进行预处理，基于预处理后的目标多光谱影像，计算叶绿素a浓度指数、归一化植被指数，构建多光谱张量；

5、将预处理后的可见光影像输入水体藻类与植被识别模型的可见光流编码器，输出各可见光流编码层的可见光特征图；所述可见光流编码器将u-net编码器中各编码层的3×3卷积均替换为多尺度蛇形卷积块得到；

6、将多光谱张量输入水体藻类与植被识别模型的多光谱流编码器，输出各多光谱流编码层的多光谱特征图；所述多光谱流编码器将u-net编码器中各编码层的首个3×3卷积替换为多尺度蛇形卷积块，第二个3×3卷积替换为1×1卷积得到；

7、其中，多尺度蛇形卷积块包括三条并联分支，第一个分支为3×3卷积，第二个分支为1×3膨胀卷积，第三个分支为3×1膨胀卷积；将多尺度蛇形卷积块的输入特征与三条并联分支的输出结果逐元素相加后，依次通过批归一化层、relu激活函数，得到多尺度蛇形卷积块的输出特征；

8、基于各可见光流编码层的可见光特征图、各多光谱流编码层的多光谱特征图，对目标水体中的水体藻类与植被进行识别。

9、优选地，基于预处理后的目标多光谱影像，计算叶绿素a浓度指数、归一化植被指数的方法包括：

10、对预处理后的目标多光谱影像进行辐射定标，得到预处理后的目标多光谱影像中各波段的地表反射率；

11、利用辐射定标后的红光波段与近红外波段的地表反射率，计算叶绿素a浓度指数、归一化植被指数。

12、优选地，基于各可见光流编码层的可见光特征图、各多光谱流编码层的多光谱特征图，对目标水体中的水体藻类与植被进行识别的方法包括：

13、将第l个可见光流编码层的可见光特征图、第l个多光谱流编码层的多光谱特征图融合，得到第l个融合特征图；其中，l=1,2,…,，l为编码层索引，为编码器总层数；

14、将个融合特征图通过解码器，得到目标特征；将目标特征通过分类器，得到目标水体中的水体藻类与植被识别的识别结果。

15、优选地，将第l个可见光流编码层的可见光特征图、第l个多光谱流编码层的多光谱特征图融合，得到第l个融合特征图的方法包括：

16、将第l个可见光流编码层的可见光特征图、第l个多光谱流编码层的多光谱特征图通过asga自适应融合模块融合，得到第l个融合特征图，包括：

17、将第l个可见光流编码层的可见光特征图、第l个多光谱流编码层的多光谱特征图沿通道维度拼接后，依次通过1×1卷积与sigmoid激活函数，生成第l个像素级权重图；

18、基于第l个像素级权重图，对第l个可见光流编码层的可见光特征图、第l个多光谱流编码层的多光谱特征图进行融合，得到第l个初始融合特征图；

19、将第l个初始融合特征图分别通过3×3卷积与5×5卷积，将两个卷积的输出特征图与第l个初始融合特征图逐元素相加，得到第l个融合特征图。

20、优选地，基于第l个像素级权重图，对第l个可见光流编码层的可见光特征图、第l个多光谱流编码层的多光谱特征图进行融合，得到第l个初始融合特征图的方法包括：

21、将第l个像素级权重图与第l个可见光流编码层的可见光特征图逐元素相乘，得到第l个加权可见光特征图；

22、采用与第l个像素级权重图互补的权重图，和第l个多光谱流编码层的多光谱特征图逐元素相乘，得到第l个加权多光谱特征图；

23、将第l个加权可见光特征图与第l个加权多光谱特征图逐元素相加，得到第l个初始融合特征图。

24、优选地，解码器为scsc解码器；

25、将个融合特征图通过scsc解码器，得到目标特征的方法包括：

26、基于第l个多光谱流编码层的多光谱特征图，通过门控函数生成第l个门控光谱特征；

27、将第n-n个scsc解码器层输出的特征图执行上采样操作，再与第n-n个融合特征图、第n-n个门控光谱特征沿通道维度拼接，经过第n-n-1个scsc解码器层处理，得到第n-n-1个scsc解码器层输出的特征图；其中，scsc解码器层通过将u-net解码器中解码层的3×3卷积均替换为多尺度蛇形卷积块得到，n为解码器总层数，n=0,1,…n-1；

28、将第一个scsc解码器层输出的特征图作为目标特征。

29、优选地，基于第l个多光谱流编码层的多光谱特征图，通过门控函数生成第l个门控光谱特征的方法包括：

30、将第l个多光谱流编码层的多光谱特征图依次通过1×1卷积、sigmoid激活函数后，得到第l个多光谱流编码层的多光谱特征图权重；

31、将第l个多光谱流编码层的多光谱特征图与其权重逐元素相乘，得到第l个门控光谱特征。

32、优选地，水体藻类与植被识别模型的损失函数构建方法包括：

33、基于dice损失、类别加权交叉熵，构建分割主损失；

34、将水体藻类与植被识别模型输出的像素预测类别标签作为分组依据，筛选预测标签相同的全部像素，提取各像素在第一个多光谱流编码层的多光谱特征图中对应的特征向量，生成各类别标签分别对应的特征向量集合；

35、以每个类别标签对应的全部特征向量的平均值作为该类别标签的特征中心；

36、基于各类别标签内的特征向量与该类别标签的特征中心的欧氏平方距离，构建光谱一致性损失；

37、基于分割主损失、光谱一致性损失，构建水体藻类与植被识别模型的损失函数。

38、优选地，水体藻类与植被识别模型的损失函数还包括边界感知损失，边界感知损失的构建过程包括：

39、计算真值标注图各像素水平梯度平方与垂直梯度平方之和，求取该和的平方根，将该平方根与数值 1 中的较小值作为对应像素的边界权重；

40、采用各像素对应的边界权重对同位置像素的交叉熵损失进行加权运算，累加全部像素加权后的交叉熵损失，构建边界感知损失。

41、本发明还提供了一种水体藻类与植被识别系统，包括：

42、数据采集模块，用于采集目标水体的可见光影像与多光谱影像，以可见光影像为基准，对多光谱影像进行图像配准，得到目标多光谱影像；

43、张量构建模块，用于对可见光影像与目标多光谱影像进行预处理，基于预处理后的目标多光谱影像，计算叶绿素a浓度指数、归一化植被指数，构建多光谱张量；

44、可见光特征提取模块，用于将预处理后的可见光影像输入可见光流编码器，输出各可见光流编码层的可见光特征图；所述可见光流编码器将u-net编码器中各编码层的3×3卷积均替换为多尺度蛇形卷积块得到；

45、多光谱特征提取模块，用于将多光谱张量输入多光谱流编码器，输出各多光谱流编码层的多光谱特征图；所述多光谱流编码器将u-net编码器中各编码层的首个3×3卷积替换为多尺度蛇形卷积块，第二个3×3卷积替换为1×1卷积得到；

46、其中，多尺度蛇形卷积块包括三条并联分支，第一个分支为3×3卷积，第二个分支为1×3膨胀卷积，第三个分支为3×1膨胀卷积；将多尺度蛇形卷积块的输入特征与三条并联分支的输出结果逐元素相加后，依次通过批归一化层、relu激活函数，得到多尺度蛇形卷积块的输出特征；

47、识别模块，用于基于各可见光流编码层的可见光特征图、各多光谱流编码层的多光谱特征图，对目标水体中的水体藻类与植被进行识别。

48、本发明的上述技术方案相比现有技术具有以下有益效果：

49、本发明所述的一种水体藻类与植被识别方法及系统，本发明同步引入可见光影像与配准后的多光谱影像双源数据，通过预处理构建融合叶绿素a浓度指数、归一化植被指数的多光谱张量，实现可见光空间纹理特征与多光谱水体生化特征的互补融合，有效丰富模型输入数据维度，解决单一可见光数据源信息单一、特征表征能力不足的问题。同时，本发明对u-net编码器卷积结构进行优化改良，采用多尺度蛇形卷积块替代传统固定卷积结构，该卷积块设置三路并行卷积分支，其中标准3×3卷积分支可有效捕获目标局部中心区域的纹理与块状结构，1×3卷积分支具备横向拓展的感受野结构，能够适配蓝藻水华横向扩散的条带形态特征提取需求，3×1卷积分支具备纵向延伸的感受野结构，可精准捕捉沉水植物茎叶纵向蔓延的细长形态特征。在此基础上，卷积块将原始输入特征与三路分支输出特征进行逐元素融合，并结合批归一化与relu激活函数完成特征优化，既能够完整保留原始图像特征，缓解模型训练过程中的梯度消失问题，又突破了传统单一3×3卷积感受野形态固定、适配性差的局限，可全方位适配水体藻类、植被不规则长条状的分布形态，大幅提升复杂光照、多变水体环境下目标特征提取的完整性与精准度，有提高了水体藻类与植被识别精度。