基于病害特征提取的林间智能病虫害巡检系统

本技术涉及林业智能监测的，尤其涉及一种基于病害特征提取的林间智能病虫害巡检系统。

背景技术：

1、病虫害是影响林木生长和森林生态安全的重要因素。现有林间病虫害巡检技术通常利用可见光、多光谱或热红外图像对病害进行识别，但大多基于单次巡检获取的静态特征进行分类判断，缺乏对病害发展过程的连续跟踪分析能力。

2、同时，现有技术主要针对已知病害进行识别，对于新出现的病害类型或病原变异缺乏有效的异常发现和判别机制，容易产生误识别问题。此外，现有系统通常缺少结合传播规律、宿主信息及环境因素的综合验证手段，也难以实现病害知识的持续更新，导致未知病害发现能力和长期适应能力不足。

技术实现思路

1、本技术旨在至少在一定程度上解决相关技术中的技术问题之一。

2、为此，本技术的一个目的在于提出一种基于病害特征提取的林间智能病虫害巡检系统，通过对多巡检周期的多模态图像进行时空配准和时序演化建模，能够提取病害发展过程中的动态变化特征，提高病害识别准确性。

3、为实现上述目的，本技术第一方面实施例提出了基于病害特征提取的林间智能病虫害巡检系统，其特征在于，包括：

4、配准模块，用于接收目标靶区在多个巡检周期的多模态图像数据，对多模态图像数据进行时空配准处理，得到时序对齐图像序列；

5、矩阵构建模块，用于从所述时序对齐图像序列提取特征参数，基于所述特征参数在多个所述巡检周期之间的一阶导数，构建目标靶区的多模态时序演化矩阵；

6、向量生成模块，用于将所述多模态时序演化矩阵输入至时间卷积网络进行时序依赖捕捉处理，生成病害演化轨迹向量；

7、计算模块，用于从病害知识库获取已知病害轨迹簇的质心向量，计算所述病害演化轨迹向量与所述质心向量的马氏距离；

8、聚类模块，用于当所述马氏距离大于预设的动态拒识阈值时，将所述病害演化轨迹向量标记为异常特征，并利用密度峰值聚类算法对所述异常特征进行高维特征聚类，生成候选未知病害类别；

9、验证模块，用于基于对应所述候选未知病害类别的空间分布拓扑数据与微气象矢量数据，计算传播可信度指标；

10、更新模块，用于当所述传播可信度指标满足预设周期验证条件时，将所述候选未知病害类别的病害演化轨迹向量保存至病害知识库。

11、另外，根据本技术上述提出的基于病害特征提取的林间智能病虫害巡检系统还可以具有如下附加的技术特征：

12、在本技术的一个实施例中，所述配准模块包括内参数据获取单元和深度网络配准单元；

13、所述深度网络配准单元具体包括：

14、通过部署的自监督特征点提取网络提取单周期融合图像中的深层语义关键点；

15、利用图神经网络模型捕捉所述深层语义关键点在不同巡检周期图像之间的空间拓扑关系，并计算输出关键点匹配概率矩阵；

16、根据所述关键点匹配概率矩阵确定对应的匹配点对，并利用所述对应匹配点对求解获取非刚性空间映射参数；

17、基于所述非刚性空间映射参数对多个巡检周期的所述单周期融合图像进行空间像素对齐映射操作，从而生成所述时序对齐图像序列。

18、在本技术的一个实施例中，所述矩阵构建模块包括速率换算单元和时序拼接单元；

19、所述速率换算单元用于将相邻两个巡检周期的特征差值除以时间间隔参数，计算得到面积扩张速率、温度扩散速率、纹理退化速率以及颜色迁移速率，作为动态参数向量：

20、；

21、所述时序拼接单元用于将所述特征参数对应的静态参数向量和所述动态参数向量按时间序列顺序拼接，生成所述多模态时序演化矩阵：。

22、在本技术的一个实施例中，所述向量生成模块包括时序依赖特征捕捉单元和全连接维度映射单元；

23、所述时序依赖特征捕捉单元对所述多模态时序演化矩阵执行特定的扩张因果卷积网络操作，输出时序特征表示数据，公式为：

24、；

25、式中，为设定的非线性激活函数，为网络卷积核权重参数，为网络偏置项参数，为执行的扩张因果卷积操作；所述全连接维度映射单元用于对所述时序特征表示数据进行全连接层计算映射处理，生成具有系统固定维度长度的所述病害演化轨迹向量。

26、在本技术的一个实施例中，所述计算模块中计算病害演化轨迹向量与第个已知病害轨迹簇的质心向量的马氏距离的公式为：

27、；

28、式中为对应类别的协方差矩阵；所述聚类模块中提取类内聚类距离标准差并构建对应各个所述已知病害轨迹簇的所述预设的动态拒识阈值的公式为：；

29、式中为簇内马氏距离期望参数，为簇内马氏距离方差参数，为设定的标准置信度系数。

30、在本技术的一个实施例中，所述聚类模块包括局部密度计算单元和异常筛选单元；

31、所述局部密度计算单元计算对应所述异常特征的空间局部聚集密度指标：

32、；

33、式中，为预设的截断距离参数；

34、所述异常筛选单元计算每个所述异常特征的相对距离指标：

35、；

36、系统计算综合聚类评价指标；

37、筛选出所述综合聚类评价指标大于设定指标阈值的对应节点作为所述候选未知病害类别。

38、在本技术的一个实施例中，所述系统还包括位于所述聚类模块与所述验证模块之间的图谱校验模块，所述图谱校验模块包括基础规则拦截单元和图谱深度推理单元：

39、基础规则拦截单元，用于将所有靶区的宿主树种实体属性数据输入预置的哈希硬规则排斥关联矩阵中，若系统判断存在绝对的生物排斥规则，则从系统中直接剔除所述候选未知病害类别；

40、图谱深度推理单元，用于针对通过所述基础规则拦截单元筛选保留的所述候选未知病害类别，调用所述病害知识库内的各类图谱节点进行深度关系推演计算，输出计算推演结果以触发所述验证模块执行。

41、在本技术的一个实施例中，所述验证模块包括方向计算单元、特征融合单元及追踪单元；

42、所述方向计算单元基于所述空间分布拓扑数据，计算沿时间序列演化的总体蔓延方向矢量；

43、所述特征融合单元提取所述总体蔓延方向矢量的扩张速率、所述微气象矢量数据中的相对湿度参数，以及空间聚集密度指标，计算病害传播势能指数；

44、式中，为预设权重系数；

45、所述追踪单元将所述病害传播势能指数作为所述传播可信度指标，在连续多个巡检周期内持续提取该指标，若连续满足单次预设阈值，则判定满足所述预设周期验证条件。

46、在本技术的一个实施例中，所述系统还包括位于所述验证模块前端的病害知识库构建模块；

47、所述病害知识库构建模块用于：

48、获取历史已知病害样本数据对应的标准时序对齐图像训练序列；

49、调用所述矩阵构建模块和所述向量生成模块，生成并提取所述历史已知病害样本数据的病害演化轨迹向量集合；

50、基于已确定的病害类别标签，对所述病害演化轨迹向量集合进行高维特征空间聚类计算，分别计算输出各类别的质心向量及对应的类别协方差矩阵；

51、将获取的所述质心向量及所述类别协方差矩阵初始写入至所述病害知识库中作为后续拒识判别的基础比对数据。

52、根据本技术的基于病害特征提取的林间智能病虫害巡检系统：

53、1、通过提取多个巡检周期内特征参数的一阶导数并构建多模态时序演化矩阵，进而生成病害演化轨迹向量。克服了现有技术仅依赖单次巡检获取的静态特征进行分类判断的局限，建立了对病害发展过程的连续跟踪分析能力。

54、2、通过计算病害演化轨迹向量与已知病害质心向量的马氏距离，并结合动态拒识阈值与密度峰值聚类算法对异常特征进行高维成簇分析。构建了针对新出现病害类型或病原变异的异常发现与独立判别机制，有效避免了系统面对未知病害时容易产生的误识别问题。

55、3、通过引入基于宿主信息的图谱规则校验，计算空间分布拓扑数据与微气象环境因素融合后的传播可信度指标，并在验证通过后将新病害的演化轨迹向量同步更新至病害知识库。弥补了现有系统缺少结合传播规律、宿主信息及环境因素综合验证手段的不足，实现了对疑似病害的客观交叉验证。

56、本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。