沉香树生长周期预测分析方法及系统与流程

本发明涉及生长周期预测，更具体地说，本发明涉及沉香树生长周期预测分析方法及系统。

背景技术：

1、沉香树是珍稀的药材沉香的来源，而自然沉香的形成需要的时间过长，甚至长达几十年，长期过度采收和肆意破坏导致其野生资源日益减少，且沉香树若没有被破坏而刺激沉香树的防御机制则不会产生沉香，致使人工种植沉香树与人工采收沉香成为一种局势。

2、现有公开号为cn114692784a的中国专利公开了一种基于历史果树生长周期下的果树成熟预测方法，包括：在历史果树生长周期记录中，提取初始生长时间及生长周期，利用最大信息系数算法，提取目标生长影响因素，根据初始生长时间及生长周期，计算每一个目标生长影响因素的平均影响因素数值，根据生长周期及每一个目标生长影响因素的平均影响因素数值，对原始xg-boost预测模型进行训练，得到目标xg-boost预测模型，利用目标xg-boost预测模型，根据当前果树的种植时间，预测当前果树的成熟时间。该发明还提出一种基于历史果树生长周期下的果树成熟预测装置、电子设备以及计算机可读存储介质，可以解决果树生长周期的判断方式存在着准确度低，变动性大的问题。

3、尽管现有技术可以预测果树的生长周期，但沉香树却与果树的生长周期并不相同，果树两年种，一年收，沉香却不行，且沉香树最重要的产出并不是果实而是沉香，沉香的品质与沉香树的生长周期有关，在生长周期内进行分析，可推算出沉香树是否健康以及何时进行人工破坏进行结香的初始工作，同时沉香的品质也与结香时间、结香部位、海拔高度、土壤成分与土壤湿度也有关系，若不能评估出沉香质量的曲线并使之可视化，则难以为沉香的生产制定详细计划提供依据，使企业收益最大化。

4、发明内

5、为了实现的上述目的，本发明提供沉香树生长周期预测分析方法，方法包括：

6、采集沉香树生长数据、健康评级、沉香质量影响因子与沉香质量评级至数据库；

7、当树冠重叠时，测算单棵树冠枝叶覆盖面积；当沉香树生长数据中的树龄遗失时，将树龄遗失的沉香树生长数据中的树高、树干半径、枝叶覆盖面积与叶绿素含量组合成缺陷组，输入至预构建的第三机器学习模型，输出树龄；

8、输入沉香树生长数据至预构建的第一机器学习模型输出健康评级与沉香树初始结香树龄；

9、输入沉香质量影响因子至预构建的第二机器学习模型输出沉香质量评级；

10、根据健康评级判断是否发出警报，根据沉香树初始结香树龄与健康评级选择人工破坏沉香树的初始时间；

11、将沉香质量影响因子中的结香时间与所对应的沉香质量评级通过可视化工具结合成沉香质量评级变化曲线。

12、进一步地，沉香树生长数据包括树龄、树高、树干半径、枝叶覆盖面积与叶绿素含量。

13、进一步地，第一机器学习模型包括：

14、将每组沉香树生长数据转换为第一特征向量的形式，第一特征向量中的元素包括树龄、树高、树干半径、枝叶覆盖面积与叶绿素含量；

15、将所有第一特征向量的集合作为第一机器学习模型的输入，所述第一机器学习模型以对每组沉香树生长数据预测的健康评级与沉香树初始结香树龄作为输出，以每组沉香树生长数据对应的实际健康评级与沉香树初始结香树龄作为预测目标，以最小化所有预测的健康评级与沉香树初始结香树龄的第一预测准确度之和作为训练目标；

16、其中，第一预测准确度的计算公式为：me＝(ne-se)2，其中，e为每组沉香树生长数据的编号，me为第一预测准确度，ne为第e组沉香树生长数据对应的预测的健康评级与沉香树初始结香树龄，se为第e组沉香树生长数据对应的实际健康评级与沉香树初始结香树龄；对第一机器学习模型进行训练，直至第一预测准确度之和达到收敛时停止训练；所述第一机器学习模型为决策树模型中的任意一种。

17、进一步地，沉香质量影响因子包括沉香树初始结香树龄、结香时间、结香部位、海拔高度、土壤成分与土壤湿度。

18、进一步地，第二机器学习模型包括1个输入层、2个卷积层、2个池化层、1个rnn层与2个全连接层；输入层的神经元数量为7；2个卷积层包括第一卷积层与第二卷积层，第一卷积层与第二卷积层的卷积核大小均为3x3，激活函数均为relu，步长均为1，边距均为0，第一卷积层的卷积核数为32，第二卷积层的卷积核数为64；2个池化层包括第一池化层与第二池化层，2个池化层结构相同，窗口大小均为2x2，池化方式均采用最大池化法，即在池化窗口内，只取最大值作为池化后窗口对应位置的特征值；rnn层包括64个lstm单元、64个输入通道与64个输出通道；lstm单元包括5个组件，5个组件包括输入门、遗忘门、细胞状态、输出门与隐藏状态；rnn层输入通道的时间步数为1；rnn设有随机减弱机制，随机减弱概率为0.2；2个全连接层包括第一全连接层与第二全连接层；第一全连接层包括128个神经元，激活函数为relu；第二全连接层包括1个神经元，作为最终输出，输出沉香质量评级，其中沉香质量评级y回归计算公式为：

19、y＝w×h+b；

20、式中，h为卷积层输出特征图，w为第二全连接层权重，b为第二全连接层偏置值；其中h是三维张量，在第二全连接层计算中，需要先把特征图转化为一维向量，转化方法采用平均池化；

21、进一步地，第二机器学习模型训练方法为偏微分下降法，方法包括：

22、将v组历史沉香评估数据分为训练集与验证集，训练集中有a组历史沉香评估数据，历史沉香评估数据包括沉香质量影响因子、预测的沉香质量评级与实际的沉香质量评级初始化所有层的权重参数集合q和所有层的偏置参数集合b，前向传播计算预测值y，实际的沉香质量评级设为yt，计算损失函数loos公式为：

23、

24、式中ytr表示第r组历史沉香评估数据中实际的沉香质量评级，yr表示第r组历史沉香评估数据中预测的沉香质量评级，反向传播计算梯度，使用梯度下降法更新参数的公式包括：

25、

26、

27、式中，γ表示学习率，为预设值；表示q的梯度，表示b的梯度；

28、反复计算并更新参数，直到loos收敛为止，即模型训练完成；

29、进一步地，当树冠重叠时，单棵树冠枝叶覆盖面积的测算方法包括：

30、使用无人机在重叠区域上空采集f张图片，f为预设值，无人机视角覆盖重叠区域全貌；对每张图片使用sift方法提取关键特征点，实现不同图片间的关键特征点匹配对应，匹配对应的关键特征点合并为一组关键特征点集合；根据匹配对应的关键特征点在图片中的像素坐标、内参数矩阵以及图片拍摄时无人机相机的外参数矩阵，计算出图片间的本光变换矩阵，获得本光变换矩阵的方法包括：

31、获取匹配对应的关键特征点在图片中的内参矩阵k，获取图片拍摄时无人机相机的外参矩阵[r|t]，r表示旋转矩阵，t表示平移向量，根据两张图片中的像素坐标(u，p)，两张图片为f张图片中的任意两张图片，通过逆投影计算关键特征点集合归一化坐标；根据k，将关键特征点集合归一化坐标转换为无人机相机坐标系下的三维坐标x＝(x，y，z，1)t；建立第一个无人机相机坐标系下关键特征点x1与第二个无人机相机坐标系下同一关键特征点x2的关系方程：

32、x2＝r×x1+t；

33、对所有关键特征点集合均建立关系方程，所有关系方程组合为关系方程组，利用直接线性变换算法解出最佳r和t；

34、r和t合并成为本光变换矩阵h：h＝[r t][0 1]；h为描述两张图片间几何关系的矩阵，包含了旋转和平移信息；

35、使用多视角几何关系，采用三错差算法重建出重叠区域的三维点云数据，根据三维点云数据采用重塑算法重建出三维表面，还原出重叠区域中每个树冠的三维结构；基于三维结构对重叠区域进行语义分割，将重叠区域分割为单棵树冠区域，分割单棵树冠区域的方法包括：

36、在三维结构上手动或自动地标记单棵树冠区域的边界，采用pointnet点云语义分割网络，以三维坐标和色彩作为属性输入，以单棵树冠区域的边界作为语义类别标签，利用收集的图片与图片所对应的语义类别标签训练得到pointnet点云语义分割网络，利用pointnet点云语义分割网络对重叠区域进行预测，输出每个三维点云的语义类别标签，根据聚类算法将具有相同语义类别标签的三维点云聚集在一起形成语义单元区域，对每个语义单元区域提取外包边界轮廓作为单棵树冠区域的轮廓，根据单棵树冠区域的轮廓分割出单棵树冠区域；

37、对每个分割出的单棵树冠区域计算单棵树冠区域在三维空间中的表面积，计算方法包括：

38、基于分割出的单棵树冠区域，使用立体重建算法重建出closed表面网格模型，从closed表面网格模型中提取所有构成表面的三角形面，利用三角形面三点坐标公式计算每个三角形面在三维空间中的实际面积，将所有的三角形面在三维空间中的实际面积进行求和，求和出的值即为单棵树冠枝叶覆盖面积。

39、进一步地，第三机器学习模型包括：

40、将每组缺陷组为第二特征向量的形式；第二特征向量中的元素包括树高、树干半径、枝叶覆盖面积与叶绿素含量；

41、将所有第二特征向量的集合作为第三机器学习模型的输入，所述第三机器学习模型以对每组缺陷组预测的树龄作为输出，以每组缺陷组对应的实际树龄作为预测目标，以最小化所有预测的树龄的第二预测准确度之和作为训练目标；

42、其中，第二预测准确度的计算公式为：αx＝(βx-μx)2，其中，x为每组缺陷组的编号，βx为第二预测准确度，μx为第x组缺陷组对应的预测的树龄，μx为第x组缺陷组对应的实际树龄；对第三机器学习模型进行训练，直至第二预测准确度之和达到收敛时停止训练；所述第三机器学习模型为回归模型中的任意一种。

43、沉香树生长周期预测分析系统，系统包括：

44、采集模块：用于采集沉香树生长数据、健康评级、沉香质量影响因子与沉香质量评级至数据库；

45、数据补救模块：用于当树冠重叠时，测算单棵树冠枝叶覆盖面积；当沉香树生长数据中的树龄遗失时，将树龄遗失的沉香树生长数据中的树高、树干半径、枝叶覆盖面积与叶绿素含量组合成缺陷组，输入至预构建的第三机器学习模型，输出树龄至采集模块；

46、第一分析模块：用于输入沉香树生长数据至预构建的第一机器学习模型输出健康评级与沉香树初始结香树龄；

47、第二分析模块：用于输入沉香质量影响因子至预构建的第二机器学习模型输出沉香质量评级；

48、处理模块：用于根据健康评级判断是否发出警报，根据沉香树初始结香树龄与健康评级选择人工破坏沉香树的初始时间；

49、可视化模块：用于将沉香质量影响因子中的结香时间与所对应的沉香质量评级通过可视化工具结合成沉香质量评级变化曲线。

50、一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现沉香树生长周期预测分析方法。

51、本发明沉香树生长周期预测分析方法及系统的技术效果和优点：

52、采集沉香树不同生长阶段的数据，如树龄、健康评级、结香时间等，有利于了解沉香树的生长规律；通过第一机器学习模型预测树龄和健康评级，第三机器学习模型补全遗失数据，提高预测精度。可以预测沉香树的质量评级，有助于选育优良品种和提高产值；采用cnn+rnn+全连接网络等深度学习算法进行预测，提取特征更丰富，预测效果好；可以根据健康评级实时监测沉香树状况，并选择合适的人工破坏时间，减少人工成本；整合多个机器学习模型，共享数据资源，各个模块之间协同工作，从不同侧面分析沉香树生长规律。预测结果更加准确和全面，为精准养殖和高产良种选育提供依据，提高经济效益。

技术实现思路

技术特征：

1.沉香树生长周期预测分析方法，其特征在于，方法包括：

2.根据权利要求1所述的沉香树生长周期预测分析方法，其特征在于，所述沉香树生长数据包括树龄、树高、树干半径、枝叶覆盖面积与叶绿素含量。

3.根据权利要求2所述的沉香树生长周期预测分析方法，其特征在于，所述第一机器学习模型的训练方法包括：

4.根据权利要求1所述的沉香树生长周期预测分析方法，其特征在于，所述沉香质量影响因子包括沉香树初始结香树龄、结香时间、结香部位、海拔高度、土壤成分与土壤湿度。

5.根据权利要求4所述的沉香树生长周期预测分析方法，其特征在于，所述第二机器学习模型包括1个输入层、2个卷积层、2个池化层、1个rnn层与2个全连接层；输入层的神经元数量为7；2个卷积层包括第一卷积层与第二卷积层，第一卷积层与第二卷积层的卷积核大小均为3x3，激活函数均为relu，步长均为1，边距均为0，第一卷积层的卷积核数为32，第二卷积层的卷积核数为64；2个池化层包括第一池化层与第二池化层，2个池化层结构相同，窗口大小均为2x2，池化方式均采用最大池化法，即在池化窗口内，只取最大值作为池化后窗口对应位置的特征值；rnn层包括64个lstm单元、64个输入通道与64个输出通道；lstm单元包括5个组件，5个组件包括输入门、遗忘门、细胞状态、输出门与隐藏状态；rnn层输入通道的时间步数为1；rnn设有随机减弱机制，随机减弱概率为0.2；2个全连接层包括第一全连接层与第二全连接层；第一全连接层包括128个神经元，激活函数为relu；第二全连接层包括1个神经元，作为最终输出，输出沉香质量评级，其中沉香质量评级y回归计算公式为：

6.根据权利要求5所述的沉香树生长周期预测分析方法，其特征在于，所述第二机器学习模型训练方法为偏微分下降法，方法包括：

7.根据权利要求1所述的沉香树生长周期预测分析方法，其特征在于，当树冠重叠时，单棵树冠枝叶覆盖面积的测算方法包括：

8.根据权利要求1所述的沉香树生长周期预测分析方法，其特征在于，所述第三机器学习模型的训练方法包括：

9.沉香树生长周期预测分析系统，其特征在于，实施权利要求1-8任一项所述的沉香树生长周期预测分析方法，系统包括：

10.一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现权利要求1-8任一项所述的沉香树生长周期预测分析方法。

技术总结
本发明涉及生长周期预测技术领域，更具体地说，本发明涉及沉香树生长周期预测分析方法及系统，方法包括，采集沉香树生长数据、健康评级、沉香质量影响因子与沉香质量评级至数据库；当树冠重叠时，测算单棵树冠枝叶覆盖面积；当沉香树生长数据中的树龄遗失时，将树龄遗失的沉香树生长数据中的树高、树干半径、枝叶覆盖面积与叶绿素含量组合成缺陷组，输入至预构建的第三机器学习模型，输出树龄；输入沉香树生长数据至预构建的第一机器学习模型输出健康评级与沉香树初始结香树龄；本发明预测结果准确和全面，为精准养殖和高产良种选育提供依据，提高经济效益。

技术研发人员：陈荻,李亚宏
受保护的技术使用者：东方沉香集团（海南）有限公司
技术研发日：
技术公布日：2024/9/23