本发明涉及深度学习，具体为一种基于无人机遥感技术的图像识别监测方法。
背景技术：
1、草原作为重要的生态系统之一，对维持生态平衡、支持生物多样性、调节气候和提供人类活动的资源等方面具有重要作用。然而，草原生态系统易受气候变化、人类活动等因素的影响，导致草原退化、沙漠化等问题。因此，及时、准确地监测草原地物状态，了解草原生态系统的变化，对于草原保护和管理具有重要意义。
2、传统的草原地物分类和监测方法主要依赖于人工标注和分析，效率低下，无法满足大规模、实时监测的需求。现有的一些自动化分类方法在处理复杂的草原地物时，精度不够，容易出现误分类和漏分类现象，影响监测结果的可靠性。草原生态系统具有显著的季节性和长期变化特征，现有方法缺乏对这些时序变化的深入分析，无法有效监测草原的动态变化。
技术实现思路
1、本发明的目的在于提供一种基于无人机遥感技术的图像识别监测方法，以解决上述背景技术中提出的问题。
2、为了解决上述技术问题，本发明提供如下技术方案：
3、一种基于无人机遥感技术的图像识别监测方法，其特征在于，所述方法包括以下步骤：
4、s100、采用无人机和高光谱成像仪，进行草原地物图像采集，得到目标区域的原始图像数据；将采集的原始图像根据飞行高度和图像类型进行预处理，得到预处理的数据集；
5、s200、将预处理的数据集基于植被指数进行草原地物分类，实现裸土和植被群落的分类；进行时序信息分析，利用时序数据计算不同时间点的植被指数，应用趋势分析进行建模；进行跨尺度分析，利用多尺度分析方法对不同尺度的数据进行特征提取和分析，获取草原地物在不同空间尺度上的分布和变化规律；
6、s300、将预处理的数据集依据草原地物特征和深度学习分类数据集制作规则，制作草原地物分类数据集；搭建、训练、验证和测试深度学习模型，采用参数优化的最优分类模型对草原图像进行分类，得到草原地物分类结果；
7、s400、将预处理的数据集制作草原地物分割数据集；基于深度学习分割方法和草原地物定义构建草原地物分割模型，对该模型进行训练、验证和测试，经对比分析后采用最优分割模型对草原图像进行分割，得到草原地物分割结果；
8、s500、将s200-s400的处理结果进行加权融合和专家投票，采用加权融合和专家投票方案确定各像元类别，得到草原各地物最终分割结果，根据草原各地物最终分割结果，计算植被盖度。
9、根据步骤s100，采用无人机和高光谱成像仪，对目标草原区域进行若干次图像采集，涵盖不同季节，以获取多时相的目标区域的原始图像数据；根据飞行高度和图像类型，对采集的原始图像进行拼接、裁剪和几何校正，以消除几何畸变和拼接误差，进行辐射校正和大气校正；应用直方图均衡，提高图像的对比度和清晰度，得到预处理数据集。
10、在步骤s200中，基于植被指数ndvi对草原地物进行分类，得到每个像元的类别，主要分为裸土和植被群落。生成一幅草原地物分类图，标示出裸土和植被群落的空间分布。计算不同时期的ndvi数据，进行趋势分析，得到草原生态系统的季节性变化和长期趋势。生成时序ndvi曲线图，展示植被指数随时间的变化情况，揭示草原生态系统的动态变化。利用多尺度分析方法，对不同尺度的数据进行特征提取和分析，得到草原地物在不同空间尺度上的分布和变化规律。生成不同尺度下的草原地物分布图，展示各尺度上地物的空间分布特征。
11、根据步骤s200，使用近红外波段nir和红波段red数据计算植被指数ndvi，公式如下：
12、
13、ndvi值范围从-1到1，值越大表示植被覆盖越密集，值越小表示裸土或其他非植被地物；
14、根据ndvi值的范围，设定阈值区分裸土和植被群落，对每个像素应用ndvi计算和阈值判定，得到初步的裸土和植被分类结果。
15、根据步骤s200，获取不同季节的ndvi数据，形成时序数据集{ndvit}，其中t表示时间点；使用线性趋势模型、多项式趋势模型和指数平滑模型对时序ndvi数据分别进行建模；
16、线性趋势模型假设ndvi值随时间呈线性变化，模型形式为：
17、ndvit＝β0+β1t+∈t；
18、其中，β0是截距，β1是斜率，∈t是误差项；
19、使用最小二乘法估计模型参数β0和β1，公式如下：
20、
21、其中，t是时间点总数，是ndvi值的平均值，是时间点的平均值；根据拟合的模型，计算每个时间点的预测ndvi值
22、
23、其中，和分别是β0和β1的预测值；
24、计算模型的拟合优度r2，评估模型的解释力：
25、
26、如果ndvi数据呈现非线性趋势，使用多项式趋势模型，具体为使用二次多项式趋势模型，形式为：
27、ndvit＝β0+β1t+β2t2+∈t；
28、β2是二次项的系数，表示随时间二次变化的趋势；
29、使用最小二乘法估计模型参数β0、β1和β2，根据拟合的模型，计算每个时间点的预测ndvi值：
30、
31、其中，是β2的预测值；计算拟合优度r2，评估模型的解释力；
32、指数平滑模型适用于具有随机波动但无明显趋势或周期性的时间序列，具体为使用简单指数平滑模型，形式为：
33、
34、其中，α是平滑参数，0<α<1；
35、计算每个模型的拟合优度，选择最优模型，根据最优模型的参数和预测结果，揭示草原生态系统的季节性变化和长期趋势。
36、根据步骤s200，收集不同空间尺度的草原地物数据，对不同尺度的数据进行特征提取，所述特征包括：纹理特征、形状特征、光谱特征和空间特征，所述纹理特征描述草原地物表面的粗糙度和模式，所述形状特征描述草原地物的几何形状，所述光谱特征反应草原地物在不同光谱波段上的反射率，所述空间特征描述草原地物的空间分布和相对位置关系；计算草原地物的分形维数，反映地物在不同尺度上的复杂度，公式如下：
37、
38、其中，d是分形维数，n(∈)是尺度为∈时覆盖地物的最小单位数量；分形维数的变化趋势能够揭示草原地物从小尺度到大尺度的结构复杂度变化，通过对不同区域进行分形维数计算和比较，识别出不同区域的结构复杂度差异；计算不同尺度上的地形指数，将不同尺度上的分形维数和地形指数进行融合，建立多尺度分析模型，展示草原地物在不同尺度上的分布和变化规律；
39、融合多尺度特征，建立多尺度分析模型，探索草原地物在不同空间尺度上的相互关系和动态变化。
40、在步骤s300中，搭建并训练了深度学习模型。模型在验证集和测试集上表现良好，精度高，误分类和漏分类少。生成分类结果图，展示植被、裸土和其他地物的空间分布。
41、根据步骤s300，所述草原地物分类数据集的类别包括植被、裸土和其他，使用canny边缘检测识别其中的特征；基于canny边缘检测结果，人工修正不明确或检测错误的部分，将提取到的特征进行标注，形成草原地物分类数据集，每个图像或图像片段都需要有对应的标签；将标注好的数据集划分为训练集、验证集和测试集；
42、使用深度学习框架tensorflow搭建神经网络模型，定义网络的层数、每层的神经元数量、激活函数和损失函数；将训练集数据输入模型进行训练。训练过程中，通过前向传播和反向传播更新模型参数，最小化损失函数；通过随机裁剪、旋转和翻转增加训练数据的多样性，防止模型过拟合。
43、通过调整超参数优化模型性能。使用网格搜索找到最优超参数组合，所述超参数包括学习率、批量大小和正则化参数；使用验证集数据评估模型在训练过程中的表现，根据验证结果调整模型结构和超参数，通过交叉验证方法，确保模型的泛化能力；在测试集上评估最终模型的性能，计算分类精度、召回率和f1分数；将训练好的模型部署到实际应用中，对新的草原地物图像进行分类，集成进入无人机的图像处理系统中，实现实时分类。
44、在步骤s400中，构建并训练了草原地物分割模型。模型在验证集和测试集上表现优异，能够精确分割出不同类型的地物。生成分割结果图，详细展示土丘、次生裸地、恢复斑块、鼠洞和其他地物的空间分布。
45、根据步骤s400，所述草原地物分割数据集的类别包括土丘、次生裸地、恢复斑块、鼠洞和其他；使用半自动化工具对图像进行标注，每个像素都需要有对应的标签；将标注好的数据集划分为训练集、验证集和测试集；
46、选择u-net作为深度学习模型，使用深度学习框架tensorflow搭建分割模型，定义模型的层数、每层的卷积核数量、池化和上采样操作；使用训练集数据对模型进行训练，训练过程中，使用交叉熵损失函数评估模型的分割效果，并通过反向传播优化模型参数；采用随机裁剪、旋转、翻转和颜色抖动增加训练数据的多样性，防止模型过拟合；调整超参数，优化模型性能；使用验证集数据评估模型在训练过程中的表现，根据验证结果调整模型结构和超参数，通过交叉验证方法，确保模型的泛化能力；在测试集上评估最终模型的分割性能，将模型应用于实际草原图像，进行地物分割；模型输出每个像素的类别，生成详细的分割结果图。
47、根据步骤s500，基于分类和分割结果的准确性指标，为s200-s400的每个结果赋予相应的权重，权重根据验证集的表现进行调整，满足各权重的和为1，其中权重分别为植被指数分类的权重、草原地物分类结果的权重和草原地物分割结果的权重；对每个像元，根据不同来源的分类和分割结果及其对应的权重，计算加权融合结果，其最终类别通过加权和投票确定。
48、根据步骤s500，根据草原地物的实际情况，设定专家规则，将每个分类和分割结果作为一票，结合专家规则进行投票，最终类别由得票最多的类别决定；对每个像元，如果加权融合和专家投票结果一致，则直接确定该像元类别，如果结果不一致，引入一定的规则或进行进一步分析确定；
49、利用拍摄图像时记录的位置信息，将草原地物分类结果和草原地物分割结果映射到地理坐标系中，每个像素在图像中的位置对应其在实际地理空间中的位置；根据草原地物分类结果和草原地物分割结果，统计每个草原地物分类数据集的类别的像元数，根据无人机拍摄图像的分辨率和飞行高度，确定每个像元在地理空间中的实际面积，得到目标区域总面积；将每个类别的像元数乘以每个像元的实际地理面积，得到植被类别像元的总面积；计算植被盖度，所述植被盖度代表植被类别像元的总面积与目标区域总面积的比值。
50、与现有技术相比，本发明所达到的有益效果是：
51、本发明采用深度学习技术，构建并优化草原地物分类和分割模型，显著提高分类和分割的精度。通过加权融合和专家投票方案，进一步优化分类结果，减少误分类和漏分类现象。
52、本发明综合利用高光谱数据、时间序列数据和植被指数等多源数据，进行全面的草原地物监测。多源数据的融合，使得分类和监测结果更加全面、准确。
53、本发明通过对时序ndvi数据的趋势分析，揭示草原生态系统的季节性变化和长期趋势，提供更深入的动态监测和分析，帮助及时发现草原退化等问题。
1.一种基于无人机遥感技术的图像识别监测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种基于无人机遥感技术的图像识别监测方法，其特征在于：根据步骤s100，采用无人机和高光谱成像仪，对目标草原区域进行若干次图像采集，涵盖不同季节，以获取多时相的目标区域的原始图像数据；根据飞行高度和图像类型，对采集的原始图像进行拼接、裁剪和几何校正，以消除几何畸变和拼接误差，进行辐射校正和大气校正；应用直方图均衡，提高图像的对比度和清晰度，得到预处理数据集。
3.根据权利要求1所述的一种基于无人机遥感技术的图像识别监测方法，其特征在于：根据步骤s200，使用近红外波段nir和红波段red数据计算植被指数ndvi，公式如下：
4.根据权利要求3所述的一种基于无人机遥感技术的图像识别监测方法，其特征在于：根据步骤s200，获取不同季节的ndvi数据，形成时序数据集{ndvit}，其中t表示时间点；使用线性趋势模型、多项式趋势模型和指数平滑模型对时序ndvi数据分别进行建模；
5.根据权利要求4所述的一种基于无人机遥感技术的图像识别监测方法，其特征在于：根据步骤s200，收集不同空间尺度的草原地物数据，对不同尺度的数据进行特征提取，所述特征包括：纹理特征、形状特征、光谱特征和空间特征，所述纹理特征描述草原地物表面的粗糙度和模式，所述形状特征描述草原地物的几何形状，所述光谱特征反应草原地物在不同光谱波段上的反射率，所述空间特征描述草原地物的空间分布和相对位置关系；计算草原地物的分形维数，反映地物在不同尺度上的复杂度，公式如下：
6.根据权利要求1所述的一种基于无人机遥感技术的图像识别监测方法，其特征在于：根据步骤s300，所述草原地物分类数据集的类别包括植被、裸土和其他，使用canny边缘检测识别其中的特征；基于canny边缘检测结果，人工修正不明确或检测错误的部分，将提取到的特征进行标注，形成草原地物分类数据集，每个图像或图像片段都需要有对应的标签；将标注好的数据集划分为训练集、验证集和测试集；
7.根据权利要求6所述的一种基于无人机遥感技术的图像识别监测方法，其特征在于：通过调整超参数优化模型性能。使用网格搜索找到最优超参数组合，所述超参数包括学习率、批量大小和正则化参数；使用验证集数据评估模型在训练过程中的表现，根据验证结果调整模型结构和超参数，通过交叉验证方法，确保模型的泛化能力；在测试集上评估最终模型的性能，计算分类精度、召回率和f1分数；将训练好的模型部署到实际应用中，对新的草原地物图像进行分类，集成进入无人机的图像处理系统中，实现实时分类。
8.根据权利要求1所述的一种基于无人机遥感技术的图像识别监测方法，其特征在于：根据步骤s400，所述草原地物分割数据集的类别包括土丘、次生裸地、恢复斑块、鼠洞和其他；使用半自动化工具对图像进行标注，每个像素都需要有对应的标签；将标注好的数据集划分为训练集、验证集和测试集；
9.根据权利要求1所述的一种基于无人机遥感技术的图像识别监测方法，其特征在于：根据步骤s500，基于分类和分割结果的准确性指标，为s200-s400的每个结果赋予相应的权重，权重根据验证集的表现进行调整，满足各权重的和为1，其中权重分别为植被指数分类的权重、草原地物分类结果的权重和草原地物分割结果的权重；对每个像元，根据不同来源的分类和分割结果及其对应的权重，计算加权融合结果，其最终类别通过加权和投票确定。
10.根据权利要求1所述的一种基于无人机遥感技术的图像识别监测方法，其特征在于：根据步骤s500，根据草原地物的实际情况，设定专家规则，将每个分类和分割结果作为一票，结合专家规则进行投票，最终类别由得票最多的类别决定；对每个像元，如果加权融合和专家投票结果一致，则直接确定该像元类别，如果结果不一致，引入一定的规则或进行进一步分析确定；
