基于图像处理的茶树树龄分析方法及系统与流程

本发明涉及数据处理，尤其涉及一种基于图像处理的茶树树龄分析方法及系统。

背景技术：

1、现有的茶树树龄分析方法主要依赖于人工经验判断或简单的图像处理技术。这些方法通常通过观察茶树的外观特征，如树干直径、枝条分布等，来估计茶树的年龄。同时，一些研究者尝试使用单一的图像处理技术，如年轮分析或树冠形态分析，来辅助树龄估计。

2、然而，这些传统方法存在诸多不足。人工经验判断容易受主观因素影响，准确性和一致性难以保证。简单的图像处理技术往往只能提供有限的信息，无法全面考虑茶树生长的复杂性。此外，这些方法通常忽视了环境因素和生理特征对茶树生长的影响，导致估计结果与实际情况存在较大偏差。

技术实现思路

1、有鉴于此，本发明实施例提供了一种基于图像处理的茶树树龄分析方法及系统，用于提高基于图像处理的茶树树龄分析的准确率。

2、本发明提供了一种基于图像处理的茶树树龄分析方法，包括：对预先采集的茶树多光谱图像进行自适应增强及语义分割处理，得到高精度茶树轮廓图；通过深度学习三维重建算法对所述高精度茶树轮廓图进行结构分层处理，得到茶树多层级结构数据；对所述多层级结构数据进行多尺度特征提取及生物力学分析，得到主干及各级侧枝的生长参数集；通过时序演化神经网络算法对所述生长参数集进行分析，得到各级侧枝的动态年龄估计值；对所述动态年龄估计值进行层次聚类及加权融合，得到主干年龄初步推算数据；对所述主干年龄初步推算数据进行环境因子补偿及生理年龄校准，得到目标预测树龄及可信度指数，并将所述目标预测树龄及所述可信度指数传输至预置的数据展示终端。

3、在本发明中，所述对预先采集的茶树多光谱图像进行自适应增强及语义分割处理，得到高精度茶树轮廓图步骤，包括：对所述茶树多光谱图像进行光谱解混处理，得到端元丰度图；通过非局部低秩张量分解算法对所述端元丰度图进行去噪处理，得到降噪丰度图；对所述降噪丰度图进行自适应伽马校正处理，得到动态范围优化丰度图；通过引导滤波算法对所述动态范围优化丰度图进行边缘保持平滑处理，得到增强丰度图；对所述增强丰度图进行主成分分析降维处理，得到降维特征图像；通过局部二值模式算法对所述降维特征图像进行纹理特征提取，得到纹理增强的特征图像；对所述纹理增强的特征图像进行自适应直方图均衡化处理，得到对比度优化的特征图像；通过深度残差u-net网络对所述对比度优化的特征图像进行语义分割，得到初步分割掩码；通过条件随机场后处理算法对所述初步分割掩码进行优化处理，得到优化分割结果； 通过形态学重建算法对所述优化分割结果进行边缘细化处理，得到高精度茶树轮廓图。

4、在本发明中，所述通过深度学习三维重建算法对所述高精度茶树轮廓图进行结构分层处理，得到茶树多层级结构数据步骤，包括：对所述高精度茶树轮廓图进行多视角投影变换，得到多角度轮廓图集；通过特征点匹配算法对所述多角度轮廓图集进行特征提取，得到特征点对应关系；通过structure from motion算法对所述特征点对应关系进行三维重建处理，得到稀疏点云数据；通过多目立体视觉算法对所述稀疏点云数据进行密集重建，得到初始密集点云；对所述初始密集点云进行噪声滤除和离群点剔除，得到优化密集点云；通过自适应poisson表面重建算法对所述优化密集点云进行网格化处理，得到三维网格模型；通过骨架提取算法对所述三维网格模型进行结构提取，得到茶树主干和分枝骨架结构；通过层次化分割算法对所述骨架结构进行分层处理，得到初步分层结果； 通过拓扑优化算法对所述初步分层结果进行结构优化处理，得到拓扑关系优化分层数据； 通过基于图卷积神经网络的层次化分类算法对所述拓扑关系优化分层数据进行细化分类，得到茶树多层级结构数据。

5、在本发明中，所述对所述多层级结构数据进行多尺度特征提取及生物力学分析，得到主干及各级侧枝的生长参数集步骤，包括：通过小波变换算法对所述多层级结构数据进行多尺度分解处理，得到多尺度分解结果；通过自适应阈值分割算法对所述多尺度分解结果进行特征分离，得到初步特征图谱；通过局部二值模式算法对所述初步特征图谱进行描述符分析，得到纹理特征描述符；通过gabor滤波器组对所述纹理特征描述符进行方向性分析，得到方向性特征向量；对所述方向性特征向量进行向量降维处理，得到降维特征表示；通过深度残差网络对所述降维特征表示进行非线性变换，得到高阶特征集；通过张量分解算法对所述高阶特征集进行多模态分解处理，得到多模态特征表示；通过有限元分析方法对所述多模态特征表示进行应力分布模拟，得到生物力学特征数据； 通过遗传算法优化的支持向量回归模型对所述生物力学特征数据进行生长参数估计，得到生长参数估计值；通过自适应模糊推理算法对所述生长参数估计值进行分析，得到主干及各级侧枝的生长参数集。

6、在本发明中，所述通过时序演化神经网络算法对所述生长参数集进行分析，得到各级侧枝的动态年龄估计值步骤，包括：对所述生长参数集进行时间序列分解，得到趋势成分、周期成分和随机成分；通过小波变换算法对所述趋势成分进行多尺度分析，得到多级时间特征； 对所述周期成分进行自相关分析，得到周期性特征向量；通过奇异谱分析算法对所述随机成分进行降噪处理，得到优化随机信号；对所述多级时间特征、周期性特征向量和优化随机信号进行特征融合，得到综合时序特征；通过长短期记忆网络对所述综合时序特征进行初步建模，得到初始动态模型；对所述初始动态模型进行特征加权处理，得到加权特征表示；通过变分自编码器对所述加权特征表示进行非线性变换，得到潜在特征空间； 通过递归神经网络对所述潜在特征空间进行时序预测处理，得到时序预测结果；通过贝叶斯优化算法对所述时序预测结果进行不确定性量化，得到各级侧枝的动态年龄估计值。

7、在本发明中，所述对所述动态年龄估计值进行层次聚类及加权融合，得到主干年龄初步推算数据步骤，包括：对所述动态年龄估计值进行高斯核密度估计，得到概率分布图；通过dbscan算法对所述概率分布图进行初步聚类，得到初始聚类结果； 通过自适应层次聚类算法对所述初始聚类结果进行聚类树构建，得到多层次聚类树；通过动态时间规整算法对所述多层次聚类树进行时序对齐，得到对齐聚类序列；通过谱聚类算法对所述对齐聚类序列进行聚类优化处理，得到优化聚类簇；通过模糊c均值聚类算法对所述优化聚类簇进行细化处理，得到模糊聚类结果；通过主成分分析算法对所述模糊聚类结果进行数据降维，得到降维特征空间；对所述降维特征空间进行非线性映射，得到拓扑保持的特征表示；对所述拓扑保持的特征表示进行多源信息融合处理，得到多源信息融合结果；对所述多源信息融合结果进行权重优化，得到主干年龄初步推算数据。

8、在本发明中，所述对所述主干年龄初步推算数据进行环境因子补偿及生理年龄校准，得到目标预测树龄及可信度指数，并将所述目标预测树龄及所述可信度指数传输至预置的数据展示终端步骤，包括：对预先获取的历史气象数据进行时间序列分析处理，得到环境因子变化趋势；通过高斯过程回归算法对所述环境因子变化趋势进行预测建模处理，得到环境影响预测模型；基于所述环境影响预测模型，对所述主干年龄初步推算数据进行环境因子补偿处理，得到环境补偿年龄数据； 通过自适应模糊神经网络对所述环境补偿年龄数据进行非线性映射处理，得到初步校准数据；对预置的茶树生理特征数据库进行主成分分析处理，得到关键生理指标；通过支持向量回归算法对所述关键生理指标进行模型训练处理，得到生理年龄估计模型；将所述初步校准数据输入所述生理年龄估计模型进行生理年龄校准处理，得到生理年龄校准值；对所述生理年龄校准值进行不确定性量化处理，得到目标预测树龄及可信度指数；对所述目标预测树龄及所述可信度指数进行数据加密处理，得到加密传输数据包；通过安全套接字层协议对所述加密传输数据包进行安全传输处理，将所述目标预测树龄及所述可信度指数传输至预置的数据展示终端。

9、本发明还提供了一种基于图像处理的茶树树龄分析系统，包括：

10、分割模块，用于对预先采集的茶树多光谱图像进行自适应增强及语义分割处理，得到高精度茶树轮廓图；

11、分层模块，用于通过深度学习三维重建算法对所述高精度茶树轮廓图进行结构分层处理，得到茶树多层级结构数据；

12、提取模块，用于对所述多层级结构数据进行多尺度特征提取及生物力学分析，得到主干及各级侧枝的生长参数集；

13、分析模块，用于通过时序演化神经网络算法对所述生长参数集进行分析，得到各级侧枝的动态年龄估计值；

14、融合模块，用于对所述动态年龄估计值进行层次聚类及加权融合，得到主干年龄初步推算数据；

15、传输模块，用于对所述主干年龄初步推算数据进行环境因子补偿及生理年龄校准，得到目标预测树龄及可信度指数，并将所述目标预测树龄及所述可信度指数传输至预置的数据展示终端。

16、本发明提供的技术方案中，该基于图像处理的茶树树龄分析方法通过综合运用多种先进技术，在多个方面实现了显著的技术效果提升。首先，多光谱图像处理和自适应增强技术的应用大大提高了茶树轮廓图的精度和质量，为后续分析奠定了坚实的数据基础，有效减少了初始数据中的噪声和干扰，增强了关键特征的可识别性。其次，深度学习三维重建算法的引入实现了茶树结构的精确分层，有效捕捉了茶树的复杂形态特征，使得分析过程能够更加全面地考虑茶树的立体结构信息，从而提高了后续分析的准确性和可靠性。多尺度特征提取和生物力学分析的结合，全面考虑了茶树生长的物理特性，提供了更加丰富和准确的生长参数，这不仅增强了分析的深度，还使得估算结果更加符合茶树的实际生长状况。时序演化神经网络算法的应用，使得分析过程能够考虑茶树生长的动态特性，有效捕捉了茶树生长过程中的时间维度信息，提高了年龄估计的准确性和可靠性。层次聚类和加权融合方法的使用，有效整合了不同层级的年龄估计信息，增强了主干年龄推算的可靠性，这种多层次的信息融合策略有助于减少单一估算方法可能带来的误差和偏差。环境因子补偿和生理年龄校准的引入，考虑了外部环境和内部生理因素对茶树生长的影响，进一步提高了预测结果的准确性，使得分析结果更加贴近实际情况，增强了方法的适应性和普适性。可信度指数的引入，为预测结果提供了不确定性量化，增强了分析结果的可信度和实用性，使得使用者能够更加客观地评估预测结果的可靠程度，为决策提供更加可靠的依据。数据加密和安全传输技术的应用，保障了分析结果的安全性和隐私性，有效防止了敏感信息的泄露，增强了方法在实际应用中的安全性和可靠性。此外，该方法的模块化设计和灵活的处理流程，使得它具有较强的可扩展性和适应性，能够根据不同地区、不同品种的茶树特性进行参数调整和模型优化，从而在广泛的应用场景中保持高效性和准确性。总的来说，该方法通过多维度、多尺度的分析和建模，显著提升了茶树树龄分析的全面性、准确性和可靠性。