本技術(shù)涉及綠化養(yǎng)護監(jiān)測，更具體地說，涉及一種園林綠化養(yǎng)護監(jiān)測預(yù)警系統(tǒng)及方法。

背景技術(shù)：

1、隨著現(xiàn)代城市化進程的加速和人們對生活環(huán)境要求的提高，園林綠化在城市生態(tài)系統(tǒng)中的地位愈發(fā)重要。園林綠化不僅可以美化環(huán)境、提升城市形象，還能夠起到改善空氣質(zhì)量、降低溫度、吸收噪聲等生態(tài)效益。然而，園林綠化養(yǎng)護工作涉及植物的生長監(jiān)測、病蟲害防治、灌溉管理、土壤養(yǎng)分調(diào)控等多個方面，且受到季節(jié)、氣候、土壤環(huán)境等多種因素的影響。傳統(tǒng)的綠化養(yǎng)護工作通常依賴于人工經(jīng)驗，對養(yǎng)護人員的技能要求較高，且實時性和精準度難以保證。這種依賴人工的方式在養(yǎng)護面積較大或植物種類復(fù)雜的場景中，養(yǎng)護效率較低，難以及時發(fā)現(xiàn)問題并采取有效的干預(yù)措施。

2、近年來，隨著物聯(lián)網(wǎng)技術(shù)、傳感器技術(shù)和大數(shù)據(jù)分析技術(shù)的快速發(fā)展，基于傳感器網(wǎng)絡(luò)的園林養(yǎng)護監(jiān)測方法逐漸引起重視。通過在綠化區(qū)域內(nèi)布設(shè)多類型傳感器，可以采集植物生長、土壤濕度、溫度、光照強度等參數(shù)，結(jié)合歷史數(shù)據(jù)進行趨勢分析和狀態(tài)評估，實現(xiàn)對園林綠化的精準監(jiān)測和智能預(yù)警。例如，土壤濕度傳感器可幫助判斷土壤水分含量，合理規(guī)劃灌溉；溫度和光照傳感器則可結(jié)合季節(jié)變化，優(yōu)化植物養(yǎng)護措施；病蟲害傳感器則能夠?qū)崿F(xiàn)對病蟲害的早期預(yù)警。然而，目前的園林綠化監(jiān)測系統(tǒng)多是單一數(shù)據(jù)采集模式，未能實現(xiàn)數(shù)據(jù)的多維融合與綜合分析，無法實時動態(tài)評估植物的健康狀況，且系統(tǒng)的適應(yīng)性和智能化水平仍有待提升。

3、在現(xiàn)有的園林監(jiān)測系統(tǒng)中，數(shù)據(jù)的采集、傳輸、處理和分析多是分散進行，未形成完善的閉環(huán)智能化養(yǎng)護管理體系。此外，面對突發(fā)的環(huán)境變化或病蟲害侵襲，現(xiàn)有系統(tǒng)的響應(yīng)速度有限，難以實現(xiàn)實時動態(tài)預(yù)警和預(yù)防性養(yǎng)護調(diào)整。缺乏統(tǒng)一的調(diào)度管理和預(yù)警機制，導(dǎo)致園林綠化養(yǎng)護管理的效率不高，人工成本增加，且容易對植物健康和景觀效果產(chǎn)生影響。因此，設(shè)計一種具有多參數(shù)監(jiān)測、智能化分析和實時預(yù)警功能的園林綠化養(yǎng)護系統(tǒng)，對于提升園林綠化的養(yǎng)護效率和質(zhì)量，優(yōu)化資源配置，具有重要的現(xiàn)實意義。

4、綜上所述，如何構(gòu)建一種能夠高效、精準地監(jiān)測園林綠化狀態(tài)并提供及時預(yù)警的智能化養(yǎng)護系統(tǒng)，已經(jīng)成為亟需解決的技術(shù)問題。

技術(shù)實現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)存在的一系列缺陷，本技術(shù)的目的在于針對上述問題，提供一種園林綠化養(yǎng)護監(jiān)測預(yù)警系統(tǒng)，包括以下幾個模塊。

2、傳感器模塊，通過網(wǎng)格形式部署的傳感器實時采集與植物健康相關(guān)的園林環(huán)境參數(shù)。

3、圖像采集模塊，負責(zé)定期采集高分辨率的園林全景圖像，以獲取植物生長狀態(tài)的全貌。

4、圖像數(shù)據(jù)處理模塊，將園林全景圖像劃分為多個固定大小的小塊，并通過線性變換和位置編碼提取每個小塊的特征向量。

5、傳感器數(shù)據(jù)處理模塊，將傳感器數(shù)據(jù)與圖像小塊進行空間映射，并采用插值算法補充傳感器網(wǎng)格稀疏區(qū)域以生成連續(xù)的環(huán)境參數(shù)分布圖。

6、特征融合模塊，將每個小塊的圖像特征和對應(yīng)的傳感器數(shù)據(jù)進行特征融合，生成每個小塊的綜合特征向量。

7、異常檢測模塊，采用vit模型學(xué)習(xí)圖像小塊的全局上下文特征，計算出圖像中各區(qū)域的異常概率并將其映射回園林全景圖像。

8、異常確定模塊，將高異常概率的區(qū)域圖像數(shù)據(jù)輸入cnn模型，識別異常類型，并根據(jù)傳感器數(shù)據(jù)推斷異常發(fā)生的原因。

9、異常預(yù)警模塊，將異常區(qū)域標注在園林全景圖像上，并給出異常類型和原因的預(yù)警信息。

10、進一步的，所述傳感器模塊包括以下組件。

11、土壤濕度傳感器，用于監(jiān)測土壤中的水分含量。

12、溫度傳感器，用于監(jiān)測環(huán)境溫度和土壤溫度。

13、光照傳感器，用于檢測光照強度，以評估植物光合作用條件。

14、養(yǎng)分傳感器，用于檢測土壤中的氮磷鉀含量。

15、進一步的，通過以下步驟獲取園林全景圖像。

16、對航拍圖像進行幾何校正，消除因無人機飛行引起的透視畸變，用公式表示為：i'=t(i)，其中，i=｛i1,i2,…,in｝表示航拍圖像序列，t表示幾何變換函數(shù)，i'={i1',i2',…,in'}表示校正后的圖像序列是校正后的圖像，n表示航拍圖像的數(shù)量。

17、對不同角度和高度拍攝的航拍圖像進行配準，確保在空間上的一致性，具體包括：通過特征點匹配算法獲取匹配點集；計算變換矩陣h，用公式表示為：p'=hp，其中，p是圖像中的點坐標，h是變換矩陣，p'是變換后的坐標。

18、將校正后的圖像拼接為園林全景圖像，并使用羽化技術(shù)處理邊緣以避免接縫明顯，同時使用權(quán)重平均方法融合重疊區(qū)域，用公式表示為：ifinal(u,v)=∑r=1nwrir'(u,v)，其中，wr是拼接區(qū)域內(nèi)的權(quán)重，ifinal(u,v）表示拼接后的園林全景圖像在位置（u,v）的像素值；ir'(u,v）表示第r張校正后的圖像在位置（u,v）的像素值。

19、進一步的，將園林全景圖像劃分為多個固定大小的小塊，并通過線性變換和位置編碼提取每個小塊的特征向量，包括以下步驟。

20、將園林全景圖像劃分為z個大區(qū)域rk，用公式表示為：ifinal=∪k=1zrk，其中，ifinal表示拼接后的園林全景圖像。

21、將大區(qū)域rk進一步劃分為m×n個小塊?pi,j，以供vit模型進行特征提取，每個小塊的大小設(shè)定為s×s像素，公式表示為：rk=∪i=1mk∪j=1nkpi,j，其中，s表示小塊的邊長；mk和nk分別表示大區(qū)域rk在行和列方向上劃分的小塊數(shù)量。

22、對每個小塊?pi,j應(yīng)用線性變換和位置編碼，生成固定維度的特征向量，用公式表示為：fpatch(i,j)=linear(pi,j)+pe(i,j)，其中，fpatch(i,j）是小塊的特征向量；linear(pi,j)表示對小塊pi,j應(yīng)用的線性變換操作，將圖像信息轉(zhuǎn)化為特征向量；pe(i,j）是對應(yīng)的小塊位置編碼；(i,j）是小塊的位置索引，表示該小塊在整個大區(qū)域或圖像中的位置。

23、進一步的，將傳感器數(shù)據(jù)與圖像小塊進行空間映射，并采用插值算法補充傳感器網(wǎng)格稀疏區(qū)域以生成連續(xù)的環(huán)境參數(shù)分布圖，包括以下步驟。

24、對傳感器數(shù)據(jù)進行預(yù)處理，包括數(shù)據(jù)清洗和濾波，以去除異常值和噪聲，并根據(jù)時間戳、傳感器類型和位置對數(shù)據(jù)進行標記，經(jīng)過預(yù)處理的傳感器數(shù)據(jù)表示為：ds={ds,1,ds,2,…,ds,j}，其中，ds是在第s次航拍前采集的傳感器數(shù)據(jù)集合,j表示在第s次航拍前采集的所有傳感器數(shù)據(jù)的數(shù)量，ds,q表示第s次航拍前采集的第q個傳感器的測量值。

25、通過計算兩個連續(xù)的航拍時間段內(nèi)的平均值來平滑數(shù)據(jù)，公式為：dˉq=(ds,q+ds+1,q)/2，其中，dˉq是在第s次與第s+1次航拍間隔內(nèi)，第q個傳感器的平均數(shù)據(jù)值；ds+1,q表示第s+1次航拍前采集的第?q?個傳感器的測量值。

26、將平滑后的傳感器數(shù)據(jù)dˉ={dˉ1,dˉ2,…,dˉj}分配到與小塊圖像相同的網(wǎng)格中，其中：當(dāng)傳感器q覆蓋的區(qū)域與圖像小塊px,y有重疊關(guān)系時，則表示為:px,y=dˉqif(x,y)fallswithin?the?coverage?of?q；當(dāng)傳感器網(wǎng)格稀疏時，則使用插值法將傳感器數(shù)值平滑擴展到多個相鄰小塊，形成過渡區(qū)域，表示為：dˉx,y=interpolation({dˉqfor?neighbors?ofpx,y})，其中，dˉx,y表示經(jīng)過插值處理后的環(huán)境參數(shù)值，位于圖像小塊px,y的位置；x和y表示圖像小塊px,y在二維空間中的坐標。

27、對處理后的傳感器數(shù)據(jù)按時間戳、傳感器類型及位置進行標記，得到最終的傳感器數(shù)據(jù)集合dˉfinal，表示為：dˉfinal={(dˉx,y,px,y)?for?each?patch?px,y}，并與圖像小塊特征進行后續(xù)的融合分析。

28、進一步的，通過直接拼接融合或者動態(tài)加權(quán)融合的方式實現(xiàn)圖像小塊特征和對應(yīng)傳感器數(shù)據(jù)的特征融合，其中：在直接拼接融合方法中，將圖像特征與傳感器信息整合為一個擴展的輸入特征，具體步驟包括：vit提取的小塊特征記為fpatch(i,j)，對應(yīng)的傳感器數(shù)據(jù)記為dˉx,y，對fpatch(i,j)和dˉx,y進行直接拼接，形成一個擴展特征向量，公式為：fcombined(i,j)=concat(fpatch(i,j),dˉx,y)，其中，concat表示將兩個特征向量在特征維度上進行拼接，拼接后的特征fcombined(i,j）被送入后續(xù)的網(wǎng)絡(luò)層進行處理；在動態(tài)加權(quán)融合方法中，通過自注意力機制將圖像與傳感器數(shù)據(jù)的相關(guān)性融入特征中，具體步驟包括：將小塊特征fpatch(i,j)視為query，傳感器數(shù)據(jù)dˉx,y視為key和value，對于每個圖像小塊pi,j，計算其與所有傳感器數(shù)據(jù)的相關(guān)性，公式為：ai,j=softmax(fpatch(i,j)·dˉ/dk1/2)，其中，dk是key向量的維度，ai,j表示圖像小塊與傳感器數(shù)據(jù)之間的相關(guān)性權(quán)重；使用計算出的ai,j對傳感器數(shù)據(jù)進行加權(quán)融合，得到加權(quán)特征：ffused(i,j)=ai,j·dˉ，最終的輸出綜合特征表示為：fcombined'(i,j)=fpatch(i,j)+ffused(i,j)，其中，ffused(i,j)是通過自注意力機制將圖像小塊和傳感器數(shù)據(jù)加權(quán)融合得到的特征；fcombined'(i,j）是最終的融合特征，綜合了圖像小塊特征和傳感器數(shù)據(jù)的影響。

29、進一步的，采用vit?模型學(xué)習(xí)圖像小塊的全局上下文特征，計算出圖像中各區(qū)域的異常概率并將其映射回園林全景圖像，包括以下步驟。

30、對于每個小塊?pi,j，計算自注意力值，公式為：ai,j'=softmax(q·kt/dk1/2)·v，其中，q、k、v分別是?query、key和value特征矩陣；ai,j'表示圖像小塊pi,j的注意力輸出；kt表示矩陣k的轉(zhuǎn)置。

31、通過全連接層進行分類，判斷每個小塊是否存在異常，公式為：y^i,j=sigmoid(wfc·ai,j'+bfc)，其中，wfc是全連接層的權(quán)重，bfc是偏置項，y^i,j表示小塊?pi,j的異常概率。

32、根據(jù)檢測結(jié)果，將異常概率映射回園林全景圖像中，公式為：anomaly?map=reshape({y^i,j})，其中，reshape操作將小塊的異常概率重新組合成與原始圖像相同的維度；anomaly?map是最終生成的異常概率圖，反映了圖像中每個小塊的異常程度。

33、進一步的，將高異常概率的區(qū)域圖像數(shù)據(jù)輸入卷積神經(jīng)網(wǎng)絡(luò)（cnn)?模型，識別異常類型，并根據(jù)傳感器數(shù)據(jù)推斷異常發(fā)生的原因，包括以下步驟。

34、從異常檢測模塊得到的異常概率映射y^i,j，根據(jù)設(shè)定的閾值τ來篩選出異常概率高于閾值的區(qū)域，公式為：異常區(qū)域={(i',j')∣y^i,j>τ}，其中，(i',j'）表示異常區(qū)域的小塊坐標。

35、使用聚類算法對異常小塊進行聚類，找到異常點集中分布的區(qū)域，聚類結(jié)果生成若干個異常聚集簇c1,c2,…,cμ，每個聚集簇包含一組鄰近的異常小塊，其中，μ是聚集簇的數(shù)量。

36、對于每個異常聚集簇，計算最小邊界框b，用公式表示為：b=(xmin,ymin,xmax,ymax)，其中，（xmin,ymin)表示最小邊界框的左上角坐標，（xmax,ymax)表示最小邊界框的右下角坐標。

37、使用邊界框b對i進行裁剪，得到包含異常聚集區(qū)域的圖像部分icrop，用公式表示為：icrop=i[xmin:xmax,ymin:ymax]，其中，i[xmin:xmax,ymin:ymax]表示通過給定的坐標范圍裁剪出一個子區(qū)域。

38、如果icrop的大小不符合cnn的輸入要求時，則進行縮放填充操作，以將裁剪后的圖像縮放到cnn所需的固定大小；如果縮放導(dǎo)致圖像失真，則使用零填充或邊界擴展，以將裁剪區(qū)域擴展到cnn所需的尺寸。

39、將裁剪并調(diào)整后的圖像icrop輸入到cnn中，公式為：t^i,j=cnn(icrop)，其中，t^i,j是cnn?輸出的異常類型。

40、為每種傳感器數(shù)據(jù)設(shè)定一個正常值或者一個正常范圍，其中，正常值根據(jù)歷史數(shù)據(jù)、農(nóng)業(yè)經(jīng)驗或者實驗數(shù)據(jù)得出。

41、對檢測出的異常小塊，提取對應(yīng)的傳感器網(wǎng)格gij，若網(wǎng)格中至少包含一個異常小塊，則認為該網(wǎng)格為異常網(wǎng)格，對于異常網(wǎng)格的傳感器數(shù)據(jù)，計算其與正常值的偏差，并分析具體的異常原因。

42、進一步的，將異常區(qū)域標注在園林全景圖像上，并給出異常類型和原因的預(yù)警信息，包括以下步驟。

43、創(chuàng)建一個與園林全景圖像尺寸相同的全零矩陣或背景圖像，作為標注圖。

44、遍歷每個小塊（i,j)，根據(jù)其異常概率進行標注，并根據(jù)異常概率的大小調(diào)整標記的透明度或顏色強度，以反映異常的嚴重程度。

45、將生成的標注圖與園林全景圖像進行疊加，形成最終的預(yù)警圖。

46、對于異常概率超過閾值τ的區(qū)域，將識別出的異常類型與對應(yīng)的異常區(qū)域小塊坐標相連接，傳感器數(shù)據(jù)分析的異常原因與對應(yīng)傳感器檢測范圍內(nèi)的異常區(qū)域小塊坐標相連接。

47、將異常小塊坐標、異常類型與傳感器數(shù)據(jù)異常原因作為預(yù)警信息報告給相關(guān)人員。

48、與現(xiàn)有技術(shù)相比，本技術(shù)具有以下有益效果。

49、本技術(shù)通過網(wǎng)格部署的傳感器和圖像采集模塊實時監(jiān)測園林環(huán)境，利用數(shù)據(jù)處理和特征融合技術(shù)結(jié)合vit和cnn模型檢測異常區(qū)域，并生成預(yù)警信息，實現(xiàn)了對園林植物健康的綜合監(jiān)測與智能預(yù)警。