买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京航空航天大学杭州创新研究院;吉林省林业科学研究院(吉林省林业生物防治中心站)

摘要：本发明涉及变色立木监测技术领域，且公开了一种变色立木遥感智能监测系统，包括区域划分模块、数据采集模块、数据预处理模块、特征提取模块、变色立木识别模块、智能监测模块、预测分析模块、人机交互模块以及至少一个设备终端；设备终端包括核查数据接收模块、核查数据记录模块、核查结果反馈模块以及巡视信息模块；通过设有预测分析模块与巡视信息模块，有利于对各子区域的变色立木情况进行预测分析，巡视信息模块对出现变色立木的区域与时间进行显示，工作人员可依据不同时间合理安排对子区域的巡视，能够及时地获取变色立木的情况，更快地发现和响应变色立木的出现；并对未来可能出现的变色立木区域进行显示并提示工作人员进行重点巡视。

主权项：1.一种变色立木遥感智能监测系统，其特征在于：包括区域划分模块、数据采集模块、数据预处理模块、特征提取模块、变色立木识别模块、智能监测模块、预测分析模块、人机交互模块以及至少一个设备终端；所述区域划分模块用于对目标区域进行划分，将目标区域划分为n个子区域，并标记为1、2、3……n；所述数据采集模块用于通过采集设备对各子区域的遥感图像进行采集，并传输至数据预处理模块；所述数据预处理模块用于对数据采集模块采集的遥感图像进行预处理并传输至特征提取模块；所述特征提取模块用于对数据预处理模块预处理后的遥感图像数据进行特征提取，将图像转换成特征向量；所述变色立木识别模块用于构建变色立木识别模型，基于特征提取模块提取的图像特征，对各子区域图像进行变色立木识别，并将识别结果传输至智能监测模块与预测分析模块；所述智能监测模块用于对变色立木的识别结果进行智能监测；所述预测分析模块用于对各子区域的变色立木情况进行预测分析；所述人机交互模块用于对数据进行人机交互显示；所述变色立木识别模型为深度学习模型，具体为卷积神经网络，包括卷积层、池化层、激活函数和全连接层；对输入的特征向量数据执行卷积操作；卷积操作公式表示为：其中，X为输入的特征向量序列，w表示卷积核，M为卷积核的长度，X*wt表示在位置t处的卷积操作的输出，Xt+j是输入序列X在位置t+j处的值，wj是卷积核在位置j处的权重值，j＝0、1、2……M-1；所述激活函数选取ReLu函数，公式表示为：ReLuX＝max0,X，ReLu函数的作用是将输入信号的负值部分置零，保持非负部分不变；如果输入大于零，则输出等于输入；如果输入小于等于零，则输出为零；在每个卷积层之后，都有一个相应的池化层对卷积层输出的特征图进行采样，池化操作的公式表示为：其中，MaxPoolingXt表示在位置t处的最大池化操作的输出，Xt+p表示输入序列X在位置t+p处的值，K是池化窗口的大小，p＝0、1、2……K-1；所述预测分析模块对各子区域的变色立木进行预测分析采用LSTM神经网络模型，采集历史T个时间内各子区域的变色立木变化情况，并输入已经构建好的LSTM神经网络模型进行训练；所述LSTM神经网络模型的构建方式为：初始化LSTM神经网络模型的基本架构，基本架构包括输入层、LSTM单元、Dropout层、激活函数、损失函数、优化器、正则化器、全连接层以及输出层；所述LSTM单元包括一个记忆单元和3个控制门；所述3个控制门分别为输入门、遗忘门和输出门；所述Dropout层随机将一定比例的节点暂时从LSTM神经网络模型中丢弃；所述激活函数的公式为：其中，f为输入数据；p1是可学习的斜率参数，p2是可学习的偏移参数，控制Sigmoid函数的偏移；所述损失函数公式为：其中，q是分位数，表示在损失计算中的分位数水平；q取值在0，1之间，决定了损失是针对下分位数还是上分位数进行计算；ytrue为真实的目标值；ypredlow为预测分布的下分位数；ypredhigh为预测分布的上分位数；||+为正部函数，用于确保只有当预测值和真实值之间的差异为正时才会贡献到损失中；所述优化器采用自适应调整学习率的自适应优化器；公式表示为：其中，σλ+1,l为训练迭代轮数为λ+1时LSTM神经网络模型第l层的参数；σλ,l为训练迭代轮数为λ时LSTM神经网络模型第l层的参数；ηl是LSTM神经网络模型第l层的学习率，根据不同层选择不同的学习率；vλ为训练迭代轮数为λ的梯度平方的指数移动平均；θ是防止分母为零的小常数；mλ,l为训练迭代轮数为λ的参数梯度；所述输出层含有n个节点，用于输出子区域未来n个时间点的变色立木情况。

全文数据：

权利要求：

百度查询： 北京航空航天大学杭州创新研究院 吉林省林业科学研究院(吉林省林业生物防治中心站) 一种变色立木遥感智能监测系统