本發(fā)明涉及數(shù)據(jù)處理，尤其涉及一種基于圖像處理的茶樹樹齡分析方法及系統(tǒng)。

背景技術：

1、現(xiàn)有的茶樹樹齡分析方法主要依賴于人工經(jīng)驗判斷或簡單的圖像處理技術。這些方法通常通過觀察茶樹的外觀特征，如樹干直徑、枝條分布等，來估計茶樹的年齡。同時，一些研究者嘗試使用單一的圖像處理技術，如年輪分析或樹冠形態(tài)分析，來輔助樹齡估計。

2、然而，這些傳統(tǒng)方法存在諸多不足。人工經(jīng)驗判斷容易受主觀因素影響，準確性和一致性難以保證。簡單的圖像處理技術往往只能提供有限的信息，無法全面考慮茶樹生長的復雜性。此外，這些方法通常忽視了環(huán)境因素和生理特征對茶樹生長的影響，導致估計結果與實際情況存在較大偏差。

技術實現(xiàn)思路

1、有鑒于此，本發(fā)明實施例提供了一種基于圖像處理的茶樹樹齡分析方法及系統(tǒng)，用于提高基于圖像處理的茶樹樹齡分析的準確率。

2、本發(fā)明提供了一種基于圖像處理的茶樹樹齡分析方法，包括：對預先采集的茶樹多光譜圖像進行自適應增強及語義分割處理，得到高精度茶樹輪廓圖；通過深度學習三維重建算法對所述高精度茶樹輪廓圖進行結構分層處理，得到茶樹多層級結構數(shù)據(jù)；對所述多層級結構數(shù)據(jù)進行多尺度特征提取及生物力學分析，得到主干及各級側(cè)枝的生長參數(shù)集；通過時序演化神經(jīng)網(wǎng)絡算法對所述生長參數(shù)集進行分析，得到各級側(cè)枝的動態(tài)年齡估計值；對所述動態(tài)年齡估計值進行層次聚類及加權融合，得到主干年齡初步推算數(shù)據(jù)；對所述主干年齡初步推算數(shù)據(jù)進行環(huán)境因子補償及生理年齡校準，得到目標預測樹齡及可信度指數(shù)，并將所述目標預測樹齡及所述可信度指數(shù)傳輸至預置的數(shù)據(jù)展示終端。

3、在本發(fā)明中，所述對預先采集的茶樹多光譜圖像進行自適應增強及語義分割處理，得到高精度茶樹輪廓圖步驟，包括：對所述茶樹多光譜圖像進行光譜解混處理，得到端元豐度圖；通過非局部低秩張量分解算法對所述端元豐度圖進行去噪處理，得到降噪豐度圖；對所述降噪豐度圖進行自適應伽馬校正處理，得到動態(tài)范圍優(yōu)化豐度圖；通過引導濾波算法對所述動態(tài)范圍優(yōu)化豐度圖進行邊緣保持平滑處理，得到增強豐度圖；對所述增強豐度圖進行主成分分析降維處理，得到降維特征圖像；通過局部二值模式算法對所述降維特征圖像進行紋理特征提取，得到紋理增強的特征圖像；對所述紋理增強的特征圖像進行自適應直方圖均衡化處理，得到對比度優(yōu)化的特征圖像；通過深度殘差u-net網(wǎng)絡對所述對比度優(yōu)化的特征圖像進行語義分割，得到初步分割掩碼；通過條件隨機場后處理算法對所述初步分割掩碼進行優(yōu)化處理，得到優(yōu)化分割結果；?通過形態(tài)學重建算法對所述優(yōu)化分割結果進行邊緣細化處理，得到高精度茶樹輪廓圖。

4、在本發(fā)明中，所述通過深度學習三維重建算法對所述高精度茶樹輪廓圖進行結構分層處理，得到茶樹多層級結構數(shù)據(jù)步驟，包括：對所述高精度茶樹輪廓圖進行多視角投影變換，得到多角度輪廓圖集；通過特征點匹配算法對所述多角度輪廓圖集進行特征提取，得到特征點對應關系；通過structure?from?motion算法對所述特征點對應關系進行三維重建處理，得到稀疏點云數(shù)據(jù)；通過多目立體視覺算法對所述稀疏點云數(shù)據(jù)進行密集重建，得到初始密集點云；對所述初始密集點云進行噪聲濾除和離群點剔除，得到優(yōu)化密集點云；通過自適應poisson表面重建算法對所述優(yōu)化密集點云進行網(wǎng)格化處理，得到三維網(wǎng)格模型；通過骨架提取算法對所述三維網(wǎng)格模型進行結構提取，得到茶樹主干和分枝骨架結構；通過層次化分割算法對所述骨架結構進行分層處理，得到初步分層結果；?通過拓撲優(yōu)化算法對所述初步分層結果進行結構優(yōu)化處理，得到拓撲關系優(yōu)化分層數(shù)據(jù)；?通過基于圖卷積神經(jīng)網(wǎng)絡的層次化分類算法對所述拓撲關系優(yōu)化分層數(shù)據(jù)進行細化分類，得到茶樹多層級結構數(shù)據(jù)。

5、在本發(fā)明中，所述對所述多層級結構數(shù)據(jù)進行多尺度特征提取及生物力學分析，得到主干及各級側(cè)枝的生長參數(shù)集步驟，包括：通過小波變換算法對所述多層級結構數(shù)據(jù)進行多尺度分解處理，得到多尺度分解結果；通過自適應閾值分割算法對所述多尺度分解結果進行特征分離，得到初步特征圖譜；通過局部二值模式算法對所述初步特征圖譜進行描述符分析，得到紋理特征描述符；通過gabor濾波器組對所述紋理特征描述符進行方向性分析，得到方向性特征向量；對所述方向性特征向量進行向量降維處理，得到降維特征表示；通過深度殘差網(wǎng)絡對所述降維特征表示進行非線性變換，得到高階特征集；通過張量分解算法對所述高階特征集進行多模態(tài)分解處理，得到多模態(tài)特征表示；通過有限元分析方法對所述多模態(tài)特征表示進行應力分布模擬，得到生物力學特征數(shù)據(jù)；?通過遺傳算法優(yōu)化的支持向量回歸模型對所述生物力學特征數(shù)據(jù)進行生長參數(shù)估計，得到生長參數(shù)估計值；通過自適應模糊推理算法對所述生長參數(shù)估計值進行分析，得到主干及各級側(cè)枝的生長參數(shù)集。

6、在本發(fā)明中，所述通過時序演化神經(jīng)網(wǎng)絡算法對所述生長參數(shù)集進行分析，得到各級側(cè)枝的動態(tài)年齡估計值步驟，包括：對所述生長參數(shù)集進行時間序列分解，得到趨勢成分、周期成分和隨機成分；通過小波變換算法對所述趨勢成分進行多尺度分析，得到多級時間特征；?對所述周期成分進行自相關分析，得到周期性特征向量；通過奇異譜分析算法對所述隨機成分進行降噪處理，得到優(yōu)化隨機信號；對所述多級時間特征、周期性特征向量和優(yōu)化隨機信號進行特征融合，得到綜合時序特征；通過長短期記憶網(wǎng)絡對所述綜合時序特征進行初步建模，得到初始動態(tài)模型；對所述初始動態(tài)模型進行特征加權處理，得到加權特征表示；通過變分自編碼器對所述加權特征表示進行非線性變換，得到潛在特征空間；?通過遞歸神經(jīng)網(wǎng)絡對所述潛在特征空間進行時序預測處理，得到時序預測結果；通過貝葉斯優(yōu)化算法對所述時序預測結果進行不確定性量化，得到各級側(cè)枝的動態(tài)年齡估計值。

7、在本發(fā)明中，所述對所述動態(tài)年齡估計值進行層次聚類及加權融合，得到主干年齡初步推算數(shù)據(jù)步驟，包括：對所述動態(tài)年齡估計值進行高斯核密度估計，得到概率分布圖；通過dbscan算法對所述概率分布圖進行初步聚類，得到初始聚類結果；?通過自適應層次聚類算法對所述初始聚類結果進行聚類樹構建，得到多層次聚類樹；通過動態(tài)時間規(guī)整算法對所述多層次聚類樹進行時序?qū)R，得到對齊聚類序列；通過譜聚類算法對所述對齊聚類序列進行聚類優(yōu)化處理，得到優(yōu)化聚類簇；通過模糊c均值聚類算法對所述優(yōu)化聚類簇進行細化處理，得到模糊聚類結果；通過主成分分析算法對所述模糊聚類結果進行數(shù)據(jù)降維，得到降維特征空間；對所述降維特征空間進行非線性映射，得到拓撲保持的特征表示；對所述拓撲保持的特征表示進行多源信息融合處理，得到多源信息融合結果；對所述多源信息融合結果進行權重優(yōu)化，得到主干年齡初步推算數(shù)據(jù)。

8、在本發(fā)明中，所述對所述主干年齡初步推算數(shù)據(jù)進行環(huán)境因子補償及生理年齡校準，得到目標預測樹齡及可信度指數(shù)，并將所述目標預測樹齡及所述可信度指數(shù)傳輸至預置的數(shù)據(jù)展示終端步驟，包括：對預先獲取的歷史氣象數(shù)據(jù)進行時間序列分析處理，得到環(huán)境因子變化趨勢；通過高斯過程回歸算法對所述環(huán)境因子變化趨勢進行預測建模處理，得到環(huán)境影響預測模型；基于所述環(huán)境影響預測模型，對所述主干年齡初步推算數(shù)據(jù)進行環(huán)境因子補償處理，得到環(huán)境補償年齡數(shù)據(jù)；?通過自適應模糊神經(jīng)網(wǎng)絡對所述環(huán)境補償年齡數(shù)據(jù)進行非線性映射處理，得到初步校準數(shù)據(jù)；對預置的茶樹生理特征數(shù)據(jù)庫進行主成分分析處理，得到關鍵生理指標；通過支持向量回歸算法對所述關鍵生理指標進行模型訓練處理，得到生理年齡估計模型；將所述初步校準數(shù)據(jù)輸入所述生理年齡估計模型進行生理年齡校準處理，得到生理年齡校準值；對所述生理年齡校準值進行不確定性量化處理，得到目標預測樹齡及可信度指數(shù)；對所述目標預測樹齡及所述可信度指數(shù)進行數(shù)據(jù)加密處理，得到加密傳輸數(shù)據(jù)包；通過安全套接字層協(xié)議對所述加密傳輸數(shù)據(jù)包進行安全傳輸處理，將所述目標預測樹齡及所述可信度指數(shù)傳輸至預置的數(shù)據(jù)展示終端。

9、本發(fā)明還提供了一種基于圖像處理的茶樹樹齡分析系統(tǒng)，包括：

10、分割模塊，用于對預先采集的茶樹多光譜圖像進行自適應增強及語義分割處理，得到高精度茶樹輪廓圖；

11、分層模塊，用于通過深度學習三維重建算法對所述高精度茶樹輪廓圖進行結構分層處理，得到茶樹多層級結構數(shù)據(jù)；

12、提取模塊，用于對所述多層級結構數(shù)據(jù)進行多尺度特征提取及生物力學分析，得到主干及各級側(cè)枝的生長參數(shù)集；

13、分析模塊，用于通過時序演化神經(jīng)網(wǎng)絡算法對所述生長參數(shù)集進行分析，得到各級側(cè)枝的動態(tài)年齡估計值；

14、融合模塊，用于對所述動態(tài)年齡估計值進行層次聚類及加權融合，得到主干年齡初步推算數(shù)據(jù)；

15、傳輸模塊，用于對所述主干年齡初步推算數(shù)據(jù)進行環(huán)境因子補償及生理年齡校準，得到目標預測樹齡及可信度指數(shù)，并將所述目標預測樹齡及所述可信度指數(shù)傳輸至預置的數(shù)據(jù)展示終端。

16、本發(fā)明提供的技術方案中，該基于圖像處理的茶樹樹齡分析方法通過綜合運用多種先進技術，在多個方面實現(xiàn)了顯著的技術效果提升。首先，多光譜圖像處理和自適應增強技術的應用大大提高了茶樹輪廓圖的精度和質(zhì)量，為后續(xù)分析奠定了堅實的數(shù)據(jù)基礎，有效減少了初始數(shù)據(jù)中的噪聲和干擾，增強了關鍵特征的可識別性。其次，深度學習三維重建算法的引入實現(xiàn)了茶樹結構的精確分層，有效捕捉了茶樹的復雜形態(tài)特征，使得分析過程能夠更加全面地考慮茶樹的立體結構信息，從而提高了后續(xù)分析的準確性和可靠性。多尺度特征提取和生物力學分析的結合，全面考慮了茶樹生長的物理特性，提供了更加豐富和準確的生長參數(shù)，這不僅增強了分析的深度，還使得估算結果更加符合茶樹的實際生長狀況。時序演化神經(jīng)網(wǎng)絡算法的應用，使得分析過程能夠考慮茶樹生長的動態(tài)特性，有效捕捉了茶樹生長過程中的時間維度信息，提高了年齡估計的準確性和可靠性。層次聚類和加權融合方法的使用，有效整合了不同層級的年齡估計信息，增強了主干年齡推算的可靠性，這種多層次的信息融合策略有助于減少單一估算方法可能帶來的誤差和偏差。環(huán)境因子補償和生理年齡校準的引入，考慮了外部環(huán)境和內(nèi)部生理因素對茶樹生長的影響，進一步提高了預測結果的準確性，使得分析結果更加貼近實際情況，增強了方法的適應性和普適性。可信度指數(shù)的引入，為預測結果提供了不確定性量化，增強了分析結果的可信度和實用性，使得使用者能夠更加客觀地評估預測結果的可靠程度，為決策提供更加可靠的依據(jù)。數(shù)據(jù)加密和安全傳輸技術的應用，保障了分析結果的安全性和隱私性，有效防止了敏感信息的泄露，增強了方法在實際應用中的安全性和可靠性。此外，該方法的模塊化設計和靈活的處理流程，使得它具有較強的可擴展性和適應性，能夠根據(jù)不同地區(qū)、不同品種的茶樹特性進行參數(shù)調(diào)整和模型優(yōu)化，從而在廣泛的應用場景中保持高效性和準確性?？偟膩碚f，該方法通過多維度、多尺度的分析和建模，顯著提升了茶樹樹齡分析的全面性、準確性和可靠性。