本发明涉及图像处理领域，尤其涉及一种红松生长情况分析系统。
背景技术：
1、在红松的生长过程中，通常需要定期进行生长情况分析，以便及时发现红松生长过程中存在的问题，维持红松的健康生长，以得到更好的经济效益。现有技术中，为了分析树龄接近的一个局部区域的红松的生长情况，通常会通过无人机来对该局部区域中的部分红松进行抽样拍摄，获得红松的不同部位的图像，然后对这些图像进行分析，以评估该局部区域中的红松的整体生长情况。
2、在对红松的树叶位置的图像进行分析的过程中，由于单片树叶的面积在总的树叶的面积中所占的比例比较小，为了提高获得的树叶区域的准确程度，因此，一般需要先将图像分为多个子图像，然后分别在每个子图像中进行树叶区域的识别，接着才从树叶区域中提取特征，来判断树叶是否生长正常。然而，现有技术中，对于不同的处于局部区域中的不同区域的红松，通常都是直接分为提前设定的相同大小的子图像，这样容易导致树叶区域的获取准确程度不够高。在对红松生长速度较快的区域中的红松的树叶进行图像识别时，树叶区域的完整概率会降低，因为红松的叶片大于子图像的面积的可能性增大，从而导致得到的子图像中不包含完整的树叶区域的可能性增大。而在对红松生长速度较慢的区域中的红松的树叶进行图像识别时，由于子图像的面积过大，同一个子图像中存在较多片的树叶，当树叶相互之间的位置较近时，两片树叶可能会被错误地认定为一片树叶，导致分割出的树叶区域的面积偏大，影响获得的树叶区域的准确程度。
3、若获得的树叶区域的准确程度不够高，则会影响后续对树叶区域进行分析所得到的分析结果的准确程度。
技术实现思路
1、本发明的目的在于公开一种红松生长情况分析系统，解决在采用图像识别技术对红松的生长情况进行分析的过程中，如何合理地确定子图像的大小，从而能够在提高获得的树叶区域的准确程度，进而提高对树叶区域进行分析所得到的分析结果的准确程度的问题。
2、为了达到上述目的，本发明提供如下技术方案：
3、本发明提供了一种红松生长情况分析系统，包括数据获取模块、树叶长度预测模块、图像分割模块和图像识别模块；
4、数据获取模块用于获取红松生长过程中的影响因素；
5、树叶长度预测模块用于根据包含红松的树叶的图像的拍摄时刻获取影响因素的集合，并基于影响因素的集合预测红松的树叶长度；
6、图像分割模块用于基于红松的树叶长度将包含红松的树叶的图像分为多个子图像，并分别在每个子图像中获取树叶区域；
7、图像识别模块用于对树叶区域进行识别，判断树叶区域是否生长正常；
8、其中，影响因素的集合预测红松的树叶长度，包括：
9、根据红松的树龄获取对应的预先训练好的预测模型；
10、将影响因素的集合输入到预测模型中进行计算，由预测模型输出红松的树叶长度；
11、其中，基于红松的树叶长度将包含红松的树叶的图像分为多个子图像，包括：
12、计算包含红松的树叶的图像中的一个像素点所对应的实际长度l1；
13、用l2表示由预测模型输出的红松的树叶长度；
14、则子图像中的像素点的行数和列数均为；
15、将包含红松的树叶的图像分为多个像素点的行数和列数均为的子图像。
16、优选地，影响因素包括红松的树龄、红松所在位置的温度、降雨量、湿度、光照强度、土壤湿度和土壤ph。
17、优选地，获取红松生长过程中的影响因素，包括：
18、从红松发芽开始，采用固定的时间周期获取红松所在的位置的影响因素。
19、优选地，根据包含红松的树叶的图像的拍摄时刻获取影响因素的集合，包括：
20、用t1表示红松发芽的时刻，用t2表示包含红松的树叶的图像的拍摄时刻，将在时间区间[t1，t2]内，红松的影响因素存入影响因素的集合。
21、优选地，预测模型包括支持向量回归模型。
22、优选地，支持向量回归模型的训练过程包括：
23、分别训练不同的树龄的红松所对应的支持向量回归模型。
24、优选地，分别训练不同的树龄的红松所对应的支持向量回归模型，包括：
25、对于树龄为k的红松，其对应的支持向量回归模型的训练过程如下：
26、获取训练数据集，训练数据集包括多条第一数据，每条第一数据包括一棵树龄为k的红松的影响因素的集合以及树龄为k的红松的树叶长度；红松的影响因素的集合包括从红松发芽开始到树龄为k的时间段内，红松生长过程中获取的影响因素；
27、获取每条第一数据中的各种类型的影响因素的数据特征，将第一数据中的各种类型的影响因素的数据特征和红松的树叶长度组成第二数据；
28、将所有的第二数据分为训练集和测试集；
29、将训练集分为多个批次的数据，依次使用每个批次的数据对支持向量回归模型进行训练，每个批次训练完成之后，使用测试集测试支持向量回归模型的预测性能，当预测性能符合设定的要求时，结束进行训练；
30、当预测性能不符合设定的要求时，使用下一批次的数据对支持向量回归模型进行训练。
31、优选地，使用测试集测试支持向量回归模型的预测性能，包括：
32、将测试集中的所有第二数据输入到支持向量回归模型中进行预测，获得预测长度；
33、基于所有的第二数据对应的预测长度与第二数据中的红松的树叶长度计算平均绝对百分比误差。
34、优选地，当平均绝对百分比误差小于设定的平均绝对百分比误差阈值时，表示预测性能符合设定的要求。
35、优选地，数据获取模块还用于获取包含红松的树干区域的图像；
36、图像分割模块用于从包含红松的树干区域的图像中获取树干区域；
37、图像识别模块用于对树干区域进行识别，判断树干区域是否生长正常。
38、有益效果；
39、与现有技术相比，本发明在对红松的树叶区域进行获取的过程中，先通过预测模型来获取树叶长度，然后基于树叶长度来确定子图像的大小，接着基于子图像的大小来获取树叶区域，最后对树叶区域进行识别来判断树叶是否生长正常。由于子图像的大小并不是提前指定的，而是基于预测模型得到的，因此，本发明的子图像的大小能够更好地与不同的生长速度红松相适应，有利于得到更加合理的子图像的大小，从而提高了获得的树叶区域的准确程度。
1.一种红松生长情况分析系统，其特征在于，包括数据获取模块、树叶长度预测模块、图像分割模块和图像识别模块；
2.根据权利要求1所述的一种红松生长情况分析系统，其特征在于，影响因素包括红松的树龄、红松所在位置的温度、降雨量、湿度、光照强度、土壤湿度和土壤ph。
3.根据权利要求1所述的一种红松生长情况分析系统，其特征在于，获取红松生长过程中的影响因素，包括：
4.根据权利要求1所述的一种红松生长情况分析系统，其特征在于，根据包含红松的树叶的图像的拍摄时刻获取影响因素的集合，包括：
5.根据权利要求1所述的一种红松生长情况分析系统，其特征在于，预测模型包括支持向量回归模型。
6.根据权利要求5所述的一种红松生长情况分析系统，其特征在于，支持向量回归模型的训练过程包括：
7.根据权利要求6所述的一种红松生长情况分析系统，其特征在于，分别训练不同的树龄的红松所对应的支持向量回归模型，包括：
8.根据权利要求7所述的一种红松生长情况分析系统，其特征在于，使用测试集测试支持向量回归模型的预测性能，包括：
9.根据权利要求8所述的一种红松生长情况分析系统，其特征在于，当平均绝对百分比误差小于设定的平均绝对百分比误差阈值时，表示预测性能符合设定的要求。
10.根据权利要求8所述的一种红松生长情况分析系统，其特征在于，数据获取模块还用于获取包含红松的树干区域的图像；
