本发明涉及湿地监测，具体为一种湿地植物退化监测方法。
背景技术：
1、湿地植物是湿地水体的自净系统之一，它可以吸收、释放、转化和降解的方式去除水体中的有害物质。一旦湿地植物退化，水体的自净能力就会减弱，水体中有害物质的含量就会越来越高，对水质和水生生物的健康都会产生威胁。
2、湿地植物的生存环境是水分充足的土壤，在气候变化、水位波动等自然因素的影响下，湿地植物很容易遭到生理、形态上的损失和退化。
3、湿地植物的叶片是进行光合作用的重要器官，它们能够吸收阳光并将其转化为植物所需的能量。然而，在一些情况下，叶片会出现退化的现象，这可能会对湿地植物的生长和发育产生不利影响。
4、叶片的正常生长和发育需要各种营养物质的供应，包括氮、磷、钾等元素。如果土壤中的营养物质不足，植物就会出现叶片退化的现象。例如，氮是叶绿素合成的重要成分，如果土壤中的氮含量不足，植物的叶片就会变黄或变白，甚至出现叶片变小的情况。
5、现有技术中，通常采用叶片的颜色对湿地植物进行监测。但是，由于湿地植物退化并不仅仅体现为颜色的变化，并且会伴随着叶片的卷曲变化。因此，现有技术监测方法，存在监测准确率低的问题。
技术实现思路
1、本发明的目的是：针对现有技术中由于湿地植物退化并不仅仅体现为颜色的变化，并且会伴随着叶片的卷曲变化，现有监测方法仅通过叶片的颜色对湿地植物进行监测，导致监测准确率低的问题，提出一种湿地植物退化监测方法。
2、本发明为了解决上述技术问题采取的技术方案是：
3、一种湿地植物退化监测方法，包括以下步骤：
4、步骤一：获取待监测湿地植物叶片图像，并利用训练好的神经网络1，得到待监测湿地植物叶片的相对色度估计值以及叶片面积估计值；
5、所述步骤一的具体步骤为：
6、步骤一一：获取湿地植物叶片图像，并对湿地植物叶片图像进行图像增强，之后，对增强后的叶片图像进行二值化，得到叶脉网络；
7、步骤一二：在叶脉网络中，识别主脉与每条侧脉的交点，交点的间距，即为侧脉间距；
8、步骤一三：获取拍摄相机的内参及拍摄位置，并基于拍摄相机的内参及拍摄位置，得到叶脉网络的实际大小，之后结合主脉与每条侧脉的交点，进而得到实际的侧脉间距平均值；
9、步骤一四：将湿地植物叶片图像进行二值化，并结合拍摄相机的内参及拍摄位置，得到叶片的面积；
10、步骤一五：获取湿地植物叶片图像的相对色度，并将实际的侧脉间距平均值作为输入，将叶片的面积以及相对色度作为输出，训练神经网络1，得到训练好的神经网络1；
11、步骤一六：针对待监测湿地植物叶片图像，利用步骤一一至步骤一三得到待监测湿地植物叶片图像实际的侧脉间距平均值，并将待监测湿地植物叶片图像实际的侧脉间距平均值输入训练好的神经网络1，得到输出的叶片的面积以及相对色度，即为待监测湿地植物叶片的相对色度的估计值以及叶片面积的估计值；
12、步骤二：将待监测的湿地植物叶片图像进行图像增强后，进行二值化，并根据拍摄相机的内参以及拍摄位置，得到待监测湿地植物叶片图像中叶片面积的实际值；
13、步骤三：将叶片面积的估计值和叶片面积的实际值作差，并将差值输入训练好的神经网络2，得到输出的湿地植物叶片卷曲率；
14、所述神经网络2的训练过程为：
15、步骤三一：获取同一湿地植物叶片退化前的叶片图像以及该叶片各退化阶段的叶片图像；
16、步骤三二：将湿地植物叶片退化前的叶片图像进行二值化，并结合拍摄相机的内参以及拍摄位置，得到退化前叶片面积的实际值；
17、步骤三三：重复步骤三二，得到各退化阶段的叶片面积的实际值；
18、步骤三四：随机选取一个退化阶段，将退化前叶片面积的实际值与选取的退化阶段的叶片面积的实际值作差，得到叶片面积差值，最后，将选取的退化阶段的湿地植物叶片进行卷曲率标记；
19、步骤三五：将叶片面积差值作为输入，将湿地植物叶片的卷曲率作为输出，训练神经网络2，得到训练好的神经网络2；
20、步骤四：获取待监测湿地植物叶片图像的相对色度实际值，并将相对色度实际值与步骤一六中相对色度的估计值作差，之后，将差值输入训练好的神经网络3，得到输出的湿地植物的褪色率；
21、所述神经网络3的训练过程为：
22、步骤四一：基于同一湿地植物叶片退化前的叶片图像以及该叶片各退化阶段的叶片图像，获取叶片退化前的叶片图像的相对色度，以及该叶片各退化阶段的叶片图像的相对色度；
23、步骤四二：随机选取一个退化阶段，并将步骤四一中叶片退化前的叶片图像的相对色度与选取的退化阶段的叶片图像的相对色度作差，得到相对色度差值，并对选取的退化阶段的湿地植物叶片进行褪色率标记；
24、步骤四三：将相对色度差值作为输入，将湿地植物叶片的褪色率作为输出，训练神经网络3，得到训练好的神经网络3；
25、步骤五：将湿地植物叶片的卷曲率和湿地植物叶片的褪色率输入训练好的神经网络4，得到输出的湿地植物的退化率；
26、所述神经网络4的训练过程为：
27、步骤五一：获取同一湿地植物叶片各退化阶段的叶片图像，并随机选取一个退化阶段，之后利用神经网络2和神经网络3，得到选取的退化阶段下，湿地植物叶片的卷曲率和褪色率；
28、步骤五二：将湿地植物叶片的退化率进行标记；
29、步骤五三：将湿地植物叶片的卷曲率和褪色率作为输入，将湿地植物叶片的退化率作为输出，训练神经网络4，得到训练好的神经网络4。
30、进一步的，所述相对色度的获取步骤为：
31、步骤1：在湿地植物叶片图像上随机选取一个区域，并获取区域中所有像素点，并提取所有像素点的三基色灰度值；
32、步骤2：获取三基色灰度值中一个灰度级的像素点个数，并将一个灰度级的像素点个数与湿地植物叶片图像中所有像素点的个数的比值作为三基色在三基色灰度值中的一个灰度级的频率；
33、步骤3：重复步骤2，得到所有灰度级的频率，并根据所有灰度级的频率得到灰度直方图，即湿地植物叶片的相对色度。
34、进一步的，所述方法还包括步骤六，具体为：
35、步骤六：首先获取不同区域、不同类型湿地植物的叶片图像，并重复步骤一至步骤五，得到不同区域、不同类型湿地植物的退化率，之后，根据各区域的空间地理位置进行基于改进克里金插值算法处理，得到克里金权重，之后根据克里金权重得到湿地植物的退化率的空间分布，所述基于改进克里金插值算法处理表示为：
36、r11a1+r12a2+…+r1nan+φ＝r10
37、r21a1+r22a2+…+r2nan+φ＝r20
38、…
39、rn1a1+rn2a2+…+rnnan+φ＝rn0
40、
41、其中，rn0为第n个区域中退化率与所有区域平均退化率的差，rnn为半方差函数，φ为误差项，aj为1-n个区域各自的空间权重；
42、退化率的空间分布表示为：
43、
44、其中，为未知点数据值，zi为第i个区域的退化率，c为未知点数据的简单求平均方法获得的期望值。
45、进一步的，所述改进yolo-v5网络为改进的yolo-v5网络，具体执行如下步骤：
46、输入图像经基准网络进行特征提取，提取到的特征输入neck网络进行特征增强后输入head输出端，head输出端包含一个分类分支和一个回归分支，head输出端通过对神经网络提取的特征进行分类以及对目标框的回归完成目标检测；
47、所述基准网络进行特征提取的具体步骤为：
48、输入图像依次经过focus网络、cbl网络、csp1_1网络、cbl网络、csp1_3网络、cbl网络、csp1_3网络、cbl网络、spp网络进行特征提取。
49、进一步的，所述提取到的特征输入neck网络进行特征增强后输入head输出端的具体步骤为：
50、所述neck中，第一个csp2_1网络经第一个cbl网络后，一路进行上采样后与第二csp1_3网络的输出在第一个concat网络中进行融合，融合结果输入第二个csp2_1网络，第二个csp2_1网络的输出输入第二个cbl网络；
51、第二个cbl网络的输出，一路经上采样后与第一csp1_3网络的输出在第二个concat网络中进行融合，融合结果输入第三个csp2_1网络，第三个csp2_1网络的输出输入第三个cbl网络，第三个cbl网络的输出与第二个cbl网络输出的另一路在第三个concat网络中进行融合，融合结果输入第四个csp2_1网络；
52、第四个csp2_1网络的输出输入第四个cbl网络，第四个cbl网络的输出与第一个cbl网络输出的另一路在第四个concat网络中进行融合后输入第五个csp2_1网络；
53、基准网络中，第一个csp1_3网络的输出与neck网络中第二次上采样的特征图进行融合后输入到neck网络中第三个csp2_1网络中进行特征增强；
54、第二个csp1_3网络的输出与neck网络中第一次上采样的特征图进行融合后输入到neck网络中第二个csp2_1网络中进行特征增强；
55、spp网络的输出与neck网络中第四个csp2_1网络的输出进行融合后输入到neck网络中最后一个csp2_1网络中进行特征图的增强；
56、neck网络中的第三、四、五个csp2_1网络的输出分别经过卷积后输入到head网络中。
57、进一步的，所述csp1_3网络具体执行如下步骤：
58、csp1_3网络以csp1_3网络之前的cbl网络提取的特征作为输入，输入特征在csp1_3中的cbl网络中进行卷积和leaky relu激活操作，得到输出的特征图，然后将输出的特征图输入到n组残差计算单元中对特征图进行残差计算，之后将csp1_3输入的特征和残差计算后的结果进行卷积，并将卷积结果输入到concat网络中进行融合，融合后的结果依次经过bn网络层、leaky relu激活层和cbl网络层进行进一步特征图提取。
59、进一步的，所述残差计算单元具体执行如下步骤：
60、首先，将输入的特征图分为三组，即x1、x2、x3，其中x1直接通过卷积提取特征得到y1，x2通过一层3*3的卷积网络得到y2，y2和x3的特征进行特征张量的拼接后输入一层3*3的卷积网络得到y3，最后将y1,y2,y3一起输入到1*1的卷积层进行特征融合。
61、进一步的，所述图像增强通过直方图均衡化方法进行。
62、进一步的，所述二值化采用自适应阈值的分割方法进行。
63、本发明的有益效果是：
64、在本技术中，本技术通过将叶片的颜色变化、叶片的卷曲变化及萎缩程度相结合，进而对植物的退化率进行监测。本技术监测准确率高。
65、在本技术中，本技术首先通过神经网络得到湿地植物叶片的相对色度估计值以及叶片面积估计值，之后通过将叶片面积实际值和叶片面积估计值作差，差值即为叶片卷曲或萎缩时，叶片面积减少的量，进而得到卷曲率。之后，本技术通过湿地植物叶片相对色度的变化，得到褪色率。最后根据湿地植物叶片的卷曲率和褪色率，综合得到该湿地植物的退化率。进而实现了对湿地植物退化的监测。