(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111680663.9 (22)申请日 2021.12.27 (71)申请人 江南大学 地址 214122 江苏省无锡市滨湖区蠡湖大 道1800号 (72)发明人 李光辉　王哲旭　 (74)专利代理 机构 哈尔滨市阳光惠远知识产权 代理有限公司 2321 1 代理人 张勇 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/08(2006.01) G06N 3/04(2006.01) G06K 9/62(2022.01) G06F 30/27(2020.01) (54)发明名称 一种基于深度学习的树木根径和深度预测 方法及预测系统 (57)摘要 本发明公开了一种基于深度学习的树木根 径和深度预测方法及预测系统， 属于无损检测技 术领域。 所述方法采用探地雷达A ‑Scan数据进行 树根半径和深度的预测， 相比于B ‑Scan图像， A ‑ Scan数据包含更多有关半径和深度的信息， 且更 加容易被深度模型学习到， 因此， 使用A ‑Scan数 据作为数据集更容易训练出精度高、 鲁棒性强的 根系半径和深度预测模型； 采用卷积神经网络和 注意力机制组成的深度学习模型来预测树根半 径和深度， 使用注意力机制突出关键特征对模型 预测的影 响， 并通过卷积神经网络将局部特征综 合为全局特征完成对树根半径和深度的预测， 可 以有效提高根系半径和深度预测的准确性。 权利要求书2页 说明书7页 附图5页 CN 114330917 A 2022.04.12 CN 114330917 A 1.一种基于深度学习的树根半径和深度预测方法， 其特征在于， 所述方法采用卷积神 经网络和注意力机制 相结合的深度学习预测模型 预测树根的半径和深度， 步骤 包括： 步骤一： 使用开源软件gprMax仿真生成探地雷达采集 树根的一维数据： A ‑Scan数据； 步骤二： 采用所述注意力机制对所述A ‑Scan数据进行处理， 算出输入数据和标签数据 的特征相似度； 步骤三： 根据所述特 征相似度计算特 征权重系数； 步骤四： 将特征权重系数与数值化A ‑Scan数据逐个元素相乘得到重新分配权重的A ‑ Scan数据； 步骤五： 使用卷积神经网络对所述重新分配权重的A ‑Scan数据进行特征提取， 并根据 提取的特 征进行树 根半径和深度的预测。 2.根据权利 要求1所述方法， 其特征在于， 所述注意力机制对所述A ‑Scan数据进行处理 包括： 计算所述A ‑Scan数据和标签数据的特征相似度， 激活函数设置为Sigmoi d， 将A‑Scan 数据和标签导入多层神经网络 MLP进行计算， 所述特 征相似度的计算公式为： simi(inputsi,labels)＝MLP(i nputsi,labels)                     (1) 式中simi为特征相似度， inputsi是输入A‑Scan数据， labels是标签值， MLP( ·)表示MLP 网络。 3.根据权利要求2所述方法， 其特 征在于， 所述特 征权重系数的计算方法包括： 引入Softmax函数进行计算， 一方面完成归一化操作， 将原来的特征相似度整理成所有 元素权重之和为1的概率分布， 另一方面通过Softmax的内在机制突出重要元素的权重， 特 征权重系数的计算公式为： 式中αi为特征权重系数， k表示A ‑Scan数据的特 征总数。 4.根据权利 要求3所述方法， 其特征在于， 计算所述重新分配权重的A ‑Scan数据的过程 包括： 把所述特 征权重系数与输入数据相乘， 获得重新分配权 重的输入数据： 其中， xi为原始输入数据； 为分配权 重的输入数据； 对特征权重系数进行加权求和： 式中Attention Value为A ttention数值。 5.根据权利要求4所述方法， 其特征在于， 使用卷积神经网络对所述重新分配权重的A ‑ Scan数据进行 特征提取， 并根据提取的特 征进行树 根半径和深度的预测包括： 使用卷积层来提取特征信息， 所述卷积层使用3 ×1一维卷积核， 以步长为1的方式进行 卷积来完成特征提取； 池化层减小网络结构的参数并保持特征不变； 全连接层将所述卷积 层提取的特征信息综合为A ‑Scan数据的全局特征， 最 终根据所述全局特征预测树根的半径权　利　要　求　书 1/2 页 2 CN 114330917 A 2和深度。 6.根据权利要求5所述的方法， 其特征在于， 所述卷积层的激活函数为ReLU函数， 所述 全连接层的激活函数都是PReLU函数。 7.根据权利要求1所述的方法， 其特 征在于， 所述深度学习预测模型的训练过程包括： 步骤1： 对土壤和树 根进行建模， 构建立体空间模型， 设置空间模型参数； 步骤2： 使用所述 立体空间模型随机生成数据集； 步骤3： 使用所述数据集完成所述深度学习预测模型的调参和训练。 8.根据权利要求7 所述的方法， 其特 征在于， 所述 步骤1还包括： 步骤11： 使用基于时域有限差分FDTD方法求解麦克斯韦方程的开源软件gprMax生成仿 真数据， 设置模型 的尺寸、 空间离散化步长， 其中树根理想化为圆柱体， 探地雷达天线与树 根之间的介质设置为干 沙； 步骤12： 设置 干沙的介电常数、 根系的相对介电常数、 树 根半径和深度； 步骤13： 设置仿真数据中使用的天线， 仿真生成的单个A ‑Scan作为所述数据集中的一 条数据。 9.根据权利要求8所述的方法， 其特 征在于， 所述 步骤3还包括： 步骤31： 使用所述数据集进行调参， 模型的损失函数使用均方误差， 并采用Adam函数最 小化实际值与预测值之间的均方误差， 设置有偏一阶矩估计的指数衰减因子、 有偏二阶矩 估计的指数衰减因子和预测模型的学习率； 步骤32： 使用调好参数的模型进行训练： 设置模型迭代次数和每批次样本数量大小， 在 训练过程中， 记录每次迭代的损失值 Loss和决定系数R2。 10.一种基于深度学习的树根半径和深度预测系统， 其特征在于， 所述系统包括： 输入 模块、 分别与所述输入 模块连接的树 根半径预测模块、 树 根深度预测模块； 所述树根半径预测模块和树根深度预测模块均包括： 依次连接的注意力模块、 卷积层、 池化层、 全连接层和输出模块； 所述预测系统以数值化的A ‑Scan数据作为输入， 通过所述注意力模块突出重要特征信 息， 然后使用所述卷积层提取特征信息， 池化层减小网络结构的参数并保持特征不变， 提高 模型泛化能力， 最后通过所述全连接层将所述卷积层提取的特征综合为A ‑Scan数据的全局 特征， 完成对根系半径或深度的预测， 并通过 所述输出模块输出 预测结果。权　利　要　求　书 2/2 页 3 CN 114330917 A 3