CN118228944B - 基于人工智能视觉识别的防护林退化调查和评估系统 - Google Patents

Abstract

本发明涉及防护林退化评估技术领域，具体涉及基于人工智能视觉识别的防护林退化调查和评估系统。包括数据获取模块，还包括与数据获取模块输出端连接的风险范围确定模块。通过指定区域来构建虚拟指定平面区域，以在虚拟指定平面区域中确定指定坐标，基于所确定的指定坐标明确无人机所要在指定区域下采集的防护林的图像数据，以实现对防护林内图像数据采集方式的规划，实现对防护林全面且高效的图像数据采集；基于图像数据判定目标图像数据，借助于所确定的指定坐标判定目标指定坐标，结合目标指定坐标和等分线以及退化线构建风险退化区域，以对防护林内的风险退化区域执行精准管控。

Description

基于人工智能视觉识别的防护林退化调查和评估系统

技术领域

本发明涉及防护林退化评估技术领域，具体涉及基于人工智能视觉识别的防护林退化调查和评估系统。

背景技术

目前通过将防护林退化和非退化状态的图像数据通过识别模型训练，能够对后续所采集的防护林的图像数据进行分析，以后续防护林是否处于退化以及退化状态，其中：

在对防护林的图像数据进行识别分析的过程中，目前预先通过无人机航拍采集大量的图像数据，然后进行逐一识别，大量的图像数据通过识别模型逐一识别分析出所存在退化的图像数据，基于所确定的退化的图像数据能够明确防护林实际的退化范围，但是，此方式通过对图像数据逐一分析、识别以调查防护林中所存在的退化区域会极大的产生时间以及资源的损耗，亦使后续在对防护林中的退化区域实施对应的管控措施时造成时间效率上的影响，因此，目前如何将无人机对防护林图像数据的采集进行合理设置规划，以节约资源损耗的同时，也能使防护林中的退化区域实现快速的预测，以便对防护林形成及时的退化状态管控是目前需要解决的问题。

发明内容

针对现有技术所存在的上述缺点，本发明提供了基于人工智能视觉识别的防护林退化调查和评估系统，能够有效解决现有技术中通过对图像数据逐一识别以调查防护林中所存在的退化区域极大时间以及资源损耗，使后续对防护林中的退化区域实施管控措施造成时间影响的问题。

为实现以上目的，本发明通过以下技术方案予以实现：

本发明提供基于人工智能视觉识别的防护林退化调查和评估系统，至少包括：

数据获取模块，其用于确定需要采集图像数据的指定区域，其中：

以指定区域构建轮廓线并生成虚拟指定平面区域，通过在虚拟指定平面区域上确定等分线以及中心点，依据等分线划定标定等分点，以标定等分点确定指定坐标，通过构建点量递向规则以对指定坐标进行调控，依据调控后的指定坐标改变无人机每次获取指定区域下防护林内的图像数据，由此判断处于退化状态防护林的图像数据并标记为目标图像数据；

还包括：

与数据获取模块输出端连接的风险范围确定模块，其用于将目标图像数据对应的指定区域标记为目标指定区域，将目标图像数据对应的指定坐标标记为目标指定坐标，其中，目标指定坐标确定时：

明确目标指定坐标于虚拟指定平面区域内的分布位置，结合指定坐标、目标指定坐标以及等分线构建风险退化区域，以对风险退化区域执行退化管控。

进一步地，所述无人机获取图像数据时，获取无人机的初始位置，以及指定区域的指定坐标，并基于迪杰斯特拉算法或贝尔曼-福特算法构建最短飞行路径。

进一步地，所述指定坐标的确定方法为：

指定区域以等比例缩小构建轮廓线并生成虚拟指定平面区域；

确定虚拟指定平面区域是否为标准形状构造，当为标准形状构造时，于虚拟指定平面区域内确定中心点，以中心点向虚拟指定平面区域的边构建等分线；

在等分线上构建标定等分点，将标定等分点等比例复原至指定区域中，以标定等分点确定指定坐标，以中心点对应中心坐标。

进一步地，所述标准形状构造为：

圆形、正方形以及正三角形；

等分线包括纵向、横向以及斜向，且构建的等分线以将虚拟指定平面区域进行等分，且每个虚拟指定平面区域内的等分线的长度相同。

进一步地，所述标定等分点确定时，设定点量递向规则，点量递向规则是指设置无人机采集图像数据时，所采集的图像数据通过分析识别不为目标图像数据时，后续虚拟指定平面区域重新构建的标定等分点的数量呈逐渐减少，反之则增加，其中：

点量递向规则包括递减式和递增式。

进一步地，所述风险退化区域的确定方法为：

确定目标指定区域内的目标指定坐标，依据目标指定坐标确定与之相邻的指定坐标，明确其是否为目标指定坐标，其中：

当均不为目标指定坐标时，即均为指定坐标，则以目标指定坐标相邻的多个指定坐标且结合中心坐标并进行连接构建风险退化区域。

进一步地，所述风险退化区域的确定方法为：

目标指定坐标确定时，明确数据获取模块上一次于虚拟指定平面区域内构建标定等分点的方式，其中：

当上一次于虚拟指定平面区域内构建标定等分点的方式为递减式时：

确定本次所确定的标定等分点中对应的目标指定坐标，以及确定在上一次虚拟指定平面区域中标定等分点对应的指定坐标；

在同一等分线上确定与目标指定坐标最近的指定坐标并标记为延伸限制坐标，获取本次所确定的标定等分点中对应的目标指定坐标是否处于同一等分线，当均处于同一等分线时：

获取目标指定坐标其相邻的指定坐标是否为目标指定坐标，当不为目标指定坐标时：

将当前的目标指定坐标所处的等分线标记为退化线，以获取退化线其相邻的等分线并标记为风险等分线，以风险等分线上和退化线上的延伸限制坐标构建风险退化区域。

进一步地，所述等分线和标定等分点来确定指定坐标时，设置采集判断阈值，以通过数据获取模块多次分析防护林的图像数据时，且均为正常且未出现目标图像数据，对未出现目标图像数据的虚拟指定平面区域生成监测偏移指令，以改变于虚拟指定平面区域内采集图像数据的方式。

进一步地，还包括：

退化区域管控模块，其用于明确目标图像数据中的退化状态，根据不同的退化状态生成对应的管控处置方式，以依据确定管控处置方式应用于风险退化区域。

本发明提供的技术方案，与已知的现有技术相比，具有如下有益效果：

通过指定区域来构建虚拟指定平面区域，以在虚拟指定平面区域中确定指定坐标，基于所确定的指定坐标明确无人机所要在指定区域下采集的防护林的图像数据，以实现对防护林内图像数据采集方式的规划，实现对防护林全面且高效的图像数据采集及调查；

基于图像数据判定目标图像数据，借助于所确定的指定坐标判定目标指定坐标，结合目标指定坐标和等分线以及退化线构建风险退化区域，以对防护林内的风险退化区域执行精准管控。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的整体模块示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合实施例对本发明作进一步的描述。

实施例1（参阅图1）：基于人工智能视觉识别的防护林退化调查和评估系统，至少包括：

数据获取模块，其用于通过无人机获取指定区域下防护林高分辨率的图像数据，以将所获取的图像数据输入至数据库中与历史图像数据（退化状态防护林的图像数据，此中也可通过获取多种识别模型进行识别，如机器学习模型，决策树模型等通过输入训练的图像数据，便可使机器学习模型，决策树模型等其后续对图像数据进行识别判断，此处不做限制）进行比对是否一致，判断处于退化状态的防护林的图像数据，并将此图像数据标记为目标图像数据。

上述中，需要说明的是，在通过无人机获取指定区域下防护林的图像数据时，预先获取无人机的初始位置（初始坐标），以及指定区域的指定坐标，指定坐标即需要获取图像数据的防护林的坐标，其中，在每一个指定区域内，通过明确指定区域在二维平面内的构造以及面积，在指定区域内划分多个指定坐标，划分指定坐标时，执行如下步骤：

基于所确定的指定区域，对指定区域以等比例缩小（比例值不做限定）构建轮廓线，由此生成虚拟指定平面区域；

确定虚拟指定平面区域是否为标准形状构造，标准形状构造为圆形、正方形以及正三角形，当为标准形状构造时，在虚拟指定平面区域上设置等分线，等分线包括纵向、横向以及斜向，于标准的虚拟指定平面区域内确定中心点，以中心点向虚拟指定平面区域的边构建等分线，且构建的等分线以将虚拟指定平面区域进行等分，且每个虚拟指定平面区域内的等分线的长度相同；

在等分线上构建标定等分点，将标定等分点等比例复原至指定区域中，以标定等分点确定指定坐标，以中心点对应中心坐标；

对于标定等分点需要说明的是，在构建等分点时，确定等分线的长度，以相同的长度匹配相同数量的标定等分点，同时给等分线上的标定等分点设定点量递向规则，点量递向规则是指设置无人机采集图像数据时，在所采集的图像数据通过分析识别不为目标图像数据时，后续无人机采集图像数据（虚拟指定平面区域）重新构建的标定等分点的数量呈逐渐减少，此处点量递向规则为递减式，示例性的给出如：

第一次构建虚拟指定平面区域中等分线的长度为20cm，且设置标定等分点为5，在第一次获取的图像数据中不存在目标图像数据时，后续无人机第二次采集图像数据重新构建的标定等分点则以递减的方式对等分点的数量逐渐减少，本次标定等分点为4，且此次依旧依据虚拟指定平面区域中等分线的长度进行构建的，由此，能够在预先借助于所采集的图像数据明确了防护林是否处于退化的状态后，降低无人机对防护林图像数据的多点采集，以免去不必要的区域图像数据的采集，节约资源损耗；

需要说明的是，对于在无人机采集图像数据时，在所采集的图像数据不为目标图像数据时，后续重新构建的标定等分点的数量呈逐渐减少来说，不对标定等分点数量逐渐减少的判定条件做出限制，即不对无人机采集图像数据为正常的次数进行限定，同时也不对标定等分点初始的点量进行限定，可根据实际情况对应设定即可，如为5、6等，但在初始设定标定等分点时需以等分线的长度进行等比增长，即等分线的长度增大，标定等分点呈正比例增大（如也可以在无人机采集图像数据两次、三次等均未出现目标图像数据时，执行递减式的点量递向规则，后续以此类推，不再赘述）。

进一步地，在上述中阐述了递减式的点量递向规则，那么与之相对的，递增式的点量递向规则与上述同理，如当前的等分点为3，可在下一次对无人机采集的图像数据进行识别，当所判定该图像数据为目标图像数据时，则生成递增式的点量递向规则（等分点为4），由此实现对等分点的自适应确定，以适配当前无人机所采集的防护林的图像数据。

由此通过迪杰斯特拉算法或贝尔曼-福特算法基于多个不同的指定坐标向无人机构建最短飞行路径，此中，因指定区域其内对应多个不同的指定坐标，由此在向无人机构建了最短飞行路径后，便可实现对多个指定区域下图像数据的采集以进行防护林的退化识别，同时因最短飞行路径的限制，能够使无人机在采集图像数据时节约时间、损耗。

以及，与数据获取模块输出端连接的风险范围确定模块，其用于接收数据获取模块所输出的目标图像数据，确定该目标图像数据所对应的指定区域并标记为目标指定区域，将目标指定区域内目标图像数据对应的指定坐标标记为目标指定坐标，其中，目标指定坐标确定时，执行如下步骤：

确定目标指定区域内的目标指定坐标，依据目标指定坐标确定与之相邻的指定坐标，明确其是否为目标指定坐标，其中：

当均不为目标指定坐标时，即均为指定坐标，则以目标指定坐标相邻的多个指定坐标且结合中心坐标并进行连接构建风险退化区域，由此，以形成对防护林内风险退化范围的确定，以便于后续对风险退化区域执行风险管控。

值得说明的是，在目标指定坐标确定时，明确数据获取模块上一次于虚拟指定平面区域内构建标定等分点的方式，其中构建标定等分点的方式为上述的递增式和递减式，因此：

当上一次于虚拟指定平面区域内构建标定等分点的方式为递减式时，说明，本次所规划的标定等分点相对于上一次为减少状态，即等分线上的标定等分点减少，此时：

确定本次所确定的标定等分点中对应的目标指定坐标，以及确定在上一次虚拟指定平面区域中标定等分点对应的指定坐标；

在同一等分线上确定与目标指定坐标最近的指定坐标并标记为延伸限制坐标，紧接着，还需获取本次所确定的标定等分点中对应的目标指定坐标是否处于同一等分线，当均处于同一等分线时：

获取目标指定坐标其相邻的指定坐标是否为目标指定坐标，当不为目标指定坐标时，将当前目标指定坐标所处的等分线标记为退化线，以获取退化线其相邻的等分线并标记为风险等分线，以风险等分线上和退化线上的延伸限制坐标构建风险退化区域，由此精确的确定当前时间下防护林内所形成的退化范围，以便对防护林进行管控。

值得说明的是，在上述中通过等分线和标定等分点来确定指定坐标时，可设置采集判断阈值，以在无人机通过数据获取模块多次（达到采集判断阈值，可设置为3次等不做限制）分析防护林的图像数据时，且均为正常且未出现目标图像数据，以对该未出现目标图像数据的虚拟指定平面区域生成监测偏移指令，其中监测偏移指令是指等分线于虚拟指定平面区域内绕着中心点进行顺时针或逆时针旋转偏移，其中可设置偏移角度阈值，可以既定的偏移角度阈值（如偏移角度阈值预先设定为30度等不做限定，由此使等分线便可以偏移角度阈值在虚拟指定平面区域内进行偏转，实现对等分线以及标定等分点的调整）构建监测偏移指令，由此，能够使无人机在对防护林进行图像数据的采集时，实现全面的图像数据采集并分析；

进一步地，在执行监测偏移指令后，本次无人机进行采集图像数据且存在目标图像数据时，获取目标图像数据对应的目标指定坐标，分析目标指定坐标是否处于同一等分线，当处于时，将目标图像数据所处的等分线标记为退化线，获取当前的退化线与上一次执行监测偏移指令所对应的等分线，以获取与退化线相邻的等分线，以所确定的等分线结合中心点构建风险退化区域。

需要说明的是，在本方案中通过等分线构建风险退化区域时，是以等分线上的两个端点（等分线的两端所对应的指定坐标）进行确定的指定坐标，并结合中心坐标进行构建。

上述中，对于存在目标图像数据的虚拟指定平面区域则不执行监测偏移指令。

还包括：

退化区域管控模块，其用于明确目标图像数据中的退化状态，退化状态包括植被生长退化状态、叶色变化退化状态、病虫害退化状态、枯死退化状态、土壤质量退化状态以及水源枯竭退化状态，由此根据不同的退化状态生成对应的管控处置方式，其中：

植被生长退化状态对应的管控处置方式为：

水肥管理：适当增加水分和肥料供应，改善土壤条件；

修剪更新：对树木进行适当修剪，去除病弱枝，促进树势恢复；

叶色变化退化状态对应的管控处置方式为：

营养补充：根据土壤检测结果，补充缺失的微量元素或矿物质；

病虫害防治：及时发现并处理病虫害问题

病虫害退化状态对应的管控处置方式为：

生物防治：利用天敌昆虫或微生物制剂进行生物防治；

化学防治：在必要时使用农药进行喷洒，控制病虫害的扩散

枯死退化状态对应的管控处置方式为：

清理枯死木：及时移除枯死树木，防止病虫害的扩散；

补植更新：对枯死区域进行补植，选择适应当地环境的树种

土壤质量退化状态对应的管控处置方式为：

土壤改良：通过施用有机肥、石灰或石膏等物质改善土壤结构；

水土保持：实施水土保持措施，如梯田、植被覆盖等，减少土壤侵蚀；

水源枯竭退化状态对应的管控处置方式为：

水资源管理：合理调配水资源，确保防护林的水分需求；

节水灌溉：采用滴灌、喷灌等节水灌溉技术，提高水资源利用效率；

需要说明的是，上述所确定的退化处置方式均是针对于所确定的风险退化区域进行实施的，因此，根据对应的退化处置方式结合风险退化区域明确对应的作业实施人员，由此将对应的作业实施人员分配至风险退化区域内执行退化处置方式，以准确的对防护林内的风险退化区域执行退化管控，降低防护林退化程度的进一步加深。

实施例2

本处通过U-Net算法和yolov8算法构建了backbone模型和SOTA模型，将无人机于不同角度下拍摄的图像数据分别进行识别，以实现对防护林中退化的目标图像数据的判断，此中，具体的识别方法为：

步骤一：确定指定区域，对防护林指定区域拍摄采取两种方式，分别为位于防护林指定区域正上方、平行于防护林指定区域的正射拍摄和角度为0°的防护林指定区域侧面平行拍摄（无人机所采集的图像数据和分为正射和侧面的图像数据），其中：

拍摄原则遵守沿防护林方向从北到南和从东到西的原则，且在实地通过目测法观测防护林退化情况并记录。

步骤二：通过构建backbone模型和yolov8n模型对图像数据进行识别，其中，构建backbone模型的具体步骤为：

S10、采用U-Net算法构建训练backbone模型，首先下载labelme，安装库并运行labelme；

S11、通过对无人机正射图像数据的退化情况进行标注，将颜色变为白色的标注为退化的防护林的图像数据，与正常生长的防护林绿色存在像素区别；

S12、制作无人机正射图像数据集，通过U-net结构通过四个下采样提取目标特征，再通过四个上采样，最后逐个对其像素点进行分类，故可以准确识别正射的图像数据；

S13、backbone模型训练完成后，加载已训练完成的backbone模型进行预测，随后计算均方误差、结构相似性指数、Dice系数、交并比用来评估模型的有效性（此处不进行赘述）；

S14、把防护林正射图像数据放入imp文件中运行backbone模型，根据正射图像数据中像素的区分，得到所拍摄样地防护林正射图像数据中退化树木占总体样地树木的比例，获得样地整体防护林的退化率，由此确定防护林退化等级；

构建yolov8n模型的具体步骤为：

S20、采用yolov8算法构建yolov8n模型，在获取代码后，切换至ultralytics，安装依赖包，配置环境，随后下载labelme，安装库并启动labelme对无人机拍摄的侧面图像数据进行标注并形成数据集，具体是：

退化防护林和正常生长的防护林进行不同类型的标注，在标注过程中分割每棵防护林树木的树干与树冠，不同情况的防护林所采取的标注类型是不同的，以保证对退化情况的准确表示；

S21、标注完成后获得数据集，然后配置训练环境；

S22、通过标注的数据集进行模型训练，训练完成后，在验证集上评估模型性能，评估完成后对图像进行预测，完成构建yolov8n模型；

S23、运行yolov8n模型时，将无人机侧面所拍摄的图像数据放入run文件中运行，根据分割情况得出每棵树木的枯梢率，确定防护林退化程度；

本处，需要说明的是，在确定防护林退化程度时，通常依据《退化防护林修复技术章程》进行得到；

步骤三：将backbone模型和yolov8n模型在TensorFlow框架中合并为同一识别模型，做到从正射图像数据和侧面图像数据两个方面判断防护林的退化情况。

上述中，需要说明的是，在TensorFlow框架中本质为重新构建一个新的识别模型（即把yolov8n模型和backbone模型连接在一起），首先分别搭建backbone模型和yolov8n模型连接的架构，接着定义损失函数、优化目标，需要特别注意因为需要从backbone模型和yolov8n模型中加载对应的参数，故需要分别定义两个saver，经过重新训练则合并为一个新的识别模型，可以同时识别两个角度拍摄的无人机影像、图像数据等。

在上述通过backbone模型yolov8n模型构建识别模型的基础上，对识别模型结果的验证与拟合，具体为：

依据步骤二中的backbone模型和yolov8n模型运行得到判断结果，以及与指定区域下目测所判断的退化数据，其中目测所记录的退化数据为实地观测数据，backbone模型和yolov8n模型得到的均为模型预测数据，由此形成三组数据，对于步骤二所得样地整体防护林的退化率与每棵树木的枯梢率，基于实地观测数据给予验证，在Origin中分别把实地观测数据导入X轴，模型预测数据导入Y轴，对形成的数据点位进行拟合，观察拟合情况，越接近Y=X，模型准确性和可靠性越高。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的保护范围。

Claims (5)

1.基于人工智能视觉识别的防护林退化调查和评估系统，其特征在于，包括数据获取模块，其用于确定需要采集图像数据的指定区域，其中：

以指定区域确定虚拟指定平面区域，通过在虚拟指定平面区域上确定等分线以及中心点，依据等分线划定标定等分点，以标定等分点确定指定坐标，通过构建点量递向规则以对指定坐标进行调控，依据调控后的指定坐标改变无人机每次获取指定区域下防护林内的图像数据，由此判断处于退化状态防护林的图像数据并标记为目标图像数据；

还包括：

与数据获取模块输出端连接的风险范围确定模块，其用于将目标图像数据对应的指定区域标记为目标指定区域，将目标图像数据对应的指定坐标标记为目标指定坐标，其中，目标指定坐标确定时：

明确目标指定坐标于虚拟指定平面区域内的分布位置，结合指定坐标、目标指定坐标以及等分线构建风险退化区域，以对风险退化区域执行退化管控；

指定坐标的确定方法为：

将指定区域以等比例缩小构建轮廓线并生成虚拟指定平面区域；

确定虚拟指定平面区域是否为标准形状构造，当为标准形状构造时，于虚拟指定平面区域内确定中心点，以中心点向虚拟指定平面区域的边构建等分线；

在等分线上构建标定等分点，将标定等分点等比例复原至指定区域中，以标定等分点确定指定坐标，以中心点对应中心坐标；

标准形状构造为：

圆形、正方形以及正三角形；

等分线包括纵向、横向以及斜向，且构建的等分线以将虚拟指定平面区域进行等分，且每个虚拟指定平面区域内的等分线的长度相同；

标定等分点确定时，设定点量递向规则，点量递向规则是指设置无人机采集图像数据时，所采集的图像数据通过分析识别不为目标图像数据时，后续虚拟指定平面区域重新构建的标定等分点的数量呈逐渐减少，反之则增加，其中：

点量递向规则包括递减式和递增式；

风险退化区域的确定方法为：

目标指定坐标确定时，明确数据获取模块上一次于虚拟指定平面区域内构建标定等分点的方式，其中：

当上一次于虚拟指定平面区域内构建标定等分点的方式为递减式时：

确定本次所确定的标定等分点中对应的目标指定坐标，以及确定在上一次虚拟指定平面区域中标定等分点对应的指定坐标；

在同一等分线上确定与目标指定坐标最近的指定坐标并标记为延伸限制坐标，获取本次所确定的标定等分点中对应的目标指定坐标是否处于同一等分线，当均处于同一等分线时：

获取目标指定坐标其相邻的指定坐标是否为目标指定坐标，当不为目标指定坐标时：

将当前的目标指定坐标所处的等分线标记为退化线，以获取退化线其相邻的等分线并标记为风险等分线，以风险等分线上和退化线上的延伸限制坐标构建风险退化区域。

2.根据权利要求1所述的基于人工智能视觉识别的防护林退化调查和评估系统，其特征在于，所述无人机获取图像数据时，获取无人机的初始位置，以及指定区域的指定坐标，并基于迪杰斯特拉算法或贝尔曼-福特算法构建最短飞行路径。

3.根据权利要求1所述的基于人工智能视觉识别的防护林退化调查和评估系统，其特征在于，所述风险退化区域的确定方法为：

确定目标指定区域内的目标指定坐标，依据目标指定坐标确定与之相邻的指定坐标，明确其是否为目标指定坐标，其中：

当均不为目标指定坐标时，即均为指定坐标，则以目标指定坐标相邻的多个指定坐标且结合中心坐标并进行连接构建风险退化区域。

4.根据权利要求1所述的基于人工智能视觉识别的防护林退化调查和评估系统，其特征在于，所述等分线和标定等分点来确定指定坐标时，设置采集判断阈值，以通过数据获取模块多次分析防护林的图像数据时，且均为正常且未出现目标图像数据，对未出现目标图像数据的虚拟指定平面区域生成监测偏移指令，改变于虚拟指定平面区域内采集图像数据的方式。

5.根据权利要求1所述的基于人工智能视觉识别的防护林退化调查和评估系统，其特征在于，还包括：

退化区域管控模块，其用于明确目标图像数据中的退化状态，根据不同的退化状态生成对应的管控处置方式，以依据确定管控处置方式应用于风险退化区域。