一种基于农作物本体概念响应的农作物病害预测方法技术

本发明专利技术公开一种基于农作物本体概念响应的农作物病害预测方法，包括以下步骤：定义局部本体子概念、病害本体建模、构建深度学习模型、本体概念检测、基于监督学习的病害结果预测和基于概念推理的病害结果预测；本发明专利技术在建立病害知识本体的基础上，基于深度学习模型训练对应的本体概念检测器，然后在检测出概念响应后结合监督学习和概念推理技术进行病害结果预测，一方面在基于监督学习进行病害结果预测时尝试对标签中的噪声进行滤除，另一方面通过概念推理降低概念响应的不确定性，充分分析农作物状态表现与病害结果之间关系，在提高病害预测可靠性的同时促进病害反演，并避开了标记数据不足的问题。

【技术实现步骤摘要】
一种基于农作物本体概念响应的农作物病害预测方法
本专利技术涉及农作物病害预测
，尤其涉及一种基于农作物本体概念响应的农作物病害预测方法。
技术介绍
作为国民经济命脉，农业是我国经济建设与发展的重要基础，农作物更是人民生活所需的重要资源，然而，农作物在生长过程中常因多种胁迫而染上各种病害，病害的发生会影响农作物的健康生长并且干扰农作物的重要生理功能，进而导致农作物品质受损和产量下降，给农业生产带来无法计算的损失，特别是近年来，我国农作物的种植面积、品种和数量逐步增长，但气候、生态环境和种植制度等方面的问题导致农作物病害频发，这给农业生产乃至整个国民经济带来严重的负面影响，据统计，每年受疾病影响的作物面积高达数十亿亩，直接粮食作物损失和间接经济作物损失均为数百亿斤，并且这些问题还在呈现逐年恶化趋势，严重威胁到农业的健康发展；传统的农作物病害检测通常借助化学试剂在实验室进行离线分析和测试，这种方法过程复杂且会对环境造成污染，同时，伴随着成像技术和图像处理技术的迅速发展，研究人员开始利用计算机视觉手段进行农作物病害特征监测，比如高光谱图像技术，而现有基于高光谱图像的农作物病害检测研究往往只针对农作物叶片或果实这样的单个部位进行分析，忽略了在不同发展阶段病害会在作物多个部位得到体现的事实，而且基于端到端深度学习模型的病害预测也缺乏对病害结果的分析和反演，因此，本专利技术提出一种基于农作物本体概念响应的农作物病害预测方法以解决现有技术中存在的问题。
技术实现思路
针对上述问题，本专利技术的目的在于提出一种基于农作物本体概念响应的农作物病害预测方法，该方法在建立病害知识本体的基础上，基于深度学习模型训练对应的本体概念检测器，然后在检测出概念响应后结合监督学习和概念推理技术进行病害结果预测，一方面在基于监督学习进行病害结果预测时尝试对标签中的噪声进行滤除，另一方面通过概念推理降低概念响应的不确定性。为实现本专利技术的目的，本专利技术通过以下技术方案实现：一种基于农作物本体概念响应的农作物病害预测方法，包括以下步骤：步骤一：定义局部本体子概念以主要农作物作为研究对象，针对农作物病虫害信息多源和异构的问题，采用集成本体方法，基于综合信息源建立全局共享词汇表通用本体，汇集领域公共概念和元术语词汇，并通过对该公共概念和元术语的形式化描述来定义局部本体子概念，进而在全局共享通用本体的支撑下实现局部本体互操作；步骤二：病害本体建模从多源异构数据中获得的确定性和非确定性知识，构建农作物病虫害本体知识库，然后围绕领域知识特点建立全局共享词汇库，通过人工和半自动化定义农作物叙词表和公共概念，进而建立通用术语词汇库，接着按照病虫害的危害区域、作物品种以及生境信息，分析获得多元异构局部知识源，并在此基础上依据知识源和通用本体概念词汇进行相应的局部本体构建，在此基础上，完成农作物病害本体的概念、属性、实例与关系等元素定义和构建，进而实现农作物病害知识本体映射和本体演化一致性校验；步骤三：构建深度学习模型在数据降维处理和光谱敏感波段提取的基础上，基于TensorFlow和PyTorch平台以卷积神经网络为基本框架对步骤二的本体概念进行检测，针对数据、模型设计和训练方法，利用迁移学习从现有基于高光谱图像和深度学习的农作物病害检测分析领域已有模型中迁移知识，对现有数据库进行利用，然后基于交叉验证结果，对病害本体概念再一次进行完善，删除训练结果较差的概念；步骤四：本体概念检测采取递进模式进行概念检测，先在不区分属性信息的情况下对实体概念进行检测，然后再对实体概念对应的属性概念进行分辨，在训练好实体概念检测器后，以检测到的局部区域块为样本开展各实体概念对应的属性概念分类器训练，并取实体概念响应与属性概念响应的乘积作为区域块在各本体概念组合上的响应结果；步骤五：基于监督学习的病害结果预测进行病害预测，采集样本进行标注，然后根据步骤四，将样本的本体概念检测响应结果作为中间特征并基于有监督学习进行病害结果预测，在训练中对样本进行筛选，基于训练好的概念检测器得到本体概念响应后将其以向量形式组合成中间特征，采用逻辑回归监督机器学习模型进行训练，并在训练中采用正则化法解决过拟合问题；步骤六：基于概念推理的病害结果预测在不使用标记信息的情况下，挖掘本体概念本身的信息和本体概念之间的关联信息，在检测到本体概念响应后根据这些响应结果和知识本体模型进行病害结果预测，在检测到光谱样本中的本体概念响应之后，根据知识本体中概念之间的关联信息，通过筛查互相矛盾概念对候选概念进行过滤，得到对农作物的可靠状态描述，从而利用病害知识本体直接对农作物病害情况进行预测。进一步改进在于：所述步骤一中，主要农作物包括小麦、玉米、棉花、水稻和大豆。进一步改进在于：所述步骤二中，从多源异构数据中获得的确定性和非确定性知识，构建农作物病虫害本体知识库的具体流程为：利用外部源、专家库、文本库及相应的传统知识库作为数据源，对数据进行选择、组合、内化外化和异构语义消除，集成为知识库。进一步改进在于：所述步骤三中，在现有FasterR-CNN、R-FCN、YOLO和SSD这些基于卷积神经网络的目标检测模型的基础上构建概念检测框架，提取图像特征以检测对应的农作物状态概念。进一步改进在于：所述步骤四中，对于整个样本，取所有候选窗口对应某本体概念组合的最大响应值作为该样本在该本体概念上的最终响应结果。进一步改进在于：所述步骤五中，由于标记信息未必可靠，在基于全部样本开展训练后用训练好的模型对样本进行反向检验以删除争议性较强的样本，然后用剩余样本进行微调，从而滤除标记信息不可靠的样本。进一步改进在于：所述步骤六中，得到对农作物的可靠状态描述后，在此基础上，采用推理引擎框架，将病害知识本体对比病害案例库，利用病害知识本体直接对农作物病害情况进行预测。本专利技术的有益效果为：本专利技术在建立病害知识本体的基础上，基于深度学习模型训练对应的本体概念检测器，然后在检测出概念响应后结合监督学习和概念推理技术进行病害结果预测，一方面在基于监督学习进行病害结果预测时尝试对标签中的噪声进行滤除，另一方面通过概念推理降低概念响应的不确定性，综上，本专利技术基于知识本体对农作物进行多角度全方位描述，利用深度学习模型检测本体概念响应后再依据这些响应进行病害检测，充分分析农作物状态表现与病害结果之间关系，在提高病害预测可靠性的同时促进病害反演，进而促进知识获取、共享和迁移，充分考虑了病害发生时的农作物综合状态，为后续病害预测提供了更多知识和依据，且本专利技术在以概念响应为特征进行有监督训练的基础上，尝试对知识本体信息加以利用，基于推理技术进行农作物病害预测，提供了一种不需要进行病害标注就能预测农作物病害结果的手段，从而避开了标记数据不足的问题，基于人工智能的农作物病害检测提供了一种新的思路，同时，本专利技术基于成像技术和人工智能手段对农作物病虫害进行自动化检测，与传统的化学检测方法相比，不但高效准确而且能避免对被测农作物造成不可逆损本文档来自技高网...

【技术保护点】
1.一种基于农作物本体概念响应的农作物病害预测方法，其特征在于，包括以下步骤：/n步骤一：定义局部本体子概念/n以主要农作物作为研究对象，针对农作物病虫害信息多源和异构的问题，采用集成本体方法，基于综合信息源建立全局共享词汇表通用本体，汇集领域公共概念和元术语词汇，并通过对该公共概念和元术语的形式化描述来定义局部本体子概念，进而在全局共享通用本体的支撑下实现局部本体互操作；/n步骤二：病害本体建模/n从多源异构数据中获得的确定性和非确定性知识，构建农作物病虫害本体知识库，然后围绕领域知识特点建立全局共享词汇库，通过人工和半自动化定义农作物叙词表和公共概念，进而建立通用术语词汇库，接着按照病虫害的危害区域、作物品种以及生境信息，分析获得多元异构局部知识源，并在此基础上依据知识源和通用本体概念词汇进行相应的局部本体构建，在此基础上，完成农作物病害本体的概念、属性、实例与关系等元素定义和构建，进而实现农作物病害知识本体映射和本体演化一致性校验；/n步骤三：构建深度学习模型/n在数据降维处理和光谱敏感波段提取的基础上，基于TensorFlow和PyTorch平台以卷积神经网络为基本框架对步骤二的本体概念进行检测，针对数据、模型设计和训练方法，利用迁移学习从现有基于高光谱图像和深度学习的农作物病害检测分析领域已有模型中迁移知识，对现有数据库进行利用，然后基于交叉验证结果，对病害本体概念再一次进行完善，删除训练结果较差的概念；/n步骤四：本体概念检测/n采取递进模式进行概念检测，先在不区分属性信息的情况下对实体概念进行检测，然后再对实体概念对应的属性概念进行分辨，在训练好实体概念检测器后，以检测到的局部区域块为样本开展各实体概念对应的属性概念分类器训练，并取实体概念响应与属性概念响应的乘积作为区域块在各本体概念组合上的响应结果；/n步骤五：基于监督学习的病害结果预测/n进行病害预测，采集样本进行标注，然后根据步骤四，将样本的本体概念检测响应结果作为中间特征并基于有监督学习进行病害结果预测，在训练中对样本进行筛选，基于训练好的概念检测器得到本体概念响应后将其以向量形式组合成中间特征，采用逻辑回归监督机器学习模型进行训练，并在训练中采用正则化法解决过拟合问题；/n步骤六：基于概念推理的病害结果预测/n在不使用标记信息的情况下，挖掘本体概念本身的信息和本体概念之间的关联信息，在检测到本体概念响应后根据这些响应结果和知识本体模型进行病害结果预测，在检测到光谱样本中的本体概念响应之后，根据知识本体中概念之间的关联信息，通过筛查互相矛盾概念对候选概念进行过滤，得到对农作物的可靠状态描述，从而利用病害知识本体直接对农作物病害情况进行预测。/n...

【技术特征摘要】
1.一种基于农作物本体概念响应的农作物病害预测方法，其特征在于，包括以下步骤：
步骤一：定义局部本体子概念
以主要农作物作为研究对象，针对农作物病虫害信息多源和异构的问题，采用集成本体方法，基于综合信息源建立全局共享词汇表通用本体，汇集领域公共概念和元术语词汇，并通过对该公共概念和元术语的形式化描述来定义局部本体子概念，进而在全局共享通用本体的支撑下实现局部本体互操作；
步骤二：病害本体建模
从多源异构数据中获得的确定性和非确定性知识，构建农作物病虫害本体知识库，然后围绕领域知识特点建立全局共享词汇库，通过人工和半自动化定义农作物叙词表和公共概念，进而建立通用术语词汇库，接着按照病虫害的危害区域、作物品种以及生境信息，分析获得多元异构局部知识源，并在此基础上依据知识源和通用本体概念词汇进行相应的局部本体构建，在此基础上，完成农作物病害本体的概念、属性、实例与关系等元素定义和构建，进而实现农作物病害知识本体映射和本体演化一致性校验；
步骤三：构建深度学习模型
在数据降维处理和光谱敏感波段提取的基础上，基于TensorFlow和PyTorch平台以卷积神经网络为基本框架对步骤二的本体概念进行检测，针对数据、模型设计和训练方法，利用迁移学习从现有基于高光谱图像和深度学习的农作物病害检测分析领域已有模型中迁移知识，对现有数据库进行利用，然后基于交叉验证结果，对病害本体概念再一次进行完善，删除训练结果较差的概念；
步骤四：本体概念检测
采取递进模式进行概念检测，先在不区分属性信息的情况下对实体概念进行检测，然后再对实体概念对应的属性概念进行分辨，在训练好实体概念检测器后，以检测到的局部区域块为样本开展各实体概念对应的属性概念分类器训练，并取实体概念响应与属性概念响应的乘积作为区域块在各本体概念组合上的响应结果；
步骤五：基于监督学习的病害结果预测
进行病害预测，采集样本进行标注，然后根据步骤四，将样本的本体概念检测响应结果作为中间特征并基于有监督学习进行病害结果预测，在训练中对样本进行筛选，基于训练好的概念检测器得到本体概念响应后将其以向量形式组合成中间特征，采用逻辑回归监督机器学习模型进行训练，并在训练中采用正则化法解决过拟合问...

【专利技术属性】
技术研发人员：田二林，黄伟，李祖贺，张秋闻，夏永泉，
申请(专利权)人：郑州轻工业大学，
类型：发明
国别省市：河南;41