【技术实现步骤摘要】
一种基于1DCNN
‑
LSTM多源信息融合模型的日光温室蚜虫预警方法
[0001]本专利技术涉及虫害防控的
,尤其涉及一种基于1DCNN
‑
LSTM多源信息融合模型的日光温室蚜虫预警方法。
技术介绍
[0002]随着全球人口增长,人们对于果蔬的需求越来越大。蚜虫刺吸果蔬茎叶等部位的汁液为食并传播病毒,是影响果蔬品质和生产的主要因素之一,一旦虫害预警不及时,极易产生决策的盲目性,导致农药残留和果蔬的果蔬产量下降。
[0003]依靠日光温室为主的植物生产模式已经成为主流。现有的依靠图像识别的方法包括利用神经网络、支持向量机等传统机器学习算法和YOLO、RCNN等深度学习算法对虫害进行捕捉识别。Ebrahimi,M.A.等在Computers and Electronics in Agriculture(52:58)上发表的论文“Vision
‑
based pest detection based on SVM classification method”利用颜色、饱和度设计了支持向量机的蓟马的检测模型,用于温室内蓟马的监测。Karar,M.E.等在Alexandria Engineering Journal(4423:4432)上发表的论文“A new mobile application of agricultural pests recognition using deep learning in cloud computing system”利用F ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种基于1DCNN
‑
LSTM多源信息融合模型的日光温室蚜虫预警方法,其特征在于,包括如下步骤:步骤S1,日光温室环境信息采集;步骤S2,蚜虫发生量和虫株率的灰色关联度分析;步骤S3,建立1DCNN
‑
LSTM多源信息融合模型;步骤S4,模型训练;步骤S5,模型测试。2.如权利要求1所述的一种基于1DCNN
‑
LSTM多源信息融合模型的日光温室蚜虫预警方法,其特征在于,所述日光温室环境信息采集具体包括:在植物生长周期内固定时间采集日光温室内影响植物生长的环境因子,环境因子包括温湿度、光照强度和二氧化碳浓度,并对固定时间内的蚜虫数目和虫株率进行统计;所述植物生长周期包括从植物送至日光温室进行培养开始到植物收获结束,所述固定时间以3
‑
5天为宜;所述虫株率计算公式如下:虫株率=(被害株数/辣椒总株数)
×
100%3.如权利要求2所述的一种基于1DCNN
‑
LSTM多源信息融合模型的日光温室蚜虫预警方法,其特征在于,所述蚜虫发生量和虫株率的灰色关联度分析具体方法包括:通过灰色关联度分析考察不同环境因子特征变量对于蚜虫发生量及虫株率的影响程度,择取关联度在0.6以上的特征变量用于后续多源信息融合模型的建立。4.如权利要求3所述的一种基于1DCNN
‑
LSTM多源信息融合模型的日光温室蚜虫预警方法,其特征在于,所述灰色关联度分析具体流程如下:步骤S21,将固定时间内各环境因子中的最大值、最小值和平均值,即固定时间内日光温室内的最高温度、最低温度、平均温度、最高相对湿度、最低相对湿度、平均相对湿度、最高光照强度、最低光照强度、平均光照强度、最高二氧化碳浓度、最低二氧化碳浓度和平均二氧化碳浓度作为特征变量;步骤S22,选择蚜虫发生量和虫株率作为参考数列,记为y
j
(k),其中j=1,2,分别对应蚜虫发生量和虫株率,k=1,2,...,20,表示设置灰色关联度分析的数组个数;将固定时间日光温室内的最高温度、最低温度、平均温度、最高相对湿度、最低相对湿度、平均相对湿度、最高光照强度、最低光照强度、平均光照强度、最高二氧化碳浓度、最低二氧化碳浓度、平均二氧化碳浓度作为对比数列,记为x
i
(k),其中i=1,2,...,12,依次对应上述对比数列中最高温度、最低温度、平均温度等不同变量,并利用y
j
(k)及x
i
(k)建立关联数组;步骤S23,采用初值化方法对y
j
(k)及x
i
(k)进行无量纲化,即将数列中每个数都除以第一个数;步骤S24,计算数组无量纲化后的差值绝对值差值绝对值计算公式如下:步骤S25,在步骤S24计算得到差值绝对值的基础上,计算差值绝对值的两极最大差M
技术研发人员:戴敏,王礼星,缪宏,沈雨田,孙文靖,张燕军,张善文,戈林泉,
申请(专利权)人:扬州大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。