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

本发明专利技术公开了一种基于1DCNN

【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FasterR
‑
CNN建立了蚜虫、红蜘蛛等物种虫害的识别模型并依靠此模型建立了移动应用用于指导农民农药使用。
[0004]上述算法虽然可以取得一定的识别效果，但是对于整体的虫害情况把握是有局限性，由于蚜虫体型较小，迁移性强，藏匿于植株各个位置，相机很难进行定点捕捉，并且，环境因素是影响虫害的关键因素，虫害的发生离不开相应的环境因子影响，对于现代化的设施农业来说，如何结合“环境
‑
虫害”间的相互作用关系，建立预警模型，对于虫害的防控是一个至关重要的问题。

技术实现思路

[0005]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0006]本专利技术提供了一种基于1DCNN
‑
LSTM多源信息融合模型的日光温室蚜虫预警方法，能够对日光温室内蚜虫发生量及虫株率进行预测，并对即将发生的蚜虫发生量和虫株率做出预警，从而为日光温室的虫害预防提供指导，具有一定的植保应用价值。
[0007]为解决上述技术问题，本专利技术通过如下技术方案实现：
[0008]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，具体步骤如下：
[0009]步骤S1：日光温室环境信息采集；
[0010]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；
[0011]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；
[0012]所述虫株率计算公式如下：
[0013]虫株率＝(被害株数/辣椒总株数)
×
100％
[0014]步骤S2：蚜虫发生量和虫株率的灰色关联度分析；
[0015]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；
[0016]所述灰色关联度分析具体流程如下：
[0017]步骤S21：选择特征变量；
[0018]所述特征变量包括固定时间内各环境因子中的最大值、最小值和平均值，即固定时间内的日光温室的最高温度、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。
[0019]步骤S22：选取参考数列及对比数列；
[0020]所述参考数列包括蚜虫发生量和虫株率，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；
[0021]所述对比数列包括固定时间内的最高温度、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，记为x
i
(k)，其中i＝1，2，...，12，依次对应上述对比数列中不同变量，并利用y
j
(k)及x
i
(k)建立关联数组。
[0022]步骤S23：对参考数列和对比数列进行无量纲化；
[0023]所述无量纲化，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。
[0024]步骤S24：计算数组无量纲化后的差值绝对值
[0025]所述差值绝对值计算公式如下：
[0026][0027]步骤S25：计算两极最大差M
j
和两极最小差m
j
；
[0028]所述两极最大差M
j
和两极最小差m
j
在步骤S24计算的差值绝对值基础上计算得到，计算公式如下：
[0029][0030][0031]步骤S26：计算蚜虫发生量和虫株率关于各特征变量的关联系数γ
j
[y
j
(k),x
i
(k)]；
[0032]所述关联系数γ
j
[y
j
(k),x
i
(k)]计算公式如下：
[0033][0034]其中，θ表示分辨系数，取值范围为(0,1)，通常取值为0.5。
[0035]步骤S27：计算蚜虫发生量和虫株率关于各特征变量的灰色关联度γ
j
(y
j
,x
i
)；
[0036]所述灰色关联度γ
j
(y
j
,x
i
)计算公式如下：
[0037][0038]步骤S3：建立1DCNN
‑
LSTM多源信息融合模型；
[0039]所述1DCNN
‑
LSTM由一维卷积神经网络(1DCNN)模型与长短期记忆人工神经网络(LSTM)组成；
[0040]所述1DCN本文档来自技高网...

【技术保护点】

【技术特征摘要】
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

【专利技术属性】
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：