一种基于改进卷积神经网络结构的果树生长预测方法技术

本发明专利技术涉及智慧农业领域及深度学习领域，尤其涉及一种基于改进卷积神经网络结构的果树生长预测方法，包括：设计由多个子卷积神经网络模型组成的果树生长预测模型，确定各子卷积神经网络模型的输入输出，设计子卷积神经网络模型，建立果树生长信息资源库，数据化果树种植理论知识、经验知识，训练子卷积神经网络模型，链接训练好的子卷积神经网络模型，生成果树生长预测模型，应用果树生长预测模型生成的预测数据指引农事活动。本发明专利技术新颖的将果树每个阶段的生长状态用一个子神经网络模型来拟合，为各农事活动的实施及施肥、施药等的用量进行了更精准的把控，对果树病虫害等亚健康状态提前预警，为果树的健康成长提供了更精准的科学依据。的科学依据。的科学依据。

【技术实现步骤摘要】
一种基于改进卷积神经网络结构的果树生长预测方法


[0001]本专利技术涉及智慧农业领域及深度学习领域，尤其涉及一种基于改进卷积神经网络结构的果树生长预测方法。

技术介绍

[0002]对果树的生长状态进行精准预测，1、能提前发现果树的病虫害等亚健康状态，从而更早的治理及防护，减少亚健康状态对果树的持续危害；2、对果树生长预测数据进行分析，结合果树种植理论知识及先验知识，为各农事活动的实施及施肥、施药等的用量提供更精准的把控；3、通过传感器及预测系统，农户能足不出户掌握果树生长的实时状态，节省了劳动力；4、果树生长预测模型是智慧农业大数据平台中不可缺少的模块。
[0003]然而果树生长预测模型的搭建存在以下难点：1、影响果树生长状态的因素很多，如果没有全盘考虑的话，那就不能对果树生长状态进行精准预测；2、影响果树生长状态的因素如何数据化及如何结合在一起，从而生成预测模型；3、果树的生长状态是动态的，且与果树之前的生长状态有关；4、果树生长状态的预测还有果树种植理论知识及经验知识有关，如何把种植技术融入到预测模型中？
[0004]因此，急需能融合果树历史生长状态、当前的环境数据、果树种植理论知识及经验知识，能动态预测、实时更新的果树生长预测模型。

技术实现思路

[0005]本专利技术的目的是克服上述现有技术的缺点，提供了提出一种基于改进卷积神经网络结构的果树生长预测方法。首先设计果树生长预测模型；接着确定各子卷积神经网络模型的输入输出，再根据预测模型的特征及输入输出的数据特点设计子卷积神经网络模型；同时建立果树生长信息数据库及数据化果树种植理论知识、经验知识；再应用果树生长信息数据库训练子卷积神经网络模型并采用数据化的果树种植理论知识、经验知识进行监督学习；接着链接训练好的子卷积神经网络模型，形成果树生长预测模型；最后应用果树生长预测模型生成的预测数据指引农事活动。
[0006]本专利技术可以通过以下技术方案来实现：
[0007]一种基于改进卷积神经网络结构的果树生长预测方法，所述方法包含以下步骤：
[0008]S1,设计由多个子卷积神经网络模型组成的果树生长预测模型；
[0009]S2，确定各子卷积神经网络模型的输入输出；
[0010]S3，设计子卷积神经网络模型；
[0011]S4，建立果树生长信息资源库；
[0012]S5，数据化果树种植理论知识、经验知识；
[0013]S6，训练子卷积神经网络模型；
[0014]S7，链接训练好的子卷积神经网络模型，形成果树生长预测模型；
[0015]S8，应用果树生长预测模型生成的预测数据指引农事活动。
[0016]进一步的，在S1中：该预测模型综合考虑了果树生长周期、果树生长状态的历史数据及当前环境数据，该预测模型由多级子卷积神经网络模型级联组合而成，果树生长状态的历史数据即是前级子卷积神经网络模型的输出。
[0017]进一步的，在S3中，子卷积神经网络是由改进的ResNet构成。
[0018]进一步的，在S4中，果树生长及相关环境数据按果树的品种、果树的树龄分门归类，同一树龄及品种的不同果树的相关生长及环境数据被归为同一数据集，该数据集将用于子卷积神经网络模型的训练。
[0019]进一步的，在S6中，训练子卷积神经网络模型除了应用S4中的数据外，还应用S5中的果树种植理论知识数据及经验数据进行监督学习。
[0020]进一步的，改进的ResNet为对经典ResNet进行了裁剪，使其符合输入输出数据的特点；在裁剪后的ResNet中增加挤积块(Squeeze and ExcitationBlock)。
[0021]进一步的，所述改进的ResNet由23层构成，包括20层增加了挤积块的残差卷积层及两层全连接层和一层分类层，输入数据首先经过包含了残差结构的卷积层，卷积核为3*3*64，再通过批归一化处理及最大池化，最后到挤积块；输入数据后到挤积块的过程重复十次，形成20层卷积层；然后进入全连接层(全连接层由1024个节点组成)，批归一化处理，Relu激活函数，再到随机失活函数，再接一个全连接层，再接softmax分类器，处理后的数据通过输出层输出。
[0022]本专利技术与现有的技术相比有如下优点：
[0023]将果树每个阶段的生长状态用一个子神经网络模型来拟合，将历史数据(上一个子神经网络模型的输出)及当前环境参数数据做为当前子神经网络模型的输入，实现了模型与当前果树生长时期的更精准匹配，也解决了历史生长数据与当前环境数据融合问题；在模型训练时加入先验知识及理论知识，解决了理论知识与环境参数相融的问题，完善了果树生长参数的类别，提高了果树生长参数预测的准确性；对果树生长状态实时监控及分析，为各农事活动的实施及施肥、施药等的用量进行了更精准的把控，对果树病虫害等亚健康状态提前预警，为果树的健康成长提供了更精准的科学依据。
【附图说明】
[0024]下面结合附图对本专利技术的具体实施方式作进一步详细说明，其中：
[0025]图1为果树生长预测模型；
[0026]图2为改进的残差网络模型；
[0027]图3为挤积块的结构；
[0028]图4为精准农事活动预测步骤；
【具体实施方式】
[0029]下面结合附图对本专利技术的实施方式作详细说明：
[0030]本专利技术所提果树生长预测模型如图1所示；
[0031]本专利技术公开了一种基于改进卷积神经网络结构的果树生长预测方法，根据果树生长周期确定，确定果树生长过程中的预测节点，每个预测节点对一个子卷积神经网络，本专利技术中的子卷积神经网络采用改进的残差网络IResnet,该残差网络的输入由当前的环境参
数及上级子卷积神经网络的输出组成，
ɑ
n,1
……
P
代表第n级的输入环境参数，小标逗号的左边数字为子卷积神经网络的级数，逗号右边代表输入环境参数的种类及序号；O
n,1
……
m
代表第n级子卷积神经网络的输出，即果树生长的预测数据，将传输至智慧农业数据终端进行显示，或者发送至农户手机APP上。
[0032]本专利技术所提改进残差网络即IResnet如图2所示：对经典Resnet(残差网络)进行了裁剪，使其符合输入输出数据的特点，在裁剪后的ResNet中增加挤积块(SqueezeandExcitationBlock)。改进的ResNet由23层构成，包括20层增加了挤积块的残差卷积层及两层全连接层和一层分类层。输入数据首先经过包含了残差结构的卷积层，卷积核为3*3*64，再通过批归一化处理及最大池化，最大池化选用2*2，最后到挤积块；上述过程重复十次，形成20层卷积层；然后进入全连接层(全连接层由1024个节点组成)，批归一化处理，Relu激活函数，再到随机失活函数，再接一个全连接层，再接softmax分类器，处理后的数据通过输出层输出。Relu激活函数和随机失本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进卷积神经网络结构的果树生长预测方法，其特征在于：所述方法包含以下步骤：S1,设计由多个子卷积神经网络模型组成的果树生长预测模型；S2，确定各子卷积神经网络模型的输入输出；S3，设计子卷积神经网络模型；S4，建立果树生长信息资源库；S5，数据化果树种植理论知识、经验知识；S6，训练子卷积神经网络模型；S7，链接训练好的子卷积神经网络模型，形成果树生长预测模型；S8，应用果树生长预测模型生成的预测数据指引农事活动。2.根据权利要求1所述的基于改进卷积神经网络结构的果树生长预测方法，其特征在于：在S1中：该预测模型综合考虑了果树生长周期、果树生长状态的历史数据及当前环境数据，该预测模型由多级子卷积神经网络模型级联组合而成，果树生长状态的历史数据即是前级子卷积神经网络模型的输出。3.根据权利要求1所述的基于改进卷积神经网络结构的果树生长预测方法，其特征在于：在S3中，子卷积神经网络是由改进的ResNet构成。4.根据权利要求1所述的基于改进卷积神经网络结构的果树生长预测方法，其特征在于：在S4中，果树生长及相关环境数据按果树的品种、果树的树龄分门归类，同一树龄及品种的不同果树的相关生长及环境数据被归...

【专利技术属性】
技术研发人员：朱斌，李麟，廖文志，何海清，
申请(专利权)人：江西裕丰智能农业科技有限公司，
类型：发明
国别省市：