【技术实现步骤摘要】
本专利技术属于植物图像预测，具体涉及一种基于深度学习的植物微变化图像数据序列预测方法。
技术介绍
1、植物自然生长缓慢，提早预知其生长发育并解析相应植物表型，能够帮助农业专家较早的获取植物生长发育、贮藏衰老等情况，进而进行表型变异的统计分析、不同性状之间的相关性及调节目标表型编译遗传位点的定位，加强农业全产业链中的检测的时效性。人工智能(ai)技术的最新进展为植物领域的非线性建模方法打开了大门。为了提高植物表型分析程序的速度、可靠性和规模，许多研究人员采用深度学习方法来估计植物和作物图像中的表型信息，因此，这也成为现代“ai+农业”领域极为重要的关键技术和科学手段，也为进一步指导和实施国家农业振兴战略提供技术支持。
2、在过去的几年里，深度学习方法，特别是卷积神经网络在植物表型分析、特征提取和分类研究方面大多都是基于不同种类植物的个体静态图像。而单纯的利用时间依赖性仅能预测单一表型的变化，很难完成植物生长发育更加友好的可视化行为。相比之下，视频帧预测技术通过捕捉视频中帧序列中的长时动态依赖关系和空间相关性，能有效预测未来帧的...
【技术保护点】
1.一种基于深度学习的植物微变化图像数据序列预测方法，其特征在于:包括以下步骤：
2.根据权利要求1所述的基于深度学习的植物微变化图像数据序列预测方法，其特征在于：在S2中，通过可视化及数据空间分布情况在大尺度上的趋势，如果时空序列具有平稳性质，需要满足：
3.根据权利要求1所述的基于深度学习的植物微变化图像数据序列预测方法，其特征在于：在S3中，具体包括以下步骤：
4.根据权利要求3所述的基于深度学习的植物微变化图像数据序列预测方法，其特征在于：所述3.1中，C-LSTML中有如下操作：
5.根据权利要求3所述的基于深...
【技术特征摘要】
1.一种基于深度学习的植物微变化图像数据序列预测方法，其特征在于:包括以下步骤：
2.根据权利要求1所述的基于深度学习的植物微变化图像数据序列预测方法，其特征在于：在s2中，通过可视化及数据空间分布情况在大尺度上的趋势，如果时空序列具有平稳性质，需要满足：
3.根据权利要求1所述的基于深度学习的植物微变化图像数据序列预测方法，其特征在于：在s3中，具体包括以下步骤：
4.根据权利要求3所述的基于深度学习的植物微变化图像数据序列预测方法，其特征在于：所述3.1中，c-lstml中有如下操作：
...【专利技术属性】
技术研发人员：钱春阳，陈存坤，郑海光，吕雄杰，刘伟，董成虎，张娜，郑璞帆，
申请(专利权)人：天津市农业科学院，
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。