[發(fā)明專利]基于深度學(xué)習(xí)的松材線蟲病災(zāi)害預(yù)測(cè)預(yù)報(bào)方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202110320985.6
• 申請(qǐng)日: 2021-03-25
• 公開（公告）號(hào): CN112861812A
• 公開（公告）日: 2021-05-28
• 發(fā)明（設(shè)計(jì)）人: 周宏威;周宏舉;李曉冬;嚴(yán)善春;王峰;袁新佩;方國(guó)飛;周艷濤
• 申請(qǐng)（專利權(quán)）人: 東北林業(yè)大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06N3/08;G06Q10/04;G06Q50/02
• 代理公司: 成都帝鵬知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 51265
• 代理人: 李華

本發(fā)明公開了一種基于深度學(xué)習(xí)的松材線蟲病災(zāi)害預(yù)測(cè)預(yù)報(bào)方法及裝置，通過設(shè)置采用數(shù)據(jù)預(yù)處理，保證數(shù)據(jù)的可用性和純凈性；采用數(shù)據(jù)擴(kuò)增，同時(shí)通過數(shù)據(jù)擴(kuò)增器盡可能多地增加訓(xùn)練樣本規(guī)模，數(shù)據(jù)補(bǔ)充和數(shù)據(jù)轉(zhuǎn)換數(shù)據(jù)擴(kuò)增技術(shù)被提出，應(yīng)用最多的數(shù)據(jù)擴(kuò)增技術(shù)有圖像隨機(jī)旋轉(zhuǎn)、剪裁、平移、水平和垂直翻轉(zhuǎn)方法，以向模型提供不同環(huán)境的數(shù)據(jù)，再通過優(yōu)化器更新深度學(xué)習(xí)模型的參數(shù)，并將訓(xùn)練集輸出結(jié)果，深度學(xué)習(xí)仍能學(xué)習(xí)到較好的穩(wěn)定的分類特征，避免了傳統(tǒng)特征提取方法的不足采用深度學(xué)習(xí)構(gòu)建模型，通過對(duì)松材線蟲病災(zāi)害預(yù)測(cè)預(yù)報(bào)可有效降低松材線蟲病災(zāi)害程度，進(jìn)而進(jìn)行有效的預(yù)防。

技術(shù)領(lǐng)域

本發(fā)明屬于松材線蟲病災(zāi)害預(yù)測(cè)預(yù)報(bào)技術(shù)領(lǐng)域，具體涉及一種基于深度學(xué)習(xí)的松材線蟲病災(zāi)害預(yù)測(cè)預(yù)報(bào)方法及裝置。

背景技術(shù)

傳統(tǒng)的松材線蟲病災(zāi)害預(yù)測(cè)預(yù)報(bào)方法存在一些不足之處需要進(jìn)行改進(jìn)，首先就是現(xiàn)有的以松材線蟲的生活史、生長(zhǎng)發(fā)育特性、發(fā)生趨勢(shì)和周期為核心進(jìn)行大致推測(cè)，難以做到長(zhǎng)期、穩(wěn)定、有效的預(yù)測(cè)，并且需要投入很多人力物力以及時(shí)間，因此存在一定的局限性。其次蟲害預(yù)測(cè)模型通常只能反映蟲害與環(huán)境因子之間的線性關(guān)系，預(yù)測(cè)精度有限，且模型穩(wěn)定性較弱。其次通過地理信息系統(tǒng)信息監(jiān)測(cè)技術(shù)，再者經(jīng)典的機(jī)器學(xué)習(xí)算法能一定程度上提升模型整體的預(yù)測(cè)精度，但對(duì)于松材線蟲病災(zāi)害數(shù)據(jù)集中少數(shù)類的預(yù)測(cè)效果并沒有提高的問題。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于深度學(xué)習(xí)的松材線蟲病災(zāi)害預(yù)測(cè)預(yù)報(bào)方法，以解決上述背景技術(shù)中提出的問題。

為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種基于深度學(xué)習(xí)的松材線蟲病災(zāi)害預(yù)測(cè)預(yù)報(bào)方法，包括以下步驟：

步驟一，松材線蟲病數(shù)據(jù)的獲取，數(shù)據(jù)的獲取包括結(jié)構(gòu)化數(shù)值數(shù)據(jù)和圖像數(shù)據(jù)集，所述結(jié)構(gòu)化數(shù)值數(shù)據(jù)通過傳感器在線監(jiān)測(cè)獲取，所述圖像數(shù)據(jù)集的獲取包括自行采集和公開數(shù)據(jù)集，所述自行采集圖像數(shù)據(jù)常通過衛(wèi)星遙感和無人機(jī)遙感對(duì)松材線蟲發(fā)病狀態(tài)進(jìn)行拍攝；

步驟二，松材線蟲病數(shù)據(jù)預(yù)處理，對(duì)松材線蟲病獲取的數(shù)據(jù)進(jìn)行預(yù)處理，過程包括松材線蟲病數(shù)據(jù)清洗、松材線蟲病數(shù)據(jù)轉(zhuǎn)換、缺失值處理、松材線蟲病數(shù)據(jù)編碼、松材線蟲病數(shù)據(jù)無量綱化和降維處理，所述松材線蟲病數(shù)據(jù)清洗對(duì)松材線蟲病數(shù)據(jù)特定特征的完整性檢測(cè)，所述松材線蟲病數(shù)據(jù)轉(zhuǎn)換將數(shù)據(jù)從一種格式或結(jié)構(gòu)轉(zhuǎn)換為另一種格式或結(jié)構(gòu)，所述降維處理去除不相關(guān)和冗余的變量，降低分析和生成模型的復(fù)雜性；

步驟三，松材線蟲病數(shù)據(jù)擴(kuò)增，采集松材線蟲病的病樣圖片的數(shù)據(jù)進(jìn)行擴(kuò)增通過圖像隨機(jī)旋轉(zhuǎn)、平移和垂直翻轉(zhuǎn)，向模型提供不同環(huán)境的松材線蟲病數(shù)據(jù)，針對(duì)樣本稀缺、數(shù)據(jù)分裂、樣本邊界重疊和噪聲樣本數(shù)據(jù)不平衡問題，采用數(shù)據(jù)仿真方法進(jìn)行數(shù)據(jù)擴(kuò)增，通過合成少數(shù)類過采樣算法、基于自調(diào)參的改進(jìn)合成少數(shù)類算法、SMOTE算法樣本合成、Boosting集成學(xué)習(xí)算法、AS-SMOTE Boost算法進(jìn)行數(shù)據(jù)的擴(kuò)增；

步驟四，特征選擇，通過松材線蟲病采集擴(kuò)充的數(shù)據(jù)集中己有的特征里選擇若干個(gè)病樣特征使得系統(tǒng)的特定指標(biāo)進(jìn)行最優(yōu)化的篩選，所述特征選擇從原始特征中篩選出特征降低數(shù)據(jù)集的維度，將特征系統(tǒng)中的顏色和紋理進(jìn)行數(shù)據(jù)的提取，進(jìn)而去構(gòu)建深度學(xué)習(xí)模型；

步驟五，構(gòu)建深度學(xué)習(xí)模型，通過GoogleNet，VGG深度學(xué)習(xí)訓(xùn)練模型進(jìn)行網(wǎng)絡(luò)訓(xùn)練，網(wǎng)絡(luò)訓(xùn)練的深度學(xué)習(xí)模型包括輸入層，卷積層，池化層，全連接層，所述構(gòu)建深度學(xué)習(xí)模型包括訓(xùn)練集和測(cè)試集，所述訓(xùn)練集對(duì)數(shù)據(jù)間的規(guī)律進(jìn)行自我學(xué)習(xí)，所述測(cè)試集用于檢驗(yàn)經(jīng)過所述訓(xùn)練集訓(xùn)練后的模型，所述訓(xùn)練集與所述測(cè)試集中數(shù)據(jù)為隨機(jī)提取，通過對(duì)所述訓(xùn)練集與所述測(cè)試集中數(shù)據(jù)為隨機(jī)提取，對(duì)松材線蟲病的發(fā)病的規(guī)律通過深度學(xué)習(xí)模型建立模型曲線，通過GoogleNet，VGG深度學(xué)習(xí)訓(xùn)練模型中的曲線中的規(guī)律進(jìn)行對(duì)松材線蟲病災(zāi)害預(yù)測(cè)預(yù)報(bào)。

作為一種優(yōu)選的實(shí)施方式，所述步驟五中所述訓(xùn)練集輸出結(jié)果，通過損失函數(shù)中的“SMOTE算法樣本”計(jì)算出與驗(yàn)證數(shù)據(jù)的誤差，再通過優(yōu)化器更新深度學(xué)習(xí)模型的參數(shù)，直到“訓(xùn)練誤”差小于“期望值”完成深度學(xué)習(xí)模型的訓(xùn)練。