[發明專利]BP神經網絡模型的訓練方法、病蟲害檢測方法及電子設備

有效

• 申請號: 202110614577.1
• 申請日: 2021-06-02
• 公開（公告）號: CN113255894B
• 公開（公告）日: 2022-12-06
• 發明（設計）人: 廖娟;汪沛;臧禹;姜銳;臧英;周志艷;羅錫文
• 申請（專利權）人: 華南農業大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06N3/12;G06V10/20;G06V10/80;G06V10/82
• 代理公司: 廣州潤禾知識產權代理事務所(普通合伙) 44446
• 代理人: 鄭永泉

1.一種基于BP神經網絡的模型訓練方法，其特征在于，包括：

獲取指標數據、危害等級以及所述指標數據、危害等級對應的待處理受害作物信息；所述指標數據為專業人員對所述待處理受害作物信息進行指標評估后的數據；所述危害等級為專業人員根據所述指標數據對所述待處理受害作物進行危害程度判定后的等級；

對所述待處理受害作物信息進行數據預處理、特征提取和信息配準，獲取特征信息；

基于改進免疫遺傳算法對所述特征信息進行信息融合，獲取融合向量；

基于人工神經網絡/支持向量機，結合所述指標數據對所述融合向量進行分類識別；

基于BP神經網絡模型，根據分類識別后的融合向量對所述待處理受害作物進行危害等級判定，并且根據判定結果驗證和優化BP神經網絡模型的精度，獲取訓練好的BP神經網絡模型；

所述待處理受害作物信息包括：作物生理信息和作物光譜信息；所述作物生理信息包括：株高、葉面積指數和平均葉片傾角；所述作物光譜信息為光譜特性；

所述數據預處理和特征提取包括：

對所述作物生理信息進行增強、濾波、消噪和分割；

對所述作物光譜信息進行平滑、校正、求導、歸一化和降維；

基于最小二乘法從增強、濾波、消噪和分割后的作物生理信息中提取生理特征信息；

基于小波變換理論從平滑、校正、求導、歸一化和降維后的作物光譜信息中提取光譜特征信息；

所述信息配準包括：時間配準和空間配準；

所述時間配準為將所述生理特征信息和所述光譜特征信息通過最小二乘法同步到同一基準時標下；

所述空間配準為將所述生理特征信息的空間坐標按照光譜特征信息的空間坐標進行配準；

所述BP神經網絡模型的目標函數為：

式中，y_t為輸出層第t個神經元的輸出，j為隱藏層神經元，i為輸入層神經元，v_jt為隱藏層至輸出層的連接權值，ω_ij為輸入層至隱藏層的連接權值，x_i為輸入層神經元，θ_j為隱藏層神經元的輸出閾值，γ_t為輸出層神經元的輸出閾值；

所述ω_ij、v_jt、θ_j、γ_t的區間為(-1，1)。

2.根據權利要求1所述的一種基于BP神經網絡的模型訓練方法，其特征在于，所述基于改進免疫遺傳算法對所述特征信息進行信息融合，獲取融合向量包括：

設置編碼方式和參數；所述參數包括：種群規模、選擇率、變異率和終止進化代數；

對所述特征信息進行編碼，生成初始抗體群；

計算所述初始抗體群中每個抗體的親和度、濃度和激勵度；

根據所述親和度、濃度和激勵度對每個抗體進行選擇、交叉和變異操作，獲取新的種群；所述新的種群為融合向量。

3.根據權利要求2所述的一種基于BP神經網絡的模型訓練方法，其特征在于，所述融合向量為：

μ＝(V，R，chromosome)

式中，V為所述生理特征信息，R為所述光譜特征信息，chromosome為種群的最優染色體。

4.根據權利要求2所述的一種基于BP神經網絡的模型訓練方法，其特征在于，所述基于BP神經網絡模型，獲取訓練好的BP神經網絡模型，包括：

初始化BP神經網絡，設置連接權值和閾值；

將分類識別后的融合向量輸入完成初始化的BP神經網絡，獲取第一判定結果；

所述危害等級為第二判定結果；

將第一判定結果和第二判定結果進行對比，驗證BP神經網絡模型的精度，若BP神經網絡模型的精度符合標準，則結束訓練，否則調整參數之后，重新將分類識別后的融合向量輸入完成初始化的BP神經網絡，獲取第一判定結果。

5.一種作物病蟲害檢測方法，其特征在于，包括：

選取侵害物和受害作物；

通過傳感器采集用于判定病蟲害危害程度的受害作物信息；

將受害作物信息輸入已訓練的BP神經網絡模型，以進行作物危害等級的判定；所述BP神經網絡模型是通過上述權利要求1-4中任一項的方法進行訓練后得到的。

6.一種電子設備，其特征在于，包括：

處理器以及存儲器；

所述存儲器上存儲有計算機可讀指令，所述計算機可讀指令被所述處理器執行時實現根據權利要求1-4中任意一項所述的一種基于BP神經網絡的模型訓練方法或根據權利要求5所述的一種作物病蟲害檢測方法。