[发明专利]基于多时序属性元素深度特征的小麦重度病害预测方法

权利要求书

1.一种基于多时序属性元素深度特征的小麦重度病害预测方法，其特征在于，包括以下步骤：

11)基础数据的获取，获取无人机拍摄的多日图像数据集以及环境信息数据；

12)小麦重度病害预测模型的构建，利用深度卷积神经网络以及时序信息存储网络融合小麦病害不同时间发生的环境、图像的语义和位置环境属性后，构造出小麦病害重度预测模型；

所述小麦重度病害预测模型的构建包括以下步骤：

121)环境信息数据和图像信息数据的时域联合学习，对小麦重度病害数据特征建模，选取影响小麦病害发生的若干种环境信息数据以及无人机拍摄的图像信息数据进行时域联合学习；

所述环境信息数据和图像信息数据的时域联合学习包括以下步骤：

1211)设定时域上不变的环境属性元素，K、L、M分别表示品种、土壤类型、地形特征；

设定时域上变化的属性元素，t＝1至t＝T时刻，时域上存在变换的气象C_t、土壤墒情特征描述S_t和图像I_t；

1212)时序信息存储网络更新规则设定如下：

x₀＝T₁*A₁，

x_t＝T₂*{I,A₂}_t，t∈{1,...,T}，

其中，A₁为时域上不变的环境属性元素{K,L,M},A₂为时域上变化的属性元素{I_t,C_t,S_t}，T₁和T₂分别为时序不变属性和时序变化属性的转换矩阵，时序信息存储网络的时序不变环境属性因子特征集为(x₀,x₁,x₂,...,x_T)；

1213)对特征数据进行归一化处理，把数据维度控制在0到1 之间；

1214)设定时序信息存储网络模型的层数划分与时间点相一致,且每一层均设有输入和输出，时序信息存储网络模型首层输入时序不变环境属性因子特征x₀，其影响结果持续传递到每一刻的预测中；

1215)时序信息存储网络模型层第n+1层的输入，

图像经过深度特征提取网络后和时序变化环境属性因子融合共同作为时序信息存储网络模型第n+1层的输入，并按照不同时序拍摄的顺序依次输入时序信息存储网络模型的层次；

1216)设定时序信息存储网络单元模型的前向计算；

122)将多次迭代的时序信息存储网络网络单元最终隐藏层状态ht作为输入传递进输出层，利用softmax函数估计重度病害的概率分布y_t，

y_t＝softmax(W*h_t+b)，

其中，W、b为权值、偏置项；

13)时序信息存储网络和深度卷积神经网络的联合训练，将多日图像数据集作为深度卷积神经网络的训练样本、将环境信息数据作为时序信息存储网络的训练样本，进行两者的联合训练；

14)待预测图像和待预测环境信息数据的获取；

15)小麦重度病害的预测，将待预测图像和待预测环境信息数据输入模型，得到小麦重度病害的预测结果。