[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

说明书

基于多时序属性元素深度特征的小麦重度病害预测方法，包括第一步、基础数据的获取；第二步、小麦重度病害预测模型的构建；第三步、时序信息存储网络和深度卷积神经网络的联合训练；第四步、待预测图像和待预测环境信息数据的获取；第五步、小麦重度病害的预测。该方法将单条地址的匹配效率从1min左右降低到约2.2s；匹配结果在匹配度与精确度指标上更均衡，对推动智慧城市的构建具有较高的应用价值。该方法能自动学习和获知数据序列中不同时间段小麦病害的程度，从而实现针对于小麦重度病害的预测。通过对现有因素的分析计算，预测出小麦病害的发展趋势。

技术领域

本发明涉及农业植保预测技术领域，具体涉及基于多时序属性元素深度特征的小麦重度病害预测方法。

背景技术

当下农业大数据正在驱动农业生产向精准化、智能化转变，数据逐渐成为现代农业生产中新兴的生产要素。围绕农田环境下小麦病害大数据表示、识别与预测的模型研究仍处于起步阶段，无论在理论上还是算法上，都还不够完善。特别是，传统的小麦病害识别技术只能识别或预测出病害和非病害小麦，而对于小麦的病害程度则无法判断，而在实际应用中，重度病害的预测对于小麦病害的前期防治有着重要的作用。

现有的小麦病害预测模型研究受限于以下两个方面：影响小麦病害发生的环境信息是复杂多因素，环境信息和获取的直观图像数据具有很高的相关性；其次，没有考虑到小麦病害数据时间观测之间的依赖关系，传统的基于线性回归或神经网络方法无法建模时序预测，以至于其无法预测出重度病害。

小麦病害发生的过程要经历多个状态，对应很多的时间阶段。病害在每个时间段也呈现出不同的特征状态，重度病害是基于从无到有，从轻度、中度演变而来的，不同时间点之间又具有很高的相关性。

因此，如何研发一种能够预测出小麦重度病害的方法已经成为急需解决的技术问题。

发明内容

本发明的目的在于提供基于多时序属性元素深度特征的小麦重度病害预测方法，解决现有技术无法分析小麦病害数据时间观测之间的依赖关系，没有实现建模时序预测，以至于无法通过现有信息预测出重度病害的缺陷。

所述的基于多时序属性元素深度特征的小麦重度病害预测方法，包括以下步骤：

第一步、基础数据的获取：所述基础数据包括拍摄的图像数据集和环境信息数据；

第二步、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发生的环境信息、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；

第三步、时序信息存储网络和深度卷积神经网络的联合训练：将多日的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；

第四步、待预测图像和待预测环境信息数据的获取；

第五步、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。

优选的，所述第二步具体包括以下步骤：

S2.1、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拍摄的图像信息数据进行时域联合学习；

S2.2、将多次迭代的时序信息存储网络的网络单元最终隐藏层状态h(t)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分别为权值、偏置项。

优选的，所述步骤S2.1具体包括以下步骤：