[发明专利]基于深度学习的松材线虫病灾害预测预报方法及装置

说明书

本发明公开了一种基于深度学习的松材线虫病灾害预测预报方法及装置，通过设置采用数据预处理，保证数据的可用性和纯净性；采用数据扩增，同时通过数据扩增器尽可能多地增加训练样本规模，数据补充和数据转换数据扩增技术被提出，应用最多的数据扩增技术有图像随机旋转、剪裁、平移、水平和垂直翻转方法，以向模型提供不同环境的数据，再通过优化器更新深度学习模型的参数，并将训练集输出结果，深度学习仍能学习到较好的稳定的分类特征，避免了传统特征提取方法的不足采用深度学习构建模型，通过对松材线虫病灾害预测预报可有效降低松材线虫病灾害程度，进而进行有效的预防。

技术领域

本发明属于松材线虫病灾害预测预报技术领域，具体涉及一种基于深度学习的松材线虫病灾害预测预报方法及装置。

背景技术

传统的松材线虫病灾害预测预报方法存在一些不足之处需要进行改进，首先就是现有的以松材线虫的生活史、生长发育特性、发生趋势和周期为核心进行大致推测，难以做到长期、稳定、有效的预测，并且需要投入很多人力物力以及时间，因此存在一定的局限性。其次虫害预测模型通常只能反映虫害与环境因子之间的线性关系，预测精度有限，且模型稳定性较弱。其次通过地理信息系统信息监测技术，再者经典的机器学习算法能一定程度上提升模型整体的预测精度，但对于松材线虫病灾害数据集中少数类的预测效果并没有提高的问题。

发明内容

本发明的目的在于提供一种基于深度学习的松材线虫病灾害预测预报方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于深度学习的松材线虫病灾害预测预报方法，包括以下步骤：

步骤一，松材线虫病数据的获取，数据的获取包括结构化数值数据和图像数据集，所述结构化数值数据通过传感器在线监测获取，所述图像数据集的获取包括自行采集和公开数据集，所述自行采集图像数据常通过卫星遥感和无人机遥感对松材线虫发病状态进行拍摄；

步骤二，松材线虫病数据预处理，对松材线虫病获取的数据进行预处理，过程包括松材线虫病数据清洗、松材线虫病数据转换、缺失值处理、松材线虫病数据编码、松材线虫病数据无量纲化和降维处理，所述松材线虫病数据清洗对松材线虫病数据特定特征的完整性检测，所述松材线虫病数据转换将数据从一种格式或结构转换为另一种格式或结构，所述降维处理去除不相关和冗余的变量，降低分析和生成模型的复杂性；

步骤三，松材线虫病数据扩增，采集松材线虫病的病样图片的数据进行扩增通过图像随机旋转、平移和垂直翻转，向模型提供不同环境的松材线虫病数据，针对样本稀缺、数据分裂、样本边界重叠和噪声样本数据不平衡问题，采用数据仿真方法进行数据扩增，通过合成少数类过采样算法、基于自调参的改进合成少数类算法、SMOTE算法样本合成、Boosting集成学习算法、AS-SMOTE Boost算法进行数据的扩增；

步骤四，特征选择，通过松材线虫病采集扩充的数据集中己有的特征里选择若干个病样特征使得系统的特定指标进行最优化的筛选，所述特征选择从原始特征中筛选出特征降低数据集的维度，将特征系统中的颜色和纹理进行数据的提取，进而去构建深度学习模型；

步骤五，构建深度学习模型，通过GoogleNet，VGG深度学习训练模型进行网络训练，网络训练的深度学习模型包括输入层，卷积层，池化层，全连接层，所述构建深度学习模型包括训练集和测试集，所述训练集对数据间的规律进行自我学习，所述测试集用于检验经过所述训练集训练后的模型，所述训练集与所述测试集中数据为随机提取，通过对所述训练集与所述测试集中数据为随机提取，对松材线虫病的发病的规律通过深度学习模型建立模型曲线，通过GoogleNet，VGG深度学习训练模型中的曲线中的规律进行对松材线虫病灾害预测预报。

作为一种优选的实施方式，所述步骤五中所述训练集输出结果，通过损失函数中的“SMOTE算法样本”计算出与验证数据的误差，再通过优化器更新深度学习模型的参数，直到“训练误”差小于“期望值”完成深度学习模型的训练。