[发明专利]一种基于深度学习的植物生长状态诊断方法、系统及装置

权利要求书

1.一种基于深度学习的植物生长状态诊断方法，其特征在于，包括：

获取同一环境下，同一植物不同生长状态下的植物电信号；

对所述植物电信号采用经验模态分解，得到重构的植物电信号；

对所述重构后的植物电信号采用小波阈值法进行消噪处理，得到消噪后的植物电信号；

将所述消噪后的植物电信号进行短时傅里叶变换，得到植物电信号的能量图；

将所述能量图输入到深度学习神经网络模型中进行训练，得到训练后的植物生长状态诊断模型；深度学习神经网络模型包括卷积神经网络、长短期记忆神经网络和全连接神经网络；

将待预测的植物电信号输入所述植物生长状态诊断模型进行预测，输出预测结果；

根据所述预测结果确定植物的生长状态。

2.根据权利要求1所述的一种基于深度学习的植物生长状态诊断方法，其特征在于，所述对所述植物电信号采用经验模态分解，得到重构的植物电信号，具体包括：

通过巴特沃斯低通滤波器和自适应工频陷波器对所述植物电信号进行预处理，得到预处理后的植物电信号；

对所述预处理后的植物电信号进行经验模态分解，得到所述植物电信号的若干个本征模态函数；

将低于5Hz的若干个所述本征模态函数进行重构，得到重构的植物电信号。

3.根据权利要求2所述的一种基于深度学习的植物生长状态诊断方法，其特征在于，所述经验模态分解的公式为：

其中，x(t)为预处理后的植物电信号，C_i(t)为第i阶本征模态函数，r_n(t)为第N阶本征模态函数的残余分量，N为本征模态函数的总阶数，n为第N阶本征模态函数。

4.根据权利要求1所述的一种基于深度学习的植物生长状态诊断方法，其特征在于，所述将所述消噪后的植物电信号进行短时傅里叶变换，得到植物电信号的能量图，具体包括：

确定所述植物电信号的窗函数；

利用所述窗函数在所述消噪后的植物电信号上滑动m次，每滑动一次选取一段植物电信号，得到m段植物电信号，将任一段植物电信号用列向量表示，得到若干个列向量；

利用公式对所述列向量进行短时傅里叶变换，获得所述列向量的矩阵图；其中，z(t，f)为植物时频信号,t为采样时间，f为采样频率，z(u)为植物信号源，g(u-t)为窗函数，u-t为窗函数平移的时间长度；

将每个所述列向量的窗函数扩展为一个矩阵，将多个所述矩阵与所述列向量的矩阵图进行点乘，得到所述植物电信号的矩阵图；

将所述植物电信号的矩阵图进行快速傅里叶变换，得到时频矩阵；

根据所述时频矩阵输出不同状态的所述植物电信号的能量图。

5.根据权利要求1所述的一种基于深度学习的植物生长状态诊断方法，其特征在于，所述将所述能量图输入到深度学习神经网络模型中进行训练，得到训练后的植物生长状态诊断模型，具体包括：

将所述能量图输入到所述卷积神经网络的特征提取层进行特征提取，得到一维信号；

将所述一维信号输入到长短期记忆神经网络中进行学习优化，得到优化后的一维信号；

将所述优化后的一维信号输入到全连接神经网络中进行分类，得到分类结果；

判断所述分类结果是否在预设范围内；若所述分类结果在所述预设范围内，则将更新权重参数后的深度学习神经网络模型作为训练后的植物生长状态诊断模型；若所述分类结果不在所述预设范围内，则返回步骤“将所述能量图输入到所述卷积神经网络的特征提取进行特征提取，得到一维信号”。