CN111968003A - 一种基于农作物本体概念响应的农作物病害预测方法 - Google Patents
一种基于农作物本体概念响应的农作物病害预测方法 Download PDFInfo
- Publication number
- CN111968003A CN111968003A CN202010919140.4A CN202010919140A CN111968003A CN 111968003 A CN111968003 A CN 111968003A CN 202010919140 A CN202010919140 A CN 202010919140A CN 111968003 A CN111968003 A CN 111968003A
- Authority
- CN
- China
- Prior art keywords
- ontology
- concept
- disease
- crop
- knowledge
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 143
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 143
- 230000004044 response Effects 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000013136 deep learning model Methods 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims description 34
- 241000607479 Yersinia pestis Species 0.000 claims description 15
- 238000011160 research Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000013508 migration Methods 0.000 claims description 5
- 230000005012 migration Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 229920000742 Cotton Polymers 0.000 claims description 3
- 244000068988 Glycine max Species 0.000 claims description 3
- 235000010469 Glycine max Nutrition 0.000 claims description 3
- 241000219146 Gossypium Species 0.000 claims description 3
- 235000021307 Triticum Nutrition 0.000 claims description 3
- 235000010716 Vigna mungo Nutrition 0.000 claims description 3
- 240000001417 Vigna umbellata Species 0.000 claims description 3
- 235000011453 Vigna umbellata Nutrition 0.000 claims description 3
- 240000008042 Zea mays Species 0.000 claims description 3
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 claims description 3
- 235000002017 Zea mays subsp mays Nutrition 0.000 claims description 3
- 230000008094 contradictory effect Effects 0.000 claims description 3
- 235000005822 corn Nutrition 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 230000000750 progressive effect Effects 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 244000098338 Triticum aestivum Species 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 10
- 230000001737 promoting effect Effects 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 description 6
- 241000238631 Hexapoda Species 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 241000209140 Triticum Species 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 239000000575 pesticide Substances 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001314 paroxysmal effect Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于农作物本体概念响应的农作物病害预测方法,包括以下步骤:定义局部本体子概念、病害本体建模、构建深度学习模型、本体概念检测、基于监督学习的病害结果预测和基于概念推理的病害结果预测;本发明在建立病害知识本体的基础上,基于深度学习模型训练对应的本体概念检测器,然后在检测出概念响应后结合监督学习和概念推理技术进行病害结果预测,一方面在基于监督学习进行病害结果预测时尝试对标签中的噪声进行滤除,另一方面通过概念推理降低概念响应的不确定性,充分分析农作物状态表现与病害结果之间关系,在提高病害预测可靠性的同时促进病害反演,并避开了标记数据不足的问题。
Description
技术领域
本发明涉及农作物病害预测技术领域,尤其涉及一种基于农作物本体概念响应的农作物病害预测方法。
背景技术
作为国民经济命脉,农业是我国经济建设与发展的重要基础,农作物更是人民生活所需的重要资源,然而,农作物在生长过程中常因多种胁迫而染上各种病害,病害的发生会影响农作物的健康生长并且干扰农作物的重要生理功能,进而导致农作物品质受损和产量下降,给农业生产带来无法计算的损失,特别是近年来,我国农作物的种植面积、品种和数量逐步增长,但气候、生态环境和种植制度等方面的问题导致农作物病害频发,这给农业生产乃至整个国民经济带来严重的负面影响,据统计,每年受疾病影响的作物面积高达数十亿亩,直接粮食作物损失和间接经济作物损失均为数百亿斤,并且这些问题还在呈现逐年恶化趋势,严重威胁到农业的健康发展;
传统的农作物病害检测通常借助化学试剂在实验室进行离线分析和测试,这种方法过程复杂且会对环境造成污染,同时,伴随着成像技术和图像处理技术的迅速发展,研究人员开始利用计算机视觉手段进行农作物病害特征监测,比如高光谱图像技术,而现有基于高光谱图像的农作物病害检测研究往往只针对农作物叶片或果实这样的单个部位进行分析,忽略了在不同发展阶段病害会在作物多个部位得到体现的事实,而且基于端到端深度学习模型的病害预测也缺乏对病害结果的分析和反演,因此,本发明提出一种基于农作物本体概念响应的农作物病害预测方法以解决现有技术中存在的问题。
发明内容
针对上述问题,本发明的目的在于提出一种基于农作物本体概念响应的农作物病害预测方法,该方法在建立病害知识本体的基础上,基于深度学习模型训练对应的本体概念检测器,然后在检测出概念响应后结合监督学习和概念推理技术进行病害结果预测,一方面在基于监督学习进行病害结果预测时尝试对标签中的噪声进行滤除,另一方面通过概念推理降低概念响应的不确定性。
为实现本发明的目的,本发明通过以下技术方案实现:一种基于农作物本体概念响应的农作物病害预测方法,包括以下步骤:
步骤一:定义局部本体子概念
以主要农作物作为研究对象,针对农作物病虫害信息多源和异构的问题,采用集成本体方法,基于综合信息源建立全局共享词汇表通用本体,汇集领域公共概念和元术语词汇,并通过对该公共概念和元术语的形式化描述来定义局部本体子概念,进而在全局共享通用本体的支撑下实现局部本体互操作;
步骤二:病害本体建模
从多源异构数据中获得的确定性和非确定性知识,构建农作物病虫害本体知识库,然后围绕领域知识特点建立全局共享词汇库,通过人工和半自动化定义农作物叙词表和公共概念,进而建立通用术语词汇库,接着按照病虫害的危害区域、作物品种以及生境信息,分析获得多元异构局部知识源,并在此基础上依据知识源和通用本体概念词汇进行相应的局部本体构建,在此基础上,完成农作物病害本体的概念、属性、实例与关系等元素定义和构建,进而实现农作物病害知识本体映射和本体演化一致性校验;
步骤三:构建深度学习模型
在数据降维处理和光谱敏感波段提取的基础上,基于TensorFlow和PyTorch平台以卷积神经网络为基本框架对步骤二的本体概念进行检测,针对数据、模型设计和训练方法,利用迁移学习从现有基于高光谱图像和深度学习的农作物病害检测分析领域已有模型中迁移知识,对现有数据库进行利用,然后基于交叉验证结果,对病害本体概念再一次进行完善,删除训练结果较差的概念;
步骤四:本体概念检测
采取递进模式进行概念检测,先在不区分属性信息的情况下对实体概念进行检测,然后再对实体概念对应的属性概念进行分辨,在训练好实体概念检测器后,以检测到的局部区域块为样本开展各实体概念对应的属性概念分类器训练,并取实体概念响应与属性概念响应的乘积作为区域块在各本体概念组合上的响应结果;
步骤五:基于监督学习的病害结果预测
进行病害预测,采集样本进行标注,然后根据步骤四,将样本的本体概念检测响应结果作为中间特征并基于有监督学习进行病害结果预测,在训练中对样本进行筛选,基于训练好的概念检测器得到本体概念响应后将其以向量形式组合成中间特征,采用逻辑回归监督机器学习模型进行训练,并在训练中采用正则化法解决过拟合问题;
步骤六:基于概念推理的病害结果预测
在不使用标记信息的情况下,挖掘本体概念本身的信息和本体概念之间的关联信息,在检测到本体概念响应后根据这些响应结果和知识本体模型进行病害结果预测,在检测到光谱样本中的本体概念响应之后,根据知识本体中概念之间的关联信息,通过筛查互相矛盾概念对候选概念进行过滤,得到对农作物的可靠状态描述,从而利用病害知识本体直接对农作物病害情况进行预测。
进一步改进在于:所述步骤一中,主要农作物包括小麦、玉米、棉花、水稻和大豆。
进一步改进在于:所述步骤二中,从多源异构数据中获得的确定性和非确定性知识,构建农作物病虫害本体知识库的具体流程为:利用外部源、专家库、文本库及相应的传统知识库作为数据源,对数据进行选择、组合、内化外化和异构语义消除,集成为知识库。
进一步改进在于:所述步骤三中,在现有FasterR-CNN、R-FCN、YOLO和SSD这些基于卷积神经网络的目标检测模型的基础上构建概念检测框架,提取图像特征以检测对应的农作物状态概念。
进一步改进在于:所述步骤四中,对于整个样本,取所有候选窗口对应某本体概念组合的最大响应值作为该样本在该本体概念上的最终响应结果。
进一步改进在于:所述步骤五中,由于标记信息未必可靠,在基于全部样本开展训练后用训练好的模型对样本进行反向检验以删除争议性较强的样本,然后用剩余样本进行微调,从而滤除标记信息不可靠的样本。
进一步改进在于:所述步骤六中,得到对农作物的可靠状态描述后,在此基础上,采用推理引擎框架,将病害知识本体对比病害案例库,利用病害知识本体直接对农作物病害情况进行预测。
本发明的有益效果为:本发明在建立病害知识本体的基础上,基于深度学习模型训练对应的本体概念检测器,然后在检测出概念响应后结合监督学习和概念推理技术进行病害结果预测,一方面在基于监督学习进行病害结果预测时尝试对标签中的噪声进行滤除,另一方面通过概念推理降低概念响应的不确定性,综上,本发明基于知识本体对农作物进行多角度全方位描述,利用深度学习模型检测本体概念响应后再依据这些响应进行病害检测,充分分析农作物状态表现与病害结果之间关系,在提高病害预测可靠性的同时促进病害反演,进而促进知识获取、共享和迁移,充分考虑了病害发生时的农作物综合状态,为后续病害预测提供了更多知识和依据,且本发明在以概念响应为特征进行有监督训练的基础上,尝试对知识本体信息加以利用,基于推理技术进行农作物病害预测,提供了一种不需要进行病害标注就能预测农作物病害结果的手段,从而避开了标记数据不足的问题,基于人工智能的农作物病害检测提供了一种新的思路,同时,本发明基于成像技术和人工智能手段对农作物病虫害进行自动化检测,与传统的化学检测方法相比,不但高效准确而且能避免对被测农作物造成不可逆损坏,更为重要的是可以避免统检测手段间接导致的化学污染,并促进农作物病害的及时预警和防治,在有效阻止农作物病害传播的同时避免农药的滥用和过量使用,改善农产品品质、促进生物多样性和保护农田生态环境,具有重要的环境和社会效益。
附图说明
图1为本发明的流程图;
图2为本发明的病害本体建模流程示意图;
图3为本发明的本体概念检测示意图;
图4为本发明的基于推理的病害预测示意图。
具体实施方式
为了加深对本发明的理解,下面将结合实施例对本发明做进一步详述,本实施例仅用于解释本发明,并不构成对本发明保护范围的限定。
根据图1、2、3、4所示,本实施例提供了一种基于农作物本体概念响应的农作物病害预测方法,包括以下步骤:
步骤一:定义局部本体子概念
以主要农作物作为研究对象,主要农作物包括小麦、玉米、棉花、水稻和大豆,针对农作物病虫害信息多源和异构的问题,采用集成本体方法,基于综合信息源建立全局共享词汇表通用本体,汇集领域公共概念和元术语词汇,并通过对该公共概念和元术语的形式化描述来定义局部本体子概念,进而在全局共享通用本体的支撑下实现局部本体互操作;
步骤二:病害本体建模
从多源异构数据中获得的确定性和非确定性知识,构建农作物病虫害本体知识库,具体流程为:利用外部源、专家库、文本库及相应的传统知识库作为数据源,对数据进行选择、组合、内化外化和异构语义消除,集成为知识库,然后围绕领域知识特点建立全局共享词汇库,通过人工和半自动化定义农作物叙词表和公共概念,进而建立通用术语词汇库,接着按照病虫害的危害区域、作物品种以及生境信息,分析获得多元异构局部知识源,并在此基础上依据知识源和通用本体概念词汇进行相应的局部本体构建,在此基础上,完成农作物病害本体的概念、属性、实例与关系等元素定义和构建,进而实现农作物病害知识本体映射和本体演化一致性校验;
步骤三:构建深度学习模型
在数据降维处理和光谱敏感波段提取的基础上,基于TensorFlow和PyTorch平台以卷积神经网络为基本框架对步骤二的本体概念进行检测,针对数据、模型设计和训练方法,利用迁移学习从现有基于高光谱图像和深度学习的农作物病害检测分析领域已有模型中迁移知识,对现有数据库进行利用,然后基于交叉验证结果,对病害本体概念再一次进行完善,删除训练结果较差的概念,在现有Faster R-CNN、R-FCN、YOLO和SSD这些基于卷积神经网络的目标检测模型的基础上构建概念检测框架,提取图像特征以检测对应的农作物状态概念;
步骤四:本体概念检测
采取递进模式进行概念检测,先在不区分属性信息的情况下对实体概念进行检测,然后再对实体概念对应的属性概念进行分辨,在训练好实体概念检测器后,以检测到的局部区域块为样本开展各实体概念对应的属性概念分类器训练,并取实体概念响应与属性概念响应的乘积作为区域块在各本体概念组合上的响应结果,对于整个样本,取所有候选窗口对应某本体概念组合的最大响应值作为该样本在该本体概念上的最终响应结果;
步骤五:基于监督学习的病害结果预测
进行病害预测,采集样本进行标注,然后根据步骤四,将样本的本体概念检测响应结果作为中间特征并基于有监督学习进行病害结果预测,在训练中对样本进行筛选,基于训练好的概念检测器得到本体概念响应后将其以向量形式组合成中间特征,采用逻辑回归监督机器学习模型进行训练,并在训练中采用正则化法解决过拟合问题,由于标记信息未必可靠,在基于全部样本开展训练后用训练好的模型对样本进行反向检验以删除争议性较强的样本,然后用剩余样本进行微调,从而滤除标记信息不可靠的样本;
步骤六:基于概念推理的病害结果预测
在不使用标记信息的情况下,挖掘本体概念本身的信息和本体概念之间的关联信息,在检测到本体概念响应后根据这些响应结果和知识本体模型进行病害结果预测,在检测到光谱样本中的本体概念响应之后,根据知识本体中概念之间的关联信息,通过筛查互相矛盾概念对候选概念进行过滤,得到对农作物的可靠状态描述,在此基础上,采用推理引擎框架,将病害知识本体对比病害案例库,利用病害知识本体直接对农作物病害情况进行预测。
验证例:
病害本体建模:作为一种复杂的自然现象,病虫害的发生尽管具有多样性、随机性、非均匀性、迁移性和突发性等特点,但是病害结果均在农作物本身的状态属性上得到体现。本发明结合农作物生长规律以及当前病害防控的实际情况,充分挖掘人工智能和智能决策领域的研究成果,基于农作物病虫害知识集成和本体构建形成对农作物状态的全面描述,进而实现病害结果预测。该方法与人工病害诊断思想相符,而且现在已经存在一些可以借鉴的农作物病害知识本体,所以本发明构建农作物病害本体的方案是可行的。
基于深度学习的本体概念检测:深度学习将低层次特征变换到更抽象的高层次特征空间,从而获得了比人工设计特征更好的对数据内在信息进行描述的能力。作为当前的研究热点,它已经在计算机视觉领域取得了突破性成果。而本发明基于深度学习的概念检测研究方案和现有基于深度学习的目标检测和语义标注研究有很强的相关性。这些领域的研究成果能为本发明的开展提供有力的保障,所以本发明的本体概念检测方案是可行的。
基于本体概念响应的病害结果预测:在检测到病害本体概念响应之后,本发明采用监督学习和概念推理两种方法进行病害结果预测,基于监督学习进行病害预测的可行性已经在现有研究中得到验证。而当检测到对农作物状态属性进行描述的本体概念出现的概率响应之后,即便不利用样本的标记信息也有可能用推理的方法对作物样本进行病害结果推断。并且现有基于本体的语义推理研究也能为基于概念推理的病害结果预测奠定基础,所以本发明基于本体概念响应的病害结果预测方案具有可行性。
该基于农作物本体概念响应的农作物病害预测方法在建立病害知识本体的基础上,基于深度学习模型训练对应的本体概念检测器,然后在检测出概念响应后结合监督学习和概念推理技术进行病害结果预测,一方面在基于监督学习进行病害结果预测时尝试对标签中的噪声进行滤除,另一方面通过概念推理降低概念响应的不确定性,综上,本发明基于知识本体对农作物进行多角度全方位描述,利用深度学习模型检测本体概念响应后再依据这些响应进行病害检测,充分分析农作物状态表现与病害结果之间关系,在提高病害预测可靠性的同时促进病害反演,进而促进知识获取、共享和迁移,充分考虑了病害发生时的农作物综合状态,为后续病害预测提供了更多知识和依据,且本发明在以概念响应为特征进行有监督训练的基础上,尝试对知识本体信息加以利用,基于推理技术进行农作物病害预测,提供了一种不需要进行病害标注就能预测农作物病害结果的手段,从而避开了标记数据不足的问题,基于人工智能的农作物病害检测提供了一种新的思路,同时,本发明基于成像技术和人工智能手段对农作物病虫害进行自动化检测,与传统的化学检测方法相比,不但高效准确而且能避免对被测农作物造成不可逆损坏,更为重要的是可以避免统检测手段间接导致的化学污染,并促进农作物病害的及时预警和防治,在有效阻止农作物病害传播的同时避免农药的滥用和过量使用,改善农产品品质、促进生物多样性和保护农田生态环境,具有重要的环境和社会效益。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种基于农作物本体概念响应的农作物病害预测方法,其特征在于,包括以下步骤:
步骤一:定义局部本体子概念
以主要农作物作为研究对象,针对农作物病虫害信息多源和异构的问题,采用集成本体方法,基于综合信息源建立全局共享词汇表通用本体,汇集领域公共概念和元术语词汇,并通过对该公共概念和元术语的形式化描述来定义局部本体子概念,进而在全局共享通用本体的支撑下实现局部本体互操作;
步骤二:病害本体建模
从多源异构数据中获得的确定性和非确定性知识,构建农作物病虫害本体知识库,然后围绕领域知识特点建立全局共享词汇库,通过人工和半自动化定义农作物叙词表和公共概念,进而建立通用术语词汇库,接着按照病虫害的危害区域、作物品种以及生境信息,分析获得多元异构局部知识源,并在此基础上依据知识源和通用本体概念词汇进行相应的局部本体构建,在此基础上,完成农作物病害本体的概念、属性、实例与关系等元素定义和构建,进而实现农作物病害知识本体映射和本体演化一致性校验;
步骤三:构建深度学习模型
在数据降维处理和光谱敏感波段提取的基础上,基于TensorFlow和PyTorch平台以卷积神经网络为基本框架对步骤二的本体概念进行检测,针对数据、模型设计和训练方法,利用迁移学习从现有基于高光谱图像和深度学习的农作物病害检测分析领域已有模型中迁移知识,对现有数据库进行利用,然后基于交叉验证结果,对病害本体概念再一次进行完善,删除训练结果较差的概念;
步骤四:本体概念检测
采取递进模式进行概念检测,先在不区分属性信息的情况下对实体概念进行检测,然后再对实体概念对应的属性概念进行分辨,在训练好实体概念检测器后,以检测到的局部区域块为样本开展各实体概念对应的属性概念分类器训练,并取实体概念响应与属性概念响应的乘积作为区域块在各本体概念组合上的响应结果;
步骤五:基于监督学习的病害结果预测
进行病害预测,采集样本进行标注,然后根据步骤四,将样本的本体概念检测响应结果作为中间特征并基于有监督学习进行病害结果预测,在训练中对样本进行筛选,基于训练好的概念检测器得到本体概念响应后将其以向量形式组合成中间特征,采用逻辑回归监督机器学习模型进行训练,并在训练中采用正则化法解决过拟合问题;
步骤六:基于概念推理的病害结果预测
在不使用标记信息的情况下,挖掘本体概念本身的信息和本体概念之间的关联信息,在检测到本体概念响应后根据这些响应结果和知识本体模型进行病害结果预测,在检测到光谱样本中的本体概念响应之后,根据知识本体中概念之间的关联信息,通过筛查互相矛盾概念对候选概念进行过滤,得到对农作物的可靠状态描述,从而利用病害知识本体直接对农作物病害情况进行预测。
2.根据权利要求1所述的一种基于农作物本体概念响应的农作物病害预测方法,其特征在于:所述步骤一中,主要农作物包括小麦、玉米、棉花、水稻和大豆。
3.根据权利要求1所述的一种基于农作物本体概念响应的农作物病害预测方法,其特征在于:所述步骤二中,从多源异构数据中获得的确定性和非确定性知识,构建农作物病虫害本体知识库的具体流程为:利用外部源、专家库、文本库及相应的传统知识库作为数据源,对数据进行选择、组合、内化外化和异构语义消除,集成为知识库。
4.根据权利要求1所述的一种基于农作物本体概念响应的农作物病害预测方法,其特征在于:所述步骤三中,在现有Faster R-CNN、R-FCN、YOLO和SSD这些基于卷积神经网络的目标检测模型的基础上构建概念检测框架,提取图像特征以检测对应的农作物状态概念。
5.根据权利要求1所述的一种基于农作物本体概念响应的农作物病害预测方法,其特征在于:所述步骤四中,对于整个样本,取所有候选窗口对应某本体概念组合的最大响应值作为该样本在该本体概念上的最终响应结果。
6.根据权利要求1所述的一种基于农作物本体概念响应的农作物病害预测方法,其特征在于:所述步骤五中,由于标记信息未必可靠,在基于全部样本开展训练后用训练好的模型对样本进行反向检验以删除争议性较强的样本,然后用剩余样本进行微调,从而滤除标记信息不可靠的样本。
7.根据权利要求1所述的一种基于农作物本体概念响应的农作物病害预测方法,其特征在于:所述步骤六中,得到对农作物的可靠状态描述后,在此基础上,采用推理引擎框架,将病害知识本体对比病害案例库,利用病害知识本体直接对农作物病害情况进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010919140.4A CN111968003B (zh) | 2020-09-04 | 2020-09-04 | 一种基于农作物本体概念响应的农作物病害预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010919140.4A CN111968003B (zh) | 2020-09-04 | 2020-09-04 | 一种基于农作物本体概念响应的农作物病害预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111968003A true CN111968003A (zh) | 2020-11-20 |
CN111968003B CN111968003B (zh) | 2023-11-24 |
Family
ID=73392016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010919140.4A Active CN111968003B (zh) | 2020-09-04 | 2020-09-04 | 一种基于农作物本体概念响应的农作物病害预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111968003B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112640870A (zh) * | 2020-11-30 | 2021-04-13 | 深圳技术大学 | 一种基于植保无人机的病虫害防治系统及方法 |
CN117197655A (zh) * | 2023-08-01 | 2023-12-08 | 北京市农林科学院智能装备技术研究中心 | 水稻卷叶螟危害程度预测方法、装置、电子设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010055968A1 (en) * | 2008-11-14 | 2010-05-20 | Korea Institute Of Science & Technology Information | Method and apparatus of semantic technological approach based on semantic relation in context and storage media having program source thereof |
CN102831316A (zh) * | 2012-08-24 | 2012-12-19 | 安徽农业大学 | 一种基于云本体的茶树虫害智能诊断原型系统 |
WO2020047739A1 (zh) * | 2018-09-04 | 2020-03-12 | 安徽中科智能感知大数据产业技术研究院有限责任公司 | 基于多时序属性元素深度特征的小麦重度病害预测方法 |
CN111126194A (zh) * | 2019-12-10 | 2020-05-08 | 郑州轻工业大学 | 一种社交媒体视觉内容情感分类方法 |
-
2020
- 2020-09-04 CN CN202010919140.4A patent/CN111968003B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010055968A1 (en) * | 2008-11-14 | 2010-05-20 | Korea Institute Of Science & Technology Information | Method and apparatus of semantic technological approach based on semantic relation in context and storage media having program source thereof |
CN102831316A (zh) * | 2012-08-24 | 2012-12-19 | 安徽农业大学 | 一种基于云本体的茶树虫害智能诊断原型系统 |
WO2020047739A1 (zh) * | 2018-09-04 | 2020-03-12 | 安徽中科智能感知大数据产业技术研究院有限责任公司 | 基于多时序属性元素深度特征的小麦重度病害预测方法 |
CN111126194A (zh) * | 2019-12-10 | 2020-05-08 | 郑州轻工业大学 | 一种社交媒体视觉内容情感分类方法 |
Non-Patent Citations (6)
Title |
---|
姜大庆等: "基于本体的蔬菜病虫害知识库构建", 《江苏农业科学》 * |
姜大庆等: "基于本体的蔬菜病虫害知识库构建", 《江苏农业科学》, no. 07, 25 July 2012 (2012-07-25), pages 1 - 48 * |
郑怀国等: "植物病虫害防治本体模型构建研究", 《安徽农业科学》 * |
郑怀国等: "植物病虫害防治本体模型构建研究", 《安徽农业科学》, no. 02, 10 January 2009 (2009-01-10) * |
陈君: "多源图像融合技术在棉花病虫害诊断中的应用", 《湖北农业科学》 * |
陈君: "多源图像融合技术在棉花病虫害诊断中的应用", 《湖北农业科学》, no. 11, 5 June 2013 (2013-06-05) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112640870A (zh) * | 2020-11-30 | 2021-04-13 | 深圳技术大学 | 一种基于植保无人机的病虫害防治系统及方法 |
CN117197655A (zh) * | 2023-08-01 | 2023-12-08 | 北京市农林科学院智能装备技术研究中心 | 水稻卷叶螟危害程度预测方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111968003B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Haridasan et al. | Deep learning system for paddy plant disease detection and classification | |
Akintayo et al. | A deep learning framework to discern and count microscopic nematode eggs | |
Haider et al. | A generic approach for wheat disease classification and verification using expert opinion for knowledge-based decisions | |
Cynthia et al. | Automated detection of plant diseases using image processing and faster R-CNN algorithm | |
Mehta et al. | Empowering Precision Agriculture: Detecting Apple Leaf Diseases and Severity Levels with Federated Learning CNN | |
CN111968003B (zh) | 一种基于农作物本体概念响应的农作物病害预测方法 | |
Grijalva et al. | Image classification of sugarcane aphid density using deep convolutional neural networks | |
Kumar et al. | An experimental investigation to spotting the weeds in rice field using deepnet | |
Ambashtha et al. | Leaf disease detection in crops based on single-hidden layer feed-forward neural network and hierarchal temporary memory | |
Brar et al. | A smart approach to coconut leaf spot disease classification using computer vision and deep learning technique | |
Jayaprakash et al. | Artificial Rabbit Optimization with Improved Deep Learning Model for Plant Disease Classification | |
Devi et al. | Plant disease classification using CNN-LSTM techniques | |
Nirmal et al. | Farmer Friendly Smart App for Pomegranate Disease Identification | |
LU500005B1 (en) | Method for Predicting Crop Disease Based on Crop Ontology Concept Response | |
Ahmed et al. | Ontology-based classification method using statistical and symbolic approaches for plant diseases detection in agriculture | |
Kukreja et al. | From Binary to Multi-Classification: A Novel Framework for the Detection and Severity Classification of Rice Sheath Rot Disease | |
Sheema et al. | An Algorithm for Detection and Identification of Infestation Density of Pest-Fall Armyworm in Maize Plants Using Deep Learning Based on IoT | |
Jindal et al. | Evolving Agritech: Implementing Federated Learning & CNN for Parsley Leaf Disease Detection | |
Daya Sagar et al. | Smart agricultural solutions through machine learning | |
Barrera-Hernandez et al. | Towards abalone differentiation through machine learning | |
Habib et al. | Improving rice production by detecting diseases using IoT in North West Nigeria | |
Tiwari et al. | A Deep Learning Approach for Marine Animal Classification: Enhancing Taxonomic Identification and Conservation Efforts | |
Banerjee et al. | Accurate Anthracnose Disease Classification using a Hybrid CNN-Random Forest Architecture | |
Lakshitha et al. | Designing AI-Based Non-invasive Method for Automatic Detection of Bovine Mastitis | |
Kaur et al. | Optimized prediction model using support vector machine for classification of infection in Tulsi leaf |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |