CN112861812A - 基于深度学习的松材线虫病灾害预测预报方法及装置 - Google Patents
基于深度学习的松材线虫病灾害预测预报方法及装置 Download PDFInfo
- Publication number
- CN112861812A CN112861812A CN202110320985.6A CN202110320985A CN112861812A CN 112861812 A CN112861812 A CN 112861812A CN 202110320985 A CN202110320985 A CN 202110320985A CN 112861812 A CN112861812 A CN 112861812A
- Authority
- CN
- China
- Prior art keywords
- data
- deep learning
- forecast
- prediction
- wood nematode
- 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.)
- Pending
Links
- 241000243771 Bursaphelenchus xylophilus Species 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013135 deep learning Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000013136 deep learning model Methods 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 26
- 230000003321 amplification Effects 0.000 claims abstract description 13
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 13
- 238000006243 chemical reaction Methods 0.000 claims abstract description 10
- 238000013519 translation Methods 0.000 claims abstract description 5
- 201000010099 disease Diseases 0.000 claims description 59
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 59
- 235000008331 Pinus X rigitaeda Nutrition 0.000 claims description 14
- 235000011613 Pinus brutia Nutrition 0.000 claims description 14
- 241000018646 Pinus brutia Species 0.000 claims description 14
- 239000000428 dust Substances 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000009434 installation Methods 0.000 claims description 5
- 230000002194 synthesizing effect Effects 0.000 claims description 5
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 4
- 229910000831 Steel Inorganic materials 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 229910052802 copper Inorganic materials 0.000 claims description 4
- 239000010949 copper Substances 0.000 claims description 4
- 239000004973 liquid crystal related substance Substances 0.000 claims description 4
- 230000003014 reinforcing effect Effects 0.000 claims description 4
- 239000010959 steel Substances 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 239000004033 plastic Substances 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000007306 turnover Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000003466 welding Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 9
- 230000007547 defect Effects 0.000 abstract description 3
- 230000002265 prevention Effects 0.000 abstract description 3
- 239000013589 supplement Substances 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 2
- 239000000463 material Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 241000238631 Hexapoda Species 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000243770 Bursaphelenchus Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Marine Sciences & Fisheries (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Animal Husbandry (AREA)
- Primary Health Care (AREA)
- Agronomy & Crop Science (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Mining & Mineral Resources (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
Abstract
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。
Description
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。
一种基于深度学习的松材线虫病灾害预测预报装置，包括预测预报安装台，所述预测预报安装台的下表面焊接连接有预报台支撑座，所述预报台支撑座的内表面设置有所述数据预处理电路板，所述数据预处理电路板的外表面设置有数据转化器和数据扩增器，所述预测预报安装台的上表面设置有预测预报显示器，所述预测预报显示器的上侧设置有显示器防尘罩，所述预测预报显示器的前表面设置有预测预报操作台，所述预测预报操作台电性连接有操作台控制面板，所述预测预报操作台的侧边设置有操作台加固侧板，所述预测预报显示器侧边设置有预测预报侧灯，所述操作台控制面板侧边设置有预报侧灯复位按钮。
作为一种优选的实施方式，所述预测预报显示器侧边设置有所述预测预报侧灯，且所述预测预报侧灯线性排列在所述预测预报显示器的两侧。
作为一种优选的实施方式，所述预测预报安装台的下表面焊接连接有所述预报台支撑座且所述预报台支撑座采用合计钢材质。
作为一种优选的实施方式，所述操作台控制面板侧边设置有所述预报侧灯复位按钮且所述预报侧灯复位按钮采用橡胶材质。
作为一种优选的实施方式，所述预测预报显示器的上侧设置有所述显示器防尘罩且所述显示器防尘罩采用塑料材质。
作为一种优选的实施方式，所述预测预报显示器与所述预测预报安装台成度倾斜。
作为一种优选的实施方式，所述预测预报显示器采用液晶显示器。
作为一种优选的实施方式，所述预报台支撑座的内表面设置有所述数据预处理电路板且所述数据预处理电路板的内表面设置铜片。
松材线虫病灾害预测的所采用方法的优势是：
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，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，提升了对松材线虫病灾害预测数据的挖掘能力和模型效力，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；
附图说明
图1为本发明方法的数据导入流程图；
图2为本发明方法的方法流程图；
图3为本发明结构的立体结构图；
图4为本发明结构的主视图；
图5为本发明结构的左视图；
图6为本发明结构的俯视图；
图中：1、预测预报安装台；11、预报台支撑座；2、数据预处理电路板；3、数据转化器；4、数据扩增器；5、预测预报显示器；51、显示器防尘罩；6、预测预报操作台；61、操作台控制面板；62、操作台加固侧板；7、预测预报侧灯；71、预报侧灯复位按钮。
具体实施方式
下面结合实施例对本发明做进一步的描述。
以下实施例用于说明本发明，但不能用来限制本发明的保护范围。实施例中的条件根据具体条件做进一步的调整，在本发明的构思前提下对本发明的方法简单改进都属于本发明要求保护的范围。
请参阅图1-6，本发明提供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，深度学习较其他算法能提高精准度，但其前提是有足够大的可用数据集来描述问题。用于构建深度学习模型的常用数据类型有图像和结构化数值数据。图像数据集的获取可分为自行采集和公开数据集，自行采集图像数据常通过无人机遥感、搭载相机的无人机航拍。公开数据集一般来源于现有知名公开的标准库。结构化数值数据主要通过传感器在线监测获取，步骤二，松材线虫病数据预处理，数据预处理过程包括数据清洗、数据转换、缺失值处理、数据编码、数据无量纲化和降维处理。其中数据清洗技术主要是用于保证数据特定特征的完整性；数据转换是为了满足深度学习模型的要求，将数据从一种格式或结构转换为另一种格式或结构的过程；降维是去除不相关和冗余的变量，降低分析和生成模型的复杂性，提高建模效率。最常见的预处理方法是调整图像大小，包括图像分割、缩放和归一化，步骤三，松材线虫病数据扩增，深度学习模型一般是由多层非线性学习器组成，模型较为复杂；要分析的数据是从复杂的自然环境中获得。为了使深度学习模型具有较好的泛化性能，需要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，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，以向模型提供不同环境的数据，从而改善模型学习过程，提高模型泛化性能，步骤四，松材线虫病特征选择，特征选择也称特征子集选择，是指从数据集中己有的特征里选择若干个特征使得系统的特定指标最优化。通过特征选择从原始特征中筛选出最关键特征以降低数据集的维度，提高学习算法性能。如果不通过特征选择降低特征维度直接建立模型会直接导致模型过拟合，即测试结果和训练效果差距很大，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，构建模型时要将数据分成两部分:训练集和测试集。训练集用于帮助模型对数据间的规律进行自我学习，测试集则用于检验经过训练集训练后的模型。同时，为保证建立模型的合理性，训练集与测试集中数据为随机洗取。训练数据集经过初始深度学习网络之后，得到输出结果，通过损失函数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便完成深度学习模型的训练，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，运用深度学习进行松材线虫病灾害的更为精准的预测预报，以便工作人员对松材线虫病灾害及时做好防范措施，减少松材线虫病灾害带来的经济损失。
其中，步骤五中训练集输出结果，步骤五中训练集输出结果，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。
通过一种基于深度学习的松材线虫病灾害预测预报装置作为载体。
预测预报安装台1的下表面焊接连接有预报台支撑座11，预报台支撑座11的内表面设置有数据预处理电路板2，数据预处理电路板2的外表面设置有数据转化器3和数据扩增器4，通过数据转化器3进行数据的转换，并通过数据扩增器4进行对数据进行扩充，预测预报安装台1的上表面设置有预测预报显示器5，预测预报显示器5的上侧设置有显示器防尘罩51，通过显示器防尘罩51进行有效的防尘，预测预报显示器5的前表面设置有预测预报操作台6，预测预报操作台6电性连接有操作台控制面板61，预测预报操作台6的侧边设置有操作台加固侧板62，预测预报显示器5侧边设置有预测预报侧灯7，操作台控制面板61侧边设置有预报侧灯复位按钮71。
其中，预测预报显示器5侧边设置有预测预报侧灯7，且预测预报侧灯7线性排列在预测预报显示器5的两侧，通过预测预报显示器5侧边设置有预测预报侧灯7进行预测。
其中，预测预报安装台1的下表面焊接连接有预报台支撑座11且预报台支撑座11采用合计钢材质，通过预报台支撑座11采用合计钢材质提高支撑的刚度。
其中，操作台控制面板61侧边设置有预报侧灯复位按钮71且预报侧灯复位按钮71采用橡胶材质，通过预报侧灯复位按钮71进行复位。
其中，预测预报显示器5的上侧设置有显示器防尘罩51且显示器防尘罩51采用塑料材质，通过显示器防尘罩51进行有效的防尘。
其中，预测预报显示器5与预测预报安装台1成30度倾斜，通过预测预报显示器5与预测预报安装台1成30度倾斜可便于使用者进行观看。
其中，预测预报显示器5采用液晶显示器。通过预测预报显示器5采用液晶显示器进行显示。
其中，预报台支撑座11的内表面设置有数据预处理电路板2且数据预处理电路板2的内表面设置铜片，通过数据预处理电路板2的内表面设置铜片提高数据传输的稳定性。
本发明的工作原理及使用流程：通过构建深度学习模型的常用数据类型有图像和结构化数值数据进行数据的获取，并通过预报台支撑座11的内表面设置有数据预处理电路板2进行对数据预处理，数据预处理电路板2的外表面设置的数据转化器3进行数据转换，满足深度学习模型的要求，将数据从一种格式或结构转换为另一种格式或结构的过程，并通过数据扩增器4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，从而改善模型学习过程，通过损失函数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，并将训练集输出结果，当出现问题时，通过预测预报显示器5侧边设置有预测预报侧灯7进行预警，并通过预报侧灯复位按钮71进行复位。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，理解在不脱离本发明的原理和精神的情况下对这些实施例进行多种变化、修改、变型，本发明的范围由所附权利要求及其同物限定。
Claims (10)
1.一种基于深度学习的松材线虫病灾害预测预报方法，其特征在于：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。
2.根据权利要求1所述的一种基于深度学习的松材线虫病灾害预测预报方法，其特征在于：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。
3.一种基于深度学习的松材线虫病灾害预测预报装置，其特征在于：包括预测预报安装台(1)，所述预测预报安装台(1)的下表面焊接连接有预报台支撑座(11)，所述预报台支撑座(11)的内表面设置有所述数据预处理电路板(2)，所述数据预处理电路板(2)的外表面设置有数据转化器(3)和数据扩增器(4)，所述预测预报安装台(1)的上表面设置有预测预报显示器(5)，所述预测预报显示器(5)的上侧设置有显示器防尘罩(51)，所述预测预报显示器(5)的前表面设置有预测预报操作台(6)，所述预测预报操作台(6)电性连接有操作台控制面板(61)，所述预测预报操作台(6)的侧边设置有操作台加固侧板(62)，所述预测预报显示器(5)侧边设置有预测预报侧灯(7)，所述操作台控制面板(61)侧边设置有预报侧灯复位按钮(71)。
4.根据权利要求3所述的一种基于深度学习的松材线虫病灾害预测预报装置，其特征在于：所述预测预报显示器(5)侧边设置有所述预测预报侧灯(7)，且所述预测预报侧灯(7)线性排列在所述预测预报显示器(5)的两侧。
5.根据权利要求3所述的一种基于深度学习的松材线虫病灾害预测预报装置，其特征在于：所述预测预报安装台(1)的下表面焊接连接有所述预报台支撑座(11)且所述预报台支撑座(11)采用合计钢材质。
6.根据权利要求3所述的一种基于深度学习的松材线虫病灾害预测预报装置，其特征在于：所述操作台控制面板(61)侧边设置有所述预报侧灯复位按钮(71)且所述预报侧灯复位按钮(71)采用橡胶材质。
7.根据权利要求3所述的一种基于深度学习的松材线虫病灾害预测预报装置，其特征在于：所述预测预报显示器(5)的上侧设置有所述显示器防尘罩(51)且所述显示器防尘罩(51)采用塑料材质。
8.根据权利要求3所述的一种基于深度学习的松材线虫病灾害预测预报装置，其特征在于：所述预测预报显示器(5)与所述预测预报安装台(1)成30度倾斜。
9.根据权利要求3所述的一种基于深度学习的松材线虫病灾害预测预报装置，其特征在于：所述预测预报显示器(5)采用液晶显示器。
10.根据权利要求3所述的一种基于深度学习的松材线虫病灾害预测预报装置，其特征在于：所述预报台支撑座(11)的内表面设置有所述数据预处理电路板(2)且所述数据预处理电路板(2)的内表面设置铜片。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110320985.6A CN112861812A (zh) | 2021-03-25 | 2021-03-25 | 基于深度学习的松材线虫病灾害预测预报方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110320985.6A CN112861812A (zh) | 2021-03-25 | 2021-03-25 | 基于深度学习的松材线虫病灾害预测预报方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112861812A true CN112861812A (zh) | 2021-05-28 |
Family
ID=75992857
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110320985.6A Pending CN112861812A (zh) | 2021-03-25 | 2021-03-25 | 基于深度学习的松材线虫病灾害预测预报方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112861812A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114282721A (zh) * | 2021-12-22 | 2022-04-05 | 中科三清科技有限公司 | 污染物预报模型训练方法、装置、电子设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170255722A1 (en) * | 2015-02-04 | 2017-09-07 | Hunan Agricultural University | Globally universal key factor preset array platform for dynamic forecast analysis of biological populations |
| CN208110790U (zh) * | 2018-05-10 | 2018-11-16 | 天津科技大学 | 一种火灾报警监控装置 |
| CN111626133A (zh) * | 2020-04-27 | 2020-09-04 | 浙江同创空间技术有限公司 | 基于深度学习和无人机航拍的松材线虫病树识别方法 |
| CN112084989A (zh) * | 2020-09-16 | 2020-12-15 | 湖南三湘绿谷生态科技有限公司 | 基于无人机与cnn的大范围松材线虫病枯立木智能检测方法 |
| CN112329502A (zh) * | 2020-04-07 | 2021-02-05 | 上海龙晶科技有限公司 | 一种基于深度学习的帽子识别系统 |
| CN112329703A (zh) * | 2020-11-20 | 2021-02-05 | 北京林业大学 | 一种适宜识别松材线虫病遥感影像的深度卷积神经网络的构建方法 |
| CN112422531A (zh) * | 2020-11-05 | 2021-02-26 | 博智安全科技股份有限公司 | 基于CNN和XGBoost的网络流量异常行为检测方法 |
-
2021
- 2021-03-25 CN CN202110320985.6A patent/CN112861812A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170255722A1 (en) * | 2015-02-04 | 2017-09-07 | Hunan Agricultural University | Globally universal key factor preset array platform for dynamic forecast analysis of biological populations |
| CN208110790U (zh) * | 2018-05-10 | 2018-11-16 | 天津科技大学 | 一种火灾报警监控装置 |
| CN112329502A (zh) * | 2020-04-07 | 2021-02-05 | 上海龙晶科技有限公司 | 一种基于深度学习的帽子识别系统 |
| CN111626133A (zh) * | 2020-04-27 | 2020-09-04 | 浙江同创空间技术有限公司 | 基于深度学习和无人机航拍的松材线虫病树识别方法 |
| CN112084989A (zh) * | 2020-09-16 | 2020-12-15 | 湖南三湘绿谷生态科技有限公司 | 基于无人机与cnn的大范围松材线虫病枯立木智能检测方法 |
| CN112422531A (zh) * | 2020-11-05 | 2021-02-26 | 博智安全科技股份有限公司 | 基于CNN和XGBoost的网络流量异常行为检测方法 |
| CN112329703A (zh) * | 2020-11-20 | 2021-02-05 | 北京林业大学 | 一种适宜识别松材线虫病遥感影像的深度卷积神经网络的构建方法 |
Non-Patent Citations (2)
| Title |
|---|
| 任丽锦: "基于深度学习的农林害虫识别方法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 农业科技辑》 * |
| 徐培林 等: "松材线虫病天空地一体化立体监测技术", 《测绘》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114282721A (zh) * | 2021-12-22 | 2022-04-05 | 中科三清科技有限公司 | 污染物预报模型训练方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113424206B (zh) | 针对结构的机器学习工具 | |
| CN111754498B (zh) | 一种基于YOLOv3的传送带托辊检测方法 | |
| Li et al. | A comprehensive web-based system for flood inundation map generation and comparative analysis based on height above nearest drainage | |
| CN112651966A (zh) | 一种基于acyolov4_csp的印刷电路板微小缺陷检测方法 | |
| CN116611546B (zh) | 基于知识图谱的目标研究区域滑坡预测方法及系统 | |
| CN114693064B (zh) | 一种建筑群方案生成性能评价方法 | |
| CN111563810A (zh) | 信贷风控模型生成方法、信用评估方法、系统、机器可读介质及设备 | |
| CN112861812A (zh) | 基于深度学习的松材线虫病灾害预测预报方法及装置 | |
| CN116610816A (zh) | 一种基于图卷积神经网络的人员画像知识图谱分析方法及系统 | |
| CN112819756A (zh) | Pcb板表面缺陷检测装置及方法 | |
| CN114677377A (zh) | 显示屏缺陷检测方法、训练方法、装置、设备及介质 | |
| CN118210933B (zh) | 一种基于数字孪生的气象数据可视化实现方法及系统 | |
| CN116229052A (zh) | 一种基于孪生网络的变电站设备状态变化检测方法 | |
| CN115984662A (zh) | 一种多模态数据预训练及识别方法、装置、设备及介质 | |
| CN117576632B (zh) | 基于多模态ai大模型的电网监控火灾预警系统及方法 | |
| CN114742211A (zh) | 一种面向微控制器的卷积神经网络部署和优化方法 | |
| CN114595635A (zh) | 火电机组主汽温度数据的特征选择方法、系统及设备 | |
| CN114782967A (zh) | 一种基于代码可视化学习的软件缺陷预测方法 | |
| CN115759291B (zh) | 一种基于集成学习的空间非线性回归方法及系统 | |
| CN116680988A (zh) | 一种基于Transformer网络的多孔介质渗透率预测方法 | |
| CN113158803A (zh) | 一种教室空座查询系统、实时视频分析系统及方法 | |
| CN115801845B (zh) | 基于边缘计算的工业互联网数据采集方法及相关设备 | |
| CN118193999B (zh) | 一种基于大数据语义一致性的教育过程数据采集方法及系统 | |
| CN117709807B (zh) | 基于生态模拟的海带增汇养殖生态效益评估系统及方法 | |
| CN118587371A (zh) | 一种数字化卷轴古画动态再现方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210528 |