CN113449893A - 虫害预测模型训练的方法、虫害预测的方法及装置 - Google Patents
虫害预测模型训练的方法、虫害预测的方法及装置 Download PDFInfo
- Publication number
- CN113449893A CN113449893A CN202010216430.2A CN202010216430A CN113449893A CN 113449893 A CN113449893 A CN 113449893A CN 202010216430 A CN202010216430 A CN 202010216430A CN 113449893 A CN113449893 A CN 113449893A
- Authority
- CN
- China
- Prior art keywords
- pest
- data
- prediction model
- training
- environmental factor
- 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
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 326
- 241000238631 Hexapoda Species 0.000 title claims abstract description 153
- 238000012549 training Methods 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 title claims abstract description 109
- 230000007613 environmental effect Effects 0.000 claims abstract description 159
- 230000006870 function Effects 0.000 claims description 24
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 13
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 10
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 201000010099 disease Diseases 0.000 description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 8
- 238000010606 normalization Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010219 correlation analysis Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 241000209094 Oryza Species 0.000 description 3
- 235000007164 Oryza sativa Nutrition 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 235000009566 rice Nutrition 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000037323 metabolic rate Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Educational Administration (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明公开了一种虫害预测模型训练的方法、虫害预测的方法及装置，包括：获取多个环境因素特征数据和虫害类型数据；根据预设的匹配规则，确定每个环境因素特征数据与虫害类型数据的匹配度；根据每个环境因素特征数据和对应的所述匹配度，确定多个训练样本数据；将多个训练样本数据与所述虫害类型数据输入待训练虫害预测模型进行迭代训练，以确定目标虫害预测模型。本发明的技术方案，基于经过相关性处理的样本数据训练得到目标虫害预测模型，使用该目标虫害预测模型对虫害预测，提高了对病虫害预测的准确性和效率。
Description
技术领域
本发明属于计算机技术领域，尤其涉及一种虫害预测模型训练的方法、虫害预测的方法、装置、设备及存储介质。
背景技术
农作物病虫害是制约农业高产、优质、高效、生态、安全的发展的重要灾害之一。为了应对农作物的病虫害问题，首要工作就是需对作物病虫害进行准确有效地预测，并据此指导植保工作。
现有的预测方法通常包括：传统的观察法、统计法、数学生态模型法、专家系统法以及人工神经网络方法等等。
但是这些方法由于自身的缺陷带有一定的局限性：如经验预测人为因素明显，所采用的相关系数准确率低；统计预测则存在着现实拟合率不高、预测效果不稳定问题；数学生态模型法模型建立和校验复杂，使用难度较高；专家系统法可能专家知识经验影响较大；人工神经网络虽不需依赖专家知识，但其学习算法存在陷入局部极小点的问题，由此，现有的方法很难保证预测的精度。
发明内容
本发明实施例提供一种虫害预测模型训练的方法、虫害预测的方法、装置、设备及存储介质，全面的考虑环境因素与农作物虫害之间的关系，可以有效地提高农作物虫害预测的准确性。
第一方面，本发明实施例提供一种虫害预测模型训练的方法，方法包括：
获取多个环境因素特征数据和虫害类型数据；
根据预设的匹配规则，确定每个所述环境因素特征数据与所述虫害类型数据的匹配度；
根据每个所述环境因素特征数据和对应的所述匹配度，确定多个训练样本数据；
将所述多个训练样本数据与所述虫害类型数据输入待训练虫害预测模型进行迭代训练，以确定目标虫害预测模型。
可选地，所述根据预设的匹配规则，确定每个所述环境因素特征数据与所述虫害类型数据的匹配度，包括：
将多个所述环境因素特征数据与所述虫害类型数据，输入预设的匹配模型，得到每个所述环境因素特征数据与所述虫害类型数据之间的匹配度。
可选地，所述匹配度根据以下公式确定：
其中，scores(i)表示环境因素i与虫害类型的相关分数；scores(k)表示k个环境因素与虫害类型的相关分数，k为自然数。
可选地，所述将多个训练样本数据与所述虫害类型数据输入待训练虫害预测模型进行迭代训练，以确定目标虫害预测模型，包括：
根据所述多个训练样本数据，确定虫害类型预测数据；
根据所述虫害类型预测数据和所述虫害类型数据，确定所述待训练虫害预测模型的损失函数；
根据所述损失函数，调整待训练虫害预测模型的模型参数；
将所述多个训练样本数据为调整后的待训练虫害预测模型的输入，以对待训练虫害预测模型进行迭代训练，
当所述训练满足预设的训练条件时，将训练后的虫害预测模型作为目标虫害预测模型。
可选地，所述预设训练条件包括：
迭代次数达到预设次数阈值；或，
待训练虫害预测模型的损失函数与上一次迭代过程中确定的损失函数之间的差值不超过预设差值阈值。
可选地，所述获取多个环境因素特征数据，包括：
获取多个环境因素数据；
采用预设的卷积神经网络，对所述多个环境因素数据进行特征提取，得到多个环境因素特征数据。
第二方面，本发明实施例提供了一种虫害预测的方法，方法包括：
获取多个环境因素特征数据；
将所述多个环境因素特征数据输入利用权利要求1至6任意一项所述的虫害预测模型训练的方法训练得到的所述目标虫害预测模型，得到与所述环境因素特征数据对应的虫害类型信息。
可选地，所述获取多个环境因素特征数据，包括：
获取多个环境因素数据；
采用预设的卷积神经网络，对所述多个环境因素数据进行特征提取，得到多个环境因素特征数据。
第三方面，本发明实施例提供了一种虫害预测模型训练的装置，装置包括：
第一获取模块，用于获取多个环境因素特征数据和虫害类型数据；
匹配模块，用于根据预设的匹配规则，确定每个所述环境因素特征数据与所述虫害类型数据的匹配度；
确定模块，用根据每个所述环境因素特征数据和对应的所述匹配度，确定多个训练样本数据；
训练模块，用于将所述多个训练样本数据与所述虫害类型数据输入待训练虫害预测模型进行迭代训练，以确定目标虫害预测模型。
第四方面，本发明实施例提供了一种虫害预测的装置，装置包括：
第二获取模块，用于获取多个环境因素特征数据；
预测模块，用于将所述至少一个环境因素特征数据输入利用第一方面任意一项所述的虫害预测模型训练的方法训练得到的所述目标虫害预测模型，得到与所述环境因素特征数据对应的虫害类型信息。
第五方面，本发明实施例提供了一种虫害预测模型训练的设备，设备包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现如第一方面以及第一方面可选地所述的虫害预测模型训练的方法。
第六方面，本发明实施例提供了一种虫害预测的设备，设备包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现如第二方面以及第二方面可选地所述的虫害预测的方法。
第七方面，本发明实施例提供了一种计算机存储介质，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现实现如第一方面以及第一方面可选地所述的虫害预测模型训练的方法和如第二方面以及第二方面可选地所述的虫害预测的方法。
本发明实施例的虫害预测模型训练的方法、虫害预测的方法、装置、设备及计算机存储介质，能够对环境因素和虫害类型进行相关性分析，得到相应的匹配度，在多种环境因素中，突出对虫害类型影响较大或者较敏感的环境因素，削弱不敏感的环境因素，基于经过相关性处理的样本数据训练得到所需的虫害预测模型。本发明实施例的技术方案，由于全面的考虑了环境因素与农作物虫害之间的关系，可以有效地提高虫害预测模型对农作物虫害预测的准确性。并且，基于已有的环境因素信息，采用虫害预测模型对农作物虫害类型进行预测，可以实现对病虫害的实时快速地预测，进而可以提前做好对农作物的防护。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单的介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例提供的虫害预测模型训练的方法的流程示意图；
图2是本发明一个实施例提供的虫害预测的方法的流程示意图；
图3是本发明一个实施提供的KCNN卷积神经网络的流程示意图；
图4是本发明一个实施提供的应用场景中的虫害预测过程的示意图；
图5是本发明另一个实施例提供的虫害预测模型训练的装置的结构示意图；
图6是本发明另一个实施例提供的虫害预测的装置的结构示意图；
图7是本发明实施例提供的虫害预测模型训练的硬件结构示意图；
图8是本发明实施例提供的虫害预测的硬件结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
农作物病虫害是我国的主要农业灾害之一，它具有种类多、影响大、并时常暴发成灾的特点，其发生范围和严重程度对我国国民经济、特别是农业生产常造成重大损失。准确的病虫预测报告，可以增强防治病虫害的预见性和计划性，提高防治工作的经济效益、生态效益和社会效益，使之更加经济、安全、有效。传统的虫害预测模型和虫害预测方法，由于自身存在的缺陷，预测的准确性和效率均不高。
为了解决现有技术问题，本发明实施例提供了一种虫害预测模型训练的方法、虫害预测的方法、装置、设备及计算机存储介质，能够对环境因素和虫害类型进行相关性分析，得到相应的匹配度，在多种环境因素中，突出对虫害类型影响较大或者较敏感的环境因素，削弱不敏感的环境因素，根据经过相关性处理的样本数据训练得到所需的虫害预测模型。采用该虫害预测模型对农作物虫害进行预测，可以实现对病虫害的实时快速地预测，进而可以提前做好对农作物的防护。
下面结合附图，描述根据本发明实施例提供的虫害预测模型训练的方法、虫害预测的方法、装置、设备和存储介质。应注意，这些实施例并不是用来限制本发明公开的范围。
首先对本发明实施例所提供的虫害预测模型训练的方法进行介绍。
图1是本发明一个实施例提供的虫害预测模型训练的方法的流程示意图。如图1所示，在本发明实施例中，该虫害预测模型训练的方法，包括：
S101：获取多个环境因素特征数据和虫害类型数据。
这里，影响农作物病虫害的环境因素可以包括温度、湿度、风量降雨量和光照时长等因素中的一种或者多种。不同环境因素，可能会引发不同类型的虫害。
可选地，获取多个环境因素特征数据的步骤，进一步包括：
S11，获取多个环境因素数据。
这里该环境因素数据可以历史环境因素数据。为了减小数据量级，即数据量纲对预测模型结构的影响，可以先对该环境因素数据进行预处理。
具体地，该预处理可以是对获取的环境因素数据进行归一化处理，得到可以归一化的环境因素数据。
同时，还可以对获取的虫害类型数据进行归一化处理，得到可以归一化的虫害类型数据。
可以理解的是，通过对获取的多个环境因素数据和虫害类型数据的归一化处理，可以将上述多个环境因素数据和虫害类型数据归一化后，映射到[-1,1]区间内，将数据数值限定在同一量级，可以使各指标处于同一数量级，消除数据之间的量纲差别，对虫害预测模型结构的影响。
此外，环境因素可以根据虫害预测的需要进行选择。可以弹性的添加对虫害有影响的环境因素，能够保持该虫害预测模型的可持续性与可扩展性。
S12，采用预设的卷积神经网络，对所述多个环境因素数据进行特征提取，得到多个环境因素特征数据。
具体地，预设的卷积神经网络可以为现有的可以用实现特征提取功能的卷积神经网络(Convolutional Neural Networks,CNN)，例如kim卷积神经网络(KCNN)等，可以根据实际应用需求选择具体的使用的卷积神经网络，在此不再赘述。
可以理解的是，采用预设的卷积神经网络提取环境因素数据的特征，可以降低算法的计算量，提高整体算法的效率，并且可以充分地考虑每种环境因素之间的相互关系，相比较于传统的深度学习方法，可以快速的捕捉全局变量的语义信息，从而提取出质量更佳的环境因素数据的特征，为预测虫害提供保证。
S102：根据预设的匹配规则，确定每个所述环境因素特征数据与所述虫害类型数据的匹配度。
这里，S102可以具体实施为：将多个环境因素特征数据与虫害类型数据，输入预设的匹配模型，得到每个环境因素特征数据与虫害类型数据之间的匹配度。
具体地，该预设的匹配模型可以通过如下操作得到：
首先，任一种虫害类型数据可以对应多个环境因素特征数据，这些环境因素特征数据可以组成一个环境因素集合S{x1、x2、x3、x4、x5、...、xi}。假设现在判断环境因素集合S是否会引起虫害类型r，那么集合S中的每一个环境因素特征数据xi都可能具有集合S是否引起虫害类型r的信息。将集合S转化为向量的形式Sv，计算公式(1)如下：
βi表示可以环境因素xi与虫害类型r的匹配度，即环境因素xi的相关权重。为了减小噪音数据对预测结果的影响，可以准确给出集合中每个因素的权重，可以定义一个关于环境因素xi和虫害类型r的函数：
scores(i)＝xiAr (2)
scores(i)可以是用于描述环境因素集合中某一个环境因素xi与虫害类型r之间的相关度的相关分数，将该函数的取值范围定义在(0,1)，0表示环境因素xi完全不可能引起虫害类型r；相反，1表示环境因素xi一定会引起虫害类型r。A为一个对角矩阵。通过softmax function可以将公式(2)进行转换，得到公式(3)：
其中，scores(i)表示环境因素i与虫害类型的相关分数；scores(k)表示k个环境因素与虫害类型的相关分数。
通过上述步骤，便可以得到每个环境因素特征数据与虫害类型数据之间的匹配度。
可以理解的是，利用该相关分数scores(i)，可以减少引起虫害的环境因素中的不敏感环境因素信息，以得到与预测虫害最相关的因素信息，从而为最终的预测提供更重要的环境因素信息。
S103：根据每个所述环境因素特征数据和对应的所述匹配度，确定多个训练样本数据。
在S103中，通过S102确定了每个环境因素特征数据与虫害类型数据之间的匹配度βi。然后，根据匹配度βi和每个环境因素特征数据可以确定多个训练样本数据。具体可以通过公式(4)得到多个训练样本数据，计算公式(4)表示：
这里，多个训练样本数据可以为多个目标环境因素特征数据，多个目标环境因素特征数据具有与虫害类型数据之间的匹配度信息。
S104：将所述多个训练样本数据与所述虫害类型数据输入待训练虫害预测模型进行迭代训练，以确定目标虫害预测模型。
具体地，在S104中，确定目标虫害预测模型的具体过程可以包括以下步骤：
S41，根据多个训练样本数据，确定虫害类型预测数据。
S42，根据虫害类型预测数据和所述虫害类型数据，确定待训练虫害预测模型的损失函数。
S43，根据损失函数，调整待训练虫害预测模型的模型参数。
S44，将多个训练样本数据做为调整后的待训练虫害预测模型的输入，以对待训练虫害预测模型进行迭代训练。
S45，当训练满足预设的训练条件时，将训练后的虫害预测模型作为目标虫害预测模型。
具体地，S41至S45步骤的具体实现为，首先，通过多个训练样本数据，可以得到虫害类型预测数据。通过公式(5)可以计算每一个可能的虫害类型r，即虫害类型预测数据对应的得分：
y＝MSv+b (5)
其中，M是一个关系矩阵，b是一个偏置量。
根据虫害类型预测数据和所述虫害类型数据，确定待训练虫害预测模型的损失函数。
采用最小化负对数似然函数来进行模型训练，接着将式(5)通过softmax层定义条件概率如下：
nr表示所有可能的虫害类型数据，y表示虫害类型预测数据对应的得分。可以采用随机梯度下降算法来最小化负对数似然函数，定义优化目标函数计算如下：
其中，M，b，A分别表示模型训练参数，参数的初始值可以随机给定。D表示训练样本数。
然后，便将多个训练样本数据做为调整后的待训练虫害预测模型的输入，以对待训练虫害预测模型进行迭代训练。当训练满足预设的训练条件时，将训练后的虫害预测模型作为目标虫害预测模型。
可选地，预设的训练条件可以为迭代次数达到预设次数阈值。
可选地，预设的训练条件还可以为待训练虫害预测模型的损失函数与上一次迭代过程中确定的损失函数之间的差值不超过预设差值阈值。
这里，预设的训练条件可以根据实际应用需求进行设置，在此不再赘述。
综上，本发明实施例的虫害预测模型训练的方法，能够对环境因素和虫害类型进行相关性分析，得到相应的匹配度，在多种环境因素中，突出对虫害类型影响较大或者较敏感的环境因素，削弱不敏感的环境因素，基于经过相关性处理的样本数据训练得到所需的虫害预测模型。本发明技术方案，由于全面的考虑了环境因素与农作物虫害之间的关系，可以有效地提高虫害预测模型对农作物虫害预测的准确性。并且，基于已有的环境因素信息，采用虫害预测模型对农作物虫害类型进行预测，可以实现对病虫害的实时快速地预测，进而可以提前做好对农作物的防护。
下面对本发明实施例所提供的虫害预测的方法进行介绍。
图2是本发明一个实施例提供的虫害预测的方法的流程示意图。如图2所示，在本发明实施例中，该虫害预测的方法可以包括以下步骤：
S201：获取多个环境因素特征数据。
影响农作物病虫害的环境因素可以包括温度、湿度、风量降雨量和光照时长等因素中的一种或者多种。不同环境因素，可能会引发不同类型的虫害。
在本发明实施例中，获取多个环境因素特征数据，可以包括如下步骤：
可选地，在一个实施例中，获取多个环境因素特征数据，包括：
首先，获取多个环境因素数据；其中，获取多个环境因素数据，包括：获取多个原始环境因素数据，然后进行数据预处理，比如归一化处理，得到经过归一化处理的环境因素数据。然后，将经过归一化处理的环境因素数据输入预设的卷积神经网络，对所述多个环境因素数据进行特征提取，得到多个环境因素特征数据。
这里，预设的卷积神经网络可以为KCNN卷积神经网络，也可以为其他根据实际应用需求选择的卷积神经网络，在本发明实施例中对此不做限定。
S202：将多个环境因素特征数据输入利用虫害预测模型训练的方法训练得到的目标虫害预测模型，得到与所述环境因素特征数据对应的虫害类型信息。
目标虫害预测模型可以通过图1所示实施例中S101至S104的方法训练得到的。
具体地，将当前的环境因素特征数据输入目标虫害预测模型，提取经过目标虫害预测模型的预测识别，包括提取可以预测出在当前的环境因素条件下，可能发生的虫害类型。农业技术人员根据预测的虫害类型结果，可以提前对农作物做好防病虫害的防护。
综上，本发明实施例的虫害预测的方法，能够利用的目标虫害预测模型能够对环境因素和虫害类型进行相关性分析，得到相应的匹配度，在多种环境因素中，突出对虫害类型影响较大或者较敏感的环境因素，削弱不敏感的环境因素。该虫害预测的方法由于全面的考虑了环境因素与农作物虫害之间的关系，可以有效地提高农作物虫害预测的准确性。并且，根据已有的环境因素信息，采用虫害预测模型对农作物虫害进行预测，可以实现对病虫害的实时快速地预测，进而可以提前做好对农作物的防护。
在本发明实施例中，以实际应用场景下对水稻病虫害预测为例，对上述实施例中的方法进行如下详细说明：
具体地，影响水稻虫害的因素可以包括温度、湿度、降雨量、风量和日照时长。首先，温度对水稻虫害具有显著影响，温度影响了昆虫的代谢率，高温条件下昆虫代谢快，繁殖也快，而低温条件下昆虫代谢慢，繁殖也慢。当温度过低时，会直接导致昆虫死亡。湿度也是影响虫害的重要因素，环境湿度直接影响昆虫体内含水量，对昆虫的生长与繁殖的影响都很大。自然条件下，湿度主要受自然降水量的影响。对于有些昆虫来说，光照不是必要的生存条件，但是，部分昆虫的生理结构和行为会受到光照的影响，并且光照还会间接地影响湿度和温度。
在发明实施例中，选取了平均温度(T)、湿度(H)、降雨量(R)、日照时长(L)、风量(A)作为水稻农田虫害预测的输入因子。虫害类型可以为四个，依次编码为0001、0010、0100和1000。为了减小数据量级对预测模型结构的影响，首先对数据进行标准化处理，将数据归一化为[-1,1]区间内。数据归一化后结果如下表1所示：
表1
在本发明实施例中，虫害预测模型训练时，首先对所有的数据进行随机初始化特征向量表示，采用KCNN卷积神经网络的方法抽取环境因素特征矩阵中的特征数据，提取过程如图3所示，图3是本发明一个实施提供的KCNN卷积神经网络的流程示意图。嵌入层(Embedding)：第一层是图中最左边的6乘5的环境因素矩阵，每行是向量，维度＝5，这个可以类比为图像中的原始像素点。卷积层(Convolution)：第二层经过卷积核kernel_sizes＝(2,3,4)的一维卷积层，每个kernel_size有两个输出通道channel。池化层(max pooling)：第三层是一个1-max pooling层，这样不同长度句子经过池化层之后都能变成定长的表示。
确定待预测的虫害类型与5种环境因素特征数据对应的相关分数，相关分数用于描述待预测的虫害类型与环境因素特征数据的匹配程度，可以通过根据预设的参数和公司计算得到。将相关分数与原始环境因素特征数据相乘得到目标环境因素特征数据，即样本数据。
根据样本数据和待预测的虫害类型数据进行虫害预测模型训练，得到目标的虫害预测模型。具体地，5种环境因素特征数据拼接成外界因素特征向量矩阵，将其与待预测虫害类型数据进行点乘，得到最终预测的结果，如果是1的话表示这些因素是会引起该待预测的虫害类型，如果是0就表示不会。具体过程，如图4所示，图4是本发明一个实施提供的应用场景中的虫害预测过程的示意图。
综上，本发明实施例的方法，能够利用的目标虫害预测模型能够对环境因素和虫害类型进行相关性分析，得到相应的匹配度，在多种环境因素中，突出对虫害类型影响较大或者较敏感的环境因素，削弱不敏感的环境因素。该虫害预测的方法由于全面的考虑了环境因素与农作物虫害之间的关系，可以有效地提高农作物虫害预测的准确性。并且，根据已有的环境因素信息，采用虫害预测模型对农作物虫害进行预测，可以实现对病虫害的实时快速地预测，进而可以提前做好对农作物的防护。
此外，本发明实施例的方法还具有以下的技术效果：
(1)相比传统人工预测方法，本发明实施例的方法可以排除因为人自身所带来的的误差，提高预测准确性，快速实时的得到预测结果，为虫害的防护提供时间。
(2)与专家系统相比本发明实施例的方法可以弹性的添加对虫害有影响的因素，能够保持盖模型的可持续性与可扩展性。
(3)、本发明实施例的方法采用kcnn的方法来抽取影响因素的特征表示，该方法降低计算量，提高整体算法的效率，可以充分的考虑每种影响因素之间的相互关系，相比较于传统的深度学习方法可以快速的捕捉全局的语义信息，从而提取出质量更佳的影响因素的特征表示，为预测虫害提供保证。
(4)由于每种病虫害对于某些影响因素是敏感的但是对于有些因素是不敏感的，因此本发明实施例的方法中，用相关分数来放大每种病虫害最敏感的影响因素，削弱与其不敏感的因素，最后可以得到与预测虫害最相关的因素信息，从而有效地提高了农作物虫害预测的准确性。
基于上述实施例提供的虫害预测模型训练的方法，相应地，本申请还提供了虫害预测模型训练的装置的具体实现方式。请参见以下实施例。
如图5所示，图5是本发明另一个实施例提供的虫害预测模型训练的装置的结构示意图。在本发明一实施例中，该虫害预测模型训练的装置，具体包括：
获取模块501，用于获取多个环境因素特征数据和虫害类型数据；
匹配模块502，用于根据预设的匹配规则，确定每个所述环境因素特征数据与所述虫害类型数据的匹配度；
确定模块503，用根据每个所述环境因素特征数据和对应的所述匹配度，确定多个训练样本数据；
训练模块504，用于将所述多个训练样本数据与所述虫害类型数据输入待训练虫害预测模型进行迭代训练，以确定目标虫害预测模型。
可选地，匹配模块，还用于将多个所述环境因素特征数据与所述虫害类型数据，输入预设的匹配模型，得到每个所述环境因素特征数据与所述虫害类型数据之间的匹配度。
可选地，该匹配度根据以下公式确定：
其中，scores(i)表示环境因素i与虫害类型的相关分数；scores(k)表示k个环境因素与虫害类型的相关分数，k为自然数。
可选地，训练模块504，还用于根据所述多个训练样本数据，确定虫害类型预测数据；根据所述虫害类型预测数据和所述虫害类型数据，确定所述待训练虫害预测模型的损失函数；根据所述损失函数，调整待训练虫害预测模型的模型参数；将所述多个训练样本数据为调整后的待训练虫害预测模型的输入，以对待训练虫害预测模型进行迭代训练，当所述训练满足预设的训练条件时，将训练后的虫害预测模型作为目标虫害预测模型。
可选地，预设训练条件包括：迭代次数达到预设次数阈值；或，待训练虫害预测模型的损失函数与上一次迭代过程中确定的损失函数之间的差值不超过预设差值阈值。
可选地，获取模块501，还用于获取多个环境因素数据；采用预设的卷积神经网络，对所述多个环境因素数据进行特征提取，得到多个环境因素特征数据。
综上，本发明实施例的虫害预测模型训练的装置，可以实现上述实施例中虫害预测模型训练的方法，能够对环境因素和虫害类型进行相关性分析，得到相应的匹配度，在多种环境因素中，突出对虫害类型影响较大或者较敏感的环境因素，削弱不敏感的环境因素，根据经过相关性处理的样本数据训练得到所需的虫害预测模型。本发明技术方案，由于全面的考虑了环境因素与农作物虫害之间的关系，可以有效地提高农作物虫害预测的准确性。并且，根据已有的环境因素信息，采用虫害预测模型对农作物虫害进行预测，可以实现对病虫害的实时快速地预测，进而可以提前做好对农作物的防护。
基于上述实施例提供的虫害预测的方法，相应地，本申请还提供了虫害预测的装置的具体实现方式。请参见以下实施例。
如图6所示，图6是本发明另一个实施例提供的虫害预测的装置的结构示意图。在本发明一实施例中，该虫害预测的装置，具体包括：
获取模块601，用于获取多个环境因素特征数据；
预测模块602，用于将至少一个环境因素特征数据输入利用上述任一实施例所述的虫害预测模型训练的方法训练得到的目标虫害预测模型，得到与环境因素特征数据对应的虫害类型信息。
可选地，获取模块601，还用于获取多个环境因素数据；采用预设的卷积神经网络，对所述多个环境因素数据进行特征提取，得到多个环境因素特征数据。
综上，本发明实施例提供的虫害预测的装置，可以实现上述实施例中的虫害预测方法，为简洁描述，在此不再赘述。本发明实施例提供的虫害预测的装置通过全面的考虑环境因素与农作物虫害之间的关系，有效地提高了农作物虫害预测的准确性。
图7是本发明实施例提供的虫害预测模型训练的硬件结构示意图。
在虫害预测模型训练的设备可以包括处理器701以及存储有计算机程序指令的存储器702。
具体地，上述处理器701可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器702可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器702可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器702可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器702可在综合网关容灾设备的内部或外部。在特定实施例中，存储器702是非易失性固态存储器。在特定实施例中，存储器702包括只读存储器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器701通过读取并执行存储器702中存储的计算机程序指令，以实现上述实施例中的任意一种虫害预测模型训练的方法。
在一个示例中，虫害预测模型训练的设备还可包括通信接口703和总线710。其中，如图7所示，处理器701、存储器702、通信接口703通过总线710连接并完成相互间的通信。
通信接口703，主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线710包括硬件、软件或两者，将虫害预测模型训练的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线710可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。
该虫害预测模型训练的设备可以实现结合图1描述的虫害预测模型训练的方法。
如图8所示，图8是本发明实施例提供的虫害预测的硬件结构示意图。
在虫害预测的设备可以包括处理器801以及存储有计算机程序指令的存储器802。
具体地，上述处理器801可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器802可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器802可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器802可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器802可在综合网关容灾设备的内部或外部。在特定实施例中，存储器802是非易失性固态存储器。在特定实施例中，存储器802包括只读存储器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器801通过读取并执行存储器802中存储的计算机程序指令，以实现上述实施例中的任意一种虫害预测的方法。
在一个示例中，虫害预测的设备还可包括通信接口803和总线810。其中，如图8所示，处理器801、存储器802、通信接口803通过总线810连接并完成相互间的通信。
通信接口803，主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线810包括硬件、软件或两者，将虫害预测的设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线810可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。
该虫害预测设备可以执行本发明实施例中的虫害预测的方法，从而实现结合图2描述的虫害预测的方法。
另外，结合上述实施例中的虫害预测模型训练的方法，本发明实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种虫害预测模型训练的方法。
另外，结合上述实施例中的虫害预测的方法，本发明实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种虫害预测的方法。
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (13)
1.一种虫害预测模型训练的方法，其特征在于，包括：
获取多个环境因素特征数据和虫害类型数据；
根据预设的匹配规则，确定每个所述环境因素特征数据与所述虫害类型数据的匹配度；
根据每个所述环境因素特征数据和对应的所述匹配度，确定多个训练样本数据；
将所述多个训练样本数据与所述虫害类型数据输入待训练虫害预测模型进行迭代训练，以确定目标虫害预测模型。
2.根据权利要求1所述的方法，其特征在于，所述根据预设的匹配规则，确定每个所述环境因素特征数据与所述虫害类型数据的匹配度，包括：
将多个所述环境因素特征数据与所述虫害类型数据，输入预设的匹配模型，得到每个所述环境因素特征数据与所述虫害类型数据之间的匹配度。
3.根据权利要求2所述的方法，其特征在于，所述匹配度根据以下公式确定：
其中，scores(i)表示环境因素i与虫害类型的相关分数；scores(k)表示k个环境因素与虫害类型的相关分数，k为自然数。
4.根据权利要求1或2所述的方法，其特征在于，所述将多个训练样本数据与所述虫害类型数据输入待训练虫害预测模型进行迭代训练，以确定目标虫害预测模型，包括：
根据所述多个训练样本数据，确定虫害类型预测数据；
根据所述虫害类型预测数据和所述虫害类型数据，确定所述待训练虫害预测模型的损失函数；
根据所述损失函数，调整待训练虫害预测模型的模型参数；
将所述多个训练样本数据为调整后的待训练虫害预测模型的输入，以对待训练虫害预测模型进行迭代训练，
当所述训练满足预设训练条件时，将训练后的虫害预测模型作为目标虫害预测模型。
5.根据权利要求1所述的方法，其特征在于，所述预设训练条件包括：
迭代次数达到预设次数阈值；或，
待训练虫害预测模型的损失函数与上一次迭代过程中确定的损失函数之间的差值不超过预设差值阈值。
6.根据权利要求1所述的方法，其特征在于，所述获取多个环境因素特征数据，包括：
获取多个环境因素数据；
采用预设的卷积神经网络，对所述多个环境因素数据进行特征提取，得到多个环境因素特征数据。
7.一种虫害预测的方法，其特征在于，包括：
获取多个环境因素特征数据；
将多个所述环境因素特征数据输入利用权利要求1至6任意一项所述的虫害预测模型训练的方法训练得到的所述目标虫害预测模型，得到与所述环境因素特征数据对应的虫害类型信息。
8.根据权利要求7所述的方法，其特征在于，所述获取多个环境因素特征数据，包括：
获取多个环境因素数据；
采用预设的卷积神经网络，对所述多个环境因素数据进行特征提取，得到多个环境因素特征数据。
9.一种虫害预测模型训练的装置，其特征在于，所述装置包括：
获取模块，用于获取多个环境因素特征数据和虫害类型数据；
匹配模块，用于根据预设的匹配规则，确定每个所述环境因素特征数据与所述虫害类型数据的匹配度；
确定模块，用根据每个所述环境因素特征数据和对应的所述匹配度，确定多个训练样本数据；
训练模块，用于将所述多个训练样本数据与所述虫害类型数据输入待训练虫害预测模型进行迭代训练，以确定目标虫害预测模型。
10.一种虫害预测的装置，其特征在于，所述装置包括：
获取模块，用于获取多个环境因素特征数据；
预测模块，用于将所述多个环境因素特征数据输入利用权利要求1至6任意一项所述的虫害预测模型训练的方法训练得到的所述目标虫害预测模型，得到与所述环境因素特征数据对应的虫害类型信息。
11.一种虫害预测模型训练的设备，其特征在于，所述设备包括：处理器以及存储有计算机程序指令的存储器；所述处理器执行所述计算机程序指令时实现如权利要求1至6任意一项所述的虫害预测模型训练的方法。
12.一种虫害预测的设备，其特征在于，所述设备包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现如权利要求7至8任意一项所述的虫害预测模型训练的方法。
13.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1至6任意一项所述的虫害预测模型训练的方法、或如权利要求7至8任意一项所述的虫害预测的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010216430.2A CN113449893A (zh) | 2020-03-25 | 2020-03-25 | 虫害预测模型训练的方法、虫害预测的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010216430.2A CN113449893A (zh) | 2020-03-25 | 2020-03-25 | 虫害预测模型训练的方法、虫害预测的方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113449893A true CN113449893A (zh) | 2021-09-28 |
Family
ID=77806632
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010216430.2A Pending CN113449893A (zh) | 2020-03-25 | 2020-03-25 | 虫害预测模型训练的方法、虫害预测的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113449893A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113962476A (zh) * | 2021-11-09 | 2022-01-21 | 广州极飞科技股份有限公司 | 一种虫害预测方法、装置、设备及存储介质 |
| CN114912692A (zh) * | 2022-05-23 | 2022-08-16 | 中国地质大学（武汉） | 泉流量预测方法、装置、设备及可读存储介质 |
| WO2023229804A1 (en) * | 2022-05-25 | 2023-11-30 | X Development Llc | Model-predictive control of pest presence in host environments |
| CN118350682A (zh) * | 2024-06-18 | 2024-07-16 | 威海权铭星物联网有限公司 | 基于物联网态势感知的虫情监测方法、系统及设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103218748A (zh) * | 2013-03-15 | 2013-07-24 | 北京市农林科学院 | 一种蔬菜病害诊断方法和便携系统 |
| CN107783522A (zh) * | 2017-10-18 | 2018-03-09 | 来安县威光绿园生态农业专业合作社 | 一种基于物联网的农作物病虫害智能防治系统 |
| US20190188598A1 (en) * | 2017-12-15 | 2019-06-20 | Fujitsu Limited | Learning method, prediction method, learning device, predicting device, and storage medium |
| CN110837926A (zh) * | 2019-11-04 | 2020-02-25 | 四川省烟草公司广元市公司 | 一种基于大数据的烟草主要病虫害预测方法 |
-
2020
- 2020-03-25 CN CN202010216430.2A patent/CN113449893A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103218748A (zh) * | 2013-03-15 | 2013-07-24 | 北京市农林科学院 | 一种蔬菜病害诊断方法和便携系统 |
| CN107783522A (zh) * | 2017-10-18 | 2018-03-09 | 来安县威光绿园生态农业专业合作社 | 一种基于物联网的农作物病虫害智能防治系统 |
| US20190188598A1 (en) * | 2017-12-15 | 2019-06-20 | Fujitsu Limited | Learning method, prediction method, learning device, predicting device, and storage medium |
| CN110837926A (zh) * | 2019-11-04 | 2020-02-25 | 四川省烟草公司广元市公司 | 一种基于大数据的烟草主要病虫害预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李静: "林业典型病虫害的分析与预测——以四川省阿坝州理县、茂县为例", 《中国优秀博硕士学位论文全文数据库(硕士)农业科技辑》 * |
| 汪璇等: "水稻虫害智能预测模型及其应用", 《农业工程学报》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113962476A (zh) * | 2021-11-09 | 2022-01-21 | 广州极飞科技股份有限公司 | 一种虫害预测方法、装置、设备及存储介质 |
| CN114912692A (zh) * | 2022-05-23 | 2022-08-16 | 中国地质大学（武汉） | 泉流量预测方法、装置、设备及可读存储介质 |
| WO2023229804A1 (en) * | 2022-05-25 | 2023-11-30 | X Development Llc | Model-predictive control of pest presence in host environments |
| CN118350682A (zh) * | 2024-06-18 | 2024-07-16 | 威海权铭星物联网有限公司 | 基于物联网态势感知的虫情监测方法、系统及设备 |
| CN118350682B (zh) * | 2024-06-18 | 2024-08-30 | 威海权铭星物联网有限公司 | 基于物联网态势感知的虫情监测方法、系统及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113449893A (zh) | 虫害预测模型训练的方法、虫害预测的方法及装置 | |
| CN109871885A (zh) | 一种基于深度学习和植物分类学的植物识别方法 | |
| CN110991222B (zh) | 一种物体状态监测、母猪发情监测方法、装置及系统 | |
| CN104102922A (zh) | 一种基于上下文感知字典学习的害虫图像分类方法 | |
| CN112464172A (zh) | 生长参数主被动遥感反演方法及装置 | |
| CN110046756B (zh) | 基于小波去噪与Catboost的短时天气预报方法 | |
| CN118351380A (zh) | 基于多模态数据融合框架的天气检测方法 | |
| Ou et al. | Identification algorithm of diseased leaves based on MobileNet model | |
| CN116977834B (zh) | 一种开放条件下分布内外图像识别方法 | |
| CN113516097A (zh) | 一种基于改进EfficentNet-V2的植物叶片疾病识别方法 | |
| CN117253192A (zh) | 用于桑蚕养殖的智能系统及方法 | |
| CN116541507A (zh) | 一种基于动态语义图神经网络的视觉问答方法及系统 | |
| CN116822934A (zh) | 输电线路舞动破坏风险评估方法、装置、终端及存储介质 | |
| CN116342919A (zh) | 基于注意力和门控机制的水稻病害识别方法 | |
| CN115510991A (zh) | 一种基于1dcnn-lstm多源信息融合模型的日光温室蚜虫预警方法 | |
| CN115170987A (zh) | 一种基于图像分割和配准融合对葡萄进行病害检测的方法 | |
| Dharwadkar et al. | Crop yield prediction using deep learning algorithm based on CNN-LSTM with Attention Layer and Skip Connection | |
| CN115496076B (zh) | 一种价值需求特征驱动的文本情感识别、训练方法及装置 | |
| CN116992944B (zh) | 基于可学习重要性评判标准剪枝的图像处理方法及装置 | |
| CN118097435B (zh) | 基于超图神经网络的玉米倒伏分类方法及装置 | |
| CN117636188B (zh) | 一种利用无人机遥感监测城市绿化病虫害的方法及系统 | |
| CN118333231A (zh) | 一种松材线虫病害传播预测方法、电子设备及存储介质 | |
| Abirami et al. | Maturity Detection of Sugarcane Using Deep Learning | |
| CN118298218A (zh) | 一种木薯叶疾病分类方法、设备及存储介质 | |
| CN118709720A (zh) | 一种注意力机制长短期记忆模型的雷电预警方法及系统 |
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: 20210928 |