CN117557402B - 基于智慧农业的小麦病虫害远程监控和预警系统 - Google Patents
基于智慧农业的小麦病虫害远程监控和预警系统 Download PDFInfo
- Publication number
- CN117557402B CN117557402B CN202410046476.2A CN202410046476A CN117557402B CN 117557402 B CN117557402 B CN 117557402B CN 202410046476 A CN202410046476 A CN 202410046476A CN 117557402 B CN117557402 B CN 117557402B
- Authority
- CN
- China
- Prior art keywords
- attention
- data
- pyramid
- feature
- features
- 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.)
- Active
Links
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 67
- 241000209140 Triticum Species 0.000 title claims abstract description 48
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 42
- 238000012544 monitoring process Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 69
- 201000010099 disease Diseases 0.000 claims abstract description 48
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 11
- 230000005540 biological transmission Effects 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 42
- 241000238631 Hexapoda Species 0.000 claims description 41
- 239000011159 matrix material Substances 0.000 claims description 32
- 241000196324 Embryophyta Species 0.000 claims description 18
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims 1
- 230000003993 interaction Effects 0.000 abstract description 5
- 238000012271 agricultural production Methods 0.000 abstract description 4
- 230000002265 prevention Effects 0.000 abstract description 3
- 235000013339 cereals Nutrition 0.000 abstract 2
- 238000011960 computer-aided design Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 241001131927 Placea Species 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Mining & Mineral Resources (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- General Business, Economics & Management (AREA)
- Agronomy & Crop Science (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及智慧农业领域，具体是指基于智慧农业的小麦病虫害远程监控和预警系统，包括数据采集模块、数据传输模块、数据处理与分析模块、预警和决策模块，用户交互模块，系统管理模块，本方案采用基于GPA‑Net的细粒度识别方法对病虫害进行识别并分类，提高对病虫害的识别精确度，以提高农业生产效率，基于GPA‑Net的细粒度识别方法使用一种新的图金字塔嵌入方法，进行自适应重要度判断，增强识别能力；本方案采用优化的BanditPAM方法对历史治理方法进行学习，加速原BanditPAM方法处理数据的时间，使系统对小麦的病虫害问题进行及时的预警，提供科学的防治建议，帮助用户对小麦的病虫害进行及时的处理。
Description
技术领域
本发明涉及智慧农业领域，具体是指基于智慧农业的小麦病虫害远程监控和预警系统。
背景技术
在现代化农业的发展中，农作物病虫害的有效识别和监测对于智能化农业管理系统和移动计算应用至关重要，现有的智慧农业对小麦病虫害的识别缺乏细粒度特征的识别能力和内在关联的挖掘能力，不能对小麦病虫害的类别和位置进行准确的区分，使得管理者对病虫害的治理不精确，作物产量下降；不同的小麦病虫害类型有不同的治理方式，现有的智慧农业技术不能生成高效、准确的治理方法，小麦的病虫害情况无法进行及时的预警和治理，降低了小麦病虫害治理的效率和准确性。
发明内容
针对上述情况，本发明提供了基于智慧农业的小麦病虫害远程监控和预警系统，针对现有的智慧农业对病虫害的识别主要依靠机器学习和深度学习网络对大尺度参数进行粗粒度分类和复杂的结构拟合，缺乏细粒度特征的识别能力和内在关联的挖掘能力的问题，本方案采用基于GPA-Net的细粒度识别方法对病虫害进行识别并分类，提高对病虫害的识别精确度，以提高农业生产效率；针对不同的小麦病虫害类型有不同的治理方式，现有的智慧农业技术不能生成高效、准确的治理方法，小麦的病虫害情况无法进行及时的预警和治理，降低了小麦病虫害治理的效率和准确性的问题，本方案采用优化的BanditPAM方法对历史治理方法进行学习，对小麦的病虫害问题进行及时的预警，提供科学的防治建议，帮助用户对小麦的病虫害进行及时的处理。
本发明提供的基于智慧农业的小麦病虫害远程监控和预警系统包括数据采集模块、数据传输模块、数据处理与分析模块、预警和决策模块、用户交互模块、系统管理模块；
所述数据采集模块在农田中部署监测设备，包括传感器、虫情监测摄像头、孢子捕捉仪，收集农田环境和小麦生长的数据，传感器包括气象传感器和土壤湿度传感器；
所述数据传输模块使用物联网平台和5G通信技术进行数据传输，并对数据采集模块收集的农田环境和小麦生长的数据进行传输和预处理，得到预处理后的数据；
所述数据处理与分析模块对预处理后的数据采用基于GPA-Net的细粒度识别方法对病虫害的类别和危害程度进行识别分类，得到病虫害分类结果和小麦病虫害危害等级，生成小麦病虫害报告；
所述预警和决策模块收集农业专家的知识和经验，以及历史小麦病虫害的防治信息，构建数据集，采用优化的BanditPAM方法对数据集进行学习分析，接收数据处理与分析模块的小麦病虫害报告，并根据小麦病虫害报告进行预警，生成防治决策建议；
所述用户交互模块提供用户使用界面，包含小麦病虫害报告、预警信息、防治决策建议和远程控制界面，同时，支持多个用户和多个客户端同时登录，根据角色分配不同的操作权限；
所述系统管理模块定期对监测设备进行故障检测和维护，及时发现并处理监测设备故障，并根据基于智慧农业的小麦病虫害远程监控和预警系统的实际使用情况和新技术发展，持续优化算法、改进功能和提升用户体验。
进一步的，在数据处理与分析模块对预处理后的数据采用基于GPA-Net的细粒度识别方法对病虫害的类别和危害程度进行识别分类，具体包括以下步骤：
步骤S1：CSP主干网络，CSP主干网络主要由基础分支和跨度分支两个并行分支网络组成，使用CSP主干网络对预处理后的数据进行特征提取，得到两个分支提取的特征并进行拼接，使用下采样方法计算CSP主干网络不同阶段的输出，获得采样后的特征图，所用公式如下：
；
；
其中，为基础分支的输出特征，表示卷积，是由N个基础模块组
成的组合函数，为预处理后的数据，为跨度分支的输出特征，为通道打乱操作，为下采样操作，为采样后的特征图，基础分支包含多个串联和并联的基础模块；
步骤S2：CTA，使用CTA挖掘细粒度识别对采样后的特征图进行特征提取，并使用全连接层将得到细粒度识别的特征用于病虫害的分类识别中；
步骤S3：多层金字塔特征，采样后的特征图包含不同级别的特征，使用金字塔结构学习采样后的特征图的不同级别的特征，同时，使用自顶向下的方法对金字塔结构上层具有较少空间信息但语义更强的特征进行下采样，并使用横向连接保持原始骨干网络的信息；
步骤S4：图金字塔嵌入，步骤S2和步骤S3中生成多尺度细粒度特征库，使用图金字塔嵌入学习多尺度细粒度特征库中的特征；
步骤S5：损失函数，使用交叉函数作为损失函数，并在损失函数中使用平滑技术进行计算，所用公式如下：
；
为样本标签，表示平滑因子，为每个病虫害分类的分数表达式。
进一步的，在步骤S2中，对采样后的特征图使用CTA挖掘细粒度识别的特征，具体包括以下步骤：
步骤S21：双线性空间注意力机制，将采样后的特征图的自身特征矩阵与CNN矩阵进行合并分类，得到每个位置的二阶矩阵，使用全连接层对二阶矩阵进行操作，所用公式如下：
；
；
其中，和属于自然数，表示自身特征矩阵，表示CNN矩阵，和分别表示
特征图的宽度和高度，表示二阶矩阵的向量化操作，为每个位置的二阶矩阵，为FC层
的学习权重，为偏置项；
步骤S22：跨层语义学习，使用跨层语义学习方法对CSP主干网络中同一阶段下一层的特征进行跨通道学习，所用公式如下：
；
其中，为CSP主干网络中同一阶段下一层的特征，表示SoftMax正则化，表
示矩函数正则化，表示跨层语义学习得到的特征图；
步骤S23：跨阶段三线性注意力，将和进行点乘运算，使和的空间关
系进一步集成到采样后的特征图中，获得跨阶段三线性注意力图，所用公式如下：
；
其中，为跨阶段三线性注意力图。
进一步的，在步骤S3中，多层金字塔特征包括空间金字塔注意力和通道金字塔注意力，具体包括以下步骤：
步骤S31：空间金字塔注意力包含多个卷积块，将每个卷积块输出的特征图作为输
入，使用的反卷积层得到空间金字塔注意力的输出特征，并使用sigmod函数将空间注
意力缩放到0至1之间，所用公式如下：
；
其中，为sigmoid函数，代表反卷积操作，为自然数，为卷积块输
出的特征图，代表空间注意力，为空间金字塔注意力输出的特征图；
步骤S32：通道金字塔注意力，使用全局平均池化、全局最大池化和两个全连接层生成通道注意力组件，所用公式如下：
；
其中，表示激活函数，和表示全连接层的权值，为全局平均池化，为全局最大池化，代表通道注意力，为通道金字塔注意力输出的特征图；
步骤S33：将经过空间金字塔注意力和通道金字塔注意力学习到的的特征进行
加权，得到金字塔级别的特征，金字塔级别的特征使用CTA生成细粒度特征，所用公式如下：
；
；
其中，为金字塔级别的特征，为广播语义加法运算，代表跨阶段三线性注
意力，为细粒度特征。
进一步的，在步骤S4中，使用图金字塔嵌入学习多尺度细粒度特征库中的特征，具体包括以下步骤：
步骤S41：多层图金字塔嵌入，将多尺度细粒度特征库中的每个特征视为一个图节点，对CSP主干网络使用节点图神经网络的邻接矩阵得分来嵌入细粒度特征图的特征，所用公式如下：
；
其中，表示维度转换的卷积，和分别为第个、第个图节点，代表第和个
图节点的邻接矩阵得分；
步骤S42：多级结构嵌入特征，将图节点进行聚合，并对每个图节点更新，获得多级结构嵌入特征，所用公式如下：
；
其中，为第个待正则化的对角矩阵，为第个加权后的邻接矩阵，表示第个特征图矩阵，表示第个可学习维数的图节点的权重，表示第个级别的特征；
步骤S43：多级图注意力，使用自适应注意力学习多级结构嵌入特征之间的重要性，所用公式如下：
；
其中，为多级结构嵌入特征，，表示自适应注意力函数，为
自适应注意力向量。
进一步的，在步骤S43中，自适应注意力学习方法，具体包括以下步骤：
步骤S431：使用非线性变换对多级结构嵌入特征进行变换，并使用注意力向量获取多级结构嵌入特征的注意力值，所用公式如下：
；
其中，为非线性函数，为自然数，为可学习的参数权重，表示第个图
节点，为偏置项，表示的注意力值；
步骤S432：使用步骤S431的操作，找到所用多级结构嵌入特征的注意力值，并使用SoftMax函数进行正则化，所用公式如下：
；
其中，为SoftMax函数，表示图节点在第级别的注意力值；
步骤S433：对于所有的图节点，使用自适应注意力获取注意力向量，得到多级结构嵌入特征中不同级别特征的重要性，获得多级结构嵌入特征的最终结果得分，所用公式如下：
；
其中，表示第级别的注意力值，为第级别的嵌入特征，表示最终结果
得分。
进一步的，在预警和决策模块，采用优化的BanditPAM方法对数据集进行学习分析，具体包括以下步骤：
步骤P1：初始化，随机选取个数据集数据作为初始的中心点，将每个中心点作为
一簇，计算数据集所有数据到这些中心点的距离，并将数据集中的每个数据分配到距离该
数据最近的中心点所在的簇；
步骤P2：构建阶段，使用贪心算法选择个数据集数据作为初始的中心点，使用迭
代方法选择距离当前中心点集合最远的对象来实现，直到选择出个中心点；
步骤P3：SWAP阶段，使用Bandit的策略优化中心点的交换过程，计算每个非中心点的数据替换当前中心点后导致的损失变化，所用公式如下：
；
其中，为自然数，在公式中表示簇的总数量，为自然数，为中的第个数据，表示第个簇，为的簇中心，表示和之间的距离，为损失函
数；
步骤P4：迭代优化，重复步骤P3，直到迭代次数达到100；
步骤P5：SPIMAB，使用VA技术对步骤P3的迭代进行优化，优化后的算法称为SPIMAB，所用公式如下：
；
；
其中，为中心点，为非中心点的数据，表示在将与交换
后，的损失变化，表示和之间的距离，表示除当前之外的中心点，表示所有的中心点的集合，表示除之外的其他中心点与
之间的最小距离，表示将与交换后的损失变化；
步骤P6：PIC改进，使用PIC技术对SPIMAB进行改进，将所有的非中心点数据作为集合X，按照集合X的排列顺序进行采样并计算距离，所用公式如下：
；
其中，表示从到的距离，是一组导致集合大小为的动作集合。
采用上述方案本发明取得的有益效果如下：
针对现有的智慧农业对病虫害的识别主要依靠机器学习和深度学习网络对大尺度参数进行粗粒度分类和复杂的结构拟合，缺乏细粒度特征的识别能力和内在关联的挖掘能力的问题，本方案采用基于GPA-Net的细粒度识别方法对病虫害进行识别并分类，提高对病虫害的识别精确度，以提高农业生产效率，基于GPA-Net的细粒度识别方法使用一种新的图金字塔嵌入方法，并进行自适应重要度判断，增强识别能力；
针对不同的小麦病虫害类型有不同的治理方式，现有的智慧农业技术不能生成高效、准确的治理方法，小麦的病虫害情况无法进行及时的预警和治理，降低了小麦病虫害治理的效率和准确性的问题，本方案采用优化的BanditPAM方法对历史治理方法进行学习，加速原BanditPAM方法处理数据的时间，使系统对小麦的病虫害问题进行及时的预警，提供科学的防治建议，帮助用户对小麦的病虫害进行及时的处理。
附图说明
图1为本发明提供的基于智慧农业的小麦病虫害远程监控和预警系统的示意图；
图2为基于GPA-Net的细粒度识别方法的流程示意图；
图3为步骤S2的流程示意图；
图4为步骤S3的流程示意图；
图5为优化的BanditPAM方法的流程示意图。
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
实施例一，参阅图1，本发明提供的基于智慧农业的小麦病虫害远程监控和预警系统包括数据采集模块、数据传输模块、数据处理与分析模块、预警和决策模块、用户交互模块、系统管理模块；
所述数据采集模块在农田中部署监测设备，包括传感器、虫情监测摄像头、孢子捕捉仪，收集农田环境和小麦生长的数据，传感器包括气象传感器和土壤湿度传感器；
所述数据传输模块使用物联网平台和5G通信技术进行数据传输，并对数据采集模块收集的农田环境和小麦生长的数据进行传输和预处理，得到预处理后的数据；
所述数据处理与分析模块对预处理后的数据采用基于GPA-Net的细粒度识别方法对病虫害的类别和危害程度进行识别分类，得到病虫害分类结果和小麦病虫害危害等级，生成小麦病虫害报告；
所述预警和决策模块收集农业专家的知识和经验，以及历史小麦病虫害的防治信息，构建数据集，采用优化的BanditPAM方法对数据集进行学习分析，接收数据处理与分析模块的小麦病虫害报告，并根据小麦病虫害报告进行预警，生成防治决策建议；
所述用户交互模块提供用户使用界面，包含小麦病虫害报告、预警信息、防治决策建议和远程控制界面，同时，支持多个用户和多个客户端同时登录，根据角色分配不同的操作权限；
所述系统管理模块定期对监测设备进行故障检测和维护，及时发现并处理监测设备故障，并根据基于智慧农业的小麦病虫害远程监控和预警系统的实际使用情况和新技术发展，持续优化算法、改进功能和提升用户体验。
实施例二，参阅图1和图2，该实施例基于上述实施例，在数据处理与分析模块对预处理后的数据采用基于GPA-Net的细粒度识别方法对病虫害的类别和危害程度进行识别分类，具体包括以下步骤：
步骤S1：CSP主干网络，CSP主干网络主要由基础分支和跨度分支两个并行分支网络组成，使用CSP主干网络对预处理后的数据进行特征提取，得到两个分支提取的特征并进行拼接，使用下采样方法计算CSP主干网络不同阶段的输出，获得采样后的特征图，所用公式如下：
；
；
其中，为基础分支的输出特征，表示卷积，是由N个基础模块组
成的组合函数，为预处理后的数据，为跨度分支的输出特征，为通道打乱操作，为下采样操作，为采样后的特征图，基础分支包含多个串联和并联的基础模块；
步骤S2：CTA，使用CTA挖掘细粒度识别对采样后的特征图进行特征提取，并使用全连接层将得到细粒度识别的特征用于病虫害的分类识别中；
步骤S3：多层金字塔特征，采样后的特征图包含不同级别的特征，使用金字塔结构学习采样后的特征图的不同级别的特征，同时，使用自顶向下的方法对金字塔结构上层具有较少空间信息但语义更强的特征进行下采样，并使用横向连接保持原始骨干网络的信息；
步骤S4：图金字塔嵌入，步骤S2和步骤S3中生成多尺度细粒度特征库，使用图金字塔嵌入学习多尺度细粒度特征库中的特征；
步骤S5：损失函数，使用交叉函数作为损失函数，并在损失函数中使用平滑技术进行计算，所用公式如下：
；
为样本标签，表示平滑因子，为每个病虫害分类的分数表达式。
实施例三，参阅图2和图3，该实施例基于上述实施例，在步骤S2中，对采样后的特征图使用CTA挖掘细粒度识别的特征，具体包括以下步骤：
步骤S21：双线性空间注意力机制，将采样后的特征图的自身特征矩阵与CNN矩阵进行合并分类，得到每个位置的二阶矩阵，使用全连接层对二阶矩阵进行操作，所用公式如下：
；
；
其中，和属于自然数，表示自身特征矩阵，表示CNN矩阵，和分别表示
特征图的宽度和高度，表示二阶矩阵的向量化操作，为每个位置的二阶矩阵，为FC层
的学习权重，为偏置项；
步骤S22：跨层语义学习，使用跨层语义学习方法对CSP主干网络中同一阶段下一层的特征进行跨通道学习，所用公式如下：
；
其中，为CSP主干网络中同一阶段下一层的特征，表示SoftMax正则化，表
示矩函数正则化，表示跨层语义学习得到的特征图；
步骤S23：跨阶段三线性注意力，将和进行点乘运算，使和的空间关
系进一步集成到采样后的特征图中，获得跨阶段三线性注意力图，所用公式如下：
；
其中，为跨阶段三线性注意力图。
实施例四，该实施例基于上述实施例，在步骤S3中，多层金字塔特征包括空间金字塔注意力和通道金字塔注意力，具体包括以下步骤：
步骤S31：空间金字塔注意力包含多个卷积块，将每个卷积块输出的特征图作为输
入，使用的反卷积层得到空间金字塔注意力的输出特征，并使用sigmod函数将空间注
意力缩放到0至1之间，所用公式如下：
；
其中，为sigmoid函数，代表反卷积操作，为自然数，为卷积块输
出的特征图，代表空间注意力，为空间金字塔注意力输出的特征图；
步骤S32：通道金字塔注意力，使用全局平均池化、全局最大池化和两个全连接层生成通道注意力组件，所用公式如下：
；
其中，表示激活函数，和表示全连接层的权值，为全局平均池化，为全局最大池化，代表通道注意力，为通道金字塔注意力输出的特征图；
步骤S33：将经过空间金字塔注意力和通道金字塔注意力学习到的的特征进行
加权，得到金字塔级别的特征，金字塔级别的特征使用CTA生成细粒度特征，所用公式如下：
；
；
其中，为金字塔级别的特征，为广播语义加法运算，代表跨阶段三线性注
意力，为细粒度特征。
实施例五，参阅图2和图4，该实施例基于上述实施例，在步骤S4中，使用图金字塔嵌入学习多尺度细粒度特征库中的特征，具体包括以下步骤：
步骤S41：多层图金字塔嵌入，将多尺度细粒度特征库中的每个特征视为一个图节点，对CSP主干网络使用节点图神经网络的邻接矩阵得分来嵌入细粒度特征图的特征，所用公式如下：
；
其中，表示维度转换的卷积，和分别为第个、第个图节点，代表第和个
图节点的邻接矩阵得分；
步骤S42：多级结构嵌入特征，将图节点进行聚合，并对每个图节点更新，获得多级结构嵌入特征，所用公式如下：
；
其中，为第个待正则化的对角矩阵，为第个加权后的邻接矩阵，表示第个特征图矩阵，表示第个可学习维数的图节点的权重，表示第个级别的特征；
步骤S43：多级图注意力，使用自适应注意力学习多级结构嵌入特征之间的重要性，所用公式如下：
；
其中，为多级结构嵌入特征，，表示自适应注意力函数，为
自适应注意力向量；
在步骤S43中，自适应注意力学习方法，具体包括以下步骤：
步骤S431：使用非线性变换对多级结构嵌入特征进行变换，并使用注意力向量获取多级结构嵌入特征的注意力值，所用公式如下：
；
其中，为非线性函数，为自然数，为可学习的参数权重，表示第个图
节点，为偏置项，表示的注意力值；
步骤S432：使用步骤S431的操作，找到所用多级结构嵌入特征的注意力值，并使用SoftMax函数进行正则化，所用公式如下：
；
其中，为SoftMax函数，表示图节点在第级别的注意力值；
步骤S433：对于所有的图节点，使用自适应注意力获取注意力向量，得到多级结构嵌入特征中不同级别特征的重要性，获得多级结构嵌入特征的最终结果得分，所用公式如下：
；
其中，表示第级别的注意力值，为第级别的嵌入特征，表示最终结果
得分。
针对现有的智慧农业对病虫害的识别主要依靠机器学习和深度学习网络对大尺度参数进行粗粒度分类和复杂的结构拟合，缺乏细粒度特征的识别能力和内在关联的挖掘能力的问题，本方案采用基于GPA-Net的细粒度识别方法对病虫害进行识别并分类，提高对病虫害的识别精确度，以提高农业生产效率，基于GPA-Net的细粒度识别方法使用一种新的图金字塔嵌入方法，并进行自适应重要度判断，增强识别能力。
实施例五，参阅图1和图5，该实施例基于上述实施例，在预警和决策模块，采用优化的BanditPAM方法对数据集进行学习分析，具体包括以下步骤：
步骤P1：初始化，随机选取个数据集数据作为初始的中心点，将每个中心点作为
一簇，计算数据集所有数据到这些中心点的距离，并将数据集中的每个数据分配到距离该
数据最近的中心点所在的簇；
步骤P2：构建阶段，使用贪心算法选择个数据集数据作为初始的中心点，使用迭
代方法选择距离当前中心点集合最远的对象来实现，直到选择出个中心点；
步骤P3：SWAP阶段，使用Bandit的策略优化中心点的交换过程，计算每个非中心点的数据替换当前中心点后导致的损失变化，所用公式如下：
；
其中，为自然数，在公式中表示簇的总数量，为自然数，为中的第个数据，表示第个簇，为的簇中心，表示和之间的距离，为损失函
数；
步骤P4：迭代优化，重复步骤P3，直到迭代次数达到100；
步骤P5：SPIMAB，使用VA技术对步骤P3的迭代进行优化，优化后的算法称为SPIMAB，所用公式如下：
；
；
其中，为中心点，为非中心点的数据，表示在将与交换
后，的损失变化，表示和之间的距离，表示除当前之外的中心点，表示所有的中心点的集合，表示除之外的其他中心点与
之间的最小距离，表示将与交换后的损失变化；
步骤P6：PIC改进，使用PIC技术对SPIMAB进行改进，将所有的非中心点数据作为集合X，按照集合X的排列顺序进行采样并计算距离，所用公式如下：
；
其中，表示从到的距离，是一组导致集合大小为的动作集合。
针对不同的小麦病虫害类型有不同的治理方式，现有的智慧农业技术不能生成高效、准确的治理方法，小麦的病虫害情况无法进行及时的预警和治理，降低了小麦病虫害治理的效率和准确性的问题，本方案采用优化的BanditPAM方法对历史治理方法进行学习，加速原BanditPAM方法处理数据的时间，使系统对小麦的病虫害问题进行及时的预警，提供科学的防治建议，帮助用户对小麦的病虫害进行及时的处理。
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。
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，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。
Claims (1)
1.基于智慧农业的小麦病虫害远程监控和预警系统，其特征在于：包括数据采集模块、数据传输模块、数据处理与分析模块、预警和决策模块；
所述数据采集模块在农田中部署监测设备，集农田环境和小麦生长的数据；
所述数据传输模块使用物联网平台和5G通信技术进行数据传输，并对数据采集模块收集的农田环境和小麦生长的数据进行传输和预处理，得到预处理后的数据；
所述数据处理与分析模块对预处理后的数据采用基于GPA-Net的细粒度识别方法对病虫害的类别和危害程度进行识别分类，得到病虫害分类结果和小麦病虫害危害等级，生成小麦病虫害报告；
所述预警和决策模块收集农业专家的知识和经验，以及历史小麦病虫害的防治信息，构建数据集，采用优化的BanditPAM方法对数据集进行学习分析，接收数据处理与分析模块的小麦病虫害报告，生成防治决策建议；
采用基于GPA-Net的细粒度识别方法对病虫害的类别和危害程度进行识别分类，具体包括以下步骤：
步骤S1：CSP主干网络，CSP主干网络主要由基础分支和跨度分支两个并行分支网络组成，使用CSP主干网络对预处理后的数据进行特征提取，使用下采样方法计算CSP主干网络不同阶段的输出，获得采样后的特征图；
步骤S2：CTA，使用CTA挖掘细粒度识别对采样后的特征图进行特征提取，并使用全连接层将得到细粒度识别的特征用于病虫害的分类识别中；
步骤S3：多层金字塔特征，采样后的特征图包含不同级别的特征，使用金字塔结构学习采样后的特征图的不同级别的特征，并使用横向连接保持原始骨干网络的信息；
步骤S4：图金字塔嵌入，步骤S2和步骤S3中生成多尺度细粒度特征库，使用图金字塔嵌入学习多尺度细粒度特征库中的特征；
步骤S5：损失函数，使用交叉函数作为损失函数，并在损失函数中使用平滑技术进行计算，所用公式如下：
；
为样本标签，/>表示平滑因子，/>为每个病虫害分类的分数表达式；
在步骤S2中，对采样后的特征图使用CTA挖掘细粒度识别的特征，具体包括以下步骤：
步骤S21：双线性空间注意力机制，将采样后的特征图的自身特征矩阵与CNN矩阵进行合并分类，得到每个位置的二阶矩阵，使用全连接层对二阶矩阵进行操作；
步骤S22：跨层语义学习，使用跨层语义学习方法对CSP主干网络中同一阶段下一层的特征进行跨通道学习，所用公式如下：
；
其中，为预处理后的数据，/>为CSP主干网络中同一阶段下一层的特征，/>表示SoftMax正则化，/>表示矩函数正则化，/>和/>分别表示特征图的宽度和高度，/>表示跨层语义学习得到的特征图；
步骤S23：跨阶段三线性注意力，将和/>进行点乘运算，使/>和/>的空间关系进一步集成到采样后的特征图中，获得跨阶段三线性注意力图，所用公式如下：
；
其中，为跨阶段三线性注意力图；
在步骤S3中，多层金字塔特征包括空间金字塔注意力和通道金字塔注意力，具体包括以下步骤：
步骤S31：空间金字塔注意力包含多个卷积块，将每个卷积块输出的特征图作为输入，使用的反卷积层得到空间金字塔注意力的输出特征，并使用sigmod函数将空间注意力缩放到0至1之间，所用公式如下：
；
其中，为sigmoid函数，/>代表/>反卷积操作，/>为自然数，/>为卷积块输出的特征图，/>代表空间注意力，/>为空间金字塔注意力输出的特征图；
步骤S32：通道金字塔注意力，使用全局平均池化、全局最大池化和两个全连接层生成通道注意力组件；
步骤S33：将经过空间金字塔注意力和通道金字塔注意力学习到的的特征进行加权，得到金字塔级别的特征，金字塔级别的特征使用CTA生成细粒度特征，所用公式如下：
；
；
其中，为金字塔级别的特征，/>代表通道注意力，/>为通道金字塔注意力输出的特征图，/>为广播语义加法运算，/>代表跨阶段三线性注意力，/>为细粒度特征；
在步骤S4中，使用图金字塔嵌入学习多尺度细粒度特征库中的特征，具体包括以下步骤：
步骤S41：多层图金字塔嵌入，将多尺度细粒度特征库中的每个特征视为一个图节点，对CSP主干网络使用节点图神经网络的邻接矩阵得分来嵌入细粒度特征图的特征，所用公式如下：
；
其中，表示维度转换的卷积，/>和/>分别为第/>个、第/>个图节点，/>代表第/>和/>个图节点的邻接矩阵得分；
步骤S42：多级结构嵌入特征，将图节点进行聚合，并对每个图节点更新，获得多级结构嵌入特征；
步骤S43：多级图注意力，使用自适应注意力学习多级结构嵌入特征之间的重要性，所用公式如下：
；
其中，为多级结构嵌入特征，/>，/>表示自适应注意力函数，/>为自适应注意力向量；
在步骤S43中，自适应注意力学习方法，具体包括以下步骤：
步骤S431：使用非线性变换对多级结构嵌入特征进行变换，并使用注意力向量获取多级结构嵌入特征的注意力值，所用公式如下：
；
其中，为非线性函数，/>为自然数，/>为可学习的参数权重，/>表示第/>个图节点，/>为偏置项，/>表示/>的注意力值；
步骤S432：使用步骤S431的操作，找到所用多级结构嵌入特征的注意力值，并使用SoftMax函数进行正则化，所用公式如下：
；
其中，为SoftMax函数，/>表示图节点/>在第/>级别的注意力值；
步骤S433：对于所有的图节点，使用自适应注意力获取注意力向量，得到多级结构嵌入特征中不同级别特征的重要性，获得多级结构嵌入特征的最终结果得分，所用公式如下：
；
其中，表示第/>级别的注意力值，/>为第/>级别的嵌入特征，/>表示最终结果得分；
在预警和决策模块，采用优化的BanditPAM方法对数据集进行学习分析，具体包括以下步骤：
步骤P1：初始化，随机选取个数据集数据作为初始的中心点，将每个中心点作为一簇，计算数据集所有数据到这些中心点的距离，并将数据集中的每个数据分配到距离该数据最近的中心点所在的簇；
步骤P2：构建阶段，使用贪心算法选择个数据集数据作为初始的中心点，使用迭代方法选择距离当前中心点集合最远的对象来实现，直到选择出/>个中心点；
步骤P3：SWAP阶段，使用Bandit的策略优化中心点的交换过程，计算每个非中心点的数据替换当前中心点后导致的损失变化；
步骤P4：迭代优化，重复步骤P3，直到迭代次数达到100；
步骤P5：SPIMAB，使用VA技术对步骤P3的迭代进行优化，优化后的算法称为SPIMAB；
步骤P6：PIC改进，使用PIC技术对SPIMAB进行改进，将所有的非中心点数据作为集合X，按照集合X的排列顺序进行采样并计算距离，所用公式如下：
；
其中，表示从/>到/>的距离，/>表示/>和/>之间的距离，/>表示除当前/>之外的中心点，/>表示所有的中心点的集合，/>表示除/>之外的其他中心点与/>之间的最小距离，/>是一组导致集合/>大小为/>的动作集合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410046476.2A CN117557402B (zh) | 2024-01-12 | 2024-01-12 | 基于智慧农业的小麦病虫害远程监控和预警系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410046476.2A CN117557402B (zh) | 2024-01-12 | 2024-01-12 | 基于智慧农业的小麦病虫害远程监控和预警系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117557402A CN117557402A (zh) | 2024-02-13 |
| CN117557402B true CN117557402B (zh) | 2024-03-29 |
Family
ID=89823747
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410046476.2A Active CN117557402B (zh) | 2024-01-12 | 2024-01-12 | 基于智慧农业的小麦病虫害远程监控和预警系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117557402B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2020102100A4 (en) * | 2020-09-02 | 2020-10-22 | Khan, Mohd. Arsh MR | Disease detection using iot and machine learning in rice crops |
| CN114581697A (zh) * | 2022-01-24 | 2022-06-03 | 南京富岛油气智控科技有限公司 | 一种基于示功图的采油机井供液能力监测方法 |
| CN114677606A (zh) * | 2022-04-28 | 2022-06-28 | 电子科技大学 | 基于注意力机制和双分支网络的柑橘细粒度病害识别方法 |
| CN115661429A (zh) * | 2022-11-11 | 2023-01-31 | 四川川锅环保工程有限公司 | 一种锅炉水冷壁管缺陷识别系统、方法和存储介质 |
-
2024
- 2024-01-12 CN CN202410046476.2A patent/CN117557402B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2020102100A4 (en) * | 2020-09-02 | 2020-10-22 | Khan, Mohd. Arsh MR | Disease detection using iot and machine learning in rice crops |
| CN114581697A (zh) * | 2022-01-24 | 2022-06-03 | 南京富岛油气智控科技有限公司 | 一种基于示功图的采油机井供液能力监测方法 |
| CN114677606A (zh) * | 2022-04-28 | 2022-06-28 | 电子科技大学 | 基于注意力机制和双分支网络的柑橘细粒度病害识别方法 |
| CN115661429A (zh) * | 2022-11-11 | 2023-01-31 | 四川川锅环保工程有限公司 | 一种锅炉水冷壁管缺陷识别系统、方法和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 信息技术在农作物病虫害监测预警中的应用综述;李素;郭兆春;王聪;陈天恩;袁志高;;江苏农业科学;20181129(第22期);1-6页 * |
| 基于GIS的农作物病虫害预警系统的初步建立;罗菊花;黄文江;韦朝领;王纪华;潘瑜春;;农业工程学报;20081230(第12期);127-131 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117557402A (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Nevavuori et al. | Crop yield prediction with deep convolutional neural networks | |
| Hamedianfar et al. | Deep learning for forest inventory and planning: a critical review on the remote sensing approaches so far and prospects for further applications | |
| Jayakumari et al. | Object-level classification of vegetable crops in 3D LiDAR point cloud using deep learning convolutional neural networks | |
| Tong et al. | Detection of urban sprawl using a genetic algorithm-evolved artificial neural network classification in remote sensing: a case study in Jiading and Putuo districts of Shanghai, China | |
| CN102681438B (zh) | 作物温室栽培专家控制系统及作物病症诊断方法 | |
| Sagarika et al. | Paddy plant disease classification and prediction using convolutional neural network | |
| Bazrafshan et al. | Evaluation and uncertainty assessment of wheat yield prediction by multilayer perceptron model with bayesian and copula bayesian approaches | |
| CN117114913A (zh) | 一种基于大数据的智能化农业数据采集系统 | |
| CN116918546A (zh) | 一种玉米高产种植施肥方法 | |
| Chatterjee et al. | Non-dominated sorting genetic algorithm—II supported neural network in classifying forest types | |
| CN117557402B (zh) | 基于智慧农业的小麦病虫害远程监控和预警系统 | |
| CN109002853A (zh) | 农作物种类与病虫害类型的联合识别方法及装置 | |
| Baidar | Rice crop classification and yield estimation using multi-temporal Sentinel-2 data: a case study of terai districts of Nepal | |
| CN116680548A (zh) | 一种针对多源观测数据的时间序列干旱因果分析方法 | |
| CN115049160B (zh) | 时空大数据的平原工业型城市碳排放量评估方法及系统 | |
| Maulik et al. | A robust multiple classifier system for pixel classification of remote sensing images | |
| CN112818982A (zh) | 基于深度特征自相关性激活的农业害虫图像检测方法 | |
| Chakrabarti et al. | In-Season Prediction of Crop Types In The us Great Plains Using Sequence Based Stochastic Models and Deep Learning | |
| CN109635836A (zh) | 基于稀疏dbn模型的遥感影像林地变化检测方法 | |
| Muruganandam et al. | IoT Based Agriculture Monitoring and Prediction of Paddy Growth using Enhanced Conquer Based Transitive Clustering | |
| Sumalatha et al. | Real Time Big Data Analytics for Agricultural Land Hotspot Prediction | |
| CN117093919B (zh) | 基于深度学习的岩土工程地质灾害预测方法及系统 | |
| Guo et al. | On development of multi-resolution detector for tomato disease diagnosis | |
| Alohali et al. | An enhanced tunicate swarm algorithm with deep-learning based rice seedling classification for sustainable computing based smart agriculture | |
| Sharma et al. | A Deep Learning Framework for Extraction of Crop and Forest Cover from Multispectral Remote Sensing Images |
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 |