[发明专利]基于深度学习的虫害防治方案生成方法、系统及存储介质

权利要求书

1.一种基于深度学习的虫害防治方案生成方法，其特征在于，包括以下步骤：

获取目标区域内植株图像信息，根据所述植株图像信息判断目标区域内植株是否存在虫害情况并确定当前虫害为害症状；

基于虫害、为害症状、防治方法通过无向异构图形式进行表示；

基于图卷积神经网络构建防治方案生成模型，将所述当前虫害为害症状作为初始节点输入虫害防治方案生成模型获取防治方案的预测分数；

将预测分数高的防治方案作为适用于目标区域植株的虫害防治方案；

所述的基于图卷积神经网络构建防治方案生成模型，其中防治方案生成模型的表示学习，具体为：

基于图卷积神经网络构建防治方案生成模型，对无向异构图中的节点进行编码学习表示；

将虫害节点、为害症状节点及防治方法节点进行低维向量空间嵌入表示，根据虫害节点与为害症状节点及防治方法节点的关系通过特征传播机制及邻居聚合机制建立为害症状与防治方法的潜在联系；

生成具有为害症状描述的虫害节点表示及防治方法节点表示；

所述无向异构图 ,表示虫害节点、为害症状节点及防治节点集合，表示虫害与为害症状的关联关系及虫害与防治方法的关联关系集合；

所述的将所述当前虫害为害症状作为初始节点输入防治方案生成模型获取防治方案的预测分数，具体为：

通过防治方案生成模型对无向异构图进行卷积，获取当前虫害为害特征，将所述当前虫害为害特征作为初始节点输入防治方案生成模型，获取初始节点低维向量空间嵌入表示，在无向异构图中进行为害特征的多层感知，进行虫害对防治方法的预测分数；

所述预测分数的计算公式为：

其中，表示防治方法节点的低维向量表示，表示为害症状节点的低维向量表示，表示虫害节点的低维向量表示，表示聚合函数，表示虫害的为害症状节点的邻居节点的集合，表示训练所得参数，表示矩阵转置；

根据目标区域的环境特征制定环境调控方案，具体为：

当检测到目标区域植株出现虫害情况，则进行虫害预警，并获取虫害预警时的环境特征，并将所述环境特征与当前虫害情况进行匹配；

根据目标区域植株的种类信息获取其适生条件，根据所述适生条件确定评价指标，根据所述评价指标与预设评分机制构建环境评价体系；

将所述虫害预警时的环境特征根据环境评价体系进行评估，预设评估得分阈值，根据评估得分与所述评估得分阈值进行对比判断获取虫害预警时的异常环境指标；

根据所述异常环境指标确定目标区域的环境改良方向，同时获取异常环境指标与所述适生条件对应标准的偏差值确定目标区域环境调控方案；

并将目标区域的环境特征进行定期监测，与虫害情况发生时的环境特征进行对比，获取目标区域的环境修复速率，根据所述环境修复速率修正所述环境调控方案。

2.根据权利要求1所述的一种基于深度学习的虫害防治方案生成方法，其特征在于，所述的获取目标区域内植株图像信息，根据所述植株图像信息判断目标区域内植株是否存在虫害情况并确定当前虫害为害症状，具体为：

获取目标区域内植株图像信息，通过植株图像信息裁剪出叶片，茎秆或果实重点区域图像信息，将所述重点区域图像信息进行灰化处理，对灰化处理后的图像进行滤波去噪；

将滤波去噪后的重点区域图像信息通过Canny边缘算子进行边缘点检测，生成边缘检测图像，根据所述边缘检测图像获取纹理特征；

获取重点区域图像的RGB图像，将所述RGB图像转换到LUV色度空间计算每个像素的色度值，根据所述色度值获取LUV颜色直方图特征向量，生成颜色特征；

通过目标区域内植株的种类信息基于大数据获取植株虫害图像库，根据所述植株虫害图像库通过特征提取构建特征向量库；

将所述纹理特征及颜色特征按照预设比例聚合生成最终特征，将所述最终特征与特征向量库中的虫害特征进行相似度计算；

判断相似度是否处于预设相似度阈值范围内，是则判定植株存在虫害情况，并通过最终特征获取植株当前虫害为害症状，否则判定植株不存在虫害情况。