[发明专利]基于VGGNet-LSTM混合模型的辣椒害虫识别计数与虫量预测方法

权利要求书

1.基于VGGNet-LSTM混合模型的辣椒害虫识别计数与虫量预测方法，其特征在于：该方法包括以下步骤：

1)数据采集：采集放置于田间的黄板采集的害虫图片；

2)基于采集的害虫图片数据，采用VGGNet网络模型训练，作为上游网络模型，用于虫害识别分类和计数；

3)基于VGGNet网络模型训练后的结果，将应用于田间识别计数的虫量数据，结合气象站采集的每小时空气温湿度、降雨量、风速、太阳辐射等数据作为LSTM网络模型的变量，通过进行数据预处理、训练、测试，输出虫量与气象各因子之间的分类预测结果；

4)采用步骤3)中输出虫量与气象各因子之间的分类预测结果，用模型评价指标衡量模型精度和性能，与实际调查数据进行拟合对比，得出实际与预测数据的一致性评价结果。

2.根据权利要求1所述的基于VGGNet-LSTM混合模型的辣椒害虫识别计数与虫量预测方法，其特征在于：VGGNet网络模型训练方法为：原始害虫图片从输入层输入后，经卷积层、池化层、全连接层操作后，从输出层输出所属类的概率，其中，卷积层用于输入图片的特征提取，每一个神经元输入通过与卷积核进行卷积计算获取特征信息，卷积计算公式为：

式中，Z_i,j表示特征图第i行j列元素；f(x)表示激活函数；D为卷积核的深度；F表示卷积核大小；w_d,m,n为卷积核在第d层第m行第n列权值；x_d,i+m,j+n为图片第d层第i行j列像素；ω为偏置项；

池化层用于对输入特征图的压缩，特征图通过平均池化或最大池化进行降维，经池化后简化神经网络的参数计算量；图片经过多次卷积、池化操作后，将图片特征输入一至多层的全连接层，最后输出层使用Softmax分类函数输出所属类的概率；

全连接层通过权值矩阵将之前被忽略的局部特征重构为完整图像，选用VGG19模型：5个VGG块的卷积层数量分别为(2,2,4,4,4)，再加上3个全连接层，总参数层数量为19。

3.根据权利要求1所述的基于VGGNet-LSTM混合模型的辣椒害虫识别计数与虫量预测方法，其特征在于：LSTM网络模型的训练方法为：该模型中的各个函数如下：

f_t＝σ(W_f·[h_t-1,X_t]+b_f)  (1)

i_t＝σ(W_i·[h_t-1,X_t]+b_i)  (2)

O_t＝σ(W_o·[h_t-1,X_t]+b_o)   (5)

h_t＝O_t·tanh(C_t)   (6)

W为门的权重矩阵，b为门的偏置项，[h_t-1,X_t]表示把两个向量连接成一个更长的向量，б是sigmoid函数，tanh是激活函数，f_t是遗忘门计算，i_t是输入门计算，是当前输入的单元状态，C_t是当前时刻单元状态，C_t-1是上一时刻的单元状态，O_t是输出门计算，h_t是当前输出，X_t是当前输入。

4.根据权利要求2所述的基于VGGNet-LSTM混合模型的辣椒害虫识别计数与虫量预测方法，其特征在于：LSTM网络模型的输入数据及分为训练集和测试集，训练集占总数据的70％、测试集占总数据的30％。