[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

说明书

本发明公开了一种基于VGGNet‑LSTM混合模型的辣椒害虫识别计数与虫量预测方法，该方法中将卷积神经网络作为新构建模型的上游网络，用于虫害识别分类以及虫量计数，将其作为下游网络LSTM的部分输入，结合其他时间序列气象数据，通过神经网络训练，输出虫量与气象各因子间的分类预测结果，与以往数据进行拟合对比，达到田间虫量预测的目的，进而达到辣椒害虫精确识别计数与虫量预测，便于农户掌握害虫种类及数量，做好虫情监测，从而及时采取管理与防治决策，最大程度地降低虫害对辣椒产量与品质的影响。

技术领域

本发明涉及基于VGGNet-LSTM混合模型的辣椒害虫识别计数与虫量预测方法，属于辣椒种植技术领域。

背景技术

针对田间辣椒害虫繁殖快、虫害发生严重等现状，提出一种常见害虫(蓟马、白粉虱、斜纹夜蛾等)识别计数方法，有助于农户快速识别辨认并了解当前害虫基数，并通过往年虫害发生数据及趋势，结合田间气象数据，依据计数结果及田间植被情况，预测害虫数量增长趋势，为及时采取管理与防治措施奠定基础。

现常用ResNet、AlexNet等算法和传统机器学习(如支持向量机)对田间害虫进行特征提取和识别计数。目前有关虫量预测预报的技术多通过田间调查采样，利用数理统计方法进行分析预测。

当前识别计数算法网络层数较少，卷积核小，特征提取效果不好，且大多数模型为多分支结构，影响训练速度，对硬件要求较高。

现有预测方法劳动强度大、耗时，且有时间滞后性等，在当前大数据环境下，多源数据的处理也常受到限制，导致虫情监测不准确、决策及控制管理措施不科学不精准。

发明内容

本发明要解决的技术问题是：提供基于VGGNet-LSTM混合模型的辣椒害虫识别计数与虫量预测方法，用于辣椒害虫识别计数与虫量预测，便于农户掌握害虫种类及数量，做好虫情监测，从而及时采取管理与防治决策，最大程度地降低虫害对辣椒产量与品质的影响，以解决采用现有的方法存在的技术问题。

本发明采取的技术方案为：基于VGGNet-LSTM混合模型的辣椒害虫识别计数与虫量预测方法，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。

进一步地，上述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。