基于智慧农业的小麦病虫害远程监控和预警系统

专利主权项内容

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。 详见官网：