一种基于分布式压缩感知WSN的柑桔病虫害监测预警方法与流程

本发明涉及一种基于分布式压缩感知WSN的柑桔病虫害监测预警方法，属于农作物病虫害防治
技术领域：

背景技术：
：长期以来，我国对重大病虫害的灾变趋势、成灾规律与机理等方面的基础性和公益性研究缺乏足够的认识，对某些全国性及局域性发生的重要病虫害缺乏系统长期的实时监测，难以准确预报，这是造成农作物病虫灾害防不胜防的被动局面的原因之一。柑桔类农作物是我国南方的重要经济作物，其上发生的病虫害种类较多，常见病害有柑桔炭疽病，溃疡病，疮痂病，黄龙病等，常见虫害有红蜘蛛，粉虱，潜叶蛾，木虱等。严重制约柑桔产业的健康发展。某些害虫还可以传播病害，像柑桔木虱可以传播黄龙病。在一些纬度低的地区，这些病虫害可常年发生，给柑桔种植业造成严重经济损失。目前，在柑桔病虫害综合防治技术中3S技术是应用最广泛的，3S技术是遥感技术(Remotesensing，RS)、地理信息系统(Geographyinformationsystems，GIS)和全球定位系统(Globalpositioningsystems，GPS)的融合与应用，它是农业进行抽样调查、获取农作物生长各种影响因素信息(如土壤结构、含水量、地形、病虫害等)的主要技术手段之一。但由于各国农业种植地形复杂多样，种植结构千差万别，种植规模和品种不同，以及农户种植习惯、种植特点等的差异，单纯利用3S技术进行农情监测的精度不够。针对这种柑桔病虫害监测具有低精度、滞后性和资源受限等局限性的特点，本发明基于分布式压缩感知WSN(WirelessSensorNetworks，无线传感器网络)的柑桔病虫害监测预警方法，利用分布式压缩感知技术以及无线传感器网络在时空尺度上监测高精度的优势，建立及时、现场、低功耗、生命力强的无线网络监测体系，能有效地解决3S技术在进行农情监测时的精度不够、小区域内或单个观测点上的数据无法直接获取等问题。技术实现要素：本发明的目的是，根据在柑桔病虫害综合防治技术中，单纯利用3S技术进行农情监测的精度不够，针对柑桔病虫害监测具有低精度、滞后性和资源受限等局限性的问题，本发明提出一种基于分布式压缩感知WSN(WirelessSensorNetworks，无线传感器网络)的柑桔病虫害监测预警方法。实现本发明的技术方案是，一种基于分布式压缩感知WSN的柑桔病虫害监测预警方法，包括基于DCS(DistributedCompressiveSampling，分布式压缩感知)的病虫害监测图像采集与重构、基于DCNN(DeepConvolutionalNeuralNetwork，深度卷积神经网络)的病虫害图像特征提取、以及基于WSN的柑桔病虫害监测预警系统构建。本发明通过无线传感器节点采集到农作物的生物信息和环境信息，利用分布式压缩感知DCS对采集到的数据进行处理，然后通过无线传感器网关节点传输到远端服务器，在远程控制中心采用快速稳健的分布式压缩感知重构算法恢复原始信号。将图像信号输入DCNN进行训练，用于柑桔病虫害的图像识别。最后，建立病虫害监测、传输、图像自动识别的预警系统。所述基于DCS的病虫害监测图像采集与重构包括以下步骤：(1)通过无线传感器节点对柑桔病虫害图像的采集。(2)柑桔病虫害图像信号的稀疏表示：采用基于信号群的联合稀疏模型(JSM，JointSparseModel)中的JSM-2模型架构进行稀疏表示。对于图像信号中稀疏的变换域，用拉普拉斯塔式分解和圆对称轮廓波分别表示图像的光滑成分和边缘部分，采用多成分冗余字典上病虫害图像联合稀疏表示方法，获得病虫害图像的联合稀疏表示系数，并采用JSM-2模型对病虫害图像进行联合稀疏建模。(3)观测矩阵设计基于相关性理论,将投影矩阵和观测矩阵的非相关条件等价为Grammar矩阵:Gram:(ACS)TACS其中，A为观测矩阵；ACS为感知矩阵；T表示矩阵的转置。首先产生一个随机观测矩阵，然后利用信号的稀疏基的信息，训练学习出一个优化观测矩阵,它与字典矩阵之间具有更低的相干性；采用K-SVD方法求解下式中的优化问题：minΦ||(ACS)TACS-I||22,s.t.ACS=ΦΨ.]]>其中，A为观测矩阵；Φ为随机初始化投影矩阵；Ψ为变换基；I为随机观测矩阵；ACS为感知矩阵；T为矩阵的转置。(4)使用基于JSM-2模型的快速且稳健的分布式重构算法对图像信号进行重构。所述基于DCNN神经网络的病虫害图像特征提取，包括以下步骤：(1)柑桔病虫害图像卷积和采样利用卷积神经网络，用于特征提取的卷积神经网络由卷积层和子采样层两种结构交替组成，采用5层结构。卷积和子采样过程包括用一个可训练的滤波器(权值系的组合)去卷积一个输入的图像(第1阶段为输入的图像，其他阶段为特征图)，然后加一个偏置，得到卷积层。子采样过程包括将邻域4个像素通过权值系数求加权和变为1个像素，再加上偏置，然后通过一个sigmoid激活函数产生特征图的1/4大小的特征图。C层可看做是模糊滤波器，用于提取特征，S层的空间分辨率逐层递减，而每层所含的平面数递增，用于压缩数据并产生更多的信息。(2)柑桔病虫害图像特征提取对于监测图像中的每一个子块图像，将子块图像中的每一个像素看作神经元，其中第一个卷积层，由多个特征图构成，每个特征图通过一种卷积滤波器提取输入图像的一种特征。特征图中每个神经元与输入图像的某一区域相连。这些卷积滤波器的权值由训练样本训练得到，且对于一个特征图权值共享。下一层子采样层，有对应的多个的特征图。特征图中的每个神经元与卷积层中相对应特征图的某一区域相连。采样层每个神经元的结果由卷积层相邻的多个神经元相加后乘以一个可训练权值参数，再加上一个可训练偏置参数，最后通过sigmoid函数计算得到，下一层层也是卷积层，它同样通过卷积核卷积上一采样层，得到多个特征图。接下来是一个子采样层。最后一层是一个卷积层，使用全连接，每个单元与上一采样的全部区域相连，得到的特征图大小为1。至此可将原始的柑桔病虫害图像子块转变为多维的特征向量，即完成了图像的特征提取。特征提取阶段所需的卷积矩阵权值、偏置值均通过训练得到，以保证特征提取的客观性。所述基于WSN的柑桔病虫害预警系统构建：通过WSN监测的生物信息和环境信息传输到网关，再由传输网络从网关到服务器，服务器端软件系统对图像信息进行处理，将图像信息写入到相应的数据库中。对比农作物生物信息和环境信息参数的量化指标(叶面情况、周围环境信息等)，明确无线传感器网络中采集测量的各类参数与病虫害灾情风险之间的关联程度，构建监测及预警系统。本发明与现有技术比较的有益效果是，本发明可以自动实时监控柑桔农作物的空气温度、湿度及有柑桔生物图像等参数，实现自动化快速监控柑桔生长情况，可以有效预防柑桔病虫害的大面积发生，并减少其发生的次数。与人工或机械方式相比，更好地保护柑桔稳产、高产和优质，有利于保障粮食安全、发展现代农业及绿色食品产业。提高了防治措施的科学合理性以及信息传播速度和应急决策的科学性，全面提升了农业相关部门对农业有害生物的预警和应急控制能力，避免造成重大经济损失，对改善民生具有重要的意义。附图说明图1是基于分布式压缩感知WSN的柑桔病虫害监测预警方法的业务流程；图2是基于分布式压缩感知WSN的柑桔病虫害监测预警系统的网络拓扑；图3是压缩感知中技术中的观测矩阵优化过程；图4是柑桔病虫害图像的卷积和子采样过程；图5是卷积神经网络的柑桔病虫害图像特征提取过程。具体实施方式下面结合附图和具体实施，进一步阐明本发明。图1是本实施例基于分布式压缩感知WSN的柑桔病虫害监测预警方法的业务流程。本实施例将无线传感器节点部署在农作物上，实时获取农作物的生物信息和环境信息，将信息传输到无线传感器的网关节点，再由网关节点通过无线网络(GPRS)传输到远端服务器进行综合分析决策。具体的监测位置，监测时间点，监测周期，应以所监测的柑桔以往的发病特点，病虫害的生理特点等所定。系统的网络拓扑示意图如图2所示。本实施例柑桔病虫害监测预警方法主要包括分布式压缩感知的病虫害监测图像采集与重构、基于DCNN的病虫害图像特征提取、以及基于WSN的柑桔病虫害监测预警系统构建3个部分。(1)基于DCS的病虫害监测图像采集与重构,包括以下步骤：S1:通过无线传感器节点对柑桔病虫害图像的采集S2：柑桔病虫害图像信号的稀疏表示采用基于信号群的联合稀疏模型(JSM，JointSparseModel)中的JSM-2模型架构进行稀疏表示。对于图像信号中稀疏的变换域，用拉普拉斯塔式分解和圆对称轮廓波分别表示图像的光滑成分和边缘部分，采用多成分冗余字典上病虫害图像联合稀疏表示方法，获得病虫害图像的联合稀疏表示系数，并采用JSM-2模型对病虫害图像进行联合稀疏建模。S3：观测矩阵设计基于相关性理论,将投影矩阵和观测矩阵的非相关条件等价为Grammar矩阵:Gram:(ACS)TACS其中，A为观测矩阵；ACS为感知矩阵；T表示矩阵的转置。首先产生一个随机观测矩阵，然后利用信号的稀疏基的信息。训练学习出一个优化观测矩阵,它与字典矩阵之间具有更低的相干性。采用K-SVD方法求解下式中的优化问题minΦ||(ACS)TACS-I||22,s.t.ACS=ΦΨ.]]>其中，A为观测矩阵；Φ为随机初始化投影矩阵；Ψ为变换基；I为随机观测矩阵；ACS为感知矩阵；T为矩阵的转置；根据字典矩阵优化求解确定性的观测矩阵，观测矩阵的优化过程如下图3所示。(2)基于DCNN神经网络的病虫害图像特征提取，主要包括以下步骤：S1：柑桔病虫害图像卷积和采样如图4所示，利用卷积神经网络，用于特征提取的卷积神经网络由卷积层和子采样层两种结构交替组成，采用5层结构。卷积和子采样过程如图4所示，包括用一个可训练的滤波器(权值系数的组合)去卷积一个输入的图像(第1阶段为输入的图像，其他阶段为特征图)，然后加一个偏置，得到卷积层。子采样过程包括将邻域4个像素通过权值系数求加权和变为1个像素，再加上偏置，然后通过一个sigmoid激活函数产生特征图的1/4大小的特征图。C层可看作是模糊滤波器，用于提取特征，S层的空间分辨率逐层递减，而每层所含的平面数递增，用于压缩数据并产生更多的信息。S2：柑桔病虫害图像特征提取对于监测图像中的每一个子块图像，其处理方式如图5所示，将子块图像中的每一个像素看作神经元，C1层是一个卷积层，由多个特征图构成，每个特征图通过一种卷积滤波器提取输入图像的一种特征。特征图中每个神经元与输入图像的某一区域相连，如图5的C1部分。这些卷积滤波器的权值由训练样本训练得到，且对于一个特征图权值共享。S2层是子采样层，有对应的多个的特征图。特征图中的每个神经元与C1中相对应特征图的某一区域相连。S2层每个神经元的结果由C1层相邻的多个神经元相加后乘以一个可训练权值参数，再加上一个可训练偏置参数，最后通过sigmoid函数计算得到，如图5的S2部分。C3层也是卷积层，它同样通过卷积核卷积S2层，得到多个特征图。S4层是一个子采样层，与S2层类似由多个特征图构成。特征图中的每个单元与C3层中相应特征图的某一区域相连接。C5层是一个卷积层，使用全连接，每个单元与S4的全部区域相连，得到的特征图大小为1。至此可将原始的柑桔病虫害图像子块转变为多维的特征向量，即完成了图像的特征提取。特征提取阶段所需的卷积矩阵权值、偏置值均通过训练得到，以保证特征提取的客观性。(3)基于WSN的柑桔病虫害预警系统构建：通过WSN监测的生物信息和环境信息传输到网关，再由传输网络(例如GPRS)从网关到服务器，服务器端软件系统对图像信息进行处理，将图像信息写入到相应的数据库中。对比农作物生物信息和环境信息参数的量化指标(叶面情况、周围环境信息等)，明确无线传感器网络中采集测量的各类参数与病虫害灾情风险之间的关联程度，构建监测及预警系统。当前第1页1 2 3