一种基于深度学习的植物生长状态诊断方法、系统及装置制造方法及图纸

本发明专利技术涉及一种基于深度学习的植物生长状态诊断方法、系统及装置，方法包括：获取同一环境下，同一植物不同生长状态下的植物电信号；对所述植物电信号采用经验模态分解，得到重构的植物电信号；对所述重构后的植物电信号采用小波阈值法进行消噪处理，得到消噪后的植物电信号；将所述消噪后的植物电信号进行短时傅里叶变换，得到植物电信号的能量图；将所述能量图输入到深度学习神经网络模型中进行训练，得到训练后的植物生长状态诊断模型；将待预测的植物电信号输入所述植物生长状态诊断模型进行预测，输出预测结果；根据所述预测结果确定植物的生长状态。本发明专利技术通过非人工方式获取植物电信号，从而提高了植物生长状态诊断的准确性。的准确性。的准确性。

【技术实现步骤摘要】
一种基于深度学习的植物生长状态诊断方法、系统及装置


[0001]本专利技术涉及植物生长状态诊断领域，特别是涉及一种基于深度学习的植物生长状态诊断方法、系统及装置。

技术介绍

[0002]人们对从人类自身和动物体内提取出的生物电信号已经有了很深入的研究，利用采集的脑电图、肌电图和心电图等来解决人类相关疾病问题，已经取得了丰富的成果。然而，电生理领域的应用绝不仅限于动物。在植物电生理领域中，经过大量实验数据的初步测量与观察，发现由于植物生长状态不同，植物电信号也有着相应的变化和差异，由此可以实现对植物生理电信号进行采集并对植物生长状态进行及时精准的分析判断。
[0003]现有技术中，对植物电信号的研究只停留在初期的检测分析和基础理论阶段。随着植物电信号基础理论被提出，已经确定植物电信号是自身的细胞或者组织所特有的信号，而且植物电信号因会受到外界的不同刺激而产生不同的变化。但是，目前对植物电信号的提取都是人工进行提取，这样会带给植物不同的外界刺激，使植物电信号发生变化，得到不准确的检测结果，从而不能正确的判断植物的生长状态。

技术实现思路

[0004]本专利技术的目的是提供一种基于深度学习的植物生长状态诊断方法、系统及装置，以解决现有技术中人工对植物电信号进行提取，外界刺激使植物电信号发生变化，从而不能正确的判断植物的生长状态的问题。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种基于深度学习的植物生长状态诊断方法，包括：
[0007]获取同一环境下，同一植物不同生长状态下的植物电信号；
[0008]对所述植物电信号采用经验模态分解，得到重构的植物电信号；
[0009]对所述重构后的植物电信号采用小波阈值法进行消噪处理，得到消噪后的植物电信号；
[0010]将所述消噪后的植物电信号进行短时傅里叶变换，得到植物电信号的能量图；
[0011]将所述能量图输入到深度学习神经网络模型中进行训练，得到训练后的植物生长状态诊断模型；深度学习神经网络模型包括卷积神经网络、长短期记忆神经网络和全连接神经网络；
[0012]将待预测的植物电信号输入所述植物生长状态诊断模型进行预测，输出预测结果；
[0013]根据所述预测结果确定植物的生长状态。
[0014]可选地，所述对所述植物电信号采用经验模态分解，得到重构的植物电信号，具体包括：
[0015]通过巴特沃斯低通滤波器和自适应工频陷波器对所述植物电信号进行预处理，得
到预处理后的植物电信号；
[0016]对所述预处理后的植物电信号进行经验模态分解，得到所述植物电信号的若干个本征模态函数；
[0017]将低于5Hz的若干个所述本征模态函数进行重构，得到重构的植物电信号。
[0018]可选地，所述经验模态分解的公式为：
[0019][0020]其中，x(t)为预处理后的植物电信号，C
i
(t)为第i阶本征模态函数，r
n
(t)为第N阶本征模态函数的残余分量，N为本征模态函数的总阶数，n为第N阶本征模态函数。
[0021]可选地，所述将所述消噪后的植物电信号进行短时傅里叶变换，得到植物电信号的能量图，具体包括：
[0022]确定所述植物电信号的窗函数；
[0023]利用所述窗函数在所述消噪后的植物电信号上滑动m次，每滑动一次选取一段植物电信号，得到m段植物电信号，将任一段植物电信号用列向量表示，得到若干个列向量；
[0024]利用公式对所述列向量进行短时傅里叶变换，获得所述列向量的矩阵图；其中，z(t，f)为植物时频信号,t为采样时间，f为采样频率，z(u)为植物信号源，g(u
‑
t)为窗函数，u
‑
t为窗函数平移的时间长度；
[0025]将每个所述列向量的窗函数扩展为一个矩阵，将多个所述矩阵与所述列向量的矩阵图进行点乘，得到所述植物电信号的矩阵图；
[0026]将所述植物电信号的矩阵图进行快速傅里叶变换，得到时频矩阵；
[0027]根据所述时频矩阵输出不同状态的所述植物电信号的能量图。
[0028]可选地，所述将所述能量图输入到深度学习神经网络模型中进行训练，得到训练后的植物生长状态诊断模型，具体包括：
[0029]将所述能量图输入到所述卷积神经网络的特征提取层进行特征提取，得到一维信号；
[0030]将所述一维信号输入到长短期记忆神经网络中进行学习优化，得到优化后的一维信号；
[0031]将所述优化后的一维信号输入到全连接神经网络中进行分类，得到分类结果；
[0032]判断所述分类结果是否在预设范围内；若所述分类结果在所述预设范围内，则将更新权重参数后的深度学习神经网络模型作为训练后的植物生长状态诊断模型；若所述分类结果不在所述预设范围内，则返回步骤“将所述能量图输入到所述卷积神经网络的特征提取进行特征提取，得到一维信号”。
[0033]一种基于深度学习的植物生长状态诊断系统，包括：
[0034]信号获取模块，用于获取同一环境下，同一植物不同生长状态下的植物电信号；
[0035]经验模态分解模块，用于对所述植物电信号采用经验模态分解，得到重构的植物电信号；
[0036]消噪模块，用于对所述重构后的植物电信号采用小波阈值法进行消噪处理，得到消噪后的植物电信号；
[0037]短时傅里叶变换模块，用于将所述消噪后的植物电信号进行短时傅里叶变换，得
到植物电信号的能量图；
[0038]训练模块，用于将所述能量图输入到深度学习神经网络模型中进行训练，得到训练后的植物生长状态诊断模型；深度学习神经网络模型包括卷积神经网络、长短期记忆神经网络和全连接神经网络；
[0039]预测模块，用于将待预测的植物电信号输入所述植物生长状态诊断模型进行预测，输出预测结果；
[0040]生长状态确定模块，用于根据所述预测结果确定植物的生长状态。
[0041]可选地，所述经验模态分解模块，具体包括：
[0042]预处理子模块，用于通过巴特沃斯低通滤波器和自适应工频陷波器对所述植物电信号进行预处理，得到预处理后的植物电信号；
[0043]分解子模块，用于对所述预处理后的植物电信号进行经验模态分解，得到所述植物电信号的若干个本征模态函数；
[0044]重构子模块，用于将低于5Hz的若干个所述本征模态函数进行重构，得到重构的植物电信号。
[0045]可选地，所述经验模态分解的公式为：
[0046][0047]其中，x(t)为预处理后的植物电信号，C
i
(t)为第i阶本征模态函数，r
n
(t)为第N阶本征模态函数的残余分量，N为本征模态函数的总阶数，n为第N阶本征模态函数。
[0048]可选地，所述短时傅里叶变换模块，具体包括：
[0049]相光参数确定子模块，用于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的植物生长状态诊断方法，其特征在于，包括：获取同一环境下，同一植物不同生长状态下的植物电信号；对所述植物电信号采用经验模态分解，得到重构的植物电信号；对所述重构后的植物电信号采用小波阈值法进行消噪处理，得到消噪后的植物电信号；将所述消噪后的植物电信号进行短时傅里叶变换，得到植物电信号的能量图；将所述能量图输入到深度学习神经网络模型中进行训练，得到训练后的植物生长状态诊断模型；深度学习神经网络模型包括卷积神经网络、长短期记忆神经网络和全连接神经网络；将待预测的植物电信号输入所述植物生长状态诊断模型进行预测，输出预测结果；根据所述预测结果确定植物的生长状态。2.根据权利要求1所述的一种基于深度学习的植物生长状态诊断方法，其特征在于，所述对所述植物电信号采用经验模态分解，得到重构的植物电信号，具体包括：通过巴特沃斯低通滤波器和自适应工频陷波器对所述植物电信号进行预处理，得到预处理后的植物电信号；对所述预处理后的植物电信号进行经验模态分解，得到所述植物电信号的若干个本征模态函数；将低于5Hz的若干个所述本征模态函数进行重构，得到重构的植物电信号。3.根据权利要求2所述的一种基于深度学习的植物生长状态诊断方法，其特征在于，所述经验模态分解的公式为：其中，x(t)为预处理后的植物电信号，C
i
(t)为第i阶本征模态函数，r
n
(t)为第N阶本征模态函数的残余分量，N为本征模态函数的总阶数，n为第N阶本征模态函数。4.根据权利要求1所述的一种基于深度学习的植物生长状态诊断方法，其特征在于，所述将所述消噪后的植物电信号进行短时傅里叶变换，得到植物电信号的能量图，具体包括：确定所述植物电信号的窗函数；利用所述窗函数在所述消噪后的植物电信号上滑动m次，每滑动一次选取一段植物电信号，得到m段植物电信号，将任一段植物电信号用列向量表示，得到若干个列向量；利用公式对所述列向量进行短时傅里叶变换，获得所述列向量的矩阵图；其中，z(t，f)为植物时频信号,t为采样时间，f为采样频率，z(u)为植物信号源，g(u
‑
t)为窗函数，u
‑
t为窗函数平移的时间长度；将每个所述列向量的窗函数扩展为一个矩阵，将多个所述矩阵与所述列向量的矩阵图进行点乘，得到所述植物电信号的矩阵图；将所述植物电信号的矩阵图进行快速傅里叶变换，得到时频矩阵；根据所述时频矩阵输出不同状态的所述植物电信号的能量图。5.根据权利要求1所述的一种基于深度学习的植物生长状态诊断方法，其特征在于，所述将所述能量图输入到深度学习神经网络模型中进行训练，得到训练后的植物生长状态诊
断模型，具体包括：将所述能量图输入到所述卷积神经网络的特征提取层进行特征提取，得到一维信号；将所述一维信号输入到长短期记忆神经网络中进行学习优化，得到优化后的一维信号；将所述优化后的一维信号输入到全连接神经网络中进行分类，得到分类结果；判断所述分类结果是否在预设范围内；若所述分类结果在所述预设范围内，则将更新权重参数后的深度学习神经网络模型作为训练后的植物生长状态诊断模型；若所述分类结果不在所述预设范围内，则返回步骤“将所述能量图输入到所述卷积神经网...

【专利技术属性】
技术研发人员：田立国，李猛，王岳松，刘金奇，
申请(专利权)人：天津职业技术师范大学中国职业培训指导教师进修中心，
类型：发明
国别省市：