一种基于深度学习的花卉栽培过程中幼苗死亡率预测方法技术

本发明专利技术公开了一种基于深度学习的花卉栽培过程中幼苗死亡率预测方法，包括：获取整个生长周期中幼苗的特征数据及其对应的死亡率，生成幼苗的死亡特征数据集；根据死亡特征数据集建立第一死亡率预测模型、第二死亡率预测模型；获取当前生长周期中幼苗的环境数据和生长数据，生成幼苗的当前特征数据集；根据当前特征数据集，第一死亡率预测模型预测输出第一预测死亡率，第二死亡率预测模型预测输出第二预测死亡率；分别将第一权重、第二权重赋予第一预测死亡率、第二预测死亡率，将两者累加，得到幼苗在下一个生长周期的综合死亡率。本发明专利技术能够提前对幼苗的死亡率进行预测，栽培者可根据综合死亡率对幼苗采取挽救措施，提高花卉幼苗的存活率。的存活率。的存活率。

【技术实现步骤摘要】
一种基于深度学习的花卉栽培过程中幼苗死亡率预测方法


[0001]本专利技术属于人工智能
，具体涉及一种基于深度学习的花卉栽培过程中幼苗死亡率预测方法。

技术介绍

[0002]花卉是具有观赏价值的草本植物，通常喜阳且耐寒。花卉具有广义和狭义两种意义，狭义的花卉是指具有观赏价值的草本植物(如凤仙、菊花、鸡冠花)，而广义的花卉除了包括具有观赏价值的草本植物外，还包括草本或木本的地被植物、花灌木、开花乔木以及盆景(如麦冬类、景天类)。中国是世界上花卉栽培面积最大的国家，有广阔的消费市场，现实生活中人们常因为鲜花漂亮的外观和宜人的香气而以各种方式种植、购买和佩戴花卉。
[0003]在花卉的整个生长周期中，栽培者需要保证花卉幼苗的生长环境参数在合适的范围内，并需要定期为花卉幼苗进行除虫、施肥，以保证花卉茁壮成长。然而，如果在幼苗生长周期中，幼苗的生长环境参数超出合适的范围，或者幼苗遭受严重的虫害，或者土壤中肥料过多，这些诱因都会提高花卉幼苗在未来生长周期的死亡率，导致花卉幼苗无法茁壮成长而死亡。如何基于当前花卉幼苗的本体的特征参数和其所处环境的环境参数预测幼苗下一生长周期的死亡率，进而提前做好预防花卉死亡的措施，成为了花卉栽培
的一大难题。

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花卉栽培过程中幼苗死亡率预测方法，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
[0005]本专利技术解决其技术问题的解决方案是：提供一种基于深度学习的花卉栽培过程中幼苗死亡率预测方法，该方法包括以下步骤：
[0006]S100、基于花卉大数据获取整个生长周期中幼苗的特征数据及其对应的死亡率数据，预处理幼苗的特征数据及其对应的死亡率数据，生成幼苗的死亡特征数据集；
[0007]其中，所述特征数据包括环境温度、环境pH值、土壤多离子浓度、土壤酶生物浓度、幼苗虫洞数量和幼苗叶绿素浓度；
[0008]S200、根据死亡特征数据集建立第一死亡率预测模型、第二死亡率预测模型；
[0009]S300、获取当前生长周期中幼苗的环境数据和生长数据，预处理当前生长周期中幼苗的环境数据和生长数据，生成幼苗的当前特征数据集；
[0010]S400、根据当前特征数据集，第一死亡率预测模型预测幼苗在下一生长周期的死亡率，输出第一预测死亡率，第二死亡率预测模型预测幼苗在下一生长周期的死亡率，输出第二预测死亡率；
[0011]S500、将第一预测死亡率赋予第一权重，将第二预测死亡率预测赋予第二权重，赋予第一权重的第一预测死亡率和赋予第二权重的第二预测死亡率累加，得到幼苗在下一个生长周期的综合死亡率。
[0012]作为上述技术方案的进一步改进，在步骤S100中，所述预处理幼苗的特征数据及其对应的死亡率数据的步骤为：
[0013]S110、找寻幼苗的特征数据及其对应的死亡率数据的缺失值，并通过回归算法对所述缺失值进行补全；
[0014]S120、找寻幼苗的特征数据及其对应的死亡率数据的重复值、异常值，丢弃所述重复值、异常值；
[0015]S130、对幼苗的特征数据及其对应的死亡率数据进行降维；
[0016]S140、标准化幼苗的特征数据及其对应的死亡率数据，生成幼苗的死亡特征数据集。
[0017]作为上述技术方案的进一步改进，在步骤S200中，所述根据死亡特征数据集建立第一死亡率预测模型、第二死亡率预测模型包括第一死亡率预测模型建立步骤和第二死亡率预测模型建立步骤；
[0018]所述第一死亡率预测模型建立步骤包括以下步骤：
[0019]S210、转换死亡特征数据集的格式为符合卷积神经网络的输入格式，转换格式后的死亡特征数据集按8:2比例划分为第一训练集和第一测试集；
[0020]S211、将第一训练集输入至卷积神经网络，训练卷积神经网络，获得第一特征向量；
[0021]S212、转换第一特征向量的格式为符合双向长短期记忆神经网络的输入格式，将格式转换后的第一特征向量输入至双向长短期记忆神经网络，训练双向长短期记忆神经网络，获得第二特征向量；
[0022]S213、构建结果分类层和基于注意力机制构建注意力层，第二特征向量输入至注意力层，注意力层的输出结果输入至结果分类层，结果分类层输出生成第一死亡率预测模型；
[0023]S214、设置第一评价指标，根据第一测试集和第一评价指标评价第一死亡率预测模型的性能；
[0024]所述第二死亡率预测模型建立步骤包括：
[0025]S220、对死亡特征数据集进行特征选择；
[0026]S221、特征选择后的死亡数据集按8:2比例划分为第二训练集和第二测试集，将第二训练集输入至XGBoost模型，训练XGBoost模型，生成第二死亡率预测模型；
[0027]S222、根据第二测试集和第二评价指标，评价第二死亡率预测模型的性能。
[0028]作为上述技术方案的进一步改进，所述注意力机制满足以下公式：
[0029][0030]其中，代表注意力层的输出结果，K为第二特征向量，ω为预设的训练参数向量，softmax代表在softmax分类器中的运算。
[0031]作为上述技术方案的进一步改进，所述对死亡特征数据集进行特征选择的步骤为：查询死亡特征数据集中的空值，调用所述空值所在列的中位数进行填充；调用sklearn库的得分函数对填充空值后的死亡特征数据集进行单变量特征选择，所述得分函数为f_regression()函数。
[0032]作为上述技术方案的进一步改进，所述第一评价指标满足以下公式：
[0033][0034][0035]α1＝30％
×
α
12
+70％
×
α
11
；
[0036]其中，α
11
为第一死亡率预测模型的平均绝对误差值，α
12
为第一死亡率预测模型的均方根误差值，α1为第一死亡率预测模型的误差值，n1为第一测试集的数据数量，为输入第一测试集后第一死亡率预测模型输出的死亡率预测值，m
i
为第一测试集对应的死亡率真实值；
[0037]所述第二评价指标满足以下公式：
[0038][0039][0040]α2＝30％
×
α
22
+70％
×
α
21
；
[0041]其中，α
21
为第二死亡率预测模型的平均绝对误差值，α
22
为第二死亡率预测模型的均方根误差值，α2为第二死亡率预测模型的误差值，n2为第二测试集的数据数量，为输入第二测试集后第二死亡率预测模型输出的死亡率预测值，k
i
为第二测试集对应的死亡率真实值。
[0042]作为上述技术方案的进一步改进，在步骤S500中，所述第一权重满足以下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的花卉栽培过程中幼苗死亡率预测方法，其特征在于，该方法包括以下步骤：S100、基于花卉大数据获取整个生长周期中幼苗的特征数据及其对应的死亡率数据，预处理幼苗的特征数据及其对应的死亡率数据，生成幼苗的死亡特征数据集；其中，所述特征数据包括环境温度、环境pH值、土壤多离子浓度、土壤酶生物浓度、幼苗虫洞数量和幼苗叶绿素浓度；S200、根据死亡特征数据集建立第一死亡率预测模型、第二死亡率预测模型；S300、获取当前生长周期中幼苗的环境数据和生长数据，预处理当前生长周期中幼苗的环境数据和生长数据，生成幼苗的当前特征数据集；S400、根据当前特征数据集，第一死亡率预测模型预测幼苗在下一生长周期的死亡率，输出第一预测死亡率，第二死亡率预测模型预测幼苗在下一生长周期的死亡率，输出第二预测死亡率；S500、将第一预测死亡率赋予第一权重，将第二预测死亡率预测赋予第二权重，赋予第一权重的第一预测死亡率和赋予第二权重的第二预测死亡率累加，得到幼苗在下一个生长周期的综合死亡率。2.根据权利要求1所述的一种基于深度学习的花卉栽培过程中幼苗死亡率预测方法，其特征在于，在步骤S100中，所述预处理幼苗的特征数据及其对应的死亡率数据的步骤为：S110、找寻幼苗的特征数据及其对应的死亡率数据的缺失值，并通过回归算法对所述缺失值进行补全；S120、找寻幼苗的特征数据及其对应的死亡率数据的重复值、异常值，丢弃所述重复值、异常值；S130、对幼苗的特征数据及其对应的死亡率数据进行降维；S140、标准化幼苗的特征数据及其对应的死亡率数据，生成幼苗的死亡特征数据集。3.根据权利要求1所述的一种基于深度学习的花卉栽培过程中幼苗死亡率预测方法，其特征在于，在步骤S200中，所述根据死亡特征数据集建立第一死亡率预测模型、第二死亡率预测模型包括第一死亡率预测模型建立步骤和第二死亡率预测模型建立步骤；所述第一死亡率预测模型建立步骤包括以下步骤：S210、转换死亡特征数据集的格式为符合卷积神经网络的输入格式，转换格式后的死亡特征数据集按8:2比例划分为第一训练集和第一测试集；S211、将第一训练集输入至卷积神经网络，训练卷积神经网络，获得第一特征向量；S212、转换第一特征向量的格式为符合双向长短期记忆神经网络的输入格式，将格式转换后的第一特征向量输入至双向长短期记忆神经网络，训练双向长短期记忆神经网络，获得第二特征向量；S213、构建结果分类层和基于注意力机制构建注意力层，第二特征向量输入至注意力层，注意力层的输出结果输入至结果分类层，结果分类层输出生成第一死亡率预测模型；S214、设置第一评价指标，根据第一测试集和第一评价指标评价第一死亡率预测模型的性能；所述第二死亡率预测模型建立步骤包括：S220、对死亡特征数据集进行特征选择；
S221、特征选择后的死亡数据集按8:2比例划分为第二训练集和第二测试集，将第二训练集输入至XGBoost模型，训练XGBoost模型，生成第二死亡率预测模型；S222、根据第二测试集和第二评价指标，评价第二死亡率预测模型的性能。4.根据权利要求3所述的一种基于深度学习的花卉栽培过程中幼苗死亡率预测方法，其特征在于，所述注意力机制满足以下公式：其中，代表注意力层的输出结果，K为第二特征向量，ω为预设的训练参数向量，softmax代表在softmax分类器中的运算。5.根据权利要求4所述的一种基于深度学习的花卉栽培过程中幼苗死亡率预测方法，其特征在于，所述对死亡特征数据集进行特征选择的步骤为：查询死亡特征数据集中的空值，调用所述空值所在列的中位数进行填充；调用sklearn库的得分函数对填充空值后的死亡特征数据集进行单变量特征选择，所述得分函数为f_regression()函数。6.根据权利要求5所述的一种基于深度学习的花卉栽培过程中幼苗死亡率预测方法，其特征在于，所述第一评价指标满足以下公式：征在于，所述第一评价指标满足以下公式：α1＝30％
×
α
12
+70％
×
...

【专利技术属性】
技术研发人员：刘静，
申请(专利权)人：广东职业技术学院，
类型：发明
国别省市：