基于机器学习的大豆病虫害风险等级判定方法及系统

本发明涉及农作物病虫害监测，尤其涉及一种基于机器学习的大豆病虫害风险等级判定方法及系统。

背景技术：

1、目前，大豆在生长过程中容易受到病害或虫害影响，及时判定大豆植株的病虫害风险等级，是开展病虫害监测和确定后续处置时机的重要基础。随着传感器监测与工业数据处理技术在农作物生长监测中的应用，利用植株受到外界胁迫时产生的电信号变化识别植株生理状态，逐渐成为病虫害风险判定的一种技术手段。

2、在一种现有技术中，通常在设定的监测时段内获取大豆植株产生的电信号，对所述电信号进行时域特征或频域特征提取，再将提取的特征输入预先训练的分类模型，得到对应的病虫害风险等级。此类方法能够根据当前监测时段内的植株电信号完成风险分类，但输出结果主要反映电信号采集时刻对应的植株状态。然而，大豆病虫害的发展具有连续性，随着病害扩展或虫害活动程度发生变化，植株电信号的幅值和频率分布也可能在后续监测时段内持续改变。现有方法在得到初始风险等级后，通常缺少对同一大豆植株后续电信号的连续比较机制，也未根据后续电信号相对于初始电信号的变化方向和持续情况修正初始风险等级。当植株状态在后续监测过程中发生变化时，原有风险等级仍可能保持不变，难以反映病虫害风险的实际演变状态。

3、现有技术中存在大豆病虫害风险等级判定结果难以及时反映植株病虫害风险演变状态的问题。

技术实现思路

1、本发明提供了一种基于机器学习的大豆病虫害风险等级判定方法及系统，以解决现有技术中存在的大豆病虫害风险等级判定结果难以及时反映植株病虫害风险演变状态的问题。

2、第一方面，为了解决上述技术问题，本发明提供了一种基于机器学习的大豆病虫害风险等级判定方法，包括：

3、获取监测区域内待测大豆植株在初始监测时段产生的初始电信号，对所述初始电信号进行风险特征提取得到初始风险特征，将所述初始风险特征输入预先训练的随机森林模型得到初始风险等级；

4、根据所述初始风险等级确定后续采集参数，按照所述后续采集参数获取所述待测大豆植株在后续监测时段产生的后续电信号，对所述后续电信号进行分段特征提取得到后续特征序列；

5、将所述后续特征序列与所述初始风险特征进行基准比较得到风险变化序列，对所述风险变化序列进行分段趋势分析得到趋势方向和趋势占比，根据所述趋势方向和所述趋势占比进行状态划分得到风险演变状态；

6、根据所述风险演变状态进行修正量映射得到风险修正量，根据所述风险修正量修正所述初始风险等级，得到大豆病虫害风险等级判定结果。

7、第二方面，本发明提供了一种基于机器学习的大豆病虫害风险等级判定系统，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的方法。

8、相比于现有技术，本发明具有如下有益效果：

9、（1）本发明通过提取待测大豆植株的初始电信号对应的初始风险特征，并将所述初始风险特征输入预先训练的随机森林模型得到初始风险等级，进一步根据所述初始风险等级确定后续采集参数，使不同初始风险等级对应相应的采集时长和采样间隔，从而为后续风险演变分析提供与当前风险水平相适应的植株电信号数据，提高了后续监测过程的针对性和时效性。

10、（2）本发明通过将后续特征序列与同一待测大豆植株的初始风险特征进行基准比较，得到反映幅值变化和频段变化的风险变化序列，并对所述风险变化序列进行分段趋势分析，根据多个趋势窗口的变化方向及其数量占比确定风险演变状态，使风险演变状态的判定基于一段监测时间内的持续变化特征，降低了单个信号片段发生短时波动对判定结果的影响，提高了风险变化识别的稳定性。

11、（3）本发明通过建立风险演变状态与风险修正量之间的对应关系，根据风险上升状态、风险下降状态或无明确变化状态确定相应的风险修正量，并利用所述风险修正量对初始风险等级进行修正，得到大豆病虫害风险等级判定结果，使风险等级能够结合后续植株电信号的变化状态进行更新，减少了仅依据初始监测时段作出判定所产生的状态滞后，提高了风险等级判定结果与植株病虫害风险演变状态之间的一致性。

1.一种基于机器学习的大豆病虫害风险等级判定方法，其特征在于，包括：

2.根据权利要求1所述的基于机器学习的大豆病虫害风险等级判定方法，其特征在于，所述对所述初始电信号进行风险特征提取得到初始风险特征，包括：

3.根据权利要求2所述的基于机器学习的大豆病虫害风险等级判定方法，其特征在于，所述预先训练的随机森林模型的训练过程包括：

4.根据权利要求2所述的基于机器学习的大豆病虫害风险等级判定方法，其特征在于，所述根据所述初始风险等级确定后续采集参数，包括：

5.根据权利要求4所述的基于机器学习的大豆病虫害风险等级判定方法，其特征在于，所述按照所述后续采集参数获取所述待测大豆植株在后续监测时段产生的后续电信号，对所述后续电信号进行分段特征提取得到后续特征序列，包括：

6.根据权利要求5所述的基于机器学习的大豆病虫害风险等级判定方法，其特征在于，所述将所述后续特征序列与所述初始风险特征进行基准比较得到风险变化序列，包括：

7.根据权利要求6所述的基于机器学习的大豆病虫害风险等级判定方法，其特征在于，所述对所述风险变化序列进行分段趋势分析得到趋势方向和趋势占比，包括：

8.根据权利要求7所述的基于机器学习的大豆病虫害风险等级判定方法，其特征在于，所述根据所述趋势方向和所述趋势占比进行状态划分得到风险演变状态，包括：

9.根据权利要求8所述的基于机器学习的大豆病虫害风险等级判定方法，其特征在于，所述根据所述风险演变状态进行修正量映射得到风险修正量，根据所述风险修正量修正所述初始风险等级，得到大豆病虫害风险等级判定结果，包括：

10.一种基于机器学习的大豆病虫害风险等级判定系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至9任一项所述的方法。