一种茶园诱虫板失效时间预测方法及系统与流程

1.本发明涉及茶园虫情智能检测领域，特别是涉及一种茶园诱虫板失效时间预测方法及系统。


背景技术：

2.中国是世界上主要的产茶区，距今已有3000多年的种植历史。茶叶浸泡之后具有的独特香气与口感，深受消费者的喜爱。但是因虫害导致的茶叶减产带来了巨大损失，农药防治会造成土壤污染，降低茶叶安全品质，所以使用绿色防控技术来控制茶叶病虫害显得愈发重要。诱虫板捕杀害虫作为虫害主要的绿色防控技术之一，已经在茶园中被广泛使用。此技术有助于减少化学农药的使用量，减少茶园环境污染，确保茶叶质量安全，提高茶园的经济效益。
3.但是在茶园诱虫板虫害防治实施过程中，所需诱虫板数量较大，并且需要在诱虫板失效前及时更换，所以诱虫板更换工作费时费力，增加了劳动成本，尤其是对于面积较大的或者地形更复杂的茶园，更换工作更加耗时。因此，亟需诱虫板自动更换装置能够代替人工进行作业，提高诱虫板更换效率，降低劳动成本。而诱虫板自动更换的关键环节是对诱虫板失效情况进行精准判断，以保证在诱虫板在完全失效前进行更换，从而保证茶园的诱虫效率。
4.现有的自动更换黏虫粘板的新型诱虫装置，利用定时器的计时功能，代替人工进行定期更换黏虫粘纸，节省了人工成本，但是无法做到对黏虫纸上黏虫情况实时监控，因此可能出现诱虫板已经完全失效，但是未到计时器规定的更换时间，无法及时更换粘虫板的情况，也可能出现诱虫板尚未失效，但是被更换掉的现象，造成了资源的浪费。此外，该装置在不同时空下的适应能力较差，不能满足精准更换的要求。目前，还未出现对茶园诱虫板失效进行智能判断的方法。


技术实现要素：

5.基于此，本发明实施例提供一种茶园诱虫板失效时间预测方法及系统，避免了因人工经验不足而导致诱虫板浪费的现象，也解决了因诱虫板更换不及时导致的捕虫效果差的问题。
6.为实现上述目的，本发明提供了如下方案：
7.一种茶园诱虫板失效时间预测方法，包括：
8.实时获取目标诱虫板的剩余有效面积；所述剩余有效面积为所述目标诱虫板上除黏虫区域外的剩余区域所占的比例；
9.根据诱虫板黏虫效率与诱虫板放置时间的关系，构建多个剩余有效面积变化预测模型；
10.若当前时刻的剩余有效面积低于设定比例，则确定失效时间；
11.其中，所述确定失效时间，包括：
12.根据当前时刻及当前时刻之前获取到的剩余有效面积，确定各所述剩余有效面积变化预测模型中的待定参数，并根据决定系数从多个参数确定的模型中选取一个模型作为优化预测模型；
13.采用当前时刻之后获取到的剩余有效面积对所述优化预测模型进行优化调参，得到最优预测模型；
14.由所述最优预测模型和设定比例判定因子确定所述目标诱虫板的失效时间。
15.可选的，所述剩余有效面积变化预测模型为四个；
16.其中，第一个剩余有效面积变化预测模型为：
[0017][0018]
第二个剩余有效面积变化预测模型为：
[0019]
s
有效2
＝α2exp(
‑
β2t) γ
[0020]
第三个剩余有效面积变化预测模型为：
[0021][0022]
第四个剩余有效面积变化预测模型为：
[0023]
s
有效4
＝1 α4t β4t2[0024]
其中，s
有效1
表示第一个剩余有效面积变化预测模型对应的剩余有效面积；s
有效2
表示第二个剩余有效面积变化预测模型对应的剩余有效面积；s
有效3
表示第三个剩余有效面积变化预测模型对应的剩余有效面积；s
有效4
表示第四个剩余有效面积变化预测模型对应的剩余有效面积；α1和β1表示第一个剩余有效面积变化预测模型中的待定参数；α2、β2和γ表示第二个剩余有效面积变化预测模型中的待定参数；α3和β3表示第三个剩余有效面积变化预测模型中的待定参数；α4和β4表示第四个剩余有效面积变化预测模型中的待定参数；t表示目标诱虫板放置时间。
[0025]
可选的，所述根据当前时刻及当前时刻之前获取到的剩余有效面积，确定各所述剩余有效面积变化预测模型中的待定参数，并根据决定系数从多个参数确定的模型中选取一个模型作为优化预测模型，具体包括：
[0026]
将当前时刻及当前时刻之前获取到的剩余有效面积输入各所述剩余有效面积变化预测模型中，对各所述剩余有效面积变化预测模型分别进行拟合，以确定各所述剩余有效面积变化预测模型中的待定参数，得到多个参数确定的模型；
[0027]
计算各所述参数确定的模型的决定系数；一个所述剩余有效面积对应一个所述决定系数；
[0028]
根据输入的所述剩余有效面积的数量，计算各所述参数确定的模型的平均决定系数；
[0029]
选取最大的所述平均决定系数对应的参数确定的模型作为优化预测模型。
[0030]
可选的，所述采用当前时刻之后获取到的剩余有效面积对所述优化预测模型进行优化调参，得到最优预测模型，具体包括：
[0031]
获取下一时刻的剩余有效面积；
[0032]
将所述下一时刻的剩余有效面积输入所述优化预测模型，计算所述优化预测模型
在下一时刻的决定系数；
[0033]
判断所述优化预测模型在下一时刻的决定系数与所述优化预测模型在当前时刻的决定系数的差值是否小于或等于设定阈值，得到第一判断结果；
[0034]
若所述第一判断结果为是，则将所述优化预测模型确定为最优模型；
[0035]
若所述第一判断结果为否，则调整所述优化预测模型中的参数，直到两个时刻的决定系数的差值小于或等于所述设定阈值，得到最优模型。
[0036]
可选的，所述由所述最优预测模型和设定比例判定因子确定所述目标诱虫板的失效时间，具体包括：
[0037]
对所述最优预测模型进行一阶求导，得到一阶导函数；
[0038]
基于所述一阶导函数和设定比例判定因子，将满足判断条件的放置时间确定所述目标诱虫板的完全失效时间；所述判断条件为：|s
′
(t)|/|s
′
(0)|≤κ；其中，s
′
(t)为一阶导函数；t表示目标诱虫板放置时间，t∈n
*
；s
′
(0)表示t＝0时的一阶导函数的值；κ表示设定比例判定因子；
[0039]
将所述完全失效时间的上一时刻确定为所述目标诱虫板的失效时间。
[0040]
可选的，所述实时获取目标诱虫板的剩余有效面积，具体包括：
[0041]
采用相机实时获取目标诱虫板的图像；
[0042]
对所述目标诱虫板的图像进行灰度化处理，得到灰度图像；
[0043]
将所述灰度图像进行二值化处理，得到二值化图像；
[0044]
统计所述二值化图像的像素点个数，得到总像素点数量，统计所述二值化图像中除黏虫区域外的剩余区域的像素点个数，得到非黏虫区域像素点数量；
[0045]
根据所述总像素点数量和所述非黏虫区域像素点数量，计算剩余有效面积。
[0046]
可选的，κ的取值范围为0.1～0.3。
[0047]
可选的，所述设定比例为50％。
[0048]
可选的，所述设定阈值的取值范围为0.001～0.1。
[0049]
本发明还提供了一种茶园诱虫板失效时间预测系统，包括：
[0050]
有效面积获取模块，用于实时获取目标诱虫板的剩余有效面积；所述剩余有效面积为所述目标诱虫板上除黏虫区域外的剩余区域所占的比例；
[0051]
预测模型构建模块，用于根据诱虫板黏虫效率与诱虫板放置时间的关系，构建多个剩余有效面积变化预测模型；
[0052]
失效时间确定模块，用于若当前时刻的剩余有效面积低于设定比例，则确定失效时间；
[0053]
所述失效时间确定模块，包括：
[0054]
参数确定模块，用于根据当前时刻及当前时刻之前获取到的剩余有效面积，确定各所述剩余有效面积变化预测模型中的待定参数，并根据决定系数从多个参数确定的模型中选取一个模型作为优化预测模型；
[0055]
优化模块，用于采用当前时刻之后获取到的剩余有效面积对所述优化预测模型进行优化调参，得到最优预测模型；
[0056]
失效时间确定模块，用于由所述最优预测模型和设定比例判定因子确定所述目标诱虫板的失效时间。
[0057]
与现有技术相比，本发明的有益效果是：
[0058]
本发明实施例提出了一种茶园诱虫板失效时间预测方法及系统，实时获取目标诱虫板的剩余有效面积；建立剩余有效面积变化预测模型分析剩余有效面积变化率，并结合设定比例判定因子，得到目标诱虫板的失效时间。本发明能实时监控、精准预判茶园诱虫板的失效时间，避免了因人工经验不足而导致诱虫板浪费的现象，也解决了因诱虫板更换不及时导致的捕虫效果差的问题，提高了茶园中的虫害诱捕效率，进而提高茶叶的品质；并且本发明适用性强，能够应用于不同季节、不同地域环境下的茶园诱虫作业。
附图说明
[0059]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0060]
图1为本发明实施例提供的茶园诱虫板失效时间预测方法的流程图；
[0061]
图2为本发明实施例提供的茶园诱虫板失效时间预测方法的另一流程图；
[0062]
图3为本发明实施例提供的诱虫板图像定期采集结果示意图；
[0063]
图4为本发明实施例提供的诱虫板图像二值化后结果示意图；
[0064]
图5为本发明实施例提供的诱虫板剩余有效面积变化趋势图；
[0065]
图6为本发明实施例提供的最优预测模型确立图；
[0066]
图7为本发明实施例提供的根据剩余有效面积变化率的更换时间计算图；
[0067]
图8为本发明实施例提供的茶园诱虫板失效时间预测系统的结构图。
具体实施方式
[0068]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0069]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0070]
参见图1，本实施例的的茶园诱虫板失效时间预测方法，包括：
[0071]
步骤101：实时获取目标诱虫板的剩余有效面积；所述剩余有效面积为所述目标诱虫板上除黏虫区域外的剩余区域所占的比例。该步骤，具体包括：
[0072]
采用工业相机以设定采样频率f实时获取目标诱虫板的图像。所述目标诱虫板的图像为rgb图像，f取0.5天/次～2天/次。
[0073]
对所述目标诱虫板的图像进行灰度化处理，得到灰度图像。
[0074]
将所述灰度图像进行二值化处理，得到二值化图像。
[0075]
统计所述二值化图像的像素点个数，得到总像素点数量，统计所述二值化图像中除黏虫区域外的剩余区域的像素点个数，得到非黏虫区域像素点数量。
[0076]
根据所述总像素点数量和所述非黏虫区域像素点数量，计算剩余有效面积。所述
剩余有效面积的计算公式为：
[0077][0078]
其中，s
有效
为剩余有效面积，p为总像素点数量；q为黏虫区域像素点数量，p
‑
q为非黏虫区域像素点数量。
[0079]
步骤102：根据诱虫板黏虫效率与诱虫板放置时间的关系，构建多个剩余有效面积变化预测模型。
[0080]
所述剩余有效面积变化预测模型为四个。其中，第一个剩余有效面积变化预测模型为：
[0081][0082]
第二个剩余有效面积变化预测模型为：
[0083]
s
有效2
＝α2exp(
‑
β2t) γ
[0084]
第三个剩余有效面积变化预测模型为：
[0085][0086]
第四个剩余有效面积变化预测模型为：
[0087]
s
有效4
＝1 α4t β4t2[0088]
其中，s
有效1
表示第一个剩余有效面积变化预测模型对应的剩余有效面积；s
有效2
表示第二个剩余有效面积变化预测模型对应的剩余有效面积；s
有效3
表示第三个剩余有效面积变化预测模型对应的剩余有效面积；s
有效4
表示第四个剩余有效面积变化预测模型对应的剩余有效面积；α1和β1表示第一个剩余有效面积变化预测模型中的待定参数；α2、β2和γ表示第二个剩余有效面积变化预测模型中的待定参数；α3和β3表示第三个剩余有效面积变化预测模型中的待定参数；α4和β4表示第四个剩余有效面积变化预测模型中的待定参数；t表示目标诱虫板放置时间。
[0089]
步骤103：若当前时刻的剩余有效面积低于设定比例，则根据当前时刻及当前时刻之前获取到的剩余有效面积，确定各所述剩余有效面积变化预测模型中的待定参数，并根据决定系数从多个参数确定的模型中选取一个模型作为优化预测模型。所述设定比例为50％。
[0090]
该步骤，具体包括：
[0091]
将当前时刻及当前时刻之前获取到的剩余有效面积输入各所述剩余有效面积变化预测模型中，对各所述剩余有效面积变化预测模型分别进行拟合，以确定各所述剩余有效面积变化预测模型中的待定参数，得到多个参数确定的模型。
[0092]
计算各所述参数确定的模型的决定系数；一个所述剩余有效面积对应一个所述决定系数。
[0093]
根据输入的所述剩余有效面积的数量，计算各所述参数确定的模型的平均决定系数。
[0094]
选取最大的所述平均决定系数对应的参数确定的模型作为优化预测模型。
[0095]
步骤104：采用当前时刻之后获取到的剩余有效面积对所述优化预测模型进行优
化调参，得到最优预测模型。该步骤，具体包括：
[0096]
获取下一时刻的剩余有效面积。
[0097]
将所述下一时刻的剩余有效面积输入所述优化预测模型，计算所述优化预测模型在下一时刻的决定系数。
[0098]
判断所述优化预测模型在下一时刻的决定系数与所述优化预测模型在当前时刻的决定系数的差值是否小于或等于设定阈值，得到第一判断结果。所述设定阈值的取值范围为0.001～0.1。
[0099]
若所述第一判断结果为是，则将所述优化预测模型确定为最优模型。
[0100]
若所述第一判断结果为否，则调整所述优化预测模型中的参数，直到两个时刻的决定系数的差值小于或等于所述设定阈值，得到最优模型。
[0101]
步骤105：由所述最优预测模型和设定比例判定因子确定所述目标诱虫板的失效时间。该步骤，具体包括：
[0102]
对所述最优预测模型进行一阶求导，得到一阶导函数。
[0103]
基于所述一阶导函数和设定比例判定因子，将满足判断条件的放置时间确定所述目标诱虫板的完全失效时间；所述判断条件为：|s
′
(t)|/|s
′
(0)|≤κ；其中，s
′
(t)为一阶导函数；t表示目标诱虫板放置时间，t∈n
*
，n
*
为正整数；s
′
(0)表示t＝0时的一阶导函数的值；κ表示设定比例判定因子。
[0104]
判定因子κ的大小根据后期的粘虫效率所确定，选定正确的判定因子κ对于提高整个黏虫过程效率具有重要作用。若κ取值过大，则会导致诱虫板在依然具有粘虫能力时被更换掉；若κ取值过小，则会导致诱虫板后期因粘虫效率过低而影响茶园的整体粘虫效果。因此，优选地，κ的取值范围为0.1～0.3。
[0105]
将所述完全失效时间的上一时刻确定为所述目标诱虫板的失效时间。
[0106]
下面提供上述茶园诱虫板失效时间预测方法的一个具体实现过程。
[0107]
参见图2，茶园诱虫板失效时间预测方法的流程包括：
[0108]
步骤一诱虫板有效剩余面积的计算
[0109]
诱虫板剩余有效面积表示为除去黏虫区域之外的未黏虫区域所占整个诱虫板面积的比例，可以用它表示诱虫板在黏虫过程中的失效程度。例如，剩余有效面积为100％，则表示没有诱虫板没有黏到害虫与杂尘；剩余有效面积为0％时，则表示诱虫板完全被害虫与杂尘覆盖。
[0110]
该步骤具体为：i：使用相机进行rgb图像定时采集；ii：对采集的图像进行灰度化处理；iii：对灰度化图像进行二值化处理；iv：对目标像素点统计；v：计算诱虫板剩余有效面积。诱虫板剩余有效面积表示为一种百分比，具体计算公式参见步骤101，在此不再赘述。
[0111]
步骤二建立剩余有效面积变化预测模型
[0112]
通过文献查阅与试验分析得出，发现诱虫板黏虫效率随着放置时间的延长呈现降速下降趋势，即放置前期黏虫效率较高，放置后期黏虫效率较慢。因此，基于此规律建立了四种剩余有效面积变化率预测模型，从而实现对诱虫板失效时间进行精准预测，具体模型的表达式参见步骤102，在此不再赘述。
[0113]
步骤三优化预测模型的确立
[0114]
开始诱虫作业后，当剩余有效面积低于50％时，已经获取到了足够多的数据点，故
开始利用步骤二中所建立的模型对所得的诱虫板剩余有效面积数据变化情况进行拟合，并计算各自的决定系数r2。对于任意一个预测模型，预测模型对第1次至第i次图像采集所获得的剩余有效面积数据点进行拟合后，得到决定系数的计算公式为：
[0115][0116]
其中，i为图像采集次数的序号，s
pre，j
表示预测模型输出的第j次图像采集对应的诱虫板剩余有效面积，s
exp，j
表示计算测得的第j次图像采集对应的诱虫板剩余有效面积，j∈[1，i]，表示预测模型输出的i次图像采集对应的诱虫板剩余有效面积的平均值。
[0117]
引入模型的平均决定系数不同模型之间通过对各自的进行比较，将最大的平均决定系数对应的模型确定为优化预测模型。计算方法如下式所示：
[0118][0119]
式中，n为图像采集的总次数。代表预测模型对第1次至第i次图像采集所获得的剩余有效面积数据点进行拟合后计算的决定系数，的引入可以考察四种模型在诱虫板不同放置时期下的适应性，进而实现对建立的模型的稳定性评估。
[0120]
步骤四优化预测模型的优化调参
[0121]
得到优化预测模型之后，利用每天新获取的剩余有效面积数据，对优化预测模型进行优化调参，并设定合适的阈值ε*，得到最优预测模型。优选地，设定阈值ε*取值为0.001～0.1。当模型满足条件时，视为模型稳定。
[0122]
步骤五基于剩余面积变化率的更换时间判定
[0123]
对步骤四中得到的最优预测模型进行一阶求导，并且设定比例判定因子κ。当t时刻对应的一阶导函数满足判定条件|s
′
(t)|/|s
′
(0)|≤κ时，则将t时刻视为诱虫板完全失效的时间。又因为实际情况下t∈n
*
，因此为了提高诱虫效率，将(t
‑
1)天视为诱虫板实际失效时间。
[0124]
下面提供了一个具体的应用实例。
[0125]
步骤一诱虫板有效剩余面积计算
[0126]
茶园诱虫板被放置后，使用工业相机对其进行图像采集，为避免天气影响图像采集效果，采用固定光源，同时固定相机焦距。设定采样频率为f＝2天/次，采集的图像结果如图3所示。利用python语言以及opencv库、numpy库进行编程，对采集的图像进行剩余有效面积计算，具体过程如下：
[0127]
i：利用cv2.cvtcolor()函数对采集的图像进行灰度化处理，rgb图像灰度化是一种将图像三通道图像转换为单通道的过程，所有像素点分布在[0，255]，为进行图像二值化提供条件。
[0128]
ii：利用cv2.threshold()函数对获取的灰度化图像进行二值化处理。二值化的目
的是将所有像素点通过阈值比较分为0与255两种像素点，0对应的像素点在二值化图像中显示为纯黑色，255在二值化图像中显示为纯白色。在此发明中，进行图像二值化处理是为了将诱虫板的黏虫区域与尚未黏虫区域进行区分，黏虫的区域为诱虫板失效区域，而尚未黏虫区域为诱虫板剩余效区域。此实施例中，二值化处理阈值设为135，对于大于阈值135的像素点取值255，并表示为未黏虫区域(未失效区域)所占用的像素，对于小于阈值135的像素点取值0，并表示为黏虫区域(失效区域)所占用的像素，二值化结果如图4所示。
[0129]
iii：利用np.where()函数对像素点进行数量统计，分别统计二值图像中所有像素点个数与值为0的像素点个数。
[0130]
iv：根据上述步骤得到的目标像素点按照步骤101中的公式计算剩余有效面积。
[0131]
诱虫板剩余有效面积变化情况如图5所示，可以发现当诱虫板放置到16天时，诱虫板剩余有效面积为48.69％，满足剩余有效面积低于50％的条件。因此开始对有效面积变化动力学进行模型拟合，模型的建立如步骤102中所示。
[0132]
步骤二建立剩余有效面积变化预测模型
[0133]
如图5所示，诱虫板剩余有效面积随着放置时间的延长呈现降速下降趋势，即放置前期剩余有效面积下降速度快，放置后期剩余有效面积下降较慢，这也说明诱虫板在放置后期黏虫效果不断变差，反映在剩余有效面积变化率方面上，则为一个持续降低的过程。后期黏虫速度缓慢，如果不能及时更换，会严重降低诱虫板的粘虫效果。所以为了保证不让粘虫效率过低，同时又不浪费诱虫板的黏虫性能，需要设定了一个基于剩余有效面积变化率的失效判定阈值，保证诱虫板能够被及时、合理的更换。但是由于实际环境不稳定，若直接计算诱虫板剩余有效面积变化率，得到的数据点离散程度较大，不利于模型的构建。故先对诱虫板剩余有效面积进行模型构建，进而求取模型的一阶导函数作为剩余有效面积变化率模型，实现对诱虫板失效情况进行判定。建立剩余有效面积变化预测模型如步骤102中的公式所示。
[0134]
步骤三优化预测模型的确立
[0135]
决定系数r2可以用于模型的评估，其值越接近1，模型的准确度越高。在此实实例中，为了探究所建模型在不同放置时期的准确性，采用决定系数对步骤102中的四种模型进行稳定性评估，寻找优化预测模型。由于本实施例中4天之前获取的数据点较少，因此从6天开始对预测模型进行拟合，结果如表1所示，第二个模型具有最大的因此将第二个模型视为优化预测模型。
[0136]
表1不同预测模型在不同放置时间下的相关系数
[0137]
[0138]
步骤四优化预测模型的优化
[0139]
获取优化预测模型后，利用16天之后所采集的剩余有效面积变化数据对优化预测模型进行拟合调参。设定阈值ε*＝0.001，当模型满足条件时，视为模型稳定。
[0140]
结果如表2所示，随着诱虫板放置时间的增加，r2呈现缓慢增长的趋势，并且当诱虫板放置时间为22天时，已满足模型稳定的判定条件，得到最优参数为：α＝0.7719、β＝0.063、γ＝0.21。如图6所示，得到的最优预测模型为：s(t)＝0.7719*exp(
‑
0.063*t) 0.21。
[0141]
表2最优模型在调参过程中相关系数
[0142][0143]
步骤五基于一阶导函数的判定比例式，以及判定因子来获取诱虫板失效时间。
[0144]
如图7所示，对步骤四中获取的最优预测模型进行一阶求导，得导函数：s
′
(t)＝
‑
0.049*exp(
‑
0.063*t)，进而求得|s
′
(0)|＝0.049。在此实施例中，设定判定因子κ＝0.2，根据判定条件|s
′
(t)|/|s
′
(0)|≤κ，因为t∈n
*
，故得t＝26，所以求得的诱虫板实际失效时间应为第t
‑
1＝25天。
[0145]
上述实施例提供的茶园诱虫板失效时间预测方法，具有如下优点：
[0146]
1)该方法通过引入剩余有效面积及其变化率对诱虫板失效情况进行判断，可避免因人工经验不足而导致诱虫板浪费的现象，也可解决因诱虫板更换不及时导致的捕虫效果差等问题。
[0147]
2)该方法可以作为茶园诱虫板自动更换装备的智能判断方法，进而取代人工进行诱虫板的自动更换，降低人工成本。
[0148]
3)该方法可以提高茶园诱虫效果，减少化学农药的使用，降低茶园污染，进而提升茶叶产品质量，提高茶叶附加值。
[0149]
本发明还提供了一种茶园诱虫板失效时间预测系统。参见图8，所述系统包括：
[0150]
有效面积获取模块201，用于实时获取目标诱虫板的剩余有效面积；所述剩余有效面积为所述目标诱虫板上除黏虫区域外的剩余区域所占的比例。
[0151]
预测模型构建模块202，用于根据诱虫板黏虫效率与诱虫板放置时间的关系，构建多个剩余有效面积变化预测模型。
[0152]
失效时间确定模块203，用于若当前时刻的剩余有效面积低于设定比例，则确定失效时间。
[0153]
所述失效时间确定模块203，包括：
[0154]
参数确定模块，用于根据当前时刻及当前时刻之前获取到的剩余有效面积，确定
各所述剩余有效面积变化预测模型中的待定参数，并根据决定系数从多个参数确定的模型中选取一个模型作为优化预测模型。
[0155]
优化模块，用于采用当前时刻之后获取到的剩余有效面积对所述优化预测模型进行优化调参，得到最优预测模型。
[0156]
失效时间确定模块，用于由所述最优预测模型和设定比例判定因子确定所述目标诱虫板的失效时间。
[0157]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0158]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。