一种基于深度学习的鼠疫预测方法与流程

技术特征：
1.一种基于深度学习的鼠疫预测方法，其特征在于，包括以下步骤：获取若干张疫源地鼠洞的图像，将其中一部分作为样本图像，另一部分为对比图像；获取若干张待采样地鼠洞的图像，作为待测试图像；将样本图像形成的数据集作为权重文件；将darknet框架移植到jetsonnano平台上，将所述权重文件移植到darknet框架内；并利用darknet框架识别对比图像，得到确定鼠洞数量、确定鼠洞位置、疑似鼠洞数量、疑似鼠洞位置；根据鼠洞数量、确定鼠洞位置、疑似鼠洞数量、疑似鼠洞位置，得到鼠洞分布数据；结合所述鼠洞分布数据和区域地图，采集鼠洞附近的土壤或毛发样本，确定每个鼠洞周围的鼠疫杆菌信息；利用每个鼠洞周围的鼠疫杆菌信息，采用最优回归子集法和指数平滑法建立风险预测模型；将待测试图像输入建立风险预测模型，预测鼠疫结果。2.根据权利要求1所述的一种基于深度学习的鼠疫预测方法，其特征在于，所述将样本图像形成的数据集作为权重文件，具体步骤包括：对每张所述样本图像进行画框、贴标签并生成pascalvoc格式的xml文件；标定所述样本图像中的所有目标，设置每个所述目标标签；将每个所述xml文件与其对应的所述目标和目标标签结合生成标注文件；将所有所述标注文件集合形成数据集；指定训练批次、训练轮数和权重；对所述训练集的图像数据进行训练得到权重文件。3.根据权利要求1所述的一种基于深度学习的鼠疫预测方法，其特征在于，所述得到确定鼠洞数量、确定鼠洞位置和疑似鼠洞数量、疑似鼠洞位置的具体步骤包括：在darknet框架下编写鼠洞脚本；通过所述鼠洞脚本运行所述对比图像，生成所述对比图像的标记文件；对所述标记文件运算，获得确定鼠洞数量、确定鼠洞位置和疑似鼠洞数量、疑似鼠洞位置。4.根据权利要求1所述的一种基于深度学习的鼠疫预测方法，其特征在于，所述建立风险预测模型的具体步骤包括：选择鼠密度、鼠体染蚤率、鼠体蚤指数、洞干染蚤率、洞干蚤指数、巢穴染蚤率、巢穴蚤作为监测指数；通过所述监测指数建立回归方程；根据所述回归方程的解，设置三个级别的风险指标。5.根据权利要求4所述的一种基于深度学习的鼠疫预测方法，其特征在于，所述设置三个级别的风险指标的具体步骤包括：对鼠密度和鼠洞密度的回归方程进行变换表示洞口系数；利用所述洞口系数通过最优回归子集法建立鼠密度分析模型；筛选疫源地主要影响因子；根据筛选后的所述影响因子，利用指数平滑法处理鼠密度分析模型得到风险预测结
果；根据风险预测结果设置三个级别的风险指标。6.根据权利要求1所述的一种基于深度学习的鼠疫预测方法，其特征在于，还包括：通过采样车采集鼠洞附近的土壤或毛发样本；其中，所述采样车为apm2.8开源飞控履带无人车。7.根据权利要求6所述的一种基于深度学习的鼠疫预测方法，其特征在于，还包括：通过采样车采集区域信息，并采用apap图像配准算法构建区域地图，其具体包括以下步骤：获取疫源地的地图视频，将所述地图视频抽帧处理得到若干地图图像；将每个描述相同场景的地图图像分成一组，得到多组地图图像；对每一组所述地图图像进行几何变换，将其转换成相同坐标系的图像，得到多个标准地图图像；拼接多个所述标准地图图像，合并其重叠部分的像素值，保持其没有重叠部分的像素值使之生成地图画布；通过混合算法对所述地图画布进行处理，得到标准区域地图。

技术总结
本发明提供了一种基于深度学习的鼠疫预测方法，属鼠疫预警技术领域。通过对鼠疫地区的鼠洞图像进行训练处理，得到鼠洞的分布情况，利用该分布情况获取鼠疫杆菌信息，利用鼠疫杆菌信息建模进行鼠疫风险预警。本发明可以尽量减少防疫工作人员直接或间接接触可能存在的致病菌，极大的提高了作业安全性及工作效率。同时本发明创建的预警模型预报准确度高，能够极大的提高预测的时效性和准确性。能够极大的提高预测的时效性和准确性。能够极大的提高预测的时效性和准确性。


技术研发人员：闫佳辉 银雅欣 佘文轩 贾晓强 吉飞敏
受保护的技术使用者：内蒙古工业大学
技术研发日：2021.10.25
技术公布日：2022/3/7