本發(fā)明涉及一種基于分布式壓縮感知WSN的柑桔病蟲害監(jiān)測(cè)預(yù)警方法，屬于農(nóng)作物病蟲害防治
技術(shù)領(lǐng)域：

背景技術(shù)：
：長(zhǎng)期以來，我國(guó)對(duì)重大病蟲害的災(zāi)變趨勢(shì)、成災(zāi)規(guī)律與機(jī)理等方面的基礎(chǔ)性和公益性研究缺乏足夠的認(rèn)識(shí)，對(duì)某些全國(guó)性及局域性發(fā)生的重要病蟲害缺乏系統(tǒng)長(zhǎng)期的實(shí)時(shí)監(jiān)測(cè)，難以準(zhǔn)確預(yù)報(bào)，這是造成農(nóng)作物病蟲災(zāi)害防不勝防的被動(dòng)局面的原因之一。柑桔類農(nóng)作物是我國(guó)南方的重要經(jīng)濟(jì)作物，其上發(fā)生的病蟲害種類較多，常見病害有柑桔炭疽病，潰瘍病，瘡痂病，黃龍病等，常見蟲害有紅蜘蛛，粉虱，潛葉蛾，木虱等。嚴(yán)重制約柑桔產(chǎn)業(yè)的健康發(fā)展。某些害蟲還可以傳播病害，像柑桔木虱可以傳播黃龍病。在一些緯度低的地區(qū)，這些病蟲害可常年發(fā)生，給柑桔種植業(yè)造成嚴(yán)重經(jīng)濟(jì)損失。目前，在柑桔病蟲害綜合防治技術(shù)中3S技術(shù)是應(yīng)用最廣泛的，3S技術(shù)是遙感技術(shù)(Remotesensing，RS)、地理信息系統(tǒng)(Geographyinformationsystems，GIS)和全球定位系統(tǒng)(Globalpositioningsystems，GPS)的融合與應(yīng)用，它是農(nóng)業(yè)進(jìn)行抽樣調(diào)查、獲取農(nóng)作物生長(zhǎng)各種影響因素信息(如土壤結(jié)構(gòu)、含水量、地形、病蟲害等)的主要技術(shù)手段之一。但由于各國(guó)農(nóng)業(yè)種植地形復(fù)雜多樣，種植結(jié)構(gòu)千差萬別，種植規(guī)模和品種不同，以及農(nóng)戶種植習(xí)慣、種植特點(diǎn)等的差異，單純利用3S技術(shù)進(jìn)行農(nóng)情監(jiān)測(cè)的精度不夠。針對(duì)這種柑桔病蟲害監(jiān)測(cè)具有低精度、滯后性和資源受限等局限性的特點(diǎn)，本發(fā)明基于分布式壓縮感知WSN(WirelessSensorNetworks，無線傳感器網(wǎng)絡(luò))的柑桔病蟲害監(jiān)測(cè)預(yù)警方法，利用分布式壓縮感知技術(shù)以及無線傳感器網(wǎng)絡(luò)在時(shí)空尺度上監(jiān)測(cè)高精度的優(yōu)勢(shì)，建立及時(shí)、現(xiàn)場(chǎng)、低功耗、生命力強(qiáng)的無線網(wǎng)絡(luò)監(jiān)測(cè)體系，能有效地解決3S技術(shù)在進(jìn)行農(nóng)情監(jiān)測(cè)時(shí)的精度不夠、小區(qū)域內(nèi)或單個(gè)觀測(cè)點(diǎn)上的數(shù)據(jù)無法直接獲取等問題。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的是，根據(jù)在柑桔病蟲害綜合防治技術(shù)中，單純利用3S技術(shù)進(jìn)行農(nóng)情監(jiān)測(cè)的精度不夠，針對(duì)柑桔病蟲害監(jiān)測(cè)具有低精度、滯后性和資源受限等局限性的問題，本發(fā)明提出一種基于分布式壓縮感知WSN(WirelessSensorNetworks，無線傳感器網(wǎng)絡(luò))的柑桔病蟲害監(jiān)測(cè)預(yù)警方法。實(shí)現(xiàn)本發(fā)明的技術(shù)方案是，一種基于分布式壓縮感知WSN的柑桔病蟲害監(jiān)測(cè)預(yù)警方法，包括基于DCS(DistributedCompressiveSampling，分布式壓縮感知)的病蟲害監(jiān)測(cè)圖像采集與重構(gòu)、基于DCNN(DeepConvolutionalNeuralNetwork，深度卷積神經(jīng)網(wǎng)絡(luò))的病蟲害圖像特征提取、以及基于WSN的柑桔病蟲害監(jiān)測(cè)預(yù)警系統(tǒng)構(gòu)建。本發(fā)明通過無線傳感器節(jié)點(diǎn)采集到農(nóng)作物的生物信息和環(huán)境信息，利用分布式壓縮感知DCS對(duì)采集到的數(shù)據(jù)進(jìn)行處理，然后通過無線傳感器網(wǎng)關(guān)節(jié)點(diǎn)傳輸?shù)竭h(yuǎn)端服務(wù)器，在遠(yuǎn)程控制中心采用快速穩(wěn)健的分布式壓縮感知重構(gòu)算法恢復(fù)原始信號(hào)。將圖像信號(hào)輸入DCNN進(jìn)行訓(xùn)練，用于柑桔病蟲害的圖像識(shí)別。最后，建立病蟲害監(jiān)測(cè)、傳輸、圖像自動(dòng)識(shí)別的預(yù)警系統(tǒng)。所述基于DCS的病蟲害監(jiān)測(cè)圖像采集與重構(gòu)包括以下步驟：(1)通過無線傳感器節(jié)點(diǎn)對(duì)柑桔病蟲害圖像的采集。(2)柑桔病蟲害圖像信號(hào)的稀疏表示：采用基于信號(hào)群的聯(lián)合稀疏模型(JSM，JointSparseModel)中的JSM-2模型架構(gòu)進(jìn)行稀疏表示。對(duì)于圖像信號(hào)中稀疏的變換域，用拉普拉斯塔式分解和圓對(duì)稱輪廓波分別表示圖像的光滑成分和邊緣部分，采用多成分冗余字典上病蟲害圖像聯(lián)合稀疏表示方法，獲得病蟲害圖像的聯(lián)合稀疏表示系數(shù)，并采用JSM-2模型對(duì)病蟲害圖像進(jìn)行聯(lián)合稀疏建模。(3)觀測(cè)矩陣設(shè)計(jì)基于相關(guān)性理論,將投影矩陣和觀測(cè)矩陣的非相關(guān)條件等價(jià)為Grammar矩陣:Gram:(ACS)TACS其中，A為觀測(cè)矩陣；ACS為感知矩陣；T表示矩陣的轉(zhuǎn)置。首先產(chǎn)生一個(gè)隨機(jī)觀測(cè)矩陣，然后利用信號(hào)的稀疏基的信息，訓(xùn)練學(xué)習(xí)出一個(gè)優(yōu)化觀測(cè)矩陣,它與字典矩陣之間具有更低的相干性；采用K-SVD方法求解下式中的優(yōu)化問題：minΦ||(ACS)TACS-I||22,s.t.ACS=ΦΨ.]]>其中，A為觀測(cè)矩陣；Φ為隨機(jī)初始化投影矩陣；Ψ為變換基；I為隨機(jī)觀測(cè)矩陣；ACS為感知矩陣；T為矩陣的轉(zhuǎn)置。(4)使用基于JSM-2模型的快速且穩(wěn)健的分布式重構(gòu)算法對(duì)圖像信號(hào)進(jìn)行重構(gòu)。所述基于DCNN神經(jīng)網(wǎng)絡(luò)的病蟲害圖像特征提取，包括以下步驟：(1)柑桔病蟲害圖像卷積和采樣利用卷積神經(jīng)網(wǎng)絡(luò)，用于特征提取的卷積神經(jīng)網(wǎng)絡(luò)由卷積層和子采樣層兩種結(jié)構(gòu)交替組成，采用5層結(jié)構(gòu)。卷積和子采樣過程包括用一個(gè)可訓(xùn)練的濾波器(權(quán)值系的組合)去卷積一個(gè)輸入的圖像(第1階段為輸入的圖像，其他階段為特征圖)，然后加一個(gè)偏置，得到卷積層。子采樣過程包括將鄰域4個(gè)像素通過權(quán)值系數(shù)求加權(quán)和變?yōu)?個(gè)像素，再加上偏置，然后通過一個(gè)sigmoid激活函數(shù)產(chǎn)生特征圖的1/4大小的特征圖。C層可看做是模糊濾波器，用于提取特征，S層的空間分辨率逐層遞減，而每層所含的平面數(shù)遞增，用于壓縮數(shù)據(jù)并產(chǎn)生更多的信息。(2)柑桔病蟲害圖像特征提取對(duì)于監(jiān)測(cè)圖像中的每一個(gè)子塊圖像，將子塊圖像中的每一個(gè)像素看作神經(jīng)元，其中第一個(gè)卷積層，由多個(gè)特征圖構(gòu)成，每個(gè)特征圖通過一種卷積濾波器提取輸入圖像的一種特征。特征圖中每個(gè)神經(jīng)元與輸入圖像的某一區(qū)域相連。這些卷積濾波器的權(quán)值由訓(xùn)練樣本訓(xùn)練得到，且對(duì)于一個(gè)特征圖權(quán)值共享。下一層子采樣層，有對(duì)應(yīng)的多個(gè)的特征圖。特征圖中的每個(gè)神經(jīng)元與卷積層中相對(duì)應(yīng)特征圖的某一區(qū)域相連。采樣層每個(gè)神經(jīng)元的結(jié)果由卷積層相鄰的多個(gè)神經(jīng)元相加后乘以一個(gè)可訓(xùn)練權(quán)值參數(shù)，再加上一個(gè)可訓(xùn)練偏置參數(shù)，最后通過sigmoid函數(shù)計(jì)算得到，下一層層也是卷積層，它同樣通過卷積核卷積上一采樣層，得到多個(gè)特征圖。接下來是一個(gè)子采樣層。最后一層是一個(gè)卷積層，使用全連接，每個(gè)單元與上一采樣的全部區(qū)域相連，得到的特征圖大小為1。至此可將原始的柑桔病蟲害圖像子塊轉(zhuǎn)變?yōu)槎嗑S的特征向量，即完成了圖像的特征提取。特征提取階段所需的卷積矩陣權(quán)值、偏置值均通過訓(xùn)練得到，以保證特征提取的客觀性。所述基于WSN的柑桔病蟲害預(yù)警系統(tǒng)構(gòu)建：通過WSN監(jiān)測(cè)的生物信息和環(huán)境信息傳輸?shù)骄W(wǎng)關(guān)，再由傳輸網(wǎng)絡(luò)從網(wǎng)關(guān)到服務(wù)器，服務(wù)器端軟件系統(tǒng)對(duì)圖像信息進(jìn)行處理，將圖像信息寫入到相應(yīng)的數(shù)據(jù)庫(kù)中。對(duì)比農(nóng)作物生物信息和環(huán)境信息參數(shù)的量化指標(biāo)(葉面情況、周圍環(huán)境信息等)，明確無線傳感器網(wǎng)絡(luò)中采集測(cè)量的各類參數(shù)與病蟲害災(zāi)情風(fēng)險(xiǎn)之間的關(guān)聯(lián)程度，構(gòu)建監(jiān)測(cè)及預(yù)警系統(tǒng)。本發(fā)明與現(xiàn)有技術(shù)比較的有益效果是，本發(fā)明可以自動(dòng)實(shí)時(shí)監(jiān)控柑桔農(nóng)作物的空氣溫度、濕度及有柑桔生物圖像等參數(shù)，實(shí)現(xiàn)自動(dòng)化快速監(jiān)控柑桔生長(zhǎng)情況，可以有效預(yù)防柑桔病蟲害的大面積發(fā)生，并減少其發(fā)生的次數(shù)。與人工或機(jī)械方式相比，更好地保護(hù)柑桔穩(wěn)產(chǎn)、高產(chǎn)和優(yōu)質(zhì)，有利于保障糧食安全、發(fā)展現(xiàn)代農(nóng)業(yè)及綠色食品產(chǎn)業(yè)。提高了防治措施的科學(xué)合理性以及信息傳播速度和應(yīng)急決策的科學(xué)性，全面提升了農(nóng)業(yè)相關(guān)部門對(duì)農(nóng)業(yè)有害生物的預(yù)警和應(yīng)急控制能力，避免造成重大經(jīng)濟(jì)損失，對(duì)改善民生具有重要的意義。附圖說明圖1是基于分布式壓縮感知WSN的柑桔病蟲害監(jiān)測(cè)預(yù)警方法的業(yè)務(wù)流程；圖2是基于分布式壓縮感知WSN的柑桔病蟲害監(jiān)測(cè)預(yù)警系統(tǒng)的網(wǎng)絡(luò)拓?fù)?；圖3是壓縮感知中技術(shù)中的觀測(cè)矩陣優(yōu)化過程；圖4是柑桔病蟲害圖像的卷積和子采樣過程；圖5是卷積神經(jīng)網(wǎng)絡(luò)的柑桔病蟲害圖像特征提取過程。具體實(shí)施方式下面結(jié)合附圖和具體實(shí)施，進(jìn)一步闡明本發(fā)明。圖1是本實(shí)施例基于分布式壓縮感知WSN的柑桔病蟲害監(jiān)測(cè)預(yù)警方法的業(yè)務(wù)流程。本實(shí)施例將無線傳感器節(jié)點(diǎn)部署在農(nóng)作物上，實(shí)時(shí)獲取農(nóng)作物的生物信息和環(huán)境信息，將信息傳輸?shù)綗o線傳感器的網(wǎng)關(guān)節(jié)點(diǎn)，再由網(wǎng)關(guān)節(jié)點(diǎn)通過無線網(wǎng)絡(luò)(GPRS)傳輸?shù)竭h(yuǎn)端服務(wù)器進(jìn)行綜合分析決策。具體的監(jiān)測(cè)位置，監(jiān)測(cè)時(shí)間點(diǎn)，監(jiān)測(cè)周期，應(yīng)以所監(jiān)測(cè)的柑桔以往的發(fā)病特點(diǎn)，病蟲害的生理特點(diǎn)等所定。系統(tǒng)的網(wǎng)絡(luò)拓?fù)涫疽鈭D如圖2所示。本實(shí)施例柑桔病蟲害監(jiān)測(cè)預(yù)警方法主要包括分布式壓縮感知的病蟲害監(jiān)測(cè)圖像采集與重構(gòu)、基于DCNN的病蟲害圖像特征提取、以及基于WSN的柑桔病蟲害監(jiān)測(cè)預(yù)警系統(tǒng)構(gòu)建3個(gè)部分。(1)基于DCS的病蟲害監(jiān)測(cè)圖像采集與重構(gòu),包括以下步驟：S1:通過無線傳感器節(jié)點(diǎn)對(duì)柑桔病蟲害圖像的采集S2：柑桔病蟲害圖像信號(hào)的稀疏表示采用基于信號(hào)群的聯(lián)合稀疏模型(JSM，JointSparseModel)中的JSM-2模型架構(gòu)進(jìn)行稀疏表示。對(duì)于圖像信號(hào)中稀疏的變換域，用拉普拉斯塔式分解和圓對(duì)稱輪廓波分別表示圖像的光滑成分和邊緣部分，采用多成分冗余字典上病蟲害圖像聯(lián)合稀疏表示方法，獲得病蟲害圖像的聯(lián)合稀疏表示系數(shù)，并采用JSM-2模型對(duì)病蟲害圖像進(jìn)行聯(lián)合稀疏建模。S3：觀測(cè)矩陣設(shè)計(jì)基于相關(guān)性理論,將投影矩陣和觀測(cè)矩陣的非相關(guān)條件等價(jià)為Grammar矩陣:Gram:(ACS)TACS其中，A為觀測(cè)矩陣；ACS為感知矩陣；T表示矩陣的轉(zhuǎn)置。首先產(chǎn)生一個(gè)隨機(jī)觀測(cè)矩陣，然后利用信號(hào)的稀疏基的信息。訓(xùn)練學(xué)習(xí)出一個(gè)優(yōu)化觀測(cè)矩陣,它與字典矩陣之間具有更低的相干性。采用K-SVD方法求解下式中的優(yōu)化問題minΦ||(ACS)TACS-I||22,s.t.ACS=ΦΨ.]]>其中，A為觀測(cè)矩陣；Φ為隨機(jī)初始化投影矩陣；Ψ為變換基；I為隨機(jī)觀測(cè)矩陣；ACS為感知矩陣；T為矩陣的轉(zhuǎn)置；根據(jù)字典矩陣優(yōu)化求解確定性的觀測(cè)矩陣，觀測(cè)矩陣的優(yōu)化過程如下圖3所示。(2)基于DCNN神經(jīng)網(wǎng)絡(luò)的病蟲害圖像特征提取，主要包括以下步驟：S1：柑桔病蟲害圖像卷積和采樣如圖4所示，利用卷積神經(jīng)網(wǎng)絡(luò)，用于特征提取的卷積神經(jīng)網(wǎng)絡(luò)由卷積層和子采樣層兩種結(jié)構(gòu)交替組成，采用5層結(jié)構(gòu)。卷積和子采樣過程如圖4所示，包括用一個(gè)可訓(xùn)練的濾波器(權(quán)值系數(shù)的組合)去卷積一個(gè)輸入的圖像(第1階段為輸入的圖像，其他階段為特征圖)，然后加一個(gè)偏置，得到卷積層。子采樣過程包括將鄰域4個(gè)像素通過權(quán)值系數(shù)求加權(quán)和變?yōu)?個(gè)像素，再加上偏置，然后通過一個(gè)sigmoid激活函數(shù)產(chǎn)生特征圖的1/4大小的特征圖。C層可看作是模糊濾波器，用于提取特征，S層的空間分辨率逐層遞減，而每層所含的平面數(shù)遞增，用于壓縮數(shù)據(jù)并產(chǎn)生更多的信息。S2：柑桔病蟲害圖像特征提取對(duì)于監(jiān)測(cè)圖像中的每一個(gè)子塊圖像，其處理方式如圖5所示，將子塊圖像中的每一個(gè)像素看作神經(jīng)元，C1層是一個(gè)卷積層，由多個(gè)特征圖構(gòu)成，每個(gè)特征圖通過一種卷積濾波器提取輸入圖像的一種特征。特征圖中每個(gè)神經(jīng)元與輸入圖像的某一區(qū)域相連，如圖5的C1部分。這些卷積濾波器的權(quán)值由訓(xùn)練樣本訓(xùn)練得到，且對(duì)于一個(gè)特征圖權(quán)值共享。S2層是子采樣層，有對(duì)應(yīng)的多個(gè)的特征圖。特征圖中的每個(gè)神經(jīng)元與C1中相對(duì)應(yīng)特征圖的某一區(qū)域相連。S2層每個(gè)神經(jīng)元的結(jié)果由C1層相鄰的多個(gè)神經(jīng)元相加后乘以一個(gè)可訓(xùn)練權(quán)值參數(shù)，再加上一個(gè)可訓(xùn)練偏置參數(shù)，最后通過sigmoid函數(shù)計(jì)算得到，如圖5的S2部分。C3層也是卷積層，它同樣通過卷積核卷積S2層，得到多個(gè)特征圖。S4層是一個(gè)子采樣層，與S2層類似由多個(gè)特征圖構(gòu)成。特征圖中的每個(gè)單元與C3層中相應(yīng)特征圖的某一區(qū)域相連接。C5層是一個(gè)卷積層，使用全連接，每個(gè)單元與S4的全部區(qū)域相連，得到的特征圖大小為1。至此可將原始的柑桔病蟲害圖像子塊轉(zhuǎn)變?yōu)槎嗑S的特征向量，即完成了圖像的特征提取。特征提取階段所需的卷積矩陣權(quán)值、偏置值均通過訓(xùn)練得到，以保證特征提取的客觀性。(3)基于WSN的柑桔病蟲害預(yù)警系統(tǒng)構(gòu)建：通過WSN監(jiān)測(cè)的生物信息和環(huán)境信息傳輸?shù)骄W(wǎng)關(guān)，再由傳輸網(wǎng)絡(luò)(例如GPRS)從網(wǎng)關(guān)到服務(wù)器，服務(wù)器端軟件系統(tǒng)對(duì)圖像信息進(jìn)行處理，將圖像信息寫入到相應(yīng)的數(shù)據(jù)庫(kù)中。對(duì)比農(nóng)作物生物信息和環(huán)境信息參數(shù)的量化指標(biāo)(葉面情況、周圍環(huán)境信息等)，明確無線傳感器網(wǎng)絡(luò)中采集測(cè)量的各類參數(shù)與病蟲害災(zāi)情風(fēng)險(xiǎn)之間的關(guān)聯(lián)程度，構(gòu)建監(jiān)測(cè)及預(yù)警系統(tǒng)。當(dāng)前第1頁1 2 3