[发明专利]一种基于PAUC算法的农田智能喷药方法

权利要求书

1.一种基于PAUC算法的农田智能喷药方法，其特征在于，包括：

S1、将农作物图像解析为包含植物特征向量的数据集；

S2、初始化第T次迭代的预测模型w、杂草特征向量集合S₊、农作物特征向量集合S_-，其中，T＝1；

S3、基于数据集内第T株植物的特征向量与预设的农作物信息将数据集内植物特征向量划分至S₊或S_-；

S4、基于数据集内植物特征向量计算得到第T次迭代的自适应梯度；

S5、通过第T次迭代的自适应梯度更新w；

S6、令T＝T+1，执行步骤S3，直到T＞T_max，得到全局预测模型

S7、通过从目标植物图像筛选出杂草，并对杂草进行农药喷洒；

其中，步骤S1，具体包括：

将农作物图像解析为包含植物特征向量的数据集，记为x_i表示第i株植物的特征向量，x_i∈R^d，R^d表示实数的d维空间，d表示植物信息包含的特征个数，y_i表示植物的类别，且y_i∈{+1,-1}，当y_i＝+1时，表示第i株植物x_i为杂草，当y_i＝-1时，表示第i株植物x_i为农作物，1≤i≤n；

其中，步骤S2，具体包括：

定义迭代次数T＝1，最大迭代次数为T_max，迭代过程中的排序间隔数为k，杂草特征向量集合S₊、农作物特征向量集合S_-，S₊与S_-大小为N的空集合，第T次迭代的预测模型w为一个d维的零向量w_T；

其中，步骤S3，具体包括：

S31、将第T株植物的特征向量x_T与预设的农作物信息进行对比，当判定x_T为杂草特征向量时，执行步骤S32；否则，执行步骤S34；

S32、当前S₊集合中杂草特征向量的数目N₊小于N时，将x_T放入S₊中，记录S₊中N₊＝N₊+1，若N₊＝N，则随机将杂草特征向量集合中一株杂草特征向量删除，将x_T存入集合S₊中；

S33、计算杂草整体特征向量将识别出的杂草特征向量x_T与农作物整体特征向量x_pos求差计算得到第T次迭代过程中植物特征向量x_*＝x_T-x_pos，执行S4，其中，x_pos为d维的零向量；

S34、当前S_-集合中农作物特征向量的数目N_-小于N时，将x_T放入S_-中，记录S_-中N_-＝N_-+1，计算农作物整体信息特征向量执行步骤S4，其中，x_neg为d维的零向量；当前S_-集合中农作物特征向量的数目N_-＝N，则判断x_T是否大于集合S_-中的最小的农作物特征向量，仅当x_T大于集合S_-中的最小值时，使用x_T替换S_-中的最小的农作物特征向量；

S35、计算t＝Tmodk，判断t＝0是否成立，若成立，则执行步骤S36；否则，执行步骤S38；

S36、计算第T次迭代时第j个农作物信息的决策函数值得到第T次迭代农作物信息对应的决策函数集合

S37、对降序排序，并取出前个决策函数值对应的农作物向量特征，其中，β为阈值；

S38、将个农作物特征向量代入中计算得到农作物整体信息特征向量；

S39、将本次迭代识别出的农作物特征向量x_T与杂草整体特征信息向量x_pos进行求差计算，得到第T次迭代的植物特征向量x_*＝x_pos-x_T，执行步骤S4；

其中，步骤S4，具体包括：

S41、定义损失函数l(w_T,x_*)＝max{0,1-w_T·x_*}；

S42、对l(w_T,x_*)求偏导，利用随机梯度下降法得到第T次迭代的梯度g_T；

S43、对前T次迭代的梯度求二范数的平方v_T，得到第T次迭代的自适应步长其中ξ₁和ξ₂为常数；

S44、通过结合第T次迭代的自适应步长通过更新第T次迭代的梯度g_T，得到更新后的第T次迭代的自适应梯度

其中，步骤S5，具体包括：通过更新第T次迭代的预测模型w_T。