[发明专利]一种基于深度学习算法的植物电信号分类识别方法

说明书

本发明公开了本发明一种基于深度学习算法的植物电信号分类识别方法，通过采集植物叶片电信号，通过二维分解算法，将一维的电信号展开为低频至高频依次分布的二维向量。然后利用深度学习中的图像识别算法对二维向量进行训练识别，判断植物当前的生命状态；本发明的方法解决了现有植物生命状态判断中，信息获取滞后、周期长，以及破坏性测量，不适合珍稀品种评价的问题。适用于节水灌溉、育苗选种、环境监测等诸多领域。

技术领域

本发明属于生物信息技术领域，具体涉及一种基于深度学习算法的植物电信号分类识别方法。

背景技术

二十世纪以来，人口增长、水资源浪费、土地减少和对化肥与农药的过量使用造成的土质退化、生态破坏及环境污染日益严重。在这种形势下，一方面，开发和培育耐盐碱、耐干旱的作物，提高贫瘠土壤的利用率，维持粮食生产；另一方面，开发精准灌溉技术，实现对水资源的合理利用，是智慧农业发展的必然趋势。

要开发利用和培育耐盐碱、耐干旱的作物，需要有效的作物抗逆性评价方法和指标，该方法和指标应该能够灵敏而准确的反映作物在环境胁迫下的状态变化。而精准灌溉技术的实现，也依赖于通过这一方法和指标，准确判断作物的缺水状态。

传统的评价作物状态的指标主要分为两类，既形态指标和生理生化指标。但形态指标的测定繁杂、工作量大、测量周期长；生理生化指标需要进行破坏性测量，样品使用量大，不适合珍稀品种的测定。

目前也有运用深度学习技术对植物外表形态进行识别分析，来判断作物的状态。但只有当植物的外在特征出现明显变化时，该方法才能有效识别，获取的信息具有滞后性，且预测的识别率为60～70％，识别率较低。

发明内容

本发明的目的是提供一种基于深度学习算法的植物电信号分类识别方法，解决现有植物生命状态判断中存在信息获取滞后、周期长、破坏性测量、不适合珍稀品种评价的问题。

本发明所采用的技术方案是，一种基于深度学习算法的植物电信号分类识别方法，具体按照以下步骤实施：

步骤1.对植物电信号进行等时间间隔采样，构成一个离散信号序列，定义为D，长度为Len(D)；

步骤2.将离散信号序列D，用经验模态分解算法分解，得到n个本征模态函数，将本征模态函数拼接成一个Len(D)×n的二维矩阵向量张量D_S；将二维矩阵向量张量D_S标注为正常信号；

步骤3.对环境胁迫下的植物，采取步骤1和步骤2同样的处理方法，并将得到的二维矩阵向量张量标注为受胁迫信号Ds′；将正常信号和受胁迫信号的二维张量共同构成样本数据集data；

步骤4.将样本数据集data分为训练集，测试集，验证集；

步骤5.将训练集导入深度学习网络模型中进行训练，调整模型的超参数并对模型的能力进行初步评估，将验证集导入已经训练好的网络中去，用于调整超参数，监控模型是否发生过拟合，得到优化模型；

步骤6.使用优化模型对需要识别的新数据进行处理并分类，从而识别出当前植物的生命状态。

本发明的特点还在于：

步骤1植物电信号采集位置为植物叶片、茎部中的一个。

步骤2用经验模态分解算法分解，得到n个本征模态函数具体过程为：

找出离散信号序列中数据所有的极大值点，用三次样条插值函数拟合形成原离散信号序列的极大值的包络线e₊(t)，即上包络线；同理找出原离散信号序列中数据所有的极小值点，并拟合形成离散信号序列的极小值包络线e_-(t)，即下包络线；上下包络线的均值记为m₁(t)，则：