【技術實現步驟摘要】
本專利技術涉及生物探測，特別是涉及一種基于配體識別機制與厭惡性訓練的昆蟲仿生氣味探測方法。
技術介紹
1、昆蟲與犬類相比，具有無可比擬的優勢，然而，昆蟲個體小和數量多的優點，也恰恰成為實際使用過程中的難點，人們無法像犬類那樣對其束縛或跟蹤，其在放飛后由于體積過小，飛行速度過快以及甚至在某些環境中具有擬態能力，使用者對其本身和活動軌跡難以進行識別追蹤。而對于這種生物嗅覺的利用，大多是依靠喜好性的偏向訓練達成的，如利用蜜蜂喜食花蜜，警犬喜食肉類等與目標形成關聯。毫無疑問，這種關聯關系具有天然存在的優越性，但其也存在許多的限制，特別是在昆蟲嗅覺的利用上。一般來說，我們會利用昆蟲饑餓和繁衍交配的需求來進行訓練，但基于饑餓的喜歡易受昆蟲狀態影響，蜜蜂喜食花蜜是一個特例，因為蜜蜂屬于社會性動物，而采花蜂的天然職責就是尋找花蜜等，所以無論蜜蜂狀態與否，它都會傾向于表現出尋找“花蜜”的行為。但我們常用的模式生物如果蠅等卻不具備這種特性。而基于信息素的繁衍交配需求則更易受干擾。如這種喜好性往往受蟲齡、交配狀態、性別、光照、氣溫等因素影響，同一種昆蟲在不同階段的表現均不同。因此，喜好性的偏向訓練顯然難以穩定地維持昆蟲處于敏感狀態。
2、與喜好性訓練相比，基于懲罰的厭惡性訓練理論上更適用于我們的目標。但現如今，大部分研究者進行的條件性訓練都屬于非理性訓練。根據生物嗅覺的原理機制，不同物種對于同一氣味的敏感性是不同的。這是由于它們所擁有的嗅覺受體與氣味分子的結合能力，以及后續的神經反應均是不同的。因此，我們在選取對象進行訓練時，通常并不清楚
技術實現思路
1、針對現有技術中的上述不足，本專利技術提供的一種基于配體識別機制與厭惡性訓練的昆蟲仿生氣味探測方法解決了現有方法檢測靈敏度、重復性和穩定性不夠優越的問題。
2、為了達到上述專利技術目的，本專利技術采用的技術方案為：一種基于配體識別機制與厭惡性訓練的昆蟲仿生氣味探測方法，包括以下步驟：
3、s1：基于配體識別機制對昆蟲和目標voc進行匹配；
4、s2：對匹配的昆蟲和目標voc進行厭惡性嗅覺訓練；
5、s3：對厭惡性嗅覺訓練完成的昆蟲和目標voc，基于cnn混合模型對各種昆蟲的識別及其空間分布進行判別，獲得昆蟲空間分布與氣味源的關系；
6、s4：基于昆蟲空間分布與氣味源的關系，利用多點識別描繪昆蟲目標區域的voc分布地圖，完成基于配體識別機制與厭惡性訓練的昆蟲仿生氣味探測。
7、進一步地，所述s1中包括以下分步驟：
8、s11：將目標voc與iorbase數據庫中所用昆蟲能夠嗅到的分子進行搜索對比；
9、s12：基于搜索對比結果，判斷目標voc是否為iorbase數據庫中已有的，如果是，則完成昆蟲和目標voc的匹配，如果否，則利用分子模擬技術更換訓練昆蟲，完成昆蟲和目標voc的匹配。
10、進一步地，所述s2中包括以下分步驟：
11、s21：將設定數量的昆蟲裝進一個內鋪有銅網的訓練管中，并先后聞目標voc和環境氣體；
12、s22：當昆蟲聞到目標voc時進行刺激，構成一個訓練周期；
13、s23：采用梯度遞增電壓，并對每個電壓進行三個訓練周期，獲得適宜的訓練電壓，完成對匹配的昆蟲和目標voc進行厭惡性嗅覺訓練。
14、進一步地，所述s3中包括以下分步驟：
15、s31：將厭惡性嗅覺訓練完成的昆蟲置于透明白底八角籠中，在所述透明白底八角籠外放置包含目標voc的氣味源，觀察昆蟲在所述透明白底八角籠中的空間分布數據、密度分布數據和形成穩定分布所需時間數據；
16、s32：將空間分布數據、密度分布數據和形成穩定分布所需時間數據進行數據預處理；
17、s33：利用預處理后的空間分布數據、密度分布數據和形成穩定分布所需時間數據對cnn混合模型進行訓練和評估，獲得最終的cnn混合模型；
18、s34：將最終的cnn混合模型部署到實際應用場景中，用于對各種昆蟲的識別及其空間分布進行判別，獲得昆蟲空間分布與氣味源的關系。
19、進一步地，所述s32中數據預處理包括圖像數據標準化和數據增強，所述圖像數據標準化包括將圖像像素值縮放為0-1范圍內，所述數據增強包括旋轉、縮放和裁剪。
20、進一步地，所述s33中cnn混合模型包括依次連接的cnn特征提取層、特征處理及融合層和其他模型層；
21、所述cnn特征提取層包括依次連接的輸入層、卷積層、激活層和池化層，所述輸入層用于接收圖像數據，所述卷積層使用多個卷積核提取圖像的局部特征，所述激活層應用relu激活函數，所述池化層用于降低特征維度，同時保留重要信息；
22、所述特征處理及融合層包括全連接層，所述全連接層將cnn特征提取層提取的特征平展為一維向量；
23、所述其他模型層包括依次連接的循環層和分類回歸層，所述循環層采用長短期記憶網絡lstm，用于處理序列數據，所述分類回歸層使用全連接層進行分類任務、回歸任務或接入支持向量機svm進行預測任務。
24、本專利技術的有益效果為：
25、提出利用基于算法等數學模型進行自動化的昆蟲個體與分布識別，實現昆蟲嗅覺仿生，解決了現有技術無法跟蹤監測昆蟲行為學變化的瓶頸。
26、利用昆蟲嗅覺結構與功能數據庫iorbase及分子模擬技術實現對昆蟲嗅覺訓練分子的理性選擇，避免無敏感性氣味分子對實驗的干擾。
27、擬建立的昆蟲仿生嗅覺識別系統將具有可移植性強與氣味源識別信息更全面等特點。如其具有空天海地平臺適配性，裝置可以與不同的移動機器設備搭配使用，且能夠同時判斷氣味源方位和濃度等優勢。
本文檔來自技高網...【技術保護點】
1.一種基于配體識別機制與厭惡性訓練的昆蟲仿生氣味探測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于配體識別機制與厭惡性訓練的昆蟲仿生氣味探測方法，其特征在于，所述S1中包括以下分步驟：
3.根據權利要求1所述的基于配體識別機制與厭惡性訓練的昆蟲仿生氣味探測方法，其特征在于，所述S2中包括以下分步驟：
4.根據權利要求1所述的基于配體識別機制與厭惡性訓練的昆蟲仿生氣味探測方法，其特征在于，所述S3中包括以下分步驟：
5.根據權利要求4所述的基于配體識別機制與厭惡性訓練的昆蟲仿生氣味探測方法，其特征在于，所述S32中數據預處理包括圖像數據標準化和數據增強，所述圖像數據標準化包括將圖像像素值縮放為0-1范圍內，所述數據增強包括旋轉、縮放和裁剪。
6.根據權利要求4所述的基于配體識別機制與厭惡性訓練的昆蟲仿生氣味探測方法，其特征在于，所述S33中CNN混合模型包括依次連接的CNN特征提取層、特征處理及融合層和其他模型層；
【技術特征摘要】
1.一種基于配體識別機制與厭惡性訓練的昆蟲仿生氣味探測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于配體識別機制與厭惡性訓練的昆蟲仿生氣味探測方法，其特征在于，所述s1中包括以下分步驟：
3.根據權利要求1所述的基于配體識別機制與厭惡性訓練的昆蟲仿生氣味探測方法，其特征在于，所述s2中包括以下分步驟：
4.根據權利要求1所述的基于配體識別機制與厭惡性訓練的昆蟲仿生氣味探測方法，其特征在于，所述s3...
【專利技術屬性】
技術研發人員：盧慧甍，陳俊杰，林晨，楊欣冉，段蘇揚，徐暢，
申請(專利權)人：西北工業大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。