【技術實現步驟摘要】
本專利技術涉及昆蟲識別，尤其涉及一種基于誘蟲燈輔助雷達建庫的遷飛昆蟲智能識別方法。
技術介紹
1、昆蟲遷飛是許多昆蟲種群維持生存和繁衍的關鍵行為之一，對農業、生態系統和病蟲害傳播具有重要影響。隨著全球氣候變化和人類活動的加劇，昆蟲遷飛的研究愈加重要，如何有效監測和識別遷飛昆蟲的種類成為一項科學挑戰。
2、傳統的昆蟲監測方法，如誘蟲燈，能夠有效吸引夜間遷飛昆蟲，尤其在遷飛高峰期能大規模捕捉優勢種群。然而，誘蟲燈僅能提供被動捕獲的昆蟲樣本，無法實時監測昆蟲的飛行動態，限制了對昆蟲遷飛的時空分布和行為特征的全面了解。近年來，雷達技術在昆蟲遷飛監測中的應用逐漸增加。通過電磁波反射，雷達可以實時獲取昆蟲的飛行高度、速度、體重、體長、振翅頻率等生物學特征。盡管如此，由于昆蟲種類繁多、體型相似且易重疊，其電磁散射特性復雜，使得基于雷達信號的昆蟲種類識別成為一項挑戰。
3、目前，基于雷達的昆蟲種類識別面臨以下兩大難題：一是對昆蟲數據集的建立嚴重依賴實驗室設備或外場測量實驗，通常需要對大量昆蟲樣本進行人工測量，這不僅成本高、耗時且操作復雜，且難以適應大規模實時監測需求；二是缺乏一種高效、魯棒的自動化識別算法。現有的雷達識別算法多依賴于對昆蟲的雷達散射截面（rcs）進行嚴格定標，通過估計昆蟲的體型尺寸來輔助種類識別。或是對跨越較長時間段的雷達監測數據進行關鍵特征的統計分析，這些方法通常需要大量后處理分析，因此無法滿足實時性要求。因此，亟需一種基于誘蟲燈輔助雷達建庫的遷飛昆蟲智能識別方法，并且不依賴復雜標定和后處理分析的智能昆
技術實現思路
1、為了解決上述技術問題或者至少部分地解決上述技術問題，本專利技術提供一種基于誘蟲燈輔助雷達建庫的遷飛昆蟲智能識別方法。
2、本專利技術提供一種基于誘蟲燈輔助雷達建庫的遷飛昆蟲智能識別方法，包括：
3、s100：使用全極化昆蟲雷達采集昆蟲的時空分布特征，并通過基于dbscan的蟲群分割算法，在時間-高度-體重三維空間中分離不同昆蟲種群，從而獲得昆蟲種群的時空分布數據；
4、s200：結合誘蟲燈統計昆蟲數據，對全極化昆蟲監測到的昆蟲種群進行匹配，基于昆蟲種群的生物參數，將全極化昆蟲檢測到的昆蟲種群與實際昆蟲種類進行關聯；其中，所述昆蟲種群的生物參數包括體重、體長、振翅頻率；
5、s300：通過時頻分析技術處理昆蟲雷達回波信號，使用短時傅里葉變換提取昆蟲的飛行特征，生成昆蟲全極化時頻特征圖；
6、s400：構建cl-gc-swin?transformer網絡模型進行昆蟲物種的識別；所述cl-gc-swin?transformer網絡模型包括：對比學習模塊、全局上下文塊和swin?transformer塊，分別用于特征提取、特征融合和多尺度信息捕捉；使用包含全極化時頻特征圖的訓練集來訓練評估所述cl-gc-swin?transformer網絡模型，在cl-gc-swin?transformer網絡模型的訓練過程中，采用結合交叉熵損失和對比損失的復合損失函數優化cl-gc-swin?transformer網絡模型性能。
7、更進一步的，所述基于dbscan的蟲群分割算法的步驟包括：
8、s110，計算觀測時間內的單位分鐘遷飛昆蟲數量dense，基于dense值設定minpts值；
9、s120，計算eps值：
10、s121，對觀測到的昆蟲時空分布特征和體重進行歸一化處理，得到歸一化處理后的昆蟲時空分布特征和體重；
11、s122，對于歸一化處理后的每一個昆蟲時空分布特征和體重，計算距離該昆蟲時空分布特征和體重第minpts-1近的點的距離，并重新排序，得到觀測數據集密度變化曲線；
12、s123，對所述密度變化曲線進行一階差分，然后進行平滑處理，再做極大值化處理，得到密度變化曲線差分曲線；
13、s124，計算密度變化曲線差分曲線中橫坐標5％～95％范圍內數據的均值μ和標準差σ，基于閾值μ+3σ對差分曲線進行截取；
14、s125，在截取曲線中選取多個縱坐標值作為eps；其中，閾值μ+3σ越大，選取位置更靠前的縱坐標作為eps；
15、s130，采用dbscan算法，根據minpts和不同的eps對歸一化后的數據集進行聚類。
16、更進一步的，對s130的聚類結果進行優化，包括：
17、s141，剔除邊緣稀疏目標：計算s3的聚類結果中最低密度分群與其他分群的相交程度p，若存在p＞0.1則刪除該最低密度分群；
18、s142，蟲群融合：若兩個分群的相交程度p＞0?.25且該兩個分群歸一化后的平均體重之差不超過0.2，則合并該兩個分群；
19、s143，對蟲群邊緣進行擴展操作。
20、更進一步的，步驟s200包括：在任意時間段內，確定基于dbscan的蟲群分割算法分出的昆蟲種群的生物參數的統計結果；在相同時間段內，獲取誘蟲燈對各類昆蟲的捕獲量統計結果；兩者優勢種群數量一致時，將全極化昆蟲雷達監測到的昆蟲種群生物參數與文獻中記錄的誘蟲燈捕獲優勢種群的參考生物參數進行比對匹配，將雷達檢測到的昆蟲種群與實際昆蟲種類進行關聯。
21、更進一步的，步驟s300中，所述短時傅里葉變換滑動窗口函數使用的窗長為15個數據點，并且每個窗口內信號進行50倍插值，以平衡時頻分辨率并提高頻率分辨率；
22、生成的時頻矩陣經過復數模值計算及歸一化處理，標準化至區間，并調整至像素的統一尺寸，適配cl-gc-swintransformer網絡模型的輸入需求；最終每個昆蟲樣本的昆蟲全極化時頻特征圖形式是，其中維度4代表4種極化方式：hh極化、hv極化、vh極化和vv極化。
23、更進一步的，步驟s300中，通過頻譜搬移算法，定位頻譜最大值并計算中心頻率，再構造頻譜搬移因子，將頻譜集中到零頻附近，從而規范頻譜分布，避免頻率漂移帶來的誤差。
24、更進一步的，cl-gc-swin?transformer網絡模型的工作過程包含以下四個階段：
25、第一階段：輸入昆蟲全極化時頻特征圖首先通過patch?partition模塊劃分為不重疊的塊，并通過線性嵌入層將每個塊的數據映射至較低維度的特征空間，結合對比學習模塊進行初步特征提取；昆蟲全極化時頻特征圖的塊的特征通過兩個swin?transformer塊進行處理，swin?transformer塊通過位移窗口機制捕捉局部空間模式和長程依賴，為后續更深層次的特征提取奠定基礎；
26、第二階段：在第一階段之后，提取的特征圖通過patch?merging操作進行降采樣，減少空間分辨率并擴展通道維度；引入全局上下文塊以聚合特征圖的全局語義信息，從而彌補swin?transformer塊局部性處理的局限；全局上下文塊通過將長程依賴信息融合入特征圖中，確保了對全本文檔來自技高網...
【技術保護點】
1.一種基于誘蟲燈輔助雷達建庫的遷飛昆蟲智能識別方法，其特征在于，包括：
2.根據權利要求1所述的基于誘蟲燈輔助雷達建庫的遷飛昆蟲智能識別方法，其特征在于，所述基于DBSCAN的蟲群分割算法的步驟包括：
3.根據權利要求2所述的基于誘蟲燈輔助雷達建庫的遷飛昆蟲智能識別方法，其特征在于，對S130的聚類結果進行優化，包括：
4.根據權利要求1所述的基于誘蟲燈輔助雷達建庫的遷飛昆蟲智能識別方法，其特征在于，步驟S200包括：在任意時間段內，確定基于DBSCAN的蟲群分割算法分出的昆蟲種群的生物參數的統計結果；在相同時間段內，獲取誘蟲燈對各類昆蟲的捕獲量統計結果；兩者優勢種群數量一致時，將全極化昆蟲雷達監測到的昆蟲種群生物參數與文獻中記錄的誘蟲燈捕獲優勢種群的參考生物參數進行比對匹配，將雷達檢測到的昆蟲種群與實際昆蟲種類進行關聯。
5.根據權利要求1所述的基于誘蟲燈輔助雷達建庫的遷飛昆蟲智能識別方法，其特征在于，步驟S300中，所述短時傅里葉變換的滑動窗口函數使用的窗長為15個數據點，并且每個窗口內信號進行50倍插值，以平衡時頻分辨率并提
6.根據權利要求1所述的基于誘蟲燈輔助雷達建庫的遷飛昆蟲智能識別方法，其特征在于，步驟S300中，通過頻譜搬移算法，定位頻譜最大值并計算中心頻率，再構造頻譜搬移因子，將頻譜集中到零頻附近，從而規范頻譜分布，避免頻率漂移帶來的誤差。
7.根據權利要求1所述的基于誘蟲燈輔助雷達建庫的遷飛昆蟲智能識別方法，其特征在于，CL-GC-Swin?Transformer網絡模型的工作過程包含以下四個階段：
8.根據權利要求7所述的基于誘蟲燈輔助雷達建庫的遷飛昆蟲智能識別方法，其特征在于，所述全局上下文塊將輸入分為三支，
9.根據權利要求7所述的基于誘蟲燈輔助雷達建庫的遷飛昆蟲智能識別方法，其特征在于，所述Swin?Transformer塊包含殘差結構的窗注意力W-MSA，殘差結構的窗注意力后跟隨殘差結構的前饋網絡MLP，殘差結構的前饋網絡MLP后跟隨殘差結構的位移窗口注意力SW-MSA，殘差結構的位移窗口注意力SW-MSA后跟隨殘差結構的前饋網絡MLP；窗注意力W-MSA、位移窗口注意力SW-MSA和前饋網絡MLP前設置層歸一化LayerNorm。
10.根據權利要求1所述的基于誘蟲燈輔助雷達建庫的遷飛昆蟲智能識別方法，其特征在于，訓練CL-GC-Swin?Transformer網絡模型的過程中，優化器使用Adam算法，初始學習率設定為1×10-3，批量大小設定為64，并通過ReduceLROnPlateau調度器在訓練損失停滯時自動降低學習率；為防止過擬合，應用了L2正則化和早停策略，耐心值設定為10個訓練周期。
...【技術特征摘要】
1.一種基于誘蟲燈輔助雷達建庫的遷飛昆蟲智能識別方法，其特征在于，包括：
2.根據權利要求1所述的基于誘蟲燈輔助雷達建庫的遷飛昆蟲智能識別方法，其特征在于，所述基于dbscan的蟲群分割算法的步驟包括：
3.根據權利要求2所述的基于誘蟲燈輔助雷達建庫的遷飛昆蟲智能識別方法，其特征在于，對s130的聚類結果進行優化，包括：
4.根據權利要求1所述的基于誘蟲燈輔助雷達建庫的遷飛昆蟲智能識別方法，其特征在于，步驟s200包括：在任意時間段內，確定基于dbscan的蟲群分割算法分出的昆蟲種群的生物參數的統計結果；在相同時間段內，獲取誘蟲燈對各類昆蟲的捕獲量統計結果；兩者優勢種群數量一致時，將全極化昆蟲雷達監測到的昆蟲種群生物參數與文獻中記錄的誘蟲燈捕獲優勢種群的參考生物參數進行比對匹配，將雷達檢測到的昆蟲種群與實際昆蟲種類進行關聯。
5.根據權利要求1所述的基于誘蟲燈輔助雷達建庫的遷飛昆蟲智能識別方法，其特征在于，步驟s300中，所述短時傅里葉變換的滑動窗口函數使用的窗長為15個數據點，并且每個窗口內信號進行50倍插值，以平衡時頻分辨率并提高頻率分辨率；
6.根據權利要求1所述的基于誘蟲燈輔助雷達建庫的遷飛昆蟲智能識別方法，其特征在于，步驟s300中，通過頻譜搬移算法，定位頻譜最大值并計算中心頻率，再構造頻譜搬移因子，將頻譜集...
【專利技術屬性】
技術研發人員：李衛東，胡程，張帆，王銳，
申請(專利權)人：北京理工大學前沿技術研究院，
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。