一种基于智能调控的天敌昆虫孵化培养方法及系统

本发明涉及昆虫孵化，特别是一种基于智能调控的天敌昆虫孵化培养方法及系统。

背景技术：

1、在现代农业中，生物防治技术越来越受到重视，其中利用天敌昆虫进行害虫控制是一种高效、环保的手段。然而，传统的天敌昆虫孵化培养方法存在诸多局限性，如孵化环境难以精确控制、孵化效率低、病害风险高以及对环境条件的依赖性强等。为了克服这些挑战，基于智能调控的天敌昆虫孵化培养方法应运而生。然而，基于智能调控的天敌昆虫孵化培养方法在实际应用中面临着一系列技术障碍。首先，智能调控系统需要高度精确的传感器和监测设备来实时监控孵化环境中的各项参数，如温度、湿度、光照和氧气含量等。这些设备的精确度和稳定性直接影响到孵化效果和天敌昆虫的质量；其次，智能调控系统依赖于先进的数据分析和处理技术，如机器学习和深度学习算法，来优化孵化环境和提高孵化效率，这些算法需要大量的数据进行训练，以确保模型的准确性和可靠性，如何获取高质量的参数数据是影响培养孵化效果与效率的关键因素。综上所述，基于智能调控的天敌昆虫孵化培养方法虽然具有巨大的潜力，但在传感器和监测设备的精确度、数据分析技术的成熟度、自动化设备的研发和维护成本以及环境适应性等方面仍存在不少技术障碍。

技术实现思路

1、本发明克服了现有技术的不足，提供了一种基于智能调控的天敌昆虫孵化培养方法及系统。

2、为达到上述目的本发明采用的技术方案为：

3、本发明第一方面公开了一种基于智能调控的天敌昆虫孵化培养方法，包括以下步骤：

4、获取孵化器中目标天敌昆虫的实时生长特征图像，并对所述实时生长特征图像进行识别处理，得到对目标天敌昆虫进行孵化时所对应的各种标准孵化参数集；

5、在若干个预设时间节点采集孵化器的实际孵化参数，采集完毕后，并对所获取采集的实际孵化参数进行归类处理，得到各种实际孵化参数集；

6、将各种实际孵化参数集与相应的标准孵化参数集进行比较分析，得到孵化器中各项孵化参数的运行状态；

7、若孵化器中各项孵化参数的运行状态均为正常状态，则不对孵化器进行调控处理；若孵化器中存在孵化参数的运行状态为偏差状态的情况，则对孵化器进行调控处理。

8、进一步地，本发明的一个较佳实施例中，获取孵化器中目标天敌昆虫的实时生长特征图像，并对所述实时生长特征图像进行识别处理，得到目标天敌昆虫进行孵化时所对应的各种标准孵化参数集，具体为：

9、基于大数据网络获取目标天敌昆虫在各种孵化阶段所对应的标准生长特征图像，以及预制目标天敌昆虫在各种孵化阶段所对应的各种标准孵化参数集；

10、将目标天敌昆虫在各种孵化阶段所对应的各种标准孵化参数集以及对应的标准生长特征图像进行压缩捆绑处理，得到若干个特征数据包；

11、构建数据库，并将各个特征数据包导入所述数据库中，得到特征数据库；

12、获取孵化器中目标天敌昆虫的实时生长特征图像，以及在所述特征数据库中提取出各个特征数据包内的标准生长特征图像；

13、基于余弦相似度算法计算所述实时生长特征图像与各标准生长特征图像之间的余弦相似度，得到若干个余弦相似度；

14、构建大小排序表，将各个余弦相似度导入大小排序表中进行升序排序处理，排序得到最大余弦相似度；

15、获取与最大余弦相似度对应的标准生长特征图像，并在与最大余弦相似度对应的标准生长特征图像的特征数据包中提取得到对孵化器中目标天敌昆虫进行孵化时所对应的各种标准孵化参数集。

16、进一步地，本发明的一个较佳实施例中，对所获取采集的实际孵化参数进行归类处理，得到各种实际孵化参数集，具体为：

17、基于umap算法将所采集得到的高维的各实际孵化参数进行非线性降维处理，得到各实际孵化参数在低维空间中的坐标表示；

18、根据孵化器的各种标准孵化参数在低维空间中初始化若干个聚类中心，并计算各实际孵化参数在低维空间中的坐标表示计算各实际孵化参数与各聚类中心之间的隶属度；

19、将各个实际孵化参数分别分配至隶属度最高的聚类中心中，分配完毕后，基于各个聚类中心以及各个聚类中心所属的实际孵化参数得到若干个初始实际孵化参数集；

20、计算各个初始实际孵化参数集内各个实际孵化参数与相应聚类中心之间的欧氏距离，并对各个初始实际孵化参数集内各个实际孵化参数与相应聚类中心之间的欧氏距离进行加权平均处理，得到各个初始实际孵化参数集的紧密度；

21、将各个初始实际孵化参数集的紧密度与预设紧密度进行比较处理；若某一个初始实际孵化参数集的紧密度大于预设紧密度，则不对该初始实际孵化参数集进行修正处理；

22、若某一个初始实际孵化参数集的紧密度不大于预设紧密度，则对该初始实际孵化参数集进行修正处理；

23、对紧密度不大于预设紧密度的初始实际孵化参数集修正完毕后，获取各个初始实际孵化参数集中最终所附属的实际孵化参数，得到各种实际孵化参数集。

24、进一步地，本发明的一个较佳实施例中，某一个初始实际孵化参数集的紧密度不大于预设紧密度，则对该初始实际孵化参数集进行修正处理，具体为：

25、引入局部异常因子算法，并预设k个最近邻；

26、计算紧密度不大于预设紧密度初始实际孵化参数集中的每个实际孵化参数与k个最近邻之间的平均欧氏距离；

27、根据每个实际孵化参数与k个最近邻之间的平均欧氏距离确定出各个实际孵化参数的局部异常因子值；

28、将各个实际孵化参数的局部异常因子值与预设值进行比较；若某一个实际孵化参数的局部异常因子值大于预设值，则将该局部异常因子值大于预设值的实际孵化参数在初始实际孵化参数集中筛出；

29、若某一个实际孵化参数的局部异常因子值不大于预设值，则将该局部异常因子值不大于预设值的实际孵化参数在初始实际孵化参数集中保留；

30、以此类推，直至对紧密度不大于预设紧密度初始实际孵化参数集中的每个实际孵化参数筛选完毕后，得到修正处理后的实际孵化参数集。

31、进一步地，本发明的一个较佳实施例中，将各种实际孵化参数集与相应的标准孵化参数集进行比较分析，得到孵化器中各项孵化参数的运行状态，具体为：

32、根据各种实际孵化参数集构建若干实际孵化参数曲线图，以及根据各种标准孵化参数集构建若干标准孵化参数曲线图；

33、分别对各实际孵化参数曲线图与相应的标准孵化参数曲线图进行重合度分析，得到实际孵化参数曲线图与相应的标准孵化参数曲线图之间的重合度；

34、若某一实际孵化参数曲线图与相应的标准孵化参数曲线图之间的重合度不大于预设重合度，则将相应的孵化器中相应孵化参数的运行状态标记为偏移状态；

35、若某一实际孵化参数曲线图与相应的标准孵化参数曲线图之间的重合度大于预设重合度，则将相应的孵化器中相应孵化参数的运行状态标记为正常状态。

36、进一步地，本发明的一个较佳实施例中，若孵化器中存在孵化参数的运行状态为偏差状态的情况，则对孵化器进行调控处理，具体为：

37、获取孵化器的调控日志信息，根据所述调控日志信息获取孵化器在发生各种孵化参数偏移工况时所对应的历史调控方案；

38、以及基于调控日志信息获取经过各个历史调控方案调控后各种孵化参数偏移工况的调控精度，获取调控精度最高的历史调控方案作为相应孵化参数偏移工况的最佳调控方案，得到各种孵化参数偏移工况的最佳调控方案；

39、构建知识库，并将各种孵化参数偏移工况的最佳调控方案导入所述知识库中；

40、若孵化器中存在孵化参数的运行状态为偏差状态的情况，则获取运行状态为偏差状态的孵化参数的实时参数值，得到孵化器的实际偏移工况；

41、基于灰色关联分析法分析所述实际偏移工况与知识库中各种孵化参数偏移工况之间的关联度，获取关联度最大的孵化参数偏移工况；

42、根据关联度最大的孵化参数偏移工况在所述知识库中提取得到对孵化器进行调控的最佳调控方案，并基于提取得到的最佳调控方案对孵化器进行调控处理。

43、本发明第二方面公开了一种基于智能调控的天敌昆虫孵化培养系统，所述天敌昆虫孵化培养系统包括存储器与处理器，所述存储器中存储有天敌昆虫孵化培养方法程序，当所述天敌昆虫孵化培养方法程序被所述处理器执行时，实现如下步骤：

44、获取孵化器中目标天敌昆虫的实时生长特征图像，并对所述实时生长特征图像进行识别处理，得到对目标天敌昆虫进行孵化时所对应的各种标准孵化参数集；

45、在若干个预设时间节点采集孵化器的实际孵化参数，采集完毕后，并对所获取采集的实际孵化参数进行归类处理，得到各种实际孵化参数集；

46、将各种实际孵化参数集与相应的标准孵化参数集进行比较分析，得到孵化器中各项孵化参数的运行状态；

47、若孵化器中各项孵化参数的运行状态均为正常状态，则不对孵化器进行调控处理；若孵化器中存在孵化参数的运行状态为偏差状态的情况，则对孵化器进行调控处理。

48、本发明解决了背景技术中存在的技术缺陷，本发明具备以下有益效果：获取孵化器中目标天敌昆虫的实时生长特征图像，并对所述实时生长特征图像进行识别处理，得到对目标天敌昆虫进行孵化时所对应的各种标准孵化参数集； 在若干个预设时间节点采集孵化器的实际孵化参数，采集完毕后，并对所获取采集的实际孵化参数进行归类处理，得到各种实际孵化参数集； 将各种实际孵化参数集与相应的标准孵化参数集进行比较分析，得到孵化器中各项孵化参数的运行状态；若孵化器中各项孵化参数的运行状态均为正常状态，则不对孵化器进行调控处理；若孵化器中存在孵化参数的运行状态为偏差状态的情况，则对孵化器进行调控处理。通过智能监测和智能控制系统，实时监测和精确调整孵化环境的温度、湿度、光照等参数，确保每个孵化阶段的最优条件，从而大大提高孵化的成功率和幼虫的健康。