基于宽度卷积神经网络的异常农情数据检测方法

作者：彭旭; 饶元; 乔焰

来源：华南农业大学学报, 2021, 1-13.

• 农业物联网
• 传感器
• 宽度卷积神经网络
• 异常检测

【目的】为准确有效地检测农业物联网的感知数据异常，提出了基于宽度卷积神经网络的异常农情数据检测方法，为实现农业物联网数据高质量感知提供参考。【方法】首先将标准化后的农情数据编码为极坐标表示，通过滑动窗口机制划分子集，接着将每个子集数据重构为矩阵，最后设计并训练宽度卷积神经网络模型用于异常检测。【结果】采用养殖场环境监测数据进行试验，结果表明，构建的滑动窗口机制可提升异常数据检测能力和缩短检测时间；所设计的宽度卷积神经网络对空气温湿度、土壤温湿度等数据中所存在的异常检测准确率和F1值分别达到97.5%和0.985以上，平均优于SVM、RF和CNN模型1.69%、2.76%、3.05%和0.0093、0.0149、0.0163，且在处理波动性较强的空气、土壤温湿度数据时性能优势更为明显，准确率和F1值分别提高了3.61%～5.98%和0.0188～0.0310。此外，该方法模型检测耗时较短，仅为传统CNN模型的1/6～1/7，并且比SVM和RF模型使用更少的超参数。【结论】所建立数据编码、子集划分和重构方法与宽度卷积神经网络模型对异常农情数据有较好的检测效果。

• 单位
  合肥工业大学; 安徽农业大学