CN104297166A - 植物病害智能诊断系统及其使用方法 - Google Patents
植物病害智能诊断系统及其使用方法 Download PDFInfo
- Publication number
- CN104297166A CN104297166A CN201410623883.1A CN201410623883A CN104297166A CN 104297166 A CN104297166 A CN 104297166A CN 201410623883 A CN201410623883 A CN 201410623883A CN 104297166 A CN104297166 A CN 104297166A
- Authority
- CN
- China
- Prior art keywords
- plant disease
- main frame
- disease intelligent
- plant
- intelligent diagnosis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 60
- 201000010099 disease Diseases 0.000 title claims abstract description 58
- 238000003745 diagnosis Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims abstract description 13
- 238000001228 spectrum Methods 0.000 claims abstract description 6
- 241000196324 Embryophyta Species 0.000 claims description 48
- 239000004570 mortar (masonry) Substances 0.000 claims description 9
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000000227 grinding Methods 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 3
- 238000003756 stirring Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 7
- 239000003814 drug Substances 0.000 description 4
- 241000894006 Bacteria Species 0.000 description 3
- 241000233866 Fungi Species 0.000 description 3
- 241000700605 Viruses Species 0.000 description 3
- 238000000701 chemical imaging Methods 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 208000031968 Cadaver Diseases 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008635 plant growth Effects 0.000 description 2
- 208000035143 Bacterial infection Diseases 0.000 description 1
- 108091028043 Nucleic acid sequence Proteins 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 206010044278 Trace element deficiency Diseases 0.000 description 1
- 208000036142 Viral infection Diseases 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 239000003905 agrochemical Substances 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 208000022362 bacterial infectious disease Diseases 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 150000007523 nucleic acids Chemical group 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000001429 visible spectrum Methods 0.000 description 1
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种植物病害智能诊断系统，包括植物病害智能诊断主机和计算机，植物病害智能诊断主机内设有光谱扫描装置，植物病害智能诊断主机上设有可导入光谱扫描装置的检测槽，植物病害智能诊断主机通过数据线与计算机连接。与传统病害检测手段相比，本发明具有以下优点：功能强大，可实现多种植物病害的快速、准确、稳定、实时、非破坏性的诊断，并且做到尽可能地早期病害检测。
Description
技术领域
本发明涉及植物病害智能诊断系统。
背景技术
细菌、真菌和病毒是引起农作物病害的主要原因。这些病害微生物一般通过茎、叶、根系、果实等侵染植物，大部分病害在染病初期虽然较易防治，但一般不易被人察觉，病害一旦发生，防治不仅困难而且效果较差，致使农作物减产，甚至绝收。如果在病害发病初期检测和及时防治，对防治病害的发生尤为重要。
植物病害对于植物生长的危害十分严重。病害不仅能够导致经济植物的产物产量和质量的下降，同时会引起农药等药物的大量投入以及防治费用的上升，从而增加了农林生产成本并会造成严重的环境污染。现有的病害检测方法在实际农林业生产中都存在取样、测定、数据分析等方面需要耗费大量的人力、物力的缺点，且实时性差，无法满足具体生产实践的需要。肉眼观测存在着疲劳、情绪等主观因素的干扰；基于分子水平的检测方法，如生物测定技术、核酸序列分析技术、分子标记技术，PCR技术等，虽然较为准确，但不能实时操作，且需要专业人员操作，耗时，成本较高；通过以往的病害发生数据进行的统计预测在精度方面不够高，缺少实效性，并且只适用于在一个很大的地域范围内进行粗略估计，很难对小区或单株进行。
发明内容
本发明所要解决的技术问题是提供一种植物病害智能诊断系统。
为解决上述技术问题，本发明采用如下技术方案：植物病害智能诊断系统，包括植物病害智能诊断主机和计算机，植物病害智能诊断主机内设有光谱扫描装置，植物病害智能诊断主机上设有可导入光谱扫描装置的检测槽，植物病害智能诊断主机通过数据线或无线连接方式与计算机连接。
植物病害智能诊断主机通过数据线连接有打印机。
检测槽的横截面为U形。
上述植物病害智能诊断系统的使用方法，打开电源，仪器开始自检，检测槽缓慢移出，等待测试；截取植物的根、茎、叶，剪碎放置于研钵中，数量约是研钵容积的三分之一到五分之一，用研磨棒研碎；用滴管分别吸取等量的3-5滴指示液，滴入盛有植物茎叶的研钵中，搅拌均匀，放置2-3分钟待测；用清水冲洗滴管后吸取指示剂和植物碎片的混合液少许，均匀涂抹在指示条上，将指示条放入测试槽中彩条块朝上；检测仪开始检测，测试槽和指示条缓慢移至仪器中；经光谱扫描装置扫描分析的结果数据输出至计算机，计算机对该结果数据分析后显示诊断结果以及建议措施。
本发明由于采用了上述技术方案，能够快速分析确定各种农作物病害的种类，为如何防治病害及用药提供了科学依据，为农户带来了极大便利。
与传统病害检测手段相比，本发明具有以下优点：功能强大，可实现多种植物病害的快速、准确、稳定、实时、非破坏性的诊断，并且做到尽可能地早期病害检测。
附图说明
图1为本发明植物病害智能诊断系统的结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步描述。
如图1所示，植物病害智能诊断系统，包括植物病害智能诊断主机1和计算机2，植物病害智能诊断主机内设有光谱扫描装置3，植物病害智能诊断主机上设有可导入光谱扫描装置的检测槽4，植物病害智能诊断主机通过数据线或无线连接方式与计算机连接。植物病害智能诊断主机通过数据线连接有打印机。检测槽4的横截面为U形。
上述植物病害智能诊断系统的使用方法如下：
打开电源，植物病害智能诊断主机开始自检，检测槽缓慢移出，等待测试；
截取植物的根、茎、叶，剪碎放置于研钵中，数量约是研钵容积的三分之一到五分之一，用研磨棒研碎；
用滴管分别吸取等量的3-5滴指示液，滴入盛有植物茎叶的研钵中，搅拌均匀，放置2-3分钟待测；
用清水冲洗滴管后吸取指示剂和植物碎片的混合液少许，均匀涂抹在指示条上，将指示条放入测试槽中彩条块朝上；
植物病害智能诊断主机开始检测，测试槽和指示条缓慢移至仪器中；经光谱扫描装置扫描分析的结果数据输出至计算机，计算机对该结果数据分析后显示诊断结果以及建议措施。
测试值为指导用药参考值，测试数值越少表明作物病害越严重或者植物长势越弱，除用杀菌剂外应补施叶面肥，用量不能超过某种药品的限量值，否则产生药害。
测试值结果分析参见下表：
| 结果分析 | 正常值 | 参照值 |
| 病毒病 | ≥493 | ≤262 |
| 真菌病 | ≥485 | ≤266 |
| 细菌病 | ≥420 | ≤249 |
| 真菌病毒复合病 | ≥472 | ≤228 |
| 真菌细菌复合病 | ≥502 | ≤258 |
| 病毒细菌复合病 | ≥511 | ≤316 |
| 真菌细菌病毒复合病 | ≥412 | ≤147 |
| 残留量 | ≥096 | ≤063 |
| 微量元素缺乏症 | ≥372 | ≤236 |
| 光合作用率 | ≥505 | ≤311 |
| 叶片长势 | ≥438 | ≤402 |
本发明提供了一种结构简单，制作方便，应用光谱成像技术，可快速、准确地采集被测植物根、茎、叶的光谱图象信息，分析得到被测植物病害的类别以及感染程度，从而实现实时无损的植物病害检测的诊断装置。
光谱成像技术是一种能够同时采集可见光谱和红外光谱等波段数字图像并进行分析的技术。它结合了光谱分析技术(敏感波段提取)和计算机图像处理技术的长处，同时可以弥补光谱仪抗干扰能力较弱和RGB图像感受范围窄的缺点。针对错综复杂的外部环境和形状各异的植物品种，利用光谱成像技术，同时处理光谱图像中植物的颜色信息、形状信息以及特征信息，对植物生长健康状况进行快速、准确的检测。
Claims (4)
1.植物病害智能诊断系统，其特征在于：包括植物病害智能诊断主机和计算机，植物病害智能诊断主机内设有光谱扫描装置，植物病害智能诊断主机上设有可导入光谱扫描装置的检测槽，植物病害智能诊断主机通过数据线或无线连接方式与计算机连接。
2.根据权利要求书1所述植物病害智能诊断系统，其特征在于：植物病害智能诊断主机通过数据线连接有打印机。
3.根据权利要求书1所述植物病害智能诊断系统，其特征在于：检测槽的横截面为U形。
4.权利要求书1所述植物病害智能诊断系统的使用方法，其特征在于：打开电源，植物病害智能诊断主机开始自检，检测槽缓慢移出，等待测试；截取植物的根、茎、叶，剪碎放置于研钵中，数量约是研钵容积的三分之一到五分之一，用研磨棒研碎；用滴管分别吸取等量的3-5滴指示液，滴入盛有植物茎叶的研钵中，搅拌均匀，放置2-3分钟待测；用清水冲洗滴管后吸取指示剂和植物碎片的混合液少许，均匀涂抹在指示条上，将指示条放入测试槽中彩条块朝上；植物病害智能诊断主机开始检测，测试槽和指示条缓慢移至仪器中；经光谱扫描装置扫描分析的结果数据输出至计算机，计算机对该结果数据分析后显示诊断结果以及建议措施。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410623883.1A CN104297166A (zh) | 2014-11-07 | 2014-11-07 | 植物病害智能诊断系统及其使用方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410623883.1A CN104297166A (zh) | 2014-11-07 | 2014-11-07 | 植物病害智能诊断系统及其使用方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN104297166A true CN104297166A (zh) | 2015-01-21 |
Family
ID=52316990
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410623883.1A Pending CN104297166A (zh) | 2014-11-07 | 2014-11-07 | 植物病害智能诊断系统及其使用方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104297166A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1975378A (zh) * | 2006-11-24 | 2007-06-06 | 浙江大学 | 基于可见/近红外多光谱成像的灰霉病害早期诊断系统 |
| CN101074926A (zh) * | 2007-06-12 | 2007-11-21 | 浙江大学 | 可见和近红外光谱的植物叶片或冠层灰霉病诊断方法与系统 |
| CN102334422A (zh) * | 2010-07-27 | 2012-02-01 | 中国农业科学院蔬菜花卉研究所 | 基于机器视觉的蔬菜叶部病害实时诊断方法与系统 |
| CN103018180A (zh) * | 2012-12-11 | 2013-04-03 | 江苏大学 | 一种基于多源光信息技术的棉花病害检测方法和装置 |
-
2014
- 2014-11-07 CN CN201410623883.1A patent/CN104297166A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1975378A (zh) * | 2006-11-24 | 2007-06-06 | 浙江大学 | 基于可见/近红外多光谱成像的灰霉病害早期诊断系统 |
| CN101074926A (zh) * | 2007-06-12 | 2007-11-21 | 浙江大学 | 可见和近红外光谱的植物叶片或冠层灰霉病诊断方法与系统 |
| CN102334422A (zh) * | 2010-07-27 | 2012-02-01 | 中国农业科学院蔬菜花卉研究所 | 基于机器视觉的蔬菜叶部病害实时诊断方法与系统 |
| CN103018180A (zh) * | 2012-12-11 | 2013-04-03 | 江苏大学 | 一种基于多源光信息技术的棉花病害检测方法和装置 |
Non-Patent Citations (5)
| Title |
|---|
| 冯洁等: "常见黄瓜病害的多光谱诊断", 《光谱学与光谱分析》 * |
| 吴迪等: "基于地面多光谱成像技术的茄子灰霉病无损检测研究", 《光谱学与光谱分析》 * |
| 植保仪器网: "产品介绍之植物病害快速诊断仪", 《植保仪器网》 * |
| 植保仪器网: "植物病害快速诊断仪快速防治农作物病害", 《植保仪器网》 * |
| 河南云飞科技发展有限公司: "植物病虫害检测仪操作规程", 《百度文库》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Downie et al. | Challenges and opportunities for quantifying roots and rhizosphere interactions through imaging and image analysis | |
| EP2638797B1 (en) | Plant health diagnostic method and plant health diagnostic device | |
| Sangeetha et al. | An improved agro deep learning model for detection of Panama wilts disease in banana leaves | |
| Fritz et al. | Grouping and classification of wheat from organic and conventional production systems by combining three image forming methods | |
| CN107132228A (zh) | 一种油菜全生长期信息的高通量表型研究系统 | |
| Bakhshandeh et al. | Application of linear models for estimation of leaf area in soybean [Glycine max (L.) Merr] | |
| CN102445421B (zh) | 一种用于快速诊断烤烟氮素叶色卡的制备方法 | |
| Žibrat et al. | Pipeline for imaging, extraction, pre-processing, and processing of time-series hyperspectral data for discriminating drought stress origin in tomatoes | |
| Postic et al. | Scanner-based minirhizotrons help to highlight relations between deep roots and yield in various wheat cultivars under combined water and nitrogen deficit conditions | |
| Yao et al. | Recent developments and potential of robotics in plant eco-phenotyping | |
| Shi et al. | Simultaneous and nondestructive diagnostics of nitrogen/magnesium/potassium-deficient cucumber leaf based on chlorophyll density distribution features | |
| Shi et al. | Characterization of invisible symptoms caused by early phosphorus deficiency in cucumber plants using near-infrared hyperspectral imaging technology | |
| Zhang et al. | Non-destructive testing of alfalfa seed vigor based on multispectral imaging technology | |
| Ortenzi et al. | A machine vision rapid method to determine the ripeness degree of olive lots | |
| DoVale et al. | Root phenomics | |
| CN1916790A (zh) | 农作物培育监控系统及监控方法 | |
| Yumang et al. | Microcontroller-based fertilizer dispenser for rice crop | |
| Shi et al. | Nondestructive diagnostics of magnesium deficiency based on distribution features of chlorophyll concentrations map on cucumber leaf | |
| CN204228599U (zh) | 植物病害智能诊断系统 | |
| JP5807956B2 (ja) | 土壌の作物育成度数測定方法及び産地偽装判定方法 | |
| CN104297166A (zh) | 植物病害智能诊断系统及其使用方法 | |
| US20210403854A1 (en) | Continuous monitoring of algae crops using minimum optical information | |
| Galal et al. | Using RGB imaging, optimized three-band spectral indices, and a decision tree model to assess Orange fruit quality | |
| Squeri et al. | Ground truthing and physiological validation of VIs-NIR spectral indices for early diagnosis of nitrogen deficiency in cv. Barbera (Vitis vinifera L.) Grapevines | |
| Elsayed et al. | Estimating Chlorophyll Content, Production, and Quality of Sugar Beet under Various Nitrogen Levels Using Machine Learning Models and Novel Spectral Indices |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150121 |
|
| RJ01 | Rejection of invention patent application after publication |