CN106202489A - 一种基于大数据的农业病虫害智能诊断系统 - Google Patents

一种基于大数据的农业病虫害智能诊断系统 Download PDF

Info

Publication number
CN106202489A
CN106202489A CN201610570299.3A CN201610570299A CN106202489A CN 106202489 A CN106202489 A CN 106202489A CN 201610570299 A CN201610570299 A CN 201610570299A CN 106202489 A CN106202489 A CN 106202489A
Authority
CN
China
Prior art keywords
data
pattern
intelligent diagnosis
analysis
agricultural pest
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
Application number
CN201610570299.3A
Other languages
English (en)
Inventor
韩立亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Wisdom Environment Data Management Co Ltd
Original Assignee
Qingdao Wisdom Environment Data Management Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao Wisdom Environment Data Management Co Ltd filed Critical Qingdao Wisdom Environment Data Management Co Ltd
Priority to CN201610570299.3A priority Critical patent/CN106202489A/zh
Publication of CN106202489A publication Critical patent/CN106202489A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Mining
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining

Abstract

本发明提出了一种基于大数据的农业病虫害智能诊断系统包括：数据存储系统、数据分析系统、数据挖掘系统、数据识别系统。本发明的农业病害大数据诊断平台和门户采用Portal技术实现，通过系统提供的多维数据服务，定制不同的预警和分析模型，以简单、易懂的图形方式展现出来，配合多维分析工具，用户可从数据立方体中对分析指标进行多维度、多角度的分析，科学准确的了解各指标的现状和发展趋势，可自动生成包含文字、数字、图表、报表的PDF或DOC形式的决策分析报告。

Description

一种基于大数据的农业病虫害智能诊断系统
技术领域
本发明涉及大数据领域，特别涉及一种基于大数据的农业病虫害智能诊断系统。
背景技术
在农作物病虫害的防治体系中，病虫害的诊断至今仍为薄弱环节，各种类型的病害与各种各样的害虫，是否能够正确的诊断，直接影响到作物病虫防治工作的成败。
然而，正确的诊断病虫，对病虫害防治人员提出了较高的要求，而近年来变化异常的生态环境和多变的病虫灾害，为病虫害的防治带来较大的困难，因为作为专业技术人员对病虫的诊断需要一定的学习和实践的过程。人们在长期与病虫害作斗争的过程中，积累了宝贵的经验，这个经验不是一般的实践经验，而是包涵有较高知识含量，为了使这些知识财富能被广大的作物病虫防治工作者尽快的掌握应用，作物病虫害防治诊断专家系统应运而生，且任重道远。
构建实用的、智能化农业病虫害专家系统的难点在于如何以接近自然语言的方式来表达病虫草害的诊断特征：病虫害的分类鉴定和诊断是复杂的专业工作，按照传统的分类检索十分烦琐，因此对于虫害诊断主要是根据害虫的为害形状、形态和行为特征；病害诊断主要是根据植株受害症状、病原微生物部分特征和分子特性。
另一方面，病虫害诊断的难点在于模糊推理机的实现和冲突消解的策略。如何构建模糊推理机从综合数据库中取出符合要求的规则，对己有事实进行匹配，并选出匹配成功的规则，计算可信度，并根据冲突消解策略选择综合数据库中没有的规则结论及可信度值，作为新的事实加入到综合数据库中，完成提示检验、规则解释、新事实输入等也是目前的诊断系统中所面临的一个难点。
随着云时代的来临，在以云计算为代表的技术推动下，大数据技术受到国内外学者的广发的关注。大数据的特点可以概括为数据量巨大、数据类型繁多、处理速度快，大数据技术指在各种各样类型的数据中，快速获得有价值信息的能力，使得原本很难收集和利用的数据开始容易被利用起来，在较短的时间内能快速处理大量数据并整理成为农业病虫害智能诊断需要的依据。
如何充分利用大数据技术，提供一种基于大数据的农业病虫害智能诊断系统，是目前亟待解决的问题。
现有的农作物病虫害监测及预警系统如图1所示，包括监测系统，移动终端及监控中心；监测系统包括传感器节点、网关、视频采集系统及无线视频传输系统；移动终端包括智能手机，笔记本电脑及平板电脑；监控中心包括WEB服务器，视频播放系统及管理终端，WEB服务器连接管理信息系统，WEB服务器连接管理终端；管理终端包括电脑，智能手机或笔记本电脑；传感器节点通过网关通信，网关通过GSM/GPRS与移动终端通信，网关通过GSM/GPRS及网络与监控中心的WEB服务器通信，视频采集系统采集的图像信息通过无线视频传输系统传输到视频播放系统。
另一种植物智能保护系统及实现方法如图2所示，通过设置识别系统、防治系统、气象模块、地理模块、植物保护信息模块、病虫害基础知识模块等全面的植物保护模块对植物的保护进行全面合理的保护和预防；通过Web输入界面结合数据处理模块和数据库模块对用户信息进行记录，并对用户上传的信息进行智能化应对，最快速度解决用户的问题，方便、快捷，增加客户的粘性。
以上两种目前主流方案有如下不足：
一、存在数据库相对较简单，对于症状相似病害或者罕见病害存在误判甚至错判的风险，数据库丰富度需要极大程度提升；
二、更重要的是其实现方式都是以单节点方式运行，在数据读写并发、数据处理效率、数据存储量方面有着先天性不足。数据量并发量大时，采用传统单节点方式，可能会由于服务器长时间不能响应，导致传输失败，丢失数据资源，尤其是视频文件的传输、存储、分析存在极大的宕机风险；
三、对于系统中非结构化数据无法实现自动化处理，海量数据分析仍需依靠大量技术人员人工操作。
发明内容
本发明提出一种基于大数据的农业病虫害智能诊断系统，应用大数据技术快速处理大量数据并整理成为农业病虫害智能诊断需要的依据。
本发明的技术方案是这样实现的：
一种基于大数据的农业病虫害智能诊断系统，包括：数据存储系统、数据分析系统、数据挖掘系统、数据识别系统；
数据存储系统采用基于Hadoop的分布式存储，架构采用N+M方式，一个文件的多个分片存储于不同的存储节点上，数据存储节点根据硬盘类型自动分层，根据策略实现自动数据迁移和删除，每个存储节点通过多套网络直接与其它节点互联，从终端回传的数据首先在消息队列集群中进行缓冲，然后由流式计算引擎进行实时计算，并将计算结果存到结构化数据库当中，另外再将原始数据进行序列化，将计算结果与序列化后的结果存到NoSQL数据库当中，用于数据的实时读取；
数据分析系统由ETL工具完成异构数据的整合、集成和辅助数据仓库的建设，形成各行业的主题数据库；
数据挖掘系统将临时存储区数据经过三级ETL抽取整理后形成各行业的主题数据库；主题数据库根据不同应用需求提供三级数据服务层，分别是细节数据层、汇总数据层和应用集市层；一级ETL抽取将临时存储区的数据按照预设的ETL抽取规则，抽取整理入细节数据层；二级ETL抽取将细节数据抽取、整理、分析成面向业务主题的统计数据集，即汇总数据层；第三级ETL抽取将细节数据层和汇总数据层数据抽取整理成应用集市层，形成各主题多维数据立方体；
数据识别系统通过模式识别方式实现，模式识别是对各种事物或现象的分析、描述、判断和识别，流程如下：通过图像归一化、去噪、增强和锐化，进行图像数据预处理，逐一实现图像特征提取，针对提取出的图像特征在数据库中查询匹配，获取所需结果。
可选地，所述数据存储系统中，从各数据源采集到的数据，先经过格式检查校验和转换处理后存储于临时存储区。
可选地，所述数据识别系统通过图像处理方法获取图像的外形参数值之后，设计分类器将农业病害按其特征参数分类。
可选地，所述分类器采用模板匹配法：针对每个待识别的类别，给出一个标准模板作为识别标准，所述标准模板是一个模式或者一个模式集。
可选地，所述分类器采用逻辑特征分析法：该方法对特征的选择是使一类问题中只有一个模式具有某一种或者某一组合逻辑特征，匹配结果只有“是”和“非”两种结果。
可选地，所述分类器采用模糊模式识别：是一种集合运算，用隶属度将模糊集合划分为若干子集，m个类就有m个子集，然后根据模糊判别决策进行分类，在识别过程中引入了模糊集概念。
可选地，所述分类器采用神经网络法：利用神经网络，一个非线性的动态系统，通过对样本的学习建立起记忆，然后将未知模式判别为最接近的记忆。
可选地，所述分类器采用句法模式识别法：用己知结构信息的模式作为训练样本，先识别出基元和它们之间的连接关系，并用字母符号表示它们，然后用构造句子的方法来描述这些场景的过程，并由此推断出生成该场景的一种文法规则。
可选地，所述分类器采用统计特征法：对已知类别的模式样本进行各种特征的提取和分析，选取对分类有利的特征，并对其统计均值等按已知类别分别进行学习，按照Bayes最小误差原则，根据统计特征设计出一个分类误差最小的决策平面，识别过程就是对未知模式进行相同的特征提取和分析，通过决策平面方程决定该模式所属的类别。
本发明的有益效果是：
(1)采用Portal技术实现，通过系统提供的多维数据服务，定制不同的预警和分析模型，以简单、易懂的图形方式展现出来；
(2)配合多维分析工具，用户可从数据立方体中对分析指标进行多维度、多角度的分析，科学准确的了解各指标的现状和发展趋势，可自动生成包含文字、数字、图表、报表的PDF或DOC形式的决策分析报告。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为现有的农作物病虫害监测及预警系统原理示意图；
图2为现有的植物智能保护系统原理示意图；
图3为本发明的基于大数据的农业病虫害智能诊断系统原理示意图；
图4为本发明的基于大数据的农业病害智能诊断系统总体构架示意图；
图5为本发明的基于大数据的农业病害智能诊断系统技术架构示意图；
图6为本发明的基于大数据的农业病害智能诊断系统模式识别系统处理流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图3所示，本发明的基于大数据的农业病虫害智能诊断系统包括：数据存储系统、数据分析系统、数据挖掘系统、数据识别系统。
基于Hadoop的分布式存储系统，数据存储采用N+M方式提高数据可用性，一个文件的多个分片存储于不同的存储节点上，防止由于存储节点失效引起的数据不可访问。数据存储节点根据硬盘类型自动分层，根据策略实现自动数据迁移和删除。每个存储节点通过多套网络直接与其它节点互联，既提高系统带宽，也提高网络系统的可用性。从终端回传的数据首先在消息队列集群中进行缓冲，然后由流式计算引擎进行实时计算，并将计算结果存到结构化数据库当中，另外再将原始数据进行序列化，将计算结果与序列化后的结果存到NoSQL数据库当中，用于数据的实时读取。农业病害数据采集过程如图5所示，从各数据源采集到的数据，先经过格式检查校验和转换处理后存储于临时存储区。
如图4所示，数据分析系统由ETL工具完成异构数据的整合、集成和辅助数据仓库的建设，形成各行业的主题数据库。本发明农业病虫害智能诊断系统的基础核心是从农业各类数据源中采集数据，并整理形成各行业主题数据库。核心数据采集整理的ETL工具，采用基于开源项目kettle再进行二次开发完成。
数据挖掘系统将临时存储区数据经过三级ETL抽取整理后形成各行业的主题数据库。主题数据库设计上，根据不同应用需求提供三级数据服务层，分别是细节数据层、汇总数据层和应用集市层。一级ETL抽取将临时存储区的数据按照预设的ETL抽取规则，抽取整理入细节数据层。二级ETL抽取将细节数据抽取、整理、分析成面向业务主题的统计数据集，即汇总数据层。第三级ETL抽取将细节数据层和汇总数据层数据抽取整理成应用集市层，形成各主题多维数据立方体。本发明采用流式计算加离线计算架构，实时计算主要是为了满足及时反馈需要实时性要求较高的指标或者数据，比如对于病虫害的实时检测并发出警告，而离线计算则主要用来统计分析历史数据，通过各个指标反映历史及当前情况，进行评估或者预测等。
数据识别系统通过模式识别方式实现，模式识别是对各种事物或现象的分析、描述、判断和识别，如图6所示，流程如下：通过图像归一化、去噪、增强和锐化等方式，进行图像数据预处理，逐一实现图像特征提取，针对提取出的图像特征在数据库中查询匹配，获取所需结果。通过图像处理方法获取图像的外形参数值之后，设计合理的分类器将农业病害按其特征参数正确分类，按照模式特征的选择和决策方法的不同，综合用到以下六种类型：1、模板匹配法：针对每个待识别的类别，给出一个标准模板作为识别标准，这个标准模板可以是一个模式或者一个模式集；2、逻辑特征分析法：该方法对特征的选择是使一类问题中只有一个模式具有某一种(或者某一组合)逻辑特征，匹配结果只有“是”和“非”两种结果；3、模糊模式识别：是一种集合运算，用隶属度将模糊集合划分为若干子集，m个类就有m个子集，然后根据模糊判别决策进行分类，其特点是在识别过程中引入了模糊集概念，能够反映它们整体的与主要的特性，允许样品有相当程度的干扰和畸变；4神经网络法：利用神经网络，一个非线性的动态系统，通过对样本的学习建立起记忆，然后将未知模式判别为最接近的记忆。具体有BP网络，Hopfield网络、高阶网络等，能够处理一些环境十分复杂，背景知识不清楚，推理规则不明确的问题，允许样品有较大的干扰和畸变；5、句法模式识别法：即用己知结构信息的模式作为训练样本，先识别出基元和它们之间的连接关系，并用字母符号表示它们，然后用构造句子的方法来描述这些场景的过程，并由此推断出生成该场景的一种文法规则，这就是训练过程；6、统计特征法：是对已知类别的模式样本进行各种特征的提取和分析，选取对分类有利的特征，并对其统计均值等按已知类别分别进行学习，按照Bayes最小误差原则，根据统计特征设计出一个分类误差最小的决策平面，识别过程就是对未知模式进行相同的特征提取和分析，通过决策平面方程决定该模式所属的类别。
农业病害大数据诊断平台和门户采用Portal技术实现，通过系统提供的多维数据服务，定制不同的预警和分析模型，以简单、易懂的图形方式展现出来，配合多维分析工具，用户可从数据立方体中对分析指标进行多维度、多角度的分析，科学准确的了解各指标的现状和发展趋势，可自动生成包含文字、数字、图表、报表的PDF或DOC形式的决策分析报告。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于大数据的农业病虫害智能诊断系统，其特征在于，包括：数据存储系统、数据分析系统、数据挖掘系统、数据识别系统；
数据存储系统采用基于Hadoop的分布式存储，结构采用N+M方式，一个文件的多个分片存储于不同的存储节点上，数据存储节点根据硬盘类型自动分层，根据策略实现自动数据迁移和删除，每个存储节点通过多套网络直接与其它节点互联，从终端回传的数据首先在消息队列集群中进行缓冲，然后由流式计算引擎进行实时计算，并将计算结果存到结构化数据库当中，另外再将原始数据进行序列化，将计算结果与序列化后的结果存到NoSQL数据库当中，用于数据的实时读取；
数据分析系统由ETL工具完成异构数据的整合、集成和辅助数据仓库的建设，形成各行业的主题数据库；
数据挖掘系统将临时存储区数据经过三级ETL抽取整理后形成各行业的主题数据库；主题数据库根据不同应用需求提供三级数据服务层，分别是细节数据层、汇总数据层和应用集市层；一级ETL抽取将临时存储区的数据按照预设的ETL抽取规则，抽取整理入细节数据层；二级ETL抽取将细节数据抽取、整理、分析成面向业务主题的统计数据集，即汇总数据层；第三级ETL抽取将细节数据层和汇总数据层数据抽取整理成应用集市层，形成各主题多维数据立方体；
数据识别系统通过模式识别方式实现，模式识别是对各种事物或现象的分析、描述、判断和识别，流程如下：通过图像归一化、去噪、增强和锐化，进行图像数据预处理，逐一实现图像特征提取，针对提取出的图像特征在数据库中查询匹配，获取所需结果。
2.如权利要求1所述的基于大数据的农业病虫害智能诊断系统，其特征在于，所述数据存储系统中，存储基于Hadoop的分布式存储架构，从各数据源采集到的数据，先经过格式检查校验和转换处理后存储于临时存储区。
3.如权利要求1所述的基于大数据的农业病虫害智能诊断系统，其特征在于，所述数据识别系统通过图像处理方法获取图像的外形参数值之后，设计分类器将农业病害按其特征参数分类。
4.如权利要求3所述的基于大数据的农业病虫害智能诊断系统，其特征在于，所述分类器采用模板匹配法：针对每个待识别的类别，给出一个标准模板作为识别标准，所述标准模板是一个模式或者一个模式集。
5.如权利要求3所述的基于大数据的农业病虫害智能诊断系统，其特征在于，所述分类器采用逻辑特征分析法：该方法对特征的选择是使一类问题中只有一个模式具有某一种或者某一组合逻辑特征，匹配结果只有“是”和“非”两种结果。
6.如权利要求3所述的基于大数据的农业病虫害智能诊断系统，其特征在于，所述分类器采用模糊模式识别：是一种集合运算，用隶属度将模糊集合划分为若干子集，m个类就有m个子集，然后根据模糊判别决策进行分类，在识别过程中引入了模糊集概念。
7.如权利要求3所述的基于大数据的农业病虫害智能诊断系统，其特征在于，所述分类器采用神经网络法：利用神经网络，一个非线性的动态系统，通过对样本的学习建立起记忆，然后将未知模式判别为最接近的记忆。
8.如权利要求3所述的基于大数据的农业病虫害智能诊断系统，其特征在于，所述分类器采用句法模式识别法：用己知结构信息的模式作为训练样本，先识别出基元和它们之间的连接关系，并用字母符号表示它们，然后用构造句子的方法来描述这些场景的过程，并由此推断出生成该场景的一种文法规则。
9.如权利要求3所述的基于大数据的农业病虫害智能诊断系统，其特征在于，所述分类器采用统计特征法：对已知类别的模式样本进行各种特征的提取和分析，选取对分类有利的特征，并对其统计均值等按已知类别分别进行学习，按照Bayes最小误差原则，根据统计特征设计出一个分类误差最小的决策平面，识别过程就是对未知模式进行相同的特征提取和分析，通过决策平面方程决定该模式所属的类别。
CN201610570299.3A 2016-07-20 2016-07-20 一种基于大数据的农业病虫害智能诊断系统 Pending CN106202489A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610570299.3A CN106202489A (zh) 2016-07-20 2016-07-20 一种基于大数据的农业病虫害智能诊断系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610570299.3A CN106202489A (zh) 2016-07-20 2016-07-20 一种基于大数据的农业病虫害智能诊断系统

Publications (1)

Publication Number Publication Date
CN106202489A true CN106202489A (zh) 2016-12-07

Family

ID=57494424

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610570299.3A Pending CN106202489A (zh) 2016-07-20 2016-07-20 一种基于大数据的农业病虫害智能诊断系统

Country Status (1)

Country Link
CN (1) CN106202489A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107330887A (zh) * 2017-07-11 2017-11-07 重庆邮电大学 一种基于深度学习的农作物病虫害防治方案推荐系统
CN107506393A (zh) * 2017-07-28 2017-12-22 农业部农药检定所 一种农业大数据模型及其在农业上的应用
CN107742290A (zh) * 2017-10-18 2018-02-27 成都东谷利农农业科技有限公司 植物病害识别预警方法及装置
CN107895013A (zh) * 2017-11-13 2018-04-10 医渡云（北京）技术有限公司 数据质量规则控制方法及装置、存储介质、电子设备
CN108229413A (zh) * 2018-01-16 2018-06-29 宁夏智启连山科技有限公司 病虫害类型识别方法及装置
CN108427711A (zh) * 2018-01-31 2018-08-21 北京三快在线科技有限公司 实时数据仓库、实时数据处理方法、电子设备及存储介质
CN109598384A (zh) * 2018-12-06 2019-04-09 同方知网(北京)技术有限公司 一种农业产业创新服务图谱构建系统
CN110084145A (zh) * 2019-04-08 2019-08-02 华北水利水电大学 一种基于TensorFlow的病虫害时频域多尺度识别系统及操作方法
CN110198352A (zh) * 2019-05-30 2019-09-03 中国农业科学院农业环境与可持续发展研究所 一种农田机器人的物联管理系统
CN112732670A (zh) * 2020-12-31 2021-04-30 石河子大学 一种基于网络大数据的农业资源整合方法和系统
CN113204584A (zh) * 2021-04-26 2021-08-03 红云红河烟草(集团)有限责任公司 应用于烟草行业的虫情监控预警方法、装置以及设备
CN117151342A (zh) * 2023-10-24 2023-12-01 广东省农业科学院植物保护研究所 一种荔枝虫害的识别与抗性检测方法、系统及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101902618A (zh) * 2010-06-11 2010-12-01 北京农业信息技术研究中心 作物病虫害信息诊断系统及方法
CN104102454A (zh) * 2013-04-07 2014-10-15 杭州信核数据科技有限公司 一种自动实现分层存储的方法和管理分层存储的系统
CN104615777A (zh) * 2015-02-27 2015-05-13 浪潮集团有限公司 一种基于流式计算引擎的实时数据处理方法及装置
CN105208344A (zh) * 2015-09-28 2015-12-30 中国水稻研究所 分布式移动农业病虫害信息采集与诊断系统及嵌入式相机
CN105320946A (zh) * 2015-11-03 2016-02-10 盐城工学院 一种基于matlab的指纹识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101902618A (zh) * 2010-06-11 2010-12-01 北京农业信息技术研究中心 作物病虫害信息诊断系统及方法
CN104102454A (zh) * 2013-04-07 2014-10-15 杭州信核数据科技有限公司 一种自动实现分层存储的方法和管理分层存储的系统
CN104615777A (zh) * 2015-02-27 2015-05-13 浪潮集团有限公司 一种基于流式计算引擎的实时数据处理方法及装置
CN105208344A (zh) * 2015-09-28 2015-12-30 中国水稻研究所 分布式移动农业病虫害信息采集与诊断系统及嵌入式相机
CN105320946A (zh) * 2015-11-03 2016-02-10 盐城工学院 一种基于matlab的指纹识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
孟祥宝等: "农业大数据应用体系架构和平台建设", 《广东农业科学》 *
张合等: "《目标探测与识别技术》", 30 April 2015 *
蒋先刚: "《数字图像模式识别工程项目研究》", 31 March 2014 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107330887A (zh) * 2017-07-11 2017-11-07 重庆邮电大学 一种基于深度学习的农作物病虫害防治方案推荐系统
CN107506393A (zh) * 2017-07-28 2017-12-22 农业部农药检定所 一种农业大数据模型及其在农业上的应用
CN107506393B (zh) * 2017-07-28 2023-11-24 农业农村部农药检定所(国际食品法典农药残留委员会秘书处) 一种农业大数据模型及其在农业上的应用
CN107742290A (zh) * 2017-10-18 2018-02-27 成都东谷利农农业科技有限公司 植物病害识别预警方法及装置
CN107895013B (zh) * 2017-11-13 2021-03-30 医渡云（北京）技术有限公司 数据质量规则控制方法及装置、存储介质、电子设备
CN107895013A (zh) * 2017-11-13 2018-04-10 医渡云（北京）技术有限公司 数据质量规则控制方法及装置、存储介质、电子设备
CN108229413A (zh) * 2018-01-16 2018-06-29 宁夏智启连山科技有限公司 病虫害类型识别方法及装置
CN108427711A (zh) * 2018-01-31 2018-08-21 北京三快在线科技有限公司 实时数据仓库、实时数据处理方法、电子设备及存储介质
CN109598384A (zh) * 2018-12-06 2019-04-09 同方知网(北京)技术有限公司 一种农业产业创新服务图谱构建系统
CN110084145B (zh) * 2019-04-08 2023-05-12 华北水利水电大学 一种基于TensorFlow的病虫害时频域多尺度识别系统及操作方法
CN110084145A (zh) * 2019-04-08 2019-08-02 华北水利水电大学 一种基于TensorFlow的病虫害时频域多尺度识别系统及操作方法
CN110198352A (zh) * 2019-05-30 2019-09-03 中国农业科学院农业环境与可持续发展研究所 一种农田机器人的物联管理系统
CN112732670A (zh) * 2020-12-31 2021-04-30 石河子大学 一种基于网络大数据的农业资源整合方法和系统
CN113204584A (zh) * 2021-04-26 2021-08-03 红云红河烟草(集团)有限责任公司 应用于烟草行业的虫情监控预警方法、装置以及设备
CN117151342A (zh) * 2023-10-24 2023-12-01 广东省农业科学院植物保护研究所 一种荔枝虫害的识别与抗性检测方法、系统及存储介质
CN117151342B (zh) * 2023-10-24 2024-01-26 广东省农业科学院植物保护研究所 一种荔枝虫害的识别与抗性检测方法、系统及存储介质

Similar Documents

Publication Publication Date Title
CN106202489A (zh) 一种基于大数据的农业病虫害智能诊断系统
Lu et al. The state‐of‐the‐art in predictive visual analytics
CN108133418A (zh) 实时信用风险管理系统
CN112365171B (zh) 基于知识图谱的风险预测方法、装置、设备及存储介质
JP2005523533A (ja) 混合型数字及び／又は非数字データの処理
Zou et al. A novel network security algorithm based on improved support vector machine from smart city perspective
KR20200047006A (ko) 머신 러닝 기반의 근사모델 구축 방법 및 시스템
Li et al. Educational data mining for students' performance based on fuzzy C‐means clustering
Fan et al. An interactive visual analytics approach for network anomaly detection through smart labeling
CN111831715A (zh) 一种基于人工智能大数据智慧接访及存证系统及方法
Gerrits Soul of a new machine: Self-learning algorithms in public administration
CN116186594B (zh) 基于决策网络结合大数据实现环境变化趋势智能检测方法
CN113254517A (zh) 一种基于互联网大数据的服务提供方法
Ndirangu et al. A hybrid ensemble method for multiclass classification and outlier detection
CN114265954B (zh) 基于位置与结构信息的图表示学习方法
CN115965466A (zh) 一种基于子图对比的以太坊账户身份推理方法及系统
CN114092216A (zh) 企业信贷评级方法、装置、计算机设备和存储介质
Thompson Data mining methods and the rise of big data
Prasad et al. Analysis and prediction of crime against woman using machine learning techniques
Liu et al. Intelligent image recognition system for detecting abnormal features of scenic spots based on deep learning
Rahman et al. Integrated data mining and business intelligence
Bhalekar et al. Machine learning: Survey, types and challenges
Baldwin et al. Basic concepts of a fuzzy logic data browser with applications
De Fausti et al. Multilayer perceptron models for the estimation of the attained level of education in the Italian Permanent Census
Jiang Using Decision Tree Classification and AdaBoost Classification to Build the Abnormal Data Monitoring System of Financial Accounting in Colleges and Universities

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20161207