CN106778782A - 虫害识别与防治方法及系统 - Google Patents
虫害识别与防治方法及系统 Download PDFInfo
- Publication number
- CN106778782A CN106778782A CN201611159385.1A CN201611159385A CN106778782A CN 106778782 A CN106778782 A CN 106778782A CN 201611159385 A CN201611159385 A CN 201611159385A CN 106778782 A CN106778782 A CN 106778782A
- Authority
- CN
- China
- Prior art keywords
- insect pest
- image
- type
- server
- medicine
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明提出一种虫害识别与防治方法及系统,所述系统包括相互通信连接的图像采集设备、计算设备及服务器,所述服务器包括一药品数据库,所述药品数据库包括预设区域的药品信息以及药品销售数据。所述图像采集设备采集虫害图像,并将所述虫害图像发送给计算设备。所述计算设备接收所述虫害图像,并对所述虫害图像进行图像识别得到虫害类型,并将所述虫害类型发送给服务器。所述服务器在接收到所述虫害类型后,根据所述虫害类型在服务器的药品数据库中匹配得到用于防治所述虫害类型的药品信息。本发明提供的技术方案能准确识别所述虫害类型,并结合实际情况,从而推荐合适的防治所述虫害类型的药品。
Description
技术领域
本发明涉及农作物虫害的识别与防治领域,具体而言,涉及一种虫害识别与防治方法及系统。
背景技术
农业稳定对于我国的平稳发展有很大的影响,而虫害是农业增长的天敌。在信息化程度相对较低的农村,农民自己承担了农作物虫害的识别和治疗工作。农民结合自身的经验和周边种户的建议,确定农作物的病情,进而在当地镇上的农药销售点购买药品。在药品销售过程中,销售人员主要根据农民所描述的农作物病情以及药品使用后的相关反馈信息推荐适合的药品,并指导用法用量。
这种根据当地农作物病情和销售信息的药品销售模式能够有效帮助农民及时准确地防治病情。但是,农民自己判断农作物的病情,会有一定的局限性,判断的结果与真实症状有误差。同时,销售人员根据自己对药品的认知推荐药品缺少可靠性和科学性,难以达到对症下药的目的。
发明内容
有鉴于此,本发明一实施例的目的在于提供一种能够能正确识别虫害类型,并推荐合适的用于防治所述虫害类型的药品的虫害识别与防治方法,所述方法应用于虫害识别与防治系统。
所述系统包括相互通信连接的图像采集设备、计算设备及服务器,所述服务器包括一药品数据库,所述药品数据库包括预设区域的药品信息和药品销售数据。所述方法包括:
所述图像采集设备采集虫害图像,并将所述虫害图像发送给计算设备;
所述计算设备接收所述虫害图像,并对所述虫害图像进行图像识别得到虫害类型,并将所述虫害类型发送给服务器;
所述服务器在接收到所述虫害类型后,根据所述虫害类型在服务器的药品数据库中匹配得到用于防治所述虫害类型的药品信息。
在本发明较佳实施例中,所述计算设备接收所述虫害图像,并对所述虫害图像进行图像识别得到虫害类型,并将所述虫害类型发送给服务器的步骤包括:
接收所述虫害图像并对所述虫害图像进行预处理;
基于预处理后的所述虫害图像提取所述虫害特征;
将提取的所述虫害特征输入到所述计算设备中预先存储的虫害数据特征模型中进行匹配,得到虫害类型。
在本发明较佳实施例中,所述基于预处理后的所述虫害图像提取所述虫害特征的步骤包括:
利用颜色矩提取所述虫害的颜色特征;
提取所述虫害的形状特征;
构造所述虫害图像的水平、垂直、对角线、反对角线四个方向上的灰度共生矩阵,基于所述灰度共生矩阵得到所述虫害的纹理特征;
将所述颜色特征、形状特征及纹理特征进行归一化,得到所述虫害特征。
在本发明较佳实施例中,所述方法还包括训练得到虫害数据特征模型的步骤,
所述训练得到虫害数据特征模型的步骤包括:
通过图像采集设备采集虫害样本图像;
提取所述虫害样本的特征;
采用支持向量机方法对所述虫害样本的特征进行训练,得到虫害数据特征模型。
在本发明较佳实施例中,所述服务器在接收到所述虫害类型后,根据所述虫害类型在服务器的药品数据库中匹配得到用于防治所述虫害类型的药品信息的步骤包括:
通过分析药品销售数据计算针对所述虫害类型的药品的相似度;
根据药品的相似度以及购买药品的历史记录得到用于防治所述虫害类型的药品信息。
在本发明较佳实施例中,所述服务器在接收到所述虫害类型后,根据所述虫害类型在服务器的药品数据库中匹配得到用于防治所述虫害类型的药品信息的步骤包括:
通过分析药品数据库中的药品信息,建立药品与虫害类型的对应关系数据表,其中,所述数据表中药品以对抗虫害类型的经验系数由高至低排序。
在本发明较佳实施例中,所述系统还包括一与所述服务器通信连接的移动终端,所述方法还包括:
所述移动终端接收并显示所述服务器发送的用于防治所述虫害类型的药品信息。
本发明另一较佳实施例还提供一种虫害识别与防治系统,所述系统包括相互通信连接的图像采集设备、计算设备及服务器,所述服务器包括一药品数据库,所述药品数据库包括预设区域的药品信息和药品销售数据,所述图像采集设备,用于采集虫害图像,并将所述虫害图像发送给计算设备;
所述计算设备,用于接收所述虫害图像,并对所述虫害图像进行图像识别得到虫害类型,并将所述虫害类型发送给服务器;
所述服务器,用于在接收到所述虫害类型后,根据所述虫害类型在服务器的药品数据库中匹配得到用于防治所述虫害类型的药品信息。
在本发明较佳实施例中,所述计算设备包括:
图像预处理模块,用于接收所述虫害图像并对所述虫害图像进行预处理;
特征提取模块,用于基于预处理后的所述虫害图像提取所述虫害特征;
特征匹配模块,用于将提取的所述虫害特征输入到所述计算设备中预先存储的虫害特征模型中进行匹配,得到所述虫害类型。
在本发明较佳实施例中,所述系统还包括一移动终端,
所述移动终端接收并显示所述服务器发送的用于防治所述虫害类型的药品信息。
与现有技术相比,本发明实施例提供了虫害识别与防治方法及系统,所述系统包括相互通信连接的图像采集设备、计算设备及服务器,所述服务器包括一药品数据库,所述药品数据库包括预设区域的药品信息和药品销售数据。所述图像采集设备采集虫害图像,并将所述虫害图像发送给计算设备。所述计算设备接收所述虫害图像,并对所述虫害图像进行图像识别得到虫害类型,并将所述虫害类型发送给服务器。所述服务器在接收到所述虫害类型后,根据所述虫害类型在服务器的药品数据库中匹配得到用于防治所述虫害类型的药品信息。本发明提供的技术方案能准确识别所述虫害类型,并结合实际情况,从而推荐合适的防治所述虫害类型的药品。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1是本发明实施例提供的虫害识别与防治系统的方框示意图。
图2是本发明实施例提供的图1中所示的图像采集设备的方框示意图。
图3是本发明实施例提供的图1中所示的计算设备的方框示意图。
图4是本发明实施例提供的图1中所示的服务器的方框示意图。
图5是本发明实施例提供的虫害识别与防治方法的流程示意图。
图6是图5中步骤S200包括的子步骤流程示意图。
图7是图6中步骤S220包括的子步骤流程示意图。
图8是图5中步骤S300包括的子步骤流程示意图。
图9是本发明实施例提供的虫害识别与防治方法的另一种流程示意图。
图10是图9中步骤S201包括的子步骤流程示意图。
图11是本发明实施例提供的图1中的移动终端的方框示意图。
图12是本发明实施例提供的图1中的计算设备的另一种方框示意图。
图标:10-虫害识别与防治系统;100-图像采集设备;101-第一存储器;102-第一处理器;103-第一网络模块;104-摄像头;200-计算设备;201-第二存储器;202-第二处理器;203-第二网络模块;210-图像预处理模块;220-特征提取模块;230-特征匹配模块;300-服务器;301-第三存储器;302-第三处理器;303-第三网络模块;400-移动终端;401-第四存储器;402-第四处理器;403-第四网络模块;404-显示模块。
具体实施方式
下面将结合本发明实施例中附图,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”、“第三”、“第四”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参照图1,图1是本发明实施例提供的虫害识别与防治系统10的方框示意图。所述系统包括相互通信连接的图像采集设备100、计算设备200及服务器300。所述服务器300包括一药品数据库,所述药品数据库包括预设区域的药品信息和药品销售数据。本发明实施例中图像采集设备100可以为用于获取虫害图像的任何电子装置(比如,摄像机)。计算设备200接收所述图像采集设备100发送的所述虫害图像,并对所述虫害图像进行识别,并将识别结果发送至服务器300。所述服务器300根据识别结果得到用于防治所述虫害类型的药品信息。
请参照图2,图2是本发明较佳实施提供的图1所述的图像采集设备100的方框示意图。所述图像采集设备100包括第一存储器101、第一处理器102、第一网络模块103以及摄像头104。
所述第一存储器101、第一处理器102、第一网络模块103以及摄像头104相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述第一处理器102通过运行存储在第一存储器101内的软件程序以及模块,从而执行各种功能应用以及数据处理。
其中,所述第一存储器101可以是,但不限于,随机存取存储器(Random AccessMemory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(ProgrammableRead-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory,EEPROM)等。其中,第一存储器101用于存储程序,所述第一处理器102在接收到执行指令后,执行所述程序。进一步地,上述第一存储器101内的软件程序以及模块还可包括操作系统,其可包括各种用于管理系统任务(例如内存管理、存储设备控制、电源管理等)的软件组件和/或驱动,并可与各种硬件或软件组件相互通讯,从而提供其他软件组件的运行环境。
所述第一处理器102可能是一种集成电路芯片,具有信号的处理能力。上述的第一处理器102可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等。还可以是数字信号处理器(DSP))、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
第一网络模块103用于通过网络建立图像采集设备100与外部通信终端之间的通信连接,实现网络信号及数据的收发操作。上述网络信号可包括无线信号或者有线信号。
摄像头104用于获取所述虫害图像信息,所述摄像头104可以是,但不限于,CCD(Charge-coupled Device,电荷耦合元件)摄像头,也可以是CMOS(Complementary MetalOxide Semiconductor,互补金属氧化物半导体)摄像头。
可以理解,图2所示的结构仅为示意,图像采集设备100还可包括比图2中所示更多或者更少的组件,或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。
请参照图3,图3是本发明较佳实施例提供的图1所示的计算设备200的方框示意图。所述计算设备200包括第二存储器201、第二处理器202及第二网络模块203。
其中,所述第二存储器201、第二处理器202及第二网络模块203与图2中的第一存储器101、第一处理器102及第一网络模块103的硬件配置相同,在此就不再一一介绍。
请参照图4,图4是本发明较佳实施例提供的图1所示的服务器300的方框示意图。所述服务器300包括第三存储器301、第三处理器302及第三网络模块303。
其中,所述第三存储器301、第三处理器302及第三网络模块303与图2中的第一存储器101、第一处理器102及第一网络模块103的硬件配置相同,在此就不再一一介绍。
请参照图5,图5是本发明实施例提供的虫害识别与防治方法的流程示意图。所述方法应用于虫害识别与防治系统10,所述虫害识别与防治系统10包括图像采集设备100、计算设备200及服务器300。下面对虫害识别与防治方法具体流程进行详细阐述。
步骤S100,所述图像采集设备100采集所述虫害图像,并将所述虫害图像发送给所述计算设备200。
在田间捕捉虫害,利用图像采集设备100通过摄像头104从不同角度获得所述虫害图像。可以将所述虫害图像通过第一网络模块103发送给计算设备200。也可以通过USB接口将所述虫害图像发送至计算设备200。
步骤S200,所述计算设备200接收所述虫害图像,并对所述虫害图像进行图像识别得到虫害类型,并将所述虫害类型发送给服务器300。
请参照图6,图6是图5中步骤S200包括的子步骤流程示意图。所述步骤S200包括子步骤S210、子步骤S220及子步骤S230。
所述子步骤S210,接收所述虫害图像并对所述虫害图像进行预处理。
在本实施例中,所述计算设备200通过第二网络模块203或是其他方式接收所述虫害图像,并对所述虫害图像进行预处理。其中,所述预处理可以包括灰度变换、中值滤波图像增强、图像分割以及边缘检测。
图像的灰度变换(Gray-Scale Transformation,GST)处理是图像增强处理技术中一种空间域图像处理方法。所述灰度变换是指根据目标条件按一定变换关系逐点改变原图像中每一个像素灰度值,使得图像的显示效果更清晰的方法。
中值滤波是一种非线性滤波技术,它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值,让周围的像素值接近的真实值,从而消除孤立的噪声点。在本实施例的实施方式中,中值滤波用于保护边缘信息。
图像分割指把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。在本实施例的实施方式中,通过图像分割,将所述虫害图像分成背景和目标两部分。
边缘检测用于减少数据量,剔除可以认为不相关的信息,保留了所述虫害图像重要的结构属性。
本发明实施例中,对所述虫害图像进行的预处理操作均为常用的图像处理方法,具体实施的过程此处不再详述。
所述子步骤S220,基于预处理后的所述虫害图像提取所述虫害特征。
请参照图7,所述子步骤S220包括子步骤S221、子步骤S222、子步骤S223及子步骤S224。
所述子步骤S221,利用颜色矩提取所述虫害的颜色特征。
颜色是彩色图像最重要的内容之一,但提取图像的颜色特征时,很多算法(比如,颜色直方图)对要对图像进行量化,而量化容易导致误检。颜色矩可以有效表示图像中的颜色分布。利用颜色矩一阶矩(平均值Average)、颜色二阶矩(方差Variance)和颜色三阶矩(偏斜度Skewness)来描述所述虫害图像的颜色分布。由于每个像素具有颜色空间的三个颜色通道,因此图像的颜色矩有9个分量来描述。由于颜色矩的维度较少,因此常将颜色矩与其他图像特征综合使用。
所述子步骤S222,提取所述虫害的形状特征。
形状特征是描述所述虫害的重要手段。在本实施例的实施方式中,选取所述虫害的面积、周长、致密度、似圆度、形状参数以及不变矩作为所述虫害的形状特征。
所述子步骤S223,构造所述虫害图像的水平、垂直、对角线、反对角线四个方向上的灰度共生矩阵,基于所述灰度共生矩阵得到所述虫害的纹理特征。
所述纹理特征描述所述虫害的空间颜色分布和光强分布。本实施例的实施方式中,通过灰度共生矩阵提取所述虫害的纹理特征。灰度共生矩阵是一种通过研究灰度的空间相关特性来描述纹理的常用方法。取图像(N×N)中任意一点(x,y)及偏离它的另一点(x+a,y+b),设该点对的灰度值为(g1,g2)。令点(x,y)在整个画面上移动,则会得到各种(g1,g2)值,设灰度值的级数为k,则(g1,g2)的组合共有k的平方种。对于整个图像,统计出每一种(g1,g2)值出现的次数,然后排列成一个方阵,再用(g1,g2)出现的总次数将它们归一化为出现的概率P(g1,g2),这样的方阵称为灰度共生矩阵。构造所述虫害图像的的水平、垂直、对角线、反对角线四个方向上的灰度共生矩阵,用数学式表示为00,450,900,1350。将基于所述灰度共生矩阵得到的对比度、熵、相关性以及逆差矩作为识别的纹理特征值。
所述子步骤S224,将所述颜色特征、形状特征及纹理特征进行归一化,得到所述虫害特征。
因各个特征之间的量纲不同,直接将上述特征输入到虫害数据模型中会出现识别错误的情况,因此将各个特征做归一化处理得到所述虫害特征。其中,归一化处理可以消除颜色特征、形状特征及纹理特征间的量纲差级。
所述子步骤S230,将提取的所述虫害特征输入到所述计算设备200中预先存储的虫害数据特征模型中进行匹配,得到虫害类型。
在本实施例中,核函数选取径向基函数:
其中,x为输入样本,y为高斯函数的中心,参数σ为高斯分布的宽度,可用于调节相应的分类效果。
步骤S300,所述服务器300在接收到所述虫害类型后,根据所述虫害类型在服务器300的药品数据库中匹配得到用于防治所述虫害类型的药品信息。所述服务器300也可以通过接收用户输入虫害类型的方式得到所述虫害类型。其中,所述药品数据库包括预设区域(比如,虫害所在镇)的药品信息和药品销售数据,通过所述药品销售数据可以获得当地的实际情况。
在本发明实施例的一种实施方式中,请参照图8,所述步骤S300可以包括子步骤S310及子步骤S320。
所述子步骤S310,通过分析药品销售数据计算针对所述虫害类型的药品的相似度。
目前药品种类繁多,多种药品可以用于防治同一种虫害。计算药品的相似度,可以得到更全面的用于防治所述虫害类型的药品信息。其中,可以根据下面的公式计算药品的相似度,公式如下:
其中,S(i)为购买药品i的用户数,S(j)为购买药品j的用户数,|S(i)∩S(j)|为同时购买药品i和药品j的用户数。
所述子步骤S320,根据药品的相似度以及购买药品的历史记录得到用于防治所述虫害类型的药品信息。
在本实施例中,计算用户对某一药品的兴趣度pj,将药品按照药品兴趣度的高低排序。并结合药品的相似度得到用于防治所述虫害类型的药品信息。其中,药品的兴趣度pj计算公式如下:
其中,N(u)为用户感兴趣的药品集合,S(i,k)为和药品i最相似的k个药品集合,wij为药品j和药品i的相似度,rui为用户对药品i的兴趣。通常情况下,rui的值为药品i占同一虫害防治药品销量总量中的百分比。
在本发明实施例的另一种实施方式中,所述步骤S300实现的方式包括:
通过分析药品数据库中的药品信息,建立药品与虫害类型的对应关系数据表,其中,所述数据表中药品以对抗虫害类型的经验系数由高至低排序。药品信息包括药品名称以及药品针对的虫害类型。
在药品数据库中难以从药品销售数据中得到购买药品的历史记录时,可以参照所述数据表,得到用于防治所述虫害类型的药品信息。用户可以根据药品的经验系数购买药品。
请参照图9,图9是本发明实施例提供的虫害识别与防治方法的另一种流程示意图。所述方法还包括步骤S201,训练得到虫害数据特征模型。
请参照图10,图10是图9中步骤S201包括的子步骤流程示意图。所述步骤S201包括子步骤S2011、子步骤S2012及子步骤S2013。
所述子步骤S2011,通过图像采集设备100采集虫害样本图像。
在本实施例中,关于所述子步骤S2011的具体描述可以参照步骤S100的描述。
所述子步骤S2012,提取所述虫害样本的特征。
在本实施例中,关于所述子步骤S2012的具体描述可以参照步骤S200的描述。
所述子步骤S2013,采用支持向量机方法对所述虫害样本的特征进行训练,得到虫害数据特征模型。
支持向量机(Support Vector Machine,SVM)在解决小样本、非线性及高维模式识别中表现出许多特有的优势。支持向量机是一种基于统计学习理论的模式识别方法。
请再次参照图1,所述系统还包括一与所述服务器300通信连接的移动终端400,所述移动终端400接收并显示所述服务器300发送的信息。
请参照图11,图11是本发明实施例提供的图1中的移动终端400的方框示意图。所述移动终端400包括第四存储器401、第四处理器402、第四网络模块403及显示模块404。
所述显示模块404用于显示信息。
其中,所述第四存储器401、第四处理器402及第四网络模块403与图2中的第一存储器101、第一处理器102及第一网络模块103的硬件配置相同,在此就不再一一介绍。
请再次参照图9,所述方法还可以包括步骤S400,所述移动终端400接收并显示所述服务器300发送的用于防治所述虫害类型的药品信息。
移动终端400通过第四网络模块403接收所述服务器300发送的用于防治所述虫害类型的药品信息,通过所述显示模块404显示所述药品信息,用户可以根据所述移动终端400显示的药品信息购买药品。
本发明较佳实施例还提供了一种虫害识别与防治系统10。所述虫害识别与防治系统10包括相互通信连接的图像采集设备100、计算设备200及服务器300。所述服务器300一药品数据库,所述药品数据库包括预设区域的药品信息和药品销售数据。
所述图像采集设备100,用于采集虫害图像,并将所述虫害图像发送给计算设备200。
所述计算设备200,用于接收所述虫害图像,并对所述虫害图像进行图像识别得到虫害类型,并将所述虫害类型发送给服务器300。
所述服务器300,用于在接收到所述虫害图像后,根据所述虫害类型在服务器300的药品数据库中匹配得到用于防治所述虫害类型的药品信息。
请参照图12,图12是本发明实施例提供的图1中的计算设备200的另一种方框示意图。所述计算设备200包括图像预处理模块210、特征提取模块220及特征匹配模块230。
图像预处理模块210,用于接收所述虫害图像并对所述虫害图像进行预处理。
特征提取模块220,用于基于预处理后的所述虫害图像提取所述虫害特征。
特征匹配模块230,用于将提取的所述虫害特征输入到所述计算设备200中预先存储的虫害数据特征模型进行匹配,得到虫害类型。
所述虫害识别与防治系统10还包括一移动终端400,所述移动终端400接收并显示所述服务器300发送的用于防治所述虫害类型的药品信息。
综上所述,本发明实施例提供了一种虫害识别与防治方法及系统。其中,所述方法应用于虫害识别与防治系统,所述系统包括图像采集设备、计算设备及服务器。通过图像采集设备采集虫害图像,计算设备接收所述虫害图像,并对所述虫害图像进行图像识别得到虫害类型,并将所述虫害类型发送给服务器。服务器接收所述虫害类型,根据所述虫害类型在服务器的药品数据库中匹配得到用于防治所述虫害类型的药品信息。由此能准确辨识所述虫害类型,同时结合实际情况,得到用于防治虫害的药品信息。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (10)
1.一种虫害识别与防治方法,应用于虫害识别与防治系统,所述系统包括相互通信连接的图像采集设备、计算设备及服务器,所述服务器包括一药品数据库,所述药品数据库包括预设区域的药品信息和药品销售数据,其特征在于,所述方法包括:
所述图像采集设备采集虫害图像,并将所述虫害图像发送给计算设备;
所述计算设备接收所述虫害图像,并对所述虫害图像进行图像识别得到虫害类型,并将所述虫害类型发送给服务器;
所述服务器在接收到所述虫害类型后,根据所述虫害类型在服务器的药品数据库中匹配得到用于防治所述虫害类型的药品信息。
2.根据权利要求1所述的方法,其特征在于,所述计算设备接收所述虫害图像,并对所述虫害图像进行图像识别得到虫害类型,并将所述虫害类型发送给服务器的步骤包括:
接收所述虫害图像并对所述虫害图像进行预处理;
基于预处理后的所述虫害图像提取所述虫害特征;
将提取的所述虫害特征输入到所述计算设备中预先存储的虫害数据特征模型中进行匹配,得到虫害类型。
3.根据权利要求2所述的方法,其特征在于,所述基于预处理后的所述虫害图像提取所述虫害特征的步骤包括:
利用颜色矩提取所述虫害的颜色特征;
提取所述虫害的形状特征;
构造所述虫害图像的水平、垂直、对角线、反对角线四个方向上的灰度共生矩阵,基于所述灰度共生矩阵得到所述虫害的纹理特征;
将所述颜色特征、形状特征及纹理特征进行归一化,得到所述虫害特征。
4.根据权利要求2所述的方法,其特征在于,所述方法还包括训练得到虫害数据特征模型的步骤,
所述训练得到虫害数据特征模型的步骤包括:
通过图像采集设备采集虫害样本图像;
提取所述虫害样本的特征;
采用支持向量机方法对所述虫害样本的特征进行训练,得到虫害数据特征模型。
5.根据权利要求1所述的方法,其特征在于,所述服务器在接收到所述虫害类型后,根据所述虫害类型在服务器的药品数据库中匹配得到用于防治所述虫害类型的药品信息的步骤包括:
通过分析药品销售数据计算针对所述虫害类型的药品的相似度;
根据药品的相似度以及购买药品的历史记录得到用于防治所述虫害类型的药品信息。
6.根据权利要求1所述的方法,其特征在于,所述服务器在接收到所述虫害类型后,根据所述虫害类型在服务器的药品数据库中匹配得到用于防治所述虫害类型的药品信息的步骤包括:
通过分析药品数据库中的药品信息,建立药品与虫害类型的对应关系数据表,其中,所述数据表中药品以对抗虫害类型的经验系数由高至低排序。
7.根据权利要求1所述的方法,其特征在于,所述系统还包括一与所述服务器通信连接的移动终端,所述方法还包括:
所述移动终端接收并显示所述服务器发送的用于防治所述虫害类型的药品信息。
8.一种虫害识别与防治系统,所述系统包括相互通信连接的图像采集设备、计算设备及服务器,所述服务器包括一药品数据库,所述药品数据库包括预设区域的药品信息和药品销售数据,其特征在于:
所述图像采集设备,用于采集虫害图像,并将所述虫害图像发送给计算设备;
所述计算设备,用于接收所述虫害图像,并对所述虫害图像进行图像识别得到虫害类型,并将所述虫害类型发送给服务器;
所述服务器,用于在接收到所述虫害类型后,根据所述虫害类型在服务器的药品数据库中匹配得到用于防治所述虫害类型的药品信息。
9.根据权利要求8所述的系统,其特征在于,所述计算设备包括:
图像预处理模块,用于接收所述虫害图像并对所述虫害图像进行预处理;
特征提取模块,用于基于预处理后的所述虫害图像提取所述虫害特征;
特征匹配模块,用于将提取的所述虫害特征输入到所述计算设备中预先存储的虫害特征模型中进行匹配,得到虫害类型。
10.根据权利要求8所述的系统,其特征在于,所述系统还包括一移动终端,
所述移动终端接收并显示所述服务器发送的用于防治所述虫害类型的药品信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611159385.1A CN106778782A (zh) | 2016-12-15 | 2016-12-15 | 虫害识别与防治方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611159385.1A CN106778782A (zh) | 2016-12-15 | 2016-12-15 | 虫害识别与防治方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106778782A true CN106778782A (zh) | 2017-05-31 |
Family
ID=58889108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611159385.1A Pending CN106778782A (zh) | 2016-12-15 | 2016-12-15 | 虫害识别与防治方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106778782A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107343455A (zh) * | 2017-06-29 | 2017-11-14 | 深圳前海弘稼科技有限公司 | 作物虫害的控制方法及装置 |
CN107886114A (zh) * | 2017-10-27 | 2018-04-06 | 小草数语(北京)科技有限公司 | 植物叶片的特征提取方法、识别方法、装置和计算机设备 |
CN109814439A (zh) * | 2018-12-29 | 2019-05-28 | 广州瑞丰生物科技有限公司 | 一种农林生态病虫害监控系统 |
CN111383126A (zh) * | 2018-12-29 | 2020-07-07 | 广州瑞丰生物科技有限公司 | 一种害虫识别系统 |
CN113723157A (zh) * | 2020-12-15 | 2021-11-30 | 京东数字科技控股股份有限公司 | 一种农作物病害识别方法、装置、电子设备及存储介质 |
CN116259078A (zh) * | 2023-05-16 | 2023-06-13 | 浙江天演维真网络科技股份有限公司 | 一种杀虫剂推荐方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514459A (zh) * | 2013-10-11 | 2014-01-15 | 中国科学院合肥物质科学研究院 | 一种基于Android手机平台的识别农作物病虫害的方法及系统 |
CN105954283A (zh) * | 2016-05-05 | 2016-09-21 | 信阳师范学院 | 一种基于互联网的小麦病虫害防治方法 |
-
2016
- 2016-12-15 CN CN201611159385.1A patent/CN106778782A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514459A (zh) * | 2013-10-11 | 2014-01-15 | 中国科学院合肥物质科学研究院 | 一种基于Android手机平台的识别农作物病虫害的方法及系统 |
CN105954283A (zh) * | 2016-05-05 | 2016-09-21 | 信阳师范学院 | 一种基于互联网的小麦病虫害防治方法 |
Non-Patent Citations (1)
Title |
---|
张建华 等: "基于径向基支持向量机的棉花虫害识别", 《农业机械学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107343455A (zh) * | 2017-06-29 | 2017-11-14 | 深圳前海弘稼科技有限公司 | 作物虫害的控制方法及装置 |
CN107886114A (zh) * | 2017-10-27 | 2018-04-06 | 小草数语(北京)科技有限公司 | 植物叶片的特征提取方法、识别方法、装置和计算机设备 |
CN109814439A (zh) * | 2018-12-29 | 2019-05-28 | 广州瑞丰生物科技有限公司 | 一种农林生态病虫害监控系统 |
CN111383126A (zh) * | 2018-12-29 | 2020-07-07 | 广州瑞丰生物科技有限公司 | 一种害虫识别系统 |
CN113723157A (zh) * | 2020-12-15 | 2021-11-30 | 京东数字科技控股股份有限公司 | 一种农作物病害识别方法、装置、电子设备及存储介质 |
CN113723157B (zh) * | 2020-12-15 | 2024-02-09 | 京东科技控股股份有限公司 | 一种农作物病害识别方法、装置、电子设备及存储介质 |
CN116259078A (zh) * | 2023-05-16 | 2023-06-13 | 浙江天演维真网络科技股份有限公司 | 一种杀虫剂推荐方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106778782A (zh) | 虫害识别与防治方法及系统 | |
Sabanci et al. | Computer vision‐based method for classification of wheat grains using artificial neural network | |
Koklu et al. | Classification of date fruits into genetic varieties using image analysis | |
EP3065085B1 (en) | Digital image processing using convolutional neural networks | |
Aquino et al. | A new methodology for estimating the grapevine-berry number per cluster using image analysis | |
US9971876B2 (en) | Method, system and electronic device for diet management | |
Franczyk et al. | Deep learning for grape variety recognition | |
CN111553240B (zh) | 一种玉米病害病情分级方法、系统和计算机设备 | |
CN111935479B (zh) | 一种目标图像确定方法、装置、计算机设备及存储介质 | |
Sabanci et al. | Grain classifier with computer vision using adaptive neuro‐fuzzy inference system | |
CN110428412A (zh) | 图像质量的评价及模型生成方法、装置、设备和存储介质 | |
Benoit et al. | Simulation of image acquisition in machine vision dedicated to seedling elongation to validate image processing root segmentation algorithms | |
Yalcin | An approximation for a relative crop yield estimate from field images using deep learning | |
CN108618752A (zh) | 肌肤产品适配方法及其电子装置 | |
CN107239775A (zh) | 地物分类方法及装置 | |
CN113159300A (zh) | 图像检测神经网络模型及其训练方法、图像检测方法 | |
CN110852237A (zh) | 对象姿态的确定方法及装置、存储介质、电子装置 | |
CN111709326A (zh) | 基于深度学习的级联式颗粒作物质量分析方法及其系统 | |
CN111339884B (zh) | 图像识别方法以及相关设备、装置 | |
CN110503083A (zh) | 一种关键点检测方法、装置及电子设备 | |
CN113888254A (zh) | 货架商品管理方法和电子设备 | |
Ali et al. | Detecting fraudulent labeling of rice samples using computer vision and fuzzy knowledge | |
CN107885754B (zh) | 基于lda模型从交易数据中提取信用变量的方法和装置 | |
Lin et al. | An antagonistic training algorithm for TFT-LCD module mura defect detection | |
Aslantas et al. | New optimised region‐based multi‐scale image fusion method for thermal and visible images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170531 |