CN107622236A - 基于蜂群与梯度提升决策树算法农作物病害诊断预警方法 - Google Patents
基于蜂群与梯度提升决策树算法农作物病害诊断预警方法 Download PDFInfo
- Publication number
- CN107622236A CN107622236A CN201710834223.1A CN201710834223A CN107622236A CN 107622236 A CN107622236 A CN 107622236A CN 201710834223 A CN201710834223 A CN 201710834223A CN 107622236 A CN107622236 A CN 107622236A
- Authority
- CN
- China
- Prior art keywords
- disease
- honeybee
- soil moisture
- data
- early warning
- 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.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于蜂群与梯度提升决策树算法农作物病害诊断预警方法,对服务器端病害库中的病害信息提取相应特征,利用GBDT算法训练并建立作物的病害关联模型;数据采集单元通过无线通信网络将叶片图像数据和墒情数据以单播方式上传至服务器;将数据采集单元上传的图像数据和墒情数据经特征提取,诊断病害的种类及预测病害发生趋势,服务器端将启动自动报警提示。本发明有益效果:本发明通过该诊断预警方法,获取农作物的图像数据和相关墒情数据,经蜂群算法优化特征集后采用GBDT算法训练生成病害关联模型,增强了病害诊断的准确性和召回率;通过无线传感网络的实时信息传输,可实时处理数据,实现病害的自动预测预警,一定程度上拓展预警时间范围。
Description
技术领域
本发明涉及信息技术领域的农作物病害诊断预警技术领域,尤其是多特征选取、多参数融合的基于蜂群与梯度提升决策树算法农作物病害诊断预警方法。
背景技术
随着人民生活水平的日益提高,人们对各类农作物的质量和种类的需求越来越高。然而农作物病害是影响农作物产量和质量的重要因素之一,如何正确识别病害,合理施用农药,针对性地提供防治措施,是提高作物产量和质量的关键。长期以来,农作物病害的防控均存在病害诊断准确率低、预警误报率高等问题,且诊断方式单一,主要依靠农民个人经验、专家病理学分析和病害著作图谱对比等方法。在确定病害种类及等级时,人工目测的主观性、局限性和病理分析的复杂性往往会耽误病害防治,造成极大的损失,单纯的个人经验及人工目测不足以准确发现并识别病害。
随着计算机处理能力的不断增强以及数字图像采集装置的不断发展,利用数字图像处理与图像分析技术进行植物病害检测识别已经成为诊断病害的重要手段之一。日本安冈善文等对作物叶片受有害气体污染后的红外图像进行研究,叶片的红外图像可清晰地显示被污染的区域,从而提出通过病叶来诊断植物病害。北京师范大学刘君等人用最大期望算法(ExpectationMaximizationAlgorithm,EM)和偏微分方程水平集模型对图像进行分割获取病斑,运用主成分分析法对特征降维处理,实现黄瓜、番茄等园艺作物叶片的自动诊断与识别,自动化程度高。
由于自然生态和作物本身的复杂以及不规律演变,各类病害的表现特征复杂多样,单一的分析叶片图像进行病害诊断已经无法满足需求。研究表明农作物病害的发生与诸多生境气象墒情因子有很大的关系,如中国科学院大学的刘天华等分析了温度、光照、湿度等气象因素对稻瘟病菌致病和水稻抗病的影响,并初步对其影响稻瘟病爆发和流行的分子机制进行探讨。因此,在诊断农作物病害时,引入其生境墒情因子,可进一步提高病害诊断预测的准确率、召回率,可一定程度上拓展预警时间范围,能大幅度降低诊断预警的时间复杂度。
因此,对于上述问题有必要提出基于蜂群与梯度提升决策树算法农作物病害诊断预警方法。
发明内容
本发明目的是克服了现有技术中的不足,提供了基于蜂群与梯度提升决策树算法农作物病害诊断预警方法,主要目的是解决单一图像特征难以精准诊断病害,无法提前预警等问题。
为了解决上述技术问题,本发明是通过以下技术方案实现:
基于蜂群与梯度提升决策树算法农作物病害诊断预警方法,其方法步骤为:(1)对服务器端病害库中的病害信息提取相应特征,即图像特征、墒情特征、图像—墒情特征,使用引入位置偏移的蜂群算法优化特征选择,利用GBDT算法训练并建立作物的病害关联模型;(2)在农作物种植区域布置无线传感器网络数据采集单元,数据采集单元通过无线通信网络将叶片图像数据和墒情数据以单播方式上传至服务器;(3)将数据采集单元上传的图像数据和墒情数据经特征提取、优化选择后,运用病害关联模型进行相似性计算,诊断病害的种类及预测病害发生趋势;(4)若计算得出病害发生趋势和危害等级达到警戒阈值,服务器端将启动自动报警提示,同时将病害特征信息写入农作物叶片病害案例知识库中。
优选地,步骤(1)中所述的提取相应特征指,利用区间缩放法和哑编码方法(0-1编码)处理原始作物生境墒情数据,将其转换成向量数据;利用颜色直方图,并对HSV空间中的H、S、V按照人的颜色感知进行非均匀量化,合成为一维特征量Lb=9H+3S+V,(0≤b≤71)提取相应颜色特征;采用灰度共生矩阵,将灰度级归并为G={1,2,…,Ng},其中最高灰度级别为Ng,得到图像的灰度共生矩阵的元素,从而得到需提取的纹理特征参数。
优选地,步骤(1)中所述的图像特征、墒情特征、图像—墒情特征包括多个特征,其中图像特征主要指图像颜色和纹理特征;墒情特征主要包括温度特征、湿度特征、PH值特征、光照强度特征、日照时数特征、降水量特征及其他组合特征;图像—墒情特征则为图像特征和墒情特征的组合。
优选地,步骤(1)中所述的使用引入位置偏移的蜂群算法优化特征选择包括以下步骤:(5)初始特征提取后得到初始特征集{L1,L2,…,LN},即蜂群算法初始解区间。为了清晰地表明算法特征优化过程,特引入二进制编码,采用一维二值细胞自动机模型表示,初始化后,雇佣蜂从初始蜜源点出发搜索遍历蜜源,若被观察蜂所选择,则从细胞状态集合中选择1,否则为0,得到初步可行解;(6)初始化蜂群总数量N,其中雇佣蜂数量设为N/2,其余均为跟随蜂,所有雇佣蜂在解区间随机选中一个蜜源,计算当前食物源收益率fit;(7)雇佣蜂记录自己到目前为止的最优值,并在当前蜜源的邻域进行搜索,选取新的食物源,计算新蜜源的收益率,依据约束条件决定是否接受新蜜源;雇佣蜂招募跟随蜂时,通过引入蜜源位置偏移量改进跟随蜂选择雇佣蜂的概率,为蜜源点招募尽可能多的跟随蜂;(8)若雇佣蜂的蜜源信息在limit次迭代中均没有改进时,便放弃该蜜源,并且将该蜜源记录在禁忌表中,同时该蜜源对应的雇用蜂转变为侦查蜂,随机产生一个新的位置代替原蜜源;
(9)重复以上(6)-(8)步骤不断迭代,直到达到算法终止条件,得到优化后的特征集。
优选地,步骤(1)中所述的利用GBDT算法训练并建立农作物的病害关联模型的具体步骤为:(10)模型输入为:给定损失函数为均方差损失函数,决策树个数为M,经蜂群算法优化后的特征数K;(11)对损失函数作线性变换,求得残差减少的梯度方向,并构建新的决策树,通过M次迭代构建出基于梯度渐进回归树模型的病害关联模型。
优选地,步骤(3)中所述运用病害关联模型进行预测,诊断病害种类及预测是否会发生的具体做法是:将数据采集单元上传的图像数据和墒情数据经特征提取和蜂群算法优化后得到特征数据集,利用步骤(1)中生成的病害关联模型进行相似性计算,诊断病害的种类及预测是否会发生。
优选地,步骤(4)中所述服务器端自动报警提示主要表现为:手机端和电脑接收提示、警示灯闪烁。
优选地,步骤(4)中所述将信息写入相应病害库中,进一步包括:将病害名称、病害图片、病害时间、病害时土壤温度、病害时土壤湿度、病害时日照时数和病害时降水量数据写入服务器端MySQL数据库中。
优选地,无线通信网络可自适应采用有线或GPRS/GSM/3G/4G/WiFi网络。
本发明有益效果:本发明通过该诊断预警方法,获取农作物的图像数据和相关墒情数据,经蜂群算法优化特征集后采用GBDT算法训练生成病害关联模型,增强了病害诊断的准确性和召回率;通过无线传感网络的实时信息传输,可实时处理数据,实现病害的自动预测预警,一定程度上拓展预警时间范围,进一步降低诊断预警的时间复杂度。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明服务器端训练生成病害关联模型的流程图;
图2是本发明作物病害诊断和预警的流程图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
如图1并结合图2所示,基于蜂群与梯度提升决策树算法农作物病害诊断预警方法,其方法步骤为:(1)对服务器端病害库中的病害信息提取相应特征,即图像特征、墒情特征、图像—墒情特征,使用引入位置偏移的蜂群算法优化特征选择,利用GBDT算法训练并建立作物的病害关联模型;(2)在农作物种植区域布置无线传感器网络数据采集单元,数据采集单元通过无线通信网络将叶片图像数据和墒情数据以单播方式上传至服务器;(3)将数据采集单元上传的图像数据和墒情数据经特征提取、优化选择后,运用病害关联模型进行相似性计算,诊断病害的种类及预测病害发生趋势;(4)若计算得出病害发生趋势和危害等级达到警戒阈值,服务器端将启动自动报警提示,同时将病害特征信息写入农作物叶片病害案例知识库中。
进一步的,步骤(1)中所述的提取相应特征指,利用区间缩放法和哑编码方法(0-1编码)处理原始作物生境墒情数据,将其转换成向量数据;利用颜色直方图,并对HSV空间中的H、S、V按照人的颜色感知进行非均匀量化,合成为一维特征量Lb=9H+3S+V,(0≤b≤71)提取相应颜色特征;采用灰度共生矩阵,将灰度级归并为G={1,2,…,Ng},其中最高灰度级别为Ng,得到图像的灰度共生矩阵的元素,从而得到需提取的纹理特征参数。
进一步的,步骤(1)中所述的图像特征、墒情特征、图像—墒情特征包括多个特征,其中图像特征主要指图像颜色和纹理特征;墒情特征主要包括温度特征、湿度特征、PH值特征、光照强度特征、日照时数特征、降水量特征及其他组合特征;图像—墒情特征则为图像特征和墒情特征的组合。
优选地,步骤(1)中所述的使用引入位置偏移的蜂群算法优化特征选择包括以下步骤:(5)初始特征提取后得到初始特征集{L1,L2,…,LN},即蜂群算法初始解区间。为了清晰地表明算法特征优化过程,特引入二进制编码,采用一维二值细胞自动机模型表示,初始化后,雇佣蜂从初始蜜源点出发搜索遍历蜜源,若被观察蜂所选择,则从细胞状态集合中选择1,否则为0,得到初步可行解;(6)初始化蜂群总数量N,其中雇佣蜂数量设为N/2,其余均为跟随蜂,所有雇佣蜂在解区间随机选中一个蜜源,计算当前食物源收益率fit;(7)雇佣蜂记录自己到目前为止的最优值,并在当前蜜源的邻域进行搜索,选取新的食物源,计算新蜜源的收益率,依据约束条件决定是否接受新蜜源;雇佣蜂招募跟随蜂时,通过引入蜜源位置偏移量改进跟随蜂选择雇佣蜂的概率,为蜜源点招募尽可能多的跟随蜂;(8)若雇佣蜂的蜜源信息在limit次迭代中均没有改进时,便放弃该蜜源,并且将该蜜源记录在禁忌表中,同时该蜜源对应的雇用蜂转变为侦查蜂,随机产生一个新的位置代替原蜜源;
(9)重复以上(6)-(8)步骤不断迭代,直到达到算法终止条件,得到优化后的特征集。
进一步的,步骤(1)中所述的利用GBDT算法训练并建立农作物的病害关联模型的具体步骤为:(10)模型输入为:给定损失函数为均方差损失函数,决策树个数为M,经蜂群算法优化后的特征数K;(11)对损失函数作线性变换,求得残差减少的梯度方向,并构建新的决策树,通过M次迭代构建出基于梯度渐进回归树模型的病害关联模型。
进一步的,步骤(3)中所述运用病害关联模型进行预测,诊断病害种类及预测是否会发生的具体做法是:将数据采集单元上传的图像数据和墒情数据经特征提取和蜂群算法优化后得到特征数据集,利用步骤(1)中生成的病害关联模型进行相似性计算,诊断病害的种类及预测是否会发生。
进一步的,步骤(4)中所述服务器端自动报警提示主要表现为:手机端和电脑接收提示、警示灯闪烁。
进一步的,步骤(4)中所述将信息写入相应病害库中,进一步包括:将病害名称、病害图片、病害时间、病害时土壤温度、病害时土壤湿度、病害时日照时数和病害时降水量数据写入服务器端MySQL数据库中。
进一步的,无线通信网络可自适应采用有线或GPRS/GSM/3G/4G/WiFi网络。
本方法中,服务器端分析处理病害数据库中的病害图像和墒情数据,生成病害关联模型;作物生境墒情监测单元采集作物图像数据和墒情数据经特征提取与优化后,代入病害关联模型中进行病害诊断和预测,以实现自动预测预警。
如图1所示,服务器端处理具体步骤如下:(1)农作物叶片图像颜色特征和纹理特征提取
本方法选用颜色直方图来表示图像中颜色的分布情况。颜色直方图定义了图像或图像中区域的颜色分布,可提取不同的颜色在图像中所占的比例数。给定一幅图像f(x,y),它的颜色直方图可以用下式来表示,其中X为图像的宽度,Y为图像和高度,Tc为变换方式,Qc为量化方式。
针对色彩过多易造成特征维度增大和识别算法复杂性提高等问题,本方法采用对HSV空间中的H、S、V按照人的颜色感知进行非均匀量化,将H分成8份,S、V分别分成3份,再把3个颜色分量合成为一维特征量Lb=9H+3S+V,(0≤b≤71)。针对量化后的颜色直方图,提取均值、方差、峰度和熵四个颜色特征参数。
纹理特征参数则采用灰度共生矩阵的方式提取。设f(x,y)为一幅灰度图像,其大小为Ly×Lx。一般的在计算灰度共生矩阵的时候将灰度级归并为G={1,2,…,Ng},其中最高灰度级别为Ng,图像的灰度共生矩阵的元素可用下式来表示,式中,p(i,j,d,θ)表示矩阵第i行j列元素,(i,j)∈G×G,d是这对像素点的距离,θ表示连接这对像素点的直线与横轴正方向的角度(取0°,45°,90°,135°)。
Pc=p(i,j,d,θ) (2)
利用灰度共生矩阵,取Ng=64,d=1,θ=0°、45°、90°、135°,分别在HSV空间H、S、V三个通道中提取54个纹理特征参数,如惯性矩、熵、相关性等。
(2)农作物墒情特征提取
作物墒情数据多为定性数据,而本发明所采用的算法需要的输入数据是定量数据。为此,本发明采用哑编码的方式将作物墒情定性数据转换为定量数据,即将本发明算法所需输入量的多种定性值扩展为对应种类特征,当初始特征拥有第i种定性值时,则将其第i个扩展特征赋值为1,其他扩展特征值则为0。
另外,墒情数据也存在着一定的信息冗余,因而需要对其包含的有效信息进行区间划分,本方法采用的是利用两个最值进行缩放,公式表达为:
(3)蜂群算法优化特征集
①图像颜色特征、纹理特征和墒情特征组合得到一个初始特征集{L1,L2,…,LN},即蜂群算法初始解区间,特引入二进制编码,并采用一维二值细胞自动机模型来表示,初始化后,雇佣蜂从初始蜜源点出发搜索遍历蜜源,若被观察蜂所选择,则从细胞状态集合中选择1,否则为0,得到初步可行解;
②初始化蜂群总数量N,其中雇佣蜂数量设为N/2,其余均为跟随蜂。所有雇佣蜂在解区间随机选中一个蜜源,计算当前食物源收益率fit。公式如下,其中设xi为任意一蜜源点,xc entroid为SN个蜜源点的中心点,xi和xc entroid均为D维向量。
其中随机产生可行解的公式如下,式中,xi(i=1,2,…,N/2)为D维向量,D为优化参数的个数,j∈{1,2,…,D}。
xij=xmin,j+rand(0,1)(xmax,j-xmin,j) (5)
③雇佣蜂根据蜜源邻域选择规则在当前蜜源的邻域进行搜索,选取新的蜜源,计算新蜜源的收益率,依据约束条件决定是否接受新蜜源;雇佣蜂招募跟随蜂时,通过引入蜜源位置偏移量改进跟随蜂选择雇佣蜂的概率,进一步缩小蜜源选择的可能性;跟随蜂选择雇佣蜂的概率具体计算改进如下。
在蜜源领域内搜索新蜜源的公式表示如下,式中,j∈{1,2,…,D},k∈{1,2,…,N/2},k为随机生成且k≠i,为[-1,1]之间的随机数。
④若雇佣蜂的蜜源信息在limit次迭代中均没有改进时,便放弃该蜜源,并且将该蜜源记录在禁忌表中,同时该蜜源对应的雇用蜂转变为侦查蜂,随机产生一个新的位置代替原蜜源;
⑤重复以上②-④步骤不断迭代,直到达到算法终止条件,得到优化后的特征集。
(3)GBDT算法训练并建立农作物的病害关联模型
①模型输入为:给定损失函数为均方差损失函数,决策树个数为M,经蜂群算法优化后的特征数K;
②对损失函数作线性变换,求得残差减少的梯度方向,并构建新的决策树。通过M次迭代构建出基于梯度渐进回归树模型的病害关联模型F。
如图2所示,作物病害诊断和预警具体步骤如下:
(1)建立由作物生境墒情监测单元、zigbee协调器、zigbee路由器组成的无线传感器网络;其中作物生境墒情监测单元由太阳能光伏板、蓄电池、传感器、微处理器、zigbee通信模块、高增益天线通过集成电路板和电缆连接组成。传感器包括图像传感器、土壤温度传感器、湿度传感器、PH值传感器、光照强度传感器、日照时数传感器、降水量传感器。
(2)以上述无线传感器网络中的作物生境墒情监测单元作为源节点进行作物生境墒情数据的采集,并以组播方式分发数据包至分布式服务器集群端,所述作物生境墒情和图像数据包括作物图像、土壤温度、土壤湿度、PH值、光照强度、日照时数、降水量等18种单项因子数据。
(3)服务端对监测单元上传的图像和墒情数据经特征提取和优化选择后,生成预测特征集。特征提取和优化方法同上一致。
(4)将预测特征集代入病害关联模型F,得出分类结果,匹配诊断病害种类,生成病害发生趋势模型,计算出危害等级,并将数据实时存入服务器端数据库中。
(5)若计算得出的病害发生危害等级达到警戒阈值,则服务端自动将农作物病害种类、发生趋势、危害等级以及防治方法等信息实时传送给手机终端和电脑终端。
本发明通过该诊断预警方法,获取农作物的图像数据和相关墒情数据,经蜂群算法优化特征集后采用GBDT算法训练生成病害关联模型,增强了病害诊断的准确性和召回率;通过无线传感网络的实时信息传输,可实时处理数据,实现病害的自动预测预警,一定程度上拓展预警时间范围,进一步降低诊断预警的时间复杂度。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (9)
1.基于蜂群与梯度提升决策树算法农作物病害诊断预警方法,其特征在于:其方法步骤为:
(1)对服务器端病害库中的病害信息提取相应特征,即图像特征、墒情特征、图像—墒情特征,使用引入位置偏移的蜂群算法优化特征选择,利用GBDT算法训练并建立作物的病害关联模型;
(2)在农作物种植区域布置无线传感器网络数据采集单元,数据采集单元通过无线通信网络将叶片图像数据和墒情数据以单播方式上传至服务器;
(3)将数据采集单元上传的图像数据和墒情数据经特征提取、优化选择后,运用病害关联模型进行相似性计算,诊断病害的种类及预测病害发生趋势;
(4)若计算得出病害发生趋势和危害等级达到警戒阈值,服务器端将启动自动报警提示,同时将病害特征信息写入农作物叶片病害案例知识库中。
2.如权利要求1所述的基于蜂群与梯度提升决策树算法农作物病害诊断预警方法,其特征在于:步骤(1)中所述的提取相应特征指,利用区间缩放法和哑编码方法处理原始作物生境墒情数据,将其转换成向量数据;利用颜色直方图,并对HSV空间中的H、S、V按照人的颜色感知进行非均匀量化,合成为一维特征量Lb=9H+3S+V,(0≤b≤71)提取相应颜色特征;采用灰度共生矩阵,将灰度级归并为G={1,2,…,Ng},其中最高灰度级别为Ng,得到图像的灰度共生矩阵的元素,从而得到需提取的纹理特征参数。
3.如权利要求1所述的基于蜂群与梯度提升决策树算法农作物病害诊断预警方法,其特征在于:步骤(1)中所述的图像特征、墒情特征、图像—墒情特征包括多个特征,其中图像特征主要指图像颜色和纹理特征;墒情特征主要包括温度特征、湿度特征、PH值特征、光照强度特征、日照时数特征、降水量特征及其他组合特征;图像—墒情特征则为图像特征和墒情特征的组合。
4.如权利要求1所述的基于蜂群与梯度提升决策树算法农作物病害诊断预警方法,其特征在于:步骤(1)中所述的使用引入位置偏移的蜂群算法优化特征选择包括以下步骤:
(5)初始特征提取后得到初始特征集{L1,L2,…,LN},即蜂群算法初始解区间。为了清晰地表明算法特征优化过程,特引入二进制编码,采用一维二值细胞自动机模型表示,初始化后,雇佣蜂从初始蜜源点出发搜索遍历蜜源,若被观察蜂所选择,则从细胞状态集合中选择1,否则为0,得到初步可行解;
(6)初始化蜂群总数量N,其中雇佣蜂数量设为N/2,其余均为跟随蜂,所有雇佣蜂在解区间随机选中一个蜜源,计算当前食物源收益率fit;
(7)雇佣蜂记录自己到目前为止的最优值,并在当前蜜源的邻域进行搜索,选取新的食物源,计算新蜜源的收益率,依据约束条件决定是否接受新蜜源;雇佣蜂招募跟随蜂时,通过引入蜜源位置偏移量改进跟随蜂选择雇佣蜂的概率,为蜜源点招募尽可能多的跟随蜂;
(8)若雇佣蜂的蜜源信息在limit次迭代中均没有改进时,便放弃该蜜源,并且将该蜜源记录在禁忌表中,同时该蜜源对应的雇用蜂转变为侦查蜂,随机产生一个新的位置代替原蜜源;
(9)重复以上(6)-(8)步骤不断迭代,直到达到算法终止条件,得到优化后的特征集。
5.如权利要求1所述的基于蜂群与梯度提升决策树算法农作物病害诊断预警方法,其特征在于:步骤(1)中所述的利用GBDT算法训练并建立农作物的病害关联模型的具体步骤为:
(10)模型输入为:给定损失函数为均方差损失函数,决策树个数为M,经蜂群算法优化后的特征数K;
(11)对损失函数作线性变换,求得残差减少的梯度方向,并构建新的决策树,通过M次迭代构建出基于梯度渐进回归树模型的病害关联模型。
6.如权利要求1所述的基于蜂群与梯度提升决策树算法农作物病害诊断预警方法,其特征在于:步骤(3)中所述运用病害关联模型进行预测,诊断病害种类及预测是否会发生的具体做法是:将数据采集单元上传的图像数据和墒情数据经特征提取和蜂群算法优化后得到特征数据集,利用步骤(1)中生成的病害关联模型进行相似性计算,诊断病害的种类及预测是否会发生。
7.如权利要求1所述的基于蜂群与梯度提升决策树算法农作物病害诊断预警方法,其特征在于:步骤(4)中所述服务器端自动报警提示主要表现为:手机端和电脑接收提示、警示灯闪烁。
8.如权利要求1所述的基于蜂群与梯度提升决策树算法农作物病害诊断预警方法,其特征在于:步骤(4)中所述将信息写入相应病害库中,进一步包括:将病害名称、病害图片、病害时间、病害时土壤温度、病害时土壤湿度、病害时日照时数和病害时降水量数据写入服务器端MySQL数据库中。
9.如权利要求1所述的基于蜂群与梯度提升决策树算法农作物病害诊断预警方法,其特征在于:无线通信网络可自适应采用有线或GPRS/GSM/3G/4G/WiFi网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710834223.1A CN107622236B (zh) | 2017-09-15 | 2017-09-15 | 基于蜂群与梯度提升决策树算法农作物病害诊断预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710834223.1A CN107622236B (zh) | 2017-09-15 | 2017-09-15 | 基于蜂群与梯度提升决策树算法农作物病害诊断预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107622236A true CN107622236A (zh) | 2018-01-23 |
CN107622236B CN107622236B (zh) | 2020-12-04 |
Family
ID=61089756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710834223.1A Active CN107622236B (zh) | 2017-09-15 | 2017-09-15 | 基于蜂群与梯度提升决策树算法农作物病害诊断预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107622236B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109101946A (zh) * | 2018-08-27 | 2018-12-28 | Oppo广东移动通信有限公司 | 一种图像特征的提取方法、终端设备及存储介质 |
CN110929888A (zh) * | 2019-11-06 | 2020-03-27 | 南京财经大学 | 一种基于随机紧凑高斯核函数的粮食作物病害预测方法 |
CN111832653A (zh) * | 2019-07-17 | 2020-10-27 | 山东电工电气集团有限公司 | 基于XGboost算法的避雷器缺陷诊断方法及系统 |
CN112308289A (zh) * | 2020-09-29 | 2021-02-02 | 北京农业信息技术研究中心 | 水稻产量预测方法及装置 |
CN112541076A (zh) * | 2020-11-09 | 2021-03-23 | 北京百度网讯科技有限公司 | 目标领域的扩充语料生成方法、装置和电子设备 |
CN112579847A (zh) * | 2019-09-30 | 2021-03-30 | 北京国双科技有限公司 | 生产数据的处理方法和装置、存储介质及电子设备 |
CN112883822A (zh) * | 2021-01-28 | 2021-06-01 | 广东技术师范大学 | 集预测与预防为一体的病虫害预测位置分析方法和装置 |
CN116503027A (zh) * | 2023-06-27 | 2023-07-28 | 成都智达万应科技有限公司 | 一种公路资产智能化管理系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102789579A (zh) * | 2012-07-26 | 2012-11-21 | 同济大学 | 基于计算机视觉技术的温室作物水肥胁迫状态识别方法 |
CN102945376A (zh) * | 2012-09-28 | 2013-02-27 | 北京农业信息技术研究中心 | 一种农作物病害的诊断方法 |
CN106650914A (zh) * | 2016-12-15 | 2017-05-10 | 东华大学 | 一种基于人工蜂群算法的数据特征选择方法 |
CN106777891A (zh) * | 2016-11-21 | 2017-05-31 | 中国科学院自动化研究所 | 一种数据特征选择和预测方法及装置 |
-
2017
- 2017-09-15 CN CN201710834223.1A patent/CN107622236B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102789579A (zh) * | 2012-07-26 | 2012-11-21 | 同济大学 | 基于计算机视觉技术的温室作物水肥胁迫状态识别方法 |
CN102945376A (zh) * | 2012-09-28 | 2013-02-27 | 北京农业信息技术研究中心 | 一种农作物病害的诊断方法 |
CN106777891A (zh) * | 2016-11-21 | 2017-05-31 | 中国科学院自动化研究所 | 一种数据特征选择和预测方法及装置 |
CN106650914A (zh) * | 2016-12-15 | 2017-05-10 | 东华大学 | 一种基于人工蜂群算法的数据特征选择方法 |
Non-Patent Citations (1)
Title |
---|
程美英等: "基于生命周期的二元蚁群优化算法", 《模式识别与人工智能》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109101946A (zh) * | 2018-08-27 | 2018-12-28 | Oppo广东移动通信有限公司 | 一种图像特征的提取方法、终端设备及存储介质 |
CN111832653A (zh) * | 2019-07-17 | 2020-10-27 | 山东电工电气集团有限公司 | 基于XGboost算法的避雷器缺陷诊断方法及系统 |
CN112579847A (zh) * | 2019-09-30 | 2021-03-30 | 北京国双科技有限公司 | 生产数据的处理方法和装置、存储介质及电子设备 |
CN110929888A (zh) * | 2019-11-06 | 2020-03-27 | 南京财经大学 | 一种基于随机紧凑高斯核函数的粮食作物病害预测方法 |
CN112308289A (zh) * | 2020-09-29 | 2021-02-02 | 北京农业信息技术研究中心 | 水稻产量预测方法及装置 |
CN112541076A (zh) * | 2020-11-09 | 2021-03-23 | 北京百度网讯科技有限公司 | 目标领域的扩充语料生成方法、装置和电子设备 |
CN112541076B (zh) * | 2020-11-09 | 2024-03-29 | 北京百度网讯科技有限公司 | 目标领域的扩充语料生成方法、装置和电子设备 |
CN112883822A (zh) * | 2021-01-28 | 2021-06-01 | 广东技术师范大学 | 集预测与预防为一体的病虫害预测位置分析方法和装置 |
CN116503027A (zh) * | 2023-06-27 | 2023-07-28 | 成都智达万应科技有限公司 | 一种公路资产智能化管理系统 |
CN116503027B (zh) * | 2023-06-27 | 2024-01-19 | 成都智达万应科技有限公司 | 一种公路资产智能化管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107622236B (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107622236A (zh) | 基于蜂群与梯度提升决策树算法农作物病害诊断预警方法 | |
Chouhan et al. | Applications of computer vision in plant pathology: a survey | |
Dhingra et al. | Study of digital image processing techniques for leaf disease detection and classification | |
Seng et al. | Computer vision and machine learning for viticulture technology | |
Aquino et al. | Automated early yield prediction in vineyards from on-the-go image acquisition | |
Sannakki et al. | Diagnosis and classification of grape leaf diseases using neural networks | |
Vamsidhar et al. | Plant disease identification and classification using image processing | |
Abdalla et al. | Nutrient status diagnosis of infield oilseed rape via deep learning-enabled dynamic model | |
Ahmed et al. | Plant disease detection using machine learning approaches | |
CN111161362B (zh) | 一种茶树生长状态光谱影像鉴别方法 | |
Sharma et al. | RETRACTED ARTICLE: SVM-based compliance discrepancies detection using remote sensing for organic farms | |
CN107563389A (zh) | 一种基于深度学习的农作物病害识别方法 | |
CN102945376A (zh) | 一种农作物病害的诊断方法 | |
Villaseñor-Aguilar et al. | Fuzzy classification of the maturity of the tomato using a vision system | |
Verma et al. | Prediction of diseased rice plant using video processing and LSTM-simple recurrent neural network with comparative study | |
Ji et al. | In-field automatic detection of maize tassels using computer vision | |
CN113297925A (zh) | 一种果蔬全链条质量智能预警方法及系统 | |
Petrellis | Mobile application for plant disease classification based on symptom signatures | |
Devi et al. | Web enabled paddy disease detection using Compressed Sensing | |
Huang et al. | Segmentation on ripe Fuji apple with fuzzy 2D entropy based on 2D histogram and GA optimization | |
Rai et al. | Classification of diseased cotton leaves and plants using improved deep convolutional neural network | |
CN117496356A (zh) | 农业人工智能作物检测方法及系统 | |
Sosa et al. | An algorithm for detection of nutritional deficiencies from digital images of coffee leaves based on descriptors and neural networks | |
Hacking et al. | Vineyard yield estimation using 2-D proximal sensing: A multitemporal approach | |
Rezk et al. | An efficient IoT based framework for detecting rice disease in smart farming system |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |