CN108921849A - 用于防治沃柑病虫害的智慧农业监控预警系统 - Google Patents
用于防治沃柑病虫害的智慧农业监控预警系统 Download PDFInfo
- Publication number
- CN108921849A CN108921849A CN201811162148.XA CN201811162148A CN108921849A CN 108921849 A CN108921849 A CN 108921849A CN 201811162148 A CN201811162148 A CN 201811162148A CN 108921849 A CN108921849 A CN 108921849A
- Authority
- CN
- China
- Prior art keywords
- pest
- mandarin orange
- fertile
- picture
- disease damage
- 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
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 102
- 241001672694 Citrus reticulata Species 0.000 title claims abstract description 70
- 201000010099 disease Diseases 0.000 title claims abstract description 69
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 69
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 238000010191 image analysis Methods 0.000 claims abstract description 34
- 238000004891 communication Methods 0.000 claims abstract description 11
- 241000238631 Hexapoda Species 0.000 claims abstract description 8
- 230000007613 environmental effect Effects 0.000 claims description 15
- 239000002420 orchard Substances 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 239000002689 soil Substances 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000010295 mobile communication Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 239000002023 wood Substances 0.000 description 4
- 238000000034 method Methods 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 241001517923 Douglasiidae Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 208000031888 Mycoses Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 210000000582 semen Anatomy 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/12—Messaging; Mailboxes; Announcements
- H04W4/14—Short messaging services, e.g. short message services [SMS] or unstructured supplementary service data [USSD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Mining & Mineral Resources (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明公开了一种用于防治沃柑病虫害的智慧农业监控预警系统，涉及沃柑树种植技术领域，包括设置在沃柑种植地的沃柑树群上方的多个摄像头，每个摄像头的输入端通过电机与设置在沃柑种植地的本地控制器连接，摄像头的输出端与本地控制器连接，本地控制器还通过无线通信模块与图像分析处理器连接，图像分析处理器与显示器和/或输入设备连接。本发明以在沃柑树种植地设置采集器以及对采集到的信息进行处理来实现获取沃柑树的病虫害信息，以便及时对该病虫害信息进行预防和治理。
Description
技术领域
本发明涉及一种智慧农业监测技术，特别涉及一种用于防治沃柑病虫害的智慧农业监控预警系统。
背景技术
沃柑，与沃柑同属，作为农业经济的一种产业，主要在我国的南方种植，尤其是近些年，沃柑树的种植结为果实后为部分省市带来的丰硕的收益，带动了当地经济的发展。但由于沃柑种植的大面积兴起，沃柑种植过程中的管理弊端日益凸显。
沃柑在种植管理过程稍有不慎，就会引发病虫害，由于很多果园都是连着一大片的，若不及时发现、尽早处理将会导致不可收拾的场面。沃柑常见的病虫害有溃疡病、黄龙病、炭疽病、潜叶蛾和沃柑木虱，其中溃疡病和黄龙病属于细菌病害，且黄龙病被誉为沃柑产业的头号杀手，目前为止还没有能够彻底治愈的药物，主要通过木虱传播，还可通过嫁接、带病接穗、苗木及菟丝子传播；炭疽病属真菌病害，高温多湿条件下易发病；沃柑木虱是黄龙病传播的媒介昆虫，主要吸食幼芽和嫩叶。从上述病虫害的特性不难看出，危害大的病虫害的发生除了与果园现场当前的环境温度、土壤湿度、pH值等环境参数有关，还与媒介昆虫(例如沃柑木虱)、病菌花粉等其他介质来进行传播蔓延。而上述传播介质从常规的环境参数中无法作出判断，更多的是获取沃柑树上实时的状况(例如有无潜叶蛾出入痕迹等)。因此，病虫害的爆发或发生前能够根据获知的环境参数和其他相关参数来进行预判，并针对预判结果采取措施来进行防治，可大大降低病虫害灾害带来的损失。
现有的沃柑树种植地多块沃柑种植地，每块种植地上种植有多棵沃柑树，现有的沃柑树的病虫害防治方式是通过人工对每块沃柑种植地的沃柑树进行抽样检查，以此来判断该片沃柑种植地的沃柑树是否受到病虫的侵害。这种人工监控方式存在的缺点在于：1.只适合于小面积的种植，不适用大面积种植；2.抽样检查的方式以偏概全的情况较高，不能准确地掌握整片沃柑种植地的病虫害状况，容易漏检而造成病虫害扩散的隐患。
发明内容
本发明的发明目的是，针对上述问题，提供一种用于防治沃柑病虫害的智慧农业监控预警系统，它通过远程监控端对沃柑种植地里的沃柑树进行远程监控，既能扩大沃柑树的监控范围，还能提供准确地识别出具体的沃柑树存在病虫害的模型，达到精准管理与防治的作用。
为达到上述目的，本发明通过一下技术方案实现：
用于防治沃柑病虫害的智慧农业监控预警系统，包括作为果园现场参数采集终端的采集模块和作为远程数据处理与分析终端的分析模块，
所述采集模块设置在沃柑果园内的监测点，所述采集模块包括环境数据采集模块和图像采集模块，所述环境数据采集模块用于获取引发沃柑病虫害的控制因素数据，所述图像采集模块用于获取沃柑树的实时图像数据；
所述分析模块，包括数据接收单元、虫害预测单元和图像分析处理器，所述数据接收单元通过无线通信模块与所述采集模块连接，用以将环境数据采集模块发来的控制因素数据传输给虫害预测单元；所述图像分析处理器通过无线通信模块与图像采集模块连接，用以将发来的实时图像数据进行存储、比较和分析处理后发送至虫害预测单元上；所述虫害预测单元基于卷积神经网络模型构建病虫害预测模型，所述病虫害预测模型以发来的所述控制因素数据和图像数据作为训练测试集，并不断进行深度学习，得到最终优化参数后的神经网络虫害预测模型，当所述神经网络虫害预测模型接收数据接收单元和图像分析处理器发来的数据和图片后则对应输出预测结果，所述预测结果对应生成控制指令，所述控制指令包括无风险指令和有风险指令，若为无风险指令则采集模块继续采集、系统循环运行，若为有风险指令则发出预警声音并通过网络移动通信模块以短信的形式发送至移动报警终端上。
作为优选实施方式，所述图像采集模块包括本地控制器、GPS定位芯片和设置在沃柑果园内的监测点的沃柑树群上方的多个摄像头，
各摄像头对应连接有作为驱动装置的电机，所述摄像头的输出端与本地控制器连接，用于拍摄所述沃柑树群中的每棵沃柑树的图片，并发送给本地控制器；所述GPS定位芯片连接在本地控制器的输入端上，用以获取本地控制器的地理位置信息；所述本地控制器的输出端通过无线通信模块与图像分析处理器连接，用以对所述摄像头拍摄得到的图片依次按照编码存储，一个编码对应一棵沃柑树；所述电机由本地控制器控制，用于驱动所述摄像头的拍摄角度以获取多角度图片。
作为优选实施方式，所述电机可以为步进电机，所述摄像头为自动聚焦的CCD摄像头。
作为优选实施方式，所述本地控制器可包括单片机、电机驱动电路和存储器，所述单片机分别与电机驱动电路和存储器连接，所述电机驱动电路分别与各个电机上安装有的电机控制器连接，用以接收单片机发出信号并分别控制对应电机、以驱动所述摄像头依次转动至所述沃柑树的拍摄点进行拍照。
作为优选实施方式，所述图像分析处理器连接可有输入设备，所述图像分析处理器通过所述输入设备对图片处理的步骤如下：
1)选取长势健壮、无病虫的至少一棵沃柑树的图片进行处理，建立训练模型，获得训练后的参考RGB和HSL值，并设定病虫害风险阈值；
2)对存储的图片进行处理：对每棵沃柑树对应的图片进行网格化，获取每个网格的RGB和HSL值，取所有网格的RGB和HSL值的平均数，得到每棵沃柑树对应的图片的具体RGB和HSL值；
3)通过将具体RGB和HSL值与参考RGB和HSL值进行比较，若所述具体RGB和HSL值在所述参考RGB和HSL值范围内的，则对应的沃柑树判断为健壮；若所述具体RGB和HSL值在所述参考RGB和HSL值范围外的，则对应的沃柑树判断为存在病虫害；
4)分别统计健壮的沃柑树的图片数量和存在病虫害沃柑树的图片数量且将有病虫害的沃柑树图片的对应编码进行标识与记录，并计算出病虫害沃柑树占发来的图片总数的比例，得病虫害图片比例，若病虫害图片比例大于设定的病虫害风险阈值则向虫害预测单元发送风险信息。
作为优选实施方式，所述图像分析处理器对每张图片的网格化进行处理，获得每张图片的网格的空白占比，通过所述空白占比获取每张图片对应的沃柑树的叶子的疏密度，所述疏密度通过以下公式获得：
T＝(T1+T2+…+Ti)/I；
其中，T为疏密度，Ti为每个网格的空白占比，i为网格数；Ti通过以下公式获得：
Ti＝(S1+S2+…+Si)/S；
其中,Si为网格中的空白面积，S为每张图片的总面积；每个网格的空白面积通过所述图像分析处理器对每个网格取点提取颜色，白色部分用0表示，非白色部分用1表示，通过计算0和1的总数量，再计算0的比例从而得到空白占比；每张图片的总面积通过提取图片的轮廓后计算获得。
作为优选实施方式，所述环境数据采集模块可包括多组控制传感器单元，每一组控制传感器单元包括空气温度传感器、空气湿度传感器、风速传感器、土壤温度传感器和土壤湿度传感器。
作为优选实施方式，所述摄像头与所述沃柑树顶部的距离大于2米。
本发明的有益效果为：
1、本发明通过摄像头来拍摄果园中各棵沃柑树的实时图片，并通过设置的图像分析处理器来进行分析和处理(从图片中的RGB和HSL值可识别出树上是否有媒介昆虫等引发病虫害的图像因素)，可以在作为远程终端上的分析模块中获得每棵沃柑树的生长状况以及病虫害情况，实现精准监控，避免错漏而引起病虫害还扩张侵袭，做到有效防治。
2、本发明通过对每棵沃柑树进行编码，并由本地控制器上的GPS定位芯片来进行识别，实现多块种植地同时监控，扩大种植范围，提高识别的准确度。
3、本发明通过对于获取的图片由图像分析处理器以及结合输入设备的使用，首先建立训练模型识别出长势差的、存在病虫害的沃柑树图片，并计算出存在病虫害沃柑树图片占总图片树的比例，由虫害预测单元的控制参数数据来得到最终的预测结果，使果农们能进行有针对性地防治；通过更新接收到的图片来更新训练模型的参考RGB和HSL值，以便随着时间和季节的不同得到不同的参考RGB和HSL值，提高识别的准确性。
4、本发明通过图片的空白占比得到沃柑树的疏密度，通过疏密度判断沃柑树是否需要对沃柑树进行裁剪通风，以减少病虫害的产生，达到预防的目的。
5、本发明的虫害预测单元基于卷积神经网络来建立神经网络病虫害模型，通过对以发来的所述控制因素数据和图像数据作为训练测试集，并不断进行深度学习，得到最终优化参数后的神经网络虫害预测模型，当所述神经网络虫害预测模型接收数据接收单元和图像分析处理器发来的数据和图片后则对应输出预测结果，以预测出沃柑果园内是否存在病虫害发生的风险，当突发情况发生时，通过改变环境数据采集模块的控制因素数据和输入设备上的识别指标来进行适应性改善且神经网络虫害预测模型随着数据的不断积累与训练将使输出结果更加精确，智能化程度高。
附图说明
图1为本发明的组成系统框图。
图2为所述图像采集模块的组成框图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步的解释和说明。
如图1所示，用于防治沃柑病虫害的智慧农业监控预警系统，包括作为果园现场参数采集终端的采集模块和作为远程数据处理与分析终端的分析模块。
其中，所述采集模块设置在沃柑果园内的监测点，所述采集模块包括环境数据采集模块和图像采集模块。所述环境数据采集模块用于获取引发沃柑病虫害的控制因素数据。进一步地，所述环境数据采集模块可包括多组控制传感器单元，每一组控制传感器单元包括空气温度传感器、空气湿度传感器、风速传感器、土壤温度传感器和土壤湿度传感器。所述控制因素数据为空气温度、空气湿度、土壤温度和土壤湿度。
如图2所示，所述图像采集模块用于获取沃柑树的实时图像数据。包括本地控制器、GPS定位芯片和设置在沃柑果园内的监测点的沃柑树群上方的多个摄像头。本实施例中，所述摄像头为自动聚焦的CCD摄像头，为了拍到更清晰的图像，所述摄像头与所述沃柑树顶部的距离大于2米。各摄像头对应连接有作为驱动装置的电机，所述电机为步进电机。所述摄像头的输出端与本地控制器连接，用于拍摄所述沃柑树群中的每棵沃柑树的图片，并发送给本地控制器。所述GPS定位芯片连接在本地控制器的输入端上，用以获取本地控制器的地理位置信息。所述本地控制器的输出端通过无线通信模块与图像分析处理器连接，用以对所述摄像头拍摄得到的图片依次按照编码存储，一个编码对应一棵沃柑树。所述电机由本地控制器控制，用于驱动所述摄像头的拍摄角度以获取多角度图片。
进一步地，所述本地控制器可包括单片机、电机驱动电路和存储器。所述单片机分别与电机驱动电路和存储器连接，所述电机驱动电路分别与各个电机上安装有的电机控制器连接，用以接收单片机发出信号并分别控制对应电机、以驱动所述摄像头依次转动至所述沃柑树的拍摄点进行拍照。
所述分析模块，包括数据接收单元、虫害预测单元和图像分析处理器。所述数据接收单元通过无线通信模块与所述采集模块连接，用以将环境数据采集模块发来的控制因素数据传输给虫害预测单元。所述图像分析处理器通过无线通信模块与图像采集模块连接，用以将发来的实时图像数据进行存储、比较和分析处理后发送至虫害预测单元上。所述虫害预测单元基于卷积神经网络模型构建病虫害预测模型，所述病虫害预测模型以发来的所述控制因素数据和图像数据作为训练测试集，并不断进行深度学习，得到最终优化参数后的神经网络虫害预测模型，当所述神经网络虫害预测模型接收数据接收单元和图像分析处理器发来的数据和图片后则对应输出预测结果，所述预测结果对应生成控制指令，所述控制指令包括无风险指令和有风险指令，若为无风险指令则采集模块继续采集、系统循环运行，若为有风险指令则发出预警声音并通过网络移动通信模块以短信的形式发送至移动报警终端上。所述移动报警终端为可进行联网的智能移动手机。
所述图像分析处理器连接可有输入设备，所述图像分析处理器通过所述输入设备对图片处理的步骤如下：
1)选取长势健壮、无病虫的至少一棵沃柑树的图片进行处理，建立训练模型，获得训练后的参考RGB和HSL值，并设定病虫害风险阈值；
2)对存储的图片进行处理：对每棵沃柑树对应的图片进行网格化，获取每个网格的RGB和HSL值，取所有网格的RGB和HSL值的平均数，得到每棵沃柑树对应的图片的具体RGB和HSL值；
3)通过将具体RGB和HSL值与参考RGB和HSL值进行比较，若所述具体RGB和HSL值在所述参考RGB和HSL值范围内的，则对应的沃柑树判断为健壮；若所述具体RGB和HSL值在所述参考RGB和HSL值范围外的，则对应的沃柑树判断为存在病虫害；
4)分别统计健壮的沃柑树的图片数量和存在病虫害沃柑树的图片数量且将有病虫害的沃柑树图片的对应编码进行标识与记录，并计算出病虫害沃柑树占发来的图片总数的比例，得病虫害图片比例，若病虫害图片比例大于设定的病虫害风险阈值则向虫害预测单元发送风险信息。
进一步地，所述图像分析处理器对每张图片的网格化进行处理，获得每张图片的网格的空白占比，通过所述空白占比获取每张图片对应的沃柑树的叶子的疏密度，所述疏密度通过以下公式获得：
T＝(T1+T2+…+Ti)/I；
其中，T为疏密度，Ti为每个网格的空白占比，i为网格数；Ti通过以下公式获得：
Ti＝(S1+S2+…+Si)/S；
其中,Si为网格中的空白面积，S为每张图片的总面积；每个网格的空白面积通过所述图像分析处理器对每个网格取点提取颜色，白色部分用0表示，非白色部分用1表示，通过计算0和1的总数量，再计算0的比例从而得到空白占比；每张图片的总面积通过提取图片的轮廓后计算获得。
本发明的工作流程如下：
本地控制器通过电机驱动电路启动各个电机，电机驱动对应的摄像头工作，分布在沃柑树群上方的第一摄像头，第二摄像头，…，第N摄像头对所覆盖的沃柑树拍照，拍照的方向从沃柑树的顶部进行，第一电机驱动第一摄像头，第二电机驱动第二摄像头，…，第N电机驱动第N摄像头，下表为本地控制器的输出信号控制的举例：本地控制器的输出与电机输入连接，根据摄像头的数量设定二进制信号输出的长度：
| 本地控制器信号 | 第一电机驱动第一摄像头 | 第二电机驱动第二摄像头 | 第N电机驱动第N摄像头 |
| 000001 | 拍摄 | / | / |
| 000010 | 步进转动角度 | / | / |
| 000011 | 反方向步进转动角度 | / | / |
| 100001 | / | 拍摄 | / |
| 100010 | / | 步进转动角度 | / |
| 100011 | / | 反方向步进转动角度 | / |
| 111101 | / | / | 拍摄 |
| 111110 | / | / | 步进转动角度 |
| 111111 | / | / | 反方向步进转动角度 |
表1
1)本地控制器将摄像头依次拍摄的图片按照编码存储，每个或每组编码对应一棵沃柑树；本地控制器将存储的图片通过无线通信模块发送到图像分析处理器，通过输入设备在图像分析处理器端选取长势健壮、无病虫的至少一棵沃柑树的图片进行处理，建立训练模型，获得训练后的参考RGB和HSL值,其中，RGB为红色(R)、绿色(G)、蓝色(B)的缩写：HSL为色相(H)、饱和度(S)、明度(L)的缩写。图像分析处理器5对存储的图片进行处理：将每棵沃柑树对应的图片进行网格化，获取每个网格的RGB和HSL值，取所有网格的RGB和HSL值的平均数，获取每棵沃柑树对应的图片的具体RGB和HSL值，通过比较器将具体RGB和HSL值与参考RGB和HSL值进行比较，如果具体RGB和HSL值在参考RGB和HSL值范围内的，则对应的沃柑树判断为健壮，如果具体RGB和HSL值在参考RGB和HSL值范围外的，则对应的沃柑树判断为存在病虫害。
2)所述虫害预测单元基于卷积神经网络模型构建病虫害预测模型，所述病虫害预测模型以发来的所述控制因素数据和图像数据作为训练测试集，并不断进行深度学习，得到最终优化参数后的神经网络虫害预测模型。当所述神经网络虫害预测模型接收数据接收单元和图像分析处理器发来的数据和图片后则对应输出预测结果，所述预测结果对应生成控制指令，所述控制指令包括无风险指令和有风险指令，若为无风险指令则采集模块继续采集、系统循环运行，若为有风险指令则发出预警声音并通过网络移动通信模块以短信的形式发送至移动报警终端上，即可实现病虫害的预警与防治工作。
3)图像分析处理器对每张图片的网格化进行处理，获得每张图片的网格的空白占比，通过该空白占比获取每张图片对应的沃柑树的叶子的疏密度，该疏密度通过以下公式获得：
T＝(T1+T2+…+Ti)/i；
其中，T为疏密度，T1,T2，…Ti为每个网格的空白占比，i为网格数；Ti通过以下公式获得：
Ti＝(S1+S2+…+Si)/S；
其中,S1，S2，…Si为每个网格中的空白面积，S为每张图片的总面积；每个网格的空白面积通过所述图像分析处理器对每个网格取点提取颜色，白色部分用0表示，非白色部分用1表示，通过计算0和1的总数量，再计算0的比例从而得到空白占比；每张图片的总面积通过提取图片的轮廓后计算该轮廓所围成的面积获得，计算面积的算法为现有技术。
上述说明是针对本发明较佳可行实施例的详细说明，但实施例并非用以限定本发明的专利申请范围，凡本发明所提示的技术精神下所完成的同等变化或修饰变更，均应属于本发明所涵盖专利范围。
Claims (8)
1.用于防治沃柑病虫害的智慧农业监控预警系统，包括作为果园现场参数采集终端的采集模块和作为远程数据处理与分析终端的分析模块，其特征在于：
所述采集模块设置在沃柑果园内的监测点，所述采集模块包括环境数据采集模块和图像采集模块，所述环境数据采集模块用于获取引发沃柑病虫害的控制因素数据，所述图像采集模块用于获取沃柑树的实时图像数据；
所述分析模块，包括数据接收单元、虫害预测单元和图像分析处理器，所述数据接收单元通过无线通信模块与所述采集模块连接，用以将环境数据采集模块发来的控制因素数据传输给虫害预测单元；所述图像分析处理器通过无线通信模块与图像采集模块连接，用以将发来的实时图像数据进行存储、比较和分析处理后发送至虫害预测单元上；所述虫害预测单元基于卷积神经网络模型构建病虫害预测模型，所述病虫害预测模型以发来的所述控制因素数据和图像数据作为训练测试集，并不断进行深度学习，得到最终优化参数后的神经网络虫害预测模型，当所述神经网络虫害预测模型接收数据接收单元和图像分析处理器发来的数据和图片后则对应输出预测结果，所述预测结果对应生成控制指令，所述控制指令包括无风险指令和有风险指令，若为无风险指令则采集模块继续采集、系统循环运行，若为有风险指令则发出预警声音并通过网络移动通信模块以短信的形式发送至移动报警终端上。
2.根据权利要求1所述的用于防治沃柑病虫害的智慧农业监控预警系统，其特征在于：图像采集模块包括本地控制器、GPS定位芯片和设置在沃柑果园内的监测点的沃柑树群上方的多个摄像头，
各摄像头对应连接有作为驱动装置的电机，所述摄像头的输出端与本地控制器连接，用于拍摄所述沃柑树群中的每棵沃柑树的图片，并发送给本地控制器；所述GPS定位芯片连接在本地控制器的输入端上，用以获取本地控制器的地理位置信息；所述本地控制器的输出端通过无线通信模块与图像分析处理器连接，用以对所述摄像头拍摄得到的图片依次按照编码存储，一个编码对应一棵沃柑树；所述电机由本地控制器控制，用于驱动所述摄像头的拍摄角度以获取多角度图片。
3.根据权利要求2所述的用于防治沃柑病虫害的智慧农业监控预警系统，其特征在于：所述电机为步进电机，所述摄像头为自动聚焦的CCD摄像头。
4.根据权利要求2所述的用于防治沃柑病虫害的智慧农业监控预警系统，其特征在于：所述本地控制器包括单片机、电机驱动电路和存储器，所述单片机分别与电机驱动电路和存储器连接，所述电机驱动电路分别与各个电机上安装有的电机控制器连接，用以接收单片机发出信号并分别控制对应电机、以驱动所述摄像头依次转动至所述沃柑树的拍摄点进行拍照。
5.根据权利要求1所述的用于防治沃柑病虫害的智慧农业监控预警系统，其特征在于：所述图像分析处理器连接有输入设备，所述图像分析处理器通过所述输入设备对图片处理的步骤如下：
1)选取长势健壮、无病虫的至少一棵沃柑树的图片进行处理，建立训练模型，获得训练后的参考RGB和HSL值，并设定病虫害风险阈值；
2)对存储的图片进行处理：对每棵沃柑树对应的图片进行网格化，获取每个网格的RGB和HSL值，取所有网格的RGB和HSL值的平均数，得到每棵沃柑树对应的图片的具体RGB和HSL值；
3)通过将具体RGB和HSL值与参考RGB和HSL值进行比较，若所述具体RGB和HSL值在所述参考RGB和HSL值范围内的，则对应的沃柑树判断为健壮；若所述具体RGB和HSL值在所述参考RGB和HSL值范围外的，则对应的沃柑树判断为存在病虫害；
4)分别统计健壮的沃柑树的图片数量和存在病虫害沃柑树的图片数量且将有病虫害的沃柑树图片的对应编码进行标识与记录，并计算出病虫害沃柑树占发来的图片总数的比例，得病虫害图片比例，若病虫害图片比例大于设定的病虫害风险阈值则向虫害预测单元发送风险信息。
6.根据权利要求5所述的用于防治沃柑病虫害的智慧农业监控预警系统，其特征在于：所述图像分析处理器对每张图片的网格化进行处理，获得每张图片的网格的空白占比，通过所述空白占比获取每张图片对应的沃柑树的叶子的疏密度，所述疏密度通过以下公式获得：
T＝(T1+T2+…+Ti)/I；
其中，T为疏密度，Ti为每个网格的空白占比，i为网格数；Ti通过以下公式获得：
Ti＝(S1+S2+…+Si)/S；
其中,Si为网格中的空白面积，S为每张图片的总面积；每个网格的空白面积通过所述图像分析处理器对每个网格取点提取颜色，白色部分用0表示，非白色部分用1表示，通过计算0和1的总数量，再计算0的比例从而得到空白占比；每张图片的总面积通过提取图片的轮廓后计算获得。
7.根据权利要求1所述的用于防治沃柑病虫害的智慧农业监控预警系统，其特征在于：所述环境数据采集模块包括多组控制传感器单元，每一组控制传感器单元包括空气温度传感器、空气湿度传感器、风速传感器、土壤温度传感器和土壤湿度传感器。
8.根据权利要求1所述的用于防治沃柑病虫害的智慧农业监控预警系统，其特征在于：所述摄像头与所述沃柑树顶部的距离大于2米。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811162148.XA CN108921849A (zh) | 2018-09-30 | 2018-09-30 | 用于防治沃柑病虫害的智慧农业监控预警系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811162148.XA CN108921849A (zh) | 2018-09-30 | 2018-09-30 | 用于防治沃柑病虫害的智慧农业监控预警系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108921849A true CN108921849A (zh) | 2018-11-30 |
Family
ID=64409986
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811162148.XA Pending CN108921849A (zh) | 2018-09-30 | 2018-09-30 | 用于防治沃柑病虫害的智慧农业监控预警系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108921849A (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109752376A (zh) * | 2018-12-28 | 2019-05-14 | 佛山科学技术学院 | 一种基于计算机视觉的皇帝柑健康监测系统 |
| CN109984105A (zh) * | 2018-12-29 | 2019-07-09 | 南京林业大学工程规划设计院有限公司 | 一种园林绿化施工的智能化监控系统 |
| CN110262603A (zh) * | 2019-07-17 | 2019-09-20 | 马明 | 一种智能果园管控系统 |
| CN110400314A (zh) * | 2019-08-01 | 2019-11-01 | 新疆傲阳科技有限公司 | 一种农业物联网集成服务系统 |
| CN110443112A (zh) * | 2019-06-14 | 2019-11-12 | 广西农业职业技术学院 | 一种沃柑病变的自动识别方法 |
| 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 |
| CN111478946A (zh) * | 2020-03-18 | 2020-07-31 | 仲恺农业工程学院 | 一种基于大数据的柑橘果园综合监测系统及其预警方法 |
| CN111602639A (zh) * | 2020-03-18 | 2020-09-01 | 仲恺农业工程学院 | 一种柑橘果园病虫害防治智能控制系统及其方法 |
| CN111797781A (zh) * | 2020-07-08 | 2020-10-20 | 广西大学 | 一种基于图像识别与bp神经网络的病虫害识别系统 |
| CN111967441A (zh) * | 2020-09-04 | 2020-11-20 | 郑州轻工业大学 | 一种基于深度学习的农作物病害分析方法 |
| CN112136566A (zh) * | 2020-09-10 | 2020-12-29 | 凌训延 | 一种集水肥一体化和病虫害防治功能的智慧大棚系统 |
| CN112166911A (zh) * | 2020-10-15 | 2021-01-05 | 安阳工学院 | 一种快速病虫害精准检测施药系统和方法 |
| CN112307910A (zh) * | 2020-10-16 | 2021-02-02 | 山东省烟台苹果大数据有限公司 | 一种基于深度学习的果园病虫害检测系统及其检测方法 |
| CN112461828A (zh) * | 2019-09-09 | 2021-03-09 | 云南天质弘耕科技有限公司 | 一种基于卷积神经网络的病虫害智能测报预警系统 |
| CN114467122A (zh) * | 2019-09-30 | 2022-05-10 | 巴斯夫欧洲公司 | 通过提供密度图的卷积神经网络估计诸如叶子的植物部分上的对象数量来量化植物上的对象 |
| CN115879773A (zh) * | 2023-02-22 | 2023-03-31 | 广东省农业科学院植物保护研究所 | 一种基于物联网的病虫害智能预警方法及系统 |
| CN116486253A (zh) * | 2023-03-08 | 2023-07-25 | 重庆市农业科学院 | 一种用于茶园病虫害及生长情况的监测管理系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104008365A (zh) * | 2014-03-31 | 2014-08-27 | 贵州大学 | 基于图像处理技术的检测果树树叶稀密程度的方法 |
| CN104539916A (zh) * | 2015-02-02 | 2015-04-22 | 广西牛博物联信息技术有限公司 | 一种用于芒果小齿螟虫害的远程预警系统 |
| CN104680524A (zh) * | 2015-02-11 | 2015-06-03 | 中国农业大学 | 一种叶类蔬菜病害诊断方法 |
| CN105787446A (zh) * | 2016-02-24 | 2016-07-20 | 上海劲牛信息技术有限公司 | 一种智慧农业病虫害远程自动诊断系统 |
| CN108111614A (zh) * | 2017-12-27 | 2018-06-01 | 北京工业大学 | 农林业病虫害监测管理系统 |
-
2018
- 2018-09-30 CN CN201811162148.XA patent/CN108921849A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104008365A (zh) * | 2014-03-31 | 2014-08-27 | 贵州大学 | 基于图像处理技术的检测果树树叶稀密程度的方法 |
| CN104539916A (zh) * | 2015-02-02 | 2015-04-22 | 广西牛博物联信息技术有限公司 | 一种用于芒果小齿螟虫害的远程预警系统 |
| CN104680524A (zh) * | 2015-02-11 | 2015-06-03 | 中国农业大学 | 一种叶类蔬菜病害诊断方法 |
| CN105787446A (zh) * | 2016-02-24 | 2016-07-20 | 上海劲牛信息技术有限公司 | 一种智慧农业病虫害远程自动诊断系统 |
| CN108111614A (zh) * | 2017-12-27 | 2018-06-01 | 北京工业大学 | 农林业病虫害监测管理系统 |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109752376A (zh) * | 2018-12-28 | 2019-05-14 | 佛山科学技术学院 | 一种基于计算机视觉的皇帝柑健康监测系统 |
| CN109984105A (zh) * | 2018-12-29 | 2019-07-09 | 南京林业大学工程规划设计院有限公司 | 一种园林绿化施工的智能化监控系统 |
| 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 |
| CN110443112A (zh) * | 2019-06-14 | 2019-11-12 | 广西农业职业技术学院 | 一种沃柑病变的自动识别方法 |
| CN110262603A (zh) * | 2019-07-17 | 2019-09-20 | 马明 | 一种智能果园管控系统 |
| CN110400314A (zh) * | 2019-08-01 | 2019-11-01 | 新疆傲阳科技有限公司 | 一种农业物联网集成服务系统 |
| CN112461828A (zh) * | 2019-09-09 | 2021-03-09 | 云南天质弘耕科技有限公司 | 一种基于卷积神经网络的病虫害智能测报预警系统 |
| CN114467122A (zh) * | 2019-09-30 | 2022-05-10 | 巴斯夫欧洲公司 | 通过提供密度图的卷积神经网络估计诸如叶子的植物部分上的对象数量来量化植物上的对象 |
| US12073327B2 (en) | 2019-09-30 | 2024-08-27 | Basf Se | Quantifying objects on plants by estimating the number of objects on plant parts such as leaves, by convolutional neural networks that provide density maps |
| CN111478946A (zh) * | 2020-03-18 | 2020-07-31 | 仲恺农业工程学院 | 一种基于大数据的柑橘果园综合监测系统及其预警方法 |
| CN111478946B (zh) * | 2020-03-18 | 2023-04-25 | 仲恺农业工程学院 | 一种基于大数据的柑橘果园综合监测系统及其预警方法 |
| CN111602639A (zh) * | 2020-03-18 | 2020-09-01 | 仲恺农业工程学院 | 一种柑橘果园病虫害防治智能控制系统及其方法 |
| CN111797781A (zh) * | 2020-07-08 | 2020-10-20 | 广西大学 | 一种基于图像识别与bp神经网络的病虫害识别系统 |
| CN111967441A (zh) * | 2020-09-04 | 2020-11-20 | 郑州轻工业大学 | 一种基于深度学习的农作物病害分析方法 |
| CN112136566A (zh) * | 2020-09-10 | 2020-12-29 | 凌训延 | 一种集水肥一体化和病虫害防治功能的智慧大棚系统 |
| CN112166911B (zh) * | 2020-10-15 | 2022-05-24 | 安阳工学院 | 一种快速病虫害精准检测施药系统和方法 |
| CN112166911A (zh) * | 2020-10-15 | 2021-01-05 | 安阳工学院 | 一种快速病虫害精准检测施药系统和方法 |
| CN112307910A (zh) * | 2020-10-16 | 2021-02-02 | 山东省烟台苹果大数据有限公司 | 一种基于深度学习的果园病虫害检测系统及其检测方法 |
| CN115879773A (zh) * | 2023-02-22 | 2023-03-31 | 广东省农业科学院植物保护研究所 | 一种基于物联网的病虫害智能预警方法及系统 |
| CN115879773B (zh) * | 2023-02-22 | 2023-05-16 | 广东省农业科学院植物保护研究所 | 一种基于物联网的病虫害智能预警方法及系统 |
| CN116486253A (zh) * | 2023-03-08 | 2023-07-25 | 重庆市农业科学院 | 一种用于茶园病虫害及生长情况的监测管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108921849A (zh) | 用于防治沃柑病虫害的智慧农业监控预警系统 | |
| CN113925039B (zh) | 一种基于物联网的园林病虫害智能防护系统及防控方法 | |
| CN112197819A (zh) | 一种基于生产基地的植物生长精准控制方法 | |
| CN109991944A (zh) | 一种分布式农业植保网络服务系统 | |
| CN109470299A (zh) | 一种基于物联网的作物生长信息监测系统和方法 | |
| CN115204689B (zh) | 一种基于图像处理的智慧农业管理系统 | |
| CN109991911A (zh) | 一种基于物联网的果园综合监控系统 | |
| WO2018232860A1 (zh) | 一种基于物联网的农作物生长管理方法及系统 | |
| CN106547261A (zh) | 一种应用于蔬菜种植大棚的智能化管理系统 | |
| CN104881012A (zh) | 一种基于cps的智能农作物培养种植管理系统 | |
| CN114418040A (zh) | 一种园林绿化养护监测及预警的方法与系统 | |
| CN107121535B (zh) | 一种有效的农作物生长环境监测系统 | |
| CN109832246A (zh) | 一种基于北斗导航的植保无人机数据综合采集系统 | |
| CN115362811A (zh) | 一种基于数字孪生的山地农作物智慧栽培系统 | |
| CN112258329A (zh) | 一种山地农业种植园区地理信息管理系统 | |
| CN115390504A (zh) | 一种基于5g物联网的智慧农业种植系统 | |
| CN114004458A (zh) | 一种多态势感知融合的植物生长管理系统 | |
| CN115903568A (zh) | 一种基于区块链大数据的智能农业监管系统及方法 | |
| CN113349188B (zh) | 一种基于云端杀草谱的草坪及牧草精准除草方法 | |
| CN113377141A (zh) | 一种人工智能农业自动管理系统 | |
| CN117730702A (zh) | 一种基于大数据的农作物种植管理方法及系统 | |
| CN110602179A (zh) | 一种基于NB-IoT的农业数据采集系统 | |
| CN109117785A (zh) | 一种病虫害的监控方法 | |
| CN109934186B (zh) | 一种农作物直播成苗率的智慧高效监控方法 | |
| CN111275595A (zh) | 一种城市智慧园林管理系统 |
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 |
Application publication date: 20181130 |
|
| RJ01 | Rejection of invention patent application after publication |