CN109409170B - 农作物的虫害识别方法和装置 - Google Patents
农作物的虫害识别方法和装置 Download PDFInfo
- Publication number
- CN109409170B CN109409170B CN201710712584.9A CN201710712584A CN109409170B CN 109409170 B CN109409170 B CN 109409170B CN 201710712584 A CN201710712584 A CN 201710712584A CN 109409170 B CN109409170 B CN 109409170B
- Authority
- CN
- China
- Prior art keywords
- identified
- crops
- pests
- pest
- crop
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0463—Neocognitrons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Neurology (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Probability & Statistics with Applications (AREA)
- Human Computer Interaction (AREA)
- Catching Or Destruction (AREA)
Abstract
本申请实施例提供了一种农作物的虫害识别方法和装置,所述方法包括:获取待识别图像;采用预置的识别模型,分别确定所述待识别图像中待识别农作物和待识别害虫的可信度;基于所述待识别农作物和待识别害虫的可信度,计算所述待识别图像的初始概率值;对所述初始概率值进行调整,以获得所述待识别图像的目标概率值;根据所述目标概率值,识别所述待识别农作物和待识别害虫,从而可以针对性地对农作物进行喷药,以清除农作物上的害虫,提高了通过识别图像确定农作物和害虫的效率和准确率,减少了对图像进行人工识别而造成的识别误差,有助于保证后续作业的顺利进行。
Description
技术领域
本申请涉及农业植保技术领域,特别是涉及一种农作物的虫害识别方法和一种农作物的虫害识别装置。
背景技术
图像识别,是指利用计算机对图像进行处理、分析和理解,以识别各种不同模式的目标和对象的技术。随着图像识别技术的不断发展,其应用领域也不断扩展。
例如,在农业植保领域,为了掌握农作物的生长繁育情况,可以通过拍摄农作物的图片,对该农作物以及农作物上是否出现各类害虫进行识别,从而提供有针对性的施肥或杀虫方案。
目前,对于农作物生长繁育过程中的害虫识别主要集中在对拍摄的农作物图片的背景、或者灰度图像的分割处理上。但在实际应用中,受到农田环境因素的影响,例如农作物叶片、杂草、土壤以及光照等,拍摄获得的图片一般具有复杂的农田背景。当按照上述方案对农作物及害虫进行识别时,往往出现识别不准确的情况。例如,按照上述方法,识别出某一农作物可能为水稻,识别出该农作物上的害虫为蚜虫的概率极大,但是结合实际经验可知,水稻上根本不可能出现蚜虫。因此,现有的对农作物及害虫的识别,识别准确率较低。
发明内容
鉴于上述问题,提出了本申请实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种农作物的虫害识别方法和相应的一种农作物的虫害识别装置。
为了解决上述问题,本申请实施例公开了一种农作物的虫害识别方法,包括:
获取待识别图像;
采用预置的识别模型,分别确定所述待识别图像中待识别农作物和待识别害虫的可信度;
基于所述待识别农作物和待识别害虫的可信度,计算所述待识别图像的初始概率值;
对所述初始概率值进行调整,以获得所述待识别图像的目标概率值;
根据所述目标概率值,识别所述待识别农作物和待识别害虫。
可选地,所述识别模型通过如下方式生成:
获取多个样本图像,所述样本图像中包括已识别的农作物和害虫;
分别提取所述已识别的农作物和害虫的特征信息;
采用所述特征信息构建卷积神经网络模型,以生成识别模型。
可选地,所述采用所述特征信息构建卷积神经网络模型,以生成识别模型的步骤包括:
将所述已识别的农作物和害虫的特征信息作为神经元输入;
对所述神经元进行特征提取和特征映射,以获得多个计算层;
分别对每个计算层进行求解,以完成识别模型的构建。
可选地,所述识别模型包括农作物识别模型和害虫识别模型,所述采用预置的识别模型,分别确定所述待识别图像中待识别农作物和待识别害虫的可信度的步骤包括:
采用农作物识别模型对所述待识别农作物进行识别,以获得多种农作物的名称,以及与所述多种农作物一一对应的第一可信度;
采用害虫识别模型对所述待识别害虫进行识别,以获得多种害虫的名称,以及与所述多种害虫一一对应的第二可信度。
可选地,所述基于所述待识别农作物和待识别害虫的可信度,计算所述待识别图像的初始概率值的步骤包括:
分别计算所述多种农作物的第一可信度与所述多种害虫的第二可信度的多个乘积,以所述多个乘积作为所述待识别图像的多个初始概率值。
可选地,所述对所述初始概率值进行调整,以获得所述待识别图像的目标概率值的步骤包括:
判断任一农作物与任一害虫可同时存在的概率是否超过预设阈值;
若是,则提取所述农作物与所述害虫对应的初始概率值为目标概率值。
可选地,所述根据所述目标概率值,识别所述待识别农作物和待识别害虫的步骤包括:
确定多个目标概率值中的最大值;
分别识别所述目标概率值的最大值对应的农作物和害虫为所述待识别图像中的待识别农作物和待识别害虫,以获得虫害描述信息。
可选地,还包括:
基于所述虫害描述信息,生成农药配方信息。
可选地,还包括:
基于所述农药配方信息,生成喷洒作业任务。
可选地,还包括:
将所述喷洒作业任务发送至无人机中,由所述无人机执行对应的喷洒作业。
为了解决上述问题,本申请实施例公开了一种农作物的虫害识别装置,包括:
获取模块,用于获取待识别图像;
确定模块,用于采用预置的识别模型,分别确定所述待识别图像中待识别农作物和待识别害虫的可信度;
计算模块,用于基于所述待识别农作物和待识别害虫的可信度,计算所述待识别图像的初始概率值;
调整模块,用于对所述初始概率值进行调整,以获得所述待识别图像的目标概率值;
识别模块,用于根据所述目标概率值,识别所述待识别农作物和待识别害虫。
可选地,所述识别模型通过调用如下模块生成:
样本图像获取模块,用于获取多个样本图像,所述样本图像中包括已识别的农作物和害虫;
特征信息提取模块,用于分别提取所述已识别的农作物和害虫的特征信息;
识别模型生成模块,用于采用所述特征信息构建卷积神经网络模型,以生成识别模型。
可选地,所述识别模型生成模块包括:
神经元输入子模块,用于将所述已识别的农作物和害虫的特征信息作为神经元输入;
计算层获得子模块,用于对所述神经元进行特征提取和特征映射,以获得多个计算层;
计算层求解子模块,用于分别对每个计算层进行求解,以完成识别模型的构建。
可选地,所述识别模型包括农作物识别模型和害虫识别模型,所述确定模块包括:
农作物识别子模块,用于采用农作物识别模型对所述待识别农作物进行识别,以获得多种农作物的名称,以及与所述多种农作物一一对应的第一可信度;
害虫识别子模块,用于采用害虫识别模型对所述待识别害虫进行识别,以获得多种害虫的名称,以及与所述多种害虫一一对应的第二可信度。
可选地,所述计算模块包括:
计算子模块,用于分别计算所述多种农作物的第一可信度与所述多种害虫的第二可信度的多个乘积,以所述多个乘积作为所述待识别图像的多个初始概率值。
可选地,所述调整模块包括:
判断子模块,用于判断任一农作物与任一害虫可同时存在的概率是否超过预设阈值;
提取子模块,用于若是,则提取所述农作物与所述害虫对应的初始概率值为目标概率值。
可选地,所述识别模块包括:
确定子模块,用于确定多个目标概率值中的最大值;
识别子模块,用于分别识别所述目标概率值的最大值对应的农作物和害虫为所述待识别图像中的待识别农作物和待识别害虫,以获得虫害描述信息。
可选地,还包括:
农药配方信息生成模块,用于基于所述虫害描述信息,生成农药配方信息。
可选地,还包括:
喷洒作业任务生成模块,用于基于所述农药配方信息,生成喷洒作业任务。
可选地,还包括:
喷洒作业任务发送模块,用于将所述喷洒作业任务发送至无人机中,由所述无人机执行对应的喷洒作业。
为了解决上述问题,本申请实施例公开了一种农作物的虫害识别方法,包括存储器、处理器,以及,存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现:获取待识别图像;采用预置的识别模型,分别确定所述待识别图像中待识别农作物和待识别害虫的可信度,所述识别模型通过对多个样本图像进行训练获得;基于所述待识别农作物和待识别害虫的可信度,计算所述待识别图像的初始概率值;对所述初始概率值进行调整,以获得所述待识别图像的目标概率值;根据所述目标概率值,识别所述待识别农作物和待识别害虫。
可选地,所述处理器执行所述程序时实现:获取多个样本图像,所述样本图像中包括已识别的农作物和害虫;分别提取所述已识别的农作物和害虫的特征信息;采用所述特征信息构建卷积神经网络模型,以生成识别模型。
可选地,所述处理器执行所述程序时实现:将所述已识别的农作物和害虫的特征信息作为神经元输入;对所述神经元进行特征提取和特征映射,以获得多个计算层;分别对每个计算层进行求解,以完成识别模型的构建。
可选地,所述处理器执行所述程序时实现:采用农作物识别模型对所述待识别农作物进行识别,以获得多种农作物的名称,以及与所述多种农作物一一对应的第一可信度;采用害虫识别模型对所述待识别害虫进行识别,以获得多种害虫的名称,以及与所述多种害虫一一对应的第二可信度。
可选地,所述处理器执行所述程序时实现:分别计算所述多种农作物的第一可信度与所述多种害虫的第二可信度的多个乘积,以所述多个乘积作为所述待识别图像的多个初始概率值。
可选地,所述处理器执行所述程序时实现:判断任一农作物与任一害虫可同时存在的概率是否超过预设阈值;若是,则提取所述农作物与所述害虫对应的初始概率值为目标概率值。
可选地,所述处理器执行所述程序时实现:确定多个目标概率值中的最大值;分别识别所述目标概率值的最大值对应的农作物和害虫为所述待识别图像中的待识别农作物和待识别害虫,以获得虫害描述信息。
可选地,所述处理器执行所述程序时实现:基于所述虫害描述信息,生成农药配方信息。
可选地,所述处理器执行所述程序时实现:基于所述农药配方信息,生成喷洒作业任务。
可选地,所述处理器执行所述程序时实现:将所述喷洒作业任务发送至无人机中,由所述无人机执行对应的喷洒作业。
与背景技术相比,本申请实施例包括以下优点:
本申请实施例,通过对多个样本图像进行训练获得识别模型,并采用该识别模型,分别确定待识别图像中的待识别农作物和待识别害虫的可信度,然后基于该可信度,可以计算得到待识别图像的初始概率值,并在对该初始概率值进行调整获得目标概率值后,能够根据目标概率值,识别待识别图像中是何种农作物和何种害虫,从而可以针对性地对该农作物进行喷药,以清除该农作物上的害虫。本实施例采用识别模型初步确定出待识别图像中的农作物和害虫,并结合实际经验进行调整,提高了通过识别图像确定农作物和害虫的效率和准确率,减少了对图像进行人工识别而造成的识别误差,有助于保证后续作业的顺利进行。
附图说明
图1是本申请的一种农作物的虫害识别方法实施例一的步骤流程图;
图2是本申请的一种农作物的虫害识别方法实施例二的步骤流程图;
图3是本申请的一种农作物的虫害识别装置实施例的结构框图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
参照图1,示出了本申请的一种农作物的虫害识别方法实施例一的步骤流程图,具体可以包括如下步骤:
步骤101,获取待识别图像;
在本申请实施例中,待识别图像可以是采用无人机对种植有农作物的农田进行拍摄得到的,也可以是通过设置在农田周围的摄像监控设备对种植的农作物进行拍摄获得。在待识别图像中可以包括待识别的农作物,以及待识别农作物上可能存在的待识别害虫。
例如,在大面积种植农作物的情况下,农户为了了解每块农田里农作物的生长情况,如果采用直接到田间地头实地查看的方式,必然需要付出大量的精力和时间。对于某些农业生产已实现规模化的地区而言,其农田面积甚至可以达到上万亩,实地查看更是需要花费更多的人力物力。因此,可以使用无人机对每块农田里的农作物进行拍摄,也可以利用设置在农田周围的摄像监控设备对每块农田里的农作物进行拍摄,然后通过对拍摄得到的图像进行分析,从而了解农作物的生长情况。
当然,本领域技术人员还可以采用其他方式获取待识别图像,本实施例对此不作限定。
步骤102,采用预置的识别模型,分别确定所述待识别图像中待识别农作物和待识别害虫的可信度;
在本申请实施例中,在采用无人机对大面积的农田进行拍摄,或通过设置在农田周围的摄像监控设备对每块农田里的农作物进行拍摄得到待识别图像后,为了确定农田中哪些区域出现了病虫害,可以采用预置的识别模块,对待识别图像进行识别,以确定图像中的农作物和害虫。
在本申请实施例中,预置的识别模型可以通过对多个样本图像进行训练获得。
例如,可以采集多张包括农作物和害虫的图像,每张图像中均有明确的农作物和害虫,如棉花上有棉铃虫的图像、棉花上有红蜘蛛的图像,以及花生上有红蜘蛛的图像等等,通过提取各种农作物和害虫的特征信息,构建多层卷积神经模型,从而得到识别模型。
需要说明的是,识别模型可以包括农作物识别模型和害虫识别模型,由农作物识别模型对待识别图像中的待识别农作物进行处理,从而得到待识别农作物的可信度;由害虫识别模型对待识别图像中的待识别害虫进行处理,从而得到待识别害虫的可信度。在采用样本图像进行训练获得农作物识别模型和害虫识别模型时,可以按照相同的训练方式进行。
在本申请实施例中,待识别农作物和待识别害虫的可信度可以分别是指识别模型在对待识别图像进行处理后,得到的图像中的待识别农作物可能是某种明确的农作物的概率值,以及待识别害虫可能是某种明确的害虫的概率值。待识别农作物和待识别害虫的可信度可以不止是一个数值,也可能是多个数值。
例如,在对某张待识别图像进行处理后,可以得到待识别农作物是玉米的可信度为0.5,是棉花的可信度为0.4,是花生的可信度为0.1等等。上述可信度可以理解为,待识别图像中的待识别农作物是玉米的概率为50%,待识别农作物是棉花的概率为40%,待识别农作物是花生的概率为10%。
步骤103,基于所述待识别农作物和待识别害虫的可信度,计算所述待识别图像的初始概率值;
在本申请实施例中,待识别图像的初始概率值可以是指该图像中的待识别农作物和待识别害虫分别是某种明确的农作物和明确的害虫的概率。
在具体实现中,可以分别将步骤102中通过识别模型获得的待识别农作物的可信度与待识别害虫的可信度相乘,并以该乘积作为待识别图像的初始概率值。
例如,通过农作物识别模型得到某张待识别图像中的待识别农作物是玉米的可信度为0.5,是棉花的可信度为0.4,是花生的可信度为0.1;而通过害虫识别模型对相同的待识别图像进行处理后,得到该图像中的待识别害虫是蚜虫的可信度为0.8,是棉铃虫和红蜘蛛的可信度分别为0.1;则可以分别将上述待识别农作物的可信度与待识别害虫的可信度分别相乘,一共得到待识别图像的9个初始概率值。
步骤104,对所述初始概率值进行调整,以获得所述待识别图像的目标概率值;
在本申请实施例中,对待识别图像的初始概率值进行调整可以是依据知识库中的数据,确定某种农作物与某种害虫同时存在的可能性,如果可能性低于预设阈值,则可以剔除该农作物与害虫对应的初始概率值。
知识库可以是指根据实际经验得到的,记录有每种农作物与可能的害虫之间的对应关系的数据表。
例如,在知识库中可以记录有棉花上可能出现蚜虫、棉铃虫和红蜘蛛等三种害虫,而玉米上出现蚜虫、棉铃虫和红蜘蛛等三种害虫的可能性较低,花生上出现蚜虫和棉铃虫的可能性也较低等等。
因此,可以在步骤104计算得到的待识别图像的初始概率值后,可以剔除掉根据玉米与蚜虫、棉铃虫和红蜘蛛可信度,以及花生与蚜虫和棉铃虫的可信度得到的共5个初始概率值。
然后,可以将根据棉花与蚜虫、棉铃虫和红蜘蛛的可信度,以及花生与红蜘蛛的可信度得到的共4个初始概率值,确定为待识别图像的目标概率值。
步骤105,根据所述目标概率值,识别所述待识别农作物和待识别害虫。
在具体实现中,可以对多个目标概率值按照升序或降序方式进行排序,确定出在剩下的多个目标概率值中的最大值,并以该最大值对应的农作物和害虫作为待识别图像中的农作物和害虫。
例如,目标概率值是根据棉花与蚜虫、棉铃虫和红蜘蛛的可信度,以及花生与红蜘蛛的可信度得到的共4个数值,则可以对上述4个数值进行排序,确定根据棉花与蚜虫的可信度得到的概率值为4个数值中的最大值,则可以识别待识别图像中的农作物为棉花,害虫为蚜虫。
在确定出待识别图像中的农作物和害虫后,可以针对性地对该农作物进行喷药,以清除该农作物上的害虫。
在本申请实施例中,通过对多个样本图像进行训练获得识别模型,并采用该识别模型,分别确定待识别图像中的待识别农作物和待识别害虫的可信度,然后基于该可信度,可以计算得到待识别图像的初始概率值,并在对该初始概率值进行调整获得目标概率值后,能够根据目标概率值,识别待识别图像中是何种农作物和何种害虫,从而可以针对性地对该农作物进行喷药,以清除该农作物上的害虫。本实施例采用识别模型初步确定出待识别图像中的农作物和害虫,并结合实际经验进行调整,提高了通过识别图像确定农作物和害虫的效率和准确率,减少了对图像进行人工识别而造成的识别误差,有助于保证后续作业的顺利进行。
参照图2,示出了本申请的一种农作物的虫害识别方法实施例二的步骤流程图,具体可以包括如下步骤:
步骤201,生成识别模型,所述识别模型包括农作物识别模型和害虫识别模型;
在本申请实施例中,生成识别模型时,可以首先获取多个样本图像,每个样本图像中可以包括已识别的农作物和害虫。
例如,样本图像可以是包括棉花上有棉铃虫的图像、棉花上有红蜘蛛的图像,以及花生上有红蜘蛛的图像等等。本实施例对如何获取样本图像的方式不作限定。
在获得多个样本图像后,可以分别提取已识别的农作物和害虫的特征信息,并采用该特征信息构建卷积神经网络(Convolutional Neural Network,简称CNN)模型,以生成识别模型。已识别的农作物和害虫的特征信息可以是样本图像中已识别的农作物和害虫的图像像素信息。
卷积神经网络其实是一个多层的神经网络,每层由多个二维平面组成,而每个平面由多个独立神经元组成。每个神经元的输入与前一层的局部接受域相连,并可以提取该局部的特征。一旦该局部的特征被提取后,被提取的特征与其他特征间的位置关系也随之确定下来。在计算时,每个计算层可以由多个特征映射组成,每个特征映射即是一个平面,平面上所有神经元的权值均相等。特征映射结构可以采用影响函数核小的RELU(Rectifiedlinear unit,修正线性单元)函数作为卷积网络的激活函数,使得特征映射具有位移不变性。此外,由于一个映射面上的神经元可以共享权值,因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层,这种特有的两次特征提取结构有效地减小了特征的分辨率。
在本申请实施例中,可以将样本图像中已识别的农作物和害虫的特征信息(即已识别的农作物和害虫对应的像素)作为神经元进行输入,并对该神经元进行特征提取和特征映射,以获得多个计算层,在完成特征提取和特征映射后,可以采用随机梯度下降算法分别对每个计算层进行求解,通过若干个可训练的滤波器组进行非线性卷积,卷积后在每一层产生特征映射图,然后通过对特征映射图中每组的像素进行求和、加权值、加偏置等计算处理,并在计算过程中将上述像素在池化层池化,从而能够最终得到相应的输出值,完成识别模型的构建。
当然,以上仅为一种示例,本领域技术人员还可以采用其他方式构建识别模型,本实施例对此不作限定。
需要说明的是,识别模型可以包括农作物识别模型和害虫识别模型,在采用样本图像进行训练获得农作物识别模型和害虫识别模型时,可以按照相同的训练方式进行。
步骤202,获取待识别图像;
在本申请实施例中,待识别图像可以是采用无人机对种植有农作物的农田进行拍摄得到的,也可以是通过设置在农田周围的摄像监控设备对种植的农作物进行拍摄获得。在待识别图像中可以包括待识别的农作物,以及待识别农作物上可能存在的待识别害虫。当然,本领域技术人员还可以采用其他方式获取待识别图像,本实施例对此不作限定。
步骤203,采用农作物识别模型对所述待识别农作物进行识别,以获得多种农作物的名称,以及与所述多种农作物一一对应的第一可信度;
在本申请实施例中,待识别农作物的第一可信度可以是指采用农作物识别模型对待识别图像进行处理后,得到的图像中的待识别农作物可能是某种明确的农作物的概率值。通常,该可信度可以不止是一个数值,也可能是多个数值,即农作物识别模型可以识别出待识别图像中的待识别农作物可能是哪几种农作物,并分别给出各自的概率值。
如表一所示,是采用农作物识别模型对某张待识别图像进行识别,得到的多种农作物的名称及其可信度的一种示例。
表一:农作物及其可信度示例
农作物 | 玉米 | 棉花 | 花生 |
农作物可信度 | 0.5 | 0.4 | 0.1 |
表一表示,在采用农作物识别模型对某张待识别图像进行识别后,可以认为该图像中的待识别农作物是玉米的概率为50%,待识别农作物是棉花的概率为40%,待识别农作物是花生的概率为10%。
当然,以上农作物种类及其数值仅为一种示例,根据待识别图像的不同,识别得到的农作物的名称及其可信度均可能不同,本实施例对此不作限定。
步骤204,采用害虫识别模型对所述待识别害虫进行识别,以获得多种害虫的名称,以及与所述多种害虫一一对应的第二可信度;
类似地,待识别害虫的第二可信度可以是指采用害虫识别模型对待识别图像进行处理后,得到的图像中的待识别害虫可能是某种明确的害虫的概率值。通常,该可信度也可以不止是一个数值,也可能是多个数值,即害虫识别模型可以识别出待识别图像中的待识别害虫可能是哪几种害虫,并分别给出各自的概率值。
如表二所示,是采用害虫识别模型对与步骤203中相同的待识别图像进行识别,得到的多种害虫的名称及其可信度的一种示例。
表二:害虫及其可信度示例
害虫 | 蚜虫 | 棉铃虫 | 红蜘蛛 |
害虫可信度 | 0.8 | 0.1 | 0.1 |
表二表示,在采用害虫识别模型对待识别图像进行识别后,可以认为该图像中的待识别害虫是蚜虫的概率为80%,待识别害虫是棉铃虫的概率为10%,待识别害虫是红蜘蛛的概率为10%。
当然,以上害虫种类及其数值仅为一种示例,根据待识别图像的不同,识别得到的害虫的名称及其可信度均可能不同,本实施例对此不作限定。
步骤205,分别计算所述多种农作物的第一可信度与所述多种害虫的第二可信度的多个乘积,以所述多个乘积作为所述待识别图像的多个初始概率值;
例如,通过农作物识别模型得到某张待识别图像中的待识别农作物是玉米的可信度为0.5,是棉花的可信度为0.4,是花生的可信度为0.1;而通过害虫识别模型对相同的待识别图像进行处理后,得到该图像中的待识别害虫是蚜虫的可信度为0.8,是棉铃虫和红蜘蛛的可信度分别为0.1;则可以分别将上述待识别农作物的可信度与待识别害虫的可信度分别相乘,一共得到如表三所示的待识别图像的9个初始概率值。
表三:待识别图像初始概率值示例
害虫/农作物 | 玉米(0.5) | 棉花(0.4) | 花生(0.1) |
蚜虫(0.8) | 0.4 | 0.32 | 0.08 |
棉铃虫(0.1) | 0.05 | 0.04 | 0.01 |
红蜘蛛(0.1) | 0.05 | 0.04 | 0.01 |
从表三可以看出,全部初始概率值相加之和等于1,每个初始概率值表示该图像中同时出现对应农作物和害虫的概率。
例如,对于待识别图像,经过识别,可以认为该图像上同时是玉米和蚜虫的概率为40%,同时是玉米和棉铃虫的概率为5%,同时是棉花和蚜虫的概率为32%等等。
步骤206,判断任一农作物与任一害虫可同时存在的概率是否超过预设阈值;
在实际中,某些农作物感染某种害虫的可能性较低,或者根本不可能感染某种害虫。例如,水稻和玉米上出现蚜虫的可能性较低,此外,玉米上出现棉铃虫和红蜘蛛的可能性也较低等等。
因此,在按照步骤205计算出待识别图像的多个初始概率值后,可以首先判断每种农作物与每种害虫可以同时存在的概率是否超过预设阈值,若是,则可以执行步骤207。每种农作物与每种害虫可以同时存在的概率表示每种害虫与每种农作物同时存在的可能性,若某种害虫与某种农作物之间的对应的概率越大,说明该害虫与农作物同时存在的可能性越高,概率越小,则说明该害虫与农作物同时存在的可能性越低。
在具体实现中,可以根据实际经验设置一知识库,并在该知识库中记录每种农作物与可能的害虫之间的对应关系。从而在判断时,可以以农作物或害虫为索引,确定每种农作物与每种害虫同时存在的可能性。如表四所示,是知识库的一种示例。
表四:知识库示例
害虫/农作物 | 玉米 | 棉花 | 花生 |
蚜虫 | 0 | 1 | 0 |
棉铃虫 | 0 | 1 | 0 |
红蜘蛛 | 0 | 1 | 1 |
其中,数值0表示对应的农作物与害虫同时出现的可能性较低(即小于预设阈值),而数值1则表示该农作物与害虫同时存在的可能性较高(即大于等于预设阈值)。
因此,表四表示在实际中,玉米上出现蚜虫、棉铃虫和红蜘蛛的可能性较低;棉花上则可能同时出现蚜虫、棉铃虫和红蜘蛛;而花生上出现蚜虫和棉铃虫的可能性较低,但出现红蜘蛛的可能性较高。
当然,上述知识库仅为一种示例,本领域技术人员可以根据实际需要采用其他方式设置农作物与害虫之间的对应关系,本实施例对此不作限定。
步骤207,提取所述农作物与所述害虫对应的初始概率值为目标概率值;
在本申请实施例中,如果某种农作物与某种害虫同时存在的可能性较低,则可以将根据该农作物与害虫的可信度计算得到的初始概率值删除或设置为0,以剩余的其他初始概率值作为待识别图像的目标概率值。如表五所示,是与表三相对应的目标概率值的一种示例。
表五:待识别图像目标概率值示例
害虫/农作物 | 玉米(0.5) | 棉花(0.4) | 花生(0.1) |
蚜虫(0.8) | 0 | 0.32 | 0 |
棉铃虫(0.1) | 0 | 0.04 | 0 |
红蜘蛛(0.1) | 0 | 0.04 | 0.01 |
步骤208,确定多个目标概率值中的最大值;
从表五中可知,在剩余的目标概率值之中,最大值为0.32。
步骤209,分别识别所述目标概率值的最大值对应的农作物和害虫为所述待识别图像中的待识别农作物和待识别害虫,以获得虫害描述信息;
在本申请实施例中,在确定出目标概率值的最大值为0.32后,可知该目标概率值对应的农作物为棉花,对应的害虫为蚜虫,从而可以认为待识别图像中的待识别农作物为棉花,待识别害虫为蚜虫,并生成相应的虫害描述信息。
步骤210,基于所述虫害描述信息,生成农药配方信息;
在本申请实施例中,在识别出待识别图像中的农作物和害虫分别是何种农作物和何种害虫后,可以针对识别出的农作物和害虫,生成农药配方信息。
例如,在识别出待识别农作物为棉花,待识别害虫为蚜虫后,生成的农药配方信息可以是用于杀灭棉花上的蚜虫的农药配方。
步骤211,基于所述农药配方信息,生成喷洒作业任务;
在本申请实施例中,生成农药配方信息后,可以进一步生成针对该农作物的喷洒作业任务,喷洒作业任务可以包括喷洒作业的路线以及时间等信息,本实施例对此不作限定。
需要说明的是,识别模型可以配置在无人机上,在无人机对农田进行拍摄获得相应的图像后,识别模型便可以对该图像进行识别,并在确定出农作物和害虫后,自动生成农药配方信息和喷洒作业任务。当然,识别模型也可以配置在服务器端,在无人机对对农田进行拍摄获得相应的图像后,可以将该图像发送至服务器,由服务器完成对图像中农作物和害虫的识别,并在识别完成后,生成农药配方信息和喷洒作业任务。
步骤212,将所述喷洒作业任务发送至无人机中,由所述无人机执行对应的喷洒作业。
在本申请实施例中,喷洒作业任务可以是在无人机的控制终端中生成的,此时,可以通过无人机的控制终端将喷洒作业任务发送至无人机中,由无人机执行对应的喷洒作业,以杀灭农作物上的害虫。
或者,喷洒作业任务也可以是在云端服务器中生成的,此时,云端服务器可以将已生成的喷洒作业任务发送至无人机的控制终端,由用户对该作业任务作进一步的处理控制,本实施例对此亦不作限定。
在本申请实施例中,通过基于卷积神经网络的识别模型对农作物和害虫进行初步识别,分别得到农作物和害虫的可信度,然后结合知识库或实际经验,对农作物和害虫同时发生的概率进行调整,得到调整后的目标概率值,并根据目标概率值最终确定出农作物和害虫,从而可以针对性地对该农作物进行喷药,以清除该农作物上的害虫,提高了通过识别图像确定农作物和害虫的效率和准确率,减少了对图像进行人工识别而造成的识别误差,有助于保证后续作业的顺利进行。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请实施例并不受所描述的动作顺序的限制,因为依据本申请实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本申请实施例所必须的。
参照图3,示出了本申请的一种农作物的虫害识别装置实施例的结构框图,具体可以包括如下模块:
获取模块301,用于获取待识别图像;
确定模块302,用于采用预置的识别模型,分别确定所述待识别图像中待识别农作物和待识别害虫的可信度;
计算模块303,用于基于所述待识别农作物和待识别害虫的可信度,计算所述待识别图像的初始概率值;
调整模块304,用于对所述初始概率值进行调整,以获得所述待识别图像的目标概率值;
识别模块305,用于根据所述目标概率值,识别所述待识别农作物和待识别害虫。
在本申请实施例中,所述识别模型可以通过调用如下模块生成:
样本图像获取模块,用于获取多个样本图像,所述样本图像中包括已识别的农作物和害虫;
特征信息提取模块,用于分别提取所述已识别的农作物和害虫的特征信息;
识别模型生成模块,用于采用所述特征信息构建卷积神经网络模型,以生成识别模型。
在本申请实施例中,所述识别模型生成模块具体可以包括如下子模块:
神经元输入子模块,用于将所述已识别的农作物和害虫的特征信息作为神经元输入;
计算层获得子模块,用于对所述神经元进行特征提取和特征映射,以获得多个计算层;
计算层求解子模块,用于分别对每个计算层进行求解,以完成识别模型的构建。
在本申请实施例中,所述识别模型可以包括农作物识别模型和害虫识别模型,所述确定模块302具体可以包括如下子模块:
农作物识别子模块,用于采用农作物识别模型对所述待识别农作物进行识别,以获得多种农作物的名称,以及与所述多种农作物一一对应的第一可信度;
害虫识别子模块,用于采用害虫识别模型对所述待识别害虫进行识别,以获得多种害虫的名称,以及与所述多种害虫一一对应的第二可信度。
在本申请实施例中,所述计算模块303具体可以包括如下子模块:
计算子模块,用于分别计算所述多种农作物的第一可信度与所述多种害虫的第二可信度的多个乘积,以所述多个乘积作为所述待识别图像的多个初始概率值。
在本申请实施例中,所述调整模块304具体可以包括如下子模块:
判断子模块,用于判断任一农作物与任一害虫可同时存在的概率是否超过预设阈值;
提取子模块,用于若是,则提取所述农作物与所述害虫对应的初始概率值为目标概率值。
在本申请实施例中,所述识别模块305具体可以包括如下子模块:
确定子模块,用于确定多个目标概率值中的最大值;
识别子模块,用于分别识别所述目标概率值的最大值对应的农作物和害虫为所述待识别图像中的待识别农作物和待识别害虫,以获得虫害描述信息。
在本申请实施例中,所述装置还可以包括如下模块:
农药配方信息生成模块,用于基于所述虫害描述信息,生成农药配方信息。
在本申请实施例中,所述装置还可以包括如下模块:
喷洒作业任务生成模块,用于基于所述农药配方信息,生成喷洒作业任务。
在本申请实施例中,所述装置还可以包括如下模块:
喷洒作业任务发送模块,用于将所述喷洒作业任务发送至无人机中,由所述无人机执行对应的喷洒作业。
本申请实施例公开了一种农作物的虫害识别装置,包括存储器、处理器,以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时可以实现如下功能:获取待识别图像;采用预置的识别模型,分别确定所述待识别图像中待识别农作物和待识别害虫的可信度;基于所述待识别农作物和待识别害虫的可信度,计算所述待识别图像的初始概率值;对所述初始概率值进行调整,以获得所述待识别图像的目标概率值;根据所述目标概率值,识别所述待识别农作物和待识别害虫。
优选地,所述处理器执行所述程序时还可以实现如下功能:获取多个样本图像,所述样本图像中包括已识别的农作物和害虫;分别提取所述已识别的农作物和害虫的特征信息;采用所述特征信息构建卷积神经网络模型,以生成识别模型。
优选地,所述处理器执行所述程序时还可以实现如下功能:将所述已识别的农作物和害虫的特征信息作为神经元输入;对所述神经元进行特征提取和特征映射,以获得多个计算层;分别对每个计算层进行求解,以完成识别模型的构建。
优选地,所述处理器执行所述程序时还可以实现如下功能:采用农作物识别模型对所述待识别农作物进行识别,以获得多种农作物的名称,以及与所述多种农作物一一对应的第一可信度;采用害虫识别模型对所述待识别害虫进行识别,以获得多种害虫的名称,以及与所述多种害虫一一对应的第二可信度。
优选地,所述处理器执行所述程序时还可以实现如下功能:分别计算所述多种农作物的第一可信度与所述多种害虫的第二可信度的多个乘积,以所述多个乘积作为所述待识别图像的多个初始概率值。
优选地,所述处理器执行所述程序时还可以实现如下功能:判断任一农作物与任一害虫可同时存在的概率是否超过预设阈值;若是,则提取所述农作物与所述害虫对应的初始概率值为目标概率值。
优选地,所述处理器执行所述程序时还可以实现如下功能:确定多个目标概率值中的最大值;分别识别所述目标概率值的最大值对应的农作物和害虫为所述待识别图像中的待识别农作物和待识别害虫,以获得虫害描述信息。
优选地,所述处理器执行所述程序时还可以实现如下功能:基于所述虫害描述信息,生成农药配方信息。
优选地,所述处理器执行所述程序时还可以实现如下功能:基于所述农药配方信息,生成喷洒作业任务。
优选地,所述处理器执行所述程序时还可以实现如下功能:将所述喷洒作业任务发送至无人机中,由所述无人机执行对应的喷洒作业。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种农作物的虫害识别方法和一种农作物的虫害识别装置,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (19)
1.一种农作物的虫害识别方法,其特征在于,包括:
获取待识别图像;
采用预置的识别模型,分别确定所述待识别图像中待识别农作物和待识别害虫的可信度;
基于所述待识别农作物和待识别害虫的可信度,计算所述待识别图像的初始概率值;
对所述初始概率值进行调整,以获得所述待识别图像的目标概率值;
根据所述目标概率值,识别所述待识别农作物和待识别害虫;
其中,所述识别模型包括农作物识别模型和害虫识别模型,所述采用预置的识别模型,分别确定所述待识别图像中待识别农作物和待识别害虫的可信度的步骤包括:
采用农作物识别模型对所述待识别农作物进行识别,以获得多种农作物的名称,以及与所述多种农作物一一对应的第一可信度;
采用害虫识别模型对所述待识别害虫进行识别,以获得多种害虫的名称,以及与所述多种害虫一一对应的第二可信度。
2.根据权利要求1所述的方法,其特征在于,所述识别模型通过如下方式生成:
获取多个样本图像,所述样本图像中包括已识别的农作物和害虫;
分别提取所述已识别的农作物和害虫的特征信息;
采用所述特征信息构建卷积神经网络模型,以生成识别模型。
3.根据权利要求2所述的方法,其特征在于,所述采用所述特征信息构建卷积神经网络模型,以生成识别模型的步骤包括:
将所述已识别的农作物和害虫的特征信息作为神经元输入;
对所述神经元进行特征提取和特征映射,以获得多个计算层;
分别对每个计算层进行求解,以完成识别模型的构建。
4.根据权利要求1所述的方法,其特征在于,所述基于所述待识别农作物和待识别害虫的可信度,计算所述待识别图像的初始概率值的步骤包括:
分别计算所述多种农作物的第一可信度与所述多种害虫的第二可信度的多个乘积,以所述多个乘积作为所述待识别图像的多个初始概率值。
5.根据权利要求4所述的方法,其特征在于,所述对所述初始概率值进行调整,以获得所述待识别图像的目标概率值的步骤包括:
判断任一农作物与任一害虫可同时存在的概率是否超过预设阈值;
若是,则提取所述农作物与所述害虫对应的初始概率值为目标概率值。
6.根据权利要求1-5任一所述的方法,其特征在于,所述根据所述目标概率值,识别所述待识别农作物和待识别害虫的步骤包括:
确定多个目标概率值中的最大值;
分别识别所述目标概率值的最大值对应的农作物和害虫为所述待识别图像中的待识别农作物和待识别害虫,以获得虫害描述信息。
7.根据权利要求6所述的方法,其特征在于,还包括:
基于所述虫害描述信息,生成农药配方信息。
8.根据权利要求7所述的方法,其特征在于,还包括:
基于所述农药配方信息,生成喷洒作业任务。
9.根据权利要求8所述的方法,其特征在于,还包括:
将所述喷洒作业任务发送至无人机中,由所述无人机执行对应的喷洒作业。
10.一种农作物的虫害识别装置,其特征在于,包括:
获取模块,用于获取待识别图像;
确定模块,用于采用预置的识别模型,分别确定所述待识别图像中待识别农作物和待识别害虫的可信度;
计算模块,用于基于所述待识别农作物和待识别害虫的可信度,计算所述待识别图像的初始概率值;
调整模块,用于对所述初始概率值进行调整,以获得所述待识别图像的目标概率值;
识别模块,用于根据所述目标概率值,识别所述待识别农作物和待识别害虫;
其中,所述识别模型包括农作物识别模型和害虫识别模型,所述确定模块包括:
农作物识别子模块,用于采用农作物识别模型对所述待识别农作物进行识别,以获得多种农作物的名称,以及与所述多种农作物一一对应的第一可信度;
害虫识别子模块,用于采用害虫识别模型对所述待识别害虫进行识别,以获得多种害虫的名称,以及与所述多种害虫一一对应的第二可信度。
11.根据权利要求10所述的装置,其特征在于,所述识别模型通过调用如下模块生成:
样本图像获取模块,用于获取多个样本图像,所述样本图像中包括已识别的农作物和害虫;
特征信息提取模块,用于分别提取所述已识别的农作物和害虫的特征信息;
识别模型生成模块,用于采用所述特征信息构建卷积神经网络模型,以生成识别模型。
12.根据权利要求11所述的装置,其特征在于,所述识别模型生成模块包括:
神经元输入子模块,用于将所述已识别的农作物和害虫的特征信息作为神经元输入;
计算层获得子模块,用于对所述神经元进行特征提取和特征映射,以获得多个计算层;
计算层求解子模块,用于分别对每个计算层进行求解,以完成识别模型的构建。
13.根据权利要求10所述的装置,其特征在于,所述计算模块包括:
计算子模块,用于分别计算所述多种农作物的第一可信度与所述多种害虫的第二可信度的多个乘积,以所述多个乘积作为所述待识别图像的多个初始概率值。
14.根据权利要求13所述的装置,其特征在于,所述调整模块包括:
判断子模块,用于判断任一农作物与任一害虫可同时存在的概率是否超过预设阈值;
提取子模块,用于若是,则提取所述农作物与所述害虫对应的初始概率值为目标概率值。
15.根据权利要求10-14任一所述的装置,其特征在于,所述识别模块包括:
确定子模块,用于确定多个目标概率值中的最大值;
识别子模块,用于分别识别所述目标概率值的最大值对应的农作物和害虫为所述待识别图像中的待识别农作物和待识别害虫,以获得虫害描述信息。
16.根据权利要求15所述的装置,其特征在于,还包括:
农药配方信息生成模块,用于基于所述虫害描述信息,生成农药配方信息。
17.根据权利要求16所述的装置,其特征在于,还包括:
喷洒作业任务生成模块,用于基于所述农药配方信息,生成喷洒作业任务。
18.根据权利要求17所述的装置,其特征在于,还包括:
喷洒作业任务发送模块,用于将所述喷洒作业任务发送至无人机中,由所述无人机执行对应的喷洒作业。
19.一种农作物的虫害识别装置,包括存储器、处理器,以及,存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现:
获取待识别图像;
采用预置的识别模型,分别确定所述待识别图像中待识别农作物和待识别害虫的可信度,所述识别模型通过对多个样本图像进行训练获得;
基于所述待识别农作物和待识别害虫的可信度,计算所述待识别图像的初始概率值;
对所述初始概率值进行调整,以获得所述待识别图像的目标概率值;
根据所述目标概率值,识别所述待识别农作物和待识别害虫。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710712584.9A CN109409170B (zh) | 2017-08-18 | 2017-08-18 | 农作物的虫害识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710712584.9A CN109409170B (zh) | 2017-08-18 | 2017-08-18 | 农作物的虫害识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109409170A CN109409170A (zh) | 2019-03-01 |
CN109409170B true CN109409170B (zh) | 2020-09-25 |
Family
ID=65463076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710712584.9A Active CN109409170B (zh) | 2017-08-18 | 2017-08-18 | 农作物的虫害识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109409170B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969210A (zh) * | 2019-12-02 | 2020-04-07 | 中电科特种飞机系统工程有限公司 | 一种小慢目标的识别分类方法、装置、设备及存储介质 |
CN111340070B (zh) * | 2020-02-11 | 2024-03-26 | 杭州睿琪软件有限公司 | 植物病虫害诊断方法和系统 |
CN111797835B (zh) * | 2020-06-01 | 2024-02-09 | 深圳市识农智能科技有限公司 | 一种病症识别方法、病症识别装置及终端设备 |
CN112966758B (zh) * | 2021-03-12 | 2022-04-15 | 中化现代农业有限公司 | 一种农作物病虫草害识别方法、装置、系统及存储介质 |
CN113900451A (zh) * | 2021-11-17 | 2022-01-07 | 湖南精飞智能科技有限公司 | 基于5g北斗技术的无人机数字农业应用系统 |
CN115291541A (zh) * | 2022-01-18 | 2022-11-04 | 聊城市农业技术推广服务中心(聊城市绿色农业发展服务中心) | 一种农作物病虫害监测系统与方法 |
CN116259078B (zh) * | 2023-05-16 | 2023-07-28 | 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 |
CN116468962B (zh) * | 2023-06-20 | 2023-10-24 | 浙江天演维真网络科技股份有限公司 | 害虫识别方法、装置、设备及介质 |
CN117437385B (zh) * | 2023-12-21 | 2024-04-02 | 武汉新普惠科技有限公司 | 基于视觉分析的农业害虫识别系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819748A (zh) * | 2012-07-19 | 2012-12-12 | 河南工业大学 | 害虫稀疏表征分类识别方法与分类识别装置 |
CN106023159A (zh) * | 2016-05-10 | 2016-10-12 | 中国农业大学 | 设施蔬菜叶部病斑图像分割方法及系统 |
CN106912331A (zh) * | 2017-03-02 | 2017-07-04 | 深圳春沐源农业科技有限公司 | 一种针对农作物害虫的喷药方法及喷药系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008118977A1 (en) * | 2007-03-26 | 2008-10-02 | Desert Research Institute | Data analysis process |
-
2017
- 2017-08-18 CN CN201710712584.9A patent/CN109409170B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819748A (zh) * | 2012-07-19 | 2012-12-12 | 河南工业大学 | 害虫稀疏表征分类识别方法与分类识别装置 |
CN106023159A (zh) * | 2016-05-10 | 2016-10-12 | 中国农业大学 | 设施蔬菜叶部病斑图像分割方法及系统 |
CN106912331A (zh) * | 2017-03-02 | 2017-07-04 | 深圳春沐源农业科技有限公司 | 一种针对农作物害虫的喷药方法及喷药系统 |
Non-Patent Citations (1)
Title |
---|
基于贝叶斯决策的果树害虫图像分割研究;廉世彬 等;《农业网络信息》;20161231(第2期);第29-33页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109409170A (zh) | 2019-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109409170B (zh) | 农作物的虫害识别方法和装置 | |
Partel et al. | Automated vision-based system for monitoring Asian citrus psyllid in orchards utilizing artificial intelligence | |
Andrianto et al. | Smartphone application for deep learning-based rice plant disease detection | |
Yano et al. | Identification of weeds in sugarcane fields through images taken by UAV and Random Forest classifier | |
Chazette et al. | Basic algorithms for bee hive monitoring and laser-based mite control | |
Tiwari et al. | An experimental set up for utilizing convolutional neural network in automated weed detection | |
WO2021211718A1 (en) | Image monitoring for control of invasive grasses | |
JP2022542764A (ja) | 農業機器を用いて農場を処置するための適用マップを生成する方法 | |
CN108629289B (zh) | 农田的识别方法及系统、应用于农业的无人机 | |
JPWO2021043904A5 (zh) | ||
Gothai et al. | Weed identification using convolutional neural network and convolutional neural network architectures | |
Yadav et al. | Detecting volunteer cotton plants in a corn field with deep learning on UAV remote-sensing imagery | |
Eppinga et al. | Spatially explicit removal strategies increase the efficiency of invasive plant species control | |
EP3516580B1 (de) | Bekämpfung von schadorganismen | |
Sehree et al. | Olive trees cases classification based on deep convolutional neural network from unmanned aerial vehicle imagery | |
Tian et al. | Tomato leaf diseases recognition based on deep convolutional neural networks | |
Yano et al. | Choosing classifier for weed identification in sugarcane fields through images taken by UAV. | |
CN110569858A (zh) | 一种基于深度学习算法的烟叶病虫害识别方法 | |
Kandalkar et al. | Classification of agricultural pests using dwt and back propagation neural networks | |
US20210084885A1 (en) | Apparatus for spray management | |
Ampatzidis | Applications of artificial intelligence for precision agriculture: Ae529, 12/2018 | |
US20220392214A1 (en) | Scouting functionality emergence | |
Naufal et al. | Insects identification with convolutional neural network technique in the sweet corn field | |
CN112164041A (zh) | 基于多尺度深度神经网络的黄龙病自动诊疗系统及方法 | |
Yadav et al. | Artificial Intelligence in Agriculture |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 510000 Block C, 115 Gaopu Road, Tianhe District, Guangzhou City, Guangdong Province Patentee after: Guangzhou Jifei Technology Co.,Ltd. Address before: 510000 No. 1, Si Cheng Road, Gaotang Software Park, Tianhe District, Guangzhou, Guangdong 3A01 Patentee before: Guangzhou Xaircraft Technology Co.,Ltd. |