CN109446958A - 施药效果的确定方法及装置、系统 - Google Patents
施药效果的确定方法及装置、系统 Download PDFInfo
- Publication number
- CN109446958A CN109446958A CN201811217974.XA CN201811217974A CN109446958A CN 109446958 A CN109446958 A CN 109446958A CN 201811217974 A CN201811217974 A CN 201811217974A CN 109446958 A CN109446958 A CN 109446958A
- Authority
- CN
- China
- Prior art keywords
- image
- pesticide
- feature information
- target area
- supplying effect
- 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
- 239000000575 pesticide Substances 0.000 title claims abstract description 139
- 230000000694 effects Effects 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000005507 spraying Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 18
- 239000003814 drug Substances 0.000 claims description 6
- 238000004040 coloring Methods 0.000 claims description 5
- 241000196324 Embryophyta Species 0.000 description 22
- 235000013399 edible fruits Nutrition 0.000 description 22
- 239000007921 spray Substances 0.000 description 7
- 230000005070 ripening Effects 0.000 description 6
- 239000002917 insecticide Substances 0.000 description 5
- 241000607479 Yersinia pestis Species 0.000 description 4
- 239000002837 defoliant Substances 0.000 description 4
- 229940079593 drug Drugs 0.000 description 4
- 230000002363 herbicidal effect Effects 0.000 description 4
- 229920000742 Cotton Polymers 0.000 description 3
- 241000219146 Gossypium Species 0.000 description 3
- 240000002024 Gossypium herbaceum Species 0.000 description 3
- 235000004341 Gossypium herbaceum Nutrition 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 230000000857 drug effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000241602 Gossypianthus Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Catching Or Destruction (AREA)
Abstract
本申请公开了一种施药效果的确定方法及装置、系统。其中,该方法包括:在进行农药喷洒作业之前,获取目标区域的第一图像;在完成农药喷洒作业之后的预设时间后,获取目标区域的第二图像;基于训练得到的图像识别模型识别第一图像和第二图像,分别得到目标对象在目标区域的第一特征信息和第二特征信息;比较第一特征信息和第二特征信息,依据比较结果确定农药的施药效果。本申请解决了由于通过人力查看农药施药效果造成的耗时长、效率低的技术问题。
Description
技术领域
本申请涉及农业智能控制领域,具体而言,涉及一种施药效果的确定方法及装置、系统。
背景技术
现阶段,在对农作物进行农药喷洒作业后,经过一段时间后,一般都是通过人力查看农药的施药效果,如果农作物的生长区域面积比较大,或者在对大规模农场进行农药喷洒作业,如果仅凭人力查看农药的施药效果,耗时长效率低,而且如果没有及时了解农药的施药效果,可能会影响后续农药喷洒策略的制定。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种施药效果的确定方法及装置、系统,以至少解决由于通过人力查看农药施药效果造成的耗时长、效率低的技术问题。
根据本申请实施例的一个方面,提供了一种施药效果的确定方法,包括:在进行农药喷洒作业之前,获取目标区域的第一图像;在完成农药喷洒作业之后的预设时间后,获取目标区域的第二图像;基于训练得到的图像识别模型识别第一图像和第二图像,分别得到目标对象在目标区域的第一特征信息和第二特征信息;比较第一特征信息和第二特征信息,依据比较结果确定农药的施药效果。
可选地,图像识别模型通过以下方式确定:按照特征等级对海量的样本图像进行标记;对标记了特征等级的多个样本图像进行聚类,获取不同类型的样本图像对应的特征等级;基于不同类型的样本图像对应的特征等级进行样本训练,生成图像识别模型。
可选地,基于训练得到的图像识别模型识别第一图像和第二图像,分别得到目标对象在目标区域的第一特征信息和第二特征信息包括:将第一图像和第二图像分别输入至图像识别模型进行分析,分别得到目标对象在目标区域的第一特征信息和第二特征信息。
可选地,比较第一特征信息和第二特征信息,依据比较结果确定农药的施药效果,包括:获取第一特征信息和第二特征信息的差值;如果差值大于或者等于第一阈值,确定施药效果属于第一级别;如果差值小于第一阈值,确定施药效果属于第二级别,其中,第一级别对应的施药效果优于第二级别对应的施药效果。
可选地,依据比较结果确定农药的施药效果之后,上述方法还包括:如果差值小于第一阈值,确定需要对目标区域进行再次施药;如果差值大于或者等于第一阈值,拒绝对目标区域再次进行施药。
可选地,依据比较结果确定农药的施药效果之后,方法还包括:如果差值小于第一阈值,将目标区域划分为多个子目标区域;对多个子目标区域的图像进行识别,得到多个子目标区域的图像的特征信息;比较多个子目标区域的图像的特征信息与第二阈值,依据比较结果确定是否需要对多个子目标区域再次施药。
可选地,特征信息包括:密度信息及颜色信息;特征等级包括:密度等级及颜色等级。
根据本申请实施例的另一方面,还提供了一种施药效果的确定装置,包括:第一获取模块,用于在进行农药喷洒作业之前,获取目标区域的第一图像;第二获取模块,用于在完成农药喷洒作业之后的一段预设时间后,获取目标区域的第二图像;识别模块,用于基于训练得到的图像识别模型识别第一图像和第二图像,分别得到目标对象在目标区域的第一特征信息和第二特征信息;确定模块,用于比较第一特征信息和第二特征信息,依据比较结果确定农药的施药效果。
根据本申请实施例的再一方面,还提供了一种施药效果的确定系统,包括:测绘无人机,用于在进行农药喷洒作业之前,获取目标区域的第一图像;在完成农药喷洒作业之后的预设时间后,获取目标区域的第二图像;服务器,用于基于训练得到的图像识别模型识别第一图像和第二图像,分别得到目标对象在目标区域的第一特征信息和第二特征信息;以及比较第一特征信息和第二特征信息,依据比较结果确定农药的施药效果。
根据本申请实施例的再一方面,还提供了一种存储介质,存储介质包括存储的程序,其中,程序运行时控制存储介质所在的设备执行上述的施药效果的确定方法。
根据本申请实施例的再一方面,还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述的施药效果的确定方法。
在本申请实施例中,采用在进行农药喷洒作业之前,获取目标区域的第一图像;在完成农药喷洒作业之后的预设时间后,获取目标区域的第二图像;基于训练得到的图像识别模型识别第一图像和第二图像,分别得到目标对象在目标区域的第一特征信息和第二特征信息;比较第一特征信息和第二特征信息,依据比较结果确定农药的施药效果的方式,通过采集施药前后目标区域的图像,并利用机器学习模型对采集的施药前后的图像进行识别,依据识别结果确定农药的施药效果,从而实现了快速准确地确定农药的施药效果的技术效果,进而解决了由于通过人力查看农药施药效果造成的耗时长、效率低的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种施药效果的确定方法的流程图;
图2是根据本申请实施例的一种获取图像识别模型的方法的流程图;
图3是根据本申请实施例的另一种施药效果的确定方法的流程图;
图4是根据本申请实施例的一种施药效果的确定系统的结构图;
图5是根据本申请实施例的一种施药效果的确定装置的结构图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元
根据本申请实施例,提供了一种施药效果的确定的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本申请实施例的一种施药效果的确定方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,在进行农药喷洒作业之前,获取目标区域的第一图像。
步骤S104,在完成农药喷洒作业之后的预设时间后,获取目标区域的第二图像。
在本申请的一些可选的实施例中,步骤S102至步骤S104中的目标区域为农作物的生长区域,可以通过可移动的高清图像采集装置获取农作物生长区域的高清图像,可选地,高清图像采集装置也可以安装在无人机上,对农作物生长区的图像信息进行采集。
在完成农药喷洒作业后,由于农药的药效发挥需要一定的时间,因此需要经过一段时间才能再次采集目标区域的图像,
步骤S106,基于训练得到的图像识别模型识别第一图像和第二图像,分别得到目标对象在目标区域的第一特征信息和第二特征信息。
图2是根据本申请实施例的一种获取图像识别模型的方法的流程图,如图2所示,该方法包括以下步骤:
步骤S202,按照特征等级对海量的样本图像进行标记。
步骤S204,对标记了特征等级的多个样本图像进行聚类,获取不同类型的样本图像对应的特征等级。
步骤S206,基于不同类型的样本图像对应的特征等级进行样本训练,生成图像识别模型。
在本申请的一些可选的实施例中,上述特征信息包括:密度信息及颜色信息;特征等级包括:密度等级及颜色等级。
根据本申请的一个可选的实施例,密度信息可以是目标区域内杂草的分布密度信息、目标区域内害虫的分布密度信息,颜色信息可以是目标区域内果实的颜色信息;相应地,密度等级可以是目标区域内杂草的密度等级、目标区域内害虫的密度等级,颜色等级可以是目标区域内果实的颜色等级。
人工智能识别算法具体是首先对大量图片进行特征等级标记,步骤S204中对标记了特征等级的多个样本图像进行聚类,获取不同类型的样本图像对应的特征等级是指通过对多个样本图像进行聚类,获取杂草密度等级对应的样本图像、害虫密度等级对应的图像及果实颜色等级对应的图像。然后对杂草密度等级对应的样本图像、害虫密度等级对应的图像及果实颜色等级对应的图像进行训练,得到图像识别模型。
在本申请的一些可选的实施例中,步骤S106通过以下步骤完成:将第一图像和第二图像分别输入至图像识别模型进行分析,分别得到目标对象在目标区域的第一特征信息和第二特征信息。
以杂草为例对上述实施例进行说明,可以在数据库中预存杂草密度与杂草类型的对应关系,根据预先设定的杂草密度信息的评价标准确定杂草的密度信息,可以用每平米目标区域内杂草的数量来将杂草的密度信息数值化,比如杂草密度为每平米1-5颗,每平米5-10颗,每平米10-20颗,每平米20颗及20颗等。
对果树喷洒催熟药物时,如果需要确定喷药效果,则需要采集施药前后果实的图像信息,通过比对施药前后果实颜色的变化,以确定施药效果。可以通过计算果实图像的平均灰度值将果实颜色信息数值化:
Gray=0.3*R+0.59*G+0.11*B
其中,Gray为像素点的灰度值,R=G=B且为小于255的整数。R、G、B为图像中某个像素点的三原色数值,R代表红色,G代表绿色,B代表蓝色。通过以下步骤计算果实图像的平均灰度值:遍历待处理图形的像素;对每个像素点的灰度值进行累加求和;计算图像的像素点总个数;计算图像的平均灰度值。用计算得到的像素点灰度值的和、像素点总个数相除即得到图形的平均灰度值
步骤S108,比较第一特征信息和第二特征信息,依据比较结果确定农药的施药效果。
图3是根据本申请实施例的另一种施药效果的确定方法的流程图,如图3所示,该方法包括以下步骤:
步骤S302,获取第一特征信息和第二特征信息的差值。
步骤S304,如果差值大于或者等于第一阈值,确定施药效果属于第一级别。
步骤S306,如果差值小于第一阈值,确定施药效果属于第二级别,其中,第一级别对应的施药效果优于第二级别对应的施药效果。
根据本申请的一个可选的实施例,获取第一特征信息和第二特征信息的差值,然后利用该差值与预设的阈值进行比较,比如预先设定一个阈值为15,通过识别得到第一密度信息为每平米内杂草的数量为20颗,识别得到的第二密度信息为每平米内杂草的数量为3颗,利用第一密度信息减第二密度信息得到的差为17,大于预设值15,说明农药达到了比较好的除草效果。比如通过识别得到第一密度信息为每平米内杂草的数量为20颗,识别得到的第二密度信息为每平米内杂草的数量为14颗,利用第一密度信息减第二密度信息得到的差为6,远小于预设值15,说明农药达的除草效果不理想。也就是说施药前后识别的杂草的密度信息之差越大说明施药效果越理想。
根据本申请的一个可选的实施例,在确定对果树喷洒的果实催熟药物的施药效果时,预先设定一个阈值,通过识别得到喷药前果实图像中果实颜色的平均灰度值为Gray1,喷药后果实图像中果实颜色的平均灰度值为Gray2,如果Gray1与Gray2的差值大于预先设定的阈值,说明果实催熟药物达到了比较好的催熟效果;如果Gray1与Gray2的差值小于预先设定的阈值,说明果实催熟药物的催熟效果不理想。也就是说施药前后果实图像平均灰度值之差越大说明施药效果好。
在本申请的一些可选的实施例中,在棉花成熟时,为了便于棉花的采摘,需要对棉花种植区域喷洒落叶剂,使棉花植株的叶子脱落,在确定落叶剂的施药效果时,需要在喷洒落叶剂前后分别采集棉花种植区域的图像,通过采集到的图像获取棉花植株的叶子的密度信息,根据施药前后棉花植株的叶子密度信息的差值确定落叶剂的施药效果,差值越大说明施药效果越好。
在本申请的一些可选的实施例中,步骤S108完成之后,上述方法还包括:如果差值小于第一阈值,确定需要对目标区域进行再次施药;如果差值大于或者等于第一阈值,拒绝对目标区域再次进行施药。
如果施药前后识别到的杂草的密度信息的差值小于预设值,说明农药的施药效果不理想需要再次对农作物喷洒农药,相反的,如果施药前后识别到的杂草的密度信息的差值大于或者等于预设值,说明施药效果比较好,一定时间内不需要再次对相同的农作物生长区域再次喷洒农药。
在本申请的一些可选的实施例中,步骤S108完成之后,上述方法还包括:如果差值小于第一阈值,将目标区域划分为多个子目标区域;对多个子目标区域的图像进行识别,得到多个子目标区域的图像的特征信息;比较多个子目标区域的图像的特征信息与第二阈值,依据比较结果确定是否需要对多个子目标区域再次施药。
比如通过识别得到第一密度信息为每平米内杂草的数量为20颗,识别得到的第二密度信息为每平米内杂草的数量为14颗,利用第一密度信息减第二密度信息得到的差为6,远小于预设值15,说明农药达的除草效果不理想,需要对农作物生长区域再次喷洒农药,但上述识别结果是该农作物生长区域的一个平均密度信息,如果继续以相同的农药喷洒剂量再次对该区域进行喷洒,虽然可以达到除草效果,但在一定程度上会造成农药的浪费。因此通过将农作物生长区域划分为多个小的子区域,然后分别对多个子区域的图像进行识别,得到多个子区域中杂草的密度信息,利用得到的多个子区域的密度信息根据预先设定的另一个阈值进行比较,对密度大于该阈值的子区域再次喷洒农药,对于密度小于该阈值的子区域则在一定的时间内不再喷洒农药。
通过上述步骤,通过采集施药前后目标区域的图像,并利用机器学习模型对采集的施药前后的图像进行识别,依据识别结果确定农药的施药效果,可以实现快速准确地确定农药的施药效果的技术效果。
图4是根据本申请实施例的一种施药效果的确定系统的结构图,如图4所示,该系统包括:
测绘无人机40,用于在进行农药喷洒作业之前,获取目标区域的第一图像;在完成农药喷洒作业之后的预设时间后,获取目标区域的第二图像。
根据本申请的一个可选的实施例,通过安装在无人机上的高清图像采集装置采集农作物生长区域的图像。
服务器42,与测绘无人机40通信连接。用于基于训练得到的图像识别模型识别第一图像和第二图像,分别得到目标对象在目标区域的第一特征信息和第二特征信息;以及比较第一特征信息和第二特征信息,依据比较结果确定农药的施药效果。
需要说明的是,图4所示实施例的优选实施方式可以参见图1至图3所示实施例的描述,此处不再赘述。
图5是根据本申请实施例的一种施药效果的确定装置的结构图,如图5所示,该装置包括:
第一获取模块50,用于在进行农药喷洒作业之前,获取目标区域的第一图像.
第二获取模块52,用于在完成农药喷洒作业之后的一段预设时间后,获取目标区域的第二图像。
识别模块54,用于基于训练得到的图像识别模型识别第一图像和第二图像,分别得到目标对象在目标区域的第一密度信息和第二密度信息。
确定模块56,用于比较第一密度信息和第二密度信息,依据比较结果确定农药的施药效果。
需要说明的是,图5所示实施例的优选实施方式可以参见图1至图3所示实施例的描述,此处不再赘述。
本申请实施例的还提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行上述的施药效果的确定方法。
上述存储介质用于存储执行以下功能的程序:在进行农药喷洒作业之前,获取目标区域的第一图像;在完成农药喷洒作业之后的预设时间后,获取目标区域的第二图像;基于训练得到的图像识别模型识别第一图像和第二图像,分别得到目标对象在目标区域的第一特征信息和第二特征信息;比较第一特征信息和第二特征信息,依据比较结果确定农药的施药效果。
本申请实施例的还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述的施药效果的确定方法。
上述处理器用于执行实现以下功能的程序:在进行农药喷洒作业之前,获取目标区域的第一图像;在完成农药喷洒作业之后的预设时间后,获取目标区域的第二图像;基于训练得到的图像识别模型识别第一图像和第二图像,分别得到目标对象在目标区域的第一特征信息和第二特征信息;比较第一特征信息和第二特征信息,依据比较结果确定农药的施药效果。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (11)
1.一种施药效果的确定方法,其特征在于,包括:
在进行农药喷洒作业之前,获取目标区域的第一图像;
在完成所述农药喷洒作业之后的预设时间后,获取所述目标区域的第二图像;
基于训练得到的图像识别模型识别所述第一图像和第二图像,分别得到目标对象在所述目标区域的第一特征信息和第二特征信息;
比较所述第一特征信息和第二特征信息,依据比较结果确定所述农药的施药效果。
2.根据权利要求1所述的方法,其特征在于,所述图像识别模型通过以下方式确定:
按照特征等级对海量的样本图像进行标记;
对标记了特征等级的多个样本图像进行聚类,获取不同类型的样本图像对应的特征等级;
基于不同类型的样本图像对应的特征等级进行样本训练,生成所述图像识别模型。
3.根据权利要求2所述的方法,其特征在于,基于训练得到的图像识别模型识别所述第一图像和第二图像,分别得到目标对象在所述目标区域的第一特征信息和第二特征信息包括:
将所述第一图像和第二图像分别输入至所述图像识别模型进行分析,分别得到所述目标对象在所述目标区域的第一特征信息和第二特征信息。
4.根据权利要求3所述的方法,其特征在于,比较所述第一特征信息和第二特征信息,依据比较结果确定所述农药的施药效果,包括:
获取所述第一特征信息和第二特征信息的差值;
如果所述差值大于或者等于第一阈值,确定所述施药效果属于第一级别;
如果所述差值小于所述第一阈值,确定所述施药效果属于第二级别,其中,所述第一级别对应的施药效果优于所述第二级别对应的施药效果。
5.根据权利要求4所述的方法,其特征在于,依据比较结果确定所述农药的施药效果之后,所述方法还包括:
如果所述差值小于所述第一阈值,确定需要对所述目标区域进行再次施药;
如果所述差值大于或者等于所述第一阈值,拒绝对所述目标区域再次进行施药。
6.根据权利要求4所述的方法,其特征在于,依据比较结果确定所述农药的施药效果之后,所述方法还包括:
如果所述差值小于所述第一阈值,将所述目标区域划分为多个子目标区域;
对所述多个子目标区域的图像进行识别,得到所述多个子目标区域的图像的特征信息;
比较所述多个子目标区域的图像的特征信息与第二阈值,依据比较结果确定是否需要对所述多个子目标区域再次施药。
7.根据权利要求2所述的方法,其特征在于,所述特征信息包括:密度信息及颜色信息;所述特征等级包括:密度等级及颜色等级。
8.一种施药效果的确定系统,其特征在于,包括:
测绘无人机,用于在进行农药喷洒作业之前,获取目标区域的第一图像;在完成所述农药喷洒作业之后的预设时间后,获取所述目标区域的第二图像;
服务器,用于基于训练得到的图像识别模型识别所述第一图像和第二图像,分别得到目标对象在所述目标区域的第一特征信息和第二特征信息;以及比较所述第一特征信息和第二特征信息,依据比较结果确定所述农药的施药效果。
9.一种施药效果的确定装置,其特征在于,包括:
第一获取模块,用于在进行农药喷洒作业之前,获取目标区域的第一图像;
第二获取模块,用于在完成所述农药喷洒作业之后的一段预设时间后,获取所述目标区域的第二图像;
识别模块,用于基于训练得到的图像识别模型识别所述第一图像和第二图像,分别得到目标对象在所述目标区域的第一特征信息和第二特征信息;
确定模块,用于比较所述第一特征信息和第二特征信息,依据比较结果确定所述农药的施药效果。
10.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序执行权利要求1至7中任意一项所述的施药效果的确定方法。
11.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至7中任意一项所述的施药效果的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811217974.XA CN109446958B (zh) | 2018-10-18 | 2018-10-18 | 施药效果的确定方法及装置、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811217974.XA CN109446958B (zh) | 2018-10-18 | 2018-10-18 | 施药效果的确定方法及装置、系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109446958A true CN109446958A (zh) | 2019-03-08 |
CN109446958B CN109446958B (zh) | 2020-11-17 |
Family
ID=65546665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811217974.XA Active CN109446958B (zh) | 2018-10-18 | 2018-10-18 | 施药效果的确定方法及装置、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109446958B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110162087A (zh) * | 2019-05-17 | 2019-08-23 | 安徽舒州农业科技有限责任公司 | 一种植保无人机自动识别农作物病害的方法及装置 |
CN112805649A (zh) * | 2020-04-26 | 2021-05-14 | 深圳市大疆创新科技有限公司 | 喷洒评估方法、设备及存储介质 |
CN112883129A (zh) * | 2020-12-30 | 2021-06-01 | 广州极飞科技股份有限公司 | 农作物作业状态确定方法、农作物作业方法及相关装置 |
CN112949357A (zh) * | 2019-12-10 | 2021-06-11 | 广州极飞科技股份有限公司 | 图像处理方法、装置、存储介质、作业系统及作业设备的控制方法 |
CN113973793A (zh) * | 2021-09-09 | 2022-01-28 | 常州希米智能科技有限公司 | 一种病虫害区域无人机喷洒处理方法和系统 |
CN114463649A (zh) * | 2021-12-30 | 2022-05-10 | 广州极飞科技股份有限公司 | 土壤虫害确定方法及装置、农药配方生成方法及装置 |
WO2022095061A1 (zh) * | 2020-11-09 | 2022-05-12 | 深圳市大疆创新科技有限公司 | 基于雷达的喷洒评估方法、设备及存储介质 |
CN116091475A (zh) * | 2023-02-17 | 2023-05-09 | 七海行(深圳)科技有限公司 | 一种喷洒效果的确认方法及装置 |
CN116168193A (zh) * | 2023-02-22 | 2023-05-26 | 七海行(深圳)科技有限公司 | 施药设备的校准方法、装置和设备 |
CN117132934A (zh) * | 2023-08-28 | 2023-11-28 | 广东省农业科学院设施农业研究所 | 一种打药安全间隔期监管系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329560A (zh) * | 2008-08-01 | 2008-12-24 | 湖南农业大学 | 农业病虫害综合智能管理系统 |
US20160195505A1 (en) * | 2015-01-05 | 2016-07-07 | Deere & Company | System and method for analyzing the effectiveness of an application to a crop |
CN105941379A (zh) * | 2016-06-23 | 2016-09-21 | 江苏大学 | 一种风送智能喷雾机器人喷雾协调控制系统及施药方法 |
-
2018
- 2018-10-18 CN CN201811217974.XA patent/CN109446958B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329560A (zh) * | 2008-08-01 | 2008-12-24 | 湖南农业大学 | 农业病虫害综合智能管理系统 |
US20160195505A1 (en) * | 2015-01-05 | 2016-07-07 | Deere & Company | System and method for analyzing the effectiveness of an application to a crop |
CN105941379A (zh) * | 2016-06-23 | 2016-09-21 | 江苏大学 | 一种风送智能喷雾机器人喷雾协调控制系统及施药方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110162087A (zh) * | 2019-05-17 | 2019-08-23 | 安徽舒州农业科技有限责任公司 | 一种植保无人机自动识别农作物病害的方法及装置 |
CN112949357A (zh) * | 2019-12-10 | 2021-06-11 | 广州极飞科技股份有限公司 | 图像处理方法、装置、存储介质、作业系统及作业设备的控制方法 |
CN112805649A (zh) * | 2020-04-26 | 2021-05-14 | 深圳市大疆创新科技有限公司 | 喷洒评估方法、设备及存储介质 |
WO2021217313A1 (zh) * | 2020-04-26 | 2021-11-04 | 深圳市大疆创新科技有限公司 | 喷洒评估方法、设备及存储介质 |
WO2022095061A1 (zh) * | 2020-11-09 | 2022-05-12 | 深圳市大疆创新科技有限公司 | 基于雷达的喷洒评估方法、设备及存储介质 |
CN112883129A (zh) * | 2020-12-30 | 2021-06-01 | 广州极飞科技股份有限公司 | 农作物作业状态确定方法、农作物作业方法及相关装置 |
CN113973793B (zh) * | 2021-09-09 | 2023-08-04 | 常州希米智能科技有限公司 | 一种病虫害区域无人机喷洒处理方法和系统 |
CN113973793A (zh) * | 2021-09-09 | 2022-01-28 | 常州希米智能科技有限公司 | 一种病虫害区域无人机喷洒处理方法和系统 |
CN114463649A (zh) * | 2021-12-30 | 2022-05-10 | 广州极飞科技股份有限公司 | 土壤虫害确定方法及装置、农药配方生成方法及装置 |
CN114463649B (zh) * | 2021-12-30 | 2023-02-14 | 广州极飞科技股份有限公司 | 土壤虫害确定方法及装置、农药配方生成方法及装置 |
CN116091475A (zh) * | 2023-02-17 | 2023-05-09 | 七海行(深圳)科技有限公司 | 一种喷洒效果的确认方法及装置 |
CN116168193A (zh) * | 2023-02-22 | 2023-05-26 | 七海行(深圳)科技有限公司 | 施药设备的校准方法、装置和设备 |
CN116168193B (zh) * | 2023-02-22 | 2024-03-19 | 七海行(深圳)科技有限公司 | 施药设备的校准方法、装置和设备 |
CN117132934A (zh) * | 2023-08-28 | 2023-11-28 | 广东省农业科学院设施农业研究所 | 一种打药安全间隔期监管系统及方法 |
CN117132934B (zh) * | 2023-08-28 | 2024-03-01 | 广东省农业科学院设施农业研究所 | 一种打药安全间隔期监管系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109446958B (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109446958A (zh) | 施药效果的确定方法及装置、系统 | |
CN109409275B (zh) | 目标对象的识别方法及装置、施药信息的确定方法 | |
CN109197278B (zh) | 作业策略的确定方法及装置、药物喷洒策略的确定方法 | |
AU2015265625B2 (en) | Methods, systems, and devices relating to real-time object identification | |
Boissard et al. | A cognitive vision approach to early pest detection in greenhouse crops | |
EP3741214A1 (en) | Method for plantation treatment based on image recognition | |
CN108629289B (zh) | 农田的识别方法及系统、应用于农业的无人机 | |
CN109409170B (zh) | 农作物的虫害识别方法和装置 | |
CN109446959A (zh) | 目标区域的划分方法及装置、药物的喷洒控制方法 | |
CN109496622A (zh) | 害虫的识别方法及装置、施药信息的确定方法、植保系统 | |
CN1628513A (zh) | 农药精确对靶施用方法 | |
CN112541383B (zh) | 杂草区域的识别方法和装置 | |
US20230206626A1 (en) | Plant disease and pest control method using spectral remote sensing and artificial intelligence | |
CN112204569A (zh) | 结合多光谱和地表语义的作业规划方法、装置及设备 | |
CN116630663A (zh) | 一种基于物联网的智能施药方法及系统 | |
CN113631035B (zh) | 基于摄像头的害虫管理喷雾器 | |
CN109197275A (zh) | 杂草种类的识别方法及装置、施药信息的确定方法 | |
CN111753615A (zh) | 变量喷洒方法及装置、电子设备及存储介质 | |
CN113377141A (zh) | 一种人工智能农业自动管理系统 | |
Parra et al. | The use of image processing techniques for detection of weed in lawns | |
CN111122453A (zh) | 信息处理方法、装置和系统 | |
CN109685705A (zh) | 害虫生长情况的确定方法及装置、施药信息的确定方法 | |
CN109492541A (zh) | 目标对象类型的确定方法及装置、植保方法、植保系统 | |
CN116310490A (zh) | 一种农业病虫害远程自动诊断系统及方法 | |
CN109214485A (zh) | 作业参数配置方法及装置 |
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 |
Address after: 510000 Block C, 115 Gaopu Road, Tianhe District, Guangzhou City, Guangdong Province Patentee after: XAG Co., Ltd. Address before: 510000, No. 1, Cheng Cheng Road, Gaotang Software Park, Guangzhou, Guangdong, Tianhe District, 3A01 Patentee before: Guangzhou Xaircraft Technology Co.,Ltd. |
|
CP03 | Change of name, title or address |