CN111507242A - 一种基于大数据植物病虫害智能识别方法 - Google Patents
一种基于大数据植物病虫害智能识别方法 Download PDFInfo
- Publication number
- CN111507242A CN111507242A CN202010292182.XA CN202010292182A CN111507242A CN 111507242 A CN111507242 A CN 111507242A CN 202010292182 A CN202010292182 A CN 202010292182A CN 111507242 A CN111507242 A CN 111507242A
- Authority
- CN
- China
- Prior art keywords
- module
- disease
- pest
- insect
- insect pest
- 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.)
- Withdrawn
Links
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 343
- 201000010099 disease Diseases 0.000 title claims abstract description 320
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 320
- 241000238631 Hexapoda Species 0.000 title claims abstract description 225
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000003139 buffering effect Effects 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000012790 confirmation Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 8
- 230000002457 bidirectional effect Effects 0.000 claims description 5
- 238000012797 qualification Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 2
- -1 n Species 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 238000009795 derivation Methods 0.000 claims 3
- 238000012795 verification Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 208000035473 Communicable disease Diseases 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 239000003181 biological factor Substances 0.000 description 3
- 241000894006 Bacteria Species 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000233866 Fungi Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 208000030852 Parasitic disease Diseases 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 244000053095 fungal pathogen Species 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 244000045947 parasite Species 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24552—Database cache management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明公开了一种基于大数据植物病虫害智能识别方法，具体包括以下步骤：步骤1：系统通电自检，步骤2：当前病虫害拍照记录，步骤3：病虫害相关数据处理，步骤4：植物病虫害分析预测，本发明涉及病虫害技术领域。该基于大数据植物病虫害智能识别方法，通过植物病虫害分析预测模块中病虫害预警模块、病虫害时间对比模块、病虫害地点对比模块、病虫害状态对比模块、病虫害缓冲载入模块和预警日志及备忘录保存模块的联合设置，使得病虫害发作的时间、地点等信息被准确记录，并将其存入缓冲模块，在符合要求的时刻，及时将数据从缓冲数据单元中提取，并将预警信息公开发布，并将发布信息保存，方便后续查证。
Description
技术领域
本发明涉及病虫害技术领域，具体为一种基于大数据植物病虫害智能识别方法。
背景技术
病虫害是病害和虫害的并称，常对农、林、牧业等造成不良影响。引起药用植物发病的原因，包括生物因素和非生物因素。由生物因素如真菌、细菌、病毒等侵入植物体所引起的病害，有传染性，称为侵染性病害或寄生性病害，由非生物因素如旱、涝、严寒、养分失调等影响或损坏生理机能而引起的病害，没有传染性，称为非侵染性病害或生理性病害。在侵染性病害中，致病的寄生生物称为病原生物，其中真菌、细菌常称为病原菌。被侵染植物称为寄主植物。
普通的植物病虫害发生后，依靠专业人员的肉眼识别分辨出植物病虫害的种类，然后采取一定的治疗措施，但是在植物病虫害爆发季节，植物病虫害的数量巨大及分布范围十分广泛，专业人员往往不能及时赶到现场对病虫害进行区分，严重影响后续病虫害防治工作。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于大数据植物病虫害智能识别方法，解决了普通的植物病虫害发生后，依靠专业人员的肉眼识别分辨出植物病虫害的种类，然后采取一定的治疗措施，但是在植物病虫害爆发季节，植物病虫害的数量巨大及分布范围十分广泛，专业人员往往不能及时赶到现场对病虫害进行区分，严重影响后续病虫害防治工作的问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于大数据植物病虫害智能识别方法，具体包括以下步骤：
步骤1：系统通电自检：系统通电启动，逐项完成自检确认合格后，进入待机工作状态；
步骤2：当前病虫害拍照记录：通过病虫害局部拍照记录模块和病虫害整体拍照记录模块调用高清照相机将病虫害局部和全部整体照片详尽的拍摄记录，通过病虫害特征值提取模块将最具有疾病特征的照片内容提取出来，通过病虫害对比识别确认模块调用网络数据库对病虫害进行确认，最后通过病虫害照片及日志保存模块将相关日志保存进入网络数据库中；
步骤3：病虫害相关数据处理：通过管理员登录刷新模块检测是否为具有资格的人士进入系统，通过经典病虫害拍照记录模块，通过流行病虫害拍照记录模块将现行流行病虫害上传至网络数据库，通过病虫害数据整理分类模块对网络数据库中病虫害进行分类，通过数据缓冲导出模块将网络数据库中相关时段的病虫害倒入缓冲数据单元中；
步骤4：植物病虫害分析预测：通过病虫害时间对比模块、病虫害地点对比模块和病虫害状态对比模块将相关病虫害的时间、地点和状态进行对比，并将其数据传送至病虫害预警模块对数据分析，通过病虫害缓冲载入模块将缓冲数据单元中数据导入病虫害缓冲载入模块中，将可能发生的病虫害进行预警提醒并且通过预警日志及备忘录保存模块；
步骤5：植物病虫害纠错模块：通过过往数据对比模块将网络数据库中数据与实际数据进行对比，通过病虫害保存模块将数据保存至网络数据库中。
本发明包含一种基于大数据植物病虫害智能识别系统，包括植物病虫害识别系统，其特征在于：所述植物病虫害识别系统的输出端与放大显示单元、高清照相机和报告打印模块的输入端电性连接，所述植物病虫害识别系统与当前病虫害拍照记录模块、病虫害相关数据处理模块、植物病虫害分析预测模块和植物病虫害纠错模块实现双向连接，所述植物病虫害识别系统与网络数据库和缓冲数据单元实现双向连接，所述当前病虫害拍照记录模块包括病虫害局部拍照记录模块、病虫害整体拍照记录模块、病虫害特征值提取模块、病虫害对比识别确认模块和病虫害照片及日志保存模块，所述病虫害局部拍照记录模块的输出端与病虫害整体拍照记录模块的输入端电性连接，所述病虫害整体拍照记录模块的输出端与病虫害特征值提取模块的输入端电性连接，所述病虫害特征值提取模块的输出端与病虫害对比识别确认模块的输入端电性连接，所述病虫害对比识别确认模块的输出端与病虫害照片及日志保存模块的输入端电性连接
优选的，所述病虫害局部拍照记录模块的输入端与高清照相机的输出端电性连接，所述病虫害对比识别确认模块与网络数据库实现双向连接，所述病虫害照片及日志保存模块的输出端与网络数据库的输入端电性连接。
优选的，所述病虫害相关数据处理模块包括管理员登录刷新模块、经典病虫害拍照记录模块、流行病虫害拍照记录模块、病虫害数据整理分类模块和数据缓冲导出模块，所述管理员登录刷新模块的输出端与经典病虫害拍照记录模块的输入端电性连接，所述经典病虫害拍照记录模块的输出端与流行病虫害拍照记录模块的输入端电性连接。
优选的，所述流行病虫害拍照记录模块的输出端与病虫害数据整理分类模块的输入端电性连接，所述病虫害数据整理分类模块的输出端与数据缓冲导出模块的输入端电性连接，所述经典病虫害拍照记录模块的输出端与网络数据库的输入端电性连接，所述流行病虫害拍照记录模块的输出端端与网络数据库的输入端电性连接，所述数据缓冲导出模块的输出端与缓冲数据单元的输入端电性连接。
优选的，所述植物病虫害分析预测模块包括病虫害预警模块、病虫害时间对比模块、病虫害地点对比模块、病虫害状态对比模块、病虫害缓冲载入模块和预警日志及备忘录保存模块，病虫害时间对比模块、病虫害地点对比模块和病虫害状态对比模块的输出端与病虫害预警模块的输入端电性连接。
优选的，所述病虫害缓冲载入模块的输出端与病虫害预警模块的输入端电性连接，所述病虫害预警模块的输出端与预警日志及备忘录保存模块的输入端电性连接，所述病虫害缓冲载入模块的输入端与缓冲数据单元的输出端电性连接。
优选的，所述植物病虫害纠错模块包括过往数据对比模块和病虫害保存模块，所述过往数据对比模块的输出端与病虫害保存模块的输入端电性连接，所述过往数据对比模块与网络数据库实现双向连接，所述病虫害保存模块的输出端与网络数据库的输入端电性连接。
(三)有益效果
本发明提供了一种基于大数据植物病虫害智能识别方法。与现有技术相比，具备以下有益效果：
(1)、该基于大数据植物病虫害智能识别方法，通过当前病虫害拍照记录模块包括病虫害局部拍照记录模块、病虫害整体拍照记录模块、病虫害特征值提取模块、病虫害对比识别确认模块和病虫害照片及日志保存模块，通过当前病虫害拍照记录模块及病虫害局部拍照记录模块、病虫害整体拍照记录模块、病虫害特征值提取模块、病虫害对比识别确认模块和病虫害照片及日志保存模块的联合设置，使得本申请可以对特征值的精准识别确认出植物病虫害种类，并且通过拍照记录保存能够扩充数据中的有效样本量，提高了后续识别速度，并且可以在专业人员未能到达现场时对病虫害进行详细区分，通过报告打印模块的设置，使得设备在工作完毕后，通过报告打印模块可以将具体报告打印出来，通过植物病虫害纠错模块中过往数据对比模块和病虫害保存模块的联合设置，使得数据中能够及时对比产生更为精确的数据模型，以便后续提高识别速度。
(2)、该基于大数据植物病虫害智能识别方法，通过病虫害相关数据处理模块包括管理员登录刷新模块、经典病虫害拍照记录模块、流行病虫害拍照记录模块、病虫害数据整理分类模块和数据缓冲导出模块，通过病虫害相关数据处理模块及管理员登录刷新模块、经典病虫害拍照记录模块、流行病虫害拍照记录模块、病虫害数据整理分类模块和数据缓冲导出模块的联合设置，使得本申请可以通过管理员对数据库内的样本进行扩充，并且能够通过对数据细分和缓冲技术，可以有效提高后续识别速度。
(3)、该基于大数据植物病虫害智能识别方法，通过植物病虫害分析预测模块包括病虫害预警模块、病虫害时间对比模块、病虫害地点对比模块、病虫害状态对比模块、病虫害缓冲载入模块和预警日志及备忘录保存模块，通过植物病虫害分析预测模块中病虫害预警模块、病虫害时间对比模块、病虫害地点对比模块、病虫害状态对比模块、病虫害缓冲载入模块和预警日志及备忘录保存模块的联合设置，使得病虫害发作的时间、地点等信息被准确记录，并将其存入缓冲模块，在符合要求的时刻，及时将数据从缓冲数据单元中提取，并将预警信息公开发布，并将发布信息保存，方便后续查证。
附图说明
图1为本发明的系统原理框图；
图2为本发明当前病虫害拍照记录模块的系统原理框图；
图3为本发明病虫害相关数据处理模块的系统原理框图；
图4为本发明植物病虫害分析预测模块的系统原理框图；
图5为本发明植物病虫害纠错模块的系统原理框图。
图中，1、植物病虫害识别系统；2、放大显示单元；3、高清照相机；4、报告打印模块；5、当前病虫害拍照记录模块；51、病虫害局部拍照记录模块；52、病虫害整体拍照记录模块；53、病虫害特征值提取模块；54、病虫害对比识别确认模块；55、病虫害照片及日志保存模块；6、病虫害相关数据处理模块；61、管理员登录刷新模块；62、经典病虫害拍照记录模块；63、流行病虫害拍照记录模块；64、病虫害数据整理分类模块；65、数据缓冲导出模块；7、植物病虫害分析预测模块；71、病虫害预警模块；72、病虫害时间对比模块；73、病虫害地点对比模块；74、病虫害状态对比模块；75、病虫害缓冲载入模块；76、预警日志及备忘录保存模块；8、植物病虫害纠错模块；81、过往数据对比模块；82、病虫害保存模块；9、网络数据库；10、缓冲数据单元。
具体实施方式
下面将结合本发明实施例中的附图，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。基于本发明中的实施例，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，都属于本发明保护的范围。
请参阅图1-5，本发明实施例提供一种技术方案：一种基于大数据植物病虫害智能识别方法，具体包括以下步骤：
步骤1：系统通电自检：系统通电启动，逐项完成自检确认合格后，进入待机工作状态；
步骤2：当前病虫害拍照记录：通过病虫害局部拍照记录模块51和病虫害整体拍照记录模块52调用高清照相机3将病虫害局部和全部整体照片详尽的拍摄记录，通过病虫害特征值提取模块53将最具有疾病特征的照片内容提取出来，通过病虫害对比识别确认模块54调用网络数据库9对病虫害进行确认，最后通过病虫害照片及日志保存模块55将相关日志保存进入网络数据库9中；
步骤3：病虫害相关数据处理：通过管理员登录刷新模块61检测是否为具有资格的人士进入系统，通过经典病虫害拍照记录模块62)将过去经典病虫害照片上传至网络数据库9，通过流行病虫害拍照记录模块63将现行流行病虫害上传至网络数据库9，通过病虫害数据整理分类模块64对网络数据库9中病虫害进行分类，通过数据缓冲导出模块65将网络数据库9中相关时段的病虫害倒入缓冲数据单元10中；
步骤4：植物病虫害分析预测：通过病虫害时间对比模块72、病虫害地点对比模块73和病虫害状态对比模块74将相关病虫害的时间、地点和状态进行对比，并将其数据传送至病虫害预警模块71对数据分析，通过病虫害缓冲载入模块75将缓冲数据单元10中数据导入病虫害缓冲载入模块75中，将可能发生的病虫害进行预警提醒并且通过预警日志及备忘录保存模块76；
步骤5：植物病虫害纠错模块：通过过往数据对比模块81将网络数据库9中数据与实际数据进行对比，通过病虫害保存模块82将数据保存至网络数据库9中。
本发明包含一种基于大数据植物病虫害智能识别系统，包括植物病虫害识别系统1，植物病虫害识别系统1的输出端与放大显示单元2、高清照相机3和报告打印模块4的输入端电性连接，植物病虫害识别系统1与当前病虫害拍照记录模块5、病虫害相关数据处理模块6、植物病虫害分析预测模块7和植物病虫害纠错模块8实现双向连接，植物病虫害识别系统1与网络数据库9和缓冲数据单元10实现双向连接，当前病虫害拍照记录模块5包括病虫害局部拍照记录模块51、病虫害整体拍照记录模块52、病虫害特征值提取模块53、病虫害对比识别确认模块54和病虫害照片及日志保存模块55，病虫害局部拍照记录模块51的输出端与病虫害整体拍照记录模块52的输入端电性连接，病虫害整体拍照记录模块52的输出端与病虫害特征值提取模块53的输入端电性连接，病虫害特征值提取模块53的输出端与病虫害对比识别确认模块54的输入端电性连接，病虫害对比识别确认模块54的输出端与病虫害照片及日志保存模块55的输入端电性连接，病虫害局部拍照记录模块51的输入端与高清照相机3的输出端电性连接，病虫害对比识别确认模块54与网络数据库9实现双向连接，病虫害照片及日志保存模块55的输出端与网络数据库9的输入端电性连接，病虫害相关数据处理模块6包括管理员登录刷新模块61、经典病虫害拍照记录模块62、流行病虫害拍照记录模块63、病虫害数据整理分类模块64和数据缓冲导出模块65，管理员登录刷新模块61的输出端与经典病虫害拍照记录模块62的输入端电性连接，经典病虫害拍照记录模块62的输出端与流行病虫害拍照记录模块63的输入端电性连接，流行病虫害拍照记录模块63的输出端与病虫害数据整理分类模块64的输入端电性连接，病虫害数据整理分类模块64的输出端与数据缓冲导出模块65的输入端电性连接，经典病虫害拍照记录模块62的输出端与网络数据库9的输入端电性连接，流行病虫害拍照记录模块63的输出端端与网络数据库9的输入端电性连接，数据缓冲导出模块65的输出端与缓冲数据单元10的输入端电性连接，植物病虫害分析预测模块7包括病虫害预警模块71、病虫害时间对比模块72、病虫害地点对比模块73、病虫害状态对比模块74、病虫害缓冲载入模块75和预警日志及备忘录保存模块76，病虫害时间对比模块72、病虫害地点对比模块73和病虫害状态对比模块74的输出端与病虫害预警模块71的输入端电性连接，病虫害缓冲载入模块75的输出端与病虫害预警模块71的输入端电性连接，病虫害预警模块71的输出端与预警日志及备忘录保存模块76的输入端电性连接，病虫害缓冲载入模块75的输入端与缓冲数据单元10的输出端电性连接，植物病虫害纠错模块8包括过往数据对比模块81和病虫害保存模块82，过往数据对比模块81的输出端与病虫害保存模块82的输入端电性连接，过往数据对比模块81与网络数据库9实现双向连接，病虫害保存模块82的输出端与网络数据库9的输入端电性连接。
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、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于大数据植物病虫害智能识别方法，其特征在于：具体包括以下步骤：
步骤1：系统通电自检：系统通电启动，逐项完成自检确认合格后，进入待机工作状态；
步骤2：当前病虫害拍照记录：通过病虫害局部拍照记录模块(51)和病虫害整体拍照记录模块(52)调用高清照相机(3)将病虫害局部和全部整体照片详尽的拍摄记录，通过病虫害特征值提取模块(53)将最具有疾病特征的照片内容提取出来，通过病虫害对比识别确认模块(54)调用网络数据库(9)对病虫害进行确认，最后通过病虫害照片及日志保存模块(55)将相关日志保存进入网络数据库(9)中；
步骤3：病虫害相关数据处理：通过管理员登录刷新模块(61)检测是否为具有资格的人士进入系统，通过经典病虫害拍照记录模块(62)将过去经典病虫害照片上传至网络数据库(9)，通过流行病虫害拍照记录模块(63)将现行流行病虫害上传至网络数据库(9)，通过病虫害数据整理分类模块(64)对网络数据库(9)中病虫害进行分类，通过数据缓冲导出模块(65)将网络数据库(9)中相关时段的病虫害倒入缓冲数据单元(10)中；
步骤4：植物病虫害分析预测：通过病虫害时间对比模块(72)、病虫害地点对比模块(73)和病虫害状态对比模块(74)将相关病虫害的时间、地点和状态进行对比，并将其数据传送至病虫害预警模块(71)对数据分析，通过病虫害缓冲载入模块(75)将缓冲数据单元(10)中数据导入病虫害缓冲载入模块(75)中，将可能发生的病虫害进行预警提醒并且通过预警日志及备忘录保存模块(76)；
步骤5：植物病虫害纠错模块：通过过往数据对比模块(81)将网络数据库(9)中数据与实际数据进行对比，通过病虫害保存模块(82)将数据保存至网络数据库(9)中。
2.一种基于大数据植物病虫害智能识别系统，包括植物病虫害识别系统(1)，其特征在于：所述植物病虫害识别系统(1)的输出端与放大显示单元(2)、高清照相机(3)和报告打印模块(4)的输入端电性连接，所述植物病虫害识别系统(1)与当前病虫害拍照记录模块(5)、病虫害相关数据处理模块(6)、植物病虫害分析预测模块(7)和植物病虫害纠错模块(8)实现双向连接，所述植物病虫害识别系统(1)与网络数据库(9)和缓冲数据单元(10)实现双向连接，所述当前病虫害拍照记录模块(5)包括病虫害局部拍照记录模块(51)、病虫害整体拍照记录模块(52)、病虫害特征值提取模块(53)、病虫害对比识别确认模块(54)和病虫害照片及日志保存模块(55)，所述病虫害局部拍照记录模块(51)的输出端与病虫害整体拍照记录模块(52)的输入端电性连接，所述病虫害整体拍照记录模块(52)的输出端与病虫害特征值提取模块(53)的输入端电性连接，所述病虫害特征值提取模块(53)的输出端与病虫害对比识别确认模块(54)的输入端电性连接，所述病虫害对比识别确认模块(54)的输出端与病虫害照片及日志保存模块(55)的输入端电性连接。
3.根据权利要求2所述的一种基于大数据植物病虫害智能识别系统，其特征在于：所述病虫害局部拍照记录模块(51)的输入端与高清照相机(3)的输出端电性连接，所述病虫害对比识别确认模块(54)与网络数据库(9)实现双向连接，所述病虫害照片及日志保存模块(55)的输出端与网络数据库(9)的输入端电性连接。
4.根据权利要求1所述的一种基于大数据植物病虫害智能识别系统，其特征在于：所述病虫害相关数据处理模块(6)包括管理员登录刷新模块(61)、经典病虫害拍照记录模块(62)、流行病虫害拍照记录模块(63)、病虫害数据整理分类模块(64)和数据缓冲导出模块(65)，所述管理员登录刷新模块(61)的输出端与经典病虫害拍照记录模块(62)的输入端电性连接，所述经典病虫害拍照记录模块(62)的输出端与流行病虫害拍照记录模块(63)的输入端电性连接。
5.根据权利要求4所述的一种基于大数据植物病虫害智能识别系统，其特征在于：所述流行病虫害拍照记录模块(63)的输出端与病虫害数据整理分类模块(64)的输入端电性连接，所述病虫害数据整理分类模块(64)的输出端与数据缓冲导出模块(65)的输入端电性连接，所述经典病虫害拍照记录模块(62)的输出端与网络数据库(9)的输入端电性连接，所述流行病虫害拍照记录模块(63)的输出端端与网络数据库(9)的输入端电性连接，所述数据缓冲导出模块(65)的输出端与缓冲数据单元(10)的输入端电性连接。
6.根据权利要求2所述的一种基于大数据植物病虫害智能识别系统，其特征在于：所述植物病虫害分析预测模块(7)包括病虫害预警模块(71)、病虫害时间对比模块(72)、病虫害地点对比模块(73)、病虫害状态对比模块(74)、病虫害缓冲载入模块(75)和预警日志及备忘录保存模块(76)，病虫害时间对比模块(72)、病虫害地点对比模块(73)和病虫害状态对比模块(74)的输出端与病虫害预警模块(71)的输入端电性连接。
7.根据权利要求6所述的一种基于大数据植物病虫害智能识别系统，其特征在于：所述病虫害缓冲载入模块(75)的输出端与病虫害预警模块(71)的输入端电性连接，所述病虫害预警模块(71)的输出端与预警日志及备忘录保存模块(76)的输入端电性连接，所述病虫害缓冲载入模块(75)的输入端与缓冲数据单元(10)的输出端电性连接。
8.根据权利要求2所述的一种基于大数据植物病虫害智能识别系统，其特征在于：所述植物病虫害纠错模块(8)包括过往数据对比模块(81)和病虫害保存模块(82)，所述过往数据对比模块(81)的输出端与病虫害保存模块(82)的输入端电性连接，所述过往数据对比模块(81)与网络数据库(9)实现双向连接，所述病虫害保存模块(82)的输出端与网络数据库(9)的输入端电性连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010292182.XA CN111507242A (zh) | 2020-04-14 | 2020-04-14 | 一种基于大数据植物病虫害智能识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010292182.XA CN111507242A (zh) | 2020-04-14 | 2020-04-14 | 一种基于大数据植物病虫害智能识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111507242A true CN111507242A (zh) | 2020-08-07 |
Family
ID=71869196
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010292182.XA Withdrawn CN111507242A (zh) | 2020-04-14 | 2020-04-14 | 一种基于大数据植物病虫害智能识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111507242A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113303151A (zh) * | 2021-05-19 | 2021-08-27 | 苏州三润景观工程有限公司 | 基于大数据的绿植病虫害修复方法 |
| CN116258373A (zh) * | 2023-03-15 | 2023-06-13 | 杭州盈禾嘉田科技有限公司 | 一种基于大数据的病虫害测报预警系统及方法 |
| CN118614310A (zh) * | 2024-08-09 | 2024-09-10 | 中国热带农业科学院三亚研究院 | 一种根结水稻线虫病害的生态防治方法 |
-
2020
- 2020-04-14 CN CN202010292182.XA patent/CN111507242A/zh not_active Withdrawn
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113303151A (zh) * | 2021-05-19 | 2021-08-27 | 苏州三润景观工程有限公司 | 基于大数据的绿植病虫害修复方法 |
| CN116258373A (zh) * | 2023-03-15 | 2023-06-13 | 杭州盈禾嘉田科技有限公司 | 一种基于大数据的病虫害测报预警系统及方法 |
| CN116258373B (zh) * | 2023-03-15 | 2024-02-09 | 杭州盈禾嘉田科技有限公司 | 一种基于大数据的病虫害测报预警系统及方法 |
| CN118614310A (zh) * | 2024-08-09 | 2024-09-10 | 中国热带农业科学院三亚研究院 | 一种根结水稻线虫病害的生态防治方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111507242A (zh) | 一种基于大数据植物病虫害智能识别方法 | |
| Yun et al. | PNN based crop disease recognition with leaf image features and meteorological data | |
| US20180018414A1 (en) | Systems and methods for pest forecasting using historical pesticide usage information | |
| WO2022262257A1 (zh) | 一种检察领域值班人员睡觉行为识别方法 | |
| CN111767802A (zh) | 一种对象异常状态的检测方法和装置 | |
| CN109344738A (zh) | 农作物病虫草害识别方法及装置 | |
| CN108492198A (zh) | 牲畜保险理赔方法、装置、计算机设备和存储介质 | |
| CN110472492A (zh) | 目标生物检测方法、装置、计算机设备和存储介质 | |
| CN114581848A (zh) | 一种用于烟草仓储害虫的检测方法、系统及装置 | |
| Singh et al. | Performance evaluation of plant leaf disease detection using deep learning models | |
| CN112465038A (zh) | 一种识别果树病虫害种类的方法及系统 | |
| KR20210080055A (ko) | 버섯 병해충 검출 시스템 | |
| CN110245604B (zh) | 基于卷积神经网络的蚊虫识别方法 | |
| CN117197148B (zh) | 一种基于热成像的木材钻蛀类害虫检测方法、系统和介质 | |
| CN116484109B (zh) | 基于人工智能的客户画像分析系统及方法 | |
| CN107220804A (zh) | 一种基于大数据的智能工作管理方法 | |
| CN117132000A (zh) | 一种基于ai的农作物生长情况预测方法、设备及介质 | |
| Moloo et al. | An app for fungal disease detection on plants | |
| Mazare et al. | Pests detection system for agricultural crops using intelligent image analysis | |
| CN109118378A (zh) | 基于企业过程数据的保险风险评估方法 | |
| CN115512227A (zh) | 一种基于深度学习的农作物病虫害移动端识别方法 | |
| CN113762089A (zh) | 基于人工智能的牲畜左脸识别系统及使用方法 | |
| CN114420307A (zh) | 基于人工智能的公共卫生事件登记方法、装置及电子设备 | |
| CN106897829A (zh) | 一种智能化组培技术员绩效考核方法 | |
| CN113128452A (zh) | 一种基于图像识别的绿化满意度采集方法和系统 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200807 |
|
| WW01 | Invention patent application withdrawn after publication |