CN111539350A - 一种农作物病虫害智能识别的方法 - Google Patents
一种农作物病虫害智能识别的方法 Download PDFInfo
- Publication number
- CN111539350A CN111539350A CN202010343850.7A CN202010343850A CN111539350A CN 111539350 A CN111539350 A CN 111539350A CN 202010343850 A CN202010343850 A CN 202010343850A CN 111539350 A CN111539350 A CN 111539350A
- Authority
- CN
- China
- Prior art keywords
- expert
- diseases
- algorithm model
- database
- insect pests
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 62
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 62
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 58
- 241000238631 Hexapoda Species 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000003745 diagnosis Methods 0.000 claims abstract description 4
- 241000196324 Embryophyta Species 0.000 claims description 14
- 241000209094 Oryza Species 0.000 claims description 6
- 235000007164 Oryza sativa Nutrition 0.000 claims description 6
- 235000009566 rice Nutrition 0.000 claims description 6
- 230000007547 defect Effects 0.000 claims description 4
- 241001530056 Athelia rolfsii Species 0.000 claims description 3
- 241000426497 Chilo suppressalis Species 0.000 claims description 3
- 241001498622 Cixius wagneri Species 0.000 claims description 3
- 241000008892 Cnaphalocrocis patnalis Species 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 244000038559 crop plants Species 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000008961 swelling Effects 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
- G06V20/188—Vegetation
-
- 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
- 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
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Agronomy & Crop Science (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明公开了一种农作物病虫害智能识别的方法,涉及病虫害智能检测领域,该方法包括:用户终端获取农作物图像并上传至云端和专家系统;在云端中建立算法模型;在专家系统中通过专家诊断分别建立瑕疵数据库和专家建议数据库;通过瑕疵数据库对算法模型进行在线训练和更新;将算法模型输出的病虫害识别结果和专家建议数据库输出的专家建议回传至用户终端并进行展示。本申请通过不断训练和更新算法模型中的数据,使得算法模型中不会有冗余数据,而且提升了算法模型中数据的准确度。
Description
技术领域
本发明涉及病虫害智能检测领域,尤其是一种农作物病虫害智能识别的方法。
背景技术
在病虫害识别中,传统的视觉方式先对图像进行滤波、膨胀腐蚀等形态学处理后,通过SIFT(Scale-Invariant Feature Transform,尺度不变特征变换),SURF(Speeded-UpRobust Features,加速稳健特征)等特征提取算子提取病虫害的图像特征,再输入一张新的图像,通过比对新图像的图像特征和收集的病虫害图像特征来判断是否为病虫害图像。
然而,每次输入一张新图像都需要和整个病虫害数据进行比较,当数据收集越来越多时,计算时间将会越来越长,对比过程非常耗时。
发明内容
本发明人针对上述问题及技术需求,提出了一种农作物病虫害智能识别的方法,通过建立瑕疵数据库对算法模型进行在线训练和更新,使得算法模型中不会有冗余数据,而且提升了算法模型中数据的准确度。
本发明的技术方案如下:
一种农作物病虫害智能识别的方法,包括如下步骤:
用户终端获取农作物图像并上传至云端和专家系统;
在云端中建立算法模型;
在专家系统中,通过专家诊断分别建立瑕疵数据库和专家建议数据库;瑕疵数据库中包括由专家判断出的病虫害识别结果,专家建议数据库中包括由专家给出的各种病虫害对应的解决建议;
通过瑕疵数据库对算法模型进行在线训练和更新;
将算法模型输出的病虫害识别结果和专家建议数据库输出的专家建议回传至用户终端并进行展示。
其进一步的技术方案为,在云端中建立算法模型,包括:提取出农作物图像的图像特征,确定图像特征与病虫害之间的对应关系,根据对应关系通过CNN算法计算出每种病虫害的概率值,若病虫害的概率值大于预定值,则确定农作物患有该病虫害;否则,将不确定的病虫害进行标注,在执行通过瑕疵数据库对算法模型进行在线训练和更新的步骤时,同时会优化被标注的病虫害的算法。
其进一步的技术方案为,算法模型中存有的病虫害种类包括恶苗病、水稻螟虫、稻曲病、稻瘟病、稻纵卷叶螟、稻飞虱和纹枯病。
本发明的有益技术效果是:
通过将用户终端获取到的农作物图像同时发送给云端和专家系统,一方面云端自动分析图像特征,通过CNN算法判断出病虫害识别结果,另一方面通过专家给出的专业的病虫害识别结果以及对应的解决建议,将专家给出的专业的病虫害识别结果建立一个瑕疵数据库,云端的算法模型通过瑕疵数据库进行在线学习和更新,更新意味着会删除不正确的数据,因此算法模型也不会有冗余数据,分析农作物图像的过程用时较短;传统的视觉收集特征的方法中容易包含不属于病虫害的特征,这些特征会干扰病虫害的预测,与传统的视觉收集特征的方法相比,本申请正是通过不断训练和更新算法模型中的数据,保证了算法模型中数据的准确度,使得病虫害分类准确率高达95%以上。
附图说明
图1是本申请提供的农作物病虫害智能识别方法的流程图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
本申请提供了一种农作物病虫害智能识别的方法,其流程图如图1所示,该方法包括如下步骤:
步骤1:用户终端获取农作物图像并上传至云端和专家系统。
用户终端包括手机、iPad等其他可以拍摄照片的智能设备,或者通过摄像头拍摄农作物图像后转存至用户终端,本申请对用户终端不进行限定。
拍摄农作物图像包括拍摄农作物的叶片、根茎等区域,本申请对拍摄的具体位置也不进行限定。
步骤2:在云端中建立算法模型。
具体包括:提取出农作物图像的图像特征,确定图像特征与病虫害之间的对应关系,其中算法模型中存有的病虫害种类包括恶苗病、水稻螟虫、稻曲病、稻瘟病、稻纵卷叶螟、稻飞虱和纹枯病。根据对应关系通过CNN(Convolutional Neural Networks,卷积神经网络)算法计算出每种病虫害的概率值,若病虫害的概率值大于预定值,则确定农作物患有该病虫害;否则,将不确定的病虫害进行标注,在执行通过瑕疵数据库对算法模型进行在线训练和更新的步骤时,同时会优化被标注的病虫害的算法。
本申请的预定值是经过实验统计得到的,优选预定值为0.75。
步骤3:在专家系统中,通过专家诊断分别建立瑕疵数据库和专家建议数据库。
瑕疵数据库中包括由专家判断出的病虫害识别结果,专家建议数据库中包括由专家给出的各种病虫害对应的解决建议。
在本申请中,步骤2和步骤3可以同时进行,没有先后顺序。
步骤4:通过瑕疵数据库对算法模型进行在线训练和更新。
更新意味着会删除不正确的数据,因此算法模型不会有冗余数据,分析农作物图像的过程用时较短。
步骤5:将算法模型输出的病虫害识别结果和专家建议数据库输出的专家建议回传至用户终端并进行展示。
用户根据病虫害识别结果和专家建议进行相应的农事行为,有效的解决了农作物受病虫害困扰的问题,尤其针对一些罕见的病虫害问题,可以通过有经验的专家给出病虫害识别结果和解决建议,保证农作物可以正常生长,即使没有农事经验的人也可以利用本申请的方法进行农作物病虫害的识别。传统的视觉收集特征的方法中容易包含不属于病虫害的特征,这些特征会干扰病虫害的预测,与传统的视觉收集特征的方法相比,本申请正是通过不断在线训练和更新算法模型中的数据,保证了算法模型中数据的准确度,使得病虫害分类准确率高达95%以上。
以上所述的仅是本申请的优选实施方式,本发明不限于以上实施例。可以理解,本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化,均应认为包含在本发明的保护范围之内。
Claims (3)
1.一种农作物病虫害智能识别的方法,其特征在于,所述方法包括:
用户终端获取农作物图像并上传至云端和专家系统;
在所述云端中建立算法模型;
在所述专家系统中,通过专家诊断分别建立瑕疵数据库和专家建议数据库;所述瑕疵数据库中包括由专家判断出的病虫害识别结果,所述专家建议数据库中包括由专家给出的各种病虫害对应的解决建议;
通过所述瑕疵数据库对所述算法模型进行在线训练和更新;
将所述算法模型输出的病虫害识别结果和所述专家建议数据库输出的专家建议回传至所述用户终端并进行展示。
2.根据权利要求1所述的农作物病虫害智能识别的方法,其特征在于,所述在所述云端中建立算法模型,包括:提取出所述农作物图像的图像特征,确定所述图像特征与病虫害之间的对应关系,根据所述对应关系通过CNN算法计算出每种病虫害的概率值,若病虫害的概率值大于预定值,则确定农作物患有该病虫害;否则,将不确定的病虫害进行标注,在执行所述通过所述瑕疵数据库对所述算法模型进行在线训练和更新的步骤时,同时会优化被标注的病虫害的算法。
3.根据权利要求1或2所述的农作物病虫害智能识别的方法,其特征在于,所述算法模型中存有的病虫害种类包括恶苗病、水稻螟虫、稻曲病、稻瘟病、稻纵卷叶螟、稻飞虱和纹枯病。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010343850.7A CN111539350A (zh) | 2020-04-27 | 2020-04-27 | 一种农作物病虫害智能识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010343850.7A CN111539350A (zh) | 2020-04-27 | 2020-04-27 | 一种农作物病虫害智能识别的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111539350A true CN111539350A (zh) | 2020-08-14 |
Family
ID=71978885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010343850.7A Pending CN111539350A (zh) | 2020-04-27 | 2020-04-27 | 一种农作物病虫害智能识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111539350A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580591A (zh) * | 2020-12-29 | 2021-03-30 | 江苏农林职业技术学院 | 一种农作物病虫害分析系统 |
CN112699805A (zh) * | 2020-12-31 | 2021-04-23 | 上海市崇明区蔬菜科学技术推广站 | 蔬菜病虫害防治智能识别系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991619A (zh) * | 2017-06-05 | 2017-07-28 | 河北哲瀚网络科技有限公司 | 一种农作物病虫害智能诊断系统及诊断方法 |
US20190228224A1 (en) * | 2018-01-23 | 2019-07-25 | X Development Llc | Crop type classification in images |
CN110321956A (zh) * | 2019-07-08 | 2019-10-11 | 府谷县鑫兴泰农贸有限公司 | 一种基于人工智能的牧草病虫害治理方法及装置 |
CN110415133A (zh) * | 2019-07-30 | 2019-11-05 | 四川大学 | 一种智慧农业医生管理系统及方法 |
-
2020
- 2020-04-27 CN CN202010343850.7A patent/CN111539350A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991619A (zh) * | 2017-06-05 | 2017-07-28 | 河北哲瀚网络科技有限公司 | 一种农作物病虫害智能诊断系统及诊断方法 |
US20190228224A1 (en) * | 2018-01-23 | 2019-07-25 | X Development Llc | Crop type classification in images |
CN110321956A (zh) * | 2019-07-08 | 2019-10-11 | 府谷县鑫兴泰农贸有限公司 | 一种基于人工智能的牧草病虫害治理方法及装置 |
CN110415133A (zh) * | 2019-07-30 | 2019-11-05 | 四川大学 | 一种智慧农业医生管理系统及方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580591A (zh) * | 2020-12-29 | 2021-03-30 | 江苏农林职业技术学院 | 一种农作物病虫害分析系统 |
CN112699805A (zh) * | 2020-12-31 | 2021-04-23 | 上海市崇明区蔬菜科学技术推广站 | 蔬菜病虫害防治智能识别系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110148120B (zh) | 一种基于cnn与迁移学习的病害智能识别方法及系统 | |
US10949974B2 (en) | Automated plant disease detection | |
WO2022033150A1 (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN111178197B (zh) | 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法 | |
Aquino et al. | A new methodology for estimating the grapevine-berry number per cluster using image analysis | |
CN109117857B (zh) | 一种生物属性的识别方法、装置及设备 | |
CN109740721B (zh) | 麦穗计数方法及装置 | |
CN110991222B (zh) | 一种物体状态监测、母猪发情监测方法、装置及系统 | |
CN104063686B (zh) | 作物叶部病害图像交互式诊断系统与方法 | |
CN111767802A (zh) | 一种对象异常状态的检测方法和装置 | |
CN108829762B (zh) | 基于视觉的小目标识别方法和装置 | |
CN111539350A (zh) | 一种农作物病虫害智能识别的方法 | |
CN112001370A (zh) | 一种农作物病虫害识别方法及系统 | |
CN107180056A (zh) | 视频中片段的匹配方法和装置 | |
CN110827273A (zh) | 一种基于区域卷积神经网络的茶叶病害检测方法 | |
CN108874910B (zh) | 基于视觉的小目标识别系统 | |
CN112966758B (zh) | 一种农作物病虫草害识别方法、装置、系统及存储介质 | |
CN115661650A (zh) | 一种基于物联网数据监测的农场管理系统 | |
CN113627248A (zh) | 自动选择识别模型的方法、系统、割草机及存储介质 | |
KR102425523B1 (ko) | 모돈 이상징후 포착 및 관리 클라우드 서비스 방법 및 장치 | |
CN114140696A (zh) | 商品识别系统优化方法、装置、设备及存储介质 | |
CN117253192A (zh) | 用于桑蚕养殖的智能系统及方法 | |
CN112465038A (zh) | 一种识别果树病虫害种类的方法及系统 | |
CN116092170A (zh) | 一种基于大数据技术的专利价值分析系统 | |
CN115035450A (zh) | 确定动物种类的方法及装置 |
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 |