CN111611983A - 一种手持式田间小麦赤霉病监测预警装置及方法 - Google Patents

一种手持式田间小麦赤霉病监测预警装置及方法 Download PDF

Info

Publication number
CN111611983A
CN111611983A CN202010608745.1A CN202010608745A CN111611983A CN 111611983 A CN111611983 A CN 111611983A CN 202010608745 A CN202010608745 A CN 202010608745A CN 111611983 A CN111611983 A CN 111611983A
Authority
CN
China
Prior art keywords
wheat
data
early warning
monitoring
sensor
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
Application number
CN202010608745.1A
Other languages
English (en)
Inventor
周济
陈佳玮
温明星
赵建华
李东升
陈琛
郭瑞
刘家俊
丁艳锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Agricultural University
Original Assignee
Nanjing Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Agricultural University filed Critical Nanjing Agricultural University
Priority to CN202010608745.1A priority Critical patent/CN111611983A/zh
Publication of CN111611983A publication Critical patent/CN111611983A/zh
Priority to US17/356,527 priority patent/US11798400B2/en
Pending legal-status Critical Current

Links

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
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/17—Image acquisition using hand-held instruments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/76—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries based on eigen-space representations, e.g. from pose or different illumination conditions; Shape manifolds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/62—Control of parameters via user interfaces
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/65—Control of camera operation in relation to power supply
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/695—Control of camera direction for changing a field of view, e.g. pan, tilt or based on tracking of objects
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/35—Services specially adapted for particular environments, situations or purposes for the management of goods or merchandise
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Linguistics (AREA)
  • Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Human Computer Interaction (AREA)
  • Emergency Management (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Primary Health Care (AREA)
  • Agronomy & Crop Science (AREA)
  • Mining & Mineral Resources (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Animal Husbandry (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)

Abstract

本发明公开了一种手持式田间小麦赤霉病监测预警装置，包括采集卡、处理器、摄像头1、触摸屏2、电源和4G网卡，采集卡用于采集数据，处理器用于对采集数据进行分析，基于深度学习算法得出小麦生长状况；摄像头用于采集田间小麦根、茎和穗部信息；触摸屏，用于人机交互的载体；电源用于为监测预警装置供电；4G网卡用于数据通讯同时与外部云端服务器通信。还公开一种手持式田间小麦赤霉病监测预警方法。优点，本发明通过手持设备采集数据的方式获取小麦生长及染病状况，能够实时上传采集到的数据，并能够在云端通过多元算法对田间多尺度数据进行融合智能解析，反馈给用户小麦是否染病及染病程度。同时此设备成本可控，集成化程度高。

Description

一种手持式田间小麦赤霉病监测预警装置及方法
技术领域
本发明涉及一种手持式田间小麦赤霉病监测预警装置及方法，属于作物表型监测、精准农业技术领域。
背景技术
根据小麦赤霉病（Fusarium）发生和流行的特征、病症和气候条件，对赤霉菌的田间监测预警需要基于多地点、多时间段和多元数据（如图像、田间气候和土壤信息等）的采集，然后通过网络将采集的数据与云端服务器同步上传后，开展快速智能化分析，进而实现快速预测报警。针对赤霉病的侵入和扩展时的温度情况、雨湿和光照条件，对小麦抽穗、扬花等期间的空气温度、相对湿度、日照情况、土壤温湿度等数据的采集将是对小麦赤霉病发生和流行的主要大数据基础。
目前，小麦赤霉病的预警主要通过部署环境监测装置的方法来实现，此方法的成本较高，并且需要人工导出数据，费时费力，只适用于一定范围内的小麦监测，无法大规模部署从而获得小麦信息。然而，由于我国幅员广阔，赤霉病爆发规模和地点的不可控性，固定装置采集环境数据和图像数据并不能有效地预警小麦赤霉病爆发。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷，提供一种手持式田间小麦赤霉病监测预警装置及方法。
采取的技术方案：一种手持式田间小麦赤霉病监测预警装置，包括
采集卡，用于采集数据；
处理器，用于对采集数据进行分析，基于深度学习算法得出小麦生长和染病状况；
摄像头，用于采集田间小麦根、茎和穗部信息；
触摸屏，用于人机交互的载体；
电源，用于为所述监测预警装置供电；
以及4G网卡，用于数据通讯同时与外部云端服务器通信；
处理器分别与摄像头、触摸屏和采集卡通讯连接，电源分别与所述摄像头、触摸屏和采集卡电连接。
本手持式田间小麦赤霉病监测预警装置，体积小，携带方便，不需要大范围部署监测装置，可以对大规模小麦种植区进行监测预警。
本发明手持式田间小麦赤霉病监测预警装置进一步限定的技术方案是：
处理器采用华为海思Hikey970单板机，华为海思Hikey970单板机内置wifi模块与4G网卡实现数据通讯。华为Hikey970是小体积，高性能，高集成主板。板载蓝牙4.1、双频WiFi，同时集成GPS、4G、SSD、CAN等可扩展口，尺寸仅有100*85*10mm，不但支持CPU、GPU人工智能运算，还支持基于NPU的神经网络计算硬件加速，满足小麦赤霉病采集数据时的运算要求和传输方式。
采集卡包括集成在线路板上的MCU微控制器、启动电路、DC/CD降压模块、环境监测传感器模块、wifi无线传输模块和两路485通讯接口，环境监测传感器模块与MCU微控制器连接，用于监测环境中的各项指标数据并将数据送入MCU微控制器；启动电路和DC/CD降压模块都与MCU微控制器连接，wifi无线传输模块与MCU微控制器连接并实现MCU微控制器与处理器之间的数据通讯，两路485通讯接口与MCU微控制器连接；
环境监测传感器模块包括光照传感器、二氧化碳传感器、一氧化碳传感器、臭氧传感器、温湿度传感器和PM5颗粒监测传感器，光照传感器、二氧化碳传感器、一氧化碳传感器、臭氧传感器、温湿度传感器和PM5颗粒监测传感器的输出端都与MCU微控制器连接；
环境监测传感器还包括外部分别接插两路485通讯接口的土壤温湿度传感器和土壤ph值传感器。
摄像头采用工业级一体机摄像头，所述工业级一体机摄像头通过可调节螺旋摇杆转动连接监测预警装置，实现工业级一体机摄像头360度旋转；所述工业级一体机摄像头通过圆柱平台配合联接可调节螺旋摇杆固定工业级一体机摄像头的拍摄角度。此工业摄像头，耐温性能高，高温工作下，电平稳定，低功耗，节能省电，适合安装在手持式设备上，并且在田间作业时能够最大限度的延长工作时间，避免需要充电的状况。
本发明提出一种手持式田间小麦赤霉病监测预警装置的预警方法，包括如下步骤：
步骤1：获取需监测预警的小麦种植区域的江苏省小麦种植区所在市之前10年的历史气象数据，所述历史气象数据包括九个气象因子，分别为气温、湿度、日照时数、蒸发量、５cm地温、10cm地温、土壤温湿度、土壤酸碱度和空气孢子数；
步骤2：将步骤1中九个气象因子进行归一化处理，获得九个气象因子作为九个模型变量，上传存入云端服务器；
步骤3：四月中下旬利用手持式监测预警设备连续14天在小麦种植区域内每1亩地随机选取12个点进行数据采集，拍摄小麦穗部图片并同时获得14天的气象数据，所述气象数据包括七个气象因子，分别为温度、湿度、土壤温度、土壤湿度、土壤PH值、光照和空气中pm5颗粒数目；
步骤4：将步骤3采集的小麦穗部图片数据和14天的气象数据上传到云端服务器；
步骤5：在云端服务器内对步骤4中的小麦穗部图片数据通过深度学习目标检测算法ConerNet检测小麦穗部图片中的病穗数目，再通过深度学习语义分割算法U-net计算小麦穗部染病面积占整体穗部面积，得到小麦赤霉病病穗率，小麦赤霉病病穗率作为一个模型变量；
步骤6：在云端服务器内对步骤4中14天的气象数据的七个气象因子进行归一化处理，获得七个气象因子作为七个模型变量，存在云端服务器；
步骤7：采用并行的Bagging集成学习（ensemble learning）方式，同时使用多元回归分析机器学习算法、BP神经网络机器学习算法和支持向量机SVM机器学习算法分别建立三个预测模型，作为三个个体学习器；然后将三个预测模型集成，形成统一的集成模型，作为小麦赤霉病发生的二元模型，输出小麦是否染病；将步骤2、步骤5和步骤6内共十七个模型变量分别代入二元模型中个体学习器的三个预测模型，同时进行运算，通过调参调优最终得出三个预测结果，预测结果包括小麦病穗率等级和计算结果准确率；
所述小麦病穗率等级为4个级别进行分级，观察样本数据小麦病穗率为零的小麦分为级别0，将病穗率介于百分之一和百分之十之间的小麦分为级别１；将病穗率介于百分之十和百分之二十之间的小麦分为级别２；将病穗率大于百分之二十的小麦分为级别３；
步骤8：对步骤7内得出的三个预测结果，以同等级、准确率高为最优解。
本发明方法，首先采集多元数据，就多元数据进行归一化数据预处理，之后通过ConerNet和U-net深度学习算法计算小麦穗部染病状况，计算小麦穗部发病面积，两种算法分工明确，并且具有递进关系，能够解决传统计算机视觉方法在处理田间图片准确率不高的问题，使用较新的深度学习算法能够准确预测染病穗数及穗部染病面积，将深度学习算法得到的结果作为一个模型变量加入到机器学习集成算法中，此机器学习集成算法时通过三个子算法进行计算，形成三个个体学习器，分别计算结果，选择最优方案，并将结果反馈用户。使用此方法预防小麦赤霉病不仅能够得到小麦的染病状况，还能将染病的等级告知使用者，便于使用者对赤霉病治理做出及时的措施。
本发明方法进一步限定的技术方案是：
气象因子进行归一化处理，各个因子遵循的归一化公式为：
Figure 100002_DEST_PATH_IMAGE001
其中，
Figure 233323DEST_PATH_IMAGE002
是气象因子，
Figure 100002_DEST_PATH_IMAGE003
是通过公式得到的归一化之后特征j对应的值，
Figure 427544DEST_PATH_IMAGE004
是数据集中特征
Figure 422045DEST_PATH_IMAGE005
对应的值，
Figure 330220DEST_PATH_IMAGE006
和
Figure 359356DEST_PATH_IMAGE007
是数据集合中特征
Figure 396582DEST_PATH_IMAGE008
的最大值和最小值。
步骤3具体为：将外置的土壤温湿度传感器和土壤ph值传感器接入手持式设备，设备运行，环境监测传感器模块采集气象数据，触摸屏显示实时气象数据；
调整摄像头的拍摄角度，在距离小麦穗部50cm处对小麦进行从上到下的拍摄，完成后，通过4G网卡上传小麦穗部图片和气象数据到云端服务器。
所述步骤5具体为：
步骤501：对小麦穗部图片进行穗部标注，标注好的图片将随机以75%，25%进行划分，建立训练集和数据集；
步骤502：通过深度学习目标检测算法ConerNet对步骤501中标注好的图片进行训练，得出小麦穗部图片中的病穗数目；
步骤503：通过深度学习语义分割算法U-net对步骤502中的穗部染病麦粒进行分割提取；首先，建立训练环境；然后，修改训练文件路径，即保存小麦图片的文件路径；最后，测试每一张图片，计算每一张图片内染病区域面积占整体穗部面积，得到小麦赤霉病病穗率。
小麦穗部图片进行穗部标注，一共分为两种标注方式：第一种标注方式是利用labelImg软件对图片中的所有染病小麦穗部进行框选，框选之后保存矩形框四角在图片中的位置信息，以jason格式进行保存；第二种标注方式是利用labelme软件对图片中每一株小麦穗部染病区域麦粒进行描点标注，所有框选点的位置信息都会以jason格式保存。
步骤7中支持向量机SVM机器学习算法建立的预测模型，该预测模型中核函数使用的是高斯核函数，将特征矩阵输入SVM预测模型中，先对每一组数据进行特征向量矩阵构建，然后将构建好的特征向量矩阵放入支持向量机中进行训练，初次分类将小于百分之一的病穗率特征值数据即正常小麦作为正类输入，大于百分之一的病穗率特征值数据即发病小麦作为负类输入，分类完毕之后进行二次分类；二次分类对发病小麦进行分类，将介于百分之一和百分之十的病穗率特征值数据即１级小麦作为正类输入，大于百分之十的病穗率特征值数据作为负类输入；以此类推，三次分类将介于百分之十和百分之二十的病穗率特征值数据即２级小麦作为正类输入，大于百分之二十的病穗率特征值数据即３级小麦作为负类输入。
本发明与现有技术相比的有益效果是：
1、本手持式田间小麦赤霉病监测预警装置，体积小，携带方便，不需要大范围部署监测装置，可以对大规模小麦种植区进行监测预警。
2、本发明通过手持设备采集数据的方式获取小麦生长及染病状况，能够实时上传采集到的数据，并能够在云端通过多元算法对田间多尺度数据进行融合智能解析， 反馈给用户小麦是否染病及染病程度。同时此设备成本可控，集成化程度高。
3、本小麦赤霉病预警方法使用最新的深度学习算法和机器学习算法来预测小麦赤霉病的染病情况，做到了对多云数据进行融合，实时上传采集到的数据，并在云端进行数据的输入，通过模型计算染病等级，及时反馈用户，避免赤霉病的进一步传播。
4、本发明能够帮助用户对赤霉病发病做出决策，避免化学农药的粗放式施放，节约农药的使用，符合国家“双减”政策，保障食品安全。
附图说明
图1为本发明手持式田间小麦赤霉病监测预警装置的外形立体图。
图2为本发明手持式田间小麦赤霉病监测预警装置的原理框图。
图3为采集卡的原理框图。
图4为本实施例的MCU微控制器模块的电路图。
图5为本实施例的两路485通讯模块的电路图。
图6为本实施例的wifi无线通讯模块的电路图。
图7为本实施例的温湿度传感器模块接口的电路图。
图8为本实施例的光照采集接口的电路图。
图9为本实施例的PM2.5/5/10传感模块接口的电路图。
图10为本实施例的一氧化碳浓度检测模块接口的电路图。
图11为本实施例的二氧化碳浓度检测模块接口的电路图。
图12为本实施例的臭氧浓度检测模块接口的电路图。
图13为本实施例的点动开关机的电路图。
图14为本实施例的电源降压可调模块的电路图。
图15为本实施例的下载接口的电路图。
图16为本实施例的供电接口的电路图。
具体实施方式
下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
为使本发明的内容更加明显易懂，以下结合附图1-图16和具体实施方式做进一步的描述。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例1
本实施例提供的一种手持式田间小麦赤霉病监测预警装置，包括采集卡、处理器、摄像头1、触摸屏2、电源和4G网卡，采集卡用于采集数据，处理器用于对采集数据进行分析，基于深度学习算法得出小麦生长和染病状况；摄像头用于采集田间小麦根、茎和穗部信息；触摸屏，用于人机交互的载体；电源用于为监测预警装置供电；4G网卡用于数据通讯同时与外部云端服务器通信。
如图1所示，本实施例中采集卡、处理器、电源和4G网卡都集成在一个主体箱3内，处理器分别与摄像头、触摸屏和采集卡通讯连接，电源分别与摄像头、触摸屏和采集卡电连接。
本实施例中处理器采用华为海思Hikey970单板机，华为海思Hikey970单板机内置wifi模块与4G网卡实现数据通讯。华为海思Hikey970单板机内置wifi模块，将数据传输到云服务器，并接收云服务器的数据处理结果。
如图3所示，采集卡包括集成在线路板上的MCU微控制器、启动电路、DC/CD降压模块、环境监测传感器模块、wifi无线传输模块和两路485通讯接口，环境监测传感器模块与MCU微控制器连接，用于监测环境中的各项指标数据并将数据送入MCU微控制器；启动电路和DC/CD降压模块都与MCU微控制器连接，wifi无线传输模块与MCU微控制器连接并实现MCU微控制器与处理器之间的数据通讯，两路485通讯接口与MCU微控制器连接。
环境监测传感器模块包括光照传感器、二氧化碳传感器、一氧化碳传感器、臭氧传感器、温湿度传感器和PM5颗粒监测传感器，光照传感器、二氧化碳传感器、一氧化碳传感器、臭氧传感器、温湿度传感器和PM5颗粒监测传感器的输出端都与MCU微控制器连接；
如图1所示，环境监测传感器还包括外部分别接插两路485通讯接口4的土壤温湿度传感器5和土壤ph值传感器6。本实施例中，土壤温湿度传感器5和土壤ph值传感器6都为外购件，直接购买获得。
本实施例中数据采集板的电路中包括MCU微控制器模块、两路485通讯模块、wifi无线通讯模块、温湿度传感模块、光照采集接口、PM2.5/5/10传感模块、一氧化碳浓度检测模块、二氧化碳浓度检测模块和臭氧浓度检测模块。
如图4所示，MCU微控制器模块采用STM32F103VCT6，它通过串口、AD采样、iic通讯的方式采集传感器数据。
如图5所示，两路485通讯模块用来和485型土壤PH值传感器、485型土壤温湿度传感器通讯。RS485 总线式 PH 值传感器，采用 RS485 接口，标准 MODBUS-RTU 协议，可实现多点同时监测，组网并远传。土壤水分温度传感器适用于土壤温度以及水分的测量，经与德国，原装高精度传感器比较和土壤实际烘干称重法标定，精度高，响应快，输出稳定。受土壤含盐量影响较小，适用于各种土质。可长期埋入土壤中，耐长期电解，耐腐蚀，抽真空灌封，完全防水。
如图6所示，wifi无线通讯模块为采集板采集收集的数据通过本实施例中内部wifi局域网传输到HIKEY970处理器中。
如图7所示，本实施例中的温湿度传感器采用基于法国Humirel高性能的湿度感应元件制成，不仅输出方式多样化，工作电压范围比较宽，同时具有很高的温度精度和湿度精度。温湿度传感器模块专为低功耗小体积应用设计，具有良好的品质、快的响应速度、抗干扰能力强、性价比高等优点，微小的体积、极低的功耗。和MCU微控制器模块之间采用IIC通讯。
如图8所示，光照采集接口连接一个光照采集模块，感知光照强度的计量模块。提供 I2C 数字输出，可理想用于农业、仪器仪表、工业传感器等产品。器件工作电流小于0.8mA ，低功耗的环境光传感器；具有 32 位光照值寄存器和112 字节 EEPROM 数据存储单元，测量0—200000 流明光照强度值。
如图9所示，PM2.5/5/10传感模块基于激光散射原理的数字式通用颗粒物浓度传感器，可连续采集并计算单位体积内空气中不同粒径的悬浮颗粒物个数，即颗粒物浓度分布，进而换算成为质量浓度，并以通用数字接口形式输出。本传感器可嵌入各种与空气中悬浮颗粒物浓度相关的仪器仪表或环境改善设备，为其提供及时准确的浓度数据。与MCU微控制器模块之间采用串口通讯。
如图10所示，一氧化碳浓度检测模块利用电化学原理对空气中存在的CO进行探测，具有量好的选择性，稳定性。内置温度传感器，可进行温度补偿，采用模拟电压的方式输出给MCU微控制器模块。
如图11所示，二氧化碳浓度检测模块是一个通用智能小型传感器，利用非色散红外（NDIR）原理 ，对空气中存在的CO2进行探测，具有很好的选择性和无氧气依赖性，寿命长等特点；内置温度补偿；同时具有串口 输出、模拟输出及PWM输出，方便使用。该传感器是将成熟的红外吸收气体检测技术与精密光路设计、精良电路设 计紧密结合而制作出的高性能传感器。与MCU微控制器模块之间采用串口通讯。
如图12所示，臭氧浓度检测模块采用电化学臭氧模组。利用电化学原理对空气中存在的臭氧气体进行探测，具有良好的选择性，稳定性。内置温度传感器，可进行温度补偿，采用模拟电压的方式输出给MCU微控制器模块。
如图13所示，本实施例的手持式田间小麦赤霉病监测预警装置，通过图13的电路实现点动开关机的功能。CON1为12直流电源输入口，U2为MOS电子开关，J4为双路点点动开关，在整个系统断电时，J4点动闭合，J4.3和J4.4闭合，整个系统供电。采集板上的微控制器上电启动，初始化，给U2提供开信号，U2电子开关导通。当J4断开时，因U2电子开关导通，整个系统继续供电。在整个系统工作时，J4点动闭合，J4.2引脚给采集板上的微控制器发送信号通知关闭系统电源，微控制器给U2提供关信号，U2电子开关断开，整个系统断电。
如图14所示，U3为MP1584EN超小DC-DC3A电源降压可调模块，在本实施例中是把12V电源转换成5V电源，U5为线性LDO降压电源，把5V电源转成3.3V电源
本实施例的手持式田间小麦赤霉病监测预警装置还包括下载接口和供电接口。如图15所示，SWD为采集板上的微控制器的程序下载口。如图16所示，J11，J12和J13接口能提供12V电源输出，J14和J15接口能提供5V电源输出。
如图1所示，主体箱3的下底面上安装一个供操作人员手握的把手8，在主体箱3上装有给箱体内部散热的风扇7。两路485通讯接口4装在箱体上并凸出到箱体的外部，供土壤温湿度传感器5和土壤ph值传感器6插接。触摸屏2的本体通过支架安装在主体箱3的侧边，方便操作人员随时观察。触摸屏2与处理器之间通过HDMI线通讯，同时触摸屏2通过电源线与集成在主体箱3内部的电源电连接。
如图1所示，摄像头1采用工业级一体机摄像头，本实施例中优选S-YUE晟悦工业级一体机摄像头，该摄像头为外购件，直接购买获得。该摄像头通过可调节螺旋摇杆9转动安装在主体箱3顶部，并位于前端，工业级一体机摄像头360度旋转；工业级一体机摄像头通过圆柱平台配合联接可调节螺旋摇杆固定工业级一体机摄像头的拍摄角度。该摄像头与处理器之间通过USB线通讯。
如图1所示，本实施例中电源选用大容量锂聚合物电池，该电池还外置充电接口10，充电接口10安装在主体箱3后端面板上。
本实施例提出的手持式田间小麦赤霉病监测预警装置的预警方法，设计思想是，预先获得待需监测预警的小麦种植区域的江苏省小麦种植区所在市之前10年的历史气象数据，再在四月中下旬利用手持式监测预警设备连续14天在小麦种植区域内每1亩地随机选取12个点进行数据采集，拍摄小麦穗部图片并同时获得14天的气象数据。利用计算机对输入的作物图片进行初步分析，在量化小麦生长表型的基础上判断小麦生育时期，从作物生长上分析赤霉病发生和流行的可能性；根据作物图片相关的传感器数据判断小麦赤霉病发生和流行的可能性；融合作物图片与作物图片相关的传感器数据后，根据两者的交互情况和历史数据分析小麦赤霉病发生和流行的可能性。
本实施例的一种手持式田间小麦赤霉病监测预警装置的预警方法，包括如下步骤：
步骤1：获取需监测预警的小麦种植区域的江苏省小麦种植区所在市之前10年的历史气象数据，所述历史气象数据包括九个气象因子，分别为气温、湿度、日照时数、蒸发量、５cm地温、10cm地温、土壤温湿度、土壤酸碱度和空气孢子数；
步骤2：将步骤1中九个气象因子进行归一化处理，获得九个气象因子作为九个模型变量，上传存入云端服务器；
步骤3：四月中下旬利用手持式监测预警设备连续14天在小麦种植区域内每1亩地随机选取12个点进行数据采集，拍摄小麦穗部图片并同时获得14天的气象数据，所述气象数据包括七个气象因子，分别为温度、湿度、土壤温度、土壤湿度、土壤PH值、光照和空气中pm5颗粒数目；
步骤4：将步骤3采集的小麦穗部图片数据和14天的气象数据上传到云端服务器；
步骤5：在云端服务器内对步骤4中的小麦穗部图片数据通过深度学习目标检测算法ConerNet检测小麦穗部图片中的病穗数目，再通过深度学习语义分割算法U-net计算小麦穗部染病面积占整体穗部面积，得到小麦赤霉病病穗率，小麦赤霉病病穗率作为一个模型变量；
步骤6：在云端服务器内对步骤4中14天的气象数据的七个气象因子进行归一化处理，获得七个气象因子作为七个模型变量，存在云端服务器；
步骤7：采用并行的Bagging集成学习（ensemble learning）方式，同时使用多元回归分析机器学习算法、BP神经网络机器学习算法和支持向量机SVM机器学习算法分别建立三个预测模型，作为三个个体学习器；然后将三个预测模型集成，形成统一的集成模型，作为小麦赤霉病发生的二元模型，输出小麦是否染病；将步骤2、步骤5和步骤6内共十七个模型变量分别代入二元模型中个体学习器的三个预测模型，同时进行运算，通过调参调优最终得出三个预测结果，预测结果包括小麦病穗率等级和计算结果准确率；
所述小麦病穗率等级为4个级别进行分级，观察样本数据小麦病穗率为零的小麦分为级别0，将病穗率介于百分之一和百分之十之间的小麦分为级别１；将病穗率介于百分之十和百分之二十之间的小麦分为级别２；将病穗率大于百分之二十的小麦分为级别３；
步骤8：对步骤7内得出的三个预测结果，以同等级、准确率高为最优解。
本方法中，气象因子进行归一化处理，各个因子遵循的归一化公式为：
Figure 675117DEST_PATH_IMAGE009
其中，
Figure 823202DEST_PATH_IMAGE002
是气象因子，
Figure 706844DEST_PATH_IMAGE003
是通过公式得到的归一化之后特征j对应的值，
Figure 478753DEST_PATH_IMAGE004
是数据集中特征
Figure 182267DEST_PATH_IMAGE005
对应的值，
Figure 930780DEST_PATH_IMAGE010
和
Figure 934508DEST_PATH_IMAGE007
是数据集合中特征
Figure 110275DEST_PATH_IMAGE008
的最大值和最小值。
本实施例中，各个气象因子进行归一化处理，可以使用机器学习库scikit-learn库中的Normalizer方法，首先使用Numpy库中的to_numpy()方法将气象因子的数据帧转换为numpy数组,之后使用Normalizer()方法中的fit()函数和transform()函数对所有数据进行归一化处理，使得所有数据都在[0,1]区间内，提高机器学习时数据读取速度和稳定性。
本方法中，将外置的土壤温湿度传感器和土壤ph值传感器接入手持式设备，设备运行，环境监测传感器模块采集气象数据，触摸屏显示实时气象数据；调整摄像头的拍摄角度，在距离小麦穗部50cm处对小麦进行从上到下的拍摄，完成后，通过4G网卡上传小麦穗部图片和气象数据到云端服务器。
本方法中，步骤5具体为：
步骤501：对小麦穗部图片进行穗部标注，标注好的图片将随机以75%，25%进行划分，建立训练集和数据集；
步骤502：通过深度学习目标检测算法ConerNet对步骤501中标注好的图片进行训练，得出小麦穗部图片中的病穗数目；
步骤503：通过深度学习语义分割算法U-net对步骤502中的穗部染病麦粒进行分割提取；首先，建立训练环境；然后，修改训练文件路径，即保存小麦图片的文件路径；最后，测试每一张图片，计算每一张图片内染病区域面积占整体穗部面积，得到小麦赤霉病病穗率。
小麦穗部图片进行穗部标注，一共分为两种标注方式：第一种标注方式是利用labelImg软件对图片中的所有染病小麦穗部进行框选，框选之后保存矩形框四角在图片中的位置信息，以jason格式进行保存；第二种标注方式是利用labelme软件对图片中每一株小麦穗部染病区域麦粒进行描点标注，所有框选点的位置信息都会以jason格式保存。
本实施例方法中，步骤7中支持向量机SVM机器学习算法建立的预测模型，该预测模型中核函数使用的是高斯核函数，将特征矩阵输入SVM预测模型中，先对每一组数据进行特征向量矩阵构建，然后将构建好的特征向量矩阵放入支持向量机中进行训练，初次分类将小于百分之一的病穗率特征值数据即正常小麦作为正类输入，大于百分之一的病穗率特征值数据即发病小麦作为负类输入，分类完毕之后进行二次分类；二次分类对发病小麦进行分类，将介于百分之一和百分之十的病穗率特征值数据即１级小麦作为正类输入，大于百分之十的病穗率特征值数据作为负类输入；以此类推，三次分类将介于百分之十和百分之二十的病穗率特征值数据即２级小麦作为正类输入，大于百分之二十的病穗率特征值数据即３级小麦作为负类输入。
步骤7中BP神经网络机器学习算法和支持向量机SVM机器学习算法分别建立的两个预测模型的预测过程与支持向量机SVM机器学习算法建立的预测模型类似，进行箱体的训练过程，本实施例不一一介绍。
实施举例1：
选取江苏省多个县市冬小麦作为研究对象，选取这些地区2010-2020年间的3-5月的历史气象数据，气象因子选择气温、湿度、日照时数、蒸发量、５cm地温、10cm地温、土壤温湿度、土壤酸碱度和空气孢子数九个气象因子作为自变量因子，同年小麦赤霉病病穗率作为因变量数据。将选取的3-5月自变量因子数据按旬编组，一共分为9组。统计分析各编组期的温度、湿度、土壤温度、土壤湿度、土壤PH值、光照和空气中pm5颗粒数目七个气象因子与赤霉病病穗率的关联性。将同年气象数据根据时间和气象类型分为9组共54个气象因子，并建立一一对应的编号。
多元回归分析法（Multiple Regression Analysis）：将小麦赤霉病病穗率作为因变量，其余３－５月气温、湿度、日照时数、蒸发量、５cm地温、10cm地温等气象因子分为９组共45个变量因子，先将这些变量因子分别与赤霉病病穗率数据做相关性分析, 筛选出相关性系数较高的，然后进行两个乃至三个变量的结合分析。四月上句平均气温和赤霉病病穗率呈正相关，四月下旬平均日照时数和四月下句平均蒸发量和赤霉病病穗率呈负相关，变量因子作为建立预测模型的自变量因子。
通过对９组共５４个变量因子与因变量进行单独或者多个变量联合的回归分析，选取4.1～4.10十天范围内平均气、4.21～4.30十天范围内平均日照时数和４.21～4.30十天范围平均蒸发量以及作为自变量因子与小麦赤霉病病穗率建立预测模型。
实施举例2
江苏省小麦扬花期主要在四月中下旬，小麦赤霉病的发生情况主要与扬花期间气象因子的变化有很大关系，扬花期前后的气温、光照强度、蒸发量对于小麦赤霉病的发生有很大的影响。
BP神经网络：通过python语言对气象因子和小麦赤霉病病穗率数据进行BP神经网络处理分析，研究对比神经网络和多元回归分析建模之间的优劣性对比，从而选取较优的模型对小麦赤霉病发病情况进行监测预测。
使用BP神经网络进行模型分析之前需要将原始的气象数据和病穗率数据进行预处理，处理成可以直接使用的标准化数据。通过气象因子进行的相关性分析，江苏省多个市县2010－2020年３月上旬平均日照时数、４月上旬平均气温、４月上旬平均10ｃｍ地温、４月中旬平均日照时数、４月中旬平均蒸发量、４月下旬平均日照时数、４月下旬平均蒸发量等样本数据与病穗率呈明显的相关性，将这些通过显著性检验的气象因子变量作为影响小麦赤霉病发病的影响因子即作为ＢＰ神经网络输入层的向量。ＢＰ神经网络使用经过标准化处理的样本数据可以减少训练时间，加快收敛速度，使得预测结果更加具有准确性。标准化方法是：标准化后的矩阵＝（初始矩阵－平均值矩阵）／方差矩阵。
根据多元回归分析病穗率数据和气象因子数据的相关性检验结果，将通过相关性检验的气象因子数据做为ＢＰ神经网络的输入层，即３月上旬平均日照时数、４月上旬平均气温、４月上旬平均10cm地温、４月中旬平均日照时数、４月中旬平均蒸发量、４月下旬平均日照时数、４月下旬平均蒸发量等因子作为输入层参数，小麦赤霉病病穗率Ｙ作为神经网络的输出，成功构建前向传播过程后，得到预测值和输出值的误差，采用MSE（Mean SquaredError，均方误差）作为损失函数，再通过Tensorflow的自动求导机制，进行反向传播，神经网络通过不断的训练最终优化loss函数至一个较低的阈值，阈值设置为0.01。
将３－５月气象因子数据按旬分组，针对每个变量与小麦赤霉病病穗率做相关性检验，在几十个自变量因子数据之中筛选出７个通过相关性检验的数据，将这７个变量因子作为输入参数，病穗率样本数据作为输出，构建ＢＰ神经网络的预测模型。
支持向量机SVM:使用python语言对江苏省小麦赤霉病病穗率和气象因子之间的关系进行研究,使用scikit-learn工具包对实验数据进行训练，通过调参调优达到最终的预测结果。
将３-５月九旬时间分为９组样本数据进行训练，每组样本数据中包含6种气象数据因子，即每一旬十天的平均气温、湿度、日照时数、蒸发量、5cm地温、10cm地温。本次模型SVM分类中核函数使用的是高斯核函数，将特征矩阵输入SVM中，先对每一组数据进行特征向量矩阵构建，然后将构建好的特征向量矩阵放入支持向量机中进行训练，初次分类将小于百分之一的病穗率特征值数据即正常小麦作为正类输入，大于百分之一的病穗率特征值数据即发病小麦作为负类输入，分类完毕之后进行二次分类；二次分类对发病小麦进行分类，将介于百分之一和百分之十的病穗率特征值数据即１级小麦作为正类输入，大于百分之十的病穗率特征值数据作为负类输入；以此类推，三次分类将介于百分之十和百分之二十的病穗率特征值数据即２级小麦作为正类输入，大于百分之二十的病穗率特征值数据即３级小麦作为负类输入；其余各组的预测过程与之类似，进行相同的训练过程。
实施举例3
针对江苏省小麦扬花期主要在四月中下旬，小麦赤霉病的发生情况主要与扬花期间气象因子的变化有很大关系，本实验验证的因子与前人的研究结果有相通之处，扬花期前后的气温、光照强度、蒸发量对于小麦赤霉病的发生有很大的影响。但由于各等级之间的病穗率跨度比较大，难以应用到实际生产中，回归分析法还是存在较大的局限性。
其次使用ＢＰ神经网络的方法对安徽省小麦赤霉病进行模型的构建，ＢＰ神经网络具有较强的容错力、优秀的非线性映射能力可以很好的寻找到样本数据之间的内部联系。同样先对不同的气象因子自变量和小麦赤霉病进行相关性检验，将通过显著性检验的因子使用ＢＰ神经网络进行模型构建。
最后还使用了支持向量机多分类的方法对安徽省小麦赤霉病进行构建，支持向量机可以支持小样本数据计算，可以弥补神经网络需要大量数据样本进行计算的缺点处理复杂的非线性的问题理论上可以避免局部最优，更值得实际的推广和使用。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (10)

1.一种手持式田间小麦赤霉病监测预警装置，其特征在于：包括
采集卡，用于采集数据；
处理器，用于对采集数据进行分析，基于深度学习算法得出小麦生长和染病状况；
摄像头，用于采集田间小麦根、茎和穗部信息；
触摸屏，用于人机交互的载体；
电源，用于为所述监测预警装置供电；
以及4G网卡，用于数据通讯同时与外部云端服务器通信；
所述处理器分别与所述摄像头、所述触摸屏和所述采集卡通讯连接，所述电源分别与所述摄像头、所述触摸屏和所述采集卡电连接。
2.根据权利要求1所述的一种手持式田间小麦赤霉病监测预警装置，其特征在于：所述处理器采用华为海思Hikey970单板机，华为海思Hikey970单板机内置wifi模块与4G网卡实现数据通讯。
3.根据权利要求1所述的一种手持式田间小麦赤霉病监测预警装置，其特征在于：采集卡包括集成在线路板上的MCU微控制器、启动电路、DC/CD降压模块、环境监测传感器模块、wifi无线传输模块和两路485通讯接口，
环境监测传感器模块与MCU微控制器连接，用于监测环境中的各项指标数据并将数据送入MCU微控制器；启动电路和DC/CD降压模块都与MCU微控制器连接，wifi无线传输模块与MCU微控制器连接并实现MCU微控制器与处理器之间的数据通讯，两路485通讯接口与MCU微控制器连接；
环境监测传感器模块包括光照传感器、二氧化碳传感器、一氧化碳传感器、臭氧传感器、温湿度传感器和PM5颗粒监测传感器，光照传感器、二氧化碳传感器、一氧化碳传感器、臭氧传感器、温湿度传感器和PM5颗粒监测传感器的输出端都与MCU微控制器连接；
环境监测传感器还包括外部分别接插两路485通讯接口的土壤温湿度传感器和土壤ph值传感器。
4.根据权利要求1所述的一种手持式田间小麦赤霉病监测预警装置，其特征在于：所述摄像头采用工业级一体机摄像头，所述工业级一体机摄像头通过可调节螺旋摇杆转动连接监测预警装置，实现工业级一体机摄像头360度旋转；所述工业级一体机摄像头通过圆柱平台配合联接可调节螺旋摇杆固定工业级一体机摄像头的拍摄角度。
5.一种基于权利要求1-4所述的手持式田间小麦赤霉病监测预警装置的预警方法，其特征在于，包括如下步骤：
步骤1：获取需监测预警的小麦种植区域的江苏省小麦种植区所在市之前10年的历史气象数据，所述历史气象数据包括九个气象因子，分别为气温、湿度、日照时数、蒸发量、５cm地温、10cm地温、土壤温湿度、土壤酸碱度和空气孢子数；
步骤2：将步骤1中九个气象因子进行归一化处理，获得九个气象因子作为九个模型变量，上传存入云端服务器；
步骤3：四月中下旬利用手持式监测预警设备连续14天在小麦种植区域内每1亩地随机选取12个点进行数据采集，拍摄小麦穗部图片并同时获得14天的气象数据，所述气象数据包括七个气象因子，分别为温度、湿度、土壤温度、土壤湿度、土壤PH值、光照和空气中pm5颗粒数目；
步骤4：将步骤3采集的小麦穗部图片数据和14天的气象数据上传到云端服务器；
步骤5：在云端服务器内对步骤4中的小麦穗部图片数据通过深度学习目标检测算法ConerNet检测小麦穗部图片中的病穗数目，再通过深度学习语义分割算法U-net计算小麦穗部染病面积占整体穗部面积，得到小麦赤霉病病穗率，小麦赤霉病病穗率作为一个模型变量；
步骤6：在云端服务器内对步骤4中14天的气象数据的七个气象因子进行归一化处理，获得七个气象因子作为七个模型变量，存在云端服务器；
步骤7：采用并行的Bagging集成学习（ensemble learning）方式，同时使用多元回归分析机器学习算法、BP神经网络机器学习算法和支持向量机SVM机器学习算法分别建立三个预测模型，作为三个个体学习器；然后将三个预测模型集成，形成统一的集成模型，作为小麦赤霉病发生的二元模型，输出小麦是否染病；将步骤2、步骤5和步骤6内共十七个模型变量分别代入二元模型中个体学习器的三个预测模型，同时进行运算，通过调参调优最终得出三个预测结果，预测结果包括小麦病穗率等级和计算结果准确率；
所述小麦病穗率等级为4个级别进行分级，观察样本数据小麦病穗率为零的小麦分为级别0，将病穗率介于百分之一和百分之十之间的小麦分为级别1；将病穗率介于百分之十和百分之二十之间的小麦分为级别２；将病穗率大于百分之二十的小麦分为级别３；
步骤8：对步骤7内得出的三个预测结果，以同等级、准确率高为最优解。
6.根据权利要求5所述的一种手持式田间小麦赤霉病监测预警装置的预警方法，其特征在于，气象因子进行归一化处理，各个因子遵循的归一化公式为：
Figure DEST_PATH_IMAGE001
其中，
Figure 164656DEST_PATH_IMAGE002
是气象因子，
Figure DEST_PATH_IMAGE003
是通过公式得到的归一化之后特征j对应的值，
Figure 483904DEST_PATH_IMAGE004
是数据集中特征
Figure 810980DEST_PATH_IMAGE005
对应的值，
Figure 423227DEST_PATH_IMAGE006
和
Figure 101333DEST_PATH_IMAGE007
是数据集合中特征
Figure 958693DEST_PATH_IMAGE008
的最大值和最小值。
7.根据权利要求5所述的一种手持式田间小麦赤霉病监测预警装置的预警方法，其特征在于，所述步骤3具体为：
将外置的土壤温湿度传感器和土壤ph值传感器接入手持式设备，设备运行，环境监测传感器模块采集气象数据，触摸屏显示实时气象数据；
调整摄像头的拍摄角度，在距离小麦穗部50cm处对小麦进行从上到下的拍摄，完成后，通过4G网卡上传小麦穗部图片和气象数据到云端服务器。
8.根据权利要求5所述的一种手持式田间小麦赤霉病监测预警装置的预警方法，其特征在于，所述步骤5具体为：
步骤501：对小麦穗部图片进行穗部标注，标注好的图片将随机以75%，25%进行划分，建立训练集和数据集；
步骤502：通过深度学习目标检测算法ConerNet对步骤501中标注好的图片进行训练，得出小麦穗部图片中的病穗数目；
步骤503：通过深度学习语义分割算法U-net对步骤502中的穗部染病麦粒进行分割提取；首先，建立训练环境；然后，修改训练文件路径，即保存小麦图片的文件路径；最后，测试每一张图片，计算每一张图片内染病区域面积占整体穗部面积，得到小麦赤霉病病穗率。
9.根据权利要求8所述的一种手持式田间小麦赤霉病监测预警装置的预警方法，其特征在于，小麦穗部图片进行穗部标注，一共分为两种标注方式：第一种标注方式是利用labelImg软件对图片中的所有染病小麦穗部进行框选，框选之后保存矩形框四角在图片中的位置信息，以jason格式进行保存；第二种标注方式是利用labelme软件对图片中每一株小麦穗部染病区域麦粒进行描点标注，所有框选点的位置信息都会以jason格式保存。
10.根据权利要求6所述的一种手持式田间小麦赤霉病监测预警装置的预警方法，其特征在于，步骤7中支持向量机SVM机器学习算法建立的预测模型，该预测模型中核函数使用的是高斯核函数，将特征矩阵输入SVM预测模型中，先对每一组数据进行特征向量矩阵构建，然后将构建好的特征向量矩阵放入支持向量机中进行训练，初次分类将小于百分之一的病穗率特征值数据即正常小麦作为正类输入，大于百分之一的病穗率特征值数据即发病小麦作为负类输入，分类完毕之后进行二次分类；二次分类对发病小麦进行分类，将介于百分之一和百分之十的病穗率特征值数据即1级小麦作为正类输入，大于百分之十的病穗率特征值数据作为负类输入；以此类推，三次分类将介于百分之十和百分之二十的病穗率特征值数据即２级小麦作为正类输入，大于百分之二十的病穗率特征值数据即３级小麦作为负类输入。
CN202010608745.1A 2020-06-29 2020-06-29 一种手持式田间小麦赤霉病监测预警装置及方法 Pending CN111611983A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010608745.1A CN111611983A (zh) 2020-06-29 2020-06-29 一种手持式田间小麦赤霉病监测预警装置及方法
US17/356,527 US11798400B2 (en) 2020-06-29 2021-06-24 Handheld monitoring and early warning device for fusarium head blight of in-field wheat and early warning method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010608745.1A CN111611983A (zh) 2020-06-29 2020-06-29 一种手持式田间小麦赤霉病监测预警装置及方法

Publications (1)

Publication Number Publication Date
CN111611983A true CN111611983A (zh) 2020-09-01

Family

ID=72201119

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010608745.1A Pending CN111611983A (zh) 2020-06-29 2020-06-29 一种手持式田间小麦赤霉病监测预警装置及方法

Country Status (2)

Country Link
US (1) US11798400B2 (zh)
CN (1) CN111611983A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112710780A (zh) * 2020-11-14 2021-04-27 山西省农业科学院作物科学研究所 一种小麦赤霉病检测装置
CN115082797A (zh) * 2022-07-05 2022-09-20 安徽农业大学 一种大田环境下早期小麦赤霉病监测预警方法及系统
CN116028834A (zh) * 2023-02-28 2023-04-28 中国农业科学院植物保护研究所 一种基于XGBoost算法的小麦赤霉病预测方法
CN116777034A (zh) * 2023-03-28 2023-09-19 北京金禾天成科技有限公司 一种基于物联网的小麦赤霉病预测系统及方法

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116070789B (zh) * 2023-03-17 2023-06-02 北京茗禾科技有限公司 基于人工智能的成熟期水稻和小麦的单产预估方法
CN116381176B (zh) * 2023-04-11 2024-04-12 南京农业大学 基于低成本传感器和智能算法的灌区水体温室气体监测系统
CN116152522B (zh) * 2023-04-23 2023-07-18 云南派动科技有限公司 一种基于深度学习的多尺度特征提取方法及系统
CN117592004B (zh) * 2024-01-19 2024-04-12 中国科学院空天信息创新研究院 Pm2.5浓度卫星监测方法、装置、设备及介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6476856B1 (en) * 1998-03-20 2002-11-05 Westcoast Performance Products Usa, Inc. Orbit camera housing
US10185670B2 (en) * 2015-09-15 2019-01-22 Gatekeeper Ltd. System and method for securely connecting to a peripheral device
CA3085358A1 (en) * 2018-01-18 2019-07-25 Wisconsin Alumni Research Foundation System for detection of disease in plants

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112710780A (zh) * 2020-11-14 2021-04-27 山西省农业科学院作物科学研究所 一种小麦赤霉病检测装置
CN115082797A (zh) * 2022-07-05 2022-09-20 安徽农业大学 一种大田环境下早期小麦赤霉病监测预警方法及系统
CN115082797B (zh) * 2022-07-05 2023-08-22 安徽农业大学 一种大田环境下早期小麦赤霉病监测预警方法及系统
CN116028834A (zh) * 2023-02-28 2023-04-28 中国农业科学院植物保护研究所 一种基于XGBoost算法的小麦赤霉病预测方法
CN116028834B (zh) * 2023-02-28 2023-12-12 中国农业科学院植物保护研究所 一种基于XGBoost算法的小麦赤霉病预测方法
CN116777034A (zh) * 2023-03-28 2023-09-19 北京金禾天成科技有限公司 一种基于物联网的小麦赤霉病预测系统及方法

Also Published As

Publication number Publication date
US11798400B2 (en) 2023-10-24
US20210407282A1 (en) 2021-12-30

Similar Documents

Publication Publication Date Title
CN111611983A (zh) 一种手持式田间小麦赤霉病监测预警装置及方法
CN102798601B (zh) 一种土壤有机质检测装置以及检测方法
CN103489006A (zh) 一种基于计算机视觉的水稻病虫草害诊断方法
CN102156180A (zh) 一种区域能见度监视预测系统及方法
CN110083096A (zh) 一种粮仓智能监测方法
CN107202761A (zh) 一种快速检测水果内部品质的便携式检测设备及检测方法
CN112434569B (zh) 一种无人机热成像系统
CN114518143A (zh) 一种智能环境感知系统
CN210375194U (zh) 一种基于多传感器的农业大棚环境监测系统
Nosirov et al. The greenhouse control based-vision and sensors
CN212624071U (zh) 一种手持式田间小麦赤霉病监测预警装置
CN206919924U (zh) 智能化土壤测量仪及检测系统
CN105185076B (zh) 便携式城市绿化辅助规划设备
CN106124699A (zh) 一种智能空气质量实时评价装置及其控制方法
CN111581249A (zh) 一种用于农业生产数据分析系统
CN116257792A (zh) 一种智慧城市碳中和数据分析系统
CN202818389U (zh) 基于北斗定位系统的便携式环保参数采集装置
CN206515662U (zh) 基于stm32的温室环境信息采集与实时在线监控装置
CN109685174B (zh) 一种黄瓜丰产性自动分析装置及方法
CN115619013A (zh) 多传感器信息融合火灾预测算法、系统、电子设备及介质
CN205449158U (zh) 一种一体化遥感测量系统
CN113916278A (zh) 一种农田环境数据监测系统
CN203053909U (zh) 一种神经网络信息融合的智能co传感器
CN207442912U (zh) 基于物联网的农业大田气候灾害监测预警系统
CN206020419U (zh) 一种基于北斗定位的土壤质量自动检测采集装置

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