CN111914914A - 一种病虫害的识别方法、装置、设备和存储介质 - Google Patents
一种病虫害的识别方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111914914A CN111914914A CN202010702390.2A CN202010702390A CN111914914A CN 111914914 A CN111914914 A CN 111914914A CN 202010702390 A CN202010702390 A CN 202010702390A CN 111914914 A CN111914914 A CN 111914914A
- Authority
- CN
- China
- Prior art keywords
- pest
- data set
- plant
- information
- trained
- 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
Images
Classifications
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明涉及一种病虫害的识别方法、装置、设备和存储介质。该方法通过使用预置的源数据集对特征提取网络进行预训练,得到预训练的特征提取网络;连接预训练的所述特征提取网络和预置的预测网络,得到病虫害识别模型;使用目标数据集对所述病虫害识别模型进行训练,得到经过训练的所述病虫害识别模型,所述目标数据集中的样本数据包括标记有病虫害信息的图像;将待识别植物的目标图像输入经过训练的所述病虫害识别模型进行识别,以输出所述植物的病虫害信息,实现使用少量的目标数据集,即可获取病虫害识别模型,达到对病虫害进行识别和防治的技术效果。
Description
技术领域
本发明涉及植保的技术领域,尤其涉及一种病虫害的识别方法、装置、设备和存储介质。
背景技术
农作物、蔬菜、果树和花卉等经济作物,从播种、生长至收获,经常受到各种有害生物(如植物病原、害虫、杂草和害鼠等)的危害。有害生物种类繁多且形态各异,发生规律各有不同,而且时常爆发。对我国国民经济、特别是农业生产造成重大损失。因此,正确识别植物病虫害,掌握有害生物的习性、特点,对防控有害生物极其重要。一旦发生病虫害,广大从业者往往依靠传统经验进行粗略判断,再利用当地容易获取的农药农资,实施一些事后防治措施。鉴于从业人员存在的以下问题,往往不易获得良好的防治效果:
(1)对病虫害的认知水平有限,不能正确识别病虫害类型;
(2)对病虫害防治技术了解不深,难以获得专家具体指导,不易采取有针对性的高效且环保的合理防治措施和方案;
(3)无法在更大范围掌握周边病虫害发生的概率及发展情况,做趋势性判断更是无能为力。
如果仅依靠少数植保科技工作人员或昆虫研究者,通过手工检查、肉眼观察来完成,识别效率较低,识别率又极其不稳定。同时,由于植保科技人员有限,再加上有些区域位置偏远、交通不便,许多病虫害无法及时现场识别,只好根据种植户的描述来识别,而许多种植户专业知识有限,无法提供准确描述,常导致误判。给农业生产的质量和产量都带来较大损害。
发明内容
本发明的目的在于提出一种病虫害的识别方法、装置、设备和存储介质,以实现使用少量的目标数据集,即可获取病虫害识别模型,达到对病虫害进行识别和防治的技术效果。
为实现上述目的,本申请第一方面提供了一种病虫害的识别方法,包括:
使用预置的源数据集对特征提取网络进行预训练,得到预训练的特征提取网络;
连接预训练的所述特征提取网络和预置的预测网络,得到病虫害识别模型;
使用目标数据集对所述病虫害识别模型进行训练,得到经过训练的所述病虫害识别模型,所述目标数据集中的样本数据包括标记有病虫害信息的图像;
将待识别植物的目标图像输入经过训练的所述病虫害识别模型进行识别,以输出所述植物的病虫害信息。
优选的,所述源数据集与所述目标数据集具有共同特征。
优选的,在所述使用预置的源数据集对特征提取网络进行预训练之前,还包括:
从目标数据集的样本数据中提取出共同特征;
从预置的数据集中选取所述源数据集,所述源数据集中的样本数据与所述目标数据集中的样本数据具有所述共同特征。
优选的,所述连接预训练的所述特征提取网络和预置的预测网络,得到病虫害识别模型,包括:
对预训练的所述特征提取网络执行针对特征维度的变换操作;
将执行完所述变换操作的所述特征提取网络作为预置的预测网络的输入,组成病虫害识别模型。
优选的,所述将待识别植物的目标图像输入经过训练的所述病虫害识别模型进行识别,以输出所述植物的病虫害信息,包括:
采集待识别植物的目标图像;
将所述目标图像输入经过训练的所述病虫害识别模型识别,以在所述目标图像上标记所述植物的病虫害信息;
其中,所述病虫害信息至少包括:病虫的位置、病虫的种类和病虫害的严重程度中的一种。
优选的,在所述输出所述植物的病虫害信息之后,还包括:
输出针对所述病虫害信息的防治信息。
优选的,待识别植物的目标图像包括所述植物所处的地理位置信息,所述将待识别植物的目标图像输入经过训练的所述病虫害识别模型进行识别,以输出所述植物的病虫害信息之后,还包括:
从所述目标图像中提取出待识别植物所处的地理位置信息;
根据上述地理位置信息在地图中相应的地理位置标记所述病虫害信息;
根据所述地图上各区域的所述病虫害信息的分布情况,输出针对各区域的病虫害防治信息。
为实现上述目的,本申请第二方面提供了一种病虫害的识别装置,包括:
预训练模块,用于使用预置的源数据集对特征提取网络进行预训练,得到预训练的特征提取网络;
连接模块,用于连接预训练的所述特征提取网络和预置的预测网络,得到病虫害识别模型;
训练模块,用于使用目标数据集对所述病虫害识别模型进行训练,得到经过训练的所述病虫害识别模型,所述目标数据集中的样本数据包括标记有病虫害信息的图像;
识别模块,用于将待识别植物的目标图像输入经过训练的所述病虫害识别模型进行识别,以输出所述植物的病虫害信息。
为实现上述目的,本申请第三方面提供了一种病虫害的识别设备,所述病虫害的识别设备包括处理器和存储器,所述存储器用于存储计算机程序,所述计算机程序被所述处理器执行时,实现如第一方面中任一所述的方法。
为实现上述目的,本申请第四方面提供了一种计算机可读介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面任一项所述的方法。
由上可见,本申请提供的技术方案,可以实现使用少量的目标数据集,即可获取病虫害识别模型,达到对病虫害进行识别和防治的技术效果。
附图说明
图1是本发明实施例1中一种病虫害的识别方法的步骤示意图;
图2是本发明实施例1中一种病虫害识别模型的结构示意图;
图3是本发明实施例1中一种病虫害信息的示意图;
图4是本发明实施例1中一种病虫害的识别方法在线应用的结构示意图;
图5是本发明实施例2中一种病虫害的识别装置的结构示意图;
图6是本发明实施例3中一种病虫害的识别设备的结构示意图。
具体实施方式
以下实施例用于说明本发明,但不用来限制本发明的范围。
实施例1
图1是本发明实施例1中一种病虫害的识别方法的步骤示意图;本实施例中,病虫害的识别方法可以运行在病虫害的识别设备之上,其中,病虫害的识别设备可以是电脑、服务器、移动终端等设备。本实施例中将以病虫害的识别设备为服务器为例进行详细说明。具体的,参照图1,该方法可以包括如下的步骤:
S110、使用预置的源数据集对特征提取网络进行预训练,得到预训练的特征提取网络。
本实施例中,特征提取网络,可以用于从包括植物的图像中提取出图像特征。该图像特征可以用于进一步的分析,以确定该图像中的植物是否出现病虫害。
在一实施例中,该特征提取网络可以是卷积神经网络(Convolutional NeuralNetwork,CNN)等深层网络。示例性的,可以是VGG卷积神经网络,ResNet和Darknet等卷积神经网络中的一种。
其中,VGG卷积神经网络是牛津大学计算机视觉实验室提出的网络结构,为了解决ImageNet中的1000类图像分类和定位问题。具体的,可以使用VGG卷积神经网络中的VGG16模型,作为本实施例中的特征提取网络。
其中,ResNet在2015年被提出,可以对特征进行超强表达,可以用在检测,分割,识别等领域。
其中,Darknet是最经典的一个深层网络,结合了Resnet的特点,在保证对特征进行超强表达的同时,又避免了网络过深带来的梯度问题,主要有Darknet19和Darknet53等网络模型。
本实施例中,目标数据集中的样本数据包括标记有病虫害信息的图像。
在一实施例中,目标数据集中的样本数据可以是植物病虫害的图像,可以通过使用智能手机和数码相机等设备对准植物进行拍摄获取。进一步的,还可以对目标数据集中的样本数据进行批处理为宽边为1024像素的标准图像。
表1
序号 | 病虫害名字 | 样本数据的数量 |
1 | 菜粉蝶 | 428 |
2 | 红蜡蚧 | 383 |
3 | 黄杨绢野螟 | 521 |
4 | 山茶藻斑病 | 545 |
5 | 睡莲灰霉病 | 439 |
6 | 香樟黑刺粉虱 | 431 |
7 | 草莓锈病 | 333 |
8 | 月季黑斑病 | 608 |
9 | 竹茎扁蚜 | 590 |
在一具体的实例中,表1是本发明实施例1中提供的一种目标数据集的数据组成方式。具体的,参照表1,目标数据集中可以合计9种病虫害、4278张图像。其中,目标数据集中的图像可以使用标注工具,如labelImage软件,进行针对病虫害信息的标注。图像在进行标注后,可以具有对应的xml格式的标注信息文件(PASCAL VOC标准),用于存储图像对应的病虫害信息。图像和对应的标注信息文件,组成了目标数据集中样本数据。
需要说明的,一般的,需要大量的样本数据来对深层网络进行训练,才能取得识别效果较为精确的深层网络。然而,目标数据集中的样本数据往往出现样本数量过低而无法满足深层网络训练的情况。
为此,本实施例中,可以使用源数据集对特征提取网络进行预训练,得到预训练的特征提取网络,再使用目标数据集对预训练的特征提取网络进行微调,实现使用少量样本数据的目标数据集,即可完成对特征提取网络训练,且可以保证特征提取网络适用于从含有植物的图像中提取出关于病虫害的图像特征。
在一实施例中,选择源数据集要遵循一定的原则,就是要和目标数据集有共同的特性,如设置源数据集为与目标数据集具有共同特征的数据集合。如,可以从目标数据集中的样本数据提取出共同特征;从预置的数据集中选取出所述源数据集,所述源数据集中的样本数据与所述目标数据集中的样本数据具有所述共同特征。其中,共同特征可以包括颜色、形状等一般特征,或者是经深度网络提取出来的一些抽象特征。当源数据集为与目标数据集具有共同特征时,可以保证使用源数据集预训练得到的预训练的特征提取网络,可以适用于目标数据集,也就是说,可以有效的从目标数据集中的样本数据中提取出关于病虫害的图像特征。
在又一实施例中,当目标数据集为病虫害图像时,则可以偏向于选择包含有昆虫、植物的源数据集。
进一步的,通过使用源数据集对特征提取网络进行预训练,还可以降低训练成本,提升训练效率。
具体的,预先在一些大规模并且物体种类丰富的数据集(如源数据集)上进行训练,特征提取网络拥有了一定特征提取或识别能力后,在新的数据集(如目标数据集)上就会收敛得很快,让训练变得容易,并且减小了过拟合风险。特征提取网络正是使用在源数据集上进行预训练的方式迁移学习而来。如果不使用预训练的方式,使用目标数据集从头训练特征提取网络中的参数,其收敛将会经过一个非常漫长的过程。
S120、连接预训练的所述特征提取网络和预置的预测网络,得到病虫害识别模型。
具体的,病虫害识别模型由特征提取网络和预置的预测网络连接得到,可以使得所述病虫害识别模型共享预训练的所述特征提取网络的参数。
本实施例中,病虫害识别模型,主要用于识别包括植物的图像中的病虫害信息。其中,病虫害信息至少包括:病虫的位置、种类和病虫害的严重程度中的一种。
本实施例中,病虫害识别模型可以是YOLO(YOUONLYLOOKONCE)网络中的一种。具体的,YOLO网络是一种物体检测/识别网络,可以是YOLOv3网络,其优势在于其较快的推理速度,能够识别出图片中物体的种类及其位置信息。
本实施例中,病虫害识别模型可以包括连接的特征提取网络和预置的预测网络。图2是本发明实施例1中一种病虫害识别模型的结构示意图。参照图2,病虫害识别模型中的特征提取网络可以是图2中的Darknet53网络模型。
其中,病虫害识别模型中的特征提取网络为步骤S110预训练得到的预训练的特征提取网络,也就是说,病虫害识别模型共享了预训练的特征提取网络中已经训练得到的参数,可以减少使用目标数据集对病虫害识别模型进行训练的花费时间。
需要说明的是,特征提取网络在预训练的过程中,可以使用全连接层作为输出层,以输出源数据集中样本数据的类别,方便使用源数据集对特征提取网络的预训练。进一步的,在将特征提取网络连接预置的预测网络,组成病虫害识别模型,可以删去该全连接层,保留特征提取网络中用于提取图像特征的部分,如图2中所示的Darknet53网络模型的最后一层不包括全连接层。
进一步的,还可以对预训练的所述特征提取网络执行针对特征维度的变换操作;将执行完所述变换操作的所述特征提取网络作为预置的预测网络的输入,组成病虫害识别模型。其中,变换操作可以是降维或升维,一方面,可以使得特征提取网络的输出维度与预测网络的输入相匹配;另一方,还可以现有的、特征提取网络提取的图像特征映射到另一个特征空间,使得图像特征更容易区分,即在特征空间中线性可分。
具体的,特征提取网络和预测网络的连接方式,可以参照图2。
S130、使用目标数据集对所述病虫害识别模型进行训练,得到经过训练的所述病虫害识别模型。
需要注意的是,在使用目标数据集对所述病虫害识别模型进行训练,病虫害识别模型中特征提取网络和预测网络中的参数都将调整,也就是说,训练病虫害识别模型的过程,也是对预训练的特征提取网络的微调整。
本实施例中,使用源数据集对病虫害识别模型中的特征提取网络进行预训练,再使用目标数据集对整个病虫害识别模型训练,以调整病虫害识别模型中的参数,减少了训练的时间,而且避免了因目标数据集样本数据的数量过少而带来的识别精确度不高的问题。
S140、将待识别植物的目标图像输入经过训练的所述病虫害识别模型进行识别,以输出所述植物的病虫害信息。
本实施例中,可以在需要进行病虫害识别的植物周围设置摄像头,以获取待识别植物的目标图像。进一步的,将该目标图像输入经过训练的所述病虫害识别模型进行识别,以输出所述植物的病虫害信息。
示例性的,采集待识别植物的目标图像;将所述目标图像输入经过训练的所述病虫害识别模型识别,以在所述目标图像上标记所述植物的病虫害信息。
具体的,病虫害信息至少包括:病虫的位置、病虫的种类和病虫害的严重程度中的一种。图3是本发明实施例1中一种病虫害信息的示意图。参照图3,图3中的方框为植物中病虫的位置;在方框周围还可以使用如“HLJ 0.80”的方式进行标记,其中,“HLJ”为病虫害的种类,“0.80”为该植物发生“HLJ”病虫害的概率。
进一步的,在上述技术方案的基础上,还可以输出针对所述病虫害信息的防治信息,以及时提醒植物的管理者对该植物按照该防止信息进行病虫害的防治。
进一步的,在上述技术方案的基础上,待识别植物的目标图像包含所述植物所处的地理位置信息,还可以从所述目标图像中提取出待识别植物所处的地理位置信息;根据上述地理位置信息在地图中相应的地理位置标记所述病虫害信息;根据所述地图上各区域的所述病虫害信息的分布情况,输出针对各区域的病虫害防治信息,使得可以利用大数据统计和趋势分析功能,为区域病虫害自动监测、林业害虫自动监测、病虫害发生发展趋势预测提供技术和数据支撑。
图4是本发明实施例1中一种病虫害的识别方法在线应用的结构示意图。参照图4,在实际生产环境中,还可以将病虫害识别模型进行封装发布为在线的应用服务,当有新拍的目标图像需要进行识别时,通过客服端请求、授权、数据管理等一系列过程,进入到在线识别系统中,对图片进行识别以及结果可视化。
实施例2
图5是本发明实施例2中一种病虫害的识别装置的结构示意图。本实施例中提供的病虫害的识别装置可以集成于病虫害的识别设备之上,其中,病虫害的识别设备可以是电脑、服务器、移动终端等设备。本实施例中将以病虫害的识别设备为服务器为例进行详细说明。具体的,参照图5,该装置可以包括如下的结构:预训练模块510、连接模块520、训练模块530和识别模块540。
预训练模块510,用于使用预置的源数据集对特征提取网络进行预训练,得到预训练的特征提取网络;
连接模块520,用于连接预训练的所述特征提取网络和预置的预测网络,得到病虫害识别模型;
训练模块530,用于使用目标数据集对所述病虫害识别模型进行训练,得到经过训练的所述病虫害识别模型,所述目标数据集中的样本数据包括标记有病虫害信息的图像;
识别模块540,用于将待识别植物的目标图像输入经过训练的所述病虫害识别模型进行识别,以输出所述植物的病虫害信息。
在上述技术方案的基础上,所述源数据集与所述目标数据集具有共同特征。
在上述技术方案的基础上,病虫害的识别装置,还包括:
共同特征提取模块,用于在所述使用预置的源数据集对特征提取网络进行预训练之前,从目标数据集中的样本数据中提取出共同特征;
源数据集确定模块,用于从预置的数据集中选取出所述源数据集,所述源数据集中的样本数据与所述目标数据集中的样本数据具有所述共同特征。
在上述技术方案的基础上,连接模块520,包括:
变换单元,用于对预训练的所述特征提取网络执行针对特征维度的变换操作;
连接单元,用于将执行完所述变换操作的所述特征提取网络作为预置的预测网络的输入,组成病虫害识别模型。
在上述技术方案的基础上,所述识别模块540,包括:
采集单元,用于采集待识别植物的目标图像;
识别单元,用于将所述目标图像输入经过训练的所述病虫害识别模型识别,以在所述目标图像上标记所述植物的病虫害信息;
其中,所述病虫害信息至少包括:病虫的位置、病虫的种类和病虫害的严重程度中的一种。
在上述技术方案的基础上,病虫害的识别装置,还包括:
输出模块,用于在所述输出所述植物的病虫害信息之后,输出针对所述病虫害信息的防治信息。
在上述技术方案的基础上,病虫害的识别装置,还包括:
地理位置确定模块,用于从所述目标图像中提取出待识别植物所处的地理位置信息;
信息标记模块,用于根据上述地理位置信息在地图中相应的地理位置标记所述病虫害信息;
区域信息输出模块,用于根据所述地图上各区域的所述病虫害信息的分布情况,输出针对各区域的病虫害防治信息。
实施例3
图6是本发明实施例3中一种病虫害的识别设备的结构示意图。如图6所示,该病虫害的识别设备包括:处理器60、存储器61、输入装置62以及输出装置63。该病虫害的识别设备中处理器60的数量可以是一个或者多个,图6中以一个处理器60为例。该病虫害的识别设备中存储器61的数量可以是一个或者多个,图6中以一个存储器61为例。该病虫害的识别设备的处理器60、存储器61、输入装置62以及输出装置63可以通过总线或者其他方式连接,图6中以通过总线连接为例。该病虫害的识别设备可以是电脑和服务器等。本实施例以病虫害的识别设备为服务器进行详细说明,该服务器可以是独立服务器或集群服务器。
存储器61作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明任意实施例所述的病虫害的识别方法对应的程序指令/模块(例如,病虫害的识别装置中的预训练模块510、连接模块520、训练模块530和识别模块540)。存储器61可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据设备的使用所创建的数据等。此外,存储器61可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器61可进一步包括相对于处理器60远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置62可用于接收输入的数字或者字符信息,以及产生与病虫害的识别设备的观众用户设置以及功能控制有关的键信号输入,还可以是用于获取图像的摄像头以及获取音频数据的拾音设备。输出装置63可以包括扬声器等音频设备。需要说明的是,输入装置62和输出装置63的具体组成可以根据实际情况设定。
处理器60通过运行存储在存储器61中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的病虫害的识别方法。
实施例4
本发明实施例4还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种病虫害的识别方法,包括:
使用预置的源数据集对特征提取网络进行预训练,得到预训练的特征提取网络;
连接预训练的所述特征提取网络和预置的预测网络,得到病虫害识别模型;
使用目标数据集对所述病虫害识别模型进行训练,得到经过训练的所述病虫害识别模型,所述目标数据集中的样本数据包括标记有病虫害信息的图像;
将待识别植物的目标图像输入经过训练的所述病虫害识别模型进行识别,以输出所述植物的病虫害信息。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的病虫害的识别方法操作,还可以执行本发明任意实施例所提供的病虫害的识别方法中的相关操作,且具备相应的功能和有益效果。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是机器人,个人计算机,服务器,或者网络设备等)执行本发明任意实施例所述的病虫害的识别方法。
值得注意的是,上述病虫害的识别装置中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“在一实施例中”、“在又一实施例中”、“示例性的”或“在具体的实施例中”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
虽然,上文中已经用一般性说明、具体实施方式及试验,对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (10)
1.一种病虫害的识别方法,其特征在于,包括:
使用预置的源数据集对特征提取网络进行预训练,得到预训练的特征提取网络;
连接预训练的所述特征提取网络和预置的预测网络,得到病虫害识别模型;
使用目标数据集对所述病虫害识别模型进行训练,得到经过训练的所述病虫害识别模型,所述目标数据集中的样本数据包括标记有病虫害信息的图像;
将待识别植物的目标图像输入经过训练的所述病虫害识别模型进行识别,以输出所述植物的病虫害信息。
2.根据权利要求1所述的方法,其特征在于,所述源数据集与所述目标数据集具有共同特征。
3.根据权利要求2所述的方法,其特征在于,在所述使用预置的源数据集对特征提取网络进行预训练之前,还包括:
从目标数据集的样本数据中提取出共同特征;
从预置的数据集中选取所述源数据集,所述源数据集中的样本数据与所述目标数据集中的样本数据具有所述共同特征。
4.根据权利要求1所述的方法,其特征在于,所述连接预训练的所述特征提取网络和预置的预测网络,得到病虫害识别模型,包括:
对预训练的所述特征提取网络执行针对特征维度的变换操作;
将执行完所述变换操作的所述特征提取网络作为预置的预测网络的输入,组成病虫害识别模型。
5.根据权利要求1所述的方法,其特征在于,所述将待识别植物的目标图像输入经过训练的所述病虫害识别模型进行识别,以输出所述植物的病虫害信息,包括:
采集待识别植物的目标图像;
将所述目标图像输入经过训练的所述病虫害识别模型识别,以在所述目标图像上标记所述植物的病虫害信息;
其中,所述病虫害信息至少包括:病虫的位置、病虫的种类和病虫害的严重程度中的一种。
6.根据权利要求5所述的方法,其特征在于,在所述输出所述植物的病虫害信息之后,还包括:
输出针对所述病虫害信息的防治信息。
7.根据权利要求1-5任一所述的方法,其特征在于,待识别植物的目标图像包含所述植物所处的地理位置信息,所述将待识别植物的目标图像输入经过训练的所述病虫害识别模型进行识别,以输出所述植物的病虫害信息之后,还包括:
从所述目标图像中提取出所述待识别植物所处的地理位置信息;
根据上述地理位置信息在地图中相应的地理位置标记所述病虫害信息;
根据所述地图上各区域的所述病虫害信息的分布情况,输出针对各区域的病虫害防治信息。
8.一种病虫害的识别装置,其特征在于,包括:
预训练模块,用于使用预置的源数据集对特征提取网络进行预训练,得到预训练的特征提取网络;
连接模块,用于连接预训练的所述特征提取网络和预置的预测网络,得到病虫害识别模型;
训练模块,用于使用目标数据集对所述病虫害识别模型进行训练,得到经过训练的所述病虫害识别模型,所述目标数据集中的样本数据包括标记有病虫害信息的图像;
识别模块,用于将待识别植物的目标图像输入经过训练的所述病虫害识别模型进行识别,以输出所述植物的病虫害信息。
9.一种病虫害的识别设备,其特征在于,所述病虫害的识别设备包括处理器和存储器,所述存储器用于存储计算机程序,所述计算机程序被所述处理器执行时,实现如权利要求1至7中任一所述的方法。
10.一种计算机可读介质,其特征在于,其上存储有计算机程序,该计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010702390.2A CN111914914A (zh) | 2020-07-21 | 2020-07-21 | 一种病虫害的识别方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010702390.2A CN111914914A (zh) | 2020-07-21 | 2020-07-21 | 一种病虫害的识别方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111914914A true CN111914914A (zh) | 2020-11-10 |
Family
ID=73280094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010702390.2A Pending CN111914914A (zh) | 2020-07-21 | 2020-07-21 | 一种病虫害的识别方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111914914A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668490A (zh) * | 2020-12-30 | 2021-04-16 | 浙江托普云农科技股份有限公司 | 基于YOLOv4的害虫检测方法、系统、装置及可读存储介质 |
CN113705419A (zh) * | 2021-08-24 | 2021-11-26 | 上海劲牛信息技术有限公司 | 农作物病虫草害识别处理方法、装置、电子设备及存储介质 |
CN113902735A (zh) * | 2021-09-13 | 2022-01-07 | 云南春芯科技有限公司 | 作物病害识别方法、装置、电子设备及存储介质 |
CN115500334A (zh) * | 2021-06-07 | 2022-12-23 | 中移(成都)信息通信科技有限公司 | 一种喷雾器、植物病虫害识别方法和识别设备 |
CN116166762A (zh) * | 2022-12-27 | 2023-05-26 | 广东省农业科学院农业经济与信息研究所 | 一种病虫害电子地图的生成方法与无人机系统、防治装置 |
CN116259078A (zh) * | 2023-05-16 | 2023-06-13 | 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 |
CN116935230A (zh) * | 2023-09-13 | 2023-10-24 | 山东建筑大学 | 作物病虫害识别方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018058821A1 (zh) * | 2016-09-30 | 2018-04-05 | 深圳前海弘稼科技有限公司 | 一种基于种植设备的病虫害预测方法及装置 |
CN110502987A (zh) * | 2019-07-12 | 2019-11-26 | 山东农业大学 | 一种基于深度学习的植物病虫害识别方法及系统 |
CN110659659A (zh) * | 2018-07-19 | 2020-01-07 | 清华珠三角研究院 | 一种智能识别和预警害虫的方法及系统 |
CN111414896A (zh) * | 2020-04-10 | 2020-07-14 | 吉林农业大学 | 一种基于卷积神经网络农作物病害图像识别方法 |
-
2020
- 2020-07-21 CN CN202010702390.2A patent/CN111914914A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018058821A1 (zh) * | 2016-09-30 | 2018-04-05 | 深圳前海弘稼科技有限公司 | 一种基于种植设备的病虫害预测方法及装置 |
CN110659659A (zh) * | 2018-07-19 | 2020-01-07 | 清华珠三角研究院 | 一种智能识别和预警害虫的方法及系统 |
CN110502987A (zh) * | 2019-07-12 | 2019-11-26 | 山东农业大学 | 一种基于深度学习的植物病虫害识别方法及系统 |
CN111414896A (zh) * | 2020-04-10 | 2020-07-14 | 吉林农业大学 | 一种基于卷积神经网络农作物病害图像识别方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668490A (zh) * | 2020-12-30 | 2021-04-16 | 浙江托普云农科技股份有限公司 | 基于YOLOv4的害虫检测方法、系统、装置及可读存储介质 |
CN112668490B (zh) * | 2020-12-30 | 2023-01-06 | 浙江托普云农科技股份有限公司 | 基于YOLOv4的害虫检测方法、系统、装置及可读存储介质 |
CN115500334A (zh) * | 2021-06-07 | 2022-12-23 | 中移(成都)信息通信科技有限公司 | 一种喷雾器、植物病虫害识别方法和识别设备 |
CN113705419A (zh) * | 2021-08-24 | 2021-11-26 | 上海劲牛信息技术有限公司 | 农作物病虫草害识别处理方法、装置、电子设备及存储介质 |
CN113902735A (zh) * | 2021-09-13 | 2022-01-07 | 云南春芯科技有限公司 | 作物病害识别方法、装置、电子设备及存储介质 |
CN116166762A (zh) * | 2022-12-27 | 2023-05-26 | 广东省农业科学院农业经济与信息研究所 | 一种病虫害电子地图的生成方法与无人机系统、防治装置 |
CN116259078A (zh) * | 2023-05-16 | 2023-06-13 | 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 |
CN116935230A (zh) * | 2023-09-13 | 2023-10-24 | 山东建筑大学 | 作物病虫害识别方法、装置、设备及介质 |
CN116935230B (zh) * | 2023-09-13 | 2023-12-15 | 山东建筑大学 | 作物病虫害识别方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914914A (zh) | 一种病虫害的识别方法、装置、设备和存储介质 | |
CN109583301B (zh) | 一种农作物生长过程最优外部种植条件预测方法及装置 | |
JP7086203B2 (ja) | 植物体耕作データ測定方法、作業経路計画方法及び装置、システム | |
CN114818909B (zh) | 一种基于作物长势特征的杂草检测方法和装置 | |
Selvi et al. | Weed detection in agricultural fields using deep learning process | |
CN113469112B (zh) | 农作物生长状况图像识别方法及系统 | |
CN115661650A (zh) | 一种基于物联网数据监测的农场管理系统 | |
CN103714317A (zh) | 一种基于Android平台的植物叶片识别方法 | |
CN115620151B (zh) | 物候期识别方法、装置、电子设备和存储介质 | |
CN113011221A (zh) | 作物分布信息的获取方法、装置及测量系统 | |
CN113850132A (zh) | 农作物识别方法、装置、设备及存储介质 | |
Ramesh et al. | Comparison and analysis of Rice Blast disease identification in Greenhouse Controlled Environment and Field Environment using ML Algorithms | |
Mortensen et al. | The oil radish growth dataset for semantic segmentation and yield estimation | |
CN108537164B (zh) | 基于无人机遥感的点穴播种出芽率监测方法与装置 | |
CN117036926A (zh) | 一种融合深度学习与图像处理的杂草识别方法 | |
Stefański et al. | Triticale field phenotyping using RGB camera for ear counting and yield estimation | |
CN114663652A (zh) | 图像处理方法、装置、管理系统、电子设备和存储介质 | |
Yihang et al. | Automatic recognition of rape seeding emergence stage based on computer vision technology | |
Xing et al. | Traits expansion and storage of soybean phenotypic data in computer vision-based test | |
Shuai et al. | Image segmentation of field rape based on template matching and K-means clustering | |
CN115660236B (zh) | 作物物候期预测方法、装置、电子设备和存储介质 | |
Krogh Mortensen et al. | The oil radish growth dataset for semantic segmentation and yield estimation | |
CN116757867B (zh) | 一种基于多源数据融合的数字乡村构建方法及系统 | |
CN116453003B (zh) | 一种基于无人机监测智能识别水稻生长势的方法和系统 | |
Singh et al. | Rice tiller number estimation by field robot and deep learning (Part 1) |
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 |