CN112418112A - 一种果园病虫害监测预警方法及系统 - Google Patents
一种果园病虫害监测预警方法及系统 Download PDFInfo
- Publication number
- CN112418112A CN112418112A CN202011351554.8A CN202011351554A CN112418112A CN 112418112 A CN112418112 A CN 112418112A CN 202011351554 A CN202011351554 A CN 202011351554A CN 112418112 A CN112418112 A CN 112418112A
- Authority
- CN
- China
- Prior art keywords
- pest
- disease
- orchard
- image
- early warning
- 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
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 169
- 201000010099 disease Diseases 0.000 title claims abstract description 97
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 97
- 239000002420 orchard Substances 0.000 title claims abstract description 68
- 238000012544 monitoring process Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 32
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 75
- 241000238631 Hexapoda Species 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 26
- 241000196324 Embryophyta Species 0.000 claims abstract description 17
- 238000005516 engineering process Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims description 19
- 238000011176 pooling Methods 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 12
- 239000006002 Pepper Substances 0.000 claims description 11
- 238000013135 deep learning Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 150000003839 salts Chemical class 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 235000002566 Capsicum Nutrition 0.000 claims description 7
- 235000016761 Piper aduncum Nutrition 0.000 claims description 7
- 235000017804 Piper guineense Nutrition 0.000 claims description 7
- 235000008184 Piper nigrum Nutrition 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 238000013519 translation Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 244000203593 Piper nigrum Species 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 244000141359 Malus pumila Species 0.000 abstract description 2
- 235000021016 apples Nutrition 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 10
- 241000722363 Piper Species 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 6
- 238000003709 image segmentation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 206010039509 Scab Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical group [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect 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
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Catching Or Destruction (AREA)
Abstract
本申请公开了一种果园病虫害监测预警方法及系统，涉及果园管理技术领域，对果园内的果树进行视频采集，获得所述果树的病虫害情况；对果树的病虫害情况进行分类识别，确定出果树病虫害类别；根据识别出的病虫害类别给出相应的管理措施并给出实时的预警信息。通过对果园内的果树病虫害情况采用视频的方式实时获取，然后将实时获取的病虫害视频信息进行处理，准确识别出病虫害类别，对应的管理措施和预警信息在果园植保人员的终端上显示。将视频技术、互联网技术、图像处理技术与传统农业植保工作相结合，不仅节省了果树植保人员的时间，而且提供了及时、准确的果园病虫害数据，对改善果品品质，提升苹果产量有着显著的效果。
Description
技术领域
本申请涉及果园管理技术领域，具体涉及一种果园病虫害监测预警方法及系统。
背景技术
果园病虫害防治在果树生命周期以及周年管理中都具有重要的地位和作用，果园病虫害的及时精确防治，对延长结果年限，增长果树树题寿命具有重要意义，对结果期水果的产量、质量、优质率具有较大的影响。控制果园重大病虫害发生、蔓延、确保果品安全，对果业可持续发展起着保驾护航的作用，还可以保证果农获得稳定的收益。
传统的果园病虫害监测往往需要植保人员前往现场进行查看，根据对果树生长情况判断出病虫害的情况。传统的果园病虫害监测虽然可以检查出果树存在的病虫害，但是由于无法实时和全方位的对果树病虫害进行监控。进而使得有的果树处于病虫害初期可能不会被发现，进而错过了最佳的防治时期。
因此，如何提高对果园病虫害监测预警的实时性，是本领域亟待解决的技术问题。
发明内容
本申请为了解决上述技术问题，提出了如下技术方案：
第一方面，本申请实施例提供了一种果园病虫害监测预警方法，所述方法包括：对果园内的果树进行视频采集，获得所述果树的病虫害情况；对果树的病虫害情况进行分类识别，确定出果树病虫害类别；根据识别出的病虫害类别给出相应的管理措施并给出实时的预警信息。
采用上述实现方式，通过对果园内的果树病虫害情况采用视频的方式实时获取，然后将实时获取的病虫害视频信息进行处理，准确识别出病虫害类别，对应的管理措施和预警信息在果园植保人员的终端上显示。将视频技术、互联网技术、图像处理技术与传统农业植保工作相结合，不仅节省了果树植保人员的时间，而且提供了及时、准确的果园病虫害数据，对改善果品品质，提升苹果产量有着显著的效果。
结合第一方面，在第一方面第一种可能的实现方式中，所述对果园内的果树进行视频采集，获得所述果树的病虫害情况，包括：在果园内布设一体式野外防水球机，所述球机内设置多倍的放大摄像头；通过所述一体式野外防水球机采集果园内果树病虫害发生视频。
结合第一方面第一种可能的实现方式，在第一方面第二种可能的实现方式中，所述对果树的病虫害情况进行分类识别，确定出果树病虫害类别，包括：将所述病虫害发生视频采用流媒体技术进行处理获得单张的图像；将所有图像进行预处理获得灰度图像；将所述灰度图像进行灰度阈值分割，得到果树的叶片和果实图像；对所得叶片和果实图像在深度学习网络中进行识别，确定出果树病虫害类别；所述深度学习网络包括病虫害特征提取网络、病虫害特征融合网络、病虫害感兴趣区域提取网络、病虫害识别和回归网络。
结合第一方面第二种可能的实现方式，在第一方面第三种可能的实现方式中，所述将所有图像进行预处理获得灰度图像包括：对图像用加权平均法进行灰度化处理，减少原始图像数据量，便于后序计；对灰度化所得图像进行平移、镜像、旋转、缩放等几何变换，改正图像采集系统的系统误差和仪器位置的随机误差；中值滤波去除椒盐噪声的影响，获得灰度图像。
结合第一方面第二种可能的实现方式，在第一方面第四种可能的实现方式中，所述病虫害特征提取网络包括卷积层、非线性激活层和池化层，用于从病虫害图片中提取出不同目标的重要特征，得到病虫害特征图；所述卷积层用于对待定位识别病虫害图像进行标准的卷积操作，卷积的输入是病虫害图像或者是特征图；所述非线性激活层用于引入非线性因素，使得网络可以任意逼近任何非线性函数；所述池化层对输入特征图进行压缩，减少特征图的空间分辨率大小，提高感受野，简化网络复杂度和参数数量。
结合第一方面第二种可能的实现方式，在第一方面第五种可能的实现方式中，所述病虫害特征融合网络具有侧向连接和自顶向下的架构，依靠一种通过自上而下的路径和横向连接获得高分辨率、强语义的特征信息。
结合第一方面第二种可能的实现方式，在第一方面第六种可能的实现方式中，所述病虫害感兴趣区域提取网络用于给出感兴趣区域，并判断这些区域是病虫害目标还是背景，对病虫害目标的感兴趣区域进行初步的回归调整。
结合第一方面第二种可能的实现方式，在第一方面第七种可能的实现方式中，所述病虫害识别和回归网络利用Softmax Loss分类器和Smooth L1Loss回归器得到分类概率和边框回归，准确识别出监控视频中的病虫害类别。
第二方面，本申请实施例提供了一种果园病虫害监测预警系统，所述系统包括：采集模块，用于对果园内的果树进行视频采集，获得所述果树的病虫害情况；处理模块，用于对果树的病虫害情况进行分类识别，确定出果树病虫害类别；监测预警模块，用于根据识别出的病虫害类别给出相应的管理措施并给出实时的预警信息。
附图说明
图1为本申请实施例提供的一种果园病虫害监测预警方法的流程示意图；
图2为本申请实施例提供的图像旋转坐标示意图；
图3为本申请实施例提供的果园病虫害识别应用效果图；
图4为本申请实施例提供的一种果园病虫害监测预警系统示意图。
具体实施方式
下面结合附图与具体实施方式对本方案进行阐述。
图1为本申请实施例提供的一种果园病虫害监测预警方法的流程示意图，参见图1，所述方法包括：
S101，对果园内的果树进行视频采集，获得所述果树的病虫害情况。
在果园内布设一体式野外防水球机，所述球机内设置多倍的放大摄像头；通过所述一体式野外防水球机采集果园内果树病虫害发生视频。具体地，本实施例中球机内使用27倍的放大摄像头，以便观察整个果园的病虫害发生情况。由于所述视频采集模块在室外工作，果园需要经常进行疏花、疏果、施肥、喷药等果园管理，若将220V交流电直接接入果园，发生意外事故时可能造成果园工作人员触电，若使用低电压传输则无法保证工作电压传输的稳定性。所以室外设备的供电和控制采用4芯铜芯线，并将其分为两组，分别用来提供交流电、作为控制信号线。
现有的果园视频远程监控大多采用无线网络传输，虽然不必过多考虑布线问题，但无线网络带宽瓶颈造成视频质量极速降低，使无线网络传输技术在实际果园远程监控中难以推广。随着基础设施逐渐完善，现代果园大多已经接入市电和网络，为有线网络传输的应用提供了便利。数字视频记录设备用来汇聚果园内视频监控传回的视频信号，并将信号转化为图像信息，输出并呈现到视频矩阵上。同时，使用P2P网络技术将数字化后的视频信号通过光纤接入到Internet网络，并传输给物联网服务器。
S102，对果树的病虫害情况进行分类识别，确定出果树病虫害类别。
本实施例中果园病虫害监测预警工作主要由物联网服务器承担。物联网服务器已经完成了病虫害深度学习，对监控视频所采集到的病虫害进行分类、识别。
S1021，对所述远程病虫害监控模块所采集的视频使用流媒体技术进行处理，得到单张的图像。
S1022，将所有图像进行预处理获得灰度图像。
首先对图像用加权平均法进行灰度化处理，减少原始图像数据量，便于后序计算，根据重要性及其它指标，将三个分量以不同的权值进行加权平均，由于人眼对绿色的敏感最高，对蓝色敏感最低，因此，按式1对RGB三分量进行加权平均得到较合理的灰度图像。
Gray＝0.299*R+0.578*G+0.114*B (1)
其次对灰度化所得图像进行平移、镜像、旋转、缩放等几何变换，改正图像采集系统的系统误差和仪器位置的随机误差。
图像的平移变换就是将图像所有的像素坐标分别加上指定的水平偏移量和垂直偏移量，灰度值不发生改变，在同一坐标系下，设P0(x0,y0)，经过水平偏移量Δx，垂直偏移量Δy得到平移之后的坐标：
用矩阵变换表示为：
图像的镜像分为水平镜像和垂直镜像，设图像宽度为Width，那么水平镜像的坐标变化为
用矩阵变换表示为：
图像的缩放是将给定图像在x轴方向按比例缩放fx倍，在y轴方向按比例缩放fy倍，从而获得一副新的图像,坐标的缩放变化：
图像的旋转，如图2所示，设顺时针旋转θ角后对应点为P(x,y)
矩阵变换为：
然后中值滤波去除椒盐噪声的影响,椒盐噪声(salt-and-pepper noise)是由图像传感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声，所谓椒盐，椒就是黑，盐就是白，椒盐噪声就是在图像上随机出现黑色白色的像素。椒盐噪声是一种因为信号脉冲强度引起的噪声，产生该噪声的算法也比较简单。椒盐噪声往往由图像切割引起，去除脉冲干扰及椒盐噪声最常用的算法是中值滤波。大量的实验研究发现，由摄像机拍摄得到的图像受离散的脉冲、椒盐噪声和零均值的高斯噪声的影响较严重。
噪声给图像处理带来很多困难，对图像分割、特征提取、图像识别等具有直接影响。因此，实时采集的图像需进行滤波处理。消除图像中的噪声成份叫做图像的平滑化或滤波操作。滤波的目的有两个：一是抽出对象的特征作为图像识别的特征模式；二是为适应计算机处理的要求，消除图像数字化时所混入的噪声。对滤波处理的要求有两条：一是不能损坏图像轮廓及边缘等重要信息；二是使图像清晰，视觉效果好。
S1023，将所述灰度图像进行灰度阈值分割，得到果树的叶片和果实图像。
在图像处理领域，二值图像运算量小，并且能够体现图像的关键特征，将灰度图像变为二值图像最常用的方法是进行阈值分割，由此可以得到叶片和果实图像。
S1024，对所得叶片和果实图像在深度学习网络中进行识别，确定出果树病虫害类别；所述深度学习网络包括病虫害特征提取网络、病虫害特征融合网络、病虫害感兴趣区域提取网络、病虫害识别和回归网络。
所述特征提取网络用来从病虫害图片中提取出一些不同目标的重要特征，通常由卷积层、非线性激活层、池化层等叠加构成，得到的输出称为病虫害的特征图。对待定位识别病虫害图像进行标准的卷积操作，卷积的输入是病虫害图像或者是特征图，若输入是特征图，输出f(X)所得到的Y为C2个大小为W2×H2的待定位识别害虫图像的特征图，卷积核的深度需和输入的深度保持一致，每个卷积核是一种滤波器，用于提取不同类型的特征，浅层卷积核主要负责提取害虫的共性基础特征，位置特征较强，深层卷积核主要负责相对复杂的特征，卷积核数目较多，语义特征较强，一个卷积核对输入做卷积得到一个W2×H2×1的二维特征图，多个卷积核可以得到一个W2×H2×C2的三维特征图。
卷积层和池化层每一层输出都是上层输入的线性函数，若深度神经网络仅由卷积层和池化层组成，无论深度多深，输出都是输入的线性组合，所以需要使用非线性激活函数给网络引入非线性因素，使得网络可以任意逼近任何非线性函数，这样深度神经网络就可以应用到众多的非线性模型中。常用非线性激活函数Rectified Linear Unit(Re LU)φ(x)＝max(0，x)输入小于0时，输出为0，输入大于0时，输出等于输入。池化层对输入特征图进行压缩，减少特征图的空间分辨率大小，提高感受野，简化网络复杂度和参数数量，池化仅仅是在不同的深度特征图上完成，不改变特征图的深度，常用池化操作是最大池化即选取图像对应的池化区域的最大值作为该区域池化后的值。
在分类网络中常用池化层，因为扩大感受野可能对分类有效，但是对于需要定位病斑或者害虫等目标的检测任务而言就不一定有利，因为丢失了目标的位置信息。所以目前的检测网络会使用扩张卷积或者设置卷积步长等方法来代替池化操作，在高层获得高分辨率图像的同时又获得较大的感受野，使得可以利用不同层次的特征检测不同尺寸的目标。
多层卷积会得到语义信息较丰富的特征图，但是病斑或者害虫的目标位置比较粗略，低层卷积层的语义信息较少，但是病斑或者虫害的目标位置准确，所以检测任务中需要融合深浅层特征集合特征语义信息和空间位置信息。所述特征融合网络具有侧向连接和自顶向下的架构，依靠一种通过自上而下的路径和横向连接获得高分辨率、强语义的特征。
目标检测算法分一阶段检测和两阶段检测。一阶段检测不需要提取候选框，直接将整张原始的病虫害图像作为输入回归出图像中病虫害的具体位置和类别；两阶段检测需要先提取病虫害感兴趣区域，然后根据提取的感兴趣区域对病虫害分类及定位。所以，二阶段算法在牺牲可接受检测时间的基础上提升检测精度。所述病虫害感兴趣区域提取网络的目的是给出一些感兴趣区域，并判断这些区域是病虫害目标，还是背景，对是病虫害目标的感兴趣区域进行初步的回归调整，此阶段并不识别是哪种病虫害，仅仅判断是不是病虫害。
所述病虫害感兴趣区域提取网络利用所述病虫害特征提取网络和所述病虫害特征融合网络产生的不同层的融合特征图Y2，…，Yn作为输入产生感兴趣区域，首先通过一个n*n的卷积滑动窗口针对融合特征图中的一个特征点生成长度为C维长度的特征，然后通过1*1卷积产生两个分支即回归层和分类层。其中，分支回归层Ln用于预测卷积滑动窗口的中心点对应在原图上的初始感兴趣区域应该平移缩放的参数，包括中心坐标Δx和Δy，以及宽Δw和长Δh。另一分支分类层Cn用于判定初始感兴趣区域属于目标(前景)和非目标(背景)的概率，k表示针对融合特征图上的特征点在原图感受野中心相对应的初始感兴趣区域个数，并且这k个初始感兴趣区域的大小尺寸固定，可以根据检测识别的病虫害尺寸大小设置，再通过训练得到微调感兴趣区域。
所述病虫害识别和回归网络，利用Softmax Loss分类器和Smooth L1Loss回归器得到分类概率和边框回归。能够准确识别出监控视频中的病虫害类别。参见图3，果园病虫害识别应用效果图，由图3可以看出，最终可以识别出不同的病虫害。
S103，根据识别出的病虫害类别给出相应的管理措施并给出实时的预警信息。
使用者可通过台式电脑、笔记本电脑、智能手机向存储服务端发起请求，随时随地进行果园病虫害远程视频监控，并且所述物联网服务器对病虫害的识别分类也可以通过所述应用端模块显示。这样用户就可以在所述应用端清晰准确的了解果园病虫害发生情况，节省了查看视频以确定病虫害的时间，在第一时间就可以做出相应的果园管理工作，解决了果园病虫害防治中及时性、全面性不足的问题。
与上述实施例提供的一种果园病虫害监测预警方法，本申请还提供了一种果园病虫害监测预警系统的实施例，参见图4，果园病虫害监测预警系统20包括：采集模块201、处理模块202和监测预警模块203。
所述采集模块201，用于对果园内的果树进行视频采集，获得所述果树的病虫害情况。所述处理模块202，用于对果树的病虫害情况进行分类识别，确定出果树病虫害类别。所述监测预警模块203，用于根据识别出的病虫害类别给出相应的管理措施并给出实时的预警信息。
具体地，所述采集模块201包括布置单元和采集单元。所述布置单元用于在果园内布设一体式野外防水球机，所述球机内设置多倍的放大摄像头。所述采集单元用于通过所述一体式野外防水球机采集果园内果树病虫害发生视频。
所述处理模块202包括:视频处理单元、图像灰度处理单元、图像分割单元和识别单元。
所述视频处理单元用于将所述病虫害发生视频采用流媒体技术进行处理获得单张的图像。
所述图像灰度处理单元用于将所有图像进行预处理获得灰度图像。
进一步地，所述图像灰度处理单元包括：灰度处理子单元、图像变换子单元和去噪单元。
所述灰度处理子单元用于对图像用加权平均法进行灰度化处理，减少原始图像数据量，便于后序计。所述图像变换子单元用于对灰度化所得图像进行平移、镜像、旋转、缩放等几何变换，改正图像采集系统的系统误差和仪器位置的随机误差。所述去噪单元用于中值滤波去除椒盐噪声的影响，获得灰度图像。
所述图像分割单元用于将所述灰度图像进行灰度阈值分割，得到果树的叶片和果实图像。
所述识别单元用于对所得叶片和果实图像在深度学习网络中进行识别，确定出果树病虫害类别；所述深度学习网络包括病虫害特征提取网络、病虫害特征融合网络、病虫害感兴趣区域提取网络、病虫害识别和回归网络。
所述病虫害特征提取网络包括卷积层、非线性激活层和池化层，用于从病虫害图片中提取出不同目标的重要特征，得到病虫害特征图；所述卷积层用于对待定位识别病虫害图像进行标准的卷积操作，卷积的输入是病虫害图像或者是特征图；所述非线性激活层用于引入非线性因素，使得网络可以任意逼近任何非线性函数；所述池化层对输入特征图进行压缩，减少特征图的空间分辨率大小，提高感受野，简化网络复杂度和参数数量。
所述病虫害特征融合网络具有侧向连接和自顶向下的架构，依靠一种通过自上而下的路径和横向连接获得高分辨率、强语义的特征信息。
所述病虫害感兴趣区域提取网络用于给出感兴趣区域，并判断这些区域是病虫害目标还是背景，对病虫害目标的感兴趣区域进行初步的回归调整。
所述病虫害识别和回归网络利用Softmax Loss分类器和Smooth L1 Loss回归器得到分类概率和边框回归，准确识别出监控视频中的病虫害类别。
需要说明的是，在本文中术语“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。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
当然，上述说明也并不仅限于上述举例，本申请未经描述的技术特征可以通过或采用现有技术实现，在此不再赘述；以上实施例及附图仅用于说明本申请的技术方案并非是对本申请的限制，如来替代，本申请仅结合并参照优选的实施方式进行了详细说明，本领域的普通技术人员应当理解，本技术领域的普通技术人员在本申请的实质范围内所做出的变化、改型、添加或替换都不脱离本申请的宗旨，也应属于本申请的权利要求保护范围。
Claims (9)
1.一种果园病虫害监测预警方法，其特征在于，所述方法包括：
对果园内的果树进行视频采集，获得所述果树的病虫害情况；
对果树的病虫害情况进行分类识别，确定出果树病虫害类别；
根据识别出的病虫害类别给出相应的管理措施并给出实时的预警信息。
2.根据权利要求1所述的果园病虫害监测预警方法，其特征在于，所述对果园内的果树进行视频采集，获得所述果树的病虫害情况，包括：
在果园内布设一体式野外防水球机，所述球机内设置多倍的放大摄像头；
通过所述一体式野外防水球机采集果园内果树病虫害发生视频。
3.根据权利要求2所述的果园病虫害监测预警方法，其特征在于，所述对果树的病虫害情况进行分类识别，确定出果树病虫害类别，包括：
将所述病虫害发生视频采用流媒体技术进行处理获得单张的图像；
将所有图像进行预处理获得灰度图像；
将所述灰度图像进行灰度阈值分割，得到果树的叶片和果实图像；
对所得叶片和果实图像在深度学习网络中进行识别，确定出果树病虫害类别；所述深度学习网络包括病虫害特征提取网络、病虫害特征融合网络、病虫害感兴趣区域提取网络、病虫害识别和回归网络。
4.根据权利要求3所述的果园病虫害监测预警方法，其特征在于，所述将所有图像进行预处理获得灰度图像包括：
对图像用加权平均法进行灰度化处理，减少原始图像数据量，便于后序计；
对灰度化所得图像进行平移、镜像、旋转、缩放等几何变换，改正图像采集系统的系统误差和仪器位置的随机误差；
中值滤波去除椒盐噪声的影响，获得灰度图像。
5.根据权利要求3所述的果园病虫害监测预警方法，其特征在于，所述病虫害特征提取网络包括卷积层、非线性激活层和池化层，用于从病虫害图片中提取出不同目标的重要特征，得到病虫害特征图；所述卷积层用于对待定位识别病虫害图像进行标准的卷积操作，卷积的输入是病虫害图像或者是特征图；所述非线性激活层用于引入非线性因素，使得网络可以任意逼近任何非线性函数；所述池化层对输入特征图进行压缩，减少特征图的空间分辨率大小，提高感受野，简化网络复杂度和参数数量。
6.根据权利要求3所述的果园病虫害监测预警方法，其特征在于，所述病虫害特征融合网络具有侧向连接和自顶向下的架构，依靠一种通过自上而下的路径和横向连接获得高分辨率、强语义的特征信息。
7.根据权利要求3所述的果园病虫害监测预警方法，其特征在于，所述病虫害感兴趣区域提取网络用于给出感兴趣区域，并判断这些区域是病虫害目标还是背景，对病虫害目标的感兴趣区域进行初步的回归调整。
8.根据权利要求3所述的果园病虫害监测预警方法，其特征在于，所述病虫害识别和回归网络利用Softmax Loss分类器和Smooth L1 Loss回归器得到分类概率和边框回归，准确识别出监控视频中的病虫害类别。
9.一种果园病虫害监测预警系统，其特征在于，所述系统包括：
采集模块，用于对果园内的果树进行视频采集，获得所述果树的病虫害情况；
处理模块，用于对果树的病虫害情况进行分类识别，确定出果树病虫害类别；
监测预警模块，用于根据识别出的病虫害类别给出相应的管理措施并给出实时的预警信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011351554.8A CN112418112A (zh) | 2020-11-27 | 2020-11-27 | 一种果园病虫害监测预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011351554.8A CN112418112A (zh) | 2020-11-27 | 2020-11-27 | 一种果园病虫害监测预警方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112418112A true CN112418112A (zh) | 2021-02-26 |
Family
ID=74843397
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011351554.8A Pending CN112418112A (zh) | 2020-11-27 | 2020-11-27 | 一种果园病虫害监测预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112418112A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112950399A (zh) * | 2021-03-10 | 2021-06-11 | 中国热带农业科学院热带作物品种资源研究所 | 一种山兰米种植无公害防治系统及方法 |
| CN114494967A (zh) * | 2022-01-27 | 2022-05-13 | 广东欧域科技有限公司 | 一种基于边缘计算的果树识别方法、系统、设备及介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109344883A (zh) * | 2018-09-13 | 2019-02-15 | 西京学院 | 一种基于空洞卷积的复杂背景下果树病虫害识别方法 |
-
2020
- 2020-11-27 CN CN202011351554.8A patent/CN112418112A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109344883A (zh) * | 2018-09-13 | 2019-02-15 | 西京学院 | 一种基于空洞卷积的复杂背景下果树病虫害识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| 李衡霞: ""基于深度卷积神经网络的油菜虫害检测方法研究"", 《道客巴巴》 * |
| 郭宝龙等著: "《数字图像处理系统工程导论》", 31 July 2012 * |
| 陈亚龙: ""基于图像的水稻害虫计数与识别的研究"", 《中国优秀博硕士学位论文全文数据库(硕士) 农业科技辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112950399A (zh) * | 2021-03-10 | 2021-06-11 | 中国热带农业科学院热带作物品种资源研究所 | 一种山兰米种植无公害防治系统及方法 |
| CN114494967A (zh) * | 2022-01-27 | 2022-05-13 | 广东欧域科技有限公司 | 一种基于边缘计算的果树识别方法、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Visual perception enabled industry intelligence: state of the art, challenges and prospects | |
| CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
| Dias et al. | Multispecies fruit flower detection using a refined semantic segmentation network | |
| Zhuang et al. | Computer vision-based localisation of picking points for automatic litchi harvesting applications towards natural scenarios | |
| CN108109385B (zh) | 一种输电线防外破的车辆识别与危险行为判别系统与方法 | |
| CN110532970B (zh) | 人脸2d图像的年龄性别属性分析方法、系统、设备和介质 | |
| CN111126287B (zh) | 一种遥感影像密集目标深度学习检测方法 | |
| CN111046880A (zh) | 一种红外目标图像分割方法、系统、电子设备及存储介质 | |
| CN107808139A (zh) | 一种基于深度学习的实时监控威胁分析方法及系统 | |
| CN206322194U (zh) | 一种基于三维扫描的反欺诈人脸识别系统 | |
| CN112396635B (zh) | 一种基于多设备的复杂环境下多目标检测方法 | |
| Ji et al. | In-field automatic detection of maize tassels using computer vision | |
| CN112418112A (zh) | 一种果园病虫害监测预警方法及系统 | |
| CN114067219A (zh) | 一种基于语义分割与超像素分割融合的农田作物识别方法 | |
| CN110866900A (zh) | 水体颜色识别方法及装置 | |
| CN111950391A (zh) | 果树芽体的识别方法及装置 | |
| CN110969182A (zh) | 基于农田图像的卷积神经网络构建方法及其系统 | |
| CN117456358A (zh) | 一种基于YOLOv5神经网络的植物病虫害检测方法 | |
| Peng et al. | Litchi detection in the field using an improved YOLOv3 model | |
| AHM et al. | A deep convolutional neural network based image processing framework for monitoring the growth of soybean crops | |
| CN113936019A (zh) | 一种基于卷积神经网络技术的大田作物产量估算方法 | |
| CN108109125A (zh) | 基于遥感图像的信息提取方法和装置 | |
| CN111832508A (zh) | 基于die_ga的低照度目标检测方法 | |
| CN116721385A (zh) | 一种基于机器学习的rgb摄像头数据蓝藻水华监测方法 | |
| CN113989509B (zh) | 基于图像识别的农作物虫害检测方法、检测系统及设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210226 |
|
| RJ01 | Rejection of invention patent application after publication |