CN112461828A - 一种基于卷积神经网络的病虫害智能测报预警系统 - Google Patents
一种基于卷积神经网络的病虫害智能测报预警系统 Download PDFInfo
- Publication number
- CN112461828A CN112461828A CN201910834442.9A CN201910834442A CN112461828A CN 112461828 A CN112461828 A CN 112461828A CN 201910834442 A CN201910834442 A CN 201910834442A CN 112461828 A CN112461828 A CN 112461828A
- Authority
- CN
- China
- Prior art keywords
- pest
- early warning
- disease
- data
- disease damage
- 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 164
- 201000010099 disease Diseases 0.000 title claims abstract description 127
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 127
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 33
- 239000002689 soil Substances 0.000 claims abstract description 21
- 230000007613 environmental effect Effects 0.000 claims abstract description 8
- 241000238631 Hexapoda Species 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 6
- 244000052616 bacterial pathogen Species 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 4
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 238000004064 recycling Methods 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 abstract 1
- 238000003745 diagnosis Methods 0.000 description 6
- 230000002265 prevention Effects 0.000 description 4
- 230000006806 disease prevention Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 238000004171 remote diagnosis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/245—Earth materials for agricultural purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/246—Earth materials for water content
-
- 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
- G06F16/29—Geographical information databases
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明公开了一种基于卷积神经网络的病虫害智能测报预警系统，包括数据采集单元、通讯单元、病虫害智能识别单元、病虫害预警单元和预警终端。数据采集单元用于地理信息、空气温湿度、土壤温湿度、病虫害危害数据、病虫害图像采集；病虫害智能识别单元用于存储地理信息、空气温湿度、土壤温湿度、病虫害危害数据和图像、病虫害样本图谱数据；病虫害智能识别通过卷积神经网络(CNN)来实现；病虫害预警单元用于设定病虫害危害和环境异常预警阈值、预警判断和预警信息发布；当测报值大于预警值，系统自动向预警终端发布预警信息。本发明所述病虫害测报预警系统能够智能识别病虫害和环境异常，能够及时将信息发送给用户，及时防治病虫害。
Description
技术领域
本发明属于农业测报技术领域，具体涉及一种基于卷积神经网络的病虫害智能测报预警系统。
背景技术
作物种植生产受到多种因素的影响，如地域、季节、土壤条件和气候因素等，因而作物病虫害防治工作非常复杂繁琐。在农作物病虫害防治体系中，能否快速、正确诊断各类病虫害并及早进行适时防治直接影响到防治的成败，突然爆发的农作物病虫害要求植保技术人员做出快速反应，及时防治把危害降至最小。然而，变化异常的生态环境和复杂多变的作物病虫害，使得病虫害的诊断与防治存在较大困难，正确诊断农作物病虫害类别并抓住最佳防治时间对技术人员有较高要求，农作物病虫害的正确诊断识别需经多年专业知识训练的专家才能胜任。具备病虫害正确诊断和防治能力的植保专家，无法跑遍千家万户和每一块田进行指导和服务，传统的靠人进行病虫害诊断与防治的模式时效性差，越来越不能适应作物生产过程中病虫害防治的需要，迫切需要能够克服时间、空间限制的远程诊断系统来帮助农民进行病虫害诊断，为农业生产者提供及时的病虫害测报预警信息，让农业生产者能够及时进行有针对性的病虫害防治。基于病虫害特征图像信息识别的智能测报预警系统能够打破时间和空间限制，为农业生产者提供及时有效的信息支持。为此，我们提出一种病虫害智能测报预警系统。
发明内容
本发明的目的在于提供一种能够打破时间和空间限制，能够智能识别病虫害类别并将病虫害测报预警信息及时发布给农业生产者，提高病虫害测报预警信息的发布效率，提高农业生产者病虫害防治的时效性的病虫害智能测报预警系统。
本发明提出的一种基于卷积神经网络的病虫害智能测报预警系统，包括数据采集单元、通讯单元、病虫害智能识别单元、病虫害预警单元和预警终端，每个单元有多个子模块。
其中，数据采集单元包括地理信息采集、空气温湿度传感器、土壤温湿度传感器和病原菌孢子捕捉仪、虫情测报灯、图像采集设备以及病虫害人工调查测报；地理信息采集主要使用GPS定位设备采集作物种植区域的矢量数据，并进行转化、存储。
其中，通讯单元的传输方式为WIFI、广域网、4G或5G网络中的一种。
其中，病虫害智能识别单元包括地理信息数据库、空气温湿度数据库、土壤温湿度数据库、病虫害智能测报数据库、病虫害人工测报数据库、病虫害识别数据库、病虫害识别分析模块以及病虫害危害数据输出模块；病虫害识别分析主要采用卷积神经网络(CNN)来实现，卷积神经网络由卷积层、池化层、全连接层组成。其中卷积层与池化层配合，组成多个卷积组，逐层提取特征，最终通过若干个全连接层完成分类识别。
其中，病虫害预警单元包括预警阈值设定模块、预警判断模块、预警信息发布模块；预警阈值设定模块包括病虫害危害预警阈值设定功能和环境异常预警阈值设定功能；预警判断模块包括测报值与预警值对比分析功能。如果测报值大于预警值，系统自动向预警装置发布预警信息。
其中，预警终端包括预警装置、移动终端、PC终端。
通过所述的数据采集单元中的地理信息采集模块使用GPS定位设备对作物种植区域、病虫害热点区域等地理矢量数据进行采集；利用空气温湿度传感器和土壤温湿度传感器分别对空气温湿度数据和土壤温湿度数据进行采集；利用病原菌孢子捕捉仪和虫情探测灯，分别采集农作物病害、虫害信息，再通过图像采集设备采集病害图像、作物长势、虫害图像信息；利用病虫害人工调查测报模块采集到病虫害人工测报数据。
通过所述的数据采集单元中所采集到地理信息数据、空气温湿度数据、土壤温湿度数据、病虫害智能测报数据、病虫害人工测报数据通过所述的通讯单元分别传输至病虫害智能识别单元的地理信息数据库、空气温湿度数据库、土壤温湿度数据库、病虫害智能测报数据库、病虫害人工测报数据库；通过后台人员将病虫害样本图谱数据上传存储至所述的病虫害智能识别单元中的病虫害样本图谱数据库，构建CNN病虫害识别模型模块从样本库获取病虫害样本图谱进行训练获得模型参数；所述的病虫害智能测报数据库的数据分别输入到所述的病虫害识别分析模块进行CNN特征数据提取和分类，分析比对得出的病虫害危害数据通过所述的病虫害危害数据输出模块传输至所述的病虫害预警单元。
所述的病虫害识别分析模块主要采用(CNN)卷积神经网络来实现，卷积神经网络如图2所示，由1个输入层(INPUT)、2个卷积层(C1、C2)和2个池化层(S1、S2)交替组合、1个全连接层(FULL CONNECTION)和1个输出层(OUTPUT)组成。病虫害智能识别步骤为：
a.在输入层输入采集单元提供的病虫害测报图像、图像的每一个像素看作一个神经元，用一个可训练的卷积核去卷积输入的图像(第1阶段为输入的图像，其他阶段为特征图)，然后加一个偏置，得到C1特征图。
b.再将C1特征图进行最大池化操作，再加上偏置，然后通过一个Relu激活函数产生特征图的1/4大小的S1特征图。
c.将S1特征图再输入下一层，再循环卷积层和池化层的步骤，得到S2特征图。
d.再次将S2特征图输入全连接层进行softmax算法分类，分类结果就是最终识别到的病虫害结果。特征提取阶段所需的卷积核的矩阵权值、偏置值均通过对病虫害样本图谱进行训练得到，以保证特征提取的客观性。
本领域专业人员通过所述的病虫害预警单元中的预警阈值设定模块分别设定病虫害危害预警阈值和环境异常预警阈值并汇入预警判断模块；将所述的病虫害智能识别单元中的空气温湿度数据、土壤温湿度数据以及病虫害人工测报数据、病虫害危害数据汇入预警判断模块并将测报值与预警值对比，当测报值超出预警阈值时，通过预警信息发布模块触发通讯单元自动发送预警信息至预警终端中的预警装置、移动终端、PC终端。
与现有技术相比，本发明的有益效果是：该发明提出的一种病虫害智能测报预警系统，首先通过对病虫害的图像进行采集，然后对图像特征数据进行提取和自动识别处理，而且本系统具有一个动态数据储存库和一个包括特征识别数据库和图谱识别数据库的病虫害识别数据库，能够快速进行病虫害的识别，并由专业人员对病虫害危害数据进行分析，保证了病虫害危害数据的准确性，再将信息传输至用户的远程终端，便于对病虫害的及时防控，提高了病虫害防治效率。
附图说明
图1为本发明原理框图。
图1中：1数据采集单元、2通讯单元、3病虫害智能识别单元、4病虫害预警单元、5预警终端、6地理信息采集(3S技术)、7空气温湿度传感器、8土壤温湿度传感器、9病原菌孢子捕捉仪、10虫情探测灯、11图像采集设备、12病虫害人工调查测报、13地理信息数据库、14空气温湿度数据库、15土壤温湿度数据库、16病虫害智能测报数据库、17病虫害人工测报数据库、18病虫害样本图谱数据库、19病虫害识别CNN模型、20训练样本、21优化参数、22病虫害识别、23特征提取及分类、24病虫害危害数据输出模块、25预警阈值设定模块、26病虫害危害预警阈值设定、27环境异常预警阈值设定、28预警判断模块、29测报值与预警值对比、30预警信息发布模块、31预警装置、32移动终端、33PC终端。
图2为CNN卷积神经网络结构图。
具体实施方式
下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述。
通过所述的数据采集单元1中的地理信息采集模块(3S技术)6对地理信息数据进行采集；利用空气温湿度传感器7和土壤温湿度传感器8分别对空气温湿度数据和土壤温湿度数据进行采集；利用病原菌孢子捕捉仪9和虫情探测灯10，分别采集农作物病害、虫害图像信息，再通过图像采集设备11采集病害图像、作物长势、虫害图像信息；利用病虫害人工调查测报模块12采集到病虫害人工测报数据。
通过所述的数据采集单元1中所采集到地理信息数据、空气温湿度数据、土壤温湿度数据、病虫害智能测报数据、病虫害人工测报数据通过所述的通讯单元2分别传输至病虫害智能识别单元3的地理信息数据库13、空气温湿度数据库14、土壤温湿度数据库15、病虫害智能测报数据库16、病虫害人工测报数据库17；本领域技术人员通过后台将病虫害识别图谱数据、病虫害识别特征数据上传存储至所述的病虫害样本图谱数据库18，通过构建CNN病虫害识别模型19从病虫害样本图谱数据库18中获取病虫害训练样本图谱20进行模型训练优化模型参数21；所述的病虫害智能测报数据库的数据分别输入到所述的病虫害识别分析模块22进行CNN特征数据提取和分类23，分析比对得出的病虫害危害数据24通过所述的病虫害危害数据输出模块传输至所述的病虫害预警单元4。
本领域专业人员通过所述的病虫害预警单元4中的预警阈值设定模块25分别设定病虫害危害预警阈值26和环境异常预警阈值27并汇入预警判断模块28；将所述的病虫害智能识别单元3中的空气温湿度数据、土壤温湿度数据以及病虫害人工测报数据、病虫害危害数据汇入预警判断模块28并将测报值与预警值对比，当测报值超出预警阈值时，通过预警信息发布模块触发通讯单元2自动发送预警信息至预警终端5中的预警装置31、移动终端32、PC终端33。
本发明所述的一种基于卷积神经网络的病虫害智能测报预警系统实施方式包括但不限于以上列举的例子。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干推演或替换，都应当视为属于本发明的保护范围。
Claims (5)
1.本发明所述的一种基于卷积神经网络的病虫害智能测报预警系统，包括数据采集单元、通讯单元、病虫害智能识别单元、病虫害预警单元和预警终端；数据采集单元包括地理信息采集、空气温湿度传感器、土壤温湿度传感器和病原菌孢子捕捉仪、虫情测报灯、图像采集设备以及病虫害人工调查测报；通讯单元的传输方式为WIFI、广域网、4G或5G网络中的一种；病虫害智能识别单元包括地理信息数据库、空气温湿度数据库、土壤温湿度数据库、病虫害智能测报数据库、病虫害人工测报数据库、病虫害识别数据库、病虫害识别分析模块以及病虫害危害数据输出模块；病虫害识别分析主要采用卷积神经网络(CNN)来实现，卷积神经网络由卷积层、池化层、全连接层组成，卷积层与池化层配合，组成多个卷积组，逐层提取特征，最终通过若干个全连接层完成分类识别；病虫害预警单元包括预警阈值设定模块、预警判断模块、预警信息发布模块；预警阈值设定模块包括病虫害危害预警阈值设定功能和环境异常预警阈值设定功能；预警判断模块包括测报值与预警值对比分析功能；当测报值大于预警值，系统自动向预警装置发布预警信息；预警终端包括预警装置、移动终端、PC终端。
2.根据权利要求1所述的一种基于卷积神经网络的病虫害智能测报预警系统，其特征在于：通过所述的数据采集单元中的地理信息采集模块使用GPS定位设备对作物种植区域、病虫害热点区域等地理矢量数据进行采集；利用空气温湿度传感器和土壤温湿度传感器分别对空气温湿度数据和土壤温湿度数据进行采集；利用病原菌孢子捕捉仪和虫情探测灯，分别采集农作物病害、虫害信息，再通过图像采集设备采集病害图像、作物长势、虫害图像信息；利用病虫害人工调查测报模块采集到病虫害人工测报数据。
3.根据权利要求1所述的一种基于卷积神经网络的病虫害智能测报预警系统，其特征在于：通过所述的数据采集单元中所采集到地理信息数据、空气温湿度数据、土壤温湿度数据、病虫害智能测报数据、病虫害人工测报数据通过所述的通讯单元分别传输至病虫害智能识别单元的地理信息数据库、空气温湿度数据库、土壤温湿度数据库、病虫害智能测报数据库、病虫害人工测报数据库；通过后台人员将病虫害样本图谱数据上传存储至所述的病虫害智能识别单元中的病虫害样本图谱数据库，构建CNN病虫害识别模型模块从样本库获取病虫害样本图谱进行训练获得模型参数；所述的病虫害智能测报数据库的数据分别输入到所述的病虫害识别分析模块进行CNN特征数据提取和分类，分析比对得出的病虫害危害数据通过所述的病虫害危害数据输出模块传输至所述的病虫害预警单元。
4.根据权利要求1所述的一种基于卷积神经网络的病虫害智能测报预警系统，其特征在于：所述的病虫害识别分析模块主要采用(CNN)卷积神经网络来实现，卷积神经网络如图2所示，由1个输入层(INPUT)、2个卷积层(C1、C2)和2个池化层(S1、S2)交替组合、1个全连接层(FULL CONNECTION)和1个输出层(OUTPUT)组成；病虫害智能识别步骤为：
a.在输入层输入采集单元提供的病虫害测报图像、图像的每一个像素看作一个神经元，用一个可训练的卷积核去卷积输入的图像(第1阶段为输入的图像，其他阶段为特征图)，然后加一个偏置，得到C1特征图；
b.再将C1特征图进行最大池化操作，再加上偏置，然后通过一个Relu激活函数产生特征图的1/4大小的S1特征图；
c.将S1特征图再输入下一层，再循环卷积层和池化层的步骤，得到S2特征图；
d.再次将S2特征图输入全连接层进行softmax算法分类，分类结果就是最终识别到的病虫害结果。特征提取阶段所需的卷积核的矩阵权值、偏置值均通过对病虫害样本图谱进行训练得到，以保证特征提取的客观性。
5.根据权利要求1所述的一种基于卷积神经网络的病虫害智能测报预警系统，其特征在于：本领域专业人员通过所述的病虫害预警单元中的预警阈值设定模块分别设定病虫害危害预警阈值和环境异常预警阈值并汇入预警判断模块；将所述的病虫害智能识别单元中的空气温湿度数据、土壤温湿度数据以及病虫害人工测报数据、病虫害危害数据汇入预警判断模块并将测报值与预警值对比，当测报值超出预警阈值时，通过预警信息发布模块触发通讯单元自动发送预警信息至预警终端中的预警装置、移动终端、PC终端。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910834442.9A CN112461828A (zh) | 2019-09-09 | 2019-09-09 | 一种基于卷积神经网络的病虫害智能测报预警系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910834442.9A CN112461828A (zh) | 2019-09-09 | 2019-09-09 | 一种基于卷积神经网络的病虫害智能测报预警系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112461828A true CN112461828A (zh) | 2021-03-09 |
Family
ID=74806781
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910834442.9A Pending CN112461828A (zh) | 2019-09-09 | 2019-09-09 | 一种基于卷积神经网络的病虫害智能测报预警系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112461828A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113091822A (zh) * | 2021-04-13 | 2021-07-09 | 山东奥德山水市政园林有限公司 | 一种市政园林用智能监测装置 |
| CN113377062A (zh) * | 2021-07-08 | 2021-09-10 | 深圳市汉品景观工程有限公司 | 一种具有病虫害和旱情监控的多功能预警系统 |
| CN113678811A (zh) * | 2021-09-24 | 2021-11-23 | 广东省农业科学院果树研究所 | 一种果树病虫害防治自动化喷药控制方法及装置 |
| CN113822469A (zh) * | 2021-08-30 | 2021-12-21 | 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) | 一种基于土壤病原菌的风险预测方法、系统及可存储介质 |
| CN115965875A (zh) * | 2023-03-16 | 2023-04-14 | 德阳稷农农业科技有限公司 | 一种农作物病虫害智能监控方法及系统 |
| 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 |
| CN116452130A (zh) * | 2023-03-17 | 2023-07-18 | 国网山东省电力公司淄博供电公司 | 一种基于知识图谱的变电设备信息管理平台及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102818642A (zh) * | 2012-07-18 | 2012-12-12 | 辽宁省海洋水产科学研究院 | 刺参病害预警系统 |
| CN106951447A (zh) * | 2017-02-18 | 2017-07-14 | 赣南师范大学 | 一种智慧农业病虫害远程自动诊断系统 |
| 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 |
| KR20180058049A (ko) * | 2016-11-23 | 2018-05-31 | 세종대학교산학협력단 | 작물의 병해충 진단 장치 및 방법 |
| CN108921849A (zh) * | 2018-09-30 | 2018-11-30 | 靖西海越农业有限公司 | 用于防治沃柑病虫害的智慧农业监控预警系统 |
-
2019
- 2019-09-09 CN CN201910834442.9A patent/CN112461828A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102818642A (zh) * | 2012-07-18 | 2012-12-12 | 辽宁省海洋水产科学研究院 | 刺参病害预警系统 |
| KR20180058049A (ko) * | 2016-11-23 | 2018-05-31 | 세종대학교산학협력단 | 작물의 병해충 진단 장치 및 방법 |
| CN106951447A (zh) * | 2017-02-18 | 2017-07-14 | 赣南师范大学 | 一种智慧农业病虫害远程自动诊断系统 |
| 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 |
| CN108921849A (zh) * | 2018-09-30 | 2018-11-30 | 靖西海越农业有限公司 | 用于防治沃柑病虫害的智慧农业监控预警系统 |
Non-Patent Citations (1)
| Title |
|---|
| 陈天娇;曾娟;谢成军;王儒敬;刘万才;张洁;李瑞;陈红波;胡海瀛;董伟;: "基于深度学习的病虫害智能化识别系统", 中国植保导刊, no. 04, 25 April 2019 (2019-04-25) * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113091822A (zh) * | 2021-04-13 | 2021-07-09 | 山东奥德山水市政园林有限公司 | 一种市政园林用智能监测装置 |
| CN113377062A (zh) * | 2021-07-08 | 2021-09-10 | 深圳市汉品景观工程有限公司 | 一种具有病虫害和旱情监控的多功能预警系统 |
| CN113377062B (zh) * | 2021-07-08 | 2021-12-21 | 深圳市汉品景观工程有限公司 | 一种具有病虫害和旱情监控的多功能预警系统 |
| CN113822469A (zh) * | 2021-08-30 | 2021-12-21 | 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) | 一种基于土壤病原菌的风险预测方法、系统及可存储介质 |
| CN113822469B (zh) * | 2021-08-30 | 2023-05-26 | 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) | 一种基于土壤病原菌的风险预测方法、系统及可存储介质 |
| CN113678811A (zh) * | 2021-09-24 | 2021-11-23 | 广东省农业科学院果树研究所 | 一种果树病虫害防治自动化喷药控制方法及装置 |
| CN113678811B (zh) * | 2021-09-24 | 2022-11-04 | 广东省农业科学院果树研究所 | 一种果树病虫害防治自动化喷药控制方法及装置 |
| 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 |
| 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 |
| CN115965875A (zh) * | 2023-03-16 | 2023-04-14 | 德阳稷农农业科技有限公司 | 一种农作物病虫害智能监控方法及系统 |
| CN115965875B (zh) * | 2023-03-16 | 2023-06-20 | 德阳稷农农业科技有限公司 | 一种农作物病虫害智能监控方法及系统 |
| CN116452130A (zh) * | 2023-03-17 | 2023-07-18 | 国网山东省电力公司淄博供电公司 | 一种基于知识图谱的变电设备信息管理平台及方法 |
| CN116452130B (zh) * | 2023-03-17 | 2023-09-05 | 国网山东省电力公司淄博供电公司 | 一种基于知识图谱的变电设备信息管理系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112461828A (zh) | 一种基于卷积神经网络的病虫害智能测报预警系统 | |
| CN111767802B (zh) | 一种对象异常状态的检测方法和装置 | |
| Radha et al. | A polyhouse: plant monitoring and diseases detection using CNN | |
| WO2020184241A1 (ja) | 農作物の収穫量予測プログラム、栽培環境判別プログラム | |
| CN115631421B (zh) | 耕地智慧保护方法及保护系统 | |
| Yashaswini et al. | Smart automated irrigation system with disease prediction | |
| KR20210090394A (ko) | 머신러닝을 이용한 지능형 스마트팜 운영 시스템 | |
| AU2021105327A4 (en) | A computer implemented and IoT based method for increasing crop production using machine learning model | |
| CN117036088A (zh) | 一种ai识别绿化植物生长态势的数据采集分析方法 | |
| US20220076014A1 (en) | Information processing device, and information processing system | |
| CN110472784A (zh) | 一种基于人工智能的病虫害预报与诊断系统及方法 | |
| CN114460080A (zh) | 一种水稻病虫智能监控系统 | |
| CN117114913A (zh) | 一种基于大数据的智能化农业数据采集系统 | |
| CN114332849B (zh) | 一种农作物生长状态联合监测方法、装置及存储介质 | |
| CN115601585A (zh) | 基于图片分析的农业病虫害诊断方法及装置 | |
| CN116300608A (zh) | 一种基于大数据的智慧农业远程监控系统 | |
| Kumari et al. | Multidisciplinary real-time model for smart agriculture based on weather forecasting using IoT, machine learning, big data and cloud | |
| CN116863410B (zh) | 基于有害生物防治的数据采集处理方法及系统 | |
| Jacob et al. | An Intelligent Agricultural Field Monitoring and Management System using Internet of Things and Machine Learning | |
| Araneta et al. | Controlled Environment for Spinach Cultured Plant with Health Analysis using Machine Learning | |
| CN112019607A (zh) | 基于可视化云平台的智慧农场综合控制方法及系统 | |
| CN115965875A (zh) | 一种农作物病虫害智能监控方法及系统 | |
| KR102268654B1 (ko) | 딥러닝을 이용한 작물 질병 진단 기반 수확량 예측 시스템 및 방법 | |
| Vasanthi | Crop growth monitoring and leaf area index estimation using wireless sensor network and CNN | |
| Singh et al. | Monitoring and detecting plant diseases using cloud-based internet of things |
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 |