CN112580513A - 一种农作物病虫害智能识别方法 - Google Patents

一种农作物病虫害智能识别方法 Download PDF

Info

Publication number
CN112580513A
CN112580513A CN202011518154.1A CN202011518154A CN112580513A CN 112580513 A CN112580513 A CN 112580513A CN 202011518154 A CN202011518154 A CN 202011518154A CN 112580513 A CN112580513 A CN 112580513A
Authority
CN
China
Prior art keywords
crop
image
crops
physiological characteristics
neural network
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
CN202011518154.1A
Other languages
English (en)
Inventor
杨小浪
陈汉斌
龚纯灼
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.)
Fuzhou Yinfeng Huinong Technology Service Co ltd
Original Assignee
Fuzhou Yinfeng Huinong Technology Service Co ltd
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 Fuzhou Yinfeng Huinong Technology Service Co ltd filed Critical Fuzhou Yinfeng Huinong Technology Service Co ltd
Priority to CN202011518154.1A priority Critical patent/CN112580513A/zh
Publication of CN112580513A publication Critical patent/CN112580513A/zh
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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16M—FRAMES, CASINGS OR BEDS OF ENGINES, MACHINES OR APPARATUS, NOT SPECIFIC TO ENGINES, MACHINES OR APPARATUS PROVIDED FOR ELSEWHERE; STANDS; SUPPORTS
    • F16M11/00—Stands or trestles as supports for apparatus or articles placed thereon ; Stands for scientific apparatus such as gravitational force meters
    • F16M11/20—Undercarriages with or without wheels
    • F16M11/24—Undercarriages with or without wheels changeable in height or length of legs, also for transport only, e.g. by means of tubes screwed into each other
    • F16M11/26—Undercarriages with or without wheels changeable in height or length of legs, also for transport only, e.g. by means of tubes screwed into each other by telescoping, with or without folding
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16M—FRAMES, CASINGS OR BEDS OF ENGINES, MACHINES OR APPARATUS, NOT SPECIFIC TO ENGINES, MACHINES OR APPARATUS PROVIDED FOR ELSEWHERE; STANDS; SUPPORTS
    • F16M11/00—Stands or trestles as supports for apparatus or articles placed thereon ; Stands for scientific apparatus such as gravitational force meters
    • F16M11/42—Stands or trestles as supports for apparatus or articles placed thereon ; Stands for scientific apparatus such as gravitational force meters with arrangement for propelling the support stands on wheels
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • 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
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mechanical Engineering (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Signal Processing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Catching Or Destruction (AREA)

Abstract

本发明属于病虫害识别技术领域，公开了一种农作物病虫害智能识别方法，包括：步骤S1、设定一区域范围，获取区域范围内多个时间段内农作物的基础信息；步骤S2、获取区域范围内，图像数据以及气象数据；步骤S3、从图像数据获取反应农作物生理特征的第一特征信息；步骤S4、判断当前时间段下，区域范围内的农作物的生理特征是否正常，若是，则结束流程；若否，则进入步骤S5；步骤S5、标识出生理特征不正常的疑似区域，生成农作物资源图像；步骤S6、获取反应农作物生理特征的第二特征信息；步骤S7、对比判断疑似区域内的农作物的生理特征是否正常，若是，则结束流程；若否，则进入步骤S8；步骤S8、由人工进行最终判定。本发明方法成本低，判断精准。

Description

一种农作物病虫害智能识别方法
技术领域
本发明涉及病虫害识别技术领域，具体领域为一种农作物病虫害智能识别方法。
背景技术
本发明对于背景技术的描述属于与本发明相关的相关技术，仅仅是用于说明和便于理解本发明的发明内容，不应理解为申请人明确认为或推定申请人认为是本发明在首次提出申请的申请日的现有技术。
近年来，我国设施种植规模日益扩大，在大中城市周边地区，设施种植已经成为蔬菜、水果及花卉的主要栽培模式，由于棚室内低温高湿，光照不足，土壤位置相对固定，病害寄主植物常年存在等原因，设施种植病害的发生具有流动速度快、危害重、危害长期、损失大等显著特点，尤其随着温室栽培年限的增加，病虫害日趋严重，其已经成为广大种植者迫切需要解决的问题，现有技术中针对病虫害研发了远程诊断应用系统，实现了基于病虫害图像的自动识别，在一定程度上缓解了当前病虫害诊断及防控的问题，但依然存在提升的空间，现有技术中需要人工发现问题时去拍摄相关图片并进行远程问诊，存在防控不及时的情况。
发明内容
本发明实施例的目的是提供一种农作物病虫害智能识别方法，本发明方法判断精准。
本发明目的是通过如下技术方案实现的：
一种农作物病虫害智能识别方法，包括如下步骤：
步骤S1、设定一区域范围，通过农作物资源数据库获取所述区域范围内多个时间段内农作物的基础信息；
步骤S2、获取所述区域范围内，反应农作物生理特征的时间连续的图像数据以及气象数据，并对获取的所述图像数据以及气象数据进行预处理；获取所述区域范围内，反应农作物生理特征的2个年度内的图像数据以及24个节气内的气象数据；
对获取的所述图像数据以及气象数据进行校正几何畸变、大气消光以及辐射量失真的预处理，用于辅助人工判定；
步骤S3、从所述图像数据获取反应农作物生理特征的第一特征信息；从所述气象数据获取与图像数据相同时间段下，农作物生境条件的气候数据；将所述第一特征信息以及气候数据存储至农作物资源数据库；
步骤S4、基于所述气候数据，获取当前时间段下的所述基础信息，并对比当前时间段下所述基础信息以及第一特征信息，判断当前时间段下，所述区域范围内的农作物的生理特征是否正常，若是，则结束流程；若否，则进入步骤S5；
步骤S5、标识出生理特征不正常的疑似区域，利用无人机获取所述疑似区域的图像数据，并利用拼图软件基于所述图像数据生成农作物资源图像；图像预处理，将获取的农作物图片进行图像二值化和图像大小归一化，然后利用Faster-RCNN多目标检测算法快速定位病症区域，排出背景干扰；所述农作物图片包括正常农作物图像和病害农作物图像；图像特征提取，采用triplet相似性度量模型提取预处理后的所述农作物图片的图像特征，然后采用SIFT特征作为补偿特征做加权融合；病害分类识别，采用深度卷积神经网络学习所述正常农作物图像的第一图像特征，再使用迁移学习进行病害农作物图像的第二图像特征学习，最后结合第一图像特征和第二图像特征进行分类识别；采用深度卷积神经网络模型对病害进行多分类识别，其包括如下步骤：构建并训练第一卷积神经网络模型；将训练得到的所述第一卷积神经网络模型训练所述正常农作物图像并形成模型参数；将所述模型参数迁移至新的所述卷积神经网络模型，得到第二卷积神经网络模型；利用第二卷积神经网络模型训练需要识别的所述病害农作物图像，并通过Softmax对图像进行标签分类；所述卷积神经网络模型包括所述第一卷积神经网络模型和所述第二卷积神经网络模型，所述卷积神经网络模型包括卷积层、全连接层和病虫害分类层；
步骤S6、从所述农作物资源图像获取反应农作物生理特征的第二特征信息；将所述第二特征信息存储至农作物资源数据库；
步骤S7、对比当前时间段下的所述基础信息以及第二特征信息，判断当前时间段下，所述疑似区域内的农作物的生理特征是否正常，若是，则结束流程；若否，则进入步骤S8；
步骤S8、生成林业病虫害判定报告，由人工进行最终判定；
所述基础信息包括农作物生理特征、物种基础信息以及物种分布特征；所述农作物生理特征包括物种、大小以及叶色。
进一步的，一种基于人工智能病虫害智能识别系统，包括支撑杆，所述支撑杆的上部安装有拍摄机，所述支撑杆的下端固定连接有移动车，所述移动车位于铺设在种植作物之间的轨道上，通过所述移动车在轨道上行走带动所述拍摄机对种植作物进行拍摄，所述移动车包括车上壳和车下壳，所述车上壳和所述车下壳之间卡接，所述车上壳的上端与所述支撑杆固定连接，所述车下壳的内部侧壁上安装有电机，所述电机的输出轴连接有主动齿轮，所述车下壳的壳体上对称转动连接有转轴，所述转轴的两端装配有行走轮，一个所述转轴上固定套有与所述主动齿轮配合使用的从动齿轮，所述主动齿轮与所述从动齿轮相啮合，所述电机与外部电机控制器电连接，所述拍摄机电连接有无线通信模块，所述无线通信模块无线连接有远程服务器端，所述远程服务器端与移动设备无线连接。
优选的，所述支撑杆为可伸缩杆。
优选的，所述支撑杆包括外套管和内杆，所述内杆位于所述外套管的内腔，所述外套管的上端设置有开口，所述开口处设置有对称有锁紧板，两个所述锁紧板上贯穿有螺杆，所述螺杆的两端固定连接有限位板，所述螺杆上螺纹连接有旋拧片。
优选的，所述支撑杆的上侧设置有防雨板。
优选的，所述防雨板通过L形杆固定在所述支撑杆的上侧。
本发明实施例具有如下有益效果：
本发明通过图像数据进行多次判断，通过多次判断来实现判断的精准度。
本发明方法对图像质量要求低，这样大大降低了图像获取的难度和成本。
基于人工智能病虫害智能识别系统，移动车位于铺设在种植作物之间的轨道上，通过移动车在轨道上行走带动拍摄机对种植作物进行拍摄，此种拍摄方式对种植作物具有定时监测作用，可及时的发现病虫害的存在，并对管理者进行提示，防护措施及时会更进一步减少种植者的损失，通过电机工作，带动主动齿轮旋转，从动齿轮随之旋转，从动齿轮旋转带动其中一个转轴旋转，进而使行走轮306行走，移动车可以在轨道上行走，电机与外部电机控制器电连接，电机控制器控制进行定时正反向旋转，使得移动车在轨道上反复位移，拍摄机为定时拍摄模式，拍摄机将对应位置处拍摄图片通过无线通信模块传递至远程服务器终端，远程服务器端与移动设备无线连接，远程服务器终端内具有病虫害图像库，远程服务器终端接收图像数据后利用训练好模型对图像进行识别，并将结果返回给种植者所在的移动终端，根据识别结果指导种植者精准施药。
本发明使用方便，可以更加及时的对病虫害进行诊断和防控。
附图说明
图1为本发明主体结构主视图；
图2为本发明支撑杆俯视图；
图3为本发明车下壳内部俯视图。
具体实施方式
下面结合实施例对本申请进行进一步的介绍。
为了更清楚地说明本发明实施例或现有技术中的技术方案，在下述说明中，不同的“一实施例”或“实施例”指的不一定是同一实施例。不同实施例之间可以替换或者合并组合，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些实施例获得其他的实施方式。
一种农作物病虫害智能识别方法，包括如下步骤：
步骤S1、设定一区域范围，通过农作物资源数据库获取所述区域范围内多个时间段内农作物的基础信息；
步骤S2、获取所述区域范围内，反应农作物生理特征的时间连续的图像数据以及气象数据，并对获取的所述图像数据以及气象数据进行预处理；获取所述区域范围内，反应农作物生理特征的2个年度内的图像数据以及24个节气内的气象数据；
对获取的所述图像数据以及气象数据进行校正几何畸变、大气消光以及辐射量失真的预处理，用于辅助人工判定；
步骤S3、从所述图像数据获取反应农作物生理特征的第一特征信息；从所述气象数据获取与图像数据相同时间段下，农作物生境条件的气候数据；将所述第一特征信息以及气候数据存储至农作物资源数据库；
步骤S4、基于所述气候数据，获取当前时间段下的所述基础信息，并对比当前时间段下所述基础信息以及第一特征信息，判断当前时间段下，所述区域范围内的农作物的生理特征是否正常，若是，则结束流程；若否，则进入步骤S5；
步骤S5、标识出生理特征不正常的疑似区域，利用无人机获取所述疑似区域的图像数据，并利用拼图软件基于所述图像数据生成农作物资源图像；图像预处理，将获取的农作物图片进行图像二值化和图像大小归一化，然后利用Faster-RCNN多目标检测算法快速定位病症区域，排出背景干扰；所述农作物图片包括正常农作物图像和病害农作物图像；图像特征提取，采用triplet相似性度量模型提取预处理后的所述农作物图片的图像特征，然后采用SIFT特征作为补偿特征做加权融合；病害分类识别，采用深度卷积神经网络学习所述正常农作物图像的第一图像特征，再使用迁移学习进行病害农作物图像的第二图像特征学习，最后结合第一图像特征和第二图像特征进行分类识别；采用深度卷积神经网络模型对病害进行多分类识别，其包括如下步骤：构建并训练第一卷积神经网络模型；将训练得到的所述第一卷积神经网络模型训练所述正常农作物图像并形成模型参数；将所述模型参数迁移至新的所述卷积神经网络模型，得到第二卷积神经网络模型；利用第二卷积神经网络模型训练需要识别的所述病害农作物图像，并通过Softmax对图像进行标签分类；所述卷积神经网络模型包括所述第一卷积神经网络模型和所述第二卷积神经网络模型，所述卷积神经网络模型包括卷积层、全连接层和病虫害分类层；
步骤S6、从所述农作物资源图像获取反应农作物生理特征的第二特征信息；将所述第二特征信息存储至农作物资源数据库；
步骤S7、对比当前时间段下的所述基础信息以及第二特征信息，判断当前时间段下，所述疑似区域内的农作物的生理特征是否正常，若是，则结束流程；若否，则进入步骤S8；
步骤S8、生成林业病虫害判定报告，由人工进行最终判定；
所述基础信息包括农作物生理特征、物种基础信息以及物种分布特征；所述农作物生理特征包括物种、大小以及叶色。
请参阅图1-3，本发明提供一种技术方案：请参阅图1，一种基于人工智能病虫害智能识别系统，包括支撑杆1，所述支撑杆1的上部安装有拍摄机2，所述支撑杆1的下端固定连接有移动车3，所述移动车3位于铺设在种植作物之间的轨道上，通过所述移动车3在轨道上行走带动所述拍摄机2对种植作物进行拍摄，此种拍摄方式对种植作物具有定时监测作用，可及时的发现病虫害的存在，并对管理者进行提示，防护措施及时会更进一步减少种植者的损失，请参阅图3，所述移动车3包括车上壳301和车下壳302，所述车上壳301和所述车下壳302之间卡接，所述车上壳301的上端与所述支撑杆1固定连接，所述车下壳302的内部侧壁上安装有电机303，所述电机303的输出轴连接有主动齿轮304，所述车下壳302的壳体上对称转动连接有转轴305，所述转轴305的两端装配有行走轮306，一个所述转轴305上固定套有与所述主动齿轮304配合使用的从动齿轮307，所述主动齿轮304与所述从动齿轮307相啮合，通过所述电机303工作，带动所述主动齿轮304旋转，所述从动齿轮307随之旋转，所述从动齿轮307旋转带动所述其中一个所述转轴305旋转，进而使所述行走轮306行走，所述移动车3可以在轨道上行走，所述电机303与外部电机控制器电连接，电机控制器控制所述303进行定时正反向旋转，使得所述移动车3在轨道上反复位移，所述拍摄机2为定时拍摄模式，所述拍摄机2电连接有无线通信模块，所述无线通信模块无线连接有远程服务器端，所述拍摄机2将对应位置处拍摄图片通过无线通信模块传递至远程服务器终端，所述远程服务器端与移动设备无线连接，远程服务器终端内具有病虫害图像库，远程服务器终端接收图像数据后利用训练好模型对图像进行识别，并将结果返回给种植者所在的移动终端，根据识别结果指导种植者精准施药。
请参阅图1，具体而言，所述支撑杆1为可伸缩杆。所述支撑杆1可将所述拍摄机2的位置提高或降低，满足不同高度的种植作物拍摄。
请参阅图2，具体而言，所述支撑杆1包括外套管101和内杆102，所述内杆102位于所述外套管101的内腔，所述外套管101的上端设置有开口，所述开口处设置有对称有锁紧板103，两个所述锁紧板103上贯穿有螺杆104，所述螺杆104的两端固定连接有限位板105，所述螺杆104上螺纹连接有旋拧片106。通过在所述螺杆104上旋拧所述旋拧片106来缩短两个所述锁紧板103之间的距离，从而减小所述外套管101的口径，使所述外套管101对所述内杆102起到紧固作用，同理，反向旋拧所述旋拧片106可放松所述外套管101对所述内杆102的紧固，从而在所述外套管101上对所述内杆102的高度进行调整，实现所述支撑杆1的伸缩功能。
请参阅图1，具体而言，所述支撑杆1的上侧设置有防雨板4。所述防雨板4的设置用于保护所述拍摄机2，可适用于户外降雨雪天气。
请参阅图1，具体而言，所述防雨板4通过L形杆5固定在所述支撑杆1的上侧。
工作原理：移动车3位于铺设在种植作物之间的轨道上，通过移动车3在轨道上行走带动拍摄机2对种植作物进行拍摄，此种拍摄方式对种植作物具有定时监测作用，可及时的发现病虫害的存在，并对管理者进行提示，防护措施及时会更进一步减少种植者的损失，通过电机303工作，带动主动齿轮304旋转，从动齿轮307随之旋转，从动齿轮307旋转带动其中一个转轴305旋转，进而使行走轮306行走，移动车3可以在轨道上行走，电机303与外部电机控制器电连接，电机控制器控制303进行定时正反向旋转，使得移动车3在轨道上反复位移，拍摄机2为定时拍摄模式，拍摄机2将对应位置处拍摄图片通过无线通信模块传递至远程服务器终端，远程服务器端与移动设备无线连接，远程服务器终端内具有病虫害图像库，远程服务器终端接收图像数据后利用训练好模型对图像进行识别，并将结果返回给种植者所在的移动终端，根据识别结果指导种植者精准施药。
应当说明的是，上述实施例均可根据需要自由组合。以上介绍仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种农作物病虫害智能识别方法，其特征在于：包括如下步骤：
步骤S1、设定一区域范围，通过农作物资源数据库获取所述区域范围内多个时间段内农作物的基础信息；
步骤S2、获取所述区域范围内，反应农作物生理特征的时间连续的图像数据以及气象数据，并对获取的所述图像数据以及气象数据进行预处理；获取所述区域范围内，反应农作物生理特征的2个年度内的图像数据以及24个节气内的气象数据；
对获取的所述图像数据以及气象数据进行校正几何畸变、大气消光以及辐射量失真的预处理，用于辅助人工判定；
步骤S3、从所述图像数据获取反应农作物生理特征的第一特征信息；从所述气象数据获取与图像数据相同时间段下，农作物生境条件的气候数据；将所述第一特征信息以及气候数据存储至农作物资源数据库；
步骤S4、基于所述气候数据，获取当前时间段下的所述基础信息，并对比当前时间段下所述基础信息以及第一特征信息，判断当前时间段下，所述区域范围内的农作物的生理特征是否正常，若是，则结束流程；若否，则进入步骤S5；
步骤S5、标识出生理特征不正常的疑似区域，利用无人机获取所述疑似区域的图像数据，并利用拼图软件基于所述图像数据生成农作物资源图像；图像预处理，将获取的农作物图片进行图像二值化和图像大小归一化，然后利用Faster-RCNN多目标检测算法快速定位病症区域，排出背景干扰；所述农作物图片包括正常农作物图像和病害农作物图像；图像特征提取，采用triplet相似性度量模型提取预处理后的所述农作物图片的图像特征，然后采用SIFT特征作为补偿特征做加权融合；病害分类识别，采用深度卷积神经网络学习所述正常农作物图像的第一图像特征，再使用迁移学习进行病害农作物图像的第二图像特征学习，最后结合第一图像特征和第二图像特征进行分类识别；采用深度卷积神经网络模型对病害进行多分类识别，其包括如下步骤：构建并训练第一卷积神经网络模型；将训练得到的所述第一卷积神经网络模型训练所述正常农作物图像并形成模型参数；将所述模型参数迁移至新的所述卷积神经网络模型，得到第二卷积神经网络模型；利用第二卷积神经网络模型训练需要识别的所述病害农作物图像，并通过Softmax对图像进行标签分类；所述卷积神经网络模型包括所述第一卷积神经网络模型和所述第二卷积神经网络模型，所述卷积神经网络模型包括卷积层、全连接层和病虫害分类层；
步骤S6、从所述农作物资源图像获取反应农作物生理特征的第二特征信息；将所述第二特征信息存储至农作物资源数据库；
步骤S7、对比当前时间段下的所述基础信息以及第二特征信息，判断当前时间段下，所述疑似区域内的农作物的生理特征是否正常，若是，则结束流程；若否，则进入步骤S8；
步骤S8、生成林业病虫害判定报告，由人工进行最终判定；
所述基础信息包括农作物生理特征、物种基础信息以及物种分布特征；所述农作物生理特征包括物种、大小以及叶色。
2.根据权利要求1所述的农作物病虫害智能识别方法，其特征在于：步骤S2中采用如下装置完成反应农作物生理特征的时间连续的图像数据的获取：一种基于人工智能病虫害智能识别系统，包括支撑杆(1)，所述支撑杆(1)的上部安装有拍摄机(2)，所述支撑杆(1)的下端固定连接有移动车(3)，所述移动车(3)位于铺设在种植作物之间的轨道上，通过所述移动车(3)在轨道上行走带动所述拍摄机(2)对种植作物进行拍摄，所述移动车(3)包括车上壳(301)和车下壳(302)，所述车上壳(301)和所述车下壳(302)之间卡接，所述车上壳(301)的上端与所述支撑杆(1)固定连接，所述车下壳(302)的内部侧壁上安装有电机(303)，所述电机(303)的输出轴连接有主动齿轮(304)，所述车下壳(302)的壳体上对称转动连接有转轴(305)，所述转轴(305)的两端装配有行走轮(306)，一个所述转轴(305)上固定套有与所述主动齿轮(304)配合使用的从动齿轮(307)，所述主动齿轮(304)与所述从动齿轮(307)相啮合，所述电机(303)与外部电机控制器电连接，所述拍摄机(2)电连接有无线通信模块，所述无线通信模块无线连接有远程服务器端，所述远程服务器端与移动设备无线连接。
3.根据权利要求2所述的农作物病虫害智能识别方法，其特征在于：所述支撑杆(1)为可伸缩杆。
4.根据权利要求2所述的农作物病虫害智能识别方法，其特征在于：所述支撑杆(1)包括外套管(101)和内杆(102)，所述内杆(102)位于所述外套管(101)的内腔，所述外套管(101)的上端设置有开口，所述开口处设置有对称有锁紧板(103)，两个所述锁紧板(103)上贯穿有螺杆(104)，所述螺杆(104)的两端固定连接有限位板(105)，所述螺杆(104)上螺纹连接有旋拧片(106)。
5.根据权利要求2所述的农作物病虫害智能识别方法，其特征在于：所述支撑杆(1)的上侧设置有防雨板(4)。
6.根据权利要求2所述的农作物病虫害智能识别方法，其特征在于：所述防雨板(4)通过L形杆(5)固定在所述支撑杆(1)的上侧。
CN202011518154.1A 2020-12-21 2020-12-21 一种农作物病虫害智能识别方法 Pending CN112580513A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011518154.1A CN112580513A (zh) 2020-12-21 2020-12-21 一种农作物病虫害智能识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011518154.1A CN112580513A (zh) 2020-12-21 2020-12-21 一种农作物病虫害智能识别方法

Publications (1)

Publication Number Publication Date
CN112580513A true CN112580513A (zh) 2021-03-30

Family

ID=75136421

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011518154.1A Pending CN112580513A (zh) 2020-12-21 2020-12-21 一种农作物病虫害智能识别方法

Country Status (1)

Country Link
CN (1) CN112580513A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115035427A (zh) * 2022-06-17 2022-09-09 桂林理工大学 一种农作物病虫害自动识别方法及装置
CN115471747A (zh) * 2022-08-30 2022-12-13 广东省农业科学院环境园艺研究所 一种山茶花病虫害和生理病害的ai快速判识方法及应用

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202158043U (zh) * 2011-07-22 2012-03-07 固凯（上海）贸易有限公司 一种便于调节固定的伸缩杆
CN105868784A (zh) * 2016-03-29 2016-08-17 安徽大学 一种基于sae-svm的病虫害检测系统
CN206850305U (zh) * 2017-07-05 2018-01-05 国网山西省电力公司屯留县供电公司 一种用于变电站远程巡视的视频小车
CN207100240U (zh) * 2017-08-23 2018-03-16 仲恺农业工程学院 基于机器视觉的柑橘病虫害抓拍装置以及智能识别系统
CN110148120A (zh) * 2019-05-09 2019-08-20 四川省农业科学院农业信息与农村经济研究所 一种基于cnn与迁移学习的病害智能识别方法及系统
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
CN211047987U (zh) * 2019-08-26 2020-07-21 长春光华学院 一种玉米病虫害图像采集设备
CN111666827A (zh) * 2020-05-18 2020-09-15 福建省林业调查规划院(福建省野生动植物与湿地资源监测中心) 一种林业病虫害智能识别方法及系统
CN213715953U (zh) * 2020-12-21 2021-07-16 福州引凤惠农科技服务有限公司 一种基于人工智能病虫害智能识别系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202158043U (zh) * 2011-07-22 2012-03-07 固凯（上海）贸易有限公司 一种便于调节固定的伸缩杆
CN105868784A (zh) * 2016-03-29 2016-08-17 安徽大学 一种基于sae-svm的病虫害检测系统
CN206850305U (zh) * 2017-07-05 2018-01-05 国网山西省电力公司屯留县供电公司 一种用于变电站远程巡视的视频小车
CN207100240U (zh) * 2017-08-23 2018-03-16 仲恺农业工程学院 基于机器视觉的柑橘病虫害抓拍装置以及智能识别系统
CN110148120A (zh) * 2019-05-09 2019-08-20 四川省农业科学院农业信息与农村经济研究所 一种基于cnn与迁移学习的病害智能识别方法及系统
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
CN211047987U (zh) * 2019-08-26 2020-07-21 长春光华学院 一种玉米病虫害图像采集设备
CN111666827A (zh) * 2020-05-18 2020-09-15 福建省林业调查规划院(福建省野生动植物与湿地资源监测中心) 一种林业病虫害智能识别方法及系统
CN213715953U (zh) * 2020-12-21 2021-07-16 福州引凤惠农科技服务有限公司 一种基于人工智能病虫害智能识别系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
K. THENMOZHI等: "Crop pest classification based on deep convolutional neural network and transfer learning", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE》, vol. 164, 7 August 2019 (2019-08-07), pages 1 - 11, XP085776421, DOI: 10.1016/j.compag.2019.104906 *
史冰莹: "基于CNN的农作物病虫害图像识别模型", 《计算机系统应用》, vol. 29, no. 6, 30 June 2020 (2020-06-30), pages 89 - 96 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115035427A (zh) * 2022-06-17 2022-09-09 桂林理工大学 一种农作物病虫害自动识别方法及装置
CN115035427B (zh) * 2022-06-17 2024-03-26 桂林理工大学 一种农作物病虫害自动识别方法及装置
CN115471747A (zh) * 2022-08-30 2022-12-13 广东省农业科学院环境园艺研究所 一种山茶花病虫害和生理病害的ai快速判识方法及应用

Similar Documents

Publication Publication Date Title
CN109848955B (zh) 一种基于多维传感器的悬挂式轨道农业智能巡检机器人
US20160063420A1 (en) Farmland management system and farmland management method
CN112580513A (zh) 一种农作物病虫害智能识别方法
CN109241918B (zh) 一种基于植物信息的植物管控方法、装置及系统
CN204833008U (zh) 一种温室大棚室内环境控制系统
CN113940326A (zh) 一种基于物联网的害虫防控系统
CN108845608A (zh) 基于机器人的盆栽作物智能温室环境监控系统
CN213715953U (zh) 一种基于人工智能病虫害智能识别系统
CN109634332A (zh) 一种现代化温室的智能调控系统
CN110557542A (zh) 一种鼠情动态监测系统及监测方法
CN105547360A (zh) 基于情景感知的作物冠层图像采集方法
CN114355942B (zh) 一种植物巡察机器人
US20220346303A1 (en) Field monitoring and data collection systems and methods for a precision agriculture system
CN113156924A (zh) 自移动设备的控制方法
Wang et al. Research advance in phenotype detection robots for agriculture and forestry
US20240053748A1 (en) Self-maintaining, solar powered, autonomous robotics system and associated methods
CN117575835A (zh) 基于无人机航拍的茶园长势监控系统及方法
CN115517094A (zh) 一种农业智能监控系统
CN212203842U (zh) 伸缩摄像支架
CN115756037A (zh) 一种设施大棚蔬菜管控方法及系统
CN214374338U (zh) 一种基于无人机遥感的作物生长监测系统
CN115407771A (zh) 一种基于机器视觉的农作物监测方法、系统以及装置
CN212567490U (zh) 一种基于无人机遥感平台的果园植被信息采集系统
CN113361377A (zh) 一种植物生长管控模型构建方法、电子设备、存储介质
CN208569439U (zh) 基于fpga的盆栽作物智能温室环境监控系统

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