CN112665650A - 基于深度学习的水稻叶龄诊断模型化方法 - Google Patents
基于深度学习的水稻叶龄诊断模型化方法 Download PDFInfo
- Publication number
- CN112665650A CN112665650A CN202011529723.2A CN202011529723A CN112665650A CN 112665650 A CN112665650 A CN 112665650A CN 202011529723 A CN202011529723 A CN 202011529723A CN 112665650 A CN112665650 A CN 112665650A
- Authority
- CN
- China
- Prior art keywords
- data
- leaf age
- information
- rice leaf
- rice
- 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
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 52
- 235000009566 rice Nutrition 0.000 title claims abstract description 52
- 238000003745 diagnosis Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 13
- 238000013135 deep learning Methods 0.000 title claims abstract description 12
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 51
- 230000007613 environmental effect Effects 0.000 claims abstract description 18
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 7
- 201000010099 disease Diseases 0.000 claims abstract description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 7
- 241000196324 Embryophyta Species 0.000 claims abstract description 5
- 241000238631 Hexapoda Species 0.000 claims abstract description 5
- 239000002689 soil Substances 0.000 claims description 12
- 239000003337 fertilizer Substances 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及基于深度学习的水稻叶龄诊断模型化方法，包括采集单元；所述采集单元，用于采集水稻叶片的图片信息作为第一图像信息传送给处理中心；所述采集单元，用于采集水稻叶片上虫孔的图片信息作为第二图片信息传送给处理中心；所述采集单元，用于采集水稻叶龄诊断试验箱内部的环境数据，并将所述环境数据发送给处理中心；所述处理中心，根据第一图像信息、第二图片信息和环境数据，以及预先确定的水稻叶龄上的病虫害信息对应的环境数据，确定预测结果，并将预测结果发送给展示中心，便于人们对深度学习水稻的叶龄诊断技术，通过数据能更直观的将水稻的信息展示出来，提高学习效率。
Description
技术领域
本发明涉及水稻叶龄诊断领域，尤其涉及基于深度学习的水稻叶龄诊断模型化方法。
背景技术
水稻叶龄诊断技术，是在水稻“器官同伸理论”与“叶龄模式理论”的基础上发展起来的水稻栽培技术，使传统的种、管、收流程式栽培技术，发展成为按叶龄诊断、预测、调控的栽培技术体系。几年来垦区在水稻生产中全面推广旱育稀植“三化”栽培技术，对育苗及本田管理运用叶龄诊断技术，取得了较好的效果。
现有的水稻叶龄诊断学习都是在田间进行观察学习的，田间对水稻的外部影响因素过多，且对水稻的环境数据信息也不便于采集，影响学习效率，鉴于此，我们提出基于深度学习的水稻叶龄诊断模型化装置。
发明内容
本发明的目的是为了解决现有技术中存在的缺点，而提出的基于深度学习的水稻叶龄诊断模型化方法。
为达到以上目的，本发明采用的技术方案为：基于深度学习的水稻叶龄诊断模型化装置，包括采集单元；
所述采集单元，用于采集水稻叶片的图片信息作为第一图像信息传送给处理中心；
所述采集单元，用于采集水稻叶片上虫孔的图片信息作为第二图片信息传送给处理中心；
所述采集单元，用于采集水稻叶龄诊断试验箱内部的环境数据，并将所述环境数据发送给处理中心；
所述处理中心，根据第一图像信息、第二图片信息和环境数据，以及预先确定的水稻叶龄上的病虫害信息对应的环境数据，确定预测结果，并将预测结果发送给展示中心。
优选的，所述环境数据包括温度数据、湿度数据和土壤内部肥量数据。
优选的，所述采集单元包括摄像头、温度传感器、湿度传感器和土壤测试仪。
优选的，所述展示中心，用于将所述图片数据在显示屏上进行展示，所述图片数据为水稻叶龄与环境数据的曲线信息。
优选的，所述处理中心采用Lambda架构。
与现有技术相比，本发明具有以下有益效果：
一、本发明，通过采集单元采集水稻叶片的图片信息和虫孔的图片信息，通过温度传感器采集试验箱内部的温度数据，通过湿度传感器采集试验箱内部的湿度数据，通过土壤测试仪采集土壤内部肥量数据，再将这些数据通过处理中心与预先确定的水稻叶龄上的病虫害信息对应的环境数据，确定预测结果，便于人们对深度学习水稻的叶龄诊断技术，通过数据能更直观的将水稻的信息展示出来，提高学习效率。
附图说明
图1为本发明的整体结构示意图。
图中：采集单元1、温度传感器101、湿度传感器102、摄像头103、土壤测试仪104、处理中心2、环境数据201、病虫害信息202、第一图像信息203、第二图像信息204、大数据处理框架205、展示中心3、预测结果301。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。
如图1所示的基于深度学习的水稻叶龄诊断模型化装置，包括采集单元1,将水稻放入试验箱内部，通过采集单元1对水稻进行实时监测。
采集单元1，用于采集水稻叶片的图片信息作为第一图像信息203传送给处理中心2。
采集单元1，用于采集水稻叶片上虫孔的图片信息作为第二图片信息204传送给处理中心2，通过摄像头103采集水稻叶片的图片信息，并将图片信息发送给处理中心2。
采集单元1包括摄像头103、温度传感器101、湿度传感器102和土壤测试仪104。
展示中心，用于将图片数据在显示屏上进行展示。
处理中心2采用Lambda架构，Lambda架构是一个大数据处理框架。
基于深度学习的水稻叶龄诊断模型化装置的诊断方法：采集单元1，用于采集水稻叶龄诊断试验箱内部的环境数据201，并将环境数据201发送给处理中心2，环境数据201包括温度数据、湿度数据和土壤内部肥量数据，通过温度传感器101采集试验箱内部的温度数据，通过湿度传感器102采集试验箱内部的湿度数据，通过土壤测试仪104采集土壤内部肥量数据，并将这些数据发送给处理中心2。
处理中心2，根据第一图像信息203、第二图片信息204和环境数据201，以及预先确定的水稻叶龄上的病虫害信息202对应的环境数据201，确定预测结果301，并将预测结果301发送给展示中心。
展示中心，用于将图片数据在显示屏上进行展示，图片数据为水稻叶龄与环境数据201的曲线信息，展示中心将曲线图片展示到显示屏，网页或APP上，便于人们进行深度学习水稻的叶龄信息和环境的关系。
处理中心2采用Lambda架构，Lambda架构是一个大数据处理框架，该框架的做法是将大数据系统架构拆分成了三层，第一层主要利用分布式处理系统处理大批量的数据，第二层处理实时的增量数据，第三层用于响应用户的查询请求，并展示最后的结果，该架构同时支持实时和批处理业务，既保证了低延迟又保证了准确性。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内，本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (1)
1.基于深度学习的水稻叶龄诊断模型化方法，其特征在于：所述基于深度学习的水稻叶龄诊断模型化方法是基于基于深度学习的水稻叶龄诊断模型化装置实现的，所述装置包括采集单元；所述采集单元，用于采集水稻叶片的图片信息作为第一图像信息传送给处理中心；所述采集单元，用于采集水稻叶片上虫孔的图片信息作为第二图片信息传送给处理中心；所述采集单元，用于采集水稻叶龄诊断试验箱内部的环境数据，并将所述环境数据发送给处理中心；所述处理中心，根据第一图像信息、第二图片信息和环境数据，以及预先确定的水稻叶龄上的病虫害信息对应的环境数据，确定预测结果，并将预测结果发送给展示中心，所述基于深度学习的水稻叶龄诊断模型化方法为：采集单元用于采集水稻叶龄诊断试验箱内部的环境数据，并将环境数据发送给处理中心，环境数据包括温度数据、湿度数据和土壤内部肥量数据，通过温度传感器采集试验箱内部的温度数据，通过湿度传感器采集试验箱内部的湿度数据，通过土壤测试仪采集土壤内部肥量数据，并将这些数据发送给处理中心；处理中心，根据第一图像信息、第二图片信息和环境数据，以及预先确定的水稻叶龄上的病虫害信息对应的环境数据，确定预测结果，并将预测结果发送给展示中心；展示中心，用于将图片数据在显示屏上进行展示，图片数据为水稻叶龄与环境数据的曲线信息，展示中心将曲线图片展示到显示屏，网页或APP上，便于人们进行深度学习水稻的叶龄信息和环境的关系；处理中心采用Lambda架构，Lambda架构是一个大数据处理框架，该框架的做法是将大数据系统架构拆分成了三层，第一层主要利用分布式处理系统处理大批量的数据，第二层处理实时的增量数据，第三层用于响应用户的查询请求，并展示最后的结果，该架构同时支持实时和批处理业务。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011529723.2A CN112665650A (zh) | 2020-12-22 | 2020-12-22 | 基于深度学习的水稻叶龄诊断模型化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011529723.2A CN112665650A (zh) | 2020-12-22 | 2020-12-22 | 基于深度学习的水稻叶龄诊断模型化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112665650A true CN112665650A (zh) | 2021-04-16 |
Family
ID=75407641
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011529723.2A Pending CN112665650A (zh) | 2020-12-22 | 2020-12-22 | 基于深度学习的水稻叶龄诊断模型化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112665650A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114913217A (zh) * | 2022-03-31 | 2022-08-16 | 北京瀚景锦河科技有限公司 | 一种水稻叶龄诊断方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105787446A (zh) * | 2016-02-24 | 2016-07-20 | 上海劲牛信息技术有限公司 | 一种智慧农业病虫害远程自动诊断系统 |
| CN108304953A (zh) * | 2017-01-13 | 2018-07-20 | 北京金禾天成科技有限公司 | 农作物病虫害的预警方法和系统 |
| AU2020102100A4 (en) * | 2020-09-02 | 2020-10-22 | Khan, Mohd. Arsh MR | Disease detection using iot and machine learning in rice crops |
| CN111967441A (zh) * | 2020-09-04 | 2020-11-20 | 郑州轻工业大学 | 一种基于深度学习的农作物病害分析方法 |
| CN112036397A (zh) * | 2020-09-29 | 2020-12-04 | 上海海事大学 | 一种基于深度学习的嵌入式黄瓜叶片图像识别装置 |
-
2020
- 2020-12-22 CN CN202011529723.2A patent/CN112665650A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105787446A (zh) * | 2016-02-24 | 2016-07-20 | 上海劲牛信息技术有限公司 | 一种智慧农业病虫害远程自动诊断系统 |
| CN108304953A (zh) * | 2017-01-13 | 2018-07-20 | 北京金禾天成科技有限公司 | 农作物病虫害的预警方法和系统 |
| AU2020102100A4 (en) * | 2020-09-02 | 2020-10-22 | Khan, Mohd. Arsh MR | Disease detection using iot and machine learning in rice crops |
| CN111967441A (zh) * | 2020-09-04 | 2020-11-20 | 郑州轻工业大学 | 一种基于深度学习的农作物病害分析方法 |
| CN112036397A (zh) * | 2020-09-29 | 2020-12-04 | 上海海事大学 | 一种基于深度学习的嵌入式黄瓜叶片图像识别装置 |
Non-Patent Citations (1)
| Title |
|---|
| 蒲一鸣: "基于机器学习的水稻病害识别和叶龄", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114913217A (zh) * | 2022-03-31 | 2022-08-16 | 北京瀚景锦河科技有限公司 | 一种水稻叶龄诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108198620B (zh) | 一种基于深度学习的皮肤疾病智能辅助诊断系统 | |
| CN107944596A (zh) | 一种基于物联网的甜瓜生长管理专家系统 | |
| WO2018047726A1 (ja) | 情報処理装置および情報処理システム | |
| CN106845082A (zh) | 一种人体健康数据监测系统及其分析方法 | |
| CN112055079B (zh) | 一种基于云计算平台的病虫害监测预警系统 | |
| CN113948220B (zh) | 一种具有预分析能力的炭疽病病原菌侵染阶段检测方法 | |
| EP3903566A1 (en) | Information processing device, and information processing system | |
| CN115953402B (zh) | 一种基于机器视觉的植株应力应变测量方法及装置 | |
| CN113034301A (zh) | 一种农作物生长管理系统及方法 | |
| CN112665650A (zh) | 基于深度学习的水稻叶龄诊断模型化方法 | |
| CN114460080A (zh) | 一种水稻病虫智能监控系统 | |
| KR102095539B1 (ko) | 인삼의 영상 이미지 분석을 통한 생육량 측정 방법 | |
| AU2021105327A4 (en) | A computer implemented and IoT based method for increasing crop production using machine learning model | |
| Sarker et al. | An integrated method for identifying present status and risk of drought in Bangladesh | |
| CN116776290A (zh) | 一种烟草大数据模型构建方法 | |
| CN115345858A (zh) | 一种超声心动图质量评价方法、系统及终端设备 | |
| CN116935221B (zh) | 一种基于物联网的植保无人机杂草深度学习检测方法 | |
| EP4099258A1 (en) | Information processing device | |
| CN112116595A (zh) | 一种端到端的植物根系特征自动分割系统 | |
| CN112734120A (zh) | 一种基于动态网格划分的玉米虫害预警方法 | |
| Guatimosim et al. | Rhagadolobiopsis, a new genus of Parmulariaceae from Brazil with a description of the ontogeny of its ascomata | |
| CN106886595B (zh) | 植物物候信息查询方法及系统 | |
| Pankaj et al. | IoT Hardware Sensor-Based Cotton Disease Prediction Using CNN Algorithm | |
| Ekanayaka et al. | IoT-Based Disease Diagnosis and Knowledge Dissemination System for Coconut Plants | |
| Morris | The epidemiological approach to animal health—building on strong foundations |
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: 20210416 |
|
| RJ01 | Rejection of invention patent application after publication |