CN112699805A - 蔬菜病虫害防治智能识别系统 - Google Patents
蔬菜病虫害防治智能识别系统 Download PDFInfo
- Publication number
- CN112699805A CN112699805A CN202011632638.9A CN202011632638A CN112699805A CN 112699805 A CN112699805 A CN 112699805A CN 202011632638 A CN202011632638 A CN 202011632638A CN 112699805 A CN112699805 A CN 112699805A
- Authority
- CN
- China
- Prior art keywords
- vegetable
- pest
- disease
- intelligent
- cloud server
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种蔬菜病虫害防治智能识别系统,涉及病虫害智能检测领域,该系统包括用户终端、云端服务器和专家平台,用户终端将蔬菜作物图像上传至云端服务器,云端服务器确定蔬菜作物图像对应的蔬菜类别,并将蔬菜作物图像输入蔬菜类别对应的病虫害智能识别模型中得到相应的识别结果,同时结合专家平台的反馈的识别结果得到病虫害类型识别结果,根据病虫害类型识别结果以及预先存储的病虫害类型识别结果对应的治理措施生成病虫害诊断结果反馈给用户终端;该系统基于人工智能技术提供病虫害识别功能,使得农户可以准确识别存在的病虫害类型并采用合适的治理措施进行治理,识别率较高且较稳定,对防控蔬菜病虫害极其重要。
Description
技术领域
本发明涉及病虫害智能检测领域,尤其是一种蔬菜病虫害防治智能识别系统。
背景技术
蔬菜从播种、生长至收获,经常受到各种有害生物(植物病原、害虫等)的危害。农作物病虫害是我国的主要农业灾害之一,它具有种类多、影响大、并时常暴发成灾的特点,其发生范围和严重程度对我国国民经济、特别是农业生产常造成重大损失。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。
目前一旦发生病虫害,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,但是从业人员对病虫害的认知水平有限,受主观因素和个人经验影响大,往往不能正确识别病虫害类型,而且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
本发明人针对上述问题及技术需求,提出了一种蔬菜病虫害防治智能识别系统,本发明的技术方案如下:
一种蔬菜病虫害防治智能识别系统,该系统包括用户终端、云端服务器和专家平台:
用户终端将蔬菜作物图像上传至云端服务器,云端服务器中存储有预先基于卷积神经网络训练的病虫害智能识别模型;
云端服务器确定蔬菜作物图像对应的蔬菜类别,并将蔬菜作物图像输入蔬菜类别对应的病虫害智能识别模型中得到相应的识别结果;
云端服务器还将蔬菜作物图像发送给专家平台并接收专家平台针对蔬菜作物图像反馈的识别结果;
云端服务器根据蔬菜类别对应的病虫害智能识别模型得到的识别结果以及专家平台反馈的识别结果得到病虫害类型识别结果,并利用蔬菜作物图像以及专家平台反馈的识别结果更新蔬菜类别对应的病虫害智能识别模型;
云端服务器根据病虫害类型识别结果以及预先存储的病虫害类型识别结果对应的治理措施生成病虫害诊断结果反馈给用户终端。
其进一步的技术方案为,云端服务器还获取用户终端的地理位置信息,并根据地理位置信息在预定区域范围内的所有用户终端上传的蔬菜作物图像及对应的病虫害诊断结果生成预定区域范围的病虫害统计数据发送给对应的中心管理系统,病虫害统计数据包括预定区域范围内各个蔬菜类别所发生的病虫害类型以及每个病虫害类型的发生频率。
其进一步的技术方案为,云端服务器在根据病虫害统计数据检测到病虫害类型的发生频率达到预定频率时,向地理位置信息在预定区域范围内的所有用户终端推送防治预警信息,防治预警信息包括发生频率达到预定频率的病虫害类型、所对应的蔬菜类别以及对应的治理措施。
其进一步的技术方案为,云端服务器确定蔬菜作物图像对应的蔬菜类别,包括:
云端服务器对蔬菜作物图像进行图像识别,确定蔬菜作物图像中的蔬菜作物的类别作为蔬菜作物图像对应的蔬菜类别;
或者,云端服务器接收用户终端与蔬菜作物图像同时上传的蔬菜类别。
其进一步的技术方案为,将蔬菜作物图像输入蔬菜类别对应的病虫害智能识别模型中,包括:
蔬菜作物图像为蔬菜作物的全部区域图像,则每个蔬菜类别对应一个病虫害智能识别模型,将蔬菜作物图像输入蔬菜类别对应的病虫害智能识别模型中;
或者,蔬菜作物图像为蔬菜作物的部分区域图像,则每个蔬菜类别对应多个病虫害智能识别模型,每个病虫害智能识别模型分别对应蔬菜类别的蔬菜作物的不同植物器官区域,则云端服务器确定蔬菜作物图像对应的植物器官区域,并将蔬菜作物图像输入蔬菜类别的对应植物器官区域的病虫害智能识别模型中,蔬菜作物的植物器官区域包括根部区域、茎部区域、叶片区域、花朵区域、果实区域和种子区域中的至少一种。
其进一步的技术方案为,用户终端在接收到针对蔬菜作物图像的病虫害诊断结果后,向云端服务器反馈确认信息或修正信息,确认信息用于指示病虫害诊断结果中的病虫害类型正确,修正信息用于指示病虫害诊断结果中的病虫害类型错误并指示正确的病虫害类型;云端服务器根据用户终端反馈的确认信息或修正信息更新对应的病虫害智能识别模型。
本发明的有益技术效果是:
本申请公开了一种蔬菜病虫害防治智能识别系统,该系统基于人工智能技术提供病虫害识别功能,云端服务器利用预先训练的病虫害智能识别模型得到识别结果,再结合专家平台的人家判断,可以得到相应的病虫害类型识别结果,并且存储对应的治理措施生成病虫害诊断结果反馈给用户终端,使得农户可以准确识别存在的病虫害类型并采用合适的治理措施进行治理,识别率较高且较稳定,对防控蔬菜病虫害极其重要。
同时该系统除了可以提供事后的防治措施,还可以在更大范围掌握周边病虫害发生的概率及发展情况,做趋势性判断并提供事前的预警,可以有效降低病虫害给农业生产造成的重大损失。
该系统中云端服务器使用的病虫害智能识别模型针对蔬菜类别分别训练,进一步可以针对蔬菜类别的不同区域分别训练,减小了数据计算量,减少了模型训练时间和难度。相应的在识别时也利用不同的病虫害智能识别模型分别识别,减小了数据匹配量,加快了识别速度和准确度。在少量数据的情况下,能够迅速上线,通过不断的用户使用反馈优化算法效果,分类准确率达95%以上,可以有效提高农业从业者对病虫害处置的效率。
附图说明
图1是本申请公开的蔬菜病虫害防治智能识别系统的工作流程示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
本申请公开了一种蔬菜病虫害防治智能识别系统,该系统包括用户终端、云端服务器和专家平台,该系统的工作过程如下,请参考图1:
用户终端将蔬菜作物图像上传至云端服务器。其中的用户终端包括手机、iPad等其他可以拍摄照片的智能设备,或者通过摄像头拍摄农作物图像后转存至用户终端,本申请对用户终端不进行限定。
用户终端上传的蔬菜作物图像是某一种类的蔬菜作物的图像。可选的,在本申请中,蔬菜作物图像为蔬菜作物的全部区域图像,也即,蔬菜作物图像包含一个蔬菜作物的全部植物器官区域,蔬菜作物的植物器官区域包括根部区域、茎部区域、叶片区域、花朵区域、果实区域和种子区域中的至少一种。或者,蔬菜作物图像为蔬菜作物的部分区域图像,也即蔬菜作物图像包含一个蔬菜作物的部分植物器官区域,比如,蔬菜作物图像是草莓作物的叶片区域。
云端服务器中存储有预先基于卷积神经网络训练的病虫害智能识别模型,云端服务器通常为服务器集群,内置有GPU。考虑到不同蔬菜作物通常存在不同的病虫害,因此本申请中的病虫害智能识别模型通常是分蔬菜类别训练的,因此云端服务器存储有多个与蔬菜类别对应的病虫害智能识别模型:
一种情况是,每个蔬菜类别对应一个病虫害智能识别模型,比如马铃薯作物对应病虫害智能识别模型A,草莓作物对应病虫害智能识别模型B,番茄作物对应病虫害智能识别模型C。则在训练模型时,采集某一蔬菜类别的蔬菜作物的各类样本图片基于卷积神经网络进行训练得到该蔬菜类别对应的病虫害智能识别模型,样本图片包括无病虫害的图片以及出现各类病虫害时的图片。比如常见的,草莓作物对应的病虫害包括枯叶病、灰霉病、白粉病,马铃薯作物对应的病虫害包括早疫病、晚疫病、炭疽病,番茄作物对应的病虫害包括早疫病、晚疫病、黄化曲叶病毒病、斑枯病、红蜘蛛损伤、叶霉病。
则云端服务器在接收到用户终端上传的蔬菜作物图像后,确定蔬菜作物图像对应的蔬菜类别,并将蔬菜作物图像输入蔬菜类别对应的病虫害智能识别模型中得到相应的识别结果,该识别结果即指示蔬菜作物图像中所存在的病虫害类型。其中,云端服务器对蔬菜作物图像进行图像识别,确定蔬菜作物图像中的蔬菜作物的类别作为蔬菜作物图像对应的蔬菜类别,或者,云端服务器接收用户终端与蔬菜作物图像同时上传的蔬菜类别。
进一步的,考虑到同一个蔬菜作物不同植物器官区域也可能存在不同的病虫害,因此另一种情况是,每个蔬菜类别对应多个病虫害智能识别模型,每个病虫害智能识别模型分别对应蔬菜类别的蔬菜作物的不同植物器官区域,如何对蔬菜作物按植物器官区域划分不同的病虫害智能识别模型可以根据蔬菜作物的实际情况进行。则在训练模型时,采集某一蔬菜类别的对应植物器官区域划的各类样本图片基于卷积神经网络进行训练得到该蔬菜类别的该植物器官区域对应的病虫害智能识别模型。比如马铃薯作物对应两个病虫害智能识别模型,分别是根茎区域对应的病虫害智能识别模型A1,以及叶片区域对应的病虫害智能识别模型A2。则相应的在训练模型时,采集马铃薯作物的根茎区域的各类样本图片训练得到A1,采集马铃薯作物的叶片区域的各类样本图片训练得到A2。
则在这种情况下,云端服务器在接收到用户终端上传的蔬菜作物图像后,除了确定蔬菜作物图像对应的蔬菜类别之外,还要确定蔬菜作物图像对应的植物器官区域,相应的,也可以通过图像识别技术来确定植物器官区域或者直接由用户上传植物器官区域。然后云端服务器将蔬菜作物图像输入蔬菜类别的对应植物器官区域的病虫害智能识别模型中得到相应的识别结果。
由于本申请按照蔬菜类别分开建模和识别,因此大大减小了计算量,减小了建模难度,而在识别时也不需要与整个病虫害数据库比较,因此加快了识别时间。
云端服务器还将蔬菜作物图像发送给专家平台并接收专家平台针对蔬菜作物图像反馈的识别结果,专家会对蔬菜作物图像进行人工识别并反馈相应的识别结果,同样的该识别结果指示蔬菜作物图像中所存在的病虫害类型。
云端服务器根据蔬菜类别对应的病虫害智能识别模型得到的识别结果以及专家平台反馈的识别结果得到病虫害类型识别结果,病虫害智能识别模型和专家平台的识别结果可能相同也可能不同,若相同,则将识别结果作为病虫害类型识别结果,若不同,则通常将专家平台反馈的识别结果作为病虫害类型识别结果。同时,云端服务器利用该蔬菜作物图像以及专家平台反馈的识别结果更新蔬菜类别对应的病虫害智能识别模型,使得对应的病虫害智能识别模型更加准确。
云端服务器还存储有不同的病虫害类型识别结果对应的治理措施,则在确定蔬菜作物图像对应的病虫害类型识别结果后,查询对应的治理措施,并根据病虫害类型识别结果以及预先存储的病虫害类型识别结果对应的治理措施生成病虫害诊断结果反馈给用户终端,从而使得用户终端能够准确知道出现的病虫害类型,并采用合适的治理措施进行治理。
用户终端在接收到针对蔬菜作物图像的病虫害诊断结果后,可以向云端服务器反馈确认信息或修正信息,确认信息用于指示病虫害诊断结果中的病虫害类型正确,修正信息用于指示病虫害诊断结果中的病虫害类型错误并指示正确的病虫害类型,云端服务器根据用户终端反馈的确认信息或修正信息更新对应的病虫害智能识别模型,也可以使得病虫害智能识别模型更加准确。
进一步的在本申请中,云端服务器还获取用户终端的地理位置信息,并根据地理位置信息在预定区域范围内的所有用户终端上传的蔬菜作物图像及对应的病虫害诊断结果生成预定区域范围的病虫害统计数据发送给对应的中心管理系统,病虫害统计数据包括预定区域范围内各个蔬菜类别所发生的病虫害类型以及每个病虫害类型的发生频率。预定区域范围可以根据行政区域划分或者按照自定义划分规则进行划分,对应的中心管理系统可以是该预定区域范围对应的监管体系使用的系统,从而可以清楚的体现预定区域范围内病虫害的发展情况,以便进行趋势性判断。
当根据病虫害统计数据检测到病虫害类型的发生频率达到预定频率时,向地理位置信息在预定区域范围内的所有用户终端推送防治预警信息,防治预警信息包括发生频率达到预定频率的病虫害类型、所对应的蔬菜类别以及对应的治理措施。也即可以提前对预定区域范围内的农户进行事前的警示防治,提前应对可能出现的病虫害,具有较好的防控效果。
以上所述的仅是本申请的优选实施方式,本发明不限于以上实施例。可以理解,本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化,均应认为包含在本发明的保护范围之内。
Claims (6)
1.一种蔬菜病虫害防治智能识别系统,其特征在于,所述系统包括用户终端、云端服务器和专家平台:
所述用户终端将蔬菜作物图像上传至所述云端服务器,所述云端服务器中存储有预先基于卷积神经网络训练的病虫害智能识别模型;
所述云端服务器确定所述蔬菜作物图像对应的蔬菜类别,并将所述蔬菜作物图像输入所述蔬菜类别对应的病虫害智能识别模型中得到相应的识别结果;
所述云端服务器还将所述蔬菜作物图像发送给所述专家平台并接收所述专家平台针对所述蔬菜作物图像反馈的识别结果;
所述云端服务器根据所述蔬菜类别对应的病虫害智能识别模型得到的识别结果以及所述专家平台反馈的识别结果得到病虫害类型识别结果,并利用所述蔬菜作物图像以及所述专家平台反馈的识别结果更新所述蔬菜类别对应的病虫害智能识别模型;
所述云端服务器根据所述病虫害类型识别结果以及预先存储的所述病虫害类型识别结果对应的治理措施生成病虫害诊断结果反馈给所述用户终端。
2.根据权利要求1所述的系统,其特征在于,
所述云端服务器还获取所述用户终端的地理位置信息,并根据地理位置信息在预定区域范围内的所有用户终端上传的蔬菜作物图像及对应的病虫害诊断结果生成所述预定区域范围的病虫害统计数据发送给对应的中心管理系统,所述病虫害统计数据包括所述预定区域范围内各个蔬菜类别所发生的病虫害类型以及每个病虫害类型的发生频率。
3.根据权利要求2所述的系统,其特征在于,
所述云端服务器在根据所述病虫害统计数据检测到病虫害类型的发生频率达到预定频率时,向地理位置信息在所述预定区域范围内的所有用户终端推送防治预警信息,所述防治预警信息包括发生频率达到预定频率的病虫害类型、所对应的蔬菜类别以及对应的治理措施。
4.根据权利要求1-3任一所述的系统,其特征在于,所述云端服务器确定所述蔬菜作物图像对应的蔬菜类别,包括:
所述云端服务器对所述蔬菜作物图像进行图像识别,确定所述蔬菜作物图像中的蔬菜作物的类别作为所述蔬菜作物图像对应的蔬菜类别;
或者,所述云端服务器接收所述用户终端与所述蔬菜作物图像同时上传的所述蔬菜类别。
5.根据权利要求1-3任一所述的系统,其特征在于,所述将所述蔬菜作物图像输入所述蔬菜类别对应的病虫害智能识别模型中,包括:
所述蔬菜作物图像为蔬菜作物的全部区域图像,则每个蔬菜类别对应一个病虫害智能识别模型,将所述蔬菜作物图像输入所述蔬菜类别对应的病虫害智能识别模型中;
或者,所述蔬菜作物图像为蔬菜作物的部分区域图像,则每个蔬菜类别对应多个病虫害智能识别模型,每个病虫害智能识别模型分别对应所述蔬菜类别的蔬菜作物的不同植物器官区域,则所述云端服务器确定所述蔬菜作物图像对应的植物器官区域,并将所述蔬菜作物图像输入所述蔬菜类别的对应所述植物器官区域的病虫害智能识别模型中,蔬菜作物的植物器官区域包括根部区域、茎部区域、叶片区域、花朵区域、果实区域和种子区域中的至少一种。
6.根据权利要求1-3任一所述的系统,其特征在于,
所述用户终端在接收到针对所述蔬菜作物图像的病虫害诊断结果后,向所述云端服务器反馈确认信息或修正信息,所述确认信息用于指示所述病虫害诊断结果中的病虫害类型正确,所述修正信息用于指示所述病虫害诊断结果中的病虫害类型错误并指示正确的病虫害类型;所述云端服务器根据所述用户终端反馈的确认信息或修正信息更新对应的病虫害智能识别模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011632638.9A CN112699805A (zh) | 2020-12-31 | 2020-12-31 | 蔬菜病虫害防治智能识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011632638.9A CN112699805A (zh) | 2020-12-31 | 2020-12-31 | 蔬菜病虫害防治智能识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112699805A true CN112699805A (zh) | 2021-04-23 |
Family
ID=75513606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011632638.9A Pending CN112699805A (zh) | 2020-12-31 | 2020-12-31 | 蔬菜病虫害防治智能识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112699805A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505706A (zh) * | 2021-07-14 | 2021-10-15 | 陈小义 | 一种基于ai智能的病害自动识别方法及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105320970A (zh) * | 2015-11-25 | 2016-02-10 | 内蒙古科技大学 | 一种马铃薯病害诊断装置、诊断系统及诊断方法 |
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 |
CN107392091A (zh) * | 2017-06-09 | 2017-11-24 | 河北威远生物化工有限公司 | 一种农业人工智能作物检测方法、移动终端和计算机可读介质 |
CN107784305A (zh) * | 2017-09-29 | 2018-03-09 | 中国农业科学院农业环境与可持续发展研究所 | 基于卷积神经网络的设施蔬菜病害识别方法及装置 |
CN109271429A (zh) * | 2018-11-19 | 2019-01-25 | 天津市植物保护研究所 | 基于豆类蔬菜病害典型特征的互联网蔬菜病害自助诊断方法与系统 |
CN110070071A (zh) * | 2019-04-30 | 2019-07-30 | 重庆文理学院 | 一种基于图像识别的生姜茎叶病虫害识别方法及系统 |
CN110210434A (zh) * | 2019-06-10 | 2019-09-06 | 四川大学 | 病虫害识别方法及装置 |
CN111046204A (zh) * | 2019-12-16 | 2020-04-21 | 北京植得智能互联科技有限公司 | 一种病虫害识别防治系统 |
CN111539293A (zh) * | 2020-04-17 | 2020-08-14 | 北京派得伟业科技发展有限公司 | 一种果树病害诊断方法及系统 |
CN111539350A (zh) * | 2020-04-27 | 2020-08-14 | 无锡雪浪数制科技有限公司 | 一种农作物病虫害智能识别的方法 |
CN111767849A (zh) * | 2020-06-29 | 2020-10-13 | 京东数字科技控股有限公司 | 农作物病虫害识别方法、设备及存储介质 |
CN111814591A (zh) * | 2020-03-31 | 2020-10-23 | 同济大学 | 基于生成式对抗网络模型和ios平台的植物叶片识别系统 |
CN111914814A (zh) * | 2020-09-01 | 2020-11-10 | 平安国际智慧城市科技股份有限公司 | 小麦锈病检测方法、装置及计算机设备 |
-
2020
- 2020-12-31 CN CN202011632638.9A patent/CN112699805A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105320970A (zh) * | 2015-11-25 | 2016-02-10 | 内蒙古科技大学 | 一种马铃薯病害诊断装置、诊断系统及诊断方法 |
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 |
CN107392091A (zh) * | 2017-06-09 | 2017-11-24 | 河北威远生物化工有限公司 | 一种农业人工智能作物检测方法、移动终端和计算机可读介质 |
CN107784305A (zh) * | 2017-09-29 | 2018-03-09 | 中国农业科学院农业环境与可持续发展研究所 | 基于卷积神经网络的设施蔬菜病害识别方法及装置 |
CN109271429A (zh) * | 2018-11-19 | 2019-01-25 | 天津市植物保护研究所 | 基于豆类蔬菜病害典型特征的互联网蔬菜病害自助诊断方法与系统 |
CN110070071A (zh) * | 2019-04-30 | 2019-07-30 | 重庆文理学院 | 一种基于图像识别的生姜茎叶病虫害识别方法及系统 |
CN110210434A (zh) * | 2019-06-10 | 2019-09-06 | 四川大学 | 病虫害识别方法及装置 |
CN111046204A (zh) * | 2019-12-16 | 2020-04-21 | 北京植得智能互联科技有限公司 | 一种病虫害识别防治系统 |
CN111814591A (zh) * | 2020-03-31 | 2020-10-23 | 同济大学 | 基于生成式对抗网络模型和ios平台的植物叶片识别系统 |
CN111539293A (zh) * | 2020-04-17 | 2020-08-14 | 北京派得伟业科技发展有限公司 | 一种果树病害诊断方法及系统 |
CN111539350A (zh) * | 2020-04-27 | 2020-08-14 | 无锡雪浪数制科技有限公司 | 一种农作物病虫害智能识别的方法 |
CN111767849A (zh) * | 2020-06-29 | 2020-10-13 | 京东数字科技控股有限公司 | 农作物病虫害识别方法、设备及存储介质 |
CN111914814A (zh) * | 2020-09-01 | 2020-11-10 | 平安国际智慧城市科技股份有限公司 | 小麦锈病检测方法、装置及计算机设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505706A (zh) * | 2021-07-14 | 2021-10-15 | 陈小义 | 一种基于ai智能的病害自动识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105700593B (zh) | 一种植物种植监控系统及其方法 | |
Khandelwal et al. | Artificial intelligence in agriculture: An emerging era of research | |
CN112800665A (zh) | 一种基于人工智能的植物生长自反馈学习培育方法 | |
CN112930926A (zh) | 一种基于深度学习的植物生产参数调优方法 | |
US20220167546A1 (en) | Method for plantation treatment of a plantation field with a variable application rate | |
Tumang | Pests and diseases identification in mango using MATLAB | |
Selvi et al. | Weed detection in agricultural fields using deep learning process | |
CN113297925A (zh) | 一种果蔬全链条质量智能预警方法及系统 | |
Jyothi et al. | Applications of Statistical Machine Learning Algorithms in Agriculture Management Processes | |
CN114818909A (zh) | 一种基于作物长势特征的杂草检测方法和装置 | |
CN112001242A (zh) | 一种智能园艺管理方法和装置 | |
CN112116206A (zh) | 一种基于大数据的智慧农业系统 | |
CN116300608A (zh) | 一种基于大数据的智慧农业远程监控系统 | |
CN114723667A (zh) | 一种农业精细化种植及灾害预防控制系统 | |
CN115631061A (zh) | 一种基于共享农机智慧数字化农业方法、系统和介质 | |
CN113221723A (zh) | 可溯源的自反馈学习城市植物工厂 | |
Sarkar et al. | A comprehensive study on the emerging effect of artificial intelligence in agriculture automation | |
CN116843188A (zh) | 一种基于大数据分析的精细农业栽培与管理平台 | |
Avigal et al. | Learning seed placements and automation policies for polyculture farming with companion plants | |
CN112699805A (zh) | 蔬菜病虫害防治智能识别系统 | |
JP2019071802A (ja) | 苗データ生成システム、苗判別システム、苗データ生成プログラム、苗判別プログラム、苗データ生成装置、苗判別装置 | |
CN113377141A (zh) | 一种人工智能农业自动管理系统 | |
WO2021198731A1 (en) | An artificial-intelligence-based method of agricultural and horticultural plants' physical characteristics and health diagnosing and development assessment. | |
WO2020011318A1 (en) | A system for use when performing a weeding operation in an agricultural field | |
Tobias et al. | Hybrid tree-fuzzy logic for aquaponic lettuce growth stage classification based on canopy texture descriptors |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Sha Qin Inventor after: Chen Tianyu Inventor after: Ma Liqiang Inventor after: Wang Feng Inventor before: Ma Liqiang Inventor before: Wang Feng |
|
CB03 | Change of inventor or designer information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210423 |
|
RJ01 | Rejection of invention patent application after publication |