CN112836616B - 基于环境参数序列的黄龙病预警方法、装置和计算机设备 - Google Patents

基于环境参数序列的黄龙病预警方法、装置和计算机设备 Download PDF

Info

Publication number
CN112836616B
CN112836616B CN202110116324.1A CN202110116324A CN112836616B CN 112836616 B CN112836616 B CN 112836616B CN 202110116324 A CN202110116324 A CN 202110116324A CN 112836616 B CN112836616 B CN 112836616B
Authority
CN
China
Prior art keywords
citrus
lesion
image
sequence
preset
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.)
Active
Application number
CN202110116324.1A
Other languages
English (en)
Other versions
CN112836616A (zh
Inventor
唐宇
骆少明
李嘉豪
杨捷鹏
符伊晴
赵晋飞
张晓迪
郭琪伟
庄鑫财
黄华盛
朱兴
侯超钧
庄家俊
苗爱敏
褚璇
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.)
Research Institute Of Heyuan Guangshi Normal University
Guangdong Polytechnic Normal University
Original Assignee
Research Institute Of Heyuan Guangshi Normal University
Guangdong Polytechnic Normal University
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 Research Institute Of Heyuan Guangshi Normal University, Guangdong Polytechnic Normal University filed Critical Research Institute Of Heyuan Guangshi Normal University
Priority to CN202110116324.1A priority Critical patent/CN112836616B/zh
Publication of CN112836616A publication Critical patent/CN112836616A/zh
Application granted granted Critical
Publication of CN112836616B publication Critical patent/CN112836616B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicines Containing Plant Substances (AREA)

Abstract

本申请揭示了一种基于环境参数序列的黄龙病预警方法、装置、计算机设备和存储介质，包括：得到初始环境参数序列；进行图像采集处理，以得到多张柑橘图像；划分为多个柑橘组；获取最大数量柑橘组；提取第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本，分别种植在第一环境、第二环境、…、第n环境中；得到第一图像序列、第二图像序列、…、第n图像序列；对应得到第一病变预测数值、第二病变预测数值、…、第n病变预测数值；获取指定环境参数序列；采用牺牲布设的方式种植柑橘植株；对牺牲区域中的柑橘植株进行图像采集处理，以得到预警柑橘图像；若发生病变，则根据预设的治疗策略进行治疗处理。从而实现了黄龙病预警。

Description

基于环境参数序列的黄龙病预警方法、装置和计算机设备
技术领域
本申请涉及到计算机领域，特别是涉及到一种基于环境参数序列的黄龙病预警方法、装置、计算机设备和存储介质。
背景技术
黄龙病对柑橘有极大危胁，并且具有较大的传染性，能够通过柑橘木虱传播。目前，对于黄龙病缺少根治的手段，因此在发现柑橘感染黄龙病后，不得不砍掉染病的柑橘植株以防止其成为新的传染源，这会造成极大的损失，而传统方案无法有效减少黄龙病带来的损失。
发明内容
本申请提出一种基于环境参数序列的黄龙病预警方法，包括以下步骤：
S1、采用预设的环境传感器序列，对预设的待种植林地进行持续环境信号采集处理，以得到在时间上连续的初始环境参数序列；其中，所述环境传感器序列至少包括温度传感器和湿度传感器，所述初始环境参数序列至少包括温度信号参数和湿度信号参数；
S2、采用预设的图像传感器，对预设的多个柑橘植株进行图像采集处理，以得到多张柑橘图像；
S3、根据预设的聚类算法，对所述多张柑橘图像进行聚类处理，从而将所述多张柑橘图像划分为多个柑橘组；
S4、从所述多个柑橘组中获取最大数量柑橘组；其中在所述多个柑橘组中，所述最大数量柑橘组的成员数量大于其他柑橘组的成员数量；
S5、提取所述最大数量柑橘组中的第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本，再将所述第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本分别种植在预设的第一环境、第二环境、…、第n环境中；其中，所述第一环境、第二环境、…、第n环境分别对应的环境参数序列各不相同，并且所述第一环境、第二环境、…、第n环境分别对应的环境参数序列与所述初始环境参数序列均不同；其中n为大于5的整数；
S6、对所述第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本进行持续图像采集处理，并且在进行持续图像采集处理的过程中，引入带有黄龙病病原菌的柑橘木虱，以得到所述第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本在病变过程中对应的在时间上连续的第一图像序列、第二图像序列、…、第n图像序列；
S7、将所述第一图像序列、第二图像序列、…、第n图像序列分别输入预设的病变程度预测模型中进行处理，从而对应得到所述病变程度预测模型输出的第一病变预测数值、第二病变预测数值、…、第n病变预测数值；
S8、从所述第一病变预测数值、第二病变预测数值、…、第n病变预测数值中选出最大病变预测数值，并根据病变预测数值-柑橘植株样本-环境-环境参数序列的对应关系，获取与所述最大病变预测数值对应的指定环境参数序列；
S9、在所述待种植林地中采用牺牲布设的方式种植柑橘植株，其中所述牺牲布设指，待种植林地划分为多个正常区域和多个牺牲区域，所述正常区域和所述牺牲区域均种植所述最大数量柑橘组中的柑橘植株，所述正常区域的环境参数为所述初始环境参数序列，所述牺牲区域的环境参数为所述指定环境参数序列；所述多个牺牲区域之间互不相连；
S10、对所述牺牲区域中的柑橘植株进行图像采集处理，以得到预警柑橘图像；
S11、根据所述预警柑橘图像，判断所述预警柑橘图像对应的柑橘植株是否发生病变；
S12、若所述预警柑橘图像对应的柑橘植株发生病变，则根据预设的治疗策略对指定范围内的柑橘植株进行治疗处理，其中所述指定范围指离所述预警柑橘图像对应的柑橘植株的距离小于预设的距离阈值的范围，所述治疗策略至少包括利用蒸汽加热技术进行治疗。
进一步地，所述将所述第一图像序列、第二图像序列、…、第n图像序列分别输入预设的病变程度预测模型中进行处理，从而对应得到所述病变程度预测模型输出的第一病变预测数值、第二病变预测数值、…、第n病变预测数值的步骤S7之前，包括：
S61、采用预设的图像传感器，对预设的多个参考柑橘植株对应进行持续图像采集处理，以分别得到多个参考图像序列；其中所述多个参考柑橘植株包括带黄龙病植株和未带黄龙病植株，每个参考图像序列在时间上均连续，每个参考图像序列标记了对应的参考柑橘植株的病变程度，未带黄龙病植株对应的病变程度记为0；
S62、根据预设的划分比例，将所述多个参考图像序列划分为训练图像序列和验证图像序列；
S63、调取预设的由一个卷积神经网络子模型和一个长短期记忆子模型连接而构成的暂时模型，并将所述训练图像序列输入所述暂时模型中进行训练，从而得到中间模型；其中，所述卷积神经网络子模型由依次连接的输入层、隐含层和输出层构成，所述长短期记忆子模型由依次连接的第一长短期记忆网络和第二长短期记忆网络构成，所述隐含层还连接所述第一长短期记忆网络，并且所述隐含层的输出同时传递给所述输出层和所述第一长短期记忆网络；
S64、利用所述验证图像序列对所述中间模型进行验证处理，以得到验证结果，并判断验证结果是否通过；其中，验证结果通过的标准为所述卷积神经网络子模型的输出层的输出结果、所述第二长短期记忆网络的输出结果均与验证图像序列对应标记的病变程度相同；
S65、若验证结果通过，则将所述中间模型记为病变程度预测模型。
进一步地，所述将所述第一图像序列、第二图像序列、…、第n图像序列分别输入预设的病变程度预测模型中进行处理，从而对应得到所述病变程度预测模型输出的第一病变预测数值、第二病变预测数值、…、第n病变预测数值的步骤S7，包括：
S701、将所述病变程度预测模型的模式修改为第一单通道模式，以使输入数据只能依次经过所述病变程度预测模型中的卷积神经网络子模型中的输入层、隐含层、所述长短期记忆子模型的第一长短期记忆网络和第二长短期记忆网络，但不经过所述卷积神经网络子模型的输出层；
S702、将所述第一图像序列、第二图像序列、…、第n图像序列分别输入所述病变程度预测模型中进行处理，以使所述第一图像序列、第二图像序列、…、第n图像序列分别经过所述病变程度预测模型中的卷积神经网络子模型中的输入层、隐含层、所述长短期记忆子模型的第一长短期记忆网络和第二长短期记忆网络，从而对应得到第一病变预测数值、第二病变预测数值、…、第n病变预测数值。
进一步地，所述根据所述预警柑橘图像，判断所述预警柑橘图像对应的柑橘植株是否发生病变的步骤S11，包括：
S1101、将所述病变程度预测模型的模式修改为第二单通道模式，以使输入数据只能依次经过所述病变程度预测模型中的卷积神经网络子模型中的输入层、隐含层和输出层；
S1102、将所述预警柑橘图像输入所述病变程度预测模型中，以使所述预警柑橘图像依次经过所述病变程度预测模型中的卷积神经网络子模型中的输入层、隐含层和输出层，从而得到输出的预警病变程度数值；
S1103、判断所述预警病变程度数值是否大于预设的病变程度阈值；
S1104、若所述预警病变程度数值大于预设的病变程度阈值，则判定所述预警柑橘图像对应的柑橘植株发生了病变。
进一步地，所述根据预设的治疗策略对指定范围内的柑橘植株进行治疗处理的步骤S12，包括：
S1201、采用PVC透明塑料膜对所述指定范围内的柑橘植株进行包围处理，以形成除在表面开设有通孔之外的封闭空间；
S1202、控制预设的蒸汽发生器以生成蒸汽，并经由蒸汽管道，将蒸汽从通孔引入所述封闭空间中；
S1203、获取预设于所述封闭空间内的温度传感器的感应到的温度数据，并在所述温度数据达到预设温度数值后，开启预设的计时器；
S1204、持续向所述封闭空间中输送蒸汽，直到所述计时器的示数达到预设时间数值，关闭所述蒸汽发生器，从而对指定范围内的柑橘植株进行蒸汽加热治疗处理。
本申请提供一种基于环境参数序列的黄龙病预警装置，包括：
初始环境参数序列获取单元，用于采用预设的环境传感器序列，对预设的待种植林地进行持续环境信号采集处理，以得到在时间上连续的初始环境参数序列；其中，所述环境传感器序列至少包括温度传感器和湿度传感器，所述初始环境参数序列至少包括温度信号参数和湿度信号参数；
多张柑橘图像获取单元，用于采用预设的图像传感器，对预设的多个柑橘植株进行图像采集处理，以得到多张柑橘图像；
柑橘图像聚类单元，用于根据预设的聚类算法，对所述多张柑橘图像进行聚类处理，从而将所述多张柑橘图像划分为多个柑橘组；
最大数量柑橘组获取单元，用于从所述多个柑橘组中获取最大数量柑橘组；其中在所述多个柑橘组中，所述最大数量柑橘组的成员数量大于其他柑橘组的成员数量；
柑橘植株样本提取单元，用于提取所述最大数量柑橘组中的第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本，再将所述第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本分别种植在预设的第一环境、第二环境、…、第n环境中；其中，所述第一环境、第二环境、…、第n环境分别对应的环境参数序列各不相同，并且所述第一环境、第二环境、…、第n环境分别对应的环境参数序列与所述初始环境参数序列均不同；其中n为大于5的整数；
图像序列获取单元，用于对所述第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本进行持续图像采集处理，并且在进行持续图像采集处理的过程中，引入带有黄龙病病原菌的柑橘木虱，以得到所述第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本在病变过程中对应的在时间上连续的第一图像序列、第二图像序列、…、第n图像序列；
病变预测数值获取单元，用于将所述第一图像序列、第二图像序列、…、第n图像序列分别输入预设的病变程度预测模型中进行处理，从而对应得到所述病变程度预测模型输出的第一病变预测数值、第二病变预测数值、…、第n病变预测数值；
指定环境参数序列获取单元，用于从所述第一病变预测数值、第二病变预测数值、…、第n病变预测数值中选出最大病变预测数值，并根据病变预测数值-柑橘植株样本-环境-环境参数序列的对应关系，获取与所述最大病变预测数值对应的指定环境参数序列；
牺牲布设单元，用于在所述待种植林地中采用牺牲布设的方式种植柑橘植株，其中所述牺牲布设指，待种植林地划分为多个正常区域和多个牺牲区域，所述正常区域和所述牺牲区域均种植所述最大数量柑橘组中的柑橘植株，所述正常区域的环境参数为所述初始环境参数序列，所述牺牲区域的环境参数为所述指定环境参数序列；所述多个牺牲区域之间互不相连；
预警柑橘图像获取单元，用于对所述牺牲区域中的柑橘植株进行图像采集处理，以得到预警柑橘图像；
预警柑橘图像判断单元，用于根据所述预警柑橘图像，判断所述预警柑橘图像对应的柑橘植株是否发生病变；
治疗处理单元，用于若所述预警柑橘图像对应的柑橘植株发生病变，则根据预设的治疗策略对指定范围内的柑橘植株进行治疗处理，其中所述指定范围指离所述预警柑橘图像对应的柑橘植株的距离小于预设的距离阈值的范围，所述治疗策略至少包括利用蒸汽加热技术进行治疗。
本申请提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请的基于环境参数序列的黄龙病预警方法、装置、计算机设备和存储介质，通过特别的设计，实现了黄龙病预警，从而及时做出应对，能够有效减少黄龙病带来的损失。具体地，对预设的待种植林地进行持续环境信号采集处理，以得到在时间上连续的初始环境参数序列；对预设的多个柑橘植株进行图像采集处理，以得到多张柑橘图像；对所述多张柑橘图像进行聚类处理，从而将所述多张柑橘图像划分为多个柑橘组；从所述多个柑橘组中获取最大数量柑橘组；提取所述最大数量柑橘组中的第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本，再将所述第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本分别种植在预设的第一环境、第二环境、…、第n环境中；得到第一图像序列、第二图像序列、…、第n图像序列；对应得到所述病变程度预测模型输出的第一病变预测数值、第二病变预测数值、…、第n病变预测数值；获取与最大病变预测数值对应的指定环境参数序列；在所述待种植林地中采用牺牲布设的方式种植柑橘植株；对所述牺牲区域中的柑橘植株进行图像采集处理，以得到预警柑橘图像；根据所述预警柑橘图像，判断所述预警柑橘图像对应的柑橘植株是否发生病变；若所述预警柑橘图像对应的柑橘植株发生病变，则根据预设的治疗策略对指定范围内的柑橘植株进行治疗处理。
附图说明
图1-2为本申请一实施例的基于环境参数序列的黄龙病预警方法的流程示意图；
图3为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，本申请实施例提供一种基于环境参数序列的黄龙病预警方法，包括以下步骤：
S1、采用预设的环境传感器序列，对预设的待种植林地进行持续环境信号采集处理，以得到在时间上连续的初始环境参数序列；其中，所述环境传感器序列至少包括温度传感器和湿度传感器，所述初始环境参数序列至少包括温度信号参数和湿度信号参数；
S2、采用预设的图像传感器，对预设的多个柑橘植株进行图像采集处理，以得到多张柑橘图像；
S3、根据预设的聚类算法，对所述多张柑橘图像进行聚类处理，从而将所述多张柑橘图像划分为多个柑橘组；
S4、从所述多个柑橘组中获取最大数量柑橘组；其中在所述多个柑橘组中，所述最大数量柑橘组的成员数量大于其他柑橘组的成员数量；
S5、提取所述最大数量柑橘组中的第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本，再将所述第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本分别种植在预设的第一环境、第二环境、…、第n环境中；其中，所述第一环境、第二环境、…、第n环境分别对应的环境参数序列各不相同，并且所述第一环境、第二环境、…、第n环境分别对应的环境参数序列与所述初始环境参数序列均不同；其中n为大于5的整数；
S6、对所述第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本进行持续图像采集处理，并且在进行持续图像采集处理的过程中，引入带有黄龙病病原菌的柑橘木虱，以得到所述第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本在病变过程中对应的在时间上连续的第一图像序列、第二图像序列、…、第n图像序列；
S7、将所述第一图像序列、第二图像序列、…、第n图像序列分别输入预设的病变程度预测模型中进行处理，从而对应得到所述病变程度预测模型输出的第一病变预测数值、第二病变预测数值、…、第n病变预测数值；
S8、从所述第一病变预测数值、第二病变预测数值、…、第n病变预测数值中选出最大病变预测数值，并根据病变预测数值-柑橘植株样本-环境-环境参数序列的对应关系，获取与所述最大病变预测数值对应的指定环境参数序列；
S9、在所述待种植林地中采用牺牲布设的方式种植柑橘植株，其中所述牺牲布设指，待种植林地划分为多个正常区域和多个牺牲区域，所述正常区域和所述牺牲区域均种植所述最大数量柑橘组中的柑橘植株，所述正常区域的环境参数为所述初始环境参数序列，所述牺牲区域的环境参数为所述指定环境参数序列；所述多个牺牲区域之间互不相连；
S10、对所述牺牲区域中的柑橘植株进行图像采集处理，以得到预警柑橘图像；
S11、根据所述预警柑橘图像，判断所述预警柑橘图像对应的柑橘植株是否发生病变；
S12、若所述预警柑橘图像对应的柑橘植株发生病变，则根据预设的治疗策略对指定范围内的柑橘植株进行治疗处理，其中所述指定范围指离所述预警柑橘图像对应的柑橘植株的距离小于预设的距离阈值的范围，所述治疗策略至少包括利用蒸汽加热技术进行治疗。
如上述步骤S1-S4所述，采用预设的环境传感器序列，对预设的待种植林地进行持续环境信号采集处理，以得到在时间上连续的初始环境参数序列；其中，所述环境传感器序列至少包括温度传感器和湿度传感器，所述初始环境参数序列至少包括温度信号参数和湿度信号参数；采用预设的图像传感器，对预设的多个柑橘植株进行图像采集处理，以得到多张柑橘图像；根据预设的聚类算法，对所述多张柑橘图像进行聚类处理，从而将所述多张柑橘图像划分为多个柑橘组；从所述多个柑橘组中获取最大数量柑橘组；其中在所述多个柑橘组中，所述最大数量柑橘组的成员数量大于其他柑橘组的成员数量。共中，预设的待种植林地用于种植柑橘植株，而所述环境传感器序列进行持续环境信号采集处理，其目的在于获取柑橘植株种植林地的环境特征，并以此作为后续的多个环境对应的环境参数的调整依据。所述环境传感器序列至少包括温度传感器和湿度传感器，另外，所述环境传感器还能够包括更多可行的传感器，优选包括能够反应柑橘植株生长的环境信号的传感器，更优选能够采集反应柑橘木虱喜好的环境信号的传感器。再采用预设的图像传感器，对预设的多个柑橘植株进行图像采集处理，以得到多张柑橘图像；所述图像传感器例如为可见光摄像头。根据预设的聚类算法，对所述多张柑橘图像进行聚类处理，从而将所述多张柑橘图像划分为多个柑橘组；从所述多个柑橘组中获取最大数量柑橘组；其中在所述多个柑橘组中，所述最大数量柑橘组的成员数量大于其他柑橘组的成员数量，从而能够保证得到的最大数量柑橘组具有足够的柑橘样本，以便后续步骤的顺利进行。其中，柑橘图像进行聚类处理可采用任意可行方法，例如采用传统的图像聚类方法处理即可，目的在于将柑橘植株进行分类。
如上述步骤S5-S8所述，提取所述最大数量柑橘组中的第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本，再将所述第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本分别种植在预设的第一环境、第二环境、…、第n环境中；其中，所述第一环境、第二环境、…、第n环境分别对应的环境参数序列各不相同，并且所述第一环境、第二环境、…、第n环境分别对应的环境参数序列与所述初始环境参数序列均不同；其中n为大于5的整数；对所述第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本进行持续图像采集处理，并且在进行持续图像采集处理的过程中，引入带有黄龙病病原菌的柑橘木虱，以得到所述第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本在病变过程中对应的在时间上连续的第一图像序列、第二图像序列、…、第n图像序列；将所述第一图像序列、第二图像序列、…、第n图像序列分别输入预设的病变程度预测模型中进行处理，从而对应得到所述病变程度预测模型输出的第一病变预测数值、第二病变预测数值、…、第n病变预测数值；从所述第一病变预测数值、第二病变预测数值、…、第n病变预测数值中选出最大病变预测数值，并根据病变预测数值-柑橘植株样本-环境-环境参数序列的对应关系，获取与所述最大病变预测数值对应的指定环境参数序列。
其中，所述第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本由于是来自同一个柑橘组，即最大数量柑橘组中的，因此所述第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本具有相似的特性。再将所述第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本分别种植在预设的第一环境、第二环境、…、第n环境中；其中，所述第一环境、第二环境、…、第n环境分别对应的环境参数序列各不相同，并且所述第一环境、第二环境、…、第n环境分别对应的环境参数序列与所述初始环境参数序列均不同；其中n为大于5的整数。从而，在后续的生长过程中，影响柑橘植株的主要因素就是环境因素。需要注意的是，本申请的一个特点即在于设置不同的环境，以找出最易发病的指定环境参数序列，再借此进行黄龙病预警。对所述第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本进行持续图像采集处理，并且在进行持续图像采集处理的过程中，引入带有黄龙病病原菌的柑橘木虱，以得到所述第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本在病变过程中对应的在时间上连续的第一图像序列、第二图像序列、…、第n图像序列；将所述第一图像序列、第二图像序列、…、第n图像序列分别输入预设的病变程度预测模型中进行处理，从而对应得到所述病变程度预测模型输出的第一病变预测数值、第二病变预测数值、…、第n病变预测数值。其中，所有的柑橘植株样本均引入了带有黄龙病病原菌的柑橘木虱，因此在图像采集的过程中，也即是黄龙病发展过程的时间，因此第一图像序列、第二图像序列、…、第n图像序列分别承载对应的柑橘植株在黄龙病病变过程的信息。其中，所述病变程度预测模型可以为任意可行模型，例如为基于有监督训练的机器学习模型。而得到的第一病变预测数值、第二病变预测数值、…、第n病变预测数值，则分别反应了在不同环境下相似的柑橘植株的黄龙病病变程度。再从所述第一病变预测数值、第二病变预测数值、…、第n病变预测数值中选出最大病变预测数值，并根据病变预测数值-柑橘植株样本-环境-环境参数序列的对应关系，获取与所述最大病变预测数值对应的指定环境参数序列。此时，得到的指定环境参数序列对应的环境就是最易得黄龙病的环境。
进一步地，所述将所述第一图像序列、第二图像序列、…、第n图像序列分别输入预设的病变程度预测模型中进行处理，从而对应得到所述病变程度预测模型输出的第一病变预测数值、第二病变预测数值、…、第n病变预测数值的步骤S7之前，包括：
S61、采用预设的图像传感器，对预设的多个参考柑橘植株对应进行持续图像采集处理，以分别得到多个参考图像序列；其中所述多个参考柑橘植株包括带黄龙病植株和未带黄龙病植株，每个参考图像序列在时间上均连续，每个参考图像序列标记了对应的参考柑橘植株的病变程度，未带黄龙病植株对应的病变程度记为0；
S62、根据预设的划分比例，将所述多个参考图像序列划分为训练图像序列和验证图像序列；
S63、调取预设的由一个卷积神经网络子模型和一个长短期记忆子模型连接而构成的暂时模型，并将所述训练图像序列输入所述暂时模型中进行训练，从而得到中间模型；其中，所述卷积神经网络子模型由依次连接的输入层、隐含层和输出层构成，所述长短期记忆子模型由依次连接的第一长短期记忆网络和第二长短期记忆网络构成，所述隐含层还连接所述第一长短期记忆网络，并且所述隐含层的输出同时传递给所述输出层和所述第一长短期记忆网络；
S64、利用所述验证图像序列对所述中间模型进行验证处理，以得到验证结果，并判断验证结果是否通过；其中，验证结果通过的标准为所述卷积神经网络子模型的输出层的输出结果、所述第二长短期记忆网络的输出结果均与验证图像序列对应标记的病变程度相同；
S65、若验证结果通过，则将所述中间模型记为病变程度预测模型。
从而得到病变程度预测模型。其中，本申请的病变程度预测模型对应的暂时模型是特殊的模型，其由一个卷积神经网络子模型和一个长短期记忆子模型连接而构成，因此这种特殊的模型具有三种模型，即全通道模式(在训练时使用)，第一单通道模式和第二单通道模式，分别在不同状况下使用，因此不仅训练得到的模型的准确性更高，并且在使用时的反应速度也更快。并且，这种特殊的模型还采用了长短期记忆子模型，其是使用长短期记忆网络的模型，其中长短期记忆网络是一种时间递归神经网络，能够解决长序依赖问题，与本申请特地使用的时间上连续的信号(即，所述多个第一传感信号序列中的每一个序列均至少包括在时间上连续的多个图像传感信号)的适配性更高。其中的第一长短期记忆网络和第二长短期记忆网络，分别用于编码和解码，其中的编码指将输入的信息转换为指定长度的向量序列，解码指将输入的向量序列转换为预测的向量序列。其中，第一长短期记忆网络可根据公式：Pt＝LSTMe(Ut,Pt-1)进行编码处理，从而得到与所述多个初始向量分别对应的多个编码向量；其中，Pt为对应于第t个时间段的编码向量，Pt-1为对应于第t-1个时间段的编码向量，Ut为第二传感信号中的第t个时间段的信号，LSTMe指利用第一长短期记忆网络进行编码计算，t为第t个时间段。第二长短期记忆网络的解码可采用公式：
Figure BDA0002920782090000121
Figure BDA0002920782090000122
eij＝score(si,hj)，
Figure BDA0002920782090000123
其中ci为所述第一长短期记忆网络中最终向量，aij为权重参数，共有n个时间段，si为所述第二长短期记忆网络中的第i个状态向量，score(si,hj)指采用预设的score函数根据si和hj计算出的分数，WC为权重值，p为输出概率，yt为第二长短期记忆网络的对应第t个时间段的输出，x为输入。所述预设的划分比例例如为9:1。其中，在训练时，利用的是模型的全通道模式，并且训练通过的标准为，为所述卷积神经网络子模型的输出层的输出结果、所述第二长短期记忆网络的输出结果均与验证图像序列对应标记的病变程度相同，因此虽然训练速度较慢，但准确性更高。最后，若验证结果通过，则将所述中间模型记为病变程度预测模型，从而得到了准备性高，反应快的病变程度预测模型。
进一步地，所述将所述第一图像序列、第二图像序列、…、第n图像序列分别输入预设的病变程度预测模型中进行处理，从而对应得到所述病变程度预测模型输出的第一病变预测数值、第二病变预测数值、…、第n病变预测数值的步骤S7，包括：
S701、将所述病变程度预测模型的模式修改为第一单通道模式，以使输入数据只能依次经过所述病变程度预测模型中的卷积神经网络子模型中的输入层、隐含层、所述长短期记忆子模型的第一长短期记忆网络和第二长短期记忆网络，但不经过所述卷积神经网络子模型的输出层；
S702、将所述第一图像序列、第二图像序列、…、第n图像序列分别输入所述病变程度预测模型中进行处理，以使所述第一图像序列、第二图像序列、…、第n图像序列分别经过所述病变程度预测模型中的卷积神经网络子模型中的输入层、隐含层、所述长短期记忆子模型的第一长短期记忆网络和第二长短期记忆网络，从而对应得到第一病变预测数值、第二病变预测数值、…、第n病变预测数值。
从而利用修改为第一单通道模式的病变程度预测模型，实现了图像的快速分析，提高了病变预测数据的获取速度。其中，所述第一单通道模式，能够使输入数据只能依次经过所述病变程度预测模型中的卷积神经网络子模型中的输入层、隐含层、所述长短期记忆子模型的第一长短期记忆网络和第二长短期记忆网络，但不经过所述卷积神经网络子模型的输出层，从而仍然能够利用长短期记忆网络解释长时依赖的问题，因此病变预测数值的可靠性得到了保证，并且预测速度得到了提高。
进一步地，所述根据所述预警柑橘图像，判断所述预警柑橘图像对应的柑橘植株是否发生病变的步骤S11，包括：
S1101、将所述病变程度预测模型的模式修改为第二单通道模式，以使输入数据只能依次经过所述病变程度预测模型中的卷积神经网络子模型中的输入层、隐含层和输出层；
S1102、将所述预警柑橘图像输入所述病变程度预测模型中，以使所述预警柑橘图像依次经过所述病变程度预测模型中的卷积神经网络子模型中的输入层、隐含层和输出层，从而得到输出的预警病变程度数值；
S1103、判断所述预警病变程度数值是否大于预设的病变程度阈值；
S1104、若所述预警病变程度数值大于预设的病变程度阈值，则判定所述预警柑橘图像对应的柑橘植株发生了病变。
从而利用修改为第二单通道模式的病变程度预测模型，实现了预警柑橘图像的快速分析，提高了预警病变程度数值的获取速度。需要注意的是，预警柑橘图像实质上最重要的是最后时间段里的图像，因此相对而言，更为复杂的长短期记忆网络能够解决的长时依赖的问题在此时并不重要。因此，通过将所述病变程度预测模型的模式修改为第二单通道模式，以使输入数据只能依次经过所述病变程度预测模型中的卷积神经网络子模型中的输入层、隐含层和输出层，从而避过了长短期记忆网络，进而提高了预警病变程度数值的获取速度，并且，由于所述病变程度预测模型中的卷积神经网络子模型中的输入层、隐含层和输出层是经过同时训练得到的，因此在对预警柑橘图像的分析的准确性也能够得到保证。再判断所述预警病变程度数值是否大于预设的病变程度阈值；若所述预警病变程度数值大于预设的病变程度阈值，则判定所述预警柑橘图像对应的柑橘植株发生了病变。
如上述步骤S9-S12所述，在所述待种植林地中采用牺牲布设的方式种植柑橘植株，其中所述牺牲布设指，待种植林地划分为多个正常区域和多个牺牲区域，所述正常区域和所述牺牲区域均种植所述最大数量柑橘组中的柑橘植株，所述正常区域的环境参数为所述初始环境参数序列，所述牺牲区域的环境参数为所述指定环境参数序列；所述多个牺牲区域之间互不相连；对所述牺牲区域中的柑橘植株进行图像采集处理，以得到预警柑橘图像；根据所述预警柑橘图像，判断所述预警柑橘图像对应的柑橘植株是否发生病变；若所述预警柑橘图像对应的柑橘植株发生病变，则根据预设的治疗策略对指定范围内的柑橘植株进行治疗处理，其中所述指定范围指离所述预警柑橘图像对应的柑橘植株的距离小于预设的距离阈值的范围，所述治疗策略至少包括利用蒸汽加热技术进行治疗。
本申请的另一个优点在于，采用牺牲布设的方式种植柑橘植株，而所述牺牲布设能够布设牺牲区域，牺牲区域中的环境参数为所述指定环境参数序列，因此相对而言，若存在黄龙病风险，相较于正常区域中的柑橘植株，牺牲区域中的柑橘植株会更易染病。因此，只需对牺牲区域中的柑橘植株进行观测，就能够实现黄龙病的预警，这解决了难以对所有柑橘植株均进行详细观测的问题。因此，本申请的牺牲区域的设置是为了实现对正常区域的预警，因此所述多个牺牲区域之间互不相连。其中，多个正常区域和多个牺牲区域可采用任意可行的形状。再对所述牺牲区域中的柑橘植株进行图像采集处理，以得到预警柑橘图像；根据所述预警柑橘图像，判断所述预警柑橘图像对应的柑橘植株是否发生病变；若所述预警柑橘图像对应的柑橘植株发生病变，则根据预设的治疗策略对指定范围内的柑橘植株进行治疗处理，其中所述指定范围指离所述预警柑橘图像对应的柑橘植株的距离小于预设的距离阈值的范围，所述治疗策略至少包括利用蒸汽加热技术进行治疗。其中，所述根据所述预警柑橘图像，判断所述预警柑橘图像对应的柑橘植株是否发生病变可采用任意可行方式实现，例如通过与预先收集的黄龙病病变的柑橘图像进行对比，再根据对比得到的相似度值，以确定是否发生病变。或者，也可以采用前述的病变程度预测模型对所述预警柑橘图像进行处理，以确定柑橘植株是否发生病变。其中，所述指定范围与所述预警柑橘图像对应的柑橘植株的病变程度正相关，即所述预警柑橘图像对应的柑橘植株病变越严重，那么所述预警柑橘图像对应的柑橘植株病可能将黄龙病传染至更广的范围，因此指定范围越大。因此，可以提前设置好病变程度与范围的对应表，再通过查询该对应表，即可得知指定范围。而该对应表，可以通过对已病变的柑橘植株的传染范围进行实地检测得到。并且，本申请采用的所述治疗策略至少包括利用蒸汽加热技术进行治疗，需要注意的是，本申请的蒸汽加热技术虽然目的在于治疗柑橘植株，但更重要的目的在于防止黄龙病的扩散。
进一步地，所述根据预设的治疗策略对指定范围内的柑橘植株进行治疗处理的步骤S12，包括：
S1201、采用PVC透明塑料膜对所述指定范围内的柑橘植株进行包围处理，以形成除在表面开设有通孔之外的封闭空间；
S1202、控制预设的蒸汽发生器以生成蒸汽，并经由蒸汽管道，将蒸汽从通孔引入所述封闭空间中；
S1203、获取预设于所述封闭空间内的温度传感器的感应到的温度数据，并在所述温度数据达到预设温度数值后，开启预设的计时器；
S1204、持续向所述封闭空间中输送蒸汽，直到所述计时器的示数达到预设时间数值，关闭所述蒸汽发生器，从而对指定范围内的柑橘植株进行蒸汽加热治疗处理。
从而实现了治疗染病的柑橘植株。其中，由于本申请目的在于治疗柑橘植株，但更重要的目的在于防止黄龙病的扩散，因此采用的蒸汽的温度可以更高，持续时间可以更长，从而以损失部分柑橘植株作为代价，确保控制黄龙病不扩散。其中，所述预设温度数值例如为45～55℃，并且在黄龙病病情严重时，可提高至65-75℃(此时，柑橘植株会受到较大伤害，但能够保证防止黄龙病的扩散)。所述预设时间数值与柑橘植株相关，柑橘植株的冠层越大，则预设时间数值越大，具体数值例如为10～20分钟，并且在黄龙病病情严重时，可提高至30分钟。通过上述蒸汽加热后，染病柑橘植株内的黄龙病病菌会被消灭，但柑橘植株仍然是存活的，达到治疗柑橘黄龙病的目的，并且若存在部分柑橘植株死亡的情况，也仍能够实现防止黄龙病扩散的目的。
本申请的基于环境参数序列的黄龙病预警方法，通过特别的设计，实现了黄龙病预警，从而及时做出应对，能够有效减少黄龙病带来的损失。具体地，对预设的待种植林地进行持续环境信号采集处理，以得到在时间上连续的初始环境参数序列；对预设的多个柑橘植株进行图像采集处理，以得到多张柑橘图像；对所述多张柑橘图像进行聚类处理，从而将所述多张柑橘图像划分为多个柑橘组；从所述多个柑橘组中获取最大数量柑橘组；提取所述最大数量柑橘组中的第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本，再将所述第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本分别种植在预设的第一环境、第二环境、…、第n环境中；得到第一图像序列、第二图像序列、…、第n图像序列；对应得到所述病变程度预测模型输出的第一病变预测数值、第二病变预测数值、…、第n病变预测数值；获取与最大病变预测数值对应的指定环境参数序列；在所述待种植林地中采用牺牲布设的方式种植柑橘植株；对所述牺牲区域中的柑橘植株进行图像采集处理，以得到预警柑橘图像；根据所述预警柑橘图像，判断所述预警柑橘图像对应的柑橘植株是否发生病变；若所述预警柑橘图像对应的柑橘植株发生病变，则根据预设的治疗策略对指定范围内的柑橘植株进行治疗处理。
参照图2，本申请实施例提供一种基于环境参数序列的黄龙病预警装置，包括：
初始环境参数序列获取单元，用于采用预设的环境传感器序列，对预设的待种植林地进行持续环境信号采集处理，以得到在时间上连续的初始环境参数序列；其中，所述环境传感器序列至少包括温度传感器和湿度传感器，所述初始环境参数序列至少包括温度信号参数和湿度信号参数；
多张柑橘图像获取单元，用于采用预设的图像传感器，对预设的多个柑橘植株进行图像采集处理，以得到多张柑橘图像；
柑橘图像聚类单元，用于根据预设的聚类算法，对所述多张柑橘图像进行聚类处理，从而将所述多张柑橘图像划分为多个柑橘组；
最大数量柑橘组获取单元，用于从所述多个柑橘组中获取最大数量柑橘组；其中在所述多个柑橘组中，所述最大数量柑橘组的成员数量大于其他柑橘组的成员数量；
柑橘植株样本提取单元，用于提取所述最大数量柑橘组中的第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本，再将所述第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本分别种植在预设的第一环境、第二环境、…、第n环境中；其中，所述第一环境、第二环境、…、第n环境分别对应的环境参数序列各不相同，并且所述第一环境、第二环境、…、第n环境分别对应的环境参数序列与所述初始环境参数序列均不同；其中n为大于5的整数；
图像序列获取单元，用于对所述第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本进行持续图像采集处理，并且在进行持续图像采集处理的过程中，引入带有黄龙病病原菌的柑橘木虱，以得到所述第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本在病变过程中对应的在时间上连续的第一图像序列、第二图像序列、…、第n图像序列；
病变预测数值获取单元，用于将所述第一图像序列、第二图像序列、…、第n图像序列分别输入预设的病变程度预测模型中进行处理，从而对应得到所述病变程度预测模型输出的第一病变预测数值、第二病变预测数值、…、第n病变预测数值；
指定环境参数序列获取单元，用于从所述第一病变预测数值、第二病变预测数值、…、第n病变预测数值中选出最大病变预测数值，并根据病变预测数值-柑橘植株样本-环境-环境参数序列的对应关系，获取与所述最大病变预测数值对应的指定环境参数序列；
牺牲布设单元，用于在所述待种植林地中采用牺牲布设的方式种植柑橘植株，其中所述牺牲布设指，待种植林地划分为多个正常区域和多个牺牲区域，所述正常区域和所述牺牲区域均种植所述最大数量柑橘组中的柑橘植株，所述正常区域的环境参数为所述初始环境参数序列，所述牺牲区域的环境参数为所述指定环境参数序列；所述多个牺牲区域之间互不相连；
预警柑橘图像获取单元，用于对所述牺牲区域中的柑橘植株进行图像采集处理，以得到预警柑橘图像；
预警柑橘图像判断单元，用于根据所述预警柑橘图像，判断所述预警柑橘图像对应的柑橘植株是否发生病变；
治疗处理单元，用于若所述预警柑橘图像对应的柑橘植株发生病变，则根据预设的治疗策略对指定范围内的柑橘植株进行治疗处理，其中所述指定范围指离所述预警柑橘图像对应的柑橘植株的距离小于预设的距离阈值的范围，所述治疗策略至少包括利用蒸汽加热技术进行治疗。
其中上述单元分别用于执行的操作与前述实施方式的基于环境参数序列的黄龙病预警方法的步骤一一对应,在此不再赘述。
本申请的基于环境参数序列的黄龙病预警装置，通过特别的设计，实现了黄龙病预警，从而及时做出应对，能够有效减少黄龙病带来的损失。具体地，对预设的待种植林地进行持续环境信号采集处理，以得到在时间上连续的初始环境参数序列；对预设的多个柑橘植株进行图像采集处理，以得到多张柑橘图像；对所述多张柑橘图像进行聚类处理，从而将所述多张柑橘图像划分为多个柑橘组；从所述多个柑橘组中获取最大数量柑橘组；提取所述最大数量柑橘组中的第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本，再将所述第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本分别种植在预设的第一环境、第二环境、…、第n环境中；得到第一图像序列、第二图像序列、…、第n图像序列；对应得到所述病变程度预测模型输出的第一病变预测数值、第二病变预测数值、…、第n病变预测数值；获取与最大病变预测数值对应的指定环境参数序列；在所述待种植林地中采用牺牲布设的方式种植柑橘植株；对所述牺牲区域中的柑橘植株进行图像采集处理，以得到预警柑橘图像；根据所述预警柑橘图像，判断所述预警柑橘图像对应的柑橘植株是否发生病变；若所述预警柑橘图像对应的柑橘植株发生病变，则根据预设的治疗策略对指定范围内的柑橘植株进行治疗处理。
参照图3，本发明实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于环境参数序列的黄龙病预警方法所用数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于环境参数序列的黄龙病预警方法。
上述处理器执行上述基于环境参数序列的黄龙病预警方法，其中所述方法包括的步骤分别与执行前述实施方式的基于环境参数序列的黄龙病预警方法的步骤一一对应,在此不再赘述。
本领域技术人员可以理解，图中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请的计算机设备，通过特别的设计，实现了黄龙病预警，从而及时做出应对，能够有效减少黄龙病带来的损失。具体地，对预设的待种植林地进行持续环境信号采集处理，以得到在时间上连续的初始环境参数序列；对预设的多个柑橘植株进行图像采集处理，以得到多张柑橘图像；对所述多张柑橘图像进行聚类处理，从而将所述多张柑橘图像划分为多个柑橘组；从所述多个柑橘组中获取最大数量柑橘组；提取所述最大数量柑橘组中的第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本，再将所述第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本分别种植在预设的第一环境、第二环境、…、第n环境中；得到第一图像序列、第二图像序列、…、第n图像序列；对应得到所述病变程度预测模型输出的第一病变预测数值、第二病变预测数值、…、第n病变预测数值；获取与最大病变预测数值对应的指定环境参数序列；在所述待种植林地中采用牺牲布设的方式种植柑橘植株；对所述牺牲区域中的柑橘植株进行图像采集处理，以得到预警柑橘图像；根据所述预警柑橘图像，判断所述预警柑橘图像对应的柑橘植株是否发生病变；若所述预警柑橘图像对应的柑橘植株发生病变，则根据预设的治疗策略对指定范围内的柑橘植株进行治疗处理。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现基于环境参数序列的黄龙病预警方法，其中所述方法包括的步骤分别与执行前述实施方式的基于环境参数序列的黄龙病预警方法的步骤一一对应,在此不再赘述。
本申请的计算机可读存储介质，通过特别的设计，实现了黄龙病预警，从而及时做出应对，能够有效减少黄龙病带来的损失。具体地，对预设的待种植林地进行持续环境信号采集处理，以得到在时间上连续的初始环境参数序列；对预设的多个柑橘植株进行图像采集处理，以得到多张柑橘图像；对所述多张柑橘图像进行聚类处理，从而将所述多张柑橘图像划分为多个柑橘组；从所述多个柑橘组中获取最大数量柑橘组；提取所述最大数量柑橘组中的第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本，再将所述第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本分别种植在预设的第一环境、第二环境、…、第n环境中；得到第一图像序列、第二图像序列、…、第n图像序列；对应得到所述病变程度预测模型输出的第一病变预测数值、第二病变预测数值、…、第n病变预测数值；获取与最大病变预测数值对应的指定环境参数序列；在所述待种植林地中采用牺牲布设的方式种植柑橘植株；对所述牺牲区域中的柑橘植株进行图像采集处理，以得到预警柑橘图像；根据所述预警柑橘图像，判断所述预警柑橘图像对应的柑橘植株是否发生病变；若所述预警柑橘图像对应的柑橘植株发生病变，则根据预设的治疗策略对指定范围内的柑橘植株进行治疗处理。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序或指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (6)

1.一种基于环境参数序列的黄龙病预警方法，其特征在于，包括：
S1、采用预设的环境传感器序列，对预设的待种植林地进行持续环境信号采集处理，以得到在时间上连续的初始环境参数序列；其中，所述环境传感器序列至少包括温度传感器和湿度传感器，所述初始环境参数序列至少包括温度信号参数和湿度信号参数；
S2、采用预设的图像传感器，对预设的多个柑橘植株进行图像采集处理，以得到多张柑橘图像；
S3、根据预设的聚类算法，对所述多张柑橘图像进行聚类处理，从而将所述多张柑橘图像划分为多个柑橘组；
S4、从所述多个柑橘组中获取最大数量柑橘组；其中在所述多个柑橘组中，所述最大数量柑橘组的成员数量大于其他柑橘组的成员数量；
S5、提取所述最大数量柑橘组中的第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本，再将所述第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本分别种植在预设的第一环境、第二环境、…、第n环境中；其中，所述第一环境、第二环境、…、第n环境分别对应的环境参数序列各不相同，并且所述第一环境、第二环境、…、第n环境分别对应的环境参数序列与所述初始环境参数序列均不同；其中n为大于5的整数；
S6、对所述第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本进行持续图像采集处理，并且在进行持续图像采集处理的过程中，引入带有黄龙病病原菌的柑橘木虱，以得到所述第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本在病变过程中对应的在时间上连续的第一图像序列、第二图像序列、…、第n图像序列；
S7、将所述第一图像序列、第二图像序列、…、第n图像序列分别输入预设的病变程度预测模型中进行处理，从而对应得到所述病变程度预测模型输出的第一病变预测数值、第二病变预测数值、…、第n病变预测数值；
S8、从所述第一病变预测数值、第二病变预测数值、…、第n病变预测数值中选出最大病变预测数值，并根据病变预测数值-柑橘植株样本-环境-环境参数序列的对应关系，获取与所述最大病变预测数值对应的指定环境参数序列；
S9、在所述待种植林地中采用牺牲布设的方式种植柑橘植株，其中所述牺牲布设指，待种植林地划分为多个正常区域和多个牺牲区域，所述正常区域和所述牺牲区域均种植所述最大数量柑橘组中的柑橘植株，所述正常区域的环境参数为所述初始环境参数序列，所述牺牲区域的环境参数为所述指定环境参数序列；所述多个牺牲区域之间互不相连；
S10、对所述牺牲区域中的柑橘植株进行图像采集处理，以得到预警柑橘图像；
S11、根据所述预警柑橘图像，判断所述预警柑橘图像对应的柑橘植株是否发生病变；
S12、若所述预警柑橘图像对应的柑橘植株发生病变，则根据预设的治疗策略对指定范围内的柑橘植株进行治疗处理，其中所述指定范围指离所述预警柑橘图像对应的柑橘植株的距离小于预设的距离阈值的范围，所述治疗策略至少包括利用蒸汽加热技术进行治疗；
所述将所述第一图像序列、第二图像序列、…、第n图像序列分别输入预设的病变程度预测模型中进行处理，从而对应得到所述病变程度预测模型输出的第一病变预测数值、第二病变预测数值、…、第n病变预测数值的步骤S7之前，包括：
S61、采用预设的图像传感器，对预设的多个参考柑橘植株对应进行持续图像采集处理，以分别得到多个参考图像序列；其中所述多个参考柑橘植株包括带黄龙病植株和未带黄龙病植株，每个参考图像序列在时间上均连续，每个参考图像序列标记了对应的参考柑橘植株的病变程度，未带黄龙病植株对应的病变程度记为0；
S62、根据预设的划分比例，将所述多个参考图像序列划分为训练图像序列和验证图像序列；
S63、调取预设的由一个卷积神经网络子模型和一个长短期记忆子模型连接而构成的暂时模型，并将所述训练图像序列输入所述暂时模型中进行训练，从而得到中间模型；其中，所述卷积神经网络子模型由依次连接的输入层、隐含层和输出层构成，所述长短期记忆子模型由依次连接的第一长短期记忆网络和第二长短期记忆网络构成，所述隐含层还连接所述第一长短期记忆网络，并且所述隐含层的输出同时传递给所述输出层和所述第一长短期记忆网络；
S64、利用所述验证图像序列对所述中间模型进行验证处理，以得到验证结果，并判断验证结果是否通过；其中，验证结果通过的标准为所述卷积神经网络子模型的输出层的输出结果、所述第二长短期记忆网络的输出结果均与验证图像序列对应标记的病变程度相同；
S65、若验证结果通过，则将所述中间模型记为病变程度预测模型；
所述将所述第一图像序列、第二图像序列、…、第n图像序列分别输入预设的病变程度预测模型中进行处理，从而对应得到所述病变程度预测模型输出的第一病变预测数值、第二病变预测数值、…、第n病变预测数值的步骤S7，包括：
S701、将所述病变程度预测模型的模式修改为第一单通道模式，以使输入数据只能依次经过所述病变程度预测模型中的卷积神经网络子模型中的输入层、隐含层、所述长短期记忆子模型的第一长短期记忆网络和第二长短期记忆网络，但不经过所述卷积神经网络子模型的输出层；
S702、将所述第一图像序列、第二图像序列、…、第n图像序列分别输入所述病变程度预测模型中进行处理，以使所述第一图像序列、第二图像序列、…、第n图像序列分别经过所述病变程度预测模型中的卷积神经网络子模型中的输入层、隐含层、所述长短期记忆子模型的第一长短期记忆网络和第二长短期记忆网络，从而对应得到第一病变预测数值、第二病变预测数值、…、第n病变预测数值。
2.根据权利要求1所述的基于环境参数序列的黄龙病预警方法，其特征在于，所述根据所述预警柑橘图像，判断所述预警柑橘图像对应的柑橘植株是否发生病变的步骤S11，包括：
S1101、将所述病变程度预测模型的模式修改为第二单通道模式，以使输入数据只能依次经过所述病变程度预测模型中的卷积神经网络子模型中的输入层、隐含层和输出层；
S1102、将所述预警柑橘图像输入所述病变程度预测模型中，以使所述预警柑橘图像依次经过所述病变程度预测模型中的卷积神经网络子模型中的输入层、隐含层和输出层，从而得到输出的预警病变程度数值；
S1103、判断所述预警病变程度数值是否大于预设的病变程度阈值；
S1104、若所述预警病变程度数值大于预设的病变程度阈值，则判定所述预警柑橘图像对应的柑橘植株发生了病变。
3.根据权利要求1所述的基于环境参数序列的黄龙病预警方法，其特征在于，所述根据预设的治疗策略对指定范围内的柑橘植株进行治疗处理的步骤S12，包括：
S1201、采用PVC透明塑料膜对所述指定范围内的柑橘植株进行包围处理，以形成除在表面开设有通孔之外的封闭空间；
S1202、控制预设的蒸汽发生器以生成蒸汽，并经由蒸汽管道，将蒸汽从通孔引入所述封闭空间中；
S1203、获取预设于所述封闭空间内的温度传感器的感应到的温度数据，并在所述温度数据达到预设温度数值后，开启预设的计时器；
S1204、持续向所述封闭空间中输送蒸汽，直到所述计时器的示数达到预设时间数值，关闭所述蒸汽发生器，从而对指定范围内的柑橘植株进行蒸汽加热治疗处理。
4.一种基于环境参数序列的黄龙病预警装置，其特征在于，包括：
初始环境参数序列获取单元，用于采用预设的环境传感器序列，对预设的待种植林地进行持续环境信号采集处理，以得到在时间上连续的初始环境参数序列；其中，所述环境传感器序列至少包括温度传感器和湿度传感器，所述初始环境参数序列至少包括温度信号参数和湿度信号参数；
多张柑橘图像获取单元，用于采用预设的图像传感器，对预设的多个柑橘植株进行图像采集处理，以得到多张柑橘图像；
柑橘图像聚类单元，用于根据预设的聚类算法，对所述多张柑橘图像进行聚类处理，从而将所述多张柑橘图像划分为多个柑橘组；
最大数量柑橘组获取单元，用于从所述多个柑橘组中获取最大数量柑橘组；其中在所述多个柑橘组中，所述最大数量柑橘组的成员数量大于其他柑橘组的成员数量；
柑橘植株样本提取单元，用于提取所述最大数量柑橘组中的第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本，再将所述第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本分别种植在预设的第一环境、第二环境、…、第n环境中；其中，所述第一环境、第二环境、…、第n环境分别对应的环境参数序列各不相同，并且所述第一环境、第二环境、…、第n环境分别对应的环境参数序列与所述初始环境参数序列均不同；其中n为大于5的整数；
图像序列获取单元，用于对所述第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本进行持续图像采集处理，并且在进行持续图像采集处理的过程中，引入带有黄龙病病原菌的柑橘木虱，以得到所述第一柑橘植株样本、第二柑橘植株样本、…、第n柑橘植株样本在病变过程中对应的在时间上连续的第一图像序列、第二图像序列、…、第n图像序列；
病变预测数值获取单元，用于将所述第一图像序列、第二图像序列、…、第n图像序列分别输入预设的病变程度预测模型中进行处理，从而对应得到所述病变程度预测模型输出的第一病变预测数值、第二病变预测数值、…、第n病变预测数值；
指定环境参数序列获取单元，用于从所述第一病变预测数值、第二病变预测数值、…、第n病变预测数值中选出最大病变预测数值，并根据病变预测数值-柑橘植株样本-环境-环境参数序列的对应关系，获取与所述最大病变预测数值对应的指定环境参数序列；
牺牲布设单元，用于在所述待种植林地中采用牺牲布设的方式种植柑橘植株，其中所述牺牲布设指，待种植林地划分为多个正常区域和多个牺牲区域，所述正常区域和所述牺牲区域均种植所述最大数量柑橘组中的柑橘植株，所述正常区域的环境参数为所述初始环境参数序列，所述牺牲区域的环境参数为所述指定环境参数序列；所述多个牺牲区域之间互不相连；
预警柑橘图像获取单元，用于对所述牺牲区域中的柑橘植株进行图像采集处理，以得到预警柑橘图像；
预警柑橘图像判断单元，用于根据所述预警柑橘图像，判断所述预警柑橘图像对应的柑橘植株是否发生病变；
治疗处理单元，用于若所述预警柑橘图像对应的柑橘植株发生病变，则根据预设的治疗策略对指定范围内的柑橘植株进行治疗处理，其中所述指定范围指离所述预警柑橘图像对应的柑橘植株的距离小于预设的距离阈值的范围，所述治疗策略至少包括利用蒸汽加热技术进行治疗；
所述将所述第一图像序列、第二图像序列、…、第n图像序列分别输入预设的病变程度预测模型中进行处理，从而对应得到所述病变程度预测模型输出的第一病变预测数值、第二病变预测数值、…、第n病变预测数值之前，包括：
采用预设的图像传感器，对预设的多个参考柑橘植株对应进行持续图像采集处理，以分别得到多个参考图像序列；其中所述多个参考柑橘植株包括带黄龙病植株和未带黄龙病植株，每个参考图像序列在时间上均连续，每个参考图像序列标记了对应的参考柑橘植株的病变程度，未带黄龙病植株对应的病变程度记为0；
根据预设的划分比例，将所述多个参考图像序列划分为训练图像序列和验证图像序列；
调取预设的由一个卷积神经网络子模型和一个长短期记忆子模型连接而构成的暂时模型，并将所述训练图像序列输入所述暂时模型中进行训练，从而得到中间模型；其中，所述卷积神经网络子模型由依次连接的输入层、隐含层和输出层构成，所述长短期记忆子模型由依次连接的第一长短期记忆网络和第二长短期记忆网络构成，所述隐含层还连接所述第一长短期记忆网络，并且所述隐含层的输出同时传递给所述输出层和所述第一长短期记忆网络；
利用所述验证图像序列对所述中间模型进行验证处理，以得到验证结果，并判断验证结果是否通过；其中，验证结果通过的标准为所述卷积神经网络子模型的输出层的输出结果、所述第二长短期记忆网络的输出结果均与验证图像序列对应标记的病变程度相同；
若验证结果通过，则将所述中间模型记为病变程度预测模型；
所述将所述第一图像序列、第二图像序列、…、第n图像序列分别输入预设的病变程度预测模型中进行处理，从而对应得到所述病变程度预测模型输出的第一病变预测数值、第二病变预测数值、…、第n病变预测数值，包括：
将所述病变程度预测模型的模式修改为第一单通道模式，以使输入数据只能依次经过所述病变程度预测模型中的卷积神经网络子模型中的输入层、隐含层、所述长短期记忆子模型的第一长短期记忆网络和第二长短期记忆网络，但不经过所述卷积神经网络子模型的输出层；
将所述第一图像序列、第二图像序列、…、第n图像序列分别输入所述病变程度预测模型中进行处理，以使所述第一图像序列、第二图像序列、…、第n图像序列分别经过所述病变程度预测模型中的卷积神经网络子模型中的输入层、隐含层、所述长短期记忆子模型的第一长短期记忆网络和第二长短期记忆网络，从而对应得到第一病变预测数值、第二病变预测数值、…、第n病变预测数值。
5.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至3中任一项所述方法的步骤。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至3中任一项所述的方法的步骤。
CN202110116324.1A 2021-01-28 2021-01-28 基于环境参数序列的黄龙病预警方法、装置和计算机设备 Active CN112836616B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110116324.1A CN112836616B (zh) 2021-01-28 2021-01-28 基于环境参数序列的黄龙病预警方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110116324.1A CN112836616B (zh) 2021-01-28 2021-01-28 基于环境参数序列的黄龙病预警方法、装置和计算机设备

Publications (2)

Publication Number Publication Date
CN112836616A CN112836616A (zh) 2021-05-25
CN112836616B true CN112836616B (zh) 2022-04-22

Family

ID=75932133

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110116324.1A Active CN112836616B (zh) 2021-01-28 2021-01-28 基于环境参数序列的黄龙病预警方法、装置和计算机设备

Country Status (1)

Country Link
CN (1) CN112836616B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109613022A (zh) * 2019-01-25 2019-04-12 华南农业大学 一种低空高光谱遥感检测柑橘黄龙病的方法、装置及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019028269A2 (en) * 2017-08-02 2019-02-07 Strong Force Iot Portfolio 2016, Llc METHODS AND SYSTEMS FOR DETECTION IN AN INDUSTRIAL ENVIRONMENT OF COLLECTING INTERNET DATA FROM OBJECTS WITH LARGE DATA SETS
CN109636791A (zh) * 2018-12-13 2019-04-16 华南农业大学 一种基于深度学习的柑橘黄龙病检测方法、装置及系统
CN111611991A (zh) * 2020-05-23 2020-09-01 中南大学 故障处理方法和装置、电子设备、计算机可读存储介质
CN112034912A (zh) * 2020-09-03 2020-12-04 山东锋士信息技术有限公司 一种基于实时反馈的温室作物病害防治方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109613022A (zh) * 2019-01-25 2019-04-12 华南农业大学 一种低空高光谱遥感检测柑橘黄龙病的方法、装置及系统

Also Published As

Publication number Publication date
CN112836616A (zh) 2021-05-25

Similar Documents

Publication Publication Date Title
Geetharamani et al. Identification of plant leaf diseases using a nine-layer deep convolutional neural network
Castañeda-Miranda et al. Internet of things for smart farming and frost intelligent control in greenhouses
Gokulnath Identifying and classifying plant disease using resilient LF-CNN
CN105678284B (zh) 一种固定位人体行为分析方法
CN110136103A (zh) 医学影像解释方法、装置、计算机设备及存储介质
Torres-Sospedra et al. Two-stage procedure based on smoothed ensembles of neural networks applied to weed detection in orange groves
CN111401444B (zh) 红酒原产地的预测方法、装置、计算机设备及存储介质
Nikith et al. Leaf disease detection and classification
Pratondo et al. Classification of apples using machine learning
CN116824205A (zh) 一种基于注意力多源特征融合的食用菌杂菌检测方法
CN112836616B (zh) 基于环境参数序列的黄龙病预警方法、装置和计算机设备
Jahagirdar et al. Framework to detect NPK deficiency in maize plants using CNN
Chethan et al. Mobile application for classification of plant leaf diseases using image processing and neural networks
Bavaskar et al. Image classification using deep learning algorithms for cotton crop disease detection
CN104714977B (zh) 一种实体与知识库项的关联方法及装置
Suresh et al. Real-time automatic detection and classification of groundnut leaf disease using hybrid machine learning techniques
Bandi et al. Leaf disease severity classification with explainable artificial intelligence using transformer networks
CN117708294A (zh) 一种农业知识问答方法、装置、存储介质及设备
Moiz et al. Classification of rice leaves diseases by deep CNN-transfer learning approach for improved Rice Agriculture
CN116704335A (zh) 一种猕猴桃溃疡监测方法、系统、设备及介质
CN112966550B (zh) 基于植株识别模型的黄龙病防治方法、装置和计算机设备
Mohinani et al. Vegetable and fruit leaf diseases detection using ResNet
Huang et al. Application of data augmentation and migration learning in identification of diseases and pests in tea trees
Bhoomika et al. Plant Leaf Disease Detection and Classification Using Deep Learning Technique
Wang et al. A deep object detection method for pineapple fruit and flower recognition in cluttered background

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
GR01 Patent grant
GR01 Patent grant