CN112883822A - 集预测与预防为一体的病虫害预测位置分析方法和装置 - Google Patents

Abstract

本申请揭示了一种集预测与预防为一体的病虫害预测位置分析方法，包括：进行波谱采集处理，得到多个第一波谱图像序列；进行人工标注处理，以标注上第一病虫害级别标签；进行再次波谱采集处理，得到多个第二波谱图像序列；进行人工标注处理，以标注上第二病虫害级别标签；筛选出第二指定波谱图像，筛选出第一指定波谱图像；执行数值修改操作，以得到多个第三波谱图像序列；划分序列；进行训练，从而得到中间模型；进行验证处理，以得到验证结果；若所述验证结果为验证通过，则记为病虫害位置预测模型；进行波谱采集处理，得到第四波谱图像序列；输入所述病虫害位置预测模型，得到病虫害预测位置；在三维模型中标注所述病虫害预测位置。

Description

集预测与预防为一体的病虫害预测位置分析方法和装置

技术领域

本申请涉及到计算机领域，特别是涉及到一种集预测与预防为一体的病虫害预测位置分析方法、装置、计算机设备和存储介质。

背景技术

在农业领域中，树木病虫害的治疗工作是需要重视的。普通的树木病虫害治疗方案，需要先对树木进行分析，以判断树木是否受到病虫害的侵扰，这种判断可以通过对树木的图像进行分析而实现，但只能判断出树木当前遭受的病虫害，而潜在的病虫害由于其隐藏较深(即表现出的特征较少)，传统的方案难以发现并进行预防。因此，现有的病虫害治疗工作存在不足。

发明内容

本申请提出一种集预测与预防为一体的病虫害预测位置分析方法，包括以下步骤：

S1、通过预设于无人机上的波谱接收器，对预设的多个树木样本进行波谱采集处理，从而对应得到多个第一波谱图像序列；其中，每个第一波谱图像序列中均包括在对应树木样本上的不同位置采集到的波谱图像；

S2、对所有的第一波谱图像序列均进行人工标注处理，以使每个第一波谱图像序列中的每个波谱图像均标注上第一病虫害级别标签；其中，第一病虫害级别标签的取值范围为[0,1]，并且当第一病虫害级别标签为0时，表示被标注的波谱图像对应的采集位置未受病虫害侵扰，而且第一病虫害级别标签的取值越大，表示被标注的波谱图像对应的采集位置受病虫害侵扰的程度越高；

S3、根据预设的治疗策略，对所述多个树木样本分别进行治疗处理，并在所述治疗策略的预计生效时间之后，通过预设于无人机上的波谱接收器，对所述多个树木样本进行再次波谱采集处理，从而对应得到多个第二波谱图像序列；其中，所述多个第二波谱图像序列与所述多个第一波谱图像序列一一对应；

S4、对所有的第二波谱图像序列均进行人工标注处理，以使每个第二波谱图像序列中的每个波谱图像均标注上第二病虫害级别标签；其中，第二病虫害级别标签的取值范围为[0,1]，并且当第二病虫害级别标签为0时，表示被标注的波谱图像对应的采集位置未受病虫害侵扰，而且第二病虫害级别标签的取值越大，表示被标注的波谱图像对应的采集位置受病虫害侵扰的程度越高；

S5、根据预设的波谱图像筛选方法，从第二波谱图像序列中筛选出第二指定波谱图像，并从第一波谱图像序列中筛选出第一指定波谱图像；其中，所述波谱图像筛选方法的筛选标准为，第二指定波谱图像与第一指定波谱图像符合第一波谱图像与第二波谱图像的对应关系，第二指定波谱图像的第二病虫害级别标签的数值大于0，第一指定波谱图像的第一病虫害级别标签的数值等于0；

S6、执行数值修改操作，以将所述第一指定波谱图像的第一病虫害级别标签的数值修改为所述第二指定波谱图像的第二病虫害级别标签的数值，从而得到与所述多个第一波谱图像序列对应的多个第三波谱图像序列；

S7、按预设的划分比例，将所述多个第三波谱图像序列划分为训练波谱图像序列和验证波谱图像序列；

S8、将所述训练波谱图像序列输入预设的神经网络模型中，以有监督学习的方式进行训练，从而得到中间模型；

S9、利用所述验证波谱图像序列对所述中间模型进行验证处理，以得到验证结果，并判断所述验证结果是否为验证通过；

S10、若所述验证结果为验证通过，则将所述中间模型记为病虫害位置预测模型；

S11、通过预设于无人机上的波谱接收器，对待分析树木进行波谱采集处理，从而得到第四波谱图像序列；

S12、将所述第四波谱图像序列输入所述病虫害位置预测模型中进行处理，从而得到所述病虫害位置预测模型输出的病虫害预测位置；

S13、调取预先构建的与所述待分析树木对应的三维模型，并在所述三维模型中标注所述病虫害预测位置。

进一步地，所述通过预设于无人机上的波谱接收器，对所述多个树木样本进行再次波谱采集处理，从而对应得到多个第二波谱图像序列的步骤S3中，无人机在对所述多个树木样本进行再次波谱采集处理时的气压高度、航偏角、俯仰角、滚转角、太阳光照角度和太阳光照强度，等于所述通过预设于无人机上的波谱接收器，对预设的多个树木样本进行波谱采集处理，从而对应得到多个第一波谱图像序列的步骤S1中，无人机在对所述多个树木样本进行波谱采集处理时的气压高度、航偏角、俯仰角、滚转角、太阳光照角度和太阳光照强度。

进一步地，所述按预设的划分比例，将所述多个第三波谱图像序列划分为训练波谱图像序列和验证波谱图像序列的步骤S7之前，包括：

S61、将第一病虫害级别标签的数值不为0的波谱图像进行备注为一级标签；

S62、将第二病虫害级别标签的数值不为0的波谱图像进行备注为二级标签；

所述将所述第四波谱图像序列输入所述病虫害位置预测模型中进行处理，从而得到所述病虫害位置预测模型输出的病虫害预测位置的步骤S12，包括：

S1201、将所述第四波谱图像序列输入所述病虫害位置预测模型中进行处理，从而得到所述病虫害位置预测模型输出的第一病虫害预测位置和第二病虫害预测位置；其中，所述第一病虫害预测位置标记为一级标签；所述第二病虫害预测位置标记为二级标签。

进一步地，所述调取预先构建的与所述待分析树木对应的三维模型，并在所述三维模型中标注所述病虫害预测位置的步骤S13之后，包括：

S131、采用药液喷施方式对所述第一病虫害预测位置进行治疗处理；

S132、根据预设的预防策略，对所述第二病虫害预测位置进行预防处理；其中，所述预防策略采用的药液总量小于对所述第一病虫害预测位置进行治疗处理时采用的药液总量的一半。

进一步地，所述采用药液喷施方式对所述第一病虫害预测位置进行治疗处理的步骤S131，包括：

S1311、采用无人机上搭载的第一喷施设备对所述第一病虫害预测位置进行荷电喷施处理；所述第一喷施设备为荷电喷雾喷施设备；

所述根据预设的预防策略，对所述第二病虫害预测位置进行预防处理的步骤S132，包括：

S1321、采用无人机上搭载的第二喷施设备对所述第二病虫害预测位置进行药液喷施处理；所述第二喷施设备为非荷电喷雾喷施设备，并且所述第一喷施设备喷施的药液和所述第二喷施设备喷施的药液相同。

本申请提供一种集预测与预防为一体的病虫害预测位置分析装置，包括：

第一波谱图像序列采集单元，用于通过预设于无人机上的波谱接收器，对预设的多个树木样本进行波谱采集处理，从而对应得到多个第一波谱图像序列；其中，每个第一波谱图像序列中均包括在对应树木样本上的不同位置采集到的波谱图像；

第一病虫害级别标签标注单元，用于对所有的第一波谱图像序列均进行人工标注处理，以使每个第一波谱图像序列中的每个波谱图像均标注上第一病虫害级别标签；其中，第一病虫害级别标签的取值范围为[0,1]，并且当第一病虫害级别标签为0时，表示被标注的波谱图像对应的采集位置未受病虫害侵扰，而且第一病虫害级别标签的取值越大，表示被标注的波谱图像对应的采集位置受病虫害侵扰的程度越高；

第二波谱图像序列采集单元，用于根据预设的治疗策略，对所述多个树木样本分别进行治疗处理，并在所述治疗策略的预计生效时间之后，通过预设于无人机上的波谱接收器，对所述多个树木样本进行再次波谱采集处理，从而对应得到多个第二波谱图像序列；其中，所述多个第二波谱图像序列与所述多个第一波谱图像序列一一对应；

第二病虫害级别标签标注单元，用于对所有的第二波谱图像序列均进行人工标注处理，以使每个第二波谱图像序列中的每个波谱图像均标注上第二病虫害级别标签；其中，第二病虫害级别标签的取值范围为[0,1]，并且当第二病虫害级别标签为0时，表示被标注的波谱图像对应的采集位置未受病虫害侵扰，而且第二病虫害级别标签的取值越大，表示被标注的波谱图像对应的采集位置受病虫害侵扰的程度越高；

指定波谱图像筛选单元，用于根据预设的波谱图像筛选方法，从第二波谱图像序列中筛选出第二指定波谱图像，并从第一波谱图像序列中筛选出第一指定波谱图像；其中，所述波谱图像筛选方法的筛选标准为，第二指定波谱图像与第一指定波谱图像符合第一波谱图像与第二波谱图像的对应关系，第二指定波谱图像的第二病虫害级别标签的数值大于0，第一指定波谱图像的第一病虫害级别标签的数值等于0；

第三波谱图像序列获取单元，用于执行数值修改操作，以将所述第一指定波谱图像的第一病虫害级别标签的数值修改为所述第二指定波谱图像的第二病虫害级别标签的数值，从而得到与所述多个第一波谱图像序列对应的多个第三波谱图像序列；

第三波谱图像序列划分单元，用于按预设的划分比例，将所述多个第三波谱图像序列划分为训练波谱图像序列和验证波谱图像序列；

中间模型获取单元，用于将所述训练波谱图像序列输入预设的神经网络模型中，以有监督学习的方式进行训练，从而得到中间模型；

中间模型验证单元，用于利用所述验证波谱图像序列对所述中间模型进行验证处理，以得到验证结果，并判断所述验证结果是否为验证通过；

中间模型标记单元，用于若所述验证结果为验证通过，则将所述中间模型记为病虫害位置预测模型；

第四波谱图像序列采集单元，用于通过预设于无人机上的波谱接收器，对待分析树木进行波谱采集处理，从而得到第四波谱图像序列；

病虫害预测位置获取单元，用于将所述第四波谱图像序列输入所述病虫害位置预测模型中进行处理，从而得到所述病虫害位置预测模型输出的病虫害预测位置；

病虫害预测位置标注单元，用于调取预先构建的与所述待分析树木对应的三维模型，并在所述三维模型中标注所述病虫害预测位置。

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。

本申请的集预测与预防为一体的病虫害预测位置分析方法、装置、计算机设备和存储介质，实现了集预测与预防为一体的病虫害预测位置分析。具体地，对预设的多个树木样本进行波谱采集处理，得到多个第一波谱图像序列；进行人工标注处理，以标注上第一病虫害级别标签；进行再次波谱采集处理，得到多个第二波谱图像序列；进行人工标注处理，以标注上第二病虫害级别标签；筛选出第二指定波谱图像，并筛选出第一指定波谱图像；执行数值修改操作，以得到多个第三波谱图像序列；划分序列；以有监督学习的方式进行训练，从而得到中间模型；进行验证处理，以得到验证结果；若所述验证结果为验证通过，则记为病虫害位置预测模型；进行波谱采集处理，得到第四波谱图像序列；输入所述病虫害位置预测模型，得到病虫害预测位置；在三维模型中标注所述病虫害预测位置。

本申请实现了集预测与预防为一体的病虫害预测位置分析。具体地，对预设的多个树木样本进行波谱采集处理，得到多个第一波谱图像序列；进行人工标注处理，以标注上第一病虫害级别标签；进行再次波谱采集处理，得到多个第二波谱图像序列；进行人工标注处理，以标注上第二病虫害级别标签；筛选出第二指定波谱图像，并筛选出第一指定波谱图像；执行数值修改操作，以得到多个第三波谱图像序列；划分序列；以有监督学习的方式进行训练，从而得到中间模型；进行验证处理，以得到验证结果；若所述验证结果为验证通过，则记为病虫害位置预测模型；进行波谱采集处理，得到第四波谱图像序列；输入所述病虫害位置预测模型，得到病虫害预测位置；在三维模型中标注所述病虫害预测位置。因此，本申请的优点如下：

1、采用了波谱图像序列进行病虫害位置分析，从而实现了病虫害位置的精准定位；

2、采用了经过特别训练的病虫害位置预测模型，进行病虫害预测位置分析，从而得到的分析结果，不仅预测了树木当前遭受的病虫害位置，而且还包括显露特征较少的潜在病虫害位置，因此实现了集预测与预防为一体的目的，其中的预测指的是利用病虫害位置预测模型确定树木当前遭受的病虫害位置，预防指的是利用病虫害位置预测模型确定树木潜在的病虫害位置；

3、采用与三维模型匹配的方式，实现了病虫害位置的精准定位，有利于病虫害精准治疗方案的实现。

附图说明

图1-2为本申请一实施例的集预测与预防为一体的病虫害预测位置分析方法的流程示意图；

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1-2，本申请实施例提供一种集预测与预防为一体的病虫害预测位置分析方法，包括以下步骤：

S1、通过预设于无人机上的波谱接收器，对预设的多个树木样本进行波谱采集处理，从而对应得到多个第一波谱图像序列；其中，每个第一波谱图像序列中均包括在对应树木样本上的不同位置采集到的波谱图像；

S2、对所有的第一波谱图像序列均进行人工标注处理，以使每个第一波谱图像序列中的每个波谱图像均标注上第一病虫害级别标签；其中，第一病虫害级别标签的取值范围为[0,1]，并且当第一病虫害级别标签为0时，表示被标注的波谱图像对应的采集位置未受病虫害侵扰，而且第一病虫害级别标签的取值越大，表示被标注的波谱图像对应的采集位置受病虫害侵扰的程度越高；

S3、根据预设的治疗策略，对所述多个树木样本分别进行治疗处理，并在所述治疗策略的预计生效时间之后，通过预设于无人机上的波谱接收器，对所述多个树木样本进行再次波谱采集处理，从而对应得到多个第二波谱图像序列；其中，所述多个第二波谱图像序列与所述多个第一波谱图像序列一一对应；

S4、对所有的第二波谱图像序列均进行人工标注处理，以使每个第二波谱图像序列中的每个波谱图像均标注上第二病虫害级别标签；其中，第二病虫害级别标签的取值范围为[0,1]，并且当第二病虫害级别标签为0时，表示被标注的波谱图像对应的采集位置未受病虫害侵扰，而且第二病虫害级别标签的取值越大，表示被标注的波谱图像对应的采集位置受病虫害侵扰的程度越高；

S5、根据预设的波谱图像筛选方法，从第二波谱图像序列中筛选出第二指定波谱图像，并从第一波谱图像序列中筛选出第一指定波谱图像；其中，所述波谱图像筛选方法的筛选标准为，第二指定波谱图像与第一指定波谱图像符合第一波谱图像与第二波谱图像的对应关系，第二指定波谱图像的第二病虫害级别标签的数值大于0，第一指定波谱图像的第一病虫害级别标签的数值等于0；

S6、执行数值修改操作，以将所述第一指定波谱图像的第一病虫害级别标签的数值修改为所述第二指定波谱图像的第二病虫害级别标签的数值，从而得到与所述多个第一波谱图像序列对应的多个第三波谱图像序列；

S7、按预设的划分比例，将所述多个第三波谱图像序列划分为训练波谱图像序列和验证波谱图像序列；

S8、将所述训练波谱图像序列输入预设的神经网络模型中，以有监督学习的方式进行训练，从而得到中间模型；

S9、利用所述验证波谱图像序列对所述中间模型进行验证处理，以得到验证结果，并判断所述验证结果是否为验证通过；

S10、若所述验证结果为验证通过，则将所述中间模型记为病虫害位置预测模型；

S11、通过预设于无人机上的波谱接收器，对待分析树木进行波谱采集处理，从而得到第四波谱图像序列；

S12、将所述第四波谱图像序列输入所述病虫害位置预测模型中进行处理，从而得到所述病虫害位置预测模型输出的病虫害预测位置；

S13、调取预先构建的与所述待分析树木对应的三维模型，并在所述三维模型中标注所述病虫害预测位置。

如上述步骤S1-S4所述，通过预设于无人机上的波谱接收器，对预设的多个树木样本进行波谱采集处理，从而对应得到多个第一波谱图像序列；其中，每个第一波谱图像序列中均包括在对应树木样本上的不同位置采集到的波谱图像；对所有的第一波谱图像序列进行人工标注处理，以使每个第一波谱图像序列中的每个波谱图像均标注上第一病虫害级别标签；其中，第一病虫害级别标签的取值范围为[0,1]，并且当第一病虫害级别标签为0时，表示被标注的波谱图像对应的采集位置未受病虫害侵扰，而且第一病虫害级别标签的取值越大，表示被标注的波谱图像对应的采集位置受病虫害侵扰的程度越高；根据预设的治疗策略，对所述多个树木样本分别进行治疗处理，并在所述治疗策略的预计生效时间之后，通过预设于无人机上的波谱接收器，对所述多个树木样本进行再次波谱采集处理，从而对应得到多个第二波谱图像序列；其中，所述多个第二波谱图像序列与所述多个第一波谱图像序列一一对应；对所有的第二波谱图像序列均进行人工标注处理，以使每个第二波谱图像序列中的每个波谱图像均标注上第二病虫害级别标签；其中，第二病虫害级别标签的取值范围为[0,1]，并且当第二病虫害级别标签为0时，表示被标注的波谱图像对应的采集位置未受病虫害侵扰，而且第二病虫害级别标签的取值越大，表示被标注的波谱图像对应的采集位置受病虫害侵扰的程度越高。

本申请的波谱图像序列，均是通过无人机上的波谱接收器采集到的，并且为了实现病虫害的精准定位，以及为了实现后续的精准治疗，每个波谱图像序列中均包括在对应树木上的不同位置采集到的波谱图像。因此，先进行波谱采集处理，以得到多个第一波谱图像序列，其中一个树木样本上的一个位置进行波谱采集处理，就能够得到一张波谱图像，因此一个树木样本经过波谱采集处理后就得到一个第一波谱图像序列，多个树木样本进行波谱采集处理后就得到了多个第一波谱图像序列。进一步地，所述多个树木样本可为任意可行树木样本，例如包括患有病虫害的树木样本和未患有病虫害的树木样本。再对所有的第一波谱图像序列进行人工标注处理，以使每个第一波谱图像序列中的每个波谱图像均标注上第一病虫害级别标签。由于树木当前遭受到的病虫害会有显性的表现形式，尤其在波谱图像上能够被观测出来，因此通过标注上第一病虫害级别标签，就能够将当前遭受到的病虫害程度和位置标注出来。此时，采用第一病虫害级别标签的取值范围为[0,1]的设置，以确定病虫害的严重程度。这样标注后的第一波谱图像序列，实际上已经能够作为病虫害预测模型的训练数据了，但需要注意的是，若仅以此时标注后的第一波谱图像序列作为训练数据，训练得到的模型只能对树木当前遭受的病虫害位置进行预测，而无法实现对潜在病虫害预防的目的。

为了进一步实现对潜在病虫害的预防目的，本申请根据预设的治疗策略，对所述多个树木样本分别进行治疗处理，并在所述治疗策略的预计生效时间之后，通过预设于无人机上的波谱接收器，对所述多个树木样本进行再次波谱采集处理，从而对应得到多个第二波谱图像序列；对所有的第二波谱图像序列进行人工标注处理，以使每个第二波谱图像序列中的每个波谱图像均标注上第二病虫害级别标签。其中，治疗策略与树木样本遭受的病虫害对应，例如采用药液喷雾喷施技术进行，并在所述治疗策略的预计生效时间之后，以保证再次进行波谱采集处理能够得到不同的波谱图像序列，即第二波谱图像序列。此时，若树木样本没有存在潜在的病虫害，那么多个第二波谱图像序列上的第二病虫害级别标签的数值都将减小；但若存在潜在的病虫害，由于没有进行有效的治疗与预防，那么潜在的病虫害位置的病虫害程度将加剧，以至于能够通过波谱图像被观测出来，因此存在某些第二病虫害级别标签的数值从零变为正数的情况。而这点就是本申请与传统技术的区别，也是本申请能够集预测与预防为一体的基础。具体地，潜在的病虫害位置对应的波谱图像(第一波谱图像序列中的一张)，由于其显性特征不明显，与健康位置对应的波谱图像的区别不大，因此传统的模型无法识别出来；而本申请通过追本溯源的方式，以先确定存在潜在的病虫害位置(即通过病虫害程度加剧后来确定)，再反过来确定对应的波谱图像(第一波谱图像序列中的一张)，以利于模型更精准地根据潜在的病虫害位置对应的波谱图像与健康位置的波谱图像，确定潜在的病虫害位置对应的波谱图像上应有的特征。另外，由于不同病虫害在波谱图像上的表现不同，因此本申请更适合应用于单类型的病虫害的预测位置分析，即树木样本均只遭受同一类型的病虫害。

进一步地，所述通过预设于无人机上的波谱接收器，对所述多个树木样本进行再次波谱采集处理，从而对应得到多个第二波谱图像序列的步骤S3中，无人机在对所述多个树木样本进行再次波谱采集处理时的气压高度、航偏角、俯仰角、滚转角、太阳光照角度和太阳光照强度，等于所述通过预设于无人机上的波谱接收器，对预设的多个树木样本进行波谱采集处理，从而对应得到多个第一波谱图像序列的步骤S1中，无人机在对所述多个树木样本进行波谱采集处理时的气压高度、航偏角、俯仰角、滚转角、太阳光照角度和太阳光照强度。从而提高了后续训练得到的病虫害位置预测模型的准确性。本申请的病虫害位置预测模型还兼具预防的功能，因此训练数据采集时需要尽量减少数据噪音。因此，本申请尽量选择相同的波谱采集条件，即气压高度、航偏角、俯仰角、滚转角、太阳光照角度和太阳光照强度相同，以利于两个波谱图像序列进行数据交互。

如上述步骤S5-S8所述，根据预设的波谱图像筛选方法，从第二波谱图像序列中筛选出第二指定波谱图像，并从第一波谱图像序列中筛选出第一指定波谱图像；其中，所述波谱图像筛选方法的筛选标准为，第二指定波谱图像与第一指定波谱图像符合第一波谱图像与第二波谱图像的对应关系，第二指定波谱图像的第二病虫害级别标签的数值大于0，第一指定波谱图像的第一病虫害级别标签的数值等于0；执行数值修改操作，以将所述第一指定波谱图像的第一病虫害级别标签的数值修改为所述第二指定波谱图像的第二病虫害级别标签的数值，从而得到与所述多个第一波谱图像序列对应的多个第三波谱图像序列；按预设的划分比例，将所述多个第三波谱图像序列划分为训练波谱图像序列和验证波谱图像序列；将所述训练波谱图像序列输入预设的神经网络模型中，以有监督学习的方式进行训练，从而得到中间模型。

从第二波谱图像序列中筛选出第二指定波谱图像，并从第一波谱图像序列中筛选出第一指定波谱图像，其目的在于，找出潜在的病虫害位置对应的波谱图像。由前述可知，潜在的病虫害位置具有这样的特性，即在第一波谱图像序列采集时被认定为健康位置，但在第二波谱图像序列采集时能够被检测出来(即能够在波谱图像上反应出来)，因此，只需根据第二指定波谱图像与第一指定波谱图像符合第一波谱图像与第二波谱图像的对应关系，第二指定波谱图像的第二病虫害级别标签的数值大于0，第一指定波谱图像的第一病虫害级别标签的数值等于0的标准，就能确定潜在的病虫害位置，而该潜在的病虫害位置在两次波谱采集时对应的波谱图像分别为第一指定波谱图像和第二指定波谱图像。再执行数值修改操作，以将所述第一指定波谱图像的第一病虫害级别标签的数值修改为所述第二指定波谱图像的第二病虫害级别标签的数值，从而得到与所述多个第一波谱图像序列对应的多个第三波谱图像序列。从而，多个第三波谱图像序列上综合了显性的病虫害数据和潜在的病虫害数据。进一步地，所述执行数值修改操作，以将所述第一指定波谱图像的第一病虫害级别标签的数值修改为所述第二指定波谱图像的第二病虫害级别标签的数值，从而得到与所述多个第一波谱图像序列对应的多个第三波谱图像序列的步骤S6，可以被替换为，执行数值修改操作，以将所述第一指定波谱图像的第一病虫害级别标签的数值修改为所述第二指定波谱图像的第二病虫害级别标签的数值乘以预设参数，从而得到与所述多个第一波谱图像序列对应的多个第三波谱图像序列，所述预设参数为大于0且小于1的数。

再按预设的划分比例，将所述多个第三波谱图像序列划分为训练波谱图像序列和验证波谱图像序列；将所述训练波谱图像序列输入预设的神经网络模型中，以有监督学习的方式进行训练，从而得到中间模型。由于多个第三波谱图像序列综合了显性的病虫害数据和潜在的病虫害数据，因此适合作为训练数据对模型进行训练，以使模型能够实现预测病虫害位置与预防病虫害的目的。所述划分比例可为任意可行比例，例如为9：1。所述神经网络模型可为任意可行模型，例如为深度学习卷积神经网络模型、BP神经网络模型等等，或者为决策树模型等等。由于训练数据采用的是标注有病虫害级别标签的数据，因此训练时采用的是有监督学习的方式。

如上述步骤S9-S13所述，利用所述验证波谱图像序列对所述中间模型进行验证处理，以得到验证结果，并判断所述验证结果是否为验证通过；若所述验证结果为验证通过，则将所述中间模型记为病虫害位置预测模型；通过预设于无人机上的波谱接收器，对待分析树木进行波谱采集处理，从而得到第四波谱图像序列；将所述第四波谱图像序列输入所述病虫害位置预测模型中进行处理，从而得到所述病虫害位置预测模型输出的病虫害预测位置；调取预先构建的与所述待分析树木对应的三维模型，并在所述三维模型中标注所述病虫害预测位置。

由于验证波谱图像序列与训练波谱图像序列同源，因此适用于进行验证工作。若所述验证结果为验证通过，表明了中间模型能够胜任病虫害位置预测任务，因此将所述中间模型记为病虫害位置预测模型。此时得到的病虫害位置预测模型，其输出实际上不仅包括了当前的病虫害位置，还包括了潜在的病虫害位置。再通过预设于无人机上的波谱接收器，对待分析树木进行波谱采集处理，从而得到第四波谱图像序列。采集第四波谱图像序列时，无人机的参数与环境参数可为任意可行参数，但优选与前述通过预设于无人机上的波谱接收器，对所述多个树木样本进行再次波谱采集处理，从而对应得到多个第二波谱图像序列的步骤S3中的参数相同，例如采集第四波谱图像序列时的气压高度、航偏角、俯仰角、滚转角、太阳光照角度和太阳光照强度，与前述通过预设于无人机上的波谱接收器，对所述多个树木样本进行再次波谱采集处理，从而对应得到多个第二波谱图像序列的步骤S3中的气压高度、航偏角、俯仰角、滚转角、太阳光照角度和太阳光照强度相同，从而提高输出的准确性。再将所述第四波谱图像序列输入所述病虫害位置预测模型中进行处理，从而得到所述病虫害位置预测模型输出的病虫害预测位置，此时的病虫害预测位置则为集预测与预防为一体的病虫害预测位置。相比于普通方案，本申请的病虫害预测位置分析方案，由于能够确定潜在的病虫害位置，因此在后续的治疗效果上具有明显的优势。再调取预先构建的与所述待分析树木对应的三维模型，并在所述三维模型中标注所述病虫害预测位置。从而利于后续进行精准定位治疗。其中，所述三维模型可采用任意可行三维分布建模技术建成，例如采用三维建模工具实现，更优选采用高效次优解三角化方法获取三维点云坐标，通过准稠密化扩散算法和基于共线条件方程的捆绑调整策略提高了空间三维点云的密度与精度，从而实现地理地貌和树木生长信息的三维精准重构。

进一步地，所述按预设的划分比例，将所述多个第三波谱图像序列划分为训练波谱图像序列和验证波谱图像序列的步骤S7之前，包括：

S61、将第一病虫害级别标签的数值不为0的波谱图像备注为一级标签；

S62、将第二病虫害级别标签的数值不为0的波谱图像备注为二级标签；

所述将所述第四波谱图像序列输入所述病虫害位置预测模型中进行处理，从而得到所述病虫害位置预测模型输出的病虫害预测位置的步骤S12，包括：

S1201、将所述第四波谱图像序列输入所述病虫害位置预测模型中进行处理，从而得到所述病虫害位置预测模型输出的第一病虫害预测位置和第二病虫害预测位置；其中，所述第一病虫害预测位置标记为一级标签；所述第二病虫害预测位置标记为二级标签。

从而进一步地将病虫害预测位置与病虫害预防位置区分开来，利于精准治疗与精准预防。本申请不仅采用了病虫害级别标签的标注方式，还采用了一级标签、二级标签的备注方式，以将显性的病虫害和潜在的病虫害区分开来。从而病虫害位置预测模型能够输出第一病虫害预测位置和第二病虫害预测位置；其中，所述第一病虫害预测位置标记为一级标签；所述第二病虫害预测位置标记为二级标签，即，第一病虫害预测位置对应于显性的病虫害，属于病虫害位置的预测，第二病虫害预测位置对应于潜在的病虫害，属于病虫害的预防。

进一步地，所述调取预先构建的与所述待分析树木对应的三维模型，并在所述三维模型中标注所述病虫害预测位置的步骤S13之后，包括：

S131、采用药液喷施方式对所述第一病虫害预测位置进行治疗处理；

S132、根据预设的预防策略，对所述第二病虫害预测位置进行预防处理；其中，所述预防策略采用的药液总量小于对所述第一病虫害预测位置进行治疗处理时采用的药液总量的一半。

从而实现调取预先构建的与所述待分析树木对应的三维模型，并在所述三维模型中标注所述病虫害预测位置。由于本申请的病虫害位置预测模型能够输出第一病虫害预测位置和第二病虫害预测位置，第一病虫害预测位置对应于显性的病虫害，属于病虫害位置的预测，第二病虫害预测位置对应于潜在的病虫害，属于病虫害的预防，因此，需要进行不同的处理方式。据此，采用药液喷施方式对所述第一病虫害预测位置进行治疗处理；根据预设的预防策略，对所述第二病虫害预测位置进行预防处理；其中，所述预防策略采用的药液总量小于对所述第一病虫害预测位置进行治疗处理时采用的药液总量的一半。

进一步地，所述采用药液喷施方式对所述第一病虫害预测位置进行治疗处理的步骤S131，包括：

S1311、采用无人机上搭载的第一喷施设备对所述第一病虫害预测位置进行荷电喷施处理；所述第一喷施设备为荷电喷雾喷施设备；

所述根据预设的预防策略，对所述第二病虫害预测位置进行预防处理的步骤S132，包括：

S1321、采用无人机上搭载的第二喷施设备对所述第二病虫害预测位置进行药液喷施处理；所述第二喷施设备为非荷电喷雾喷施设备，并且所述第一喷施设备喷施的药液和所述第二喷施设备喷施的药液相同。

从而实现了采用药液喷施方式对所述第一病虫害预测位置进行治疗处理。本申请采用药液喷雾喷施技术作为治疗与预防的手段。由于潜在的病虫害相对于显性的病虫害，其只需较针对性地进行预防治疗即可，因此其进行药液喷雾喷施时，其精准性的要求更低。荷电喷施技术，是指在喷雾上施加电荷，以形成荷电喷雾，从而增加治疗效果，成本较高。因此，本申请分别采用荷电喷施技术和非荷电喷施技术分别进行治疗和预防处理，即采用无人机上搭载的第一喷施设备对所述第一病虫害预测位置进行荷电喷施处理；所述第一喷施设备为荷电喷雾喷施设备；采用无人机上搭载的第二喷施设备对所述第二病虫害预测位置进行药液喷施处理；所述第二喷施设备为非荷电喷雾喷施设备，并且所述第一喷施设备喷施的药液和所述第二喷施设备喷施的药液相同。进一步地，所述第一喷施设备和所述第二喷施设备分别搭载在不同的无人机上，从而利于批量作业。

本申请的集预测与预防为一体的病虫害预测位置分析方法，实现了集预测与预防为一体的病虫害预测位置分析。具体地，对预设的多个树木样本进行波谱采集处理，得到多个第一波谱图像序列；进行人工标注处理，以标注上第一病虫害级别标签；进行再次波谱采集处理，得到多个第二波谱图像序列；进行人工标注处理，以标注上第二病虫害级别标签；筛选出第二指定波谱图像，并筛选出第一指定波谱图像；执行数值修改操作，以得到多个第三波谱图像序列；划分序列；以有监督学习的方式进行训练，从而得到中间模型；进行验证处理，以得到验证结果；若所述验证结果为验证通过，则记为病虫害位置预测模型；进行波谱采集处理，得到第四波谱图像序列；输入所述病虫害位置预测模型，得到病虫害预测位置；在三维模型中标注所述病虫害预测位置。

本申请实施例提供一种集预测与预防为一体的病虫害预测位置分析装置，包括：

第一波谱图像序列采集单元，用于通过预设于无人机上的波谱接收器，对预设的多个树木样本进行波谱采集处理，从而对应得到多个第一波谱图像序列；其中，每个第一波谱图像序列中均包括在对应树木样本上的不同位置采集到的波谱图像；

第一病虫害级别标签标注单元，用于对所有的第一波谱图像序列均进行人工标注处理，以使每个第一波谱图像序列中的每个波谱图像均标注上第一病虫害级别标签；其中，第一病虫害级别标签的取值范围为[0,1]，并且当第一病虫害级别标签为0时，表示被标注的波谱图像对应的采集位置未受病虫害侵扰，而且第一病虫害级别标签的取值越大，表示被标注的波谱图像对应的采集位置受病虫害侵扰的程度越高；

第二波谱图像序列采集单元，用于根据预设的治疗策略，对所述多个树木样本分别进行治疗处理，并在所述治疗策略的预计生效时间之后，通过预设于无人机上的波谱接收器，对所述多个树木样本进行再次波谱采集处理，从而对应得到多个第二波谱图像序列；其中，所述多个第二波谱图像序列与所述多个第一波谱图像序列一一对应；

第二病虫害级别标签标注单元，用于对所有的第二波谱图像序列均进行人工标注处理，以使每个第二波谱图像序列中的每个波谱图像均标注上第二病虫害级别标签；其中，第二病虫害级别标签的取值范围为[0,1]，并且当第二病虫害级别标签为0时，表示被标注的波谱图像对应的采集位置未受病虫害侵扰，而且第二病虫害级别标签的取值越大，表示被标注的波谱图像对应的采集位置受病虫害侵扰的程度越高；

指定波谱图像筛选单元，用于根据预设的波谱图像筛选方法，从第二波谱图像序列中筛选出第二指定波谱图像，并从第一波谱图像序列中筛选出第一指定波谱图像；其中，所述波谱图像筛选方法的筛选标准为，第二指定波谱图像与第一指定波谱图像符合第一波谱图像与第二波谱图像的对应关系，第二指定波谱图像的第二病虫害级别标签的数值大于0，第一指定波谱图像的第一病虫害级别标签的数值等于0；

第三波谱图像序列获取单元，用于执行数值修改操作，以将所述第一指定波谱图像的第一病虫害级别标签的数值修改为所述第二指定波谱图像的第二病虫害级别标签的数值，从而得到与所述多个第一波谱图像序列对应的多个第三波谱图像序列；

第三波谱图像序列划分单元，用于按预设的划分比例，将所述多个第三波谱图像序列划分为训练波谱图像序列和验证波谱图像序列；

中间模型获取单元，用于将所述训练波谱图像序列输入预设的神经网络模型中，以有监督学习的方式进行训练，从而得到中间模型；

中间模型验证单元，用于利用所述验证波谱图像序列对所述中间模型进行验证处理，以得到验证结果，并判断所述验证结果是否为验证通过；

中间模型标记单元，用于若所述验证结果为验证通过，则将所述中间模型记为病虫害位置预测模型；

第四波谱图像序列采集单元，用于通过预设于无人机上的波谱接收器，对待分析树木进行波谱采集处理，从而得到第四波谱图像序列；

病虫害预测位置获取单元，用于将所述第四波谱图像序列输入所述病虫害位置预测模型中进行处理，从而得到所述病虫害位置预测模型输出的病虫害预测位置；

病虫害预测位置标注单元，用于调取预先构建的与所述待分析树木对应的三维模型，并在所述三维模型中标注所述病虫害预测位置。

其中上述单元分别用于执行的操作与前述实施方式的集预测与预防为一体的病虫害预测位置分析方法的步骤一一对应,在此不再赘述。

本申请的集预测与预防为一体的病虫害预测位置分析装置，实现了集预测与预防为一体的病虫害预测位置分析。具体地，对预设的多个树木样本进行波谱采集处理，得到多个第一波谱图像序列；进行人工标注处理，以标注上第一病虫害级别标签；进行再次波谱采集处理，得到多个第二波谱图像序列；进行人工标注处理，以标注上第二病虫害级别标签；筛选出第二指定波谱图像，并筛选出第一指定波谱图像；执行数值修改操作，以得到多个第三波谱图像序列；划分序列；以有监督学习的方式进行训练，从而得到中间模型；进行验证处理，以得到验证结果；若所述验证结果为验证通过，则记为病虫害位置预测模型；进行波谱采集处理，得到第四波谱图像序列；输入所述病虫害位置预测模型，得到病虫害预测位置；在三维模型中标注所述病虫害预测位置。

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集预测与预防为一体的病虫害预测位置分析方法所用数据。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集预测与预防为一体的病虫害预测位置分析方法。

上述处理器执行上述集预测与预防为一体的病虫害预测位置分析方法，其中所述方法包括的步骤分别与执行前述实施方式的集预测与预防为一体的病虫害预测位置分析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，实现了集预测与预防为一体的病虫害预测位置分析。具体地，对预设的多个树木样本进行波谱采集处理，得到多个第一波谱图像序列；进行人工标注处理，以标注上第一病虫害级别标签；进行再次波谱采集处理，得到多个第二波谱图像序列；进行人工标注处理，以标注上第二病虫害级别标签；筛选出第二指定波谱图像，并筛选出第一指定波谱图像；执行数值修改操作，以得到多个第三波谱图像序列；划分序列；以有监督学习的方式进行训练，从而得到中间模型；进行验证处理，以得到验证结果；若所述验证结果为验证通过，则记为病虫害位置预测模型；进行波谱采集处理，得到第四波谱图像序列；输入所述病虫害位置预测模型，得到病虫害预测位置；在三维模型中标注所述病虫害预测位置。

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集预测与预防为一体的病虫害预测位置分析方法，其中所述方法包括的步骤分别与执行前述实施方式的集预测与预防为一体的病虫害预测位置分析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，实现了集预测与预防为一体的病虫害预测位置分析。具体地，对预设的多个树木样本进行波谱采集处理，得到多个第一波谱图像序列；进行人工标注处理，以标注上第一病虫害级别标签；进行再次波谱采集处理，得到多个第二波谱图像序列；进行人工标注处理，以标注上第二病虫害级别标签；筛选出第二指定波谱图像，并筛选出第一指定波谱图像；执行数值修改操作，以得到多个第三波谱图像序列；划分序列；以有监督学习的方式进行训练，从而得到中间模型；进行验证处理，以得到验证结果；若所述验证结果为验证通过，则记为病虫害位置预测模型；进行波谱采集处理，得到第四波谱图像序列；输入所述病虫害位置预测模型，得到病虫害预测位置；在三维模型中标注所述病虫害预测位置。

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 (8)

1.一种集预测与预防为一体的病虫害预测位置分析方法，其特征在于，包括：

S1、通过预设于无人机上的波谱接收器，对预设的多个树木样本进行波谱采集处理，从而对应得到多个第一波谱图像序列；其中，每个第一波谱图像序列中均包括在对应树木样本上的不同位置采集到的波谱图像；

S2、对所有的第一波谱图像序列均进行人工标注处理，以使每个第一波谱图像序列中的每个波谱图像均标注上第一病虫害级别标签；其中，第一病虫害级别标签的取值范围为[0,1]，并且当第一病虫害级别标签为0时，表示被标注的波谱图像对应的采集位置未受病虫害侵扰，而且第一病虫害级别标签的取值越大，表示被标注的波谱图像对应的采集位置受病虫害侵扰的程度越高；

S3、根据预设的治疗策略，对所述多个树木样本分别进行治疗处理，并在所述治疗策略的预计生效时间之后，通过预设于无人机上的波谱接收器，对所述多个树木样本进行再次波谱采集处理，从而对应得到多个第二波谱图像序列；其中，所述多个第二波谱图像序列与所述多个第一波谱图像序列一一对应；

S4、对所有的第二波谱图像序列进行人工标注处理，以使每个第二波谱图像序列中的每个波谱图像均标注上第二病虫害级别标签；其中，第二病虫害级别标签的取值范围为[0,1]，并且当第二病虫害级别标签为0时，表示被标注的波谱图像对应的采集位置未受病虫害侵扰，而且第二病虫害级别标签的取值越大，表示被标注的波谱图像对应的采集位置受病虫害侵扰的程度越高；

S5、根据预设的波谱图像筛选方法，从第二波谱图像序列中筛选出第二指定波谱图像，并从第一波谱图像序列中筛选出第一指定波谱图像；其中，所述波谱图像筛选方法的筛选标准为，第二指定波谱图像与第一指定波谱图像符合第一波谱图像与第二波谱图像的对应关系，第二指定波谱图像的第二病虫害级别标签的数值大于0，第一指定波谱图像的第一病虫害级别标签的数值等于0；

S6、执行数值修改操作，以将所述第一指定波谱图像的第一病虫害级别标签的数值修改为所述第二指定波谱图像的第二病虫害级别标签的数值，从而得到与所述多个第一波谱图像序列对应的多个第三波谱图像序列；

S7、按预设的划分比例，将所述多个第三波谱图像序列划分为训练波谱图像序列和验证波谱图像序列；

S8、将所述训练波谱图像序列输入预设的神经网络模型中，以有监督学习的方式进行训练，从而得到中间模型；

S9、利用所述验证波谱图像序列对所述中间模型进行验证处理，以得到验证结果，并判断所述验证结果是否为验证通过；

S10、若所述验证结果为验证通过，则将所述中间模型记为病虫害位置预测模型；

S11、通过预设于无人机上的波谱接收器，对待分析树木进行波谱采集处理，从而得到第四波谱图像序列；

S12、将所述第四波谱图像序列输入所述病虫害位置预测模型中进行处理，从而得到所述病虫害位置预测模型输出的病虫害预测位置；

S13、调取预先构建的与所述待分析树木对应的三维模型，并在所述三维模型中标注所述病虫害预测位置。

2.根据权利要求1所述的集预测与预防为一体的病虫害预测位置分析方法，其特征在于，所述通过预设于无人机上的波谱接收器，对所述多个树木样本进行再次波谱采集处理，从而对应得到多个第二波谱图像序列的步骤S3中，无人机在对所述多个树木样本进行再次波谱采集处理时的气压高度、航偏角、俯仰角、滚转角、太阳光照角度和太阳光照强度，等于所述通过预设于无人机上的波谱接收器，对预设的多个树木样本进行波谱采集处理，从而对应得到多个第一波谱图像序列的步骤S1中，无人机在对所述多个树木样本进行波谱采集处理时的气压高度、航偏角、俯仰角、滚转角、太阳光照角度和太阳光照强度。

3.根据权利要求1所述的集预测与预防为一体的病虫害预测位置分析方法，其特征在于，所述按预设的划分比例，将所述多个第三波谱图像序列划分为训练波谱图像序列和验证波谱图像序列的步骤S7之前，包括：

S61、将第一病虫害级别标签的数值不为0的波谱图像备注为一级标签；

S62、将第二病虫害级别标签的数值不为0的波谱图像备注为二级标签；

所述将所述第四波谱图像序列输入所述病虫害位置预测模型中进行处理，从而得到所述病虫害位置预测模型输出的病虫害预测位置的步骤S12，包括：

S1201、将所述第四波谱图像序列输入所述病虫害位置预测模型中进行处理，从而得到所述病虫害位置预测模型输出的第一病虫害预测位置和第二病虫害预测位置；其中，所述第一病虫害预测位置标记为一级标签；所述第二病虫害预测位置标记为二级标签。

4.根据权利要求3所述的集预测与预防为一体的病虫害预测位置分析方法，其特征在于，所述调取预先构建的与所述待分析树木对应的三维模型，并在所述三维模型中标注所述病虫害预测位置的步骤S13之后，包括：

S131、采用药液喷施方式对所述第一病虫害预测位置进行治疗处理；

S132、根据预设的预防策略，对所述第二病虫害预测位置进行预防处理；其中，所述预防策略采用的药液总量小于对所述第一病虫害预测位置进行治疗处理时采用的药液总量的一半。

5.根据权利要求4所述的集预测与预防为一体的病虫害预测位置分析方法，其特征在于，所述采用药液喷施方式对所述第一病虫害预测位置进行治疗处理的步骤S131，包括：

S1311、采用无人机上搭载的第一喷施设备对所述第一病虫害预测位置进行荷电喷施处理；所述第一喷施设备为荷电喷雾喷施设备；

所述根据预设的预防策略，对所述第二病虫害预测位置进行预防处理的步骤S132，包括：

S1321、采用无人机上搭载的第二喷施设备对所述第二病虫害预测位置进行药液喷施处理；所述第二喷施设备为非荷电喷雾喷施设备，并且所述第一喷施设备喷施的药液和所述第二喷施设备喷施的药液相同。

6.一种集预测与预防为一体的病虫害预测位置分析装置，其特征在于，包括：

第一波谱图像序列采集单元，用于通过预设于无人机上的波谱接收器，对预设的多个树木样本进行波谱采集处理，从而对应得到多个第一波谱图像序列；其中，每个第一波谱图像序列中均包括在对应树木样本上的不同位置采集到的波谱图像；

第一病虫害级别标签标注单元，用于对所有的第一波谱图像序列均进行人工标注处理，以使每个第一波谱图像序列中的每个波谱图像均标注上第一病虫害级别标签；其中，第一病虫害级别标签的取值范围为[0,1]，并且当第一病虫害级别标签为0时，表示被标注的波谱图像对应的采集位置未受病虫害侵扰，而且第一病虫害级别标签的取值越大，表示被标注的波谱图像对应的采集位置受病虫害侵扰的程度越高；

第二波谱图像序列采集单元，用于根据预设的治疗策略，对所述多个树木样本分别进行治疗处理，并在所述治疗策略的预计生效时间之后，通过预设于无人机上的波谱接收器，对所述多个树木样本进行再次波谱采集处理，从而对应得到多个第二波谱图像序列；其中，所述多个第二波谱图像序列与所述多个第一波谱图像序列一一对应；

第二病虫害级别标签标注单元，用于对所有的第二波谱图像序列进行人工标注处理，以使每个第二波谱图像序列中的每个波谱图像均标注上第二病虫害级别标签；其中，第二病虫害级别标签的取值范围为[0,1]，并且当第二病虫害级别标签为0时，表示被标注的波谱图像对应的采集位置未受病虫害侵扰，而且第二病虫害级别标签的取值越大，表示被标注的波谱图像对应的采集位置受病虫害侵扰的程度越高；

指定波谱图像筛选单元，用于根据预设的波谱图像筛选方法，从第二波谱图像序列中筛选出第二指定波谱图像，并从第一波谱图像序列中筛选出第一指定波谱图像；其中，所述波谱图像筛选方法的筛选标准为，第二指定波谱图像与第一指定波谱图像符合第一波谱图像与第二波谱图像的对应关系，第二指定波谱图像的第二病虫害级别标签的数值大于0，第一指定波谱图像的第一病虫害级别标签的数值等于0；

第三波谱图像序列获取单元，用于执行数值修改操作，以将所述第一指定波谱图像的第一病虫害级别标签的数值修改为所述第二指定波谱图像的第二病虫害级别标签的数值，从而得到与所述多个第一波谱图像序列对应的多个第三波谱图像序列；

第三波谱图像序列划分单元，用于按预设的划分比例，将所述多个第三波谱图像序列划分为训练波谱图像序列和验证波谱图像序列；

中间模型获取单元，用于将所述训练波谱图像序列输入预设的神经网络模型中，以有监督学习的方式进行训练，从而得到中间模型；

中间模型验证单元，用于利用所述验证波谱图像序列对所述中间模型进行验证处理，以得到验证结果，并判断所述验证结果是否为验证通过；

中间模型标记单元，用于若所述验证结果为验证通过，则将所述中间模型记为病虫害位置预测模型；

第四波谱图像序列采集单元，用于通过预设于无人机上的波谱接收器，对待分析树木进行波谱采集处理，从而得到第四波谱图像序列；

病虫害预测位置获取单元，用于将所述第四波谱图像序列输入所述病虫害位置预测模型中进行处理，从而得到所述病虫害位置预测模型输出的病虫害预测位置；

病虫害预测位置标注单元，用于调取预先构建的与所述待分析树木对应的三维模型，并在所述三维模型中标注所述病虫害预测位置。

7.一种计算机设备，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5中任一项所述方法的步骤。

8.一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5中任一项所述的方法的步骤。

Images