CN112966550B - 基于植株识别模型的黄龙病防治方法、装置和计算机设备 - Google Patents

基于植株识别模型的黄龙病防治方法、装置和计算机设备 Download PDF

Info

Publication number
CN112966550B
CN112966550B CN202110116453.0A CN202110116453A CN112966550B CN 112966550 B CN112966550 B CN 112966550B CN 202110116453 A CN202110116453 A CN 202110116453A CN 112966550 B CN112966550 B CN 112966550B
Authority
CN
China
Prior art keywords
citrus
identification model
plant
sensing signal
plant identification
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
CN202110116453.0A
Other languages
English (en)
Other versions
CN112966550A (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 CN202110116453.0A priority Critical patent/CN112966550B/zh
Publication of CN112966550A publication Critical patent/CN112966550A/zh
Application granted granted Critical
Publication of CN112966550B publication Critical patent/CN112966550B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G17/00—Cultivation of hops, vines, fruit trees, or like trees
    • A01G17/005—Cultivation methods
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G7/00—Botany in general
    • A01G7/04—Electric or magnetic or acoustic treatment of plants for promoting growth
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G7/00—Botany in general
    • A01G7/06—Treatment of growing trees or plants, e.g. for preventing decay of wood, for tingeing flowers or wood, for prolonging the life of plants
    • 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
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Evolutionary Computation (AREA)
  • Environmental Sciences (AREA)
  • Botany (AREA)
  • Ecology (AREA)
  • Forests & Forestry (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Wood Science & Technology (AREA)
  • Image Analysis (AREA)

Abstract

本申请揭示了一种基于植株识别模型的黄龙病防治方法、装置、计算机设备和存储介质，包括：得到多个第一传感信号序列；划分为训练样本和验证样本；得到中间植株识别模型；验证；若验证结果通过，则将中间植株识别模型作为最终植株识别模型；对预设的多个健康柑橘植株进行实时传感信号检测处理，并引入带有黄龙病病原菌的柑橘木虱，得到多个第二传感信号序列；得到多个第一病变预测程度；选出最易带病植株，并选出牺牲柑橘植株；采用缓冲布设的方式种植柑橘植株；得到第三传感信号序列；得到第二病变预测程度；若第二病变预测程度大于0，则对指定范围内的柑橘植株进行治疗处理，从而实现对黄龙病的有效防治的目的。

Description

基于植株识别模型的黄龙病防治方法、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植株识别模型的黄龙病防治方法、装置、计算机设备和存储介质。
背景技术
近年来柑橘生产的经济损失主要是由黄龙病造成，黄龙病对柑橘具有毁灭性的危害，不但具有较长的潜伏期，同时也缺少商业抗病柑橘品种。对于柑橘黄龙病，只能从源头上严格预防，而现有的黄龙病治疗方法难以有效防治黄龙病。
发明内容
本申请提出一种基于植株识别模型的黄龙病防治方法，包括以下步骤：
S1、对预先收集的多个柑橘植株样本分别进行传感信号检测处理，从而对应得到多个第一传感信号序列；其中所述多个柑橘植株样本包括带黄龙病植株和未带黄龙病植株，每个带黄龙病植株的病变程度均已知，并且所述多个第一传感信号序列中的每一个序列均标记了对应的柑橘植株样本的病变程度，其中未带黄龙病植株对应的病变程度记为0；其中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；
S2、将所述多个第一传感信号序列按预设比例划分为训练样本和验证样本；
S3、调取预设的初始植株识别模型，并将所述训练样本输入所述初始植株识别模型中进行训练，从而得到中间植株识别模型；其中，所述初始植株识别模型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，所述卷积神经网络子模型包括依次连接的输入层、隐含层和输出层，所述长短期记忆子模型包括依次连接的第一长短期记忆网络和第二长短期记忆网络，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；
S4、利用所述验证样本对所述中间植株识别模型进行验证，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样本对应标记的病变程度相同；
S5、若验证结果通过，则将所述中间植株识别模型作为最终植株识别模型；
S6、对预设的多个健康柑橘植株进行实时传感信号检测处理，并且在实时传感信号检测处理的过程中，引入带有黄龙病病原菌的柑橘木虱，从而得到所述多个健康柑橘植株在病变过程中的多个第二传感信号序列；其中所述多个第二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；
S7、将所述最终植株识别模型调为第一单通道模式，并将所述多个第二传感信号序列分别输入所述最终植株识别模型，以得到所述最终植株识别模型对应输出的多个第一病变预测程度；其中，所述最终植株识别模型的第一单通道模式指，输入数据经过所述最终植株识别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；
S8、根据所述多个第一病变预测程度，选出最易带病植株，并从预先准备的多个备用柑橘植株中选出牺牲柑橘植株，其中所述牺牲柑橘植株与所述最易带病植株的相似度值大于预设的相似度阈值；
S9、在预设的柑橘林中，采用缓冲布设的方式种植柑橘植株，其中所述缓冲布设指，柑橘林划分为多个正常区域和多个缓冲区域，所述缓冲区域种植所述牺牲柑橘植株，所述正常区域种植除所述牺牲柑橘植株之外的柑橘植株，所述多个缓冲区域之间互不相连；
S10、对缓冲区域的牺牲柑橘植株进行实时传感信号检测处理，从而得到第三传感信号序列；其中所述第三传感信号序列至少包括在时间上连续的多个图像传感信号；
S11、将所述最终植株识别模型调为第一单通道模式，并将所述第三传感信号序列输入所述最终植株识别模型，以得到所述最终植株识别模型输出的第二病变预测程度；
S12、判断所述第二病变预测程度是否大于0；
S13、若所述第二病变预测程度大于0，则采用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第二病变预测程度对应的牺牲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微波加热技术对带病柑橘植株进行治疗。
进一步地，所述将所述多个第二传感信号序列分别输入所述最终植株识别模型，以得到所述最终植株识别模型对应输出的多个第一病变预测程度的步骤S7，包括：
S701、将所述多个第二传感信号序列分别输入所述最终植株识别模型中，以利用卷积神经网络子模型中的输入层和隐含层对所述多个第二传感信号序列分别进行处理，从而对应得到多个初始向量；
S702、将所述初始向量输入所述长短期记忆子模型的第一长短期记忆网络，以根据公式：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；
S703、在所述第一长短期记忆网络中，分别将所述多个编码向量构成编码向量序列，从而得到与所述多个第二传感信号序列分别对应的多个编码向量序列；
S704、将所述编码向量序列输入所述第二长短期记忆网络中进行解码，以分别得到所述最终植株识别模型对应输出的多个第一病变预测程度。
进一步地，所述从预先准备的多个备用柑橘植株中选出牺牲柑橘植株，其中所述牺牲柑橘植株与所述最易带病植株的相似度值大于预设的相似度阈值的步骤S8，包括：
S801、对所述多个备用柑橘植株分别进行单次图像采集处理，以对应得到多个备用柑橘图像；
S802、将所述最终植株识别模型调为第二单通道模式，并将所述多个备用柑橘图像分别输入所述最终植株识别模型，以对应得到所述最终植株识别模型中的卷积神经网络子模型中隐含层输出的多个隐藏向量；其中，所述第二单通道模式指，输入数据经过所述最终植株识别模型中的卷积神经网络子模型中的输入层和隐含层；
S803、提取所述最易带病植株对应的第一传感信号序列中的指定图像传感信号；其中，所述指定图像传感信号指所述第一传感信号序列中的所有图像传感信号中时间最早的一张图像；
S804、将所述最终植株识别模型调为第二单通道模式，并将所述指定图像传感信号输入所述最终植株识别模型，以对应得到所述最终植株识别模型中的卷积神经网络子模型中隐含层输出的指定向量；
S805、根据预设的向量间相似度计算方法，计算所述指定向量与所述隐藏向量之间的相似度，从而得到与所述多个隐藏向量分别对应的多个相似度值；
S806、从所述多个相似度值中选出最大相似度值，并判断所述最大相似度值是否大于预设的相似度阈值；
S807、若所述最大相似度值大于预设的相似度阈值，则获取与所述最大相似度值对应的备用柑橘植株，并将所述最大相似度值对应的备用柑橘植株记为牺牲柑橘植株。
进一步地，所述采用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第二病变预测程度对应的牺牲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微波加热技术对带病柑橘植株进行治疗的步骤S13，包括：
S1301、将预设的微波屏蔽罩罩住指定范围内的柑橘植株；所述微波屏蔽罩设有导波管以连接微波发生器，所述微波屏蔽罩的顶部内侧设置有桨轮，所述桨轮由预设的电机驱动；
S1302、控制所述微波发生器在指定时间内持续产生微波，并通过所述导波管将微波引导送入微波屏蔽罩内；
S1303、通过所述电机驱动所述桨轮在指定时间内旋转，以使微波在微波屏蔽罩内均匀扩散，从而以微波加热蒸发柑橘黄龙病病原菌内部水分的方式，使黄龙病病菌死亡，以完成利用微波加热技术对带病柑橘植株进行治疗的过程。
进一步地，所述若所述第二病变预测程度大于0，则采用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第二病变预测程度对应的牺牲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微波加热技术对带病柑橘植株进行治疗的步骤S13之后，包括：
S131、对所述第二病变预测程度对应的缓冲区域中的牺牲柑橘植株进行铲除处理，从而形成空缺区域；
S132、对所述空缺区域进行隔离处理，并在隔离期间对所述空缺区域进行杀菌处理；
S133、在隔离处理之后，在所述空缺区域内重新种植所述牺牲柑橘植株。
本申请提供一种基于植株识别模型的黄龙病防治装置，包括：
第一传感信号序列获取单元，用于对预先收集的多个柑橘植株样本分别进行传感信号检测处理，从而对应得到多个第一传感信号序列；其中所述多个柑橘植株样本包括带黄龙病植株和未带黄龙病植株，每个带黄龙病植株的病变程度均已知，并且所述多个第一传感信号序列中的每一个序列均标记了对应的柑橘植株样本的病变程度，其中未带黄龙病植株对应的病变程度记为0；其中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；
第一传感信号序列划分单元，用于将所述多个第一传感信号序列按预设比例划分为训练样本和验证样本；
中间植株识别模型获取单元，用于调取预设的初始植株识别模型，并将所述训练样本输入所述初始植株识别模型中进行训练，从而得到中间植株识别模型；其中，所述初始植株识别模型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，所述卷积神经网络子模型包括依次连接的输入层、隐含层和输出层，所述长短期记忆子模型包括依次连接的第一长短期记忆网络和第二长短期记忆网络，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；
中间植株识别模型验证单元，用于利用所述验证样本对所述中间植株识别模型进行验证，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样本对应标记的病变程度相同；
最终植株识别模型获取单元，用于若验证结果通过，则将所述中间植株识别模型作为最终植株识别模型；
第二传感信号序列获取单元，用于对预设的多个健康柑橘植株进行实时传感信号检测处理，并且在实时传感信号检测处理的过程中，引入带有黄龙病病原菌的柑橘木虱，从而得到所述多个健康柑橘植株在病变过程中的多个第二传感信号序列；其中所述多个第二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；
第一病变预测程度获取单元，用于将所述最终植株识别模型调为第一单通道模式，并将所述多个第二传感信号序列分别输入所述最终植株识别模型，以得到所述最终植株识别模型对应输出的多个第一病变预测程度；其中，所述最终植株识别模型的第一单通道模式指，输入数据经过所述最终植株识别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；
最易带病植株选取单元，用于根据所述多个第一病变预测程度，选出最易带病植株，并从预先准备的多个备用柑橘植株中选出牺牲柑橘植株，其中所述牺牲柑橘植株与所述最易带病植株的相似度值大于预设的相似度阈值；
缓冲布设单元，用于在预设的柑橘林中，采用缓冲布设的方式种植柑橘植株，其中所述缓冲布设指，柑橘林划分为多个正常区域和多个缓冲区域，所述缓冲区域种植所述牺牲柑橘植株，所述正常区域种植除所述牺牲柑橘植株之外的柑橘植株，所述多个缓冲区域之间互不相连；
第三传感信号序列获取单元，用于对缓冲区域的牺牲柑橘植株进行实时传感信号检测处理，从而得到第三传感信号序列；其中所述第三传感信号序列至少包括在时间上连续的多个图像传感信号；
第二病变预测程度获取单元，用于将所述最终植株识别模型调为第一单通道模式，并将所述第三传感信号序列输入所述最终植株识别模型，以得到所述最终植株识别模型输出的第二病变预测程度；
第二病变预测程度判断单元，用于判断所述第二病变预测程度是否大于0；
治疗处理单元，用于若所述第二病变预测程度大于0，则采用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第二病变预测程度对应的牺牲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微波加热技术对带病柑橘植株进行治疗。
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。
本申请的基于植株识别模型的黄龙病防治方法、装置、计算机设备和存储介质，通过特别的设计，以有效防治黄龙病。具体地，得到多个第一传感信号序列；划分为训练样本和验证样本；得到中间植株识别模型；利用所述验证样本对所述中间植株识别模型进行验证；若验证结果通过，则将所述中间植株识别模型作为最终植株识别模型；对预设的多个健康柑橘植株进行实时传感信号检测处理，并引入带有黄龙病病原菌的柑橘木虱，得到多个第二传感信号序列；调为第一单通道模式，并将所述多个第二传感信号序列分别输入所述最终植株识别模型，以得到多个第一病变预测程度；选出最易带病植株，并从预先准备的多个备用柑橘植株中选出牺牲柑橘植株；在预设的柑橘林中，采用缓冲布设的方式种植柑橘植株；对缓冲区域的牺牲柑橘植株进行实时传感信号检测处理，从而得到第三传感信号序列；将所述最终植株识别模型调为第一单通道模式，并将所述第三传感信号序列输入所述最终植株识别模型，以得到所述最终植株识别模型输出的第二病变预测程度；若所述第二病变预测程度大于0，则采用预设的治疗策略对指定范围内的带病柑橘植株进行治疗处理。
本申请的基于植株识别模型的黄龙病防治方案，至少具有如下优点：
1、采用的植株识别模型是特制模型，具有全通道和两个单通道的模式，使得其同时具有训练更准确(采用全通道，即“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样本对应标记的病变程度相同″)、实际使用时更快速(即第一单通道)、并且反馈时更灵活(即第二单通道)的优点。
2、采用的植株识别模型可以多次使用，利用率高，数据一致性高，使得最终结果的可信度提高。
3、采用牺牲柑橘植株结合缓冲布设的方式，以实现对黄龙病的重点观测，而不需要对整个柑橘林的所有柑橘是否得黄龙病进行全面观测。
4、采用针对性的治疗策略，所述治疗策略至少包括利用微波加热技术对带病柑橘植株进行治疗，实现在观测到出现黄龙病后，进行准确治疗的目的，由于本申请能够及早发现黄龙病，因此不仅黄龙病的预防效果好，治疗效果也好。
附图说明
图1-2为本申请一实施例的基于植株识别模型的黄龙病防治方法的流程示意图；
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基于植株识别模型的黄龙病防治方法，包括以下步骤：
S1、对预先收集的多个柑橘植株样本分别进行传感信号检测处理，从而对应得到多个第一传感信号序列；其中所述多个柑橘植株样本包括带黄龙病植株和未带黄龙病植株，每个带黄龙病植株的病变程度均已知，并且所述多个第一传感信号序列中的每一个序列均标记了对应的柑橘植株样本的病变程度，其中未带黄龙病植株对应的病变程度记为0；其中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；
S2、将所述多个第一传感信号序列按预设比例划分为训练样本和验证样本；
S3、调取预设的初始植株识别模型，并将所述训练样本输入所述初始植株识别模型中进行训练，从而得到中间植株识别模型；其中，所述初始植株识别模型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，所述卷积神经网络子模型包括依次连接的输入层、隐含层和输出层，所述长短期记忆子模型包括依次连接的第一长短期记忆网络和第二长短期记忆网络，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；
S4、利用所述验证样本对所述中间植株识别模型进行验证，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样本对应标记的病变程度相同；
S5、若验证结果通过，则将所述中间植株识别模型作为最终植株识别模型；
S6、对预设的多个健康柑橘植株进行实时传感信号检测处理，并且在实时传感信号检测处理的过程中，引入带有黄龙病病原菌的柑橘木虱，从而得到所述多个健康柑橘植株在病变过程中的多个第二传感信号序列；其中所述多个第二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；
S7、将所述最终植株识别模型调为第一单通道模式，并将所述多个第二传感信号序列分别输入所述最终植株识别模型，以得到所述最终植株识别模型对应输出的多个第一病变预测程度；其中，所述最终植株识别模型的第一单通道模式指，输入数据经过所述最终植株识别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；
S8、根据所述多个第一病变预测程度，选出最易带病植株，并从预先准备的多个备用柑橘植株中选出牺牲柑橘植株，其中所述牺牲柑橘植株与所述最易带病植株的相似度值大于预设的相似度阈值；
S9、在预设的柑橘林中，采用缓冲布设的方式种植柑橘植株，其中所述缓冲布设指，柑橘林划分为多个正常区域和多个缓冲区域，所述缓冲区域种植所述牺牲柑橘植株，所述正常区域种植除所述牺牲柑橘植株之外的柑橘植株，所述多个缓冲区域之间互不相连；
S10、对缓冲区域的牺牲柑橘植株进行实时传感信号检测处理，从而得到第三传感信号序列；其中所述第三传感信号序列至少包括在时间上连续的多个图像传感信号；
S11、将所述最终植株识别模型调为第一单通道模式，并将所述第三传感信号序列输入所述最终植株识别模型，以得到所述最终植株识别模型输出的第二病变预测程度；
S12、判断所述第二病变预测程度是否大于0；
S13、若所述第二病变预测程度大于0，则采用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第二病变预测程度对应的牺牲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微波加热技术对带病柑橘植株进行治疗。
如上述步骤S1-S5所述，对预先收集的多个柑橘植株样本分别进行传感信号检测处理，从而对应得到多个第一传感信号序列；其中所述多个柑橘植株样本包括带黄龙病植株和未带黄龙病植株，每个带黄龙病植株的病变程度均已知，并且所述多个第一传感信号序列中的每一个序列均标记了对应的柑橘植株样本的病变程度，其中未带黄龙病植株对应的病变程度记为0；其中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；将所述多个第一传感信号序列按预设比例划分为训练样本和验证样本；调取预设的初始植株识别模型，并将所述训练样本输入所述初始植株识别模型中进行训练，从而得到中间植株识别模型；其中，所述初始植株识别模型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，所述卷积神经网络子模型包括依次连接的输入层、隐含层和输出层，所述长短期记忆子模型包括依次连接的第一长短期记忆网络和第二长短期记忆网络，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；利用所述验证样本对所述中间植株识别模型进行验证，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样本对应标记的病变程度相同；若验证结果通过，则将所述中间植株识别模型作为最终植株识别模型。其中，预先收集的多个柑橘植株样本的种类越多越杂则越好，这能使训练得到的植株识别模型更准确。所述多个柑橘植株样本包括带黄龙病植株和未带黄龙病植株，每个带黄龙病植株的病变程度均已知，并且所述多个第一传感信号序列中每一个均标记了对应的柑橘植株样本的病变程度，其中未带黄龙病植株对应的病变程度记为0，这使得本申请训练得到的模型不仅能够胜任植株是否带病的预测工作，还能预测出病变程度。本申请将病变程度数字化，以便于计算分析，病变程度越高，则数字化的数值越大，而未带黄龙病植株对应的病变程度记为0。另外，第一传感信号序列中的信号可以为任意可行信号，其能够反应植株患病程度，第一传感信号序列中的信号例如为图像信号、超声波信号等等，进一步地，信号为在时间上连续的多个图像传感信号，这使得模型的分析准确性更高。
再将所述多个第一传感信号序列按预设比例划分为训练样本和验证样本，所述预设比例例如为9：1。再调取预设的初始植株识别模型，并将所述训练样本输入所述初始植株识别模型中进行训练，从而得到中间植株识别模型；其中，所述初始植株识别模型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，所述卷积神经网络子模型包括依次连接的输入层、隐含层和输出层，所述长短期记忆子模型包括依次连接的第一长短期记忆网络和第二长短期记忆网络，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。本申请采用的是特殊的模型，即，所述初始植株识别模型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，所述卷积神经网络子模型包括依次连接的输入层、隐含层和输出层，所述长短期记忆子模型包括依次连接的第一长短期记忆网络和第二长短期记忆网络，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，从而通过这种网络结构的复杂模型，能够实现全通道、第一单通道、第二单通道的切换，综合考虑了训练的准确性和使用时的快捷、时效性。其中的长短期记忆子模型，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。再利用所述验证样本对所述中间植株识别模型进行验证，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样本对应标记的病变程度相同。其中需要注意的一点是，本申请模型训练是否合格的标准需要三者相同，即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样本对应标记的病变程度相同，这就是利用本申请的复杂模型的全通道模型，即全面利用该模型的所有网络结构来进行训练，因此训练速度较慢，但是准确性更高。然而在具体使用中，训练得到的模型可采用单通道模式来使用，这样能够减轻计算负担，提高计算速度，但不影响分析结果的准确性。若验证结果通过，表明训练得到的模型可以进行后续的识别工作，因此将所述中间植株识别模型作为最终植株识别模型。
如上述步骤S6-S10所述，对预设的多个健康柑橘植株进行实时传感信号检测处理，并且在实时传感信号检测处理的过程中，引入带有黄龙病病原菌的柑橘木虱，从而得到所述多个健康柑橘植株在病变过程中的多个第二传感信号序列；其中所述多个第二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；将所述最终植株识别模型调为第一单通道模式，并将所述多个第二传感信号序列分别输入所述最终植株识别模型，以得到所述最终植株识别模型对应输出的多个第一病变预测程度；其中，所述最终植株识别模型的第一单通道模式指，输入数据经过所述最终植株识别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；根据所述多个第一病变预测程度，选出最易带病植株，并从预先准备的多个备用柑橘植株中选出牺牲柑橘植株，其中所述牺牲柑橘植株与所述最易带病植株的相似度值大于预设的相似度阈值；在预设的柑橘林中，采用缓冲布设的方式种植柑橘植株，其中所述缓冲布设指，柑橘林划分为多个正常区域和多个缓冲区域，所述缓冲区域种植所述牺牲柑橘植株，所述正常区域种植除所述牺牲柑橘植株之外的柑橘植株，所述多个缓冲区域之间互不相连；对缓冲区域的牺牲柑橘植株进行实时传感信号检测处理，从而得到第三传感信号序列；其中所述第三传感信号序列至少包括在时间上连续的多个图像传感信号。其中，所述多个第二传感信号序列是与前述步骤中的第一传感信号序列类似的，都是时间上连续的信号，并且所述多个第二传感信号序列中的每一个序列均至少也包括在时间上连续的多个图像传感信号，从而使得最终植株识别模型能够对多个健康柑橘植株进行分析。需要注意的是，由于在实时传感信号检测处理的过程中，引入带有黄龙病病原菌的柑橘木虱，因此所有的第二传感信号序列是在病变过程中信号，并且最早的信号是健康状态下的信号，这要后续步骤中会被利用，在此处暂不赘述。再将所述最终植株识别模型调为第一单通道模式，并将所述多个第二传感信号序列分别输入所述最终植株识别模型，以得到所述最终植株识别模型对应输出的多个第一病变预测程度；其中，所述最终植株识别模型的第一单通道模式指，输入数据经过所述最终植株识别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。
本申请的植株识别模型在训练时采用的是全通道模式，然而在使用时却仅采用第一通道模式即可，从而计算速度更快，并且第一通道模式还利用了有长序分析优势的长短期记忆网络，因此准确性得到了保证。再根据所述多个第一病变预测程度，选出最易带病植株，并从预先准备的多个备用柑橘植株中选出牺牲柑橘植株，其中所述牺牲柑橘植株与所述最易带病植株的相似度值大于预设的相似度阈值；其中，根据所述多个第一病变预测程度，选出最易带病植株可采用任意可行方式，例如将第一病变预测程度的数值最大的植株记为最易带病植株。另外，本申请的一个特点在于，采用牺牲检测法，即使用了牺牲柑橘植株，而这些牺牲柑橘植株是作为检测探针使用的，因此牺牲柑橘植株的选用极其关键。因此，本申请通过所述牺牲柑橘植株与所述最易带病植株的相似度值大于预设的相似度阈值的方式，来确定牺牲柑橘植株，以保证黄龙病预防的顺利进行。并且，本申请对于牺牲植株的使用方法也是特别的，即在预设的柑橘林中，采用缓冲布设的方式种植柑橘植株，其中所述缓冲布设指，柑橘林划分为多个正常区域和多个缓冲区域，所述缓冲区域种植所述牺牲柑橘植株，所述正常区域种植除所述牺牲柑橘植株之外的柑橘植株，所述多个缓冲区域之间互不相连。其中，所述正常区域与缓冲区域可形成任意不同的形状，例如，多个缓冲区域分别作为多个圆心，正常区域为围绕圆心的其他部分等等。再对缓冲区域的牺牲柑橘植株进行实时传感信号检测处理，从而得到第三传感信号序列；其中所述第三传感信号序列至少包括在时间上连续的多个图像传感信号。此时，无需再对正常区域中的柑橘植株进行检测，而只需重点观测缓冲区域的牺牲柑橘植株，即可作为黄龙病预防的依据。
进一步地，所述将所述多个第二传感信号序列分别输入所述最终植株识别模型，以得到所述最终植株识别模型对应输出的多个第一病变预测程度的步骤S7，包括：
S701、将所述多个第二传感信号序列分别输入所述最终植株识别模型中，以利用卷积神经网络子模型中的输入层和隐含层对所述多个第二传感信号序列分别进行处理，从而对应得到多个初始向量；
S702、将所述初始向量输入所述长短期记忆子模型的第一长短期记忆网络，以根据公式：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；
S703、在所述第一长短期记忆网络中，分别将所述多个编码向量构成编码向量序列，从而得到与所述多个第二传感信号序列分别对应的多个编码向量序列；
S704、将所述编码向量序列输入所述第二长短期记忆网络中进行解码，以分别得到所述最终植株识别模型对应输出的多个第一病变预测程度。
从而，分别得到所述最终植株识别模型对应输出的多个第一病变预测程度，提高预测的准确度。本申请的公式：ht＝LSTMenc(xt,ht-1)，获得多个编码向量，并生成多个编码向量序列，以实现将输入的信息进行编码的目的。再采用第二长短期记忆网络中进行解码，以得到多个第一病变预测程度。进一步地，第二长短期记忆网络的解码可采用任意可行方法，例如采用公式：
Figure GDA0003499277590000151
eij＝score(si,hj)，
Figure GDA0003499277590000152
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。据此，本申请解决了本申请中长时间的植株检测过程得到的信号难以分析，采用普通的模型无法得到准确结果的问题。
进一步地，所述从预先准备的多个备用柑橘植株中选出牺牲柑橘植株，其中所述牺牲柑橘植株与所述最易带病植株的相似度值大于预设的相似度阈值的步骤S8，包括：
S801、对所述多个备用柑橘植株分别进行单次图像采集处理，以对应得到多个备用柑橘图像；
S802、将所述最终植株识别模型调为第二单通道模式，并将所述多个备用柑橘图像分别输入所述最终植株识别模型，以对应得到所述最终植株识别模型中的卷积神经网络子模型中隐含层输出的多个隐藏向量；其中，所述第二单通道模式指，输入数据经过所述最终植株识别模型中的卷积神经网络子模型中的输入层和隐含层；
S803、提取所述最易带病植株对应的第一传感信号序列中的指定图像传感信号；其中，所述指定图像传感信号指所述第一传感信号序列中的所有图像传感信号中时间最早的一张图像；
S804、将所述最终植株识别模型调为第二单通道模式，并将所述指定图像传感信号输入所述最终植株识别模型，以对应得到所述最终植株识别模型中的卷积神经网络子模型中隐含层输出的指定向量；
S805、根据预设的向量间相似度计算方法，计算所述指定向量与所述隐藏向量之间的相似度，从而得到与所述多个隐藏向量分别对应的多个相似度值；
S806、从所述多个相似度值中选出最大相似度值，并判断所述最大相似度值是否大于预设的相似度阈值；
S807、若所述最大相似度值大于预设的相似度阈值，则获取与所述最大相似度值对应的备用柑橘植株，并将所述最大相似度值对应的备用柑橘植株记为牺牲柑橘植株。
从而选出最恰当的牺牲柑橘植株，与最易带病植株相似度越高的，则越适合作为牺牲柑橘植株。如前文所述，本申请的第一传感信号序列中，最早的图像信号一定是健康植株的信号，这是用于选出牺牲柑橘植株的依据。因此，提取所述最易带病植株对应的第一传感信号序列中的指定图像传感信号，其中，所述指定图像传感信号指所述第一传感信号序列中的所有图像传感信号中时间最早的一张图像。另外，本申请的模型还具有第二单通道模式，所述第二单通道模式指，输入数据经过所述最终植株识别模型中的卷积神经网络子模型中的输入层和隐含层，从而能够更快地得到隐藏向量，并根据隐藏向量分析得到牺牲柑橘植株。另外，计算所述指定向量与所述隐藏向量之间的相似度可采用任意可行算法，例如采用余弦相似度算法。
如上述步骤S11-S13所述，将所述最终植株识别模型调为第一单通道模式，并将所述第三传感信号序列输入所述最终植株识别模型，以得到所述最终植株识别模型输出的第二病变预测程度；判断所述第二病变预测程度是否大于0；若所述第二病变预测程度大于0，则采用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第二病变预测程度对应的牺牲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微波加热技术对柑橘植株进行治疗。本申请的最终植株识别模型共有三种模式，即全通道模式、第一单通道模式、第二单通道模式，分别在不同阶段中使用。此时，利用最终植株识别模型对第三传感信号序列进行分析，采用的也是第一单通道模式，这与第二传感信号序列的分析过程是相同的，从而有利于保持数据处理的一致性。再判断所述第二病变预测程度是否大于0；若所述第二病变预测程度大于0，则采用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第二病变预测程度对应的牺牲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微波加热技术对柑橘植株进行治疗，从而实现对黄龙病的防治目的。其中，所述指定范围与第二病变预测程度正相关，即第二病变预测程度的数值越大，表明牺牲柑橘植株的病情越重，其影响范围更大，因此需要处理的指定范围也越大。因此，可以提前设置好病变预测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。另外，本申请发现微波加热技术对于柑橘植株的治疗效果明显，因此所述治疗策略至少包括利用微波加热技术对柑橘植株进行治疗。
进一步地，所述采用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第二病变预测程度对应的牺牲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微波加热技术对柑橘植株进行治疗的步骤S13，包括：
S1301、将预设的微波屏蔽罩罩住指定范围内的柑橘植株；所述微波屏蔽罩设有导波管以连接微波发生器，所述微波屏蔽罩的顶部内侧设置有桨轮，所述桨轮由预设的电机驱动；
S1302、控制所述微波发生器在指定时间内持续产生微波，并通过所述导波管将微波引导送入微波屏蔽罩内；
S1303、通过所述电机驱动所述桨轮在指定时间内旋转，以使微波在微波屏蔽罩内均匀扩散，从而以微波加热蒸发柑橘黄龙病病原菌内部水分的方式，使黄龙病病菌死亡，以完成利用微波加热技术对柑橘植株进行治疗的过程。
从而实现了利用微波加热技术对柑橘植株进行治疗的目的。本申请的微波加热技术采用了微波屏蔽罩，并且所述微波屏蔽罩设有导波管以连接微波发生器，所述微波屏蔽罩的顶部内侧设置有桨轮，所述桨轮由预设的电机驱动。其中，微波加热技术的参数与柑橘植株相关，例如每立方米的柑橘树冠体积需要加热40～180秒，微波发生器功率为0.5KW～1.5KW，加热时间和加热功率根据不同的冠层密度和黄龙病的染病情况动态确定。
进一步地，所述若所述第二病变预测程度大于0，则采用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第二病变预测程度对应的牺牲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微波加热技术对柑橘植株进行治疗的步骤S13之后，包括：
S131、对所述第二病变预测程度对应的缓冲区域中的牺牲柑橘植株进行铲除处理，从而形成空缺区域；
S132、对所述空缺区域进行隔离处理，并在隔离期间对所述空缺区域进行杀菌处理；
S133、在隔离处理之后，在所述空缺区域内重新种植所述牺牲柑橘植株。
从而完成对染病植株的清理与替换，以再次种植牺牲柑橘植株来延续对黄龙病的预防。其中，铲除处理优选对土壤也进行铲除，再替换上正常土壤。杀菌处理可采用任意可行方式进行，例如采用对黄龙病菌有杀伤效果的药剂。需要注意的是，此时的杀菌处理无需顾忌对植株的伤害，因此可以采用传统方式进行黄龙病菌杀菌时不能采用的方式(因为本申请的特别设计，使得缓冲区域的牺牲柑橘植株不用治疗)，在杀菌过程中可以采用过量的药剂。
本申请的基于植株识别模型的黄龙病防治方法，通过特别的设计，以有效防治黄龙病。具体地，得到多个第一传感信号序列；划分为训练样本和验证样本；得到中间植株识别模型；利用所述验证样本对所述中间植株识别模型进行验证；若验证结果通过，则将所述中间植株识别模型作为最终植株识别模型；对预设的多个健康柑橘植株进行实时传感信号检测处理，并引入带有黄龙病病原菌的柑橘木虱，得到多个第二传感信号序列；调为第一单通道模式，并将所述多个第二传感信号序列分别输入所述最终植株识别模型，以得到多个第一病变预测程度；选出最易带病植株，并从预先准备的多个备用柑橘植株中选出牺牲柑橘植株；在预设的柑橘林中，采用缓冲布设的方式种植柑橘植株；对缓冲区域的牺牲柑橘植株进行实时传感信号检测处理，从而得到第三传感信号序列；将所述最终植株识别模型调为第一单通道模式，并将所述第三传感信号序列输入所述最终植株识别模型，以得到所述最终植株识别模型输出的第二病变预测程度；若所述第二病变预测程度大于0，则采用预设的治疗策略对指定范围内的柑橘植株进行治疗处理。
本申请实施例提供一种基于植株识别模型的黄龙病防治装置，包括：
第一传感信号序列获取单元，用于对预先收集的多个柑橘植株样本分别进行传感信号检测处理，从而对应得到多个第一传感信号序列；其中所述多个柑橘植株样本包括带黄龙病植株和未带黄龙病植株，每个带黄龙病植株的病变程度均已知，并且所述多个第一传感信号序列中的每一个序列均标记了对应的柑橘植株样本的病变程度，其中未带黄龙病植株对应的病变程度记为0；其中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；
第一传感信号序列划分单元，用于将所述多个第一传感信号序列按预设比例划分为训练样本和验证样本；
中间植株识别模型获取单元，用于调取预设的初始植株识别模型，并将所述训练样本输入所述初始植株识别模型中进行训练，从而得到中间植株识别模型；其中，所述初始植株识别模型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，所述卷积神经网络子模型包括依次连接的输入层、隐含层和输出层，所述长短期记忆子模型包括依次连接的第一长短期记忆网络和第二长短期记忆网络，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；
中间植株识别模型验证单元，用于利用所述验证样本对所述中间植株识别模型进行验证，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样本对应标记的病变程度相同；
最终植株识别模型获取单元，用于若验证结果通过，则将所述中间植株识别模型作为最终植株识别模型；
第二传感信号序列获取单元，用于对预设的多个健康柑橘植株进行实时传感信号检测处理，并且在实时传感信号检测处理的过程中，引入带有黄龙病病原菌的柑橘木虱，从而得到所述多个健康柑橘植株在病变过程中的多个第二传感信号序列；其中所述多个第二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；
第一病变预测程度获取单元，用于将所述最终植株识别模型调为第一单通道模式，并将所述多个第二传感信号序列分别输入所述最终植株识别模型，以得到所述最终植株识别模型对应输出的多个第一病变预测程度；其中，所述最终植株识别模型的第一单通道模式指，输入数据经过所述最终植株识别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；
最易带病植株选取单元，用于根据所述多个第一病变预测程度，选出最易带病植株，并从预先准备的多个备用柑橘植株中选出牺牲柑橘植株，其中所述牺牲柑橘植株与所述最易带病植株的相似度值大于预设的相似度阈值；
缓冲布设单元，用于在预设的柑橘林中，采用缓冲布设的方式种植柑橘植株，其中所述缓冲布设指，柑橘林划分为多个正常区域和多个缓冲区域，所述缓冲区域种植所述牺牲柑橘植株，所述正常区域种植除所述牺牲柑橘植株之外的柑橘植株，所述多个缓冲区域之间互不相连；
第三传感信号序列获取单元，用于对缓冲区域的牺牲柑橘植株进行实时传感信号检测处理，从而得到第三传感信号序列；其中所述第三传感信号序列至少包括在时间上连续的多个图像传感信号；
第二病变预测程度获取单元，用于将所述最终植株识别模型调为第一单通道模式，并将所述第三传感信号序列输入所述最终植株识别模型，以得到所述最终植株识别模型输出的第二病变预测程度；
第二病变预测程度判断单元，用于判断所述第二病变预测程度是否大于0；
治疗处理单元，用于若所述第二病变预测程度大于0，则采用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第二病变预测程度对应的牺牲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微波加热技术对柑橘植株进行治疗。
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植株识别模型的黄龙病防治方法的步骤一一对应,在此不再赘述。
本申请的基于植株识别模型的黄龙病防治装置，通过特别的设计，以有效防治黄龙病。具体地，得到多个第一传感信号序列；划分为训练样本和验证样本；得到中间植株识别模型；利用所述验证样本对所述中间植株识别模型进行验证；若验证结果通过，则将所述中间植株识别模型作为最终植株识别模型；对预设的多个健康柑橘植株进行实时传感信号检测处理，并引入带有黄龙病病原菌的柑橘木虱，得到多个第二传感信号序列；调为第一单通道模式，并将所述多个第二传感信号序列分别输入所述最终植株识别模型，以得到多个第一病变预测程度；选出最易带病植株，并从预先准备的多个备用柑橘植株中选出牺牲柑橘植株；在预设的柑橘林中，采用缓冲布设的方式种植柑橘植株；对缓冲区域的牺牲柑橘植株进行实时传感信号检测处理，从而得到第三传感信号序列；将所述最终植株识别模型调为第一单通道模式，并将所述第三传感信号序列输入所述最终植株识别模型，以得到所述最终植株识别模型输出的第二病变预测程度；若所述第二病变预测程度大于0，则采用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植株识别模型的黄龙病防治方法所用数据。如图所示，计算机设备还包括显示屏和输入装置，显示屏用于展示界面，输入装置用于接收输入数据。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(在图中，与外部的终端进行通信通过双向箭头表示)。该计算机程序被处理器执行时以实现一种基于植株识别模型的黄龙病防治方法。
上述处理器执行上述基于植株识别模型的黄龙病防治方法，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植株识别模型的黄龙病防治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，以有效防治黄龙病。具体地，得到多个第一传感信号序列；划分为训练样本和验证样本；得到中间植株识别模型；利用所述验证样本对所述中间植株识别模型进行验证；若验证结果通过，则将所述中间植株识别模型作为最终植株识别模型；对预设的多个健康柑橘植株进行实时传感信号检测处理，并引入带有黄龙病病原菌的柑橘木虱，得到多个第二传感信号序列；调为第一单通道模式，并将所述多个第二传感信号序列分别输入所述最终植株识别模型，以得到多个第一病变预测程度；选出最易带病植株，并从预先准备的多个备用柑橘植株中选出牺牲柑橘植株；在预设的柑橘林中，采用缓冲布设的方式种植柑橘植株；对缓冲区域的牺牲柑橘植株进行实时传感信号检测处理，从而得到第三传感信号序列；将所述最终植株识别模型调为第一单通道模式，并将所述第三传感信号序列输入所述最终植株识别模型，以得到所述最终植株识别模型输出的第二病变预测程度；若所述第二病变预测程度大于0，则采用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植株识别模型的黄龙病防治方法，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植株识别模型的黄龙病防治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，以有效防治黄龙病。具体地，得到多个第一传感信号序列；划分为训练样本和验证样本；得到中间植株识别模型；利用所述验证样本对所述中间植株识别模型进行验证；若验证结果通过，则将所述中间植株识别模型作为最终植株识别模型；对预设的多个健康柑橘植株进行实时传感信号检测处理，并引入带有黄龙病病原菌的柑橘木虱，得到多个第二传感信号序列；调为第一单通道模式，并将所述多个第二传感信号序列分别输入所述最终植株识别模型，以得到多个第一病变预测程度；选出最易带病植株，并从预先准备的多个备用柑橘植株中选出牺牲柑橘植株；在预设的柑橘林中，采用缓冲布设的方式种植柑橘植株；对缓冲区域的牺牲柑橘植株进行实时传感信号检测处理，从而得到第三传感信号序列；将所述最终植株识别模型调为第一单通道模式，并将所述第三传感信号序列输入所述最终植株识别模型，以得到所述最终植株识别模型输出的第二病变预测程度；若所述第二病变预测程度大于0，则采用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 (8)

1.一种基于植株识别模型的黄龙病防治方法，其特征在于，包括：
S1、对预先收集的多个柑橘植株样本分别进行传感信号检测处理，从而对应得到多个第一传感信号序列；其中所述多个柑橘植株样本包括带黄龙病植株和未带黄龙病植株，每个带黄龙病植株的病变程度均已知，并且所述多个第一传感信号序列中每一个均标记了对应的柑橘植株样本的病变程度，其中未带黄龙病植株对应的病变程度记为0；其中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；
S2、将所述多个第一传感信号序列按预设比例划分为训练样本和验证样本；
S3、调取预设的初始植株识别模型，并将所述训练样本输入所述初始植株识别模型中进行训练，从而得到中间植株识别模型；其中，所述初始植株识别模型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，所述卷积神经网络子模型包括依次连接的输入层、隐含层和输出层，所述长短期记忆子模型包括依次连接的第一长短期记忆网络和第二长短期记忆网络，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；
S4、利用所述验证样本对所述中间植株识别模型进行验证，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样本对应标记的病变程度相同；
S5、若验证结果通过，则将所述中间植株识别模型作为最终植株识别模型；
S6、对预设的多个健康柑橘植株进行实时传感信号检测处理，并且在实时传感信号检测处理的过程中，引入带有黄龙病病原菌的柑橘木虱，从而得到所述多个健康柑橘植株在病变过程中的多个第二传感信号序列；其中所述多个第二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；
S7、将所述最终植株识别模型调为第一单通道模式，并将所述多个第二传感信号序列分别输入所述最终植株识别模型，以得到所述最终植株识别模型对应输出的多个第一病变预测程度；其中，所述最终植株识别模型的第一单通道模式指，输入数据经过所述最终植株识别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；
S8、根据所述多个第一病变预测程度，选出最易带病植株，并从预先准备的多个备用柑橘植株中选出牺牲柑橘植株，其中所述牺牲柑橘植株与所述最易带病植株的相似度值大于预设的相似度阈值；
S9、在预设的柑橘林中，采用缓冲布设的方式种植柑橘植株，其中所述缓冲布设指，柑橘林划分为多个正常区域和多个缓冲区域，所述缓冲区域种植所述牺牲柑橘植株，所述正常区域种植除所述牺牲柑橘植株之外的柑橘植株，所述多个缓冲区域之间互不相连；
S10、对缓冲区域的牺牲柑橘植株进行实时传感信号检测处理，从而得到第三传感信号序列；其中所述第三传感信号序列至少包括在时间上连续的多个图像传感信号；
S11、将所述最终植株识别模型调为第一单通道模式，并将所述第三传感信号序列输入所述最终植株识别模型，以得到所述最终植株识别模型输出的第二病变预测程度；
S12、判断所述第二病变预测程度是否大于0；
S13、若所述第二病变预测程度大于0，则采用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第二病变预测程度对应的牺牲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微波加热技术对带病柑橘植株进行治疗。
2.根据权利要求1所述的基于植株识别模型的黄龙病防治方法，其特征在于，所述将所述多个第二传感信号序列分别输入所述最终植株识别模型，以得到所述最终植株识别模型对应输出的多个第一病变预测程度的步骤S7，包括：
S701、将所述多个第二传感信号序列分别输入所述最终植株识别模型中，以利用卷积神经网络子模型中的输入层和隐含层对所述多个第二传感信号序列分别进行处理，从而对应得到多个初始向量；
S702、将所述初始向量输入所述长短期记忆子模型的第一长短期记忆网络，以根据公式：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；
S703、在所述第一长短期记忆网络中，分别将所述多个编码向量构成编码向量序列，从而得到与所述多个第二传感信号序列分别对应的多个编码向量序列；
S704、将所述编码向量序列输入所述第二长短期记忆网络中进行解码，以分别得到所述最终植株识别模型对应输出的多个第一病变预测程度。
3.根据权利要求1所述的基于植株识别模型的黄龙病防治方法，其特征在于，所述从预先准备的多个备用柑橘植株中选出牺牲柑橘植株，其中所述牺牲柑橘植株与所述最易带病植株的相似度值大于预设的相似度阈值的步骤S8，包括：
S801、对所述多个备用柑橘植株分别进行单次图像采集处理，以对应得到多个备用柑橘图像；
S802、将所述最终植株识别模型调为第二单通道模式，并将所述多个备用柑橘图像分别输入所述最终植株识别模型，以对应得到所述最终植株识别模型中的卷积神经网络子模型中隐含层输出的多个隐藏向量；其中，所述第二单通道模式指，输入数据经过所述最终植株识别模型中的卷积神经网络子模型中的输入层和隐含层；
S803、提取所述最易带病植株对应的第一传感信号序列中的指定图像传感信号；其中，所述指定图像传感信号指所述第一传感信号序列中的所有图像传感信号中时间最早的一张图像；
S804、将所述最终植株识别模型调为第二单通道模式，并将所述指定图像传感信号输入所述最终植株识别模型，以对应得到所述最终植株识别模型中的卷积神经网络子模型中隐含层输出的指定向量；
S805、根据预设的向量间相似度计算方法，计算所述指定向量与所述隐藏向量之间的相似度，从而得到与所述多个隐藏向量分别对应的多个相似度值；
S806、从所述多个相似度值中选出最大相似度值，并判断所述最大相似度值是否大于预设的相似度阈值；
S807、若所述最大相似度值大于预设的相似度阈值，则获取与所述最大相似度值对应的备用柑橘植株，并将所述最大相似度值对应的备用柑橘植株记为牺牲柑橘植株。
4.根据权利要求1所述的基于植株识别模型的黄龙病防治方法，其特征在于，所述采用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第二病变预测程度对应的牺牲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微波加热技术对带病柑橘植株进行治疗的步骤S13，包括：
S1301、将预设的微波屏蔽罩罩住指定范围内的柑橘植株；所述微波屏蔽罩设有导波管以连接微波发生器，所述微波屏蔽罩的顶部内侧设置有桨轮，所述桨轮由预设的电机驱动；
S1302、控制所述微波发生器在指定时间内持续产生微波，并通过所述导波管将微波引导送入微波屏蔽罩内；
S1303、通过所述电机驱动所述桨轮在指定时间内旋转，以使微波在微波屏蔽罩内均匀扩散，从而以微波加热蒸发柑橘黄龙病病原菌内部水分的方式，使黄龙病病菌死亡，以完成利用微波加热技术对带病柑橘植株进行治疗的过程。
5.根据权利要求1所述的基于植株识别模型的黄龙病防治方法，其特征在于，所述若所述第二病变预测程度大于0，则采用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第二病变预测程度对应的牺牲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微波加热技术对柑橘植株进行治疗的步骤S13之后，包括：
S131、对所述第二病变预测程度对应的缓冲区域中的牺牲柑橘植株进行铲除处理，从而形成空缺区域；
S132、对所述空缺区域进行隔离处理，并在隔离期间对所述空缺区域进行杀菌处理；
S133、在隔离处理之后，在所述空缺区域内重新种植所述牺牲柑橘植株。
6.一种基于植株识别模型的黄龙病防治装置，其特征在于，包括：
第一传感信号序列获取单元，用于对预先收集的多个柑橘植株样本分别进行传感信号检测处理，从而对应得到多个第一传感信号序列；其中所述多个柑橘植株样本包括带黄龙病植株和未带黄龙病植株，每个带黄龙病植株的病变程度均已知，并且所述多个第一传感信号序列中的每一个序列均标记了对应的柑橘植株样本的病变程度，其中未带黄龙病植株对应的病变程度记为0；其中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；
第一传感信号序列划分单元，用于将所述多个第一传感信号序列按预设比例划分为训练样本和验证样本；
中间植株识别模型获取单元，用于调取预设的初始植株识别模型，并将所述训练样本输入所述初始植株识别模型中进行训练，从而得到中间植株识别模型；其中，所述初始植株识别模型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，所述卷积神经网络子模型包括依次连接的输入层、隐含层和输出层，所述长短期记忆子模型包括依次连接的第一长短期记忆网络和第二长短期记忆网络，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；
中间植株识别模型验证单元，用于利用所述验证样本对所述中间植株识别模型进行验证，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样本对应标记的病变程度相同；
最终植株识别模型获取单元，用于若验证结果通过，则将所述中间植株识别模型作为最终植株识别模型；
第二传感信号序列获取单元，用于对预设的多个健康柑橘植株进行实时传感信号检测处理，并且在实时传感信号检测处理的过程中，引入带有黄龙病病原菌的柑橘木虱，从而得到所述多个健康柑橘植株在病变过程中的多个第二传感信号序列；其中所述多个第二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；
第一病变预测程度获取单元，用于将所述最终植株识别模型调为第一单通道模式，并将所述多个第二传感信号序列分别输入所述最终植株识别模型，以得到所述最终植株识别模型对应输出的多个第一病变预测程度；其中，所述最终植株识别模型的第一单通道模式指，输入数据经过所述最终植株识别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；
最易带病植株选取单元，用于根据所述多个第一病变预测程度，选出最易带病植株，并从预先准备的多个备用柑橘植株中选出牺牲柑橘植株，其中所述牺牲柑橘植株与所述最易带病植株的相似度值大于预设的相似度阈值；
缓冲布设单元，用于在预设的柑橘林中，采用缓冲布设的方式种植柑橘植株，其中所述缓冲布设指，柑橘林划分为多个正常区域和多个缓冲区域，所述缓冲区域种植所述牺牲柑橘植株，所述正常区域种植除所述牺牲柑橘植株之外的柑橘植株，所述多个缓冲区域之间互不相连；
第三传感信号序列获取单元，用于对缓冲区域的牺牲柑橘植株进行实时传感信号检测处理，从而得到第三传感信号序列；其中所述第三传感信号序列至少包括在时间上连续的多个图像传感信号；
第二病变预测程度获取单元，用于将所述最终植株识别模型调为第一单通道模式，并将所述第三传感信号序列输入所述最终植株识别模型，以得到所述最终植株识别模型输出的第二病变预测程度；
第二病变预测程度判断单元，用于判断所述第二病变预测程度是否大于0；
治疗处理单元，用于若所述第二病变预测程度大于0，则采用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第二病变预测程度对应的牺牲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微波加热技术对带病柑橘植株进行治疗。
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。
CN202110116453.0A 2021-01-28 2021-01-28 基于植株识别模型的黄龙病防治方法、装置和计算机设备 Active CN112966550B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110116453.0A CN112966550B (zh) 2021-01-28 2021-01-28 基于植株识别模型的黄龙病防治方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110116453.0A CN112966550B (zh) 2021-01-28 2021-01-28 基于植株识别模型的黄龙病防治方法、装置和计算机设备

Publications (2)

Publication Number Publication Date
CN112966550A CN112966550A (zh) 2021-06-15
CN112966550B true CN112966550B (zh) 2022-03-11

Family

ID=76271933

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110116453.0A Active CN112966550B (zh) 2021-01-28 2021-01-28 基于植株识别模型的黄龙病防治方法、装置和计算机设备

Country Status (1)

Country Link
CN (1) CN112966550B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114882357B (zh) * 2022-04-28 2023-01-24 广东技术师范大学 基于双重追踪的水稻白叶枯病防治方法与装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108921814A (zh) * 2018-05-16 2018-11-30 华南农业大学 一种基于深度学习的柑橘黄龙病在线快速检测系统及方法
CN110363125A (zh) * 2019-07-04 2019-10-22 浙江大学山东工业技术研究院 采用模型传递识别不同品种柑橘黄龙病的方法
WO2020229585A1 (en) * 2019-05-16 2020-11-19 Basf Se System and method for plant disease detection support
CN112164041A (zh) * 2020-09-18 2021-01-01 南昌航空大学 基于多尺度深度神经网络的黄龙病自动诊疗系统及方法
WO2021007857A1 (zh) * 2019-07-18 2021-01-21 深圳海付移通科技有限公司 一种身份验证方法、终端设备、存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10853635B2 (en) * 2018-07-10 2020-12-01 University Of Florida Research Foundation, Incorporated Automated systems and methods for monitoring and mapping insects in orchards

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108921814A (zh) * 2018-05-16 2018-11-30 华南农业大学 一种基于深度学习的柑橘黄龙病在线快速检测系统及方法
WO2020229585A1 (en) * 2019-05-16 2020-11-19 Basf Se System and method for plant disease detection support
CN110363125A (zh) * 2019-07-04 2019-10-22 浙江大学山东工业技术研究院 采用模型传递识别不同品种柑橘黄龙病的方法
WO2021007857A1 (zh) * 2019-07-18 2021-01-21 深圳海付移通科技有限公司 一种身份验证方法、终端设备、存储介质
CN112164041A (zh) * 2020-09-18 2021-01-01 南昌航空大学 基于多尺度深度神经网络的黄龙病自动诊疗系统及方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"Citrus Tree Segmentation from UAV Images Based on Monocular Machine Vision in a Natural Orchard Environment";Yayong Chen等;《Sensors》;20191231;第19卷(第24期);论文全文 *
"变工况下柴油机故障在线监测与维修决策优化方法研究与应用";赖岳华;《博士电子期刊》;20210115(第01期);论文全文 *
"基于无人机高光谱遥感的柑橘黄龙病植株的监测与分类";兰玉彬等;《农业工程学报》;20191231;第35卷(第03期);论文全文 *
"脐橙黄龙病树的近红外光谱数据综合分析与应用研究";邹俊丞;《硕士电子期刊》;20200715(第07期);论文全文 *

Also Published As

Publication number Publication date
CN112966550A (zh) 2021-06-15

Similar Documents

Publication Publication Date Title
Toğaçar et al. BrainMRNet: Brain tumor detection using magnetic resonance images with a novel convolutional neural network model
RU2765695C2 (ru) Устройство определения поражения заболеванием, способ определения поражения заболеванием и программа определения поражения заболеванием
Imrie et al. River flow prediction using artificial neural networks: generalisation beyond the calibration range
Sridhar et al. Brain tumor classification using discrete cosine transform and probabilistic neural network
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
CN102008349A (zh) 使用医学诊断超声的温度预测
CN111985584B (zh) 基于多模态数据的疾病辅助检测设备、方法、装置及介质
US11386553B2 (en) Medical image data
CN112613517B (zh) 内窥镜仪器分割方法、装置、计算机设备及存储介质
Adeyinka et al. Skin lesion images segmentation: A survey of the state-of-the-art
Banerjee et al. A new approach of ECG steganography and prediction using deep learning
CN110399915A (zh) 一种基于深度学习的超声图像识别方法及其系统
CN117274270B (zh) 基于人工智能的消化内镜实时辅助系统及方法
Al-Wesabi et al. Artificial Intelligence Enabled Apple Leaf Disease Classification for Precision Agriculture.
Qiu et al. Cuffless blood pressure estimation based on composite neural network and graphics information
CN110490841B (zh) 计算机辅助影像分析方法、计算机设备和存储介质
CN116172688A (zh) 基于支撑向量回归的射频消融损伤深度预测模型和系统
Guo et al. Fetal ultrasound standard plane detection with coarse-to-fine multi-task learning
CN115115038B (zh) 一种基于单导联心电信号的模型构建方法及性别识别方法
Tripathy et al. Image processing–based artificial intelligence system for rapid detection of plant diseases
Singh et al. Machine-vision-based nitrogen management models for rice
Mishra Application Specific Instrumentation (ASIN): A Bio-inspired Paradigm to Instrumentation using recognition before detection
CN111986804A (zh) 基于体温数据进行模型训练的方法、装置和计算机设备
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
Amiya et al. Assertion of Low Bone Mass in Osteoporotic X-ray images using Deep Learning Technique

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