CN112966758B - 一种农作物病虫草害识别方法、装置、系统及存储介质 - Google Patents

一种农作物病虫草害识别方法、装置、系统及存储介质 Download PDF

Info

Publication number
CN112966758B
CN112966758B CN202110271820.4A CN202110271820A CN112966758B CN 112966758 B CN112966758 B CN 112966758B CN 202110271820 A CN202110271820 A CN 202110271820A CN 112966758 B CN112966758 B CN 112966758B
Authority
CN
China
Prior art keywords
crop
image
pest
user
disease
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
CN202110271820.4A
Other languages
English (en)
Other versions
CN112966758A (zh
Inventor
蔡永维
孟婕
黄海强
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.)
Sinochem Agriculture Holdings
Original Assignee
Sinochem Agriculture Holdings
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 Sinochem Agriculture Holdings filed Critical Sinochem Agriculture Holdings
Priority to CN202110271820.4A priority Critical patent/CN112966758B/zh
Publication of CN112966758A publication Critical patent/CN112966758A/zh
Application granted granted Critical
Publication of CN112966758B publication Critical patent/CN112966758B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • 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
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Marketing (AREA)
  • Agronomy & Crop Science (AREA)
  • Mining & Mineral Resources (AREA)
  • Probability & Statistics with Applications (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Animal Husbandry (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种农作物病虫草害识别方法、装置、系统及存储介质，用于提高农作物病虫害识别的效率和准确度，提供有针对性的防治方案。本申请公开的农作物病虫害图像处理方法包括：获取农作物图像；对所述农作物图像进行分类；对所述农作物图像进行特征检测，确定标框图像；对所述标框图像进行识别。本申请还提供了一种农作物病虫害图像处理装置、系统及存储介质。

Description

一种农作物病虫草害识别方法、装置、系统及存储介质
技术领域
本申请涉及图像处理领域，尤其涉及一种农作物病虫草害识别方法、装置、系统和存储介质。
背景技术
在农业种植领域，病虫害防治是无法逃避的工作。在病虫害防治的第一步是对害虫品种的准确鉴别和判断。一般的农业工作者因为专业知识和资料的缺乏，难以在第一时间准确判断害虫的种类。现有技术中，基于图像识别技术中基于用户拍摄的病害虫图片，通过照片中害虫或病虫害叶片的边缘识别出害虫或病状形状，再通过其形状特征匹配病虫害数据库，从而识别出病虫害的种类，为农业工作者提供病虫害防治的参考意见。但是这种识别方式存在一些不足之处：不同种类病虫害的边缘特征较为接近，特别是一些害虫幼虫形状体态等特征十分接近，容易造成较大的识别误差。
发明内容
针对上述技术问题，本申请实施例提供了一种农作物病虫草害识别方法、装、系统置及存储介质，提高农作物病虫害识别的效率和准确度，并提供相应的防治方案。
第一方面，本申请实施例提供的一种农作物病虫草害识别方法，包括：
获取农作物图像；
对所述农作物图像进行分类；
对所述农作物图像进行特征检测，确定标框图像；
对所述标框图像进行识别；
其中，所述分类包括不属于农作物的图像和属于农作物的图像；
所述标框图像是包括病虫草害的农作物的图像。
优选的，所述获取农作物图像包括：
通过用户终端上传所述农作物图像到病虫草害识别系统服务器。
优选的，所述对所述农作物图像进行分类包括：
过滤掉不属于农作物的图像。
优选的，上述过滤掉不属于农作物的图像的方法包括：
通过残差网络，Residual Network，ResNet，对所述农作物图像进行进行卷积降维；
将特征图的尺寸减小一半获得第一特征图像；
对所述第一特征图像进行以下至少之一处理：加BN，Relu激活或者最大池化；
连接安全层，过滤掉不属于农作物的图像，并提示用户重新拍摄。
优选的，所述对所述农作物图像进行特征检测，确定标框图像包括：
通过特征提取器提取所述图像的特征；
对所述特征进行多尺度预测，得到第二特征图像；
针对所述第二特征图像，对病状进行标框，得到标框图像。
优选的，所述对所述标框图像进行识别包括：
对所述标框图像的每一个尺度，根据卷积网络和注意力提取网络APN，识别出所述标框图像中病虫害的位置。
进一步的，对所述标框图像进行识别之后还包括：
向用户输出无法识别的特征，并接收用户的选择结果。
进一步的，所述接收用户的选择结果之后还包括：
根据所述标框图像的识别结果和所述用户的选择结果，确定病虫草害的类别。
进一步的，所述确定病虫草害的类别之后还包括：
根据所述病虫草害的类别从病虫草害数据库中搜索对应的防治方案；
所述防治方案包括以下之一或者组合：
防治的药物种类和所述药物的使用方法；
根据所述用户的地理位置搜索到的所述用户附近的咨询信息；
根据所述用户的地理位置搜索到的所述用户附近农作物病虫草害发病情况信息；
针对所述病虫草害的类别的全国病情地图。
使用本发明提供的农作物病虫草害识别方法，将检测识别与分类识别相结合，即能解决单一典型症状的识别，也可以更好地解决实际场景中发病率较高的复合症状的识别，提高了在实际多元化场景下的病虫害识别率，且在数据样本在不均衡的情况下，提高识别率。同时，增加的预分类的算法，将用户不合格的图片做初步筛除，提示用户重新拍照，提高图片质量的同时，使识别结果更加精准。本发明的方法，利用病虫害大数据，分析出用户周边的病虫害发病情况，并将侵染性病虫害提醒给用户，提前预防，降低发病风险；同时，根据用户实际病虫害发生数据，可以分析出全国病情地图与虫情地图，制定专家报告，为农户、植保服务人员等提供决策依据，降低决策风险。
第二方面，本申请实施例还提供一种农作物病虫草害识别装置，包括：
获取和分类模块，被配置用于获取农作物图像，对所述农作物图像进行分类；
检测模块，被配置用于对所述农作物图像进行特征检测，确定标框图像；
识别模块，被配置用于对所述标框图像进行识别；
其中，所述分类包括不属于农作物的图像和属于农作物的图像；
所述标框图像是包括病虫草害的农作物的图像。
第三方面，本申请实施例还提供一种农作物病虫草害识别系统，包括：
用户终端，被配置用于采集农作物图像，并将所述农作物图像通过网络连接上传到病虫草害识别系统服务器，并接收所述病虫草害识别系统服务器的识别结果和对应的防治方案信息；
病虫草害数据库，被配置用于病虫草害对应的防治方案；
病虫草害识别系统服务器，被配置用于接收所述用户终端上传的所述农作物图像，对所述农作物图像进行分类，对所述农作物图像进行特征检测，确定标框图像，对所述标框图像进行识别；
其中，所述分类包括不属于农作物的图像和属于农作物的图像；
所述标框图像是包括病虫草害的农作物的图像。
第四方面，本申请实施例还提供一种农作物病虫草害识别装置，包括：存储器、处理器和用户接口；
所述存储器，用于存储计算机程序；
所述用户接口，用于与用户实现交互；
所述处理器，用于读取所述存储器中的计算机程序，所述处理器执行所述计算机程序时，实现本发明提供的农作物病虫草害识别方法。
第五方面，本申请实施例还提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述处理器执行所述计算机程序时实现本发明提供的农作物病虫草害识别方法。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅是本申请的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的农作物病虫草害识别方法流程示意图；
图2为本申请实施例提供的农作物图像预分类方法示意图；
图3为本申请实施例提供的农作物图像识别方法示意图；
图4为本申请实施例提供的农作物示标框图像处理流程示意图；
图5为本申请实施例提供的一种农作物病虫草害识别装置示意图；
图6为本申请实施例提供的一种农作物病虫草害识别系统示意图；
图7为本申请实施例提供的另一种农作物病虫草害识别装置结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
下面对文中出现的一些词语进行解释：
1、本发明实施例中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
2、本申请实施例中术语“多个”是指两个或两个以上，其它量词与之类似。
3、ANN，人工神经网络，Artificial Neural Network；
4、ResNet，残差网络，Residual Network；
5、BN：批量归一化，BatchNorm；
6、Relu激活：神经网络中的激活函数。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，并不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，本申请实施例的展示顺序仅代表实施例的先后顺序，并不代表实施例所提供的技术方案的优劣。
实施例一
参见图1，本申请实施例提供的一种农作物病虫草害识别方法示意图，如图1所示，该方法包括步骤S101到S104：
S101、获取农作物图像；
S102、对所述农作物图像进行分类；
S103、对所述农作物图像进行特征检测，确定标框图像；
S104、对所述标框图像进行识别；
其中，上述分类包括不属于农作物的图像和属于农作物的图像，所述标框图像是包括病虫草害的农作物的图像。
本发明实施例中，将检测识别与分类识别相结合，即能解决单一典型症状的识别，也可以更好地解决实际场景中发病率较高的复合症状的识别，保证了在实际多元化场景下的病虫害识别率。
作为一种优选示例，获取农作物图像，可以通过用户终端上传所述农作物图像到病虫草害识别系统服务器。用户使用用户终端，包括智能手机，普通拍照设备，专用拍照设备等拍摄农作物图像，并通过网络上传到病虫草害识别系统服务器。用户终端也可以直接读取已经拍摄的图像，例如从手机相册中选择等，将农作物图像上传到病虫草害识别系统服务器。需要说明的是，用户终端需要具备网络连接功能，并能与病虫草害识别系统服务器连接。用户终端可以通过专用的应用程序APP实现与病虫草害识别系统服务器的连接和图片的上传，也可以通过其他符合系统要求的程序实现与病虫草害识别系统服务器的连接和图片的上传。
本发明实施例中，通过对图片进行预分类，识别出不属于农作物的图像，或者拍摄质量不满足要求的图像，并提示用户重新拍摄和上传图片，从而提高识别的精准度。
作为一种优选示例，本发明实施例中，将图片分为不属于农作物的图像和属于农作物的图像，上述对图片的预分类，目的是识别出不属于农作物的图像并剔除，并提示用户重新拍摄。优选的，上述步骤S102对所述农作物图像进行分类的方法如图2所示，包括：
S201、通过残差网络，Residual Network，ResNet对所述农作物图像进行进行卷积降维；
S202、将特征图的尺寸减小一半获得第一特征图像；
S203、对所述第一特征图像进行以下至少之一处理：加批量归一化BatchNorm，Relu激活或者最大池化；
S204、连接安全层，过滤掉不属于农作物的图像。
优选的，步骤S201中，通过ResNet残差网络对所述农作物图像进行进行卷积降维包括：
在特征图的通道数上进行卷积，压缩特征图，二次提取特征；通过本步骤后，使得新特征图的特征表达更好。作为一个优选示例，由3个1×1大小的卷积核变为2个1×1大小的卷积核，特征图的深度从3变成2。
作为一种优选示例，为了提高识别的精度，可从拍摄的图像中识别出包括病虫草害的部分。具体的，上述步骤S103中，对所述农作物图像进行特征检测，确定标框图像，如图3所示，包括：
S301、通过特征提取器提取所述图像的特征；
S302、对所述特征进行多尺度预测，得到第二特征图像；
S303、针对所述第二特征图像，对病状进行标框，得到标框图像。
优选的，上述步骤S301到S303，可通过You Only Look Once版本3，YOLOV3，网络实现，将整张图作为YOLOV3网络的输入，直接在输出层回归bounding box(边界框)的位置及其所属的类别，从而得到标框图像。
上述步骤S301中，特征提取是指使用特征提取器提取图像中属于特征性的信息。作为一种优选示例，特征提取器可以是YOLOV3中的特征提取器。需要说明的是，提取哪些特征，网络根据图片通道降维收敛后突出的共有特征，是相同的分类图片共有的特征。
上述步骤S302中，进行多尺度预测是指在不同的特征尺度进行预测，最后将结果进行融合，以目标检测中的SSD为代表。SSD用不同stride在不同大小的特征图上进行预测。低层特征图stride较小，尺寸较大，感受野较小，期望能检测到小目标。高层特征图stride较大，尺寸较小，感受野较大，期望能检测到大目标。
上述步骤S303中，对病状进行标框，是指对病状特征的表现进行坐标计算，根据坐标在图片上进行标框。
需要说明的是，标框图像是指，包含病虫草害的图像，是用户上传的农作物图像的一部分。经过本发明实施例的步骤S301到S303处理后，从农作物图像中识别出了包括病虫草害的部分，剔除了不包括病虫草害的部分。
需要说明的是，标框图像是一个矩形图像。
作为一种优选示例，为了得到精度更高的分类识别结果，需要对图像进一步进行细腻度图像分类。上述步骤S104中，对标框图像进行分类识别的方法如图4所示，对所述标框图像的每一个尺度，根据卷积网络和注意力提取网络APN，识别出所述标框图像中病虫害的位置。需要说明的是，尺度是指卷积层中卷积核的大小，例如N*N，图像的大小N*N，使用多个不同尺度的卷积核对原始图像进行卷积操作，提取多种底层特征。对于标框图像，每一个尺度上的卷积网络和相邻尺度间的注意力提取网络(APN,Attention Proposal Network)间构成循环，即上层的输出作为当层的输入，在每一个尺度中，使用了堆叠的卷积层等，接上全连接层于softmax层，最后输出最终类别的概率。需要说明的是，本实施例所述的循环指的是网络结构不变，一个尺度图片经过一次完整的网络处理后，新的尺度再次进入这个网络进行处理即为循环。softmax函数，也可以称归一化指数函数，是二分类函数sigmoid在多分类上的推广，目的是将多分类的结果以概率的形式展现出来。例如，深度神经网络的最后一层是全连接层+Softmax层，经过全连接层，获得K和K个类别(-∞,+∞)和(-∞,+∞)范围内的分数zj和zj，为了得到属于每个类别的概率，先通过
Figure BDA0002974459040000091
和
Figure BDA0002974459040000092
将分数映射到(0,+∞)和(0,+∞)，然后再归一化到(0,1)和(0,1)。
作为一种优选示例，上述步骤S104中，若有无法识别的特征，向用户输出无法识别的特征，提示用户进行选择，并接收用户的选择结果。由于农作物的病虫害存在易混症状，对于深度学习网络无法识别的情况，增加人机互动功能，提示用户待选的几个特定表征来加强结果的识别，结合用户所选的特征和深度学习模型给出的预测概率得到最终的识别结果。具体的，模型预测出几种识别结果后，通过人机互动功能，按用户选择对识别结果是否包含及所包含特定表征进行筛选，筛出符合特定表征的结果，作为最终识别结果。
作为一种优选示例，提示用户待选的特定表征，包括以下之一或者组合：病变部位为老叶、病变部位为新叶；叶片形状狭长、叶片形状正常；变色表面有霉层、变色表面无霉层；病斑可刮离、病斑不可刮离；病斑外围有黄色晕圈、病斑外围无黄色晕圈；老叶黄化、新叶黄化。
作为另一种优选示例，针对无法识别的特征，用户做出选择后，根据所述标框图像的识别结果和所述用户的选择结果，确定病虫草害的类别。通过结合对标框图像的识别结果和用户选择的结果，能更准确的识别出病虫草害的种类，提高识别的准确度。
需要说明的是，结合对标框图像的识别结果和用户选择的结果，具体的结合规则，根据不同的病虫害种类预先设置在识别系统中，具体本实施例不做限定。
作为另一种优选示例，确定病虫草害的类别后，还可以包括：
根据所述病虫草害的类别从病虫草害数据库中搜索对应的防治方案；
所述防治方案包括以下之一或者组合：
防治的药物种类和所述药物的使用方法；
根据所述用户的地理位置搜索到的所述用户附近的咨询信息；
根据所述用户的地理位置搜索到的所述用户附近农作物病虫草害发病情况信息；
针对所述病虫草害的类别的全国病情地图。
本实施例中，病虫草害数据库中包含的信息包括但不限于：该病虫害的拉丁名称/英文名称、防治方案(化学防治、物理防治、农业措施等)、病虫害表现症状、发生原因，化学防治中还推荐有具体的化学药剂与药剂详情介绍。
本实施例中，用户附近的咨询信息，包括但不限于农艺师的名称、农艺师的联系方式、农艺师的介绍等。
本实施例中，用户附近农作物病虫草害发病情况信息，用于提示用户，提前预防，降低发病风险，并有针对性的采取其他防范措施。
本实施例中，病虫草害的类别的全国病情地图，用于制定制定专题报告，为农户、植保服务人员等提供决策依据。
通过本实施例的方法，将检测识别与分类识别相结合，即能解决单一典型症状的识别，也可以更好地解决实际场景中的复合症状的识别，保证了在实际多元化场景下的病虫害识别率；通过对图片进行标框再进行识别的图片增强的方式，解决数据样本在不均衡的情况下，达到提高识别率的效果；通过增加预分类，可以提高用户拍照的质量，将用户不合格的图片做初步筛除，提示用户重新拍照，提高图片质量的同时，使识别结果更加精准；通过增加易混症状的人机交互功能，解决无法区分的病虫害种类，提高识别率。
需要说明的是，本发明实施例中所述的图片增强方式，还可以包括：裁剪、缩放、透视变换、色调变化、饱和度变化、亮度变化、对比度变化、夜景增强、去雾等。
实施例二
基于同一个发明构思，本发明实施例还提供了一种农作物病虫草害识别装置，如图5所示，该装置包括：
获取和分类模块501，被配置用于获取农作物图像，对所述农作物图像进行分类；
检测模块502，被配置用于对所述农作物图像进行特征检测，确定标框图像；
识别模块503，被配置用于对所述标框图像进行识别；
其中，所述分类包括不属于农作物的图像和属于农作物的图像；
所述标框图像是包括病虫草害的农作物的图像。
需要说明的是，本实施例提供的获取和分类模块501，能实现实施例一中步骤S101和S102包含的全部功能，解决相同技术问题，达到相同技术效果，在此不再赘述；
相应的，本实施例提供的获取和分类模块502，能实现实施例一中步骤S103包含的全部功能，解决相同技术问题，达到相同技术效果，在此不再赘述；
相应的，本实施例提供的获取和分类模块503，能实现实施例一中步骤S104包含的全部功能，解决相同技术问题，达到相同技术效果，在此不再赘述；
作为一种优选示例，农作物病虫草害识别装置还包括输入输出模块，配配置用于向用户输出无法识别的特征，并接收用户的选择结果；
输入输出模块还被配置用于：
根据所述病虫草害的类别从病虫草害数据库中搜索对应的防治方案；
所述防治方案包括以下之一或者组合：
防治的药物种类和所述药物的使用方法；
根据所述用户的地理位置搜索到的所述用户附近的咨询信息；
根据所述用户的地理位置搜索到的所述用户附近农作物病虫草害发病情况信息；
针对所述病虫草害的类别的全国病情地图。
需要说明的是，实施例二提供的装置与实施例一提供的方法属于同一个发明构思，解决相同的技术问题，达到相同的技术效果，实施例二提供的装置能实现实施例一的所有方法，相同之处不再赘述。
实施例三
基于同一个发明构思，本发明实施例还提供了一种农作物病虫草害识别系统，如图6所示，该装置包括：
用户终端601，被配置用于采集农作物图像，并将所述农作物图像通过网络连接上传到病虫草害识别系统服务器，并接收所述病虫草害识别系统服务器的识别结果和对应的防治方案信息；
病虫草害数据库603，被配置用于病虫草害对应的防治方案；
病虫草害识别系统服务器602，被配置用于接收所述用户终端上传的所述农作物图像，对所述农作物图像进行分类，对所述农作物图像进行特征检测，确定标框图像，对所述标框图像进行识别；
其中，所述分类包括不属于农作物的图像和属于农作物的图像；
所述标框图像是包括病虫草害的农作物的图像。
所述用户终端601与所述病虫草害识别系统服务器602之间通过网络连接，所述病虫草害识别系统服务器602可以对所述病虫草害数据库603中的数据进行读取或者写入。
作为一种优选示例，病虫草害识别系统服务器602还被配置用于向所述用户终端601输出无法识别的特征，所述用户终端602接收用户针对无法识别的特征的选择结果，并将该选择结果传输给所述病虫草害识别系统服务器602。
作为一种优选示例，所述病虫草害识别系统服务器602还被配置用于根据所述标框图像的识别结果和所述用户的选择结果，确定病虫草害的类别。
作为一种优选示例，所述病虫草害识别系统服务器602还被配置用于根据所述病虫草害的类别从病虫草害数据库中搜索对应的防治方案，并将所述防治方案传输给所述用户终端601；相应的，所述用户终端601还被配置用于向用户展示所述防治方案。
其中，所述防治方案包括以下之一或者组合：
防治的药物种类和所述药物的使用方法；
根据所述用户的地理位置搜索到的所述用户附近的咨询信息；
根据所述用户的地理位置搜索到的所述用户附近农作物病虫草害发病情况信息；
针对所述病虫草害的类别的全国病情地图。
需要说明的是，本实施例提供的病虫草害识别系统服务器602，能实现实施例一中步骤S101和S104包含的全部功能，解决相同技术问题，达到相同技术效果，在此不再赘述；
实施例四
基于同一个发明构思，本发明实施例还提供了一种农作物病虫草害识别装置，如图7所示，该装置包括：
包括存储器702、处理器701和用户接口703；
所述存储器702，用于存储计算机程序；
所述用户接口703，用于与用户实现交互；
所述处理器701，用于读取所述存储器702中的计算机程序，所述处理器701执行所述计算机程序时，实现：
获取农作物图像；
对所述农作物图像进行分类；
对所述农作物图像进行特征检测，确定标框图像；
对所述标框图像进行识别；
其中，所述分类包括不属于农作物的图像和属于农作物的图像；
所述标框图像是包括病虫草害的农作物的图像。
其中，在图7中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器701代表的一个或多个处理器和存储器702代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。处理器701负责管理总线架构和通常的处理，存储器702可以存储处理器701在执行操作时所使用的数据。
处理器701执行存储器702存储的计算机程序时，实现实施例一中的任一农作物病虫草害识别方法。
需要说明的是，实施例三提供的装置与实施例一提供的方法属于同一个发明构思，解决相同的技术问题，达到相同的技术效果，实施例三提供的装置能实现实施例一的所有方法，相同之处不再赘述。
本申请还提出一种处理器可读存储介质。其中，该处理器可读存储介质存储有计算机程序，所述处理器执行所述计算机程序时实现实施例一中的任一农作物病虫草害识别方法。
需要说明的是，本申请实施例中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (7)

1.一种农作物病虫草害识别方法，其特征在于，包括：
获取农作物图像；
对所述农作物图像进行分类，包括：过滤掉不属于农作物的图像，并提示用户重新拍摄；其中，所述分类包括不属于农作物的图像和属于农作物的图像；
对所述农作物图像进行特征检测，确定标框图像；所述标框图像是包括病虫草害的农作物的图像；
对所述标框图像进行识别，包括：对所述标框图像的每一个尺度，根据卷积网络和注意力提取网络APN，识别出所述标框图像中病虫害的位置，向用户输出无法识别的特征，并接收用户的选择结果，根据所述标框图像的识别结果和所述用户的选择结果，确定病虫草害的类别；
其中，所述过滤掉不属于农作物的图像包括：
通过残差网络对所述农作物图像进行卷积降维，获得特征图；
将所述特征图的尺寸减小一半获得第一特征图像；
对所述第一特征图像进行以下至少之一处理：加批量归一化BatchNorm，Relu激活或者最大池化；
连接安全层，过滤掉不属于农作物的图像；
其中，所述对所述农作物图像进行特征检测，确定标框图像包括：
通过特征提取器提取所述图像的特征；
对所述特征进行多尺度预测，得到第二特征图像；
针对所述第二特征图像，对病状进行标框，得到标框图像。
2.根据权利要求1所述的方法，其特征在于，所述获取农作物图像包括：
通过用户终端上传所述农作物图像到病虫草害识别系统服务器。
3.根据权利要求1所述的方法，其特征在于，所述确定病虫草害的类别之后还包括：
根据所述病虫草害的类别从病虫草害数据库中搜索对应的防治方案；
所述防治方案包括以下之一或者组合：
防治的药物种类和所述药物的使用方法；
根据所述用户的地理位置搜索到的所述用户附近的咨询信息；
根据所述用户的地理位置搜索到的所述用户附近农作物病虫草害发病情况信息；
针对所述病虫草害的类别的全国病情地图。
4.一种实现权利要求1所述农作物病虫草害识别方法的装置，其特征在于，包括：
获取和分类模块，被配置用于获取农作物图像，对所述农作物图像进行分类；
检测模块，被配置用于对所述农作物图像进行特征检测，确定标框图像；
识别模块，被配置用于对所述标框图像进行识别，包括：对所述标框图像的每一个尺度，根据卷积网络和注意力提取网络APN，识别出所述标框图像中病虫害的位置，向用户输出无法识别的特征，并接收用户的选择结果，根据所述标框图像的识别结果和所述用户的选择结果，确定病虫草害的类别；
其中，所述分类包括不属于农作物的图像和属于农作物的图像；
所述标框图像是包括病虫草害的农作物的图像。
5.一种农作物病虫草害识别系统，其特征在于，包括：
用户终端，被配置用于采集农作物图像，并将所述农作物图像通过网络连接上传到病虫草害识别系统服务器，并接收所述病虫草害识别系统服务器的识别结果和对应的防治方案信息；
病虫草害数据库，被配置用于存储病虫草害对应的防治方案；
病虫草害识别系统服务器，被配置用于实现权利要求1-3之一所述农作物病虫草害识别方法。
6.一种农作物病虫草害识别装置，其特征在于，包括存储器、处理器和用户接口；
所述存储器，用于存储计算机程序；
所述用户接口，用于与用户实现交互；
所述处理器，用于读取所述存储器中的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1到3之一所述的农作物病虫草害识别方法。
7.一种处理器可读存储介质，其特征在于，所述处理器可读存储介质存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至3之一所述的农作物病虫草害识别方法。
CN202110271820.4A 2021-03-12 2021-03-12 一种农作物病虫草害识别方法、装置、系统及存储介质 Active CN112966758B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110271820.4A CN112966758B (zh) 2021-03-12 2021-03-12 一种农作物病虫草害识别方法、装置、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110271820.4A CN112966758B (zh) 2021-03-12 2021-03-12 一种农作物病虫草害识别方法、装置、系统及存储介质

Publications (2)

Publication Number Publication Date
CN112966758A CN112966758A (zh) 2021-06-15
CN112966758B true CN112966758B (zh) 2022-04-15

Family

ID=76278111

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110271820.4A Active CN112966758B (zh) 2021-03-12 2021-03-12 一种农作物病虫草害识别方法、装置、系统及存储介质

Country Status (1)

Country Link
CN (1) CN112966758B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113887595A (zh) * 2021-09-23 2022-01-04 四川飘绿植物保护有限公司 一种园林害虫识别方法、系统、计算机设备以及存储介质
CN113947697A (zh) * 2021-10-21 2022-01-18 杭州睿胜软件有限公司 植物病虫害诊断方法、诊断系统及可读存储介质
CN117392419A (zh) * 2023-12-12 2024-01-12 武汉大学 一种基于深度学习的药品图片相似度比对方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103489006A (zh) * 2013-10-11 2014-01-01 河南城建学院 一种基于计算机视觉的水稻病虫草害诊断方法
CN109344738A (zh) * 2018-09-12 2019-02-15 杭州睿琪软件有限公司 农作物病虫草害识别方法及装置
CN109409170A (zh) * 2017-08-18 2019-03-01 广州极飞科技有限公司 农作物的虫害识别方法和装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111178120B (zh) * 2018-12-25 2023-04-21 中国科学院合肥物质科学研究院 一种基于作物识别级联技术的害虫图像检测方法
CN110321956B (zh) * 2019-07-08 2023-06-23 府谷县鑫兴泰农贸有限公司 一种基于人工智能的牧草病虫害治理方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103489006A (zh) * 2013-10-11 2014-01-01 河南城建学院 一种基于计算机视觉的水稻病虫草害诊断方法
CN109409170A (zh) * 2017-08-18 2019-03-01 广州极飞科技有限公司 农作物的虫害识别方法和装置
CN109344738A (zh) * 2018-09-12 2019-02-15 杭州睿琪软件有限公司 农作物病虫草害识别方法及装置

Also Published As

Publication number Publication date
CN112966758A (zh) 2021-06-15

Similar Documents

Publication Publication Date Title
CN112966758B (zh) 一种农作物病虫草害识别方法、装置、系统及存储介质
Esgario et al. An app to assist farmers in the identification of diseases and pests of coffee leaves using deep learning
Johnson et al. Enhanced field-based detection of potato blight in complex backgrounds using deep learning
US20160350336A1 (en) Automated image searching, exploration and discovery
CN109154978A (zh) 用于检测植物疾病的系统和方法
KR101986418B1 (ko) 병해충 검색을 위한 통합 시스템
CN109117857B (zh) 一种生物属性的识别方法、装置及设备
WO2007129474A1 (ja) 被写体認識装置、被写体認識プログラム、および画像検索サービス提供方法
Bertrand et al. Bark and leaf fusion systems to improve automatic tree species recognition
CN106339479A (zh) 一种图片命名方法及终端
US20240087368A1 (en) Companion animal life management system and method therefor
CN110222718A (zh) 图像处理的方法及装置
WO2007095589A2 (en) Aggregating and using physical samples
WO2023065989A1 (zh) 植物病虫害诊断方法、诊断系统及可读存储介质
Varghese et al. INFOPLANT: Plant recognition using convolutional neural networks
Sharma et al. Comparative study of distinctive image classification techniques
Manoharan et al. Identification of Mango Leaf Disease Using Deep Learning
CN111027622A (zh) 图片标签生成方法、装置、计算机设备及存储介质
US20240153267A1 (en) Display method and display system for plant disease diagnosis information, and readable storage medium
Wong et al. Development of species recognition models using Google teachable machine on shorebirds and waterbirds
Singhi et al. Integrated YOLOv4 deep learning pretrained model for accurate estimation of wheat rust disease severity
CN116167850A (zh) 一种基于农业遥感图像的贷款风险评估方法及装置
Saha et al. Rice leaf disease recognition using gray-level co-occurrence matrix and statistical features
CN113255766B (zh) 一种图像分类方法、装置、设备和存储介质
CN115546824A (zh) 禁忌图片识别方法、设备及存储介质

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