CN113129291A - 一种基于大数据植物病虫害智能识别方法与系统 - Google Patents
一种基于大数据植物病虫害智能识别方法与系统 Download PDFInfo
- Publication number
- CN113129291A CN113129291A CN202110454869.3A CN202110454869A CN113129291A CN 113129291 A CN113129291 A CN 113129291A CN 202110454869 A CN202110454869 A CN 202110454869A CN 113129291 A CN113129291 A CN 113129291A
- Authority
- CN
- China
- Prior art keywords
- plant
- pest
- information
- disease
- abnormal
- 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.)
- Withdrawn
Links
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 220
- 201000010099 disease Diseases 0.000 title claims abstract description 184
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 184
- 238000000034 method Methods 0.000 title claims abstract description 36
- 241000196324 Embryophyta Species 0.000 claims abstract description 354
- 230000002159 abnormal effect Effects 0.000 claims abstract description 153
- 241000238631 Hexapoda Species 0.000 claims abstract description 94
- 238000001514 detection method Methods 0.000 claims abstract description 85
- 230000006378 damage Effects 0.000 claims abstract description 65
- 238000005070 sampling Methods 0.000 claims abstract description 37
- 238000012544 monitoring process Methods 0.000 claims description 43
- 238000010586 diagram Methods 0.000 description 6
- 230000012010 growth Effects 0.000 description 5
- 230000008635 plant growth Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 244000052616 bacterial pathogen Species 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000000575 pesticide Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明适用于病虫害技术领域，尤其涉及一种基于大数据植物病虫害智能识别方法与系统，包括以下步骤：搜寻非正常植株，获取非正常植株照片；根据所述非正常植株照片得到植物种类信息和位置信息；根据所述位置信息，对非正常植株进行局部拍照和局部采样，得到局部照片和植株样品；根据所述局部照片进行初步病虫害识别，得到初步病虫害判别信息；将所述植株样品进行病虫害检测，得到检测结果；根据所述检测结果，得到对比病虫害判别信息；根据所述植物种类信息、初步病虫害判别信息和病虫害判别信息，确定植物病虫害。通过搜寻非正常植株，对非正常植株进行局部拍照和局部采样，进行病虫害的图像识别和检测识别相结合，确定植物病虫害。
Description
技术领域
本发明属于病虫害技术领域，尤其涉及一种基于大数据植物病虫害智能识别方法与系统。
背景技术
病虫害是病害和虫害的并称，常对农、林、牧业等造成不良影响。病害是植物在栽培过程中，受到有害生物的侵染或不良环境条件的影响，正常新陈代谢受到干扰，从生理机能到组织结构上发生一系列的变化和破坏。虫害是有害昆虫在植物上生长、繁殖，取食植物本体，对植物造成的伤害。
在进行植物病虫害识别时，通常都是根据常识判断，很容易导致病虫害识别不准确，导致后面农药使用类型和剂量不正确，影响植物的正常生长。
发明内容
本发明实施例的目的在于提供一种基于大数据植物病虫害智能识别方法与系统，旨在解决背景技术中提出的问题。
本发明实施例是这样实现的，一种基于大数据植物病虫害智能识别方法，包括以下步骤：
对植物群进行监控拍摄，生成监控拍摄信息；
根据所述监控拍摄信息，搜寻非正常植株，并获取非正常植株照片；
根据所述非正常植株照片得到非正常植株的植物种类信息和位置信息；
根据所述位置信息，对非正常植株进行局部拍照和局部采样，得到局部照片和植株样品；
根据所述局部照片进行初步病虫害识别，得到初步病虫害判别信息；
将所述植株样品进行病虫害检测，得到检测结果；
根据所述检测结果，得到对比病虫害判别信息；
根据所述植物种类信息、初步病虫害判别信息和病虫害判别信息，确定植物病虫害。
作为本发明实施例技术方案进一步的限定，所述根据所述非正常植株照片得到非正常植株的植物种类信息和位置信息的步骤具体包括：
所述根据所述非正常植株照片得到拍摄机位信息；
根据所述拍摄机位信息，得到位置信息；
对所述非正常植株照片进行智能识别，得到植物种类信息。
作为本发明实施例技术方案进一步的限定，所述根据所述位置信息，对非正常植株进行局部拍照和局部采样，得到局部照片和植株样品的步骤具体包括：
根据所述位置信息，寻找非正常植株；
对所述非正常植株进行局部拍照，得到局部照片；
对所述非正常植株进行局部采样，得到植株样品。
作为本发明实施例技术方案进一步的限定，所述根据所述局部照片进行初步病虫害识别，得到初步病虫害判别信息的步骤具体包括：
将所述局部照片与预存的健康植物进行对比，获取植物异常特征信息；
根据所述异常特征信息，得到初步病虫害判别信息。
作为本发明实施例技术方案进一步的限定，所述将所述植株样品进行病虫害检测，得到检测结果的步骤具体包括：
对所述植株样品进行病菌检测，得到病菌检测结果；
对所述植株样品进行虫害检测，得到虫害检测结果；
综合所述病菌检测结果和所述虫害检测结果，得到检测结果。
作为本发明实施例技术方案进一步的限定，所述根据所述植物种类信息、初步病虫害判别信息和病虫害判别信息，确定植物病虫害的步骤具体包括：
获取所述植物种类信息；
获取所述初步病虫害判别信息；
获取所述病虫害判别信息；
将所述植物种类信息、初步病虫害判别信息和病虫害判别信息进行对比，确定植物病虫害。
一种基于大数据植物病虫害智能识别系统，所述系统包括：
监控拍摄子系统，用于对植物群进行监控拍摄，生成监控拍摄信息；
局部拍照与采样子系统，用于根据位置信息，对非正常植株进行局部拍照和局部采样，得到局部照片和植株样品；
病虫害检测子系统，用于将所述植株样品进行病虫害检测，得到检测结果；
大数据服务终端，用于根据所述监控拍摄信息，搜寻非正常植株，并获取非正常植株照片；根据所述非正常植株照片得到非正常植株的植物种类信息和位置信息；根据所述局部照片进行初步病虫害识别，得到初步病虫害判别信息；根据所述检测结果，得到对比病虫害判别信息；根据所述植物种类信息、初步病虫害判别信息和病虫害判别信息，确定植物病虫害。
作为本发明实施例技术方案进一步的限定，所述局部拍照与采样子系统包括：
位置信息接收单元，用于接收所述位置信息；
局部拍照单元，用于根据位置信息，对非正常植株进行局部拍照；
局部采样单元，用于根据位置信息，对非正常植株进行局部采样。
作为本发明实施例技术方案进一步的限定，所述大数据服务终端包括：
非正常植株照片获取单元，用于根据所述监控拍摄信息，搜寻非正常植株，并获取非正常植株照片；
植物种类信息获取单元，用于根据所述非正常植株照片得到非正常植株的植物种类信息；
位置信息获取单元，用于根据所述非正常植株照片得到位置信息；
病虫害图像识别单元，用于根据所述局部照片进行初步病虫害识别，得到初步病虫害判别信息；
对比病虫害判别信息获取单元，用于根据所述检测结果，得到对比病虫害判别信息；
植物病虫害确定单元，用于根据所述植物种类信息、初步病虫害判别信息和病虫害判别信息，确定植物病虫害。
与现有技术相比，本发明的有益效果是：
本发明实施例提供的一种基于大数据植物病虫害智能识别方法通过对植物群进行监控拍摄，生成监控拍摄信息；根据所述监控拍摄信息，搜寻非正常植株，并获取非正常植株照片；根据所述非正常植株照片得到非正常植株的植物种类信息和位置信息；根据所述位置信息，对非正常植株进行局部拍照和局部采样，得到局部照片和植株样品；根据所述局部照片进行初步病虫害识别，得到初步病虫害判别信息；将所述植株样品进行病虫害检测，得到检测结果；根据所述检测结果，得到对比病虫害判别信息；根据所述植物种类信息、初步病虫害判别信息和病虫害判别信息，确定植物病虫害。进行病虫害的图像识别和检测识别相结合，确定植物病虫害。
附图说明
图1示出了本发明实施例提供的方法的流程图。
图2示出了本发明实施例提供的方法的植物种类信息和位置信息获取的流程图。
图3示出了本发明实施例提供的方法的局部照片和植株样品获取的流程图。
图4示出了本发明实施例提供的方法的初步病虫害判别的流程图。
图5示出了本发明实施例提供的方法的检测结果获取的流程图。
图6示出了本发明实施例提供的方法的确定植物病虫害的流程图。
图7示出了本发明实施例提供的系统的应用架构图。
图8示出了本发明实施例提供的系统中局部拍照与采样子系统的应用架构图。
图9示出了本发明实施例提供的系统中大数据服务终端的应用架构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
可以理解的是，在现有技术中，在进行植物病虫害识别时，通常都是根据常识判断，很容易导致病虫害识别不准确，导致后面农药使用类型和剂量不正确，影响植物的正常生长。
为解决上述问题，本发明实施例通过对植物群进行监控拍摄，生成监控拍摄信息；根据所述监控拍摄信息，搜寻非正常植株，并获取非正常植株照片；根据所述非正常植株照片得到非正常植株的植物种类信息和位置信息；根据所述位置信息，对非正常植株进行局部拍照和局部采样，得到局部照片和植株样品；根据所述局部照片进行初步病虫害识别，得到初步病虫害判别信息；将所述植株样品进行病虫害检测，得到检测结果；根据所述检测结果，得到对比病虫害判别信息；根据所述植物种类信息、初步病虫害判别信息和病虫害判别信息，确定植物病虫害。进行病虫害的图像识别和检测识别相结合，确定植物病虫害。
具体的，如图1所示，图1示出了本发明实施例提供的方法的流程图。
具体的，一种基于大数据植物病虫害智能识别方法，包括以下步骤：
步骤S101，对植物群进行监控拍摄，生成监控拍摄信息。
在本发明实施例中，在植物生长的大棚中，对植物的生长进行实时监控拍摄，并生成监控拍摄信息。
步骤S102，根据所述监控拍摄信息，搜寻非正常植株，并获取非正常植株照片。
在本发明实施例中，通过对监控拍摄信息中植物长势的监控，寻找长势不正常的植物，并定义为非正常植株，并将监控拍摄的非正常植株进行截图，生成非正常植株照片。
步骤S103，根据所述非正常植株照片得到非正常植株的植物种类信息和位置信息。
在本发明实施例中，非正常植株照片中包含有拍摄机位信息，根据拍摄机位信息可以判断非正常植株所在的大棚，并且可以通过对非正常植株的大数据智能识别，可以判断非正常植株的植物种类，生成植物种类信息和位置信息。
具体的，图2示出了本发明实施例提供的方法的植物种类信息和位置信息获取的流程图。
其中，在本发明提供的优选实施方式中，所述根据所述非正常植株照片得到非正常植株的植物种类信息和位置信息的步骤具体包括：
步骤S1031，所述根据所述非正常植株照片得到拍摄机位信息。
在本发明实施例中，根据照片可以得到拍摄照片的设备信息，因此可以根据非正常植株照片，获取拍摄机位信息。
步骤S1032，根据所述拍摄机位信息，得到位置信息。
在本发明实施例中，根据拍摄机位信息可以判断非正常植株所在的大棚，根据大棚信息，得到非正常植株的位置信息。
步骤S1033，对所述非正常植株照片进行智能识别，得到植物种类信息。
在本发明实施例中，通过对非正常植株照片进行大数据智能识别，可以判断非正常植株的植物种类，得到植物种类信息。
进一步的，在本发明提供的优选实施方式中，所述方法还包括：
步骤S104，根据所述位置信息，对非正常植株进行局部拍照和局部采样，得到局部照片和植株样品。
在本发明实施例中，根据位置信息，得到非正常植株所在大棚，然后搜寻非正常植株的具体位置，对非正常植株进行局部拍照和局部采样，得到局部照片和植株样品。
具体的，图3示出了本发明实施例提供的方法的局部照片和植株样品获取的流程图。
其中，在本发明提供的优选实施方式中，所述根据所述位置信息，对非正常植株进行局部拍照和局部采样，得到局部照片和植株样品的步骤具体包括：
步骤S1041，根据所述位置信息，寻找非正常植株。
在本发明实施例中，通过位置信息确定非正常植株的种植大棚，可以从所在的种植大棚中，寻找非正常植株。
步骤S1042，对所述非正常植株进行局部拍照，得到局部照片。
在本发明实施例中，采用微距相机对非正常植株的非正常部位进行局部拍照，得到局部照片。
步骤S1043，对所述非正常植株进行局部采样，得到植株样品。
在本发明实施例中，对非正常植株的非正常部位进行局部采样，得到植株样品。
进一步的，在本发明提供的优选实施方式中，所述方法还包括：
步骤S105，根据所述局部照片进行初步病虫害识别，得到初步病虫害判别信息。
在本发明实施例中，通过对局部照片进行大数据智能识别，可以进行初步病虫害识别，得到初步病虫害判别信息。
具体的，图4示出了本发明实施例提供的方法的初步病虫害判别的流程图。
其中，在本发明提供的优选实施方式中，所述根据所述局部照片进行初步病虫害识别，得到初步病虫害判别信息的步骤具体包括：
步骤S1051，将所述局部照片与预存的健康植物进行对比，获取植物异常特征信息；
在本发明实施例中，通过将非正常植株的局部照片与预存的健康植物进行对比，判断非正常植株与健康植物的不同点，获取植物异常特征信息。
步骤S1052，根据所述异常特征信息，得到初步病虫害判别信息。
在本发明实施例中，通过大数据智能判别异常特征信息，得到初步病虫害判别信息。
进一步的，在本发明提供的优选实施方式中，所述方法还包括：
步骤S106，将所述植株样品进行病虫害检测，得到检测结果。
在本发明实施例中，将非正常植株的植株样品进行病虫害检测，用物理和化学的检测方法进行病虫害检测与分析，得到检测结果。
具体的，图5示出了本发明实施例提供的方法的检测结果获取的流程图。
其中，在本发明提供的优选实施方式中，所述将所述植株样品进行病虫害检测，得到检测结果的步骤具体包括：
步骤S1061，对所述植株样品进行病菌检测，得到病菌检测结果。
在本发明实施例中，通过物理和化学的检测方法，对植株样品进行病菌检测，得到病菌检测结果。
步骤S1062，对所述植株样品进行虫害检测，得到虫害检测结果。
在本发明实施例中，通过检测植株样品中害虫的种类和数量，得到虫害检测结果。
步骤S1063，综合所述病菌检测结果和所述虫害检测结果，得到检测结果。
在本发明实施例中，综合病菌检测结果和虫害检测结果，可以得到非正常植株受病菌和虫害的影响，得到检测结果。
进一步的，在本发明提供的优选实施方式中，所述方法还包括：
步骤S107，根据所述检测结果，得到对比病虫害判别信息。
在本发明实施例中，根据检测结果，判断非正常植株的病虫害类型，得到对比病虫害判别信息。
步骤S108，根据所述植物种类信息、初步病虫害判别信息和病虫害判别信息，确定植物病虫害。
在本发明实施例中，通过将植物种类信息、初步病虫害判别信息和病虫害判别信息进行对比，最终确定植物病虫害。
具体的，图6示出了本发明实施例提供的方法的确定植物病虫害的流程图。
其中，在本发明提供的优选实施方式中，所述根据所述植物种类信息、初步病虫害判别信息和病虫害判别信息，确定植物病虫害的步骤具体包括：
步骤S1081，获取所述植物种类信息。
步骤S1082，获取所述初步病虫害判别信息。
步骤S1083，获取所述病虫害判别信息。
步骤S1084，将所述植物种类信息、初步病虫害判别信息和病虫害判别信息进行对比，确定植物病虫害。
在本发明实施例中，获取非正常植株的植物种类信息、初步病虫害判别信息和病虫害判别信息，将植物种类信息、初步病虫害判别信息和病虫害判别信息进行综合对比，确定植物病虫害。
进一步的，图7示出了本发明实施例提供的系统的应用架构图。
其中，在本发明提供的又一个优选实施方式中，一种基于大数据植物病虫害智能识别系统，所述系统包括：
监控拍摄子系统101，用于对植物群进行监控拍摄，生成监控拍摄信息；
在本发明实施例中，监控拍摄子系统101可以是监控摄像头，安装咋植物种植的大棚顶部，对植物的长势进行监控拍摄。
局部拍照与采样子系统102，用于根据位置信息，对非正常植株进行局部拍照和局部采样，得到局部照片和植株样品。
在本发明实施例中，局部拍照与采样子系统102可以是能够移动采样与微距拍照的机器人，能够根据位置信息，对非正常植株进行局部拍照和局部采样，得到局部照片和植株样品。
具体的，图8示出了本发明实施例提供的系统中局部拍照与采样子系统的应用架构图。
其中，在本发明提供的优选实施方式中，所述局部拍照与采样子系统包括：
位置信息接收单元1021，用于接收所述位置信息。
在本发明实施例中，位置信息接收单元1021通过接收位置信息，确定非正常植株的种植大棚，便于从所在的种植大棚中，寻找非正常植株。
局部拍照单元1022，用于根据位置信息，对非正常植株进行局部拍照。
在本发明实施例中，局部拍照单元1022采用微距相机对非正常植株的非正常部位进行局部拍照，得到局部照片。
局部采样单元1023，用于根据位置信息，对非正常植株进行局部采样。
在本发明实施例中，局部采样单元1023对非正常植株的非正常部位进行局部采样，得到植株样品。
进一步的，在本发明提供的优选实施方式中，所述系统还包括：
病虫害检测子系统103，用于将所述植株样品进行病虫害检测，得到检测结果。
在本发明实施例中，病虫害检测子系统103是病虫害机理检测装置，能够通过物理和化学的方法，对植株样品进行病虫害检测，并得到检测结果。
大数据服务终端104，用于根据所述监控拍摄信息，搜寻非正常植株，并获取非正常植株照片；根据所述非正常植株照片得到非正常植株的植物种类信息和位置信息；根据所述局部照片进行初步病虫害识别，得到初步病虫害判别信息；根据所述检测结果，得到对比病虫害判别信息；根据所述植物种类信息、初步病虫害判别信息和病虫害判别信息，确定植物病虫害。其中，可以理解的是，大数据服务终端104可以是独立的物理服务器或终端，也可以是多个物理服务器构成的服务器集群，可以是提供云服务器、云数据库、云存储和CDN等基础云计算服务的云服务器。
具体的，图9示出了本发明实施例提供的系统中大数据服务终端的应用架构图。
其中，在本发明提供的优选实施方式中，所述大数据服务终端包括：
非正常植株照片获取单元1041，用于根据所述监控拍摄信息，搜寻非正常植株，并获取非正常植株照片。
在本发明实施例中，非正常植株照片获取单元1041通过对监控拍摄信息中植物长势的监控，寻找长势不正常的植物，并定义为非正常植株，并将监控拍摄的非正常植株进行截图，生成非正常植株照片。
植物种类信息获取单元1042，用于根据所述非正常植株照片得到非正常植株的植物种类信息。
在本发明实施例中，植物种类信息获取单元1042通过对非正常植株照片进行大数据智能识别，可以判断非正常植株的植物种类，得到植物种类信息。
位置信息获取单元1043，用于根据所述非正常植株照片得到位置信息。
在本发明实施例中，位置信息获取单元1043根据拍摄机位信息可以判断非正常植株所在的大棚，根据大棚信息，得到非正常植株的位置信息。
病虫害图像识别单元1044，用于根据所述局部照片进行初步病虫害识别，得到初步病虫害判别信息。
在本发明实施例中，病虫害图像识别单元1044通过对局部照片进行大数据智能识别，可以进行初步病虫害识别，得到初步病虫害判别信息。
对比病虫害判别信息获取单元1045，用于根据所述检测结果，得到对比病虫害判别信息。
在本发明实施例中，对比病虫害判别信息获取单元1045根据病虫害检测子系统103的检测结果，判断非正常植株的病虫害类型，得到对比病虫害判别信息
植物病虫害确定单元1046，用于根据所述植物种类信息、初步病虫害判别信息和病虫害判别信息，确定植物病虫害。
在本发明实施例中，植物病虫害确定单元1046通过将植物种类信息、初步病虫害判别信息和病虫害判别信息进行对比，最终确定植物病虫害。
在本发明的实施例中，通过对植物群进行监控拍摄，生成监控拍摄信息；根据所述监控拍摄信息，搜寻非正常植株，并获取非正常植株照片；根据所述非正常植株照片得到非正常植株的植物种类信息和位置信息；根据所述位置信息，对非正常植株进行局部拍照和局部采样，得到局部照片和植株样品；根据所述局部照片进行初步病虫害识别，得到初步病虫害判别信息；将所述植株样品进行病虫害检测，得到检测结果；根据所述检测结果，得到对比病虫害判别信息；根据所述植物种类信息、初步病虫害判别信息和病虫害判别信息，确定植物病虫害。进行病虫害的图像识别和检测识别相结合，确定植物病虫害。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
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来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各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)、双数据率SDRAM(DDRSDRAM)、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。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于大数据植物病虫害智能识别方法，其特征在于，包括以下步骤：
对植物群进行监控拍摄，生成监控拍摄信息；
根据所述监控拍摄信息，搜寻非正常植株，并获取非正常植株照片；
根据所述非正常植株照片得到非正常植株的植物种类信息和位置信息；
根据所述位置信息，对非正常植株进行局部拍照和局部采样，得到局部照片和植株样品；
根据所述局部照片进行初步病虫害识别，得到初步病虫害判别信息；
将所述植株样品进行病虫害检测，得到检测结果；
根据所述检测结果，得到对比病虫害判别信息；
根据所述植物种类信息、初步病虫害判别信息和病虫害判别信息，确定植物病虫害。
2.根据权利要求1所述的一种基于大数据植物病虫害智能识别方法，其特征在于，所述根据所述非正常植株照片得到非正常植株的植物种类信息和位置信息的步骤具体包括：
所述根据所述非正常植株照片得到拍摄机位信息；
根据所述拍摄机位信息，得到位置信息；
对所述非正常植株照片进行智能识别，得到植物种类信息。
3.根据权利要求1所述的一种基于大数据植物病虫害智能识别方法，其特征在于，所述根据所述位置信息，对非正常植株进行局部拍照和局部采样，得到局部照片和植株样品的步骤具体包括：
根据所述位置信息，寻找非正常植株；
对所述非正常植株进行局部拍照，得到局部照片；
对所述非正常植株进行局部采样，得到植株样品。
4.根据权利要求1所述的一种基于大数据植物病虫害智能识别方法，其特征在于，所述根据所述局部照片进行初步病虫害识别，得到初步病虫害判别信息的步骤具体包括：
将所述局部照片与预存的健康植物进行对比，获取植物异常特征信息；
根据所述异常特征信息，得到初步病虫害判别信息。
5.根据权利要求1所述的一种基于大数据植物病虫害智能识别方法，其特征在于，所述将所述植株样品进行病虫害检测，得到检测结果的步骤具体包括：
对所述植株样品进行病菌检测，得到病菌检测结果；
对所述植株样品进行虫害检测，得到虫害检测结果；
综合所述病菌检测结果和所述虫害检测结果，得到检测结果。
6.根据权利要求2所述的一种基于大数据植物病虫害智能识别方法，其特征在于，所述根据所述植物种类信息、初步病虫害判别信息和病虫害判别信息，确定植物病虫害的步骤具体包括：
获取所述植物种类信息；
获取所述初步病虫害判别信息；
获取所述病虫害判别信息；
将所述植物种类信息、初步病虫害判别信息和病虫害判别信息进行对比，确定植物病虫害。
7.一种基于大数据植物病虫害智能识别系统，其特征在于，所述系统包括：
监控拍摄子系统，用于对植物群进行监控拍摄，生成监控拍摄信息；
局部拍照与采样子系统，用于根据位置信息，对非正常植株进行局部拍照和局部采样，得到局部照片和植株样品；
病虫害检测子系统，用于将所述植株样品进行病虫害检测，得到检测结果；
大数据服务终端，用于根据所述监控拍摄信息，搜寻非正常植株，并获取非正常植株照片；根据所述非正常植株照片得到非正常植株的植物种类信息和位置信息；根据所述局部照片进行初步病虫害识别，得到初步病虫害判别信息；根据所述检测结果，得到对比病虫害判别信息；根据所述植物种类信息、初步病虫害判别信息和病虫害判别信息，确定植物病虫害。
8.根据权利要求7所述的一种基于大数据植物病虫害智能识别系统，其特征在于，所述局部拍照与采样子系统包括：
位置信息接收单元，用于接收所述位置信息；
局部拍照单元，用于根据位置信息，对非正常植株进行局部拍照；
局部采样单元，用于根据位置信息，对非正常植株进行局部采样。
9.根据权利要求7所述的一种基于大数据植物病虫害智能识别系统，其特征在于，所述大数据服务终端包括：
非正常植株照片获取单元，用于根据所述监控拍摄信息，搜寻非正常植株，并获取非正常植株照片；
植物种类信息获取单元，用于根据所述非正常植株照片得到非正常植株的植物种类信息；
位置信息获取单元，用于根据所述非正常植株照片得到位置信息；
病虫害图像识别单元，用于根据所述局部照片进行初步病虫害识别，得到初步病虫害判别信息；
对比病虫害判别信息获取单元，用于根据所述检测结果，得到对比病虫害判别信息；
植物病虫害确定单元，用于根据所述植物种类信息、初步病虫害判别信息和病虫害判别信息，确定植物病虫害。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110454869.3A CN113129291A (zh) | 2021-04-26 | 2021-04-26 | 一种基于大数据植物病虫害智能识别方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110454869.3A CN113129291A (zh) | 2021-04-26 | 2021-04-26 | 一种基于大数据植物病虫害智能识别方法与系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113129291A true CN113129291A (zh) | 2021-07-16 |
Family
ID=76780015
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110454869.3A Withdrawn CN113129291A (zh) | 2021-04-26 | 2021-04-26 | 一种基于大数据植物病虫害智能识别方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113129291A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN207106890U (zh) * | 2017-08-10 | 2018-03-16 | 中交遥感农业科技江苏有限公司 | 一种农业植保远程检测取样无人机 |
| CN108858122A (zh) * | 2018-08-13 | 2018-11-23 | 中国农业大学 | 一种温室植物病害巡检机器人及巡检方法 |
| WO2019109578A1 (zh) * | 2017-12-04 | 2019-06-13 | 深圳春沐源控股有限公司 | 植保地图的生成方法及装置 |
| US20190368975A1 (en) * | 2015-08-26 | 2019-12-05 | Monsanto Technology Llc | Automated plant product sampler |
| CN111274979A (zh) * | 2020-01-23 | 2020-06-12 | 浙江工业大学之江学院 | 植物病虫害识别方法、装置、计算机设备及可存储介质 |
| CN212009389U (zh) * | 2020-07-09 | 2020-11-24 | 郑州西亚斯学院 | 基于物联网的农田病虫害远程诊断系统 |
| CN112634212A (zh) * | 2020-12-14 | 2021-04-09 | 江西省林业科学院 | 基于高光谱无人机的病害潜伏树检测方法及系统 |
-
2021
- 2021-04-26 CN CN202110454869.3A patent/CN113129291A/zh not_active Withdrawn
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190368975A1 (en) * | 2015-08-26 | 2019-12-05 | Monsanto Technology Llc | Automated plant product sampler |
| CN207106890U (zh) * | 2017-08-10 | 2018-03-16 | 中交遥感农业科技江苏有限公司 | 一种农业植保远程检测取样无人机 |
| WO2019109578A1 (zh) * | 2017-12-04 | 2019-06-13 | 深圳春沐源控股有限公司 | 植保地图的生成方法及装置 |
| CN108858122A (zh) * | 2018-08-13 | 2018-11-23 | 中国农业大学 | 一种温室植物病害巡检机器人及巡检方法 |
| CN111274979A (zh) * | 2020-01-23 | 2020-06-12 | 浙江工业大学之江学院 | 植物病虫害识别方法、装置、计算机设备及可存储介质 |
| CN212009389U (zh) * | 2020-07-09 | 2020-11-24 | 郑州西亚斯学院 | 基于物联网的农田病虫害远程诊断系统 |
| CN112634212A (zh) * | 2020-12-14 | 2021-04-09 | 江西省林业科学院 | 基于高光谱无人机的病害潜伏树检测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 刘万才;陆明红;黄冲;张炜;陈天娇;谢成军;: "基于植保大数据的病虫害移动智能采集新设备", 植物医生, no. 01 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109840549B (zh) | 一种病虫害识别方法和装置 | |
| Rustia et al. | Automatic greenhouse insect pest detection and recognition based on a cascaded deep learning classification method | |
| Olson et al. | Modeling demographic performance of northern spotted owls relative to forest habitat in Oregon | |
| CN107609666B (zh) | 使用历史农药使用信息进行害虫预测的系统和方法 | |
| O’Brien | Abundance, density and relative abundance: a conceptual framework | |
| Forsyth et al. | Methodology matters when estimating deer abundance: a global systematic review and recommendations for improvements | |
| CN116012720B (zh) | 基于高分遥感影像的农作物长势监测方法、设备及介质 | |
| CN113837076A (zh) | 一种农业病虫害智能终端分析系统 | |
| CN103760847A (zh) | 一种虫害远程监控系统及方法 | |
| Feiyang et al. | Monitoring behavior of poultry based on RFID radio frequency network | |
| CN114067351A (zh) | 一种基于图像的牛只唯一性识别方法、装置及管理系统 | |
| Mulders et al. | Estimation of population size for wolverines Gulo gulo at Daring Lake, Northwest Territories, using DNA based mark‐recapture methods | |
| Jawade et al. | Disease prediction of mango crop using machine learning and IoT | |
| CN116030343A (zh) | 一种基于机器视觉识别的农作物病虫害监管系统 | |
| CN111832448A (zh) | 一种用于葡萄果园的病害识别方法及系统 | |
| CN114155216A (zh) | 猪只温度检测方法及装置 | |
| Tashakkori et al. | Image processing for honey bee hive health monitoring | |
| Gourlay‐Larour et al. | Individual turnover in common pochards wintering in western France | |
| CN113129291A (zh) | 一种基于大数据植物病虫害智能识别方法与系统 | |
| CN113435825A (zh) | 一种基于土传病害防治的智能管理方法、系统及存储介质 | |
| CN111507242A (zh) | 一种基于大数据植物病虫害智能识别方法 | |
| Marcot et al. | Efficacy of automated detection of motion in wildlife monitoring videos | |
| Majewski et al. | Prediction of the remaining time of the foraging activity of honey bees using spatio-temporal correction and periodic model re-fitting | |
| CN115965875A (zh) | 一种农作物病虫害智能监控方法及系统 | |
| Quinby et al. | Estimating population abundance of burying beetles using photo-identification and mark-recapture methods |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210716 |
|
| WW01 | Invention patent application withdrawn after publication |