CN113326841B - 一种基于高光谱的作物虫害监测方法及设备 - Google Patents

一种基于高光谱的作物虫害监测方法及设备 Download PDF

Info

Publication number
CN113326841B
CN113326841B CN202110597805.9A CN202110597805A CN113326841B CN 113326841 B CN113326841 B CN 113326841B CN 202110597805 A CN202110597805 A CN 202110597805A CN 113326841 B CN113326841 B CN 113326841B
Authority
CN
China
Prior art keywords
pest
information
hyperspectral
image
determining
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
CN202110597805.9A
Other languages
English (en)
Other versions
CN113326841A (zh
Inventor
宋志华
陈雪
曹书森
李程
李阳
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.)
Shandong Shenlan Zhipu Digital Technology Co ltd
Original Assignee
Shandong Shenlan Zhipu Digital Technology Co ltd
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 Shandong Shenlan Zhipu Digital Technology Co ltd filed Critical Shandong Shenlan Zhipu Digital Technology Co ltd
Priority to CN202110597805.9A priority Critical patent/CN113326841B/zh
Publication of CN113326841A publication Critical patent/CN113326841A/zh
Application granted granted Critical
Publication of CN113326841B publication Critical patent/CN113326841B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)

Abstract

本说明书实施例公开了一种基于高光谱的作物虫害监测方法及设备。用以解决现有技术难以对作物虫害进行精准监测并分析虫害产生原因的问题。该方案包括：确定农作物的生长区域对应的画像，并在所述画像中提取出历史虫害信息；根据所述历史虫害信息，确定多个特征波段；通过设置在所述生长区域中的高光谱仪，获取所述农作物在所述多个特征波段下分别对应的多个高光谱图像；针对每个所述高光谱图像，根据该高光谱图像中不同的色彩体现，提取敏感图像，并根据所述敏感图像确定所述高光谱图像对应的当前虫害信息；针对每个所述当前虫害信息，通过预先训练的神经网络模型，在所述画像记录的相关信息中，对该当前虫害信息的产生因素进行分析。

Description

一种基于高光谱的作物虫害监测方法及设备
技术领域
本发明涉及作物虫害监测领域，尤其涉及一种基于高光谱的作物虫害监测方法及设备。
背景技术
作物虫害是农业生产上的重要生物灾害，是制约高产、优质、高效益农业持续发展的主导因素之一。另外，作物虫害是我国农业生产的主要灾害之一，种类多、影响大，会降低作物产量和品质。
目前，我国农业生产中仍以传统方式监测作物虫害，比如，实地用目测手查的方法观察有无虫害发生，费时费力，并且获取信息的滞后性还严重影响虫害预报准确率。此外，现有技术对虫害类型以及其危害程度监测不准确，并且无法分析虫害产生的原因，影响对虫害的治理，难以提高作物产量。
发明内容
本说明书一个或多个实施例提供了一种基于高光谱的作物虫害监测方法及设备。用以解决如下技术问题：现有技术难以对作物虫害进行精准监测并分析虫害产生原因的问题。
为解决上述技术问题，本说明书一个或多个实施例是这样实现的：
一方面，本说明书一个或多个实施例提供一种基于高光谱的作物虫害监测方法，包括：
确定农作物的生长区域对应的画像，并在所述画像中提取出历史虫害信息；
根据所述历史虫害信息，确定多个特征波段；
通过设置在所述生长区域中的高光谱仪，获取所述农作物在所述多个特征波段下分别对应的多个高光谱图像；
针对每个所述高光谱图像，根据该高光谱图像中不同的色彩体现，提取敏感图像，并根据所述敏感图像确定所述高光谱图像对应的当前虫害信息；
针对每个所述当前虫害信息，通过预先训练的神经网络模型，在所述画像记录的相关信息中，对该当前虫害信息的产生因素进行分析。
本申请实施例通过确定农作物不同生长区域对应的画像，并在画像中提取历史虫害信息，确定易于判定当前虫害信息的多个特征波段，获取在多个特征波段下不同生长区域的多个高光谱图像，能够确定不同生长区域的虫害等级以及虫害类型等信息，实现虫害信息的精准监测，使得不同生长区域的管理人员能够根据针对自己管理的生长区域的虫害信息进行不同剂量不同种类的用药。并且，能够在画像记录的相关信息中，对当前虫害信息的产生因素进行分析。比如画像记录的相关信息包括对生长区域的作物使用的农药类型和剂量信息，生长区域的经纬度信息，喷洒农药的时间信息。能够根据相关信息得到当前虫害信息的产生因素。进而，根据当前虫害信息的产生因素减少不当操作，以提高农作物的产量。
在本申请的一种实现方式中，所述根据所述敏感图像确定所述高光谱图像对应的当前虫害信息，具体包括：
在所述敏感图像对应的所述生长区域，随机选择多个待测点；
调整所述高光谱仪的采集范围，采集多个所述待测点对应的所述农作物的高光谱图像，并获取平均光谱反射率；
通过预先构建的虫害光谱指数，计算所述平均光谱反射率对应的虫害指数值，并根据所述虫害指数值确定虫害等级；其中，虫害等级包括轻度虫害、中度虫害、重度虫害。
在本申请的一种实现方式中，所述采集多个所述待测点对应的所述农作物的高光谱图像，并获取平均光谱反射率，具体包括：
对采集的多个所述待测点对应的所述农作物的高光谱图像进行黑白校正以及滤波处理，并计算滤波后的高光谱图像的平均光谱反射率。
在本申请的一种实现方式中，在获取平均光谱反射率之后，所述方法还包括：
将所述平均光谱反射率在预设的光谱反射率与虫害类型对照表中做检索；
在预设误差范围内，确定所述平均光谱反射率对应的虫害类型。
在本申请的一种实现方式中，所述针对每个所述高光谱图像，根据该高光谱图像中不同的色彩体现，提取敏感图像，具体包括：
将所述高光谱图像与正常农作物的高光谱图像做对比，确定所述敏感图像区域；
在所述高光谱图像中将所述敏感图像区域之外的范围进行虚化处理。
在本申请的一种实现方式中，在所述根据该高光谱图像中不同的色彩体现，提取敏感图像之后，所述方法还包括：
将所述敏感图像与预置非虫害高光谱图像进行亮度比对；
将亮度对比结果相同的位置确定为非虫害位置；
在所述敏感图像上将所述非虫害位置进行虚化处理；
生成所述虚化处理后的敏感图像。
在本申请的一种实现方式中，在所述针对每个所述当前虫害信息，通过预先训练的神经网络模型，在所述画像记录的相关信息中，对该当前虫害信息的产生因素进行分析之前，所述方法还包括：
针对所述农作物的具体植株，调整所述高光谱仪的采集范围，获取所述植株的高光谱图像；
根据所述植株的高光谱图像中不同的色彩体现，提取所述植株的敏感图像；
基于所述植株的高光谱图像和所述植株的敏感图像，计算所述植株的虫害感染比例；
根据所述植株的虫害感染比例确定用药剂量。
在本申请的一种实现方式中，所述针对每个所述当前虫害信息，通过预先训练的神经网络模型，在所述画像记录的相关信息中，对该当前虫害信息的产生因素进行分析，具体包括：
通过所述高光谱仪携带的定位装置标注在所述高光谱图像上的位置信息，确定所述敏感图像对应的生长区域，所述位置信息包括经纬度信息；
确定所述敏感图像对应的生长区域在确定当前虫害信息前使用的农药相关信息以及管理人员的相关信息；
确定所述当前虫害信息的产生因素。
在本申请的一种实现方式中，在所述针对每个所述当前虫害信息，通过预先训练的神经网络模型，在所述画像记录的相关信息中，对该当前虫害信息的产生因素进行分析之后，所述方法还包括：
确定相同纬度不同经度下的所述农作物受到的虫害类型以及虫害等级；
确定不同纬度相同经度下的所述农作物受到的虫害类型以及虫害等级；
确定不同经纬度与所述农作物受到的虫害信息的相关关系。
另一方面，本说明书一个或多个实施例提供一种用于推广的用户行为分析设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如下指令：
确定农作物的生长区域对应的画像，并在所述画像中提取出历史虫害信息；
根据所述历史虫害信息，确定多个特征波段；
通过设置在所述生长区域中的高光谱仪，获取所述农作物在所述多个特征波段下分别对应的多个高光谱图像；
针对每个所述高光谱图像，根据该高光谱图像中不同的色彩体现，提取敏感图像，并根据所述敏感图像确定所述高光谱图像对应的当前虫害信息；
针对每个所述当前虫害信息，通过预先训练的神经网络模型，在所述画像记录的相关信息中，对该当前虫害信息的产生因素进行分析。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：通过确定农作物不同生长区域对应的画像，并在画像中提取历史虫害信息，确定易于判定当前虫害信息的多个特征波段，获取在多个特征波段下不同生长区域的多个高光谱图像，能够确定不同生长区域的虫害等级以及虫害类型等信息，实现虫害信息的精准监测，使得不同生长区域的管理人员能够根据针对自己管理的生长区域的虫害信息进行不同剂量不同种类的用药。并且，能够在画像记录的相关信息中，对当前虫害信息的产生因素进行分析。比如画像记录的相关信息包括对生长区域的作物使用的农药类型和剂量信息，生长区域的经纬度信息，喷洒农药的时间信息。能够根据相关信息得到当前虫害信息的产生因素。进而，根据当前虫害信息的产生因素减少不当操作，以提高农作物的产量。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本说明书一个或多个实施例提供的一种基于高光谱的作物虫害监测方法流程示意图；
图2为本说明书一个或多个实施例提供的一种基于高光谱的作物虫害监测设备结构示意图。
具体实施方式
本申请实施例提供一种基于高光谱的作物虫害监测方法及设备。
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
作物虫害是农业生产上的重要生物灾害，是制约高产、优质、高效益农业持续发展的主导因素之一。另外，作物虫害是我国农业生产的主要灾害之一，种类多、影响大，会降低作物产量和品质。
目前，我国农业生产中仍以传统方式监测作物虫害，比如，实地用目测手查的方法观察有无虫害发生，费时费力，并且获取信息的滞后性还严重影响虫害预报准确率。
此外，现有技术对虫害类型以及其危害程度监测不准确，并且无法分析虫害产生的原因，影响对虫害的治理，难以提高作物产量。
为解决上述问题，本说明书实施例提供一种基于高光谱的作物虫害监测方法及设备。通过确定农作物不同生长区域对应的画像，并在画像中提取历史虫害信息，确定易于判定当前虫害信息的多个特征波段，获取在多个特征波段下不同生长区域的多个高光谱图像，能够确定不同生长区域的虫害等级以及虫害类型等信息，实现虫害信息的精准监测，使得不同生长区域的管理人员能够根据针对自己管理的生长区域的虫害信息进行不同剂量不同种类的用药。并且，能够在画像记录的相关信息中，对当前虫害信息的产生因素进行分析。比如画像记录的相关信息包括对生长区域的作物使用的农药类型和剂量信息，生长区域的经纬度信息，喷洒农药的时间信息。能够根据相关信息得到当前虫害信息的产生因素。进而，根据当前虫害信息的产生因素减少不当操作，以提高农作物的产量。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书一个或多个实施例提供的一种基于高光谱的作物虫害监测方法流程示意图。如图1所示，作物虫害监测方法包括以下步骤：
S101：确定农作物的生长区域对应的画像，并在所述画像中提取出历史虫害信息。
在本说明书的一种实现方式中，农作物的生长区域为多个。需要说明的是，多个生长区域可以为一个大区域划分的多个小区域，多个小区域之间没有明显的物理边界。或多个生长区域为多个相互独立的区域。每个生长区域中可种植一种或多种类型的农作物。
农作物的生长区域对应的画像包括管理人、生长区域对应的作物类型信息、对作物使用农药信息等。例如使用农药的时间、类型和剂量，生长区域的位置信息等，比如生长区域的经纬度信息，在生长区域为矩形或者正方形的情况下，分别测量矩形或正方形待测区域的四角顶点对应的经纬度，以此确定出矩形或正方形生长区域的位置坐标集合。需要说明的是，每个生长区域的位置坐标集合可以通过定位装置测量得到，也可以通过对待测农作物区域的位置坐标进行计算分配得到，本申请实施例对此不作限定。
能够在画像中提取的历史虫害信息包括每个生长区域在监测之前受到过的虫害信息，包括每个生长区域受到过的虫害类型和虫害等级等。
S102：根据所述历史虫害信息，确定多个特征波段。
在本说明书的一种实现方式中，不同的虫害在不同的特征波段下的高光谱图像易于观测，根据历史虫害信息，确定生长区域中出现过的虫害类型，确定出现过的虫害类型在哪些特征波段下容易观测。
S103：通过设置在所述生长区域中的高光谱仪，获取所述农作物在所述多个特征波段下分别对应的多个高光谱图像。
在本说明书的一种实现方式中，生长区域中设置有高光谱仪，每个生长区域中可以设置多个高光谱仪，用于采集生长区域全范围的高光谱图像。
需要注意的是，设置在生长区域的多个高光谱仪包括历史虫害信息中出现的虫害类型对应的多个特征波段，便于获取农作物在多个特征波段在分别对应的多个高光谱图像。
S104：针对每个所述高光谱图像，根据该高光谱图像中不同的色彩体现，提取敏感图像，并根据所述敏感图像确定所述高光谱图像对应的当前虫害信息。
在本说明书的一个或多个实施例中，将高光谱图像与正常农作物的高光谱图像做对比，确定敏感图像区域；在高光谱图像中将敏感图像区域之外的范围进行虚化处理。
具体的，将多个特征波段下采集的高光谱图像与正常作物的高光谱图像做对比，确定在多个特征波段下采集的高光谱图像与正常农作物的高光谱图像中颜色明显不同的地方，确定为敏感图像区域。其中正常农作物的高光谱图像是指未受到任何病虫害的农作物对应的高光谱图像，其整片叶片没有任何斑点、枯萎、缺损等。
需要说明的是，敏感图像区域不一定是高光谱图像中的一块区域，其可以为多个区域。在高光谱图像中将敏感图像区域之外的范围进行虚化处理，便于针对敏感图像做处理，去除干扰信息。
在本说明书的一种实施方式下，对高光谱图像中确定的敏感图像区域做描边处理，裁剪敏感图像区域，对裁剪下的敏感图像区域做位置标注，并将敏感图像区域进行拼接，形成一个完整的敏感图像。
在本说明书的一个或多个实施例中，将敏感图像与预置非虫害高光谱图像进行亮度比对；将亮度对比结果相同的位置确定为非虫害位置；在敏感图像上将非虫害位置进行虚化处理；生成虚化处理后的敏感图像。
具体的，预置非虫害高光谱图像是指未受到虫害侵扰的农作物对应的高光谱图像，但其可能受到了病害干扰，或其出现枯萎、缺损、斑点等情况，其高光谱图像不同于正常农作物的高光谱图像，也不同于受到虫害的农作物的高光谱图像。将敏感图像与预置非虫害高光谱图像进行亮度对比，将亮度对比结果相同的位置确定为非虫害位置。在敏感图像中将非虫害位置进行虚化处理，去除干扰，生成虚化处理后的敏感图像。或者在敏感图像中将虫害位置进行描边裁剪，然后拼接，生成拼接后的敏感图像。
在本说明书的一个或多个实施例中，在敏感图像对应的生长区域，随机选择多个待测点；调整高光谱仪的采集范围，采集多个待测点对应的农作物的高光谱图像，并获取平均光谱反射率；通过预先构建的虫害光谱指数，计算平均光谱反射率对应的虫害指数值，并根据虫害指数值确定虫害等级；其中，虫害等级包括轻度虫害、中度虫害、重度虫害。
具体的，随机选取的多个待测点为敏感区域对应的生长区域中的一个子区域。调整高光谱仪的采集范围，采集多个子区域对应农作物的高光谱图像，获取平均光谱反射率。将平均光谱反射率带入预先构建的光谱指数中，计算出虫害指数值。并根据虫害指数值确定虫害等级。
例如，重度、中度、轻度红蜘蛛虫害指数值分别为0.093,0.057,0.029，正常农作物为0。0.029与0.057之间的中间值为0.043,0.057与0.093之间的中间值为0.075。若计算的出的虫害光谱指数在0～0.043之间，确定为轻度虫害。若计算出的虫害指数在0.044～0.075之间，确定为中度虫害。若计算出的虫害指数大于0.075，确定为重度虫害。
在本说明书的一个或多个实施例中，对采集的多个待测点对应的农作物的高光谱图像进行黑白校正以及滤波处理，并计算滤波后的高光谱图像的平均光谱反射率。
在本说明书的一个或多个实施例中，将平均光谱反射率在预设的光谱反射率与虫害类型对照表做检索；在预设误差范围内，确定平均光谱反射率对应的虫害类型。
具体的，预设的光谱反射率与虫害类型对照表指一个光谱反射率与一种农作物的一种虫害相对应，预设的光谱反射率与虫害类型对照表是根据对不同虫害类型不同农作物光谱反射率的统计。将平均光谱反射率在预设的光谱反射率与虫害类型对照表中做检索，在误差范围内找到一个最接近的光谱反射率，确定该光谱反射率对应的虫害类型。例如，平均光谱反射率为61.25％，在光谱反射率与虫害类型对照表中找到与61.25％最接近的光谱反射率，确定其对应的虫害类型。其中预设误差范围不超过1％。
在本说明书的一个或多个实施例中，针对农作物的具体植株，调整高光谱仪的采集范围，获取植株的高光谱图像；根据植株的高光谱图像中不同的色彩体现，提取植株的敏感图像；基于植株的高光谱图像和植株的敏感图像，计算植株的虫害感染比例；根据植株的虫害感染比例确定用药剂量。
虫害等级更多的是指虫害的感染范围，在严重程度上来讲不够精确。针对农作物的具体植株，判断具体植株的虫害感染比例，能够确定需要使用的农药的剂量以进行针对性的治理。
S105：针对每个所述当前虫害信息，通过预先训练的神经网络模型，在所述画像记录的相关信息中，对该当前虫害信息的产生因素进行分析。
在本说明书的一个或多个实施例中，通过高光谱仪携带的定位装置标注在高光谱图像上的位置信息，确定敏感图像对应的生长区域，位置信息经纬度信息；确定敏感图像对应的生长区域在确定当前虫害信息前使用的农药相关信息以及管理人员的相关信息；确定所述当前虫害信息的产生因素。
具体的，高光谱仪中携带有定位装置，在获取高光谱图像时，会将位置信息标注到高光谱图像上，在获得敏感图像后将位置信息标注到敏感图像上，以便于对不同的敏感图像进行区分。
进一步的，确定敏感图像对应的生长区域在确定当前虫害信息前使用的农药的类型、剂量以及时间和管理人员喷洒农药的间隔时间。虫害信息是指虫害类型和虫害等级。判断之前使用的农药的类型针对的虫害类型是否为当前虫害的类型，以及农药剂量是否使用正确，管理人员喷洒农药的间隔时间是否合理等。确定当前虫害信息的产生因素。例如，在当前虫害信息之前，管理人员针对生长区域的虫害类型判断错误，喷洒的农药无法针对该虫害类型，导致当前虫害信息的产生。或者管理人员针对生长区域的虫害等级喷洒的农药剂量较少，导致当前虫害信息的产生。
在本说明书的一个或多个实施例中，确定相同纬度不同经度下的农作物受到的虫害类型以及虫害等级；确定不同纬度相同经度下的农作物受到的虫害类型以及虫害等级；确定不同经纬度与所述农作物受到的虫害信息的相关关系。
通常情况下，不同地理位置具有不同的湿度、温度、土壤等。确定相同纬度不同经度下的相同农作物受到的虫害类型以及虫害等级。确定不同纬度相同经度下相同农作物受到的虫害类型以及虫害等级。确定不同经纬度与所述农作物受到的虫害信息的相关关系。例如，根据监测，纬度越低受到水稻螟虫虫害的概率越大并且等级越高，纬度低的生长区域可提前对水稻螟虫进行防控。
图2为本说明书一个或多个实施例提供的一种基于高光谱的设备结构示意图。
如图2所示，基于高光谱的作物虫害监测设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如下指令：
确定农作物的生长区域对应的画像，并在所述画像中提取出历史虫害信息；
根据所述历史虫害信息，确定多个特征波段；
通过设置在所述生长区域中的高光谱仪，获取所述农作物在所述多个特征波段下分别对应的多个高光谱图像；
针对每个所述高光谱图像，根据该高光谱图像中不同的色彩体现，提取敏感图像，并根据所述敏感图像确定所述高光谱图像对应的当前虫害信息；
针对每个所述当前虫害信息，通过预先训练的神经网络模型，在所述画像记录的相关信息中，对该当前虫害信息的产生因素进行分析。
还需要说明的是，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、方法、商品或者设备不仅包括那些要素，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、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本说明书的一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (8)

1.一种基于高光谱的作物虫害监测方法，其特征在于，包括：
确定农作物的生长区域对应的画像，并在所述画像中提取出历史虫害信息；其中，所述画像包括：管理人、生长区域对应的作物类型信息、对作物使用农药信息；
根据所述历史虫害信息，确定多个特征波段；
通过设置在所述生长区域中的高光谱仪，获取所述农作物在所述多个特征波段下分别对应的多个高光谱图像；
针对每个所述高光谱图像，根据该高光谱图像中不同的色彩体现，提取敏感图像，并根据所述敏感图像确定所述高光谱图像对应的当前虫害信息，具体包括：
在所述敏感图像对应的所述生长区域，随机选择多个待测点；
调整所述高光谱仪的采集范围，采集多个所述待测点对应的所述农作物的高光谱图像，并获取平均光谱反射率；
将所述平均光谱反射率在预设的光谱反射率与虫害类型对照表中做检索；
在预设误差范围内，确定所述平均光谱反射率对应的虫害类型；
通过预先构建的虫害光谱指数，计算所述平均光谱反射率对应的虫害指数值，并根据所述虫害指数值确定虫害等级；其中，虫害等级包括轻度虫害、中度虫害、重度虫害；
针对每个所述当前虫害信息，在所述画像记录的相关信息中，对该当前虫害信息的产生因素进行分析；其中，所述画像记录的相关信息包括：生长区域的作物使用的农药类型和剂量信息、生长区域的经纬度信息、喷洒农药的时间信息。
2.根据权利要求1所述的一种基于高光谱的作物虫害监测方法，其特征在于，所述采集多个所述待测点对应的所述农作物的高光谱图像，并获取平均光谱反射率，具体包括：
对采集的多个所述待测点对应的所述农作物的高光谱图像进行黑白校正以及滤波处理，并计算滤波后的高光谱图像的平均光谱反射率。
3.根据权利要求1所述的一种基于高光谱的作物虫害监测方法，其特征在于，所述针对每个所述高光谱图像，根据该高光谱图像中不同的色彩体现，提取敏感图像，具体包括：
将所述高光谱图像与正常农作物的高光谱图像做对比，确定所述敏感图像区域；
在所述高光谱图像中将所述敏感图像区域之外的范围进行虚化处理。
4.根据权利要求3所述的一种基于高光谱的作物虫害监测方法，其特征在于，在所述根据该高光谱图像中不同的色彩体现，提取敏感图像之后，所述方法还包括：
将所述敏感图像与预置非虫害高光谱图像进行亮度比对；
将亮度对比结果相同的位置确定为非虫害位置；
在所述敏感图像上将所述非虫害位置进行虚化处理；
生成所述虚化处理后的敏感图像。
5.根据权利要求1所述的一种基于高光谱的作物虫害监测方法，其特征在于，在所述针对每个所述当前虫害信息，在所述画像记录的相关信息中，对该当前虫害信息的产生因素进行分析之前，所述方法还包括：
针对所述农作物的具体植株，调整所述高光谱仪的采集范围，获取所述植株的高光谱图像；
根据所述植株的高光谱图像中不同的色彩体现，提取所述植株的敏感图像；
基于所述植株的高光谱图像和所述植株的敏感图像，计算所述植株的虫害感染比例；
根据所述植株的虫害感染比例确定用药剂量。
6.根据权利要求1所述的一种基于高光谱的作物虫害监测方法，其特征在于，所述针对每个所述当前虫害信息，在所述画像记录的相关信息中，对该当前虫害信息的产生因素进行分析，具体包括：
通过所述高光谱仪携带的定位装置标注在所述高光谱图像上的位置信息，确定所述敏感图像对应的生长区域，所述位置信息包括经纬度信息；
确定所述敏感图像对应的生长区域在确定当前虫害信息前使用的农药相关信息以及管理人员的相关信息；
确定所述当前虫害信息的产生因素。
7.根据权利要求1所述的一种基于高光谱的作物虫害监测方法，其特征在于，在所述针对每个所述当前虫害信息，在所述画像记录的相关信息中，对该当前虫害信息的产生因素进行分析之后，所述方法还包括：
确定相同纬度不同经度下的所述农作物受到的虫害类型以及虫害等级；
确定不同纬度相同经度下的所述农作物受到的虫害类型以及虫害等级；
确定不同经纬度与所述农作物受到的虫害信息的相关关系。
8.一种基于高光谱的作物虫害监测设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如下指令：
确定农作物的生长区域对应的画像，并在所述画像中提取出历史虫害信息；其中，所述画像包括：管理人、生长区域对应的作物类型信息、对作物使用农药信息；
根据所述历史虫害信息，确定多个特征波段；
通过设置在所述生长区域中的高光谱仪，获取所述农作物在所述多个特征波段下分别对应的多个高光谱图像；
针对每个所述高光谱图像，根据该高光谱图像中不同的色彩体现，提取敏感图像，并根据所述敏感图像确定所述高光谱图像对应的当前虫害信息，具体包括：
在所述敏感图像对应的所述生长区域，随机选择多个待测点；
调整所述高光谱仪的采集范围，采集多个所述待测点对应的所述农作物的高光谱图像，并获取平均光谱反射率；
将所述平均光谱反射率在预设的光谱反射率与虫害类型对照表中做检索；
在预设误差范围内，确定所述平均光谱反射率对应的虫害类型；
通过预先构建的虫害光谱指数，计算所述平均光谱反射率对应的虫害指数值，并根据所述虫害指数值确定虫害等级；其中，虫害等级包括轻度虫害、中度虫害、重度虫害；
针对每个所述当前虫害信息，在所述画像记录的相关信息中，对该当前虫害信息的产生因素进行分析；其中，所述画像记录的相关信息包括：生长区域的作物使用的农药类型和剂量信息、生长区域的经纬度信息、喷洒农药的时间信息。
CN202110597805.9A 2021-05-31 2021-05-31 一种基于高光谱的作物虫害监测方法及设备 Active CN113326841B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110597805.9A CN113326841B (zh) 2021-05-31 2021-05-31 一种基于高光谱的作物虫害监测方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110597805.9A CN113326841B (zh) 2021-05-31 2021-05-31 一种基于高光谱的作物虫害监测方法及设备

Publications (2)

Publication Number Publication Date
CN113326841A CN113326841A (zh) 2021-08-31
CN113326841B true CN113326841B (zh) 2022-06-17

Family

ID=77422632

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110597805.9A Active CN113326841B (zh) 2021-05-31 2021-05-31 一种基于高光谱的作物虫害监测方法及设备

Country Status (1)

Country Link
CN (1) CN113326841B (zh)

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108684282B (zh) * 2018-04-11 2023-07-07 北京麦飞科技有限公司 一种农业察打一体机系统及喷洒控制方法
CN109446987A (zh) * 2018-10-29 2019-03-08 北京麦飞科技有限公司 基于pca和pnn算法检测水稻病虫害等级的方法
CN110057764B (zh) * 2019-04-25 2021-09-14 浙江省农业科学院 一种农药施药安全管理警示装置及方法
CN110487793A (zh) * 2019-08-29 2019-11-22 北京麦飞科技有限公司 病虫害时间动态分布监测方法及系统
CN110514597A (zh) * 2019-09-04 2019-11-29 北京麦飞科技有限公司 基于星地遥感数据协同的农作物病虫害监测方法
CN110929944A (zh) * 2019-11-28 2020-03-27 安徽大学 基于高光谱图像与光谱特征相融合技术的小麦赤霉病病情严重度预测方法
CN111582055B (zh) * 2020-04-17 2023-06-09 清远市智慧农业研究院 一种无人机的航空施药航线生成方法及系统
CN112528726B (zh) * 2020-10-14 2022-05-13 石河子大学 一种基于光谱成像和深度学习的棉蚜虫害监测方法及系统

Also Published As

Publication number Publication date
CN113326841A (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
Chong et al. A review of remote sensing applications for oil palm studies
CN111582055B (zh) 一种无人机的航空施药航线生成方法及系统
Li et al. Airborne LiDAR technique for estimating biomass components of maize: A case study in Zhangye City, Northwest China
CN113468964B (zh) 一种基于高光谱的农业病虫害监测方法及设备
DE102015216080A1 (de) Anordnung zur Sammlung von Bilddaten
CN108140118A (zh) 用于识别至少一株种植在耕地上的植物的方法和信息系统
CN113029971B (zh) 一种作物冠层氮素监测方法及系统
CN109934109B (zh) 一种基于遥感的黄土高原水土流失区林草植被信息提取方法
Anderegg et al. On-farm evaluation of UAV-based aerial imagery for season-long weed monitoring under contrasting management and pedoclimatic conditions in wheat
CN111666827A (zh) 一种林业病虫害智能识别方法及系统
CN113223040A (zh) 基于遥感的香蕉估产方法、装置、电子设备和存储介质
Stone et al. Assessing canopy health of native eucalypt forests
CN111582035B (zh) 一种果树树龄识别方法、装置、设备及存储介质
CN113326841B (zh) 一种基于高光谱的作物虫害监测方法及设备
Waine et al. Towards improving the accuracy of opium yield estimates with remote sensing
CN115424151A (zh) 一种基于图像处理的农业智能平台
CN115619286A (zh) 一种评估育种田间小区样地质量的方法和系统
Wilkinson et al. Change detection techniques for use in a statewide forest inventory program
Levien et al. Statewide change detection using multitemporal remote sensing data
Auld Guidelines for mapping assessments of agricultural weed problems
CN116823918B (zh) 作物苗株数测量方法、装置、电子设备及存储介质
Sarron et al. Assessing production gaps at the tree scale: definition and application to mango (Mangifera indica L.) in West Africa
CN116824157B (zh) 采样点确定、遥感产品真实性校验方法、装置及电子设备
Gentle et al. Assessing pig damage in agricultural crops with remote sensing
Grego et al. Technologies developed in precision agriculture.

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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Method and Equipment for Monitoring Crop Pests Based on Hyperspectra

Effective date of registration: 20230519

Granted publication date: 20220617

Pledgee: Bank of Beijing Co.,Ltd. Jinan Branch

Pledgor: Shandong Shenlan Zhipu Digital Technology Co.,Ltd.

Registration number: Y2023980041054

PC01 Cancellation of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Granted publication date: 20220617

Pledgee: Bank of Beijing Co.,Ltd. Jinan Branch

Pledgor: Shandong Shenlan Zhipu Digital Technology Co.,Ltd.

Registration number: Y2023980041054

PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A crop pest monitoring method and equipment based on hyperspectral analysis

Granted publication date: 20220617

Pledgee: Huaxia Bank Co.,Ltd. Jinan Branch

Pledgor: Shandong Shenlan Zhipu Digital Technology Co.,Ltd.

Registration number: Y2024980008356