CN113505706A - 一种基于ai智能的病害自动识别方法及系统 - Google Patents
一种基于ai智能的病害自动识别方法及系统 Download PDFInfo
- Publication number
- CN113505706A CN113505706A CN202110793936.4A CN202110793936A CN113505706A CN 113505706 A CN113505706 A CN 113505706A CN 202110793936 A CN202110793936 A CN 202110793936A CN 113505706 A CN113505706 A CN 113505706A
- Authority
- CN
- China
- Prior art keywords
- disease
- crop
- information
- area
- obtaining
- 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.)
- Pending
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 319
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 319
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012544 monitoring process Methods 0.000 claims abstract description 171
- 230000010354 integration Effects 0.000 claims abstract description 25
- 238000002372 labelling Methods 0.000 claims description 78
- 241000607479 Yersinia pestis Species 0.000 claims description 77
- 238000011161 development Methods 0.000 claims description 47
- 230000007480 spreading Effects 0.000 claims description 29
- 238000003892 spreading Methods 0.000 claims description 29
- 238000004458 analytical method Methods 0.000 claims description 19
- 241000894007 species Species 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 13
- 208000007985 Erythema Infectiosum Diseases 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 4
- 241000196324 Embryophyta Species 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 241000238631 Hexapoda Species 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 235000013399 edible fruits Nutrition 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000003628 erosive effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 235000013311 vegetables Nutrition 0.000 description 4
- 241000209094 Oryza Species 0.000 description 3
- 235000007164 Oryza sativa Nutrition 0.000 description 3
- 241000700159 Rattus Species 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 3
- 238000003306 harvesting Methods 0.000 description 3
- 244000000003 plant pathogen Species 0.000 description 3
- 235000009566 rice Nutrition 0.000 description 3
- 238000009331 sowing Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000004083 survival effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000002552 dosage form Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于AI智能的病害自动识别方法及系统，其中，所述方法包括：获得第一作物种植区域信息；获得预定覆盖监控区域信息；对第一作物种植区域信息进行划分，获得第一作物区域直至第N作物区域；获得第一作物监控区域直至第N作物监控区域；构建第一VR全景监控平台，并上传至所述病害自动识别系统；构建第一作物专家系统；构建第一作物资源整合平台；根据所述第一作物资源整合平台，对所述第一作物种植区域信息进行病害的自动识别和综合解决。解决了现有技术中的无法对种植作物进行全方位的监控覆盖，使得无法对作物病害进行快速准确识别，进而扩大病害影响范围的技术问题。
Description
技术领域
本发明涉及病害识别技术领域，具体地，涉及一种基于AI智能的病害自动识别方法及系统。
背景技术
农作物、蔬菜、果树和花卉等经济作物，从播种、生长至收获，经常受到各种有害生物(植物病原、害虫、杂草和害鼠等)的危害。其中，有害生物种类繁多且形态各异，发生规律各有不同，而且时常爆发，对我国国民经济、特别是农业生产造成重大损失，因此，正确识别植物病虫害，掌握有害生物的习性、特点，对防控有害生物极其重要。
但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
现有技术中存在无法对种植作物进行全方位的监控覆盖，使得无法对作物病害进行快速准确识别，进而扩大病害影响范围的技术问题。
发明内容
针对现有技术中的缺陷，本申请实施例的目的是，通过提供一种基于AI智能的病害自动识别方法及系统，解决了现有技术中存在无法对种植作物进行全方位的监控覆盖，使得无法对作物病害进行快速准确识别，进而扩大病害影响范围的技术问题，通过对作物种植区域进行区域划分，并对划分的每一个区域进行视频监控，确保监控到位，进而基于每个划分区域的监控视频构建VR全景监控平台，便于对病虫发展整体情况的综合把握，同时还可构建作物专家系统，对VR全景监控平台的病害情况进行专业识别分析，进而将种植户、专家等农业相关方利用互联网连接起来，对已发生的作物病害进行全方位、宽领域的资源整合，达到了对作物病害进行快速准确的识别，降低病害对作物生长的影响，助力作物的健康生长，进而降低了种植户的种植风险的技术效果。
一方面，本申请实施例提供一种基于AI智能的病害自动识别方法，其中，所述方法应用于病害自动识别系统，且所述系统与第一摄像头通信连接，所述方法还包括：获得第一作物种植区域信息；根据所述第一摄像头，获得预定覆盖监控区域信息；根据所述预定覆盖监控区域信息，对所述第一作物种植区域信息进行划分，获得第一作物区域直至第N作物区域；基于所述第一摄像头，获得第一作物监控区域，以此类推，基于第N摄像头，获得第N作物监控区域；根据所述第一作物监控区域直至所述第N作物监控区域，构建第一VR全景监控平台，并上传至所述病害自动识别系统；构建第一作物专家系统，所述第一作物专家系统与所述病害自动识别系统通信连接；根据所述第一VR全景监控平台、所述第一作物专家系统以及所述病害自动识别系统，构建第一作物资源整合平台；根据所述第一作物资源整合平台，对所述第一作物种植区域信息进行病害的自动识别和综合解决。
另一方面，本申请还提供了一种基于AI智能的病害自动识别系统，其中，所述系统包括：第一获得单元：所述第一获得单元用于获得第一作物种植区域信息；第二获得单元：所述第二获得单元用于根据第一摄像头，获得预定覆盖监控区域信息；第一划分单元：所述第一划分单元用于根据所述预定覆盖监控区域信息，对所述第一作物种植区域信息进行划分，获得第一作物区域直至第N作物区域；第三获得单元：所述第三获得单元用于基于所述第一摄像头，获得第一作物监控区域，以此类推，基于第N摄像头，获得第N作物监控区域；第一构建单元：所述第一构建单元用于根据所述第一作物监控区域直至所述第N作物监控区域，构建第一VR全景监控平台，并上传至病害自动识别系统；第二构建单元：所述第二构建单元用于构建第一作物专家系统，所述第一作物专家系统与所述病害自动识别系统通信连接；第三构建单元：所述第三构建单元用于根据所述第一VR全景监控平台、所述第一作物专家系统以及所述病害自动识别系统，构建第一作物资源整合平台；第一识别单元：所述第一识别单元用于根据所述第一作物资源整合平台，对所述第一作物种植区域信息进行病害的自动识别和综合解决。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
通过对作物种植区域进行区域划分，并对划分的每一个区域进行视频监控，确保监控到位，进而基于每个划分区域的监控视频构建VR全景监控平台，便于对病虫发展整体情况的综合把握，同时还可构建作物专家系统，对VR全景监控平台的病害情况进行专业识别分析，进而将种植户、专家等农业相关方利用互联网连接起来，对已发生的作物病害进行全方位、宽领域的资源整合，达到了对作物病害进行快速准确的识别，降低病害对作物生长的影响，助力作物的健康生长，进而降低了种植户的种植风险的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
通过阅读参照以下附图对非限制性实施例所做的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本申请实施例一种基于AI智能的病害自动识别方法的流程示意图；
图2为本申请实施例一种基于AI智能的病害自动识别方法的构建所述第一作物种植区域信息的病害发展形势图的流程示意图；
图3为本申请实施例一种基于AI智能的病害自动识别方法的根据所述病害蔓延平均速度信息，对病害进行综合解决的流程示意图；
图4为本申请实施例一种基于AI智能的病害自动识别方法的基于病虫种类集合的生存环境要求对病害蔓延平均速度信息进行修正的流程示意图；
图5为本申请实施例一种基于AI智能的病害自动识别系统的结构示意图；
图6为本申请实施例示例性电子设备的结构示意图。
具体实施方式
本申请实施例通过提供一种基于AI智能的病害自动识别方法及系统，解决了现有技术中存在无法对种植作物进行全方位的监控覆盖，使得无法对作物病害进行快速准确识别，进而扩大病害影响范围的技术问题，通过对作物种植区域进行区域划分，并对划分的每一个区域进行视频监控，确保监控到位，进而基于每个划分区域的监控视频构建VR全景监控平台，便于对病虫发展整体情况的综合把握，同时还可构建作物专家系统，对VR全景监控平台的病害情况进行专业识别分析，进而将种植户、专家等农业相关方利用互联网连接起来，对已发生的作物病害进行全方位、宽领域的资源整合，达到了对作物病害进行快速准确的识别，降低病害对作物生长的影响，助力作物的健康生长，进而降低了种植户的种植风险的技术效果。
下面，将参考附图详细的描述根据本申请的示例实施例。显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
农作物、蔬菜、果树和花卉等经济作物，从播种、生长至收获，经常受到各种有害生物(植物病原、害虫、杂草和害鼠等)的危害。其中，有害生物种类繁多且形态各异，发生规律各有不同，而且时常爆发，对我国国民经济、特别是农业生产造成重大损失，因此，正确识别植物病虫害，掌握有害生物的习性、特点，对防控有害生物极其重要。现有技术中存在无法对种植作物进行全方位的监控覆盖，使得无法对作物病害进行快速准确识别，进而扩大病害影响范围的技术问题。
针对上述技术问题，本申请提供的技术方案总体思路如下：
本申请实施例提供一种基于AI智能的病害自动识别方法，其中，所述方法应用于病害自动识别系统，且所述系统与第一摄像头通信连接，所述方法还包括：获得第一作物种植区域信息；根据所述第一摄像头，获得预定覆盖监控区域信息；根据所述预定覆盖监控区域信息，对所述第一作物种植区域信息进行划分，获得第一作物区域直至第N作物区域；基于所述第一摄像头，获得第一作物监控区域，以此类推，基于第N摄像头，获得第N作物监控区域；根据所述第一作物监控区域直至所述第N作物监控区域，构建第一VR全景监控平台，并上传至所述病害自动识别系统；构建第一作物专家系统，所述第一作物专家系统与所述病害自动识别系统通信连接；根据所述第一VR全景监控平台、所述第一作物专家系统以及所述病害自动识别系统，构建第一作物资源整合平台；根据所述第一作物资源整合平台，对所述第一作物种植区域信息进行病害的自动识别和综合解决。
为了更好地理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例一
如图1所示，本申请实施例提供了一种基于AI智能的病害自动识别方法，其中，所述方法应用于病害自动识别系统，且所述系统与第一摄像头通信连接，所述方法还包括：
步骤S100：获得第一作物种植区域信息；
步骤S200：根据所述第一摄像头，获得预定覆盖监控区域信息；
具体而言，农作物、蔬菜、果树和花卉等经济作物，从播种、生长至收获，经常受到各种有害生物(植物病原、害虫、杂草和害鼠等)的危害。其中，有害生物种类繁多且形态各异，发生规律各有不同，而且时常爆发，对我国国民经济、特别是农业生产造成重大损失，因此，正确识别植物病虫害，掌握有害生物的习性、特点，对防控有害生物极其重要。在本申请实施例中，所述第一作物种植区域信息可理解为种植农作物、蔬菜、果树以及花卉等经济作物的区域，所述第一摄像头可对所述第一作物种植区域信息进行监控，确保对种植作物的生长情况进行实时监测，进而判断是否被有害生物损害，便于进一步对病害进行自动识别，需要注意的是，由于种植区域相对较大，占地较广，单个摄像头无法覆盖所有的种植区域，所述预定覆盖监控区域信息为所述第一摄像头的监控覆盖区域。
步骤S300：根据所述预定覆盖监控区域信息，对所述第一作物种植区域信息进行划分，获得第一作物区域直至第N作物区域；
步骤S400：基于所述第一摄像头，获得第一作物监控区域，以此类推，基于第N摄像头，获得第N作物监控区域；
具体而言，通过获得单一的摄像头监控覆盖区域，可根据所述预定覆盖监控区域信息，对所述第一作物种植区域信息进行划分，获得第一作物区域直至第N作物区域，以此确保每个划分的区域都能被摄像头监控覆盖到，进而基于所述第一摄像头，获得第一作物监控区域，以此类推，基于第N摄像头，获得第N作物监控区域，实现了对所述第一作物种植区域信息的所有分区域进行全覆盖的监控，进而基于监控信息，对发生的病害进行自动识别。
步骤S500：根据所述第一作物监控区域直至所述第N作物监控区域，构建第一VR全景监控平台，并上传至所述病害自动识别系统；
具体而言，已知对每个分区域进行视频监控，可根据所述第一作物监控区域直至所述第N作物监控区域，构建第一VR全景监控平台，即将所有的监控区域进行融合的可视化处理，进而实现对病虫发展整体情况的综合把握，同时将所述第一VR全景监控平台上传至所述病害自动识别系统，便于进一步的对病害进行识别，举例而言，如果仅依靠少数植保科技工作人员或昆虫研究者，通过手工检查、肉眼观察来完成，识别效率较低，识别率又极其不稳定。同时，由于植保科技人员有限，再加上有些区域位置偏远、交通不便，许多病虫害无法及时现场识别，仅仅局限于种植户的描述来识别，而许多种植户专业知识有限，无法提供准确描述，常导致误判，因此基于所述第一VR全家监控平台，使得工作人员可清楚观察到病害的分布及发展情况，大大提高了病害的识别效率。
步骤S600：构建第一作物专家系统，所述第一作物专家系统与所述病害自动识别系统通信连接；
具体而言，已知构建所述第一VR全景监控平台，为了对病害进行专业识别，仅仅依靠图像采集是无法满足的，还需基于专业人员进行评判，所述第一作物专家系统融合了尽可能多的作物病害方面的识别经验以及预防经验，确保对病害进行专业性的识别和解决，进一步的，专家系统是一个具有大量的专门知识与经验的程序系统，它应用人工智能技术和计算机技术，根据某领域一个或多个专家提供的知识和经验，进行推理和判断，模拟人类专家的决策过程，以便解决那些需要人类专家处理的复杂问题，基于所述第一作物专家系统，可快速准确的对作物病害进行智能识别。
步骤S700：根据所述第一VR全景监控平台、所述第一作物专家系统以及所述病害自动识别系统，构建第一作物资源整合平台；
步骤S800：根据所述第一作物资源整合平台，对所述第一作物种植区域信息进行病害的自动识别和综合解决。
具体而言，已知构建所述第一VR全景监控平台和所述第一作物专家系统，综合所述病害自动识别系统，可构建所述第一作物资源整合平台，即将种植户、专家等农业相关方利用互联网连接起来，对已发生的作物病害进行全方位、宽领域的资源整合，确保已发生的病害可快速被识别和解决，进而降低种植户的种植风险。
进一步的，通过对作物种植区域进行区域划分，并对划分的每一个区域进行视频监控，确保监控到位，进而基于每个划分区域的监控视频构建VR全景监控平台，便于对病虫发展整体情况的综合把握，同时还可构建作物专家系统，对VR全景监控平台的病害情况进行专业识别分析，进而将种植户、专家等农业相关方利用互联网连接起来，对已发生的作物病害进行全方位、宽领域的资源整合，达到了对作物病害进行快速准确的识别，降低病害对作物生长的影响，助力作物的健康生长，进而降低了种植户的种植风险的技术效果。
优选的，如图2所示，本申请实施例还包括：
步骤S910：根据所述第一作物监控区域，获得第一病害覆盖区域信息；
步骤S920：基于所述第一病害覆盖区域信息，获得第一覆盖面积信息、第一覆盖长度信息；
步骤S930：对所述第一覆盖面积信息和所述第一覆盖长度信息进行红外标注，生成第一病害红外标注信息，以此类推，生成所述第N作物监控区域的第N病害红外标注信息；
步骤S940：将所述第一作物监控区域直至所述第N作物监控区域作为横坐标x轴，将所述第一病害红外标注信息直至所述第N病害红外标注信息作为纵坐标y轴，构建所述第一作物种植区域信息的病害发展形势图；
步骤S950：将所述病害发展形势图上传至所述病害自动识别系统进行实时监测。
具体而言，为了基于分区域视频监控对病害进行自动识别，进一步的，可根据所述第一作物监控区域，获得第一病害覆盖区域信息，即对划分的第一个分区域进行遍历检索，直到检索出病害的覆盖区域，进而所述第一覆盖面积信息为病害覆盖的具体面积大小，所述第一覆盖长度信息为病害覆盖的区域长度信息等，进而对所述第一覆盖面积信息和所述第一覆盖长度信息进行红外标注，举例而言，如果作物的某片区域存在病害覆盖，因作物自身温度和病虫的体温有差异，因此可对病虫进行红外标注，进而将作物和病虫区分开来，所述第一病害红外标注信息可理解为对所述第一作物监控区域的病害进行红外标注的信息，以此类推，所述第N病害红外标注信息为对所述第N作物监控区域的病害进行红外标注的信息，进而将所述第一作物监控区域直至所述第N作物监控区域作为横坐标x轴，将所述第一病害红外标注信息直至所述第N病害红外标注信息作为纵坐标y轴，构建所述第一作物种植区域信息的病害发展形势图，所述病害发展形势图直观的反映了各个区域的病害覆盖情况，进而将所述病害发展形势图上传至所述病害自动识别系统进行实时监测，确保基于分区域视频监控进一步对病害进行自动识别。
优选的，如图3所示，本申请实施例还包括：
步骤S951：根据所述病害发展形势图，获得所述第一作物监控区域在第一时间的所述第一病害红外标注信息以及所述第二作物监控区域在所述第一时间的所述第二病害红外标注信息；
步骤S952：获得所述第一作物监控区域和所述第二作物监控区域的第一距离信息；
步骤S953：根据所述病害发展形势图，获得所述第一作物监控区域在第二时间的所述第三病害红外标注信息以及所述第二作物监控区域在所述第二时间的所述第四病害红外标注信息；
步骤S954：获得所述第一时间和所述第二时间的第一时间间隔信息；
步骤S955：基于所述第一病害红外标注信息和所述第三病害红外标注信息，获得第一区域病害发展信息，基于所述第二病害红外标注信息和所述第四病害红外标注信息，获得第二区域病害发展信息；
步骤S956：根据所述第一区域病害发展信息、所述第二区域病害发展信息、所述第一距离信息以及所述第一时间间隔信息，获得所述第一作物种植区域信息的病害蔓延平均速度信息；
步骤S957：根据所述病害蔓延平均速度信息，对病害进行综合解决。
具体而言，还可基于病害的蔓延速度对其进行综合解决，进一步的，可基于所述病害发展形势图，获得第一时间时所述第一作物监控区域对应的所述第一病害红外标注信息，以及所述第二作物监控区域对应的所述第二病害红外标注信息，所述第一时间为设定为病害初期，同时所述第一距离信息为所述第一作物监控区域和所述第二作物监控区域之间的距离，进而还可获得第二时间时所述第一作物监控区域对应的所述第三病害红外标注信息，以及所述第二作物监控区域对应的所述第四病害红外标注信息，所述第二时间晚于所述第一时间，可设定为病害中期，所述第一时间间隔信息即为所述第一时间和所述第二时间的间隔信息，进而可获得病害初期发展到病害中期的过程中的所述第一区域病害发展信息以及所述第二区域病害发展信息，进而基于所述第一区域病害发展信息、所述第二区域病害发展信息、所述第一距离信息以及所述第一时间间隔信息，可获得所述第一作物种植区域信息的病害蔓延平均速度信息，所述病害蔓延平均速度信息可理解为病害初期发展到病害中期的害虫生长速度以及病害发展的平均速度，进而实现了基于病害的蔓延速度对其进行综合解决。
优选的，如图4所示，本申请实施例还包括：
步骤S1010：基于所述病害自动识别系统，获得第一病虫种类集合；
步骤S1020：获得所述第一作物种植区域信息的平均气温环境信息；
步骤S1030：判断所述平均气温环境信息是否满足所述第一病虫种类集合的生存环境要求；
步骤S1040：若所述平均气温环境信息满足所述第一病虫种类集合的生存环境要求，获得第一影响信息；
步骤S1050：根据所述第一影响信息，对所述病害蔓延平均速度信息进行修正，生成第二病害蔓延平均速度信息；
步骤S1060：将所述第二病害蔓延平均速度信息上传至所述第一作物专家系统进行解析，对病害进行综合解决。
具体而言，还可基于作物种植环境对病害的蔓延速度进行调整，进一步的，所述第一病虫种类集合为基于所述病害自动识别系统获得的已经存在的病虫集合，所述平均气温环境信息为所述第一作物种植区域信息所属的当地气温环境，包括温湿度、降水量等，进而判断所述平均气温环境信息是否满足所述第一病虫种类集合的生存环境要求，举例而言，如果所述第一作物种植区域信息种植的是水稻，因土壤环境较为湿润，正好满足某些害虫的生存条件要求，则对水稻的生长产生了严重的威胁，加速了害虫对水稻作物的侵胁，可获得第一影像信息，进而根据所述第一影响信息，对所述病害蔓延平均速度信息进行修正，生成所述第二病害蔓延平均速度信息，进而将所述第二病害蔓延平均速度信息上传至所述第一作物专家系统进行专业的解析，基于病害蔓延的平均速度，对种植作物进行一定的防护措施，对病害进行综合解决，确保不会造成过大损失。
优选的，所述构建第一作物专家系统，步骤S600还包括：
步骤S610：基于大数据，采集作物种类数据集；
步骤S620：根据所述作物种类数据集，获得对应的每种作物的病虫害类型；
步骤S630：根据所述每种作物的病虫害类型，获得对应的植保专家；
步骤S640：对所述作物种类数据集、所述每种作物的病虫害类型以及所述对应的植保专家，进行纵向的分类匹配，构建所述第一作物专家系统。
具体而言，为了构建所述第一作物专家系统，进一步的，可基于大数据，采集所述作物种类数据集，应确保作物种类尽可能的覆盖全面，确保采集数据的完整性和宽泛性，进而根据所述作物种类数据集，获得对应的每种作物的病虫害类型，即对每种作物可能发生的病虫害类型进行采集，同时还可根据所述每种作物的病虫害类型，获得对应的植保专家，确保治标治本，进而对所述作物种类数据集、所述每种作物的病虫害类型以及所述对应的植保专家，进行纵向的分类匹配，进一步可理解为，每一种作物种类纵向对应病虫害类型，进而纵向对应植保专家，最终构建所述第一作物专家系统。
优选的，本申请实施例还包括：
步骤S1061：根据所述第二病害蔓延平均速度信息，预估所述第一作物监控区域在第三时间的第五病害红外标注信息；
步骤S1062：根据所述病害发展形势图，获得所述第一作物监控区域在所述第三时间的实际病害红外标注信息；
步骤S1063：判断所述实际病害红外标注信息是否满足所述第五病害红外标注信息；
步骤S1064：若所述实际病害红外标注信息不满足所述第五病害红外标注信息，对所述第一病虫种类集合进行二次采集。
具体而言，为了更深入的对病害进行综合解决，进一步的，还可基于所述第二病害蔓延平均速度信息，对所述第一作物监控区域在第三时间的病害情况剂型预估，所述第三时间可理解为病害肆虐期，所述第五病害红外标注信息即为预估得到的所述第一作物监控区域在病害肆虐期间的病害发展情况，同时还可根据所述病害发展形势图，获得所述第一作物监控区域在所述第三时间的实际病害红外标注信息，所述实际病害红外标注信息为基于监控视频实际监测得到的病害发展情况，进而判断所述实际病害红外标注信息是否满足所述第五病害红外标注信息，即实际的病害发展情况是否随着预期的发展而来，如果没有，则说明实际的病害发展情况已经超过预期的发展，因此可对所述第一病虫种类集合进行二次采集，防止害虫变异，变得更加肆虐，进而确保更深入的对病害进行综合解决。
优选的，所述对所述第一病虫种类集合进行二次采集，步骤S1064还包括：
步骤S10641：根据所述实际病害红外标注信息和所述第一作物监控区域，获得第一区域枝叶受损信息；
步骤S10642：对所述第一区域枝叶受损信息进行特征分析，获得枝叶受损面积信息和枝叶受损形状信息，生成第一对比标签；
步骤S10643：根据所述第一病害红外标注信息，获得初始枝叶受损面积信息和枝叶受损形状信息，生成第二对比标签；
步骤S10644：对所述第一对比标签和所述第二对比标签进行特征融合分析，获得额外受损特征信息；
步骤S10645：根据所述额外受损特征信息，判断所述第一病虫种类集合是否变异；
步骤S10646：若所述第一病虫种类集合发生变异，对所述第一病虫种类集合进行二次采集。
具体而言，对所述第一病虫种类集合进行二次采集，进一步的，可基于所述实际病害红外标注信息和所述第一作物监控区域，获得第一区域枝叶受损信息，所述第一区域枝叶受损信息为病害肆虐期间，在害虫的侵袭下枝叶的受损情况，进而对其进行特征分析，所述枝叶受损面积信息为枝叶被害虫侵蚀过的面积大小，所述枝叶受损形状信息为枝叶被害虫侵蚀过的形状信息，可基于所述枝叶受损面积信息和所述枝叶受损形状信息，生成所述第一对比标签，同时，还可根据所述第一病害红外标注信息，获得初始枝叶受损面积信息和枝叶受损形状信息，生成第二对比标签，所述第二对比标签可理解为，在病害初期的所述第一作物监控区域的枝叶最开始被害虫侵蚀过的面积和形状标签，通过对所述第一对比标签和所述第二对比标签进行特征融合分析，获得额外受损特征信息，所述额外受损特征信息可理解为肆虐期间的枝叶侵蚀程度强于病害初期的侵蚀程度，具体可表现为侵蚀边缘深化、侵蚀面积增大等，通过所述额外受损特征信息，可判断所述第一病虫种类集合是否变异，随着外界对抗因素的增加，害虫为了免疫生存，可能会发生部分变异，如果所述第一病虫种类集合发生变异，可对所述第一病虫种类集合进行二次采集，确保对害虫的生存分布情况进行全面监测，进而做出应对措施。
与现有技术相比，本发明具有如下的有益效果：
1、通过对作物种植区域进行区域划分，并对划分的每一个区域进行视频监控，确保监控到位，进而基于每个划分区域的监控视频构建VR全景监控平台，便于对病虫发展整体情况的综合把握，同时还可构建作物专家系统，对VR全景监控平台的病害情况进行专业识别分析，进而将种植户、专家等农业相关方利用互联网连接起来，对已发生的作物病害进行全方位、宽领域的资源整合，达到了对作物病害进行快速准确的识别，降低病害对作物生长的影响，助力作物的健康生长，进而降低了种植户的种植风险的技术效果。
实施例二
基于与前述实施例中一种基于AI智能的病害自动识别方法同样发明构思，本发明还提供了一种基于AI智能的病害自动识别系统，如图5所示，所述系统包括：
第一获得单元11：所述第一获得单元11用于获得第一作物种植区域信息；
第二获得单元12：所述第二获得单元12用于根据第一摄像头，获得预定覆盖监控区域信息；
第一划分单元13：所述第一划分单元13用于根据所述预定覆盖监控区域信息，对所述第一作物种植区域信息进行划分，获得第一作物区域直至第N作物区域；
第三获得单元14：所述第三获得单元14用于基于所述第一摄像头，获得第一作物监控区域，以此类推，基于第N摄像头，获得第N作物监控区域；
第一构建单元15：所述第一构建单元15用于根据所述第一作物监控区域直至所述第N作物监控区域，构建第一VR全景监控平台，并上传至病害自动识别系统；
第二构建单元16：所述第二构建单元16用于构建第一作物专家系统，所述第一作物专家系统与所述病害自动识别系统通信连接；
第三构建单元17：所述第三构建单元17用于根据所述第一VR全景监控平台、所述第一作物专家系统以及所述病害自动识别系统，构建第一作物资源整合平台；
第一识别单元18：所述第一识别单元18用于根据所述第一作物资源整合平台，对所述第一作物种植区域信息进行病害的自动识别和综合解决。
进一步的，所述系统还包括：
第四获得单元：所述第四获得单元用于根据所述第一作物监控区域，获得第一病害覆盖区域信息；
第五获得单元：所述第五获得单元用于基于所述第一病害覆盖区域信息，获得第一覆盖面积信息、第一覆盖长度信息；
第一标注单元：所述第一标注单元用于对所述第一覆盖面积信息和所述第一覆盖长度信息进行红外标注，生成第一病害红外标注信息，以此类推，生成所述第N作物监控区域的第N病害红外标注信息；
第四构建单元：所述第四构建单元用于将所述第一作物监控区域直至所述第N作物监控区域作为横坐标x轴，将所述第一病害红外标注信息直至所述第N病害红外标注信息作为纵坐标y轴，构建所述第一作物种植区域信息的病害发展形势图；
第一上传单元：所述第一上传单元用于将所述病害发展形势图上传至所述病害自动识别系统进行实时监测。
进一步的，所述系统还包括：
第六获得单元：所述第六获得单元用于根据所述病害发展形势图，获得所述第一作物监控区域在第一时间的所述第一病害红外标注信息以及所述第二作物监控区域在所述第一时间的所述第二病害红外标注信息；
第七获得单元：所述第七获得单元用于获得所述第一作物监控区域和所述第二作物监控区域的第一距离信息；
第八获得单元：所述第八获得单元用于根据所述病害发展形势图，获得所述第一作物监控区域在第二时间的所述第三病害红外标注信息以及所述第二作物监控区域在所述第二时间的所述第四病害红外标注信息；
第九获得单元：所述第九获得单元用于获得所述第一时间和所述第二时间的第一时间间隔信息；
第十获得单元：所述第十获得单元用于基于所述第一病害红外标注信息和所述第三病害红外标注信息，获得第一区域病害发展信息，基于所述第二病害红外标注信息和所述第四病害红外标注信息，获得第二区域病害发展信息；
第十一获得单元：所述第十一获得单元用于根据所述第一区域病害发展信息、所述第二区域病害发展信息、所述第一距离信息以及所述第一时间间隔信息，获得所述第一作物种植区域信息的病害蔓延平均速度信息；
第一解决单元：所述第一解决单元用于根据所述病害蔓延平均速度信息，对病害进行综合解决。
进一步的，所述系统还包括：
第十二获得单元：所述第十二获得单元用于基于所述病害自动识别系统，获得第一病虫种类集合；
第十三获得单元：所述第十三获得单元用于获得所述第一作物种植区域信息的平均气温环境信息；
第一判断单元：所述第一判断单元用于判断所述平均气温环境信息是否满足所述第一病虫种类集合的生存环境要求；
第十四获得单元：所述第十四获得单元用于若所述平均气温环境信息满足所述第一病虫种类集合的生存环境要求，获得第一影响信息；
第一修正单元：所述第一修正单元用于根据所述第一影响信息，对所述病害蔓延平均速度信息进行修正，生成第二病害蔓延平均速度信息；
第二上传单元：所述第二上传单元用于将所述第二病害蔓延平均速度信息上传至所述第一作物专家系统进行解析，对病害进行综合解决。
进一步的，所述系统还包括：
第一采集单元：所述第一采集单元用于基于大数据，采集作物种类数据集；
第十五获得单元：所述第十五获得单元用于根据所述作物种类数据集，获得对应的每种作物的病虫害类型；
第十六获得单元：所述第十六获得单元用于根据所述每种作物的病虫害类型，获得对应的植保专家；
第一分类单元：所述第一分类单元用于对所述作物种类数据集、所述每种作物的病虫害类型以及所述对应的植保专家，进行纵向的分类匹配，构建所述第一作物专家系统。
进一步的，所述系统还包括：
第一预估单元：所述第一预估单元用于根据所述第二病害蔓延平均速度信息，预估所述第一作物监控区域在第三时间的第五病害红外标注信息；
第十七获得单元：所述第十七获得单元用于根据所述病害发展形势图，获得所述第一作物监控区域在所述第三时间的实际病害红外标注信息；
第二判断单元：所述第二判断单元用于判断所述实际病害红外标注信息是否满足所述第五病害红外标注信息；
第二采集单元：所述第二采集单元用于若所述实际病害红外标注信息不满足所述第五病害红外标注信息，对所述第一病虫种类集合进行二次采集。
进一步的，所述系统还包括：
第十八获得单元：所述第十八获得单元用于根据所述实际病害红外标注信息和所述第一作物监控区域，获得第一区域枝叶受损信息；
第一分析单元：所述第一分析单元用于对所述第一区域枝叶受损信息进行特征分析，获得枝叶受损面积信息和枝叶受损形状信息，生成第一对比标签；
第十九获得单元：所述第十九获得单元用于根据所述第一病害红外标注信息，获得初始枝叶受损面积信息和枝叶受损形状信息，生成第二对比标签；
第二分析单元：所述第二分析单元用于对所述第一对比标签和所述第二对比标签进行特征融合分析，获得额外受损特征信息；
第三判断单元：所述第三判断单元用于根据所述额外受损特征信息，判断所述第一病虫种类集合是否变异；
第三采集单元：所述第三采集单元用于若所述第一病虫种类集合发生变异，对所述第一病虫种类集合进行二次采集。
前述图1实施例一中的一种基于AI智能的病害自动识别方法的各种变化方式和具体实例同样适用于本实施例的一种基于AI智能的病害自动识别系统，通过前述对一种基于AI智能的病害自动识别方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于AI智能的病害自动识别系统的实施方法，所以为了说明书的简洁，再次不再详述。
实施例三
下面参考图6来描述本申请实施例的电子设备。
图6图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实例施中一种基于AI智能的病害自动识别方法的发明构思，本发明还提供一种基于AI智能的病害自动识别系统，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种基于AI智能的病害自动识别系统的任一方法的步骤。
其中，在图6中，总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300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305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他系统通信的单元。处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本申请实施例提供一种基于AI智能的病害自动识别方法，其中，所述方法应用于病害自动识别系统，且所述系统与第一摄像头通信连接，所述方法还包括：获得第一作物种植区域信息；根据所述第一摄像头，获得预定覆盖监控区域信息；根据所述预定覆盖监控区域信息，对所述第一作物种植区域信息进行划分，获得第一作物区域直至第N作物区域；基于所述第一摄像头，获得第一作物监控区域，以此类推，基于第N摄像头，获得第N作物监控区域；根据所述第一作物监控区域直至所述第N作物监控区域，构建第一VR全景监控平台，并上传至所述病害自动识别系统；构建第一作物专家系统，所述第一作物专家系统与所述病害自动识别系统通信连接；根据所述第一VR全景监控平台、所述第一作物专家系统以及所述病害自动识别系统，构建第一作物资源整合平台；根据所述第一作物资源整合平台，对所述第一作物种植区域信息进行病害的自动识别和综合解决。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明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，本发明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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、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系统。
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系统的制造品，该指令系统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。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供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步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种基于AI智能的病害自动识别方法，其中，所述方法应用于病害自动识别系统，且所述系统与第一摄像头通信连接，所述方法包括：
获得第一作物种植区域信息；
根据所述第一摄像头，获得预定覆盖监控区域信息；
根据所述预定覆盖监控区域信息，对所述第一作物种植区域信息进行划分，获得第一作物区域直至第N作物区域；
基于所述第一摄像头，获得第一作物监控区域，以此类推，基于第N摄像头，获得第N作物监控区域；
根据所述第一作物监控区域直至所述第N作物监控区域，构建第一VR全景监控平台，并上传至所述病害自动识别系统；
构建第一作物专家系统，所述第一作物专家系统与所述病害自动识别系统通信连接；
根据所述第一VR全景监控平台、所述第一作物专家系统以及所述病害自动识别系统，构建第一作物资源整合平台；
根据所述第一作物资源整合平台，对所述第一作物种植区域信息进行病害的自动识别和综合解决。
2.如权利要求1所述的方法，其中，所述方法还包括：
根据所述第一作物监控区域，获得第一病害覆盖区域信息；
基于所述第一病害覆盖区域信息，获得第一覆盖面积信息、第一覆盖长度信息；
对所述第一覆盖面积信息和所述第一覆盖长度信息进行红外标注，生成第一病害红外标注信息，以此类推，生成所述第N作物监控区域的第N病害红外标注信息；
将所述第一作物监控区域直至所述第N作物监控区域作为横坐标x轴，将所述第一病害红外标注信息直至所述第N病害红外标注信息作为纵坐标y轴，构建所述第一作物种植区域信息的病害发展形势图；
将所述病害发展形势图上传至所述病害自动识别系统进行实时监测。
3.如权利要求2所述的方法，其中，所述方法还包括：
根据所述病害发展形势图，获得所述第一作物监控区域在第一时间的所述第一病害红外标注信息以及所述第二作物监控区域在所述第一时间的所述第二病害红外标注信息；
获得所述第一作物监控区域和所述第二作物监控区域的第一距离信息；
根据所述病害发展形势图，获得所述第一作物监控区域在第二时间的所述第三病害红外标注信息以及所述第二作物监控区域在所述第二时间的所述第四病害红外标注信息；
获得所述第一时间和所述第二时间的第一时间间隔信息；
基于所述第一病害红外标注信息和所述第三病害红外标注信息，获得第一区域病害发展信息，基于所述第二病害红外标注信息和所述第四病害红外标注信息，获得第二区域病害发展信息；
根据所述第一区域病害发展信息、所述第二区域病害发展信息、所述第一距离信息以及所述第一时间间隔信息，获得所述第一作物种植区域信息的病害蔓延平均速度信息；
根据所述病害蔓延平均速度信息，对病害进行综合解决。
4.如权利要求3所述的方法，其中，所述方法还包括：
基于所述病害自动识别系统，获得第一病虫种类集合；
获得所述第一作物种植区域信息的平均气温环境信息；
判断所述平均气温环境信息是否满足所述第一病虫种类集合的生存环境要求；
若所述平均气温环境信息满足所述第一病虫种类集合的生存环境要求，获得第一影响信息；
根据所述第一影响信息，对所述病害蔓延平均速度信息进行修正，生成第二病害蔓延平均速度信息；
将所述第二病害蔓延平均速度信息上传至所述第一作物专家系统进行解析，对病害进行综合解决。
5.如权利要求1所述的方法，其中，所述构建第一作物专家系统，还包括：
基于大数据，采集作物种类数据集；
根据所述作物种类数据集，获得对应的每种作物的病虫害类型；
根据所述每种作物的病虫害类型，获得对应的植保专家；
对所述作物种类数据集、所述每种作物的病虫害类型以及所述对应的植保专家，进行纵向的分类匹配，构建所述第一作物专家系统。
6.如权利要求4所述的方法，其中，所述方法还包括：
根据所述第二病害蔓延平均速度信息，预估所述第一作物监控区域在第三时间的第五病害红外标注信息；
根据所述病害发展形势图，获得所述第一作物监控区域在所述第三时间的实际病害红外标注信息；
判断所述实际病害红外标注信息是否满足所述第五病害红外标注信息；
若所述实际病害红外标注信息不满足所述第五病害红外标注信息，对所述第一病虫种类集合进行二次采集。
7.如权利要求6所述的方法，其中，所述对所述第一病虫种类集合进行二次采集，还包括：
根据所述实际病害红外标注信息和所述第一作物监控区域，获得第一区域枝叶受损信息；
对所述第一区域枝叶受损信息进行特征分析，获得枝叶受损面积信息和枝叶受损形状信息，生成第一对比标签；
根据所述第一病害红外标注信息，获得初始枝叶受损面积信息和枝叶受损形状信息，生成第二对比标签；
对所述第一对比标签和所述第二对比标签进行特征融合分析，获得额外受损特征信息；
根据所述额外受损特征信息，判断所述第一病虫种类集合是否变异；
若所述第一病虫种类集合发生变异，对所述第一病虫种类集合进行二次采集。
8.一种基于AI智能的病害自动识别系统，其中，所述系统包括：
第一获得单元：所述第一获得单元用于获得第一作物种植区域信息；
第二获得单元：所述第二获得单元用于根据第一摄像头，获得预定覆盖监控区域信息；
第一划分单元：所述第一划分单元用于根据所述预定覆盖监控区域信息，对所述第一作物种植区域信息进行划分，获得第一作物区域直至第N作物区域；
第三获得单元：所述第三获得单元用于基于所述第一摄像头，获得第一作物监控区域，以此类推，基于第N摄像头，获得第N作物监控区域；
第一构建单元：所述第一构建单元用于根据所述第一作物监控区域直至所述第N作物监控区域，构建第一VR全景监控平台，并上传至病害自动识别系统；
第二构建单元：所述第二构建单元用于构建第一作物专家系统，所述第一作物专家系统与所述病害自动识别系统通信连接；
第三构建单元：所述第三构建单元用于根据所述第一VR全景监控平台、所述第一作物专家系统以及所述病害自动识别系统，构建第一作物资源整合平台；
第一识别单元：所述第一识别单元用于根据所述第一作物资源整合平台，对所述第一作物种植区域信息进行病害的自动识别和综合解决。
9.一种基于AI智能的病害自动识别系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110793936.4A CN113505706A (zh) | 2021-07-14 | 2021-07-14 | 一种基于ai智能的病害自动识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110793936.4A CN113505706A (zh) | 2021-07-14 | 2021-07-14 | 一种基于ai智能的病害自动识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113505706A true CN113505706A (zh) | 2021-10-15 |
Family
ID=78013059
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110793936.4A Pending CN113505706A (zh) | 2021-07-14 | 2021-07-14 | 一种基于ai智能的病害自动识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113505706A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116363519A (zh) * | 2023-04-10 | 2023-06-30 | 上海华维可控农业科技集团股份有限公司 | 一种基于云计算的可控农业防病害栽培系统及方法 |
| CN117078456A (zh) * | 2023-10-13 | 2023-11-17 | 杨凌职业技术学院 | 一种农林业病虫害监测管理系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107396069A (zh) * | 2017-09-01 | 2017-11-24 | 三筑工科技有限公司 | 监控展示方法、装置及系统 |
| CN107977631A (zh) * | 2017-12-04 | 2018-05-01 | 深圳春沐源控股有限公司 | 植保地图的生成方法及装置 |
| CN108230309A (zh) * | 2017-12-29 | 2018-06-29 | 成都东谷利农农业科技有限公司 | 田间病虫害监测系统及方法 |
| WO2018120634A1 (zh) * | 2016-12-30 | 2018-07-05 | 深圳前海弘稼科技有限公司 | 病虫害识别方法及装置 |
| CN108549869A (zh) * | 2018-04-13 | 2018-09-18 | 哈尔滨理工大学 | 一种基于专家系统的植保无人机自适应作业方法 |
| CN109840549A (zh) * | 2019-01-07 | 2019-06-04 | 武汉南博网络科技有限公司 | 一种病虫害识别方法和装置 |
| CN110031477A (zh) * | 2019-04-04 | 2019-07-19 | 中设设计集团股份有限公司 | 基于图像监控数据的桥梁关键构件病害预警系统及方法 |
| CN212208316U (zh) * | 2020-03-05 | 2020-12-22 | 杭州睿坤科技有限公司 | 一款基于ai人工智能识别病虫害的并应用于农业生产的ar智能设备系统 |
| CN112699805A (zh) * | 2020-12-31 | 2021-04-23 | 上海市崇明区蔬菜科学技术推广站 | 蔬菜病虫害防治智能识别系统 |
| CN112989688A (zh) * | 2021-01-27 | 2021-06-18 | 广西融安蚂蚁农业发展有限公司 | 一种智能监测金桔农药残余的方法和装置 |
-
2021
- 2021-07-14 CN CN202110793936.4A patent/CN113505706A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018120634A1 (zh) * | 2016-12-30 | 2018-07-05 | 深圳前海弘稼科技有限公司 | 病虫害识别方法及装置 |
| CN107396069A (zh) * | 2017-09-01 | 2017-11-24 | 三筑工科技有限公司 | 监控展示方法、装置及系统 |
| CN107977631A (zh) * | 2017-12-04 | 2018-05-01 | 深圳春沐源控股有限公司 | 植保地图的生成方法及装置 |
| CN108230309A (zh) * | 2017-12-29 | 2018-06-29 | 成都东谷利农农业科技有限公司 | 田间病虫害监测系统及方法 |
| CN108549869A (zh) * | 2018-04-13 | 2018-09-18 | 哈尔滨理工大学 | 一种基于专家系统的植保无人机自适应作业方法 |
| CN109840549A (zh) * | 2019-01-07 | 2019-06-04 | 武汉南博网络科技有限公司 | 一种病虫害识别方法和装置 |
| CN110031477A (zh) * | 2019-04-04 | 2019-07-19 | 中设设计集团股份有限公司 | 基于图像监控数据的桥梁关键构件病害预警系统及方法 |
| CN212208316U (zh) * | 2020-03-05 | 2020-12-22 | 杭州睿坤科技有限公司 | 一款基于ai人工智能识别病虫害的并应用于农业生产的ar智能设备系统 |
| CN112699805A (zh) * | 2020-12-31 | 2021-04-23 | 上海市崇明区蔬菜科学技术推广站 | 蔬菜病虫害防治智能识别系统 |
| CN112989688A (zh) * | 2021-01-27 | 2021-06-18 | 广西融安蚂蚁农业发展有限公司 | 一种智能监测金桔农药残余的方法和装置 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116363519A (zh) * | 2023-04-10 | 2023-06-30 | 上海华维可控农业科技集团股份有限公司 | 一种基于云计算的可控农业防病害栽培系统及方法 |
| CN116363519B (zh) * | 2023-04-10 | 2024-01-09 | 上海华维可控农业科技集团股份有限公司 | 一种基于云计算的可控农业防病害栽培系统及方法 |
| CN117078456A (zh) * | 2023-10-13 | 2023-11-17 | 杨凌职业技术学院 | 一种农林业病虫害监测管理系统 |
| CN117078456B (zh) * | 2023-10-13 | 2023-12-15 | 杨凌职业技术学院 | 一种农林业病虫害监测管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109840549B (zh) | 一种病虫害识别方法和装置 | |
| Vega et al. | Protocol for automating error removal from yield maps | |
| Yu et al. | Automatic image-based detection technology for two critical growth stages of maize: Emergence and three-leaf stage | |
| CN113505706A (zh) | 一种基于ai智能的病害自动识别方法及系统 | |
| Urena et al. | A machine vision system for seeds quality evaluation using fuzzy logic | |
| CN116738766B (zh) | 基于数字孪生的智慧农业线上产业化服务系统 | |
| CN113469112B (zh) | 农作物生长状况图像识别方法及系统 | |
| CN117561964B (zh) | 一种基于人工智能的农业数据管理系统及方法 | |
| EP3654272A1 (en) | Crop injury diagnosis system and method | |
| CN113297925A (zh) | 一种果蔬全链条质量智能预警方法及系统 | |
| CN104950082A (zh) | 一种病虫害预测系统 | |
| CN110147403A (zh) | 农业大数据融合方法、装置、设备及存储介质 | |
| CN114399664A (zh) | 植株种苗生长状态智能监测与控制方法及系统 | |
| CA3196136A1 (en) | Advanced crop manager for crops stress mitigation | |
| CN116778343B (zh) | 一种用于综合识别的目标图像特征提取方法 | |
| CN113377141A (zh) | 一种人工智能农业自动管理系统 | |
| CN116578047B (zh) | 一种用于辣椒生产的精细化智能控制方法及系统 | |
| CN113435345A (zh) | 生长阶段确定方法、装置、农业系统、设备及存储介质 | |
| CN114651283A (zh) | 搜寻功能出苗 | |
| CN114782837B (zh) | 种植物估产方法、装置、电子设备和存储介质 | |
| FAISAL | A pest monitoring system for agriculture using deep learning | |
| CN114663652A (zh) | 图像处理方法、装置、管理系统、电子设备和存储介质 | |
| CN117875658B (zh) | 基于物联网的农业数字化管理方法 | |
| CN116453003B (zh) | 一种基于无人机监测智能识别水稻生长势的方法和系统 | |
| Hsieh et al. | Intelligent medicinal plant factory |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220407 Address after: 518101 floor 5, No. 21, Chuangye Road, Shilong community, Shiyan street, Bao'an District, Shenzhen, Guangdong Applicant after: Shenzhen Sanqin Intelligent Technology Co.,Ltd. Applicant after: Chen Xiaoyi Address before: 331100 No. 21, Gangshang group, Chenjia village, Shitan Town, Fengcheng City, Yichun City, Jiangxi Province Applicant before: Chen Xiaoyi |
|
| TA01 | Transfer of patent application right |