CN113705419A - 农作物病虫草害识别处理方法、装置、电子设备及存储介质 - Google Patents
农作物病虫草害识别处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113705419A CN113705419A CN202110974009.2A CN202110974009A CN113705419A CN 113705419 A CN113705419 A CN 113705419A CN 202110974009 A CN202110974009 A CN 202110974009A CN 113705419 A CN113705419 A CN 113705419A
- Authority
- CN
- China
- Prior art keywords
- pest
- weed
- crop
- diseases
- weeds
- 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
- 241000196324 Embryophyta Species 0.000 title claims abstract description 191
- 201000010099 disease Diseases 0.000 title claims abstract description 118
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 118
- 241000238631 Hexapoda Species 0.000 title claims abstract description 34
- 238000003672 processing method Methods 0.000 title claims description 10
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 212
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 28
- 244000025254 Cannabis sativa Species 0.000 claims description 20
- 238000002372 labelling Methods 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000008033 biological extinction Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 230000002265 prevention Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种农作物病虫草害识别处理方法、装置、电子设备及存储介质,该方法包括:确定用户的待识别作物的病虫草害图像;将所述待识别农作物的病虫草害图像输入到预先训练的病虫草害识别模型中,获得所述病虫草害识别模型输出的所述待识别农作物的病虫草害类别结果;依据所述待识别农作物的病虫草害类别结果,从数据库中查询对应的病虫草害的防治内容,并反馈给用户。通过本发明实施例的技术方案,用户使用方便,能够避免传统人工诊断方法的弊端,实现了对病虫草害较高的识别率以及识别率稳定的技术效果。
Description
技术领域
本发明实施例涉及农业植保技术领域,尤其涉及一种农作物病虫草害识别处理方法、装置、电子设备及存储介质。
背景技术
农作物病虫草害种类多,发生差异大、监测识别预报难度高,是导致作物减产降质的主要原因之一,一旦大面积爆发,轻则造成农作物减产,重则颗粒无收。然而,传统的病虫草害分类与识别仅仅是依靠少数植保工作人员通过手工检查,肉眼观察来完成,存在识别效率低以及识别率不稳定的问题。因此,在农作物生长过程中,对农作物病虫草害类型进行识别并及时防治就显得非常重要。
发明内容
本发明实施例中提供了一种农作物病虫草害识别处理方法、装置、电子设备及存储介质,以实现对病虫草害较高的识别率以及识别率稳定的技术效果。
第一方面,本发明实施例中提供了一种农作物病虫草害识别处理方法,包括:
确定用户的待识别作物的病虫草害图像;
将所述待识别农作物的病虫草害图像输入到预先训练的病虫草害识别模型中,获得所述病虫草害识别模型输出的所述待识别农作物的病虫草害类别结果;
依据所述待识别农作物的病虫草害类别结果,从数据库中查询对应的病虫草害的防治内容,并反馈给用户。
第二方面,本发明实施例中还提供了一种农作物病虫草害识别处理装置,包括:
图像确定模块,用于确定用户的待识别作物的病虫草害图像;
结果获取模块,用于将所述待识别农作物的病虫草害图像输入到预先训练的病虫草害识别模型中,获得所述病虫草害识别模型输出的所述待识别农作物的病虫草害类别结果;
防治反馈模块,用于依据所述待识别农作物的病虫草害类别结果,从数据库中查询对应的病虫草害的防治内容,并反馈给用户。
第三方面,本发明实施例中还提供了一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明任意实施例中提供的农作物病虫草害识别处理方法。
第四方面,本发明实施例中还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任意实施例中提供的农作物病虫草害识别处理方法。
本发明实施例提供了一种农作物病虫草害识别处理方法、装置、电子设备及存储介质,该方法包括:确定用户的待识别作物的病虫草害图像;将所述待识别农作物的病虫草害图像输入到预先训练的病虫草害识别模型中,获得所述病虫草害识别模型输出的所述待识别农作物的病虫草害类别结果;依据所述待识别农作物的病虫草害类别结果,从数据库中查询对应的病虫草害的防治内容,并反馈给用户。通过本发明实施例的技术方案,用户使用方便,能够避免传统人工诊断方法的弊端,实现了对病虫草害较高的识别率以及识别率稳定的技术效果。
上述发明内容仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1是本申请实施例一提供的一种农作物病虫草害识别处理方法的流程图;
图2是本申请实施例二提供的一种农作物病虫草害识别处理装置的结构示意图;
图3是本申请实施例三提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1是本发明实施例一中提供的一种农作物病虫草害识别处理方法的流程图,该方法可适用于对农作物中含有病虫草害进行识别处理情况,该方法可由农作物病虫草害识别处理装置来执行,该装置可由软件和/或硬件实现,并可集成于电子设备中。如图1所示,本实施例中的农作物病虫草害识别处理方法,包括以下步骤:
S110、确定用户的待识别作物的病虫草害图像。
其中,获取用户通过终端设备实时拍摄或者从终端设备的相册中选取的待识别农作物的病虫草害图像;
对待识别农作物的病虫草害图像进行预处理;所述预处理包括但不限于图像尺寸与格式调整、去噪、消光以及消除背景影响。
可选的,通过多种渠道获取待识别农作物的病虫草害图像,包括但不限于使用手机或平板电脑等移动智能终端设备在田间实时拍摄、网络下载以及公开征集等,保证了图片来源的丰富性。
S120、将所述待识别农作物的病虫草害图像输入到预先训练的病虫草害识别模型中,获得所述病虫草害识别模型输出的所述待识别农作物的病虫草害类别结果。
可选的,所述病虫草害识别模型的生成过程包括步骤A1-A4:
A1:对农作物病虫草害图像进行病虫草害类别标注,并划分得到训练数据集和验证数据集。
其中,对农作物病虫草害图像进行清洗处理,并标注所述农作物病虫草害图像所对应的病虫草害类别;
根据标注后的病虫草害类别将所有农作物病虫草害图像数据划分为不同病虫草害种类的训练数据集和验证数据集。
A2:基于卷积神经网络对训练数据集图片进行融合、分析和计算,生成农作物的病虫草害图像特征表达。
A3:通过深度学习网络对农作物的病虫草害图像特征表达进行分析计算,生成基于深度学习网络的初始的病虫草害识别模型。
A4:使用训练数据集对初始识别模型进行深度学习训练形成病虫草害识别模型,并使用验证数据集对生成的病虫草害识别模型进行测试调试。
其中,采用初步训练的病虫草害识别模型对未添加标签的农作物病虫草害图像进行预测,并向未添加标签的农作物病虫草害图像标注伪标签得到伪标签数据集;
使用伪标签数据集和训练数据集对初步训练的病虫草害识别模型重新训练。
可选的,使用第一次训练的模型为不加标签的农作物病虫草害图像预测标签,标注伪标签数据集;同时使用伪标签数据集和训练数据集重新训练模型;得到第二代识别模型;用第二代识别模型识别验证数据集,根据识别结果辅助调试第二代识别模型,并将验证数据集反哺训练第二代识别模型形成第三代识别模型;将第三代识别模型作为新的第一模型,重复上述训练与校验过程,直至第三代模型满足预设识别准确率后结束训练;将满足预设条件的第三代模型作为最优的病虫害识别模型,用于农作物病虫草害图像识别模型。
该农作物病虫草害图像识别模型,能够及时获取调优、校准后最新版本的识别模型,并更新数据库和识别模型,不断丰富数据库和优化识别模型,让农作物病虫草害识别更加智能化。
S130、依据所述待识别农作物的病虫草害类别结果,从数据库中查询对应的病虫草害的防治内容,并反馈给用户。
其中,获取不同用户对查询的对应病虫草害的防治内容的防治结果评价内容,并根据防治结果评价内容对查询的各个病虫草害的防治内容进行排序;
按照排序结果将排序在前的预设条病虫草害的防治内容推送给用户,并在用户的终端设备进行排序展示;
在排序在前的预设条病虫草害的防治内容中添加防治建议链接,以使病虫草害的防治内容在终端设备展示时供用户点击防治建议链接查看防治建议。
本发明实施例提供了一种农作物病虫草害识别处理方法,包括:确定用户的待识别作物的病虫草害图像;将所述待识别农作物的病虫草害图像输入到预先训练的病虫草害识别模型中,获得所述病虫草害识别模型输出的所述待识别农作物的病虫草害类别结果;依据所述待识别农作物的病虫草害类别结果,从数据库中查询对应的病虫草害的防治内容,并反馈给用户。通过本发明实施例的技术方案,不断更新数据库和识别模型,使农作物病虫草害图像识别模型更加智能化,用户使用方便,避免了传统人工诊断方法的弊端;将农作物的病虫草害类别结果进行获取,并查询相应的防治内容反馈给用户,实现了对病虫草害较高的识别率以及识别率稳定的技术效果。
实施例二
图2是本发明实施例二中提供的一种农作物病虫草害识别处理装置的结构示意图。该装置可适用于对含有目标对象区域的图片进行预标注的情况,该装置可由软件和/或硬件实现,并集成在电子设备中。该装置用于实现上述实施例提供的农作物病虫草害识别处理方法。如图2所示,本实施例中提供的农作物病虫草害识别处理装置,包括:
图像确定模块210,用于确定用户的待识别作物的病虫草害图像;
结果获取模块220,用于将所述待识别农作物的病虫草害图像输入到预先训练的病虫草害识别模型中,获得所述病虫草害识别模型输出的所述待识别农作物的病虫草害类别结果;
防治反馈模块230,用于依据所述待识别农作物的病虫草害类别结果,从数据库中查询对应的病虫草害的防治内容,并反馈给用户。
在上述实施例的技术上,可选的,所述图像确定模块210还用于:
获取用户通过终端设备实时拍摄或者从终端设备的相册中选取的待识别农作物的病虫草害图像;
对待识别农作物的病虫草害图像进行预处理;所述预处理包括图像尺寸与格式调整、去噪、消光以及消除背景影响。
在上述实施例的技术上,可选的,所述病虫草害识别模型的生成过程包括:
对农作物病虫草害图像进行病虫草害类别标注,并划分得到训练数据集和验证数据集;
基于卷积神经网络对训练数据集图片进行融合、分析和计算,生成农作物的病虫草害图像特征表达;
通过深度学习网络对农作物的病虫草害图像特征表达进行分析计算,生成基于深度学习网络的初始的病虫草害识别模型;
使用训练数据集对初始识别模型进行深度学习训练形成病虫草害识别模型,并使用验证数据集对生成的病虫草害识别模型进行测试调试。
在上述实施例的技术上,可选的,所述使用训练数据集对初始识别模型进行深度学习训练形成病虫草害识别模型,包括:
采用初步训练的病虫草害识别模型对未添加标签的农作物病虫草害图像进行预测,并向未添加标签的农作物病虫草害图像标注伪标签得到伪标签数据集;
使用伪标签数据集和训练数据集对初步训练的病虫草害识别模型重新训练。
在上述实施例的技术上,可选的,所述对农作物病虫草害图像进行病虫草害类别标注,并划分得到训练数据集和验证数据集,包括:
对农作物病虫草害图像进行清洗处理,并标注所述农作物病虫草害图像所对应的病虫草害类别;
根据标注后的病虫草害类别将所有农作物病虫草害图像数据划分为不同病虫草害种类的训练数据集和验证数据集。
在上述实施例的技术上,可选的,在所述从数据库中查询对应的病虫草害的防治内容之后,还包括:
获取不同用户对查询的对应病虫草害的防治内容的防治结果评价内容,并根据防治结果评价内容对查询的各个病虫草害的防治内容进行排序;
按照排序结果将排序在前的预设个病虫草害的防治内容推送给用户,并在用户的终端设备进行排序展示。
在上述实施例的技术上,可选的,所述防治反馈模块230还包括:
在排序在前的预设个病虫草害的防治内容中添加防治建议链接,以使病虫草害的防治内容在终端设备展示时供用户点击防治建议链接查看防治建议。
本发明实施例中所提供的农作物病虫草害识别处理装置可执行上述本发明任意实施例中所提供的农作物病虫草害识别处理方法,具备执行该农作物病虫草害识别处理方法相应的功能和有益效果,详细过程参见前述实施例中农作物病虫草害识别处理方法的相关操作。
实施例3
图3是本申请实施例三提供的一种电子设备的结构示意图。本申请实施例提供了一种电子设备,该电子设备中可集成本申请实施例提供的农作物病虫草害识别处理装置。如图3所示,本实施例提供了一种电子设备300,其包括:一个或多个处理器320;存储装置310,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器320执行,使得所述一个或多个处理器320实现本申请实施例所提供的农作物病虫草害识别处理方法,该方法包括:
确定用户的待识别作物的病虫草害图像;
将所述待识别农作物的病虫草害图像输入到预先训练的病虫草害识别模型中,获得所述病虫草害识别模型输出的所述待识别农作物的病虫草害类别结果;
依据所述待识别农作物的病虫草害类别结果,从数据库中查询对应的病虫草害的防治内容,并反馈给用户。
当然,本领域技术人员可以理解,处理器320还实现本申请任意实施例所提供的农作物病虫草害识别处理方法的技术方案。
图3显示的电子设备300仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图3所示,该电子设备300包括处理器320、存储装置310、输入装置330和输出装置340;电子设备中处理器320的数量可以是一个或多个,图3中以一个处理器320为例;电子设备中的处理器320、存储装置310、输入装置330和输出装置340可以通过总线或其他方式连接,图3中以通过总线350连接为例。
存储装置310作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块单元,如本申请实施例中的农作物病虫草害识别处理方法对应的程序指令。
存储装置310可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储装置310可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储装置310可进一步包括相对于处理器320远程设置的存储器,这些远程存储器可以通过网络连接。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置330可用于接收输入的数字、字符信息或语音信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏、扬声器等电子设备。
本申请实施例提供的电子设备,可以达到对病虫草害较高的识别率以及识别率稳定的技术效果。
实施例四
本发明实施例四中提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时用于执行农作物病虫草害识别处理方法,该方法包括:
确定用户的待识别作物的病虫草害图像;
将所述待识别农作物的病虫草害图像输入到预先训练的病虫草害识别模型中,获得所述病虫草害识别模型输出的所述待识别农作物的病虫草害类别结果;
依据所述待识别农作物的病虫草害类别结果,从数据库中查询对应的病虫草害的防治内容,并反馈给用户。
可选的,该程序被处理器执行时还可以用于执行本发明任意实施例中所提供的农作物病虫草害识别处理方法。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(Random AccessMemory,RAM)、只读存储器(Read Only Memory,ROM)、可擦式可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、闪存、光纤、便携式CD-ROM、光存储器件、磁存储器件、或者上述的任意合适的组合。计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于:电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、无线电频率(RadioFrequency,RF)等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种农作物病虫草害识别处理方法,其特征在于,所述方法包括:
确定用户的待识别作物的病虫草害图像;
将所述待识别农作物的病虫草害图像输入到预先训练的病虫草害识别模型中,获得所述病虫草害识别模型输出的所述待识别农作物的病虫草害类别结果;
依据所述待识别农作物的病虫草害类别结果,从数据库中查询对应的病虫草害的防治内容,并反馈给用户。
2.根据权利要求1所述的方法,其特征在于,确定用户的待识别农作物的病虫草害图像,包括:
获取用户通过终端设备实时拍摄或者从终端设备的相册中选取的待识别农作物的病虫草害图像;
对待识别农作物的病虫草害图像进行预处理;所述预处理包括图像尺寸与格式调整、去噪、消光以及消除背景影响。
3.根据权利要求1所述的方法,其特征在于,所述病虫草害识别模型的生成过程包括:
对农作物病虫草害图像进行病虫草害类别标注,并划分得到训练数据集和验证数据集;
基于卷积神经网络对训练数据集图片进行融合、分析和计算,生成农作物的病虫草害图像特征表达;
通过深度学习网络对农作物的病虫草害图像特征表达进行分析计算,生成基于深度学习网络的初始的病虫草害识别模型;
使用训练数据集对初始识别模型进行深度学习训练形成病虫草害识别模型,并使用验证数据集对生成的病虫草害识别模型进行测试调试。
4.根据权利要求3所述的方法,其特征在于,使用训练数据集对初始识别模型进行深度学习训练形成病虫草害识别模型,包括:
采用初步训练的病虫草害识别模型对未添加标签的农作物病虫草害图像进行预测,并向未添加标签的农作物病虫草害图像标注伪标签得到伪标签数据集;
使用伪标签数据集和训练数据集对初步训练的病虫草害识别模型重新训练。
5.根据权利要求3所述的方法,其特征在于,对农作物病虫草害图像进行病虫草害类别标注,并划分得到训练数据集和验证数据集,包括:
对农作物病虫草害图像进行清洗处理,并标注所述农作物病虫草害图像所对应的病虫草害类别;
根据标注后的病虫草害类别将所有农作物病虫草害图像数据划分为不同病虫草害种类的训练数据集和验证数据集。
6.根据权利要求1所述的方法,其特征在于,在从数据库中查询对应的病虫草害的防治内容之后,还包括:
获取不同用户对查询的对应病虫草害的防治内容的防治结果评价内容,并根据防治结果评价内容对查询的各个病虫草害的防治内容进行排序;
按照排序结果将排序在前的预设条病虫草害的防治内容推送给用户,并在用户的终端设备进行排序展示。
7.根据权利要求6所述的方法,其特征在于,将排序在前的预设个病虫草害的防治内容推送给用户,包括:
在排序在前的预设条病虫草害的防治内容中添加防治建议链接,以使病虫草害的防治内容在终端设备展示时供用户点击防治建议链接查看防治建议。
8.一种农作物病虫草害识别处理装置,其特征在于,所述装置包括:
图像确定模块,用于确定用户的待识别作物的病虫草害图像;
结果获取模块,用于将所述待识别农作物的病虫草害图像输入到预先训练的病虫草害识别模型中,获得所述病虫草害识别模型输出的所述待识别农作物的病虫草害类别结果;
防治反馈模块,用于依据所述待识别农作物的病虫草害类别结果,从数据库中查询对应的病虫草害的防治内容,并反馈给用户。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现权利要求1-7中任一所述的农作物病虫草害识别处理方法。
10.一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,该程序被处理器执行时实现权利要求1-7中任一所述的农作物病虫草害识别处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110974009.2A CN113705419A (zh) | 2021-08-24 | 2021-08-24 | 农作物病虫草害识别处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110974009.2A CN113705419A (zh) | 2021-08-24 | 2021-08-24 | 农作物病虫草害识别处理方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113705419A true CN113705419A (zh) | 2021-11-26 |
Family
ID=78654357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110974009.2A Pending CN113705419A (zh) | 2021-08-24 | 2021-08-24 | 农作物病虫草害识别处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705419A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113989509A (zh) * | 2021-12-27 | 2022-01-28 | 衡水学院 | 基于图像识别的农作物虫害检测方法、检测系统及设备 |
WO2023098429A1 (zh) * | 2021-12-02 | 2023-06-08 | 杭州睿胜软件有限公司 | 用于追踪植物的康复情况的方法、装置和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
KR20200031884A (ko) * | 2018-09-17 | 2020-03-25 | 전북대학교산학협력단 | 병충해 감지 장치 및 방법 |
CN111767849A (zh) * | 2020-06-29 | 2020-10-13 | 京东数字科技控股有限公司 | 农作物病虫害识别方法、设备及存储介质 |
CN111914914A (zh) * | 2020-07-21 | 2020-11-10 | 上海理想信息产业(集团)有限公司 | 一种病虫害的识别方法、装置、设备和存储介质 |
CN112001370A (zh) * | 2020-09-29 | 2020-11-27 | 中国农业科学院农业信息研究所 | 一种农作物病虫害识别方法及系统 |
-
2021
- 2021-08-24 CN CN202110974009.2A patent/CN113705419A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
KR20200031884A (ko) * | 2018-09-17 | 2020-03-25 | 전북대학교산학협력단 | 병충해 감지 장치 및 방법 |
CN111767849A (zh) * | 2020-06-29 | 2020-10-13 | 京东数字科技控股有限公司 | 农作物病虫害识别方法、设备及存储介质 |
CN111914914A (zh) * | 2020-07-21 | 2020-11-10 | 上海理想信息产业(集团)有限公司 | 一种病虫害的识别方法、装置、设备和存储介质 |
CN112001370A (zh) * | 2020-09-29 | 2020-11-27 | 中国农业科学院农业信息研究所 | 一种农作物病虫害识别方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023098429A1 (zh) * | 2021-12-02 | 2023-06-08 | 杭州睿胜软件有限公司 | 用于追踪植物的康复情况的方法、装置和存储介质 |
CN113989509A (zh) * | 2021-12-27 | 2022-01-28 | 衡水学院 | 基于图像识别的农作物虫害检测方法、检测系统及设备 |
CN113989509B (zh) * | 2021-12-27 | 2022-03-04 | 衡水学院 | 基于图像识别的农作物虫害检测方法、检测系统及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210182611A1 (en) | Training data acquisition method and device, server and storage medium | |
CN107392091B (zh) | 一种农业人工智能作物检测方法、移动终端和计算机可读介质 | |
CN113705419A (zh) | 农作物病虫草害识别处理方法、装置、电子设备及存储介质 | |
CN108509921B (zh) | 用于生成信息的方法和装置 | |
WO2019080662A1 (zh) | 信息推荐方法及装置、设备 | |
CN113723169B (zh) | 基于SlowFast的行为识别方法、系统及设备 | |
US20180197287A1 (en) | Process of using machine learning for cannabis plant health diagnostics | |
CN109189935B (zh) | 一种基于知识图谱的app传播分析方法及系统 | |
CN113449821B (zh) | 融合语义和图像特征的智能训练方法、装置、设备及介质 | |
WO2019223145A1 (zh) | 电子装置、推销名单推荐方法、系统和计算机可读存储介质 | |
KR102495419B1 (ko) | 인공지능 기반의 병해충 진단 시스템 및 방법 | |
US20210158398A1 (en) | User data segmentation augmented with public event streams for facilitating customization of online content | |
CN116541752B (zh) | 元数据管理方法、装置、计算机设备及存储介质 | |
Braun | More accurate less meaningful? A critical physical geographer’s reflection on interpreting remote sensing land-use analyses | |
Ott et al. | GinJinn2: Object detection and segmentation for ecology and evolution | |
Chang et al. | Time-series growth prediction model based on U-net and machine learning in Arabidopsis | |
CN109409419B (zh) | 用于处理数据的方法和装置 | |
CN110688513A (zh) | 基于视频的农作物查勘方法、装置及计算机设备 | |
CN111444447A (zh) | 内容推荐页面的展现方法及装置 | |
JP7472586B2 (ja) | ライブビデオ及びオブジェクト検出を介して物理オブジェクトをドキュメント化する要求を報告するための方法、プログラム及び装置 | |
CN111950237B (zh) | 一种句子改写方法、句子改写装置及电子设备 | |
Montellano | Butterfly, Larvae and Pupae Defects Detection Using Convolutional Neural Network and Apriori Algorithm | |
Cai et al. | Improved EfficientNet for corn disease identification | |
CN111325357A (zh) | 机器学习建模方法、装置、设备及计算机可读存储介质 | |
CN116246176B (zh) | 一种农作物的病害检测方法、装置、电子设备及存储介质 |
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 |