CN113780048A - 植物防治方法和装置 - Google Patents
植物防治方法和装置 Download PDFInfo
- Publication number
- CN113780048A CN113780048A CN202110056759.1A CN202110056759A CN113780048A CN 113780048 A CN113780048 A CN 113780048A CN 202110056759 A CN202110056759 A CN 202110056759A CN 113780048 A CN113780048 A CN 113780048A
- Authority
- CN
- China
- Prior art keywords
- plant
- pest
- image
- identification
- identification result
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G13/00—Protecting plants
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开的实施例公开了植物防治方法和装置。该方法的一具体实施方式包括:获取植物图像;利用预先训练的病虫害识别模型对植物图像进行识别,得到病虫害识别结果;获取病虫害识别结果对应的防治信息以及推送。该实施方式实现了针对植物的病虫害诊断和防治。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及植物防治方法和装置。
背景技术
随着人工智能、物联网、大数据、云计算等技术的日渐成熟,智慧农业也逐渐成了推动农业产业链改造、升级和发展的新方向之一。例如,利用精准的传感器实时监测,并通过云计算、数据挖掘等技术进行数据分析,然后将分析指令与各种控制设备进行联动,能够提高农业生产经营效率。
对于从事农、林、牧业等相关劳动的人员来说,病虫害的防治是最常遇到的问题之一。其中,病虫害时病害和虫害的并称。病害通常包括如真菌性病害、细菌性病害、病毒病、线虫病植物病原线虫等等。虫害包括如各种昆虫、螨类、蜗牛、鼠类等等。目前的病虫害防治方法主要包括农业防治法、生物防治法、物理防治法、化学防治法和田间诊断法等等。
其中,农业防治法主要是通过调整栽培技术等一系列措施以减少或防治病虫害。生物防治法主要是利用各种有益的生物来防治病虫害。物理防治法主要是应用各种物理因素和器械防治病虫害。化学防治法是应用化学农药防治病虫害。田间诊断法主要是根据病虫害的田间观察,通过对作物有无患病症状、症状的特征及田间环境状况的仔细观察和分析来诊断病虫害。
发明内容
本公开的实施例提出了植物防治方法和装置。
第一方面,本公开的实施例提供了一种植物防治方法,该方法包括:获取植物图像;利用预先训练的病虫害识别模型对植物图像进行识别,得到病虫害识别结果;获取病虫害识别结果对应的防治信息以及推送。
在一些实施例中,上述方法还包括:确定植物图像指示的植物的种类;以及获取病虫害识别结果对应的防治信息,包括:获取病虫害识别结果和植物的种类对应的防治信息。
在一些实施例中,利用预先训练的病虫害识别模型对植物图像进行识别,得到病虫害识别结果,包括:利用预先训练的、植物的种类对应的病虫害识别模型对植物图像进行识别,得到病虫害识别结果。
在一些实施例中,确定植物图像指示的植物的种类,包括:利用预先训练的植物识别模型对植物图像进行识别,得到植物图像指示的植物的种类。
在一些实施例中,病虫害识别模型用于从植物图像提取植物的病虫害特征,以及根据提取的病虫害特征在预设的病虫害特征库中的匹配结果,得到病虫害识别结果。
在一些实施例中,植物识别模型用于从植物图像提取植物的种类特征,以及根据提取的种类特征在预设的植物种类特征库中的匹配结果,确定植物的种类。
在一些实施例中,上述方法还包括:响应于确定病虫害识别结果指示识别失败,利用植物图像,更新病虫害识别模型。
第二方面,本公开的实施例提供了一种植物防治装置,该装置包括:获取单元,被配置成获取植物图像;病虫害识别单元,被配置成利用预先训练的病虫害识别模型对植物图像进行识别,得到病虫害识别结果;推送单元,被配置成获取病虫害识别结果对应的防治信息以及推送。
在一些实施例中,上述装置还包括:植物种类识别单元,被配置成确定植物图像指示的植物的种类;以及上述推送单元进一步被配置成:获取病虫害识别结果和植物的种类对应的防治信息。
在一些实施例中,上述病虫害识别单元进一步被配置成:利用预先训练的、植物的种类对应的病虫害识别模型对植物图像进行识别,得到病虫害识别结果。
在一些实施例中,上述植物种类识别单元进一步被配置成:利用预先训练的植物识别模型对植物图像进行识别,得到植物图像指示的植物的种类。
在一些实施例中,病虫害识别模型用于从植物图像提取植物的病虫害特征,以及根据提取的病虫害特征在预设的病虫害特征库中的匹配结果,得到病虫害识别结果。
在一些实施例中,植物识别模型用于从植物图像提取植物的种类特征,以及根据提取的种类特征在预设的植物种类特征库中的匹配结果,确定植物的种类。
在一些实施例中,上述装置还包括:更新单元,被配置成响应于确定病虫害识别结果指示识别失败,利用植物图像,更新病虫害识别模型。
第三方面,本公开的实施例提供了一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本公开的实施例提供了一种计算机可读介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的实施例提供的植物防治方法和装置,利用预先训练的病虫害识别模型对植物图像进行识别,从而得到识别结果,然后推送病虫害识别结果对应的防治信息来实现病虫害的针对性防治。和现有的一些病虫害防治方法相比,由于具有较高的病虫害识别效率,而且方法比较方便快捷,从而能够对植物进行及时的病虫害防治。
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,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的植物防治方法的一个实施例的流程图;
图3是根据本公开的实施例的植物防治方法的一个应用场景的示意图;
图4是根据本公开的植物防治方法的又一个实施例的流程图;
图5是根据本公开的植物防治装置的一个实施例的结构示意图;
图6是适于用来实现本公开的实施例的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公开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相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的植物防治方法或植物防治装置的实施例的示例性架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用。例如,搜索类应用、购物类应用、即时通信类工具、社交平台、浏览器类应用等等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如为终端设备101、102、103提供支持的后端服务器。服务器105可以对终端设备101、102、103发送的植物图像进行病虫害识别,并将病虫害识别结果反馈至终端设备101、102、103。
需要说明的是,上述植物图像也可以直接存储在服务器105的本地,服务器105可以直接提取本地所存储的植物图像并进行处理,此时,可以不存在终端设备101、102、103和网络104。
需要说明的是,本公开的实施例所提供的植物防治方法一般由服务器105执行,相应地,植物防治装置一般设置于服务器105中。
还需要指出的是,终端设备101、102、103中也可以安装有植物识别类应用等,终端设备101、102、103也可以基于植物识别类应用等对植物图像进行处理,此时,植物防治方法也可以由终端设备101、102、103执行,相应地,植物防治装置也可以设置于终端设备101、102、103中。此时,示例性系统架构100可以不存在服务器105和网络104。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,其示出了根据本公开的植物防治方法的一个实施例的流程200。该植物防治方法包括以下步骤:
步骤201,获取植物图像。
在本实施例中,植物图像可以是各种类型的、呈现有植物的图像。植物防治方法的执行主体(如图1所示的服务器105等)可以从本地或其它存储设备(如图1所示的终端设备101、102、103等)或所连接的数据库等获取植物图像。
植物图像也可以是预先由技术人员指定的图像。植物图像还可以是上述执行主体利用其上设置的图像采集装置(如摄像头等)采集得到的。
步骤202,利用预先训练的病虫害识别模型对植物图像进行识别,得到病虫害识别结果。
在本实施例中,病虫害识别模型可以用于表征植物图像与针对其指示的植物的病虫害识别结果之间的对应关系。利用病虫害识别模型得到的病虫害识别结果的类别可以根据实际的应用需求或应用场景灵活设置。
例如,病虫害识别结果可以用于指示植物图像指示的植物所受到的病虫害的种类。又例如,病虫害识别结果可以用于指示植物图像指示的植物是否受到病虫害,以及在植物受到病虫害时,植物所受到的病虫害的种类。再例如,病虫害识别结果可以用于指示识别失败或植物图像指示的植物没有受到病虫害或植物图像指示的植物所受到的病虫害的种类。其中,识别失败可以表示当前无法识别植物图像指示的植物是否受到病虫害或植物所受到的病虫害的种类。
需要说明的是,根据不同的应用需求或应用场景,病虫害识别结果也可以仅包括病害,或仅包括虫害,也可以包括病害和虫害。病虫害的种类的划分也可以根据实际的需求灵活设置。
病虫害识别模型可以通过预先获取的训练数据,利用机器学习的方法训练得到。其中,训练数据可以包括大量的植物图像以及每个植物图像指示的植物的病虫害识别结果。
具体地,可以利用现有的各种未经训练或未训练完成的识别模型作为初始模型,例如,初始模型可以是利用深度学习实现的端到端的识别模型等。然后,可以利用训练数据中的植物图像作为初始模型的输入,同时以输入的植物图像对应的病虫害识别结果作为期望输出,利用梯度下降和反向传播算法训练得到病虫害识别模型。
可选地,训练数据可以利用网络爬虫等方法从互联网中获取,从而无需人工采集和校验训练数据,可以节省人力、物力成本和时间成本。
作为示例,可以从网络中采集大量的植物图像和每个植物图像对应的病虫害识别结果。然后可以对植物图像进行去重等预处理,然后将更新后的植物图像与对应的病虫害识别结果进行关联存储。之后,根据实际的需求,还可以对存储的植物图像与对应的病虫害识别结果进行扩充等更新。
步骤203,获取病虫害识别结果对应的防治信息以及推送。
在本实施例中,在得到病虫害识别结果之后,可以获取并推送病虫害识别结果对应的防治信息。在病虫害识别结果指示植物未受到病虫害时,防治信息可以是用于介绍病虫害和/或预防病虫害的相关信息。在病虫害识别结果指示植物受到的病虫害的种类时,防治信息可以是用于对付病虫害识别结果指示的种类的病虫害的方法的相关信息。
上述执行主体可以从本地或预先设置的用于存储病虫害识别结果与防治信息之间的对应关系的数据库中获取病虫害识别结果对应的防治信息。
上述执行主体可以将防治信息推送至相关人员(如农业人员等)所使用的终端设备,以使相关人员可以及时了解植物的病虫害识别结果,并在植物受到病虫害时可以及时进行防治。
在本实施例的一些可选的实现方式中,病虫害识别模型可以用于从植物图像提取植物的病虫害特征,以及根据提取的病虫害特征在预设的病虫害特征库中的匹配结果,得到病虫害识别结果。
其中,植物的病虫害特征可以指能够表征植物受到的病虫害的各种特征。能够表征植物受到的病虫害的特征可以由技术人员预先设置,或可以在病虫害识别模型的训练过程中学习得到。
病虫害特征库中的每个病虫害特征可以预先对应一个病虫害识别结果。病虫害特征库可以由技术人员预设设置。具体地,病虫害特征库可以根据病虫害识别模型的训练数据构建。例如,从训练数据中的每个植物图像提取病虫害特征,并与其对应的病虫害识别结果关联存储。
在提取到植物图像指示的植物的病虫害特征之后,可以分别计算得到的病虫害特征与病虫害特征库中的各个病虫害特征之间的相似度,然后选取对应的相似度最高的病虫害特征所对应的病虫害识别结果作为植物图像对应的病虫害识别结果。其中,相似度的计算方法可以采用现有的各种如余弦相似度、欧氏距离等相似度计算方法。
随着训练数据的更新,可以不断更新病虫害特征库,以提升病虫害识别模型的识别结果的准确度。
可选地,在利用病虫害识别模型对植物图像进行识别,得到病虫害识别结果后,响应于确定病虫害识别结果指示识别失败,可以利用植物图像更新病虫害识别模型。此时,可以采用各种方法确定植物对应的病虫害识别结果,然后以该植物图像和对应的病虫害识别结果作为新的训练数据,更新病虫害识别模型。同时,还可以关联存储该植物图像的病虫害特征与其对应的病虫害识别结果之间的对应关系,以更新病虫害特征库。
例如,可以分别计算该植物图像与预设的植物图像集中的各植物图像之间的相似度,然后选取对应的相似度最高的植物图像对应的病虫害识别结果作为该植物图像的病虫害识别结果。又例如,也可以通过人工参与的方式确定该植物图像对应的病虫害识别结果。
由此,可以不断的根据所处理的植物图像更新病虫害识别模型和病虫害特征库,从而不断地提升病虫害识别模型的识别能力。
继续参见图3,图3是根据本实施例的植物防治方法的一个示意性的应用场景300。在图3的应用场景中,用户可以使用终端设备301拍摄待诊断的植物的图像,并将拍摄的植物图像302发送至服务器303。
服务器303可以将接收到的植物图像302输入至预先训练的病虫害识别模型304,得到病虫害识别结果305。然后,服务器303可以从数据库306中获取与病虫害识别结果305对应的防治信息307,并将防治信息307反馈至终端设备301,进而用户可以利用终端设备301查看防治信息307,并根据防治信息307对待诊断的植物进行及时有效的病虫害防治。
本公开的上述实施例提供的方法利用预先训练的病虫害识别模型对植物图像进行处理得到病虫害识别结果,并推送病虫害识别结果对应的防治信息以对植物进行及时地病虫害防治。这种病虫害防治方法无需人工对植物进行病虫害诊断,而且便于实施,并且能够不断地根据每次病虫害防治结果更新病虫害识别模型,以进一步提升病虫害识别模型的识别能力。
进一步参考图4,其示出了植物防治方法的又一个实施例的流程400。该植物防治方法的流程400,包括以下步骤:
步骤401,获取植物图像。
步骤402,确定植物图像指示的植物的种类。
在本实施例中,植物的种类可以预先根据实际的应用需求或应用场景进行划分。例如,植物的种类的划分粒度和数目都可以灵活设置。上述执行主体可以灵活采用各种方法确定植物图像指示的植物的种类。例如,利用植物图像在预设的植物图像库中进行图像匹配,并确定植物图像库中与获取的植物图像匹配度最高的植物图像指示的植物的种类作为获取的植物图像指示的植物的种类。
可选地,可以利用预先训练的植物识别模型对植物图像进行识别,得到植物图像指示的植物的种类。其中,植物识别模型可以用于表征植物图像与植物图像指示的植物的种类之间的对应关系。
植物识别模型可以对植物图像进行识别,得到植物种类识别结果。其中,植物种类识别结果的类别可以根据实际的应用需求或应用场景灵活设置。
例如,植物种类识别结果可以用于指示植物图像指示的植物的种类。又例如,植物种类识别结果可以用于指示识别失败或识别成功时植物图像指示的植物的种类。其中,识别失败可以表示当前无法识别植物图像指示的植物的种类。
植物识别模型可以通过预先获取的训练数据,利用机器学习的方法训练得到。其中,训练数据可以包括大量的植物图像以及每个植物图像指示的植物的种类。
具体地,可以利用现有的各种未经训练或未训练完成的识别模型作为初始模型,例如,初始模型可以是利用深度学习实现的端到端的识别模型等。然后,可以利用训练数据中的植物图像作为初始模型的输入,同时以输入的植物图像指示的植物的种类作为期望输出,利用梯度下降和反向传播算法训练得到植物识别模型。
可选地,训练数据可以利用网络爬虫等方法从互联网中获取,从而无需人工采集和校验训练数据,可以节省人力、物力成本和时间成本。
作为示例,可以从网络中采集大量的植物图像和每个植物图像指示的植物的种类。然后可以对植物图像进行去重等预处理,然后将更新后的植物图像与对应的植物种类进行关联存储。之后,根据实际的需求,还可以对存储的植物图像与对应的植物种类进行扩充等更新。
在本实施例的一些可选的实现方式中,植物识别模型可以用于从植物图像提取植物的种类特征,然后根据提取的种类特征在预设的植物种类特征库中的匹配结果,确定植物的种类。
其中,植物的种类特征可以指能够表征植物的种类的各种特征。能够表征植物的种类的特征可以由技术人员预先设置,或可以在植物识别模型的训练过程中学习得到。
植物种类特征库中的每个植物种类特征可以预先对应一个植物种类。植物种类特征库可以由技术人员预设设置。具体地,植物种类特征库可以根据植物识别模型的训练数据构建。例如,从训练数据中的每个植物图像提取植物种类特征,并与其对应的种类关联存储。
在从植物图像提取到植物种类特征之后,可以分别计算得到的植物种类特征与植物种类特征库中的各个植物种类特征之间的相似度,然后选取对应的相似度最高的植物种类特征所对应的种类作为植物图像指示的植物的种类。其中,相似度的计算方法可以采用现有的各种如余弦相似度、欧氏距离等相似度计算方法。
随着训练数据的更新,可以不断更新植物种类特征库,以提升植物识别模型的识别结果的准确度。
可选地,在利用植物识别模型对植物图像进行识别,得到识别结果后,响应于确定识别结果指示识别失败,可以利用植物图像更新植物识别模型。此时,可以采用各种方法确定植物的种类,然后以该植物图像和对应的种类作为新的训练数据,更新植物识别模型。同时,还可以关联存储该植物图像的植物种类特征与其对应的种类之间的对应关系,以更新病虫害特征库。
例如,可以分别计算该植物图像与预设的植物图像集中的各植物图像之间的相似度,然后选取对应的相似度最高的植物图像指示的植物的种类作为该植物图像指示的植物的种类。又例如,也可以通过人工参与的方式确定该植物图像指示的植物的种类。
由此,可以不断的根据所处理的植物图像更新植物识别模型和植物种类特征库,从而不断地提升植物识别模型的识别能力。
步骤403,利用预先训练的病虫害识别模型对植物图像进行识别,得到病虫害识别结果。
在本实施例中,对于植物的各个种类,可以分别训练每个种类对应的病虫害识别模型。具体地,对于每个种类对应的病虫害识别模型,可以使用该种类的各种植物的大量图像和每个图像对应的病虫害识别结果作为训练数据,利用机器学习的方法训练得到该种类对应的病虫害识别模型。
步骤404,获取病虫害识别结果和植物的种类对应的防治信息。
在本实施例中,可以获取并推送与病虫害识别结果和植物的种类对应的防治信息。具体地,可以预先设置植物的各个种类的各种病虫害识别结果分别对应的防治信息。
由此,可以根据植物的种类获取到更细粒度的、更具针对性的防治信息,以对植物进行更有效、更准确的防治,提升植物防治质量。
本实施例中未详细说明的内容可参考图2对应实施例中的相关说明,在此不再赘述。
从图4中可以看出,与图2对应的实施例相比,本实施例中的植物防治方法的流程400突出了可以利用植物图像确定植物的种类,从而可以利用植物的种类对应的病虫害识别模型进行针对性地病虫害识别,而且在得到病虫害识别结果之后,还可以根据植物的种类推送与植物的种类和病虫害识别结果对应的防治信息,从而实现对植物更精细的防治。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了植物防治装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例提供的植物防治装置500包括获取单元501、病虫害识别单元502、和推送单元503。其中,获取单元501被配置成获取植物图像;病虫害识别单元502被配置成利用预先训练的病虫害识别模型对植物图像进行识别,得到病虫害识别结果;推送单元503被配置成获取病虫害识别结果对应的防治信息以及推送。
在本实施例中,植物防治装置500中:获取单元501、病虫害识别单元502、和推送单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202和步骤203的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述植物防治装置500还包括:植物种类识别单元(图中未示出)被配置成确定植物图像指示的植物的种类;以及上述推送单元503进一步被配置成:获取病虫害识别结果和植物的种类对应的防治信息。
在本实施例的一些可选的实现方式中,上述病虫害识别单元502进一步被配置成:利用预先训练的、植物的种类对应的病虫害识别模型对植物图像进行识别,得到病虫害识别结果。
在本实施例的一些可选的实现方式中,上述植物种类识别单元进一步被配置成:利用预先训练的植物识别模型对植物图像进行识别,得到植物图像指示的植物的种类。
在本实施例的一些可选的实现方式中,上述病虫害识别模型用于从植物图像提取植物的病虫害特征,以及根据提取的病虫害特征在预设的病虫害特征库中的匹配结果,得到病虫害识别结果。
在本实施例的一些可选的实现方式中,上述植物识别模型用于从植物图像提取植物的种类特征,以及根据提取的种类特征在预设的植物种类特征库中的匹配结果,确定植物的种类。
在本实施例的一些可选的实现方式中,上述植物防治装置500还包括:更新单元(图中未示出)被配置成响应于确定病虫害识别结果指示识别失败,利用植物图像,更新病虫害识别模型。
本公开的上述实施例提供的装置,通过获取单元获取植物图像;病虫害识别单元利用预先训练的病虫害识别模型对植物图像进行识别,得到病虫害识别结果;推送单元获取病虫害识别结果对应的防治信息以及推送。由此,可以方便快捷地进行植物的病虫害识别,从而及时地对植物进行病虫害防治。
下面参考图6,其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)600的结构示意图。图6示出的服务器仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开的实施例的方法中限定的上述功能。
需要说明的是,本公开的实施例所述的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或者是上述两者的任意组合。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可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中,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。而在本公开的实施例中,计算机可读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,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取植物图像;利用预先训练的病虫害识别模型对植物图像进行识别,得到病虫害识别结果;获取病虫害识别结果对应的防治信息以及推送。
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公开的实施例的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)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、病虫害识别单元和识别单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取植物图像的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种植物防治方法,包括:
获取植物图像;
利用预先训练的病虫害识别模型对所述植物图像进行识别,得到病虫害识别结果;
获取所述病虫害识别结果对应的防治信息以及推送。
2.根据权利要求1所述的方法,其中,所述方法还包括:
确定所述植物图像指示的植物的种类;以及
所述获取所述病虫害识别结果对应的防治信息,包括:
获取所述病虫害识别结果和所述植物的种类对应的防治信息。
3.根据权利要求2所述的方法,其中,所述利用预先训练的病虫害识别模型对所述植物图像进行识别,得到病虫害识别结果,包括:
利用预先训练的、所述植物的种类对应的病虫害识别模型对所述植物图像进行识别,得到病虫害识别结果。
4.根据权利要求2所述的方法,其中,所述确定所述植物图像指示的植物的种类,包括:
利用预先训练的植物识别模型对所述植物图像进行识别,得到所述植物图像指示的植物的种类。
5.根据权利要求1所述的方法,其中,所述病虫害识别模型用于从所述植物图像提取植物的病虫害特征,以及根据提取的病虫害特征在预设的病虫害特征库中的匹配结果,得到病虫害识别结果。
6.根据权利要求4所述的方法,其中,所述植物识别模型用于从所述植物图像提取植物的种类特征,以及根据提取的种类特征在预设的植物种类特征库中的匹配结果,确定所述植物的种类。
7.根据权利要求1-6之一所述的方法,其中,所述方法还包括:
响应于确定所述病虫害识别结果指示识别失败,利用所述植物图像,更新所述病虫害识别模型。
8.一种植物防治装置,包括:
获取单元,被配置成获取植物图像;
病虫害识别单元,被配置成利用预先训练的病虫害识别模型对所述植物图像进行识别,得到病虫害识别结果;
推送单元,被配置成获取所述病虫害识别结果对应的防治信息以及推送。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
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如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110056759.1A CN113780048A (zh) | 2021-01-15 | 2021-01-15 | 植物防治方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110056759.1A CN113780048A (zh) | 2021-01-15 | 2021-01-15 | 植物防治方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113780048A true CN113780048A (zh) | 2021-12-10 |
Family
ID=78835446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110056759.1A Pending CN113780048A (zh) | 2021-01-15 | 2021-01-15 | 植物防治方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780048A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707773A (zh) * | 2022-06-06 | 2022-07-05 | 广东省农业科学院植物保护研究所 | 基于深度学习的虫害防治方案生成方法、系统及存储介质 |
EP4268573A1 (en) * | 2022-04-27 | 2023-11-01 | BSH Hausgeräte GmbH | Intelligent gardening system |
-
2021
- 2021-01-15 CN CN202110056759.1A patent/CN113780048A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4268573A1 (en) * | 2022-04-27 | 2023-11-01 | BSH Hausgeräte GmbH | Intelligent gardening system |
CN114707773A (zh) * | 2022-06-06 | 2022-07-05 | 广东省农业科学院植物保护研究所 | 基于深度学习的虫害防治方案生成方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10853623B2 (en) | Method and apparatus for generating information | |
CN110399550B (zh) | 一种信息推荐方法及装置 | |
KR101830056B1 (ko) | 딥러닝 기반의 병해 진단 시스템 및 그 이용방법 | |
CN108366788B (zh) | 利用dnn学习的细胞异常与否诊断系统及诊断管理方法 | |
CN110458217B (zh) | 图像识别方法及装置、眼底图像识别方法和电子设备 | |
Rahman et al. | Smartphone-based hierarchical crowdsourcing for weed identification | |
CN110443222B (zh) | 用于训练脸部关键点检测模型的方法和装置 | |
US11989886B2 (en) | Automated unsupervised localization of context sensitive events in crops and computing extent thereof | |
CN108805384B (zh) | 用于评估与推荐农作物规范的符合度的系统和方法 | |
CN113780048A (zh) | 植物防治方法和装置 | |
CN113723169B (zh) | 基于SlowFast的行为识别方法、系统及设备 | |
CN112581438B (zh) | 切片图像识别方法、装置和存储介质及电子设备 | |
Garg et al. | CROPCARE: an intelligent real-time sustainable IoT system for crop disease detection using mobile vision | |
CN110263748A (zh) | 用于发送信息的方法和装置 | |
CN108062708A (zh) | 牲畜资产的抵押方法、计算机程序、存储介质及电子设备 | |
CN110232130B (zh) | 元数据管理谱系生成方法、装置、计算机设备和存储介质 | |
CN110688513B (zh) | 基于视频的农作物查勘方法、装置及计算机设备 | |
CN115630967A (zh) | 一种农产品的智能溯源方法、装置、电子设备及存储介质 | |
Parez et al. | Towards Sustainable Agricultural Systems: A Lightweight Deep Learning Model for Plant Disease Detection. | |
CN109088793B (zh) | 用于检测网络故障的方法和装置 | |
CN114550848A (zh) | 作物病害处理方法、装置、电子设备及计算机可读介质 | |
CN117250994B (zh) | 基于无人机追踪昆虫迁飞轨迹的方法及系统 | |
Karakaya et al. | Discovery of agricultural diseases by deep learning and object detection. | |
KR20220160386A (ko) | 농작물 병충해 모니터링 방법 및 농작물 병충해 모니터링 시스템 | |
Bhatia et al. | Plant disease detection using deep learning |
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 |