CN113837076A - 一种农业病虫害智能终端分析系统 - Google Patents
一种农业病虫害智能终端分析系统 Download PDFInfo
- Publication number
- CN113837076A CN113837076A CN202111118580.0A CN202111118580A CN113837076A CN 113837076 A CN113837076 A CN 113837076A CN 202111118580 A CN202111118580 A CN 202111118580A CN 113837076 A CN113837076 A CN 113837076A
- Authority
- CN
- China
- Prior art keywords
- pest
- disease
- insect
- data
- crop
- 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- Withdrawn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 175
- 201000010099 disease Diseases 0.000 claims abstract description 132
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 132
- 241000238631 Hexapoda Species 0.000 claims abstract description 90
- 238000000034 method Methods 0.000 claims abstract description 43
- 230000002265 prevention Effects 0.000 claims abstract description 26
- 230000002354 daily effect Effects 0.000 claims abstract description 7
- 230000003203 everyday effect Effects 0.000 claims abstract description 4
- 241000196324 Embryophyta Species 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000006378 damage Effects 0.000 claims description 5
- 208000024891 symptom Diseases 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000007796 conventional method Methods 0.000 claims description 3
- -1 dopts Species 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 241000894007 species Species 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000006872 improvement Effects 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000000575 pesticide Substances 0.000 description 2
- 206010021703 Indifference Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5862—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种农业病虫害智能终端分析系统，它涉及一种农业病虫害分析系统的改进，具体涉及一种农业病虫害智能终端的检测分析系统。将农作物病害与虫害分开进行预防和治疗；对病害进行防治分析方法为：步骤1、建立农业病害基础数据库，基础数据库内容包括每种农作物的类别，并将各种日常农作物编号为A1、A2、A3、A4...An，每种农作物的生长时间、高度、叶片大小、根茎长度、粗细进行登记编号；对时间日期、每日温湿度、大气压进行记录和登记，并对上述数据进行登记编号；并将上述基础数据库内容设置在物联网云端；本发明能够在病虫害发生之前给出病虫害发生等级的预警分析报告，内容详尽，同时给出相应的防治方法，有效避免病虫害的发生，将病虫害对农作物产量的影响降低到最小，避免给国家和人民造成巨大的经济损失。本发明方法简单、预警信息准确、可靠度高，与现有技术相比具有明显的优点。
Description
技术领域
本发明涉及一种农业病虫害分析系统的改进，具体涉及一种农业病虫害智能终端的检测分析系统。
背景技术
农业规模化遇到的一个突出性的问题就是农业病虫害监测以及防治困难，由于农田范围较大，很难做到有效的监测和防治，为了降低农业病虫害的危害，提高农作物产量，现阶段通用的做法有两种，一种是定期对农田进行多次不同类型的农药喷洒，对病虫害进行无差别防治，另一种是先采用无人机对农田进行巡视，发现农田中存现的病虫害并确认位置，再通过人为操控无人机携带农药对该位置病虫害进行防治。
当前病虫害数据监测是农情监测系统的重要组成部分。农作物病虫害的无损检测与早期识别是精准农业和生态农业发展的关键。在田间进行农作物取样后，传统的病虫害诊断需要通过化学方法及调查研究才可以进行相应的决策实施，存在着费时费力、诊断不及时、诊断范围有限等缺点。许多国内外现有的研究针对农作物病虫害问题采用图像处理技术和机器学习算法进行及时有效的检测，取得了较多较好的研究成果，实现了对农作物各类信息的有效识别与提取。
在进行农作物病虫害的防治时，尤其是对黄淮海平原冬小麦进行病虫害的防治时，所采用的病虫害防治技术都是在病虫害发生一定面积的症状时，通过病虫害防治系统对病虫害的影像进行反馈，监测出病虫害的发生，再给出预警信息，这样会造成信息一定的滞后性，导致已经有症状发生的植株产量降低，大大影响冬小麦的产量，给农户造成巨大的经济损失。
发明内容
本发明的目的在于针对现有技术的缺陷和不足，提供一种农业病虫害智能终端分析系统，它通过对农业病虫害情况进行分析，对病害和虫害进行单独分析，同时通过大数据进行比对、统计、登记，可以对农业病虫害可以起到进一步的防和治，对农业病虫害起到良好的防治效果。
为实现上述目的，本发明采用以下技术方案是：步骤1、建立农业病害基础数据库，基础数据库内容包括每种农作物的类别，并将各种日常农作物编号为A1、A2、A3、A4....An，每种农作物的生长时间、高度、叶片大小、根茎长度、粗细进行登记编号；对时间日期、每日温湿度、大气压进行记录和登记，并对上述数据进行登记编号；并将上述基础数据库内容设置在物联网云端；
通过智能终端定期检测、扫描农作物的叶片大小、叶片变化情况、根茎大小、根茎变化情况进行扫描、记录和登记，并将日期、每日温湿度、大气压记录编号，将上述数据与物联网云端病害基础数据库进行比对，通过系统自行分析，
所述的系统自行分析是将相同日期、类似温度、大气压的情况下，将检测到的农作物的叶片大小、叶片变化、根茎大小、根茎变化与基础数据的数据情况进行比对，如果情况异常则进一步采集病害特征并将病害特征与基础数据库的病害特征进行比对，进而分析农作物的病害情况，并根据病害情况自动匹配对应的预防和治疗方案。
智能终端分析的农作物病害分析比对包括如下的步骤：1、利用图像采集设备对有可能含有病害的植物叶片进行采集，同时记录好采集时的日期、天气、温湿度等情况；2、获取目标叶片的图像，图像包括呈现病虫害状态的叶片，对图像进行进一步的预处理，预选出可能的病害叶片；3、对预选出的叶片上的病害进行切分处理，切分得到的每一个图像包括特定的病害信息，所述的切分是指根据病害类型不同对叶片进行切割，还可以是对同一种病害的不同阶段进行叶片切割，精确地获得病害区域的图像；4、对图像经信处理，然后将得到的图像特征信息与基础数据库进行一一比对。
对获取目标叶片的图像，图像包括呈现病虫害状态的叶片对接收到的图像的每个点进行运算，检测该点属于颜色特征、纹理特征和形态特征中的哪一种；图像特征提取的方法是首先对图像的颜色特征、纹理特征和形态特征进行提取，将提取出到的三种特征向量进行特征融合。再进行特征分类，确定出目标图像匹配的样本分类信息结果；根据上述信息结果提出的农作物病害情况，提出对应的防治和治疗。从而提高治疗和防治效果。
对于农作物虫害，具体步骤如下：C1、在基础数据库记录历年农作物的虫害情况建立虫害基础数据库，虫害种类库中记载农作物的虫害种类，虫害基础数据库中记载农作物的分类、作物名称、虫害类别、虫害症状、虫害发生规律、虫害防治方法等详细数据。
虫害基础数据库在建立过程中，虫害基础数据是以行政区划单位进行采集整理，对数据进行采集和存储时需将行政区划单位关联网格，有些基础数据是具体到区县级，则该区县网格的数据存储为该区县级的基础数据；
步骤C2：确定“网格位置”，根据“网格位置”信息、作物生育期和虫害种类库确定当前生育期常发虫害种类，在虫害种类库中检索该网格位置内作物名称、作物品种、当前生育期、常发病害种类和常发虫害种类等数据信息，通过虫害基础数据库查询当前时间各“网格位置”内虫害的基础数据。依据检索到的常发虫害种类数据在虫害基础数据库中逐一判断虫害的发生概率值。由于不同地域虫害的种类和发生条件会有差异，所以在检索虫害基础数据库时要先检索“网格位置”信息是否与虫害种类库”一致，然后再检索作物生育期是否一致，然后检索对应病害名称或者虫害名称是否一致，最后再进行判断。
步骤C3、根据各网格虫害基础数据以及气象数据，输出各虫害发生结果值，在输出过程中记录发生条件中要素名称、时间段和实际结果值，其中病害发生结果判断和虫害得到结果，虫害发生结果的计算判断病虫害发生等级，根据预先设置好的病虫害预警等级值进行预警提醒，其中病害和虫害预警等级的预先设置方法，根据虫害情况选择防治方法。
各虫害等级对应防治方法如下表：属于“轻度发生病害”和“轻度发生虫害”的情况，采用常用的常规方法进行防治；属于“轻至中度发生病害”和“轻至中度发生虫害”的情况，采用轻至中度防治方法进行防治；属于“中至重度发生病害”和“中至重度发生虫害”的情况，采用中至重度防治方法进行防治；属于“重度发生病害”和“重度发生虫害”的情况，采用重度防治方法进行防治。
本发明根据病虫害发生的最适宜要素和适宜要素参数值与实时数据值进行匹配和对比，统计计算概率，从而预测出病虫害发生的程度，同时也可以通过气象的预报数据对未来几天病虫害发生情况进行预测，数据匹配方便、快捷，预测可靠性强。本发明通过“网格位置”中区域数据、作物名称数据、作物生育期数据和病虫害种类数据的匹配，进行综合的对比分析，能够更加详细明确的给出病虫害发生时段和发生地区。本发明能够在病虫害发生之前给出病虫害发生等级的预警分析报告，内容详尽，同时给出相应的防治方法，有效避免病虫害的发生，将病虫害对农作物产量的影响降低到最小，避免给国家和人民造成巨大的经济损失。本发明方法简单、预警信息准确、可靠度高，与现有技术相比具有明显的优点。
具体实施方式
本具体实施方式采用的技术方案是：本实施例将农作物病害与虫害分开进行预防和治疗；
对病害进行防治分析方法为：步骤1、建立农业病害基础数据库，基础数据库内容包括每种农作物的类别，并将各种日常农作物编号为A1、A2、A3、A4....An，每种农作物的生长时间、高度、叶片大小、根茎长度、粗细进行登记编号；对时间日期、每日温湿度、大气压进行记录和登记，并对上述数据进行登记编号；并将上述基础数据库内容设置在物联网云端；
通过智能终端定期检测、扫描农作物的叶片大小、叶片变化情况、根茎大小、根茎变化情况进行扫描、记录和登记，并将日期、每日温湿度、大气压记录编号，将上述数据与物联网云端病害基础数据库进行比对，通过系统自行分析，
所述的系统自行分析是将相同日期、类似温度、大气压的情况下，将检测到的农作物的叶片大小、叶片变化、根茎大小、根茎变化与基础数据的数据情况进行比对，如果情况异常则进一步采集病害特征并将病害特征与基础数据库的病害特征进行比对，进而分析农作物的病害情况，并根据病害情况自动匹配对应的预防和治疗方案。
智能终端分析的农作物病害分析比对包括如下的步骤：1、利用图像采集设备对有可能含有病害的植物叶片进行采集，同时记录好采集时的日期、天气、温湿度等情况；2、获取目标叶片的图像，图像包括呈现病虫害状态的叶片，对图像进行进一步的预处理，预选出可能的病害叶片；3、对预选出的叶片上的病害进行切分处理，切分得到的每一个图像包括特定的病害信息，所述的切分是指根据病害类型不同对叶片进行切割，还可以是对同一种病害的不同阶段进行叶片切割，精确地获得病害区域的图像；4、对图像经信处理，然后将得到的图像特征信息与基础数据库进行一一比对。
对获取目标叶片的图像，图像包括呈现病虫害状态的叶片对接收到的图像的每个点进行运算，检测该点属于颜色特征、纹理特征和形态特征中的哪一种；图像特征提取的方法是首先对图像的颜色特征、纹理特征和形态特征进行提取，将提取出到的三种特征向量进行特征融合。再进行特征分类，确定出目标图像匹配的样本分类信息结果；根据上述信息结果提出的农作物病害情况，提出对应的防治和治疗，从而提高治疗和防治效果。
对于农作物虫害防治如下：具体步骤如下：C1、在基础数据库记录历年农作物的虫害情况建立虫害基础数据库，虫害种类库中记载农作物的虫害种类，虫害基础数据库中记载农作物的分类、作物名称、虫害类别、虫害症状、虫害发生规律、虫害防治方法等详细数据。
虫害基础数据库在建立过程中，虫害基础数据是以行政区划单位进行采集整理，对数据进行采集和存储时需将行政区划单位关联网格，有些基础数据是具体到区县级，则该区县网格的数据存储为该区县级的基础数据；
步骤C2：确定“网格位置”，根据“网格位置”信息、作物生育期和虫害种类库确定当前生育期常发虫害种类，在虫害种类库中检索该网格位置内作物名称、作物品种、当前生育期、常发病害种类和常发虫害种类等数据信息，通过虫害基础数据库查询当前时间各“网格位置”内虫害的基础数据。依据检索到的常发虫害种类数据在虫害基础数据库中逐一判断虫害的发生概率值。由于不同地域虫害的种类和发生条件会有差异，所以在检索虫害基础数据库时要先检索“网格位置”信息是否与虫害种类库”一致，然后再检索作物生育期是否一致，然后检索对应病害名称或者虫害名称是否一致，最后再进行判断。
步骤C3、根据各网格虫害基础数据以及气象数据，输出各虫害发生结果值，在输出过程中记录发生条件中要素名称、时间段和实际结果值，其中病害发生结果判断和虫害得到结果，虫害发生结果的计算判断病虫害发生等级，根据预先设置好的病虫害预警等级值进行预警提醒，其中病害和虫害预警等级的预先设置方法，根据虫害情况选择防治方法。
各虫害等级对应防治方法如下表：属于“轻度发生病害”和“轻度发生虫害”的情况，采用常用的常规方法进行防治；属于“轻至中度发生病害”和“轻至中度发生虫害”的情况，采用轻至中度防治方法进行防治；属于“中至重度发生病害”和“中至重度发生虫害”的情况，采用中至重度防治方法进行防治；属于“重度发生病害”和“重度发生虫害”的情况，采用重度防治方法进行防治。
本发明根据病虫害发生的最适宜要素和适宜要素参数值与实时数据值进行匹配和对比，统计计算概率，从而预测出病虫害发生的程度，同时也可以通过气象的预报数据对未来几天病虫害发生情况进行预测，数据匹配方便、快捷，预测可靠性强。本发明通过“网格位置”中区域数据、作物名称数据、作物生育期数据和病虫害种类数据的匹配，进行综合的对比分析，能够更加详细明确的给出病虫害发生时段和发生地区。本发明能够在病虫害发生之前给出病虫害发生等级的预警分析报告，内容详尽，同时给出相应的防治方法，有效避免病虫害的发生，将病虫害对农作物产量的影响降低到最小，避免给国家和人民造成巨大的经济损失。本发明方法简单、预警信息准确、可靠度高，与现有技术相比具有明显的优点。
以上所述，仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其它修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种农业病虫害智能终端分析系统，其特征在于：对病害进行防治分析方法为：步骤1、建立农业病害基础数据库，基础数据库内容包括每种农作物的类别，并将各种日常农作物编号为A1、A2、A3、A4....An，每种农作物的生长时间、高度、叶片大小、根茎长度、粗细进行登记编号；对时间日期、每日温湿度、大气压进行记录和登记，并对上述数据进行登记编号；并将上述基础数据库内容设置在物联网云端；
通过智能终端定期检测、扫描农作物的叶片大小、叶片变化情况、根茎大小、根茎变化情况进行扫描、记录和登记，并将日期、每日温湿度、大气压记录编号，将上述数据与物联网云端病害基础数据库进行比对，通过系统自行分析；
所述的系统自行分析是将相同日期、类似温度、大气压的情况下，将检测到的农作物的叶片大小、叶片变化、根茎大小、根茎变化与基础数据的数据情况进行比对，如果情况异常则进一步采集病害特征并将病害特征与基础数据库的病害特征进行比对，进而分析农作物的病害情况，并根据病害情况自动匹配对应的预防和治疗方案。
2.根据权利要求1所述的农业病虫害智能终端分析系统，其特征在于：智能终端分析的农作物病害分析比对包括如下的步骤：1、利用图像采集设备对有可能含有病害的植物叶片进行采集，同时记录好采集时的日期、天气、温湿度等情况；2、获取目标叶片的图像，图像包括呈现病虫害状态的叶片，对图像进行进一步的预处理，预选出可能的病害叶片；3、对预选出的叶片上的病害进行切分处理，切分得到的每一个图像包括特定的病害信息，所述的切分是指根据病害类型不同对叶片进行切割，还可以是对同一种病害的不同阶段进行叶片切割，精确地获得病害区域的图像；4、对图像经信处理，然后将得到的图像特征信息与基础数据库进行一一比对。
3.根据权利要求1所述的农业病虫害智能终端分析系统，其特征在于：对获取目标叶片的图像，图像包括呈现病虫害状态的叶片对接收到的图像的每个点进行运算，检测该点属于颜色特征、纹理特征和形态特征中的哪一种；图像特征提取的方法是首先对图像的颜色特征、纹理特征和形态特征进行提取，将提取出到的三种特征向量进行特征融合；再进行特征分类，确定出目标图像匹配的样本分类信息结果；根据上述信息结果提出的农作物病害情况，提出对应的防治和治疗，从而提高治疗和防治效果。
4.一种农业病虫害智能终端分析系统，其特征在于：对于农作物虫害防治如下：具体步骤如下：C1、在基础数据库记录历年农作物的虫害情况建立虫害基础数据库，虫害种类库中记载农作物的虫害种类，虫害基础数据库中记载农作物的分类、作物名称、虫害类别、虫害症状、虫害发生规律、虫害防治方法等详细数据。
5.根据权利要求4所述的一种农业病虫害智能终端分析系统，其特征在于：虫害基础数据库在建立过程中，虫害基础数据是以行政区划单位进行采集整理，对数据进行采集和存储时需将行政区划单位关联网格，有些基础数据是具体到区县级，则该区县网格的数据存储为该区县级的基础数据；
步骤C2：确定“网格位置”，根据“网格位置”信息、作物生育期和虫害种类库确定当前生育期常发虫害种类，在虫害种类库中检索该网格位置内作物名称、作物品种、当前生育期、常发病害种类和常发虫害种类等数据信息，通过虫害基础数据库查询当前时间各“网格位置”内虫害的基础数据；依据检索到的常发虫害种类数据在虫害基础数据库中逐一判断虫害的发生概率值，由于不同地域虫害的种类和发生条件会有差异，所以在检索虫害基础数据库时要先检索“网格位置”信息是否与虫害种类库”一致，然后再检索作物生育期是否一致，然后检索对应病害名称或者虫害名称是否一致，最后再进行判断；
步骤C3、根据各网格虫害基础数据以及气象数据，输出各虫害发生结果值，在输出过程中记录发生条件中要素名称、时间段和实际结果值，其中病害发生结果判断和虫害得到结果，虫害发生结果的计算判断病虫害发生等级，根据预先设置好的病虫害预警等级值进行预警提醒，其中病害和虫害预警等级的预先设置方法，根据虫害情况选择防治方法。
6.根据权利要求4所述的一种农业病虫害智能终端分析系统，其特征在于：各虫害等级对应防治方法如下表：属于“轻度发生病害”和“轻度发生虫害”的情况，采用常用的常规方法进行防治；属于“轻至中度发生病害”和“轻至中度发生虫害”的情况，采用轻至中度防治方法进行防治；属于“中至重度发生病害”和“中至重度发生虫害”的情况，采用中至重度防治方法进行防治；属于“重度发生病害”和“重度发生虫害”的情况，采用重度防治方法进行防治。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111118580.0A CN113837076A (zh) | 2021-09-24 | 2021-09-24 | 一种农业病虫害智能终端分析系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111118580.0A CN113837076A (zh) | 2021-09-24 | 2021-09-24 | 一种农业病虫害智能终端分析系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113837076A true CN113837076A (zh) | 2021-12-24 |
Family
ID=78969536
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111118580.0A Withdrawn CN113837076A (zh) | 2021-09-24 | 2021-09-24 | 一种农业病虫害智能终端分析系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113837076A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114332461A (zh) * | 2021-12-29 | 2022-04-12 | 江苏业派生物科技有限公司 | 智慧农业用虫害远程检测系统及方法 |
| CN114548438A (zh) * | 2022-02-23 | 2022-05-27 | 浙江大学 | 一种草坪自动管理方法及系统 |
| CN114972843A (zh) * | 2022-04-26 | 2022-08-30 | 黑龙江省农业科学院农业遥感与信息研究所 | 一种基于大数据的农业病虫害诊断与预警系统 |
| CN115004994A (zh) * | 2022-06-16 | 2022-09-06 | 广西鸣鸣水果有限公司 | 一种基于数字地图的果树病虫害防控系统 |
| CN115511158A (zh) * | 2022-09-01 | 2022-12-23 | 珠海市现代农业发展中心(珠海市金湾区台湾农民创业园管理委员会、珠海市农渔业科研与推广中心) | 一种基于大数据的农作物智能选育分析方法及系统 |
| CN115752562A (zh) * | 2022-10-17 | 2023-03-07 | 青芥一合碳汇(武汉)科技有限公司 | 农作物的种植管理方法、装置、终端设备及存储介质 |
| CN116206202A (zh) * | 2023-02-21 | 2023-06-02 | 北京甲板智慧科技有限公司 | 基于ai自动识别的林业病虫害智能监测管理系统 |
| CN116258373A (zh) * | 2023-03-15 | 2023-06-13 | 杭州盈禾嘉田科技有限公司 | 一种基于大数据的病虫害测报预警系统及方法 |
| CN116448760A (zh) * | 2023-03-21 | 2023-07-18 | 上海华维可控农业科技集团股份有限公司 | 一种基于机器视觉的农业智能监测系统及方法 |
| CN117951530A (zh) * | 2024-03-26 | 2024-04-30 | 阿坝州林业和草原科学技术研究所 | 一种针对卡子核桃的病虫害数据分析方法和系统 |
| CN117951530B (zh) * | 2024-03-26 | 2024-06-07 | 阿坝州林业和草原科学技术研究所 | 一种针对卡子核桃的病虫害数据分析方法和系统 |
-
2021
- 2021-09-24 CN CN202111118580.0A patent/CN113837076A/zh not_active Withdrawn
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114332461A (zh) * | 2021-12-29 | 2022-04-12 | 江苏业派生物科技有限公司 | 智慧农业用虫害远程检测系统及方法 |
| CN114548438A (zh) * | 2022-02-23 | 2022-05-27 | 浙江大学 | 一种草坪自动管理方法及系统 |
| CN114548438B (zh) * | 2022-02-23 | 2024-04-19 | 浙江大学 | 一种草坪自动管理方法及系统 |
| CN114972843A (zh) * | 2022-04-26 | 2022-08-30 | 黑龙江省农业科学院农业遥感与信息研究所 | 一种基于大数据的农业病虫害诊断与预警系统 |
| CN114972843B (zh) * | 2022-04-26 | 2024-03-15 | 黑龙江省农业科学院农业遥感与信息研究所 | 一种基于大数据的农业病虫害诊断与预警系统 |
| CN115004994B (zh) * | 2022-06-16 | 2023-12-08 | 广西鸣鸣水果有限公司 | 一种基于数字地图的果树病虫害防控系统 |
| CN115004994A (zh) * | 2022-06-16 | 2022-09-06 | 广西鸣鸣水果有限公司 | 一种基于数字地图的果树病虫害防控系统 |
| CN115511158A (zh) * | 2022-09-01 | 2022-12-23 | 珠海市现代农业发展中心(珠海市金湾区台湾农民创业园管理委员会、珠海市农渔业科研与推广中心) | 一种基于大数据的农作物智能选育分析方法及系统 |
| CN115511158B (zh) * | 2022-09-01 | 2023-08-29 | 珠海市现代农业发展中心(珠海市金湾区台湾农民创业园管理委员会、珠海市农渔业科研与推广中心) | 一种基于大数据的农作物智能选育分析方法及系统 |
| CN115752562A (zh) * | 2022-10-17 | 2023-03-07 | 青芥一合碳汇(武汉)科技有限公司 | 农作物的种植管理方法、装置、终端设备及存储介质 |
| CN116206202A (zh) * | 2023-02-21 | 2023-06-02 | 北京甲板智慧科技有限公司 | 基于ai自动识别的林业病虫害智能监测管理系统 |
| CN116258373B (zh) * | 2023-03-15 | 2024-02-09 | 杭州盈禾嘉田科技有限公司 | 一种基于大数据的病虫害测报预警系统及方法 |
| CN116258373A (zh) * | 2023-03-15 | 2023-06-13 | 杭州盈禾嘉田科技有限公司 | 一种基于大数据的病虫害测报预警系统及方法 |
| CN116448760B (zh) * | 2023-03-21 | 2023-10-20 | 上海华维可控农业科技集团股份有限公司 | 一种基于机器视觉的农业智能监测系统及方法 |
| CN116448760A (zh) * | 2023-03-21 | 2023-07-18 | 上海华维可控农业科技集团股份有限公司 | 一种基于机器视觉的农业智能监测系统及方法 |
| CN117951530A (zh) * | 2024-03-26 | 2024-04-30 | 阿坝州林业和草原科学技术研究所 | 一种针对卡子核桃的病虫害数据分析方法和系统 |
| CN117951530B (zh) * | 2024-03-26 | 2024-06-07 | 阿坝州林业和草原科学技术研究所 | 一种针对卡子核桃的病虫害数据分析方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113837076A (zh) | 一种农业病虫害智能终端分析系统 | |
| CN114972843B (zh) | 一种基于大数据的农业病虫害诊断与预警系统 | |
| CN108985260B (zh) | 一种遥感及气象一体化水稻估产方法 | |
| CN109840549B (zh) | 一种病虫害识别方法和装置 | |
| CN110926430B (zh) | 一种空地一体化红树林监测系统及控制方法 | |
| CN111727457B (zh) | 一种基于计算机视觉的棉花作物行检测方法、装置及存储介质 | |
| CN108858122A (zh) | 一种温室植物病害巡检机器人及巡检方法 | |
| CN112931456B (zh) | 一种大田作物昆虫采集设备及虫害监测预警方法 | |
| CN115456476B (zh) | 一种基于机器视觉的国土空间规划数据采集分析系统 | |
| CN113468964A (zh) | 一种基于高光谱的农业病虫害监测方法及设备 | |
| CN114943917A (zh) | 一种视觉识别污水厂好氧池曝气量的算法 | |
| CN111967441A (zh) | 一种基于深度学习的农作物病害分析方法 | |
| CN114298615A (zh) | 一种农作物种植风险预防方法、装置、存储介质和设备 | |
| CN115393723A (zh) | 农作物生长态势监测及病虫害监测系统及方法 | |
| CN117218534A (zh) | 一种农作物叶部病害识别方法 | |
| CN112668404B (zh) | 一种大豆病虫害的有效鉴定方法 | |
| CN117058607A (zh) | 一种基于图像视觉分析的植物生长状态监测系统 | |
| CN114972347A (zh) | 农作物病虫害检测方法、系统、设备及介质 | |
| CN114445713A (zh) | 一种多设备联动植保系统及方法 | |
| CN110544237B (zh) | 基于图像分析的油茶病虫害模型训练方法和识别方法 | |
| CN114022717A (zh) | 一种基于图像识别的叶片病害识别方法及系统 | |
| CN112819343A (zh) | 基于特征识别和大数据分析的智慧农业农作物区域种植监测分析方法 | |
| CN113011296A (zh) | 快速鉴别小麦品种纯度的方法和系统 | |
| CN112488230A (zh) | 基于机器学习的作物水分胁迫程度判定方法和装置 | |
| CN116186037A (zh) | 一种基于人工智能的柑橘病虫害智能识别系统及方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211224 |