CN113948220A - 一种具有预分析能力的炭疽病病原菌侵染阶段检测方法 - Google Patents
一种具有预分析能力的炭疽病病原菌侵染阶段检测方法 Download PDFInfo
- Publication number
- CN113948220A CN113948220A CN202111268572.4A CN202111268572A CN113948220A CN 113948220 A CN113948220 A CN 113948220A CN 202111268572 A CN202111268572 A CN 202111268572A CN 113948220 A CN113948220 A CN 113948220A
- Authority
- CN
- China
- Prior art keywords
- sample
- anthracnose
- citrus
- analyzed
- image
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 121
- 241000193738 Bacillus anthracis Species 0.000 title claims abstract description 62
- 208000015181 infectious disease Diseases 0.000 title claims abstract description 50
- 238000004458 analytical method Methods 0.000 title claims abstract description 39
- 244000052769 pathogen Species 0.000 title claims description 19
- 230000001717 pathogenic effect Effects 0.000 title claims description 14
- 241000207199 Citrus Species 0.000 claims abstract description 213
- 235000020971 citrus fruits Nutrition 0.000 claims abstract description 207
- 238000012549 training Methods 0.000 claims abstract description 75
- 238000000034 method Methods 0.000 claims abstract description 74
- 238000001237 Raman spectrum Methods 0.000 claims abstract description 68
- 244000052616 bacterial pathogen Species 0.000 claims abstract description 61
- 230000008569 process Effects 0.000 claims abstract description 31
- 238000003062 neural network model Methods 0.000 claims abstract description 29
- 238000002372 labelling Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 106
- 201000010099 disease Diseases 0.000 claims description 47
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 47
- 230000009545 invasion Effects 0.000 claims description 22
- 238000012795 verification Methods 0.000 claims description 16
- 238000011161 development Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 230000001953 sensory effect Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011534 incubation Methods 0.000 abstract description 14
- 239000000523 sample Substances 0.000 description 163
- 238000001228 spectrum Methods 0.000 description 9
- 210000002421 cell wall Anatomy 0.000 description 7
- 150000004676 glycans Chemical class 0.000 description 5
- 229920001282 polysaccharide Polymers 0.000 description 5
- 239000005017 polysaccharide Substances 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 241001529387 Colletotrichum gloeosporioides Species 0.000 description 4
- 238000001069 Raman spectroscopy Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 3
- 230000007480 spreading Effects 0.000 description 3
- 238000003892 spreading Methods 0.000 description 3
- 241000894006 Bacteria Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 229930002875 chlorophyll Natural products 0.000 description 2
- 235000019804 chlorophyll Nutrition 0.000 description 2
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003834 intracellular effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003071 parasitic effect Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000002965 ELISA Methods 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 206010061217 Infestation Diseases 0.000 description 1
- 208000031888 Mycoses Diseases 0.000 description 1
- 102000003992 Peroxidases Human genes 0.000 description 1
- 206010039509 Scab Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000011088 calibration curve Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001344 confocal Raman microscopy Methods 0.000 description 1
- 239000013068 control sample Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011081 inoculation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 108040007629 peroxidase activity proteins Proteins 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0098—Plants or trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/776—Validation; Performance evaluation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Multimedia (AREA)
- Botany (AREA)
- Wood Science & Technology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本申请揭示一种具有预分析能力的炭疽病病原菌侵染阶段检测方法,得到多个样本传感数据序列;得到样本柑橘叶片图像;得到第一预测结果;若第一预测结果不为炭疽病,则得到样本拉曼光谱数据和样本高光谱数据;得到第一判断结果,得到第二判断结果;进行标注,以得到第二训练数据;对神经网络模型进行训练,得到第二炭疽病预测模型;得到多个待分析传感数据序列;得到待分析柑橘叶片图像;得到第二预测结果;若第二预测结果不为炭疽病,则得到第三预测结果;若第三预测结果为处于侵入期,则生成拉曼光谱检测指令;若第三预测结果为处于潜育期,则生成高光谱检测指令,完成对炭疽病病原菌侵染过程的预分析,实现在炭疽病发病前的快速检测。
Description
技术领域
本申请涉及到智慧农业领域,特别是涉及到一种具有预分析能力的炭疽病病原菌侵染阶段检测方法。
背景技术
柑橘炭疽病是我国各柑橘产区的一种常发性病害,特别是在气温低和阴雨较多的季节,柑橘作物容易遭受炭疽病病原菌(一种真菌,主要是胶孢炭疽菌(C.gloeosporioides))的侵染,染病作物常引起大量落叶、落果、枝梢枯死和树皮爆裂,严重时可致整株死亡,而带病果实也容易在贮藏运输期间发生腐烂,严重威胁整个柑橘产业。因此,研究柑橘炭疽病的监测与防治方法,特别是病害的早期检测与诊断,可有效提高施药处方决策的准确性和综合防治的针对性,有利于避免病害发作和大面积蔓延。
根据农作物真菌性病害的侵染和发病时期,可大致分为致病菌侵入期、潜育期和发病期三个主要阶段。致病菌侵入期为病原物侵入农作物,并与之建立寄生关系为止的一段时期;潜育期为寄生关系建立到病害症状呈现之前,是病原物在农作物体内汲取营养、生长并蔓延为害的时期;发病期是指病害症状出现之后的一段时期,此时的病斑一般能被专家诊断和肉眼观测到,该时期的病害已具备从点向面扩散、蔓延并导致大面积危害的能力,病害诊断的滞后性(如在发病期进行诊断)是导致病害大面积蔓延的一个重要原因。
因此,如果能够在发病期之前进行病害的快速检测和诊断,有利于控制病害、开展针对性的用药防治和阻断病害的大面积蔓延。
发明内容
本申请提出一种具有预分析能力的炭疽病病原菌侵染阶段检测方法,包括以下步骤:
S1、采用布设于样本地区的多个传感器,在第一时间周期内进行数据采集处理,从而得到多个样本传感数据序列;其中,所述多个样本传感数据序列至少包括温度数据序列和湿度数据序列,所述样本地区种植有样本柑橘作物,所述第一时间周期之前未发现所述样本柑橘作物被炭疽病病原菌侵染;
S2、采用预设的摄像头对所述样本柑橘作物的叶片进行图像采集处理,以得到样本柑橘叶片图像;
S3、将所述样本柑橘叶片图像输入预设的第一炭疽病预测模型中进行处理,以得到所述第一炭疽病预测模型输出的第一预测结果,并判断所述第一预测结果是否为炭疽病;其中,所述第一炭疽病预测模型基于深度卷积神经网络模型,并采用处于发病期的柑橘作物的叶片图像作为第一训练数据而训练得到的;炭疽病病原菌对柑橘作物的侵染过程共分为侵入期、潜育期和发病期三个阶段;
S4、若所述第一预测结果不为炭疽病,则对所述样本柑橘作物的叶片分别进行拉曼光谱检测与高光谱检测处理,以得到样本拉曼光谱数据和样本高光谱数据;
S5、根据所述样本拉曼光谱数据,对所述样本柑橘作物的叶片是否处于侵入期进行判断处理,以得到第一判断结果,以及根据所述样本高光谱数据,对所述样本柑橘作物的叶片是否处于潜育期进行判断处理,以得到第二判断结果;
S6、对所述多个样本传感数据序列进行标注,以标注上所述第一判断结果和所述第二判断结果,从而得到第二训练数据;
S7、采用所述第二训练数据对预设的神经网络模型进行训练,以得到第二炭疽病预测模型;
S8、采用布设于待分析地区的多个传感器,在第二时间周期内进行数据采集处理,从而得到多个待分析传感数据序列;其中,所述多个待分析传感数据序列的类型与所述多个样本传感数据序列的类型一一对应相同,所述待分析地区种植有待分析柑橘作物,所述第二时间周期之前未发现所述待分析柑橘作物被炭疽病病原菌侵染;
S9、采用预设的摄像头对所述待分析柑橘作物的叶片进行图像采集处理,以得到待分析柑橘叶片图像;
S10、将所述待分析柑橘叶片图像输入第一炭疽病预测模型中进行处理,以得到所述第一炭疽病预测模型输出的第二预测结果,并判断所述第二预测结果是否为炭疽病;
S11、若所述第二预测结果不为炭疽病,则将所述多个待分析传感数据序列输入所述第二炭疽病预测模型中进行处理,以得到第三预测结果;其中,所述第三预测结果为处于侵入期、处于潜育期或者未受炭疽病病原菌侵染;
S12、若所述第三预测结果为处于侵入期,则生成拉曼光谱检测指令,以指示对所述待分析柑橘作物进行拉曼光谱检测处理;
S13、若所述第三预测结果为处于潜育期,则生成高光谱检测指令,以指示对所述待分析柑橘作物进行高光谱检测处理。
进一步地,所述将所述样本柑橘叶片图像输入预设的第一炭疽病预测模型中进行处理,以得到所述第一炭疽病预测模型输出的第一预测结果,并判断所述第一预测结果是否为炭疽病的步骤S3之前,包括:
S21、从预设的数据库中调取多个样本图像;其中,样本图像为对处于发病期的柑橘作物的叶片进行采集而得到的图像;
S22、根据预设比例,将所述多个样本图像划分为多个训练图像和多个验证图像;
S23、调取预设的深度卷积神经网络模型,并将所述多个训练图像输入所述深度卷积神经网络模型中进行训练,以得到暂时炭疽病预测模型;
S24、采用所述多个验证图像对所述暂时炭疽病预测模型进行验证处理,并判断验证处理的结果是否为验证通过;
S25、若验证处理的结果为验证通过,则将所述暂时炭疽病预测模型记为第一炭疽病预测模型。
进一步地,所述从预设的数据库中调取多个样本图像;其中,样本图像为对处于发病期的柑橘作物的叶片进行采集而得到的图像的步骤S21,包括:
S211、对处于发病期的柑橘作物的一个叶片的正面和反面分别进行图像采集处理,以得到正面图像和反面图像;
S212、将互相对应的正面图像和反面图像合并为一张共同图像,并将一个共同图像记为一个样本图像。
进一步地,所述采用预设的摄像头对所述待分析柑橘作物的叶片进行图像采集处理,以得到待分析柑橘叶片图像的步骤S9,包括:
S901、采用预设的摄像头对所述待分析柑橘作物的多个叶片的正面和反面分别进行图像采集处理,以得到多个正面图像和多个反面图像;
S902、将对同一个叶片进行图像采集得到的正面图像和反面图像合并为一张合并图像,从而对应得到多张合并图像;
S903、生成合并图像处理指令,以指示将所述多张合并图像依次输入第一炭疽病预测模型中进行处理。
进一步地,所述将所述待分析柑橘叶片图像输入第一炭疽病预测模型中进行处理,以得到所述第一炭疽病预测模型输出的第二预测结果,并判断所述第二预测结果是否为炭疽病的步骤S10之后,包括:
S101、若所述第二预测结果为炭疽病,则调取指定地区的多个传感数据序列;
S102、根据预设的相似度计算方法,计算指定地区的多个传感数据序列与所述多个待分析传感数据序列之间的相似度值;
S103、判断所述相似度值是否大于预设的相似度阈值;
S104、若所述相似度值大于预设的相似度阈值,则生成提前检测指令,以指示在所述多个待分析传感数据序列检测结束后,将指定地区的多个传感数据序列输入所述第一炭疽病预测模型中进行处理。
本申请提供一种具有预分析能力的炭疽病病原菌侵染阶段检测装置,包括:
样本传感数据序列采集单元,用于指示采用布设于样本地区的多个传感器,在第一时间周期内进行数据采集处理,从而得到多个样本传感数据序列;其中,所述多个样本传感数据序列至少包括温度数据序列和湿度数据序列,所述样本地区种植有样本柑橘作物,所述第一时间周期之前未发现所述样本柑橘作物被炭疽病病原菌侵染;
样本柑橘叶片图像采集单元,用于指示采用预设的摄像头对所述样本柑橘作物的叶片进行图像采集处理,以得到样本柑橘叶片图像;
第一预测结果判断单元,用于指示将所述样本柑橘叶片图像输入预设的第一炭疽病预测模型中进行处理,以得到所述第一炭疽病预测模型输出的第一预测结果,并判断所述第一预测结果是否为炭疽病;其中,所述第一炭疽病预测模型基于深度卷积神经网络模型,并采用处于发病期的柑橘作物的叶片图像作为第一训练数据而训练得到的;炭疽病病原菌对柑橘作物的侵染过程共分为侵入期、潜育期和发病期三个阶段;
样本拉曼光谱数据获取单元,用于指示若所述第一预测结果不为炭疽病,则对所述样本柑橘作物的叶片分别进行拉曼光谱检测与高光谱检测处理,以得到样本拉曼光谱数据和样本高光谱数据;
第一判断结果获取单元,用于指示根据所述样本拉曼光谱数据,对所述样本柑橘作物的叶片是否处于侵入期进行判断处理,以得到第一判断结果,以及根据所述样本高光谱数据,对所述样本柑橘作物的叶片是否处于潜育期进行判断处理,以得到第二判断结果;
第二训练数据获取单元,用于指示对所述多个样本传感数据序列进行标注,以标注上所述第一判断结果和所述第二判断结果,从而得到第二训练数据;
第二炭疽病预测模型获取单元,用于指示采用所述第二训练数据对预设的神经网络模型进行训练,以得到第二炭疽病预测模型;
待分析传感数据序列采集单元,用于指示采用布设于待分析地区的多个传感器,在第二时间周期内进行数据采集处理,从而得到多个待分析传感数据序列;其中,所述多个待分析传感数据序列的类型与所述多个样本传感数据序列的类型一一对应相同,所述待分析地区种植有待分析柑橘作物,所述第二时间周期之前未发现所述待分析柑橘作物被炭疽病病原菌侵染;
待分析柑橘叶片图像采集单元,用于指示采用预设的摄像头对所述待分析柑橘作物的叶片进行图像采集处理,以得到待分析柑橘叶片图像;
第二预测结果判断单元,用于指示将所述待分析柑橘叶片图像输入第一炭疽病预测模型中进行处理,以得到所述第一炭疽病预测模型输出的第二预测结果,并判断所述第二预测结果是否为炭疽病;
第三预测结果获取单元,用于指示若所述第二预测结果不为炭疽病,则将所述多个待分析传感数据序列输入所述第二炭疽病预测模型中进行处理,以得到第三预测结果;其中,所述第三预测结果为处于侵入期、处于潜育期或者未受炭疽病病原菌侵染;
拉曼光谱检测指令生成单元,用于指示若所述第三预测结果为处于侵入期,则生成拉曼光谱检测指令,以指示对所述待分析柑橘作物进行拉曼光谱检测处理;
高光谱检测指令生成单元,用于指示若所述第三预测结果为处于潜育期,则生成高光谱检测指令,以指示对所述待分析柑橘作物进行高光谱检测处理。
本申请提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请的具有预分析能力的炭疽病病原菌侵染阶段检测方法、装置、计算机设备和存储介质,得到多个样本传感数据序列;得到样本柑橘叶片图像;得到第一炭疽病预测模型输出的第一预测结果;若第一预测结果不为炭疽病,则得到样本拉曼光谱数据和样本高光谱数据;得到第一判断结果,得到第二判断结果;对所述多个样本传感数据序列进行标注,以标注上所述第一判断结果和所述第二判断结果,从而得到第二训练数据;对预设的神经网络模型进行训练,以得到第二炭疽病预测模型;得到多个待分析传感数据序列;得到待分析柑橘叶片图像;得到所述第一炭疽病预测模型输出的第二预测结果;若所述第二预测结果不为炭疽病,则得到第三预测结果;若所述第三预测结果为处于侵入期,则生成拉曼光谱检测指令;若所述第三预测结果为处于潜育期,则生成高光谱检测指令,完成对炭疽病病原菌侵染过程的预分析,实现在炭疽病发病前的快速检测。
其中,本申请所指预分析,指的是预先分析出待分析地区的柑橘应当采用何种检测方式,即是采用拉曼光谱检测,还是采用高光谱检测,而这两种检测分别适宜对病菌侵入期、潜育期这两个阶段进行检测。
其中,若不采用本申请的具有预分析能力的炭疽病病原菌侵染阶段检测方案,则对于待分析地区的柑橘作物,若其处于发病期,由于发病期的病斑一般能够被专家诊断和肉眼观测到,因此易于诊断;若其处于病菌侵入期、潜育期这两个时期,由于无法判断其可能处于哪个阶段,因此需要同时进行两个阶段的检测处理,例如同时进行拉曼光谱检测和高光谱检测,这就会导致检测重复,出现检测资源浪费并且成本上升的情况。
因此,本申请的具有预分析能力的炭疽病病原菌侵染阶段检测,由于具有预分析能力,即能够预先分析出,应当采用拉曼光谱检测还是采用高光谱检测(当然,若为了以防万一以及数据完整度的考虑,还可以在进行一次检测后,再进行另一次检测,例如先进行拉曼光谱检测,再进行高光谱检测。但无论如何,应当根据预分析给出的指令对应的检测方式,进行优先检测处理,而另一种检测完全可以延后进行。因此,在这种情况下,本申请的方案仍具有时间和效率优势),从而能够更早更具有针对性地进行检测,以确定是否存在炭疽病病原菌,以及确定具体的侵染阶段。
附图说明
图1为本申请一实施例的具有预分析能力的炭疽病病原菌侵染阶段检测方法的流程示意图;
图2为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
参照图1,本申请实施例提供一种具有预分析能力的炭疽病病原菌侵染阶段检测方法,包括以下步骤:
S1、采用布设于样本地区的多个传感器,在第一时间周期内进行数据采集处理,从而得到多个样本传感数据序列;其中,所述多个样本传感数据序列至少包括温度数据序列和湿度数据序列,所述样本地区种植有样本柑橘作物,所述第一时间周期之前未发现所述样本柑橘作物被炭疽病病原菌侵染;
S2、采用预设的摄像头对所述样本柑橘作物的叶片进行图像采集处理,以得到样本柑橘叶片图像;
S3、将所述样本柑橘叶片图像输入预设的第一炭疽病预测模型中进行处理,以得到所述第一炭疽病预测模型输出的第一预测结果,并判断所述第一预测结果是否为炭疽病;其中,所述第一炭疽病预测模型基于深度卷积神经网络模型,并采用处于发病期的柑橘作物的叶片图像作为第一训练数据而训练得到的;炭疽病病原菌对柑橘作物的侵染过程共分为侵入期、潜育期和发病期三个阶段;
S4、若所述第一预测结果不为炭疽病,则对所述样本柑橘作物的叶片分别进行拉曼光谱检测与高光谱检测处理,以得到样本拉曼光谱数据和样本高光谱数据;
S5、根据所述样本拉曼光谱数据,对所述样本柑橘作物的叶片是否处于侵入期进行判断处理,以得到第一判断结果,以及根据所述样本高光谱数据,对所述样本柑橘作物的叶片是否处于潜育期进行判断处理,以得到第二判断结果;
S6、对所述多个样本传感数据序列进行标注,以标注上所述第一判断结果和所述第二判断结果,从而得到第二训练数据;
S7、采用所述第二训练数据对预设的神经网络模型进行训练,以得到第二炭疽病预测模型;
S8、采用布设于待分析地区的多个传感器,在第二时间周期内进行数据采集处理,从而得到多个待分析传感数据序列;其中,所述多个待分析传感数据序列的类型与所述多个样本传感数据序列的类型一一对应相同,所述待分析地区种植有待分析柑橘作物,所述第二时间周期之前未发现所述待分析柑橘作物被炭疽病病原菌侵染;
S9、采用预设的摄像头对所述待分析柑橘作物的叶片进行图像采集处理,以得到待分析柑橘叶片图像;
S10、将所述待分析柑橘叶片图像输入第一炭疽病预测模型中进行处理,以得到所述第一炭疽病预测模型输出的第二预测结果,并判断所述第二预测结果是否为炭疽病;
S11、若所述第二预测结果不为炭疽病,则将所述多个待分析传感数据序列输入所述第二炭疽病预测模型中进行处理,以得到第三预测结果;其中,所述第三预测结果为处于侵入期、处于潜育期或者未受炭疽病病原菌侵染;
S12、若所述第三预测结果为处于侵入期,则生成拉曼光谱检测指令,以指示对所述待分析柑橘作物进行拉曼光谱检测处理;
S13、若所述第三预测结果为处于潜育期,则生成高光谱检测指令,以指示对所述待分析柑橘作物进行高光谱检测处理。
如上述步骤S1-S5所述,采用布设于样本地区的多个传感器,在第一时间周期内进行数据采集处理,从而得到多个样本传感数据序列;其中,所述多个样本传感数据序列至少包括温度数据序列和湿度数据序列,所述样本地区种植有样本柑橘作物,所述第一时间周期之前未发现所述样本柑橘作物被炭疽病病原菌侵染;采用预设的摄像头对所述样本柑橘作物的叶片进行图像采集处理,以得到样本柑橘叶片图像;
将所述样本柑橘叶片图像输入预设的第一炭疽病预测模型中进行处理,以得到所述第一炭疽病预测模型输出的第一预测结果,并判断所述第一预测结果是否为炭疽病;其中,所述第一炭疽病预测模型基于深度卷积神经网络模型,并采用处于发病期的柑橘作物的叶片图像作为第一训练数据而训练得到的;炭疽病病原菌对柑橘作物的侵染过程共分为侵入期、潜育期和发病期三个阶段;若所述第一预测结果不为炭疽病,则对所述样本柑橘作物的叶片分别进行拉曼光谱检测与高光谱检测处理,以得到样本拉曼光谱数据和样本高光谱数据;根据所述样本拉曼光谱数据,对所述样本柑橘作物的叶片是否处于侵入期进行判断处理,以得到第一判断结果,以及根据所述样本高光谱数据,对所述样本柑橘作物的叶片是否处于潜育期进行判断处理,以得到第二判断结果。
本申请的实施思路为:假设某个地区没有炭疽病病原菌,那么实施本申请的方案与实施现有技术的其他方案是没有区别的;假设某个地区具有炭疽病病原菌,那么实施本申请的方案能够更早并且更准确更具针对性地确定炭疽病病原菌的侵染阶段。
因此,本申请先假设某个地区具有炭疽病病原菌,而炭疽病病原菌在合适的环境下能够生长,在不合适的环境下难以生长,其最适生长环境大致为温度28℃,75%相对湿度(当然,其他环境参数也会影响疽病病原菌的生长)。因此,环境参数能够反映炭疽病病原菌生长速度,前提是该地区具有炭疽病病原菌,这就是本申请要设置假设前提的原因(当然,假如该地区事实上没有炭疽病病原菌,那么就不会患病,因此采用任何普通的检测方式,例如直接采用拉曼光谱检测,得到的最终的结果与本申请是相同的,因此不会有所损失)。因此,采集到足够充分的传感数据,就能够预测出炭疽病病原菌对柑橘作物的侵染阶段。传感数据还可以包括气压值、土壤成分值、柑橘作物的生长状况等相关参数等。总之,传感数据越多,对本申请的实施越有利,但无论如何,数据至少必须包括温度和湿度。
另外,样本地区还有一个特点,即其在第一时间周期之前未发现所述样本柑橘作物被炭疽病病原菌侵染。因此,样本地区是按周期进行数据采集的。之所以要这样处理,是要尽可能保证样本传感数据序列对应的柑橘作物,在此之前未受炭疽病病原菌侵染,因为曾被侵染的柑橘作物,不利于本申请的实施(会引入额外的影响因素)。多个样本传感数据序列中的每一个序列,均是时间序列。
再采集样本柑橘叶片图像,并输入预设的第一炭疽病预测模型中进行处理,以得到所述第一炭疽病预测模型输出的第一预测结果,并判断所述第一预测结果是否为炭疽病。由于处于发病期的柑橘叶片容易出现病斑,因此是容易被检测出的。据此,本申请采用基于深度卷积神经网络模型训练得到的第一炭疽病预测模型,来判断是否患有炭疽病。第一炭疽病预测模型是一种图片处理模型,因此采用适宜进行图像分类等处理的深度卷积神经网络模型作为原型,在此基础上采用处于发病期的柑橘作物的叶片图像作为第一训练数据训练得到。其中的训练过程可采用反向传播算法,来更新各网络的参数。
需要注意的是,第一炭疽病预测模型只能判断是否处于发病期,而对于其他两个侵染阶段无能为力。
若所述第一预测结果不为炭疽病,则对所述样本柑橘作物的叶片分别进行拉曼光谱检测与高光谱检测处理,以得到样本拉曼光谱数据和样本高光谱数据。其中,样本拉曼光谱数据和样本高光谱数据将分别用于判断作物是否处于侵入期和潜育期。
其中,样本拉曼光谱数据能够判断作物是否处于侵入期的原因在于,受病害入侵后,柑橘叶片细胞壁会受损,其中多糖等物质会发生变化,而拉曼光谱能较好地观测这些变化,从而可实现对炭疽病侵入期的检测。
具体过程大致为:
包埋样本,进行电镜及表面增强拉曼样本制备。调试拉曼光谱采集系统参数,挑选波长适当的激光光源,采集柑橘叶片样品的拉曼光谱数据信息,并通过光谱预处理方法提高拉曼光谱信噪比;
光谱采集后,利用扫描电镜观察叶片接种区细胞微观结构,利用液相色谱、pH检测仪等仪器检测细胞壁多糖、抗过氧化酶及细胞内pH等化学参数值,以作为光谱数据分析的依据;
采用主成分分析实现数据维数转换,利用K-均值聚类或者集合覆盖等聚类算法来处理细胞壁的共聚焦显微拉曼光谱,实现细胞壁在微米水平上的空间定性划分,确定出波峰明显且专一性好的谱带作为定量峰(可借助计算机优化算法和化学计量学方法筛选),借助标准品建立定量标定曲线,实现对细胞壁多糖、抗过氧化酶及细胞内pH等成分的定量检测;
结合细胞壁显微图像和拉曼光谱指纹谱带,以多糖成分、pH等的拉曼指纹谱带信息为依据绘制出细胞中各组分的空间分布图,实现对柑橘叶片细胞壁多糖的定位检测;再与标准数据进行比对,即可得知是否处于柑橘炭疽病病原菌侵入期。
由于本申请主要涉及预分析,因此对于拉曼光谱检测的过程不作过多扩展处理。
同样地,样本高光谱数据能够判断是否处于潜育期的原因在于,潜育期与柑橘叶片抗氧化酶等指标的变化密切相关,因此可通过抗氧化酶等指标的检测来诊断炭疽病是否处于潜育期。
具体过程大致为:
选取样本叶片,将正常生长叶片作为对照样本;
调整高光谱采集系统参数,采集高光谱数据,并采用光谱预处理方法提高光谱信噪比。
光谱采集后利用ELISA、PCR、水活度计等高精度病理检测方法检测样本不同位置抗氧化酶活性以及叶绿素、水分等含量,并以此作为光谱分析的参考;
利用化学计量学方法,如特征波长提取、图像特征提取和线性及非线性建模方法等,研究胶孢炭疽菌被感染后不同时期柑橘叶片分别在正常和病理状态下抗氧化酶活性、叶绿素、水分与侵染时间、程度的动态响应规律和定量变化模型,建立潜育期胶孢炭疽菌感染的定量关系模型;
绘制出叶片中相应的空间分布图,实现柑橘炭疽病潜育期化学成分含量及分布的动态监测,进而建立胶孢炭疽菌胁迫下柑橘果实/叶片生理、病理信息的活体检测、动态检测、批量样本的快速检测模型,从而确定柑橘作物是否处于炭疽病病原菌潜育期。
同样地,由于本申请主要涉及预分析,因此对于高光谱检测的过程不作过多扩展处理。
其中,高光谱是专有术语,其定义为:利用成像技术和光谱技术结合形成的“图谱合一”的三维图像,包括二维空间信息和一维光谱信息,含有几十至上百个分辨率连续的、窄波段图像数据,这些图像数据记录了地物电磁波信号或能量,借此构建数理模型可描述地物特征。
据此,可以得到第一判断结果和第二判断结果。其中,第一判断结果和第二判断结果实际上是用于标注,也是本申请的一个特点。在步骤S1-S5的过程中,其目的在于确定训练数据。之所以前人未有能够进行预分析的模型,主要在于缺少训练数据。传感数据序列与柑橘作物处于何种侵染阶段是有隐性关联关系的(此时,默认存在病菌),例如,当传感数据序列代表的环境适宜炭疽病菌快速生长,则柑橘更易于处于潜育期(因为前提是未进入发病期,并且在进行第一周期的检测之前,柑橘未患炭疽病,这也是要进行周期性检测的一个原因),当然,这与传感数据序列对应的时间长度也有关系;当传感数据序列代表的环境不太适宜炭疽病菌生长,则更易于处于侵入期。当然,当传感数据序列代表的环境极不利于炭疽病菌生长时,则不易于患病。
对于这种关联关系,本申请通过步骤S1-S5,使得不同的样本传感数据序列能够对应上不同的侵染阶段,因此使得预分析模型的建立成为了可能。
如上述步骤S6-S10所述。对所述多个样本传感数据序列进行标注,以标注上所述第一判断结果和所述第二判断结果,从而得到第二训练数据;采用所述第二训练数据对预设的神经网络模型进行训练,以得到第二炭疽病预测模型;采用布设于待分析地区的多个传感器,在第二时间周期内进行数据采集处理,从而得到多个待分析传感数据序列;其中,所述多个待分析传感数据序列的类型与所述多个样本传感数据序列的类型一一对应相同,所述待分析地区种植有待分析柑橘作物,所述第二时间周期之前未发现所述待分析柑橘作物被炭疽病病原菌侵染;采用预设的摄像头对所述待分析柑橘作物的叶片进行图像采集处理,以得到待分析柑橘叶片图像;将所述待分析柑橘叶片图像输入第一炭疽病预测模型中进行处理,以得到所述第一炭疽病预测模型输出的第二预测结果,并判断所述第二预测结果是否为炭疽病。
第一判断结果和第二判断结果,分别表明是否处于侵入阶段或者处于潜育阶段。其中,第一判断结果为是,第二判断结果也为是时,则标注上潜育阶段;若第一判断结果为否,第二判断结果为是时,则标注上潜育阶段;若第一判断结果为是,而第二判断结果为否时,则标注为侵入阶段;若第一判断结果为否,而第二判断结果为否时,则标注为未患病。
本申请中的神经网络模型具体可为任意可行模型,例如为长短期记忆网络模型、对抗网络模型、残差网络模型等等,本申请在神经网络模型的结构方面并未采用特别设计,因此可采用现有的任意可行模型。例如可采用有监督学习的训练方式(因为采用了有标注的样本数据),进行网络参数更新时,可采用反向传播方式来进行。
再采用布设于待分析地区的多个传感器,在第二时间周期内进行数据采集处理,从而得到多个待分析传感数据序列。所述多个待分析传感数据序列与前述的多个样本传感数据序列是一一对应的,因此采用的传感器也是一一对应的。同样地,由于多个样本传感数据序列对应的地区中的柑橘作物在第一时间周期前未发现被炭疽病病原菌侵染,因此,本申请中的所述待分析地区种植有待分析柑橘作物,所述第二时间周期之前未发现所述待分析柑橘作物被炭疽病病原菌侵染。
再采用预设的摄像头对所述待分析柑橘作物的叶片进行图像采集处理,以得到待分析柑橘叶片图像;再利用第一炭疽病预测模型,即可得到第二预测结果。其中,第一炭疽病预测模型对待分析柑橘叶片图像的处理,与前述第一炭疽病预测模型对样本柑橘叶片图像的处理是相同的。此时的处理,是为了确定待分析柑橘是否已经处于明显的发病期。若是处于发病期,这会在叶片上明显呈现出来,因此无需进行后续的步骤。若未处于发病期,则可以继续进行预分析处理。
如上述步骤S11-S13所述,若所述第二预测结果不为炭疽病,则将所述多个待分析传感数据序列输入所述第二炭疽病预测模型中进行处理,以得到第三预测结果;其中,所述第三预测结果为处于侵入期、处于潜育期或者未受炭疽病病原菌侵染;若所述第三预测结果为处于侵入期,则生成拉曼光谱检测指令,以指示对所述待分析柑橘作物进行拉曼光谱检测处理;若所述第三预测结果为处于潜育期,则生成高光谱检测指令,以指示对所述待分析柑橘作物进行高光谱检测处理。
若所述第二预测结果不为炭疽病,表明未处于明显的发病期,因此利用前述训练得到的第二炭疽病预测模型,以得到第三预测结果。再根据第三预测结果,生成对应的检测指令。即,由于拉曼光谱适合用于检测侵入期,而高光谱适合用于检测潜育期,因此若所述第三预测结果为处于侵入期,则生成拉曼光谱检测指令,以指示对所述待分析柑橘作物进行拉曼光谱检测处理;若所述第三预测结果为处于潜育期,则生成高光谱检测指令,以指示对所述待分析柑橘作物进行高光谱检测处理。而具体的拉曼光谱检测过程和高光谱检测过程与前述的样本柑橘作物的叶片的检测一致。
另外,本申请中,虽然未提及样本地区的数量,或者说,成批次对应的多个样本传感数据序列作为整体的数量(即有多少个多个样本传感数据序列),以及未提及样本柑橘叶片图像的数量,但由机器学习的本征特性可知,训练过程中需要复数的训练数据,因此样本地区的数量可以为多个,成批次对应的多个样本传感数据序列作为整体的数量应该为多个,样本柑橘叶片图像的数量应当为多个,这是本领域的默认内容,而为了防止引入数量的描述,使得对方案的介绍不清楚,因此未将数量的描述在前文中进行细述。
在一个实施方式中,所述将所述样本柑橘叶片图像输入预设的第一炭疽病预测模型中进行处理,以得到所述第一炭疽病预测模型输出的第一预测结果,并判断所述第一预测结果是否为炭疽病的步骤S3之前,包括:
S21、从预设的数据库中调取多个样本图像;其中,样本图像为对处于发病期的柑橘作物的叶片进行采集而得到的图像;
S22、根据预设比例,将所述多个样本图像划分为多个训练图像和多个验证图像;
S23、调取预设的深度卷积神经网络模型,并将所述多个训练图像输入所述深度卷积神经网络模型中进行训练,以得到暂时炭疽病预测模型;
S24、采用所述多个验证图像对所述暂时炭疽病预测模型进行验证处理,并判断验证处理的结果是否为验证通过;
S25、若验证处理的结果为验证通过,则将所述暂时炭疽病预测模型记为第一炭疽病预测模型。
本申请中,对于第一炭疽病预测模型的训练,使用的训练数据为处于发病期的柑橘作物的叶片进行采集而得到的图像,因此采用的是半监督学习的方式进行训练。由于发病期的柑橘作物的叶片与正常叶片相比,其病斑较为明显,因此可以不采用正常叶片的图像作为训练对象,也即,本申请相对于其他模型的训练方式来说,是可以采用半监督学习的方式进行训练的,并且训练得到的模型并不会比采用全监督学习的方式得到的模型差多少,但由于训练数据的数量有所下降,因此训练速度得到了提高。然后,由于训练图像和验证图像同源,都是由样本图像中划分出来的,因此训练得到的第一炭疽病预测模型能够进行是否进入发病期的预测。其中,深度卷积神经网络模型是由输入层、卷积层、池化层、全连接层、输出层等多层网络结构连接得到的,其中的一些层可以存在多层。
进一步地,所述从预设的数据库中调取多个样本图像;其中,样本图像为对处于发病期的柑橘作物的叶片进行采集而得到的图像的步骤S21,包括:
S211、对处于发病期的柑橘作物的一个叶片的正面和反面分别进行图像采集处理,以得到正面图像和反面图像;
S212、将互相对应的正面图像和反面图像合并为一张共同图像,并将一个共同图像记为一个样本图像。
从而使得图像采集更为精确,以减少训练得到的模型发生误判的可能性。
进一步地,所述采用预设的摄像头对所述待分析柑橘作物的叶片进行图像采集处理,以得到待分析柑橘叶片图像的步骤S9,包括:
S901、采用预设的摄像头对所述待分析柑橘作物的多个叶片的正面和反面分别进行图像采集处理,以得到多个正面图像和多个反面图像;
S902、将对同一个叶片进行图像采集得到的正面图像和反面图像合并为一张合并图像,从而对应得到多张合并图像;
S903、生成合并图像处理指令,以指示将所述多张合并图像依次输入第一炭疽病预测模型中进行处理。
由于训练用的图像为共同图像,因此正式预测时采用的图像也应相应为合并图像。由于合并图像综合了叶片的正面和反面的信息,因此预测的结果更加准确。
进一步地,所述将所述待分析柑橘叶片图像输入第一炭疽病预测模型中进行处理,以得到所述第一炭疽病预测模型输出的第二预测结果,并判断所述第二预测结果是否为炭疽病的步骤S10之后,包括:
S101、若所述第二预测结果为炭疽病,则调取指定地区的多个传感数据序列;
S102、根据预设的相似度计算方法,计算指定地区的多个传感数据序列与所述多个待分析传感数据序列之间的相似度值;
S103、判断所述相似度值是否大于预设的相似度阈值;
S104、若所述相似度值大于预设的相似度阈值,则生成提前检测指令,以指示在所述多个待分析传感数据序列检测结束后,将指定地区的多个传感数据序列输入所述第一炭疽病预测模型中进行处理。
从而进一步提高本申请方案的预分析能力。若存在多个相似地区,那么若其中一个地区被检测出患有炭疽病(此时是通过叶片图像检测得到的,因此处于发病期),因此其他相似的地区也很可能患有炭疽病。因此,优选对这些相似地区进行检测。需要注意的是,这些地区的柑橘作物可能未处于发病期,而可能处于另外两个阶段,因此在第一炭疽病预测模型中处理后,若确定未处于发病期,还需要采用第二炭疽病预测模型,判断是否处于另外两个阶段。
本申请的具有预分析能力的炭疽病病原菌侵染阶段检测方法,得到多个样本传感数据序列;得到样本柑橘叶片图像;得到第一炭疽病预测模型输出的第一预测结果;若第一预测结果不为炭疽病,则得到样本拉曼光谱数据和样本高光谱数据;得到第一判断结果,得到第二判断结果;对所述多个样本传感数据序列进行标注,以标注上所述第一判断结果和所述第二判断结果,从而得到第二训练数据;对预设的神经网络模型进行训练,以得到第二炭疽病预测模型;得到多个待分析传感数据序列;得到待分析柑橘叶片图像;得到所述第一炭疽病预测模型输出的第二预测结果;若所述第二预测结果不为炭疽病,则得到第三预测结果;若所述第三预测结果为处于侵入期,则生成拉曼光谱检测指令;若所述第三预测结果为处于潜育期,则生成高光谱检测指令,完成对炭疽病病原菌侵染过程的预分析,实现在炭疽病发病前的快速检测。
本申请实施例提供一种具有预分析能力的炭疽病病原菌侵染阶段检测装置,包括:
样本传感数据序列采集单元,用于指示采用布设于样本地区的多个传感器,在第一时间周期内进行数据采集处理,从而得到多个样本传感数据序列;其中,所述多个样本传感数据序列至少包括温度数据序列和湿度数据序列,所述样本地区种植有样本柑橘作物,所述第一时间周期之前未发现所述样本柑橘作物被炭疽病病原菌侵染;
样本柑橘叶片图像采集单元,用于指示采用预设的摄像头对所述样本柑橘作物的叶片进行图像采集处理,以得到样本柑橘叶片图像;
第一预测结果判断单元,用于指示将所述样本柑橘叶片图像输入预设的第一炭疽病预测模型中进行处理,以得到所述第一炭疽病预测模型输出的第一预测结果,并判断所述第一预测结果是否为炭疽病;其中,所述第一炭疽病预测模型基于深度卷积神经网络模型,并采用处于发病期的柑橘作物的叶片图像作为第一训练数据而训练得到的;炭疽病病原菌对柑橘作物的侵染过程共分为侵入期、潜育期和发病期三个阶段;
样本拉曼光谱数据获取单元,用于指示若所述第一预测结果不为炭疽病,则对所述样本柑橘作物的叶片分别进行拉曼光谱检测与高光谱检测处理,以得到样本拉曼光谱数据和样本高光谱数据;
第一判断结果获取单元,用于指示根据所述样本拉曼光谱数据,对所述样本柑橘作物的叶片是否处于侵入期进行判断处理,以得到第一判断结果,以及根据所述样本高光谱数据,对所述样本柑橘作物的叶片是否处于潜育期进行判断处理,以得到第二判断结果;
第二训练数据获取单元,用于指示对所述多个样本传感数据序列进行标注,以标注上所述第一判断结果和所述第二判断结果,从而得到第二训练数据;
第二炭疽病预测模型获取单元,用于指示采用所述第二训练数据对预设的神经网络模型进行训练,以得到第二炭疽病预测模型;
待分析传感数据序列采集单元,用于指示采用布设于待分析地区的多个传感器,在第二时间周期内进行数据采集处理,从而得到多个待分析传感数据序列;其中,所述多个待分析传感数据序列的类型与所述多个样本传感数据序列的类型一一对应相同,所述待分析地区种植有待分析柑橘作物,所述第二时间周期之前未发现所述待分析柑橘作物被炭疽病病原菌侵染;
待分析柑橘叶片图像采集单元,用于指示采用预设的摄像头对所述待分析柑橘作物的叶片进行图像采集处理,以得到待分析柑橘叶片图像;
第二预测结果判断单元,用于指示将所述待分析柑橘叶片图像输入第一炭疽病预测模型中进行处理,以得到所述第一炭疽病预测模型输出的第二预测结果,并判断所述第二预测结果是否为炭疽病;
第三预测结果获取单元,用于指示若所述第二预测结果不为炭疽病,则将所述多个待分析传感数据序列输入所述第二炭疽病预测模型中进行处理,以得到第三预测结果;其中,所述第三预测结果为处于侵入期、处于潜育期或者未受炭疽病病原菌侵染;
拉曼光谱检测指令生成单元,用于指示若所述第三预测结果为处于侵入期,则生成拉曼光谱检测指令,以指示对所述待分析柑橘作物进行拉曼光谱检测处理;
高光谱检测指令生成单元,用于指示若所述第三预测结果为处于潜育期,则生成高光谱检测指令,以指示对所述待分析柑橘作物进行高光谱检测处理。
其中上述单元分别用于执行的操作与前述实施方式的具有预分析能力的炭疽病病原菌侵染阶段检测方法的步骤一一对应,在此不再赘述。
本申请的具有预分析能力的炭疽病病原菌侵染阶段检测装置,得到多个样本传感数据序列;得到样本柑橘叶片图像;得到第一炭疽病预测模型输出的第一预测结果;若第一预测结果不为炭疽病,则得到样本拉曼光谱数据和样本高光谱数据;得到第一判断结果,得到第二判断结果;对所述多个样本传感数据序列进行标注,以标注上所述第一判断结果和所述第二判断结果,从而得到第二训练数据;对预设的神经网络模型进行训练,以得到第二炭疽病预测模型;得到多个待分析传感数据序列;得到待分析柑橘叶片图像;得到所述第一炭疽病预测模型输出的第二预测结果;若所述第二预测结果不为炭疽病,则得到第三预测结果;若所述第三预测结果为处于侵入期,则生成拉曼光谱检测指令;若所述第三预测结果为处于潜育期,则生成高光谱检测指令,完成对炭疽病病原菌侵染过程的预分析,实现在炭疽病发病前的快速检测。
参照图2,本发明实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储具有预分析能力的炭疽病病原菌侵染阶段检测方法所用数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种具有预分析能力的炭疽病病原菌侵染阶段检测方法。该计算机设备还包括显示屏和输入装置,分别用于展示人工交互界面和用于接收输入数据。
上述处理器执行上述具有预分析能力的炭疽病病原菌侵染阶段检测方法,其中所述方法包括的步骤分别与执行前述实施方式的具有预分析能力的炭疽病病原菌侵染阶段检测方法的步骤一一对应,在此不再赘述。
本领域技术人员可以理解,图中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请的计算机设备,得到多个样本传感数据序列;得到样本柑橘叶片图像;得到第一炭疽病预测模型输出的第一预测结果;若第一预测结果不为炭疽病,则得到样本拉曼光谱数据和样本高光谱数据;得到第一判断结果,得到第二判断结果;对所述多个样本传感数据序列进行标注,以标注上所述第一判断结果和所述第二判断结果,从而得到第二训练数据;对预设的神经网络模型进行训练,以得到第二炭疽病预测模型;得到多个待分析传感数据序列;得到待分析柑橘叶片图像;得到所述第一炭疽病预测模型输出的第二预测结果;若所述第二预测结果不为炭疽病,则得到第三预测结果;若所述第三预测结果为处于侵入期,则生成拉曼光谱检测指令;若所述第三预测结果为处于潜育期,则生成高光谱检测指令,完成对炭疽病病原菌侵染过程的预分析,实现在炭疽病发病前的快速检测。
本申请一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现具有预分析能力的炭疽病病原菌侵染阶段检测方法,其中所述方法包括的步骤分别与执行前述实施方式的具有预分析能力的炭疽病病原菌侵染阶段检测方法的步骤一一对应,在此不再赘述。
需要说明的是,在本文中,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、装置、物品或者方法不仅包括那些要素,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、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (8)
1.一种具有预分析能力的炭疽病病原菌侵染阶段检测方法,其特征在于,包括:
S1、采用布设于样本地区的多个传感器,在第一时间周期内进行数据采集处理,从而得到多个样本传感数据序列;其中,所述多个样本传感数据序列至少包括温度数据序列和湿度数据序列,所述样本地区种植有样本柑橘作物,所述第一时间周期之前未发现所述样本柑橘作物被炭疽病病原菌侵染;
S2、采用预设的摄像头对所述样本柑橘作物的叶片进行图像采集处理,以得到样本柑橘叶片图像;
S3、将所述样本柑橘叶片图像输入预设的第一炭疽病预测模型中进行处理,以得到所述第一炭疽病预测模型输出的第一预测结果,并判断所述第一预测结果是否为炭疽病;其中,所述第一炭疽病预测模型基于深度卷积神经网络模型,并采用处于发病期的柑橘作物的叶片图像作为第一训练数据而训练得到的;炭疽病病原菌对柑橘作物的侵染过程共分为侵入期、潜育期和发病期三个阶段;
S4、若所述第一预测结果不为炭疽病,则对所述样本柑橘作物的叶片分别进行拉曼光谱检测与高光谱检测处理,以得到样本拉曼光谱数据和样本高光谱数据;
S5、根据所述样本拉曼光谱数据,对所述样本柑橘作物的叶片是否处于侵入期进行判断处理,以得到第一判断结果,以及根据所述样本高光谱数据,对所述样本柑橘作物的叶片是否处于潜育期进行判断处理,以得到第二判断结果;
S6、对所述多个样本传感数据序列进行标注,以标注上所述第一判断结果和所述第二判断结果,从而得到第二训练数据;
S7、采用所述第二训练数据对预设的神经网络模型进行训练,以得到第二炭疽病预测模型;
S8、采用布设于待分析地区的多个传感器,在第二时间周期内进行数据采集处理,从而得到多个待分析传感数据序列;其中,所述多个待分析传感数据序列的类型与所述多个样本传感数据序列的类型一一对应相同,所述待分析地区种植有待分析柑橘作物,所述第二时间周期之前未发现所述待分析柑橘作物被炭疽病病原菌侵染;
S9、采用预设的摄像头对所述待分析柑橘作物的叶片进行图像采集处理,以得到待分析柑橘叶片图像;
S10、将所述待分析柑橘叶片图像输入第一炭疽病预测模型中进行处理,以得到所述第一炭疽病预测模型输出的第二预测结果,并判断所述第二预测结果是否为炭疽病;
S11、若所述第二预测结果不为炭疽病,则将所述多个待分析传感数据序列输入所述第二炭疽病预测模型中进行处理,以得到第三预测结果;其中,所述第三预测结果为处于侵入期、处于潜育期或者未受炭疽病病原菌侵染;
S12、若所述第三预测结果为处于侵入期,则生成拉曼光谱检测指令,以指示对所述待分析柑橘作物进行拉曼光谱检测处理;
S13、若所述第三预测结果为处于潜育期,则生成高光谱检测指令,以指示对所述待分析柑橘作物进行高光谱检测处理。
2.根据权利要求1所述的具有预分析能力的炭疽病病原菌侵染阶段检测方法,其特征在于,所述将所述样本柑橘叶片图像输入预设的第一炭疽病预测模型中进行处理,以得到所述第一炭疽病预测模型输出的第一预测结果,并判断所述第一预测结果是否为炭疽病的步骤S3之前,包括:
S21、从预设的数据库中调取多个样本图像;其中,样本图像为对处于发病期的柑橘作物的叶片进行采集而得到的图像;
S22、根据预设比例,将所述多个样本图像划分为多个训练图像和多个验证图像;
S23、调取预设的深度卷积神经网络模型,并将所述多个训练图像输入所述深度卷积神经网络模型中进行训练,以得到暂时炭疽病预测模型;
S24、采用所述多个验证图像对所述暂时炭疽病预测模型进行验证处理,并判断验证处理的结果是否为验证通过;
S25、若验证处理的结果为验证通过,则将所述暂时炭疽病预测模型记为第一炭疽病预测模型。
3.根据权利要求2所述的具有预分析能力的炭疽病病原菌侵染阶段检测方法,其特征在于,所述从预设的数据库中调取多个样本图像;其中,样本图像为对处于发病期的柑橘作物的叶片进行采集而得到的图像的步骤S21,包括:
S211、对处于发病期的柑橘作物的一个叶片的正面和反面分别进行图像采集处理,以得到正面图像和反面图像;
S212、将互相对应的正面图像和反面图像合并为一张共同图像,并将一个共同图像记为一个样本图像。
4.根据权利要求3所述的具有预分析能力的炭疽病病原菌侵染阶段检测方法,其特征在于,所述采用预设的摄像头对所述待分析柑橘作物的叶片进行图像采集处理,以得到待分析柑橘叶片图像的步骤S9,包括:
S901、采用预设的摄像头对所述待分析柑橘作物的多个叶片的正面和反面分别进行图像采集处理,以得到多个正面图像和多个反面图像;
S902、将对同一个叶片进行图像采集得到的正面图像和反面图像合并为一张合并图像,从而对应得到多张合并图像;
S903、生成合并图像处理指令,以指示将所述多张合并图像依次输入第一炭疽病预测模型中进行处理。
5.根据权利要求1所述的具有预分析能力的炭疽病病原菌侵染阶段检测方法,其特征在于,所述将所述待分析柑橘叶片图像输入第一炭疽病预测模型中进行处理,以得到所述第一炭疽病预测模型输出的第二预测结果,并判断所述第二预测结果是否为炭疽病的步骤S10之后,包括:
S101、若所述第二预测结果为炭疽病,则调取指定地区的多个传感数据序列;
S102、根据预设的相似度计算方法,计算指定地区的多个传感数据序列与所述多个待分析传感数据序列之间的相似度值;
S103、判断所述相似度值是否大于预设的相似度阈值;
S104、若所述相似度值大于预设的相似度阈值,则生成提前检测指令,以指示在所述多个待分析传感数据序列检测结束后,将指定地区的多个传感数据序列输入所述第一炭疽病预测模型中进行处理。
6.一种具有预分析能力的炭疽病病原菌侵染阶段检测装置,其特征在于,包括:
样本传感数据序列采集单元,用于指示采用布设于样本地区的多个传感器,在第一时间周期内进行数据采集处理,从而得到多个样本传感数据序列;其中,所述多个样本传感数据序列至少包括温度数据序列和湿度数据序列,所述样本地区种植有样本柑橘作物,所述第一时间周期之前未发现所述样本柑橘作物被炭疽病病原菌侵染;
样本柑橘叶片图像采集单元,用于指示采用预设的摄像头对所述样本柑橘作物的叶片进行图像采集处理,以得到样本柑橘叶片图像;
第一预测结果判断单元,用于指示将所述样本柑橘叶片图像输入预设的第一炭疽病预测模型中进行处理,以得到所述第一炭疽病预测模型输出的第一预测结果,并判断所述第一预测结果是否为炭疽病;其中,所述第一炭疽病预测模型基于深度卷积神经网络模型,并采用处于发病期的柑橘作物的叶片图像作为第一训练数据而训练得到的;炭疽病病原菌对柑橘作物的侵染过程共分为侵入期、潜育期和发病期三个阶段;
样本拉曼光谱数据获取单元,用于指示若所述第一预测结果不为炭疽病,则对所述样本柑橘作物的叶片分别进行拉曼光谱检测与高光谱检测处理,以得到样本拉曼光谱数据和样本高光谱数据;
第一判断结果获取单元,用于指示根据所述样本拉曼光谱数据,对所述样本柑橘作物的叶片是否处于侵入期进行判断处理,以得到第一判断结果,以及根据所述样本高光谱数据,对所述样本柑橘作物的叶片是否处于潜育期进行判断处理,以得到第二判断结果;
第二训练数据获取单元,用于指示对所述多个样本传感数据序列进行标注,以标注上所述第一判断结果和所述第二判断结果,从而得到第二训练数据;
第二炭疽病预测模型获取单元,用于指示采用所述第二训练数据对预设的神经网络模型进行训练,以得到第二炭疽病预测模型;
待分析传感数据序列采集单元,用于指示采用布设于待分析地区的多个传感器,在第二时间周期内进行数据采集处理,从而得到多个待分析传感数据序列;其中,所述多个待分析传感数据序列的类型与所述多个样本传感数据序列的类型一一对应相同,所述待分析地区种植有待分析柑橘作物,所述第二时间周期之前未发现所述待分析柑橘作物被炭疽病病原菌侵染;
待分析柑橘叶片图像采集单元,用于指示采用预设的摄像头对所述待分析柑橘作物的叶片进行图像采集处理,以得到待分析柑橘叶片图像;
第二预测结果判断单元,用于指示将所述待分析柑橘叶片图像输入第一炭疽病预测模型中进行处理,以得到所述第一炭疽病预测模型输出的第二预测结果,并判断所述第二预测结果是否为炭疽病;
第三预测结果获取单元,用于指示若所述第二预测结果不为炭疽病,则将所述多个待分析传感数据序列输入所述第二炭疽病预测模型中进行处理,以得到第三预测结果;其中,所述第三预测结果为处于侵入期、处于潜育期或者未受炭疽病病原菌侵染;
拉曼光谱检测指令生成单元,用于指示若所述第三预测结果为处于侵入期,则生成拉曼光谱检测指令,以指示对所述待分析柑橘作物进行拉曼光谱检测处理;
高光谱检测指令生成单元,用于指示若所述第三预测结果为处于潜育期,则生成高光谱检测指令,以指示对所述待分析柑橘作物进行高光谱检测处理。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
8.一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,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111268572.4A CN113948220B (zh) | 2021-10-29 | 2021-10-29 | 一种具有预分析能力的炭疽病病原菌侵染阶段检测方法 |
US17/710,918 US20230133055A1 (en) | 2021-10-29 | 2022-03-31 | Method for detecting infection stage of anthracnose pathogenic with pre-analysis capacity |
US17/720,792 US11461899B1 (en) | 2021-10-29 | 2022-04-14 | Method for detecting infection stage of anthracnose pathogenic with pre-analysis capacity |
PCT/CN2022/088693 WO2023071091A1 (zh) | 2021-10-29 | 2022-04-24 | 一种具有预分析能力的炭疽病病原菌侵染阶段检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111268572.4A CN113948220B (zh) | 2021-10-29 | 2021-10-29 | 一种具有预分析能力的炭疽病病原菌侵染阶段检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113948220A true CN113948220A (zh) | 2022-01-18 |
CN113948220B CN113948220B (zh) | 2022-12-09 |
Family
ID=79337066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111268572.4A Active CN113948220B (zh) | 2021-10-29 | 2021-10-29 | 一种具有预分析能力的炭疽病病原菌侵染阶段检测方法 |
Country Status (3)
Country | Link |
---|---|
US (2) | US20230133055A1 (zh) |
CN (1) | CN113948220B (zh) |
WO (1) | WO2023071091A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114882357A (zh) * | 2022-04-28 | 2022-08-09 | 广东技术师范大学 | 基于双重追踪的水稻白叶枯病防治方法与装置 |
WO2023071091A1 (zh) * | 2021-10-29 | 2023-05-04 | 广东技术师范大学 | 一种具有预分析能力的炭疽病病原菌侵染阶段检测方法 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452584B (zh) * | 2023-06-14 | 2023-08-22 | 天津医科大学第二医院 | 一种新生儿视网膜病变预测方法及系统 |
CN116796159B (zh) * | 2023-08-17 | 2023-11-17 | 浙江恒逸石化有限公司 | 染色效果预测方法、染色效果预测模型的训练方法和装置 |
CN117252875B (zh) * | 2023-11-17 | 2024-02-09 | 山东大学 | 基于高光谱图像的医疗图像处理方法、系统、介质及设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016202157A (ja) * | 2015-04-21 | 2016-12-08 | アスザック株式会社 | ピーマン炭疽病発生予察アルゴリズムと判定システム |
CN109117743A (zh) * | 2018-07-20 | 2019-01-01 | 安徽农业大学 | 一种基于深度卷积的小麦赤霉病的检测方法及其系统 |
CN109613022A (zh) * | 2019-01-25 | 2019-04-12 | 华南农业大学 | 一种低空高光谱遥感检测柑橘黄龙病的方法、装置及系统 |
US20190277749A1 (en) * | 2018-03-07 | 2019-09-12 | Emerald Metrics | Methods, systems, and components thereof relating to using multi-spectral imaging for improved cultivation of cannabis and other crops |
CN110245720A (zh) * | 2019-06-22 | 2019-09-17 | 中南林业科技大学 | 一种基于深度学习的柑橘病虫害智能诊断方法及系统 |
CN110763698A (zh) * | 2019-10-12 | 2020-02-07 | 仲恺农业工程学院 | 一种基于特征波长的高光谱柑橘叶片病害识别方法 |
CN111751295A (zh) * | 2020-07-02 | 2020-10-09 | 安徽大学 | 一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法及应用 |
CN113237864A (zh) * | 2021-03-23 | 2021-08-10 | 浙江大学山东工业技术研究院 | 一种基于光谱成像技术进行油菜叶片菌核病动态发展的快速诊断的方法 |
WO2021214336A1 (en) * | 2020-04-24 | 2021-10-28 | Nostics B.V. | Improved biomolecule detection using surface-enhanced raman spectroscopy |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
PT2630475T (pt) * | 2010-10-21 | 2020-09-15 | Inst Superior Agronomia | Método de diagnóstico e tratamento |
WO2017205957A1 (en) * | 2016-06-01 | 2017-12-07 | 9087-4405 Quebec Inc. | Remote access system and method for plant pathogen management |
CN107576618B (zh) * | 2017-07-20 | 2020-04-28 | 华南理工大学 | 基于深度卷积神经网络的水稻穗瘟检测方法及系统 |
AR112742A1 (es) * | 2017-08-21 | 2019-12-04 | Climate Corp | Modelado y seguimiento digital de campos agrícolas para implementar ensayos de campos agrícolas |
CA3163818A1 (en) * | 2020-01-06 | 2021-07-15 | Adaviv | Crop scouting information systems and resource management |
BR112022012618A2 (pt) * | 2020-01-14 | 2022-09-06 | Centure Application Ltd | Sistema e método para gerenciamento de cultura em tempo real |
CN113948220B (zh) * | 2021-10-29 | 2022-12-09 | 广东技术师范大学 | 一种具有预分析能力的炭疽病病原菌侵染阶段检测方法 |
-
2021
- 2021-10-29 CN CN202111268572.4A patent/CN113948220B/zh active Active
-
2022
- 2022-03-31 US US17/710,918 patent/US20230133055A1/en active Pending
- 2022-04-14 US US17/720,792 patent/US11461899B1/en active Active
- 2022-04-24 WO PCT/CN2022/088693 patent/WO2023071091A1/zh unknown
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016202157A (ja) * | 2015-04-21 | 2016-12-08 | アスザック株式会社 | ピーマン炭疽病発生予察アルゴリズムと判定システム |
US20190277749A1 (en) * | 2018-03-07 | 2019-09-12 | Emerald Metrics | Methods, systems, and components thereof relating to using multi-spectral imaging for improved cultivation of cannabis and other crops |
CN109117743A (zh) * | 2018-07-20 | 2019-01-01 | 安徽农业大学 | 一种基于深度卷积的小麦赤霉病的检测方法及其系统 |
CN109613022A (zh) * | 2019-01-25 | 2019-04-12 | 华南农业大学 | 一种低空高光谱遥感检测柑橘黄龙病的方法、装置及系统 |
CN110245720A (zh) * | 2019-06-22 | 2019-09-17 | 中南林业科技大学 | 一种基于深度学习的柑橘病虫害智能诊断方法及系统 |
CN110763698A (zh) * | 2019-10-12 | 2020-02-07 | 仲恺农业工程学院 | 一种基于特征波长的高光谱柑橘叶片病害识别方法 |
WO2021214336A1 (en) * | 2020-04-24 | 2021-10-28 | Nostics B.V. | Improved biomolecule detection using surface-enhanced raman spectroscopy |
CN111751295A (zh) * | 2020-07-02 | 2020-10-09 | 安徽大学 | 一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法及应用 |
CN113237864A (zh) * | 2021-03-23 | 2021-08-10 | 浙江大学山东工业技术研究院 | 一种基于光谱成像技术进行油菜叶片菌核病动态发展的快速诊断的方法 |
Non-Patent Citations (1)
Title |
---|
李晓丽 等: "基于共聚焦显微拉曼光谱揭示炭疽病侵染下茶叶细胞壁变化的研究", 《光谱学与光谱分析》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023071091A1 (zh) * | 2021-10-29 | 2023-05-04 | 广东技术师范大学 | 一种具有预分析能力的炭疽病病原菌侵染阶段检测方法 |
CN114882357A (zh) * | 2022-04-28 | 2022-08-09 | 广东技术师范大学 | 基于双重追踪的水稻白叶枯病防治方法与装置 |
Also Published As
Publication number | Publication date |
---|---|
US20230133055A1 (en) | 2023-05-04 |
US11461899B1 (en) | 2022-10-04 |
CN113948220B (zh) | 2022-12-09 |
WO2023071091A1 (zh) | 2023-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113948220B (zh) | 一种具有预分析能力的炭疽病病原菌侵染阶段检测方法 | |
CN102084794B (zh) | 多传感器信息融合的作物病虫害早期检测方法及装置 | |
CN106718363B (zh) | 一种面向精细农业的灌溉试验方法及其试验平台 | |
CN102621118B (zh) | 温室蔬菜病虫害的预警方法 | |
Huang et al. | Detection of scab in wheat ears using in situ hyperspectral data and support vector machine optimized by genetic algorithm | |
CN117057946A (zh) | 一种智慧农业园区数据监控装置及方法 | |
Pravallika et al. | Proficient smart soil based IoT system for crop prediction | |
CN116030343A (zh) | 一种基于机器视觉识别的农作物病虫害监管系统 | |
AU2021103520A4 (en) | A system for monitoring health condition of a crop and a method there of | |
Tang et al. | Estimating wheat grain yield by assimilating phenology and LAI with the WheatGrow model based on theoretical uncertainty of remotely sensed observation | |
CN109960972A (zh) | 一种基于中高分辨率时序遥感数据的农林作物识别方法 | |
Negi | A Detection and Classification of Cotton Leaf Disease Using a Lightweight CNN Architecture | |
CN115965875A (zh) | 一种农作物病虫害智能监控方法及系统 | |
CN112488230A (zh) | 基于机器学习的作物水分胁迫程度判定方法和装置 | |
CN115063610B (zh) | 基于Sentinel-1、2影像的大豆种植区识别方法 | |
CN113418963B (zh) | 树干冻融阻抗图像实时检测方法与系统 | |
Xu et al. | A Band Math-ROC operation for early differentiation between sclerotinia sclerotiorum and botrytis cinerea in oilseed rape | |
Essah et al. | Assessment on Crop testing based on IOT and Machine Learning | |
Deepika et al. | Tomato Plant Disease Detection using Deep Learning Based Techniques: A Comparative study | |
CN118279755B (zh) | 一种农作物生长模式的确定方法、装置及电子设备 | |
Luo et al. | Identification of pests and diseases of Dalbergia hainanensis based on EVI time series and classification of decision tree | |
Joseph et al. | Fusing Deep CNN and Local Binary Pattern for Accurate Plant Disease Diagnosis | |
Balaban et al. | Development of a forecasting and warning system on the ecological life-cycle of sunn pest | |
Patil et al. | Deep Learning in Plant Stress Phenomics Studies-A Review | |
Wahal et al. | Leaf Disease Detection and Crop Prediction Using Machine 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
OL01 | Intention to license declared | ||
OL01 | Intention to license declared |