CN114190213A - 一种利用传感器综合防治农作物病虫害的系统和方法 - Google Patents
一种利用传感器综合防治农作物病虫害的系统和方法 Download PDFInfo
- Publication number
- CN114190213A CN114190213A CN202111544028.8A CN202111544028A CN114190213A CN 114190213 A CN114190213 A CN 114190213A CN 202111544028 A CN202111544028 A CN 202111544028A CN 114190213 A CN114190213 A CN 114190213A
- Authority
- CN
- China
- Prior art keywords
- sensor
- crops
- plants
- image
- area
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Environmental Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于农业生产技术领域,具体涉及一种植物和/或农作物的检测系统和方法;现有技术中,存在检测手段自动化不足,数据处理不充分等问题,本发明提供了一种植物和/或农作物的检测系统,其特征在于:所述系统包括:微处理器、温湿度传感器、土壤传感器、红外避障传感器、图像传感器、液晶显示屏、通信单元;依据所述和所在地区的温度和湿度数据、所述所在地区的土壤中的水分和所述植物和/或农作物的图像来判断所述植物和/或农作物是否存在疾病,使农业管理者能够更快地做出补救措施的决策,保护作物不受作物病害之外的损害。
Description
技术领域
本发明涉及一种农业生产技术,特别是涉及一种利用传感器综合防治农作物病虫害的系统和方法。
背景技术
众所周知,我国是人口大国,每年需要大量的农产品,同时我国也是农业大国,农产品的产量以及质量是最根本的民生问题,因此,对植物和/或农作物的疾病检测就显得尤为重要。
当今,国家正在建立健全国家植物病虫害信息数据库体系、全国重大植物病虫害防控指挥调度系统,提升监测预警、预防控制、应急处置和决策指挥的信息化水平。健全覆盖全国重点区域的农作物病虫疫情田间监测网点、农药安全风险监测网点提高植物病虫害监测预报的系统性、科学性、准确性。
然而当今的植物和/或农作物的检测系统存在产地检测自动化不够,数据分析不足等问题。
发明内容
鉴于现有技术中存在的问题,本发明的目的之一在于减少对人类干预对影响植物和农作物的疾病方面的依赖。为达此目的,本发明采用以下技术方案:
本发明提供了一种植物和/或农作物的检测系统,其特征在于:所述系统包括:微处理器、温湿度传感器、土壤传感器、红外避障传感器、图像传感器、液晶显示屏、通信单元;
所述温湿度传感器用于采集所述植物和/或农作物所在地区的温度和湿度数据;
所述土壤传感器用于采集所述植物和/或农作物所在地区的土壤中的水分;
所述红外避障传感器用于检测所述图像传感器前方是否存在障碍物;
所述图像传感器用于获取所述植物和/或农作物的图像;
所述通信单元用于与外界进行通信;
所述微处理器包括疾病检测子系统,所述疾病检测子系统依据所述和所在地区的温度和湿度数据、所述所在地区的土壤中的水分和/或所述植物和/或农作物的图像来判断所述植物和/或农作物是否存在疾病。
本发明的另一个方面是提供一种植物和/或农作物的检测系统,其特征在于:所述系统包括:微处理器、温湿度传感器、土壤传感器、红外避障传感器、图像传感器、液晶显示屏、通信单元;
所述温湿度传感器用于采集所述植物和/或农作物所在地区的温度和湿度数据;
所述土壤传感器用于采集所述植物和/或农作物所在地区的土壤中的水分;
所述红外避障传感器用于检测所述图像传感器前方是否存在障碍物;所述红外避传感器将障碍物与传感器之间的位置关系传输至所述微处理器;
所述图像传感器用于获取所述植物和/或农作物的图像;
所述通信单元用于与外界进行通信;
所述微处理器包括疾病检测子系统,所述疾病检测子系统依据所述和所在地区的温度和湿度数据、所述所在地区的土壤中的水分和所述植物和/或农作物的图像来判断所述植物和/或农作物是否存在疾病;所述系统还包括继电器,所述继电器一端连接至所述微处理器,另一端连接至所述温湿度传感器,其用于控制所述温湿度传感器;所述微处理器在判断所述植物和/或农作物是否存在疾病之前,处理所述位置关系数据,以减少判断所述植物和/或农作物是否存在疾病的干扰。
优选地,所述系统还包括显示装置,所述显示装置用于显示各传感器获得的数值或图像。
优选地,所述疾病检测子系统包括图像分割,特征提取和分类,最后以百分数表示所述植物和/或农作物的叶片病变面积。
优选地,所述土壤传感器还包括温度传感器,其用于校正所述所在地区的土壤中的水分。
本发明的另一个方面,是提供一种植物和/或农作物的检测系统,其特征在于:所述系统包括:微处理器、温湿度传感器、土壤传感器、红外避障传感器、图像传感器、液晶显示屏、通信单元;
所述温湿度传感器用于采集所述植物和/或农作物所在地区的温度和湿度数据;
所述土壤传感器用于采集所述植物和/或农作物所在地区的土壤中的水分;
所述红外避障传感器用于检测所述图像传感器前方是否存在障碍物;
所述图像传感器用于获取所述植物和/或农作物的图像;
所述通信单元用于与外界进行通信;
其中疾病检测子系统包括一计算单元:用根据图像传感器检测到的边缘,异常或患病节点的距离等特征将待检测的作物的叶片分成三大类,这三大类其中包括了I类:确定的叶片无异常区域;这是所述疾病检测子系统中的数据库中已知的叶片边缘形状,健康叶片颜色和/或光谱特征与所述图像传感器得到的该区域的图像比对计算确定的。II类:确定的叶片异常区域;这是所述疾病检测子系统中的所述数据库中已知的叶片边缘形状,患病叶片颜色和/光谱特征与所述图像传感器得到的所述图像传感器得到的该区域的图像比对计算确定的。III类:这是所述疾病检测子系统中的所述数据库中已知的常规的叶片与叶片存在图像交叠的形状,存于所述数据库中的叶片与叶片间图像交叠的光谱特征与所述图像传感器得到的该区域的图像比对计算确定的区域。
本发明还提供了一种利用上述检测系统检测农作物病虫害的方法,所述方法包括以下步骤:
步骤1:利用所述温湿度传感器用于采集所述植物和/或农作物所在地区的温度和湿度数据;
利用所述土壤传感器用于采集所述植物和/或农作物所在地区的土壤中的水分;
利用所述图像传感器用于获取所述植物和/或农作物的图像;
步骤2:对所述植物和/或农作物的图像继续特征提取;
步骤3:通过k均值聚类将所述图像分成3个簇;
步骤4:依据所在地区的温度和湿度数据、所在地区的土壤中的水分,判断所述植物和/或农作物是否存在疾病。
优选地,所述k均值聚类具体为根据检测到的边缘,异常或患病节点的距离等特征将叶子分类为3个大类。
与现有技术方案相比,本发明包括但不限于以下发明点且至少具有以下有益效果:
(1)本发明公开了一种在大面积农田中有效和早期检测作物相关病害的方法和装置,使农业管理者能够更快地做出补救措施的决策,保护作物不受作物病害之外的损害,确保农业产量不受损害,从而提高农业生产效率。保证了这种情况下产生的经济损失较小。
(2)对于农田作物病害的检测,使用了多种传感器技术,其中包括了温湿度传感器、土壤传感器以及图像传感器。特别是图像传感器,其是进行病害检测,确诊的重要手段。但现有技术中一般没有采用图像传感器技术,这是因为采用图像传感技术,由于几种重要的农作物,例如小麦、水稻等在图像中排列比较密集,很难在图像中区分出哪个区域的图像属于哪颗作物,有些多种不同病害的作物出现在一张图像中,相互之间存在干扰,这都影响了采用图像传感器技术在农田作物病害检测方而的实践。因此本发明创造性的采用了k均值聚类的方法,该方法根据图像传感器检测到的边缘,异常或患病节点的距离等特征将待检测的小麦、水稻等作物的叶片分成三大类,这三大类其中包括了I类:确定的叶片无异常区域;这是由数据库中已知的叶片边缘形状,患病叶片颜色和/或光谱特征与该区域的图像比对计算确定的。II类:确定的叶片异常区域;这是由数据库中已知的叶片边缘形状,健康叶片颜色和/光谱特征与该区域的图像比对计算确定的。III类:这是由数据库中已知的常规的叶片与叶片存在图像交叠的形状,存于数据库中的叶片与叶片间图像交叠的光谱特征与该区域的图像比对计算确定的区域。该第III类区域的图像还无法判断出该交叠区域的叶片图像,还需要人工给出健康状态。当然从相邻的图像的归属是I类还是II类,也可以推算出该III类区域的叶片健康状。例如当相邻图像都归属I类区域时,则该区域归属I类区域;当相邻图像存在有II类区域时,则不应把该III类区域进一步归属为I类区域。
(3)对于图像传感器技术用于农田作物,本发明创造性的采用了红外避障传感器,该红外壁障传感器主要目的是提供障碍物离传感器的位置距离。前述采用图像传感器对图像进行分类,其中涉及到来自同一株作用或不同株作用的叶片相互交叠从而给图像带来伪像,这些伪像的图像都需要进一步的核实,以确定该区域的健康状态。而该位置的确定,则需要红外避障传感器给出该图像位置与传感器位置的相对位置,这样可方便工作人员进一步的核实该交叠图像区域的健康状态。另外,对于其他原因,例如水灌溉用水管,护栏等干扰物体对图像的遮挡,也可以起到准确定位的目的。
(4)上述是本发明的发明点,但不仅局限于上述发明点,例如将对于继电器的使用。本发明采用了多种类型的传感器,如何控制各类传感器的工作也是重要的一个环节,这关系到传感器测量到的结果是否准确。对于其中的“湿度传感器”,现有技术中并没有使用特别的控制器进行控制,本发明使用了继电器作用开关,对于何时进行温度检测,如何根据设定的程度进行定时或不定的的开关,都能起到不延时的作用。
附图说明
图1是本发明的植物和/或农作物的检测系统框图;
图2是本发明的植物和/或农作物的检测方法。
图中:1、微处理器,2、继电器,3、温湿度传感器,4、土壤传感器,5、红外避障接近传感器,6、图像传感器,7、液晶显示屏,8、通信单元。
下面对本发明进一步详细说明。但下述的实例仅仅是本发明的简易例子,并不代表或限制本发明的权利保护范围,本发明的保护范围以权利要求书为准。
具体实施例
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
为更好地说明本发明,便于理解本发明的技术方案,本发明的典型但非限制性的实施例如下:
实施例1
图1是本发明的植物和/或农作物的检测系统框图。检测系统包括微处理器1、温湿度传感器3、土壤传感器4、红外避障接近传感器5、图像传感器6、USB串行转换器(图中未示出)和电源单元(图中未示出);其中电源单元为以上其他单元提供电源;微处理器优选地为ATMEGA-328,温湿度传感器优选地为DHT-11传感器,图像传感器优选地为30MP摄像头。
当前的植物病害检测方法涉及各种实验室测试,熟练人员,装备良好的实验室等,这些部件不是随处都能得到的,特别是在偏远地区。在所有植物叶片感染中,由感染的植物和/或农作物是最难分析的。早期的疾病的植物和/或农作物的识别方法是,根据从植物叶片图像中提取的一些重要特征来找出患病叶片,这是一种早期检测植物叶片病害的方法。
本发明的微处理器1可以在MATLAB中利用图像处理进行叶片病害的鉴定。在此实施的方法保证了农作物的自动检测。捕获患病叶片的图像,并将其与预先存储在设备存储器中的叶片数据库中的图像进行比较。该发明点的有益效果是:通过摄像头采集树叶,并对树叶上的病害进行检测。在检测到疾病后,通过物联网服务器向用户发送关于疾病的信息。对样品和感染区域的面积进行实验分析。利用图像处理技术可以检测植物病害。疾病检测包括图像分割,特征提取和分类。图像分割是将图像分离或分组为不同部分的过程。本发明用于检测植物病害并提供从病害中恢复的解决方案。
继电器2是电动装置。它具有控制系统(也称为输入电路或输入接触器)和受控系统(也称为输出电路或输出接触器)。常用于自动控制电路中。简单地说,它是一种用低电流信号控制大电流电路的自动开关。DHT11温湿度传感器的特征在于用温湿度传感器复合体输出经校准的数字信号。其优点在于可靠性高,长期稳定性好。采用继电器2来控制DHT11温湿度传感器3,该传感器包括电阻元件和湿感NTC温度测量装置。它具有质量好,响应快,抗干扰能力强,性价比高的优点。
另外,增加了土壤湿度和温度传感器,它们用于避免由于气候条件的变化而引起的疾病传播。通过这些传感器,该系统可以根据作物的类型来保持土地的湿度。如果湿度/温度值超过预定范围,该装置使植物能够自动用药或供水。关于植物,土壤干燥度和马达操作的信息通过消息通知给用户。
土壤传感器4以体积或重量为基础测量材料例如土壤中所含的水量。为了获得精确的测量,土壤传感器4中还包括一个温度传感器进行校准。
通信单元8包括ESP8266Wi-Fi模块,其以最低的成本和最小的空间要求提供了无比的能力,以将Wi-Fi能力嵌入到其它系统中,或者用作独立应用程序。ESP8266Wi-Fi模块是具有集成的TCP/IP协议栈的自含SOC,其可给予任何微控制器对你的Wi-Fi网络的访问。
红外避障接近传感器模块5具有内置的IR发射器和IR接收器,IR发射器和IR接收器发射IR能量并寻找反射的IR能量,以检测传感器模块前方是否存在任何障碍物。这里障碍物可以解释为传感器与目标像之间的光路中的其他非测量物。所述模块具有车载电位器,所述车载电位器允许用户调整检测范围。即使在环境光或完全黑暗中,该传感器也具有非常好和稳定的响应。它用于捕获用于更清晰图像页的30MP的图像。该红外避障传感器将障碍物与传感器之间的位置关系数据传输至所述微处理器。所述微处理器可以将该位置关系数据传输至处理单元以对下述的III类区域进行综合判断,同时还可以将该位置关系数据输出,反馈给工作人工进行查找III类区域所对应的实际位置。
从各个传感器测量的各种值,并将传感器测量的数值发送到控制器,控制器允许将传感器值显示在LCD屏幕上。在由疾病检测单元组成的子系统中,当运行程序时,打开一个对话框。为了捕获图像,图像传感器6采用AMCAP视频捕捉器。当点击捕获图像时,它打开允许拍摄患病叶片的AMCAP。图像然后被捕获并存储在指定位置。然后,借助于下面的加载选项加载该图像。它还可用于从桌面或任何文件夹加载图像。在点击增强对比度选项时,通过增加叶片的RGB值来增强患病叶片的对比度。当选择选项段图像时,然后处理捕获的图像,并通过k均值聚类将捕获的图像分成3个簇。所述算法根据检测到的边缘,异常或患病节点的距离等特征将叶子分类为3个大类。然后,要求用户选择包含要处理的期望区域或ROI(感兴趣区域)的簇。当选择所需群集时,程序运行后显示结果。依据健康叶片计算重要参数,如平均值,SD,方差,熵,均方根等。所述值显示在窗口的右侧。
其中的k均值聚类算法(k-means clustering algorithm)是一种迭代求解的聚类分析算法,其步骤是,预将数据分为K组,则随机选取K个对象作为初始的聚类中心,然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本,聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类,没有(或最小数目)聚类中心再发生变化,误差平方和局部最小。
这三大类其中包括了I类:确定的叶片无异常区域;这是由数据库中已知的叶片边缘形状,健康叶片颜色和/或光谱特征与该区域的图像比对计算确定的。II类:确定的叶片异常区域;这是由数据库中已知的叶片边缘形状,患病叶片颜色和/光谱特征与该区域的图像比对计算确定的。III类:这是由数据库中已知的常规的叶片与叶片存在图像交叠的形状,存于数据库中的叶片与叶片间图像交叠的光谱特征与该区域的图像比对计算确定的区域。该第III类区域的图像还无法判断出该交叠区域的叶片图像,还需要人工给出健康状态。当然从相邻的图像的归属是I类还是II类,也可以推算出该III类区域的叶片健康状。例如当相邻图像都归属I类区域时,则该区域归属I类区域;当相邻图像存在有II类区域时,则不应把该III类区域进一步归属为I类区域。也可以采用人工的方式,进一步对该区域的健康状态进行评估。该方法特别适合于大面积农田的粗监测。现有技术中对于图像采集,无论是小面积还是大面各的农田,都采用同一检测方法,这大大降低了大面积农田的检测效率。采用上述方法,先利用图像检测技术进行粗分,然后进行细分,大大提高了检测效率。另外采用k均值聚类算法也对于提高叶片病害的检测水平得到了增强。采用k均值聚类算法可高效快捷的对图像进行处理,这对于大面积的农田农作物病虫害的防治是特别有益的。克服了现有图像排查系统排查慢的缺点。这里根据农作物在图像中表现为较稠密,相互间干扰较多的特点,抓住其中关键点,即对于叶尖端位置的图像一般受干扰的影响较小,在单张图像中可以较完整的展示一株作物的叶尖端,因此可以快速定位其是归属为上述的I类或是II类,从而可以加快排查速度。对于归属III类的图像,利用前述的红外避障传感器也可以做到快速定位其位置,利于人工去快速排查。
最后,当点击分类结果时,将受影响区域计算为百分比值,显示该值。如果存在疾病,则在LCD屏幕上显示指出“检测到的疾病”的消息。然后将数据上传到服务器,并作为消息发送到农民。另外,将保持在罐上的肥料喷洒到田地上。已经采取的动作通过通信单元8被上传到服务器。在服务器页面中记录来自传感器的读数。所采取的措施(打开水阀和施肥)作为消息发送给农民。这些是通过服务器以给定号码发送给农民的消息。
本发明用于农作物病害的防治。所用的马达的工作电压为6~12V。这种微型12V型泵每分钟3升,使其非常适合用于较小的应用场合。
主页控制信道允许远程控制试剂盒。场地1为水马达,场地2为肥料马达。数据菜单允许查看传感器数据。温度,湿度和土壤传感器读数连同其拍摄的时间和日期一起被记录。
申请人声明,本发明通过上述实施例来说明本发明的详细结构特征,但本发明并不局限于上述详细结构特征,即不意味着本发明必须依赖上述详细结构特征才能实施。所属技术领域的技术人员应该明了,对本发明的任何改进,对本发明所选用部件的等效替换以及辅助部件的增加、具体方式的选择等,均落在本发明的保护范围和公开范围之内。
以上详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种简单变型,这些简单变型均属于本发明的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明的思想,其同样应当视为本发明所公开的内容。
Claims (8)
1.一种植物和/或农作物的检测系统,其特征在于:所述系统包括:微处理器、温湿度传感器、土壤传感器、红外避障传感器、图像传感器、液晶显示屏、通信单元;
所述温湿度传感器用于采集所述植物和/或农作物所在地区的温度和湿度数据;
所述土壤传感器用于采集所述植物和/或农作物所在地区的土壤中的水分;
所述红外避障传感器用于检测所述图像传感器前方是否存在障碍物;
所述图像传感器用于获取所述植物和/或农作物的图像;
所述通信单元用于与外界进行通信;
所述微处理器包括疾病检测子系统,所述疾病检测子系统依据所述和所在地区的温度和湿度数据、所述所在地区的土壤中的水分和/或所述植物和/或农作物的图像来判断所述植物和/或农作物是否存在疾病。
2.一种植物和/或农作物的检测系统,其特征在于:所述系统包括:微处理器、温湿度传感器、土壤传感器、红外避障传感器、图像传感器、液晶显示屏、通信单元;
所述温湿度传感器用于采集所述植物和/或农作物所在地区的温度和湿度数据;
所述土壤传感器用于采集所述植物和/或农作物所在地区的土壤中的水分;
所述红外避障传感器用于检测所述图像传感器前方是否存在障碍物;所述红外避障传感器将障碍物与传感器之间的位置关系数据传输至所述微处理器;
所述图像传感器用于获取所述植物和/或农作物的图像;
所述通信单元用于与外界进行通信;
所述微处理器包括疾病检测子系统,所述疾病检测子系统依据所述和所在地区的温度和湿度数据、所述所在地区的土壤中的水分和所述植物和/或农作物的图像来判断所述植物和/或农作物是否存在疾病;所述系统还包括继电器,所述继电器一端连接至所述微处理器,另一端连接至所述温湿度传感器,其用于控制所述温湿度传感器;所述微处理器在判断所述植物和/或农作物是否存在疾病之前,处理所述位置关系数据,以减少判断所述植物和/或农作物是否存在疾病的干扰。
3.根据权利要求1-2所述的系统,其特征在于:所述系统还包括显示装置,所述显示装置用于显示各传感器获得的数值或图像。
4.根据权利要求1-2所述的系统,其特征在于:所述疾病检测子系统包括图像分割,特征提取和分类,最后以百分数表示所述植物和/或农作物的叶片病变面积。
5.根据权利要求1-2所述的系统,其特征在于:所述土壤传感器还包括温度传感器,其用于校正所述所在地区的土壤中的水分。
6.一种植物和/或农作物的检测系统,其特征在于:所述系统包括:微处理器、温湿度传感器、土壤传感器、红外避障传感器、图像传感器、液晶显示屏、通信单元;
其中所述红外避障传感器用于检测所述图像传感器前方是否存在障碍物;
所述图像传感器用于获取所述植物和/或农作物的图像;
所述通信单元用于与外界进行通信;
其中有一疾病检测子系统,其包括一计算单元:用于根据图像传感器检测到的边缘,异常或患病节点的距离等特征将待检测的作物的叶片分成三大类,这三大类包括I类:确定的叶片无异常区域;这是所述疾病检测子系统中的数据库中已知的叶片边缘形状,健康叶片颜色和/或光谱特征与所述图像传感器得到的该区域的图像比对计算确定的;II类:确定的叶片异常区域;这是所述疾病检测子系统中的所述数据库中已知的叶片边缘形状,患病叶片颜色和/光谱特征与所述图像传感器得到的所述图像传感器得到的该区域的图像比对计算确定的。III类:这是所述疾病检测子系统中的所述数据库中已知的常规的叶片与叶片存在图像交叠的形状,存于所述数据库中的叶片与叶片间图像交叠的光谱特征与所述图像传感器得到的该区域的图像比对计算确定的区域。
7.一种对植物和/或农作物病虫害检测的方法,其特征在于:所述方法包括以下步骤:
步骤1:利用所述温湿度传感器用于采集所述植物和/或农作物所在地区的温度和湿度数据;
利用所述土壤传感器用于采集所述植物和/或农作物所在地区的土壤中的水分;
利用所述图像传感器用于获取所述植物和/或农作物的图像;
步骤2:对所述植物和/或农作物的图像继续特征提取;
步骤3:通过k均值聚类将所述图像分成3个簇;
步骤4:依据所在地区的温度和湿度数据、所在地区的土壤中的水分,判断所述植物和/或农作物是否存在疾病。
8.根据权利要求7所述的方法,其特征在于:所述k均值聚类具体为根据检测到的边缘,异常或患病节点的距离等特征将叶子分类为3个大类。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111021998X | 2021-09-01 | ||
CN202111021998 | 2021-09-01 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114190213A true CN114190213A (zh) | 2022-03-18 |
Family
ID=80654579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111544028.8A Pending CN114190213A (zh) | 2021-09-01 | 2021-12-16 | 一种利用传感器综合防治农作物病虫害的系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114190213A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955923A (zh) * | 2014-04-18 | 2014-07-30 | 南京理工大学 | 一种快速的基于图像的路面病害检测方法 |
CN105511529A (zh) * | 2015-12-28 | 2016-04-20 | 安徽科技学院 | 一种设施农业环境智能控制方法 |
CN107862682A (zh) * | 2017-11-03 | 2018-03-30 | 中国林业科学研究院资源信息研究所 | 一种檀香叶片灰斑病危害程度的确定方法和装置 |
US20200250428A1 (en) * | 2019-02-04 | 2020-08-06 | Farmers Edge Inc. | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron |
WO2021144785A1 (en) * | 2020-01-14 | 2021-07-22 | Centure Application Ltd. | System and method for real-time crop management |
-
2021
- 2021-12-16 CN CN202111544028.8A patent/CN114190213A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955923A (zh) * | 2014-04-18 | 2014-07-30 | 南京理工大学 | 一种快速的基于图像的路面病害检测方法 |
CN105511529A (zh) * | 2015-12-28 | 2016-04-20 | 安徽科技学院 | 一种设施农业环境智能控制方法 |
CN107862682A (zh) * | 2017-11-03 | 2018-03-30 | 中国林业科学研究院资源信息研究所 | 一种檀香叶片灰斑病危害程度的确定方法和装置 |
US20200250428A1 (en) * | 2019-02-04 | 2020-08-06 | Farmers Edge Inc. | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron |
WO2021144785A1 (en) * | 2020-01-14 | 2021-07-22 | Centure Application Ltd. | System and method for real-time crop management |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582055B (zh) | 一种无人机的航空施药航线生成方法及系统 | |
CN110926430B (zh) | 一种空地一体化红树林监测系统及控制方法 | |
JP2006250827A (ja) | 作物の生育状況分析方法 | |
CN113468964B (zh) | 一种基于高光谱的农业病虫害监测方法及设备 | |
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 | |
EP3369037A1 (de) | Verfahren und informationssystem zum erkennen zumindest einer auf einem feld angepflanzten pflanze | |
Backoulou et al. | Processed multispectral imagery differentiates wheat crop stress caused by greenbug from other causes | |
CN210570820U (zh) | 一种农业检测预警系统 | |
US12016259B2 (en) | Information providing device, mowing vehicle and mowing management system | |
Suarez et al. | Detection of phenoxy herbicide dosage in cotton crops through the analysis of hyperspectral data | |
Yang et al. | Cotton hail disaster classification based on drone multispectral images at the flowering and boll stage | |
CN115601585A (zh) | 基于图片分析的农业病虫害诊断方法及装置 | |
CN117057946A (zh) | 一种智慧农业园区数据监控装置及方法 | |
Guan et al. | An improved approach to estimating crop lodging percentage with Sentinel-2 imagery using machine learning | |
CN114280276A (zh) | 一种农业监测系统及方法 | |
Jayasinghe et al. | Image‐based high‐throughput phenotyping for the estimation of persistence of perennial ryegrass (Lolium perenne L.)—A review | |
DE102015221092A1 (de) | Verfahren und Informationssystem zum Erfassen zumindest eines Pflanzenparameterdatensatzes einer auf einem Feld wachsenden Pflanze | |
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 | |
Ichim et al. | Using drones and deep neural networks to detect halyomorpha halys in ecological orchards | |
Plaza et al. | Classification of airborne multispectral imagery to quantify common vole impacts on an agricultural field | |
CN114190213A (zh) | 一种利用传感器综合防治农作物病虫害的系统和方法 | |
CN116310913A (zh) | 基于小型无人机测量技术的自然资源调查监测方法及装置 | |
de Ocampo et al. | Integrated Weed Estimation and Pest Damage Detection in Solanum melongena Plantation via Aerial Vision-based Proximal Sensing. | |
CN114972347A (zh) | 农作物病虫害检测方法、系统、设备及介质 | |
Masykur et al. | Approach and Analysis of Yolov4 Algorithm for Rice Diseases Detection at Different Drone Image Acquisition Distances |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220318 |
|
WD01 | Invention patent application deemed withdrawn after publication |