CN114266979A

CN114266979A - 茶树病虫害智能识别方法、装置、设备及存储介质

Info

Publication number: CN114266979A
Application number: CN202111678681.3A
Authority: CN
Inventors: 崔文文; 王小飞; 姚晶晶; 易甜; 李葳
Original assignee: Institute of Quality Standards and Testing Technology for Agro Products of Hubei Academy of Agricultural Sciences
Current assignee: Institute of Quality Standards and Testing Technology for Agro Products of Hubei Academy of Agricultural Sciences
Priority date: 2021-12-31
Filing date: 2021-12-31
Publication date: 2022-04-01

Abstract

本发明属于病虫害识别技术领域，尤其涉及一种茶树病虫害智能识别方法、装置、设备及存储介质。本发明的茶树病虫害智能识别方法包括以下步骤：S1：建立茶树病虫害特征数据库；S2：根据当前茶树所处时期获取当前时期可能发生的病虫害类型；S3：根据所述病虫害类型确定对应的病虫害特征容易出现的茶树部位；S4：根据病虫害特征容易出现的茶树部位获取相应的茶树部位的图像；S5：根据当前茶树所处时期和病虫害特征容易出现的茶树部位从茶树病虫害特征数据库中获取相应时期相应部位的病虫害特征数据；S6：根据所述相应时期相应部位的病虫害特征数据和茶树部位的图像识别茶树病虫害的类型。本发明可以快速检测茶树病虫害的类型。

Description

茶树病虫害智能识别方法、装置、设备及存储介质

技术领域

本发明涉及病虫害识别技术领域，尤其涉及一种茶树病虫害智能识别方法、装置、设备及存储介质。

背景技术

茶树是一种可以连续两年以上生长的植物，适合种植集于热带、亚热带和暖温带地区，气候条件要求温暖湿润，由于茶树生长茂密葱郁，所以极易受到病虫害的侵袭。影响茶树高效，优质生产的主要因素就是茶树极易受到病虫害侵袭，我国各地茶园已知茶树病害达100多种，其中常见的就有30多种，主要是茶炭疽病、茶云纹叶枯病、茶轮斑病、茶芽枯病等。而已知的茶树害虫更是高达400多种，其中50多种都是常见的，主要是茶尺蠖、茶卷叶蛾、茶毛虫、茶黑毒蛾等。为了有效的防治茶树病虫害，对茶树病虫害种类的识别尤其重要。目前多采用基于茶树相关部位的图像特征来检测茶叶病虫害，但是由于茶树的病虫害种类众多，目前的图像特征识别茶叶病虫害的方法难以快速准确地识别出茶树病实际所遭受的病虫害的种类。

发明内容

有鉴于此，本发明实施例提供了一种茶树病虫害智能识别方法、装置、设备及存储介质，用于解决现有技术难以快速准确地检测出茶树病虫害种类的技术问题。

本发明采用的技术方案是：

第一方面，本发明提供了一种茶树病虫害智能识别方法，所述方法包括以下步骤：

S1：建立按照茶树病虫害发生的时期和病虫害特征所出现的茶树部位进行分类存储的茶树病虫害特征数据库；

S2：根据当前茶树所处时期获取当前时期可能发生的病虫害类型；

S3：根据所述病虫害类型确定对应的病虫害特征容易出现的茶树部位；

S4：根据病虫害特征容易出现的茶树部位获取相应的茶树部位的图像；

S5：根据当前茶树所处时期和病虫害特征容易出现的茶树部位从茶树病虫害特征数据库中获取相应时期相应部位的病虫害特征数据；

S6：根据所述相应时期相应部位的病虫害特征数据和茶树部位的图像识别茶树病虫害的类型。

优选地，所述S1：建立按照茶树病虫害发生的时期和病虫害特征所出现的茶树部位进行分类存储的茶树病虫害特征数据库行包括以下步骤：

S11：建立茶树病虫害特征数据库；

S12：按照病虫害发生的不同时期对数据库中的病虫害特征数据分类存储；

S13：对属于同一时期的病虫害特征数据按照病虫害特征所出现的茶树部位进一步分类存储。

优选地，根据所述相应时期相应部位的病虫害特征数据和茶树部位的图像识别茶树病虫害的类型还包括以下步骤。

S61：按照病虫害出现的几率大小对相应时期相应部位的不同种类的病虫害特征数据进行排序；

S62：按照排序的先后依次将病虫害特征数据与茶树部位的图像进行对比分析直至得出识别结果。

优选地，在所述S4：根据病虫害特征容易出现的茶树部位获取相应的茶树部位的图像中如果病虫害特征容易出现的茶树部位为叶片则包括以下步骤：

S41：获取待识别的茶树的图像；

S42：对茶树的图像做预处理后得到关于叶片和树干的二值化图像；

S43：根据所述树干与所述叶片之间的生长位置关系，将树干的二值图像和叶片的二值化图像进行特征比对，提取出叶片初步轮廓图像；

S44：将所述初步叶片轮廓图像与所述预设叶片相比对，基于聚类算法，提取出完整的叶片图像。

优选地，在所述S6：根据所述相应时期相应部位的病虫害特征数据和茶树部位的图像识别茶树病虫害的类型之后还包括以下步骤：

S71：获取与茶树病虫害相关的病虫害防治专家信息；

S72：根据茶树病虫害智能识别的结果和病虫害防治专家信息进行专家匹配；

S73：根据专家匹配的结果获取与所匹配的进行专家在线交互的网络链接。

S81：根据所识别出的病虫害的类型、病虫害特征数据和茶树部位的图像判断病虫害的严重程度；

S82：根据病虫害的类型和病虫害的严重程度用于获取防治病虫害物资类型及相应的数量，所述防止病虫害的物资包括防治病虫害的药品；

S83：根据防治病虫害物资类型及相应的数量生成购买所述物资的订单并发送给相应的商家。

优选地，所述S4：根据病虫害特征容易出现的茶树部位获取相应的茶树部位的图像还包括以下步骤：

S401：若病虫害特征容易出现的茶树部位为嫩梢和/或芽叶和/或成叶则利用无人机从空中俯拍获取待识别的茶树的图像；

S402：若病虫害特征容易出现的茶树部位为树干和/或成叶则利用微型或者小型无人机飞入茶树林间获取待识别的茶树的图像。

第二方面本发明还提供了一种茶树病虫害智能识别装置，所述装置包括：

数据库建立模块，所述数据库建立模块用于建立按照茶树病虫害发生的时期和病虫害特征所出现的茶树部位进行分类存储的茶树病虫害特征数据库；

病虫害类型获取模块，所述病虫害类型获取模块用于根据当前茶树所处时期获取当前时期可能发生的病虫害类型；

茶树部位确定模块，所述茶树部位确定模块用于根据所述病虫害类型确定对应的病虫害特征容易出现的茶树部位；

图像获取模块，所述图像获取模块用于根据病虫害特征容易出现的茶树部位获取相应的茶树部位的图像；

病虫害特征数据获取模块，所述病虫害特征数据获取模块用于根据当前茶树所处时期和病虫害特征容易出现的茶树部位从茶树病虫害特征数据库中获取相应时期相应部位的病虫害特征数据；

病虫害类型识别模块，所述病虫害类型识别模块用于根据所述相应时期相应部位的病虫害特征数据和茶树部位的图像识别茶树病虫害的类型。

第三方面，本发明还提供了一种茶树病虫害智能识别方法设备，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现第一方面所述的方法。

第四方面，本发明还提供了一种存储介质，其上存储有计算机程序指令，当所述计算机程序指令被处理器执行时实现第一方面所述的方法。

有益效果：本发明的茶树病虫害智能识别方法、装置、设备及存储介质先建立茶树病虫害特征数据库，并按照茶树病虫害发生的时期和病虫害特征所出现的茶树部位在数据库中对病虫特征数据进行分类存储。在对病虫害进行识别时一方面根据所处时期和病虫发生的茶树部位，从大量的病虫害数据中快速找到对应时期和对应部位的茶树病虫害特征数据。另一方面获取相应茶树部位的图像。最后将图像和筛选出的茶树病虫害特征数据进行比较识别出茶树病虫害的类型。本发明可以针对性的地提取茶树部位的图像和用于对比的茶树病虫害数据，准确定位病虫害所在部位特征，无需对茶树每个部位、每种虫害都进行分析，大大减小了计算量，可以快速准确地识别出茶树病虫害种类。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，这些均在本发明的保护范围内。

图1为本发明的茶树病虫害智能识别方法的流程图示意图；

图2为本发明建立病虫害特征数据库的方法的流程图示意图；

图3为本发明识别病虫害类型的方法的流程图示意图；

图4为本发明获取茶树部位图像的方法的流程图示意图；

图5为本发明利用无人机获取茶树图像的方法的流程图示意图；

图6为本发明根据病虫害识别结果建立与病虫害防治专家在线交流链接的方法的流程示意图；

图7为本发明根据病虫害识别结果自动采购病虫害防治物质的方法的流程示意图；

图8为本发明茶树病虫害智能识别方法装置的结构示意图；

图9为本发明茶树病虫害智能识别方法设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。在本发明的描述中，需要理解的是，术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。而且，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、方法、物品或者设备不仅包括那些要素，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、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。如果不冲突，本发明实施例以及实施例中的各个特征可以相互结合，均在本发明的保护范围之内。

实施例1

如图1所示，本实施例提供一种茶树病虫害智能识别方法，所述方法包括以下步骤：

由于受温度，湿度，光照时间等因素的影响，茶树各个病虫害发生会发生在特定的时期，例如假眼小绿叶蝉又名茶小绿叶蝉，往往发生在每年的5月至6 月；茶尺蠖则发生在每年的6月至8月；茶毛虫往往发生在每年的6月至8月；茶蚜则发生在每年的3月至4月。赤叶斑病发生在每年的7月至8月。

当茶树遭受病虫害时，茶树的某些部位就会出现病虫害的特征，例如茶炭疽病的病虫害特征出现在茶树的成叶上；茶云纹叶枯病的病虫害特征出现在茶树的叶、果实上；茶轮斑病的病虫害特征出现在茶树的成叶、老叶上；茶枝梢黑点病的病虫害特征出现在茶树的成叶、老叶上；茶白星病的病虫害特征出现在茶树的成叶、老叶上；茶树苔藓病的病虫害特征出现在茶树的枝干上；茶树根结线虫病的病虫害特征出现在茶树的根系位置。茶尺蠖的病虫害特征出现在茶树的叶、茎；茶卷叶蛾的病虫害特征出现在茶树的叶上；茶蓑蛾的病虫害特征出现在茶树的叶、嫩枝、幼果上；小绿叶蝉的病虫害特征出现在茶树的芽叶、嫩梢上；茶天牛的病虫害特征出现在茶树的枝干、根部；假眼小绿叶蝉的病虫害特征出现在茶树的芽叶、嫩梢。当茶树遭受到这些病虫害时，相应的部位就会出现颜色改变，外形改变，纹理改变等病虫害特征。

如图2所示，在本实施例中，所述S1：建立按照茶树病虫害发生的时期和病虫害特征所出现的茶树部位进行分类存储的茶树病虫害特征数据库行包括以下步骤：

S11：建立茶树病虫害特征数据库；

茶树在遭受病虫害后，在茶树的某些部位会出现相应的病变特征，本文中将这些病变特征称为茶树的病虫害特征。例如茶饼病的病虫害特征包括了圆形病斑正面凹陷，背面隆起呈饼状，病部为淡黄色或红色小点。叶缘扭曲畸形，叶鞘、叶柄肿胀，嫩芽枯死等。例如茶饼病的病虫害特征包括了病斑散生灰黑色细粒，病叶扭曲，幼芽、鱼叶变褐，病斑呈灰黑色枯焦状，发病部位为叶尖或叶缘等。本实施例将各种类型的茶树的病虫害特征信息进行收集整理得到茶树病虫害特征数据。例如可以将炭疽病所造成茶树的成叶上颜色改变，外形改变，纹理改变等信息收集整理得到炭疽病的茶树病虫害特征数据，又例如可以将小绿叶蝉所造成茶树的成叶上颜色改变，外形改变，纹理改变等信息收集整理得到小绿叶蝉的茶树病虫害特征数据。通过对大量病虫害特征数据的收集可以建立起病虫害种类全、病虫害特征信息丰富的茶树病虫害特征数据库，为后续识别出各种不同类型的病虫害做准备。

例如茶尺蠖和茶毛虫都发生在每年的6月至8月，则可以将茶尺蠖和茶毛虫对应的茶树病虫害特征数据归为一个大类进行存储。

例如属于同一时期的茶尺蠖和茶毛虫出现病虫害特征的部位都有叶片部位，则在前面按病虫害发生时期的基础上可以将茶尺蠖和茶毛虫归为病虫害特征出现在叶片部位这一小类进行存储。

例如当前时期为6月份，则当前时期可能发生的病虫害类型有假眼小绿叶蝉、茶尺蠖、茶毛虫等。

S3：根据所述病虫害类型确定对应的病虫害特征容易出现的茶树部位；例如可能发生的病虫害类型有茶尺蠖的，则病虫害特征容易出现的茶树部位为茶树的叶、茎。例如可能发生的病虫害类型有假眼小绿叶蝉，则病虫害特征出现的茶树部位为茶树的芽叶、嫩梢。

本步骤先获取病虫害特征容易出现的茶树部位的图像，例如当病虫害特征容易出现的部位为树干时则获取树干的图像，当病虫害特征容易出现的部位为为叶片时则获取叶片的图像。如图5所示，本实施例还可以根据需要获取图像的茶树部位采用不同的设备进行图像采集，其方法主要包括以下步骤：

嫩梢、芽叶、成叶等多位于茶树的冠层，利用无人机从空中俯拍可以快速获取到这些茶树部位的图像。

树干、成叶等容易被茶树其它部位遮挡，这时可以利用小型无人机飞到茶树林中，靠近这些部位来采集图像。本实施例采用无人机俯拍和小型无人机靠近采集图像相协调的方式，既可以提高图像采集的效率，有可以保证采集到能够识别病虫害的有效图像。

如图4所示，当茶树病虫害特征出现的部位为茶树的叶片时，获取叶片的方法包括以下步骤：

S41：获取待识别的茶树的图像；

本步骤先获取茶树的图像，可以是完整的茶树的图像，也可以是一部分茶树的图像，但是所获取的茶树的图像需要包括有叶片。

S42：对茶树的图像做预处理后得到关于叶片和树干的二值化图像；图像二值化后叶片和树干所对应的像素值为1，其余的像素值为0。为便于描述，在本文中，关于叶片的二值化图像称为第一中间图像，关于树干的二值化图像为第二中间图像，其中第一中间图像含有所有叶片特征轮廓以及部分其他干扰背景轮廓，第二中间图像含有树干所有特征轮廓以及部分其他干扰背景轮廓。

本步骤可以根据树干与叶片之间的生长位置关系进行排除不属于叶片的干扰背景轮廓前述生长位置关系则是根据常识，叶片是生长在树干上的，即叶片与树干之间在轮廓上必然是相连接的，以此排除掉没有与树干连接的干扰背景轮廓，这里叫伪叶片轮廓。同时，除了能够排除掉伪叶片轮廓以外，通过该种方式还能将已经从树干上掉落的叶片轮廓一并排除掉，防止伪叶片轮廓和已经掉落的叶片轮廓对后续叶片的提取以及分析造成影响。

具体实施时，先在第一中间图像和第二中间图像上建立平面坐标。然后对所述第二中间图像中像素值为1的轮廓进行坐标定位，获取这些像素在平面坐标系上的坐标，对第二中间图像中像素值为1的轮廓进行坐标定位，获取这些像素在平面坐标系上的坐标；并将所述第一中间中轮廓的坐标与所述第二中间图像中轮廓的坐标进行比对，提取出与第一中间图像和第二中间图像具有相同坐标的轮廓，即获取树干和树叶交点位置的坐标，根据交点的坐标，判断叶片是否与树干连接，从而得到该叶片轮廓是否属于真正的叶片轮廓还是说属于伪叶片轮廓或者是掉落的叶片轮廓。判断结束后，可以得到第一中间图像中叶片的初步轮廓图像。

叶片初步轮廓图像中还可能包括有一些无法去除的干扰图像例如，颜色与叶片颜色相近的背景轮廓与叶片轮廓部分重叠；又例如两片或者若干片叶片部分重叠，导致误判为一片叶片轮廓，影响叶片的精准提取以及后续对叶片的病虫害分析。对此本步骤在叶片初步轮廓进一步准确提取出完整的叶片轮廓，提取的方法具体包括以下步骤：

S441：将所述初步叶片轮廓图像中的像素点数量与所述预设叶片的像素点阈值进行比较；茶叶叶片面积会有一定的正常大小范围，即有一个面积阈值，再通过确定初步叶片轮廓图像的图像大小(分辨率)，确定图像分辨率可以直接通过拍摄设备进行确定，便可预先设置好在该分辨率下正常叶片的像素点阈值。

S442：若所述初步叶片轮廓图像中的像素点数量位于所述像素点阈值范围内，则提取所述初步叶片轮廓图像为所述完整的叶片图像；当初步叶片轮廓图像中像素点的数量在预先设置好的像素点阈值范围内时，则说明该初步叶片轮廓图像即为完整的叶片图像。

S443：若所述初步叶片轮廓图像中的像素点数量不在所述像素点阈值范围内，则基于所述聚类方法，从所述初步叶片轮廓图像中提取出所述完整的叶片图像；当初步叶片轮廓图像的像素点数量小于预设的像素点阈值范围时，则可以说明该轮廓并非是叶片的轮廓，可能是其它背景所形成的小点轮廓；当初步叶片轮廓图像的像素点数量大于预设的像素点阈值范围时，则可以说明在该叶片轮廓上具有重叠的其他轮廓，可能是背景轮廓，也可能是树干上其他叶片的轮廓。基于密度的聚类方法，便可逐渐筛选出属于叶片的轮廓。具体操作时首先在所述初步叶片轮廓图像中任意确定一个像素点作为像素中心点C2；

然后以所述像素中心点C2为圆心，获取所述半径阈值内N个半径值Ri，分别计算获取的N个所述半径值Ri范围内对应的像素点数量；获取N个半径值Ri，从小到大依次获取，且获取的半径间隔从大间隔到小间隔获取，并分别计算获取的对应半径值范围内对应的像素点数量。之所以采用从小到大半径依次获取以及获取的半径间隔从大间隔到小间隔的方式，能够较快地确定对应的半径范围，无需将半径阈值内的所有半径值均进行计算，实现减少运算量，提高运算速度的效果。

然后将所述N个半径值Ri范围内对应的像素点数量分别与所述预设叶片中对应的N个半径值Ri范围内对应的像素点数量最小值进行比较；本实施例可以在进行一次半径值获取，便同步进行一次基于该半径值范围内像素点数量的计算以及与预设叶片中对应半径值范围内像素点数量最小值进行比较，得到在该半径值范围内像素点数量是否超过预设叶片中像素点数量的最小值。且通过获取一次半径值便进行一次像素点数量获取的方式，可以在第一时间计算出相应的半径临界值，在得到半径临界值时，便可无需再基于该像素中心点C2继续进行半径获取的步骤，节约时间，减少运算量，提高运算速度。

如果在某个所述半径值Ri范围内的像素点数量大于或者等于所述预设叶片中与半径值Ri对应的半径范围内的像素点数量最小值，则标记所述像素中心点 Q2为叶片内部点；

如果在某个所述半径值Ri范围内的像素点数量小于所述预设叶片中与半径值Ri对应的半径范围内的像素点数量，则标记所述像素中心点Q2为干扰像素点；

如果若某个所述干扰像素点位于某个所述叶片内部点以所述半径值Ri为半径的范围内，则标记所述干扰像素点为叶片边缘点，反之，所述干扰像素点仍为所述干扰像素点；

重复执行上述步骤，直至所述初步叶片轮廓图像中所有像素点均被标记。

例如当前所处时期为6月，病虫害特征容易出现的茶树部位为叶片，那么就可以茶树病虫害特征数据库中获取病虫害发生时期为6月，发生部位为叶片的病虫害特征数据。

如图3所示，S6：根据所述相应时期相应部位的病虫害特征数据和茶树部位的图像识别茶树病虫害的类型。

本步骤将这些属于同一时期和同一部位的病虫害特征数据提取出来和相应前面步骤采集到的茶树部位的图像进行对比来识别茶树病虫害的类型。

S61：按照病虫害出现的几率大小对相应时期相应部位的不同种类的病虫害特征数据进行排序。例如发生在7月的，病虫害特征出现部位为叶片的病虫害有三种，分别为A类型、B类型、C类型，这三种病虫害发生的几率分别为P1、 P2、P3，且P3≥P1≥P2，那么病虫害特征数据的排序为C类型对应的病虫害特征数据排在最前、A类型对应的病虫害特征数据排在C类型之后、B类型对应的病虫害特征数据排在最后。

本步骤先将发生几率最大的病虫害所对应的病虫害特征数据与茶树部位的图像进行对比，如果没有分析出病虫害类型再将发生几率第二的病虫害所对应的病虫害特征数据与茶树部位的图像进行对比，以此类推直至分析出茶树病虫害类型或者将相应时期和相应部位的所用类型的病虫害特征都对比完。采用前述按照发生几率大小的顺序进行对比分析的方式，有利于缩短识别病虫害类型的时间。

具体对病虫类型进行识别时可以先中从相应类型的病害图像中提取病害特征参数建立数据集，在特定算法下(例如支持向量机，BP神经网络算法)对数据集进行机器学习训练，进而对具有不同特征的病害实现识病虫害进行识别。由于识别病虫害的算法较多，某些算法对某些病虫害的识别准确率高。因此也可以根据相应时间相应部位来选择病虫害的识别算法，从而提高病虫害的识别准确率。

为了提高识别的准确性，本实施例还可以利用高光谱图像进行识别，先从茶树部位的图像上提取感兴趣区域敏感波段的相对光谱反射率作为光谱特征，将二次主成分分析后的第二成分图像作为特征图像，然后基于颜色矩和灰度共生矩阵提取特征图像的颜色特征和纹理特征，最后利用遗传算法优化的BP神经网络对颜色、纹理和光谱特征向量融合数据进行检验。

如图6所示，本实施例在所述S6：根据所述相应时期相应部位的病虫害特征数据和茶树部位的图像识别茶树病虫害的类型之后还包括以下步骤：

S71：获取与茶树病虫害相关的病虫害防治专家信息；

S72：根据茶树病虫害智能识别的结果和病虫害防治专家信息进行专家匹配。

本实施例可以在识别出茶树的病虫害类型之后获取与识别出的病虫害类型相关的一些病虫害防治专家的信息。这些信息可以事先与病虫害特征数据一起储存在数据库中，也可以利用搜索引擎根据病虫害类型进行搜索。其中病虫害防治专家信息可以包括虫害防治专家的擅长领域，相关工作经验，相关研究成果等。然后根据所识别出的病虫害类型找到相关病虫害防治方面最擅长或者最有经验的专家。

当匹配到合适的专家之后，可以向用户推送相关的网络链接，用户点击该网络链接后可以与匹配的专家进行在线交流，向专家咨询专业规范的病虫害防治措施，并将所采集到的相关的病虫害的图像信息发送给匹配的专家。

如图7所示，此外，本实施例在所述S6：根据所述相应时期相应部位的病虫害特征数据和茶树部位的图像识别茶树病虫害的类型之后还包括以下步骤：

本实施例在识别出病虫害的种类后可以根据所采集的茶树部位的图像进了一步识别出病虫害的严重程度。

S82：根据病虫害种类和病虫害的严重程度用于获取防治病虫害物资类型及相应的数量，所述防止病虫害的物资包括防治病虫害的药品；

本实施例在获知了病虫害种类和病虫害的严重程度后可以获取到相应的防治病虫害的方法。如相应的防治病虫害的方法中需要用到防治药品，工具等物质时，则将这些需要的物质和所需物质的数量信息提取出来。其中防治病虫害的物资包括但不限于：粘虫板、诱捕器、农药、农药喷洒工具等。

本实施例可以根据防治所识别出的病虫害所需要的物质种类和数量直接向售卖这些物质的商家发送订单，可以极大地方便用户。

实施例2

请参阅图8，本实施例提供了一种茶树病虫害智能识别方法装置，所述装置包括：

所述图像获取模块还包括：

茶树图像获取子模块，所述茶树图像获取子模块用于获取待识别的茶树的图像；

图像预处理子模块，图像预处理子模块用于对所述对茶树的图像做预处理后得到关于叶片和树干的二值化图像；

叶片初步轮廓提取子模块，所述叶片初步轮廓提取子模块用于根据所述树干与所述叶片之间的生长位置关系，将树干的二值图像和叶片的二值化图像进行特征比对，提取出叶片初步轮廓图像；

叶片图像提取子模块，所述叶片图像提取子模块用于将所述初步叶片轮廓图像与所述预设叶片相比对，基于聚类算法，提取出完整的叶片图像。

实施例3

另外，结合图9描述的本发明中前述实施例的茶树病虫害智能识别方法可以由本实施例的茶树病虫害智能识别方法设备来实现。图9示出了本发明实施例提供的茶树病虫害智能识别方法设备的硬件结构示意图。

本实施例的茶树病虫害智能识别方法设备可以包括处理器401以及存储有计算机程序指令的存储器402。

具体地，上述处理器401可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本发明实施例的一个或多个集成电路。

存储器402可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器402可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器402可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器402可在数据处理装置的内部或外部。在特定实施例中，存储器402是非易失性固态存储器。在特定实施例中，存储器402包括只读存储器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。

处理器401通过读取并执行存储器402中存储的计算机程序指令，以实现上述实施例中的任意一种区域随机茶树病虫害智能识别方法的数据寻址方法。

在一个示例中本实施例的茶树病虫害智能识别方法设备还可包括通信接口 403和总线410。其中，如图9所示，处理器401、存储器402、通信接口403 通过总线410连接并完成相互间的通信。

通信接口403，主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。

总线410包括硬件、软件或两者，将用于小数倍墨量输出的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X) 总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线 410可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。

实施例4

另外，结合上述实施例中的茶树病虫害智能识别方法，本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种茶树病虫害智能识别方法。

以上是对本发明实施例提供的茶树病虫害智能识别方法、装置、设备及存储介质的详细介绍。

需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、 CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。

Claims

1.茶树病虫害智能识别方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的茶树病虫害智能识别方法，其特征在于：所述S1：建立按照茶树病虫害发生的时期和病虫害特征所出现的茶树部位进行分类存储的茶树病虫害特征数据库行包括以下步骤：

S11：建立茶树病虫害特征数据库；

3.根据权利要求1所述的茶树病虫害智能识别方法，其特征在于，根据所述相应时期相应部位的病虫害特征数据和茶树部位的图像识别茶树病虫害的类型还包括以下步骤：

4.根据权利要求1所述的茶树病虫害智能识别方法，其特征在于，在所述S4：根据病虫害特征容易出现的茶树部位获取相应的茶树部位的图像中如果病虫害特征容易出现的茶树部位为叶片则包括以下步骤：

S41：获取待识别的茶树的图像和预设叶片参数；

S44：将所述初步叶片轮廓图像与所述预设叶片相比对提取出完整的叶片图像。

5.根据权利要求1所述的茶树病虫害智能识别方法，其特征在于，所述S4：根据病虫害特征容易出现的茶树部位获取相应的茶树部位的图像还包括以下步骤：

6.根据权利要求1至5中任一项所述的茶树病虫害智能识别方法，其特征在于，在所述S6：根据所述相应时期相应部位的病虫害特征数据和茶树部位的图像识别茶树病虫害的类型之后还包括以下步骤：

S71：获取与茶树病虫害相关的病虫害防治专家信息；

7.根据权利要求1至5中任一项所述的茶树病虫害智能识别方法，其特征在于，在所述S6：根据所述相应时期相应部位的病虫害特征数据和茶树部位的图像识别茶树病虫害的类型之后还包括以下步骤：

S82：根据病虫害的类型和病虫害的严重程度用于获取防治病虫害物资类型及相应的数量，所述防治病虫害的物资包括防治病虫害的药品；

8.茶树病虫害智能识别装置，其特征在于，所述装置包括：

9.茶树病虫害智能识别设备，其特征在于，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现如权利要求1-7中任一项所述的方法。

10.一种存储介质，其上存储有计算机程序指令，其特征在于，当所述计算机程序指令被处理器执行时实现如权利要求1-7中任一项所述的方法。