CN114399682A - 一种林业病虫害的长效防治方法及系统 - Google Patents
一种林业病虫害的长效防治方法及系统 Download PDFInfo
- Publication number
- CN114399682A CN114399682A CN202210051600.5A CN202210051600A CN114399682A CN 114399682 A CN114399682 A CN 114399682A CN 202210051600 A CN202210051600 A CN 202210051600A CN 114399682 A CN114399682 A CN 114399682A
- Authority
- CN
- China
- Prior art keywords
- plant
- pest
- information
- disease
- prevention
- 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- Withdrawn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
Images
Classifications
-
- 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
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种林业病虫害的长效防治方法及系统,其中,所述方法包括:对第一植物图像信息进行病斑识别,获得第一病斑部位信息;基于植物病害资源库和所述第一病斑部位信息进行匹配,获得植物病虫害类别信息集合;基于第一目标植物特征信息和第一生长环境信息,通过决策树对所述第一目标植物进行分类,获得第一植物类别信息;将所述植物病虫害类别信息集合和所述第一植物类别信息输入病虫害分析模型中,获得第一病虫害分析结果;根据所述第一病虫害分析结果制定病虫害防治方案,并基于所述病虫害防治方案对所述第一目标植物进行病虫害防治。解决了现有技术对林木病虫害识别分析结果不够准确高效,导致影响林木病虫害防治效果的技术问题。
Description
技术领域
本发明涉及林业防治领域,尤其涉及一种林业病虫害的长效防治方法及系统。
背景技术
林业健康发展对国家可持续生态意义重大,但病虫害会对林业建设产生较大危害,可导致林木生长不良,产量、质量下降,甚至引起林木枯死和生态条件的恶化,对其可持续发展、林业生态发展稳定十分不利,因此应用科学病虫害防治措施对林业的长效发展十分必要。
然而,现有技术存在对林木病虫害识别分析结果不够准确高效,导致影响林木病虫害防治效果的技术问题。
发明内容
本申请通过提供一种林业病虫害的长效防治方法及系统,解决了现有技术对林木病虫害识别分析结果不够准确高效,导致影响林木病虫害防治效果的技术问题,达到通过结合植物特征和生长环境信息对病虫害检测部位进行精确匹配,以此对林木病虫害进行及时识别分析,提高分析结果的准确性和效率,从而实现妥善且长效的病虫害治理的技术效果。
鉴于上述问题,本发明提供了一种林业病虫害的长效防治方法及系统。
第一方面,本申请提供了一种林业病虫害的长效防治方法,所述方法包括:通过图像采集装置对第一目标植物进行图像采集,获得第一植物图像信息;对所述第一植物图像信息进行病斑识别,获得第一病斑部位信息;基于植物病害资源库和所述第一病斑部位信息进行匹配,获得植物病虫害类别信息集合;对所述第一目标植物的生长环境信息进行采集,获得第一生长环境信息;基于第一目标植物特征信息和所述第一生长环境信息,通过决策树对所述第一目标植物进行分类,获得第一植物类别信息;将所述植物病虫害类别信息集合和所述第一植物类别信息输入病虫害分析模型中,获得第一病虫害分析结果;根据所述第一病虫害分析结果制定病虫害防治方案,并基于所述病虫害防治方案对所述第一目标植物进行病虫害防治。
另一方面,本申请还提供了一种林业病虫害的长效防治系统,所述系统包括:第一获得单元,所述第一获得单元用于通过图像采集装置对第一目标植物进行图像采集,获得第一植物图像信息;第二获得单元,所述第二获得单元用于对所述第一植物图像信息进行病斑识别,获得第一病斑部位信息;第三获得单元,所述第三获得单元用于基于植物病害资源库和所述第一病斑部位信息进行匹配,获得植物病虫害类别信息集合;第四获得单元,所述第四获得单元用于对所述第一目标植物的生长环境信息进行采集,获得第一生长环境信息;第五获得单元,所述第五获得单元用于基于第一目标植物特征信息和所述第一生长环境信息,通过决策树对所述第一目标植物进行分类,获得第一植物类别信息;第六获得单元,所述第六获得单元用于将所述植物病虫害类别信息集合和所述第一植物类别信息输入病虫害分析模型中,获得第一病虫害分析结果;第一处理单元,所述第一处理单元用于根据所述第一病虫害分析结果制定病虫害防治方案,并基于所述病虫害防治方案对所述第一目标植物进行病虫害防治。
第三方面,本申请提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面,本申请还提供了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意一项所述方法中的步骤。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了对目标植物进行图像采集,并对采集的植物图像信息进行病斑识别,基于植物病害资源库和识别的病斑部位信息进行匹配,获得植物病虫害类别信息集合,结合目标植物特征信息和植物生长环境信息,通过决策树对目标植物进行分类,获得第一植物类别信息,将植物病虫害类别信息集合和植物类别信息输入病虫害分析模型中,获得第一病虫害分析结果,最后根据第一病虫害分析结果制定病虫害防治方案,并基于病虫害防治方案对目标植物进行病虫害防治的技术方案。进而达到通过结合植物特征和生长环境信息对病虫害检测部位进行精确匹配,以此对林木病虫害进行及时识别分析,提高分析结果的准确性和效率,从而实现妥善且长效的病虫害治理的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请一种林业病虫害的长效防治方法的流程示意图;
图2为本申请一种林业病虫害的长效防治方法中获得第一病斑部位信息的流程示意图;
图3为本申请一种林业病虫害的长效防治方法中对植物病斑图像信息集进行图像增强的流程示意图;
图4为本申请一种林业病虫害的长效防治方法中获得第一目标植物特征信息的流程示意图;
图5为本申请一种林业病虫害的长效防治系统的结构示意图;
图6为本申请示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第三获得单元13,第四获得单元14,第五获得单元15,第六获得单元16,第一处理单元17,总线1110,处理器1120,收发器1130,总线接口1140,存储器1150,操作系统1151,应用程序1152和用户接口1160。
具体实施方式
在本申请的描述中,所属技术领域的技术人员应当知道,本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此,本申请可以具体实现为以下形式:完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外,在一些实施例中,本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式,该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括:电、磁、光、电磁、红外或半导体的系统、装置或器件,或者以上任意的组合。计算机可读存储介质更具体的例子包括:便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中,计算机可读存储介质可以是任意包含或存储程序的有形介质,该程序可以被指令执行系统、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解,流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合,都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而生产出一种机器,这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行,产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样,存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
实施例一
如图1所示,本申请提供了一种林业病虫害的长效防治方法,所述方法应用于一林业病虫害的长效防治系统,所述系统包括一图像采集装置,所述方法包括:
步骤S100:通过所述图像采集装置对第一目标植物进行图像采集,获得第一植物图像信息;
具体而言,林业健康发展对国家可持续生态意义重大,但病虫害会对林业建设产生较大危害,可导致林木生长不良,产量、质量下降,甚至引起林木枯死和生态条件的恶化,对其可持续发展、林业生态发展稳定十分不利,因此应用科学病虫害防治措施对林业的长效发展十分必要。所述图像采集装置包括照相机、摄像机以及航拍无人机等监测设备,用于对林木生长情况进行图像信息采集。
通过所述图像采集装置对第一目标植物进行图像采集,所述第一目标植物是需要进行监测防治的林木资源,可以是同一类林木植物,如针叶林、落叶阔叶林、常绿阔叶林、针阔混交林、竹林等。基于不同生长过程中的植物形态信息,采集获得所述第一目标植物的第一植物图像信息,所述第一植物图像信息包括所述第一目标植物根、茎、叶、花、果等的图像采集结果,为后续病斑识别提供图像基础。
步骤S200:对所述第一植物图像信息进行病斑识别,获得第一病斑部位信息;
如图2所示,进一步而言,所述对所述第一植物图像信息进行病斑识别,获得第一病斑部位信息,本申请步骤S200还包括:
步骤S210:通过大数据获得已知植物病斑图像信息集和未知植物病斑图像信息集;
步骤S220:基于生成对抗网络对所述已知植物病斑图像信息集和所述未知植物病斑图像信息集进行图像增强;
步骤S230:根据图像增强后的所述已知植物病斑图像信息集和所述未知植物病斑图像信息集,通过一维卷积残差网络进行建模,获得植物病斑识别模型;
步骤S240:将所述第一植物图像信息输入所述植物病斑识别模型中,获得所述第一病斑部位信息。
具体而言,对所述第一植物图像信息进行病斑识别,林业的病虫害分为病害和虫害两种,种类都较多。植物病害的种类很多,根据病原的种类可分为两大类,一是非侵染性病害包括由非生物引起,例如营养元素的缺乏,水分的不足或过量,低温的冻害和高温的灼病,肥料、农药使用不合理,或废水、废气造成的药害、毒害等;另一类是侵染性病害,包括由生物引起,有传染性,病原体多种,如真菌、细菌、病毒、线虫或寄生性种子植物等。植物的虫害主要是昆虫,另外还有螨类、蜗牛、鼠类等造成,林业主要病虫害包括白粉病类、锈病类、煤污病类、发霉、斑点病类、花叶病类幼苗猝倒病、松类疱锈病、丛枝病、叶斑病等。
通过大数据获得已知植物病斑图像信息集和未知植物病斑图像信息集,其中病斑图像信息集包括植物病斑的颜色、形态等图像信息,通过大数据获取得到的数据信息更加全面丰富,海量和多样化,具有更强的决策力、洞察发现力和流程优化能力。生成式对抗网络(GAN,Generative Adversarial Networks)是一种深度学习模型,主要包括用于判断数据是不是真数据的判别器和用于凭空捏造数据的生成器。对所述已知植物病斑图像信息集和所述未知植物病斑图像信息集进行图像增强,即用所述生成对抗网络中的生成器来构建后续植物病斑识别模型时要用的基础数据信息集。
由于真实环境下既存在已知植物病斑图像,又存在未知植物病斑图像,因此,基于图像增强后的所述已知植物病斑图像信息集和所述未知植物病斑图像信息集进行模型构建。首先将一维卷积层的输出串联残差块,并将残差块的输出连接一维卷积层,如此,构建获得一维卷积残差网络,再基于图像增强后的所述已知植物病斑图像信息集和所述未知植物病斑图像信息集,进行训练数据集和验证数据集的划分,对所述一维卷积残差网络进行训练,训练完毕后得到所述植物病斑识别模型。其中,所述一维卷积残差网络的卷积核是一维的卷积神经网络模型,利用残差结构提高了所述植物病斑识别模型的性能。
在进行植物病斑图像识别的过程中,将所述第一植物图像信息输入所述植物病斑识别模型中,便可获得所述模型的训练输出结果即所述第一病斑部位信息,所述第一病斑部位信息包括待识别目标植物的病斑图像特征和病斑所在部位信息。通过利用生成对抗网络构建病斑识别模型,能够快速提取待检测植物可能存在的病斑图像,并且提取效率和提取准确率都较高,进而达到提高植物病斑检测准确性和效率的技术效果。
步骤S300:基于植物病害资源库和所述第一病斑部位信息进行匹配,获得植物病虫害类别信息集合;
具体而言,所述植物病害资源库包括各种类林木的各类型病害虫害的数据资源,包括各类型病虫害的图像信息和该病虫害的详细发病信息。将所述第一病斑部位信息和所述植物病害资源库进行图像匹配,获得植物病虫害类别信息集合,所述植物病虫害类别信息集合为该目标植物可能匹配得到的多个病虫害匹配结果。
步骤S400:对所述第一目标植物的生长环境信息进行采集,获得第一生长环境信息;
具体而言,对所述第一目标植物的生长环境信息进行详细数据采集,可通过传感器组等方法对其数据进行采集,获得第一生长环境信息,所述第一生长环境信息包括该目标植物不同生长过程中的生长环境温度、湿度、光照、水分、空气等数据信息,以对目标植物的生长信息掌握更加充分。
步骤S500:基于第一目标植物特征信息和所述第一生长环境信息,通过决策树对所述第一目标植物进行分类,获得第一植物类别信息;
具体而言,决策树是在已知各种情况发生概率的基础上,通过构成决策树来求取净现值的期望值大于等于零的概率,评价项目风险,判断其可行性的决策分析方法,是直观运用概率分析的一种图解法,是一个预测模型。所述第一目标植物特征信息包括目标植物的品种、尺寸、分布等特征信息,基于所述第一目标植物特征信息和所述第一生长环境信息,通过决策树对所述第一目标植物进行分类,将该目标植物的具体特征情况进行详细分类,得到其对应的所述第一植物类别信息,为后续的精确病虫害匹配提供依据。
步骤S600:将所述植物病虫害类别信息集合和所述第一植物类别信息输入病虫害分析模型中,获得第一病虫害分析结果;
具体而言,将所述植物病虫害类别信息集合和所述第一植物类别信息输入病虫害分析模型中,所述病虫害分析模型为神经网络模型,用于对目标植物的具体病斑信息进行准确匹配,获得所述模型的训练输出结果即第一病虫害分析结果,所述第一病虫害分析结果为结合目标植物生长特点所得到准确病斑信息。
步骤S700:根据所述第一病虫害分析结果制定病虫害防治方案,并基于所述病虫害防治方案对所述第一目标植物进行病虫害防治。
进一步而言,本申请步骤S700还包括:
步骤S710:制定所述防治评估属性,所述防治评估属性包括危害程度、发生频次、防治因子;
步骤S720:基于所述防治评估属性对所述第一病虫害分析结果进行防治系数评估,获得第一病虫害防治系数;
步骤S730:根据所述第一病虫害防治系数,构建防治措施列表;
步骤S740:基于所述防治措施列表,制定所述病虫害防治方案。
具体而言,根据得到的所述第一病虫害分析结果制定病虫害防治方案,首先制定所述防治评估属性,所述防治评估属性包括危害程度,即该病虫害对林木的危害范围,危害程度越高,对其防治方案要求越高;发生频次,即林木对该病虫害的复发次数,发生频次越高,对其防治越重要;防治因子,即该病虫害的防治难易程度。基于所述防治评估属性对目标植物的所述第一病虫害分析结果进行防治系数评估,获得评估的第一病虫害防治系数,所述第一病虫害防治系数用于对目标植物的防治措施进行制定,防治系数越大,表明对该病虫害防治措施的制定力度越大。
基于所述第一病虫害防治系数构建对应的防治措施列表,所述防治措施列表包括对目标植物进行防治的各手段方法,包括规划栽植密度、减少病害侵染来源、加强肥水管理、适时修剪、药物防治、以虫治虫、以鸟治虫等生物措施、黑光灯诱杀等防治措施。基于所述防治措施列表中各措施的防治效果,制定所述病虫害防治方案,所述病虫害防治方案是各防治措施搭配使用的最优防治方案,通过所述病虫害防治方案对所述第一目标植物进行病虫害长效防治。通过结合植物特征和生长环境信息对病虫害检测部位进行精确匹配,以此对林木病虫害进行及时识别分析,提高分析结果的准确性和效率,从而实现妥善且长效的病虫害治理的技术效果。
如图3所示,进一步而言,所述基于生成对抗网络对所述已知植物病斑图像信息集和所述未知植物病斑图像信息集进行图像增强,本申请步骤S220还包括:
步骤S221:初始化生成器和判别器的参数,获得初始生成器参数和初始判别器参数;
步骤S222:获得预定生成对抗网络的参数更新次数阈值;
步骤S223:按照所述参数更新次数阈值,对所述初始生成器参数和初始判别器参数进行更新,生成参数更新步骤:所述生成器的参数不变,训练所述判别器;所述判别器的参数不变,训练所述生成器;
步骤S224:基于所述参数更新步骤对所述已知植物病斑图像信息集和所述未知植物病斑图像信息集进行图像增强。
具体而言,生成对抗网络中,主要包括用于判断数据是不是真数据的判别器和用于凭空捏造数据的生成器。初始化生成器和判别器的参数,生成器用于根据所述已知植物病斑图像信息集和所述未知植物病斑图像信息,进行捕捉两个图像数据集内检测图像的潜在分布,并且根据该潜在分布生成新的植物病斑图像。而判别器用于判断生成器生成的新图像数据属于真实数据还是伪造数据。基于对生成器和判断模型的训练,在生成器和判断模型的对抗博弈中,使生成器能够生成无法被判断模型准确判别为真实数据或伪造数据的植物病斑图像信息,以达到增加所述已知植物病斑图像信息集和所述未知植物病斑图像信息内图像数据的目的。
所述生成对抗网络通过学习一个非线性映射函数F,将所述已知植物病斑图像信息集和所述未知植物病斑图像信息集转化为相同图像效果的去噪图像。初始化生成器和判别器的参数指的是在网络训练之前,对各个节点的权重和偏置进行初始化的过程。参数的初始化关系到网络能否训练出好的结果或者是以多快的速度收敛,能够得到良好的训练结果。所述预定生成对抗网络的参数更新次数阈值用于设置更新生成器的和判别器的次数,举例如当参数更新次数设置为50时,则对生成对抗网络中的生成器和判别器进行50次的参数更新。在训练生成器的过程中,保证判别器的参数不变,在训练判别器的过程中,保证生成器的参数不变,对生成器和判别器进行交替训练。
由于将上一次判别器分类的生成数据(伪造数据)作为新的真实数据对生成器进行训练,从而达到迷惑判别器的目的,在多次迭代训练后,判别器无法准确判别生成器的生成数据是否为真实数据或伪造数据,且此时生成器生成的数据较为接近已知植物病斑图像信息集和未知植物病斑图像信息集内的数据,完成生成器和判别器的训练。通过参数更新对所述已知植物病斑图像信息集和所述未知植物病斑图像信息集进行图像增强,从而实现使用GAN对数据集进行图像增强的效果。通过生成对抗网络来进行图像增强,能够在低信噪比环境下进行识别,具有很好的鲁棒性,进而提升后续植物病斑识别模型的输出准确性。
如图4所示,进一步而言,本申请步骤还包括:
步骤S810:获得所述第一目标植物的属性信息
步骤S820:根据所述属性信息,确定植物品种特征、植物尺寸特征和植物分布特征;
步骤S830:获得所述植物品种特征的第一植物卷积特征、所述植物尺寸特征的第二植物卷积特征,所述植物分布特征的第三植物卷积特征;
步骤S840:根据所述第一植物卷积特征、所述第二植物卷积特征和所述第三植物卷积特征,获得所述第一目标植物特征信息。
具体而言,所述第一目标植物的属性信息为待检测目标植物的基本信息,包括植物品种、植物尺寸和植物分布等特征。所述植物品种特征为所述渔获物的品种,如松树、冷杉、柳树,杨树、云杉、红柳、杏树等;所述植物尺寸特征为所述第一目标植物的尺寸大小,不同品种的林木尺寸高度也不同;所述植物分布特征为目标植物的地域分布特征,不同品种的林木,其生长特性不同,因此按照海拔、气候、温度等环境特性进行相应分布。卷积神经网络是一种具有局部连接、权值共享等特点的深层前馈神经网络,在图像和视频分析领域,比如图像分类、目标检测、图像分割等各种视觉任务上取得了显著的效果,是目前应用最广泛的模型之一。
卷积神经网络,从字面上包括两个部分:卷积+神经网络。其中,卷积就是特征提取器,而神经网络,可以看作分类器。训练一个卷积神经网络,就是同时训练了特征提取器(卷积)和后面的分类器(神经网络)。通过卷积神经网络分别对目标植物特征进行提取分类,获得所对应的植物品种卷积特征、植物尺寸卷积特征和植物分布卷积特征。通过所述第一植物卷积特征、所述第二植物卷积特征和所述第三植物卷积特征的卷积计算结果,获得所述第一目标植物特征信息。通过对植物特征进行提取计算,使得目标植物特征提取结果更加准确合理,从而使得后续对目标植物的病斑分析结果更加准确高效。
进一步而言,所述获得第一病虫害防治系数,本申请步骤S720还包括:
步骤S721:构建防治系数评估公式,所述防治系数评估公式=危害程度×发生频次×防治因子;
步骤S722:根据所述第一病虫害分析结果,获得第一病虫害属性信息;
步骤S723:将所述第一病虫害属性信息输入所述防治系数评估公式中,获得所述第一病虫害防治系数。
具体而言,为进行目标植物的防治系数准确评估,构建防治系数评估公式,所述防治系数评估公式=危害程度×发生频次×防治因子,这三个评判标准的乘积用于评估该目标植物的防治程度。对所述第一病虫害分析结果进行分析,获取对应第一病虫害属性信息,所述第一病虫害属性信息为该病虫害对目标植物造成危害的具体评估信息,可通过历史该病虫害危害数据进行评价。
将所述第一病虫害属性信息输入所述防治系数评估公式中,获得相应计算所述第一病虫害防治系数,所述第一病虫害防治系数用于对目标植物的防治措施进行制定,防治系数越大,表明对该病虫害防治措施的制定力度越大。通过对目标植物的病虫害防治系数进行准确评判,制定相应的防治措施,使得其病虫害造成的危害降低,从而保证长效的病虫害防治效果。
进一步而言,所述制定所述病虫害防治方案,本申请步骤S740还包括:
步骤S741:对所述防治措施列表中各措施进行防治效果评估,获得防治效果评估信息;
步骤S742:基于所述防治效果评估信息,获得第一权重分配结果;
步骤S743:根据所述第一权重分配结果对所述各措施进行防治分配,制定所述病虫害防治方案。
具体而言,对所述防治措施列表中各措施进行防治效果评估,即将防治前后的病虫害发生情况进行对比,可通过历史防治情况进行各措施的效果评估,获得各措施对应的防治效果评估信息。基于所述防治效果评估信息,对各措施进行权重分配,防治效果越好,所占权重比越大,其中各措施所占权重之和为1。根据所述第一权重分配结果对所述各措施进行防治分配,如分配权重为规划栽植密度10%、加强肥水管理20%、药物防治30%、以鸟治虫等生物措施20%、黑光灯诱杀20%,以此制定所述病虫害防治方案,所述病虫害防治方案是各防治措施搭配使用的最优防治方案。通过对防治措施进行权重分配,制定效果最优的防治方案,降低病虫害危害的风险,从而提高防治效果的准确性,以保证长效的病虫害治理效果。
综上所述,本申请所提供的一种林业病虫害的长效防治方法及系统具有如下技术效果:
由于采用了对目标植物进行图像采集,并对采集的植物图像信息进行病斑识别,基于植物病害资源库和识别的病斑部位信息进行匹配,获得植物病虫害类别信息集合,结合目标植物特征信息和植物生长环境信息,通过决策树对目标植物进行分类,获得第一植物类别信息,将植物病虫害类别信息集合和植物类别信息输入病虫害分析模型中,获得第一病虫害分析结果,最后根据第一病虫害分析结果制定病虫害防治方案,并基于病虫害防治方案对目标植物进行病虫害防治的技术方案。进而达到通过结合植物特征和生长环境信息对病虫害检测部位进行精确匹配,以此对林木病虫害进行及时识别分析,提高分析结果的准确性和效率,从而实现妥善且长效的病虫害治理的技术效果。
实施例二
基于与前述实施例中一种林业病虫害的长效防治方法同样发明构思,本发明还提供了一种林业病虫害的长效防治系统,如图5所示,所述系统包括:
第一获得单元11,所述第一获得单元11用于通过图像采集装置对第一目标植物进行图像采集,获得第一植物图像信息;
第二获得单元12,所述第二获得单元12用于对所述第一植物图像信息进行病斑识别,获得第一病斑部位信息;
第三获得单元13,所述第三获得单元13用于基于植物病害资源库和所述第一病斑部位信息进行匹配,获得植物病虫害类别信息集合;
第四获得单元14,所述第四获得单元14用于对所述第一目标植物的生长环境信息进行采集,获得第一生长环境信息;
第五获得单元15,所述第五获得单元15用于基于第一目标植物特征信息和所述第一生长环境信息,通过决策树对所述第一目标植物进行分类,获得第一植物类别信息;
第六获得单元16,所述第六获得单元16用于将所述植物病虫害类别信息集合和所述第一植物类别信息输入病虫害分析模型中,获得第一病虫害分析结果;
第一处理单元17,所述第一处理单元17用于根据所述第一病虫害分析结果制定病虫害防治方案,并基于所述病虫害防治方案对所述第一目标植物进行病虫害防治。
进一步的,所述系统还包括:
第七获得单元,所述第七获得单元用于通过大数据获得已知植物病斑图像信息集和未知植物病斑图像信息集;
第一增强单元,所述第一增强单元用于基于生成对抗网络对所述已知植物病斑图像信息集和所述未知植物病斑图像信息集进行图像增强;
第八获得单元,所述第八获得单元用于根据图像增强后的所述已知植物病斑图像信息集和所述未知植物病斑图像信息集,通过一维卷积残差网络进行建模,获得植物病斑识别模型;
第九获得单元,所述第九获得单元用于将所述第一植物图像信息输入所述植物病斑识别模型中,获得所述第一病斑部位信息。
进一步的,所述系统还包括:
第十获得单元,所述第十获得单元用于初始化生成器和判别器的参数,获得初始生成器参数和初始判别器参数;
第十一获得单元,所述第十一获得单元用于获得预定生成对抗网络的参数更新次数阈值;
第二处理单元,所述第二处理单元用于按照所述参数更新次数阈值,对所述初始生成器参数和初始判别器参数进行更新,生成参数更新步骤:所述生成器的参数不变,训练所述判别器;所述判别器的参数不变,训练所述生成器;
第二增强单元,所述第二增强单元用于基于所述参数更新步骤对所述已知植物病斑图像信息集和所述未知植物病斑图像信息集进行图像增强。
进一步的,所述系统还包括:
第十二获得单元,所述第十二获得单元用于获得所述第一目标植物的属性信息;
第一确定单元,所述第一确定单元用于根据所述属性信息,确定植物品种特征、植物尺寸特征和植物分布特征;
第十三获得单元,所述第十三获得单元用于获得所述植物品种特征的第一植物卷积特征、所述植物尺寸特征的第二植物卷积特征,所述植物分布特征的第三植物卷积特征;
第十四获得单元,所述第十四获得单元用于根据所述第一植物卷积特征、所述第二植物卷积特征和所述第三植物卷积特征,获得所述第一目标植物特征信息。
进一步的,所述系统还包括:
第一制定单元,所述第一制定单元用于制定所述防治评估属性,所述防治评估属性包括危害程度、发生频次、防治因子;
第十五获得单元,所述第十五获得单元用于基于所述防治评估属性对所述第一病虫害分析结果进行防治系数评估,获得第一病虫害防治系数;
第一构建单元,所述第一构建单元用于根据所述第一病虫害防治系数,构建防治措施列表;
第二制定单元,所述第二制定单元用于基于所述防治措施列表,制定所述病虫害防治方案。
进一步的,所述系统还包括:
第二构建单元,所述第二构建单元用于构建防治系数评估公式,所述防治系数评估公式=危害程度×发生频次×防治因子;
第十六获得单元,所述第十六获得单元用于根据所述第一病虫害分析结果,获得第一病虫害属性信息;
第十七获得单元,所述第十七获得单元用于将所述第一病虫害属性信息输入所述防治系数评估公式中,获得所述第一病虫害防治系数。
进一步的,所述系统还包括:
第十八获得单元,所述第十八获得单元用于对所述防治措施列表中各措施进行防治效果评估,获得防治效果评估信息;
第十九获得单元,所述第十九获得单元用于基于所述防治效果评估信息,获得第一权重分配结果;
第三制定单元,所述第三制定单元用于根据所述第一权重分配结果对所述各措施进行防治分配,制定所述病虫害防治方案。
前述图1实施例一中的一种林业病虫害的长效防治方法的各种变化方式和具体实例同样适用于本实施例的一种林业病虫害的长效防治系统,通过前述对一种林业病虫害的长效防治方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种林业病虫害的长效防治系统的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本申请还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连,计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
示例性电子设备
具体的,参见图6所示,本申请还提供了一种电子设备,该电子设备包括总线1110、处理器1120、收发器1130、总线接口1140、存储器1150和用户接口1160。
在本申请中,该电子设备还包括:存储在存储器1150上并可在处理器1120上运行的计算机程序,计算机程序被处理器1120执行时实现上述控制输出数据的方法实施例的各个过程。
收发器1130,用于在处理器1120的控制下接收和发送数据。
本申请中,总线架构(用总线1110来代表),总线1110可以包括任意数量互联的总线和桥,总线1110将包括由处理器1120代表的一个或多个处理器与存储器1150代表的存储器的各种电路连接在一起。
总线1110表示若干类型的总线结构中的任何一种总线结构中的一个或多个,包括存储器总线和存储器控制器、外围总线、加速图形端口、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制,这样的体系结构包括:工业标准体系结构总线、微通道体系结构总线、扩展总线、视频电子标准协会、外围部件互连总线。
处理器1120可以是一种集成电路芯片,具有信号处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括:通用处理器、中央处理器、网络处理器、数字信号处理器、专用集成电路、现场可编程门阵列、复杂可编程逻辑器件、可编程逻辑阵列、微控制单元或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本申请中公开的各方法、步骤和逻辑框图。例如,处理器可以是单核处理器或多核处理器,处理器可以集成于单颗芯片或位于多颗不同的芯片。
处理器1120可以是微处理器或任何常规的处理器。结合本申请所公开的方法步骤可以直接由硬件译码处理器执行完成,或者由译码处理器中的硬件和软件模块组合执行完成。软件模块可以位于随机存取存储器、闪存、只读存储器、可编程只读存储器、可擦除可编程只读存储器、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
总线1110还可以将,例如外围设备、稳压器或功率管理电路等各种其他电路连接在一起,总线接口1140在总线1110和收发器1130之间提供接口,这些都是本领域所公知的。因此,本申请不再对其进行进一步描述。
收发器1130可以是一个元件,也可以是多个元件,例如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。例如:收发器1130从其他设备接收外部数据,收发器1130用于将处理器1120处理后的数据发送给其他设备。取决于计算机装置的性质,还可以提供用户接口1160,例如:触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔。
应理解,在本申请中,存储器1150可进一步包括相对于处理器1120远程设置的存储器,这些远程设置的存储器可以通过网络连接至服务器。上述网络的一个或多个部分可以是自组织网络、内联网、外联网、虚拟专用网、局域网、无线局域网、广域网、无线广域网、城域网、互联网、公共交换电话网、普通老式电话业务网、蜂窝电话网、无线网络、无线保真网络以和两个或更多个上述网络的组合。例如,蜂窝电话网和无线网络可以是全球移动通信装置、码分多址装置、全球微波互联接入装置、通用分组无线业务装置、宽带码分多址装置、长期演进装置、LTE频分双工装置、LTE时分双工装置、先进长期演进装置、通用移动通信装置、增强移动宽带装置、海量机器类通信装置、超可靠低时延通信装置等。
应理解,本申请中的存储器1150可以是易失性存储器或非易失性存储器,或可包括易失性存储器和非易失性存储器两者。其中,非易失性存储器包括:只读存储器、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器,或闪存。
易失性存储器包括:随机存取存储器,其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如:静态随机存取存储器、动态随机存取存储器、同步动态随机存取存储器、双倍数据速率同步动态随机存取存储器、增强型同步动态随机存取存储器、同步连接动态随机存取存储器和直接内存总线随机存取存储器。本申请描述的电子设备的存储器1150包括但不限于上述和任意其他适合类型的存储器。
在本申请中,存储器1150存储了操作系统1151和应用程序1152的如下元素:可执行模块、数据结构,或者其子集,或者其扩展集。
具体而言,操作系统1151包含各种装置程序,例如:框架层、核心库层、驱动层等,用于实现各种基础业务和处理基于硬件的任务。应用程序1152包含各种应用程序,例如:媒体播放器、浏览器,用于实现各种应用业务。实现本申请方法的程序可以包含在应用程序1152中。应用程序1152包括:小程序、对象、组件、逻辑、数据结构和其他执行特定任务或实现特定抽象数据类型的计算机装置可执行指令。
此外,本申请还提供了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控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述,仅为本申请的具体实施方式,但本申请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申请披露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种林业病虫害的长效防治方法,其特征在于,所述方法应用于一林业病虫害的长效防治系统,所述系统包括一图像采集装置,所述方法包括:
通过所述图像采集装置对第一目标植物进行图像采集,获得第一植物图像信息;
对所述第一植物图像信息进行病斑识别,获得第一病斑部位信息;
基于植物病害资源库和所述第一病斑部位信息进行匹配,获得植物病虫害类别信息集合;
对所述第一目标植物的生长环境信息进行采集,获得第一生长环境信息;
基于第一目标植物特征信息和所述第一生长环境信息,通过决策树对所述第一目标植物进行分类,获得第一植物类别信息;
将所述植物病虫害类别信息集合和所述第一植物类别信息输入病虫害分析模型中,获得第一病虫害分析结果;
根据所述第一病虫害分析结果制定病虫害防治方案,并基于所述病虫害防治方案对所述第一目标植物进行病虫害防治。
2.如权利要求1所述的方法,其特征在于,所述对所述第一植物图像信息进行病斑识别,获得第一病斑部位信息,包括:
通过大数据获得已知植物病斑图像信息集和未知植物病斑图像信息集;
基于生成对抗网络对所述已知植物病斑图像信息集和所述未知植物病斑图像信息集进行图像增强;
根据图像增强后的所述已知植物病斑图像信息集和所述未知植物病斑图像信息集,通过一维卷积残差网络进行建模,获得植物病斑识别模型;
将所述第一植物图像信息输入所述植物病斑识别模型中,获得所述第一病斑部位信息。
3.如权利要求2所述的方法,其特征在于,所述基于生成对抗网络对所述已知植物病斑图像信息集和所述未知植物病斑图像信息集进行图像增强,包括:
初始化生成器和判别器的参数,获得初始生成器参数和初始判别器参数;
获得预定生成对抗网络的参数更新次数阈值;
按照所述参数更新次数阈值,对所述初始生成器参数和初始判别器参数进行更新,生成参数更新步骤:所述生成器的参数不变,训练所述判别器;所述判别器的参数不变,训练所述生成器;
基于所述参数更新步骤对所述已知植物病斑图像信息集和所述未知植物病斑图像信息集进行图像增强。
4.如权利要求1所述的方法,其特征在于,所述方法包括:
获得所述第一目标植物的属性信息;
根据所述属性信息,确定植物品种特征、植物尺寸特征和植物分布特征;
获得所述植物品种特征的第一植物卷积特征、所述植物尺寸特征的第二植物卷积特征,所述植物分布特征的第三植物卷积特征;
根据所述第一植物卷积特征、所述第二植物卷积特征和所述第三植物卷积特征,获得所述第一目标植物特征信息。
5.如权利要求1所述的方法,其特征在于,所述方法包括:
制定所述防治评估属性,所述防治评估属性包括危害程度、发生频次、防治因子;
基于所述防治评估属性对所述第一病虫害分析结果进行防治系数评估,获得第一病虫害防治系数;
根据所述第一病虫害防治系数,构建防治措施列表;
基于所述防治措施列表,制定所述病虫害防治方案。
6.如权利要求5所述的方法,其特征在于,所述获得第一病虫害防治系数,包括:
构建防治系数评估公式,所述防治系数评估公式=危害程度×发生频次×防治因子;
根据所述第一病虫害分析结果,获得第一病虫害属性信息;
将所述第一病虫害属性信息输入所述防治系数评估公式中,获得所述第一病虫害防治系数。
7.如权利要求5所述的方法,其特征在于,所述制定所述病虫害防治方案,包括:
对所述防治措施列表中各措施进行防治效果评估,获得防治效果评估信息;
基于所述防治效果评估信息,获得第一权重分配结果;
根据所述第一权重分配结果对所述各措施进行防治分配,制定所述病虫害防治方案。
8.一种林业病虫害的长效防治系统,其特征在于,所述系统包括:
第一获得单元,所述第一获得单元用于通过图像采集装置对第一目标植物进行图像采集,获得第一植物图像信息;
第二获得单元,所述第二获得单元用于对所述第一植物图像信息进行病斑识别,获得第一病斑部位信息;
第三获得单元,所述第三获得单元用于基于植物病害资源库和所述第一病斑部位信息进行匹配,获得植物病虫害类别信息集合;
第四获得单元,所述第四获得单元用于对所述第一目标植物的生长环境信息进行采集,获得第一生长环境信息;
第五获得单元,所述第五获得单元用于基于第一目标植物特征信息和所述第一生长环境信息,通过决策树对所述第一目标植物进行分类,获得第一植物类别信息;
第六获得单元,所述第六获得单元用于将所述植物病虫害类别信息集合和所述第一植物类别信息输入病虫害分析模型中,获得第一病虫害分析结果;
第一处理单元,所述第一处理单元用于根据所述第一病虫害分析结果制定病虫害防治方案,并基于所述病虫害防治方案对所述第一目标植物进行病虫害防治。
9.一种林业病虫害的长效防治电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
10.一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如权利要求1-7中任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210051600.5A CN114399682A (zh) | 2022-01-18 | 2022-01-18 | 一种林业病虫害的长效防治方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210051600.5A CN114399682A (zh) | 2022-01-18 | 2022-01-18 | 一种林业病虫害的长效防治方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114399682A true CN114399682A (zh) | 2022-04-26 |
Family
ID=81231039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210051600.5A Withdrawn CN114399682A (zh) | 2022-01-18 | 2022-01-18 | 一种林业病虫害的长效防治方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114399682A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707773A (zh) * | 2022-06-06 | 2022-07-05 | 广东省农业科学院植物保护研究所 | 基于深度学习的虫害防治方案生成方法、系统及存储介质 |
CN115482419A (zh) * | 2022-10-19 | 2022-12-16 | 江苏雷默智能科技有限公司 | 一种海洋渔业产品的数据采集分析方法及系统 |
CN116681279A (zh) * | 2023-05-25 | 2023-09-01 | 北京健卫病媒有害生物防控中心 | 一种基于数据分析的林业有害生物防治风险评估系统 |
CN117576564A (zh) * | 2023-11-27 | 2024-02-20 | 日照市农业科学研究院 | 用于茶叶种植的病虫害识别预警方法与系统 |
CN117876198A (zh) * | 2024-03-13 | 2024-04-12 | 湖南景辉农林生态科技有限公司 | 一种混交林树木生长监测方法、系统、终端及存储介质 |
-
2022
- 2022-01-18 CN CN202210051600.5A patent/CN114399682A/zh not_active Withdrawn
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707773A (zh) * | 2022-06-06 | 2022-07-05 | 广东省农业科学院植物保护研究所 | 基于深度学习的虫害防治方案生成方法、系统及存储介质 |
CN114707773B (zh) * | 2022-06-06 | 2022-09-02 | 广东省农业科学院植物保护研究所 | 基于深度学习的虫害防治方案生成方法、系统及存储介质 |
CN115482419A (zh) * | 2022-10-19 | 2022-12-16 | 江苏雷默智能科技有限公司 | 一种海洋渔业产品的数据采集分析方法及系统 |
CN115482419B (zh) * | 2022-10-19 | 2023-11-14 | 江苏雷默智能科技有限公司 | 一种海洋渔业产品的数据采集分析方法及系统 |
CN116681279A (zh) * | 2023-05-25 | 2023-09-01 | 北京健卫病媒有害生物防控中心 | 一种基于数据分析的林业有害生物防治风险评估系统 |
CN116681279B (zh) * | 2023-05-25 | 2024-04-19 | 北京健卫病媒有害生物防控中心 | 一种基于数据分析的林业有害生物防治风险评估系统 |
CN117576564A (zh) * | 2023-11-27 | 2024-02-20 | 日照市农业科学研究院 | 用于茶叶种植的病虫害识别预警方法与系统 |
CN117576564B (zh) * | 2023-11-27 | 2024-04-19 | 日照市农业科学研究院 | 用于茶叶种植的病虫害识别预警方法与系统 |
CN117876198A (zh) * | 2024-03-13 | 2024-04-12 | 湖南景辉农林生态科技有限公司 | 一种混交林树木生长监测方法、系统、终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114399682A (zh) | 一种林业病虫害的长效防治方法及系统 | |
Haider et al. | A generic approach for wheat disease classification and verification using expert opinion for knowledge-based decisions | |
Lin et al. | Intelligent greenhouse system based on remote sensing images and machine learning promotes the efficiency of agricultural economic growth | |
CN113537063B (zh) | 一种基于综合遥感技术的森林环境遥感监测方法及终端 | |
Campos | Banana production in Venezuela: Novel solutions to productivity and plant health | |
CN117036088A (zh) | 一种ai识别绿化植物生长态势的数据采集分析方法 | |
Wang et al. | Recognition of cotton growth period for precise spraying based on convolution neural network | |
Kumar et al. | An identification of crop disease using image segmentation | |
CN109977901A (zh) | 一种基于无人机遥感的玉米田间杂草识别方法 | |
Benincà et al. | Trade-off between local transmission and long-range dispersal drives infectious disease outbreak size in spatially structured populations | |
Alberto et al. | Disease risk map of anthracnose-twister of onion based on previous disease locations as a future predictors | |
Räty et al. | Comparing nearest neighbor configurations in the prediction of species-specific diameter distributions | |
Xinming et al. | Comparative study on Leaf disease identification using Yolo v4 and Yolo v7 algorithm | |
CN117541422A (zh) | 一种基于农业环境数据的农业生产管理系统 | |
Gokila et al. | A Review on Deep Learning Technique on Basis of Different Types of Crop Diseases | |
Shahi et al. | Peanut yield prediction with UAV multispectral imagery using a cooperative machine learning approach | |
Nasrinpour et al. | Data preparation for West Nile virus agent-based modelling: Protocol for processing bird population estimates and incorporating ArcMap in AnyLogic | |
Raja et al. | Convolutional Neural Networks based Classification and Detection of Plant Disease | |
Kusrini et al. | A comparative study of mango fruit pest and disease recognition | |
CN113408374B (zh) | 基于人工智能的产量预估方法、装置、设备及存储介质 | |
Gupta et al. | Artificial intelligence in agriculture | |
Chen et al. | Artificial intelligence for image processing in agriculture | |
Rajeswarappa et al. | Crop Pests Identification based on Fusion CNN Model: A Deep Learning | |
Devi et al. | Fertilizer Forecasting using Machine Learning | |
CN111008815A (zh) | 一种农业种植资源信息实时智能采集系统及方法 |
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: 20220426 |