CN114445785B - 基于物联网的荔枝虫害监测预警方法、系统及存储介质 - Google Patents
基于物联网的荔枝虫害监测预警方法、系统及存储介质 Download PDFInfo
- Publication number
- CN114445785B CN114445785B CN202210370809.8A CN202210370809A CN114445785B CN 114445785 B CN114445785 B CN 114445785B CN 202210370809 A CN202210370809 A CN 202210370809A CN 114445785 B CN114445785 B CN 114445785B
- Authority
- CN
- China
- Prior art keywords
- litchi
- insect
- pest
- information
- insect pest
- 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.)
- Active
Links
- 241000238631 Hexapoda Species 0.000 title claims abstract description 501
- 241001629511 Litchi Species 0.000 title claims abstract description 476
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 444
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012544 monitoring process Methods 0.000 title claims abstract description 46
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 81
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 39
- 230000002265 prevention Effects 0.000 claims abstract description 30
- 230000003042 antagnostic effect Effects 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000004927 fusion Effects 0.000 claims description 18
- 230000004069 differentiation Effects 0.000 claims description 16
- 230000005089 fruit drop Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 12
- 239000003814 drug Substances 0.000 claims description 12
- 230000029264 phototaxis Effects 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 230000005078 fruit development Effects 0.000 claims description 10
- 238000003709 image segmentation Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000003306 harvesting Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 241000196324 Embryophyta Species 0.000 claims description 5
- 201000010099 disease Diseases 0.000 claims description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 5
- 241000894007 species Species 0.000 claims description 4
- 230000006855 networking Effects 0.000 claims 1
- 239000011159 matrix material Substances 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000032669 eclosion Effects 0.000 description 3
- 238000011534 incubation Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000012010 growth Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000036544 posture Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000003698 anagen phase Effects 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 231100000957 no side effect Toxicity 0.000 description 1
- 230000019617 pupation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
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
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M1/00—Stationary means for catching or killing insects
- A01M1/02—Stationary means for catching or killing insects with devices or substances, e.g. food, pheronones attracting the insects
- A01M1/04—Attracting insects by using illumination or colours
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24578—Query processing with adaptation to user needs using ranking
-
- 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
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M2200/00—Kind of animal
- A01M2200/01—Insects
- A01M2200/012—Flying insects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Pest Control & Pesticides (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Environmental Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Zoology (AREA)
- Insects & Arthropods (AREA)
- Entrepreneurship & Innovation (AREA)
- Toxicology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本发明公开了一种基于物联网的荔枝虫害监测预警方法、系统及存储介质，通过获取荔枝植株图像信息，进行图像分割获取叶片及果实区域图像信息；将所述叶片及果实区域图像信息进行预处理，基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，将预处理后的叶片及果实区域图像信息导入所述荔枝虫害识别模型，进行荔枝虫害的识别与分类；根据虫害识别结果结合虫害的主要虫态信息进行荔枝虫害的分级预警，同时根据荔枝虫害种类信息及主要虫态信息制定综合防治方案，并所述荔枝虫害识别结果、虫害预警及综合防治方案按照预设方式进行显示。本发明通过对荔枝虫害的识别进行分级预警，并制定荔枝虫害的针对性防治方案，保障了荔枝的高产优质。
Description
技术领域
本发明涉及荔枝虫害监测领域，更具体的，涉及一种基于物联网的荔枝虫害监测预警方法、系统和存储介质。
背景技术
荔枝是当前最受欢迎的水果之一，其甘甜美味、消暑清凉，在全国各地销量高，但是荔枝的种植过程中，很容易受病虫侵害，造成了荔枝产量和质量的下降，因为荔枝生长期间易受到多类病虫害的侵蚀,所以需要在花期、果实生长期等各个阶段采取合适的防治措施,以保证荔枝树的正常生长,达到质量和产量双重提升的目标。目前,虫害已成为影响荔枝产量的重要因素,为了推动荔枝产业发展,必须要加强荔枝虫害综合防控技术,以绿色、无副作用作为主要目标，因此，对荔枝的田间害虫进行全天候、实时的监测就显得尤为重要。
为了能够实现对荔枝虫害的监测识别并做出相应防治措施，需要开发一款系统与之配合进行实现，该系统通过获取荔枝植株图像信息，进行图像分割获取叶片及果实区域图像信息，将叶片及果实区域图像信息进行预处理；基于生成对抗网络构建荔枝虫害识别模型，将预处理后的叶片及果实区域图像信息导入所述荔枝虫害识别模型，进行荔枝虫害的识别与分类；根据虫害识别结果结合虫害的主要虫态信息进行荔枝虫害的分级预警；同时根据荔枝虫害种类信息及主要虫态信息制定物理防治、化学防治及生物防治并存的综合防治方案，将荔枝虫害识别结果、虫害预警及综合防治方案按照预设方式进行显示。在该系统的实现过程中如何对荔枝虫害进行监测识别以及如何根据虫害进行防治都是亟不可待需要解决的问题。
发明内容
为了解决上述技术问题，本发明提出了一种基于物联网的荔枝虫害监测预警方法、系统及存储介质。
本发明第一方面提供了一种基于物联网的荔枝虫害监测预警方法，包括：
通过获取荔枝植株图像信息，将所述荔枝植株信息进行图像分割获取叶片及果实区域图像信息，将所述叶片及果实区域图像信息进行预处理；
基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，将预处理后的叶片及果实区域图像信息导入所述荔枝虫害识别模型，进行荔枝虫害的识别与分类；
根据虫害识别结果结合虫害的主要虫态信息进行荔枝虫害的分级预警；
同时根据荔枝虫害种类信息及主要虫态信息制定综合防治方案，将荔枝虫害识别结果、虫害预警及综合防治方案按照预设方式进行显示。
本方案中，所述的基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，具体为：
基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，获取单一背景及复杂背景的真实荔枝虫害图像信息，通过所述生成对抗网络进行荔枝虫害图像的数据扩充；
将所述荔枝虫害图像信息导入生成对抗网络，将所述真实荔枝虫害图像信息获取预设数量的图像信息匹配随机噪声输入到生成对抗网络中的生成器，并根据预设生成图像尺寸将噪声进行尺寸规范，通过多层反卷积处理生成荔枝虫害样本图像信息；
在生成对抗网络中的判别器中通过双卷积网络对荔枝虫害图像信息通过多层卷积进行不同尺度的特征图提取，通过调整滑动步长将特征图进行特征融合，并进行标准化及非线性变化处理，将特征图变换为预设维度特征向量后判断图像是否为真；
将所述判别器及生成器进行交替训练至损失函数平稳，将各种类真实荔枝虫害图像信息导入生成对抗网络生成对应种类的荔枝虫害样本图像信息，并对所述荔枝虫害样本图像信息进行评价，判断所述荔枝虫害样本图像信息与真实荔枝虫害图像信息的质量偏差；
若所述质量偏差处于预设相似度预设范围内，则根据荔枝虫害样本图像信息生成荔枝虫害样本图像数据集。
本方案中，所述的基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，具体为：
通过荔枝虫害样本图像数据集对卷积神经网络进行初始化训练，将叶片及果实区域图像信息导入训练后的卷积神经网络；
获取所述叶片及果实区域图像信息中的多尺度特征信息，并所述多尺度特征信息进行融合生成融合特征图；
通过区域候选网络对所述融合特征图进行感兴趣区域判定，并将所述感兴趣区域进行标记记录；
将所述区域候选网络生成的感兴趣区域进行池化操作形成最终特征图，将池化层输出的最终特征图导入到Softmax分类器中，计算荔枝虫害所属种类的概率，将概率最大的种类信息作为荔枝虫害的所属种类，并通过边界回归获取荔枝虫害的锚框位置；
根据所述荔枝虫害的所属种类与锚框位置生成带种类标签的荔枝虫害识别结果。
本方案中，所述的根据虫害识别结果结合虫害的主要虫态信息进行荔枝虫害的分级预警，具体为：
根据不同种类的荔枝虫害预设不同的阈值区间，根据叶片及果实区域图像信息中的锚框中的荔枝虫害的形态进行分龄，并根据分龄结果确定荔枝虫害的主要虫态信息；
根据单一叶片或果实上的主要虫态信息对应虫害数量信息估算荔枝植株中的虫害数量信息；
根据所述虫害数量信息所落在的预设阈值区间确定荔枝虫害的预警信息。
本方案中，所述的根据荔枝虫害种类信息及主要虫态信息制定综合防治方案，具体为:
通过荔枝虫害识别结果判断虫害所属类别是否具备趋光性，若具备趋光性，则根据虫害所属种类的趋光性获取光强及光色信息；
根据预设范围将荔枝种植区域划分多个子区域，并根据各子区域的荔枝种植密度确定灯光诱捕位置信息，根据所述光强及光色信息及灯光诱捕位置信息生成灯光诱杀防治方案；
获取叶片及果实区域图像信息中的虫害图像信息，根据所述虫害图像信息进行虫害的虫龄判断，根据虫害的种类信息及虫龄预测虫害的爆发期，根据所述爆发期及果实收获期确定最佳防治期；
通过虫害的种类信息获取大数据检索，获取同种类型虫害的防治案例，将所述防治案例按照仿效进行排序，获取仿效最高的防治案例中对应的药剂配方作为首选药剂，并结合最佳防治期生成化学防治方案。
本方案中，还包括：
判断当前荔枝果实发育期，获取当前荔枝果实发育期中预设时间段内的落果数量信息；
判断所述落果数量信息是否大于预设落果数量阈值，若大于，则判断为荔枝异常落果现象，生成荔枝虫害预警；
当生成荔枝虫害预警时，获取荔枝虫害预警等级信息，根据当前虫害的种类及主要虫态信息判断天敌昆虫的释放时间，并根据所述荔枝虫害预警等级信息确定天敌昆虫释放数量及释放比例；
根据所述释放时间、释放数量及释放比例结合荔枝种植所在地的气象信息生成荔枝虫害天敌昆虫的释放计划，并在天敌昆虫释放的预设时间后重新评估荔枝虫害预警等级信息；
根据重新评估后的荔枝虫害预警等级信息对所述释放计划进行修正。
本发明第二方面还提供了一种基于物联网的荔枝虫害监测预警系统，该系统包括：存储器、处理器，所述存储器中包括一种基于物联网的荔枝虫害监测预警方法程序，所述一种基于物联网的荔枝虫害监测预警方法程序被所述处理器执行时实现如下步骤：
通过获取荔枝植株图像信息，将所述荔枝植株信息进行图像分割获取叶片及果实区域图像信息，将所述叶片及果实区域图像信息进行预处理；
基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，将预处理后的叶片及果实区域图像信息导入所述荔枝虫害识别模型，进行荔枝虫害的识别与分类；
根据虫害识别结果结合虫害的主要虫态信息进行荔枝虫害的分级预警；
同时根据荔枝虫害种类信息及主要虫态信息制定综合防治方案，将荔枝虫害识别结果、虫害预警及综合防治方案按照预设方式进行显示。
本方案中，所述的基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，具体为：
基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，获取单一背景及复杂背景的真实荔枝虫害图像信息，通过所述生成对抗网络进行荔枝虫害图像的数据扩充；
将所述荔枝虫害图像信息导入生成对抗网络，将所述真实荔枝虫害图像信息获取预设数量的图像信息匹配随机噪声输入到生成对抗网络中的生成器，并根据预设生成图像尺寸将噪声进行尺寸规范，通过多层反卷积处理生成荔枝虫害样本图像信息；
在生成对抗网络中的判别器中通过双卷积网络对荔枝虫害图像信息通过多层卷积进行不同尺度的特征图提取，通过调整滑动步长将特征图进行特征融合，并进行标准化及非线性变化处理，将特征图变换为预设维度特征向量后判断图像是否为真；
将所述判别器及生成器进行交替训练至损失函数平稳，将各种类真实荔枝虫害图像信息导入生成对抗网络生成对应种类的荔枝虫害样本图像信息，并对所述荔枝虫害样本图像信息进行评价，判断所述荔枝虫害样本图像信息与真实荔枝虫害图像信息的质量偏差；
若所述质量偏差处于预设相似度预设范围内，则根据荔枝虫害样本图像信息生成荔枝虫害样本图像数据集。
本方案中，所述的基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，具体为：
通过荔枝虫害样本图像数据集对卷积神经网络进行初始化训练，将叶片及果实区域图像信息导入训练后的卷积神经网络；
获取所述叶片及果实区域图像信息中的多尺度特征信息，并所述多尺度特征信息进行融合生成融合特征图；
通过区域候选网络对所述融合特征图进行感兴趣区域判定，并将所述感兴趣区域进行标记记录；
将所述区域候选网络生成的感兴趣区域进行池化操作形成最终特征图，将池化层输出的最终特征图导入到Softmax分类器中，计算荔枝虫害所属种类的概率，将概率最大的种类信息作为荔枝虫害的所属种类，并通过边界回归获取荔枝虫害的锚框位置；
根据所述荔枝虫害的所属种类与锚框位置生成带种类标签的荔枝虫害识别结果。
本方案中，所述的根据虫害识别结果结合虫害的主要虫态信息进行荔枝虫害的分级预警，具体为：
根据不同种类的荔枝虫害预设不同的阈值区间，根据叶片及果实区域图像信息中的锚框中的荔枝虫害的形态进行分龄，并根据分龄结果确定荔枝虫害的主要虫态信息；
根据单一叶片或果实上的主要虫态信息对应虫害数量信息估算荔枝植株中的虫害数量信息；
根据所述虫害数量信息所落在的预设阈值区间确定荔枝虫害的预警信息。
本方案中，所述的根据荔枝虫害种类信息及主要虫态信息制定综合防治方案，具体为:
通过荔枝虫害识别结果判断虫害所属类别是否具备趋光性，若具备趋光性，则根据虫害所属种类的趋光性获取光强及光色信息；
根据预设范围将荔枝种植区域划分多个子区域，并根据各子区域的荔枝种植密度确定灯光诱捕位置信息，根据所述光强及光色信息及灯光诱捕位置信息生成灯光诱杀防治方案；
获取叶片及果实区域图像信息中的虫害图像信息，根据所述虫害图像信息进行虫害的虫龄判断，根据虫害的种类信息及虫龄预测虫害的爆发期，根据所述爆发期及果实收获期确定最佳防治期；
通过虫害的种类信息获取大数据检索，获取同种类型虫害的防治案例，将所述防治案例按照仿效进行排序，获取仿效最高的防治案例中对应的药剂配方作为首选药剂，并结合最佳防治期生成化学防治方案。
本方案中，还包括：
判断当前荔枝果实发育期，获取当前荔枝果实发育期中预设时间段内的落果数量信息；
判断所述落果数量信息是否大于预设落果数量阈值，若大于，则判断为荔枝异常落果现象，生成荔枝虫害预警；
当生成荔枝虫害预警时，获取荔枝虫害预警等级信息，根据当前虫害的种类及主要虫态信息判断天敌昆虫的释放时间，并根据所述荔枝虫害预警等级信息确定天敌昆虫释放数量及释放比例；
根据所述释放时间、释放数量及释放比例结合荔枝种植所在地的气象信息生成荔枝虫害天敌昆虫的释放计划，并在天敌昆虫释放的预设时间后重新评估荔枝虫害预警等级信息；
根据重新评估后的荔枝虫害预警等级信息对所述释放计划进行修正。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括一种基于物联网的荔枝虫害监测预警方法程序，所述一种基于物联网的荔枝虫害监测预警方法程序被处理器执行时，实现如上述任一项所述的一种基于物联网的荔枝虫害监测预警方法的步骤。
本发明公开了一种基于物联网的荔枝虫害监测预警方法、系统及存储介质，通过获取荔枝植株图像信息，进行图像分割获取叶片及果实区域图像信息；将所述叶片及果实区域图像信息进行预处理，基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，将预处理后的叶片及果实区域图像信息导入所述荔枝虫害识别模型，进行荔枝虫害的识别与分类；根据虫害识别结果结合虫害的主要虫态信息进行荔枝虫害的分级预警，同时根据荔枝虫害种类信息及主要虫态信息制定综合防治方案，将荔枝虫害识别结果、虫害预警及综合防治方案按照预设方式进行显示。本发明通过对荔枝虫害的识别进行分级预警，并制定荔枝虫害的针对性防治方案，保障了荔枝的高产优质。
附图说明
图1示出了本发明一种基于物联网的荔枝虫害监测预警方法的流程图；
图2示出了本发明一种基于物联网的荔枝虫害监测预警系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于物联网的荔枝虫害监测预警方法的流程图。
如图1所示，本发明第一方面提供了一种基于物联网的荔枝虫害监测预警方法，包括：
S102，通过获取荔枝植株图像信息，将所述荔枝植株信息进行图像分割获取叶片及果实区域图像信息，将所述叶片及果实区域图像信息进行预处理；
S104，基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，将预处理后的叶片及果实区域图像信息导入所述荔枝虫害识别模型，进行荔枝虫害的识别与分类；
S106，根据虫害识别结果结合虫害的主要虫态信息进行荔枝虫害的分级预警；
S108，同时根据荔枝虫害种类信息及主要虫态信息制定综合防治方案，将荔枝虫害识别结果、虫害预警及综合防治方案按照预设方式进行显示。
需要说明的是，获取荔枝植株图像信息，将所述荔枝植株图像信息进行滤波去噪，减少噪声干扰，并荔枝植株图像信息中的景物进行分解，将荔枝植株与背景图像进行分离，将图像中的大片景象划分为细小的成分，然后进行特征分化，获取叶片及果实特征，根据所述叶片及果实特征进行图像分割将图像中的大片景象划分为细小的成分，然后进行特征分化。
所述的基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，具体为：
基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，获取单一背景及复杂背景的真实荔枝虫害图像信息，通过所述生成对抗网络进行荔枝虫害图像的数据扩充；
将所述荔枝虫害图像信息导入生成对抗网络，将所述真实荔枝虫害图像信息获取预设数量的图像信息匹配随机噪声输入到生成对抗网络中的生成器，并根据预设生成图像尺寸将噪声进行尺寸规范，通过多层反卷积处理生成荔枝虫害样本图像信息；
在生成对抗网络中的判别器中通过双卷积网络对荔枝虫害图像信息通过多层卷积进行不同尺度的特征图提取，通过调整滑动步长将特征图进行特征融合，并进行标准化及非线性变化处理，将特征图变换为预设维度特征向量后判断图像是否为真；
将所述判别器及生成器进行交替训练至损失函数平稳，将各种类真实荔枝虫害图像信息导入生成对抗网络生成对应种类的荔枝虫害样本图像信息，并对所述荔枝虫害样本图像信息进行评价，判断所述荔枝虫害样本图像信息与真实荔枝虫害图像信息的质量偏差；
若所述质量偏差处于预设相似度预设范围内，则根据荔枝虫害样本图像信息生成荔枝虫害样本图像数据集。通过拍摄虫害图像获取荔枝虫害图像信息由于成本及时间限制得到的数据数量有限，为了能够得到多种姿态的荔枝虫害图像，基于生成对抗网络对荔枝虫害图像数据量进行增加，避免了由于数据量不足导致的过拟合现象的出现，进而提高了虫害识别模型识别质量。
其中，通过计算均值与协方差矩阵判断荔枝虫害样本图像信息的质量，具体为：
其中，
表示质量偏差，
表示矩阵对角线上元素的总和，
表示真实荔枝虫害图
像信息的特征协方差矩阵，
表示荔枝虫害样本图像信息特征协方差矩阵，
表示真实荔
枝虫害图像信息的特征均值，
表示荔枝虫害样本图像信息的特征均值。
需要说明的是，所述的基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，具体为：
通过荔枝虫害样本图像数据集对卷积神经网络进行初始化训练，将叶片及果实区域图像信息导入训练后的卷积神经网络；
获取所述叶片及果实区域图像信息中的多尺度特征信息，并所述多尺度特征信息进行融合生成融合特征图；
通过区域候选网络对所述融合特征图进行感兴趣区域判定，并将所述感兴趣区域进行标记记录，预设IoU第一阈值及第二阈值，若所述IoU小于第一阈值，则将其判定为背景信息，标记为负样本；若所述IoU大于第二阈值，则将其判定为荔枝虫害信息，标记为正样本；
将所述区域候选网络生成的感兴趣区域进行池化操作形成最终特征图，将池化层输出的最终特征图导入到Softmax分类器中，计算荔枝虫害所属种类的概率，将概率最大的种类信息作为荔枝虫害的所属种类，并通过边界回归获取荔枝虫害的锚框位置；
根据所述荔枝虫害的所属种类与锚框位置生成带种类标签的荔枝虫害识别结果。
需要说明的是，所述的根据虫害识别结果结合虫害的主要虫态信息进行荔枝虫害的分级预警，具体为：
根据不同种类的荔枝虫害预设不同的阈值区间，根据叶片及果实区域图像信息中的锚框中的荔枝虫害的形态进行分龄，并根据分龄结果确定荔枝虫害的主要虫态信息；其中分龄具体为，根据头壳宽度对幼虫进行分龄,并确定主虫态,通过主虫态预测成虫羽化期和卵孵化期，根据蛹形态特征对蛹进行分级,并确定主虫态,通过主虫态预测成虫羽化期和卵孵化期，化蛹进度预测法通过化蛹进度预测成虫羽化期和卵孵化；
根据单一叶片或果实上的主要虫态信息对应虫害数量信息估算荔枝植株中的虫害数量信息；
根据所述虫害数量信息所落在的预设阈值区间确定荔枝虫害的预警信息。
需要说明的是，所述的根据荔枝虫害种类信息及主要虫态信息制定综合防治方案，具体为:
通过荔枝虫害识别结果判断虫害所属类别是否具备趋光性，若具备趋光性，则根据虫害所属种类的趋光性获取光强及光色信息；
根据预设范围将荔枝种植区域划分多个子区域，并根据各子区域的荔枝种植密度确定灯光诱捕位置信息，根据所述光强及光色信息及灯光诱捕位置信息生成灯光诱杀防治方案；
获取叶片及果实区域图像信息中的虫害图像信息，根据所述虫害图像信息进行虫害的虫龄判断，根据虫害的种类信息及虫龄预测虫害的爆发期，根据所述爆发期及果实收获期确定最佳防治期；
通过虫害的种类信息获取大数据检索，获取同种类型虫害的防治案例，将所述防治案例按照仿效进行排序，获取仿效最高的防治案例中对应的药剂配方作为首选药剂，并结合最佳防治期生成化学防治方案。
需要说明的是，本发明还包括，通过释放天敌昆虫实现对荔枝虫害的防治，具体为：
判断当前荔枝果实发育期，获取当前荔枝果实发育期中预设时间段内的落果数量信息；
判断所述落果数量信息是否大于预设落果数量阈值，若大于，则判断为荔枝异常落果现象，生成荔枝虫害预警；
当生成荔枝虫害预警时，获取荔枝虫害预警等级信息，根据当前虫害的种类及主要虫态信息判断天敌昆虫的释放时间，并根据所述荔枝虫害预警等级信息确定天敌昆虫释放数量及释放比例；
根据所述释放时间、释放数量及释放比例结合荔枝种植所在地的气象信息生成荔枝虫害天敌昆虫的释放计划，并在天敌昆虫释放的预设时间后重新评估荔枝虫害预警等级信息；
根据重新评估后的荔枝虫害预警等级信息对所述释放计划进行修正。
根据本发明实施例，本发明还包括，在进行虫害预警时将荔枝虫害造成的经济损失进行预测并预警，具体为：
根据荔枝虫害的种类信息及主要虫态信息结合荔枝种植地所在度的气象信息进行下一虫态发生期的预测，根据预测虫害的虫态发生期获取虫害爆发期的预测时间；
根据当前荔枝种植区域中受虫害植株数量计算当前荔枝虫害病情指数，根据所述当前荔枝虫害病情指数结合爆发期预测时间预估爆发期荔枝虫害病情指数；
获取往年同期历史荔枝虫害病情指数，将所述爆发期荔枝虫害病情指数与所述历史荔枝虫害病情指数进行对比生成病情系数；
根据所述病情系数及历史荔枝产量信息生成爆发期荔枝产量损失信息，根据所述产量损失信息获取枝虫害造成的经济损失，同时根据当前获荔枝种植区域内土地利用数据，获取生态价值损失，根据所述经济损失及生态价值损失生成综合损失预警。
图2示出了本发明一种基于物联网的荔枝虫害监测预警系统的框图。
本发明第二方面还提供了一种基于物联网的荔枝虫害监测预警系统2，该系统包括：存储器21、处理器22，所述存储器中包括一种基于物联网的荔枝虫害监测预警方法程序，所述一种基于物联网的荔枝虫害监测预警方法程序被所述处理器执行时实现如下步骤：
通过获取荔枝植株图像信息，将所述荔枝植株信息进行图像分割获取叶片及果实区域图像信息，将所述叶片及果实区域图像信息进行预处理；
基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，将预处理后的叶片及果实区域图像信息导入所述荔枝虫害识别模型，进行荔枝虫害的识别与分类；
根据虫害识别结果结合虫害的主要虫态信息进行荔枝虫害的分级预警；
同时根据荔枝虫害种类信息及主要虫态信息制定综合防治方案，将荔枝虫害识别结果、虫害预警及综合防治方案按照预设方式进行显示。
需要说明的是，获取荔枝植株图像信息，将所述荔枝植株图像信息进行滤波去噪，减少噪声干扰，并荔枝植株图像信息中的景物进行分解，将荔枝植株与背景图像进行分离，将图像中的大片景象划分为细小的成分，然后进行特征分化，获取叶片及果实特征，根据所述叶片及果实特征进行图像分割将图像中的大片景象划分为细小的成分，然后进行特征分化。
所述的基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，具体为：
基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，获取单一背景及复杂背景的真实荔枝虫害图像信息，通过所述生成对抗网络进行荔枝虫害图像的数据扩充；
将所述荔枝虫害图像信息导入生成对抗网络，将所述真实荔枝虫害图像信息获取预设数量的图像信息匹配随机噪声输入到生成对抗网络中的生成器，并根据预设生成图像尺寸将噪声进行尺寸规范，通过多层反卷积处理生成荔枝虫害样本图像信息；
在生成对抗网络中的判别器中通过双卷积网络对荔枝虫害图像信息通过多层卷积进行不同尺度的特征图提取，通过调整滑动步长将特征图进行特征融合，并进行标准化及非线性变化处理，将特征图变换为预设维度特征向量后判断图像是否为真；
将所述判别器及生成器进行交替训练至损失函数平稳，将各种类真实荔枝虫害图像信息导入生成对抗网络生成对应种类的荔枝虫害样本图像信息，并对所述荔枝虫害样本图像信息进行评价，判断所述荔枝虫害样本图像信息与真实荔枝虫害图像信息的质量偏差；
若所述质量偏差处于预设相似度预设范围内，则根据荔枝虫害样本图像信息生成荔枝虫害样本图像数据集。通过拍摄虫害图像获取荔枝虫害图像信息由于成本及时间限制得到的数据数量有限，为了能够得到多种姿态的荔枝虫害图像，基于生成对抗网络对荔枝虫害图像数据量进行增加，避免了由于数据量不足导致的过拟合现象的出现，进而提高了虫害识别模型识别质量。
其中，通过计算均值与协方差矩阵判断荔枝虫害样本图像信息的质量，具体为：
其中，
表示质量偏差，
表示矩阵对角线上元素的总和，
表示真实荔枝虫害图
像信息的特征协方差矩阵，
表示荔枝虫害样本图像信息特征协方差矩阵，
表示真实荔
枝虫害图像信息的特征均值，
表示荔枝虫害样本图像信息的特征均值。
需要说明的是，所述的基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，具体为：
通过荔枝虫害样本图像数据集对卷积神经网络进行初始化训练，将叶片及果实区域图像信息导入训练后的卷积神经网络；
获取所述叶片及果实区域图像信息中的多尺度特征信息，并所述多尺度特征信息进行融合生成融合特征图；
通过区域候选网络对所述融合特征图进行感兴趣区域判定，并将所述感兴趣区域进行标记记录，预设IoU第一阈值及第二阈值，若所述IoU小于第一阈值，则将其判定为背景信息，标记为负样本；若所述IoU大于第二阈值，则将其判定为荔枝虫害信息，标记为正样本；
将所述区域候选网络生成的感兴趣区域进行池化操作形成最终特征图，将池化层输出的最终特征图导入到Softmax分类器中，计算荔枝虫害所属种类的概率，将概率最大的种类信息作为荔枝虫害的所属种类，并通过边界回归获取荔枝虫害的锚框位置；
根据所述荔枝虫害的所属种类与锚框位置生成带种类标签的荔枝虫害识别结果。
需要说明的是，所述的根据虫害识别结果结合虫害的主要虫态信息进行荔枝虫害的分级预警，具体为：
根据不同种类的荔枝虫害预设不同的阈值区间，根据叶片及果实区域图像信息中的锚框中的荔枝虫害的形态进行分龄，并根据分龄结果确定荔枝虫害的主要虫态信息；
根据单一叶片或果实上的主要虫态信息对应虫害数量信息估算荔枝植株中的虫害数量信息；
根据所述虫害数量信息所落在的预设阈值区间确定荔枝虫害的预警信息。
需要说明的是，所述的根据荔枝虫害种类信息及主要虫态信息制定综合防治方案，具体为:
通过荔枝虫害识别结果判断虫害所属类别是否具备趋光性，若具备趋光性，则根据虫害所属种类的趋光性获取光强及光色信息；
根据预设范围将荔枝种植区域划分多个子区域，并根据各子区域的荔枝种植密度确定灯光诱捕位置信息，根据所述光强及光色信息及灯光诱捕位置信息生成灯光诱杀防治方案；
获取叶片及果实区域图像信息中的虫害图像信息，根据所述虫害图像信息进行虫害的虫龄判断，根据虫害的种类信息及虫龄预测虫害的爆发期，根据所述爆发期及果实收获期确定最佳防治期；
通过虫害的种类信息获取大数据检索，获取同种类型虫害的防治案例，将所述防治案例按照仿效进行排序，获取仿效最高的防治案例中对应的药剂配方作为首选药剂，并结合最佳防治期生成化学防治方案。
需要说明的是，本发明还包括，通过释放天敌昆虫实现对荔枝虫害的防治，具体为：
判断当前荔枝果实发育期，获取当前荔枝果实发育期中预设时间段内的落果数量信息；
判断所述落果数量信息是否大于预设落果数量阈值，若大于，则判断为荔枝异常落果现象，生成荔枝虫害预警；
当生成荔枝虫害预警时，获取荔枝虫害预警等级信息，根据当前虫害的种类及主要虫态信息判断天敌昆虫的释放时间，并根据所述荔枝虫害预警等级信息确定天敌昆虫释放数量及释放比例；
根据所述释放时间、释放数量及释放比例结合荔枝种植所在地的气象信息生成荔枝虫害天敌昆虫的释放计划，并在天敌昆虫释放的预设时间后重新评估荔枝虫害预警等级信息；
根据重新评估后的荔枝虫害预警等级信息对所述释放计划进行修正。
根据本发明实施例，本发明还包括，在进行虫害预警时将荔枝虫害造成的经济损失进行预测并预警，具体为：
根据荔枝虫害的种类信息及主要虫态信息结合荔枝种植地所在度的气象信息进行下一虫态发生期的预测，根据预测虫害的虫态发生期获取虫害爆发期的预测时间；
根据当前荔枝种植区域中受虫害植株数量计算当前荔枝虫害病情指数，根据所述当前荔枝虫害病情指数结合爆发期预测时间预估爆发期荔枝虫害病情指数；
获取往年同期历史荔枝虫害病情指数，将所述爆发期荔枝虫害病情指数与所述历史荔枝虫害病情指数进行对比生成病情系数；
根据所述病情系数及历史荔枝产量信息生成爆发期荔枝产量损失信息，根据所述产量损失信息获取枝虫害造成的经济损失，同时根据当前获荔枝种植区域内土地利用数据，获取生态价值损失，根据所述经济损失及生态价值损失生成综合损失预警。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括一种基于物联网的荔枝虫害监测预警方法程序，所述一种基于物联网的荔枝虫害监测预警方法程序被处理器执行时，实现如上述任一项所述的一种基于物联网的荔枝虫害监测预警方法的步骤。
本发明公开了一种基于物联网的荔枝虫害监测预警方法、系统及存储介质，通过获取荔枝植株图像信息，进行图像分割获取叶片及果实区域图像信息；将所述叶片及果实区域图像信息进行预处理，基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，将预处理后的叶片及果实区域图像信息导入所述荔枝虫害识别模型，进行荔枝虫害的识别与分类；根据虫害识别结果结合虫害的主要虫态信息进行荔枝虫害的分级预警，同时根据荔枝虫害种类信息及主要虫态信息制定综合防治方案，将荔枝虫害识别结果、虫害预警及综合防治方案按照预设方式进行显示。本发明通过对荔枝虫害的识别进行分级预警，并制定荔枝虫害的针对性防治方案，保障了荔枝的高产优质。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但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，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种基于物联网的荔枝虫害监测预警方法，其特征在于，包括以下步骤：
通过获取荔枝植株图像信息，将所述荔枝植株信息进行图像分割获取叶片及果实区域图像信息，将所述叶片及果实区域图像信息进行预处理；
基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，将预处理后的叶片及果实区域图像信息导入所述荔枝虫害识别模型，进行荔枝虫害的识别与分类；
根据虫害识别结果结合虫害的主要虫态信息进行荔枝虫害的分级预警；
同时根据荔枝虫害种类信息及主要虫态信息制定综合防治方案，将荔枝虫害识别结果、虫害预警及综合防治方案按照预设方式进行显示；
所述的根据虫害识别结果结合虫害的主要虫态信息进行荔枝虫害的分级预警，具体为：
根据不同种类的荔枝虫害预设不同的阈值区间，根据叶片及果实区域图像信息中的锚框中的荔枝虫害的形态进行分龄，并根据分龄结果确定荔枝虫害的主要虫态信息；
根据单一叶片或果实上的主要虫态信息对应虫害数量信息估算荔枝植株中的虫害数量信息；
根据所述虫害数量信息所落在的预设阈值区间确定荔枝虫害的预警信息；
在进行虫害预警时将荔枝虫害造成的经济损失进行预测并预警，具体为：
根据荔枝虫害的种类信息及主要虫态信息结合荔枝种植地所在度的气象信息进行下一虫态发生期的预测，根据预测虫害的虫态发生期获取虫害爆发期的预测时间；
根据当前荔枝种植区域中受虫害植株数量计算当前荔枝虫害病情指数，根据所述当前荔枝虫害病情指数结合爆发期预测时间预估爆发期荔枝虫害病情指数；
获取往年同期历史荔枝虫害病情指数，将所述爆发期荔枝虫害病情指数与所述历史荔枝虫害病情指数进行对比生成病情系数；
根据所述病情系数及历史荔枝产量信息生成爆发期荔枝产量损失信息，根据所述产量损失信息获取枝虫害造成的经济损失，同时根据当前获荔枝种植区域内土地利用数据，获取生态价值损失，根据所述经济损失及生态价值损失生成综合损失预警；
所述的根据荔枝虫害种类信息及主要虫态信息制定综合防治方案，具体为:
通过荔枝虫害识别结果判断虫害所属类别是否具备趋光性，若具备趋光性，则根据虫害所属种类的趋光性获取光强及光色信息；
根据预设范围将荔枝种植区域划分多个子区域，并根据各子区域的荔枝种植密度确定灯光诱捕位置信息，根据所述光强及光色信息及灯光诱捕位置信息生成灯光诱杀防治方案；
获取叶片及果实区域图像信息中的虫害图像信息，根据所述虫害图像信息进行虫害的虫龄判断，根据虫害的种类信息及虫龄预测虫害的爆发期，根据所述爆发期及果实收获期确定最佳防治期；
通过虫害的种类信息获取大数据检索，获取同种类型虫害的防治案例，将所述防治案例按照仿效进行排序，获取仿效最高的防治案例中对应的药剂配方作为首选药剂，并结合最佳防治期生成化学防治方案。
2.根据权利要求1所述的一种基于物联网的荔枝虫害监测预警方法，其特征在于，所述的基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，具体为：
基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，获取单一背景及复杂背景的真实荔枝虫害图像信息，通过所述生成对抗网络进行荔枝虫害图像的数据扩充；
将所述荔枝虫害图像信息导入生成对抗网络，将所述真实荔枝虫害图像信息获取预设数量的图像信息匹配随机噪声输入到生成对抗网络中的生成器，并根据预设生成图像尺寸将噪声进行尺寸规范，通过多层反卷积处理生成荔枝虫害样本图像信息；
在生成对抗网络中的判别器中通过双卷积网络对荔枝虫害图像信息通过多层卷积进行不同尺度的特征图提取，通过调整滑动步长将特征图进行特征融合，并进行标准化及非线性变化处理，将特征图变换为预设维度特征向量后判断图像是否为真；
将所述判别器及生成器进行交替训练至损失函数平稳，将各种类真实荔枝虫害图像信息导入生成对抗网络生成对应种类的荔枝虫害样本图像信息，并对所述荔枝虫害样本图像信息进行评价，判断所述荔枝虫害样本图像信息与真实荔枝虫害图像信息的质量偏差；
若所述质量偏差处于预设相似度预设范围内，则根据荔枝虫害样本图像信息生成荔枝虫害样本图像数据集。
3.根据权利要求2所述的一种基于物联网的荔枝虫害监测预警方法，其特征在于，所述的基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，具体为：
通过荔枝虫害样本图像数据集对卷积神经网络进行初始化训练，将叶片及果实区域图像信息导入训练后的卷积神经网络；
获取所述叶片及果实区域图像信息中的多尺度特征信息，并所述多尺度特征信息进行融合生成融合特征图；
通过区域候选网络对所述融合特征图进行感兴趣区域判定，并将所述感兴趣区域进行标记记录；
将所述区域候选网络生成的感兴趣区域进行池化操作形成最终特征图，将池化层输出的最终特征图导入到Softmax分类器中，计算荔枝虫害所属种类的概率，将概率最大的种类信息作为荔枝虫害的所属种类，并通过边界回归获取荔枝虫害的锚框位置；
根据所述荔枝虫害的所属种类与锚框位置生成带种类标签的荔枝虫害识别结果。
4.根据权利要求1所述的一种基于物联网的荔枝虫害监测预警方法，其特征在于，还包括：
判断当前荔枝果实发育期，获取当前荔枝果实发育期中预设时间段内的落果数量信息；
判断所述落果数量信息是否大于预设落果数量阈值，若大于，则判断为荔枝异常落果现象，生成荔枝虫害预警；
当生成荔枝虫害预警时，获取荔枝虫害预警等级信息，根据当前虫害的种类及主要虫态信息判断天敌昆虫的释放时间，并根据所述荔枝虫害预警等级信息确定天敌昆虫释放数量及释放比例；
根据所述释放时间、释放数量及释放比例结合荔枝种植所在地的气象信息生成荔枝虫害天敌昆虫的释放计划，并在天敌昆虫释放的预设时间后重新评估荔枝虫害预警等级信息；
根据重新评估后的荔枝虫害预警等级信息对所述释放计划进行修正。
5.一种基于物联网的荔枝虫害监测预警系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括一种基于物联网的荔枝虫害监测预警方法程序，所述一种基于物联网的荔枝虫害监测预警方法程序被所述处理器执行时实现如下步骤：
通过获取荔枝植株图像信息，将所述荔枝植株信息进行图像分割获取叶片及果实区域图像信息，将所述叶片及果实区域图像信息进行预处理；
基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，将预处理后的叶片及果实区域图像信息导入所述荔枝虫害识别模型，进行荔枝虫害的识别与分类；
根据虫害识别结果结合虫害的主要虫态信息进行荔枝虫害的分级预警；
同时根据荔枝虫害种类信息及主要虫态信息制定综合防治方案，将荔枝虫害识别结果、虫害预警及综合防治方案按照预设方式进行显示；
所述的根据虫害识别结果结合虫害的主要虫态信息进行荔枝虫害的分级预警，具体为：
根据不同种类的荔枝虫害预设不同的阈值区间，根据叶片及果实区域图像信息中的锚框中的荔枝虫害的形态进行分龄，并根据分龄结果确定荔枝虫害的主要虫态信息；
根据单一叶片或果实上的主要虫态信息对应虫害数量信息估算荔枝植株中的虫害数量信息；
根据所述虫害数量信息所落在的预设阈值区间确定荔枝虫害的预警信息；
在进行虫害预警时将荔枝虫害造成的经济损失进行预测并预警，具体为：
根据荔枝虫害的种类信息及主要虫态信息结合荔枝种植地所在度的气象信息进行下一虫态发生期的预测，根据预测虫害的虫态发生期获取虫害爆发期的预测时间；
根据当前荔枝种植区域中受虫害植株数量计算当前荔枝虫害病情指数，根据所述当前荔枝虫害病情指数结合爆发期预测时间预估爆发期荔枝虫害病情指数；
获取往年同期历史荔枝虫害病情指数，将所述爆发期荔枝虫害病情指数与所述历史荔枝虫害病情指数进行对比生成病情系数；
根据所述病情系数及历史荔枝产量信息生成爆发期荔枝产量损失信息，根据所述产量损失信息获取枝虫害造成的经济损失，同时根据当前获荔枝种植区域内土地利用数据，获取生态价值损失，根据所述经济损失及生态价值损失生成综合损失预警；
所述的根据荔枝虫害种类信息及主要虫态信息制定综合防治方案，具体为:
通过荔枝虫害识别结果判断虫害所属类别是否具备趋光性，若具备趋光性，则根据虫害所属种类的趋光性获取光强及光色信息；
根据预设范围将荔枝种植区域划分多个子区域，并根据各子区域的荔枝种植密度确定灯光诱捕位置信息，根据所述光强及光色信息及灯光诱捕位置信息生成灯光诱杀防治方案；
获取叶片及果实区域图像信息中的虫害图像信息，根据所述虫害图像信息进行虫害的虫龄判断，根据虫害的种类信息及虫龄预测虫害的爆发期，根据所述爆发期及果实收获期确定最佳防治期；
通过虫害的种类信息获取大数据检索，获取同种类型虫害的防治案例，将所述防治案例按照仿效进行排序，获取仿效最高的防治案例中对应的药剂配方作为首选药剂，并结合最佳防治期生成化学防治方案。
6.根据权利要求5所述的一种基于物联网的荔枝虫害监测预警系统，其特征在于，所述的基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，具体为：
基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，获取单一背景及复杂背景的真实荔枝虫害图像信息，通过所述生成对抗网络进行荔枝虫害图像的数据扩充；
将所述荔枝虫害图像信息导入生成对抗网络，将所述真实荔枝虫害图像信息获取预设数量的图像信息匹配随机噪声输入到生成对抗网络中的生成器，并根据预设生成图像尺寸将噪声进行尺寸规范，通过多层反卷积处理生成荔枝虫害样本图像信息；
在生成对抗网络中的判别器中通过双卷积网络对荔枝虫害图像信息通过多层卷积进行不同尺度的特征图提取，通过调整滑动步长将特征图进行特征融合，并进行标准化及非线性变化处理，将特征图变换为预设维度特征向量后判断图像是否为真；
将所述判别器及生成器进行交替训练至损失函数平稳，将各种类真实荔枝虫害图像信息导入生成对抗网络生成对应种类的荔枝虫害样本图像信息，并对所述荔枝虫害样本图像信息进行评价，判断所述荔枝虫害样本图像信息与真实荔枝虫害图像信息的质量偏差；
若所述质量偏差处于预设相似度预设范围内，则根据荔枝虫害样本图像信息生成荔枝虫害样本图像数据集。
7.根据权利要求5所述的一种基于物联网的荔枝虫害监测预警系统，其特征在于，所述的基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，具体为：
通过荔枝虫害样本图像数据集对卷积神经网络进行初始化训练，将叶片及果实区域图像信息导入训练后的卷积神经网络；
获取所述叶片及果实区域图像信息中的多尺度特征信息，并所述多尺度特征信息进行融合生成融合特征图；
通过区域候选网络对所述融合特征图进行感兴趣区域判定，并将所述感兴趣区域进行标记记录；
将所述区域候选网络生成的感兴趣区域进行池化操作形成最终特征图，将池化层输出的最终特征图导入到Softmax分类器中，计算荔枝虫害所属种类的概率，将概率最大的种类信息作为荔枝虫害的所属种类，并通过边界回归获取荔枝虫害的锚框位置；
根据所述荔枝虫害的所属种类与锚框位置生成带种类标签的荔枝虫害识别结果。
8.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中包括一种基于物联网的荔枝虫害监测预警方法程序，所述一种基于物联网的荔枝虫害监测预警方法程序被处理器执行时，实现如权利要求1至4中任一项所述的一种基于物联网的荔枝虫害监测预警方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210370809.8A CN114445785B (zh) | 2022-04-11 | 2022-04-11 | 基于物联网的荔枝虫害监测预警方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210370809.8A CN114445785B (zh) | 2022-04-11 | 2022-04-11 | 基于物联网的荔枝虫害监测预警方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114445785A CN114445785A (zh) | 2022-05-06 |
| CN114445785B true CN114445785B (zh) | 2022-06-21 |
Family
ID=81358501
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210370809.8A Active CN114445785B (zh) | 2022-04-11 | 2022-04-11 | 基于物联网的荔枝虫害监测预警方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114445785B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN115169750B (zh) * | 2022-09-01 | 2023-01-24 | 广东省农业科学院植物保护研究所 | 一种基于物联网的鳞翅目害虫防治方法、系统及介质 |
| CN115983533B (zh) * | 2023-02-15 | 2023-05-16 | 广东省农业科学院植物保护研究所 | 一种荔枝蒂蛀虫潜在危害识别与评估方法及系统 |
| CN115879773B (zh) * | 2023-02-22 | 2023-05-16 | 广东省农业科学院植物保护研究所 | 一种基于物联网的病虫害智能预警方法及系统 |
| CN116523182B (zh) * | 2023-06-30 | 2023-12-08 | 广东省农业科学院植物保护研究所 | 一种生态果园的构建和生产管理方法、系统及存储介质 |
| CN116740378B (zh) * | 2023-07-03 | 2024-04-02 | 南通黄海药械有限公司 | 一种基于图像处理的园林病虫害评价系统 |
| CN117151342B (zh) * | 2023-10-24 | 2024-01-26 | 广东省农业科学院植物保护研究所 | 一种荔枝虫害的识别与抗性检测方法、系统及存储介质 |
| CN117151353B (zh) * | 2023-11-01 | 2024-04-26 | 广东省农业科学院植物保护研究所 | 一种荔枝虫害智能识别与生态调控方法、系统及介质 |
| CN117173400B (zh) * | 2023-11-03 | 2024-03-12 | 广东省农业科学院植物保护研究所 | 一种荔枝虫害的低碳治理方案推荐方法及系统 |
| CN117854006A (zh) * | 2024-01-15 | 2024-04-09 | 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) | 一种基于图像处理的烟草生长状态监测系统 |
| CN118196623A (zh) * | 2024-03-14 | 2024-06-14 | 广东省农业科学院植物保护研究所 | 一种基于智能识别的荔枝龙眼食叶害虫防控方法及系统 |
| CN118626733A (zh) * | 2024-08-14 | 2024-09-10 | 广东省农业科学院植物保护研究所 | 基于荔枝虫害为害症状的绿色防控措施推荐方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103960092A (zh) * | 2014-05-06 | 2014-08-06 | 云南省烟草公司玉溪市公司 | 一种烟草种植病虫害立体生物防治方法 |
| CN113609941A (zh) * | 2021-07-27 | 2021-11-05 | 江苏师范大学 | 一种基于深度学习的农作物病虫害识别方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107016406A (zh) * | 2017-02-24 | 2017-08-04 | 中国科学院合肥物质科学研究院 | 基于生成式对抗网络的病虫害图像生成方法 |
| CN109757265A (zh) * | 2019-03-12 | 2019-05-17 | 汶川德新果缘农业有限公司 | 天敌昆虫混合田间的病虫害防治方法 |
| CN109919239A (zh) * | 2019-03-15 | 2019-06-21 | 尹显东 | 一种基于深度学习的农作物病虫害智能检测方法 |
| CN111476238B (zh) * | 2020-04-29 | 2023-04-07 | 中国科学院合肥物质科学研究院 | 一种基于区域尺度感知技术的害虫图像检测方法 |
| CN113052168A (zh) * | 2021-03-12 | 2021-06-29 | 西安航天自动化股份有限公司 | 基于多源特征融合的农作物病虫害图像识别方法 |
| CN113112498B (zh) * | 2021-05-06 | 2024-01-19 | 东北农业大学 | 一种基于细粒度对抗生成网络的葡萄叶片病斑识别方法 |
| CN113850335B (zh) * | 2021-09-28 | 2022-06-21 | 哈尔滨工业大学 | 一种用于卫浴陶瓷缺陷检测的数据增广方法 |
| CN114022368A (zh) * | 2021-10-08 | 2022-02-08 | 郑州大学 | 基于生成对抗网络的路面病害数据增强方法 |
-
2022
- 2022-04-11 CN CN202210370809.8A patent/CN114445785B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103960092A (zh) * | 2014-05-06 | 2014-08-06 | 云南省烟草公司玉溪市公司 | 一种烟草种植病虫害立体生物防治方法 |
| CN113609941A (zh) * | 2021-07-27 | 2021-11-05 | 江苏师范大学 | 一种基于深度学习的农作物病虫害识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 便携式柑橘虫害实时检测系统的研制与试验;王林惠 等;《农业工程学报》;20210531;第37卷(第9期);第282-288页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114445785A (zh) | 2022-05-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114445785B (zh) | 基于物联网的荔枝虫害监测预警方法、系统及存储介质 | |
| dos Santos Ferreira et al. | Weed detection in soybean crops using ConvNets | |
| CN114120037B (zh) | 一种基于改进yolov5模型的发芽马铃薯图像识别方法 | |
| CN114550108B (zh) | 一种草地贪夜蛾的识别预警方法及系统 | |
| CN110569747A (zh) | 一种利用图像金字塔与Faster-RCNN快速统计大田水稻稻穗数的方法 | |
| Kumar et al. | Apple Sweetness Measurement and Fruit Disease Prediction Using Image Processing Techniques Based on Human‐Computer Interaction for Industry 4.0 | |
| Nandhini et al. | PREDICTION OF CROP GROWTH USING MACHINE LEARNING BASED ON SEED FEATURES. | |
| Asriny et al. | Transfer learning VGG16 for classification orange fruit images | |
| Patel et al. | An intelligent grading system for automated identification and classification of banana fruit diseases using deep neural network | |
| Mudgil et al. | Identification of Tomato Plant Diseases Using CNN-A Comparative Review | |
| CN117541423A (zh) | 基于融合图谱特征的棉蚜危害监测方法及系统 | |
| Sahu et al. | CNN based disease detection in Apple Leaf via transfer learning | |
| CN117392104A (zh) | 一种基于深度学习的计算机视觉水稻质量测定方法 | |
| Sheema et al. | An Algorithm for Detection and Identification of Infestation Density of Pest-Fall Armyworm in Maize Plants Using Deep Learning Based on IoT | |
| Ferro et al. | Comparison of different computer vision methods for vineyard canopy detection using UAV multispectral images | |
| Susheel et al. | A review on cutting edge technologies in crop pests and diseases detection | |
| Manikandan et al. | Investigation Into the Use of IoT Technology and Machine Learning for the Identification of Crop Diseases | |
| CN117746267B (zh) | 一种基于半监督主动学习的树冠提取方法、装置及介质 | |
| Stephi et al. | Wheat Disease Detection And Growth Stage Monitoring Using Deep Learning Architectures | |
| CN118072147B (zh) | 一种水稻病害检测方法、产品、介质及设备 | |
| Dixit et al. | A Review of Approaches to Classify Plant Disease using Deep Learning and Machine Learning | |
| Alavala | Bee shadow recognition in video analysis of omnidirectional bee traffic | |
| Wu et al. | Lightweight Field Insect Recognition and Classification Model Based on Improved Deep Learning under Complex Background | |
| Nieto et al. | A Practical Study on Banana (Musa spp.) Plant Counting and Coverage Percentage Using Remote Sensing and Deep | |
| Jagadeesh et al. | A Unified Approach for Weed Detection in Arable Acreage Using RetinaNet Architecture |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20220506 Assignee: GUANGZHOU YUEFENG BIOLOGICAL CONTROL TECHNOLOGY Co.,Ltd. Assignor: PLANT PROTECTION Research Institute GUANGDONG ACADEMY OF AGRICULTURAL SCIENCES Contract record no.: X2022440000304 Denomination of invention: Monitoring and warning method, system and storage medium of litchi pest based on Internet of Things Granted publication date: 20220621 License type: Common License Record date: 20221207 |