CN114550108A - 一种草地贪夜蛾的识别预警方法及系统 - Google Patents
一种草地贪夜蛾的识别预警方法及系统 Download PDFInfo
- Publication number
- CN114550108A CN114550108A CN202210443122.2A CN202210443122A CN114550108A CN 114550108 A CN114550108 A CN 114550108A CN 202210443122 A CN202210443122 A CN 202210443122A CN 114550108 A CN114550108 A CN 114550108A
- Authority
- CN
- China
- Prior art keywords
- spodoptera frugiperda
- area
- crop
- spectral
- acquiring
- 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
- 241000256251 Spodoptera frugiperda Species 0.000 title claims abstract description 192
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000003595 spectral effect Effects 0.000 claims abstract description 129
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 102
- 230000006378 damage Effects 0.000 claims abstract description 62
- 241000238631 Hexapoda Species 0.000 claims abstract description 50
- 230000002265 prevention Effects 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 101000693622 Spodoptera frugiperda Allatotropin Proteins 0.000 claims abstract description 10
- 230000007613 environmental effect Effects 0.000 claims description 50
- 238000013527 convolutional neural network Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 31
- 238000002310 reflectometry Methods 0.000 claims description 16
- 230000036541 health Effects 0.000 claims description 14
- 238000013145 classification model Methods 0.000 claims description 12
- 241000894007 species Species 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000011161 development Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 244000038559 crop plants Species 0.000 claims description 8
- 101000693688 Spodoptera frugiperda Allatostatin Proteins 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 230000009863 secondary prevention Effects 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 238000001514 detection method Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 22
- 241000196324 Embryophyta Species 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 8
- 238000013508 migration Methods 0.000 description 8
- 230000005012 migration Effects 0.000 description 8
- 244000046052 Phaseolus vulgaris Species 0.000 description 4
- 241000256248 Spodoptera Species 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000002917 insecticide Substances 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 235000000832 Ayote Nutrition 0.000 description 2
- 241000208308 Coriandrum Species 0.000 description 2
- 235000002787 Coriandrum sativum Nutrition 0.000 description 2
- 241000219122 Cucurbita Species 0.000 description 2
- 235000009854 Cucurbita moschata Nutrition 0.000 description 2
- 235000009804 Cucurbita pepo subsp pepo Nutrition 0.000 description 2
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000008216 herbs Nutrition 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000000749 insecticidal effect Effects 0.000 description 2
- 235000021332 kidney beans Nutrition 0.000 description 2
- 231100000053 low toxicity Toxicity 0.000 description 2
- 230000000813 microbial effect Effects 0.000 description 2
- 230000009525 mild injury Effects 0.000 description 2
- 230000009526 moderate injury Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000575 pesticide Substances 0.000 description 2
- 235000015136 pumpkin Nutrition 0.000 description 2
- 230000001846 repelling effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009528 severe injury Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- 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
- G06N3/08—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
Abstract
本发明公开了一种草地贪夜蛾的识别预警方法及系统，包括：获取目标农作物区域的农作物高光谱图像信息，将所述高光谱图像信息进行预处理；提取光谱特征及纹理特征，构建虫害识别模型，根据所述光谱特征及纹理特征通过虫害识别模型进行识别并获取虫龄信息；根据单一叶片的草地贪夜蛾数量信息估算区域内虫害数量，并获取农作物受灾的生长阶段，根据所述光谱特征、虫害数量及农作物受灾的生长阶段分析当前草地贪夜蛾的危害程度；根据所述危害程度生成草地贪夜蛾虫害预警信息。本发明对目标农作物区域内草地贪夜蛾进行识别，实现虫害的早期检测及生长阶段监测，同时根据危害程度生成预警，对草地贪夜蛾的防治提供依据。
Description
技术领域
本发明涉及虫害预警技术领域，更具体的，涉及一种草地贪夜蛾的识别预警方法及系统。
背景技术
在草地贪夜蛾传统防治方法中田间巡视、人工识别等方法耗费过多的人力物力资源，劳动强度大，耗时且效率低下，无法进行全面实时监测识别。而现代信息技术的创新发展为害虫监测预警工作提供了新的方法和强有力的技术支持，可以克服传统监测方法存在的短板和不足。
为了能够基于人工智能实现草地贪夜蛾的识别预警，需要开发一款系统与之配合进行实现，该系统通过获取目标农作物区域的农作物高光谱图像信息，进行预处理，提取光谱特征及纹理特征，构建虫害识别模型，根据光谱特征及纹理特征进行识别并获取虫龄信息；根据单一叶片的草地贪夜蛾数量信息估算区域内虫害数量，并获取农作物受灾的生长阶段，根据光谱特征、虫害数量及农作物受灾的生长阶段分析当前草地贪夜蛾的危害程度，生成草地贪夜蛾虫害预警信息。在该系统实现过程中，如何对草地贪夜蛾进行识别并分析当前虫害的危害程度生成虫害预警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，本发明提出了一种草地贪夜蛾的识别预警方法及系统。
本发明第一方面提供了一种草地贪夜蛾识别预警方法，包括：
获取目标农作物区域的农作物高光谱图像信息，将所述高光谱图像信息进行预处理，提取光谱特征及纹理特征；
构建虫害识别模型，根据所述光谱特征及纹理特征通过虫害识别模型进行识别并获取虫龄信息；
根据单一叶片的草地贪夜蛾数量信息估算区域内虫害数量，并获取农作物受灾的生长阶段，根据所述光谱特征、虫害数量及农作物受灾的生长阶段分析当前草地贪夜蛾的危害程度；
根据所述危害程度生成草地贪夜蛾虫害预警信息。
本方案中，将所述高光谱图像信息进行预处理，提取光谱特征及纹理特征，具体为：
获取农作物高光谱图像信息，根据所述农作物高光谱图像信息获取高光谱数据，对所述高光谱数据进行平滑处理，通过连续投影法获取光谱特征波长，根据所述光谱特征波长计算光谱反射率，获取光谱特征；
将高光谱图像信息中的农作物叶片区域与背景区域进行分离，获取高光谱图像信息中的感兴趣区域，通过灰度共生矩阵方法获取特征感兴趣区域的纹理特征。
本方案中，所述的构建虫害识别模型，根据所述光谱特征及纹理特征通过虫害识别模型进行识别并获取虫龄信息，具体为：
基于机器学习构建虫害识别模型，进行初始化参数设置，将农作物正常叶片及草地贪夜蛾为害叶片的光谱信息作为训练数据，通过训练数据对VGG卷积神经网络模块进行训练并调整模型参数；
将目标农作物区域的农作物高光谱图像信息及光谱特征导入所述VGG卷积神经网络模块，判断农作物植株的草地贪夜蛾为害叶片并进行标记，将标记的叶片作为草地贪夜蛾识别区域；
通过Faster-CNN建立草地贪夜蛾识别模块，将标记叶片的图像信息及对应纹理特征输入DCNN模型进行特征提取，将提取到的特征图信息输入区域候选网络进行草地贪夜蛾区域预测选取目标候选区域；
将所述目标候选区域进行池化操作，通过Softmax分类器输出草地贪夜蛾的识别结果及虫龄信息，并通过边框回归进行草地贪夜蛾的定位。
本方案中，通过Faster-CNN建立草地贪夜蛾识别模块，对Faster-CNN建的训练，具体为：
构建草地贪夜蛾图像样本数据库单独训练区域候选网络，将训练好的区域候选网络参数进行保存；
将区域候选网络输出的目标候选区域训练深度神经网络，并保持部分共享参数不变，再次训练区域候选网络进行单独网络参数更新，通过参数更新后的区域候选网络对Faster-CNN进行网络参数更新。
本方案中，根据所述光谱特征、虫害数量及农作物受灾的生长阶段分析当前草地贪夜蛾的危害程度，具体为：
获取目标农作物区域的农作物种类信息，根据所述农作物种类信息获取农作物健康样本不同生长阶段农作物叶片的光谱曲线；
根据目标农作物区域的农作物光谱特征获取光谱反射率曲线，并提取农作物健康样本不同生长阶段农作物叶片的光谱曲线中农作物当前生长阶段对应的光谱反射率曲线作为基准曲线；
同时将目标农作物区域的农作物光谱反射率曲线进行一阶导数，生成一阶导数曲线，将所述农作物光谱反射率曲线及一阶导数曲线与草地贪夜蛾的危害程度进行相关性分析获取不同危害程度的敏感波段；
将目标农作物区域的农作物敏感波段内的光谱反射率曲线与所述基准曲线进行对比，获取曲线偏差；
基于BP神经网络构建危害分类模型，获取目标农作物区域的环境特征，将所述曲线偏差、环境特征及目标区域内草地贪夜蛾的数量信息输入所述危害分类模型，生成草地贪夜蛾危害程度的分类结果。
本方案中，根据所述危害程度生成草地贪夜蛾虫害预警信息，具体为：
获取目标农作物种植区域的气候特征，根据目标农作物种植区域当前环境特征通过历史同期气象特征结合所述气候特征进行预设时间内环境特征预测，生成预测环境特征；
根据草地贪夜蛾危害程度结合预测环境特征获取虫情发展趋势；
将当前目标农作物区域划分为若干子区域，根据当前子区域的草地贪夜蛾危害程度生成空间分布图，并根据所述虫情发展趋势获取空间分布图的演变结果；
根据所述空间分布图获取各子区域的草地贪夜蛾防治方案，并根据所述空间分布图的演变结果生成防治标准，判断各子区域根据防治方案进行草地贪夜蛾防治后的仿效数据是否达到仿效标准；
若达不到，则根据子区域防治后的危害程度，根据防治后的危害程度生成二次防治方案，并生成修正信息，对草地贪夜蛾防治方案的生成进行修正。
本发明第二方面还提供了一种草地贪夜蛾的识别预警系统，该系统包括：存储器、处理器，所述存储器中包括一种草地贪夜蛾的识别预警程序，所述一种草地贪夜蛾的识别预警程序被所述处理器执行时实现如下步骤：
获取目标农作物区域的农作物高光谱图像信息，将所述高光谱图像信息进行预处理，提取光谱特征及纹理特征；
构建虫害识别模型，根据所述光谱特征及纹理特征通过虫害识别模型进行识别并获取虫龄信息；
根据单一叶片的草地贪夜蛾数量信息估算区域内虫害数量，并获取农作物受灾的生长阶段，根据所述光谱特征、虫害数量及农作物受灾的生长阶段分析当前草地贪夜蛾的危害程度；
根据所述危害程度生成草地贪夜蛾虫害预警信息。
本方案中，将所述高光谱图像信息进行预处理，提取光谱特征及纹理特征，具体为：
获取农作物高光谱图像信息，根据所述农作物高光谱图像信息获取高光谱数据，对所述高光谱数据进行平滑处理，通过连续投影法获取光谱特征波长，根据所述光谱特征波长计算光谱反射率，获取光谱特征；
将高光谱图像信息中的农作物叶片区域与背景区域进行分离，获取高光谱图像信息中的感兴趣区域，通过灰度共生矩阵方法获取特征感兴趣区域的纹理特征。
本方案中，所述的构建虫害识别模型，根据所述光谱特征及纹理特征通过虫害识别模型进行识别并获取虫龄信息，具体为：
基于机器学习构建虫害识别模型，进行初始化参数设置，将农作物正常叶片及草地贪夜蛾为害叶片的光谱信息作为训练数据，通过训练数据对VGG卷积神经网络模块进行训练并调整模型参数；
将目标农作物区域的农作物高光谱图像信息及光谱特征导入所述VGG卷积神经网络模块，判断农作物植株的草地贪夜蛾为害叶片并进行标记，将标记的叶片作为草地贪夜蛾识别区域；
通过Faster-CNN建立草地贪夜蛾识别模块，将标记叶片的图像信息及对应纹理特征输入DCNN模型进行特征提取，将提取到的特征图信息输入区域候选网络进行草地贪夜蛾区域预测选取目标候选区域；
将所述目标候选区域进行池化操作，通过Softmax分类器输出草地贪夜蛾的识别结果及虫龄信息，并通过边框回归进行草地贪夜蛾的定位。
本方案中，通过Faster-CNN建立草地贪夜蛾识别模块，对Faster-CNN建的训练，具体为：
构建草地贪夜蛾图像样本数据库单独训练区域候选网络，将训练好的区域候选网络参数进行保存；
将区域候选网络输出的目标候选区域训练深度神经网络，并保持部分共享参数不变，再次训练区域候选网络进行单独网络参数更新，通过参数更新后的区域候选网络对Faster-CNN进行网络参数更新。
本方案中，根据所述光谱特征、虫害数量及农作物受灾的生长阶段分析当前草地贪夜蛾的危害程度，具体为：
获取目标农作物区域的农作物种类信息，根据所述农作物种类信息获取农作物健康样本不同生长阶段农作物叶片的光谱曲线；
根据目标农作物区域的农作物光谱特征获取光谱反射率曲线，并提取农作物健康样本不同生长阶段农作物叶片的光谱曲线中农作物当前生长阶段对应的光谱反射率曲线作为基准曲线；
同时将目标农作物区域的农作物光谱反射率曲线进行一阶导数，生成一阶导数曲线，将所述农作物光谱反射率曲线及一阶导数曲线与草地贪夜蛾的危害程度进行相关性分析获取不同危害程度的敏感波段；
将目标农作物区域的农作物敏感波段内的光谱反射率曲线与所述基准曲线进行对比，获取曲线偏差；
基于BP神经网络构建危害分类模型，获取目标农作物区域的环境特征，将所述曲线偏差、环境特征及目标区域内草地贪夜蛾的数量信息输入所述危害分类模型，生成草地贪夜蛾危害程度的分类结果。
本方案中，根据所述危害程度生成草地贪夜蛾虫害预警信息，具体为：
获取目标农作物种植区域的气候特征，根据目标农作物种植区域当前环境特征通过历史同期气象特征结合所述气候特征进行预设时间内环境特征预测，生成预测环境特征；
根据草地贪夜蛾危害程度结合预测环境特征获取虫情发展趋势；
将当前目标农作物区域划分为若干子区域，根据当前子区域的草地贪夜蛾危害程度生成空间分布图，并根据所述虫情发展趋势获取空间分布图的演变结果；
根据所述空间分布图获取各子区域的草地贪夜蛾防治方案，并根据所述空间分布图的演变结果生成防治标准，判断各子区域根据防治方案进行草地贪夜蛾防治后的仿效数据是否达到仿效标准；
若达不到，则根据子区域防治后的危害程度，根据防治后的危害程度生成二次防治方案，并生成修正信息，对草地贪夜蛾防治方案的生成进行修正。
本发明公开了一种草地贪夜蛾的识别预警方法及系统，包括：获取目标农作物区域的农作物高光谱图像信息，将所述高光谱图像信息进行预处理；提取光谱特征及纹理特征，构建虫害识别模型，根据所述光谱特征及纹理特征通过虫害识别模型进行识别并获取虫龄信息；根据单一叶片的草地贪夜蛾数量信息估算区域内虫害数量，并获取农作物受灾的生长阶段，根据所述光谱特征、虫害数量及农作物受灾的生长阶段分析当前草地贪夜蛾的危害程度；根据所述危害程度生成草地贪夜蛾虫害预警信息。本发明对目标农作物区域内草地贪夜蛾进行识别，实现虫害的早期检测及生长阶段监测，同时根据危害程度生成预警，对草地贪夜蛾的防治提供依据。
附图说明
图1示出了本发明一种草地贪夜蛾的识别预警方法的流程图；
图2示出了本发明根据虫害识别模型识别草地贪夜蛾的方法流程图；
图3示出了本发明获取当前草地贪夜蛾的危害程度的方法流程图；
图4示出了本发明一种草地贪夜蛾的识别预警系统的框图。
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示出了本发明一种草地贪夜蛾的识别预警方法的流程图。
如图1所示，本发明第一方面提供了一种草地贪夜蛾的识别预警，包括：
S102，获取目标农作物区域的农作物高光谱图像信息，将所述高光谱图像信息进行预处理，提取光谱特征及纹理特征；
S104，构建虫害识别模型，根据所述光谱特征及纹理特征通过虫害识别模型进行识别并获取虫龄信息；
S106，根据单一叶片的草地贪夜蛾数量信息估算区域内虫害数量，并获取农作物受灾的生长阶段，根据所述光谱特征、虫害数量及农作物受灾的生长阶段分析当前草地贪夜蛾的危害程度；
S108，根据所述危害程度生成草地贪夜蛾虫害预警信息。
需要说明的是，将所述高光谱图像信息进行预处理，提取光谱特征及纹理特征，具体为：获取农作物高光谱图像信息，根据所述农作物高光谱图像信息获取高光谱数据，对所述高光谱数据进行平滑处理，用以减轻噪声、提高信噪比；通过连续投影法获取光谱特征波长，根据所述光谱特征波长计算光谱反射率，获取光谱特征；将高光谱图像信息中的农作物叶片区域与背景区域进行分离，获取高光谱图像信息中的感兴趣区域，通过灰度共生矩阵方法获取特征感兴趣区域的纹理特征，首先对图像进行灰度共生矩阵变换，然后提取灰度共生矩阵的对比度、异质性同质性、熵、相关性、角二阶矩，在提取纹理特征后，通过方差分析依据P值对纹理特征进行筛选。
图2示出了本发明根据虫害识别模型识别草地贪夜蛾的方法流程图。
根据本发明实施例，所述的构建虫害识别模型，根据所述光谱特征及纹理特征通过虫害识别模型进行识别并获取虫龄信息，具体为：
S202，基于机器学习构建虫害识别模型，进行初始化参数设置，将农作物正常叶片及草地贪夜蛾为害叶片的光谱信息作为训练数据，通过训练数据对VGG卷积神经网络模块进行训练并调整模型参数；
S204，将目标农作物区域的农作物高光谱图像信息及光谱特征导入所述VGG卷积神经网络模块，判断农作物植株的草地贪夜蛾为害叶片并进行标记，将标记的叶片作为草地贪夜蛾识别区域；
S206，通过Faster-CNN建立草地贪夜蛾识别模块，将标记叶片的图像信息及对应纹理特征输入DCNN模型进行特征提取，将提取到的特征图信息输入区域候选网络进行草地贪夜蛾区域预测选取目标候选区域；
S208，将所述目标候选区域进行池化操作，通过Softmax分类器输出草地贪夜蛾的识别结果及虫龄信息，并通过边框回归进行草地贪夜蛾的定位。
需要说明的是，通过Faster-CNN建立草地贪夜蛾识别模块，对Faster-CNN建的训练，具体为：区域候选网络及深度卷积神经网络共享5层卷积层，包括不同大小卷积核的卷积层、级联层及输出层，所述输出层包括分类层及位置回归层，所述分类层用于判断是否为草地贪夜蛾的概率，所述位置回归层用户输出目标候选区域的位置参数；构建草地贪夜蛾图像样本数据库单独训练区域候选网络，将训练好的区域候选网络参数进行保存；将区域候选网络输出的目标候选区域训练深度神经网络，并保持部分共享参数不变，再次训练区域候选网络进行单独网络参数更新，通过参数更新后的区域候选网络对Faster-CNN进行网络参数更新。
图3示出了本发明获取当前草地贪夜蛾的危害程度的方法流程图。
根据本发明实施例，根据所述光谱特征、虫害数量及农作物受灾的生长阶段分析当前草地贪夜蛾的危害程度，具体为：
S302，获取目标农作物区域的农作物种类信息，根据所述农作物种类信息获取农作物健康样本不同生长阶段农作物叶片的光谱曲线；
S304，根据目标农作物区域的农作物光谱特征获取光谱反射率曲线，并提取农作物健康样本不同生长阶段农作物叶片的光谱曲线中农作物当前生长阶段对应的光谱反射率曲线作为基准曲线；
S306，同时将目标农作物区域的农作物光谱反射率曲线进行一阶导数，生成一阶导数曲线，将所述农作物光谱反射率曲线及一阶导数曲线与草地贪夜蛾的危害程度进行相关性分析获取不同危害程度的敏感波段；
S308，将目标农作物区域的农作物敏感波段内的光谱反射率曲线与所述基准曲线进行对比，获取曲线偏差；
S310，基于BP神经网络构建危害分类模型，获取目标农作物区域的环境特征，将所述曲线偏差、环境特征及目标区域内草地贪夜蛾的数量信息输入所述危害分类模型，生成草地贪夜蛾危害程度的分类结果。
需要说明的是，识别农作物植株中草地贪夜蛾为害叶片上草地贪夜蛾的数量信息，根据为害叶片上草地贪夜蛾的数量信息及目标区域内植株数量估算目标区域内草地贪夜蛾的数量；所述草地贪夜蛾危害程度的分类结果分为健康、轻度危害、中度危害、重度危害。
需要说明的是，根据所述危害程度生成草地贪夜蛾虫害预警信息，具体为：
获取目标农作物种植区域的气候特征，根据目标农作物种植区域当前环境特征通过历史同期气象特征结合所述气候特征进行预设时间内环境特征预测，生成预测环境特征；
根据草地贪夜蛾危害程度结合预测环境特征获取虫情发展趋势；
将当前目标农作物区域划分为若干子区域，根据当前子区域的草地贪夜蛾危害程度生成空间分布图，并根据所述虫情发展趋势获取空间分布图的演变结果；
根据所述空间分布图获取各子区域的草地贪夜蛾防治方案，并根据所述空间分布图的演变结果生成防治标准，判断各子区域根据防治方案进行草地贪夜蛾防治后的仿效数据是否达到仿效标准；
若达不到，则根据子区域防治后的危害程度，根据防治后的危害程度生成二次防治方案，并生成修正信息，对草地贪夜蛾防治方案的生成进行修正。
根据本发明实施例，本发明还包括，根据物理防治和生物防治生成科学化防治方案，具体为：
根据目标农作物区域的草地贪夜蛾数量信息及对应虫龄获取虫口密度，将所述虫口密度与预设虫口密度阈值进行对比判断，若目标农作物区域草地贪夜蛾的主要虫态为幼虫阶段，则选取微生物菌剂及生物农药制定生物防治方案；
若目标农作物区域成虫的虫口密度小于虫口密度阈值，则根据目标农作物区域的草地贪夜蛾数量分布确定灯光诱杀放置方案，根据所述灯光诱杀放置方案进行灯光诱杀装置的放置；
若目标农作物区域成虫的虫口密度大于虫口密度阈值，则根据虫口密度通过大数据根据仿效获取低毒杀虫药剂信息，并根据环境特征获取生成施药方案，并获取目标农作物区域草地贪夜蛾的迁飞动态，根据所述迁飞动态预测草地贪夜蛾的迁飞路线，根据所述迁飞路线构建草地贪夜蛾拦截设备，所述拦截设备包括但不限于高空杀虫灯、性诱设备及植保无人机。
根据本发明实施例，本发明还包括，构建环境变化数据库，具体为：
采集目标农作物区域内环境变化信息，分析所述环境变化信息对草地贪夜蛾发生规律的影响；
将所述环境变化信息与目标农作物区域收草地贪夜蛾危害程度信息生成匹配序列，建立环境变化数据库；
根据所述环境变化数据库对目标农作物区域的环境进行监测，并将当前环境特征与环境变化数据库中草地贪夜蛾发生对应的环境数据进行相似度计算，当所述相似度大于预设相似度阈值时则进行环境预警，并根据当前环境特征与正常环境特征的偏差生成目标农作区域内环境生成改良建议及方法；
同时，根据目标农作物区域的农作物种植种类信息及当前农作物区域的土壤理化性质选取对草地贪夜蛾具备趋避作用的植物种类，根据所述植物种类确定套种种植方案。
需要说明的是，当前环境特征与环境变化数据库中草地贪夜蛾发生对应的环境数据进行相似度计算，相似度计算可以通过欧氏距离及余弦值计算进行实现，根据环境变化数据库中的历史数据生成各农作物生长阶段对应的正常环境变化序列，根据所述正常环境变化序列生成正常环境特征，通过目标农作物区域的土壤理化性质及与当前农作物的的适生性、植株种类的经济效益选取，豆类、芜荽、苦菜、菜豆、南瓜等对害虫有趋避作用的植物和天敌诱集植物，增加生物多样性，减少草地贪夜蛾虫量。
图4示出了本发明一种草地贪夜蛾的识别预警系统的框图。
本发明第二方面还提供了一种草地贪夜蛾的识别预警系统4，该系统包括：存储器41、处理器42，所述存储器中包括一种草地贪夜蛾的识别预警程序，所述一种草地贪夜蛾的识别预警程序被所述处理器执行时实现如下步骤：
获取目标农作物区域的农作物高光谱图像信息，将所述高光谱图像信息进行预处理，提取光谱特征及纹理特征；
构建虫害识别模型，根据所述光谱特征及纹理特征通过虫害识别模型进行识别并获取虫龄信息；
根据单一叶片的草地贪夜蛾数量信息估算区域内虫害数量，并获取农作物受灾的生长阶段，根据所述光谱特征、虫害数量及农作物受灾的生长阶段分析当前草地贪夜蛾的危害程度；
根据所述危害程度生成草地贪夜蛾虫害预警信息。
需要说明的是，将所述高光谱图像信息进行预处理，提取光谱特征及纹理特征，具体为：获取农作物高光谱图像信息，根据所述农作物高光谱图像信息获取高光谱数据，对所述高光谱数据进行平滑处理，用以减轻噪声、提高信噪比；通过连续投影法获取光谱特征波长，根据所述光谱特征波长计算光谱反射率，获取光谱特征；将高光谱图像信息中的农作物叶片区域与背景区域进行分离，获取高光谱图像信息中的感兴趣区域，通过灰度共生矩阵方法获取特征感兴趣区域的纹理特征，首先对图像进行灰度共生矩阵变换，然后提取灰度共生矩阵的对比度、异质性同质性、熵、相关性、角二阶矩，在提取纹理特征后，通过方差分析依据P值对纹理特征进行筛选。
根据本发明实施例，所述的构建虫害识别模型，根据所述光谱特征及纹理特征通过虫害识别模型进行识别并获取虫龄信息，具体为：
基于机器学习构建虫害识别模型，进行初始化参数设置，将农作物正常叶片及草地贪夜蛾为害叶片的光谱信息作为训练数据，通过训练数据对VGG卷积神经网络模块进行训练并调整模型参数；
将目标农作物区域的农作物高光谱图像信息及光谱特征导入所述VGG卷积神经网络模块，判断农作物植株的草地贪夜蛾为害叶片并进行标记，将标记的叶片作为草地贪夜蛾识别区域；
通过Faster-CNN建立草地贪夜蛾识别模块，将标记叶片的图像信息及对应纹理特征输入DCNN模型进行特征提取，将提取到的特征图信息输入区域候选网络进行草地贪夜蛾区域预测选取目标候选区域；
将所述目标候选区域进行池化操作，通过Softmax分类器输出草地贪夜蛾的识别结果及虫龄信息，并通过边框回归进行草地贪夜蛾的定位。
需要说明的是，通过Faster-CNN建立草地贪夜蛾识别模块，对Faster-CNN建的训练，具体为：区域候选网络及深度卷积神经网络共享5层卷积层，包括不同大小卷积核的卷积层、级联层及输出层，所述输出层包括分类层及位置回归层，所述分类层用于判断是否为草地贪夜蛾的概率，所述位置回归层用户输出目标候选区域的位置参数；构建草地贪夜蛾图像样本数据库单独训练区域候选网络，将训练好的区域候选网络参数进行保存；将区域候选网络输出的目标候选区域训练深度神经网络，并保持部分共享参数不变，再次训练区域候选网络进行单独网络参数更新，通过参数更新后的区域候选网络对Faster-CNN进行网络参数更新。
根据本发明实施例，根据所述光谱特征、虫害数量及农作物受灾的生长阶段分析当前草地贪夜蛾的危害程度，具体为：
获取目标农作物区域的农作物种类信息，根据所述农作物种类信息获取农作物健康样本不同生长阶段农作物叶片的光谱曲线；
根据目标农作物区域的农作物光谱特征获取光谱反射率曲线，并提取农作物健康样本不同生长阶段农作物叶片的光谱曲线中农作物当前生长阶段对应的光谱反射率曲线作为基准曲线；
同时将目标农作物区域的农作物光谱反射率曲线进行一阶导数，生成一阶导数曲线，将所述农作物光谱反射率曲线及一阶导数曲线与草地贪夜蛾的危害程度进行相关性分析获取不同危害程度的敏感波段；
将目标农作物区域的农作物敏感波段内的光谱反射率曲线与所述基准曲线进行对比，获取曲线偏差；
基于BP神经网络构建危害分类模型，获取目标农作物区域的环境特征，将所述曲线偏差、环境特征及目标区域内草地贪夜蛾的数量信息输入所述危害分类模型，生成草地贪夜蛾危害程度的分类结果。
需要说明的是，识别农作物植株中草地贪夜蛾为害叶片上草地贪夜蛾的数量信息，根据为害叶片上草地贪夜蛾的数量信息及目标区域内植株数量估算目标区域内草地贪夜蛾的数量；所述草地贪夜蛾危害程度的分类结果分为健康、轻度危害、中度危害、重度危害。
需要说明的是，根据所述危害程度生成草地贪夜蛾虫害预警信息，具体为：
获取目标农作物种植区域的气候特征，根据目标农作物种植区域当前环境特征通过历史同期气象特征结合所述气候特征进行预设时间内环境特征预测，生成预测环境特征；
根据草地贪夜蛾危害程度结合预测环境特征获取虫情发展趋势；
将当前目标农作物区域划分为若干子区域，根据当前子区域的草地贪夜蛾危害程度生成空间分布图，并根据所述虫情发展趋势获取空间分布图的演变结果；
根据所述空间分布图获取各子区域的草地贪夜蛾防治方案，并根据所述空间分布图的演变结果生成防治标准，判断各子区域根据防治方案进行草地贪夜蛾防治后的仿效数据是否达到仿效标准；
若达不到，则根据子区域防治后的危害程度，根据防治后的危害程度生成二次防治方案，并生成修正信息，对草地贪夜蛾防治方案的生成进行修正。
根据本发明实施例，本发明还包括，根据物理防治和生物防治生成科学化防治方案，具体为：
根据目标农作物区域的草地贪夜蛾数量信息及对应虫龄获取虫口密度，将所述虫口密度与预设虫口密度阈值进行对比判断，若目标农作物区域草地贪夜蛾的主要虫态为幼虫阶段，则选取微生物菌剂及生物农药制定生物防治方案；
若目标农作物区域成虫的虫口密度小于虫口密度阈值，则根据目标农作物区域的草地贪夜蛾数量分布确定灯光诱杀放置方案，根据所述灯光诱杀放置方案进行灯光诱杀装置的放置；
若目标农作物区域成虫的虫口密度大于虫口密度阈值，则根据虫口密度通过大数据根据仿效获取低毒杀虫药剂信息，并根据环境特征获取生成施药方案，并获取目标农作物区域草地贪夜蛾的迁飞动态，根据所述迁飞动态预测草地贪夜蛾的迁飞路线，根据所述迁飞路线构建草地贪夜蛾拦截设备，所述拦截设备包括但不限于高空杀虫灯、性诱设备及植保无人机。
根据本发明实施例，本发明还包括，构建环境变化数据库，具体为：
采集目标农作物区域内环境变化信息，分析所述环境变化信息对草地贪夜蛾发生规律的影响；
将所述环境变化信息与目标农作物区域收草地贪夜蛾危害程度信息生成匹配序列，建立环境变化数据库；
根据所述环境变化数据库对目标农作物区域的环境进行监测，并将当前环境特征与环境变化数据库中草地贪夜蛾发生对应的环境数据进行相似度计算，当所述相似度大于预设相似度阈值时则进行环境预警，并根据当前环境特征与正常环境特征的偏差生成目标农作区域内环境生成改良建议及方法；
同时，根据目标农作物区域的农作物种植种类信息及当前农作物区域的土壤理化性质选取对草地贪夜蛾具备趋避作用的植物种类，根据所述植物种类确定套种种植方案。
需要说明的是，当前环境特征与环境变化数据库中草地贪夜蛾发生对应的环境数据进行相似度计算，相似度计算可以通过欧氏距离及余弦值计算进行实现，根据环境变化数据库中的历史数据生成各农作物生长阶段对应的正常环境变化序列，根据所述正常环境变化序列生成正常环境特征，通过目标农作物区域的土壤理化性质及与当前农作物的的适生性、植株种类的经济效益选取，豆类、芜荽、苦菜、菜豆、南瓜等对害虫有趋避作用的植物和天敌诱集植物，增加生物多样性，减少草地贪夜蛾虫量。
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 (10)
1.一种草地贪夜蛾的识别预警方法，其特征在于，包括以下步骤：
获取目标农作物区域的农作物高光谱图像信息，将所述高光谱图像信息进行预处理，提取光谱特征及纹理特征；
构建虫害识别模型，根据所述光谱特征及纹理特征通过虫害识别模型进行识别并获取虫龄信息；
根据单一叶片的草地贪夜蛾数量信息估算区域内虫害数量，并获取农作物受灾的生长阶段，根据所述光谱特征、虫害数量及农作物受灾的生长阶段分析当前草地贪夜蛾的危害程度；
根据所述危害程度生成草地贪夜蛾虫害预警信息。
2.根据权利要求1所述的一种草地贪夜蛾的识别预警方法，其特征在于，将所述高光谱图像信息进行预处理，提取光谱特征及纹理特征，具体为：
获取农作物高光谱图像信息，根据所述农作物高光谱图像信息获取高光谱数据，对所述高光谱数据进行平滑处理，通过连续投影法获取光谱特征波长，根据所述光谱特征波长计算光谱反射率，获取光谱特征；
将高光谱图像信息中的农作物叶片区域与背景区域进行分离，获取高光谱图像信息中的感兴趣区域，通过灰度共生矩阵方法获取特征感兴趣区域的纹理特征。
3.根据权利要求1所述的一种草地贪夜蛾的识别预警方法，其特征在于，所述的构建虫害识别模型，根据所述光谱特征及纹理特征通过虫害识别模型进行识别并获取虫龄信息，具体为：
基于机器学习构建虫害识别模型，进行初始化参数设置，将农作物正常叶片及草地贪夜蛾为害叶片的光谱信息作为训练数据，通过训练数据对VGG卷积神经网络模块进行训练并调整模型参数；
将目标农作物区域的农作物高光谱图像信息及光谱特征导入所述VGG卷积神经网络模块，判断农作物植株的草地贪夜蛾为害叶片并进行标记，将标记的叶片作为草地贪夜蛾识别区域；
通过Faster-CNN建立草地贪夜蛾识别模块，将标记叶片的图像信息及对应纹理特征输入DCNN模型进行特征提取，将提取到的特征图信息输入区域候选网络进行草地贪夜蛾区域预测选取目标候选区域；
将所述目标候选区域进行池化操作，通过Softmax分类器输出草地贪夜蛾的识别结果及虫龄信息，并通过边框回归进行草地贪夜蛾的定位。
4.根据权利要求3所述的一种草地贪夜蛾的识别预警方法，其特征在于，通过Faster-CNN建立草地贪夜蛾识别模块，对Faster-CNN建的训练，具体为：
构建草地贪夜蛾图像样本数据库单独训练区域候选网络，将训练好的区域候选网络参数进行保存；
将区域候选网络输出的目标候选区域训练深度神经网络，并保持部分共享参数不变，再次训练区域候选网络进行单独网络参数更新，通过参数更新后的区域候选网络对Faster-CNN进行网络参数更新。
5.根据权利要求1所述的一种草地贪夜蛾的识别预警方法，其特征在于，根据所述光谱特征、虫害数量及农作物受灾的生长阶段分析当前草地贪夜蛾的危害程度，具体为：
获取目标农作物区域的农作物种类信息，根据所述农作物种类信息获取农作物健康样本不同生长阶段农作物叶片的光谱曲线；
根据目标农作物区域的农作物光谱特征获取光谱反射率曲线，并提取农作物健康样本不同生长阶段农作物叶片的光谱曲线中农作物当前生长阶段对应的光谱反射率曲线作为基准曲线；
同时将目标农作物区域的农作物光谱反射率曲线进行一阶导数，生成一阶导数曲线，将所述农作物光谱反射率曲线及一阶导数曲线与草地贪夜蛾的危害程度进行相关性分析获取不同危害程度的敏感波段；
将目标农作物区域的农作物敏感波段内的光谱反射率曲线与所述基准曲线进行对比，获取曲线偏差；
基于BP神经网络构建危害分类模型，获取目标农作物区域的环境特征，将所述曲线偏差、环境特征及目标区域内草地贪夜蛾的数量信息输入所述危害分类模型，生成草地贪夜蛾危害程度的分类结果。
6.根据权利要求1所述的一种草地贪夜蛾的识别预警方法，其特征在于，根据所述危害程度生成草地贪夜蛾虫害预警信息，具体为：
获取目标农作物种植区域的气候特征，根据目标农作物种植区域当前环境特征通过历史同期气象特征结合所述气候特征进行预设时间内环境特征预测，生成预测环境特征；
根据草地贪夜蛾危害程度结合预测环境特征获取虫情发展趋势；
将当前目标农作物区域划分为若干子区域，根据当前子区域的草地贪夜蛾危害程度生成空间分布图，并根据所述虫情发展趋势获取空间分布图的演变结果；
根据所述空间分布图获取各子区域的草地贪夜蛾防治方案，并根据所述空间分布图的演变结果生成防治标准，判断各子区域根据防治方案进行草地贪夜蛾防治后的仿效数据是否达到仿效标准；
若达不到，则根据子区域防治后的危害程度，根据防治后的危害程度生成二次防治方案，并生成修正信息，对草地贪夜蛾防治方案的生成进行修正。
7.一种草地贪夜蛾的识别预警系统，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草地贪夜蛾的识别预警方法程序，所述一种草地贪夜蛾的识别预警方法程序被所述处理器执行时实现如下步骤：
获取目标农作物区域的农作物高光谱图像信息，将所述高光谱图像信息进行预处理，提取光谱特征及纹理特征；
构建虫害识别模型，根据所述光谱特征及纹理特征通过虫害识别模型进行识别并获取虫龄信息；
根据单一叶片的草地贪夜蛾数量信息估算区域内虫害数量，并获取农作物受灾的生长阶段，根据所述光谱特征、虫害数量及农作物受灾的生长阶段分析当前草地贪夜蛾的危害程度；
根据所述危害程度生成草地贪夜蛾虫害预警信息。
8.根据权利要求7所述的一种草地贪夜蛾的识别预警系统，其特征在于，将所述高光谱图像信息进行预处理，提取光谱特征及纹理特征，具体为：
获取农作物高光谱图像信息，根据所述农作物高光谱图像信息获取高光谱数据，对所述高光谱数据进行平滑处理，通过连续投影法获取光谱特征波长，根据所述光谱特征波长计算光谱反射率，获取光谱特征；
将高光谱图像信息中的农作物叶片区域与背景区域进行分离，获取高光谱图像信息中的感兴趣区域，通过灰度共生矩阵方法获取特征感兴趣区域的纹理特征。
9.根据权利要求7所述的一种草地贪夜蛾的识别预警系统，其特征在于，所述的构建虫害识别模型，根据所述光谱特征及纹理特征通过虫害识别模型进行识别并获取虫龄信息，具体为：
基于机器学习构建虫害识别模型，进行初始化参数设置，将农作物正常叶片及草地贪夜蛾为害叶片的光谱信息作为训练数据，通过训练数据对VGG卷积神经网络模块进行训练并调整模型参数；
将目标农作物区域的农作物高光谱图像信息及光谱特征导入所述VGG卷积神经网络模块，判断农作物植株的草地贪夜蛾为害叶片并进行标记，将标记的叶片作为草地贪夜蛾识别区域；
通过Faster-CNN建立草地贪夜蛾识别模块，将标记叶片的图像信息及对应纹理特征输入DCNN模型进行特征提取，将提取到的特征图信息输入区域候选网络进行草地贪夜蛾区域预测选取目标候选区域；
将所述目标候选区域进行池化操作，通过Softmax分类器输出草地贪夜蛾的识别结果及虫龄信息，并通过边框回归进行草地贪夜蛾的定位。
10.根据权利要求7所述的一种草地贪夜蛾的识别预警系统，其特征在于，根据所述光谱特征、虫害数量及农作物受灾的生长阶段分析当前草地贪夜蛾的危害程度，具体为：
获取目标农作物区域的农作物种类信息，根据所述农作物种类信息获取农作物健康样本不同生长阶段农作物叶片的光谱曲线；
根据目标农作物区域的农作物光谱特征获取光谱反射率曲线，并提取农作物健康样本不同生长阶段农作物叶片的光谱曲线中农作物当前生长阶段对应的光谱反射率曲线作为基准曲线；
同时将目标农作物区域的农作物光谱反射率曲线进行一阶导数，生成一阶导数曲线，将所述农作物光谱反射率曲线及一阶导数曲线与草地贪夜蛾的危害程度进行相关性分析获取不同危害程度的敏感波段；
将目标农作物区域的农作物敏感波段内的光谱反射率曲线与所述基准曲线进行对比，获取曲线偏差；
基于BP神经网络构建危害分类模型，获取目标农作物区域的环境特征，将所述曲线偏差、环境特征及目标区域内草地贪夜蛾的数量信息输入所述危害分类模型，生成草地贪夜蛾危害程度的分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210443122.2A CN114550108B (zh) | 2022-04-26 | 2022-04-26 | 一种草地贪夜蛾的识别预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210443122.2A CN114550108B (zh) | 2022-04-26 | 2022-04-26 | 一种草地贪夜蛾的识别预警方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114550108A true CN114550108A (zh) | 2022-05-27 |
| CN114550108B CN114550108B (zh) | 2022-07-08 |
Family
ID=81667233
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210443122.2A Active CN114550108B (zh) | 2022-04-26 | 2022-04-26 | 一种草地贪夜蛾的识别预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114550108B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115147837A (zh) * | 2022-08-16 | 2022-10-04 | 河北省农林科学院植物保护研究所 | 一种基于光学图像识别的二点委夜蛾饲养方法及系统 |
| CN115204689A (zh) * | 2022-07-19 | 2022-10-18 | 郑州航空工业管理学院 | 一种基于图像处理的智慧农业管理系统 |
| CN115358883A (zh) * | 2022-09-15 | 2022-11-18 | 河北省农林科学院植物保护研究所 | 一种棉蚜的抗性动态监测与防治用药推荐方法及系统 |
| CN116737824A (zh) * | 2023-05-05 | 2023-09-12 | 苏州小猫花网络科技有限公司 | 基于区块链的数据共享方法及系统 |
| CN117035241A (zh) * | 2023-10-08 | 2023-11-10 | 广东省农业科学院植物保护研究所 | 基于虫情预测的智能化飞虫诱杀器管理方法、系统及介质 |
| CN117789067A (zh) * | 2024-02-27 | 2024-03-29 | 山东字节信息科技有限公司 | 一种基于机器学习的无人机农作物监测方法及系统 |
| CN118279754A (zh) * | 2024-06-03 | 2024-07-02 | 安徽农业大学 | 一种草地贪夜蛾的传播途径识别与预警方法及系统 |
| CN118469927A (zh) * | 2024-04-30 | 2024-08-09 | 山东云智农农业科技有限公司 | 基于机器视觉和ar的虫害检测与管理系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018058821A1 (zh) * | 2016-09-30 | 2018-04-05 | 深圳前海弘稼科技有限公司 | 一种基于种植设备的病虫害预测方法及装置 |
| WO2021012898A1 (zh) * | 2019-07-23 | 2021-01-28 | 平安科技（深圳）有限公司 | 基于人工智能的农业保险查勘方法及相关设备 |
| CN112528726A (zh) * | 2020-10-14 | 2021-03-19 | 石河子大学 | 一种基于光谱成像和深度学习的棉蚜虫害监测方法及系统 |
| CN113657294A (zh) * | 2021-08-19 | 2021-11-16 | 中化现代农业有限公司 | 一种基于计算机视觉的作物病虫害检测方法及系统 |
| CN113962258A (zh) * | 2021-10-09 | 2022-01-21 | 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) | 一种烟草病害的识别与防治方法、系统及存储介质 |
| CN114170513A (zh) * | 2021-12-08 | 2022-03-11 | 广东省农业科学院植物保护研究所 | 一种草地贪夜蛾的虫情监测方法、系统及存储介质 |
| CN114266979A (zh) * | 2021-12-31 | 2022-04-01 | 湖北省农业科学院农业质量标准与检测技术研究所 | 茶树病虫害智能识别方法、装置、设备及存储介质 |
-
2022
- 2022-04-26 CN CN202210443122.2A patent/CN114550108B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018058821A1 (zh) * | 2016-09-30 | 2018-04-05 | 深圳前海弘稼科技有限公司 | 一种基于种植设备的病虫害预测方法及装置 |
| WO2021012898A1 (zh) * | 2019-07-23 | 2021-01-28 | 平安科技（深圳）有限公司 | 基于人工智能的农业保险查勘方法及相关设备 |
| CN112528726A (zh) * | 2020-10-14 | 2021-03-19 | 石河子大学 | 一种基于光谱成像和深度学习的棉蚜虫害监测方法及系统 |
| CN113657294A (zh) * | 2021-08-19 | 2021-11-16 | 中化现代农业有限公司 | 一种基于计算机视觉的作物病虫害检测方法及系统 |
| CN113962258A (zh) * | 2021-10-09 | 2022-01-21 | 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) | 一种烟草病害的识别与防治方法、系统及存储介质 |
| CN114170513A (zh) * | 2021-12-08 | 2022-03-11 | 广东省农业科学院植物保护研究所 | 一种草地贪夜蛾的虫情监测方法、系统及存储介质 |
| CN114266979A (zh) * | 2021-12-31 | 2022-04-01 | 湖北省农业科学院农业质量标准与检测技术研究所 | 茶树病虫害智能识别方法、装置、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| NGUYEN: "Hyperspectral remote sensing to detect leafminer-induced stress in bok choy and spinach according to fertilizer regime and timing", 《PEST MANAGEMENT SCIENCE》 * |
| 宋勇等: "无人机遥感监测作物病虫害研究进展", 《棉花学报》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115204689A (zh) * | 2022-07-19 | 2022-10-18 | 郑州航空工业管理学院 | 一种基于图像处理的智慧农业管理系统 |
| CN115147837A (zh) * | 2022-08-16 | 2022-10-04 | 河北省农林科学院植物保护研究所 | 一种基于光学图像识别的二点委夜蛾饲养方法及系统 |
| CN115147837B (zh) * | 2022-08-16 | 2023-10-27 | 河北省农林科学院植物保护研究所 | 一种基于光学图像识别的二点委夜蛾饲养方法及系统 |
| CN115358883A (zh) * | 2022-09-15 | 2022-11-18 | 河北省农林科学院植物保护研究所 | 一种棉蚜的抗性动态监测与防治用药推荐方法及系统 |
| CN115358883B (zh) * | 2022-09-15 | 2023-10-24 | 河北省农林科学院植物保护研究所 | 一种棉蚜的抗性动态监测与防治用药推荐方法及系统 |
| CN116737824A (zh) * | 2023-05-05 | 2023-09-12 | 苏州小猫花网络科技有限公司 | 基于区块链的数据共享方法及系统 |
| CN117035241A (zh) * | 2023-10-08 | 2023-11-10 | 广东省农业科学院植物保护研究所 | 基于虫情预测的智能化飞虫诱杀器管理方法、系统及介质 |
| CN117035241B (zh) * | 2023-10-08 | 2024-01-23 | 广东省农业科学院植物保护研究所 | 基于虫情预测的智能化飞虫诱杀器管理方法、系统及介质 |
| CN117789067A (zh) * | 2024-02-27 | 2024-03-29 | 山东字节信息科技有限公司 | 一种基于机器学习的无人机农作物监测方法及系统 |
| CN117789067B (zh) * | 2024-02-27 | 2024-05-10 | 山东字节信息科技有限公司 | 一种基于机器学习的无人机农作物监测方法及系统 |
| CN118469927A (zh) * | 2024-04-30 | 2024-08-09 | 山东云智农农业科技有限公司 | 基于机器视觉和ar的虫害检测与管理系统 |
| CN118279754A (zh) * | 2024-06-03 | 2024-07-02 | 安徽农业大学 | 一种草地贪夜蛾的传播途径识别与预警方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114550108B (zh) | 2022-07-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114550108B (zh) | 一种草地贪夜蛾的识别预警方法及系统 | |
| 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 | |
| CN113095555B (zh) | 基于物联网的农作物病虫害监控方法、系统及存储介质 | |
| CN111369540B (zh) | 基于掩码卷积神经网络的植物叶片病害识别方法 | |
| Bauckhage et al. | Data mining and pattern recognition in agriculture | |
| Vamsidhar et al. | Plant disease identification and classification using image processing | |
| CN115311588A (zh) | 基于无人机遥感图像的松材线虫病害立木检测方法及装置 | |
| JP2021509212A (ja) | 病害の予測・コントロール方法、及びそのシステム | |
| Almoujahed et al. | Detection of fusarium head blight in wheat under field conditions using a hyperspectral camera and machine learning | |
| Devi et al. | Web enabled paddy disease detection using Compressed Sensing | |
| Jawade et al. | Disease prediction of mango crop using machine learning and IoT | |
| Kumar et al. | An identification of crop disease using image segmentation | |
| CN112465038A (zh) | 一种识别果树病虫害种类的方法及系统 | |
| CN113207511A (zh) | 一种基于农药抗性监测的农药施用方法、系统及可读存储介质 | |
| Mahalakshmi et al. | RETRACTED ARTICLE: Agro Suraksha: pest and disease detection for corn field using image analysis | |
| Kaur et al. | Research patterns and trends in classification of biotic and abiotic stress in plant leaf | |
| CN117173400A (zh) | 一种荔枝虫害的低碳治理方案推荐方法及系统 | |
| Rezk et al. | An efficient IoT based framework for detecting rice disease in smart farming system | |
| Radhika et al. | Machine learning approach-based plant disease detection and pest detection system | |
| Singhi et al. | Integrated YOLOv4 deep learning pretrained model for accurate estimation of wheat rust disease severity | |
| CN117541423A (zh) | 基于融合图谱特征的棉蚜危害监测方法及系统 | |
| Chen et al. | Artificial intelligence for image processing in agriculture | |
| CN116188872A (zh) | 一种林业病虫害自动识别方法及装置 | |
| Alli et al. | Animal identification based on footprint recognition | |
| Rocha IV et al. | Philippine carabao mango pest identification using convolutional neural network |
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 |