CN114707585A - 过敏物种播报方法、系统及可读存储介质 - Google Patents
过敏物种播报方法、系统及可读存储介质 Download PDFInfo
- Publication number
- CN114707585A CN114707585A CN202210289068.0A CN202210289068A CN114707585A CN 114707585 A CN114707585 A CN 114707585A CN 202210289068 A CN202210289068 A CN 202210289068A CN 114707585 A CN114707585 A CN 114707585A
- Authority
- CN
- China
- Prior art keywords
- information
- species
- allergic
- sensitization
- allergic species
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000000172 allergic effect Effects 0.000 title claims abstract description 139
- 208000010668 atopic eczema Diseases 0.000 title claims abstract description 139
- 238000000034 method Methods 0.000 title claims abstract description 52
- 206010070834 Sensitisation Diseases 0.000 claims abstract description 85
- 230000008313 sensitization Effects 0.000 claims abstract description 85
- 230000012010 growth Effects 0.000 claims abstract description 23
- 206010020751 Hypersensitivity Diseases 0.000 claims description 34
- 208000026935 allergic disease Diseases 0.000 claims description 34
- 230000007815 allergy Effects 0.000 claims description 34
- 230000015654 memory Effects 0.000 claims description 27
- 230000005540 biological transmission Effects 0.000 claims description 4
- 208000024891 symptom Diseases 0.000 abstract description 2
- 241000894007 species Species 0.000 description 107
- 241000196324 Embryophyta Species 0.000 description 58
- 238000012549 training Methods 0.000 description 24
- 238000013145 classification model Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 241000124033 Salix Species 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 235000013399 edible fruits Nutrition 0.000 description 6
- 238000013507 mapping Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 239000013566 allergen Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 241001412225 Firmiana simplex Species 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 208000035285 Allergic Seasonal Rhinitis Diseases 0.000 description 2
- 206010048908 Seasonal allergy Diseases 0.000 description 2
- 230000002009 allergenic effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 201000004338 pollen allergy Diseases 0.000 description 2
- 231100000331 toxic Toxicity 0.000 description 2
- 230000002588 toxic effect Effects 0.000 description 2
- 206010054928 Allergy to plants Diseases 0.000 description 1
- 240000001592 Amaranthus caudatus Species 0.000 description 1
- 235000009328 Amaranthus caudatus Nutrition 0.000 description 1
- 235000003826 Artemisia Nutrition 0.000 description 1
- 235000003261 Artemisia vulgaris Nutrition 0.000 description 1
- 240000006891 Artemisia vulgaris Species 0.000 description 1
- 244000020551 Helianthus annuus Species 0.000 description 1
- 235000003222 Helianthus annuus Nutrition 0.000 description 1
- 241000219000 Populus Species 0.000 description 1
- 240000000528 Ricinus communis Species 0.000 description 1
- 235000004443 Ricinus communis Nutrition 0.000 description 1
- 235000012735 amaranth Nutrition 0.000 description 1
- 239000004178 amaranth Substances 0.000 description 1
- 230000003698 anagen phase Effects 0.000 description 1
- 235000009052 artemisia Nutrition 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001954 sterilising effect Effects 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06F18/24—Classification techniques
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种过敏物种播报方法、系统及可读存储介质，所述过敏物种播报方法包括：通过植物识别模型识别图片中的植物的物种信息和生长阶段信息；若当前植物属于过敏物种时，获取其致敏信息和位置信息；根据所述过敏物种的致敏信息和位置信息向相关用户推送防护信息。本发明提供的方案可以通过过敏物种播报地图向用户展示当前区域内的过敏物种的具体物种信息、位置信息、致敏信息和防护信息，同时可以推送相关过敏物种的警告信息或预警信息，提示对应用户避开相应区域，以免出现过敏症状。
Description
技术领域
本发明涉及对象识别技术领域，特别涉及一种过敏物种播报方法、系统及可读存储介质。
背景技术
植物是我们赖以生存的环境的创造者，制造氧气、提供食物、能源，杀菌防尘、保水减噪。植物的花开花落、旖旎多姿，装点着我们的美好生活。生活中植物无处不在，人类的生活绝对离不开植物，但是有些植物的某些器官是有毒的或会致人过敏，接触、吸入或食用会造成严重后果，例如花粉过敏、柳絮过敏等不同过敏症状。
以花粉过敏为例，其主要是患者对植物花粉过敏所引起，主要累及眼及上呼吸道。该病症绝大部分由风做传播媒体的花粉诱发。常见的致病花粉有篙属花粉、向日葵、梧桐、蓖麻、苋属植物、葫属植物、杨树、榆树的花粉等。
因此，存在对过敏物种预警信息的需求。
发明内容
本公开的目的之一是提供一种过敏物种播报方法，其特征在于，包括：
通过植物识别模型识别图片中的植物的物种信息和生长阶段信息；
若当前植物属于过敏物种时，获取其致敏信息和位置信息；
根据所述过敏物种的致敏信息和位置信息向相关用户推送防护信息。
在一些实施例中，所述根据所述过敏物种的致敏信息和位置信息向相关用户推送防护信息包括：
根据所述过敏物种的致敏信息、生长阶段信息和/或当前时间信息判断其是否处于致敏期，并以此决定是否向相关用户推送防护信息。
在一些实施例中，当所述过敏物种处于致敏期时，对设定区域范围内的用户推送致敏警告信息。
在一些实施例中，当所述过敏物种未到致敏期时，对设定区域范围内的用户推送致敏预警信息，一旦所述过敏物种进入致敏期时，再对设定区域范围内的用户推送致敏警告信息。
在一些实施例中，当所述过敏物种处于致敏期时，获取所述过敏物种的位置信息和拍摄时间信息，并在区域地图上进行标注显示。
在一些实施例中，当所述过敏物种处于致敏期时，对其不同区域范围的影响程度进行区分标注显示。
在一些实施例中，对于不同的过敏物种，且其影响区域范围重叠的部分进行叠加并区分标注显示。
在一些实施例中，对于不同的区域范围，计算过敏物种的种类数量、个体数量以及分布密度来确定相应区域的致敏等级并进行划分。
在一些实施例中，所述对不同区域范围的影响程度进行区分标注显示还包括：获取当前区域的天气信息，并根据所述天气信息调整所述过敏物种的影响区域和影响程度。
在一些实施例中，该方法还包括：若当前位置在设定时间段内未识别出过敏物种，但历史记录的当前位置存在过敏物种时，获取所述过敏物种的致敏信息和致敏期信息，并在致敏期向相关用户推送所述位置可能存在过敏物种的防护信息。
在一些实施例中，所述致敏信息包括致敏源信息，过敏传播方式，防护方式和治疗方式信息。
在一些实施例中，所述根据所述过敏物种的致敏信息和位置信息向相关用户推送防护信息包括：
根据用户预先设置的过敏信息向设定区域范围内的相关用户推送防护信息。
根据本公开的另一方面，提出了一种可读存储介质，其上存储有程序，所述程序被执行时实现如上所述的过敏物种播报方法。
根据本公开的另一方面，提出了一种过敏物种播报系统，包括处理器和存储器，所述存储器上存储有程序，所述程序被所述处理器执行时，实现如上所述的过敏物种播报方法。
通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得更为清楚。
附图说明
构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。
图1所示为本发明一较佳实施例提供的过敏物种播报系统的网络环境示意图。
图2所示为本发明一实施例提供的过敏物种播报方法的流程示意图。
图3所示为本发明一实施例提供的过敏物种播报系统的结构示意图。
注意，在以下说明的实施方式中，有时在不同的附图之间共同使用同一附图标记来表示相同部分或具有相同功能的部分，而省略其重复说明。在一些情况中，使用相似的标号和字母表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
为了便于理解，在附图等中所示的各结构的位置、尺寸及范围等有时不表示实际的位置、尺寸及范围等。因此，本公开并不限于附图等所公开的位置、尺寸及范围等。
具体实施方式
下面将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。也就是说，本文中的结构及方法是以示例性的方式示出，来说明本公开中的结构和方法的不同实施例。然而，本领域技术人员将会理解，它们仅仅说明可以用来实施的本公开的示例性方式，而不是穷尽的方式。此外，附图不必按比例绘制，一些特征可能被放大以示出具体组件的细节。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
本申请的发明人深入研究了用于过敏物种播报的方法及系统。图1所示为本发明一较佳实施例提供的过敏物种播报系统的网络环境示意图。
过敏物种播报系统的网络环境100可以包括移动设备102、远程服务器103、训练设备104和数据库105，它们通过网络106彼此有线或无线地耦接。网络106可以体现为广域网(诸如移动电话网络、公共交换电话网络、卫星网络、互联网等)、局域网(诸如Wi-Fi、Wi-Max、ZigBeeTM、BluetoothTM等)和/或其它形式的联网功能。
移动设备102可以包括移动电话、平板计算机、膝上型计算机、个人数字助理和/或被配置用于捕获、存储和/或传输诸如数字照片之类的图像的其它计算装置。因此，移动设备102可以包括诸如数字相机之类的图像捕获装置和/或可以被配置为从其它装置接收图像。移动设备102可以包括显示器。显示器可以被配置用于向用户101提供一个或多个用户界面，所述用户界面可以包括多个界面元素，用户101可以与界面元素进行交互等。例如，用户101可以使用移动设备102对某一植物进行拍摄并上传或存储图像。移动设备102可以向用户输出有关该过敏物种的类别信息、位置信息、致敏信息和防护信息等详细介绍等，或者可以向用户展示过敏物种播报地图，以及推送过敏物种警告和预警信息、用户也可以向其它用户或好友分享过敏物种信息等。
远程服务器103可以被配置为对经由网络106从移动设备102接收的图像等进行分析以确定过敏物种的种类，并识别该过敏物种的生长阶段等详细信息。远程服务器103还可以被配置为创建并训练本实施例的植物识别模型。植物识别模型的具体训练过程将在下文结合具体实施例进行描述。
训练设备104可以耦合到网络106以促进植物识别模型的训练。训练设备104可以具有多个CPU和/或GPU以辅助训练植物识别模型。
数据库105可以耦合到网络106并提供远程服务器103进行相关计算所需的数据。例如，数据库105可以包括存储有大量的不同种类的植物的图像的样本库，以及同一种类下的多个生长阶段的植物的图像的样本库。在一个实施例中，以梧桐为例，样本库可以包括大量不同位置、不同季节、不同时间天气和不同拍摄角度下的不同品种的梧桐的图像样本。在一个实施例中，还可以将用户所拍摄的选定植物照片存储到与该植物种类相对应的样本库中，同时，还可以在数据库中记录与该植物的位置信息、季节信息、时间信息、天气信息和拍摄角度信息中的一个或多个相对应的生长阶段信息和形态信息。数据库可以采取本领域中已知的各种数据库技术来实现。远程服务器103可以根据需要访问数据库105以进行相关操作。
应该理解的是，本文的网络环境100仅仅是一个示例。本领域技术人员可以根据需要，增加更多的装置或删减一些装置，并且可以对一些装置的功能和配置进行修改。
图2所示为本发明较佳实施例的过敏物种播报方法的流程示意图，该方法可以在例如手机、平板电脑等智能终端上安装的应用程序(app)中实现。如图1所示，该方法包括：
步骤S100：通过植物识别模型识别图片中的植物的物种信息和生长阶段信息；
步骤S200：若当前植物属于过敏物种时，获取其致敏信息和位置信息；
步骤S300：根据所述过敏物种的致敏信息和位置信息向相关用户推送防护信息。
植物识别模型可以是神经网络模型，具体可以是卷积神经网络模型或残差网络模型。卷积神经网络模型为深度前馈神经网络，其利用卷积核扫描物种图像，提取出物种图像中多个待识别的特征，进而对物种待识别的特征进行识别。另外，在对物种图像进行识别的过程中，可以直接将原始的物种图像输入卷积神经网络模型，而无需对物种图像进行预处理。卷积神经网络模型相比于其他的识别模型，具备更高的识别准确率以及识别效率。
残差网络模型相比于卷积神经网络模型多了恒等映射层，可以避免随着网络深度(网络中叠层的数量)的增加而导致的准确率饱和、甚至下降的现象。残差网络模型中恒等映射层的恒等映射函数需要满足：恒等映射函数与残差网络模型的输入之和等于残差网络模型的输出。引入恒等映射以后，残差网络模型对输出的变化更加明显，因此可以大大提高物种的特征识别准确率和识别效率。
在一些实施例中，训练特征分类模型可以包括：
获取具有预设数量的标注有多个特征信息的物种图像的第一样本集；
从第一样本集中确定一定比例的物种图像作为第一训练集；
利用第一训练集训练特征分类模型；以及
在第一训练准确率大于或者等于第一预设准确率时训练结束，得到训练后的特征分类模型。
具体地，在第一样本集中，可以包括大量的物种图像，并且每幅物种图像都对应标注有其对应的多个特征。将物种图像输入特征分类模型以产生输出的特征信息，然后根据输出的特征信息和标注的特征信息之间的比较结果，可以对特征分类模型中的相关参数进行调节，即对特征分类模型进行训练，直至特征分类模型的第一训练准确率大于或者等于第一预设准确率时训练结束，从而得到训练后的特征分类模型。根据一幅物种图像，特征分类模型也可以输出多个候选特征，其中每个候选特征可以具有其相应的特征置信度，以待进一步的分析筛选。
进一步的，还可以对训练得到的特征分类模型进行测试，具体可以包括：
从第一样本集中确定一定比例的物种图像作为第一测试集；
利用第一测试集确定训练后的特征分类模型的第一模型准确率；以及
在第一模型准确率小于第二预设准确率时，调整第一训练集和/或特征分类模型进行重新训练。
一般情况下，第一测试集和第一训练集中的物种图像并不完全相同，因而可以用第一测试集来测试特征分类模型是否对第一训练集之外的物种图像也有很好的识别效果。在测试过程中，通过比较根据第一测试集中的物种图像所产生的输出的特征信息和标注的特征信息，来计算特征分类模型的第一模型准确率。在一些示例中，第一模型准确率的计算方法可以与第一训练准确率的计算方法相同。当测试得到的第一模型准确率小于第二预设准确率时，表明特征分类模型的识别效果还不够好，因而可以调整第一训练集，具体例如可以增加第一训练集中的标注有特征信息的物种图像的数量，或者调整特征分类模型本身，或者对上述两者均进行调整，然后重新训练特征分类模型来改善其识别效果。在一些实施例中，第二预设准确率可以被设置为等于第一预设准确率。
植物识别模型例如可以是预先通过样本训练建立的神经网络模型，诸如卷积神经网络模型或残差网络模型等。可以使用同一个识别模型来一起识别植物的物种和生长阶段，也可以使用两个单独的模型来分别识别植物的物种和生长阶段。生长阶段可以包括种子/幼苗期、营养期(叶期)、生长期、花期、果期、落叶期、休眠期、以及干枯期中的一个，此外还可以包括摘下来的叶子、落下的花朵或果实、其他等不同的生长阶段或者不同的形态以及部位，以上都可以通过经过标注的样本进行训练建立识别模型来识别。
接收的图像可以是用户先前存储的或者是用户实时拍摄的。例如，所述图像可以是用户先前存储在移动设备102中或者是用户使用连接到移动设备102的外置摄像头或移动设备102内置的摄像头进行实时拍摄的。在一个实施例中，用户还可以通过网络实时获取所述图像。
在一些实施例中，所述根据所述过敏物种的致敏信息和位置信息向相关用户推送防护信息包括：根据所述过敏物种的致敏信息、生长阶段信息和/或当前时间信息判断其是否处于致敏期，并以此决定是否向相关用户推送防护信息。例如柳树在果期会出现柳絮，即柳树的果期为致敏期，判断当前植物是否为致敏植物和有毒物种识别类别，可以通过预存在内容管理数据库中的物种信息来获得当前物种的致敏性及致敏期，例如获得柳树的致敏期为果期，然后识别柳树的生长阶段是否处于果期来判断其是否处于致敏期。致敏期也可以不通过生长阶段识别，仅通过时间信息也能确认当前时间该过敏物种是否为致敏期，比如柳絮的出现时间一般为每年的4-5月份，因此可默认柳树的致敏期为4-5月。同时致敏期还可以通过生长阶段结合时间信息来综合判断确认，部分植物的致敏期在某一生长状态的特定时间时产生过敏源。未到致敏期的过敏植物可以提供预警信息显示，一旦进入致敏期就可以对区域内的用户推送警告信息。若某一过敏植物根据生长状态识别尚未进入致敏期，但是实际时间已到致敏期，则提醒该过敏植物随时可能进入致敏期，直到下次该过敏植物再次被拍摄识别生长阶段进入过敏期了就直接推送过敏警告信息给相关用户。
当所述过敏物种处于致敏期时，对设定区域范围内的用户推送致敏警告信息。对于处于致敏期的过敏植物，获取用户拍摄照片的时间和地点，并在过敏播报地图上进行标记显示，推送给相应区域内的用户(例如5公里范围内)，也可以主动分享给特定区域的用户或好友。过敏物种播报系统还可以实时获取用户的位置信息，一旦其进入的区域范围内具有过敏植物就推送相关过敏警告信息给用户。
在一些实施例中，当所述过敏物种未到致敏期时，对设定区域范围内的用户推送致敏预警信息，一旦所述过敏物种进入致敏期时，再对设定区域范围内的用户推送致敏警告信息。当所述过敏物种处于致敏期时，获取所述过敏物种的位置信息和拍摄时间信息，并在区域地图上进行标注显示。
当所述过敏物种处于致敏期时，对其不同区域范围的影响程度进行区分标注显示。可以按照过敏植物在地图上不同区域范围内的影响程度来绘制相应颜色，例如最靠近过敏植物50m区域范围内标注红色，50-100米范围以内标注橙色，100-200米范围内标注黄色，无过敏信息区域内标注绿色等来提醒用户不同过敏植物的影响区域范围，注意避开相应区域等。
在一些实施例中，对于不同的过敏物种，且其影响区域范围重叠的部分可以进行叠加并区分标注显示。
对于不同的区域范围，计算过敏物种(特别是风媒过敏物种)的种类数量、个体数量以及分布密度来确定相应区域的致敏等级(过敏风险指数)并进行划分。例如可以根据累计识别或其他用户识别上报的过敏植物信息结合不同大小区域的面积进行计算不同区域的过敏植物的分布密度，同样不同致敏等级的区域也可以结合不同等级不同颜色绘制的交互方式进行展示给用户。
在一些实施例中，所述对不同区域范围的影响程度进行区分标注显示还包括：获取当前区域的天气信息，并根据所述天气信息调整所述过敏物种的影响区域和影响程度。过敏物种播报系统可以通过获取当前区域的天气、温度、湿度、风向风速等天气信息来计算不同区域的危险等级，过敏物种的影响范围等，例如晴天要比雨天风险大，风速大时风险等级较高，不同风向和风速影响的区域范围也会不同，通过相应的计算过敏播报系统可以较为准确的获取当前不同区域的风险等级，以便用户规划出行路线，绕开相应的危险区域。天气等信息的获取是根据用户的位置信息来获取的，同时可以根据天气信息实时更新不同区域的预警等级和相应的影响范围。
同时，过敏物种播报系统还可以根据过敏物种的全球分布情况,结合用户地理位置,来拟合过敏风险指数，例如结合全球生物多样性资讯机构的过敏物种分布数据和物种识别系统获取到的过敏物种分布情况，推算出全球各个不同区域的出过敏物种的分布密度，根据风媒过敏物种清单并结合区域位置的季节气候等信息，预估各个时间段的过敏源浓度情况，从而根据以上数据获取过敏风险指数。
在一些实施例中，该方法还包括：若当前位置在设定时间段内未识别出过敏物种，但历史记录的当前位置存在过敏物种时，获取所述过敏物种的致敏信息和致敏期信息，并在致敏期向相关用户推送所述位置可能存在过敏物种的防护信息。用户点击过敏播报地图可以查看相应区域或全部区域的过敏植物情况，部分区域下可能存在无过敏植物在当前时间段上报的位置信息(例如本年度或者本季度)，但是历史记录的此地点有过敏植物存在时，抓取该过敏植物上一过敏期的时间和过敏物种信息作为当前的预估时间和预估过敏物种信息显示，提醒用户该位置可能存在相应的过敏植物，注意相应的防范措施进行自我保护。后续如果有用户到达当前位置拍摄的图像中识别出确实已经不存在相应过敏植物时，对相关过敏植物信息数据库进行更新。例如在相同位置引导用户拍摄覆盖360度的全范围的多张照片(或全景照片)，以便通过植物识别模型进行识别是否还存在历史过敏植物。
在一些实施例中，所述致敏信息包括致敏源信息，过敏传播方式，防护方式和治疗方式信息。用户也可以点击过敏播报地图上的标记查看当前时间过敏植物出现的地点，同时显示其植物品种信息和过敏信息，例如致敏源信息，过敏传播方式，防护方式和治疗方式信息等。过敏播报地图上显示用户拍摄过敏植物照片的缩小图标，点击可以查看多张全图以及其他用户拍摄的当前地点的照片，缩小图标可以自动选取包含致敏原的图片进行显示(如柳树图片可以选取包含柳絮的图片)。
所述根据所述过敏物种的致敏信息和位置信息向相关用户推送防护信息包括：根据用户预先设置的过敏信息向设定区域范围内的相关用户推送防护信息。用户可以预先设置自己的过敏信息，然后点击查看相应区域内是否有涉及的过敏植物，以及过敏植物出现的位置信息，过敏物种播报系统也可以根据用户设置的过敏信息来选择推送相应的致敏警告信息。
基于同一发明构思，本发明还提供了一种过敏物种播报系统。如图3所示，过敏物种播报系统200可以包括处理器210和存储器220，存储器220上存储有指令，当指令被处理器210执行时，可以实现如上文所描述的过敏物种播报方法中的步骤。
其中，处理器210可以根据存储在存储器220中的指令执行各种动作和处理。具体地，处理器210可以是一种集成电路芯片，具有信号的处理能力。上述处理器可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中公开的各种方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，可以是X86架构或者是ARM架构等。
存储器220存储有可执行指令，该指令在被处理器210执行上文所述的过敏物种播报方法。存储器220可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器(ROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)或闪存。易失性存储器可以是随机存取存储器(RAM)，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(SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(SDRAM)、双倍数据速率同步动态随机存取存储器(DDRSDRAM)、增强型同步动态随机存取存储器(ESDRAM)、同步连接动态随机存取存储器(SLDRAM)和直接内存总线随机存取存储器(DR RAM)。应注意，本文描述的方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
基于同一发明构思，本发明还提供了一种计算机可读存储介质，计算机可读存储介质上存储有指令，当指令被执行时，可以实现上文所描述的过敏物种播报方法中的步骤。
类似地，本发明实施例中的计算机可读存储介质可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。应注意，本文描述的计算机可读存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
需要说明的是，附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
一般而言，本发明的各种示例实施例可以在硬件或专用电路、软件、固件、逻辑，或其任何组合中实施。某些方面可以在硬件中实施，而其他方面可以在可以由控制器、微处理器或其他计算设备执行的固件或软件中实施。当本发明的实施例的各方面被图示或描述为框图、流程图或使用某些其他图形表示时，将理解此处描述的方框、装置、系统、技术或方法可以作为非限制性的示例在硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备，或其某些组合中实施。
需要说明的是，本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统、计算机可读存储介质而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。
Claims (14)
1.一种过敏物种播报方法，其特征在于，包括：
通过植物识别模型识别图片中的植物的物种信息和生长阶段信息；
若当前植物属于过敏物种时，获取其致敏信息和位置信息；
根据所述过敏物种的致敏信息和位置信息向相关用户推送防护信息。
2.根据权利要求1所述的过敏物种播报方法，其特征在于，所述根据所述过敏物种的致敏信息和位置信息向相关用户推送防护信息包括：
根据所述过敏物种的致敏信息、生长阶段信息和/或当前时间信息判断其是否处于致敏期，并以此决定是否向相关用户推送防护信息。
3.根据权利要求2所述的过敏物种播报方法，其特征在于，当所述过敏物种处于致敏期时，对设定区域范围内的用户推送致敏警告信息。
4.根据权利要求2所述的过敏物种播报方法，其特征在于，当所述过敏物种未到致敏期时，对设定区域范围内的用户推送致敏预警信息，一旦所述过敏物种进入致敏期时，再对设定区域范围内的用户推送致敏警告信息。
5.根据权利要求2所述的过敏物种播报方法，其特征在于，当所述过敏物种处于致敏期时，获取所述过敏物种的位置信息和拍摄时间信息，并在区域地图上进行标注显示。
6.根据权利要求2所述的过敏物种播报方法，其特征在于，当所述过敏物种处于致敏期时，对其不同区域范围的影响程度进行区分标注显示。
7.根据权利要求6所述的过敏物种播报方法，其特征在于，对于不同的过敏物种，且其影响区域范围重叠的部分进行叠加并区分标注显示。
8.根据权利要求6所述的过敏物种播报方法，其特征在于，对于不同的区域范围，计算过敏物种的种类数量、个体数量以及分布密度来确定相应区域的致敏等级并进行划分。
9.根据权利要求6所述的过敏物种播报方法，其特征在于，所述对不同区域范围的影响程度进行区分标注显示还包括：获取当前区域的天气信息，并根据所述天气信息调整所述过敏物种的影响区域和影响程度。
10.根据权利要求1所述的过敏物种播报方法，其特征在于，该方法还包括：若当前位置在设定时间段内未识别出过敏物种，但历史记录的当前位置存在过敏物种时，获取所述过敏物种的致敏信息和致敏期信息，并在致敏期向相关用户推送所述位置可能存在过敏物种的防护信息。
11.根据权利要求1所述的过敏物种播报方法，其特征在于，所述致敏信息包括致敏源信息，过敏传播方式，防护方式和治疗方式信息。
12.根据权利要求1所述的过敏物种播报方法，其特征在于，所述根据所述过敏物种的致敏信息和位置信息向相关用户推送防护信息包括：
根据用户预先设置的过敏信息向设定区域范围内的相关用户推送防护信息。
13.一种可读存储介质，其上存储有程序，其特征在于，所述程序被执行时实现根据权利要求1～12中任一项所述的过敏物种播报方法。
14.一种过敏物种播报系统，其特征在于，包括处理器和存储器，所述存储器上存储有程序，所述程序被所述处理器执行时，实现根据权利要求1～12中任一项所述的过敏物种播报方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210289068.0A CN114707585A (zh) | 2022-03-22 | 2022-03-22 | 过敏物种播报方法、系统及可读存储介质 |
| PCT/CN2023/078610 WO2023179317A1 (zh) | 2022-03-22 | 2023-02-28 | 过敏物种播报方法、系统及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210289068.0A CN114707585A (zh) | 2022-03-22 | 2022-03-22 | 过敏物种播报方法、系统及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114707585A true CN114707585A (zh) | 2022-07-05 |
Family
ID=82168433
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210289068.0A Pending CN114707585A (zh) | 2022-03-22 | 2022-03-22 | 过敏物种播报方法、系统及可读存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN114707585A (zh) |
| WO (1) | WO2023179317A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023179317A1 (zh) * | 2022-03-22 | 2023-09-28 | 杭州睿胜软件有限公司 | 过敏物种播报方法、系统及可读存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111291689A (zh) * | 2020-02-14 | 2020-06-16 | 杭州睿琪软件有限公司 | 植物花期播报方法、系统及计算机可读存储介质 |
| CN111325240A (zh) * | 2020-01-23 | 2020-06-23 | 杭州睿琪软件有限公司 | 与杂草相关的计算机可执行的方法和计算机系统 |
| CN112686159A (zh) * | 2020-12-30 | 2021-04-20 | 北京墨迹风云科技股份有限公司 | 过敏植物分布统计方法以及装置 |
| CN113469537A (zh) * | 2021-07-07 | 2021-10-01 | 西南交通大学 | 基于气象和人口密度的城市绿地孢粉致敏风险值计算方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106447170A (zh) * | 2016-08-31 | 2017-02-22 | 深圳前海弘稼科技有限公司 | 一种种植箱信息显示方法、服务器、种植箱以及种植系统 |
| EP3579128A1 (en) * | 2018-06-07 | 2019-12-11 | Koninklijke Philips N.V. | A system and method for determining conditions which risk respiratory attacks |
| CN114707585A (zh) * | 2022-03-22 | 2022-07-05 | 杭州睿胜软件有限公司 | 过敏物种播报方法、系统及可读存储介质 |
-
2022
- 2022-03-22 CN CN202210289068.0A patent/CN114707585A/zh active Pending
-
2023
- 2023-02-28 WO PCT/CN2023/078610 patent/WO2023179317A1/zh unknown
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111325240A (zh) * | 2020-01-23 | 2020-06-23 | 杭州睿琪软件有限公司 | 与杂草相关的计算机可执行的方法和计算机系统 |
| CN111291689A (zh) * | 2020-02-14 | 2020-06-16 | 杭州睿琪软件有限公司 | 植物花期播报方法、系统及计算机可读存储介质 |
| CN112686159A (zh) * | 2020-12-30 | 2021-04-20 | 北京墨迹风云科技股份有限公司 | 过敏植物分布统计方法以及装置 |
| CN113469537A (zh) * | 2021-07-07 | 2021-10-01 | 西南交通大学 | 基于气象和人口密度的城市绿地孢粉致敏风险值计算方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023179317A1 (zh) * | 2022-03-22 | 2023-09-28 | 杭州睿胜软件有限公司 | 过敏物种播报方法、系统及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023179317A1 (zh) | 2023-09-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ghazaryan et al. | A rule-based approach for crop identification using multi-temporal and multi-sensor phenological metrics | |
| Onishi et al. | Explainable identification and mapping of trees using UAV RGB image and deep learning | |
| Biradar et al. | A global map of rainfed cropland areas (GMRCA) at the end of last millennium using remote sensing | |
| Mas | Monitoring land-cover changes: a comparison of change detection techniques | |
| Lyons et al. | Long term land cover and seagrass mapping using Landsat and object-based image analysis from 1972 to 2010 in the coastal environment of South East Queensland, Australia | |
| CN111291689B (zh) | 植物花期播报方法、系统及计算机可读存储介质 | |
| US20210027061A1 (en) | Method and system for object identification | |
| Baron et al. | Combining image processing and machine learning to identify invasive plants in high-resolution images | |
| Salehi et al. | Accurate crop-type classification using multi-temporal optical and multi-polarization SAR data in an object-based image analysis framework | |
| WO2021223607A1 (zh) | 植物状态评估方法、系统及计算机可读存储介质 | |
| Skurikhin et al. | Automated tree crown detection and size estimation using multi-scale analysis of high-resolution satellite imagery | |
| US9684832B2 (en) | Methods and systems for providing remote plant identification by unique biological characteristics | |
| Wang et al. | Unsupervised discrimination between lodged and non-lodged winter wheat: A case study using a low-cost unmanned aerial vehicle | |
| Kim et al. | Estimating fractional green vegetation cover of Mongolian grasslands using digital camera images and MODIS satellite vegetation indices | |
| Brendel et al. | Assessment of the effectiveness of supervised and unsupervised methods: maximizing land-cover classification accuracy with spectral indices data | |
| CN111242178A (zh) | 对象识别方法、装置及设备 | |
| Ovakoglou et al. | Downscaling of MODIS leaf area index using landsat vegetation index | |
| CN114707585A (zh) | 过敏物种播报方法、系统及可读存储介质 | |
| Schreiber et al. | Above-ground biomass wheat estimation: deep learning with UAV-based RGB images | |
| Stefanidou et al. | Fuel type mapping using object-based image analysis of DMC and Landsat-8 OLI imagery | |
| Silva Junior et al. | Object-based image analysis supported by data mining to discriminate large areas of soybean | |
| Merchant | Classifying open water features using optical satellite imagery and an object-oriented convolutional neural network | |
| Coulter et al. | Time–space radiometric normalization of TM/ETM+ images for land cover change detection | |
| WO2023093480A1 (zh) | 物种游览方法、游览系统及可读存储介质 | |
| Aggarwal et al. | Urban flood hazard mapping using change detection on wetness transformed images |
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 |