CN114707773B - 基于深度学习的虫害防治方案生成方法、系统及存储介质 - Google Patents

基于深度学习的虫害防治方案生成方法、系统及存储介质 Download PDF

Info

Publication number
CN114707773B
CN114707773B CN202210629166.4A CN202210629166A CN114707773B CN 114707773 B CN114707773 B CN 114707773B CN 202210629166 A CN202210629166 A CN 202210629166A CN 114707773 B CN114707773 B CN 114707773B
Authority
CN
China
Prior art keywords
pest
nodes
insect
control scheme
target area
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
Application number
CN202210629166.4A
Other languages
English (en)
Other versions
CN114707773A (zh
Inventor
肖勇
李振宇
尹飞
彭争科
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Plant Protection Research Institute Guangdong Academy of Agricultural Sciences
Original Assignee
Plant Protection Research Institute Guangdong Academy of Agricultural Sciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Plant Protection Research Institute Guangdong Academy of Agricultural Sciences filed Critical Plant Protection Research Institute Guangdong Academy of Agricultural Sciences
Priority to CN202210629166.4A priority Critical patent/CN114707773B/zh
Publication of CN114707773A publication Critical patent/CN114707773A/zh
Application granted granted Critical
Publication of CN114707773B publication Critical patent/CN114707773B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Educational Administration (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)

Abstract

本发明公开的一种基于深度学习的虫害防治方案生成方法、系统及存储介质，涉及虫害防治技术领域，其中虫害防治方案生成方法包括：获取目标区域内植株图像信息，根据所述植株图像信息判断目标区域内植株是否存在虫害情况并确定当前虫害为害症状，基于虫害种类、为害症状及防治方法通过异构图形式进行表示，基于图卷积神经网络构建防治方案生成模型，将所述当前虫害为害症状作为初始节点输入防治方案生成模型获取防治方案的预测分数，将预测分数高的防治方案作为适用于目标区域植株的虫害防治方案。本发明通过图卷积神经网络获取虫害与防治方案的潜在关系，使得防治方案的针对性及精准度大大提高，同时改良了植株虫害防治方案的制定效率。

Description

基于深度学习的虫害防治方案生成方法、系统及存储介质
技术领域
本发明涉及虫害防治技术领域，更具体的，涉及一种基于深度学习的虫害防治方案生成方法、系统及存储介质。
背景技术
传统的粗放式农业管理方式不仅无法大力促进农业生产效率，而且极大的浪费了农业资源，对生态环境造成破坏。随着信息化技术的发展，精准农业生产方式应运而生，尤其是病虫害防治及管理呈现出智能化的趋势；目前传统的植株虫害识别及防治方法中主要还是靠田间巡视进行虫害种类的现场诊断，而此类方法效率较低、时效性较差，远远不能满足我国农业发展的需求。而农业人员由于科技知识能力受限，不能及时掌握植株病虫害的发生与发展，往往会错过最佳防治期，在病虫害发生较重时，才大剂量地喷酒农药，使农产品农药残留超标，且严重污染环境，因此，根据虫害情况针对性制定科学合理的防治方案就显得尤为重要。
在虫害防治实践中，要正确识别虫害种类及为害症状，通过虫害的一般形态特征及生长发育规律，针对性制定虫害防治方案实现对其防治，为了实现虫害防治方案的智能化生成，构建虫害防治的联合异构图，通过深度学习方式获取当前虫害为害症状在异构图中的潜在关系，获取相关防治措施，对植株虫害进行及早发现及早治疗，很大程度上减少虫害的危害，同时还减少了农药的乱用，保护环境与提高产量同时实现。
发明内容
为了解决上述至少一个技术问题，本发明提出了一种基于深度学习的虫害防治方案生成方法、系统和存储介质。
本发明第一方面提供了一种基于深度学习的虫害防治方案生成方法，包括：
获取目标区域内植株图像信息，根据所述植株图像信息判断目标区域内植株是否存在虫害情况并确定当前虫害为害症状；
基于虫害、为害症状、防治方法通过无向异构图形式进行表示；
基于图卷积神经网络构建防治方案生成模型，将所述当前虫害为害症状作为初始节点输入虫害防治方案生成模型获取防治方案的预测分数；
将预测分数高的防治方案作为适用于目标区域植株的虫害防治方案。
本方案中，所述的获取目标区域内植株图像信息，根据所述植株图像信息判断目标区域内植株是否存在虫害情况并确定当前虫害为害症状，具体为：
获取目标区域内植株图像信息，通过植株图像信息裁剪出叶片，茎秆或果实重点区域图像信息，将所述重点区域图像信息进行灰化处理，对灰化处理后的图像进行滤波去噪；
将滤波去噪后的重点区域图像信息通过Canny边缘算子进行边缘点检测，生成边缘检测图像，根据所述边缘检测图像获取纹理特征；
获取重点区域图像的RGB图像，将所述RGB图像转换到LUV色度空间计算每个像素的色度值，根据所述色度值获取LUV颜色直方图特征向量，生成颜色特征；
通过目标区域内植株的种类信息基于大数据获取植株虫害图像库，根据所述植株虫害图像库通过特征提取构建特征向量库；
将所述纹理特征及颜色特征按照预设比例聚合生成最终特征，将所述最终特征与特征向量库中的虫害特征进行相似度计算；
判断相似度是否处于预设相似度阈值范围内，是则判定植株存在虫害情况，并通过最终特征获取植株当前虫害为害症状，否则判定植株不存在虫害情况。
本方案中，所述的基于虫害、为害症状、防治方法通过无向异构图形式进行表示，具体为：
基于大数据获取虫害的属性特征，将虫害种类，虫害形态特征，为害植物种类，为害症状特征，虫害防治方法构建知识图谱；
通过节点及边对知识图谱进行可视化无向异构图表示，将虫害节点与为害症状节点及防治方法节点进行连接；
将虫害的属性特征作为虫害类型节点的附加描述节点，所述附加描述节点包含在虫害节点中。
本方案中,所述的基于图卷积神经网络构建防治方案生成模型，其中防治方案生成模型的表示学习，具体为：
基于图卷积神经网络构建防治方案生成模型，对无向异构图中的节点进行编码学习表示；
将虫害节点、为害症状节点及防治方法节点进行低维向量空间嵌入表示，根据虫害节点与为害症状节点及防治方法节点的关系通过特征传播机制及邻居聚合机制建立为害症状与防治方法的潜在联系；
生成具有为害症状描述的虫害节点表示及防治方法节点表示；
所述无向异构图
Figure 821591DEST_PATH_IMAGE001
,
Figure 575920DEST_PATH_IMAGE002
表示虫害节点、为害症状节点及防治节点集合，
Figure 250615DEST_PATH_IMAGE003
表 示虫害与为害症状的关联关系及虫害与防治方法的关联关系集合。
本方案中，所述的将所述当前虫害为害症状作为初始节点输入防治方案生成模型获取防治方案的预测分数，具体为：
通过防治方案生成模型对无向异构图进行卷积，获取当前虫害为害特征，将所述当前虫害为害特征作为初始节点输入防治方案生成模型，获取初始节点低维向量空间嵌入表示，在无向异构图中进行为害特征的多层感知，进行虫害对防治方法的预测分数；
所述预测分数
Figure 774000DEST_PATH_IMAGE004
的计算公式为：
Figure DEST_PATH_IMAGE005
其中，
Figure 125216DEST_PATH_IMAGE006
表示防治方法节点的低维向量表示，
Figure 304524DEST_PATH_IMAGE007
表示为害症状节点的低维向量表 示，
Figure 845227DEST_PATH_IMAGE008
表示虫害节点的低维向量表示，
Figure 675649DEST_PATH_IMAGE009
表示聚合函数，
Figure 10815DEST_PATH_IMAGE010
表示虫害
Figure 677420DEST_PATH_IMAGE011
的为害症状节点 的邻居节点的集合，
Figure 756234DEST_PATH_IMAGE012
表示训练所得参数，
Figure 441163DEST_PATH_IMAGE013
表示矩阵转置。
本方案中，根据目标区域的环境特征与气象特征对虫害防治方案进行修正，具体为：
根据防治方案生成模型获取适用于目标区域内植株的虫害防治方案，获取目标区域植株密度信息及植株虫害病情指数；
根据所述目标区域植株密度信息及植株虫害病情指数对虫害防治方案进行适应性调整；
获取目标区域实施适应性调整后虫害防治方案的仿效数据，判断所述仿效数据是否大于预设仿效阈值，若大于，则证明所述虫害防治方案满足目标区域植株虫害的防治需求；
否则，获取区域的地理位置信息、气象特征及环境特征，对适应性调整后虫害防治方案进行修正。
本发明第二方面还提供了一种基于深度学习的虫害防治方案生成系统，该系统包括：存储器、处理器，所述存储器中包括基于深度学习的虫害防治方案生成方法程序，所述基于深度学习的虫害防治方案生成的方法程序被所述处理器执行时实现如下步骤：
获取目标区域内植株图像信息，根据所述植株图像信息判断目标区域内植株是否存在虫害情况并确定当前虫害为害症状；
基于虫害、为害症状、防治方法通过无向异构图形式进行表示；
基于图卷积神经网络构建防治方案生成模型，将所述当前虫害为害症状作为初始节点输入虫害防治方案生成模型获取防治方案的预测分数；
将预测分数高的防治方案作为适用于目标区域植株的虫害防治方案。
本方案中，所述的获取目标区域内植株图像信息，根据所述植株图像信息判断目标区域内植株是否存在虫害情况并确定当前虫害为害症状，具体为：
获取目标区域内植株图像信息，通过植株图像信息裁剪出叶片，茎秆或果实重点区域图像信息，将所述重点区域图像信息进行灰化处理，对灰化处理后的图像进行滤波去噪；
将滤波去噪后的重点区域图像信息通过Canny边缘算子进行边缘点检测，生成边缘检测图像，根据所述边缘检测图像获取纹理特征；
获取重点区域图像的RGB图像，将所述RGB图像转换到LUV色度空间计算每个像素的色度值，根据所述色度值获取LUV颜色直方图特征向量，生成颜色特征；
通过目标区域内植株的种类信息基于大数据获取植株虫害图像库，根据所述植株虫害图像库通过特征提取构建特征向量库；
将所述纹理特征及颜色特征按照预设比例聚合生成最终特征，将所述最终特征与特征向量库中的虫害特征进行相似度计算；
判断相似度是否处于预设相似度阈值范围内，是则判定植株存在虫害情况，并通过最终特征获取植株当前虫害为害症状，否则判定植株不存在虫害情况。
本方案中，所述的基于虫害、为害症状、防治方法通过无向异构图形式进行表示，具体为：
基于大数据获取虫害的属性特征，将虫害种类，虫害形态特征，为害植物种类，为害症状特征，虫害防治方法构建知识图谱；
通过节点及边对知识图谱进行可视化无向异构图表示，将虫害节点与为害症状节点及防治方法节点进行连接；
将虫害的属性特征作为虫害类型节点的附加描述节点，所述附加描述节点包含在虫害节点中。
本方案中,所述的基于图卷积神经网络构建防治方案生成模型，其中防治方案生成模型的表示学习，具体为：
基于图卷积神经网络构建防治方案生成模型，对无向异构图中的节点进行编码学习表示；
将虫害节点、为害症状节点及防治方法节点进行低维向量空间嵌入表示，根据虫害节点与为害症状节点及防治方法节点的关系通过特征传播机制及邻居聚合机制建立为害症状与防治方法的潜在联系；
生成具有为害症状描述的虫害节点表示及防治方法节点表示；
所述无向异构图
Figure 947230DEST_PATH_IMAGE001
,
Figure 835552DEST_PATH_IMAGE002
表示虫害节点、为害症状节点及防治节点集合，
Figure 718057DEST_PATH_IMAGE003
表示虫害与为害症状的关联关系及虫害与防治方法的关联关系集合。
本方案中，所述的将所述当前虫害为害症状作为初始节点输入防治方案生成模型获取防治方案的预测分数，具体为：
通过防治方案生成模型对无向异构图进行卷积，获取当前虫害为害特征，将所述当前虫害为害特征作为初始节点输入防治方案生成模型，获取初始节点低维向量空间嵌入表示，在无向异构图中进行为害特征的多层感知，进行虫害对防治方法的预测分数；
所述预测分数
Figure 546508DEST_PATH_IMAGE004
的计算公式为：
Figure 489057DEST_PATH_IMAGE005
其中，
Figure 864674DEST_PATH_IMAGE006
表示防治方法节点的低维向量表示，
Figure 285291DEST_PATH_IMAGE007
表示为害症状节点的低维向量表 示，
Figure 679233DEST_PATH_IMAGE008
表示虫害节点的低维向量表示，
Figure 730365DEST_PATH_IMAGE009
表示聚合函数，
Figure 655596DEST_PATH_IMAGE010
表示虫害
Figure 801275DEST_PATH_IMAGE011
的为害症状节点 的邻居节点的集合，
Figure 128351DEST_PATH_IMAGE012
表示训练所得参数，
Figure 615965DEST_PATH_IMAGE013
表示矩阵转置。
本方案中，根据目标区域的环境特征与气象特征对虫害防治方案进行修正，具体为：
根据防治方案生成模型获取适用于目标区域内植株的虫害防治方案，获取目标区域植株密度信息及植株虫害病情指数；
根据所述目标区域植株密度信息及植株虫害病情指数对虫害防治方案进行适应性调整；
获取目标区域实施适应性调整后虫害防治方案的仿效数据，判断所述仿效数据是否大于预设仿效阈值，若大于，则证明所述虫害防治方案满足目标区域植株虫害的防治需求；
否则，获取区域的地理位置信息、气象特征及环境特征，对适应性调整后虫害防治方案进行修正。
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基于深度学习的虫害防治方案生成方法程序，所述基于深度学习的虫害防治方案生成方法程序被处理器执行时，实现如上述任一项所述的基于深度学习的虫害防治方案生成方法的步骤。
本发明公开的一种基于深度学习的虫害防治方案生成方法、系统及存储介质，涉及虫害防治技术领域，其中虫害防治方案生成方法包括：获取目标区域内植株图像信息，根据所述植株图像信息判断目标区域内植株是否存在虫害情况并确定当前虫害为害症状，基于虫害种类、为害症状及防治方法通过异构图形式进行表示，基于图卷积神经网络构建防治方案生成模型，将所述当前虫害为害症状作为初始节点输入防治方案生成模型获取防治方案的预测分数，将预测分数高的防治方案作为适用于目标区域植株的虫害防治方案。本发明通过图卷积神经网络获取虫害与防治方案的潜在关系，使得防治方案的针对性及精准度大大提高，同时改良了植株虫害防治方案的制定效率。
附图说明
图1示出了本发明一种基于深度学习的虫害防治方案生成方法的流程图；
图2示出了本发明基于图卷积神经网络学习表示的方法流程图；
图3示出了本发明对虫害防治方案进行修正的方法流程图；
图4示出了本发明一种基于深度学习的虫害防治方案生成系统的框图。
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深度学习的虫害防治方案生成方法的流程图。
如图1所示，本发明第一方面提供了一种基于深度学习的虫害防治方案生成方法，包括：
S102，获取目标区域内植株图像信息，根据所述植株图像信息判断目标区域内植株是否存在虫害情况并确定当前虫害为害症状；
S104，基于虫害、为害症状、防治方法通过无向异构图形式进行表示；
S106，基于图卷积神经网络构建防治方案生成模型，将所述当前虫害为害症状作为初始节点输入虫害防治方案生成模型获取防治方案的预测分数；
S108，将预测分数高的防治方案作为适用于目标区域植株的虫害防治方案。
需要说明的是，所述的获取目标区域内植株图像信息，根据所述植株图像信息判断目标区域内植株是否存在虫害情况并确定当前虫害为害症状，具体为：获取目标区域内植株图像信息，通过植株图像信息裁剪出叶片，茎秆或果实等重点区域图像信息，将所述重点区域图像信息进行灰化处理，对灰化处理后的图像进行滤波去噪，所述滤波去噪可以为均值滤波、高斯滤波等；将滤波去噪后的重点区域图像信息通过Canny边缘算子进行边缘点检测，预设获取像素点的幅值梯度和方向信息，对幅值梯度进行非极大值抑制，预设双阈值，用双阈值判断像素点是否为边缘点，生成边缘检测图像，根据所述边缘检测图像获取纹理特征；获取重点区域图像的RGB图像，将所述RGB图像转换到LUV色度空间计算每个像素的色度值，根据所述色度值获取LUV颜色直方图特征向量，生成颜色特征；通过目标区域内植株的种类信息基于大数据获取该种类植株常见虫害的图像库，根据虫害图像库通过特征提取构建特征向量库；将所述纹理特征及颜色特征按照预设比例聚合生成最终特征，将所述最终特征与特征向量库中的虫害特征进行相似度计算；判断相似度是否处于预设相似度阈值范围内，是则判定植株存在虫害情况，并通过最终特征获取植株当前虫害为害症状，否则判定植株不存在虫害情况。同时根据相似度计算还能够初步判断植株虫害的种类信息，对虫害为害症状与虫害种类建立初步潜在关系。
需要说明的是，所述的基于虫害、为害症状、防治方法通过无向异构图形式进行表示，具体为：基于大数据获取虫害的属性特征，获取虫害生长发育过程中的适宜温湿度，虫害在不同环境下的年发生代数及虫害的世代发生期，虫害各代数的寿命，虫害的体长及生长发育各阶段的形态特征，虫害的迁飞路径，植株遭遇病虫害后的症状，虫害的防治方法，包括农业防治、生物防治、物理防治和化学防治等防治方法，对结构化、非结构化等虫害相关数据进行全面的采集，分析其语义信息，确定映射虫害实体、虫害实体属性以及各实体之间关系，将虫害种类，虫害形态特征，为害植物种类，为害症状特征，虫害防治方法构建知识图谱；通过节点及边对知识图谱进行可视化无向异构图表示，将虫害节点与为害症状节点及防治方法节点进行连接；将虫害的属性特征作为虫害类型节点的附加描述节点，所述附加描述节点包含在虫害节点中。
图2示出了本发明基于图卷积神经网络学习表示的方法流程图。
根据本发明实施例,所述的基于图卷积神经网络构建防治方案生成模型，其中防治方案生成模型的表示学习，具体为：
S202，基于图卷积神经网络构建防治方案生成模型，对无向异构图中的节点进行编码学习表示；
S204，将虫害节点、为害症状节点及防治方法节点进行低维向量空间嵌入表示，根据虫害节点与为害症状节点及防治方法节点的关系通过特征传播机制及邻居聚合机制建立为害症状与防治方法的潜在联系；
S206，生成具有为害症状描述的虫害节点表示及防治方法节点表示；
所述无向异构图
Figure 28491DEST_PATH_IMAGE001
,
Figure 977862DEST_PATH_IMAGE002
表示虫害节点、为害症状节点及防治节点集合，
Figure 159444DEST_PATH_IMAGE003
表示虫害与为害症状的关联关系及虫害与防治方法的关联关系集合。
图卷积神经网络在进行图卷积过程中可视为节点的属性特征在通过图中的边进行传播，节点获取邻居节点的属性特征，对邻居节点的属性特征进行聚合，并更新自身节点的学习表示，其表示学习中聚合的表达式为：
Figure 286800DEST_PATH_IMAGE014
其中，
Figure DEST_PATH_IMAGE015
表示第k+1层传播后虫害的低维向量表示，
Figure 639153DEST_PATH_IMAGE016
表示激活函数，
Figure 205264DEST_PATH_IMAGE017
表示权 重矩阵，
Figure 913457DEST_PATH_IMAGE018
表示第k层传播后防治方法的低维向量表示，
Figure 539610DEST_PATH_IMAGE009
表示聚合函数，
Figure 113680DEST_PATH_IMAGE019
表示虫害节 点的邻居节点。
需要说明的是，所述的将所述当前虫害为害症状作为初始节点输入防治方案生成模型获取防治方案的预测分数，具体为：
通过防治方案生成模型对无向异构图进行卷积，获取当前虫害为害特征，将所述当前虫害为害特征作为初始节点输入防治方案生成模型，获取初始节点低维向量空间嵌入表示，在无向异构图中进行为害特征的多层感知，进行虫害对防治方法的预测分数；
所述预测分数
Figure 217902DEST_PATH_IMAGE004
的计算公式为：
Figure 577339DEST_PATH_IMAGE005
其中，
Figure 374394DEST_PATH_IMAGE006
表示防治方法节点的低维向量表示，
Figure 904601DEST_PATH_IMAGE007
表示为害症状节点的低维向量表 示，
Figure 78094DEST_PATH_IMAGE008
表示虫害节点的低维向量表示，
Figure 292037DEST_PATH_IMAGE009
表示聚合函数，
Figure 259993DEST_PATH_IMAGE010
表示虫害
Figure 277497DEST_PATH_IMAGE011
的为害症状节点 的邻居节点的集合，
Figure 723521DEST_PATH_IMAGE012
表示训练所得参数，
Figure 791972DEST_PATH_IMAGE013
表示矩阵转置。
在上述公式中通过虫害节点的低维向量表示及防治方法节点的低维向量表示二者的内积获取虫害种类与防治方法之间的潜在关系得到，虫害种类与防治方法之间的偏好值。由于在图卷积神经网络的学习表示中每一层捕获不同的语义，不同层对最终表示的贡献程度不同，引入注意力机制生成注意力得分，对学习表示进行优化。
图3示出了本发明对虫害防治方案进行修正的方法流程图。
根据本发明实施例，根据目标区域的环境特征与气象特征对虫害防治方案进行修正，具体为：
S302，根据防治方案生成模型获取适用于目标区域内植株的虫害防治方案，获取目标区域植株密度信息及植株虫害病情指数；
S304，根据所述目标区域植株密度信息及植株虫害病情指数对虫害防治方案进行适应性调整；
S306，获取目标区域实施适应性调整后虫害防治方案的仿效数据，判断所述仿效数据是否大于预设仿效阈值，若大于，则证明所述虫害防治方案满足目标区域植株虫害的防治需求；
S308，否则，获取区域的地理位置信息、气象特征及环境特征，对适应性调整后虫害防治方案进行修正。
需要说明的是，若植株出现病叶等虫害显著特征则将植株标记虫害植株，根据虫害植株及目标区域植株总数估算虫害病情指数，若目标区域内植株出现多种虫害，根据目标区域内受虫害植株的图像信息分析实施防治方案后的防治数据，通过得到的各病虫害对应的化学药剂防治数据，修正进行病虫害联合防治中各化学药剂的合理配比。
根据本发明实施例，本发明还包括，在实施防治方案时，根据目标区域的环境特征制定环境调控方案，具体为：
当检测到目标区域植株出现虫害情况，则进行虫害预警，并获取虫害预警时的环境特征，并将所述环境特征与当前虫害情况进行匹配；
根据目标区域植株的种类信息获取其适生条件，根据所述适生条件确定评价指标，根据所述评价指标与预设评分机制构建环境评价体系；
将所述虫害预警时的环境特征根据环境评价体系进行评估，预设评估得分阈值，根据评估得分与所述评估得分阈值进行对比判断获取虫害预警时的异常环境指标；
根据所述异常环境指标确定目标区域的环境改良方向，同时获取异常环境指标与所述适生条件对应标准的偏差值确定目标区域环境调控方案；
并将目标区域的环境特征进行定期监测，与虫害情况发生时的环境特征进行对比，获取目标区域的环境修复速率，根据所述环境修复速率修正所述环境调控方案。
根据本发明实施例，本发明还包括，构建数据库，存储目标区域的环境特征数据，具体为：
构建目标区域环境特征数据库，将目标区域植株种类及虫害情况对应的历史环境特征存储至所述环境特征数据库中；
根据预设环境特征监测计划定期获取目标区域的当前环境特征，根据目标区域的植株种类及所述当前环境特征在所述环境特征数据库中通过相似度计算进行检索；
获取相似度满足预设阈值标准的历史环境特征，提取历史环境特征对应的虫害情况，并及时生成预警信息；
通过目标区域环境特征数据库获取目标区域环境特征的变化规律，并根据当前目标区域环境特征结合环境调控方案及气象特征对预设时间后的环境特征进行预测；
根据当前环境特征及预测环境特征推荐目标区域的适生植物优选序列，同时根据适生植物的种植成本及经济效益选取最优适生植物。
图4示出了本发明一种基于深度学习的虫害防治方案生成系统的框图。
本发明第二方面还提供了一种基于深度学习的虫害防治方案生成系统4，该系统包括：存储器41、处理器42，所述存储器中包括基于深度学习的虫害防治方案生成方法程序，所述基于深度学习的虫害防治方案生成的方法程序被所述处理器执行时实现如下步骤：
获取目标区域内植株图像信息，根据所述植株图像信息判断目标区域内植株是否存在虫害情况并确定当前虫害为害症状；
基于虫害、为害症状、防治方法通过无向异构图形式进行表示；
基于图卷积神经网络构建防治方案生成模型，将所述当前虫害为害症状作为初始节点输入虫害防治方案生成模型获取防治方案的预测分数；
将预测分数高的防治方案作为适用于目标区域植株的虫害防治方案。
需要说明的是，所述的获取目标区域内植株图像信息，根据所述植株图像信息判断目标区域内植株是否存在虫害情况并确定当前虫害为害症状，具体为：获取目标区域内植株图像信息，通过植株图像信息裁剪出叶片，茎秆或果实等重点区域图像信息，将所述重点区域图像信息进行灰化处理，对灰化处理后的图像进行滤波去噪，所述滤波去噪可以为均值滤波、高斯滤波等；将滤波去噪后的重点区域图像信息通过Canny边缘算子进行边缘点检测，预设获取像素点的幅值梯度和方向信息，对幅值梯度进行非极大值抑制，预设双阈值，用双阈值判断像素点是否为边缘点，生成边缘检测图像，根据所述边缘检测图像获取纹理特征；获取重点区域图像的RGB图像，将所述RGB图像转换到LUV色度空间计算每个像素的色度值，根据所述色度值获取LUV颜色直方图特征向量，生成颜色特征；通过目标区域内植株的种类信息基于大数据获取该种类植株常见虫害的图像库，根据虫害图像库通过特征提取构建特征向量库；将所述纹理特征及颜色特征按照预设比例聚合生成最终特征，将所述最终特征与特征向量库中的虫害特征进行相似度计算；判断相似度是否处于预设相似度阈值范围内，是则判定植株存在虫害情况，并通过最终特征获取植株当前虫害为害症状，否则判定植株不存在虫害情况。同时根据相似度计算还能够初步判断植株虫害的种类信息，对虫害为害症状与虫害种类建立初步潜在关系。
需要说明的是，所述的基于虫害、为害症状、防治方法通过无向异构图形式进行表示，具体为：基于大数据获取虫害的属性特征，获取虫害生长发育过程中的适宜温湿度，虫害在不同环境下的年发生代数及虫害的世代发生期，虫害各代数的寿命，虫害的体长及生长发育各阶段的形态特征，虫害的迁飞路径，植株遭遇病虫害后的症状，虫害的防治方法，包括农业防治、生物防治、物理防治和化学防治等防治方法，对结构化、非结构化等虫害相关数据进行全面的采集，分析其语义信息，确定映射虫害实体、虫害实体属性以及各实体之间关系，将虫害种类，虫害形态特征，为害植物种类，为害症状特征，虫害防治方法构建知识图谱；通过节点及边对知识图谱进行可视化无向异构图表示，将虫害节点与为害症状节点及防治方法节点进行连接；将虫害的属性特征作为虫害类型节点的附加描述节点，所述附加描述节点包含在虫害节点中。
根据本发明实施例,所述的基于图卷积神经网络构建防治方案生成模型，其中防治方案生成模型的表示学习，具体为：
基于图卷积神经网络构建防治方案生成模型，对无向异构图中的节点进行编码学习表示；
将虫害节点、为害症状节点及防治方法节点进行低维向量空间嵌入表示，根据虫害节点与为害症状节点及防治方法节点的关系通过特征传播机制及邻居聚合机制建立为害症状与防治方法的潜在联系；
生成具有为害症状描述的虫害节点表示及防治方法节点表示；
所述无向异构图
Figure 930829DEST_PATH_IMAGE001
,
Figure 966787DEST_PATH_IMAGE002
表示虫害节点、为害症状节点及防治节点集合，
Figure 216503DEST_PATH_IMAGE003
表示虫害与为害症状的关联关系及虫害与防治方法的关联关系集合。
图卷积神经网络在进行图卷积过程中可视为节点的属性特征在通过图中的边进行传播，节点获取邻居节点的属性特征，对邻居节点的属性特征进行聚合，并更新自身节点的学习表示，其表示学习中聚合的表达式为：
Figure 873880DEST_PATH_IMAGE014
其中，
Figure 183639DEST_PATH_IMAGE015
表示第k+1层传播后虫害的低维向量表示，
Figure 441314DEST_PATH_IMAGE016
表示激活函数，
Figure 494720DEST_PATH_IMAGE017
表示权 重矩阵，
Figure 272183DEST_PATH_IMAGE018
表示第k层传播后防治方法的低维向量表示，
Figure 752843DEST_PATH_IMAGE009
表示聚合函数，
Figure 232235DEST_PATH_IMAGE019
表示虫害节 点的邻居节点。
需要说明的是，所述的将所述当前虫害为害症状作为初始节点输入防治方案生成模型获取防治方案的预测分数，具体为：
通过防治方案生成模型对无向异构图进行卷积，获取当前虫害为害特征，将所述当前虫害为害特征作为初始节点输入防治方案生成模型，获取初始节点低维向量空间嵌入表示，在无向异构图中进行为害特征的多层感知，进行虫害对防治方法的预测分数；
所述预测分数
Figure 89333DEST_PATH_IMAGE004
的计算公式为：
Figure 986881DEST_PATH_IMAGE005
其中，
Figure 638443DEST_PATH_IMAGE006
表示防治方法节点的低维向量表示，
Figure 683759DEST_PATH_IMAGE007
表示为害症状节点的低维向量表 示，
Figure 340DEST_PATH_IMAGE008
表示虫害节点的低维向量表示，
Figure 549133DEST_PATH_IMAGE009
表示聚合函数，
Figure 574858DEST_PATH_IMAGE010
表示虫害
Figure 841891DEST_PATH_IMAGE011
的为害症状节点 的邻居节点的集合，
Figure 962162DEST_PATH_IMAGE012
表示训练所得参数，
Figure 631041DEST_PATH_IMAGE013
表示矩阵转置。
在上述公式中通过虫害节点的低维向量表示及防治方法节点的低维向量表示二者的内积获取虫害种类与防治方法之间的潜在关系得到，虫害种类与防治方法之间的偏好值。由于在图卷积神经网络的学习表示中每一层捕获不同的语义，不同层对最终表示的贡献程度不同，引入注意力机制生成注意力得分，对学习表示进行优化。
根据本发明实施例，根据目标区域的环境特征与气象特征对虫害防治方案进行修正，具体为：
根据防治方案生成模型获取适用于目标区域内植株的虫害防治方案，获取目标区域植株密度信息及植株虫害病情指数；
根据所述目标区域植株密度信息及植株虫害病情指数对虫害防治方案进行适应性调整；
获取目标区域实施适应性调整后虫害防治方案的仿效数据，判断所述仿效数据是否大于预设仿效阈值，若大于，则证明所述虫害防治方案满足目标区域植株虫害的防治需求；
否则，获取区域的地理位置信息、气象特征及环境特征，对适应性调整后虫害防治方案进行修正。
需要说明的是，若植株出现病叶等虫害显著特征则将植株标记虫害植株，根据虫害植株及目标区域植株总数估算虫害病情指数，若目标区域内植株出现多种虫害，根据目标区域内受虫害植株的图像信息分析实施防治方案后的防治数据，通过得到的各病虫害对应的化学药剂防治数据，修正进行病虫害联合防治中各化学药剂的合理配比。
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基于深度学习的虫害防治方案生成方法程序，所述基于深度学习的虫害防治方案生成方法程序被处理器执行时，实现如上述任一项所述的基于深度学习的虫害防治方案生成方法的步骤。
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 (7)

1.一种基于深度学习的虫害防治方案生成方法，其特征在于，包括以下步骤：
获取目标区域内植株图像信息，根据所述植株图像信息判断目标区域内植株是否存在虫害情况并确定当前虫害为害症状；
基于虫害、为害症状、防治方法通过无向异构图形式进行表示；
基于图卷积神经网络构建防治方案生成模型，将所述当前虫害为害症状作为初始节点输入虫害防治方案生成模型获取防治方案的预测分数；
将预测分数高的防治方案作为适用于目标区域植株的虫害防治方案；
所述的基于图卷积神经网络构建防治方案生成模型，其中防治方案生成模型的表示学习，具体为：
基于图卷积神经网络构建防治方案生成模型，对无向异构图中的节点进行编码学习表示；
将虫害节点、为害症状节点及防治方法节点进行低维向量空间嵌入表示，根据虫害节点与为害症状节点及防治方法节点的关系通过特征传播机制及邻居聚合机制建立为害症状与防治方法的潜在联系；
生成具有为害症状描述的虫害节点表示及防治方法节点表示；
所述无向异构图
Figure DEST_PATH_IMAGE002
,
Figure DEST_PATH_IMAGE004
表示虫害节点、为害症状节点及防治节点集合，
Figure DEST_PATH_IMAGE006
表示虫害与为害症状的关联关系及虫害与防治方法的关联关系集合；
所述的将所述当前虫害为害症状作为初始节点输入防治方案生成模型获取防治方案的预测分数，具体为：
通过防治方案生成模型对无向异构图进行卷积，获取当前虫害为害特征，将所述当前虫害为害特征作为初始节点输入防治方案生成模型，获取初始节点低维向量空间嵌入表示，在无向异构图中进行为害特征的多层感知，进行虫害对防治方法的预测分数；
所述预测分数
Figure DEST_PATH_IMAGE008
的计算公式为：
Figure DEST_PATH_IMAGE010
其中，
Figure DEST_PATH_IMAGE012
表示防治方法节点的低维向量表示，
Figure DEST_PATH_IMAGE014
表示为害症状节点的低维向量表示，
Figure DEST_PATH_IMAGE016
表示虫害节点的低维向量表示，
Figure DEST_PATH_IMAGE018
表示聚合函数，
Figure DEST_PATH_IMAGE020
表示虫害
Figure DEST_PATH_IMAGE022
的为害症状节点的邻居节点的集合，
Figure DEST_PATH_IMAGE024
表示训练所得参数，
Figure DEST_PATH_IMAGE026
表示矩阵转置；
根据目标区域的环境特征制定环境调控方案，具体为：
当检测到目标区域植株出现虫害情况，则进行虫害预警，并获取虫害预警时的环境特征，并将所述环境特征与当前虫害情况进行匹配；
根据目标区域植株的种类信息获取其适生条件，根据所述适生条件确定评价指标，根据所述评价指标与预设评分机制构建环境评价体系；
将所述虫害预警时的环境特征根据环境评价体系进行评估，预设评估得分阈值，根据评估得分与所述评估得分阈值进行对比判断获取虫害预警时的异常环境指标；
根据所述异常环境指标确定目标区域的环境改良方向，同时获取异常环境指标与所述适生条件对应标准的偏差值确定目标区域环境调控方案；
并将目标区域的环境特征进行定期监测，与虫害情况发生时的环境特征进行对比，获取目标区域的环境修复速率，根据所述环境修复速率修正所述环境调控方案。
2.根据权利要求1所述的一种基于深度学习的虫害防治方案生成方法，其特征在于，所述的获取目标区域内植株图像信息，根据所述植株图像信息判断目标区域内植株是否存在虫害情况并确定当前虫害为害症状，具体为：
获取目标区域内植株图像信息，通过植株图像信息裁剪出叶片，茎秆或果实重点区域图像信息，将所述重点区域图像信息进行灰化处理，对灰化处理后的图像进行滤波去噪；
将滤波去噪后的重点区域图像信息通过Canny边缘算子进行边缘点检测，生成边缘检测图像，根据所述边缘检测图像获取纹理特征；
获取重点区域图像的RGB图像，将所述RGB图像转换到LUV色度空间计算每个像素的色度值，根据所述色度值获取LUV颜色直方图特征向量，生成颜色特征；
通过目标区域内植株的种类信息基于大数据获取植株虫害图像库，根据所述植株虫害图像库通过特征提取构建特征向量库；
将所述纹理特征及颜色特征按照预设比例聚合生成最终特征，将所述最终特征与特征向量库中的虫害特征进行相似度计算；
判断相似度是否处于预设相似度阈值范围内，是则判定植株存在虫害情况，并通过最终特征获取植株当前虫害为害症状，否则判定植株不存在虫害情况。
3.根据权利要求1所述的一种基于深度学习的虫害防治方案生成方法，其特征在于，所述的基于虫害、为害症状、防治方法通过无向异构图形式进行表示，具体为：
基于大数据获取虫害的属性特征，将虫害种类，虫害形态特征，为害植物种类，为害症状特征，虫害防治方法构建知识图谱；
通过节点及边对知识图谱进行可视化无向异构图表示，将虫害节点与为害症状节点及防治方法节点进行连接；
将虫害的属性特征作为虫害类型节点的附加描述节点，所述附加描述节点包含在虫害节点中。
4.根据权利要求1所述的一种基于深度学习的虫害防治方案生成方法，其特征在于，根据目标区域的环境特征与气象特征对虫害防治方案进行修正，具体为：
根据防治方案生成模型获取适用于目标区域内植株的虫害防治方案，获取目标区域植株密度信息及植株虫害病情指数；
根据所述目标区域植株密度信息及植株虫害病情指数对虫害防治方案进行适应性调整；
获取目标区域实施适应性调整后虫害防治方案的仿效数据，判断所述仿效数据是否大于预设仿效阈值，若大于，则证明所述虫害防治方案满足目标区域植株虫害的防治需求；
否则，获取区域的地理位置信息、气象特征及环境特征，对适应性调整后虫害防治方案进行修正。
5.一种基于深度学习的虫害防治方案生成系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括基于深度学习的虫害防治方案生成方法程序，所述基于深度学习的虫害防治方案生成方法程序被所述处理器执行时实现如下步骤：
获取目标区域内植株图像信息，根据所述植株图像信息判断目标区域内植株是否存在虫害情况并确定当前虫害为害症状；
基于虫害、为害症状、防治方法通过无向异构图形式进行表示；
基于图卷积神经网络构建防治方案生成模型，将所述当前虫害为害症状作为初始节点输入虫害防治方案生成模型获取防治方案的预测分数；
将预测分数高的防治方案作为适用于目标区域植株的虫害防治方案；
所述的基于图卷积神经网络构建防治方案生成模型，其中防治方案生成模型的表示学习，具体为：
基于图卷积神经网络构建防治方案生成模型，对无向异构图中的节点进行编码学习表示；
将虫害节点、为害症状节点及防治方法节点进行低维向量空间嵌入表示，根据虫害节点与为害症状节点及防治方法节点的关系通过特征传播机制及邻居聚合机制建立为害症状与防治方法的潜在联系；
生成具有为害症状描述的虫害节点表示及防治方法节点表示；
所述无向异构图
Figure 977764DEST_PATH_IMAGE002
,
Figure 426063DEST_PATH_IMAGE004
表示虫害节点、为害症状节点及防治节点集合，
Figure 110860DEST_PATH_IMAGE006
表示虫害与为害症状的关联关系及虫害与防治方法的关联关系集合；
所述的将所述当前虫害为害症状作为初始节点输入防治方案生成模型获取防治方案的预测分数，具体为：
通过防治方案生成模型对无向异构图进行卷积，获取当前虫害为害特征，将所述当前虫害为害特征作为初始节点输入防治方案生成模型，获取初始节点低维向量空间嵌入表示，在无向异构图中进行为害特征的多层感知，进行虫害对防治方法的预测分数；
所述预测分数
Figure 37228DEST_PATH_IMAGE008
的计算公式为：
Figure DEST_PATH_IMAGE010A
其中，
Figure 461387DEST_PATH_IMAGE012
表示防治方法节点的低维向量表示，
Figure 815008DEST_PATH_IMAGE014
表示为害症状节点的低维向量表示，
Figure 488566DEST_PATH_IMAGE016
表示虫害节点的低维向量表示，
Figure 218625DEST_PATH_IMAGE018
表示聚合函数，
Figure 58142DEST_PATH_IMAGE020
表示虫害
Figure 458031DEST_PATH_IMAGE022
的为害症状节点的邻居节点的集合，
Figure 743519DEST_PATH_IMAGE024
表示训练所得参数，
Figure 887055DEST_PATH_IMAGE026
表示矩阵转置；
根据目标区域的环境特征制定环境调控方案，具体为：
当检测到目标区域植株出现虫害情况，则进行虫害预警，并获取虫害预警时的环境特征，并将所述环境特征与当前虫害情况进行匹配；
根据目标区域植株的种类信息获取其适生条件，根据所述适生条件确定评价指标，根据所述评价指标与预设评分机制构建环境评价体系；
将所述虫害预警时的环境特征根据环境评价体系进行评估，预设评估得分阈值，根据评估得分与所述评估得分阈值进行对比判断获取虫害预警时的异常环境指标；
根据所述异常环境指标确定目标区域的环境改良方向，同时获取异常环境指标与所述适生条件对应标准的偏差值确定目标区域环境调控方案；
并将目标区域的环境特征进行定期监测，与虫害情况发生时的环境特征进行对比，获取目标区域的环境修复速率，根据所述环境修复速率修正所述环境调控方案。
6.根据权利要求5所述的一种基于深度学习的虫害防治方案生成系统，其特征在于，所述的获取目标区域内植株图像信息，根据所述植株图像信息判断目标区域内植株是否存在虫害情况并确定当前虫害为害症状，具体为：
获取目标区域内植株图像信息，通过植株图像信息裁剪出叶片，茎秆或果实重点区域图像信息，将所述重点区域图像信息进行灰化处理，对灰化处理后的图像进行滤波去噪；
将滤波去噪后的重点区域图像信息通过Canny边缘算子进行边缘点检测，生成边缘检测图像，根据所述边缘检测图像获取纹理特征；
获取重点区域图像的RGB图像，将所述RGB图像转换到LUV色度空间计算每个像素的色度值，根据所述色度值获取LUV颜色直方图特征向量，生成颜色特征；
通过目标区域内植株的种类信息基于大数据获取植株虫害图像库，根据所述植株虫害图像库通过特征提取构建特征向量库；
将所述纹理特征及颜色特征按照预设比例聚合生成最终特征，将所述最终特征与特征向量库中的虫害特征进行相似度计算；
判断相似度是否处于预设相似度阈值范围内，是则判定植株存在虫害情况，并通过最终特征获取植株当前虫害为害症状，否则判定植株不存在虫害情况。
7.一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基于深度学习的虫害防治方案生成方法程序，所述基于深度学习的虫害防治方案生成方法程序被处理器执行时，实现如权利要求1至4中任一项所述的基于深度学习的虫害防治方案生成方法的步骤。
CN202210629166.4A 2022-06-06 2022-06-06 基于深度学习的虫害防治方案生成方法、系统及存储介质 Active CN114707773B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210629166.4A CN114707773B (zh) 2022-06-06 2022-06-06 基于深度学习的虫害防治方案生成方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210629166.4A CN114707773B (zh) 2022-06-06 2022-06-06 基于深度学习的虫害防治方案生成方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN114707773A CN114707773A (zh) 2022-07-05
CN114707773B true CN114707773B (zh) 2022-09-02

Family

ID=82177707

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210629166.4A Active CN114707773B (zh) 2022-06-06 2022-06-06 基于深度学习的虫害防治方案生成方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN114707773B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN115660291B (zh) * 2022-12-12 2023-03-14 广东省农业科学院植物保护研究所 一种植物病害发生与潜在发生的识别评估方法及系统
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
CN117172994B (zh) * 2023-11-02 2024-01-23 北京建工环境修复股份有限公司 一种污染土壤的微生物联合修复方案推荐方法及系统
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

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112633504A (zh) * 2020-12-23 2021-04-09 北京工业大学 一种基于知识图谱的果树病虫害智慧云知识服务系统及方法
CN114399682A (zh) * 2022-01-18 2022-04-26 李士金 一种林业病虫害的长效防治方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
PT3532962T (pt) * 2016-10-28 2023-09-25 Verily Life Sciences Llc Modelos preditivos para classificar insetos visualmente
CN113780048A (zh) * 2021-01-15 2021-12-10 北京京东拓先科技有限公司 植物防治方法和装置
CN113470010A (zh) * 2021-07-27 2021-10-01 捷佳润科技集团股份有限公司 一种基于机器学习的火龙果种植全周期病虫害防治方法
CN114431873B (zh) * 2022-01-17 2024-05-07 浙江大学 一种基于图卷积的心电图心率多类型预测模型构建方法
CN114445785B (zh) * 2022-04-11 2022-06-21 广东省农业科学院植物保护研究所 基于物联网的荔枝虫害监测预警方法、系统及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112633504A (zh) * 2020-12-23 2021-04-09 北京工业大学 一种基于知识图谱的果树病虫害智慧云知识服务系统及方法
CN114399682A (zh) * 2022-01-18 2022-04-26 李士金 一种林业病虫害的长效防治方法及系统

Also Published As

Publication number Publication date
CN114707773A (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
CN114707773B (zh) 基于深度学习的虫害防治方案生成方法、系统及存储介质
CN111832922A (zh) 基于知识图谱推理的食品安全事件风险研判方法及装置
Ismail et al. Modeling the potential distribution of pine forests susceptible to sirex noctilio infestations in Mpumalanga, South Africa
Marchioro Global potential distribution of Bactrocera carambolae and the risks for fruit production in Brazil
Nguyen et al. Deep learning models for forecasting dengue fever based on climate data in Vietnam
Jain et al. Memetic salp swarm optimization algorithm based feature selection approach for crop disease detection system
Park et al. Hazard rating of pine trees from a forest insect pest using artificial neural networks
Wuepper et al. National leverage points to reduce global pesticide pollution
Maruthadurai et al. Predicting the invasion risk of rugose spiraling whitefly, Aleurodicus rugioperculatus, in India based on CMIP6 projections by MaxEnt
Pratondo et al. Classification of apples using machine learning
Kumar K et al. Detection of rice plant disease using AdaBoostSVM classifier
CN116030343A (zh) 一种基于机器视觉识别的农作物病虫害监管系统
CN115952067A (zh) 一种数据库操作异常行为检测方法及可读存储介质
Shan et al. Current and future potential distribution of the invasive scale Ceroplastes rusci (L., 1758)(Hemiptera: Coccidae) under climate niche
CN117173400B (zh) 一种荔枝虫害的低碳治理方案推荐方法及系统
Singh et al. Performance Analysis of CNN Models with Data Augmentation in Rice Diseases
Marcos et al. Coffee leaf rust detection using genetic algorithm
Deng et al. Estimating the severity of sugarcane aphids infestation on sorghum with machine vision
Farah et al. A Deep Learning-Based Approach for the Detection of Infested Soybean Leaves
Pareek et al. Classification of Broken Maize Kernels Using Artificial Neural Network-Assisted Image-Processing Approach
Pethybridge et al. Use of survival analysis to assess management options for ray blight in Australian pyrethrum fields
CN117151342B (zh) 一种荔枝虫害的识别与抗性检测方法、系统及存储介质
Al-Saqer A reliable identification system for red palm weevil
Nagi et al. Application of fuzzy logic in plant disease management
CN116993025B (zh) 一种基于数据处理的虫害诱杀设备管理方法及系统

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