CN114780826A - 一种基于植物的疾病和害虫数据的分析挖掘系统 - Google Patents

一种基于植物的疾病和害虫数据的分析挖掘系统 Download PDF

Info

Publication number
CN114780826A
CN114780826A CN202210292225.3A CN202210292225A CN114780826A CN 114780826 A CN114780826 A CN 114780826A CN 202210292225 A CN202210292225 A CN 202210292225A CN 114780826 A CN114780826 A CN 114780826A
Authority
CN
China
Prior art keywords
pest
treatment
disease
data
unit
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
Application number
CN202210292225.3A
Other languages
English (en)
Inventor
杨华
章俊
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.)
Jiangsu Youkai Software Technology Service Co ltd
Original Assignee
Jiangsu Youkai Software Technology Service Co ltd
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 Jiangsu Youkai Software Technology Service Co ltd filed Critical Jiangsu Youkai Software Technology Service Co ltd
Priority to CN202210292225.3A priority Critical patent/CN114780826A/zh
Publication of CN114780826A publication Critical patent/CN114780826A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9532—Query formulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5854—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using shape and object relationship
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Library & Information Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Geometry (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于植物的疾病和害虫数据的分析挖掘系统，包括中央处理模块、数据获取模块、数据分析模块、治疗规划模块和数据存储模块，所述中央处理模块对其他模块进行控制，所述数据获取模块输入植物生长的图片、视频和环境数据，本发明通过对治疗情况的记录，对初次治疗的召回率和准确率进行计算，通过召回率和准确率的提升，判断识别的准确性，再反馈至系统，提升初次治愈的个数，进而提升系统识别的准确性，并对治疗情况进行分类，对没有好转的治疗情况进行记录，重新进行分析和预测，并根据病虫害分类和治疗情况对治疗效果进行评级，方便直观的了解最终的分析治疗效果，从而在后续对病虫害的分析进行调整。

Description

一种基于植物的疾病和害虫数据的分析挖掘系统
技术领域
本发明涉及植物病虫害管理技术领域，具体为一种基于植物的疾病和害虫数据的分析挖掘系统。
背景技术
植物病害是指植物在生物或非生物因子的影响下，发生一系列形态、生理和生化上的病理变化，阻碍了正常生长、发育的进程，从而影响人类经济效益的现象，种类很多，根据病原的种类可分为两大类：非侵染性病害：由非生物引起，例如营养元素的缺乏，水分的不足或过量，低温的冻害和高温的灼病，肥料、农药使用不合理，或废水、废气造成的药害、毒害等，侵染性病害：由生物引起，有传染性，病原体多种，如真菌、细菌、病毒、线虫或寄生性种子植物等；
但是目前对植物疾病和害虫分析通常在病虫害出现后很长时间才能察觉，没有做好对病虫害的预测，在病虫害初期无法关注到，导致病虫害发现时候，已经造成部分损失。
发明内容
本发明提供一种基于植物的疾病和害虫数据的分析挖掘系统，可以有效解决上述背景技术中提出目前对植物疾病和害虫分析通常在病虫害出现后很长时间才能察觉，没有做好对病虫害的预测，在病虫害初期无法关注到，导致病虫害发现时候，已经造成部分损失的问题。
为实现上述目的，本发明提供如下技术方案：一种基于植物的疾病和害虫数据的分析挖掘系统，包括中央处理模块、数据获取模块、数据分析模块、治疗规划模块和数据存储模块；
所述中央处理模块对其他模块进行控制，所述数据获取模块输入植物生长的图片、视频和环境数据，所述数据分析单元对病虫害进行预测和分析，所述治疗规划模块对植物病虫害进行治疗，记录治疗效果，所述数据存储模块对病虫害的识别和治疗过程进行记录，供后续参考；
所述数据获取模块包括图片输入单元、视频输入单元和环境输入单元；
所述数据分析模块包括病虫害预测单元、病虫害识别单元和对比分析单元；
所述治疗规划模块包括治疗分析单元、治疗预测单元和效果反应单元；
所述数据存储模块包括病虫害数据库、数据更新单元和反馈单元。
根据上述技术方案，所述图片输入单元在植物生长期间拍摄植物图片，所述视频输入单元拍摄植物生长视频，所述环境输入单元获取植物生长区域的环境情况；
所述视频输入单元拍摄的视频为全天不间断拍摄，在输入视频数据时将视频加速后输入。
根据上述技术方案，所述环境输入单元输入的环境情况包括基础环境和自身环境；
所述基础环境包括生长地区的平均光照、平均降水、平均湿度和平均温度；
所述自身环境包括土壤酸碱度、土壤营养物质、土壤水分和空气质量；
所述自身环境中的土壤通过土壤检测仪进行检测，空气环境通过空气检测仪进行检测。
根据上述技术方案，所述病虫害预测单元根据获取的数据，对环境中存在的病虫害危害进行预测；
所述病虫害识别单元对植物的病虫害表现进行查找；
所述对比分析单元将查找的植物病虫害与预测的病虫害进行对比，查找病虫害原因。
根据上述技术方案，所述病虫害识别单元识别内容包括叶片颜色、叶片形状和害虫；
所述识别到害虫后，将害虫图片通过计算机进行识别对比，查找害虫类型。
根据上述技术方案，所述对比分析单元将识别出的病虫害分为两类，分别为有预测病虫害和无预测病虫害；
所述有预测病虫害为病虫害预测单元预测出来病虫害，所述无预测病虫害为病虫害预测单元未预测出来的病虫害；
所述对比分析单元对无预测病虫害的相关数据与互联网进行对比，确定病虫害类型后，再查找病虫害的引起因素，与实际数据对比，确定病虫害的原因。
根据上述技术方案，所述治疗分析单元根据病虫害的类型和产生原因，对病虫害的治疗方案进行分析；
所述治疗预测单元结合获取的数据，对于病虫害治疗的过程和效果进行预测；
所述效果反应单元对治疗效果进行记录，将预测的效果与实际治疗效果进行对比。
根据上述技术方案，所述效果反应单元反应的治疗情况包括治愈、好转、无好转和加重；
治疗效果为无好转和加重的情况下，立刻停止治疗，重新进行治疗分析和治疗预测，再次进行治疗。
根据上述技术方案，所述病虫害数据库存储病虫害各个时期的症状，病虫害的原因、病虫害的变现、病虫害的治疗过程和病虫害的治疗效果；
所述病虫害数据库将初次治愈的病虫害个数、全部治愈病虫害个数和全部治疗次数进行记录，计算初次治愈的病虫害个数和全部治愈病虫害个数的比值，记为初次治疗的召回率；
再计算初次治愈的病虫害个数和全部治疗次数的比值，记为初次治疗的准确率；
所述数据更新单元对病虫害数据库中的数据与实际病虫害情况进行对比，对病虫害数据库中没有记载的内容进行增加更新；
所述反馈单元对病虫害治疗的情况进行反馈，反馈内容为病虫害的分析治疗效果。
根据上述技术方案，所述反馈单元的治疗效果分为三个等级；
一级：一次治愈；
二级：有预测病虫害，二次治愈；
三级：其他情况。
与现有技术相比，本发明的有益效果：
1、通过对治疗情况的记录，对初次治疗的召回率和准确率进行计算，通过召回率和准确率的提升，判断识别的准确性，再反馈至系统，提升初次治愈的个数，进而提升系统识别的准确性，并对治疗情况进行分类，对没有好转的治疗情况进行记录，重新进行分析和预测，并根据病虫害分类和治疗情况对治疗效果进行评级，方便直观的了解最终的分析治疗效果，从而在后续对病虫害的分析进行调整。
2、通过对实际病虫害的分析和治疗，从而增加病虫害数据库的内容，不断挖掘可用的数据内容，对病虫害数据库中的数据进行更新，使后续对比的内容更多，使病虫害预测的范围增加，能够预测出多种病虫害，并且通过记录治疗过程，使后续对病虫害的分析更加全面，病虫害的分析更加请准。
3、通过采集植物的图片数据、视频数据和环境数据，对环境中的基础数据和自身数据进行获取，并根据环境情况和病虫害初期特征数据对植物生长可能出现的疾病和害虫进行分析预测，并对实际生长过程中的疾病和害虫进行记录，快速发现病虫害，对比预测的病虫害与实际的病虫害，从而能够判断分析的准确度，对病虫害进行治疗，使病虫害快速治愈。
综上所述，通过对图片、视频和环境数据的获取，对病虫害进行预测，对病虫害初期症状进行识别，快速发现病虫害，将实际病虫害分为预测和未预测两类，再对病虫害的治疗效果进行分析预测，对治疗效果进行分类，根据病虫害预测情况和治疗效果，对病虫害进行分类，便于直观掌握病虫害情况，且将数据库中的病虫害数据不断更新充实，增加后续病虫害分析的准确率。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
在附图中：
图1是本发明的系统结构框图；
图2是本发明病虫害数据库更新示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1：
如图1-2所示，本发明提供一种技术方案，一种基于植物的疾病和害虫数据的分析挖掘系统，包括中央处理模块、数据获取模块、数据分析模块、治疗规划模块和数据存储模块；
中央处理模块对其他模块进行控制，数据获取模块输入植物生长的图片、视频和环境数据，数据分析单元对病虫害进行预测和分析，治疗规划模块对植物病虫害进行治疗，记录治疗效果，数据存储模块对病虫害的识别和治疗过程进行记录，供后续参考；
数据获取模块包括图片输入单元、视频输入单元和环境输入单元；
数据分析模块包括病虫害预测单元、病虫害识别单元和对比分析单元；
治疗规划模块包括治疗分析单元、治疗预测单元和效果反应单元；
数据存储模块包括病虫害数据库、数据更新单元和反馈单元。
根据上述技术方案，图片输入单元在植物生长期间拍摄植物图片，视频输入单元拍摄植物生长视频，环境输入单元获取植物生长区域的环境情况；
视频输入单元拍摄的视频为全天不间断拍摄，在输入视频数据时将视频加速后输入。
根据上述技术方案，环境输入单元输入的环境情况包括基础环境和自身环境；
基础环境包括生长地区的平均光照、平均降水、平均湿度和平均温度；
自身环境包括土壤酸碱度、土壤营养物质、土壤水分和空气质量；
自身环境中的土壤通过土壤检测仪进行检测，空气环境通过空气检测仪进行检测。
根据上述技术方案，病虫害预测单元根据获取的数据，对环境中存在的病虫害危害进行预测；
病虫害识别单元对植物的病虫害表现进行查找；
对比分析单元将查找的植物病虫害与预测的病虫害进行对比，查找病虫害原因。
根据上述技术方案，病虫害识别单元识别内容包括叶片颜色、叶片形状和害虫；
识别到害虫后，将害虫图片通过计算机进行识别对比，查找害虫类型。
根据上述技术方案，对比分析单元将识别出的病虫害为有预测病虫害；
对比分析单元对无预测病虫害的相关数据与互联网进行对比，确定病虫害类型后，再查找病虫害的引起因素，与实际数据对比，确定病虫害的原因。
根据上述技术方案，治疗分析单元根据病虫害的类型和产生原因，对病虫害的治疗方案进行分析；
治疗预测单元结合获取的数据，对于病虫害治疗的过程和效果进行预测；
效果反应单元对治疗效果进行记录，将预测的效果与实际治疗效果进行对比。
根据上述技术方案，效果反应单元反应的第一次治疗后情况为治愈。
根据上述技术方案，病虫害数据库存储病虫害各个时期的症状，病虫害的原因、病虫害的变现、病虫害的治疗过程和病虫害的治疗效果；
所述病虫害数据库将初次治愈的病虫害个数、全部治愈病虫害个数和全部治疗次数进行记录，计算初次治愈的病虫害个数和全部治愈病虫害个数的比值，记为初次治疗的召回率；
再计算初次治愈的病虫害个数和全部治疗次数的比值，记为初次治疗的准确率；
数据更新单元对病虫害数据库中的数据与实际病虫害情况进行对比，对病虫害数据库中没有记载的内容进行增加更新；
反馈单元对病虫害治疗的情况进行反馈，反馈内容为病虫害的分析治疗效果。
根据上述技术方案，反馈单元的治疗效果为一级：一次治愈。
实施例2：
根据上述技术方案，对比分析单元将识别出的病虫害为有预测病虫害；
对比分析单元对无预测病虫害的相关数据与互联网进行对比，确定病虫害类型后，再查找病虫害的引起因素，与实际数据对比，确定病虫害的原因。
根据上述技术方案，治疗分析单元根据病虫害的类型和产生原因，对病虫害的治疗方案进行分析；
治疗预测单元结合获取的数据，对于病虫害治疗的过程和效果进行预测；
效果反应单元对治疗效果进行记录，将预测的效果与实际治疗效果进行对比。
根据上述技术方案，效果反应单元反应的第一次治疗后情况为好转，第二次治疗后情况为治愈情况；
根据上述技术方案，病虫害数据库存储病虫害各个时期的症状，病虫害的原因、病虫害的变现、病虫害的治疗过程和病虫害的治疗效果；
所述病虫害数据库将初次治愈的病虫害个数、全部治愈病虫害个数和全部治疗次数进行记录，计算初次治愈的病虫害个数和全部治愈病虫害个数的比值，记为初次治疗的召回率；
再计算初次治愈的病虫害个数和全部治疗次数的比值，记为初次治疗的准确率；
数据更新单元对病虫害数据库中的数据与实际病虫害情况进行对比，对病虫害数据库中没有记载的内容进行增加更新；
反馈单元对病虫害治疗的情况进行反馈，反馈内容为病虫害的分析治疗效果。
根据上述技术方案，反馈单元的治疗效果为二级：有预测病虫害，二次治愈。
实施例3：
根据上述技术方案，对比分析单元将识别出的病虫害为有预测病虫害；
对比分析单元对无预测病虫害的相关数据与互联网进行对比，确定病虫害类型后，再查找病虫害的引起因素，与实际数据对比，确定病虫害的原因。
根据上述技术方案，治疗分析单元根据病虫害的类型和产生原因，对病虫害的治疗方案进行分析；
治疗预测单元结合获取的数据，对于病虫害治疗的过程和效果进行预测；
效果反应单元对治疗效果进行记录，将预测的效果与实际治疗效果进行对比。
根据上述技术方案，效果反应单元反应的第一次治疗后情况为好转，第二次治疗后的情况为加重，第三次治疗后的情况为治愈；
治疗效果为无好转和加重的情况下，立刻停止治疗，重新进行治疗分析和治疗预测，再次进行治疗。
根据上述技术方案，病虫害数据库存储病虫害各个时期的症状，病虫害的原因、病虫害的变现、病虫害的治疗过程和病虫害的治疗效果；
所述病虫害数据库将初次治愈的病虫害个数、全部治愈病虫害个数和全部治疗次数进行记录，计算初次治愈的病虫害个数和全部治愈病虫害个数的比值，记为初次治疗的召回率；
再计算初次治愈的病虫害个数和全部治疗次数的比值，记为初次治疗的准确率；
数据更新单元对病虫害数据库中的数据与实际病虫害情况进行对比，对病虫害数据库中没有记载的内容进行增加更新；
反馈单元对病虫害治疗的情况进行反馈，反馈内容为病虫害的分析治疗效果。
根据上述技术方案，反馈单元的治疗效果为三级：其他情况。
实施例4：
根据上述技术方案，对比分析单元将识别出的病虫害为无预测病虫害；
对比分析单元对无预测病虫害的相关数据与互联网进行对比，确定病虫害类型后，再查找病虫害的引起因素，与实际数据对比，确定病虫害的原因。
根据上述技术方案，治疗分析单元根据病虫害的类型和产生原因，对病虫害的治疗方案进行分析；
治疗预测单元结合获取的数据，对于病虫害治疗的过程和效果进行预测；
效果反应单元对治疗效果进行记录，将预测的效果与实际治疗效果进行对比。
根据上述技术方案，效果反应单元反应的第一次治疗后情况无好转，第二次治疗后情况为治愈；
治疗效果为无好转和加重的情况下，立刻停止治疗，重新进行治疗分析和治疗预测，再次进行治疗。
根据上述技术方案，病虫害数据库存储病虫害各个时期的症状，病虫害的原因、病虫害的变现、病虫害的治疗过程和病虫害的治疗效果；
数据更新单元对病虫害数据库中的数据与实际病虫害情况进行对比，对病虫害数据库中没有记载的内容进行增加更新；
反馈单元对病虫害治疗的情况进行反馈，反馈内容为病虫害的分析治疗效果。
根据上述技术方案，反馈单元的治疗效果为三级：其他情况。
根据上述实施例数据的对比，制得如下对比表格：
Figure BDA0003560715390000131
根据上述表格中对病虫害分析情况可知，上述实施例1-4均符合对病虫害的分析，但是实施例1中病虫害的分析效果最好，通过对植物生长图片和生长环境的数据分析，对于植物病虫害的预测，帮助判断病虫害的种类，将预测与实际相符合的有预测病虫害进行分析治疗，对于治愈的病虫害，则表示分析结果正确，治疗效果好，从而能够帮助对植物病虫害的分析，对于无预测病虫害和多次治疗的数据进行挖掘，方便扩充数据库，对后续分析提供帮助，从而在植物的生长过程中，使病虫害处理效果更好。
最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于植物的疾病和害虫数据的分析挖掘系统，其特征在于：包括中央处理模块、数据获取模块、数据分析模块、治疗规划模块和数据存储模块；
所述中央处理模块对其他模块进行控制，所述数据获取模块输入植物生长的图片、视频和环境数据，所述数据分析单元对病虫害进行预测和分析，所述治疗规划模块对植物病虫害进行治疗，记录治疗效果，所述数据存储模块对病虫害的识别和治疗过程进行记录，供后续参考；
所述数据获取模块包括图片输入单元、视频输入单元和环境输入单元；
所述数据分析模块包括病虫害预测单元、病虫害识别单元和对比分析单元；
所述治疗规划模块包括治疗分析单元、治疗预测单元和效果反应单元；
所述数据存储模块包括病虫害数据库、数据更新单元和反馈单元。
2.根据权利要求1所述的一种基于植物的疾病和害虫数据的分析挖掘系统，其特征在于，所述图片输入单元在植物生长期间拍摄植物图片，所述视频输入单元拍摄植物生长视频，所述环境输入单元获取植物生长区域的环境情况；
所述视频输入单元拍摄的视频为全天不间断拍摄，在输入视频数据时将视频加速后输入。
3.根据权利要求2所述的一种基于植物的疾病和害虫数据的分析挖掘系统，其特征在于，所述环境输入单元输入的环境情况包括基础环境和自身环境；
所述基础环境包括生长地区的平均光照、平均降水、平均湿度和平均温度；
所述自身环境包括土壤酸碱度、土壤营养物质、土壤水分和空气质量；
所述自身环境中的土壤通过土壤检测仪进行检测，空气环境通过空气检测仪进行检测。
4.根据权利要求1所述的一种基于植物的疾病和害虫数据的分析挖掘系统，其特征在于，所述病虫害预测单元根据获取的数据，对环境中存在的病虫害危害进行预测；
所述病虫害识别单元对植物的病虫害表现进行查找；
所述对比分析单元将查找的植物病虫害与预测的病虫害进行对比，查找病虫害原因。
5.根据权利要求4所述的一种基于植物的疾病和害虫数据的分析挖掘系统，其特征在于，所述病虫害识别单元识别内容包括叶片颜色、叶片形状和害虫；
所述识别到害虫后，将害虫图片通过计算机进行识别对比，查找害虫类型。
6.根据权利要求4所述的一种基于植物的疾病和害虫数据的分析挖掘系统，其特征在于，所述对比分析单元将识别出的病虫害分为两类，分别为有预测病虫害和无预测病虫害；
所述有预测病虫害为病虫害预测单元预测出来病虫害，所述无预测病虫害为病虫害预测单元未预测出来的病虫害；
所述对比分析单元对无预测病虫害的相关数据与互联网进行对比，确定病虫害类型后，再查找病虫害的引起因素，与实际数据对比，确定病虫害的原因。
7.根据权利要求1所述的一种基于植物的疾病和害虫数据的分析挖掘系统，其特征在于，所述治疗分析单元根据病虫害的类型和产生原因，对病虫害的治疗方案进行分析；
所述治疗预测单元结合获取的数据，对于病虫害治疗的过程和效果进行预测；
所述效果反应单元对治疗效果进行记录，将预测的效果与实际治疗效果进行对比。
8.根据权利要求7所述的一种基于植物的疾病和害虫数据的分析挖掘系统，其特征在于，所述效果反应单元反应的治疗情况包括治愈、好转、无好转和加重；
治疗效果为无好转和加重的情况下，立刻停止治疗，重新进行治疗分析和治疗预测，再次进行治疗。
9.根据权利要求1所述的一种基于植物的疾病和害虫数据的分析挖掘系统，其特征在于，所述病虫害数据库存储病虫害各个时期的症状，病虫害的原因、病虫害的变现、病虫害的治疗过程和病虫害的治疗效果；
所述病虫害数据库将初次治愈的病虫害个数、全部治愈病虫害个数和全部治疗次数进行记录，计算初次治愈的病虫害个数和全部治愈病虫害个数的比值，记为初次治疗的召回率；
再计算初次治愈的病虫害个数和全部治疗次数的比值，记为初次治疗的准确率；
所述数据更新单元对病虫害数据库中的数据与实际病虫害情况进行对比，对病虫害数据库中没有记载的内容进行增加更新；
所述反馈单元对病虫害治疗的情况进行反馈，反馈内容为病虫害的分析治疗效果。
10.根据权利要求9所述的一种基于植物的疾病和害虫数据的分析挖掘系统，其特征在于，所述反馈单元的治疗效果分为三个等级；
一级：一次治愈；
二级：有预测病虫害，二次治愈；
三级：其他情况。
CN202210292225.3A 2022-03-23 2022-03-23 一种基于植物的疾病和害虫数据的分析挖掘系统 Pending CN114780826A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210292225.3A CN114780826A (zh) 2022-03-23 2022-03-23 一种基于植物的疾病和害虫数据的分析挖掘系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210292225.3A CN114780826A (zh) 2022-03-23 2022-03-23 一种基于植物的疾病和害虫数据的分析挖掘系统

Publications (1)

Publication Number Publication Date
CN114780826A true CN114780826A (zh) 2022-07-22

Family

ID=82425507

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210292225.3A Pending CN114780826A (zh) 2022-03-23 2022-03-23 一种基于植物的疾病和害虫数据的分析挖掘系统

Country Status (1)

Country Link
CN (1) CN114780826A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117291291A (zh) * 2023-08-12 2023-12-26 江苏信实环境工程有限公司 一种基于物联网的虫情智能监控系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117291291A (zh) * 2023-08-12 2023-12-26 江苏信实环境工程有限公司 一种基于物联网的虫情智能监控系统及方法
CN117291291B (zh) * 2023-08-12 2024-04-23 江苏信实环境工程有限公司 一种基于物联网的虫情智能监控系统及方法

Similar Documents

Publication Publication Date Title
CN108346142B (zh) 一种基于植物光照图像的植物生长状态识别方法
Hill et al. The use of data mining to assist crop protection decisions on kiwifruit in New Zealand
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
Ajaz et al. Seed classification using machine learning techniques
Tausen et al. Greenotyper: Image-based plant phenotyping using distributed computing and deep learning
Tarik et al. Potato disease detection using machine learning
CN112232387B (zh) 基于lselm-rfe的粮食作物病害症状的有效特征识别方法
Zhang et al. High-throughput corn ear screening method based on two-pathway convolutional neural network
CN114780826A (zh) 一种基于植物的疾病和害虫数据的分析挖掘系统
CN115292334A (zh) 基于视觉智能种植方法、系统、电子设备及存储介质
CN113221913A (zh) 一种基于高斯概率决策级融合的农林病虫害细粒度识别方法及装置
Agarwal et al. Machine learning approach for the classification of wheat grains
Yuan et al. YOLOv5s-CBAM-DMLHead: A lightweight identification algorithm for weedy rice (Oryza sativa f. spontanea) based on improved YOLOv5
Srivastav et al. Tea leaf disease detection using deep learning-based convolutional neural networks
Nabwire et al. Estimation of cold stress, plant age, and number of leaves in watermelon plants using image analysis
Gangwar et al. Grape leaf disease classification using transfer learning
CN117556996A (zh) 基于区域历史数据的林业虫灾预测方法及系统
Bijanzadeh et al. Determining the most important features contributing to wheat grain yield using supervised feature selection model
Sahu et al. CNN based disease detection in Apple Leaf via transfer learning
Khan et al. An intelligent and fast system for detection of grape diseases in RGB, grayscale, YCbCr, HSV and L* a* b* color spaces
Chaikovskyi et al. Hybrid Neural Network Classifier for Detecting Weeds and Plant Diseases in Greenhouses
Srikanth et al. Deep Learning Model for Plant Disease Detection and Classification with Pesticide Suggestion
Shanuja et al. A prediction of rice leaf disease using KSC
Shaik et al. Identification of diseases affecting mango leaves using deep learning models
CN108256008A (zh) 运用l1范数及余弦定理在均匀分布中求最优值的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination