CN114814102B - 一种基于活动轨迹序列的水稻白叶枯病预警方法和装置 - Google Patents

一种基于活动轨迹序列的水稻白叶枯病预警方法和装置 Download PDF

Info

Publication number
CN114814102B
CN114814102B CN202210456975.XA CN202210456975A CN114814102B CN 114814102 B CN114814102 B CN 114814102B CN 202210456975 A CN202210456975 A CN 202210456975A CN 114814102 B CN114814102 B CN 114814102B
Authority
CN
China
Prior art keywords
rice
activity track
sample
area
preset
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
CN202210456975.XA
Other languages
English (en)
Other versions
CN114814102A (zh
Inventor
唐宇
符伊晴
赵晋飞
杨捷鹏
李嘉豪
骆少明
谭志平
黄华盛
郭琪伟
陈尉钊
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.)
Guangdong Polytechnic Normal University
Original Assignee
Guangdong Polytechnic Normal University
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 Guangdong Polytechnic Normal University filed Critical Guangdong Polytechnic Normal University
Priority to CN202210456975.XA priority Critical patent/CN114814102B/zh
Publication of CN114814102A publication Critical patent/CN114814102A/zh
Application granted granted Critical
Publication of CN114814102B publication Critical patent/CN114814102B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0098—Plants or trees
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Biochemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Immunology (AREA)
  • Wood Science & Technology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Analytical Chemistry (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Botany (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本申请揭示了一种基于活动轨迹序列的水稻白叶枯病预警方法，在第一稻田中的第一区域和第二区域同时种植水稻；将动物分别置于第一稻田中；对多种不同类别的动物持续观测，以得到多个第一活动轨迹序列；筛选出指定活动轨迹序列；获取指定动物；对待观测的第二稻田中的指定动物进行观测，以得到第二活动轨迹，并将第二活动轨迹输入预设的区域预测模型进行处理，以得到患病水稻区域；采集第一水稻样品，采集第二水稻样品；进行白叶枯病检测处理，以得到检测结果；若检测结果为第一水稻样品患有白叶枯病，并且第二水稻样品未患有白叶枯病，则生成预警指令，从而实现了水稻白叶枯病预警的目的，使得针对性进行水稻白叶枯病防治成为可能。

Description

一种基于活动轨迹序列的水稻白叶枯病预警方法和装置
技术领域
本申请涉及到智慧农业领域，特别是涉及到一种基于活动轨迹序列的水稻白叶枯病预警方法和装置。
背景技术
水稻白叶枯病(Bacterial blight)是水稻三大病害之一，在亚洲稻区最为严重，对水稻的产量和品质有较大的影响。该病害是由水稻黄单胞杆菌(Xanthomonas oryzaepv.Oryezae,Xoo)引起的一种细菌性维管束病害，可由暴风雨、灌溉水和种子转运为媒介，经水孔、伤口或者根部等部位侵入维管束进行潜伏、繁殖及扩散。白叶枯病在水稻全育期均可发生，会导致水稻严重欠收，例如导致水稻减产10-30％。
现阶段防治水稻白叶枯病病害主要采取的是化学生物防治措施。但传统的化学生物防治措施，无法有效地进行水稻白叶枯病预警，因此需要长期使用化学药剂进行全面防治。但长期使用化学药剂不但不能持久有效地控制病害，而且会使病原菌产生抗病性，同时也造成环境污染。因此，亟需能够有效进行水稻白叶枯病预警的方案。
发明内容
本申请提出一种基于活动轨迹序列的水稻白叶枯病预警方法，包括以下步骤：
S1、在预设的第一稻田中的第一区域和第二区域同时种植水稻；其中，所述第一稻田中的第一区域全部种植患有白叶枯病的水稻，所述第一稻田中的第二区域全部种植未患有白叶枯病的水稻；
S2、将多种不同类别的动物分别置于多个相同的第一稻田中；其中，所述多种不同类别的动物均以水稻为食；
S3、对所述多种不同类别的动物持续观测，以得到所述多种不同类别的动物分别对应的多个第一活动轨迹序列；其中，同一个第一活动轨迹序列中的成员均是同一类别的动物的第一活动轨迹；
S4、根据预设的筛选规则，从所述多个第一活动轨迹序列中筛选出指定活动轨迹序列；其中，所述指定活动轨迹序列在所述第一区域的存在时间占比小于预设的占比阈值；
S5、根据第一活动轨迹序列与动物的对应关系，获取与所述指定活动轨迹序列对应的指定动物；
S6、采用预设观测方法，对待观测的第二稻田中的指定动物进行观测，以得到第二活动轨迹，并将所述第二活动轨迹输入预设的区域预测模型进行处理，以得到所述区域预测模型输出的患病水稻区域；其中，所述区域预测模型是在神经网络模型的基础上采用样本数据训练而成；所述样本数据由所述指定动物在患有水稻白叶枯病的样本稻田中的样本活动轨迹构成，并且所述样本稻田采用人工划分出患有白叶枯病的水稻的区域与未患有白叶枯病的水稻的区域；
S7、在所述患病水稻区域中的第一地点采集第一水稻样品，以及在所述第二稻田中的第二地点采集第二水稻样品；其中，所述第二地点离所述患病水稻区域中的任意一点的距离均大于预设的距离阈值；
S8、对所述第一水稻样品与所述第二水稻样品进行白叶枯病检测处理，以得到检测结果；
S9、判断所述检测结果是否为所述第一水稻样品患有白叶枯病，以及所述第二水稻样品未患有白叶枯病；
S10、若所述检测结果为所述第一水稻样品患有白叶枯病，并且所述第二水稻样品未患有白叶枯病，则生成预警指令；其中，所述预警指令至少包括对所述患病水稻区域进行隔离处理。
进一步地，所述对所述多种不同类别的动物持续观测，以得到所述多种不同类别的动物分别对应的多个第一活动轨迹序列的步骤S3，是在第一稻田中的水稻处于预设的第一水稻发育期时进行的；
采用预设观测方法，对待观测的第二稻田中的指定动物进行观测，以得到第二活动轨迹，并将所述第二活动轨迹输入预设的区域预测模型进行处理，以得到所述区域预测模型输出的患病水稻区域的步骤S6，是在第二稻田中的水稻处于预设的第二水稻发育期时进行的；所述第一水稻发育期与所述第二水稻发育期相同。
进一步地，所述对所述多种不同类别的动物持续观测，以得到所述多种不同类别的动物分别对应的多个第一活动轨迹序列的步骤S3，包括：
S301、采用预设的红外线探测器对第一稻田进行持续观测，以得到红外图像序列；
S302、采用预设的可见光探测器对第一稻田进行持续观测，以得到可见光图像序列；
S303、综合所述红外图像序列与所述可见光图像序列，以得到所述多种不同类别的动物分别对应的多个第一活动轨迹序列。
进一步地，所述根据预设的筛选规则，从所述多个第一活动轨迹序列中筛选出指定活动轨迹序列的步骤S4，包括：
S401、根据公式：R＝T1/(T1+T2)，计算出时间占比，从而得到与所述多个第一活动轨迹序列分别对应的多个时间占比；其中，T1是第一活动轨迹序列在所述第一区域的存在时间长度，T2是第一活动轨迹序列在所述第二区域的存在时间长度；
S402、将所述多个时间占比与预设的占比阈值分别进行对比处理，以从所述多个时间占比中获取数值小于占比阈值的多个初定时间占比；
S403、判断多个初定时间占比的数量是否大于预设的数量阈值；
S404、若多个初定时间占比的数量大于预设的数量阈值，则对多个初定时间占比进行按数值大小进行升序排列，以得到初定时间占比排序；
S405、将初定时间占比排序中排名大于所述数量阈值的初定时间占比均记为指定时间占比，再将指定时间占比对应的活动轨迹序列记为指定活动轨迹序列。
进一步地，所述采用预设观测方法，对待观测的第二稻田中的指定动物进行观测，以得到第二活动轨迹，并将所述第二活动轨迹输入预设的区域预测模型进行处理，以得到所述区域预测模型输出的患病水稻区域的步骤S6之前，包括：
S51、对样本数据进行标注处理，以将每个样本数据均标注上患有白叶枯病的水稻的区域；
S52、对标注后的样本数据进行划分处理，以将样本数据划分为训练数据和验证数据；其中，训练数据的数量与验证数据的数量的比例处于0.7:0.3至0.95:0.05的范围内；
S53、调取预先准备的神经网络模型，并将训练数据输入神经网络模型中，采用有监督学习的方式进行训练，以得到初定区域预测模型；
S54、采用验证数据对初定区域预测模型进行验证处理，并判断验证结果是否为验证通过；
S55、若验证结果为验证通过，则将初定区域预测模型记为最终的区域预测模型。
本申请提供一种基于活动轨迹序列的水稻白叶枯病预警装置，包括：
水稻种植单元，用于在预设的第一稻田中的第一区域和第二区域同时种植水稻；其中，所述第一稻田中的第一区域全部种植患有白叶枯病的水稻，所述第一稻田中的第二区域全部种植未患有白叶枯病的水稻；
动物布置单元，用于将多种不同类别的动物分别置于多个相同的第一稻田中；其中，所述多种不同类别的动物均以水稻为食；
持续观测单元，用于对所述多种不同类别的动物持续观测，以得到所述多种不同类别的动物分别对应的多个第一活动轨迹序列；其中，同一个第一活动轨迹序列中的成员均是同一类别的动物的第一活动轨迹；
指定活动轨迹序列筛选单元，用于根据预设的筛选规则，从所述多个第一活动轨迹序列中筛选出指定活动轨迹序列；其中，所述指定活动轨迹序列在所述第一区域的存在时间占比小于预设的占比阈值；
指定动物获取单元，用于根据第一活动轨迹序列与动物的对应关系，获取与所述指定活动轨迹序列对应的指定动物；
患病水稻区域获取单元，用于采用预设观测方法，对待观测的第二稻田中的指定动物进行观测，以得到第二活动轨迹，并将所述第二活动轨迹输入预设的区域预测模型进行处理，以得到所述区域预测模型输出的患病水稻区域；其中，所述区域预测模型是在神经网络模型的基础上采用样本数据训练而成；所述样本数据由所述指定动物在患有水稻白叶枯病的样本稻田中的样本活动轨迹构成，并且所述样本稻田采用人工划分出
患有白叶枯病的水稻的区域与未患有白叶枯病的水稻的区域；
水稻样品采集单元，用于在所述患病水稻区域中的第一地点采集第一水稻样品，以及在所述第二稻田中的第二地点采集第二水稻样品；其中，所述第二地点离所述患病水稻区域中的任意一点的距离均大于预设的距离阈值；
白叶枯病检测单元，用于对所述第一水稻样品与所述第二水稻样品进行白叶枯病检测处理，以得到检测结果；
检测结果判断单元，用于判断所述检测结果是否为所述第一水稻样品患有白叶枯病，以及所述第二水稻样品未患有白叶枯病；
预警指令生成单元，用于若所述检测结果为所述第一水稻样品患有白叶枯病，并且所述第二水稻样品未患有白叶枯病，则生成预警指令；其中，所述预警指令至少包括对所述患病水稻区域进行隔离处理。
本申请提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请的基于活动轨迹序列的水稻白叶枯病预警方法、装置、计算机设备和存储介质，在预设的第一稻田中的第一区域和第二区域同时种植水稻；将多种不同类别的动物分别置于多个相同的第一稻田中；对所述多种不同类别的动物持续观测，以得到所述多种不同类别的动物分别对应的多个第一活动轨迹序列；从所述多个第一活动轨迹序列中筛选出指定活动轨迹序列；获取与所述指定活动轨迹序列对应的指定动物；对待观测的第二稻田中的指定动物进行观测，以得到第二活动轨迹，并将所述第二活动轨迹输入预设的区域预测模型进行处理，以得到患病水稻区域；采集第一水稻样品，采集第二水稻样品；进行白叶枯病检测处理，以得到检测结果；若所述检测结果为所述第一水稻样品患有白叶枯病，并且所述第二水稻样品未患有白叶枯病，则生成预警指令，从而实现了水稻白叶枯病预警的目的，使得针对性进行水稻白叶枯病防治成为了可能。
具体地，本申请至少具有的特点包括：
1、本申请采用对指定动物活动轨迹进行分析的方式，来确定水稻是否患有水稻白叶枯病，使得对未显现明显症状的水稻白叶枯病的预警成为可能；
2、本申请涉及三种活动轨迹序列，分别用于确定指定动物、用于训练区域预测模型、用于对待观测的第二稻田进行分析。
本申请是借助了动物对于感染白叶枯病的水稻与未感染白叶枯病的水稻的偏好不同的特性实现的(这种偏好可为任意可行方式的偏好，例如为食物方面的偏好)。水稻感染白叶枯病后，会使得部分动物对其的嗜好下降，相对而言，其更喜好未染病的水稻，因此其在感染水稻白叶枯病的区域与未感染水稻白叶枯病的区域的活动时间长度是不同的。基于这个原理，本申请通过借助对动物的观测，来完成对未显现明显症状的水稻白叶枯病的预警。
附图说明
图1为本申请一实施例的基于活动轨迹序列的水稻白叶枯病预警方法的流程示意图；
图2为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，本申请实施例提供一种基于活动轨迹序列的水稻白叶枯病预警方法，包括以下步骤：
S1、在预设的第一稻田中的第一区域和第二区域同时种植水稻；其中，所述第一稻田中的第一区域全部种植患有白叶枯病的水稻，所述第一稻田中的第二区域全部种植未患有白叶枯病的水稻；
S2、将多种不同类别的动物分别置于多个相同的第一稻田中；其中，所述多种不同类别的动物均以水稻为食；
S3、对所述多种不同类别的动物持续观测，以得到所述多种不同类别的动物分别对应的多个第一活动轨迹序列；其中，同一个第一活动轨迹序列中的成员均是同一类别的动物的第一活动轨迹；
S4、根据预设的筛选规则，从所述多个第一活动轨迹序列中筛选出指定活动轨迹序列；其中，所述指定活动轨迹序列在所述第一区域的存在时间占比小于预设的占比阈值；
S5、根据第一活动轨迹序列与动物的对应关系，获取与所述指定活动轨迹序列对应的指定动物；
S6、采用预设观测方法，对待观测的第二稻田中的指定动物进行观测，以得到第二活动轨迹，并将所述第二活动轨迹输入预设的区域预测模型进行处理，以得到所述区域预测模型输出的患病水稻区域；其中，所述区域预测模型是在神经网络模型的基础上采用样本数据训练而成；所述样本数据由所述指定动物在患有水稻白叶枯病的样本稻田中的样本活动轨迹构成，并且所述样本稻田采用人工划分出患有白叶枯病的水稻的区域与未患有白叶枯病的水稻的区域；
S7、在所述患病水稻区域中的第一地点采集第一水稻样品，以及在所述第二稻田中的第二地点采集第二水稻样品；其中，所述第二地点离所述患病水稻区域中的任意一点的距离均大于预设的距离阈值；
S8、对所述第一水稻样品与所述第二水稻样品进行白叶枯病检测处理，以得到检测结果；
S9、判断所述检测结果是否为所述第一水稻样品患有白叶枯病，以及所述第二水稻样品未患有白叶枯病；
S10、若所述检测结果为所述第一水稻样品患有白叶枯病，并且所述第二水稻样品未患有白叶枯病，则生成预警指令；其中，所述预警指令至少包括对所述患病水稻区域进行隔离处理。
本申请与传统方案的一个区别在于，传统方案无法采用常规检测手段进行水稻白叶枯病的检测，例如无法采用可见光图像检测手段对水稻白叶枯病进行检测，这是因为在水稻白叶枯病未显现明显症状时，感染白叶枯病的水稻与未感染白叶枯病的水稻在可见光图像上看是没有区别的，因此传统方案无法及时做出对白叶枯病的预警。而本申请，采用间接的手段，并非直接观测水稻，而是通过对动物的观测，间接实现对水稻白叶枯病的观测。这是本申请与普通方案的本质区别。
如上述步骤S1-S3所述，在预设的第一稻田中的第一区域和第二区域同时种植水稻；其中，所述第一稻田中的第一区域全部种植患有白叶枯病的水稻，所述第一稻田中的第二区域全部种植未患有白叶枯病的水稻；将多种不同类别的动物分别置于多个相同的第一稻田中；其中，所述多种不同类别的动物均以水稻为食；对所述多种不同类别的动物持续观测，以得到所述多种不同类别的动物分别对应的多个第一活动轨迹序列；其中，同一个第一活动轨迹序列中的成员均是同一类别的动物的第一活动轨迹。
本申请实际上是涉及到三种活动轨迹序列(或称三类活动轨迹序列)，步骤S1-S3是第一种活动轨迹序列，用于确定合适的指定动物。如前述本申请基于的原理，第一稻田中必须布设两种不同的区域，其中第一区域中的水稻患有白叶枯病，第二区域的水稻未患有白叶枯病。虽然染病的水稻在人类眼中，又或者在可见光图像或红外光图像上，是无法区别的，但对于以水稻为食的动物来说却是容易分辨的。
因此，还需要在第一稻田中布置多种不同类别的动物，并且这些动物均以水稻为食，这些动物例如为田鼠、昆虫等。为了选出更合适的动物，因此将多种不同类别的动物分别置于多个相同的第一稻田中。因此，每个第一稻田均置有多种不同类别的动物。
虽然这些动物均以水稻为食，但是对于大部分而言，未患有白叶枯病的水稻相对于患有白叶枯病的水稻，更受欢迎，因此对所述多种不同类别的动物持续观测，以得到所述多种不同类别的动物分别对应的多个第一活动轨迹序列，这些第一活动轨迹序列会存在偏向性，即偏向第二区域(当然这些第一活动轨迹序列对应的动物，更喜欢未患有白叶枯病的水稻)。并且，足够充分的第一活动轨迹序列，就能够区分出第一区域和第二区域。当然，此处仅是为了找出合适的指定动物，因此并不需要区分出第一区域和第二区域。
其中，所述对所述多种不同类别的动物持续观测，以得到所述多种不同类别的动物分别对应的多个第一活动轨迹序列的步骤S3，是在第一稻田中的水稻处于预设的第一水稻发育期时进行的；
采用预设观测方法，对待观测的第二稻田中的指定动物进行观测，以得到第二活动轨迹，并将所述第二活动轨迹输入预设的区域预测模型进行处理，以得到所述区域预测模型输出的患病水稻区域的步骤S6，是在第二稻田中的水稻处于预设的第二水稻发育期时进行的；所述第一水稻发育期与所述第二水稻发育期相同。
从而使得三类活动轨迹序列中的两种，即用于确定指定动物的活动轨迹序列，与确定患病水稻区域的活动轨迹序列，是在相同的水稻发育期时进行的，以更进一步地保证预警的准确性。
进一步地，所述对所述多种不同类别的动物持续观测，以得到所述多种不同类别的动物分别对应的多个第一活动轨迹序列的步骤S3，包括：
S301、采用预设的红外线探测器对第一稻田进行持续观测，以得到红外图像序列；
S302、采用预设的可见光探测器对第一稻田进行持续观测，以得到可见光图像序列；
S303、综合所述红外图像序列与所述可见光图像序列，以得到所述多种不同类别的动物分别对应的多个第一活动轨迹序列。
此时针对的动物为田鼠类哺乳动物，其体型较大，并且体温也较高，因此可用可见光图像序列和红外图像序列来观测，但是由于稻田存在遮挡，因此仅有可见光图像序列不太准确，故还采用红外图像序列作为补充数据。综合所述红外图像序列与所述可见光图像序列，可采用任意可行方式实现，例如采用红外图像序列和可见光图像序列，分别得到某动物的两个活动轨迹序列，再用这两个活动轨迹序列互相验证，例如若这两个活动轨迹基本重合，就能够确定获得一个准确的第一活动轨迹序列。
如上述步骤S4-S6所述，根据预设的筛选规则，从所述多个第一活动轨迹序列中筛选出指定活动轨迹序列；其中，所述指定活动轨迹序列在所述第一区域的存在时间占比小于预设的占比阈值；根据第一活动轨迹序列与动物的对应关系，获取与所述指定活动轨迹序列对应的指定动物；采用预设观测方法，对待观测的第二稻田中的指定动物进行观测，以得到第二活动轨迹，并将所述第二活动轨迹输入预设的区域预测模型进行处理，以得到所述区域预测模型输出的患病水稻区域；其中，所述区域预测模型是在神经网络模型的基础上采用样本数据训练而成；所述样本数据由所述指定动物在患有水稻白叶枯病的样本稻田中的样本活动轨迹构成，并且所述样本稻田采用人工划分出患有白叶枯病的水稻的区域与未患有白叶枯病的水稻的区域。
筛选规则可以为任意筛选规则，但是必须包含条件：所述指定活动轨迹序列在所述第一区域的存在时间占比小于预设的占比阈值。因此，可以以唯一条件：所述指定活动轨迹序列在所述第一区域的存在时间占比小于预设的占比阈值，作为筛选规则，从而筛选出指定活动轨迹序列。当然，进行更细致的筛选，而筛选出的指定活动轨迹序列依然符合条件：所述指定活动轨迹序列在所述第一区域的存在时间占比小于预设的占比阈值。由于存在这样的条件，因此指定活动轨迹序列对应的动物对于未患白叶枯病的水稻更为喜好(喜好可以例如为对于食物的喜好，或者是对于环境的喜好)，因此可以借助这种动物，进行后续的预警分析。
而不同的第一活动轨迹序列是对应于不同动物的，因此筛选出的指定活动轨迹序列必然也对应动物。筛选出的指定活动轨迹序列的数量，与指定动物的数量相同。指定活动轨迹序列的数量可以为一个，也可以为多个。
预设观测方法可以采用任意可行方法，优选与对第一稻田对应的观测方法相同。此时得到的第二活动轨迹就能够作为可能的区域预测的依据。因此将所述第二活动轨迹输入预设的区域预测模型进行处理，以得到所述区域预测模型输出的患病水稻区域。区域预测模型训练时采用的样本数据，即是前文提及的第二类活动轨迹，是预先收集得到的数据。神经网络模型可采用任意可行模型，例如采用残差网络模型、卷积神经网络模型、对抗网络模型等等。
进一步地，所述根据预设的筛选规则，从所述多个第一活动轨迹序列中筛选出指定活动轨迹序列的步骤S4，包括：
S401、根据公式：R＝T1/(T1+T2)，计算出时间占比，从而得到与所述多个第一活动轨迹序列分别对应的多个时间占比；其中，T1是第一活动轨迹序列在所述第一区域的存在时间长度，T2是第一活动轨迹序列在所述第二区域的存在时间长度；
S402、将所述多个时间占比与预设的占比阈值分别进行对比处理，以从所述多个时间占比中获取数值小于占比阈值的多个初定时间占比；
S403、判断多个初定时间占比的数量是否大于预设的数量阈值；
S404、若多个初定时间占比的数量大于预设的数量阈值，则对多个初定时间占比进行按数值大小进行升序排列，以得到初定时间占比排序；
S405、将初定时间占比排序中排名大于所述数量阈值的初定时间占比均记为指定时间占比，再将指定时间占比对应的活动轨迹序列记为指定活动轨迹序列。
从而采用时间长度筛选的方式，筛选出多个指定时间占比，再获取对应的多个指定活动轨迹序列。由于单个动物的行为轨迹可能存在偏差，因此本申请选择多个指定活动轨迹序列，以得到多个指定动物，而所有的指定动物的行为轨迹均出现偏差的可能性很低，因此能够保证后续区域预测模型输出结果的准确性。
进一步地，所述采用预设观测方法，对待观测的第二稻田中的指定动物进行观测，以得到第二活动轨迹，并将所述第二活动轨迹输入预设的区域预测模型进行处理，以得到所述区域预测模型输出的患病水稻区域的步骤S6之前，包括：
S51、对样本数据进行标注处理，以将每个样本数据均标注上患有白叶枯病的水稻的区域；
S52、对标注后的样本数据进行划分处理，以将样本数据划分为训练数据和验证数据；其中，训练数据的数量与验证数据的数量的比例处于0.7:0.3至0.95:0.05的范围内；
S53、调取预先准备的神经网络模型，并将训练数据输入神经网络模型中，采用有监督学习的方式进行训练，以得到初定区域预测模型；
S54、采用验证数据对初定区域预测模型进行验证处理，并判断验证结果是否为验证通过；
S55、若验证结果为验证通过，则将初定区域预测模型记为最终的区域预测模型。
从而以有监督学习的方式，训练出胜任区域预测的最终的区域预测模型。样本数据划分为训练数据和验证数据，以保证数据同源。再用同源的训练数据进行训练，以得到初定区域预测模型。训练过程中，可以采用梯度下降法，采用反向传播算法来更新神经网络模型中各层网络结构的参数。若采用验证数据对初定区域预测模型进行验证处理的验证结果为验证通过，则表明初定区域预测模型适宜进行区域预测任务，因此将初定区域预测模型记为最终的区域预测模型。
如上述步骤S7-S10所述，在所述患病水稻区域中的第一地点采集第一水稻样品，以及在所述第二稻田中的第二地点采集第二水稻样品；其中，所述第二地点离所述患病水稻区域中的任意一点的距离均大于预设的距离阈值；对所述第一水稻样品与所述第二水稻样品进行白叶枯病检测处理，以得到检测结果；判断所述检测结果是否为所述第一水稻样品患有白叶枯病，以及所述第二水稻样品未患有白叶枯病；若所述检测结果为所述第一水稻样品患有白叶枯病，并且所述第二水稻样品未患有白叶枯病，则生成预警指令；其中，所述预警指令至少包括对所述患病水稻区域进行隔离处理。
需要注意的是，本申请的区域预测模型给出的是可能存在白叶枯病的区域，但由于本申请采用的是间接检测的方式，因此为了保证预警的准确性，还需要进一步验证。若不采用本申请的方案，而采用直接对水稻样本进行采集并检测的方式，是不可行的，这是因为若采用直接对水稻样本进行采集并检测的方式，一般只能采用随机抽样的方式，这种方式只能对大范围患有白叶枯病的水稻田有效，而不适用于其余的情况(因为难以保证一定能够随机采集到患病的水稻样品)。
而经由本申请的步骤S1-S6，能够确定出可能的白叶枯病患病区域，因此可以准确地进行水稻样品采集，因此在所述患病水稻区域中的第一地点采集第一水稻样品，以及在所述第二稻田中的第二地点采集第二水稻样品；其中，所述第二地点离所述患病水稻区域中的任意一点的距离均大于预设的距离阈值。
再对所述第一水稻样品与所述第二水稻样品进行白叶枯病检测处理，若检测结果与前述的区域预测模型的输出结果相匹配，那么就客观验证了区域预测模型的输出结果，因此可以以区域预测模型的输出结果作为依据，进行针对性地预警。由于区域预测模型已经输出了患病水稻区域，因此所述预警指令至少包括对所述患病水稻区域进行隔离处理。
进一步地，预警指令中的隔离区域可以更大一点，例如将所述患病水稻区域往外扩出一定的预设范围，以牺牲部分健康水稻为代价，提高隔离的有效性。
其中，对所述第一水稻样品与所述第二水稻样品进行白叶枯病检测处理，可采用任意可行方法，例如可以对水稻样品中的四种生物分子(过氧化氢、水杨酸、吲哚乙酸和叶黄素)含量变化进行检测，以确定水稻样品是否患有白叶枯病。检测手段包括：拉曼光谱技术、单细胞仪、热红外成像技术和多光谱成像技术等待，以实现四种生物分子快速检测。当然，还可以采用其他方式进行白叶枯病检测处理，本申请对此不作限定。
另外，虽然本申请尤其适合在水稻白叶枯病的症状未明显显现时的场景，但本申请也能够应用于水稻白叶枯病的症状明显显现时的场景。
本申请的基于活动轨迹序列的水稻白叶枯病预警方法，在预设的第一稻田中的第一区域和第二区域同时种植水稻；将多种不同类别的动物分别置于多个相同的第一稻田中；对所述多种不同类别的动物持续观测，以得到所述多种不同类别的动物分别对应的多个第一活动轨迹序列；从所述多个第一活动轨迹序列中筛选出指定活动轨迹序列；获取与所述指定活动轨迹序列对应的指定动物；对待观测的第二稻田中的指定动物进行观测，以得到第二活动轨迹，并将所述第二活动轨迹输入预设的区域预测模型进行处理，以得到患病水稻区域；采集第一水稻样品，采集第二水稻样品；进行白叶枯病检测处理，以得到检测结果；若所述检测结果为所述第一水稻样品患有白叶枯病，并且所述第二水稻样品未患有白叶枯病，则生成预警指令，从而实现了水稻白叶枯病预警的目的，使得针对性进行水稻白叶枯病防治成为了可能。
本申请实施例提供一种基于活动轨迹序列的水稻白叶枯病预警装置，包括：
水稻种植单元，用于在预设的第一稻田中的第一区域和第二区域同时种植水稻；其中，所述第一稻田中的第一区域全部种植患有白叶枯病的水稻，所述第一稻田中的第二区域全部种植未患有白叶枯病的水稻；
动物布置单元，用于将多种不同类别的动物分别置于多个相同的第一稻田中；其中，所述多种不同类别的动物均以水稻为食；
持续观测单元，用于对所述多种不同类别的动物持续观测，以得到所述多种不同类别的动物分别对应的多个第一活动轨迹序列；其中，同一个第一活动轨迹序列中的成员均是同一类别的动物的第一活动轨迹；
指定活动轨迹序列筛选单元，用于根据预设的筛选规则，从所述多个第一活动轨迹序列中筛选出指定活动轨迹序列；其中，所述指定活动轨迹序列在所述第一区域的存在时间占比小于预设的占比阈值；
指定动物获取单元，用于根据第一活动轨迹序列与动物的对应关系，获取与所述指定活动轨迹序列对应的指定动物；
患病水稻区域获取单元，用于采用预设观测方法，对待观测的第二稻田中的指定动物进行观测，以得到第二活动轨迹，并将所述第二活动轨迹输入预设的区域预测模型进行处理，以得到所述区域预测模型输出的患病水稻区域；其中，所述区域预测模型是在神经网络模型的基础上采用样本数据训练而成；所述样本数据由所述指定动物在患有水稻白叶枯病的样本稻田中的样本活动轨迹构成，并且所述样本稻田采用人工划分出患有白叶枯病的水稻的区域与未患有白叶枯病的水稻的区域；
水稻样品采集单元，用于在所述患病水稻区域中的第一地点采集第一水稻样品，以及在所述第二稻田中的第二地点采集第二水稻样品；其中，所述第二地点离所述患病水稻区域中的任意一点的距离均大于预设的距离阈值；
白叶枯病检测单元，用于对所述第一水稻样品与所述第二水稻样品进行白叶枯病检测处理，以得到检测结果；
检测结果判断单元，用于判断所述检测结果是否为所述第一水稻样品患有白叶枯病，以及所述第二水稻样品未患有白叶枯病；
预警指令生成单元，用于若所述检测结果为所述第一水稻样品患有白叶枯病，并且所述第二水稻样品未患有白叶枯病，则生成预警指令；其中，所述预警指令至少包括对所述患病水稻区域进行隔离处理。
其中上述单元分别用于执行的操作与前述实施方式的基于活动轨迹序列的水稻白叶枯病预警方法的步骤一一对应，在此不再赘述。
本申请的基于活动轨迹序列的水稻白叶枯病预警装置，在预设的第一稻田中的第一区域和第二区域同时种植水稻；将多种不同类别的动物分别置于多个相同的第一稻田中；对所述多种不同类别的动物持续观测，以得到所述多种不同类别的动物分别对应的多个第一活动轨迹序列；从所述多个第一活动轨迹序列中筛选出指定活动轨迹序列；获取与所述指定活动轨迹序列对应的指定动物；对待观测的第二稻田中的指定动物进行观测，以得到第二活动轨迹，并将所述第二活动轨迹输入预设的区域预测模型进行处理，以得到患病水稻区域；采集第一水稻样品，采集第二水稻样品；进行白叶枯病检测处理，以得到检测结果；若所述检测结果为所述第一水稻样品患有白叶枯病，并且所述第二水稻样品未患有白叶枯病，则生成预警指令，从而实现了水稻白叶枯病预警的目的，使得针对性进行水稻白叶枯病防治成为了可能。
参照图2，本发明实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于活动轨迹序列的水稻白叶枯病预警方法所用数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于活动轨迹序列的水稻白叶枯病预警方法。
该计算机设备还包括显示屏和输入装置，分别用于展示人工交互界面和用于接收输入数据。
上述处理器执行上述基于活动轨迹序列的水稻白叶枯病预警方法，其中所述方法包括的步骤分别与执行前述实施方式的基于活动轨迹序列的水稻白叶枯病预警方法的步骤一一对应，在此不再赘述。
本领域技术人员可以理解，图中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请的计算机设备，在预设的第一稻田中的第一区域和第二区域同时种植水稻；将多种不同类别的动物分别置于多个相同的第一稻田中；对所述多种不同类别的动物持续观测，以得到所述多种不同类别的动物分别对应的多个第一活动轨迹序列；从所述多个第一活动轨迹序列中筛选出指定活动轨迹序列；获取与所述指定活动轨迹序列对应的指定动物；对待观测的第二稻田中的指定动物进行观测，以得到第二活动轨迹，并将所述第二活动轨迹输入预设的区域预测模型进行处理，以得到患病水稻区域；采集第一水稻样品，采集第二水稻样品；进行白叶枯病检测处理，以得到检测结果；若所述检测结果为所述第一水稻样品患有白叶枯病，并且所述第二水稻样品未患有白叶枯病，则生成预警指令，从而实现了水稻白叶枯病预警的目的，使得针对性进行水稻白叶枯病防治成为了可能。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现基于活动轨迹序列的水稻白叶枯病预警方法，其中所述方法包括的步骤分别与执行前述实施方式的基于活动轨迹序列的水稻白叶枯病预警方法的步骤一一对应，在此不再赘述。
需要说明的是，在本文中，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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (7)

1.一种基于活动轨迹序列的水稻白叶枯病预警方法，其特征在于，包括：
S1、在预设的第一稻田中的第一区域和第二区域同时种植水稻；其中，所述第一稻田中的第一区域全部种植患有白叶枯病的水稻，所述第一稻田中的第二区域全部种植未患有白叶枯病的水稻；
S2、将多种不同类别的动物分别置于多个相同的第一稻田中；其中，所述多种不同类别的动物均以水稻为食；
S3、对所述多种不同类别的动物持续观测，以得到所述多种不同类别的动物分别对应的多个第一活动轨迹序列；其中，同一个第一活动轨迹序列中的成员均是同一类别的动物的第一活动轨迹；
S4、根据预设的筛选规则，从所述多个第一活动轨迹序列中筛选出指定活动轨迹序列；其中，所述指定活动轨迹序列在所述第一区域的存在时间占比小于预设的占比阈值；
S5、根据第一活动轨迹序列与动物的对应关系，获取与所述指定活动轨迹序列对应的指定动物；
S6、采用预设观测方法，对待观测的第二稻田中的指定动物进行观测，以得到第二活动轨迹，并将所述第二活动轨迹输入预设的区域预测模型进行处理，以得到所述区域预测模型输出的患病水稻区域；其中，所述区域预测模型是在神经网络模型的基础上采用样本数据训练而成；所述样本数据由所述指定动物在患有水稻白叶枯病的样本稻田中的样本活动轨迹构成，并且所述样本稻田采用人工划分出患有白叶枯病的水稻的区域与未患有白叶枯病的水稻的区域；
S7、在所述患病水稻区域中的第一地点采集第一水稻样品，以及在所述第二稻田中的第二地点采集第二水稻样品；其中，所述第二地点离所述患病水稻区域中的任意一点的距离均大于预设的距离阈值；
S8、对所述第一水稻样品与所述第二水稻样品进行白叶枯病检测处理，以得到检测结果；
S9、判断所述检测结果是否为所述第一水稻样品患有白叶枯病，以及所述第二水稻样品未患有白叶枯病；
S10、若所述检测结果为所述第一水稻样品患有白叶枯病，并且所述第二水稻样品未患有白叶枯病，则生成预警指令；其中，所述预警指令至少包括对所述患病水稻区域进行隔离处理；
所述根据预设的筛选规则，从所述多个第一活动轨迹序列中筛选出指定活动轨迹序列的步骤S4，包括：
S401、根据公式：R=T1/（T1+T2），计算出时间占比，从而得到与所述多个第一活动轨迹序列分别对应的多个时间占比；其中，T1是第一活动轨迹序列在所述第一区域的存在时间长度，T2是第一活动轨迹序列在所述第二区域的存在时间长度；
S402、将所述多个时间占比与预设的占比阈值分别进行对比处理，以从所述多个时间占比中获取数值小于占比阈值的多个初定时间占比；
S403、判断多个初定时间占比的数量是否大于预设的数量阈值；
S404、若多个初定时间占比的数量大于预设的数量阈值，则对多个初定时间占比进行按数值大小进行升序排列，以得到初定时间占比排序；
S405、将初定时间占比排序中排名大于所述数量阈值的初定时间占比均记为指定时间占比，再将指定时间占比对应的活动轨迹序列记为指定活动轨迹序列。
2.根据权利要求1所述的基于活动轨迹序列的水稻白叶枯病预警方法，其特征在于，所述对所述多种不同类别的动物持续观测，以得到所述多种不同类别的动物分别对应的多个第一活动轨迹序列的步骤S3，是在第一稻田中的水稻处于预设的第一水稻发育期时进行的；
采用预设观测方法，对待观测的第二稻田中的指定动物进行观测，以得到第二活动轨迹，并将所述第二活动轨迹输入预设的区域预测模型进行处理，以得到所述区域预测模型输出的患病水稻区域的步骤S6，是在第二稻田中的水稻处于预设的第二水稻发育期时进行的；所述第一水稻发育期与所述第二水稻发育期相同。
3.根据权利要求1所述的基于活动轨迹序列的水稻白叶枯病预警方法，其特征在于，所述对所述多种不同类别的动物持续观测，以得到所述多种不同类别的动物分别对应的多个第一活动轨迹序列的步骤S3，包括：
S301、采用预设的红外线探测器对第一稻田进行持续观测，以得到红外图像序列；
S302、采用预设的可见光探测器对第一稻田进行持续观测，以得到可见光图像序列；
S303、综合所述红外图像序列与所述可见光图像序列，以得到所述多种不同类别的动物分别对应的多个第一活动轨迹序列。
4.根据权利要求1所述的基于活动轨迹序列的水稻白叶枯病预警方法，其特征在于，所述采用预设观测方法，对待观测的第二稻田中的指定动物进行观测，以得到第二活动轨迹，并将所述第二活动轨迹输入预设的区域预测模型进行处理，以得到所述区域预测模型输出的患病水稻区域的步骤S6之前，包括：
S51、对样本数据进行标注处理，以将每个样本数据均标注上患有白叶枯病的水稻的区域；
S52、对标注后的样本数据进行划分处理，以将样本数据划分为训练数据和验证数据；其中，训练数据的数量与验证数据的数量的比例处于0.7:0.3至0.95:0.05的范围内；
S53、调取预先准备的神经网络模型，并将训练数据输入神经网络模型中，采用有监督学习的方式进行训练，以得到初定区域预测模型；
S54、采用验证数据对初定区域预测模型进行验证处理，并判断验证结果是否为验证通过；
S55、若验证结果为验证通过，则将初定区域预测模型记为最终的区域预测模型。
5.一种基于活动轨迹序列的水稻白叶枯病预警装置，其特征在于，包括：
水稻种植单元，用于在预设的第一稻田中的第一区域和第二区域同时种植水稻；其中，所述第一稻田中的第一区域全部种植患有白叶枯病的水稻，所述第一稻田中的第二区域全部种植未患有白叶枯病的水稻；
动物布置单元，用于将多种不同类别的动物分别置于多个相同的第一稻田中；其中，所述多种不同类别的动物均以水稻为食；
持续观测单元，用于对所述多种不同类别的动物持续观测，以得到所述多种不同类别的动物分别对应的多个第一活动轨迹序列；其中，同一个第一活动轨迹序列中的成员均是同一类别的动物的第一活动轨迹；
指定活动轨迹序列筛选单元，用于根据预设的筛选规则，从所述多个第一活动轨迹序列中筛选出指定活动轨迹序列；其中，所述指定活动轨迹序列在所述第一区域的存在时间占比小于预设的占比阈值；
指定动物获取单元，用于根据第一活动轨迹序列与动物的对应关系，获取与所述指定活动轨迹序列对应的指定动物；
患病水稻区域获取单元，用于采用预设观测方法，对待观测的第二稻田中的指定动物进行观测，以得到第二活动轨迹，并将所述第二活动轨迹输入预设的区域预测模型进行处理，以得到所述区域预测模型输出的患病水稻区域；其中，所述区域预测模型是在神经网络模型的基础上采用样本数据训练而成；所述样本数据由所述指定动物在患有水稻白叶枯病的样本稻田中的样本活动轨迹构成，并且所述样本稻田采用人工划分出患有白叶枯病的水稻的区域与未患有白叶枯病的水稻的区域；
水稻样品采集单元，用于在所述患病水稻区域中的第一地点采集第一水稻样品，以及在所述第二稻田中的第二地点采集第二水稻样品；其中，所述第二地点离所述患病水稻区域中的任意一点的距离均大于预设的距离阈值；
白叶枯病检测单元，用于对所述第一水稻样品与所述第二水稻样品进行白叶枯病检测处理，以得到检测结果；
检测结果判断单元，用于判断所述检测结果是否为所述第一水稻样品患有白叶枯病，以及所述第二水稻样品未患有白叶枯病；
预警指令生成单元，用于若所述检测结果为所述第一水稻样品患有白叶枯病，并且所述第二水稻样品未患有白叶枯病，则生成预警指令；其中，所述预警指令至少包括对所述患病水稻区域进行隔离处理；
所述根据预设的筛选规则，从所述多个第一活动轨迹序列中筛选出指定活动轨迹序列，包括：
根据公式：R=T1/（T1+T2），计算出时间占比，从而得到与所述多个第一活动轨迹序列分别对应的多个时间占比；其中，T1是第一活动轨迹序列在所述第一区域的存在时间长度，T2是第一活动轨迹序列在所述第二区域的存在时间长度；
将所述多个时间占比与预设的占比阈值分别进行对比处理，以从所述多个时间占比中获取数值小于占比阈值的多个初定时间占比；
判断多个初定时间占比的数量是否大于预设的数量阈值；
若多个初定时间占比的数量大于预设的数量阈值，则对多个初定时间占比进行按数值大小进行升序排列，以得到初定时间占比排序；
将初定时间占比排序中排名大于所述数量阈值的初定时间占比均记为指定时间占比，再将指定时间占比对应的活动轨迹序列记为指定活动轨迹序列。
6.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
CN202210456975.XA 2022-04-28 2022-04-28 一种基于活动轨迹序列的水稻白叶枯病预警方法和装置 Active CN114814102B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210456975.XA CN114814102B (zh) 2022-04-28 2022-04-28 一种基于活动轨迹序列的水稻白叶枯病预警方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210456975.XA CN114814102B (zh) 2022-04-28 2022-04-28 一种基于活动轨迹序列的水稻白叶枯病预警方法和装置

Publications (2)

Publication Number Publication Date
CN114814102A CN114814102A (zh) 2022-07-29
CN114814102B true CN114814102B (zh) 2023-01-20

Family

ID=82510295

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210456975.XA Active CN114814102B (zh) 2022-04-28 2022-04-28 一种基于活动轨迹序列的水稻白叶枯病预警方法和装置

Country Status (1)

Country Link
CN (1) CN114814102B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165623A (zh) * 2018-09-07 2019-01-08 北京麦飞科技有限公司 基于深度学习的水稻病斑检测方法及系统
WO2021097573A1 (en) * 2019-11-21 2021-05-27 Polyvalor, Limited Partnership Method and system for assessing a biological movement
CN112883822A (zh) * 2021-01-28 2021-06-01 广东技术师范大学 集预测与预防为一体的病虫害预测位置分析方法和装置
CN113723312A (zh) * 2021-09-01 2021-11-30 东北农业大学 基于视觉transformer的水稻病害识别方法
CN114202691A (zh) * 2021-12-09 2022-03-18 广东省科学院广州地理研究所 基于遥感图像的水稻识别方法、装置以及设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165623A (zh) * 2018-09-07 2019-01-08 北京麦飞科技有限公司 基于深度学习的水稻病斑检测方法及系统
WO2021097573A1 (en) * 2019-11-21 2021-05-27 Polyvalor, Limited Partnership Method and system for assessing a biological movement
CN112883822A (zh) * 2021-01-28 2021-06-01 广东技术师范大学 集预测与预防为一体的病虫害预测位置分析方法和装置
CN113723312A (zh) * 2021-09-01 2021-11-30 东北农业大学 基于视觉transformer的水稻病害识别方法
CN114202691A (zh) * 2021-12-09 2022-03-18 广东省科学院广州地理研究所 基于遥感图像的水稻识别方法、装置以及设备

Also Published As

Publication number Publication date
CN114814102A (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
Ebrahimi et al. Comprehensive analysis of machine learning models for prediction of sub-clinical mastitis: Deep Learning and Gradient-Boosted Trees outperform other models
Northrup et al. Conceptual and methodological advances in habitat‐selection modeling: guidelines for ecology and evolution
De Villemereuil et al. A new FST‐based method to uncover local adaptation using environmental variables
de Villemereuil et al. Comparing parent–offspring regression with frequentist and Bayesian animal models to estimate heritability in wild populations: a simulation study for Gaussian and binary traits
Dhau et al. Testing the capability of spectral resolution of the new multispectral sensors on detecting the severity of grey leaf spot disease in maize crop
Goodridge et al. Intelligent diagnosis of diseases in plants using a hybrid Multi-Criteria decision making technique
Fritsche‐Neto et al. Phenomics
CN113948220B (zh) 一种具有预分析能力的炭疽病病原菌侵染阶段检测方法
Neerinckx et al. Predicting potential risk areas of human plague for the Western Usambara Mountains, Lushoto District, Tanzania
EP3816879A1 (en) A method of yield estimation for arable crops and grasslands and a system for performing the method
Gengler Symposium review: Challenges and opportunities for evaluating and using the genetic potential of dairy cattle in the new era of sensor data from automation
CN109671062A (zh) 超声图像检测方法、装置、电子设备及可读存储介质
Kvalnes et al. Reversal of response to artificial selection on body size in a wild passerine
CN107480721A (zh) 一种牛只患病数据分析方法及装置
Singh et al. Estimation of yellow rust severity in wheat using visible and thermal imaging coupled with machine learning models
CN103548014B (zh) 用于产生质量控制材料的统计上有效的检验均值和范围的系统和方法
CN114814102B (zh) 一种基于活动轨迹序列的水稻白叶枯病预警方法和装置
CN117084200B (zh) 应用大数据分析的水产养殖投药控制系统
Liao et al. A hybrid CNN-LSTM model for diagnosing rice nutrient levels at the rice panicle initiation stage
CN109886721A (zh) 一种猪肉价格预测系统算法
Hati et al. AI-driven pheno-parenting: a deep learning based plant phenotyping trait analysis model on a novel soilless farming dataset
Chen et al. Role of the genomics–phenomics–agronomy paradigm in plant breeding
Essah et al. Assessment on Crop testing based on IOT and Machine Learning
CN111968003A (zh) 一种基于农作物本体概念响应的农作物病害预测方法
Cristescu et al. Susceptibility to a sexually transmitted disease in a wild koala population shows heritable genetic variance but no inbreeding depression

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