CN114882357A - 基于双重追踪的水稻白叶枯病防治方法与装置 - Google Patents
基于双重追踪的水稻白叶枯病防治方法与装置 Download PDFInfo
- Publication number
- CN114882357A CN114882357A CN202210457863.6A CN202210457863A CN114882357A CN 114882357 A CN114882357 A CN 114882357A CN 202210457863 A CN202210457863 A CN 202210457863A CN 114882357 A CN114882357 A CN 114882357A
- Authority
- CN
- China
- Prior art keywords
- preset
- rice
- region
- specified
- insect
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
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
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Library & Information Science (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Catching Or Destruction (AREA)
Abstract
本申请示了一种基于双重追踪的水稻白叶枯病防治方法,所述方法包括:筛选出指定昆虫;获取指定知识图谱;提取一个指定三元组;在指定动物身上装上追踪器,并投入预设稻田中,得到水稻图像序列,并生成追踪信号分布图序列;得到第一分布图序列;得到第二分布图序列,进行修正处理,以得到第三分布图序列;生成第一区域,生成第二区域;计算第一区域与第二区域之间的区域相似度值;若区域相似度值大于区域相似度阈值,则得到第三区域;对第三区域中的水稻进行白叶枯病防治处理,实现了对水稻白叶枯病进行及时检测并防治的目的。
Description
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双重追踪的水稻白叶枯病防治方法与装置。
背景技术
白叶枯病是由水稻黄单胞杆菌引起的,对水稻生长有极大的危害。水稻在整个生长周期都可能感染白叶枯病。在感染水稻黄单胞杆菌较长时间后,水稻会出现明显症状,此时易于分辨。但是若水稻感染水稻黄单胞杆菌的时间较短,水稻未呈现明显症状,则难以发现。而对于水稻白叶枯病的检测,越早发现就越能及时得到防治,然而传统技术中缺少能够对水稻白叶枯病进行及时检测并防治的方案。
发明内容
本申请提出一种基于双重追踪的水稻白叶枯病防治方法,包括以下步骤:
S1、根据预设的昆虫筛选方法,从预设的昆虫列表中筛选出指定昆虫;其中,所述指定昆虫在食物链中处于水稻的上级,并且相对于感染白叶枯病的水稻,所述指定昆虫更倾向于以未感染白叶枯病的水稻作为食物;
S2、获取对应于所述预设稻田的指定环境类型,并根据预设的水稻环境类型与知识图谱的对应关系,获取与所述指定环境类型对应的指定知识图谱;其中,所述指定知识图谱中的一个知识节点为所述指定昆虫;
S3、根据预设的三元组提取方法,从所述指定知识图谱中提取一个指定三元组;其中,所述指定三元组中的一个知识实体为所述指定昆虫,另一个知识实体为非昆虫的指定动物;
S4、在指定数量的所述指定动物身上装上追踪器,并投入预设稻田中,再采用预设的图像传感器在第一时间窗口内,对预设稻田进行实时图像采集处理,以得到水稻图像序列,并在第二时间窗口内,接收追踪器发送的信号,以生成追踪信号分布图序列;其中,第一时间窗口与第二时间窗口相同;
S5、对水稻图像序列进行指定昆虫识别处理,以得到指定昆虫在预设稻田中随时间变化的第一分布图序列;对水稻图像序列进行指定动物识别处理,以得到指定动物在预设稻田中随时间变化的第二分布图序列,结合所述追踪信号分布图序列对所述第二分布图序列进行修正处理,以得到第三分布图序列;
S6、根据预设的区域生成方法,采用所述第一分布图序列,生成第一区域,同时采用所述第三分布图序列,生成第二区域;根据预设的相似度计算方法,计算所述第一区域与所述第二区域之间的区域相似度值,并判断所述区域相似度值是否大于预设的区域相似度阈值;
S7、若所述区域相似度值大于预设的区域相似度阈值,则对所述第一区域和所述第二区域进行并集处理,以得到第三区域;
S8、采用预设的白叶枯病防治方法,对第三区域中的水稻进行白叶枯病防治处理。
其中,所述根据预设的昆虫筛选方法,从预设的昆虫列表中筛选出指定昆虫的步骤S1,包括:
S101、从预设的食物链中,选取处于水稻上级的多种昆虫,以得到由所述多种昆虫构成的昆虫列表;
S102、在第一样本水稻种植区中,按第一图案种植感染白叶枯病的水稻和未感染白叶枯病的水稻;
S103、将所述多种昆虫引入第一样本水稻种植区中,并在预设时间之后,对第一样本水稻种植区进行观察,以得到与所述多种昆虫分别对应的多个昆虫分布图;
S104、根据预设的图像相似度计算方法,将所述多个昆虫分布图分别与所述第一图案进行对比计算,以得到与所述多个昆虫分布图分别对应的多个第一图案相似度值;
S105、判断所述多个第一图案相似度值中的最大值是否大于预设的相似度阈值;
S106、若所述多个第一图案相似度值中的最大值大于预设的相似度阈值,则将所述多个第一图案相似度值中的最大值记为指定第一图案相似度值;
S107、将所述指定第一图案相似度值对应的昆虫记为指定昆虫,从而从昆虫列表中筛选出指定昆虫。
其中,所述根据预设的三元组提取方法,从所述指定知识图谱中提取一个指定三元组的步骤S3,包括:
S301、从所述指定知识图谱中选出多个第一三元组;其中,每个第一三元组的一个知识实体为所述指定昆虫,另一个知识实体为非昆虫的动物,实体关系为捕食;
S302、从所述指定知识图谱中选出多个第二三元组;其中,每个第二三元组的一个知识实体为水稻,另一个知识实体为第一三元组中的非昆虫的动物,实体关系为捕食;
S303、根据捕食优选级最高的原则,从多个第二三元组中的所有知识实体中选出一个非昆虫的指定动物;其中,捕食优选级最高的原则指的是,相对于其他第二三元组中的非昆虫的动物的食谱喜好降序表中指定昆虫的排名,指定动物的食谱喜好降序表中指定昆虫的排名最高;
S303、将包括指定动物的第一三元组记为指定三元组。
其中,所述根据预设的三元组提取方法,从所述指定知识图谱中提取一个指定三元组的步骤S3之后,包括:
S31、在第二样本水稻种植区中,按第二图案种植感染白叶枯病的水稻和未感染白叶枯病的水稻;
S32、预先准备多个指定动物,并将所述多个指定动物引入第一样本水稻种植区中,并在预设时间之后,对第一样本水稻种植区进行实时观察,以得到指定动物的活动分布图;
S33、根据预设的图像相似度计算方法,将所述活动分布图与所述第二图案进行对比计算,以得到第二图案相似度值;
S34、判断所述第二图案相似度值是否大于预设的相似度阈值;
S35、若所述第二图案相似度值大于预设的相似度阈值,则生成水稻图像序列采集指令,以指示在指定数量的所述指定动物身上装上追踪器,并投入预设稻田中,再采用预设的图像传感器在第一时间窗口内,对预设稻田进行实时图像采集处理,以得到水稻图像序列,并在第二时间窗口内,接收追踪器发送的信号,以生成追踪信号分布图序列。
其中,所述根据预设的区域生成方法,采用所述第一分布图序列,生成第一区域,同时采用所述第三分布图序列,生成第二区域;根据预设的相似度计算方法,计算所述第一区域与所述第二区域之间的区域相似度值,并判断所述区域相似度值是否大于预设的区域相似度阈值的步骤S6,包括:
S601、在一个第一虚拟平面上,对所述第一分布图序列进行虚拟投影处理,从而得到多个第一投影范围;
S602、对多个第一投影范围进行叠加处理,以得到第一叠加范围,并将第一叠加范围记为第一区域;
S603、在一个第二虚拟平面上,对所述第三分布图序列进行虚拟投影处理,从而得到多个第二投影范围;
S604、对多个第二投影范围进行叠加处理,以得到第二叠加范围,并将第二叠加范围记为第二区域;
S605、根据预设的相似度计算方法,计算所述第一区域与所述第二区域之间的区域相似度值,并判断所述区域相似度值是否大于预设的区域相似度阈值。
本申请公开了一种基于双重追踪的水稻白叶枯病防治装置,包括:
昆虫筛选单元,用于根据预设的昆虫筛选方法,从预设的昆虫列表中筛选出指定昆虫;其中,所述指定昆虫在食物链中处于水稻的上级,并且相对于感染白叶枯病的水稻,所述指定昆虫更倾向于以未感染白叶枯病的水稻作为食物;
知识图谱获取单元,用于获取对应于所述预设稻田的指定环境类型,并根据预设的水稻环境类型与知识图谱的对应关系,获取与所述指定环境类型对应的指定知识图谱;其中,所述指定知识图谱中的一个知识节点为所述指定昆虫;
三元组提取单元,用于根据预设的三元组提取方法,从所述指定知识图谱中提取一个指定三元组;其中,所述指定三元组中的一个知识实体为所述指定昆虫,另一个知识实体为非昆虫的指定动物;
图像采集单元,用于在指定数量的所述指定动物身上装上追踪器,并投入预设稻田中,再采用预设的图像传感器在第一时间窗口内,对预设稻田进行实时图像采集处理,以得到水稻图像序列,并在第二时间窗口内,接收追踪器发送的信号,以生成追踪信号分布图序列;其中,第一时间窗口与第二时间窗口相同;
分布图序列生成单元,用于对水稻图像序列进行指定昆虫识别处理,以得到指定昆虫在预设稻田中随时间变化的第一分布图序列;对水稻图像序列进行指定动物识别处理,以得到指定动物在预设稻田中随时间变化的第二分布图序列,结合所述追踪信号分布图序列对所述第二分布图序列进行修正处理,以得到第三分布图序列;
相似度计算单元,用于根据预设的区域生成方法,采用所述第一分布图序列,生成第一区域,同时采用所述第三分布图序列,生成第二区域;根据预设的相似度计算方法,计算所述第一区域与所述第二区域之间的区域相似度值,并判断所述区域相似度值是否大于预设的区域相似度阈值;
区域生成单元,用于若所述区域相似度值大于预设的区域相似度阈值,则对所述第一区域和所述第二区域进行并集处理,以得到第三区域;
防治单元,用于采用预设的白叶枯病防治方法,对第三区域中的水稻进行白叶枯病防治处理。
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。
本申请的基于双重追踪的水稻白叶枯病防治方法、装置、计算机设备和存储介质,从预设的昆虫列表中筛选出指定昆虫;获取与指定环境类型对应的指定知识图谱;从所述指定知识图谱中提取一个指定三元组;在指定数量的所述指定动物身上装上追踪器,并投入预设稻田中,得到水稻图像序列,并接收追踪器发送的信号,以生成追踪信号分布图序列;得到指定昆虫在预设稻田中随时间变化的第一分布图序列;得到指定动物在预设稻田中随时间变化的第二分布图序列,进行修正处理,以得到第三分布图序列;采用所述第一分布图序列,生成第一区域,同时采用所述第三分布图序列,生成第二区域;计算所述第一区域与所述第二区域之间的区域相似度值;若所述区域相似度值大于预设的区域相似度阈值,则得到第三区域;对第三区域中的水稻进行白叶枯病防治处理,实现了对水稻白叶枯病及时检测并防治的目的。
本申请能够使处于白叶枯病感染初期的水稻在病征未明显呈现时,及时发现并进行防治。但是,这不作为对本申请的限制,本申请适用于感染白叶枯病后处于任意时期的水稻。
附图说明
图1为本申请一实施例的基于双重追踪的水稻白叶枯病防治方法的流程示意图;
图2为本申请一实施例的基于双重追踪的水稻白叶枯病防治装置的结构示意框图;
图3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双重追踪的水稻白叶枯病防治方法,包括以下步骤:
S1、根据预设的昆虫筛选方法,从预设的昆虫列表中筛选出指定昆虫;其中,所述指定昆虫在食物链中处于水稻的上级,并且相对于感染白叶枯病的水稻,所述指定昆虫更倾向于以未感染白叶枯病的水稻作为食物;
S2、获取对应于所述预设稻田的指定环境类型,并根据预设的水稻环境类型与知识图谱的对应关系,获取与所述指定环境类型对应的指定知识图谱;其中,所述指定知识图谱中的一个知识节点为所述指定昆虫;
S3、根据预设的三元组提取方法,从所述指定知识图谱中提取一个指定三元组;其中,所述指定三元组中的一个知识实体为所述指定昆虫,另一个知识实体为非昆虫的指定动物;
S4、在指定数量的所述指定动物身上装上追踪器,并投入预设稻田中,再采用预设的图像传感器在第一时间窗口内,对预设稻田进行实时图像采集处理,以得到水稻图像序列,并在第二时间窗口内,接收追踪器发送的信号,以生成追踪信号分布图序列;其中,第一时间窗口与第二时间窗口相同;
S5、对水稻图像序列进行指定昆虫识别处理,以得到指定昆虫在预设稻田中随时间变化的第一分布图序列;对水稻图像序列进行指定动物识别处理,以得到指定动物在预设稻田中随时间变化的第二分布图序列,结合所述追踪信号分布图序列对所述第二分布图序列进行修正处理,以得到第三分布图序列;
S6、根据预设的区域生成方法,采用所述第一分布图序列,生成第一区域,同时采用所述第三分布图序列,生成第二区域;根据预设的相似度计算方法,计算所述第一区域与所述第二区域之间的区域相似度值,并判断所述区域相似度值是否大于预设的区域相似度阈值;
S7、若所述区域相似度值大于预设的区域相似度阈值,则对所述第一区域和所述第二区域进行并集处理,以得到第三区域;
S8、采用预设的白叶枯病防治方法,对第三区域中的水稻进行白叶枯病防治处理。
本申请的双重追踪,指的是不仅追踪指定昆虫,还追踪指定动物。
如上述步骤S1-S3所述,根据预设的昆虫筛选方法,从预设的昆虫列表中筛选出指定昆虫;其中,所述指定昆虫在食物链中处于水稻的上级,并且相对于感染白叶枯病的水稻,所述指定昆虫更倾向于以未感染白叶枯病的水稻作为食物;获取对应于所述预设稻田的指定环境类型,并根据预设的水稻环境类型与知识图谱的对应关系,获取与所述指定环境类型对应的指定知识图谱;其中,所述指定知识图谱中的一个知识节点为所述指定昆虫;根据预设的三元组提取方法,从所述指定知识图谱中提取一个指定三元组;其中,所述指定三元组中的一个知识实体为所述指定昆虫,另一个知识实体为非昆虫的指定动物。
本申请的实施思路在于,通过指定昆虫和指定动物,实现对水稻白叶枯病的及早防治,这明显区别于对水稻直接观测的传统方案。而本申请能够这样实施的原理在于,指定昆虫与水稻、指定动物与指定昆虫之间分别存在直接关系,并且是特殊的直接关系。上述特殊的直接关系指的是,所述指定昆虫在食物链中处于水稻的上级,并且相对于感染白叶枯病的水稻,所述指定昆虫更倾向于以未感染白叶枯病的水稻作为食物;以及,指定昆虫与指定动物构成指定三元组。
通过这样的特殊的直接关系,使得本申请对于水稻是否感染白叶枯病,存在客观上的放大效果,这是因为水稻在感染白叶枯病的早期时,通过常规的观测手段难以及时发现,但是昆虫的分布是能够通过常规的观测手段(例如图像采集及图像识别技术,这些技术已经很成熟)进行观测的,并且本申请中的指定昆虫与水稻存在上述特殊的直接关系,因此指定昆虫的分布是能够反应水稻是否感染白叶枯病的(例如,稻田中的某些水稻感染了白叶枯病,那么这些水稻对应的区域,指定昆虫的分布会较少,因为指定昆虫更趋向于活动在未感染白叶枯病的水稻所处位置)。此时,就实现了第一层级的放大效果。
另外,指定昆虫与指定动物构成指定三元组,即在指定知识图谱中,指定昆虫与指定动物的知识关系例如为捕食关系,这样也会产生一种特别的现象,即指定动物的轨迹是与指定昆虫相关的,因此指定动物通过与指定昆虫的这种相关关系,能够反应水稻是否感染白叶枯病。因此实现了第二层级的放大效果。进一步地,由于存在一部分动物不仅能够以昆虫为食,而且还能够以水稻为食,因此这种动物是本申请优选的动物,若采用这种设计,使得本申请的第二层次的放大效果更为显著(因为第二层次的放大效果实际上还包含了另一个第一层次的放大效果)。
需要注意的是,上述两个层级的放大效果,主要指的是观测的容易程度。因为若没有第一层次的放大效果,则难以通过常规手段观测水稻是否感染白叶枯病;而由于昆虫相对于非昆虫的动物而言,其活动能力是有限的,更重要的是,其虽然较易被观测到,但这对于观测器材的要求较高(例如,若采用图像采集及分析的观测手段,则需要高分辨率的摄像头),因此本申请需要采用第二层次的放大效果,以利用易于观测的非昆虫的动物,以利于获取一手数据。
预设的昆虫筛选方法,其目的在于选出特殊的指定昆虫,使得指定昆虫满足条件:指定昆虫在食物链中处于水稻的上级,并且相对于感染白叶枯病的水稻,所述指定昆虫更倾向于以未感染白叶枯病的水稻作为食物。由于以水稻为食的昆虫很多,因此其中的重点部分在于,如何确定相对于感染白叶枯病的水稻,所述指定昆虫更倾向于以未感染白叶枯病的水稻作为食物。这可以采用任意可行方法实现,例如:
所述根据预设的昆虫筛选方法,从预设的昆虫列表中筛选出指定昆虫的步骤S1,包括:
S101、从预设的食物链中,选取处于水稻上级的多种昆虫,以得到由所述多种昆虫构成的昆虫列表;
S102、在第一样本水稻种植区中,按第一图案种植感染白叶枯病的水稻和未感染白叶枯病的水稻;
S103、将所述多种昆虫引入第一样本水稻种植区中,并在预设时间之后,对第一样本水稻种植区进行观察,以得到与所述多种昆虫分别对应的多个昆虫分布图;
S104、根据预设的图像相似度计算方法,将所述多个昆虫分布图分别与所述第一图案进行对比计算,以得到与所述多个昆虫分布图分别对应的多个第一图案相似度值;
S105、判断所述多个第一图案相似度值中的最大值是否大于预设的相似度阈值;
S106、若所述多个第一图案相似度值中的最大值大于预设的相似度阈值,则将所述多个第一图案相似度值中的最大值记为指定第一图案相似度值;
S107、将所述指定第一图案相似度值对应的昆虫记为指定昆虫,从而从昆虫列表中筛选出指定昆虫。
通过上述过程,选出了对于水稻是否感染白叶枯病最为敏感的指定昆虫,从而提高本申请最终分析结果的精准度。其中,将所述多种昆虫引入第一样本水稻种植区中,可采用任意可行方式实现,例如,在某个第一样本水稻种植区中,同时引入多种昆虫;或者,在多个第一样本水稻种植区中,分别引入多种昆虫。另外,由于昆虫的扩散需要时间,在引入多种昆虫的短时间内,没必要进行观测,因此此时观测得到的数据意义不大。并且,在引入昆虫时,优选采用均匀引入的方式引入第一样本水稻种植区。按第一图案种植感染白叶枯病的水稻和未感染白叶枯病的水稻,指的是,感染白叶枯病的水稻和未感染白叶枯病的水稻是间隔开的,从而形成了第一图案。例如,感染白叶枯病的水稻构成一个三角形区域,未感染白叶枯病的水稻包裹三角形区域的其他区域,若第一样本水稻种植区呈矩形,则第一图案为内部存在三角形的矩形。
图像相似度计算方法可采用任意可行方法,在此不作限制。若所述多个第一图案相似度值中的最大值大于预设的相似度阈值,则表明所述指定第一图案相似度值对应的昆虫,对水稻是否感染白叶枯病最为敏感,因此将其记为指定昆虫,从而从昆虫列表中筛选出指定昆虫。
指定知识图谱记载了与指定水稻相关的信息,其中包括食物链信息。再根据预设的三元组提取方法,从所述指定知识图谱中提取一个指定三元组;其中,所述指定三元组中的一个知识实体为所述指定昆虫,另一个知识实体为非昆虫的指定动物。其中,三元组提取方法可为任意可行方法,最简单的是,先确定指定昆虫对应的知识实体,再以直接连接为依据,找出一个与指定昆虫直接连接的另一个知识实体,再判断该知识实体是否为非昆虫的动物,若该知识实体为非昆虫的动物,则将其记为指定动物,并提取出指定三元组。
进一步地,所述根据预设的三元组提取方法,从所述指定知识图谱中提取一个指定三元组的步骤S3,包括:
S301、从所述指定知识图谱中选出多个第一三元组;其中,每个第一三元组的一个知识实体为所述指定昆虫,另一个知识实体为非昆虫的动物,实体关系为捕食;
S302、从所述指定知识图谱中选出多个第二三元组;其中,每个第二三元组的一个知识实体为水稻,另一个知识实体为第一三元组中的非昆虫的动物,实体关系为捕食;
S303、根据捕食优选级最高的原则,从多个第二三元组中的所有知识实体中选出一个非昆虫的指定动物;其中,捕食优选级最高的原则指的是,相对于其他第二三元组中的非昆虫的动物的食谱喜好降序表中指定昆虫的排名,指定动物的食谱喜好降序表中指定昆虫的排名最高;
S303、将包括指定动物的第一三元组记为指定三元组。
从而选出了更为特别的指定动物,该指定动物的特别之处在于,其不仅以指定昆虫为食,还以水稻为食,另外,其相对于其他动物而言,更喜好食用指定昆虫。通过这种方式选出的指定动物,能够保证指定动物对于水稻是否感染白叶枯病更为敏感,因此更易于本申请的实施。
进一步地,本申请采用更为特别的方式来选出指定动物,具体方式为:
在所述根据捕食优选级最高的原则,从多个第二三元组中的所有知识实体中选出一个非昆虫的指定动物;其中,捕食优选级最高的原则指的是,相对于其他第二三元组中的非昆虫的动物的食谱喜好降序表中指定昆虫的排名,指定动物的食谱喜好降序表中指定昆虫的排名最高的步骤S303之后,包括:
S3031、判断所述指定动物是否相对于感染白叶枯病的水稻,更倾向于以未感染白叶枯病的水稻作为食物;
S3032、若所述指定动物相对于感染白叶枯病的水稻,更倾向于以未感染白叶枯病的水稻作为食物,则生成指定三元组标记指令,以指示将包括指定动物的第一三元组记为指定三元组。
其中,判断所述指定动物是否相对于感染白叶枯病的水稻,更倾向于以未感染白叶枯病的水稻作为食物的方式,可采用与步骤S1中的昆虫筛选方法相同的方法,只需要将昆虫修改为动物即可,例如:
所述根据预设的三元组提取方法,从所述指定知识图谱中提取一个指定三元组的步骤S3之后,包括:
S31、在第二样本水稻种植区中,按第二图案种植感染白叶枯病的水稻和未感染白叶枯病的水稻;
S32、预先准备多个指定动物,并将所述多个指定动物引入第一样本水稻种植区中,并在预设时间之后,对第一样本水稻种植区进行实时观察,以得到指定动物的活动分布图;
S33、根据预设的图像相似度计算方法,将所述活动分布图与所述第二图案进行对比计算,以得到第二图案相似度值;
S34、判断所述第二图案相似度值是否大于预设的相似度阈值;
S35、若所述第二图案相似度值大于预设的相似度阈值,则生成水稻图像序列采集指令,以指示在指定数量的所述指定动物身上装上追踪器,并投入预设稻田中,再采用预设的图像传感器在第一时间窗口内,对预设稻田进行实时图像采集处理,以得到水稻图像序列,并在第二时间窗口内,接收追踪器发送的信号,以生成追踪信号分布图序列。
从而采用与昆虫筛选相同或者相似的方式,来确定指定动物是否对于未感染白叶枯病的水稻更为喜欢。当然,这与昆虫筛选具有一定的区别,其区别在于,昆虫筛选是从多种未确定昆虫中选出一个指定昆虫,而此时已经确定了一种备选的指定动物,因此只需预先准备多个相同的指定动物即可,即只针对于一种指定动物。
进一步地,所述第二样本水稻种植区中,优选没有被指定的昆虫,其实施方式可为任意可行方式,例如通过对第二样本水稻种植区预先进行指定昆虫的灭杀活动。
如上述步骤S4-S5所述,在指定数量的所述指定动物身上装上追踪器,并投入预设稻田中,再采用预设的图像传感器在第一时间窗口内,对预设稻田进行实时图像采集处理,以得到水稻图像序列,并在第二时间窗口内,接收追踪器发送的信号,以生成追踪信号分布图序列;其中,第一时间窗口与第二时间窗口相同;对水稻图像序列进行指定昆虫识别处理,以得到指定昆虫在预设稻田中随时间变化的第一分布图序列;对水稻图像序列进行指定动物识别处理,以得到指定动物在预设稻田中随时间变化的第二分布图序列,结合所述追踪信号分布图序列对所述第二分布图序列进行修正处理,以得到第三分布图序列。
本申请选择指定动物的一个原因在于,其可以装上追踪器,从而能够得到准确的追踪信号,而昆虫难以装上追踪器,因此相对而言,昆虫的分布数据准确性较低,其准确性依赖于观测设备与观测环境。并且,需要在相同的时间窗口内同时进行观测处理,以同时得到水稻图像序列和追踪信号分布图序列。水稻图像序列是通过常规的图像采集手段得到的,需要注意的是,虽然本申请采用的是常规的图像采集手段,但是传统的水稻白叶枯病检测方案是不会采用到这样的常规技术的,原因在前文已进行阐述。因此,此处采用的虽然是常规的图像采集手段,但对于本申请所处领域及实施环境而言,反而是不常规的技术手段,因此这是值得注意之处。
另外,本申请虽然只是提及在指定数量的所述指定动物身上装上追踪器,并投入预设稻田中,未提及投入指定昆虫,但实际上,水稻田中本来就存在指定昆虫,因此无需特地强调。
再对水稻图像序列进行指定昆虫识别处理,以得到指定昆虫在预设稻田中随时间变化的第一分布图序列;对水稻图像序列进行指定动物识别处理,以得到指定动物在预设稻田中随时间变化的第二分布图序列,结合所述追踪信号分布图序列对所述第二分布图序列进行修正处理,以得到第三分布图序列。从图像数据中识别出物体,例如识别出昆虫或者其他动物,这通过常规的物体识别技术即可实现,具体采用的算法或者工具可为任意可行算法或者工具,在此不再赘述。得到的第一分布图序列,体现的是前文所述的第一层次的放大效果;第三分布图序列体现的是前文所述的第二层次的放大效果。并且,第三分布图序列不仅与水稻图像序列相关,还与追踪信号分布图序列相关,因此识别精度更高。具体地,在这些数据中,追踪信号分布图序列是最为准确的,因为追踪信号分布图序列是直接来自于装有追踪器的指定动物。之所以还需要生成第二分布图序列,是因为稻田中除了装有追踪器的指定动物外,还可能存在其他的指定动物。而结合所述追踪信号分布图序列对所述第二分布图序列进行修正处理,可采用任意可行方式实施,这只是数据信号的优化,对此本申请不作限制。
如上述步骤S6-S8所述,根据预设的区域生成方法,采用所述第一分布图序列,生成第一区域,同时采用所述第三分布图序列,生成第二区域;根据预设的相似度计算方法,计算所述第一区域与所述第二区域之间的区域相似度值,并判断所述区域相似度值是否大于预设的区域相似度阈值;若所述区域相似度值大于预设的区域相似度阈值,则对所述第一区域和所述第二区域进行并集处理,以得到第三区域;采用预设的白叶枯病防治方法,对第三区域中的水稻进行白叶枯病防治处理。
分布图序列实际上体现上是对应的指定昆虫或者指定动物的存在区域,因此生成与指定昆虫对应的第一区域,和指定动物对应的第二区域。区域生成方法例如可以将分布图序列的最外层轮廓作为区域的边界,从而生成对应区域。相似度计算是对于两个图形进行计算,以得到相似度值,若所述区域相似度值大于预设的区域相似度阈值,则表明第一层次的放大效果与第二层次的放大效果是相近的(即依据指定昆虫的分析结果与依据指定动物的分析结果相似),因此对所述第一区域和所述第二区域进行并集处理,以得到第三区域。之所以采用并集处理,是为了尽量保证所有的感染白叶枯病的水稻均处于第三区域中。再对第三区域中的水稻进行白叶枯病防治处理。防治处理的手段有很多,本申请不进行限制。
进一步地,所述根据预设的区域生成方法,采用所述第一分布图序列,生成第一区域,同时采用所述第三分布图序列,生成第二区域;根据预设的相似度计算方法,计算所述第一区域与所述第二区域之间的区域相似度值,并判断所述区域相似度值是否大于预设的区域相似度阈值的步骤S6,包括:
S601、在一个第一虚拟平面上,对所述第一分布图序列进行虚拟投影处理,从而得到多个第一投影范围;
S602、对多个第一投影范围进行叠加处理,以得到第一叠加范围,并将第一叠加范围记为第一区域;
S603、在一个第二虚拟平面上,对所述第三分布图序列进行虚拟投影处理,从而得到多个第二投影范围;
S604、对多个第二投影范围进行叠加处理,以得到第二叠加范围,并将第二叠加范围记为第二区域;
S605、根据预设的相似度计算方法,计算所述第一区域与所述第二区域之间的区域相似度值,并判断所述区域相似度值是否大于预设的区域相似度阈值。
由于本申请中不仅是涉及单个图像,而是涉及由多个图像构成的分布图序列,因此本申请采用在虚拟平面上进行虚拟投影的方式,再进行叠加,以得到最大的重叠区域。进而得到第一区域和第二区域,再计算所述第一区域与所述第二区域之间的区域相似度值,即可得到更为准确的区域相似度值。
本申请的基于双重追踪的水稻白叶枯病防治方法,从预设的昆虫列表中筛选出指定昆虫;获取与指定环境类型对应的指定知识图谱;从所述指定知识图谱中提取一个指定三元组;在指定数量的所述指定动物身上装上追踪器,并投入预设稻田中,得到水稻图像序列,并接收追踪器发送的信号,以生成追踪信号分布图序列;得到指定昆虫在预设稻田中随时间变化的第一分布图序列;得到指定动物在预设稻田中随时间变化的第二分布图序列,进行修正处理,以得到第三分布图序列;采用所述第一分布图序列,生成第一区域,同时采用所述第三分布图序列,生成第二区域;计算所述第一区域与所述第二区域之间的区域相似度值;若所述区域相似度值大于预设的区域相似度阈值,则得到第三区域;对第三区域中的水稻进行白叶枯病防治处理,实现了对水稻白叶枯病进行及时检测并防治的目的。
参照图2,本申请实施例提供一种基于双重追踪的水稻白叶枯病防治装置,包括:
昆虫筛选单元10,用于根据预设的昆虫筛选方法,从预设的昆虫列表中筛选出指定昆虫;其中,所述指定昆虫在食物链中处于水稻的上级,并且相对于感染白叶枯病的水稻,所述指定昆虫更倾向于以未感染白叶枯病的水稻作为食物;
知识图谱获取单元20,用于获取对应于所述预设稻田的指定环境类型,并根据预设的水稻环境类型与知识图谱的对应关系,获取与所述指定环境类型对应的指定知识图谱;其中,所述指定知识图谱中的一个知识节点为所述指定昆虫;
三元组提取单元30,用于根据预设的三元组提取方法,从所述指定知识图谱中提取一个指定三元组;其中,所述指定三元组中的一个知识实体为所述指定昆虫,另一个知识实体为非昆虫的指定动物;
图像采集单元40,用于在指定数量的所述指定动物身上装上追踪器,并投入预设稻田中,再采用预设的图像传感器在第一时间窗口内,对预设稻田进行实时图像采集处理,以得到水稻图像序列,并在第二时间窗口内,接收追踪器发送的信号,以生成追踪信号分布图序列;其中,第一时间窗口与第二时间窗口相同;
分布图序列生成单元50,用于对水稻图像序列进行指定昆虫识别处理,以得到指定昆虫在预设稻田中随时间变化的第一分布图序列;对水稻图像序列进行指定动物识别处理,以得到指定动物在预设稻田中随时间变化的第二分布图序列,结合所述追踪信号分布图序列对所述第二分布图序列进行修正处理,以得到第三分布图序列;
相似度计算单元60,用于根据预设的区域生成方法,采用所述第一分布图序列,生成第一区域,同时采用所述第三分布图序列,生成第二区域;根据预设的相似度计算方法,计算所述第一区域与所述第二区域之间的区域相似度值,并判断所述区域相似度值是否大于预设的区域相似度阈值;
区域生成单元70,用于若所述区域相似度值大于预设的区域相似度阈值,则对所述第一区域和所述第二区域进行并集处理,以得到第三区域;
防治单元80,用于采用预设的白叶枯病防治方法,对第三区域中的水稻进行白叶枯病防治处理。
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双重追踪的水稻白叶枯病防治方法的步骤一一对应,在此不再赘述。
本申请的基于双重追踪的水稻白叶枯病防治装置,从预设的昆虫列表中筛选出指定昆虫;获取与指定环境类型对应的指定知识图谱;从所述指定知识图谱中提取一个指定三元组;在指定数量的所述指定动物身上装上追踪器,并投入预设稻田中,得到水稻图像序列,并接收追踪器发送的信号,以生成追踪信号分布图序列;得到指定昆虫在预设稻田中随时间变化的第一分布图序列;得到指定动物在预设稻田中随时间变化的第二分布图序列,进行修正处理,以得到第三分布图序列;采用所述第一分布图序列,生成第一区域,同时采用所述第三分布图序列,生成第二区域;计算所述第一区域与所述第二区域之间的区域相似度值;若所述区域相似度值大于预设的区域相似度阈值,则得到第三区域;对第三区域中的水稻进行白叶枯病防治处理,实现了对水稻白叶枯病进行及时检测并防治的目的。
参照图3,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双重追踪的水稻白叶枯病防治方法所用数据。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双重追踪的水稻白叶枯病防治方法。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双重追踪的水稻白叶枯病防治方法,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双重追踪的水稻白叶枯病防治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,从预设的昆虫列表中筛选出指定昆虫;获取与指定环境类型对应的指定知识图谱;从所述指定知识图谱中提取一个指定三元组;在指定数量的所述指定动物身上装上追踪器,并投入预设稻田中,得到水稻图像序列,并接收追踪器发送的信号,以生成追踪信号分布图序列;得到指定昆虫在预设稻田中随时间变化的第一分布图序列;得到指定动物在预设稻田中随时间变化的第二分布图序列,进行修正处理,以得到第三分布图序列;采用所述第一分布图序列,生成第一区域,同时采用所述第三分布图序列,生成第二区域;计算所述第一区域与所述第二区域之间的区域相似度值;若所述区域相似度值大于预设的区域相似度阈值,则得到第三区域;对第三区域中的水稻进行白叶枯病防治处理,实现了对水稻白叶枯病进行及时检测并防治的目的。
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双重追踪的水稻白叶枯病防治方法,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双重追踪的水稻白叶枯病防治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 (8)
1.一种基于双重追踪的水稻白叶枯病防治方法,其特征在于,包括:
S1、根据预设的昆虫筛选方法,从预设的昆虫列表中筛选出指定昆虫;其中,所述指定昆虫在食物链中处于水稻的上级,并且相对于感染白叶枯病的水稻,所述指定昆虫更倾向于以未感染白叶枯病的水稻作为食物;
S2、获取对应于所述预设稻田的指定环境类型,并根据预设的水稻环境类型与知识图谱的对应关系,获取与所述指定环境类型对应的指定知识图谱;其中,所述指定知识图谱中的一个知识节点为所述指定昆虫;
S3、根据预设的三元组提取方法,从所述指定知识图谱中提取一个指定三元组;其中,所述指定三元组中的一个知识实体为所述指定昆虫,另一个知识实体为非昆虫的指定动物;
S4、在指定数量的所述指定动物身上装上追踪器,并投入预设稻田中,再采用预设的图像传感器在第一时间窗口内,对预设稻田进行实时图像采集处理,以得到水稻图像序列,并在第二时间窗口内,接收追踪器发送的信号,以生成追踪信号分布图序列;其中,第一时间窗口与第二时间窗口相同;
S5、对水稻图像序列进行指定昆虫识别处理,以得到指定昆虫在预设稻田中随时间变化的第一分布图序列;对水稻图像序列进行指定动物识别处理,以得到指定动物在预设稻田中随时间变化的第二分布图序列,结合所述追踪信号分布图序列对所述第二分布图序列进行修正处理,以得到第三分布图序列;
S6、根据预设的区域生成方法,采用所述第一分布图序列,生成第一区域,同时采用所述第三分布图序列,生成第二区域;根据预设的相似度计算方法,计算所述第一区域与所述第二区域之间的区域相似度值,并判断所述区域相似度值是否大于预设的区域相似度阈值;
S7、若所述区域相似度值大于预设的区域相似度阈值,则对所述第一区域和所述第二区域进行并集处理,以得到第三区域;
S8、采用预设的白叶枯病防治方法,对第三区域中的水稻进行白叶枯病防治处理。
2.根据权利要求1所述的基于双重追踪的水稻白叶枯病防治方法,其特征在于,所述根据预设的昆虫筛选方法,从预设的昆虫列表中筛选出指定昆虫的步骤S1,包括:
S101、从预设的食物链中,选取处于水稻上级的多种昆虫,以得到由所述多种昆虫构成的昆虫列表;
S102、在第一样本水稻种植区中,按第一图案种植感染白叶枯病的水稻和未感染白叶枯病的水稻;
S103、将所述多种昆虫引入第一样本水稻种植区中,并在预设时间之后,对第一样本水稻种植区进行观察,以得到与所述多种昆虫分别对应的多个昆虫分布图;
S104、根据预设的图像相似度计算方法,将所述多个昆虫分布图分别与所述第一图案进行对比计算,以得到与所述多个昆虫分布图分别对应的多个第一图案相似度值;
S105、判断所述多个第一图案相似度值中的最大值是否大于预设的相似度阈值;
S106、若所述多个第一图案相似度值中的最大值大于预设的相似度阈值,则将所述多个第一图案相似度值中的最大值记为指定第一图案相似度值;
S107、将所述指定第一图案相似度值对应的昆虫记为指定昆虫,从而从昆虫列表中筛选出指定昆虫。
3.根据权利要求1所述的基于双重追踪的水稻白叶枯病防治方法,其特征在于,所述根据预设的三元组提取方法,从所述指定知识图谱中提取一个指定三元组的步骤S3,包括:
S301、从所述指定知识图谱中选出多个第一三元组;其中,每个第一三元组的一个知识实体为所述指定昆虫,另一个知识实体为非昆虫的动物,实体关系为捕食;
S302、从所述指定知识图谱中选出多个第二三元组;其中,每个第二三元组的一个知识实体为水稻,另一个知识实体为第一三元组中的非昆虫的动物,实体关系为捕食;
S303、根据捕食优选级最高的原则,从多个第二三元组中的所有知识实体中选出一个非昆虫的指定动物;其中,捕食优选级最高的原则指的是,相对于其他第二三元组中的非昆虫的动物的食谱喜好降序表中指定昆虫的排名,指定动物的食谱喜好降序表中指定昆虫的排名最高;
S303、将包括指定动物的第一三元组记为指定三元组。
4.根据权利要求3所述的基于双重追踪的水稻白叶枯病防治方法,其特征在于,所述根据预设的三元组提取方法,从所述指定知识图谱中提取一个指定三元组的步骤S3之后,包括:
S31、在第二样本水稻种植区中,按第二图案种植感染白叶枯病的水稻和未感染白叶枯病的水稻;
S32、预先准备多个指定动物,并将所述多个指定动物引入第一样本水稻种植区中,并在预设时间之后,对第一样本水稻种植区进行实时观察,以得到指定动物的活动分布图;
S33、根据预设的图像相似度计算方法,将所述活动分布图与所述第二图案进行对比计算,以得到第二图案相似度值;
S34、判断所述第二图案相似度值是否大于预设的相似度阈值;
S35、若所述第二图案相似度值大于预设的相似度阈值,则生成水稻图像序列采集指令,以指示在指定数量的所述指定动物身上装上追踪器,并投入预设稻田中,再采用预设的图像传感器在第一时间窗口内,对预设稻田进行实时图像采集处理,以得到水稻图像序列,并在第二时间窗口内,接收追踪器发送的信号,以生成追踪信号分布图序列。
5.根据权利要求1所述的基于双重追踪的水稻白叶枯病防治方法,其特征在于,所述根据预设的区域生成方法,采用所述第一分布图序列,生成第一区域,同时采用所述第三分布图序列,生成第二区域;根据预设的相似度计算方法,计算所述第一区域与所述第二区域之间的区域相似度值,并判断所述区域相似度值是否大于预设的区域相似度阈值的步骤S6,包括:
S601、在一个第一虚拟平面上,对所述第一分布图序列进行虚拟投影处理,从而得到多个第一投影范围;
S602、对多个第一投影范围进行叠加处理,以得到第一叠加范围,并将第一叠加范围记为第一区域;
S603、在一个第二虚拟平面上,对所述第三分布图序列进行虚拟投影处理,从而得到多个第二投影范围;
S604、对多个第二投影范围进行叠加处理,以得到第二叠加范围,并将第二叠加范围记为第二区域;
S605、根据预设的相似度计算方法,计算所述第一区域与所述第二区域之间的区域相似度值,并判断所述区域相似度值是否大于预设的区域相似度阈值。
6.一种基于双重追踪的水稻白叶枯病防治装置,其特征在于,包括:
昆虫筛选单元,用于根据预设的昆虫筛选方法,从预设的昆虫列表中筛选出指定昆虫;其中,所述指定昆虫在食物链中处于水稻的上级,并且相对于感染白叶枯病的水稻,所述指定昆虫更倾向于以未感染白叶枯病的水稻作为食物;
知识图谱获取单元,用于获取对应于所述预设稻田的指定环境类型,并根据预设的水稻环境类型与知识图谱的对应关系,获取与所述指定环境类型对应的指定知识图谱;其中,所述指定知识图谱中的一个知识节点为所述指定昆虫;
三元组提取单元,用于根据预设的三元组提取方法,从所述指定知识图谱中提取一个指定三元组;其中,所述指定三元组中的一个知识实体为所述指定昆虫,另一个知识实体为非昆虫的指定动物;
图像采集单元,用于在指定数量的所述指定动物身上装上追踪器,并投入预设稻田中,再采用预设的图像传感器在第一时间窗口内,对预设稻田进行实时图像采集处理,以得到水稻图像序列,并在第二时间窗口内,接收追踪器发送的信号,以生成追踪信号分布图序列;其中,第一时间窗口与第二时间窗口相同;
分布图序列生成单元,用于对水稻图像序列进行指定昆虫识别处理,以得到指定昆虫在预设稻田中随时间变化的第一分布图序列;对水稻图像序列进行指定动物识别处理,以得到指定动物在预设稻田中随时间变化的第二分布图序列,结合所述追踪信号分布图序列对所述第二分布图序列进行修正处理,以得到第三分布图序列;
相似度计算单元,用于根据预设的区域生成方法,采用所述第一分布图序列,生成第一区域,同时采用所述第三分布图序列,生成第二区域;根据预设的相似度计算方法,计算所述第一区域与所述第二区域之间的区域相似度值,并判断所述区域相似度值是否大于预设的区域相似度阈值;
区域生成单元,用于若所述区域相似度值大于预设的区域相似度阈值,则对所述第一区域和所述第二区域进行并集处理,以得到第三区域;
防治单元,用于采用预设的白叶枯病防治方法,对第三区域中的水稻进行白叶枯病防治处理。
7.一种计算机设备,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5中任一项所述方法的步骤。
8.一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5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210457863.6A CN114882357B (zh) | 2022-04-28 | 2022-04-28 | 基于双重追踪的水稻白叶枯病防治方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210457863.6A CN114882357B (zh) | 2022-04-28 | 2022-04-28 | 基于双重追踪的水稻白叶枯病防治方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114882357A true CN114882357A (zh) | 2022-08-09 |
CN114882357B CN114882357B (zh) | 2023-01-24 |
Family
ID=82672307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210457863.6A Active CN114882357B (zh) | 2022-04-28 | 2022-04-28 | 基于双重追踪的水稻白叶枯病防治方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114882357B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102523245A (zh) * | 2011-11-10 | 2012-06-27 | 许春香 | 一种农业病虫害与生长状况预测防控物联网及方法 |
CN104992439A (zh) * | 2015-06-26 | 2015-10-21 | 广州铁路职业技术学院 | 农作物叶子虫害检测装置及其检测方法 |
CN108513966A (zh) * | 2018-04-16 | 2018-09-11 | 汪通鲜 | 一种农作物病虫害防治方法 |
CN109032093A (zh) * | 2018-08-14 | 2018-12-18 | 荆州农业科学院 | 一种水稻病虫害监测系统 |
CN109711471A (zh) * | 2018-12-28 | 2019-05-03 | 井冈山大学 | 一种基于深度卷积神经网络的水稻病害图像识别方法 |
CN112949917A (zh) * | 2021-02-20 | 2021-06-11 | 廖廓 | 基于气象数据的茶叶茶小绿叶蝉虫害预警方法及系统 |
CN112966550A (zh) * | 2021-01-28 | 2021-06-15 | 广东技术师范大学 | 基于植株识别模型的黄龙病防治方法、装置和计算机设备 |
CN113822225A (zh) * | 2021-10-14 | 2021-12-21 | 李士金 | 一种森林病虫害的智能监测方法及系统 |
CN113948220A (zh) * | 2021-10-29 | 2022-01-18 | 广东技术师范大学 | 一种具有预分析能力的炭疽病病原菌侵染阶段检测方法 |
CN114282002A (zh) * | 2021-10-28 | 2022-04-05 | 腾讯科技(深圳)有限公司 | 基于人工智能的知识生成方法、装置、设备及存储介质 |
-
2022
- 2022-04-28 CN CN202210457863.6A patent/CN114882357B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102523245A (zh) * | 2011-11-10 | 2012-06-27 | 许春香 | 一种农业病虫害与生长状况预测防控物联网及方法 |
CN104992439A (zh) * | 2015-06-26 | 2015-10-21 | 广州铁路职业技术学院 | 农作物叶子虫害检测装置及其检测方法 |
CN108513966A (zh) * | 2018-04-16 | 2018-09-11 | 汪通鲜 | 一种农作物病虫害防治方法 |
CN109032093A (zh) * | 2018-08-14 | 2018-12-18 | 荆州农业科学院 | 一种水稻病虫害监测系统 |
CN109711471A (zh) * | 2018-12-28 | 2019-05-03 | 井冈山大学 | 一种基于深度卷积神经网络的水稻病害图像识别方法 |
CN112966550A (zh) * | 2021-01-28 | 2021-06-15 | 广东技术师范大学 | 基于植株识别模型的黄龙病防治方法、装置和计算机设备 |
CN112949917A (zh) * | 2021-02-20 | 2021-06-11 | 廖廓 | 基于气象数据的茶叶茶小绿叶蝉虫害预警方法及系统 |
CN113822225A (zh) * | 2021-10-14 | 2021-12-21 | 李士金 | 一种森林病虫害的智能监测方法及系统 |
CN114282002A (zh) * | 2021-10-28 | 2022-04-05 | 腾讯科技(深圳)有限公司 | 基于人工智能的知识生成方法、装置、设备及存储介质 |
CN113948220A (zh) * | 2021-10-29 | 2022-01-18 | 广东技术师范大学 | 一种具有预分析能力的炭疽病病原菌侵染阶段检测方法 |
Non-Patent Citations (4)
Title |
---|
RUI LI等: "An Effective Data Augmentation Strategy for CNN-Based Pest Localization and Recognition in the Field", 《IEEE ACCESS》 * |
SIRIWAN POLSET等: "Fast laser Quantity Measurement of Pest Box Imaging Using End-to-End Real Time in Thai Rice Farm", 《2021 INTERNATIONAL AUTOMATIC CONTROL CONFERENCE (CACS)》 * |
张永玲: "基于Android的水稻病虫害图像识别与诊断系统的研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
陈天娇: "基于深度学习的病虫害智能化识别系统", 《中国植保导刊》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114882357B (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Haridasan et al. | Deep learning system for paddy plant disease detection and classification | |
Ahmad et al. | A survey on using deep learning techniques for plant disease diagnosis and recommendations for development of appropriate tools | |
Boissard et al. | A cognitive vision approach to early pest detection in greenhouse crops | |
Balch et al. | Automatically tracking and analyzing the behavior of live insect colonies | |
Phadikar et al. | Rice disease identification using pattern recognition techniques | |
Mishra et al. | A Deep Learning-Based Novel Approach for Weed Growth Estimation. | |
JP2009527063A (ja) | 仮想環境において見本及びデータを使用及び統合するシステム及びその方法 | |
CN113536958B (zh) | 导航路径提取方法、装置、农业机器人和存储介质 | |
KR20210059561A (ko) | 상생형 병해충 관리 시스템 및 그 방법 | |
CN103186773A (zh) | 一种基于一维Hough变换和专家系统的早期苗田垄线识别算法 | |
CN114882357B (zh) | 基于双重追踪的水稻白叶枯病防治方法与装置 | |
Mehta et al. | Apple Leaf Disease Recognition: A Robust Federated Learning CNN Methodology | |
US20210166390A1 (en) | Method, apparatus and storage medium for analyzing insect feeding behavior | |
Alshahrani et al. | Chaotic Jaya Optimization Algorithm with Computer Vision based Soil Type Classification for Smart Farming | |
Trevisan et al. | Improving yield mapping accuracy using remote sensing | |
Raja et al. | Convolutional Neural Networks based Classification and Detection of Plant Disease | |
Nandhini et al. | Analysis on classification and prediction of leaf disease using deep neural network and image segmentation technique | |
CN114651283A (zh) | 搜寻功能出苗 | |
CN113408374A (zh) | 基于人工智能的产量预估方法、装置、设备及存储介质 | |
Vidhya et al. | RBD-AIIoT: Rice Blasts Detection Combining AI & IoT | |
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 | |
WO2007095590A2 (en) | Methods and systems for data analysis and feature recognition including detection of avian influenza virus | |
Lu et al. | Maize plant detection using UAV-based RGB imaging and YOLOv5 | |
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 | |
Wahal et al. | Leaf Disease Detection and Crop Prediction Using Machine Learning |
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 |