CN114972843A - 一种基于大数据的农业病虫害诊断与预警系统 - Google Patents
一种基于大数据的农业病虫害诊断与预警系统 Download PDFInfo
- Publication number
- CN114972843A CN114972843A CN202210443930.9A CN202210443930A CN114972843A CN 114972843 A CN114972843 A CN 114972843A CN 202210443930 A CN202210443930 A CN 202210443930A CN 114972843 A CN114972843 A CN 114972843A
- Authority
- CN
- China
- Prior art keywords
- pest
- agricultural
- disease
- image
- 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.)
- Granted
Links
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 360
- 238000003745 diagnosis Methods 0.000 title claims abstract description 24
- 201000010099 disease Diseases 0.000 claims abstract description 290
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 290
- 241000238631 Hexapoda Species 0.000 claims abstract description 163
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000003860 storage Methods 0.000 claims abstract description 10
- 230000002265 prevention Effects 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000000926 separation method Methods 0.000 claims description 7
- 101100129590 Schizosaccharomyces pombe (strain 972 / ATCC 24843) mcp5 gene Proteins 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000009877 rendering Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 208000024891 symptom Diseases 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 210000000601 blood cell Anatomy 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000000575 pesticide Substances 0.000 claims description 3
- 238000005507 spraying Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000011800 void material Substances 0.000 claims description 3
- 230000003449 preventive effect Effects 0.000 abstract description 2
- 241000196324 Embryophyta Species 0.000 description 39
- 241000209140 Triticum Species 0.000 description 5
- 235000021307 Triticum Nutrition 0.000 description 5
- 241000209094 Oryza Species 0.000 description 3
- 235000007164 Oryza sativa Nutrition 0.000 description 3
- 235000009566 rice Nutrition 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241001600408 Aphis gossypii Species 0.000 description 1
- 241001498622 Cixius wagneri Species 0.000 description 1
- 241000221785 Erysiphales Species 0.000 description 1
- 241000255967 Helicoverpa zea Species 0.000 description 1
- 241000346285 Ostrinia furnacalis Species 0.000 description 1
- 241000488583 Panonychus ulmi Species 0.000 description 1
- 241000125167 Rhopalosiphum padi Species 0.000 description 1
- 206010039509 Scab Diseases 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
- G06V10/225—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on a marking or identifier characterising the area
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Animal Husbandry (AREA)
- Human Resources & Organizations (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Agronomy & Crop Science (AREA)
- Computing Systems (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Emergency Management (AREA)
- Image Processing (AREA)
Abstract
本发明属于农业病虫害诊断与预警技术领域,公开了一种基于大数据的农业病虫害诊断与预警系统,所述基于大数据的农业病虫害诊断与预警系统包括:图像采集模块、识别模块、中央控制模块、大数据处理模块、预警模块、分析模块、云存储模块、显示模块。本发明通过识别模块对识别出的受病虫害的叶片的患病分类并采取预防措施,提高农作物病虫害智能识别率;同时,通过分析模块能够在病虫害发生之前给出病虫害发生等级的预警分析报告,内容详尽,同时给出相应的防治方法,有效避免病虫害的发生,将病虫害对农作物产量的影响降低到最小,避免给国家和人民造成巨大的经济损失。
Description
技术领域
本发明属于农业病虫害诊断与预警技术领域,尤其涉及一种基于大数据的农业病虫害诊断与预警系统。
背景技术
农作物病虫害是我国的主要农业灾害之一,它具有种类多、影响大、并时常暴发成灾的特点,其发生范围和严重程度对我国国民经济、特别是农业生产常造成重大损失。我国农作物常见的有以下种类的病虫害:稻飞虱、白粉病、玉米螟、棉铃虫、小麦锈病、棉蚜、稻纹枯病、稻瘟病、麦蚜、麦红蜘蛛、蝗虫、麦类赤霉病等,已成为严重影响我国农业生产的重大病虫害。然而,现有基于大数据的农业病虫害诊断与预警系统采用的是比较单一的识别方法,对于动态环境中的农作物病虫害智能识别率低;同时,在进行农作物病虫害的防治时,对病虫害的影像进行反馈,监测出病虫害的发生,再给出预警信息,这样会造成信息一定的滞后性,导致已经有症状发生的植株产量降低,大大影响冬小麦的产量,给农户造成巨大的经济损失。
综上所述,现有技术存在的问题是:现有基于大数据的农业病虫害诊断与预警系统采用的是比较单一的识别方法,对于动态环境中的农作物病虫害智能识别率低;同时,在进行农作物病虫害的防治时,对病虫害的影像进行反馈,监测出病虫害的发生,再给出预警信息,这样会造成信息一定的滞后性,导致已经有症状发生的植株产量降低,大大影响冬小麦的产量,给农户造成巨大的经济损失。
发明内容
针对现有技术存在的问题,本发明提供了一种基于大数据的农业病虫害诊断与预警系统。
本发明是这样实现的,一种基于大数据的农业病虫害诊断与预警系统包括:
图像采集模块、识别模块、中央控制模块、大数据处理模块、预警模块、分析模块、云存储模块、显示模块;
图像采集模块,与识别模块连接,用于采集昆虫图像、作物叶片图像;
识别模块,与图像采集模块、中央控制模块连接,用于对农作物病虫害叶片进行识别;
中央控制模块,与识别模块、大数据处理模块、预警模块、分析模块6、云存储模块、显示模块连接,用于控制各个模块正常工作;
大数据处理模块,与中央控制模块连接,用于通过大数据资源对采集的图像及识别信息进行处理;
预警模块,与中央控制模块连接,用于对农业病虫害进行预警;
分析模块,与中央控制模块连接,用于对农作物病虫害预警信息进行分析;
云存储模块,与中央控制模块连接,用于通过云服务器对采集的图像、识别信息、预警信息、分析结果进行存储;
显示模块,与中央控制模块连接,用于通过显示器显示采集的图像、识别信息、预警信息、分析结果。
进一步,所述通过大数据资源对采集的图像及识别信息进行处理包括:
步骤一,农业病虫害待识别区域标记,对农业病虫害图像中相近像素的标记,让每个单独的农业病虫害待识别区域形成一个被识别的块;
步骤二,计算出每块农业病虫害待识别区域的面积,利用MATLAB函数bwareaopen删除面积小于一定值的农业病虫害待识别区域,得到图像相近的农业病虫害图像和非农业病虫害图像;
步骤三,利用近似图像分离方法,将无农业病虫害图像分割出来;形状用分水岭分割法将一个连通的农业病虫害待识别区域分割成若干个小面积的农业病虫害待识别区域;无农业病虫害图像的农业病虫害待识别区域在是一个呈方形或者类方形的农业病虫害待识别区域组成,形状分水岭分割法不会将其分割成小块,面积远大于非农业病虫害图像所以可以利用农业病虫害待识别区域面积将农业病虫害图像提取出来;再利用MATLAB函数bwareaopen删除面积小于一定值的农业病虫害待识别区域,将小面积农业病虫害待识别区域删除,留下的就是分割完成后的非农业病虫害图像;
所述近似图像分离方法包括:
D=-bwdist(~LIBO);
mask=imextendedmin(D,2);
D2=imimposemin(D,mask);
Ld=watershed(D2);
Water_splited=LIBO;
Water_splited(Ld==0)=0;
其中,LIBO为删除小面积后的图像,首先利用bwdist函数对图像进行距离变换,利用imextendedmin函数过滤掉特别小的区域;最后再使用watershed函数分割得到非农业病虫害图像;
步骤四,图像相减,在包含农业病虫害和非农业病虫害图像原图中,将非农业病虫害图像分割出并计数,利用Matlab提供的函数imsubtract去除原图中的无农业病虫害图像部分得到只包含农业病虫害图像的图像,再利用总面积除以平均面积得出农业病虫害图像数量;
具体包括:将包含农业病虫害图像和非农业病虫害图像减去在得到的非农业病虫害图像,得到农业病虫害图像;
函数imsubtract为:Z=imsubtract(X,Y),其中Z为得到的农业病虫害图像图像,X包含农业病虫害图像和非农业病虫害图像的原始图像,Y为得到的非农业病虫害图像像;得到非农业病虫害图像。
进一步,农业病虫害待识别区域标记,对农业病虫害图像中相近像素的标记,让每个单独的农业病虫害待识别区域形成一个被识别的块具体包括:
利用Matlab中bwlabel函数对血液细胞二值化图像中相近像素进行标记,每个单独的农业病虫害待识别区域形成一个被识别的块;
bwlabel函数为:[P,num1]=bwlabel(I1,8),其中P为标记后的图像;num1为农业病虫害待识别区域个数;I1为待标记的原图像;8为参数,采用8邻域计算农业病虫害待识别区域。
进一步,计算出每块农业病虫害待识别区域的面积,利用MATLAB函数bwareaopen删除面积小于一定值的农业病虫害待识别区域,得到图像相近的农业病虫害图像和非农业病虫害图像具体包括:
利用regionprops函数来计算被标记的每块农业病虫害待识别区域的面积,regionprops函数为:stats1=regionprops(P,'Area'),其中stats1为一个数据矩阵,保存每个农业病虫害待识别区域面积大小;P为得到的被标记后的图像;Area为参数,用regionprops函数来计算农业病虫害待识别区域面积;
得到各个农业病虫害待识别区域面积之后,再利用bwareaopen函数删除面积小于20000的农业病虫害待识别区域,bwareaopen函数为LIBO=bwareaopen(P,20000,8),其中LIBO为删除小面积后的图像;P为待删除的图像;20000为自定参数,用于删除面积小于20000的农业病虫害待识别区域;8为参数,采用8邻域计算农业病虫害待识别区域。
进一步,所述识别模块识别方法如下:
(1)通过摄像设备实时采集农作物生长环境中的昆虫图像并采用嵌入式图像预处理技术进行图像预处理,依据预处理后的昆虫图像的颜色特征和纹理特征的信息,判断农作物是否有可能受到病虫侵害,若是,则进行下一步的叶片图像识别及农作物病虫害预防的步骤;若否,则不进行预防操作,并返回至初始步骤;
(2)叶片图像识别及农作物病虫害预防;
采集农作物病虫害叶片的图像,通过信息传输方法传输至处理及后端服务端,在处理及后端服务端搭载pytorch框架平台,结合深度残差网络和Adam算法利用采集的农作物病虫害叶片图像对卷积神经网络进行训练;利用训练好的卷积神经网络测试待识别的可能受到病虫害的叶片测试集图像;之后,对识别出的受病虫害的叶片进行农作物患病类型的分类,针对农作物患病类型采取喷洒农药或者捕杀害虫的措施。
进一步,所述通过摄像设备采集农作物生长环境中的昆虫图像的步骤是,运用灯诱害虫图像采集设备,调用Linux的V4L2图像编程接口及其扩展接口,完成图像采集设备的选择、图像采集设备的分辨率设定的步骤;之后,打开V4L2图像流采集开关,从而完成图像的采集。
进一步,所述的嵌入式图像预处理的步骤,主要包括:图像的Ostu自适应阈值提取、图像二值化、膨胀腐蚀、图像轮廓提取、图像空洞填充、图像分割、图像旋转的操作,分离出虫子个体,同时将虫子个体分割成子图片;从而对每个昆虫子图片提取特征,包括颜色特征和纹理特征。
进一步,所述分析模块分析方法如下:
1)通过数据库构建程序建立“病虫害种类库”和“病虫害基础数据库”,“病虫害种类库”中记载农作物的病害和虫害种类,“病虫害基础数据库”中记载作物分类、作物名称、病害和虫害类别、病虫害为害症状、病虫害发生规律、病虫害防治方法;
2)确定“网格位置”,通过“病虫害基础数据库”查询当前时间各“网格位置”内病害和虫害的基础数据,根据病害和虫害的基础数据判断各病害和虫害的发生概率值;根据各网格病害和虫害基础数据以及气象数据,输出各病害和虫害发生结果值;
3)根据病虫害发生结果的计算判断病虫害发生等级,根据预先设置好的病虫害预警等级值进行预警提醒;根据输出的病虫害预警等级判断、获取并输出相应的病虫害防治方法;根据病虫害预警等级绘制出相应病虫害的等级渲染图,根据不同病虫害的渲染图制作相应的病虫害预警分析报告。
进一步,所述“病虫害种类库”和“病虫害基础数据库”根据历年农作物的病害和虫害情况建立,“病虫害种类库”和“病虫害基础数据库”在建立过程中,病虫害基础数据是以行政区划单位进行采集整理,对数据进行采集和存储时需将行政区划单位关联网格。
进一步,所述病害发生结果判断方法为,根据“病虫害基础数据库”中记录的结果搜索作物“最适宜条件组合”,其中包括气象要素名称和时间段,统计“网格位置”内多年内该时间段的气象要素参考值,并与现阶段的气象值进行对比,若相同或落在参考值范围内,则满足种植条件,结果记录为“1”,否则结果记录为“0”,然后用同样的方法判断其余发生条件值,并输出结果,记录条件结果值为1/条件数量×(条件一结果+条件二结果+条件三结果+……),结果值范围为0~1,最后记录病害发生结果值为﹛1/最适宜条件数量×(最适宜条件一结果+最适宜条件二结果+最适宜条件三结果+……)﹜×0.6+﹛1/适宜条件数量×(适宜条件一结果+适宜条件二结果+适宜条件三结果+……)﹜×0.4,得出值在0.1~0.2时为“轻度发生病害”,0.2~0.4时为“轻至中度发生病害”,0.4~0.6时为“中至重度发生病害”,0.6~1时为“重度发生病害”。
本发明的优点及积极效果为:本发明通过识别模块采用嵌入式图像预处理技术获得昆虫图像的颜色特征和纹理特征的信息,判断是否可能受到病虫侵害;采集农作物病虫害叶片的图像,搭载pytorch框架平台,结合深度残差网络和Adam算法利用采集的农作物病虫害叶片图像对卷积神经网络进行训练;利用训练好的卷积神经网络测试待识别的可能受到病虫害的叶片测试集图像;对识别出的受病虫害的叶片的患病分类并采取预防措施,提高农作物病虫害智能识别率;同时,通过分析模块根据病虫害发生的最适宜要素和适宜要素参数值与实时数据值进行匹配和对比,统计计算概率,从而预测出病虫害发生的程度,同时也可以通过气象的预报数据对未来几天病虫害发生情况进行预测,数据匹配方便、快捷,预测可靠性强;本发明通过“网格位置”中区域数据、作物名称数据、作物生育期数据和病虫害种类数据的匹配,进行综合的对比分析,能够更加详细明确的给出病虫害发生时段和发生地区;能够在病虫害发生之前给出病虫害发生等级的预警分析报告,内容详尽,同时给出相应的防治方法,有效避免病虫害的发生,将病虫害对农作物产量的影响降低到最小,避免给国家和人民造成巨大的经济损失。
本发明提供的通过大数据资源对采集的图像及识别信息进行处理包括:步骤一,农业病虫害待识别区域标记,对农业病虫害图像中相近像素的标记,让每个单独的农业病虫害待识别区域形成一个被识别的块;步骤二,计算出每块农业病虫害待识别区域的面积,利用MATLAB函数bwareaopen删除面积小于一定值的农业病虫害待识别区域,得到图像相近的农业病虫害图像和非农业病虫害图像;步骤三,利用近似图像分离方法,将无农业病虫害图像分割出来;形状用分水岭分割法将一个连通的农业病虫害待识别区域分割成若干个小面积的农业病虫害待识别区域;无农业病虫害图像的农业病虫害待识别区域在是一个呈方形或者类方形的农业病虫害待识别区域组成,形状分水岭分割法不会将其分割成小块,面积远大于非农业病虫害图像所以可以利用农业病虫害待识别区域面积将农业病虫害图像提取出来;再利用MATLAB函数bwareaopen删除面积小于一定值的农业病虫害待识别区域,将小面积农业病虫害待识别区域删除,留下的就是分割完成后的非农业病虫害图像;为进行有效预防病虫害提供了理论依据。
附图说明
图1是本发明实施例提供的基于大数据的农业病虫害诊断与预警系统结构框图。
图2是本发明实施例提供的识别模块识别方法流程图。
图3是本发明实施例提供的分析模块分析方法流程图。
图4是本发明实施例提供的通过大数据资源对采集的图像及识别信息进行处理流程图。
图中:1、图像采集模块;2、识别模块;3、中央控制模块;4、大数据处理模块;5、预警模块;6、分析模块;7、云存储模块;8、显示模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示,本发明实施例提供的基于大数据的农业病虫害诊断与预警系统包括:图像采集模块1、识别模块2、中央控制模块3、大数据处理模块4、预警模块5、分析模块6、云存储模块7、显示模块8。
图像采集模块1,与识别模块2连接,用于采集昆虫图像、作物叶片图像;
识别模块2,与图像采集模块1、中央控制模块3连接,用于对农作物病虫害叶片进行识别;
中央控制模块3,与识别模块2、大数据处理模块4、预警模块5、分析模块6、云存储模块7、显示模块8连接,用于控制各个模块正常工作;
大数据处理模块4,与中央控制模块3连接,用于通过大数据资源对采集的图像及识别信息进行处理;
预警模块5,与中央控制模块3连接,用于对农业病虫害进行预警;
分析模块6,与中央控制模块3连接,用于对农作物病虫害预警信息进行分析;
云存储模块7,与中央控制模块3连接,用于通过云服务器对采集的图像、识别信息、预警信息、分析结果进行存储;
显示模块8,与中央控制模块3连接,用于通过显示器显示采集的图像、识别信息、预警信息、分析结果。
如图2所示,本发明提供的识别模块2识别方法如下:
S101,通过摄像设备实时采集农作物生长环境中的昆虫图像并采用嵌入式图像预处理技术进行图像预处理,依据预处理后的昆虫图像的颜色特征和纹理特征的信息,判断农作物是否有可能受到病虫侵害,若是,则进行下一步的叶片图像识别及农作物病虫害预防的步骤;若否,则不进行预防操作,并返回至初始步骤;
S102,叶片图像识别及农作物病虫害预防;
采集农作物病虫害叶片的图像,通过信息传输方法传输至处理及后端服务端,在处理及后端服务端搭载pytorch框架平台,结合深度残差网络和Adam算法利用采集的农作物病虫害叶片图像对卷积神经网络进行训练;利用训练好的卷积神经网络测试待识别的可能受到病虫害的叶片测试集图像;之后,对识别出的受病虫害的叶片进行农作物患病类型的分类,针对农作物患病类型采取喷洒农药或者捕杀害虫的措施。
本发明提供的通过摄像设备采集农作物生长环境中的昆虫图像的步骤是,运用灯诱害虫图像采集设备,调用Linux的V4L2图像编程接口及其扩展接口,完成图像采集设备的选择、图像采集设备的分辨率设定的步骤;之后,打开V4L2图像流采集开关,从而完成图像的采集。
本发明提供的的嵌入式图像预处理的步骤,主要包括:图像的Ostu自适应阈值提取、图像二值化、膨胀腐蚀、图像轮廓提取、图像空洞填充、图像分割、图像旋转的操作,分离出虫子个体,同时将虫子个体分割成子图片;从而对每个昆虫子图片提取特征,包括颜色特征和纹理特征。
如图3所示,本发明提供的分析模块6分析方法如下:
S201,通过数据库构建程序建立“病虫害种类库”和“病虫害基础数据库”,“病虫害种类库”中记载农作物的病害和虫害种类,“病虫害基础数据库”中记载作物分类、作物名称、病害和虫害类别、病虫害为害症状、病虫害发生规律、病虫害防治方法;
S202,确定“网格位置”,通过“病虫害基础数据库”查询当前时间各“网格位置”内病害和虫害的基础数据,根据病害和虫害的基础数据判断各病害和虫害的发生概率值;根据各网格病害和虫害基础数据以及气象数据,输出各病害和虫害发生结果值;
S203,根据病虫害发生结果的计算判断病虫害发生等级,根据预先设置好的病虫害预警等级值进行预警提醒;根据输出的病虫害预警等级判断、获取并输出相应的病虫害防治方法;根据病虫害预警等级绘制出相应病虫害的等级渲染图,根据不同病虫害的渲染图制作相应的病虫害预警分析报告。
本发明提供的“病虫害种类库”和“病虫害基础数据库”根据历年农作物的病害和虫害情况建立,“病虫害种类库”和“病虫害基础数据库”在建立过程中,病虫害基础数据是以行政区划单位进行采集整理,对数据进行采集和存储时需将行政区划单位关联网格。
本发明提供的病害发生结果判断方法为,根据“病虫害基础数据库”中记录的结果搜索作物“最适宜条件组合”,其中包括气象要素名称和时间段,统计“网格位置”内多年内该时间段的气象要素参考值,并与现阶段的气象值进行对比,若相同或落在参考值范围内,则满足种植条件,结果记录为“1”,否则结果记录为“0”,然后用同样的方法判断其余发生条件值,并输出结果,记录条件结果值为1/条件数量×(条件一结果+条件二结果+条件三结果+……),结果值范围为0~1,最后记录病害发生结果值为﹛1/最适宜条件数量×(最适宜条件一结果+最适宜条件二结果+最适宜条件三结果+……)﹜×0.6+﹛1/适宜条件数量×(适宜条件一结果+适宜条件二结果+适宜条件三结果+……)﹜×0.4,得出值在0.1~0.2时为“轻度发生病害”,0.2~0.4时为“轻至中度发生病害”,0.4~0.6时为“中至重度发生病害”,0.6~1时为“重度发生病害”。
本发明工作时,首先,通过图像采集模块1采集昆虫图像、作物叶片图像;通过识别模块2对农作物病虫害叶片进行识别;其次,中央控制模块3通过大数据处理模块4利用大数据资源对采集的图像及识别信息进行处理;通过预警模块5对农业病虫害进行预警;通过分析模块6对农作物病虫害预警信息进行分析;然后,通过云存储模块7利用云服务器对采集的图像、识别信息、预警信息、分析结果进行存储;最后,通过显示模块8利用显示器显示采集的图像、识别信息、预警信息、分析结果。
如图4所示,本发明提供的通过大数据资源对采集的图像及识别信息进行处理包括:
S301,农业病虫害待识别区域标记,对农业病虫害图像中相近像素的标记,让每个单独的农业病虫害待识别区域形成一个被识别的块;
S302,计算出每块农业病虫害待识别区域的面积,利用MATLAB函数bwareaopen删除面积小于一定值的农业病虫害待识别区域,得到图像相近的农业病虫害图像和非农业病虫害图像;
S303,利用近似图像分离方法,将无农业病虫害图像分割出来;形状用分水岭分割法将一个连通的农业病虫害待识别区域分割成若干个小面积的农业病虫害待识别区域;无农业病虫害图像的农业病虫害待识别区域在是一个呈方形或者类方形的农业病虫害待识别区域组成,形状分水岭分割法不会将其分割成小块,面积远大于非农业病虫害图像所以可以利用农业病虫害待识别区域面积将农业病虫害图像提取出来;再利用MATLAB函数bwareaopen删除面积小于一定值的农业病虫害待识别区域,将小面积农业病虫害待识别区域删除,留下的就是分割完成后的非农业病虫害图像;
所述近似图像分离方法包括:
D=-bwdist(~LIBO);
mask=imextendedmin(D,2);
D2=imimposemin(D,mask);
Ld=watershed(D2);
Water_splited=LIBO;
Water_splited(Ld==0)=0;
其中,LIBO为删除小面积后的图像,首先利用bwdist函数对图像进行距离变换,利用imextendedmin函数过滤掉特别小的区域;最后再使用watershed函数分割得到非农业病虫害图像;
S304,图像相减,在包含农业病虫害和非农业病虫害图像原图中,将非农业病虫害图像分割出并计数,利用Matlab提供的函数imsubtract去除原图中的无农业病虫害图像部分得到只包含农业病虫害图像的图像,再利用总面积除以平均面积得出农业病虫害图像数量;
具体包括:将包含农业病虫害图像和非农业病虫害图像减去在得到的非农业病虫害图像,得到农业病虫害图像;
函数imsubtract为:Z=imsubtract(X,Y),其中Z为得到的农业病虫害图像图像,X包含农业病虫害图像和非农业病虫害图像的原始图像,Y为得到的非农业病虫害图像像;得到非农业病虫害图像。
在一优选实施例中,农业病虫害待识别区域标记,对农业病虫害图像中相近像素的标记,让每个单独的农业病虫害待识别区域形成一个被识别的块具体包括:
利用Matlab中bwlabel函数对血液细胞二值化图像中相近像素进行标记,每个单独的农业病虫害待识别区域形成一个被识别的块;
bwlabel函数为:[P,num1]=bwlabel(I1,8),其中P为标记后的图像;num1为农业病虫害待识别区域个数;I1为待标记的原图像;8为参数,采用8邻域计算农业病虫害待识别区域。
在一优选实施例中,计算出每块农业病虫害待识别区域的面积,利用MATLAB函数bwareaopen删除面积小于一定值的农业病虫害待识别区域,得到图像相近的农业病虫害图像和非农业病虫害图像具体包括:
利用regionprops函数来计算被标记的每块农业病虫害待识别区域的面积,regionprops函数为:stats1=regionprops(P,'Area'),其中stats1为一个数据矩阵,保存每个农业病虫害待识别区域面积大小;P为得到的被标记后的图像;Area为参数,用regionprops函数来计算农业病虫害待识别区域面积;
得到各个农业病虫害待识别区域面积之后,再利用bwareaopen函数删除面积小于20000的农业病虫害待识别区域,bwareaopen函数为LIBO=bwareaopen(P,20000,8),其中LIBO为删除小面积后的图像;P为待删除的图像;20000为自定参数,用于删除面积小于20000的农业病虫害待识别区域;8为参数,采用8邻域计算农业病虫害待识别区域。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (10)
1.一种基于大数据的农业病虫害诊断与预警系统,包括中央控制模块用于控制各个模块正常工作,其特征在于,所述基于大数据的农业病虫害诊断与预警系统包括:大数据处理模块,与中央控制模块连接,用于通过大数据资源对采集的农业病虫害图像及农业病虫害识别信息进行处理;
预警模块,与中央控制模块连接,用于对农业病虫害进行预警;
所述通过大数据资源对采集的图像及识别信息进行处理包括:
步骤一,农业病虫害待识别区域标记,对农业病虫害图像中相近像素的标记,让每个单独的农业病虫害待识别区域形成一个被识别的块;
步骤二,计算出每块农业病虫害待识别区域的面积,利用MATLAB函数bwareaopen删除面积小于一定值的农业病虫害待识别区域,得到图像相近的农业病虫害图像和非农业病虫害图像;
步骤三,利用近似图像分离方法,将无农业病虫害图像分割出来;形状用分水岭分割法将一个连通的农业病虫害待识别区域分割成若干个小面积的农业病虫害待识别区域;无农业病虫害图像的农业病虫害待识别区域在是一个呈方形或者类方形的农业病虫害待识别区域组成,形状分水岭分割法不会将其分割成小块,面积远大于非农业病虫害图像所以可以利用农业病虫害待识别区域面积将农业病虫害图像提取出来;再利用MATLAB函数bwareaopen删除面积小于一定值的农业病虫害待识别区域,将小面积农业病虫害待识别区域删除,留下的就是分割完成后的非农业病虫害图像;
所述近似图像分离方法包括:
D=-bwdist(~LIBO);
mask=imextendedmin(D,2);
D2=imimposemin(D,mask);
Ld=watershed(D2);
Water_splited=LIBO;
Water_splited(Ld==0)=0;
其中,LIBO为删除小面积后的图像,首先利用bwdist函数对图像进行距离变换,利用imextendedmin函数过滤掉特别小的区域;最后再使用watershed函数分割得到非农业病虫害图像;
步骤四,图像相减,在包含农业病虫害和非农业病虫害图像原图中,将非农业病虫害图像分割出并计数,利用Matlab提供的函数imsubtract去除原图中的无农业病虫害图像部分得到只包含农业病虫害图像的图像,再利用总面积除以平均面积得出农业病虫害图像数量;
具体包括:将包含农业病虫害图像和非农业病虫害图像减去在得到的非农业病虫害图像,得到农业病虫害图像;
函数imsubtract为:Z=imsubtract(X,Y),其中Z为得到的农业病虫害图像图像,X包含农业病虫害图像和非农业病虫害图像的原始图像,Y为得到的非农业病虫害图像像;得到非农业病虫害图像。
2.如权利要求1所述基于大数据的农业病虫害诊断与预警系统,其特征在于,农业病虫害待识别区域标记,对农业病虫害图像中相近像素的标记,让每个单独的农业病虫害待识别区域形成一个被识别的块具体包括:
利用Matlab中bwlabel函数对血液细胞二值化图像中相近像素进行标记,每个单独的农业病虫害待识别区域形成一个被识别的块;
bwlabel函数为:[P,num1]=bwlabel(I1,8),其中P为标记后的图像;num1为农业病虫害待识别区域个数;I1为待标记的原图像;8为参数,采用8邻域计算农业病虫害待识别区域。
3.如权利要求1所述基于大数据的农业病虫害诊断与预警系统,其特征在于,计算出每块农业病虫害待识别区域的面积,利用MATLAB函数bwareaopen删除面积小于一定值的农业病虫害待识别区域,得到图像相近的农业病虫害图像和非农业病虫害图像具体包括:
利用regionprops函数来计算被标记的每块农业病虫害待识别区域的面积,regionprops函数为:stats1=regionprops(P,'Area'),其中stats1为一个数据矩阵,保存每个农业病虫害待识别区域面积大小;P为得到的被标记后的图像;Area为参数,用regionprops函数来计算农业病虫害待识别区域面积;
得到各个农业病虫害待识别区域面积之后,再利用bwareaopen函数删除面积小于20000的农业病虫害待识别区域,bwareaopen函数为LIBO=bwareaopen(P,20000,8),其中LIBO为删除小面积后的图像;P为待删除的图像;20000为自定参数,用于删除面积小于20000的农业病虫害待识别区域;8为参数,采用8邻域计算农业病虫害待识别区域。
4.如权利要求1所述基于大数据的农业病虫害诊断与预警系统,其特征在于,所述基于大数据的农业病虫害诊断与预警系统还包括:
图像采集模块,与识别模块连接,用于采集昆虫图像、作物叶片图像;
识别模块,与图像采集模块、中央控制模块连接,用于对农作物病虫害叶片进行识别;
分析模块,与中央控制模块连接,用于对农作物病虫害预警信息进行分析;
云存储模块,与中央控制模块连接,用于通过云服务器对采集的图像、识别信息、预警信息、分析结果进行存储;
显示模块,与中央控制模块连接,用于通过显示器显示采集的图像、识别信息、预警信息、分析结果。
5.如权利要求4所述基于大数据的农业病虫害诊断与预警系统,其特征在于,所述识别模块识别方法如下:
(1)通过摄像设备实时采集农作物生长环境中的昆虫图像并采用嵌入式图像预处理技术进行图像预处理,依据预处理后的昆虫图像的颜色特征和纹理特征的信息,判断农作物是否有可能受到病虫侵害,若是,则进行下一步的叶片图像识别及农作物病虫害预防的步骤;若否,则不进行预防操作,并返回至初始步骤;
(2)叶片图像识别及农作物病虫害预防;
采集农作物病虫害叶片的图像,通过信息传输方法传输至处理及后端服务端,在处理及后端服务端搭载pytorch框架平台,结合深度残差网络和Adam算法利用采集的农作物病虫害叶片图像对卷积神经网络进行训练;利用训练好的卷积神经网络测试待识别的可能受到病虫害的叶片测试集图像;之后,对识别出的受病虫害的叶片进行农作物患病类型的分类,针对农作物患病类型采取喷洒农药或者捕杀害虫的措施。
6.如权利要求5所述基于大数据的农业病虫害诊断与预警系统,其特征在于,所述通过摄像设备采集农作物生长环境中的昆虫图像的步骤是,运用灯诱害虫图像采集设备,调用Linux的V4L2图像编程接口及其扩展接口,完成图像采集设备的选择、图像采集设备的分辨率设定的步骤;之后,打开V4L2图像流采集开关,从而完成图像的采集。
7.如权利要求5所述基于大数据的农业病虫害诊断与预警系统,其特征在于,所述的嵌入式图像预处理的步骤,主要包括:图像的Ostu自适应阈值提取、图像二值化、膨胀腐蚀、图像轮廓提取、图像空洞填充、图像分割、图像旋转的操作,分离出虫子个体,同时将虫子个体分割成子图片;从而对每个昆虫子图片提取特征,包括颜色特征和纹理特征。
8.如权利要求1所述基于大数据的农业病虫害诊断与预警系统,其特征在于,所述分析模块分析方法如下:
1)通过数据库构建程序建立“病虫害种类库”和“病虫害基础数据库”,“病虫害种类库”中记载农作物的病害和虫害种类,“病虫害基础数据库”中记载作物分类、作物名称、病害和虫害类别、病虫害为害症状、病虫害发生规律、病虫害防治方法;
2)确定“网格位置”,通过“病虫害基础数据库”查询当前时间各“网格位置”内病害和虫害的基础数据,根据病害和虫害的基础数据判断各病害和虫害的发生概率值;根据各网格病害和虫害基础数据以及气象数据,输出各病害和虫害发生结果值;
3)根据病虫害发生结果的计算判断病虫害发生等级,根据预先设置好的病虫害预警等级值进行预警提醒;根据输出的病虫害预警等级判断、获取并输出相应的病虫害防治方法;根据病虫害预警等级绘制出相应病虫害的等级渲染图,根据不同病虫害的渲染图制作相应的病虫害预警分析报告。
9.如权利要求8所述基于大数据的农业病虫害诊断与预警系统,其特征在于,所述“病虫害种类库”和“病虫害基础数据库”根据历年农作物的病害和虫害情况建立,“病虫害种类库”和“病虫害基础数据库”在建立过程中,病虫害基础数据是以行政区划单位进行采集整理,对数据进行采集和存储时需将行政区划单位关联网格。
10.如权利要求5所述基于大数据的农业病虫害诊断与预警系统,其特征在于,所述病害发生结果判断方法为,根据“病虫害基础数据库”中记录的结果搜索作物“最适宜条件组合”,其中包括气象要素名称和时间段,统计“网格位置”内多年内该时间段的气象要素参考值,并与现阶段的气象值进行对比,若相同或落在参考值范围内,则满足种植条件,结果记录为“1”,否则结果记录为“0”,然后用同样的方法判断其余发生条件值,并输出结果,记录条件结果值为1/条件数量×(条件一结果+条件二结果+条件三结果+……),结果值范围为0~1,最后记录病害发生结果值为﹛1/最适宜条件数量×(最适宜条件一结果+最适宜条件二结果+最适宜条件三结果+……)﹜×0.6+﹛1/适宜条件数量×(适宜条件一结果+适宜条件二结果+适宜条件三结果+……)﹜×0.4,得出值在0.1~0.2时为“轻度发生病害”,0.2~0.4时为“轻至中度发生病害”,0.4~0.6时为“中至重度发生病害”,0.6~1时为“重度发生病害”。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210443930.9A CN114972843B (zh) | 2022-04-26 | 2022-04-26 | 一种基于大数据的农业病虫害诊断与预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210443930.9A CN114972843B (zh) | 2022-04-26 | 2022-04-26 | 一种基于大数据的农业病虫害诊断与预警系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114972843A true CN114972843A (zh) | 2022-08-30 |
CN114972843B CN114972843B (zh) | 2024-03-15 |
Family
ID=82979936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210443930.9A Active CN114972843B (zh) | 2022-04-26 | 2022-04-26 | 一种基于大数据的农业病虫害诊断与预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114972843B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115661544A (zh) * | 2022-11-08 | 2023-01-31 | 吉林农业大学 | 基于N-MobileNetXt的菠菜幼苗水分胁迫等级分类系统及方法 |
CN115761482A (zh) * | 2022-11-01 | 2023-03-07 | 重庆智能工程职业学院 | 一种基于5g技术的智慧农业环境监测系统 |
CN116307458A (zh) * | 2022-12-22 | 2023-06-23 | 四川长虹云数信息技术有限公司 | 病虫害识别防治预警系统及方法 |
CN116384594A (zh) * | 2023-06-05 | 2023-07-04 | 四川凯普顿信息技术股份有限公司 | 基于大数据分析的作物虫害预警方法、系统、终端及介质 |
CN116448760A (zh) * | 2023-03-21 | 2023-07-18 | 上海华维可控农业科技集团股份有限公司 | 一种基于机器视觉的农业智能监测系统及方法 |
CN116993302A (zh) * | 2023-09-26 | 2023-11-03 | 济南天楚科技有限公司 | 基于大数据的农业信息智能管理方法及系统 |
CN117151353A (zh) * | 2023-11-01 | 2023-12-01 | 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 |
CN117275208A (zh) * | 2023-11-13 | 2023-12-22 | 广东天顺为信息科技有限公司 | 农业生物灾害监测预警信息化应用系统 |
CN117854012A (zh) * | 2024-03-07 | 2024-04-09 | 成都智慧城市信息技术有限公司 | 一种基于大数据的农作物环境监测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200044216A (ko) * | 2018-10-11 | 2020-04-29 | 순천대학교 산학협력단 | 빅데이터를 이용한 병해충 발생 예측 시스템 및 방법 |
CN113837076A (zh) * | 2021-09-24 | 2021-12-24 | 金陵科技学院 | 一种农业病虫害智能终端分析系统 |
-
2022
- 2022-04-26 CN CN202210443930.9A patent/CN114972843B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200044216A (ko) * | 2018-10-11 | 2020-04-29 | 순천대학교 산학협력단 | 빅데이터를 이용한 병해충 발생 예측 시스템 및 방법 |
CN113837076A (zh) * | 2021-09-24 | 2021-12-24 | 金陵科技学院 | 一种农业病虫害智能终端分析系统 |
Non-Patent Citations (1)
Title |
---|
罗菊花;黄文江;韦朝领;王纪华;潘瑜春;: "基于GIS的农作物病虫害预警系统的初步建立", 农业工程学报, no. 12, 30 December 2008 (2008-12-30) * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115761482A (zh) * | 2022-11-01 | 2023-03-07 | 重庆智能工程职业学院 | 一种基于5g技术的智慧农业环境监测系统 |
CN115661544A (zh) * | 2022-11-08 | 2023-01-31 | 吉林农业大学 | 基于N-MobileNetXt的菠菜幼苗水分胁迫等级分类系统及方法 |
CN115661544B (zh) * | 2022-11-08 | 2024-04-05 | 吉林农业大学 | 基于N-MobileNetXt的菠菜幼苗水分胁迫等级分类系统及方法 |
CN116307458A (zh) * | 2022-12-22 | 2023-06-23 | 四川长虹云数信息技术有限公司 | 病虫害识别防治预警系统及方法 |
CN116448760B (zh) * | 2023-03-21 | 2023-10-20 | 上海华维可控农业科技集团股份有限公司 | 一种基于机器视觉的农业智能监测系统及方法 |
CN116448760A (zh) * | 2023-03-21 | 2023-07-18 | 上海华维可控农业科技集团股份有限公司 | 一种基于机器视觉的农业智能监测系统及方法 |
CN116384594A (zh) * | 2023-06-05 | 2023-07-04 | 四川凯普顿信息技术股份有限公司 | 基于大数据分析的作物虫害预警方法、系统、终端及介质 |
CN116384594B (zh) * | 2023-06-05 | 2023-08-01 | 四川凯普顿信息技术股份有限公司 | 基于大数据分析的作物虫害预警方法、系统、终端及介质 |
CN116993302A (zh) * | 2023-09-26 | 2023-11-03 | 济南天楚科技有限公司 | 基于大数据的农业信息智能管理方法及系统 |
CN117151353A (zh) * | 2023-11-01 | 2023-12-01 | 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 |
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 |
CN117275208A (zh) * | 2023-11-13 | 2023-12-22 | 广东天顺为信息科技有限公司 | 农业生物灾害监测预警信息化应用系统 |
CN117275208B (zh) * | 2023-11-13 | 2024-02-27 | 广东天顺为信息科技有限公司 | 农业生物灾害监测预警信息化应用系统 |
CN117854012A (zh) * | 2024-03-07 | 2024-04-09 | 成都智慧城市信息技术有限公司 | 一种基于大数据的农作物环境监测方法及系统 |
CN117854012B (zh) * | 2024-03-07 | 2024-05-14 | 成都智慧城市信息技术有限公司 | 一种基于大数据的农作物环境监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114972843B (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114972843B (zh) | 一种基于大数据的农业病虫害诊断与预警系统 | |
CN111460990B (zh) | 一种基于大数据的高寒牧区草原虫害监测预警系统及方法 | |
CN112101159B (zh) | 多时相林业遥感影像变化监测方法 | |
CN110717903A (zh) | 一种利用计算机视觉技术进行农作物病害检测的方法 | |
CN113837076A (zh) | 一种农业病虫害智能终端分析系统 | |
CN109918449B (zh) | 一种基于物联网的农业灾害信息遥感提取方法及系统 | |
CN116681279B (zh) | 一种基于数据分析的林业有害生物防治风险评估系统 | |
CN111967441A (zh) | 一种基于深度学习的农作物病害分析方法 | |
CN114627411A (zh) | 基于计算机视觉下并行检测的农作物生育期识别方法 | |
CN114460080A (zh) | 一种水稻病虫智能监控系统 | |
CN116300608A (zh) | 一种基于大数据的智慧农业远程监控系统 | |
CN116543347A (zh) | 智慧虫情在线监测系统、方法、装置及介质 | |
CN117114913A (zh) | 一种基于大数据的智能化农业数据采集系统 | |
CN111476197A (zh) | 基于多源卫星遥感影像油棕识别及面积提取的方法和系统 | |
CN113435825B (zh) | 一种基于土传病害防治的智能管理方法、系统及存储介质 | |
CN117371604A (zh) | 一种基于智能感知的农业生产预测方法及系统 | |
CN116993059A (zh) | 一种基于大数据的物联网智能农业植保系统 | |
CN117218534A (zh) | 一种农作物叶部病害识别方法 | |
CN112734120A (zh) | 一种基于动态网格划分的玉米虫害预警方法 | |
CN115166866B (zh) | 基于格点化气象数据的柑橘病虫害发生预报方法及系统 | |
CN115100551A (zh) | 一种基于遥感影像技术的土地利用属性的监测方法 | |
CN115420688A (zh) | 一种基于物联网的农业灾害信息遥感提取损失评估方法 | |
CN117726194B (zh) | 一种基于大数据的林业环境分析系统 | |
CN113762773B (zh) | 一种灾害监测预报的关联定位分解方法及系统 | |
CN117151353B (zh) | 一种荔枝虫害智能识别与生态调控方法、系统及介质 |
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 |