CN115169750B - 一种基于物联网的鳞翅目害虫防治方法、系统及介质 - Google Patents
一种基于物联网的鳞翅目害虫防治方法、系统及介质 Download PDFInfo
- Publication number
- CN115169750B CN115169750B CN202211061405.7A CN202211061405A CN115169750B CN 115169750 B CN115169750 B CN 115169750B CN 202211061405 A CN202211061405 A CN 202211061405A CN 115169750 B CN115169750 B CN 115169750B
- Authority
- CN
- China
- Prior art keywords
- pest control
- pest
- lepidoptera
- scheme
- control scheme
- 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
Links
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 417
- 241000255777 Lepidoptera Species 0.000 title claims abstract description 150
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000011156 evaluation Methods 0.000 claims abstract description 72
- 230000002265 prevention Effects 0.000 claims abstract description 63
- 241000238631 Hexapoda Species 0.000 claims abstract description 45
- 230000000694 effects Effects 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 34
- 230000007613 environmental effect Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 8
- -1 cquiring Species 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 description 10
- 238000013508 migration Methods 0.000 description 10
- 230000006399 behavior Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 239000000126 substance Substances 0.000 description 8
- 239000003814 drug Substances 0.000 description 4
- 235000013601 eggs Nutrition 0.000 description 4
- 230000009931 harmful effect Effects 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 241000894007 species Species 0.000 description 3
- 241000255789 Bombyx mori Species 0.000 description 2
- 206010059866 Drug resistance Diseases 0.000 description 2
- 241000510032 Ellipsaria lineolata Species 0.000 description 2
- 206010061217 Infestation Diseases 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241000218475 Agrotis segetum Species 0.000 description 1
- 241000223600 Alternaria Species 0.000 description 1
- 241001347511 Carposina sasakii Species 0.000 description 1
- 241000098289 Cnaphalocrocis medinalis Species 0.000 description 1
- 241000254173 Coleoptera Species 0.000 description 1
- 241000255967 Helicoverpa zea Species 0.000 description 1
- 241000500891 Insecta Species 0.000 description 1
- 241000659518 Lozotaenia capensana Species 0.000 description 1
- 241001477931 Mythimna unipuncta Species 0.000 description 1
- 241000255969 Pieris brassicae Species 0.000 description 1
- 241000595629 Plodia interpunctella Species 0.000 description 1
- 241000500437 Plutella xylostella Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000013043 chemical agent Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 235000012631 food intake Nutrition 0.000 description 1
- 230000001418 larval effect Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000017448 oviposition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Multimedia (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Animal Behavior & Ethology (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Agricultural Chemicals And Associated Chemicals (AREA)
Abstract
本发明涉及一种基于物联网的鳞翅目害虫防治方法、系统及介质，属于虫害防治技术领域，本发明通过根据鳞翅目虫害类型以及图像信息对当前农作物种植区域的鳞翅目虫害等级划分，并构建虫害防治知识图谱，根据虫害防治知识图谱以及所述农作物种植区域的虫害等级生成初始虫害防治方案，进一步构建评价指标体系，根据初始虫害防治方案以及所述评价指标体系进行分析，得到指标的权重向量信息；根据所述指标的权重向量信息对当前虫害防治方案进行二次调整，生成最终的虫害防治方案。通过本发明能够使得鳞翅目虫害的防治方案更加合理，从而根据实际的虫情情况来选择出最合理的防治方案，提高虫害的防治效果。
Description
技术领域
本发明涉及虫害防治技术领域，尤其涉及一种基于物联网的鳞翅目害虫防治方法、系统及介质。
背景技术
鳞翅目(学名Lepidoptera)包括蛾、蝶两类昆虫。属有翅亚纲、全变态类。全世界已知约20万种，中国已知约8000余鳞翅目品种。该目为昆虫纲中仅次于鞘翅目的第2个大目。其中蛾类6000种，蝶类2000种。同时也是农林害虫最多的一个目。如黏虫、稻纵卷叶螟、小地老虎等。分布范围极广，以热带种类最为丰富。绝大多数种类的幼虫为害各类栽培植物，体形较大者常食尽叶片或钻蛀枝干。体形较小者往往卷叶、缀叶、结鞘、吐丝结网或钻入植物组织取食为害。成虫多以花蜜等作为补充营养，或口器退化不再取食，一般不造成直接危害。有许多重要害虫，如桃小食心虫、苹果小卷叶蛾、棉铃虫、菜粉蝶、小菜蛾以及许多鳞翅目仓虫，如印度谷螟等。此外，著名的家蚕、柞蚕也属于本目昆虫。而鳞翅目幼虫绝大多数陆生，植食性，为害各种植物，少数水生。而鳞翅目幼虫对于大多数的农作物均有危害作用，而如何选择鳞翅目虫害的防治方案成为一个焦点问题。
发明内容
本发明克服了现有技术的不足，提供了一种基于物联网的鳞翅目害虫防治方法、系统及介质。
为达上述目的，本发明采用的技术方案为：
本发明第一方面提供了一种基于物联网的鳞翅目害虫防治方法，包括以下步骤：
获取在预设时间内农作物种植区域的图像信息，并对所述图像信息进行分割处理，判断所述图像信息中是否存在鳞翅目虫害信息并确定当前各个农作物种植区域的鳞翅目虫害类型；
根据所述鳞翅目虫害类型以及图像信息对当前农作物种植区域的鳞翅目虫害等级划分，并构建虫害防治知识图谱，根据虫害防治知识图谱以及所述农作物种植区域的虫害等级生成初始虫害防治方案；
构建评价指标体系，根据所述初始虫害防治方案以及所述评价指标体系进行分析，得到指标的权重向量信息；
根据所述指标的权重向量信息对当前虫害防治方案进行二次调整，生成最终的虫害防治方案。
进一步地，本发明的一个较佳实施例中，判断所述图像信息中是否存在鳞翅目虫害信息并确定当前农作物种植区域的鳞翅目虫害类型，具体为：
基于卷积神经网络建立虫害识别模型，获取当前农作物受到鳞翅目害虫危害的虫害图像信息，将所述当前农作物受到鳞翅目害虫危害的虫害图像信息导入到所述害虫模型中，不断更新模型参数，直至所述虫害识别模型到达预先设定的条件；
将当前种植区域的图像信息导入所述虫害识别模型中，计算当前农作物受到鳞翅目害虫危害的虫害图像信息与所述当前种植区域的图像信息之间的误差值；
若所述误差值大于预设误差值，则将该图像认定为存在鳞翅目虫害信息的图像，否则将该图像认定为不存在鳞翅目虫害信息的图像；
通过对该图像进行二次分类，以确定当前各个农作物种植区域的鳞翅目虫害类型。
进一步地，本发明的一个较佳实施例中，根据所述鳞翅目虫害类型以及图像信息对当前农作物种植区域的鳞翅目虫害等级划分，具体为：
将当前农作物种植区域分为多个子区域，获取每一个所述子区域的鳞翅目虫害图像信息，并对当前每个所述子区域的鳞翅目虫害图像进行鳞翅目害虫的虫龄分类；
若所述鳞翅目虫害图像信息存在处于预设阶段的虫龄阶段，则将该子区域标记为待防治区域，否则将该子区域标记为预防区域；
若所述子区域为待防治区域时，则计算当前子区域单位面积内出现预设虫龄阶段的鳞翅目害虫的数量；
根据所述当前子区域单位面积内出现预设虫龄阶段的鳞翅目害虫的数量确定当前子区域的鳞翅目虫害等级。
进一步地，本发明的一个较佳实施例中，构建虫害防治知识图谱，根据虫害防治知识图谱以及所述农作物种植区域的虫害等级生成初始虫害防治方案，具体为：
通过大数据网络获取各种类鳞翅目害虫的防治方案，基于所述各种类鳞翅目害虫的防治方案构建虫害防治知识图谱，并获取当前子区域中的历史虫害防治方案；
判断所述历史虫害防治方案是否为预设虫害防治方案，若所述历史虫害防治方案不为预设虫害防治方案，则将每个子区域的农作物种植区域的虫害等级导入到所述虫害防治知识图谱中，生成初始虫害防治方案；
若所述历史虫害防治方案为预设虫害防治方案，则将所述子区域中预设时间阶段的历史虫害防治方案导入所述虫害防治知识图谱中，进行相似度计算，将相似度小于预设相似度的防治方案剔除，得到每个所述子区域更新后的虫害防治知识图谱；
将每个子区域的农作物种植区域的虫害等级导入到所述更新后的虫害防治知识图谱中，生成初始虫害防治方案。
进一步地，本发明的一个较佳实施例中，构建评价指标体系，根据所述初始虫害防治方案以及所述评价指标体系进行分析，得到指标的权重向量信息，具体包括：
确定评价的层次结构体系，并将所述评价的层次结构体系分为目标层、准则层以及方案层；
将所述初始虫害防治方案导入到准则层中，通过大数据获取当前初始虫害防治方案的实时环境影响因素，并将所述当前初始虫害防治方案的具体影响因素导入到方案层中，预设防治效果，并将防治效果导入到目标层中，生成评价指标体系；
根据所述准则层以及方案层组内的各因素进行相互比较，以预设定量标度进行相对重要性定量化，生成标度值，根据标度值构建判断矩阵；
通过方根法对所述判断矩阵进行归一化计算，得到特征向量，并获取所述特征向量的在判断矩阵的最大特征值，根据所述特征向量以及最大特征值得到指标的权重向量信息。
进一步地，本发明的一个较佳实施例中，根据所述指标的权重向量信息对当前虫害防治方案进行二次调整，生成最终的虫害防治方案，具体为：
通过灰色关联分析法对所述指标权重信息进行计算，得到灰色关联系数，并通过无量纲化方法还原后，根据所述灰色关联系数得到灰色加权关联度；
根据所述灰色加权关联度得到当前防治方案的预测防治评价分数，并判断所述预测防治评价分数是否大于预设评价分数；
若所述预测防治评价分数存在大于所述预设评价分数的防治方案，则将该类虫害防治方案中最高预测防治评价分数的防治方案作为最终的虫害防治方案；
若所述预测防治评价分数不存在大于所述预设评价分数的防治方案，则将最高预测防治评价分数最高的防治方案作为最终的防治方案。
本发明第二方面提供了一种基于物联网的鳞翅目害虫防治系统，所述系统包括存储器以及处理器，所述存储器中包括基于物联网的鳞翅目害虫防治方法程序，所述基于物联网的鳞翅目害虫防治方法程序被处理器执行时，实现如下步骤：
获取在预设时间内农作物种植区域的图像信息，并对所述图像信息进行分割处理，判断所述图像信息中是否存在鳞翅目虫害信息并确定当前各个农作物种植区域的鳞翅目虫害类型；
根据所述鳞翅目虫害类型以及图像信息对当前农作物种植区域的鳞翅目虫害等级划分，并构建虫害防治知识图谱，根据虫害防治知识图谱以及所述农作物种植区域的虫害等级生成初始虫害防治方案；
构建评价指标体系，根据所述初始虫害防治方案以及所述评价指标体系进行分析，得到指标的权重向量信息；
根据所述指标的权重向量信息对当前虫害防治方案进行二次调整，生成最终的虫害防治方案。
进一步地，本发明的一个较佳实施例中，所述的一种基于物联网的鳞翅目害虫防治方法，构建虫害防治知识图谱，根据虫害防治知识图谱以及所述农作物种植区域的虫害等级生成初始虫害防治方案，具体为：
通过大数据网络获取各种类鳞翅目害虫的防治方案，基于所述各种类鳞翅目害虫的防治方案构建虫害防治知识图谱，并获取当前子区域中的历史虫害防治方案；
判断所述历史虫害防治方案是否为预设虫害防治方案，若所述历史虫害防治方案不为预设虫害防治方案，则将每个子区域的农作物种植区域的虫害等级导入到所述虫害防治知识图谱中，生成初始虫害防治方案；
若所述历史虫害防治方案为预设虫害防治方案，则将所述子区域中预设时间阶段的历史虫害防治方案导入所述虫害防治知识图谱中，进行相似度计算，将相似度小于预设相似度的防治方案剔除，得到每个所述子区域更新后的虫害防治知识图谱；
将每个子区域的农作物种植区域的虫害等级导入到所述更新后的虫害防治知识图谱中，生成初始虫害防治方案。
进一步地，本发明的一个较佳实施例中，所述的一种基于物联网的鳞翅目害虫防治方法，构建评价指标体系，根据所述初始虫害防治方案以及所述评价指标体系进行分析，得到指标的权重向量信息，具体包括：
确定评价的层次结构体系，并将所述评价的层次结构体系分为目标层、准则层以及方案层；
将所述初始虫害防治方案导入到准则层中，通过大数据获取当前初始虫害防治方案的实时环境影响因素，并将所述当前初始虫害防治方案的具体影响因素导入到方案层中，预设防治效果，并将防治效果导入到目标层中，生成评价指标体系；
根据所述准则层以及方案层组内的各因素进行相互比较，以预设定量标度进行相对重要性定量化，生成标度值，根据标度值构建判断矩阵；
通过方根法对所述判断矩阵进行归一化计算，得到特征向量，并获取所述特征向量的在判断矩阵的最大特征值，根据所述特征向量以及最大特征值得到指标的权重向量信息。
本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质包括基于物联网的鳞翅目害虫防治方法程序，所述基于物联网的鳞翅目害虫防治方法程序被处理器执行时，实现任一项所述的基于物联网的鳞翅目害虫防治方法的步骤。
本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：
本发明通过获取在预设时间内农作物种植区域的图像信息，并对所述图像信息进行分割处理，判断所述图像信息中是否存在鳞翅目虫害信息并确定当前各个农作物种植区域的鳞翅目虫害类型，进而根据所述鳞翅目虫害类型以及图像信息对当前农作物种植区域的鳞翅目虫害等级划分，并构建虫害防治知识图谱，根据虫害防治知识图谱以及所述农作物种植区域的虫害等级生成初始虫害防治方案，进一步构建评价指标体系，根据所述初始虫害防治方案以及所述评价指标体系进行分析，得到指标的权重向量信息，从而根据所述指标的权重向量信息对当前虫害防治方案进行二次调整，生成最终的虫害防治方案。通过本发明能够使得鳞翅目虫害的防治方案更加合理，从而根据实际的虫情情况来选择出最合理的防治方案，提高虫害的防治效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他实施例的附图。
图1示出了一种基于物联网的鳞翅目害虫防治方法的整体方法流程图；
图2示出了生成初始虫害防治方案的方法流程图；
图3示出了得到最终的虫害防治方案的方法流程图；
图4示出了一种基于物联网的鳞翅目害虫防治系统的系统框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
本发明第一方面提供了一种基于物联网的鳞翅目害虫防治方法，包括以下步骤：
S102:获取在预设时间内农作物种植区域的图像信息，并对所述图像信息进行分割处理，判断所述图像信息中是否存在鳞翅目虫害信息并确定当前各个农作物种植区域的鳞翅目虫害类型；
S104:根据所述鳞翅目虫害类型以及图像信息对当前农作物种植区域的鳞翅目虫害等级划分，并构建虫害防治知识图谱，根据虫害防治知识图谱以及所述农作物种植区域的虫害等级生成初始虫害防治方案；
S106:构建评价指标体系，根据所述初始虫害防治方案以及所述评价指标体系进行分析，得到指标的权重向量信息；
S108:根据所述指标的权重向量信息对当前虫害防治方案进行二次调整，生成最终的虫害防治方案。
需要说明的是，通过本发明能够使得鳞翅目虫害的防治方案更加合理，从而根据实际的虫情情况以及防治方案的影响因素进行有效地评价来选择出最合理的防治方案，提高虫害的防治效果。
需要说明的是，判断所述图像信息中是否存在鳞翅目虫害信息并确定当前农作物种植区域的鳞翅目虫害类型，具体为：
基于卷积神经网络建立虫害识别模型，获取当前农作物受到鳞翅目害虫危害的虫害图像信息，将所述当前农作物受到鳞翅目害虫危害的虫害图像信息导入到所述害虫模型中，不断更新模型参数，直至所述虫害识别模型到达预先设定的条件；
将当前种植区域的图像信息导入所述虫害识别模型中，计算当前农作物受到鳞翅目害虫危害的虫害图像信息与所述当前种植区域的图像信息之间的误差值；
若所述误差值大于预设误差值，则将该图像认定为存在鳞翅目虫害信息的图像，否则将该图像认定为不存在鳞翅目虫害信息的图像；
通过对该图像进行二次分类，以确定当前各个农作物种植区域的鳞翅目虫害类型。
需要说明的是，根据所述鳞翅目虫害类型以及图像信息对当前农作物种植区域的鳞翅目虫害等级划分，具体为：
将当前农作物种植区域分为多个子区域，获取每一个所述子区域的鳞翅目虫害图像信息，并对当前每个所述子区域的鳞翅目虫害图像进行鳞翅目害虫的虫龄分类；
若所述鳞翅目虫害图像信息存在处于预设阶段的虫龄阶段，则将该子区域标记为待防治区域，否则将该子区域标记为预防区域；
若所述子区域为待防治区域时，则计算当前子区域单位面积内出现预设虫龄阶段的鳞翅目害虫的数量；
根据所述当前子区域单位面积内出现预设虫龄阶段的鳞翅目害虫的数量确定当前子区域的鳞翅目虫害等级。
需要说明的是，在实际的鳞翅目害虫侵害农作物的过程中，成虫阶段的鳞翅目主要取食花蜜、水等物，该成虫阶段的鳞翅目品种不为害，当农作物区域中存在有处于这个虫龄阶段的鳞翅目时，将该类子区域作为预防区域，当农作物的种植区域之中存在幼虫期的鳞翅目时，将该类区域标记为待防治区域。相应地，待防治区域的虫害等级高于预防区域的虫害等级。所述虫害等级至少包括高等级、中等级、低等级，而预防区域的虫害等级均处于低等级，而所述当前子区域单位面积内出现预设虫龄阶段的鳞翅目害虫的数量越多，该类区域的虫害等级越高。
进一步地，本发明的一个较佳实施例中，构建虫害防治知识图谱，根据虫害防治知识图谱以及所述农作物种植区域的虫害等级生成初始虫害防治方案，具体为：
S202:通过大数据网络获取各种类鳞翅目害虫的防治方案，基于所述各种类鳞翅目害虫的防治方案构建虫害防治知识图谱，并获取当前子区域中的历史虫害防治方案；
S204:判断所述历史虫害防治方案是否为预设虫害防治方案，若所述历史虫害防治方案不为预设虫害防治方案，则将每个子区域的农作物种植区域的虫害等级导入到所述虫害防治知识图谱中，生成初始虫害防治方案；
S206:若所述历史虫害防治方案为预设虫害防治方案，则将所述子区域中预设时间阶段的历史虫害防治方案导入所述虫害防治知识图谱中，进行相似度计算，将相似度小于预设相似度的防治方案剔除，得到每个所述子区域更新后的虫害防治知识图谱；
S208:将每个子区域的农作物种植区域的虫害等级导入到所述更新后的虫害防治知识图谱中，生成初始虫害防治方案。
需要说明的是，由于在预设时间段之内对当前子区域的农作物使用过的化学类虫害防治方案，当该虫害防治知识图谱中存在用过的化学类虫害防治方案时，将该类防治方案剔除，这样就能够进一步避免由于害虫的抗药性而带来的防治效果差，从而提高该类待防治区域的虫害防治效果。
进一步地，本发明的一个较佳实施例中，构建评价指标体系，根据所述初始虫害防治方案以及所述评价指标体系进行分析，得到指标的权重向量信息，具体包括：
S302:确定评价的层次结构体系，并将所述评价的层次结构体系分为目标层、准则层以及方案层；
S304:将所述初始虫害防治方案导入到准则层中，通过大数据获取当前初始虫害防治方案的实时环境影响因素，并将所述当前初始虫害防治方案的具体影响因素导入到方案层中，预设防治效果，并将防治效果导入到目标层中，生成评价指标体系；
S306:根据所述准则层以及方案层组内的各因素进行相互比较，以预设定量标度进行相对重要性定量化，生成标度值，根据标度值构建判断矩阵；
S308:通过方根法对所述判断矩阵进行归一化计算，得到特征向量，并获取所述特征向量的在判断矩阵的最大特征值，根据所述特征向量以及最大特征值得到指标的权重向量信息。
需要说明的是，通过构建评价指标体系来对防治方案进行评价，首先通过准则层的实时环境影响因素以及方案层的防治方案的具体影响因素进行相比较形成判断矩阵，形成过程如下：
设实时环境影响因素集为A，将本层中的n个元素设为A=（A1,A2,…,An），设防治方案的具体影响因素集为B，将本层的m个元素设为B=（B1,B2,…,Bn），通过实时环境因素集中的因素进行来两两比较，即形成判断矩阵K，所述判断矩阵如下：
进一步地，通过对判断矩阵K的计算，得到各行元素乘积组成的向量P，从而对当前
的向量P进行计算向量P的n次方根，从而得到
,其中R为向量P的n次方根，从而形成新
的判断矩阵D。
进一步地，通过对该判断矩阵D进行归一化计算，其中计算公式为：
，
其中W为特征向量，从而提取出特征向量W中的最大特征值Wmax，l为向量P的n次方根的个数，
i为第i个向量P的n次方根，当判断矩阵B满足一致性时，从而根据最大特征值Wmax以及特征
向量W进行范围界定，则得到W=（W1,W2…Wmax）为指标的权重向量信息，即各个环境因素之下
的防治指标的权重向量信息。
需要说明的是，各种防治方案的防治效果均与环境因素有关，如化学防治方案与温度环境因素、湿度环境因素等因素有关，其中判断矩阵中的环境因素的取值为常规取值，如温度37摄氏度，则温度因子的取值为37，以此类推。
进一步地，本发明的一个较佳实施例中，根据所述指标的权重向量信息对当前虫害防治方案进行二次调整，生成最终的虫害防治方案，具体为：
通过灰色关联分析法对所述指标权重信息进行计算，得到灰色关联系数，并通过无量纲化方法还原后，根据所述灰色关联系数得到灰色加权关联度；
根据所述灰色加权关联度得到当前防治方案的预测防治评价分数，并判断所述预测防治评价分数是否大于预设评价分数；
若所述预测防治评价分数存在大于所述预设评价分数的防治方案，则将该类虫害防治方案中最高预测防治评价分数的防治方案作为最终的虫害防治方案；
若所述预测防治评价分数不存在大于所述预设评价分数的防治方案，则将最高预测防治评价分数最高的防治方案作为最终的防治方案。
需要说明的是，在灰色系统内，部分信息已知，各因素之间的关系是无法确定的。虫害防治方案的防治效果评价体系其实就是一个灰色系统。灰色关联分析方法是依据因素间发展趋势和目标的相似或者相异程度，去度量因素之间关联度的方法，最后将关联度按照无量纲化方法还原后，即可对虫害的防治效果进行综合评价。其中灰色加权关联度对应防治方案的预测防治评价分数，由于环境因素的影响，当灰色关联系数以及灰色加权关联度越小时，说明离预设防治效果越远，防治效果越差，当所述预测防治评价分数存在大于所述预设评价分数的防治方案，则将该类虫害防治方案中最高预测防治评价分数的防治方案作为最终的虫害防治方案；而当所述预测防治评价分数不存在大于所述预设评价分数的防治方案，则将最高预测防治评价分数最高的防治方案作为最终的防治方案。通过本方法能够根据不同场景有效地选择出最好的防治方案。提高鳞翅目虫害的防治效果。
此外，本方法还可以包括以下步骤：
通过遥感技术获取预设区域范围之内的鳞翅目害虫的图像信息，若所述鳞翅目害虫处于成虫期之时，获取当前鳞翅目害虫的在预设时间内的飞行路线；
通过贝叶斯网络对所述当前鳞翅目害虫的在预设时间内的飞行路线进行反复模拟，形成模拟完成后的鳞翅目害虫的迁徙路线；
获取当前鳞翅目害虫的迁徙路线沿途路径上的农作物类型，若所述农作物类型为预设农作物类型，则获取当前农作物类型所在的位置节点；
根据所述当前农作物类型所在的位置节点以及鳞翅目害虫的迁徙路线生成物理防控方案的布局节点，并根据物理防控方案的布局节点对物理防控灯进行提前布局。
需要说明的是，通过本方法能够对成虫类型的鳞翅目害虫进行模拟出其的迁徙路线，从而根据该迁徙路线来得到物理防治方案的布局节点，从而能够提前防控鳞翅目害虫在农作物上产卵，提前对鳞翅目虫害防控。
此外，本方案还可以包括以下步骤：
获取当前鳞翅目害虫在迁徙过程中的停留节点，并获取鳞翅目害虫在预设时间内的图像信息；
通过大数据网络获取鳞翅目害虫的行为信息，并生成预设行为信息，根据鳞翅目害虫在预设时间内的图像信息获得鳞翅目害虫在迁徙过程中的停留节点的行为信息；
将所述预设行为信息与所述鳞翅目害虫在迁徙过程中的停留节点的行为信息进行对比，得到偏差率；
若所述偏差率大于预设偏差率，则将该停留节点作为防控节点，并通过大数据网络获取防治虫卵的化学性药剂，根据所述防治虫卵的化学性药剂制定施药计划对所述防控节点进行施药。
需要说明的是，通过本方法能够对鳞翅目害虫在迁徙的过程中进行行为判定，当鳞翅目害虫的行为为产卵行为时，通过大数据网络获取防治虫卵的化学性药剂，通过提前对迁徙过程中的鳞翅目害虫的虫卵进行提前消灭，从而提前对虫卵进行灭杀。
本发明第二方面提供了一种基于物联网的鳞翅目害虫防治系统，所述系统包括存储器41以及处理器62，所述存储器41中包括基于物联网的鳞翅目害虫防治方法程序，所述基于物联网的鳞翅目害虫防治方法程序被处理器62执行时，实现如下步骤：
获取在预设时间内农作物种植区域的图像信息，并对所述图像信息进行分割处理，判断所述图像信息中是否存在鳞翅目虫害信息并确定当前各个农作物种植区域的鳞翅目虫害类型；
根据所述鳞翅目虫害类型以及图像信息对当前农作物种植区域的鳞翅目虫害等级划分，并构建虫害防治知识图谱，根据虫害防治知识图谱以及所述农作物种植区域的虫害等级生成初始虫害防治方案；
并构建评价指标体系，根据所述初始虫害防治方案以及所述评价指标体系进行分析，得到指标的权重向量信息；
根据所述指标的权重向量信息对当前虫害防治方案进行二次调整，生成最终的虫害防治方案。
需要说明的是，通过本发明能够使得鳞翅目虫害的防治方案更加合理，从而根据实际的虫情情况以及防治方案的影响因素进行有效地评价来选择出最合理的防治方案，提高虫害的防治效果。
进一步地，本发明的一个较佳实施例中，所述的一种基于物联网的鳞翅目害虫防治方法，构建虫害防治知识图谱，根据虫害防治知识图谱以及所述农作物种植区域的虫害等级生成初始虫害防治方案，具体为：
通过大数据网络获取各种类鳞翅目害虫的防治方案，基于所述各种类鳞翅目害虫的防治方案构建虫害防治知识图谱，并获取当前子区域中的历史虫害防治方案；
判断所述历史虫害防治方案是否为预设虫害防治方案，若所述历史虫害防治方案不为预设虫害防治方案，则将每个子区域的农作物种植区域的虫害等级导入到所述虫害防治知识图谱中，生成初始虫害防治方案；
若所述历史虫害防治方案为预设虫害防治方案，则将所述子区域中预设时间阶段的历史虫害防治方案导入所述虫害防治知识图谱中，进行相似度计算，将相似度小于预设相似度的防治方案剔除，得到每个所述子区域更新后的虫害防治知识图谱；
将每个子区域的农作物种植区域的虫害等级导入到所述更新后的虫害防治知识图谱中，生成初始虫害防治方案。
需要说明的是，由于在预设时间段之内对当前子区域的农作物使用过的化学类虫害防治方案，当该虫害防治知识图谱中存在用过的化学类虫害防治方案时，将该类防治方案剔除，这样就能够进一步避免由于害虫的抗药性而带来的防治效果差，从而提高该类待防治区域的虫害防治效果。
进一步地，本发明的一个较佳实施例中，所述的一种基于物联网的鳞翅目害虫防治方法，构建评价指标体系，根据所述初始虫害防治方案以及所述评价指标体系进行分析，得到指标的权重向量信息，具体包括：
确定评价的层次结构体系，并将所述评价的层次结构体系分为目标层、准则层以及方案层；
将所述初始虫害防治方案导入到准则层中，通过大数据获取当前初始虫害防治方案的实时环境影响因素，并将所述当前初始虫害防治方案的具体影响因素导入到方案层中，预设防治效果，并将防治效果导入到目标层中，生成评价指标体系；
根据所述准则层以及方案层组内的各因素进行相互比较，以预设定量标度进行相对重要性定量化，生成标度值，根据标度值构建判断矩阵；
通过方根法对所述判断矩阵进行归一化计算，得到特征向量，并获取所述特征向量的在判断矩阵的最大特征值，根据所述特征向量以及最大特征值得到指标的权重向量信息。
需要说明的是，通过构建评价指标体系来对防治方案进行评价，首先通过准则层的实时环境影响因素以及方案层的防治方案的具体影响因素进行相比较形成判断矩阵，形成过程如下：
设实时环境影响因素集为A，将本层中的n个元素设为A=（A1,A2,…,An），设防治方案的具体影响因素集为B，将本层的m个元素设为B=（B1,B2,…,Bn），通过实时环境因素集中的因素进行来两两比较，即形成判断矩阵K，所述判断矩阵如下：
进一步地，通过对判断矩阵K的计算，得到各行元素乘积组成的向量P，从而对当前
的向量P进行计算向量P的n次方根，从而得到
,其中R为向量P的n次方根，从而形成新
的判断矩阵D。
进一步地，通过对该判断矩阵D进行归一化计算，其中计算公式为：
，
其中W为特征向量，从而提取出特征向量W中的最大特征值Wmax，l为向量P的n次方根的个数，
i为第i个向量P的n次方根，当判断矩阵B满足一致性时，从而根据最大特征值Wmax以及特征
向量W进行范围界定，则得到W=（W1,W2…,Wmax）为指标的权重向量信息，即各个环境因素之下
的防治指标的权重向量信息。
需要说明的是，各种防治方案的防治效果均与环境因素有关，如化学防治方案与温度环境因素、湿度环境因素等因素有关，其中判断矩阵中的环境因素的取值为常规取值，如温度37摄氏度，则温度因子的取值为37，以此类推。
本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质包括基于物联网的鳞翅目害虫防治方法程序，所述基于物联网的鳞翅目害虫防治方法程序被处理器执行时，实现任一项所述的基于物联网的鳞翅目害虫防治方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种基于物联网的鳞翅目害虫防治方法，其特征在于，包括以下步骤：
获取在预设时间内农作物种植区域的图像信息，并对所述图像信息进行分割处理，判断所述图像信息中是否存在鳞翅目虫害信息并确定当前各个农作物种植区域的鳞翅目虫害类型；
根据所述鳞翅目虫害类型以及图像信息对当前农作物种植区域的鳞翅目虫害等级划分，并构建虫害防治知识图谱，根据虫害防治知识图谱以及所述农作物种植区域的虫害等级生成初始虫害防治方案；
构建评价指标体系，根据所述初始虫害防治方案以及所述评价指标体系进行分析，得到指标的权重向量信息；
根据所述指标的权重向量信息对当前虫害防治方案进行二次调整，生成最终的虫害防治方案；
构建虫害防治知识图谱，根据虫害防治知识图谱以及所述农作物种植区域的虫害等级生成初始虫害防治方案，具体为：
通过大数据网络获取各种类鳞翅目害虫的防治方案，基于所述各种类鳞翅目害虫的防治方案构建虫害防治知识图谱，并获取当前子区域中的历史虫害防治方案；
判断所述历史虫害防治方案是否为预设虫害防治方案，若所述历史虫害防治方案不为预设虫害防治方案，则将每个子区域的农作物种植区域的虫害等级导入到所述虫害防治知识图谱中，生成初始虫害防治方案；
若所述历史虫害防治方案为预设虫害防治方案，则将所述子区域中预设时间阶段的历史虫害防治方案导入所述虫害防治知识图谱中，进行相似度计算，将相似度小于预设相似度的防治方案剔除，得到每个所述子区域更新后的虫害防治知识图谱；
将每个子区域的农作物种植区域的虫害等级导入到所述更新后的虫害防治知识图谱中，生成初始虫害防治方案。
2.根据权利要求1所述的一种基于物联网的鳞翅目害虫防治方法，其特征在于，判断所述图像信息中是否存在鳞翅目虫害信息并确定当前农作物种植区域的鳞翅目虫害类型，具体为：
基于卷积神经网络建立虫害识别模型，获取当前农作物受到鳞翅目害虫危害的虫害图像信息，将所述当前农作物受到鳞翅目害虫危害的虫害图像信息导入到所述虫害识别模型中，不断更新模型参数，直至所述虫害识别模型达到预先设定的条件；
将当前种植区域的图像信息导入所述虫害识别模型中，计算当前农作物受到鳞翅目害虫危害的虫害图像信息与所述当前种植区域的图像信息之间的误差值；
若所述误差值大于预设误差值，则将该图像认定为存在鳞翅目虫害信息的图像，否则将该图像认定为不存在鳞翅目虫害信息的图像；
通过对该图像进行二次分类，以确定当前各个农作物种植区域的鳞翅目虫害类型。
3.根据权利要求1所述的一种基于物联网的鳞翅目害虫防治方法，其特征在于，根据所述鳞翅目虫害类型以及图像信息对当前农作物种植区域的鳞翅目虫害等级划分，具体为：
将当前农作物种植区域分为多个子区域，获取每一个所述子区域的鳞翅目虫害图像信息，并对当前每个所述子区域的鳞翅目虫害图像进行鳞翅目害虫的虫龄分类；
若所述鳞翅目虫害图像信息存在处于预设阶段的虫龄阶段，则将该子区域标记为待防治区域，否则将该子区域标记为预防区域；
若所述子区域为待防治区域时，则计算当前子区域单位面积内出现预设虫龄阶段的鳞翅目害虫的数量；
根据所述当前子区域单位面积内出现预设虫龄阶段的鳞翅目害虫的数量确定当前子区域的鳞翅目虫害等级。
4.根据权利要求1所述的一种基于物联网的鳞翅目害虫防治方法，其特征在于，构建评价指标体系，根据所述初始虫害防治方案以及所述评价指标体系进行分析，得到指标的权重向量信息，具体包括：
确定评价的层次结构体系，并将所述评价的层次结构体系分为目标层、准则层以及方案层；
将所述初始虫害防治方案导入到准则层中，通过大数据获取当前初始虫害防治方案的实时环境影响因素，并将所述当前初始虫害防治方案的具体影响因素导入到方案层中，预设防治效果，并将防治效果导入到目标层中，生成评价指标体系；
根据所述准则层以及方案层组内的各因素进行相互比较，以预设定量标度进行相对重要性定量化，生成标度值，根据标度值构建判断矩阵；
通过方根法对所述判断矩阵进行归一化计算，得到特征向量，并获取所述特征向量的在判断矩阵的最大特征值，根据所述特征向量以及最大特征值得到指标的权重向量信息。
5.根据权利要求1所述的一种基于物联网的鳞翅目害虫防治方法，其特征在于，根据所述指标的权重向量信息对当前虫害防治方案进行二次调整，生成最终的虫害防治方案，具体为：
通过灰色关联分析法对所述指标权重信息进行计算，得到灰色关联系数，并通过无量纲化方法还原后，根据所述灰色关联系数得到灰色加权关联度；
根据所述灰色加权关联度得到当前防治方案的预测防治评价分数，并判断所述预测防治评价分数是否大于预设评价分数；
若所述预测防治评价分数存在大于所述预设评价分数的防治方案，则将该防治方案中最高预测防治评价分数的防治方案作为最终的虫害防治方案；
若所述预测防治评价分数不存在大于所述预设评价分数的防治方案，则将最高预测防治评价分数最高的防治方案作为最终的防治方案。
6.一种基于物联网的鳞翅目害虫防治系统，其特征在于，所述系统包括存储器以及处理器，所述存储器中包括基于物联网的鳞翅目害虫防治方法程序，所述基于物联网的鳞翅目害虫防治方法程序被处理器执行时，实现如下步骤：
获取在预设时间内农作物种植区域的图像信息，并对所述图像信息进行分割处理，判断所述图像信息中是否存在鳞翅目虫害信息并确定当前各个农作物种植区域的鳞翅目虫害类型；
根据所述鳞翅目虫害类型以及图像信息对当前农作物种植区域的鳞翅目虫害等级划分，并构建虫害防治知识图谱，根据虫害防治知识图谱以及所述农作物种植区域的虫害等级生成初始虫害防治方案；
构建评价指标体系，根据所述初始虫害防治方案以及所述评价指标体系进行分析，得到指标的权重向量信息；
根据所述指标的权重向量信息对当前虫害防治方案进行二次调整，生成最终的虫害防治方案；
构建虫害防治知识图谱，根据虫害防治知识图谱以及所述农作物种植区域的虫害等级生成初始虫害防治方案，具体为：
通过大数据网络获取各种类鳞翅目害虫的防治方案，基于所述各种类鳞翅目害虫的防治方案构建虫害防治知识图谱，并获取当前子区域中的历史虫害防治方案；
判断所述历史虫害防治方案是否为预设虫害防治方案，若所述历史虫害防治方案不为预设虫害防治方案，则将每个子区域的农作物种植区域的虫害等级导入到所述虫害防治知识图谱中，生成初始虫害防治方案；
若所述历史虫害防治方案为预设虫害防治方案，则将所述子区域中预设时间阶段的历史虫害防治方案导入所述虫害防治知识图谱中，进行相似度计算，将相似度小于预设相似度的防治方案剔除，得到每个所述子区域更新后的虫害防治知识图谱；
将每个子区域的农作物种植区域的虫害等级导入到所述更新后的虫害防治知识图谱中，生成初始虫害防治方案。
7.根据权利要求6所述的一种基于物联网的鳞翅目害虫防治系统，其特征在于，构建评价指标体系，根据所述初始虫害防治方案以及所述评价指标体系进行分析，得到指标的权重向量信息，具体包括：
确定评价的层次结构体系，并将所述评价的层次结构体系分为目标层、准则层以及方案层；
将所述初始虫害防治方案导入到准则层中，通过大数据获取当前初始虫害防治方案的实时环境影响因素，并将所述当前初始虫害防治方案的具体影响因素导入到方案层中，预设防治效果，并将防治效果导入到目标层中，生成评价指标体系；
根据所述准则层以及方案层组内的各因素进行相互比较，以预设定量标度进行相对重要性定量化，生成标度值，根据标度值构建判断矩阵；
通过方根法对所述判断矩阵进行归一化计算，得到特征向量，并获取所述特征向量的在判断矩阵的最大特征值，根据所述特征向量以及最大特征值得到指标的权重向量信息。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括基于物联网的鳞翅目害虫防治方法程序，所述基于物联网的鳞翅目害虫防治方法程序被处理器执行时，实现如权利要求1-5任一项所述的基于物联网的鳞翅目害虫防治方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211061405.7A CN115169750B (zh) | 2022-09-01 | 2022-09-01 | 一种基于物联网的鳞翅目害虫防治方法、系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211061405.7A CN115169750B (zh) | 2022-09-01 | 2022-09-01 | 一种基于物联网的鳞翅目害虫防治方法、系统及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115169750A CN115169750A (zh) | 2022-10-11 |
| CN115169750B true CN115169750B (zh) | 2023-01-24 |
Family
ID=83481663
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211061405.7A Active CN115169750B (zh) | 2022-09-01 | 2022-09-01 | 一种基于物联网的鳞翅目害虫防治方法、系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115169750B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115920691B (zh) * | 2023-02-09 | 2023-05-16 | 深圳市万物生生物石油环保科技有限公司 | 一种用于石油油污的新型污水处理装置及控制方法 |
| 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 |
| CN116523182B (zh) * | 2023-06-30 | 2023-12-08 | 广东省农业科学院植物保护研究所 | 一种生态果园的构建和生产管理方法、系统及存储介质 |
| CN117151342B (zh) * | 2023-10-24 | 2024-01-26 | 广东省农业科学院植物保护研究所 | 一种荔枝虫害的识别与抗性检测方法、系统及存储介质 |
| CN117933481A (zh) * | 2024-01-31 | 2024-04-26 | 咸阳职业技术学院 | 基于物联网的花椒病害预测与防治方法、系统及介质 |
| CN118196623A (zh) * | 2024-03-14 | 2024-06-14 | 广东省农业科学院植物保护研究所 | 一种基于智能识别的荔枝龙眼食叶害虫防控方法及系统 |
| CN118569742A (zh) * | 2024-08-01 | 2024-08-30 | 广东省农业科学院植物保护研究所 | 基于瓜蓟马唾液蛋白作用的植物种植质量评估方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200071862A (ko) * | 2018-12-05 | 2020-06-22 | (주)투비시스템 | 음파 및 IoT 기반의 농작물 생장 제어 및 병해충 방제 시스템 |
| CN114707773A (zh) * | 2022-06-06 | 2022-07-05 | 广东省农业科学院植物保护研究所 | 基于深度学习的虫害防治方案生成方法、系统及存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113010529A (zh) * | 2019-12-19 | 2021-06-22 | 广州极飞科技股份有限公司 | 基于知识图谱的作物管理方法和装置 |
| CN113095555B (zh) * | 2021-03-31 | 2024-01-23 | 容城县爱家卫生用品有限公司 | 基于物联网的农作物病虫害监控方法、系统及存储介质 |
| CN114445785B (zh) * | 2022-04-11 | 2022-06-21 | 广东省农业科学院植物保护研究所 | 基于物联网的荔枝虫害监测预警方法、系统及存储介质 |
-
2022
- 2022-09-01 CN CN202211061405.7A patent/CN115169750B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200071862A (ko) * | 2018-12-05 | 2020-06-22 | (주)투비시스템 | 음파 및 IoT 기반의 농작물 생장 제어 및 병해충 방제 시스템 |
| CN114707773A (zh) * | 2022-06-06 | 2022-07-05 | 广东省农业科学院植物保护研究所 | 基于深度学习的虫害防治方案生成方法、系统及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115169750A (zh) | 2022-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115169750B (zh) | 一种基于物联网的鳞翅目害虫防治方法、系统及介质 | |
| Medellín et al. | Bat diversity and abundance as indicators of disturbance in Neotropical rainforests | |
| Carrière et al. | Effects of local and landscape factors on population dynamics of a cotton pest | |
| Floater et al. | Habitat structure and egg distributions in the processionary caterpillar Ochrogaster lunifer: lessons for conservation and pest management | |
| Bogdziewicz et al. | Consumer‐mediated indirect interaction with a native plant lowers the fitness of an invasive competitor | |
| Gevrey et al. | Prediction of global distribution of insect pest species in relation to climate by using an ecological informatics method | |
| Nelson et al. | Urban land use decouples plant-herbivore-parasitoid interactions at multiple spatial scales | |
| Henry et al. | Foraging behaviour of a frugivorous bat helps bridge landscape connectivity and ecological processes in a fragmented rainforest | |
| CN115879773A (zh) | 一种基于物联网的病虫害智能预警方法及系统 | |
| Weber et al. | Spatial distribution of Euschistus heros (Hemiptera: Pentatomidae) in cotton (Gossypium hirsutum Linnaeus) | |
| Kindlmann et al. | Population dynamics. | |
| Fenz et al. | AI-and data-driven pre-crop values and crop rotation matrices | |
| Mahmud et al. | Lychee tree disease classification and prediction using transfer learning | |
| Requier et al. | Economic costs of the invasive Yellow-legged hornet on honey bees | |
| Ferreira Rodrigues et al. | Population fluctuation and distribution of bemisia tabaci MEAM1 (Hemiptera: Aleyrodidae) in soybean crops | |
| Fenoglio et al. | Evaluating trap cropping strategies for insect pest control through simulation models | |
| Ameixa et al. | Factors influencing the introduction and spread of Harmonia axyridis in the Iberian Peninsula | |
| da Silva et al. | Seasons of the year affect critical stage and key mortality factors for Neoleucinodes elegantalis in open field tomatoes | |
| Ambrosino et al. | Hoverfly oviposition response to aphids in broccoli fields | |
| Mukherjee et al. | Whether curse or blessing: a counterintuitive perspective on global pest thrips infestation under climatic change with implications to agricultural economics | |
| Cohen et al. | Linking herbivore monitoring with interpolation to map regional risk of pest species | |
| Gutierrez et al. | Assessing and managing the impact of climate change on an invasive weed, yellow starthistle | |
| Logan et al. | Influence of landscape structure on endemic cicadas in New Zealand kiwifruit orchards | |
| Silva et al. | A Review of Distribution Modeling in Ant (Hymenoptera: Formicidae) Biogeographic Studies | |
| Farias et al. | Forecasting the seasonal dynamics of Trichoplusia ni (Lep.: Noctuidae) on three Brassica crops through neural networks |
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 |