CN115936267B - 一种基于物联网的葡萄病害预测方法及设备 - Google Patents
一种基于物联网的葡萄病害预测方法及设备 Download PDFInfo
- Publication number
- CN115936267B CN115936267B CN202310224920.0A CN202310224920A CN115936267B CN 115936267 B CN115936267 B CN 115936267B CN 202310224920 A CN202310224920 A CN 202310224920A CN 115936267 B CN115936267 B CN 115936267B
- Authority
- CN
- China
- Prior art keywords
- disease
- grape
- humidity
- temperature
- risk level
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 235
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 235
- 235000009754 Vitis X bourquina Nutrition 0.000 title claims abstract description 164
- 235000012333 Vitis X labruscana Nutrition 0.000 title claims abstract description 164
- 235000014787 Vitis vinifera Nutrition 0.000 title claims abstract description 164
- 238000000034 method Methods 0.000 title claims abstract description 48
- 240000006365 Vitis vinifera Species 0.000 title 1
- 241000219095 Vitis Species 0.000 claims abstract description 164
- 238000012417 linear regression Methods 0.000 claims description 30
- 241000233679 Peronosporaceae Species 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 8
- 239000002689 soil Substances 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 241000238631 Hexapoda Species 0.000 claims description 3
- 230000008020 evaporation Effects 0.000 claims description 3
- 238000001704 evaporation Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 2
- 230000006855 networking Effects 0.000 claims 1
- 238000011161 development Methods 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000001556 precipitation Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 241000607479 Yersinia pestis Species 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 241000219094 Vitaceae Species 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 235000021021 grapes Nutrition 0.000 description 3
- 208000037919 acquired disease Diseases 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 210000003608 fece Anatomy 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000010871 livestock manure Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241000221785 Erysiphales Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于物联网的葡萄病害预测方法及设备，属于物联网技术领域，用于解决目前缺少能够在时间地点上更精确的葡萄病害发生发展动态预测手段，无法有效预警葡萄病害的技术问题。方法包括：采集葡萄基地信息，建立葡萄基地管理平台；通过葡萄基地管理平台关联的各数据采集设备，采集葡萄基地的气象数据集以及病害图像数据集；根据病害图像数据集，确定葡萄基地的病害类型；通过病害预测模型，对气象数据集进行病害预测，得到病害预测值；确定葡萄基地的病害风险等级；根据所述病害类型以及所述病害风险等级，向葡萄业主发送对应的病害防治方案。可根据气象数据发送预警通知，便于农业管理者实时掌握病害发展趋势。
Description
技术领域
本申请涉及物联网技术领域，尤其涉及一种基于物联网的葡萄病害预测方法及设备。
背景技术
葡萄病害对葡萄植株的生长发育、产量、品质影响都很大，特别是在多雨的地区和多雨的年份，大量降雨给葡萄带来各种病害，对葡萄生产造成重大损失。葡萄常见的病害有：霜霉病、灰霉病、白粉病、黑痘病等。
目前有很多技术研究致力于对葡萄病害进行检测，以提高葡萄产量。但这些技术只能在葡萄发生病害之后进行检测，然后进行及时的治理，而在病害发生之前，却缺少有效的病害预警手段，无法在时间、地点上更精确地实现病害发生发展动态的预测，导致农业管理者无法实时掌握病害发展趋势。
发明内容
本申请实施例提供了一种基于物联网的葡萄病害预测方法及设备，用于解决如下技术问题：目前缺少能够在时间、地点上更精确的葡萄病害发生发展动态预测手段，无法有效预警葡萄病害。
本申请实施例采用下述技术方案：
一方面，本申请实施例提供了一种基于物联网的葡萄病害预测方法，方法包括：采集葡萄基地信息，建立葡萄基地管理平台；通过所述葡萄基地管理平台关联的各数据采集设备，采集葡萄基地的气象数据集以及病害图像数据集；根据所述病害图像数据集，确定所述葡萄基地的病害类型；通过病害预测模型，对所述气象数据集进行病害预测，得到病害预测值；根据所述病害预测值，确定所述葡萄基地的病害风险等级；根据所述病害类型以及所述病害风险等级，向葡萄业主发送对应的病害防治方案。
在一种可行的实施方式中，采集葡萄基地信息，建立葡萄基地管理平台，具体包括：将葡萄基地划分为若干个地块，并为每个地块进行编号；通过测绘技术，获取每个地块的边界信息；其中，所述边界信息至少包括地块每个顶点的位置坐标以及每条边界线的长度；获取每个地块中种植的葡萄信息；其中，所述葡萄信息至少包括葡萄品种以及种植时间；构建葡萄基地管理平台，并根据所述每个地块边界信息中的顶点位置坐标以及边界线长度，构建每个地块的三维模型，并将所述三维模型在所述葡萄基地管理平台中进行可视化展示；将所述葡萄基地管理平台中的每个地块的葡萄信息与对应的三维模型进行关联，完成所述葡萄基地管理平台的搭建。
在一种可行的实施方式中，通过所述葡萄基地管理平台关联的各数据采集设备，采集葡萄基地的气象数据集，具体包括：接收葡萄基地每个地块中安装的小型精准气象站传回的气象探测数据，得到每个地块的所述气象数据集；其中，所述气象数据集中至少包括风速、风向、雨量、温度、湿度、光照强度、土壤温度、土壤湿度、蒸发量以及大气压力。
在一种可行的实施方式中，通过所述葡萄基地管理平台关联的各数据采集设备，采集葡萄基地的病害图像数据集，具体包括：通过在葡萄基地每个地块中安装的病害分析仪，检测每个地块中产生病害的葡萄叶片，并定位产生病害的葡萄叶片位置；其中，所述病害分析仪采用OK-YDZ2型移动式病虫疫情测报站；采集每个地块中产生病害的葡萄叶片的病害图像，构成所述葡萄基地的病害图像数据集。
在一种可行的实施方式中，根据所述病害图像数据集，确定所述葡萄基地的病害类型，具体包括：将所述病害图像数据集中的病害图像分别输入预训练的神经网络模型中，识别出每张病害图像中的病害类型；其中，所述病害类型至少包括霜霉病及灰霉病；将识别出的所有病害类型，确定为所述葡萄基地存在的病害类型。
在一种可行的实施方式中，在通过病害预测模型，对所述气象数据集进行病害预测，得到病害预测值之前，所述方法还包括：在存在不同病害类型的实验地块中，采集若干个温度观测数据以及若干个湿度观测数据；其中，每块实验地块中仅包含一种病害类型；对所述若干个温度观测数据进行正态性检验，以及对所述若干个湿度观测数据进行正态性检验；在所述温度观测数据与所述湿度观测数据均符合正态分布的情况下，确定每个温度观测数据出现的概率以及对应的数学期望值；以及确定每个湿度观测数据出现的概率以及对应的数学期望值；根据每个温度观测数据出现的概率以及对应的数学期望值，确定温度线性回归方程的第一参数；根据温度观测数据的概率平均值以及数学期望值的平均值，确定所述温度线性回归方程的第二参数，得到所述温度线性回归方程；根据每个湿度观测数据出现的概率以及对应的数学期望值，确定湿度线性回归方程的第一参数；根据湿度观测数据的概率平均值以及数学期望值的平均值，确定所述湿度线性回归方程的第二参数，得到所述湿度线性回归方程。
在一种可行的实施方式中，通过病害预测模型，对所述气象数据集进行病害预测，得到病害预测值，具体包括：将所述气象数据集中实际采集的温度值输入所述温度线性回归方程中，得到所述葡萄基地中每个地块的温度理论值；将所述气象数据集中实际采集的湿度值输入所述湿度线性回归方程中，得到所述葡萄基地中每个地块的湿度理论值；判断所述温度理论值以及所述湿度理论值是否达到所述病害类型的温湿度要求；若是，则统计达到所述温湿度要求的连续天数，并将所述连续天数确定为所述病害预测值。
在一种可行的实施方式中，根据所述病害预测值，确定所述葡萄基地的病害风险等级，具体包括：根据各个病害风险等级的预设阈值范围，确定所述病害预测值所属的病害风险等级；其中，所述病害风险等级包括低风险等级、中风险等级以及高风险等级。
在一种可行的实施方式中，根据所述病害类型以及所述病害风险等级，向葡萄业主发送对应的病害防治方案，具体包括：若所述病害风险等级为中风险等级或高风险等级，则根据所述病害类型以及具体的病害风险等级，在所述葡萄基地管理平台中匹配对应的病害防治方案，并以短信的形式发送给每个地块的葡萄业主，以使所述葡萄业主及时进行病害防治。
另一方面，本申请实施例还提供了一种基于物联网的葡萄病害预测设备，所述设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有能够被所述至少一个处理器执行的指令，以使所述至少一个处理器能够执行根据上述任一实施方式所述的一种基于物联网的葡萄病害预测方法。
与现有技术相比，本申请实施例提供的一种基于物联网的葡萄病害预测方法，具有如下有益效果：
本申请利用物联网技术快速、准确、高效地获取物联网实时数据，建立葡萄基地管理平台，可以在时间、地点上更精确地实现病害发生发展动态的预测，方便农业管理者实时掌握病害发展趋势。通过葡萄基地管理平台，可实时查看物联网设备采集到的数据，含气象数据、土壤等环境数据；通过葡萄基地管理平台，能够实现对设备的反向控制，便于实时调整水肥等方案。本申请通过病害识别技术，第一时间识别到病害的发生，尽早降低损失，并且经过预测，可根据当前气象数据发送预警通知，方便农业管理者实时掌握病害发展趋势，并根据实际情况，正向指导防治方案优化。
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例，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的附图。在附图中：
图1为本申请实施例提供的一种基于物联网的葡萄病害预测方法流程图；
图2为本申请实施例提供的一种基于物联网的葡萄病害预测设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
本申请实施例提供了一种基于物联网的葡萄病害预测方法，如图1所示，基于物联网的葡萄病害预测方法具体包括步骤S101-S106：
S101、采集葡萄基地信息，建立葡萄基地管理平台。
具体地，首先将待预测的葡萄基地划分为若干个地块，并为每个地块进行编号，然后通过测绘技术，获取每个地块的边界信息，至少包括地块每个顶点的位置坐标以及每条边界线的长度。再获取每个地块中种植的葡萄信息；葡萄信息至少包括葡萄品种以及种植时间。
进一步地，构建葡萄基地管理平台，并根据每个地块的边界信息中的顶点位置坐标以及边界线长度，构建每个地块的三维模型，并将所述三维模型在所述葡萄基地管理平台中进行可视化展示。然后将葡萄基地管理平台中的每个地块与对应的葡萄信息进行关联，完成葡萄基地管理平台的搭建。
作为一种可行的实施方式，本申请建立管理平台用来管理葡萄的种植数据。对地块进行编号管理，测绘每个地块的边界长度以及顶点位置，构建三维模型在系统中可视化展示，并对每个地块以“所属基地-地块”的形式进行标注。最后将每个地块的编号与其种植的葡萄品种、种植时间、气象数据、病害数据等进行关联，用户可以在平台中看到基地各个地块的三维模型，将鼠标放在地块上还可以显示该地块种植了什么品种的葡萄以及什么时间种植的等信息。用户还可以通过平台实时查看物联网设备采集的实时数据，这些实时数据以图表的形式展示，方便更加直观地掌握自己葡萄基地的种植情况。对于可支持反向控制的设备，可在平台进行反向控制。
S102、通过葡萄基地管理平台关联的各数据采集设备，采集葡萄基地的气象数据集以及病害图像数据集。
具体地，接收葡萄基地每个地块中安装的小型精准气象站传回的气象探测数据，得到每个地块的气象数据集；其中，气象数据集中至少包括风速、风向、雨量、温度、湿度、光照强度、土壤温度、土壤湿度、蒸发量以及大气压力。
作为一种可行的实施方式，通过在葡萄园区地块安装小型全自动精准气象站，通过传感器监测环境的要素信息，自动探测多个要素，无需人工干预，即可自动生成报文，定时向中心站传输探测数据。
进一步地，通过在葡萄基地每个地块中安装的病害分析仪，检测每个地块中产生病害的葡萄叶片，并定位产生病害的葡萄叶片位置。采集每个地块中产生病害的葡萄叶片的病害图像，构成葡萄基地的病害图像数据集。
作为一种可行的实施方式，本申请中的病害分析仪采用OK-YDZ2型移动式病虫疫情测报站，配备1200万像素病情高清显微相机，1200万像素虫情工业相机，可24小时不间断监拍叶片上出现的病虫害等相关信息，并上传至云平台。用户可通过PC端，APP端查看监拍数据，控制监测设备。将该病虫疫情测报站安装在地块上方，可以实时监拍整个地块中出现病害的叶片，并精准定位该叶片的位置，并进一步拍摄产生病害的叶片的高清图像，从而实现采集每个地块中产生病害的葡萄叶片的病害图像。最后再将采集的所有病害图像组合为病害图像数据集。
S103、根据病害图像数据集，确定葡萄基地的病害类型。
具体地，将病害图像数据集中的每张病害图像分别输入预训练的神经网络模型中，识别出每张病害图像中的病害类型；其中，病害类型至少包括霜霉病及灰霉病。将识别出的所有病害类型，确定为葡萄基地存在的病害类型。
作为一种可行的实施方式，本申请预先构建一个神经网络模型，然后通过现有的葡萄病害数据集，对该模型进行训练，使其达到能够识别病害类型的作用。在实际应用时，通过训练好的神经网络模型识别采集的病虫害图像数据集中每张病害图像具有的病害类型。而模型的构建和训练过程均采用现有技术即可实现，这个过程与本申请的创新点相关性较低，因此本申请中不进行赘述。
S104、通过病害预测模型，对气象数据集进行病害预测，得到病害预测值。
具体地，在存在不同病害类型的实验地块中，采集若干个温度观测数据以及若干个湿度观测数据；其中，每块实验地块中仅包含一种病害类型。然后对若干个温度观测数据进行正态性检验，作出正态分布P-P图。以及对若干个湿度观测数据进行正态性检验，作出正态分布P-P图。
作为一种可行的实施方式，本申请首先通过在实验地块中通过控制温湿度，使每个实验地块中产生不同类型的病害，过程中实时记录每个实验地块的温度值和湿度值，得到大量温度观测数据以及湿度观测数据，然后根据正态分布，对采集的大量数据进行正态检验。若温度观测数据和湿度观测数据都符合正态分布，则将这些观测数据用于后续的线性回归方程计算，若其中一种数据不符合正态分布，则重新进行采集，直至两种数据都符合正态分布为止。
进一步地，若P-P图中显示温度观测数据与湿度观测数据均符合正态分布，则确定每个温度观测数据出现的概率以及对应的数学期望值；以及确定每个湿度观测数据出现的概率以及对应的数学期望值。然后根据每个温度观测数据出现的概率以及对应的数学期望值，确定温度线性回归方程的第一参数；根据温度观测数据的概率平均值以及数学期望值的平均值，确定温度线性回归方程的第二参数，得到温度线性回归方程。再根据每个湿度观测数据出现的概率以及对应的数学期望值，确定湿度线性回归方程的第一参数；根据湿度观测数据的概率平均值以及数学期望值的平均值，确定湿度线性回归方程的第二参数，得到湿度线性回归方程。
作为一种可行的实施方式，线性回归方程的公式为y=bx+a，而第一参数b的计算公式为：
；其中，n为观测数据的总数量，xi为第i个观测数据的出现概率，yi为第i个观测数据出现概率的数学期望值。第二参数a的计算公式为：
；其中，/>
为观测数据的平均数学期望值，/>
为观测数据的平均出现概率。将本申请中在不同病害类型地块中观测的温度观测数据以及湿度观测数据代入上述公式中，即可得出对应的温度线性回归方程和湿度线性回归方程。
进一步地，将气象数据集中实际采集的温度值输入温度线性回归方程中，得到葡萄基地中每个地块的温度理论值。将气象数据集中实际采集的湿度值输入湿度线性回归方程中，得到葡萄基地中每个地块的湿度理论值。
进一步地，判断温度理论值以及湿度理论值是否达到病害类型的温湿度要求；若是，则统计达到温湿度要求的连续天数，并将连续天数确定为病害预测值。
作为一种可行的实施方式，霜霉病的温度线性回归公式Y1=0.93X1+2.948；湿度线性公式为Y2=0.776X2+15.571；灰霉病的温度线性回归公式为Y3=1.069X3+0.831；湿度线性公式为Y4=0.982X4-2.652；其中，X表示观测值，Y表示理论值。根据上述公式以及采集的空气温度值和空气湿度值，可以分别计算出霜霉病的温度理论值以及湿度理论值，以及灰霉病的温度理论值以及湿度理论值。
进一步地，判断温度理论值以及湿度理论值是否达到病害类型的温湿度要求；若是，则统计达到温湿度要求的连续天数，将其作为病害预测值。
在一个实施例中，霜霉病的第一等级温湿度要求为：温度10℃～ 40℃、湿度60%～100%；第二等级温湿度要求为：温度20℃～ 24℃、湿度60%～100%。灰霉病的第一等级温湿度要求为：温度20℃～ 23℃、湿度大于90%、有降水；第二等级温湿度要求为：温度15℃～20℃、湿度大于90%、有降水；第三等级温湿度要求为：温度10℃～ 15℃、湿度大于90%、有降水。分别统计温湿度理论值满足各个等级温湿度要求的连续天数，得到各个地块的病害预测值。例如某地块连续7天的温湿度理论值都达到了霜霉病的第一等级温湿度要求，那么该地块的病害预测值为7。
S105、根据病害预测值，确定葡萄基地的病害风险等级。
具体地，根据各个病害风险等级的预设阈值范围，确定病害预测值所属的病害风险等级；其中，病害风险等级包括低风险等级、中风险等级以及高风险等级。
在一个实施例中，霜霉病的风险等级划分如下：
低风险：符合温度10℃～ 40℃、湿度60%～100%要求的连续天数小于9 天；
中风险：符合温度10℃～ 40℃、湿度60%～100%要求的连续天数在9天到14天之间；
高风险：符合温度20℃～ 24℃、湿度60%～100%要求的连续天数在9天到14天之间。
在另一个实施例中，灰霉病的风险等级划分如下：
低风险：符合温度20℃～ 23℃、湿度大于90%、有降水等适宜条件的连续天数小于5天；
中风险：符合温度15℃～ 20℃、湿度大于90%、有降水等适宜条件的连续天数在5天到20天之间；
高风险：符合温度10℃～ 15℃、湿度大于90%、有降水等适宜条件的连续天数在5天到20天之间。
S106、根据病害类型以及病害风险等级，向葡萄业主发送对应的病害防治方案。
具体地，若病害风险等级为中风险等级或高风险等级，则根据病害类型以及具体的病害风险等级，在葡萄基地管理平台中匹配对应的病害防治方案，并以短信的形式发送给每个地块的葡萄业主，以使葡萄业主及时进行病害防治。
作为一种可行的实施方式，在葡萄基地管理平台中预先根据实际情况整理出霜霉病、灰霉病的各个风险等级对应的病害防治方案，在检测出任一地块中存在某种病害时，根据预测的风险等级，以短信的形式向该地块的葡萄业主发送对应的病害防治方案。病害防治方案中包含防治时间、所需药物名称、药物浓度、药物剂量等信息。
另外，本申请实施例还提供了一种基于物联网的葡萄病害预测设备，如图2所示，基于物联网的葡萄病害预测设备200具体包括：
至少一个处理器210；以及，与至少一个处理器210通信连接的存储器220；其中，存储器220存储有能够被至少一个处理器210执行的指令，以使至少一个处理器210能够执行：
采集葡萄基地信息，建立葡萄基地管理平台；
通过所述葡萄基地管理平台关联的各数据采集设备，采集葡萄基地的气象数据集以及病害图像数据集；
根据所述病害图像数据集，确定所述葡萄基地的病害类型；
通过病害预测模型，对所述气象数据集进行病害预测，得到病害预测值；
根据所述病害预测值，确定所述葡萄基地的病害风险等级；
根据所述病害类型以及所述病害风险等级，向葡萄业主发送对应的病害防治方案。
本申请提供的一种基于物联网的葡萄病害预测方法及设备，利用物联网技术快速、准确、高效地获取物联网实时数据，建立葡萄基地管理平台，可以在时间、地点上更精确地实现病害发生发展动态的预测，方便农业管理者实时掌握病害发展趋势。通过葡萄基地管理平台，可实时查看物联网设备采集到的数据，含气象数据、土壤等环境数据；通过葡萄基地管理平台，能够实现对设备的反向控制，便于实时调整水肥等方案。本申请通过病害识别技术，第一时间识别到病害的发生，尽早降低损失，并且经过预测，可根据当前气象数据发送预警通知，方便农业管理者实时掌握病害发展趋势，并根据实际情况，正向指导防治方案优化。
本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是，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、方法、商品或者设备不仅包括那些要素，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、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本说明书的一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的保护范围之内。
Claims (8)
1.一种基于物联网的葡萄病害预测方法，其特征在于，所述方法包括：
采集葡萄基地信息，建立葡萄基地管理平台；
通过所述葡萄基地管理平台关联的各数据采集设备，采集葡萄基地的气象数据集以及病害图像数据集；
根据所述病害图像数据集，确定所述葡萄基地的病害类型；
在存在不同病害类型的实验地块中，采集若干个温度观测数据以及若干个湿度观测数据；其中，每块实验地块中仅包含一种病害类型；
对所述若干个温度观测数据进行正态性检验，以及对所述若干个湿度观测数据进行正态性检验；
在所述温度观测数据与所述湿度观测数据均符合正态分布的情况下，确定每个温度观测数据出现的概率以及对应的数学期望值；以及确定每个湿度观测数据出现的概率以及对应的数学期望值；
根据每个温度观测数据出现的概率以及对应的数学期望值，确定温度线性回归方程的第一参数；根据温度观测数据的概率平均值以及数学期望值的平均值，确定所述温度线性回归方程的第二参数，得到所述温度线性回归方程；
根据每个湿度观测数据出现的概率以及对应的数学期望值，确定湿度线性回归方程的第一参数；根据湿度观测数据的概率平均值以及数学期望值的平均值，确定所述湿度线性回归方程的第二参数，得到所述湿度线性回归方程；
通过病害预测模型，对所述气象数据集进行病害预测，得到病害预测值，具体包括：
将所述气象数据集中实际采集的温度值输入温度线性回归方程中，得到所述葡萄基地中每个地块的温度理论值；将所述气象数据集中实际采集的湿度值输入湿度线性回归方程中，得到所述葡萄基地中每个地块的湿度理论值；判断所述温度理论值以及所述湿度理论值是否达到所述病害类型的温湿度要求；若是，则统计达到所述温湿度要求的连续天数，并将所述连续天数确定为所述病害预测值；
根据所述病害预测值，确定所述葡萄基地的病害风险等级；
根据所述病害类型以及所述病害风险等级，向葡萄业主发送对应的病害防治方案。
2.根据权利要求1所述的一种基于物联网的葡萄病害预测方法，其特征在于，采集葡萄基地信息，建立葡萄基地管理平台，具体包括：
将葡萄基地划分为若干个地块，并为每个地块进行编号；
通过测绘技术，获取每个地块的边界信息；其中，所述边界信息至少包括地块每个顶点的位置坐标以及每条边界线的长度；
获取每个地块中种植的葡萄信息；其中，所述葡萄信息至少包括葡萄品种以及种植时间；
构建葡萄基地管理平台，并根据所述每个地块边界信息中的顶点位置坐标以及边界线长度，构建每个地块的三维模型，并将所述三维模型在所述葡萄基地管理平台中进行可视化展示；
将所述葡萄基地管理平台中的每个地块的葡萄信息与对应的三维模型进行关联，完成所述葡萄基地管理平台的搭建。
3.根据权利要求1所述的一种基于物联网的葡萄病害预测方法，其特征在于，通过所述葡萄基地管理平台关联的各数据采集设备，采集葡萄基地的气象数据集，具体包括：
接收葡萄基地每个地块中安装的小型精准气象站传回的气象探测数据，得到每个地块的所述气象数据集；其中，所述气象数据集中至少包括风速、风向、雨量、温度、湿度、光照强度、土壤温度、土壤湿度、蒸发量以及大气压力。
4.根据权利要求1所述的一种基于物联网的葡萄病害预测方法，其特征在于，通过所述葡萄基地管理平台关联的各数据采集设备，采集葡萄基地的病害图像数据集，具体包括：
通过在葡萄基地每个地块中安装的病害分析仪，检测每个地块中产生病害的葡萄叶片，并定位产生病害的葡萄叶片位置；其中，所述病害分析仪采用OK-YDZ2型移动式病虫疫情测报站；
采集每个地块中产生病害的葡萄叶片的病害图像，构成所述葡萄基地的病害图像数据集。
5.根据权利要求1所述的一种基于物联网的葡萄病害预测方法，其特征在于，根据所述病害图像数据集，确定所述葡萄基地的病害类型，具体包括：
将所述病害图像数据集中的病害图像分别输入预训练的神经网络模型中，识别出每张病害图像中的病害类型；其中，所述病害类型至少包括霜霉病及灰霉病；
将识别出的所有病害类型，确定为所述葡萄基地存在的病害类型。
6.根据权利要求1所述的一种基于物联网的葡萄病害预测方法，其特征在于，根据所述病害预测值，确定所述葡萄基地的病害风险等级，具体包括：
根据各个病害风险等级的预设阈值范围，确定所述病害预测值所属的病害风险等级；其中，所述病害风险等级包括低风险等级、中风险等级以及高风险等级。
7.根据权利要求1所述的一种基于物联网的葡萄病害预测方法，其特征在于，根据所述病害类型以及所述病害风险等级，向葡萄业主发送对应的病害防治方案，具体包括：
若所述病害风险等级为中风险等级或高风险等级，则根据所述病害类型以及具体的病害风险等级，在所述葡萄基地管理平台中匹配对应的病害防治方案，并以短信的形式发送给每个地块的葡萄业主，以使所述葡萄业主及时进行病害防治。
8.一种基于物联网的葡萄病害预测设备，其特征在于，所述设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有能够被所述至少一个处理器执行的指令，以使所述至少一个处理器能够执行根据权利要求1-7任一项所述的一种基于物联网的葡萄病害预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310224920.0A CN115936267B (zh) | 2023-03-10 | 2023-03-10 | 一种基于物联网的葡萄病害预测方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310224920.0A CN115936267B (zh) | 2023-03-10 | 2023-03-10 | 一种基于物联网的葡萄病害预测方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115936267A CN115936267A (zh) | 2023-04-07 |
| CN115936267B true CN115936267B (zh) | 2023-06-27 |
Family
ID=86554531
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310224920.0A Active CN115936267B (zh) | 2023-03-10 | 2023-03-10 | 一种基于物联网的葡萄病害预测方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115936267B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109102422A (zh) * | 2018-09-26 | 2018-12-28 | 中国农业科学院农业信息研究所 | 一种大数据农业管理系统 |
| CN111832448A (zh) * | 2020-06-30 | 2020-10-27 | 宁夏工商职业技术学院（宁夏化工技工学校、宁夏机电工程学校、宁夏农业机械化学校） | 一种用于葡萄果园的病害识别方法及系统 |
| CN115170987A (zh) * | 2022-06-06 | 2022-10-11 | 武汉理工大学 | 一种基于图像分割和配准融合对葡萄进行病害检测的方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11100264B2 (en) * | 2017-05-12 | 2021-08-24 | Harris Lee Cohen | Computer-implemented methods, computer readable medium and systems for a precision agriculture platform that integrates a satellite date model and an orchard data model |
| CN107506790A (zh) * | 2017-08-07 | 2017-12-22 | 西京学院 | 基于农业物联网和深度信念网络的大棚冬枣病害预测模型 |
| CN111066562A (zh) * | 2019-12-24 | 2020-04-28 | 北京农业信息技术研究中心 | 一种葡萄霜霉病预测方法及系统 |
| CN111199770B (zh) * | 2020-02-22 | 2022-03-22 | 杭州电子科技大学 | 一种基于病害流行机理的水稻纹枯病病株率预测方法 |
| CN115601298A (zh) * | 2022-09-05 | 2023-01-13 | 重庆大学（Cn） | 室内真菌污染等级的判别方法、装置、设备及介质 |
| DE202022105121U1 (de) * | 2022-09-10 | 2022-09-19 | Vaishali Nirgude | Ein Echtzeit-Management-System für Granatapfelkrankheiten zur Erkennung, Vorhersage und Klassifizierung von Granatapfelkrankheiten |
-
2023
- 2023-03-10 CN CN202310224920.0A patent/CN115936267B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109102422A (zh) * | 2018-09-26 | 2018-12-28 | 中国农业科学院农业信息研究所 | 一种大数据农业管理系统 |
| CN111832448A (zh) * | 2020-06-30 | 2020-10-27 | 宁夏工商职业技术学院（宁夏化工技工学校、宁夏机电工程学校、宁夏农业机械化学校） | 一种用于葡萄果园的病害识别方法及系统 |
| CN115170987A (zh) * | 2022-06-06 | 2022-10-11 | 武汉理工大学 | 一种基于图像分割和配准融合对葡萄进行病害检测的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115936267A (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2018346351B2 (en) | Disease recognition from images having a large field of view | |
| US11010364B2 (en) | Computer-generated accurate yield map data using expert filters and spatial outlier detection | |
| KR20200044216A (ko) | 빅데이터를 이용한 병해충 발생 예측 시스템 및 방법 | |
| Murugamani et al. | Machine Learning Technique for Precision Agriculture Applications in 5G‐Based Internet of Things | |
| US20220414795A1 (en) | Crop disease prediction and treatment based on artificial intelligence (ai) and machine learning (ml) models | |
| CN116681313B (zh) | 一种土地综合整治项目监管系统 | |
| EP3422280A1 (en) | A method for forecasting the parameters of a phenomenon or the activities of an object, particularly animate, in a given geographic area | |
| CN115631421A (zh) | 耕地智慧保护方法及保护系统 | |
| CN118095538A (zh) | 一种基于物联网的农业种植智能管理平台 | |
| CN116046687A (zh) | 一种农作物生长过程监测方法、设备及介质 | |
| CN115638816A (zh) | 一种智慧农业信息监测系统 | |
| Carrasquilla-Batista et al. | IoT applications: On the path of Costa Rica's commitment to becoming carbon-neutral | |
| CN115936267B (zh) | 一种基于物联网的葡萄病害预测方法及设备 | |
| CN117770106A (zh) | 一种基于数字孪生的农田灌溉方法 | |
| CN111583050B (zh) | 融合多尺度遥感影像的农作物病虫害预警方法及系统 | |
| CN117455141A (zh) | 基于物联网的水肥药一体化灌溉设备调控方法及系统 | |
| Rathore | Application of artificial intelligence in agriculture including horticulture | |
| CN110308710A (zh) | 一种番茄种植监控平台 | |
| Tidake et al. | Design efficient model to increase crop yield using deep learning | |
| Reis et al. | Automatic detection of white grapes in natural environment using image processing | |
| CN112508508A (zh) | 智慧农场管理系统 | |
| Putra et al. | Vision-Based Object Detection for Efficient Monitoring in Smart Hydroponic Systems | |
| Hayes et al. | Vineyard focus: What's app-ning in vineyard tech? | |
| Yong et al. | REAM: Revolutionary Environmental and Agricultural Monitoring System | |
| Okayama et al. | Utilizing Convolutional Neural Networks (CNN) for Persimmon Irrigation Decision-Making: A Case Study in the Gojo Yoshino Region, Nara Prefecture, Japan |
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 |