CN115965875B - 一种农作物病虫害智能监控方法及系统 - Google Patents
一种农作物病虫害智能监控方法及系统 Download PDFInfo
- Publication number
- CN115965875B CN115965875B CN202310251816.0A CN202310251816A CN115965875B CN 115965875 B CN115965875 B CN 115965875B CN 202310251816 A CN202310251816 A CN 202310251816A CN 115965875 B CN115965875 B CN 115965875B
- Authority
- CN
- China
- Prior art keywords
- data
- crop
- image
- soil
- target
- 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
Images
Landscapes
- Catching Or Destruction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及智慧农业技术领域,为一种农作物病虫害智能监控方法及系统。本申请实施例提供的技术方案中,通过构建仿真模型获取农作物在仿真环境中的数据,此数据可以作为训练机器视觉中神经网络的初步预警模型以及目标识别模型中的训练数据,并且通过初步预警模型实现对于农作物病虫害的初步预警识别后通过构建的目标识别模型对数据进行特征提取后实现对于最终病虫害的确定种类以及病害程度。
Description
技术领域
本发明涉及智慧农业技术领域,为一种农作物病虫害智能监控方法及系统。
背景技术
目前,针对于农作物的病虫害检测与医治主要依赖于作物顾问和服务提供者的人工观察,但是很少有经验丰富的观察人员可以在短时间内查看到覆盖较多种类以及较多数量作物的大型农作物生产场地。观察需要大量的专业知识和训练,才能有效和准确地诊断一个农作物中存在的疾病问题。通常,他们首先使用带有疾病和虫害症状的图像进行训练,但由于实际生产环境中存在大量变量,他们需要相当长的时间来熟悉由年龄和受感染组织类型或病虫害周期所引起的许多症状类别,以及不断变化的温度、pH值、湿度和水分等影响植物病害发生的环境因素。经验丰富的观察员通常也会建立随机抽样的模式,以避免对每棵树进行目测评估,减少工作量,特别是在大型场所,必须战略性地观察区域,以覆盖最重要的区域。观察员将寻找特定的敏感品种,在大多数农作物中,疾病、害虫和非生物胁迫的许多症状都非常明显,仅凭视觉症状就足以区分。然而,一些疾病的症状看起来非常相似,却很难准确地确定它们的病因,与此同时,由于叶片颜色、形态和大小上的差异,一种单一疾病或特定昆虫的视觉症状在不同品种之间可能存在很大差异。特定的温度、湿度和植物的生理发育阶段也对病害的侵染和昆虫的发育起着至关重要的作用。叶片的症状也会随着疾病的发展以及叶子或果实组织的衰老而变化。总的来说,人力侦查通常是耗时、昂贵的。
发明内容
为了解决以上的技术问题,本申请提供一种农作物病虫害智能监控方法及系统,实现对于农作物病虫害的种类以及病害程度的确定。
为了达到上述目的,本申请实施例采用的技术方案如下:
第一方面,提供一种农作物病虫害智能监控方法,应用于服务器,所述方法包括:构建农作物病虫害仿真环境,在生长周期中获取对应农作物生长过程中的大气环境数据、土壤环境数据和农作物生长数据,其中所述农作物生长数据包括农作物生长特征数据,依次调节所述大气环境数据、所述土壤环境数据、所述大气环境数据和所述土壤环境数据综合数据至所述农作物生长特征数据至预设的临界数据,基于以上数据构建初步预警模型;按照采集周期获取目标农作物的大气环境数据、土壤环境数据,基于所述初步预警模型对所述大气环境数据、所述土壤环境数据进行处理,得到农作物生长数据,并将所述农作物生长数据与标准农作物生长数据进行比较得到初步预警信息,并采集对应所述目标农作物的实时图像;对所述实时图像进行目标图像分割,得到符合要求的目标农作物图像,并将所述目标农作物图像输入至目标识别模型,得到农作物病害种类以及病害程度。
进一步的,所述初步预警模型基于支持向量机训练构建,所述支持向量机的训练集和测试集包括所述仿真环境中获得的大气环境数据、土壤环境数据和农作物生长数据,并对所述训练集和所述测试集进行归一化处理。
进一步的,所述支持向量机的决策函数为:k为径向基核函数,所述径向基核函数为:k(xi,x)=exp(-σ×||xi-x||2),其中f(x)为输出的决策信号,x为输入信号,xi为第i个样本中的列向量,/>与/>为拉格朗日承子,l为所能支持的向量上限,b为偏置量,σ为宽度信息;所述输入信号为所述大气环境数据、所述土壤环境数据中的任意一种数据,所述样本包括所述输入信号下的任意一类数据。
进一步的,所述归一化处理中得归一化区间为[0.2,0.9],归一化公式为:
y=xmin+0.7x(x-xmin)/(xmax-xmin),其中y为归一化处理之后的数据集,x为进行归一化处理的数据集,xmin与xmax分别为进行归一化处理的数据集中同一个量纲数据集序列中的最大值和最小值。
进一步的,对所述实时图像进行目标图像分割,得到符合要求的目标农作物图像,包括:对所述实时图像进行二值化处理获得所述实时图像中的轮廓线条,通过检测框对所述轮廓线条进行比对,将符合覆盖阈值的至少一个实时图像确定为待确定图像,多个所述待确定图像中覆盖率最高的图像为目标图像。
进一步的,所述目标识别模型为基于农作物病虫害仿真环境训练的8层AlexNet网络结构,所述AlexNet网络结构包括前五层的卷积层,用于对所述目标农作物图像进行特征提取,还包括与所述卷积层连接的全连接层,用于将提取到的特征进行分类,还包括与所述全连接层连接的softmax层,用于计算所述目标特征的对应的标签概率。
进一步的,所述softmax层的输出数量与标签数量对应设置,所述标签数量与对应的农作物的病虫害种类对应设置。
第二方面,提供一种农作物病虫害智能监控系统,包括图像采集子系统、数据采集子系统、服务器以及用户终端,所述图像采集子系统包括多个设置于待监控农作物位置处的图像采集装置,用于采集目标农作物,并将采集到的图像信息发送至服务器;所述数据采集子系统包括设置于所述目标弄作为环境周围的多个传感器,用于采集大气环境数据、土壤环境数据,并将采集到的数据发送至所述服务器;所述服务器内设置有处理器,所述处理器基于获取到的图像信息以及数据执行上述任一项所述的农作物病虫害智能监控方法,并将病虫害信息发送至所述用户终端。
进一步的,所述服务器还包括存储器,所述存储器用于存储采集到的所述大气环境数据、所述土壤环境数据和所述病虫害信息。
进一步的,所述土壤环境数据包括土壤中氮磷钾含量数据、土壤电导率数据、土壤PH数据、土壤温度数据和土壤湿度数据中的一种或多种。
第三方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,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。
本申请实施例提供的技术方案中,通过构建仿真模型获取农作物在仿真环境中的数据,此数据可以作为训练机器视觉中神经网络的初步预警模型以及目标识别模型中的训练数据,并且通过初步预警模型实现对于农作物病虫害的初步预警识别后通过构建的目标识别模型对数据进行特征提取后实现对于最终病虫害的确定种类以及病害程度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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。
附图中的方法、系统和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例,其中示例数字在附图的各个视图中代表相似的机构。
图1是本申请实施例提供的农作物病虫害智能监控系统示意图。
图2是本申请实施例提供的农作物病虫害智能监控方法流程图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本申请技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
在下面的详细描述中,通过实例阐述了许多具体细节,以便提供对相关指导的全面了解。然而,对于本领域的技术人员来说,显然可以在没有这些细节的情况下实施本申请。在其他情况下,公知的方法、程序、系统、组成和/或电路已经在一个相对较高水平上被描述,没有细节,以避免不必要的模糊本申请的方面。
本申请中使用流程图说明根据本申请的实施例的系统所执行的执行过程。应当明确理解的是,流程图的执行过程可以不按顺序执行。相反,这些执行过程可以以相反的顺序或同时执行。另外,可以将至少一个其他执行过程添加到流程图。一个或多个执行过程可以从流程图中删除。
对本发明实施例进行进一步详细说明之前,对本发明实施例中涉及的名词和术语进行说明,本发明实施例中涉及的名词和术语适用于如下的解释。
(1)响应于,用于表示所执行的操作所依赖的条件或者状态,当满足所依赖的条件或状态时,所执行的一个或多个操作可以是实时的,也可以具有设定的延迟;在没有特别说明的情况下,所执行的多个操作不存在执行先后顺序的限制。
(2)基于,用于表示所执行的操作所依赖的条件或者状态,当满足所依赖的条件或状态时,所执行的一个或多个操作可以是实时的,也可以具有设定的延迟;在没有特别说明的情况下,所执行的多个操作不存在执行先后顺序的限制。
(3)机器视觉,是通过机器视觉产品(即图像摄取装置,分CMOS和CCD两种)将被摄取目标转换成图像信号,传送给专用的图像处理系统,得到被摄目标的形态信息,根据像素分布和亮度、颜色等信息,转变成数字化信号;图像系统对这些信号进行各种运算来抽取目标的特征。
(4)卷积神经网络,是一类包含卷积计算且具有深度结构的前馈神经网络。卷积神经网络是受生物学上感受野(Receptive Field)的机制而提出的。卷积神经网络专门用来处理具有类似网格结构的数据的神经网络。例如,时间序列数据(可以认为是在时间轴上有规律地采样形成的一维网格)和图像数据(可以看作是二维的像素网格),在本实施例中采用的卷积神经网络针对于图像数据进行处理。
本申请实施例提供的技术方案,主要的应用场景为针对农作物的生产过程进行分析并识别农作物在生产阶段所产生的病虫害以及病害的程度情况。在现有技术中,针对于农作物病虫害的识别主要基于人工观察的方式实现,通过人工以及专家的日常观察,了解区域内的农作物的生产情况以及是否产生病虫害以及病虫害程度情况。但,随着计算机视觉方法快速发展,在更多的场景下可以利用计算机视觉方法实现对于区域内的农作物产生的病虫害信息进行捕捉,降低了在现有技术下仅利用人工以及专家经验进行农作物病虫害识别的成本。针对于计算机视觉方法,主要利用数字图像的症状疾病的分类,这些方法结合了人类的专业知识和机器学习算法,以找到关系和视觉模式进行分组和识别。通常情况下,一些平台使用元数据收集图像,然后由专家对图像进行注释,以训练深度神经网络模型。一旦模型经过训练,并取得较为优异的识别准确率,就可以使用这些模型自动识别未识别的图像。当使用计算机视觉作为一种精确的疾病识别工具时,所有潜在的症状变量都必须在数字图像数据库中考虑。例如,图像捕捉条件必须包括树叶中受感染组织的多个位置和角度、多种灯光阴影、捕捉传感器类型、季节和天气结果,以及不同年龄的作物上的每种不同疾病。这使得基于症状的计算机视觉模型在没有植物病理学专家的情况下很难高精度地自动分类疾病症状,解决的办法是可以收集大量高质量的疾病和昆虫损伤症状的现实生活图像并经由专家注释,训练具有预测精度高的计算机视觉模型得以分类植物病症。深度卷积神经网络模型和其它机器学习模型之前已经开发并测试了在控制/统一设置下对作物植物患病叶片图像进行分类。
但在实际应用中,虽然机器视觉在具有一定的数据训练的条件下识别的准确率较高,但针对于农作物的训练数据的获取以及在训练数据条件不充足情况下,机器视觉的神经网络存在较多的缺陷,在实际使用过程中无法完全依赖机器视觉进行病虫害的识别。
参阅图2,针对于以上的技术背景,本实施例提供一种农作物病虫害智能监控系统,其特征在于,包括:
图像采集子系统,数据采集子系统、服务器以及用户终端。
在本实施例中,所述图像采集子系统包括多个设置于待监控农作物位置处的图像采集装置,用于采集目标农作物,并将采集到的图像信息发送至服务器。
具体的,所述数据采集子系统包括设置于所述目标农作物环境周围的多个传感器,用于采集大气环境数据、土壤环境数据,并将采集到的数据发送至所述服务器。其中,土壤数据包括土壤中氮磷钾含量数据、土壤电导率数据、土壤PH数据、土壤温度数据和土壤湿度数据中的一种或多种。
具体的,所述服务器内设置有处理器,所述处理器内设置有农作物病虫害监控方法,农作物病虫害监控方法基于获取到的土壤环境数据、大气环境数据以及图像信息对农作物的病虫害情况进行识别,并将识别到的病虫害信息以及病害程度发送至对应用户终端。
在本实施例中,图像采集子系统中包括的多种图像采集装置设置在对应的农作物区域,并且每一个图像采集装置设置有对应的唯一编号,在病虫害信息中包含了采集图像信息的图像采集装置的唯一编码,使用者可以通过图像采集装置的唯一编码确定对应的病虫害产生的农作物区域,并对此农作物区域进行二次人工确认。
在本实施例中,服务器还设置有存储器,其中存储器用于存储采集到的大气环境数据、土壤环境数据和病虫害信息,按照设置的数据存储方案将以上的数据再处理后进行存储,供使用者进行访问和回查。
下面对处理器的各个构成部件进行具体的介绍:
其中,在本实施例中,处理器是特定集成电路(application specificintegrated circuit,ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路,例如:一个或多个微处理器(digital signal processor,DSP),或,一个或者多个现场可编程门阵列(field programmable gate array,FPGA)。
可选地,处理器可以通过运行或执行存储在存储器内的软件程序,以及调用存储在存储器内的数据,执行各种功能,例如执行上述图2所示的方法。
在具体的实现中,作为一种实施例,处理器可以包括一个或多个微处理器。
其中,所述存储器用于存储执行本申请方案的软件程序,并由处理器来控制执行,具体实现方式可以参考上述方法实施例,此处不再赘述。
可选地,存储器可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory,EEPROM)、只读光盘(compactdisc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以和处理器集成在一起,也可以独立存在,并通过处理器的接口电路与处理单元进行耦合,本申请实施例对此不作具体限定。
需要说明的是,在本实施例中示出的处理器的结构并不构成对该装置的限定,实际的装置可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
此外,处理器的技术效果可以参考上述方法实施例所述的方法的技术效果,此处不再赘述。
应理解,在本申请实施例中的处理器可以是其他通用处理器、数字信号处理器(digital signal processor,DSP)、专用集成电路(application specific integratedcircuit,ASIC)、现成可编程门阵列(field programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解,本申请实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read-only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的随机存取存储器(random accessmemory,RAM)可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM,DR RAM)。
在本实施例提出的农作物病虫害智能监控方法,主要依托计算机技术对采集到的的土壤数据、大气环境数据以及图像信息进行处理,并根据土壤数据、大气环境数据进行初步预警模型进行初步预警,当初步预警后确定是否具有病虫害的倾向,并基于病虫害的倾向通过构建的目标识别模型基于图像信息进行具体的农作物病虫害种类以及病害程度的确定。
参阅图2,针对于农作物病虫害智能监控方法,具体包括以下步骤:
步骤S210.构建农作物病虫害仿真环境,在生长周期中获取对应农作物生长过程中的大气环境数据、土壤环境数据和农作物生长数据,其中所述农作物生长数据包括农作物生长特征数据,依次调节所述大气环境数据、所述土壤环境数据、所述大气环境数据和所述土壤环境数据综合数据至所述农作物生长特征数据至预设的临界数据,基于以上数据构建初步预警模型。
在本实施例中,针对于农作物病虫害仿真环境基于专家系统进行构建,即针对不同的农作物构建对应的病虫害仿真环境,通过仿真环境中设置不同的环境变量得到关于农作物的生长信息,其中生长信息为在仿真环境下的具体数据,为农作物关键部位的生长特征,例如农作物的径长、叶宽、根长以及叶片颜色等农作物信息。在本实施例中,仿真模型不涉及到具体的控制过程,所以不需要建立真实的贴图环境,仅通过数据的方式对农作物的成长进行数据化的描述。通过仿真环境的构建,提高了对于农作物生长过程中数据的获取,并通过模拟的方式将复杂条件以及复杂环境下的农作物的生产数据进行全面的获得。
步骤S220.按照采集周期获取目标农作物的大气环境数据、土壤环境数据,基于所述初步预警模型对所述大气环境数据、所述土壤环境数据进行处理,得到农作物生长数据,并将所述农作物生长数据与标准农作物生长数据进行比较得到初步预警信息,并采集对应所述目标农作物的实时图像。
在本实施例中,初步预警模型基于支持向量机训练构建,其中针对于支持向量机中的训练集数据以及测试集数据通过仿真环境中或得到的大气环境数据、土壤环境数据和农作物生长数据进行获得,由于获取所得样本数据之间量纲差异性大,如果在不统一量纲的情况下直接参与模型构建会导致模型收敛困难。因此,为了避免上述问题,在模型训练之前对数据进行归一化操作,归一化区间设定为[0.2,0.9],归一化公式如下所示:
y=xmin+0.7x(x-xmin)/(xmax-xmin),其中y为归一化处理之后的数据集,x为进行归一化处理的数据集,xmin与xmax分别为进行归一化处理的数据集中同一个量纲数据集序列中的最大值和最小值。
针对于本实施例中支持向量机中的核函数及c、g参数确定。回归型支持向量机中常见的核函数有线性、多项式及径向基核函数,其中径向基核函数在参与计算过程中不随参数变化而增加复杂度。因此,在进行本研究模型构建过程中选用径向基核函数进行模型构建。核参数c与影响因子g在模型计算过程中分别主要影响径向基核函数的形态和构建所得模型的预测精度,经过交叉验证方法带入不同组合的c、g参数进行多次计算,最终确定构建农作物病害发生率预测模型的c、g参数分别为2、4。
基于前述步骤随机所得训练样本数据集和测试样本数据集,采用选定的径向基核函数参与模型构建,将在低维空间的非线性不可分问题映射到高维空间,然后形成具备最有分类能力的超平面用于回归决策分析。其中,决策函数如下所示:
k为径向基核函数,所述径向基核函数为:k(xi,x)=exp(-σ×||xi-x||2),其中f(x)为输出的决策信号,x为输入信号,xi为第i个样本中的列向量,/>与/>为拉格朗日承子,l为所能支持的向量上限,b为偏置量,σ为宽度信息;所述输入信号为所述大气环境数据、所述土壤环境数据中的任意一种数据,所述样本包括所述输入信号下的任意一类数据。
通过以上处理过程获取到初步预警模型应用于农作物病虫害的初步监测阶段,具体过程为:将周期采集到的目标农作物的现实环境中的大气环境数据、土壤环境数据,并将以上数据输入至初步预警模型中对以上数据进行处理,得到农作物生长数据,并将得到的农作物生长数据与标准农作物生长数据进行比较,基于比较结果是否处于预设置的阈值则可确定农作物的生长是否遇到的病虫害。例如,针对于获取到的周期环境数据通过在本实施例中的此步骤通过初步预警模型得到农作物的生长数据,即农作物特征数据,将此农作物特征数据与标准农作物生长的特征数据进行比较,如果农作物特征数据大于或者小于标准农作物生长特征数据的阈值范围,则说明农作物具有产生病虫害的倾向。
本实施例通过构建初步预警模型,不需要对农作物的生长特征进行实时观察,仅通过农作物的生长特征数据对农作物的生长进行初步倾向性的判断,降低了人工进行观察以及处理的成本。
而针对于初步预警模型或得到的结果仅仅为初步判断结果,仅能说明其具有病虫害的倾向,但无法确定说明农作物的病虫害情况以及病虫害的程度信息。所以,需要对农作物的病虫害进行详细的确定,具体为以下步骤:
步骤S230.对所述实时图像进行目标图像分割,得到符合要求的目标农作物图像,并将所述目标农作物图像输入至目标识别模型,得到农作物病害种类以及病害程度。
在此步骤包括两个过程,其中一个过程为对农作物图像进行分割,因为针对于图像采集装置获取到的图像为多株农作物的整体图像,而为了准确的获得农作物的信息则需要确定具体农作物单一植株的图像信息。在本实施例中,针对于图像分割方法基于传统的图像处理方法进行,具体为通过二值化处理获得所述实时图像中的轮廓线条,通过检测框对所述轮廓线条进行比对,将符合覆盖阈值的至少一个实时图像确定为待确定图像,多个所述待确定图像中覆盖率最高的图像为目标图像。
针对于获取到的目标图像进行对应的目标识别,在本实施例中目标识别基于训练后的目标识别模型进行。
具体的,目标识别模型为基于农作物病虫害仿真环境训练的8层AlexNet网络结构,所述AlexNet网络结构包括前五层的卷积层,用于对所述目标农作物图像进行特征提取,还包括与所述卷积层连接的全连接层,用于将提取到的特征进行分类,还包括与所述全连接层连接的softmax层,用于计算所述目标特征的对应的标签概率。
在本实施例中,目标识别模型为基于农作物病虫害仿真环境训练的8层AlexNet网络结构,所述AlexNet网络结构包括前五层的卷积层,用于对所述目标农作物图像进行特征提取,还包括与所述卷积层连接的全连接层,用于将提取到的特征进行分类,还包括与所述全连接层连接的softmax层,用于计算所述目标特征的对应的标签概率。
其中,针对于softmax层的输出数量即神经元数量与标签数量对应设置,所述标签数量与对应的农作物的病虫害种类对应设置。在本实施例中,卷积核是4维的(n1×n2×n3×n4/S),其中n1×n2×n3表示卷积核尺寸,n4表示卷积核个数,S为步长,全连接n则表示该层神经元个数。其中,针对于目标识别模型的输入图片数据的尺寸为224×224×3,图片输入网络,第1个卷积层记为C1,其过滤器尺寸是11×11像素,S为4,过滤器个数为64,即(11×11×3×64/4);第1个池化层记为P1,其大小为3×3像素,步长为2即(3×3/2);第2个卷积层记为C2,其卷积核尺寸为5×5像素,S为1,即(5×5×64×256/1),为避免卷积提取特征图越来越小采用padding,即像素填充,在该层输入像素矩阵周围补2个0,过滤器个数为256;第2个最大池化层记为P2,其尺寸2×2,S为2即(3×3/2);第3、4、5个卷积层记为C3、C4、C5,它们的尺寸都是3×3,过滤器个数为256,即都为(3×3×256×256/1);接着是第3个池化层记为P3,尺寸是3×3,S为2;然后是2个全连接层记为F6和F7,神经元个数依次是4096、1000。
上述实施例,可以全部或部分地通过软件、硬件(如电路)、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
本申请中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的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,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者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者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种农作物病虫害智能监控方法,其特征在于,应用于服务器,所述方法包括:
构建农作物病虫害仿真环境,在生长周期中获取对应农作物生长过程中的大气环境数据、土壤环境数据和农作物生长数据,其中所述农作物生长数据包括农作物生长特征数据,依次调节所述大气环境数据、所述土壤环境数据、所述大气环境数据和所述土壤环境数据综合数据至所述农作物生长特征数据至预设的临界数据,基于以上数据构建初步预警模型,所述初步预警模型基于支持向量机训练构建,所述支持向量机的训练集和测试集包括所述仿真环境中获得的大气环境数据、土壤环境数据和农作物生长数据,并对所述训练集和所述测试集进行归一化处理,所述支持向量机的决策函数为:k为径向基核函数,所述径向基核函数为:k(xi,x)=exp(-σ×||xi-x||2),其中f(x)为输出的决策信号,x为输入信号,xi为第i个样本中的列向量,/>与为拉格朗日承子,l为所能支持的向量上限,b为偏置量,σ为宽度信息;所述输入信号为所述大气环境数据、所述土壤环境数据中的任意一种数据,所述样本包括所述输入信号下的任意一类数据;
按照采集周期获取目标农作物的大气环境数据、土壤环境数据,基于所述初步预警模型对所述大气环境数据、所述土壤环境数据进行处理,得到农作物生长数据,并将所述农作物生长数据与标准农作物生长数据进行比较得到初步预警信息,并采集对应所述目标农作物的实时图像;
对所述实时图像进行目标图像分割,得到符合要求的目标农作物图像,并将所述目标农作物图像输入至目标识别模型,得到农作物病害种类以及病害程度。
2.根据权利要求1所述的农作物病虫害智能监控方法,其特征在于,所述归一化处理中得归一化区间为[0.2,0.9],归一化公式为:
y=xmin+0.7x(x-xmin)/(xmax-xmin),其中y为归一化处理之后的数据集,x为进行归一化处理的数据集,xmin与xmax分别为进行归一化处理的数据集中同一个量纲数据集序列中的最大值和最小值。
3.根据权利要求1所述的农作物病虫害智能监控方法,其特征在于,对所述实时图像进行目标图像分割,得到符合要求的目标农作物图像,包括:
对所述实时图像进行二值化处理获得所述实时图像中的轮廓线条,通过检测框对所述轮廓线条进行比对,将符合覆盖阈值的至少一个实时图像确定为待确定图像,多个所述待确定图像中覆盖率最高的图像为目标图像。
4.根据权利要求3所述的农作物病虫害智能监控方法,其特征在于,所述目标识别模型为基于农作物病虫害仿真环境训练的8层AlexNet网络结构,所述AlexNet网络结构包括前五层的卷积层,用于对所述目标农作物图像进行特征提取,还包括与所述卷积层连接的全连接层,用于将提取到的特征进行分类,还包括与所述全连接层连接的softmax层,用于计算目标特征的对应的标签概率。
5.根据权利要求4所述的农作物病虫害智能监控方法,其特征在于,所述softmax层的输出数量与标签数量对应设置,所述标签数量与对应的农作物的病虫害种类对应设置。
6.一种农作物病虫害智能监控系统,其特征在于,包括图像采集子系统、数据采集子系统、服务器以及用户终端,所述图像采集子系统包括多个设置于待监控农作物位置处的图像采集装置,用于采集目标农作物,并将采集到的图像信息发送至服务器;所述数据采集子系统包括设置于所述目标弄作为环境周围的多个传感器,用于采集大气环境数据、土壤环境数据,并将采集到的数据发送至所述服务器;所述服务器内设置有处理器,所述处理器基于获取到的图像信息以及数据执行权利要求1~5任一项所述的农作物病虫害智能监控方法,并将病虫害信息发送至所述用户终端。
7.根据权利要求6所述的农作物病虫害智能监控系统,其特征在于,所述服务器还包括存储器,所述存储器用于存储采集到的所述大气环境数据、所述土壤环境数据和所述病虫害信息。
8.根据权利要求6或7所述的农作物病虫害智能监控系统,其特征在于,所述土壤环境数据包括土壤中氮磷钾含量数据、土壤电导率数据、土壤PH数据、土壤温度数据和土壤湿度数据中的一种或多种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310251816.0A CN115965875B (zh) | 2023-03-16 | 2023-03-16 | 一种农作物病虫害智能监控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310251816.0A CN115965875B (zh) | 2023-03-16 | 2023-03-16 | 一种农作物病虫害智能监控方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115965875A CN115965875A (zh) | 2023-04-14 |
CN115965875B true CN115965875B (zh) | 2023-06-20 |
Family
ID=85894786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310251816.0A Active CN115965875B (zh) | 2023-03-16 | 2023-03-16 | 一种农作物病虫害智能监控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115965875B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104539916A (zh) * | 2015-02-02 | 2015-04-22 | 广西牛博物联信息技术有限公司 | 一种用于芒果小齿螟虫害的远程预警系统 |
CN112461828A (zh) * | 2019-09-09 | 2021-03-09 | 云南天质弘耕科技有限公司 | 一种基于卷积神经网络的病虫害智能测报预警系统 |
CN113940326A (zh) * | 2021-09-29 | 2022-01-18 | 中国热带农业科学院热带作物品种资源研究所 | 一种基于物联网的害虫防控系统 |
CN115291541A (zh) * | 2022-01-18 | 2022-11-04 | 聊城市农业技术推广服务中心(聊城市绿色农业发展服务中心) | 一种农作物病虫害监测系统与方法 |
CN115510991A (zh) * | 2022-10-10 | 2022-12-23 | 扬州大学 | 一种基于1dcnn-lstm多源信息融合模型的日光温室蚜虫预警方法 |
Family Cites Families (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10349584B2 (en) * | 2014-11-24 | 2019-07-16 | Prospera Technologies, Ltd. | System and method for plant monitoring |
CN106645563A (zh) * | 2016-09-30 | 2017-05-10 | 深圳前海弘稼科技有限公司 | 一种基于种植设备的病虫害预测方法及装置 |
WO2018119684A1 (zh) * | 2016-12-27 | 2018-07-05 | 深圳前海达闼云端智能科技有限公司 | 一种图像识别系统及图像识别方法 |
CN107742290A (zh) * | 2017-10-18 | 2018-02-27 | 成都东谷利农农业科技有限公司 | 植物病害识别预警方法及装置 |
CN107944596B (zh) * | 2017-10-20 | 2021-11-09 | 上海交通大学 | 一种基于物联网的甜瓜生长管理专家系统 |
CN108985664A (zh) * | 2018-09-05 | 2018-12-11 | 邬逸昕 | 一种智能农场现场监测管理系统及方法 |
CN110347127A (zh) * | 2019-06-26 | 2019-10-18 | 北京农业智能装备技术研究中心 | 基于云服务的农作物种植托管系统及方法 |
CN110545531A (zh) * | 2019-09-20 | 2019-12-06 | 河南工业大学 | 一种基于大数据和云计算的农作物长势监控方法与系统 |
CN111504371A (zh) * | 2020-04-20 | 2020-08-07 | 广州海睿信息科技有限公司 | 大数据服务系统 |
CN111563431A (zh) * | 2020-04-24 | 2020-08-21 | 空间信息产业发展股份有限公司 | 一种基于改进卷积神经网络的植物叶片病虫害识别方法 |
CN111967441A (zh) * | 2020-09-04 | 2020-11-20 | 郑州轻工业大学 | 一种基于深度学习的农作物病害分析方法 |
EP4022556A1 (en) * | 2020-11-18 | 2022-07-06 | Hijo Ip Pte Ltd. | Crop disease prediction and treatment based on artificial intelligence (ai) and machine learning (ml) models |
CN113034301A (zh) * | 2021-01-29 | 2021-06-25 | 绍兴隆芙力智能科技发展有限公司 | 一种农作物生长管理系统及方法 |
CN113468984A (zh) * | 2021-06-16 | 2021-10-01 | 哈尔滨理工大学 | 一种农作物病虫害叶片识别系统、识别方法及病虫害预防方法 |
CN113705875A (zh) * | 2021-08-19 | 2021-11-26 | 大气候物联网科技(广州)有限公司 | 一种农作物病虫害预警方法、系统、装置及存储介质 |
CN113920288A (zh) * | 2021-09-16 | 2022-01-11 | 北京云洋物联技术有限公司 | 一种基于物联网的温室黄瓜种植管理系统 |
CN114548489A (zh) * | 2022-01-11 | 2022-05-27 | 山东锋士信息技术有限公司 | 农作物病虫害预测方法及系统 |
CN114842338A (zh) * | 2022-05-11 | 2022-08-02 | 中国科学院空天信息创新研究院 | 一种耦合遥感和气象数据的小麦条锈病预测方法及装置 |
CN115147740A (zh) * | 2022-06-27 | 2022-10-04 | 南京稻可道智能科技有限公司 | 基于光谱与图像识别的农林病虫害空基监测系统及方法 |
CN115183820A (zh) * | 2022-08-15 | 2022-10-14 | 南京稻可道智能科技有限公司 | 基于浮空器机载光谱的茶园智能监测系统及方法 |
CN115511158B (zh) * | 2022-09-01 | 2023-08-29 | 珠海市现代农业发展中心(珠海市金湾区台湾农民创业园管理委员会、珠海市农渔业科研与推广中心) | 一种基于大数据的农作物智能选育分析方法及系统 |
CN115439842A (zh) * | 2022-09-06 | 2022-12-06 | 湖北省农业科学院经济作物研究所 | 一种基于深度学习的桑葚菌核病严重度的检测方法 |
CN115482465A (zh) * | 2022-09-20 | 2022-12-16 | 广东交通职业技术学院 | 基于机器视觉的农作物病虫害预测方法、系统及存储介质 |
CN115564109A (zh) * | 2022-09-30 | 2023-01-03 | 江西裕丰智能农业科技有限公司 | 一种基于改进卷积神经网络结构的果树生长预测方法 |
-
2023
- 2023-03-16 CN CN202310251816.0A patent/CN115965875B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104539916A (zh) * | 2015-02-02 | 2015-04-22 | 广西牛博物联信息技术有限公司 | 一种用于芒果小齿螟虫害的远程预警系统 |
CN112461828A (zh) * | 2019-09-09 | 2021-03-09 | 云南天质弘耕科技有限公司 | 一种基于卷积神经网络的病虫害智能测报预警系统 |
CN113940326A (zh) * | 2021-09-29 | 2022-01-18 | 中国热带农业科学院热带作物品种资源研究所 | 一种基于物联网的害虫防控系统 |
CN115291541A (zh) * | 2022-01-18 | 2022-11-04 | 聊城市农业技术推广服务中心(聊城市绿色农业发展服务中心) | 一种农作物病虫害监测系统与方法 |
CN115510991A (zh) * | 2022-10-10 | 2022-12-23 | 扬州大学 | 一种基于1dcnn-lstm多源信息融合模型的日光温室蚜虫预警方法 |
Non-Patent Citations (3)
Title |
---|
Occurrence prediction of pests and diseases in cotton on the basis of weather factors by long short term memory network;Qingxin Xiao等;《BMC Bioinformatics》;第20卷;第1-15页 * |
基于多流高斯概率融合网络的病虫害细粒度识别;孔建磊等;《农业工程学报》;第36卷(第13期);第148-157页 * |
温室黄瓜病虫害监测预警系统研究与实现;韩振荣;《中国优秀硕士学位论文全文数据库 信息科技辑》(第(2018)01期);I140-871 * |
Also Published As
Publication number | Publication date |
---|---|
CN115965875A (zh) | 2023-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sandika et al. | Random forest based classification of diseases in grapes from images captured in uncontrolled environments | |
Banerjee et al. | Precision Agriculture: Classifying Banana Leaf Diseases with Hybrid Deep Learning Models | |
Suma et al. | CNN based leaf disease identification and remedy recommendation system | |
Nesarajan et al. | Coconut disease prediction system using image processing and deep learning techniques | |
Deshmukh et al. | Detection of paddy leaf diseases | |
CN115965875B (zh) | 一种农作物病虫害智能监控方法及系统 | |
Athiraja et al. | RETRACTED ARTICLE: Banana disease diagnosis using computer vision and machine learning methods | |
Sharma et al. | Image processing based automated identification of late blight disease from leaf images of potato crops | |
CN113657294A (zh) | 一种基于计算机视觉的作物病虫害检测方法及系统 | |
Kumar et al. | An identification of crop disease using image segmentation | |
Rewar et al. | Detection of infected and healthy part of leaf using image processing techniques | |
Dwivedi et al. | Study of machine learning techniques for plant disease recognition in agriculture | |
Akshitha et al. | Paddy crop disease detection using deep learning techniques | |
Kamble | Plant disease detector | |
Tejonidhi et al. | Plant disease analysis using histogram matching based on Bhattacharya's distance calculation | |
CN117541835A (zh) | 基于高光谱成像及深度学习的柑橘叶片水分胁迫检测方法及系统 | |
Nirmal et al. | Farmer Friendly Smart App for Pomegranate Disease Identification | |
De Silva et al. | Plant disease detection using deep learning on natural environment images | |
Yadav et al. | Crop disease prediction and solution | |
Patel et al. | A review on rice plant phenotyping traits estimation for disease and growth management using modern ML techniques | |
Essah et al. | Assessment on Crop testing based on IOT and Machine Learning | |
Karthik et al. | Application for Plant’s Leaf Disease Detection using Deep Learning Techniques | |
Roshan et al. | Smart Harvest Diseases Identification using Image Processing | |
Kaur et al. | A novel framework for semi-automated system for grape leaf disease detection | |
Goswami et al. | Combinational feature approach: Performance improvement for image processing based leaf disease classification |
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 |