CN116135019A - 虫害防治方法、服务器、虫害防治装置及存储介质 - Google Patents
虫害防治方法、服务器、虫害防治装置及存储介质 Download PDFInfo
- Publication number
- CN116135019A CN116135019A CN202111363240.4A CN202111363240A CN116135019A CN 116135019 A CN116135019 A CN 116135019A CN 202111363240 A CN202111363240 A CN 202111363240A CN 116135019 A CN116135019 A CN 116135019A
- Authority
- CN
- China
- Prior art keywords
- pest
- image
- insect
- pest control
- pesticide
- 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.)
- Pending
Links
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 551
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000003860 storage Methods 0.000 title claims abstract description 32
- 239000000575 pesticide Substances 0.000 claims abstract description 140
- 238000005507 spraying Methods 0.000 claims abstract description 54
- 238000013507 mapping Methods 0.000 claims abstract description 29
- 239000007921 spray Substances 0.000 claims abstract description 26
- 241000238631 Hexapoda Species 0.000 claims description 141
- 238000012545 processing Methods 0.000 claims description 32
- 238000012377 drug delivery Methods 0.000 claims description 27
- 239000003814 drug Substances 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 12
- 229940079593 drug Drugs 0.000 claims description 11
- 230000000877 morphologic effect Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000005520 cutting process Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000001647 drug administration Methods 0.000 claims description 5
- 239000002418 insect attractant Substances 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000005667 attractant Substances 0.000 description 2
- 230000031902 chemoattractant activity Effects 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M7/00—Special adaptations or arrangements of liquid-spraying apparatus for purposes covered by this subclass
- A01M7/0089—Regulating or controlling systems
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G13/00—Protecting plants
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
-
- 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
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/30—Against vector-borne diseases, e.g. mosquito-borne, fly-borne, tick-borne or waterborne diseases whose impact is exacerbated by climate change
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Environmental Sciences (AREA)
- Pest Control & Pesticides (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Zoology (AREA)
- Wood Science & Technology (AREA)
- Insects & Arthropods (AREA)
- Catching Or Destruction (AREA)
Abstract
本申请提供的虫害防治方法、服务器、虫害防治装置及存储介质,通过获取目标时间段内处于目标区域的图像传感器采集的至少一张的原始虫害图像并对所获取的原始虫害图像进行分析处理,获得目标区域内虫害的种类及每种虫害对应的数量,根据每种虫害的数量和第一映射关系表确定农药类型及其喷洒体积并根据农药类型及喷洒体积生成虫害防治指令,将虫害防治指令发送至对应的虫害防治装置,用于指示虫害防治装置喷洒农药,从而实现服务器根据虫害防治装置发送的虫害图像自动控制虫害防治装置进行农药喷洒实现虫害防治,以提高虫害防治的效率。
Description
技术领域
本申请涉及农业现代化领域,尤其涉及一种虫害防治方法、服务器、虫害防治装置及存储介质。
背景技术
虫害防治是提高农产品产量和质量的关键技术,通过对虫害产生的早期阶段检测到的虫害类型和数量对虫害状况进行预判并进行农药喷洒以抑制虫害对农产品的侵害。
现阶段虫害监测及农药喷洒中的决策过程均依赖于人工,工作量巨大,导致基于人工控制的虫害监测对虫害防治的周期长、效率低,因此,如何高效地实现虫害防治成为亟待解决的问题。
发明内容
本申请提供一种虫害防治方法、服务器、虫害防治装置及存储介质,用以解决高效地实现虫害防治的问题。
第一方面,本申请提供一种虫害防治方法,该方法应用于服务器,方法包括:
获取目标时间段内处于目标区域的图像传感器采集的N张原始虫害图像;其中,N≥1;
对N张原始虫害图像进行分析处理,获得目标区域内虫害的种类及每种虫害对应的数量;
根据每种虫害的数量和第一映射关系表确定农药类型、浓度及其喷洒体积;其中,第一映射关系表表示虫害的种类及所对应的数量与农药的类型及其喷洒体积间一一对应的关系;
根据农药类型、浓度及喷洒体积生成虫害防治指令,并将虫害防治指令发送至对应的虫害防治装置;虫害防治指令用于指示虫害防治装置喷洒农药。
在上述技术方案中,服务器通过接收到目标区域内的图像传感器采集到的原始虫害图像获得分布于该目标区域内的虫害种类和数量,并根据第一映射关系表确定防治该虫害的农药的种类和数量,生成对应的虫害防治指令,从而自动控制对应虫害防治装置喷洒对应的农药,缩短了虫害防治过程中农药喷洒的时间,提高了虫害防治的效率。
可选地,对N张原始虫害图像进行分析处理,获得区域内虫害的种类及每种虫害对应的数量,具体包括:
对N张原始虫害图像进行图像预处理,获得虫害增强图像;其中,虫害增强图像中包含至少一只害虫;
对虫害增强图像进行裁剪,获得M张仅包含一只害虫的虫害子图像;其中,M≥N;
使用图像识别模型对虫害子图像进行识别,获得虫害的类型,并对不同虫害类型的数量进行统计,获得各虫害类型所对应的数量。
可选地,对N张原始虫害图像进行图像预处理,获得虫害增强图像,具体包括:
将原始虫害图像进行灰度转换,以获得虫害灰度图像;
对虫害灰度图像的边缘进行处理,以获得虫害边缘图像;
对虫害边缘图像进行闭运算形态学处理,以获得虫害增强图像。
可选地,对虫害灰度图像的边缘进行处理,以获得虫害边缘图像,具体包括:
对虫害灰度图像边缘像素点进行提取和去噪处理,以获得原始虫害边缘图像;
对原始虫害边缘图像进行对比度增强处理,以获得虫害边缘图像。
可选地,对虫害增强图像进行裁剪,获得M张只包含一只害虫的虫害子图像,具体包括:
获取虫害增强图像中多组闭合边缘图像;其中,每组闭合边缘图像表示一只害虫的轮廓;
对闭合边缘图像的外接矩形区域进行分割,获得只包含一只害虫的虫害子图像。
可选地,根据农药类型、浓度及喷洒体积生成虫害防治指令,并将虫害防治指令发送至对应的虫害防治装置之后,方法还包括:
生成虫害预警信息,并将虫害预警信息发送至用户终端。
在上述技术方案中,通过对虫害原始图像进行预处理增强了图像中的边缘信息,降低了噪点的影响,提高了图像边缘信息识别的准确性,此外,通过对虫害增强图像进行裁剪,从而更精细地识别图像中存在的各种虫害的类别,并通过对识别结果根据不同类别的虫害进行统计以获取不同类别虫害的分布状况以确定待喷洒的农药的类型、浓度及喷洒体积,提高虫害防治的准确率。
第二方面,本申请提供一种虫害防治方法,该方法应用于虫害防治装置,该虫害防治装置包含图像传感器和多个给药装置,方法包括:
向服务器发送图像传感器采集的原始虫害图像;目标区域内虫害的种类及每种虫害对应的数量是对N张原始虫害图像进行分析处理获得的,农药类型、浓度及其喷洒体积是根据每种虫害的数量和第一映射关系表确定的,虫害防治指令是根据农药类型、浓度及喷洒体积生成的,其中,第一映射关系表表示虫害的种类及所对应的数量与农药的类型、浓度及其喷洒体积间一一对应的关系;
接收服务器发送的虫害防治指令,并根据虫害防治指令喷洒农药。
可选地,根据虫害防治指令喷洒农药,具体包括:
对虫害防治指令进行解析处理,获得喷洒的农药类型、浓度及体积;
根据农药类型和第二映射关系表确定给药装置标识;其中,第二映射关系表表示农药类型和给药装置标识的对应关系;
根据给药装置标识,控制标识对应的给药装置喷洒对应浓度和体积的农药。
可选地,在向服务器发送图像传感器采集的原始虫害图像之前,方法还包括:
依照预设时间间隔控制诱虫器发出超声波,其中,超声波用于引诱害虫;虫害防治装置还包括诱虫器,诱虫器置于图像传感器上方。
在上述技术方案中,虫害防治装置根据获取的虫害防治指令配置对应浓度和体积的农药并控制对应给药装置喷洒对应的农药,该过程代替了人工决策给药的种类和数量,提高了虫害防治的效率。
第三方面,本申请提供一种服务器,包括:存储器,处理器;
存储器;用于存储处理器可执行的计算机指令;
其中,处理器在执行计算机指令时用于实现第一方面涉及的虫害防治方法。
第四方面,本申请提供一种虫害防治装置,包括:处理器、与处理器通信连接的存储器、图像传感器、诱虫器及给药装置;
图像传感器用于多角度地采集农田害虫图像,诱虫器用于引诱害虫;给药装置用于喷洒农药;其中,给药装置包含多个储药箱,多个储药箱用于储存不同种类的农药;
存储器存储计算机执行指令;处理器执行存储器存储的计算机执行指令,以实现第二方面涉及的虫害防治方法。
第五方面,本申请提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机指令,计算机指令被处理器执行时用于实现第一方面或者第二方面涉及的虫害防治方法。
本申请提供的虫害防治方法、服务器、虫害防治装置及存储介质,通过获取目标时间段内处于目标区域的图像传感器采集的至少一张的原始虫害图像并对所获取的原始虫害图像进行分析处理,获得目标区域内虫害的种类及每种虫害对应的数量,根据每种虫害的数量和第一映射关系表确定农药类型及其喷洒体积并根据农药类型及喷洒体积生成虫害防治指令,将虫害防治指令发送至对应的虫害防治装置,用于指示虫害防治装置喷洒农药,从而实现服务器根据虫害防治装置发送的虫害图像自动控制虫害防治装置进行农药喷洒实现虫害防治,以提高虫害防治的效率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请根据提供的虫害防治方法的应用场景示意图;
图2为本申请根据一实施例提供的虫害防治方法的流程示意图;
图3为本申请根据另一实施例提供的虫害防治方法的流程示意图;
图4为本申请根据另一实施例提供的虫害防治方法的流程示意图;
图5为本申请根据一实施例提供的虫害防治方法的信令交互图;
图6为本申请另一实施例提供的服务器的结构示意图;
图7为本申请另一实施例提供的虫害防治装置的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
虫害防治是提高农产品产量和质量的关键技术,通过对虫害产生的早期阶段检测到的虫害类型和数量对虫害状况进行预判并进行农药喷洒以抑制虫害对农产品的侵害。
现阶段虫害监测及农药喷洒中的决策过程均依赖于人工,工作量巨大,导致基于人工控制的虫害监测对虫害防治的周期长、效率低,因此,如何高效地实现虫害防治成为亟待解决的问题。
针对上述技术问题,本申请实施例提供一种虫害防治方法、服务器、虫害防治装置及存储介质,旨在提高虫害防治的效率。本申请的技术构思是:通过服务器根据虫害防治装置采集的虫害图像获取该虫害防治装置所处区域的虫害情况,从而生成对应的农药喷洒指令并控制该虫害防治装置对所对应的区域喷洒对应体积的农药,实现虫害防治。
图1为本申请提供的虫害防治方法的应用场景示意图,如图1所示,包括虫害防治装置10、服务器20和终端30。虫害防治装置10安装于需要进行虫害预防的区域内。在一实施例中,该区域可以为目标范围内的农田,在该农田中,虫害防治装置10的个数与农田的面积相关,即根据农田面积的大小,设置的虫害防治装置的个数为一个或多个。在图1所示的实施例中,虫害防治装置10的个数为1个。
虫害防治装置10包括诱虫器11、图像传感器12、储药单元13、喷药单元14和控制单元15,图像传感器12用于采集诱虫器11中引诱并获取的害虫,图像传感器12安装于易于采集诱虫器11中包含害虫的图像的空间相对位置,可围绕诱虫器11进行多角度地图像采集。在一实施例中,诱虫器11的下端为透明的,图像传感器12在某一时刻置于诱虫器11的下方,采集图像的端口与诱虫器11的底部平行,用于获取清晰的虫害图像。储药单元13和喷药单元14连接,其中,储药单元13中包含储存不同种类农药的至少一个的储药箱131、用于储存农药浓度配置中所需水的储水箱132和用于调配农药的配药箱133。在图1所示的实施例中,该储药装置中设有1个储药箱。
在虫害防治装置10开启的过程中,诱虫器11产生吸引害虫的声波,图像传感器12根据预设时间间隔在目标时间段内多角度地采集多张图像,控制单元15将获取的虫害图像发送给服务器20。服务器20根据获取的虫害图像进行图像预处理与图像识别,获得采集的虫害图像中的虫害种类和每种虫害对应的数量。服务器20根据上述获得的数据和第一映射关系表确定防治虫害所需的农药种类、浓度和体积,并生成虫害防治指令发送给虫害防治装置10。虫害防治装置10根据获取到的虫害防治指令解析出所需喷洒的农药的类型、浓度和体积,从而控制配药装置13配置对应的参数的农药并控制喷药单元14进行农药喷洒。此外,在服务器20向虫害防治装置10发送完虫害防治指令后生成虫害预警信息,并将该信息发送给终端30进行虫害防治提醒。
图2为本申请根据一实施例提供的虫害防治方法的流程示意图,该方法的执行主体为服务器。如图2所示,本申请提出的虫害防治方法,包括:
S201、服务器获取目标时间段内处于目标区域的图像传感器采集的N张原始虫害图像。
其中,N≥1,即图像传感器采集的原始虫害图像为一张或多张。在一实施例中,该图像的张数设为目标区域内所有图像传感器采集的图像个数之和。
图像传感器为安装在与服务器通信连接的虫害防治装置中,通过将感光区域收集到的场景光信号转化为电信号并对电信号进行多种处理获得原始虫害图像数据,其中,对电信号的操作包括但不限于信号放大、A/D转换、色彩均衡。
目标区域为安装有虫害防治装置的区域,该虫害防治区域所控制的区域范围为诱虫器引诱害虫的区域范围,相对的,喷药装置所能喷射的范围大于等于诱虫器引诱害虫的区域范围。
目标时间段与图像传感器多角度地采集原始虫害图像的时间相同。
服务器每次获取的原始虫害图像是目标区域内的所有的图像传感器在目标区域内从至少一个角度采集的所有原始虫害图像。
S202、服务器对N张原始虫害图像进行分析处理,获得目标区域内虫害的种类及每种虫害对应的数量。
其中,N张原始虫害图像是从步骤S201中获取的。
服务器对原始虫害图像的分析处理为获取该图像中虫害种类和每种虫害对应的数量的技术手段,该技术手段包括但不限于:图像增强、图像识别、图像检测、图像语义分析。
S203、服务器根据每种虫害的数量和第一映射关系表确定农药类型、浓度及其喷洒体积。
其中,每种虫害的数量是从步骤S202中获取的。
防治不同种类的虫害的农药种类不同,在此基础上,防治不同数量的同一种类的虫害所需的农药浓度和喷洒体积也不同,因此,不同种类和数量的虫害和防治该虫害的农药的类型、浓度和喷洒体积可通过第一映射关系表确定。其中,第一映射关系表表示虫害的种类及所对应的数量与农药的类型、浓度及其喷洒体积间一一对应的关系。
S204、服务器根据农药类型、浓度及喷洒体积生成虫害防治指令,并将虫害防治指令发送至对应的虫害防治装置,用于指示对应虫害防治装置喷洒农药。
农药类型、浓度及喷洒体积是从步骤S203中获取的。
虫害防治指令为包含农药类型、浓度及喷洒体积相关信息的指令,虫害防治装置可通过解析虫害防治指令获得待喷洒农药的相关信息。
在上述实施例中,服务器通过获取目标时间段内处于目标区域的图像传感器采集的至少一张的原始虫害图像并对所获取的原始虫害图像进行分析处理,获得目标区域内虫害的种类及每种虫害对应的数量,根据每种虫害的数量和第一映射关系表确定农药类型及其喷洒体积并根据农药类型及喷洒体积生成虫害防治指令,将虫害防治指令发送至对应的虫害防治装置,用于指示虫害防治装置喷洒农药,从而实现服务器根据虫害防治装置发送的虫害图像自动控制虫害防治装置进行农药喷洒实现虫害防治,以提高虫害防治的效率。
图3为本申请根据另一实施例提供的虫害防治方法的流程示意图,该方法的执行主体为服务器。如图3所示,本申请提出的虫害防治方法,包括:
S301、获取目标时间段内处于目标区域的图像传感器采集的N张原始虫害图像。
其中,N≥1。服务器获取目标时间段内处于目标区域的图像传感器采集的N张原始虫害图像已在步骤S201中详细解释,此处不再赘述。
S302、对N张原始虫害图像进行图像预处理,获得虫害增强图像。
其中,虫害增强图像中包含至少一只害虫。
N张原始虫害图像是从步骤S301中获取的。对N张原始虫害图像进行的图像预处理是对获取的原始虫害图像进行识别之前用于增强该图像中害虫特征的图像处理技术。
对原始虫害图像的图像预处理步骤具体包括步骤S3021至S3023:
S3021、将原始虫害图像进行灰度转换,以获得虫害灰度图像。
其中,灰度变换是指将获取彩色的原始虫害图像转化为灰度图的图像处理技术,在一实施例中,彩色的原始虫害图像为RGB图像,通过将红通道的灰度图像矩阵乘以299之积、绿通道的灰度图像矩阵乘以587之积和蓝通道的灰度图像矩阵乘以114之积以及500的和除以1000后得到的结果获得原始虫害图像进行灰度变换后的灰度图。其中,获得的灰度图为二维图像,原始虫害图像为三维图像。
S3022、对虫害灰度图像的边缘进行处理,以获得虫害边缘图像。
其中,虫害灰度图像是从步骤S3021中获取的。
对虫害灰度图像的边缘进行处理,包括对图像边缘的增强处理和削弱处理,以获得有利于进行图像识别的图像。
对虫害灰度图像的边缘处理步骤具体包括步骤S30221至S30222:
S30221、对虫害灰度图像边缘像素点进行提取和去噪处理,以获得原始虫害边缘图像。
对虫害灰度图像的边缘像素点提取是指根据图像中相邻像素点间的梯度变化确定图像边缘的像素点,可通过虫害灰度图像与在该图像范围内滑动的边缘检测算子的乘积获取边缘像素点。该边缘检测算子包括但不限于Roberts算子、Sobel算子、Prewitt算子、LOG算子和Canny算子。在一实施例中,对虫害灰度图像边缘像素点提取为利用Sobel算子计算二维空间内水平方向和垂直方向上的梯度,并将水平方向上的梯度减去垂直方向上的梯度,取得在水平方向上变化剧烈的边缘像素点,该虫害灰度图像中获取的所有边缘像素点组成该灰度图像的边缘图像。但是,该边缘图像中具有较大变化梯度的像素点不仅包括图像的边缘像素点,还包括图像中存在的噪点。
对获得的边缘图像进行去噪处理是指通过滤波器对边缘图像进行处理,滤除不需要的图像信息。
对边缘图像去除噪声的滤波是通过低通滤波器在图像范围内以滑窗的形式对滑窗选定的图像区域进行卷积直至边缘图像的所有区域均被处理。其中,与滑窗选定的图像区域进行卷积的为滑窗卷积核,滑窗卷积核的活动方式为从上至下,从左至右。在一实施例中,滑窗卷积核的大小为9×9。通过上述低通滤波器的处理,可以保留边缘图像中的低频信息,滤除高频信息,以获取噪声小且过渡平滑的原始虫害边缘图像。
S30222、对原始虫害边缘图像进行对比度增强处理,以获得虫害边缘图像。
其中,原始虫害边缘图像是从步骤S30221中获取的。
对比度增强处理可通过降低灰度级来增强不同灰度值之间的差别。例如:将64级的灰度图像降低为16级的灰度图像,其中,64级的灰度图像中灰度分布情况多于16级的灰度分布情况,相邻像素间的灰度值变化也更小、更不明显,因此,降低灰度级可以降低灰度值的表现情况,提高不同灰度值的像素点之间的变化程度。
在一实施例中,对原始虫害边缘图像进行对比度增强处理是通过对原始虫害边缘图像二值化来实现的。其中,二值化图像为图像所对应的矩阵中只包括“0”和“1”,表现在图像上为图像中只有黑色和白色两种颜色。对图像的二值化为通过将原始虫害图像中大于二值化阈值的灰度值置为1,小于二值化阈值的灰度值置为0来实现的。
S3023、对虫害边缘图像进行闭运算形态学处理,以获得虫害增强图像。
其中,虫害边缘图像是从步骤S3022中获取的。
图像的形态学处理包括膨胀和腐蚀,其中,膨胀是指将二值化的虫害边缘图像中的亮区域,即对应像素点为“1”的区域范围进行扩大的操作。腐蚀是指将二值化的虫害边缘图像中的亮区域,即对应像素点为“1”的区域范围进行缩小的操作。
闭运算形态学处理是指先进行膨胀后进行腐蚀的图像处理,其中,先进行的膨胀以去除虫害边缘图像内的噪点,后进行膨胀以加宽虫害边缘图像中害虫的边缘线条,以提高虫害识别的准确率。
对虫害边缘图像进行的闭运算形态学处理的次数为预设次数,以提高闭运算形态学处理的效果。
虫害增强图像是经过闭运算形态学处理后的包含较少噪声、边缘信息明显的二值化图像。
S303、对虫害增强图像进行裁剪,获得M张仅包含一只害虫的虫害子图像。
其中,M≥N。
虫害增强图像是从步骤S302中获取的。
每张虫害增强图像中包含至少一只的害虫。
由于图像识别只能对图像中包含特征最明显的一个目标物体进行识别,可通过裁剪每张虫害增强图像获取多张只包含一只害虫的虫害子图像,其中,虫害子图像的数量与虫害增强图像中包含的虫害的总数量相同。
获取仅包含一张害虫的虫害子图像的步骤具体包括步骤S3031至S3032:
S3031、获取虫害增强图像中多组闭合边缘图像。
其中,每组闭合边缘图像表示一只害虫的轮廓。
在一实施例中,获取每种虫害的边缘可通过OpenCV中的findContours()函数提取包含边缘像素点的数组集合以实现害虫轮廓的提取。其中,一个数组表示一条边缘线,一只害虫对应的数组是包含至少一组边缘线的数组集合。
S3032、对闭合边缘图像的外接矩形区域进行分割,获得只包含一只害虫的虫害子图像。
其中,闭合边缘图像包括但不限于害虫的最外层轮廓和害虫身体上存在的闭合的花纹图像。
对闭合边缘图像的外接矩形区域进行分割是通过提取边缘外接的最小面积的矩形的横纵坐标对虫害增强图像进行分割,以获取只包含一只害虫的虫害子图像。
S304、使用图像识别模型对虫害子图像进行识别,获得虫害的类型,并对不同虫害类型的数量进行统计,获得各虫害类型所对应的数量。
其中,虫害子图像是从步骤S303中获取的。
图像识别模型是通过提取虫害子图像中的特征信息并选择目标特征信息,再对该目标特征信息进行分类决策以实现图像识别。在一实施例中,虫害识别模型从输入端到输出端的网络结构依次为一个输入层、一个卷积层、一个池化层、两个卷积层、两个池化层、一个卷积层、一个池化层、两个全连接层及输出层。其中,虫害识别模型中的卷积核大小为3×3,池化层的滑动窗口大小为2×2。卷积层和池化层交叉连接能够在降低网络参数量的基础上保持提取的主要图形特征,全连接层用于图像类型的概率计算。图像识别模型的输入端输入的图像采用固定的分辨率,即在对虫害子图像进行识别之前需要采用插值技术将图像识别模型的输入图像统一为相同分辨率,在另一实施例中,输入图像的大小为128×128。
根据图像识别模型的图像识别功能,获取从步骤S303中获取的M张虫害子图像所对应的虫害类型。
分别统计一张虫害增强图像中具有相同的虫害类型的虫害子图像的个数,以获得各虫害类型所对应的数量。
S305、根据每种虫害的数量和第一映射关系表确定农药类型、浓度及其喷洒体积。
其中,每种虫害的数量是从步骤S304中获取的。
第一映射关系表表示虫害数量及虫害种类与防治该虫害的农药的类型、浓度及喷洒体积成一一对应的关系,以实现对不同种类和数量的虫害进行精细地虫害防治。
S306、根据农药类型、浓度及喷洒体积生成虫害防治指令,并将虫害防治指令发送至对应的虫害防治装置。
其中,农药类型、浓度及喷洒体积是从步骤S305中获取的。
虫害防治指令是包含目标虫害防治装置待喷洒农药地相关信息的指令。
S307、生成虫害预警信息,并将虫害预警信息发送至用户终端。
虫害预警信息包括虫害的类型、数量、该虫害对农作物产生的危害及进行虫害防治的农药相关信息,其中,农药相关信息是从步骤S305中获取的农药类型、浓度及其喷洒体积。
服务器将该虫害预警信息发送至用户终端,以实现对用户虫害防治的提醒。
在上述技术方案中,服务器通过对获取的原始虫害图像依次进行灰度变换、边缘提取、去噪及闭运算形态学处理,增强了图像边缘信息,提高了图像识别的准确性,此外,通过对虫害增强图像进行裁剪,从而更精细地识别图像中存在的各种虫害的类别,并通过对识别结果根据不同类别的虫害进行统计以获取不同类别虫害的分布状况以确定待喷洒的农药的类型、浓度及喷洒体积,提高虫害防治的准确率。
图4为本申请根据另一实施例提供的虫害防治方法的流程示意图,该方法的执行主体为虫害防治装置。如图4所示,本申请提出的虫害防治方法,包括:
S401、依照预设时间间隔控制诱虫器发出超声波。
其中,虫害防治装置包括诱虫器,诱虫器置于图像传感器上方,通过超声波引诱害虫,获得农田中存在的害虫。
根据农田内历史虫害的类型,诱虫器依次生成能够吸引所有虫害的超声波。
根据预设时间间隔地控制诱虫器发出超声波以实现对农田中依照预设时间间隔进行害虫状况采样,其中,诱虫器每次发出超声波引诱害虫之前,需要清理该诱虫器中存储的害虫以保证虫害数据获取的准确性。
S402、向服务器发送图像传感器采集的原始虫害图像。
其中,目标区域内虫害的种类及每种虫害对应的数量是对N张原始虫害图像进行分析处理获得的,农药类型、浓度及其喷洒体积是根据每种虫害的数量和第一映射关系表确定的,虫害防治指令是根据农药类型、浓度及喷洒体积生成的。
第一映射关系表表示虫害的种类及所对应的数量与农药的类型、浓度及其喷洒体积间一一对应的关系。
更具体地,对原始虫害图像进行分析处理的过程已在步骤S202中解释,此处不再赘述。
根据第一映射关系表获取农药类型、浓度及其喷洒体积已在步骤S203中详细解释,此处不再赘述。
S403、接收服务器发送的虫害防治指令,并根据虫害防治指令喷洒农药。
其中,虫害防治指令是服务器根据步骤S402发送的得到并发送给虫害防治装置的虫害防治指令。
根据虫害防治指令喷洒农药的步骤具体包括步骤S4031至S4033:
S4031、对虫害防治指令进行解析处理,获得喷洒的农药类型、浓度及体积。
其中,根据虫害防治指令解析出来的农药类型、浓度及体积与步骤S402中服务器对原始虫害图像分析处理得到的农药类型、浓度及体积相同。
更具体地,虫害防治装置根据农药的浓度和体积获取调配出该农药所需要的原始农药和水的体积。
S4032、根据农药类型和第二映射关系表确定给药装置标识。
其中,第二映射表表示农药类型和给药装置标识的对应关系。
更具体地,根据农药类型和第二映射关系表确定的给药装置标识中包括给药装置中储存对应农药的储药箱的标识。
S4033、根据给药装置标识,控制标识对应的给药装置喷洒对应体积的农药。
其中,给药装置标识是从步骤S4032中获取的。
虫害防治装置将给药装置标志对应的农药按照步骤S4031中的浓度和体积进行调配和喷洒。
在上述技术方案中,虫害防治装置根据获取的虫害防治指令配置对应浓度和体积的农药并控制对应给药装置喷洒对应的农药,该过程代替了人工决策给药的种类和数量,提高了虫害防治的效率。
图5为本申请根据一实施例提供的虫害防治方法的信令交互图,该方法为服务器、虫害防治装置和终端之间的信息交互。如图5所示,方法包括:
S501、虫害防治装置依照预设时间间隔控制诱虫器发出超声波,并控制图像传感器采集N张原始虫害图像。
其中,图像传感器置于易于采集诱虫器中获得的虫害状况的位置。
更具体地,虫害防治装置依照预设时间间隔控制诱虫器发出超声波已在步骤S401中详细解释,此处不再赘述。
图像传感器采集N张原始虫害图像的过程已在步骤S201中详细解释,此处不再赘述。
S502、虫害防治装置向服务器发送原始虫害图像。
其中,每个虫害防治装置发送的原始虫害图像至少包括一张。
更具体地,虫害防治装置像服务器传输的方式包括但不限于有线通信和无线通信。
S503、服务器对接收的N张原始虫害图像进行图像预处理,获得虫害增强图像。
其中,服务器对原始虫害图像进行图像预处理的过程包括灰度变换、边缘提取、滤波、闭运算形态学处理和二值化,以获取具有明显虫害边缘特征的虫害增强图像。
更具体地,对原始虫害图像进行预处理的过程已在步骤S302中详细解释,此处不再赘述。
S504、服务器裁剪虫害增强图像以获得M张仅包含一只害虫的虫害子图像。
其中,虫害增强图像是从步骤S503中获取的。
服务器根据虫害增强图像获取M张仅包含一只害虫的虫害子图像包括两部分:获取虫害增图像中国多组闭合边缘信息、获取虫害边缘外接最小矩阵并裁剪以获取虫害子图像。
获取虫害增图像中国多组闭合边缘信息已在步骤S3031中详细解释,获取虫害边缘外接最小矩阵并裁剪以获取虫害子图像已在步骤S3032中详细解释,此处均不在赘述。
S505、服务器对虫害子图像进行识别以获得虫害的类型,并统计不同虫害类型的数量。
其中,虫害子图像是从步骤S504中获取的。
服务器对虫害子图像进行识别以获得虫害的类型并统计不同虫害类型的数量已在步骤S304中详细解释,此处不再赘述。
S506、服务器根据虫害的类型和数量确定待喷洒农药的类型、浓度和体积,并生成虫害防治指令。
其中,虫害的类型和数量是从步骤S505中获取的。
服务器通过将虫害的类型和数量在第一映射关系表中查询并获取待喷洒农药的类型、浓度和体积。其中,服务器确定待喷洒农药的类型、浓度和体积已在步骤S203中详细解释,生成虫害防治指令已在步骤S204中详细解释,此处均不在赘述。
在步骤S506完成后,进行步骤S507和步骤S511,其中,步骤S507和步骤S510无前后执行顺序关系。
S507、服务器发送虫害防治指令。
其中,虫害防治指令是从步骤S506中获取的。
S508、虫害防治装置接收服务器发送的虫害防治指令,并对虫害防治指令进行解析处理,获得喷洒的农药类型及体积。
其中,虫害防治指令是包含目标虫害防治装置待喷洒农药的相关信息的指令。
更具体地,根据虫害防治指令获得喷洒农药的类型和体积的过程已在步骤S4031中详细解释,此处不再赘述。
S509、虫害防治装置根据农药类型和第二映射关系表确定给药装置标识,并根据给药装置标识,控制标识对应的给药装置喷洒对应体积的农药。
更具体地,虫害防治装置确定的给药装置标识包括给药装置标识中的储药箱的标识。通过调用对应储药箱中的农药和储水箱中的水,在配药箱中配置出对应浓度和体积的农药。
S510、服务器生成虫害预警信息。
虫害预警信息包括虫害的类型、数量、该虫害对农作物产生的危害及进行虫害防治的农药相关信息,其中,农药相关信息是从步骤S508中获取的农药类型、浓度及其喷洒体积。
S511、服务器发送虫害预警信息。
服务器将该虫害预警信息发送至用户终端,以实现对用户虫害防治的提醒。
S512、终端接收虫害预警信息并进行预警。
其中,终端对用户的预警方式包括但不限于:图像预警、声音预警、震动预警。
在上述技术方案中,通过服务器、虫害防治装置和终端之间的信息交互,使得服务器能够处理虫害防治装置获取的图像信息并生成对应的虫害防治指令和虫害预警信息,分别控制虫害防治装置进行虫害防治和提醒用户虫害状况及防治状况,使得在保证自动虫害防治效率的基础上,仍旧接受用户的监管,提高虫害防治的准确性。
如图6所示,本申请一实施例提供一种服务器600,服务器600包括存储器601和处理器602。
其中,存储器601用于存储处理器可执行的计算机指令;
处理器602在执行计算机指令时实现以服务器为执行主体的实施例中虫害防治方法中的各个步骤。具体可以参见前述以服务器为执行主体的虫害防治方法相关实施例中的相关描述。
可选地,上述存储器601既可以是独立的,也可以跟处理器602集成在一起。当存储器601独立设置时,该服务器还包括总线,用于连接存储器501和处理器602。
如图7所示,本申请一实施例提供一种虫害防治装置700,包括处理器701和与处理器连接的存储器702、图像传感器703、诱虫器704、给药装置705。其中,给药装置包括第一储药箱706、第二储药箱707、配药箱708和储水箱709。
处理器701生成诱虫指令并控制诱虫器704引诱害虫,在完成诱虫后,处理器701控制图像传感器703多角度地采集农田害虫图像,并将获得的图像传输给服务器。在服务器分析处理后接受该服务器发送的虫害防治指令。处理器701从该虫害防治指令中解析出待喷洒的农药的种类、浓度和体积并给药装置中储药箱的标志确定目标农药,结合储水箱中的水,在配药箱中进行目标浓度的农药配置。在农药配置完成后,处理控制给药装置喷洒农药。其中,给药装置包含多个储药箱,用于储存不同种类的农药,在一实施例中,由于安装虫害防治装置的目标区域中存在两种害虫,需要喷洒两种对应的农药进行虫害防治,需要依次从第一储药箱和第二储药箱中获取农药进行配置和喷洒,完成虫害防治,以实现以虫害防治装置为执行主体的虫害防治方法。
本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机指令,当处理器执行计算机指令时,实现上述实施例中虫害防治方法中的各个步骤。
本申请实施例还提供一种计算机程序产品,包括计算机指令,该计算机指令被处理器执行时实现上述实施例中虫害防治方法中的各个步骤。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (12)
1.一种虫害防治方法,其特征在于,所述方法应用于服务器,所述方法包括:
获取目标时间段内处于目标区域的图像传感器采集的N张原始虫害图像;其中,N≥1;
对所述N张原始虫害图像进行分析处理,获得所述目标区域内虫害的种类及每种虫害对应的数量;
根据每种虫害的数量和第一映射关系表确定农药类型及其喷洒体积;其中,所述第一映射关系表表示虫害的种类及所对应的数量与农药的类型、浓度及其喷洒体积间一一对应的关系;
根据所述农药类型、浓度及喷洒体积生成虫害防治指令,并将所述虫害防治指令发送至对应的虫害防治装置;所述虫害防治指令用于指示所述虫害防治装置喷洒农药。
2.根据权利要求1所述的方法,其特征在于,对所述N张原始虫害图像进行分析处理,获得所述区域内虫害的种类及每种虫害对应的数量,具体包括:
对所述N张原始虫害图像进行图像预处理,获得虫害增强图像;其中,所述虫害增强图像中包含至少一只害虫;
对所述虫害增强图像进行裁剪,获得M张仅包含一只害虫的虫害子图像;其中,M≥N;
使用图像识别模型对所述虫害子图像进行识别,获得所述虫害的类型,并对不同虫害类型的数量进行统计,获得各虫害类型所对应的数量。
3.根据权利要求2所述的方法,其特征在于,对所述N张原始虫害图像进行图像预处理,获得虫害增强图像,具体包括:
将所述原始虫害图像进行灰度转换,以获得虫害灰度图像;
对所述虫害灰度图像的边缘进行处理,以获得虫害边缘图像;
对所述虫害边缘图像进行闭运算形态学处理,以获得虫害增强图像。
4.根据权利要求3所述的方法,其特征在于,对所述虫害灰度图像的边缘进行处理,以获得虫害边缘图像,具体包括:
对所述虫害灰度图像边缘像素点进行提取和去噪处理,以获得原始虫害边缘图像;
对所述原始虫害边缘图像进行对比度增强处理,以获得虫害边缘图像。
5.根据权利要求2所述的方法,其特征在于,对所述虫害增强图像进行裁剪,获得M张只包含一只害虫的虫害子图像,具体包括:
获取所述虫害增强图像中多组闭合边缘图像;其中,每组闭合边缘图像表示一只害虫的轮廓;
对所述闭合边缘图像的外接矩形区域进行分割,获得只包含一只害虫的虫害子图像。
6.根据权利要求1所述的方法,其特征在于,根据所述农药类型、浓度及喷洒体积生成虫害防治指令,并将所述虫害防治指令发送至对应的虫害防治装置之后,所述方法还包括:
生成虫害预警信息,并将所述虫害预警信息发送至用户终端。
7.一种虫害防治方法,其特征在于,所述方法应用于虫害防治装置,所述虫害防治装置包含图像传感器和多个给药装置,所述方法包括:
向服务器发送图像传感器采集的原始虫害图像;目标区域内虫害的种类及每种虫害对应的数量是对所述N张原始虫害图像进行分析处理获得的,农药类型、浓度及其喷洒体积是根据所述每种虫害的数量和第一映射关系表确定的,虫害防治指令是根据所述农药类型、浓度及喷洒体积生成的,其中,所述第一映射关系表表示虫害的种类及所对应的数量与农药的类型、浓度及其喷洒体积间一一对应的关系;
接收所述服务器发送的虫害防治指令,并根据所述虫害防治指令喷洒农药。
8.根据权利要求7所述的方法,其特征在于,所述根据所述虫害防治指令喷洒农药,具体包括:
对所述虫害防治指令进行解析处理,获得喷洒的农药类型、浓度及体积;
根据所述农药类型和第二映射关系表确定给药装置标识;其中,所述第二映射关系表表示农药类型和给药装置标识的对应关系;
根据所述给药装置标识,控制所述标识对应的给药装置喷洒对应浓度和体积的农药。
9.根据权利要求8所述的方法,其特征在于,在所述向服务器发送图像传感器采集的原始虫害图像之前,所述方法还包括:
依照预设时间间隔控制诱虫器发出超声波,其中,所述超声波用于引诱害虫;所述虫害防治装置还包括所述诱虫器,所述诱虫器置于所述图像传感器上方。
10.一种服务器,其特征在于,包括:处理器以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1至6中任意一项所述的数据处理方法。
11.一种虫害防治装置,其特征在于,包括:处理器、与所述处理器通信连接的存储器、图像传感器、诱虫器及给药装置;
所述图像传感器用于多角度地采集农田害虫图像,所述诱虫器用于引诱害虫;所述给药装置用于喷洒农药;其中,所述给药装置包含多个储药箱,多个储药箱用于储存不同种类的农药;
所述存储器存储计算机执行指令;所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求7至9中任意一项所述的虫害防治方法。
12.一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中存储有计算机指令,所述计算机指令被处理器执行时用于实现如权利要求1至6中任意一项,或者,7至9中任意一项所述的虫害防治方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111363240.4A CN116135019A (zh) | 2021-11-17 | 2021-11-17 | 虫害防治方法、服务器、虫害防治装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111363240.4A CN116135019A (zh) | 2021-11-17 | 2021-11-17 | 虫害防治方法、服务器、虫害防治装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116135019A true CN116135019A (zh) | 2023-05-19 |
Family
ID=86333066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111363240.4A Pending CN116135019A (zh) | 2021-11-17 | 2021-11-17 | 虫害防治方法、服务器、虫害防治装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116135019A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005813A (zh) * | 2015-06-26 | 2015-10-28 | 广州铁路职业技术学院 | 虫害分析计数方法及系统 |
CN105023272A (zh) * | 2015-06-26 | 2015-11-04 | 广州铁路职业技术学院 | 农作物叶子虫害检测方法和系统 |
CN106956778A (zh) * | 2017-05-23 | 2017-07-18 | 广东容祺智能科技有限公司 | 一种无人机农药喷洒方法及系统 |
US20170273290A1 (en) * | 2016-03-22 | 2017-09-28 | Matthew Jay | Remote insect monitoring systems and methods |
CN108271753A (zh) * | 2018-01-05 | 2018-07-13 | 广州翼鲲生物科技有限公司 | 一种害虫防治方法和系统 |
CN109102004A (zh) * | 2018-07-23 | 2018-12-28 | 鲁东大学 | 棉花害虫识别分类方法及装置 |
CN109496622A (zh) * | 2018-10-18 | 2019-03-22 | 广州极飞科技有限公司 | 害虫的识别方法及装置、施药信息的确定方法、植保系统 |
CN111080323A (zh) * | 2019-12-25 | 2020-04-28 | 中国联合网络通信集团有限公司 | 产品质量追溯评估方法及设备 |
CN112907547A (zh) * | 2021-02-26 | 2021-06-04 | 海南金垦赛博信息科技有限公司 | 一种热带农作物病虫害风险评估方法及系统 |
-
2021
- 2021-11-17 CN CN202111363240.4A patent/CN116135019A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005813A (zh) * | 2015-06-26 | 2015-10-28 | 广州铁路职业技术学院 | 虫害分析计数方法及系统 |
CN105023272A (zh) * | 2015-06-26 | 2015-11-04 | 广州铁路职业技术学院 | 农作物叶子虫害检测方法和系统 |
US20170273290A1 (en) * | 2016-03-22 | 2017-09-28 | Matthew Jay | Remote insect monitoring systems and methods |
CN106956778A (zh) * | 2017-05-23 | 2017-07-18 | 广东容祺智能科技有限公司 | 一种无人机农药喷洒方法及系统 |
CN108271753A (zh) * | 2018-01-05 | 2018-07-13 | 广州翼鲲生物科技有限公司 | 一种害虫防治方法和系统 |
CN109102004A (zh) * | 2018-07-23 | 2018-12-28 | 鲁东大学 | 棉花害虫识别分类方法及装置 |
CN109496622A (zh) * | 2018-10-18 | 2019-03-22 | 广州极飞科技有限公司 | 害虫的识别方法及装置、施药信息的确定方法、植保系统 |
CN111080323A (zh) * | 2019-12-25 | 2020-04-28 | 中国联合网络通信集团有限公司 | 产品质量追溯评估方法及设备 |
CN112907547A (zh) * | 2021-02-26 | 2021-06-04 | 海南金垦赛博信息科技有限公司 | 一种热带农作物病虫害风险评估方法及系统 |
Non-Patent Citations (1)
Title |
---|
胡晓丽: "基于二值图像连通域的甘蔗螟虫识别计数方法", 《桂林电子科技大学学报》, vol. 38, no. 3, 20 July 2018 (2018-07-20), pages 210 - 214 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10405535B2 (en) | Methods, systems and devices relating to real-time object identification | |
EP3125670B1 (en) | Agricultural implement operator monitoring methods | |
CN109197278B (zh) | 作业策略的确定方法及装置、药物喷洒策略的确定方法 | |
US20180084708A1 (en) | Agricultural work machine for avoiding anomalies | |
CN110926430B (zh) | 一种空地一体化红树林监测系统及控制方法 | |
CN109409275B (zh) | 目标对象的识别方法及装置、施药信息的确定方法 | |
CN105989601B (zh) | 基于机器视觉的农业agv玉米行间导航基准线提取方法 | |
CN108073908B (zh) | 害虫识别方法及装置、计算机装置及存储介质 | |
Bhadane et al. | Early pest identification in agricultural crops using image processing techniques | |
US20230371493A1 (en) | Treatment system for plant specific treatment | |
CN105005813A (zh) | 虫害分析计数方法及系统 | |
CN113313737B (zh) | 一种基于计算机视觉的诱虫瓶昆虫计数方法以及计数装置 | |
CN107844771A (zh) | 农作物生产管理的方法、系统、计算机装置及存储介质 | |
CN1628513A (zh) | 农药精确对靶施用方法 | |
CN115861721B (zh) | 基于图像数据的畜禽养殖喷雾设备状态识别方法 | |
CN116630663A (zh) | 一种基于物联网的智能施药方法及系统 | |
CN105023272A (zh) | 农作物叶子虫害检测方法和系统 | |
CN110428374B (zh) | 一种小体积害虫自动检测方法及系统 | |
CN105427279A (zh) | 一种基于计算机视觉及物联网的草原旱情监测系统和方法 | |
CN108182673A (zh) | 一种盐碱地的改良和治理方法及系统 | |
CN116135019A (zh) | 虫害防治方法、服务器、虫害防治装置及存储介质 | |
CN106780443A (zh) | 作物害虫的预警方法和作物害虫的预警装置 | |
CN111523457A (zh) | 一种杂草识别方法及杂草处理设备 | |
CN109492541B (zh) | 目标对象类型的确定方法及装置、植保方法、植保系统 | |
US20230363370A1 (en) | Treatment system for weed specific treatment |
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 |