CN116259078B - 一种杀虫剂推荐方法、装置、设备及存储介质 - Google Patents
一种杀虫剂推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116259078B CN116259078B CN202310546209.7A CN202310546209A CN116259078B CN 116259078 B CN116259078 B CN 116259078B CN 202310546209 A CN202310546209 A CN 202310546209A CN 116259078 B CN116259078 B CN 116259078B
- Authority
- CN
- China
- Prior art keywords
- target
- pesticide
- candidate
- pest
- determining
- 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
- 239000000575 pesticide Substances 0.000 title claims abstract description 245
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 212
- 230000006870 function Effects 0.000 claims description 31
- 239000002917 insecticide Substances 0.000 claims description 30
- 230000000749 insecticidal effect Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 241000238631 Hexapoda Species 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 6
- 201000010099 disease Diseases 0.000 abstract description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 10
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000010801 machine learning Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
-
- 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
- G06V10/70—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
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Human Computer Interaction (AREA)
- Economics (AREA)
- Agronomy & Crop Science (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种杀虫剂推荐方法、装置、设备及存储介质，涉及植物病害检测技术领域，尤其涉及机器学习、深度学习和计算机视觉技术领域，具体涉及。该方法包括：获取待识别害虫图像；基于害虫识别模型，对所述待识别害虫图像进行害虫识别，确定所述待识别害虫图像中目标害虫的目标类别概率；基于杀虫剂推荐模型，根据所述目标害虫的目标类别概率，从至少一种候选杀虫剂使用方式中确定所述目标害虫对应的目标杀虫剂使用方式，并将所述目标杀虫剂使用方式推荐给需求方；其中，所述候选杀虫剂使用方式包括候选杀虫剂类别、所述候选杀虫剂类别对应的候选杀虫剂使用量和候选杀虫剂使用时间。通过上述技术方案，可以提高杀虫剂推荐的推荐准确度。
Description
技术领域
本发明涉及植物病害检测技术领域，尤其涉及机器学习、深度学习和计算机视觉技术领域，具体涉及一种杀虫剂推荐方法、装置、设备及存储介质。
背景技术
现如今，计算机视觉识别和深度学习技术在农业领域运用日益广泛，尤其在植物病虫害识别和作物生产种植过程中发挥着至关重要的作用。在智能农业的大背景下，如何高精度的判断病虫害的类型是当今热门研究领域。近年来，海内外诸多学者提出了识别病虫害的模型，但仍在精确性上有着提升空间。因此，通过更高精度的识别手段检测病虫害图像，并以此建立推荐相应的杀虫剂的智能系统迫在眉睫。
由于技术和资源尚且存在诸多局限性，智能农业背景下杀虫剂的推荐系统仍然存在着诸多挑战：（1）农民缺乏科学使用杀虫剂的意识，向农作物喷洒过量杀虫剂会对食用的人类以及自然环境造成直接或间接的不良影响；（2）病虫害的图像内容特征往往类似，难以辨别害虫的类型，使之容易给出错误的杀虫剂推荐；（3）现有的识别病虫害图像的算法精度往往不高，所提取的图像特征信息无法跟实际情况相匹配，进而给出了错误的结果判断。因此，现提出的技术必须解决和实现以下几个问题：（1）提升模型的精确度，对于病虫害图像的特征要精准把控，区分开相似类型的害虫；（2）优化算法在计算所需的时间；（3）精准的根据识别信息推荐出管理机构的安全标准下的杀虫剂类型和使用的剂量。
发明内容
本发明提供了一种杀虫剂推荐方法、装置、设备及存储介质，以实现杀虫剂的精准推荐。
根据本发明的一方面，提供了一种杀虫剂推荐方法，该方法包括：
获取待识别害虫图像；
基于害虫识别模型，对所述待识别害虫图像进行害虫识别，确定所述待识别害虫图像中目标害虫的目标类别概率；
基于杀虫剂推荐模型，根据所述目标害虫的目标类别概率，从至少一种候选杀虫剂使用方式中确定所述目标害虫对应的目标杀虫剂使用方式，并将所述目标杀虫剂使用方式推荐给需求方；
其中，所述候选杀虫剂使用方式包括候选杀虫剂类别、所述候选杀虫剂类别对应的候选杀虫剂使用量和候选杀虫剂使用时间。
根据本发明的另一方面，提供了一种杀虫剂推荐装置，该装置包括：
待识别图像获取模块，用于获取待识别害虫图像；
目标类别概率确定模块，用于基于害虫识别模型，对所述待识别害虫图像进行害虫识别，确定所述待识别害虫图像中目标害虫的目标类别概率；
目标杀虫方式确定模块，用于基于杀虫剂推荐模型，根据所述目标害虫的目标类别概率，从至少一种候选杀虫剂使用方式中确定所述目标害虫对应的目标杀虫剂使用方式，并将所述目标杀虫剂使用方式推荐给需求方；
其中，所述候选杀虫剂使用方式包括候选杀虫剂类别、所述候选杀虫剂类别对应的候选杀虫剂使用量和候选杀虫剂使用时间。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
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，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的杀虫剂推荐方法。
根据本发明的另一方面，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存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的杀虫剂推荐方法。
本发明实施例的技术方案，通过获取待识别害虫图像，之后基于害虫识别模型，对所述待识别害虫图像进行害虫识别，确定所述待识别害虫图像中目标害虫的目标类别概率，进而基于杀虫剂推荐模型，根据所述目标害虫的目标类别概率，从至少一种候选杀虫剂使用方式中确定所述目标害虫对应的目标杀虫剂使用方式，并将所述目标杀虫剂使用方式推荐给需求方。上述技术方案，能够提高植物病害检测的准确性，从而提高杀虫剂的智能推荐。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明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的附图。
图1是根据本发明实施例一提供的一种杀虫剂推荐方法的流程图；
图2是根据本发明实施例二提供的一种杀虫剂推荐方法的流程图；
图3是根据本发明实施例三提供的一种杀虫剂推荐方法的流程图；
图4是根据本发明实施例四提供的一种杀虫剂推荐装置的结构示意图；
图5是实现本发明实施例的杀虫剂推荐方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“目标”、“候选”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
此外，还需要说明的是，本发明的技术方案中，所涉及的待识别害虫图像、候选杀虫剂使用方式等的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
实施例一
图1是根据本发明实施例一提供的一种杀虫剂推荐方法的流程图。本实施例可适用于植物病害检测场景中如何精准判断害虫类别以实现杀虫剂精准推荐的情况，该方法可以由杀虫剂推荐装置来执行，该杀虫剂推荐装置可以采用硬件和/或软件的形式实现，并可集成于承载杀虫剂推荐功能的电子设备中，例如服务器中杀虫剂推荐系统。如图1所示，本实施例的杀虫剂推荐方法可以包括：
S110、获取待识别害虫图像。
本实施例中，待识别害虫图像是指需要进行虫害识别的植物图像。
具体的，用户可以通过交互界面，上传需要进行害虫识别的待识别害虫图像；相应的，服务器可以获取到待识别害虫图像。
S120、基于害虫识别模型，对待识别害虫图像进行害虫识别，确定待识别害虫图像中目标害虫的目标类别概率。
本实施例中，害虫识别模型是指用于图像中害虫类别识别的模型，可以是基于卷积神经网络的深度学习模型。可选的，害虫识别模型包括特征提取网络和类别识别网络；其中，特征提取网络可以包括至少两个卷积层和至少两个池化层，每一卷积层对应一池化层；需要说明的是，至少两个卷积层的输入相同，输出不同；也就是说，不同卷积层的输入相同均为所输入的待识别害虫图像，不同卷积层输出不同，即为待识别害虫图像中害虫不同部位的特征。类别识别网络可以包括全连接层和转移概率函数。
所谓目标害虫是指待识别害虫图像中所包含的害虫。目标类别概率是指待识别害虫图像中害虫类别的概率。
可选的，采用害虫识别模型中特征提取网络，对待识别害虫图像进行部位特征提取，得到待识别害虫图像中目标害虫的部位特征；基于害虫识别模型中转移概率函数，根据目标害虫的部位特征，确定目标害虫的目标类别概率。
其中，部位特征是指目标害虫的各部位（比如眼睛、嘴部等）的特征，可以采用矩阵或向量形式表示。
具体的，可以将待识别害虫图像输入害虫识别模型中特征提取网络，也就是说，害虫识别模型中特征提取网络中各卷积层可以提取到目标害虫不同部位的特征，进而对于每一卷积层所输出的每一部位的特征，可以采用卷积层对应的池化层对该特征进行降维处理，得到目标害虫的部位特征。需要说明的是，采用池化层进行特征降维，既可以保留部位重要特征，又在一定程度上防止过拟合。
之后，可以采用害虫识别模型中转移概率函数，根据目标害虫的部位特征，对目标害虫进行分类，得到目标害虫的目标类别概率。其中，基于转移概率函数进行图像分类过程可以通过如下公式实现：
其中，表示经过t时间从状态（类别）i变化到状态（类别）j的概率；/>表示具体的转移函数；s表示类别i对应的部位特征。
可以理解的是，基于害虫识别模型中卷积神经网络和转移概率函数来确定待识别害虫图像中目标害虫的类别概率，可以使得害虫类别识别更加精准。
S130、基于杀虫剂推荐模型，根据目标害虫的目标类别概率，从至少一种候选杀虫剂使用方式中确定目标害虫对应的目标杀虫剂使用方式，并将目标杀虫剂使用方式推荐给需求方。
本实施例中，候选杀虫剂使用方式包括候选杀虫剂类别、候选杀虫剂类别对应的候选杀虫剂使用量和候选杀虫剂使用时间。目标杀虫剂使用方式是指最终所确定的最优的杀虫剂使用方式。
所谓杀虫剂推荐模型是指用于确定目标害虫对应的杀虫剂使用方式的模型；可选的，杀虫剂推荐模型可以基于机器学习算法得到。
所谓需求方是指需要对杀虫剂使用方式进行指导杀虫的一方，例如可以是植物养殖户等。
具体的，可以将目标害虫的目标类别概率输入到杀虫剂推荐模型中，经过模型处理，可以从至少一种候选杀虫剂使用方式中确定目标害虫对应的目标杀虫剂使用方式。进而，可以将目标杀虫剂使用方式推荐给需求方。
本发明实施例提供的技术方案，通过获取待识别害虫图像，之后基于害虫识别模型，对待识别害虫图像进行害虫识别，确定待识别害虫图像中目标害虫的目标类别概率，进而基于杀虫剂推荐模型，根据目标害虫的目标类别概率，从至少一种候选杀虫剂使用方式中确定目标害虫对应的目标杀虫剂使用方式，并将目标杀虫剂使用方式推荐给需求方。上述技术方案，能够提高植物病害检测的准确性，从而提高杀虫剂的智能推荐。
实施例二
图2是根据本发明实施例二提供的一种杀虫剂推荐方法的流程图。本实施在上述实施例的基础上，对“基于杀虫剂推荐模型，根据目标害虫的目标类别概率，从至少一种候选杀虫剂使用方式中确定目标害虫对应的目标杀虫剂使用方式”进一步优化，提供一种可选方案。如图2所示，本实施例的杀虫剂推荐方法可以包括：
S210、获取待识别害虫图像。
S220、基于害虫识别模型，对待识别害虫图像进行害虫识别，确定待识别害虫图像中目标害虫的目标类别概率。
S230、确定目标害虫与候选杀虫剂使用方式之间的目标离散误差。
本实施例中，目标离散误差用于表征目标害虫与候选杀虫剂使用方式之间的匹配程度。
可选的，可以根据目标类别概率、候选杀虫剂类别、候选杀虫剂使用量和候选杀虫剂使用时间，确定目标害虫与候选杀虫剂使用方式之间的目标离散误差；目标离散误差包括目标绝对离散误差或目标相对离散误差。
具体的，可以基于预设计算方式，根据目标类别概率、候选杀虫剂类别、候选杀虫剂使用量和候选杀虫剂使用时间，确定目标害虫与候选杀虫剂使用方式之间的目标离散误差。例如，可以通过如下公式，确定目标害虫与第m种候选杀虫剂使用方式之间的目标绝对离散误差：
其中，表示目标害虫与第m种杀虫剂之间的目标绝对离散误差；/>、表示目标害虫的目标类别概率；/>分别表示第1种候选杀虫剂类别、…、第n种候选杀虫类别；/>分别表示第1种候选杀虫剂的候选杀虫剂使用量、…、和第n种候选杀虫剂的候选杀虫剂使用量；/>分别表示第1种候选杀虫剂对应的候选杀虫剂使用时间、…、和第n种候选杀虫剂对应的候选杀虫剂使用时间；n表示杀虫剂的种类数量。
又如，可以通过如下公式，确定目标害虫与第m种候选杀虫剂使用方式之间的目标相对离散误差：
其中，表示目标害虫与第m种杀虫剂之间的目标相对离散误差；/>表示目标害虫的目标类别概率；/>分别表示第1种候选杀虫剂类别、…、第n种候选杀虫类别；/>分别表示第1种候选杀虫剂的候选杀虫剂使用量、…、和第n种候选杀虫剂的候选杀虫剂使用量；/>分别表示第1种候选杀虫剂对应的候选杀虫剂使用时间、…、和第n种候选杀虫剂对应的候选杀虫剂使用时间；n表示杀虫剂的种类数量。
S240、根据目标离散误差，确定目标害虫与候选杀虫剂使用方式之间的匹配度。
具体的，可以基于sigmoid函数，根据目标离散误差，确定目标害虫与候选杀虫剂使用方式之间的匹配度，例如可以通过如下方式确定：
其中，表示目标害虫与第m种候选杀虫剂使用方式之间的匹配度；/>表示目标离散误差；θ为参数，可以根据实际需求设定。
S250、根据匹配度，从至少一种候选杀虫剂使用方式中确定目标害虫对应的目标杀虫剂使用方式。
具体的，可以按照匹配，对至少一种候选杀虫使用方式进行从大到小排序，将排序靠前的候选杀虫剂使用方式作为目标杀虫剂使用方式。进而将目标杀虫剂使用方式推荐给需求方。
本发明实施例提供的技术方案，通过获取待识别害虫图像，之后基于害虫识别模型，对待识别害虫图像进行害虫识别，确定待识别害虫图像中目标害虫的目标类别概率，进而确定目标害虫与候选杀虫剂使用方式之间的目标离散误差，并根据目标离散误差，确定目标害虫与候选杀虫剂使用方式之间的匹配度，根据匹配度，从至少一种候选杀虫剂使用方式中确定目标害虫对应的目标杀虫剂使用方式。上述技术方案，采用离散误差方式，来确定目标杀虫剂使用方式，可以提高杀虫剂推荐的准确性。
实施例三
图3是根据本发明实施例三提供的一种杀虫剂推荐方法的流程图。本实施例在上述实施例的基础上，进一步优化，提供一种可选实施方案。如图3所示，本实施例的杀虫剂推荐方法可以包括：
S310、获取待识别害虫图像。
S320、基于害虫识别模型，对待识别害虫图像进行害虫识别，确定待识别害虫图像中目标害虫的目标类别概率。
S330、根据候选杀虫剂使用量和候选杀虫剂使用时间，确定杀虫剂推荐模型的目标函数。
具体的，可以基于预设函数，根据候选杀虫剂使用量和候选杀虫剂使用时间，确定杀虫剂推荐模型的目标函数，例如可以通过如下公式确定杀虫剂推荐模型的目标函数：
其中，n表示候选杀虫剂的种类数量；表示第i种候选杀虫剂的候选杀虫剂使用量；/>表示第i种候选杀虫剂对应的候选杀虫剂使用时间。
S340、根据候选害虫类别概率、候选杀虫剂使用量和候选杀虫剂使用时间，确定目标函数的目标约束条件。
可选的，可以根据候选杀虫剂使用量和候选杀虫剂使用时间，确定候选杀虫剂的候选杀虫剂处理速率；根据候选害虫类别概率和至少一种候选杀虫剂的候选杀虫剂处理速率，确定第一约束条件；根据至少一种候选杀虫剂的候选杀虫剂处理速率，确定第二约束条件；根据第一约束条件和第二约束条件，确定目标函数的目标约束条件。
具体的，可以将候选杀虫剂使用量与候选杀虫剂使用时间相除，得到候选杀虫剂的候选杀虫剂处理速率；对于每一候选害虫类别概率，将该候选害虫类别概率与每一候选杀虫剂的候选杀虫剂处理速率相乘后结果再求和，作为第一约束条件；将每一候选杀虫剂的候选杀虫剂处理速率大于等于零，作为第二约束条件；进而将第一约束条件和第二约束条件作为目标函数的目标约束条件。具体如下述公式：
其中，表示第一约束条件；/>表示第二约束条件；/>表示第i种候选杀虫剂的候选杀虫剂使用量；/>表示第i种候选杀虫剂对应的候选杀虫剂使用时间；/>表示第m种候选害虫类别概率。
S350、基于杀虫剂推荐模型，根据目标害虫的目标类别概率，从至少一种候选杀虫剂使用方式中确定目标害虫对应的目标杀虫剂使用方式，并将目标杀虫剂使用方式推荐给需求方。
其中，候选杀虫剂使用方式包括候选杀虫剂类别、候选杀虫剂类别对应的候选杀虫剂使用量和候选杀虫剂使用时间。
本发明实施例提供的技术方案，通过获取待识别害虫图像，之后基于害虫识别模型，对待识别害虫图像进行害虫识别，确定待识别害虫图像中目标害虫的目标类别概率，进而根据候选杀虫剂使用量和候选杀虫剂使用时间，确定杀虫剂推荐模型的目标函数，并根据候选害虫类别概率、候选杀虫剂使用量和候选杀虫剂使用时间，确定目标函数的目标约束条件，最后基于杀虫剂推荐模型，根据目标害虫的目标类别概率，从至少一种候选杀虫剂使用方式中确定目标害虫对应的目标杀虫剂使用方式，并将目标杀虫剂使用方式推荐给需求方。通过上述技术方案，提供一种杀虫剂推荐模型的目标函数和目标约束条件的确定方式，即提供一种具体的杀虫剂推荐模型，可以杀虫剂的智能推荐提供多种方式。
实施例四
图4是根据本发明实施例四提供的一种杀虫剂推荐装置的结构示意图。本实施例可适用于植物病害检测场景中如何精准判断害虫类别以实现杀虫剂精准推荐的情况，该杀虫剂推荐装置可以采用硬件和/或软件的形式实现，并可集成于承载杀虫剂推荐功能的电子设备中，例如服务器中。如图4所示，本实施例的杀虫剂推荐装置可以包括：
待识别图像获取模块410，用于获取待识别害虫图像；
目标类别概率确定模块420，用于基于害虫识别模型，对待识别害虫图像进行害虫识别，确定待识别害虫图像中目标害虫的目标类别概率；
目标杀虫方式确定模块430，用于基于杀虫剂推荐模型，根据目标害虫的目标类别概率，从至少一种候选杀虫剂使用方式中确定目标害虫对应的目标杀虫剂使用方式，并将目标杀虫剂使用方式推荐给需求方；
其中，候选杀虫剂使用方式包括候选杀虫剂类别、候选杀虫剂类别对应的候选杀虫剂使用量和候选杀虫剂使用时间。
本发明实施例的技术方案，通过获取待识别害虫图像，之后基于害虫识别模型，对所述待识别害虫图像进行害虫识别，确定所述待识别害虫图像中目标害虫的目标类别概率，进而基于杀虫剂推荐模型，根据所述目标害虫的目标类别概率，从至少一种候选杀虫剂使用方式中确定所述目标害虫对应的目标杀虫剂使用方式，并将所述目标杀虫剂使用方式推荐给需求方。上述技术方案，能够提高植物病害检测的准确性，从而提高杀虫剂的智能推荐。
可选的，目标杀虫方式确定模块430包括：
目标离散误差确定单元，用于确定目标害虫与候选杀虫剂使用方式之间的目标离散误差；
匹配度确定单元，用于根据目标离散误差，确定目标害虫与候选杀虫剂使用方式之间的匹配度；
目标杀虫方式确定单元，用于根据匹配度，从至少一种候选杀虫剂使用方式中确定目标害虫对应的目标杀虫剂使用方式。
可选的，目标离散误差确定单元具体用于：
根据目标类别概率、候选杀虫剂类别、候选杀虫剂使用量和候选杀虫剂使用时间，确定目标害虫与候选杀虫剂使用方式之间的目标离散误差；目标离散误差包括目标绝对离散误差或目标相对离散误差。
可选的，该装置还包括：
目标函数确定模块，用于根据候选杀虫剂使用量和候选杀虫剂使用时间，确定杀虫剂推荐模型的目标函数；
目标约束条件确定模块，用于根据候选害虫类别概率、候选杀虫剂使用量和候选杀虫剂使用时间，确定目标函数的目标约束条件。
可选的，目标约束条件确定模块具体用于：
根据候选杀虫剂使用量和候选杀虫剂使用时间，确定候选杀虫剂的候选杀虫剂处理速率；
根据候选害虫类别概率和至少一种候选杀虫剂的候选杀虫剂处理速率，确定第一约束条件；
根据至少一种候选杀虫剂的候选杀虫剂处理速率，确定第二约束条件；
根据第一约束条件和第二约束条件，确定目标函数的目标约束条件。
可选的，目标类别概率确定模块420具体用于：
采用害虫识别模型中特征提取网络，对待识别害虫图像进行部位特征提取，得到待识别害虫图像中目标害虫的部位特征；
基于害虫识别模型中转移概率函数，根据目标害虫的部位特征，确定目标害虫的目标类别概率。
可选的，特征提取网络中包括至少两个卷积层；至少两个卷积层的输入相同、输出不同。
本发明实施例所提供的杀虫剂推荐装置可执行本发明任意实施例所提供的杀虫剂推荐方法，具备执行方法相应的功能模块和有益效果。
实施例五
图5是实现本发明实施例的杀虫剂推荐方法的电子设备的结构示意图；图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备（如头盔、眼镜、手表等）和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器（ROM）12、随机访问存储器（RAM）13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器（ROM）12中的计算机程序或者从存储单元18加载到随机访问存储器（RAM）13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出（I/O）接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如杀虫剂推荐方法。
在一些实施例中，杀虫剂推荐方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM13并由处理器11执行时，可以执行上文描述的杀虫剂推荐方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行杀虫剂推荐方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、负载可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (8)
1.一种杀虫剂推荐方法，其特征在于，包括：
获取待识别害虫图像；
基于害虫识别模型，对所述待识别害虫图像进行害虫识别，确定所述待识别害虫图像中目标害虫的目标类别概率；
根据所述目标类别概率、候选杀虫剂类别、所述候选杀虫剂使用量和所述候选杀虫剂使用时间，确定所述目标害虫与所述候选杀虫剂使用方式之间的目标离散误差；所述目标离散误差包括目标绝对离散误差或目标相对离散误差；
根据所述目标离散误差，确定所述目标害虫与候选杀虫剂使用方式之间的匹配度；
根据所述匹配度，从至少一种候选杀虫剂使用方式中确定所述目标害虫对应的目标杀虫剂使用方式，并将所述目标杀虫剂使用方式推荐给需求方；
其中，所述候选杀虫剂使用方式包括所述候选杀虫剂类别、所述候选杀虫剂类别对应的候选杀虫剂使用量和候选杀虫剂使用时间。
2.根据权利要求1所述的方法，其特征在于，还包括：
根据所述候选杀虫剂使用量和所述候选杀虫剂使用时间，确定杀虫剂推荐模型的目标函数；
根据候选害虫类别概率、所述候选杀虫剂使用量和所述候选杀虫剂使用时间，确定所述目标函数的目标约束条件。
3.根据权利要求2所述的方法，其特征在于，所述根据候选害虫类别概率、所述候选杀虫剂使用量和所述候选杀虫剂使用时间，确定所述目标函数的目标约束条件，包括：
根据所述候选杀虫剂使用量和所述候选杀虫剂使用时间，确定候选杀虫剂的候选杀虫剂处理速率；
根据候选害虫类别概率和至少一种候选杀虫剂的候选杀虫剂处理速率，确定第一约束条件；
根据至少一种候选杀虫剂的候选杀虫剂处理速率，确定第二约束条件；
根据所述第一约束条件和所述第二约束条件，确定所述目标函数的目标约束条件。
4.根据权利要求1所述的方法，其特征在于，所述基于害虫识别模型，对所述待识别害虫图像进行害虫识别，确定所述待识别害虫图像中目标害虫的目标类别概率，包括：
采用所述害虫识别模型中特征提取网络，对所述待识别害虫图像进行部位特征提取，得到所述待识别害虫图像中目标害虫的部位特征；
基于所述害虫识别模型中转移概率函数，根据所述目标害虫的部位特征，确定所述目标害虫的目标类别概率。
5.根据权利要求4所述的方法，其特征在于，所述特征提取网络中包括至少两个卷积层；所述至少两个卷积层的输入相同、输出不同。
6.一种杀虫剂推荐装置，其特征在于，包括：
待识别图像获取模块，用于获取待识别害虫图像；
目标类别概率确定模块，用于基于害虫识别模型，对所述待识别害虫图像进行害虫识别，确定所述待识别害虫图像中目标害虫的目标类别概率；
目标杀虫方式确定模块包括：
目标离散误差确定单元，用于根据所述目标类别概率、候选杀虫剂类别、所述候选杀虫剂使用量和所述候选杀虫剂使用时间，确定所述目标害虫与所述候选杀虫剂使用方式之间的目标离散误差；所述目标离散误差包括目标绝对离散误差或目标相对离散误差；
匹配度确定单元，用于根据所述目标离散误差，确定所述目标害虫与候选杀虫剂使用方式之间的匹配度；
目标杀虫方式确定单元，用于根据所述匹配度，从至少一种候选杀虫剂使用方式中确定所述目标害虫对应的目标杀虫剂使用方式，并将所述目标杀虫剂使用方式推荐给需求方；
其中，所述候选杀虫剂使用方式包括所述候选杀虫剂类别、所述候选杀虫剂类别对应的候选杀虫剂使用量和候选杀虫剂使用时间。
7.一种电子设备，其特征在于，所述电子设备包括：
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，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的杀虫剂推荐方法。
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存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-5中任一项所述的杀虫剂推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310546209.7A CN116259078B (zh) | 2023-05-16 | 2023-05-16 | 一种杀虫剂推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310546209.7A CN116259078B (zh) | 2023-05-16 | 2023-05-16 | 一种杀虫剂推荐方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116259078A CN116259078A (zh) | 2023-06-13 |
| CN116259078B true CN116259078B (zh) | 2023-07-28 |
Family
ID=86682909
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310546209.7A Active CN116259078B (zh) | 2023-05-16 | 2023-05-16 | 一种杀虫剂推荐方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116259078B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116468962B (zh) * | 2023-06-20 | 2023-10-24 | 浙江天演维真网络科技股份有限公司 | 害虫识别方法、装置、设备及介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN115982472A (zh) * | 2023-03-21 | 2023-04-18 | 中化现代农业有限公司 | 农药用药推荐方法、装置和电子设备 |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105389737A (zh) * | 2015-10-28 | 2016-03-09 | 中农网购（江苏）电子商务有限公司 | 一种农药喷洒的决策与控制系统 |
| CN106778782A (zh) * | 2016-12-15 | 2017-05-31 | 盐城工学院 | 虫害识别与防治方法及系统 |
| US20180315177A1 (en) * | 2017-04-27 | 2018-11-01 | Hany Elzind | Plant disease photo identifier and treatment |
| CN109409170B (zh) * | 2017-08-18 | 2020-09-25 | 广州极飞科技有限公司 | 农作物的虫害识别方法和装置 |
| CN109886287B (zh) * | 2019-01-04 | 2024-05-14 | 平安科技（深圳）有限公司 | 杀虫剂确定方法、装置、计算机设备及存储介质 |
| CN111340070B (zh) * | 2020-02-11 | 2024-03-26 | 杭州睿琪软件有限公司 | 植物病虫害诊断方法和系统 |
| US20210350295A1 (en) * | 2020-05-11 | 2021-11-11 | International Business Machines Corporation | Estimation of crop pest risk and/or crop disease risk at sub-farm level |
| CN113297467A (zh) * | 2020-07-15 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 推荐方法、装置及计算机存储介质 |
| CN111914914A (zh) * | 2020-07-21 | 2020-11-10 | 上海理想信息产业（集团）有限公司 | 一种病虫害的识别方法、装置、设备和存储介质 |
| CN114550848A (zh) * | 2022-02-21 | 2022-05-27 | 北京京东尚科信息技术有限公司 | 作物病害处理方法、装置、电子设备及计算机可读介质 |
| CN114596468A (zh) * | 2022-03-14 | 2022-06-07 | 瀚云科技有限公司 | 病虫害识别及模型训练方法、装置、电子设备及存储介质 |
| CN114586760B (zh) * | 2022-03-29 | 2023-03-03 | 广东省农业科学院植物保护研究所 | 一种基于大数据的农药喷淋方法，系统及可读存储介质 |
| CN115358883B (zh) * | 2022-09-15 | 2023-10-24 | 河北省农林科学院植物保护研究所 | 一种棉蚜的抗性动态监测与防治用药推荐方法及系统 |
| CN115294405B (zh) * | 2022-09-29 | 2023-01-10 | 浙江天演维真网络科技股份有限公司 | 农作物病害分类模型的构建方法、装置、设备及介质 |
| CN116012698A (zh) * | 2022-12-27 | 2023-04-25 | 北京声智科技有限公司 | 养护喷药方法、装置、设备和存储介质 |
-
2023
- 2023-05-16 CN CN202310546209.7A patent/CN116259078B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN115982472A (zh) * | 2023-03-21 | 2023-04-18 | 中化现代农业有限公司 | 农药用药推荐方法、装置和电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116259078A (zh) | 2023-06-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110555481B (zh) | 一种人像风格识别方法、装置和计算机可读存储介质 | |
| CN110458032B (zh) | 荔枝生长状况全程监控方法、系统、云服务器及存储介质 | |
| US9330460B2 (en) | Treatment recommending system of plant symptoms, method and non-transitory computer-readable medium | |
| CN107463958A (zh) | 昆虫识别预警方法及系统 | |
| Zhang et al. | Accurate cotton diseases and pests detection in complex background based on an improved YOLOX model | |
| CN116259078B (zh) | 一种杀虫剂推荐方法、装置、设备及存储介质 | |
| Kamath et al. | Classification of paddy crop and weeds using semantic segmentation | |
| CN110796135B (zh) | 目标的定位方法及装置、计算机设备、计算机存储介质 | |
| Singh et al. | Performance evaluation of plant leaf disease detection using deep learning models | |
| CN113159300A (zh) | 图像检测神经网络模型及其训练方法、图像检测方法 | |
| CN113887447A (zh) | 对象分类模型的训练方法、对象分类预测方法及装置 | |
| CN110363072A (zh) | 舌象识别方法、装置、计算机设备及计算机可读存储介质 | |
| CN104537273A (zh) | 一种溺水模式智能推理系统及方法 | |
| CN112861666A (zh) | 一种基于深度学习的鸡群计数方法及应用 | |
| CN111340213A (zh) | 神经网络的训练方法、电子设备、存储介质 | |
| WO2021027156A1 (zh) | 基于视频的农作物查勘方法、装置及计算机设备 | |
| Parez et al. | Towards Sustainable Agricultural Systems: A Lightweight Deep Learning Model for Plant Disease Detection. | |
| CN111414922A (zh) | 特征提取方法、图像处理方法、模型训练方法及装置 | |
| Kamarudin et al. | An augmented attention-based lightweight CNN model for plant water stress detection | |
| CN110555343B (zh) | 典型资源要素中林、灌、草三要素提取方法和系统 | |
| US20240020971A1 (en) | System and method for identifying weeds | |
| Xu et al. | Intelligent weight prediction of cows based on semantic segmentation and back propagation neural network | |
| CN118537665B (zh) | 大豆顶芽检测模型训练方法、装置、设备及介质 | |
| CN114898233B (zh) | 一种柑橘果园中柑橘木虱智能定位的方法及相关装置 | |
| Manoharan et al. | IoT-Based Crop Disease Detection and Management System Using Machine Learning Algorithms |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A recommended method, device, equipment, and storage medium for insecticides Effective date of registration: 20230825 Granted publication date: 20230728 Pledgee: Hangzhou United Rural Commercial Bank Co.,Ltd. Dongxin sub branch Pledgor: ZHEJIANG EVOTRUE NET TECHNOLOGY STOCK CO.,LTD. Registration number: Y2023980053806 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |