CN116385885A - 一种病虫害识别方法及系统 - Google Patents
一种病虫害识别方法及系统 Download PDFInfo
- Publication number
- CN116385885A CN116385885A CN202310405215.0A CN202310405215A CN116385885A CN 116385885 A CN116385885 A CN 116385885A CN 202310405215 A CN202310405215 A CN 202310405215A CN 116385885 A CN116385885 A CN 116385885A
- Authority
- CN
- China
- Prior art keywords
- pest
- crops
- growth
- crop
- disease
- 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 175
- 201000010099 disease Diseases 0.000 title claims abstract description 167
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 167
- 241000238631 Hexapoda Species 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 31
- 241000196324 Embryophyta Species 0.000 claims abstract description 142
- 230000012010 growth Effects 0.000 claims abstract description 139
- 238000003745 diagnosis Methods 0.000 claims abstract description 69
- 230000003071 parasitic effect Effects 0.000 claims abstract description 32
- 230000007480 spreading Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 6
- 244000045947 parasite Species 0.000 claims description 3
- 241000894007 species Species 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 5
- 244000068988 Glycine max Species 0.000 description 13
- 235000010469 Glycine max Nutrition 0.000 description 13
- 238000012545 processing Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 239000003814 drug Substances 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 240000007371 Cuscuta campestris Species 0.000 description 2
- 241000209504 Poaceae Species 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 2
- 208000002720 Malnutrition Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 244000038559 crop plants Species 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 230000035784 germination Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001071 malnutrition Effects 0.000 description 1
- 235000000824 malnutrition Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 208000015380 nutritional deficiency disease Diseases 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 210000000582 semen Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 230000009105 vegetative growth Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于农业种植技术领域，具体涉及一种病虫害识别方法及系统，该识别方法主要包括以下步骤：在终端服务器预先构建农作物标准生长模型、诊断模型和病虫害数据库；对农作物生长状态进行采集，获取农作物生长状态；上传所述农作物生长状态，调用所述农作物标准生长模型，通过所述农作物生长状态判定农作物的生长系数θ；调用诊断模型对农作物的病虫害特征进行识别，获取包含有病虫害特征的诊断数据以及病虫害的扩散率α。本发明通过采集农作物的图像，能够对农作物生长过程中出现的寄生植物种类以及病虫害虫类进行识别，同时，通过多维度数据的结合，计算出当季农作物受到病虫害胁迫后的产量，能够满足种植人员多维度的使用需求。
Description
技术领域
本发明属于农业种植技术领域，具体涉及一种病虫害识别方法及系统。
背景技术
农作物是农业上栽培的各种植物，包括粮食作物、经济作物(油料作物、蔬菜作物、花、草、树木)两大类。“民以食为天”表达了人与食物的关系，合理的膳食搭配才能给人类带来健康。农作物在生长的过程中，会受到不同寄生植物和病虫害的胁迫，如未及时对寄生植物和病虫害进行防治，会导致农作物大幅度的减产，甚至颗粒无收。传统种植过程中，大多通过农作物种植人员不定期对农作物进行巡查的方式，对农作物病虫害进行辨别，如果病害种类判断不准而盲目用药，不但起不到防治病害的目的，反而会延误最佳防治时机，甚至会因为错误用药而导致农作物发生药害。随着科技的发展，机器视觉技术在农业种植中得到了大力普及，通过采集农作物的图像进行分析和识别，能够高效的辨别对农作物进行胁迫的寄生植物和病虫害种类，进而便于农作物管理人员对症下药。但是，现有的机器视觉识别病虫害的技术中，大多只能单一的对病虫害的种类进行识别，无法对寄生植物的种类进行辨别，同时，无法对受到病虫害胁迫的农作物的产量进行预估，导致现有的病虫害识别技术维度较为单一，无法更好的满足种植人员的使用需求。
发明内容
本发明的目的是提供一种病虫害识别方法，通过采集农作物的图像，能够对农作物生长过程中出现的寄生植物种类以及病虫害虫类进行识别，同时，通过多维度数据的结合，计算出当季农作物受到病虫害胁迫后的产量，能够满足种植人员多维度的使用需求。
本发明采取的技术方案具体如下：
一种病虫害识别方法，主要包括以下步骤：
S1：在终端服务器预先构建农作物标准生长模型、诊断模型和病虫害数据库；
S2：对农作物生长状态进行采集，获取农作物生长状态；
S3：设置生长率参照表，上传所述生长状态，并输入农作物种植时间，计算农作物生长时长，调用所述农作物标准生长模型，通过所述生长状态计算农作物的生长率OH，根据所述生长率参照表和农作物的生长率OH判定农作物的生长系数θ；调用诊断模型对农作物的病虫害特征进行识别，获取包含有病虫害特征的诊断数据以及病虫害的扩散率α：
S4：根据所述诊断数据生成病虫害报告，根据所述生长系数θ、诊断数据以及病虫害的扩散率α生成农作物当季产量预估报告。
在一种优选方案中，如所述S1中，在终端服务器预先构建农作物标准生长模型的主要步骤包括：
S11：根据农作物知识图谱设立农作物的生长阶段、生长周期及其他相关数据，构建预设模型；
S12：根据种植地区的气候环境及农作物在该地区历年的生长数据，对所述预设模型进行调整，最终获得农作物标准生长模型。
在一种优选方案中，如所述S1中，在终端服务器预先构建诊断模型的主要步骤如下：
S13：构建卷积神经网络，所述卷积神经网络模型至少包含有输入层、卷积层、池化层、全连接层和输出层；
S14：获取训练图库，所述训练图库中至少包括有农作物图集、寄生植物图集、病害图集以及虫害图集；
S15：将所述训练图库输入至卷积神经网络中进行训练，获取基于卷积神经网络的诊断模型。
在一种优选方案中，如所述S3中，调用诊断模型对农作物的病虫害特征进行识别，获取包含有病虫害特征的诊断数据以及病虫害的扩散率α的主要步骤如下：
S31：设置病虫害评估表和病虫害等级参照表，获取农作物种植区域面积；
S32：对所述农作物生长状态进行识别，调用诊断模型，获取农作物的诊断数据；
S33：根据病虫害评估表选取寄生植物评分、病虫害程度评分，代入公式计算农作物的病害度，病害度的计算公式为：
其中，DSV表示农作物的病害度，m表示寄生植物种类的数量，n表示病害种类的数量和虫害种类的数量之和，ak表示区间1～m的寄生物植物评分，bi表示区间1～n的病虫害评分；
S34：根据农作物的病害度DSV和病虫害等级参照表，判定农作物的病害系数β
S35：根据农作物种植区域面积以及病虫害发生区域面积计算病虫害的扩散率，其计算公式为：
其中，α表示病虫害的扩散率，m1表示农作物的种植区域的面积，m2表示病虫害发生区域的面积。
在一种优选方案中，如S4中所述，根据所述诊断数据生成病虫害报告，根据所述生长系数θ、诊断数据以及病虫害的扩散率α生成农作物当季产量预估报告的主要步骤如下：
S41：根据所述诊断数据，通过病虫害数据库进行数据匹配，获取检索结果，并根据检索结果生成病虫害报告；
S42：根据生长系数θ、病虫害扩散率α以及农作物的病害系数β计算农作物当季预估产量，其计算公式为：Qs＝Qt×(1-α)+Qt×α×θ×β，根据农作物当季预估产量生成预估报告，其中，Qs表示农作物当季预估产量，Qt表示农作物理想产量。
在一种优选方案中，所述生长率OH的计算公式为：
在该计算公式中，h1表示农作物的实际株高，h2表示农作物标生长模型中，相同时长下该农作物的理论株高；
S4：根据所述诊断数据生成病虫害报告，根据所述生长系数θ、诊断数据以及病虫害的扩散率α生成农作物当季产量预估报告。
一种服务器设备，所述服务器设备包括处理器、存储元件以及存储在存储元件上并可通过处理器运行的计算机程序，所述处理器执行计算机程序时实现上述任一项所述的一种病虫害识别方法中的步骤。
一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的一种病虫害识别方法中的步骤。
一种病虫害识别系统，应用于上述任意一项所述的一种病虫害识别方法，包括：
获取模块，所述获取模块用于构建农作物标准生长模型、诊断模型和病虫害数据库；
生长状态采集模块，所述生长状态采集模块用于对农作物进行生长状态采集，获取农作物生长状态；
诊断模块，所述诊断模块用于上传所述农作物生长状态，调用所述农作物标准生长模型，通过所述农作物生长状态判定农作物的生长系数θ；调用诊断模型对农作物的病虫害特征进行识别，获取包含有病虫害特征的诊断数据以及病虫害的扩散率α；
评估模块，所述评估模块用于根据所述诊断数据生成病虫害报告，根据所述生长系数θ、诊断数据以及病虫害的扩散率α生成农作物当季产量预估报告。
本发明取得的技术效果为：
本发明通过采集农作物的多光谱图像、RGB彩色图以及Depth深度图，同时，通过构建诊断模型，能够对农作物上的寄生植物、病害以及虫害进行识别并输出诊断数据，通过诊断数据和病虫害数据库，能够提供有效的防治措施，进而便于种植人员及时发现和防治农作物上的寄生植物、病害以及虫害；
本发明通过采集农作物的多光谱图像、RGB彩色图以及Depth深度图，同时，通过构建标准生长模型和诊断模型，能够对农作物上的农作物的长势、寄生植物阶段、病虫害种类、病虫害阶段以及病虫害扩散面积进行判定，通过多维度数据的结合，计算出当季农作物受到病虫害胁迫后的产量，能够满足种植人员多维度的使用需求。
附图说明
图1是本发明整体的流程示意图；
图2是本发明中服务器设备的框架示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个较佳的实施方式中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
请参阅附图1所示，本发明提供了一种病虫害识别方法，主要包括以下步骤：
Step1：在终端服务器预先构建农作物标准生长模型、诊断模型和病虫害数据库；
Step2：通过深度相机和多光谱相机，对农作物生长状态进行采集，获取农作物生长状态，所述农作物生长状态采集为利用图像对农作物的生长图片进行采集，其中所述生长状态的图片至少包括有多光谱图像、RGB彩色图以及Depth深度图，其中，所述多光谱图像、RGB彩色图以及Depth深度图采集的图像场景均完全相同；
Step3：上传所述农作物生长状态，调用所述农作物标准生长模型，通过所述生长状态计算农作物的生长率OH，根据农作物的生长率OH判定农作物的生长系数θ；调用诊断模型对农作物的病虫害特征进行识别，获取包含有病虫害特征的诊断数据以及病虫害的扩散率α；
Step4：根据所述诊断数据生成病虫害报告，根据所述生长系数θ、诊断数据以及病虫害的扩散率α生成农作物当季产量预估报告。
其中，所述病虫害数据库中包括但不限于以下数据集：该农作物会发生的寄生植物数据集、病害数据集、虫害数据集以及病虫害防治数据集。
在一种优选方案中，如所述Step1中，在终端服务器预先构建农作物标准生长模型的主要步骤包括：
S11：根据农作物知识图谱设立农作物的生长数据库，并根据农作物的生长数据库构建预设模型，其中，所述农作物的生长数据库记录有农作物的种类、名称、生长周期、每个生长周期的时长、每个生长周期的生长形态、生长环境参数以及农作物生长参数；
S12：根据种植地区的气候环境及农作物在该地区历年的生长数据，对所述预设模型进行调整，最终获得农作物标准生长模型。
在一个具体实施例中，通过农作物知识图谱收集大豆的生长数据，例如：大豆，乔本科植物，共有幼苗(20～25天)、分枝(25～30天)、开花(3～10天)、结荚(15～20天)、鼓粒(30～40天)、成熟(7～10天)六个生长周期，发芽最适温度范围为8～10℃，幼苗期需要日间气温20℃以上，19％～20％土壤水分；分枝期最适温度范围为17～23℃，开花最适温度范围为25-28℃，成熟期大豆株高100厘米左右，当然，上述大豆数据仅为了更好的表述农作物的生长数据库内容，具体数据可根据农作物的品种及种植环境自行调整。
在一种优选方案中，如所述Step1中，在终端服务器预先构建诊断模型的主要步骤如下：
Step13：构建卷积神经网络，所述卷积神经网络模型至少包含有输入层、卷积层、池化层、全连接层和输出层；
Step14：获取训练图库，所述训练图库中至少包括有农作物图集、寄生植物图集、病害图集以及虫害图集；
Step15：将所述训练图库输入至卷积神经网络中进行训练，获取基于卷积神经网络的诊断模型。
进一步的，将所述训练图库输入至卷积神经网络中进行训练之前，对所述训练图库中的每一个子元素进行进行数据增强处理，所述数据增强处理包括但不限于以下方式：缩放变换、裁剪、增广、去噪、锐化、翻转、转置、旋转以及噪声扰动。
在一个具体实施例中，构建待训练的卷积神经网络模型，该神经网络模型至少包括有输入层、多级卷积层、池化层、全连接层以及激活层，通过图像采集元件采集农作物的图像，并获取第一农作物图像集、第一寄生植物图像集、第一病害图像集以及第一虫害图像集，通过数据平台、知识图谱、第三方平台等渠道获取第二农作物图像集、第二寄生植物图像集、第二病害图像集以及第二虫害图像集，依次将上述多个图像集输入到待训练的卷积神经网络模型中，通过输入层对上述图像集进行数据处理，输出图像特征矩阵，此步骤可大幅优化图像处理结果，有效防止输入不同的数据单位；再利用卷积层对上述图像特征矩阵进行卷积运算，比如，一个3×3的卷积核一次操作能够分析3×3的图像特征，利用此卷积核以滑动窗口的方式提取整个图像，对整个图像的每个像素点进行图像特征分析，进而获得特征图；再通过池化层缩小整个矩阵，进一步缩小最后全连接层中节点的个数，从而达到减少整个神经网络中参数的目的；在经过多轮卷积层和池化层的处理后，通过全连接层将特征矩阵集合向量化，最后利用激活层将向量化特征转换成标签，进而获得诊断模型，最终，通过诊断模型对农作物图像上的农作物种类、寄生植物种类、病虫害种类进行识别。
在一种优选方案中，如所述Step3中，调用所述农作物标准生长模型，通过所述农作物生长状态判定农作物的生长系数θ的主要步骤如下：
步骤一：根据农作物的种类设置生长率参照表；
步骤二：输入农作物种植时间，计算农作物生长时长；
步骤三：对所述RGB彩色图中的像素点的颜色值进行求解，并与Depth深度图中的深度值进行匹配，获取三维彩色点云数据，根据所述三维彩色点云数据提取种植区域内农作物的点云数据，并对农作物的点云数据进行滤波处理，以去除背景信息，提取农作物植株点云数据，通过所述植株点云数据，计算农作物的实际株高；调用所述农作物标准生长模型，根据农作物的实际株高和标准生长模型中相同时长的模型高度，计算农作物的生长率，所述生长率的计算公式为：
其中，OH表示农作物的生长率，h1表示农作物的实际株高，h2表示农作物标生长模型中，相同时长下该农作物的理论株高；
步骤四：根据生长率参照表和农作物的生长率OH，判定农作物的生长系数。
在一个具体实施例中，根据农作物的种类、种植地区的气候环境以及该农作物在种植地区里面的数据，设置生长率参照表，其具体形式可参照如下：
需要说明的是，如上表所示，当生长率OH大于1.15时，表示农作物生长过快，出现旺张现象，导致农作物出现光合产物大量被营养生长所消耗，积累少，生殖生长受抑制以及倒伏的现象，进而导致农作物减产；当生长率OH处于0.1-0.55范围内时，说明农作物矮小，生长不良，进而导致农作物严重减产；在此，由于农作物种类、品种以及种植地区各不相同，生长系数θ具体取值，可根据农作物在上述种植地区的历年数据进行调整。
在一种优选方案中，如所述Step3中，调用诊断模型对农作物的病虫害特征进行识别，获取包含有病虫害特征的诊断数据以及病虫害的扩散率α的主要步骤如下：
Step31：设置病虫害评估表和病虫害等级参照表，根据多光谱图像获取植物种植区域和种植区域内病虫害发生的区域，对所述RGB彩色图中的像素点的颜色值进行求解，并与Depth深度图中的深度值进行匹配，获取三维彩色点云数据，根据所述三维彩色点云数据提取农作物种植区域的点云数据，并对农作物种植区域的点云数据进行滤波处理，以去除背景信息，提取种植区域的点云数据，通过所述种植区域的点云数据，计算农作物种植区域的面积；
Step32：对所述RGB彩色图像进行识别，调用诊断模型，识别农作物种类、寄生植物种类、病虫害种类以及病虫害发生区域的面积，获取农作物的诊断数据；
进一步的，当农作物受到病虫害胁迫时，农作物内部的生理指标以及外部形态均会发生变化，在光谱和成像技术上以光谱响应与纹理、颜色等特征呈现，受到病虫害胁迫的农作物其纹理、颜色等特征与健康状态的农作物的纹理、颜色等特征有明显区别，通过识别多光谱图像，识别发生病虫害区域的边缘，配合所述RGB彩色图和Depth深度图，能够对受病虫害胁迫的农作物的面积。
Step33：根据病虫害评估表选取寄生植物评分、病虫害程度评分，代入公式计算农作物的病害度，病害度的计算公式为：
其中，DSV表示农作物的病害度，m表示寄生植物种类的数量，n表示病害种类的数量和虫害种类的数量之和，ak表示区间1～m的寄生物植物评分，bi表示区间1～n的病虫害评分；
Step34：根据农作物的病害度DSV和病虫害等级参照表，判定农作物的病害系数β
Step35：根据农作物种植区域面积以及病虫害发生区域面积计算病虫害的扩散率，其计算公式为：
其中，α表示病虫害的扩散率，m1表示农作物的种植区域的面积，m2表示病虫害发生区域的面积。
在一个具体实施例中，根据知识图谱和种植地区历年农作物病虫害数据，设置病虫害评估表，其具体形式可以参照如下表格：
需要说明的是，如上表所示，菟丝子是一种寄生植物，其会寄生在宿主上，吸收或夺取宿主的营养，进而导致宿主营养不良，使得宿主出现减产情况，由于农作物种类、品种以及种植地区环境各不相同，各寄生植物评分以及病虫害的评分具体取值，可根据农作物种类、品种、种植地区环境以及农作物在上述种植地区的历年数据进行调整。
在一个具体实施例中，根据知识图谱和种植地区历年农作物病虫害数据，设置病虫害等级表，其具体形式可以参照如下表格：
需要说明的是，由于农作物种类、品种以及种植地区环境各不相同，各病虫害等级对应的病害系数的具体取值，可根据农作物种类、品种、种植地区环境以及农作物在上述种植地区的历年数据进行调整。
在一个具体实施例中，若面积为5亩(约为3333.35平方米)的种植地块内种植有农作物大豆，通过深度相机和多光谱相机采集该地块的RGB彩色图、Depth深度图以及多光谱图像，通过Depth深度图以及多光谱图像计算该地块内大豆的种植面积约为3300平方米、发生病虫害的面积约为1000平方米，调用诊断模型，通过RGB彩色图识别出该地块内出现早期菟丝子寄生植物、早期叶斑病和后期灰霉病，通过计算得到病虫害的扩散率α约为30.3％，病害度DSV为0.69，通过病虫害等级表查询得到病害系数β取值为0.6。
在一种优选方案中，如Step4中所述，根据所述诊断数据生成病虫害报告，根据所述生长系数θ、诊断数据以及病虫害的扩散率α生成农作物当季产量预估报告的主要步骤如下：
Step41：根据所述诊断数据，通过病虫害数据库进行数据匹配，获取检索结果，并根据检索结果生成病虫害报告，所述诊断数据中至少包含有寄生植物种类、病虫害种类以、病虫害程度、病虫害发生区域的面积以及每种病虫害相对应的防治措施；
Step42：根据生长系数θ、病虫害扩散率α以及农作物的病害系数β计算农作物当季预估产量，其计算公式为：Qs＝Qt×(1-α)+Qt×α×θ×β，根据农作物当季预估产量生成预估报告，其中，Qs表示农作物当季预估产量，Qt表示农作物理想产量。
进一步的，农作物理想产量Qt可通过该品种农作物供应方获取，也可根据种植地区历年数据获取，具体的，某供应方提供某大豆品种产量约为200kg/亩，在面积为5亩的地块种植该大豆品种时，Qt的取值即为1000kg。
在一个具体实施例中，若面积为5亩(约为3333.35平方米)的种植地块内种植有农作物大豆，该大豆亩产量为200kg/亩，理想产量Qt为1000kg，在大豆结荚期，通过深度相机和多光谱相机采集该地块的RGB彩色图、Depth深度图以及多光谱图像，通过Depth深度图以及多光谱图像计算该地块内大豆的种植面积约为3300平方米、发生病虫害的面积约为1000平方米，调用诊断模型，通过RGB彩色图识别出该地块内出现早期菟丝子寄生植物、早期叶斑病和后期灰霉病，通过计算得到病虫害的扩散率α约为30.3％，农作物病害度DSV为0.69，通过病虫害等级表查询得到病害系数β取值为0.6，通过RGB彩色图和Depth深度图计算大豆实际株高为76cm，调用标准生长模型，该品种大豆结荚期理论株高为98cm，通过生长率计算公式获得该大豆生长率OH为0.78，通过生长率参照表查询得到生长系数θ为0.8，通过上述数据可计算得到该大豆当季预估产量Qs为842.4kg，根据以上数据生成预估产量报告，其具体形式可参照如下表格：
在一个具体实施例中，病虫害报告的形式可参照下表：
需要说明的是，由于农作物种类、品种、土壤性质以及种植地区环境各不相同，各病虫害的具体防治措施及效果，可根据农作物种类、品种、土壤性质、种植地区环境以及农作物在上述种植地区的历年数据进行调整。
一种病虫害识别系统，包括：
获取模块，所述获取模块用于构建农作物标准生长模型、诊断模型和病虫害数据库；
生长状态采集模块，用于对农作物进行生长状态采集，获取农作物生长状态，即获取农作物的图像信息，该生长状态采集模块能够对同一场景的农作物同时采集RGB图像、深度图像和多光谱图像；
诊断模块，所述诊断模块用于上传所述农作物生长状态，调用所述农作物标准生长模型，通过所述农作物生长状态判定农作物的生长系数θ；调用诊断模型对农作物的病虫害特征进行识别，获取包含有病虫害特征的诊断数据以及病虫害的扩散率α；
评估模块，所述评估模块用于根据所述诊断数据生成病虫害报告，根据所述生长系数θ、诊断数据以及病虫害的扩散率α生成农作物当季产量预估报告。
终端服务器，用于对所述农作物生长状态信息进行分析、识别和处理，通过终端服务器对农作物图像进行分析、识别和处理后，能够获取农作物信息、病虫害信息、寄生植物信息。
一种服务器设备，该服务器设备可以是计算机、服务器或其他具有数据处理能力的终端。该服务器设备包括通过系统总线连接的处理器、存储元件和通讯模块，所述存储元件存储有能够被处理器运行的计算机程序。其中，所述处理器上至少包括有CPU、内存、BIOS芯片、I/O控制芯片，所述CPU用于处理指令、执行操作、要求进行动作、控制时间、处理数据，所述内存元件用于暂存CPU中的运算数据及与硬盘等外部存储元件交换的数据，所述BIOS芯片适用于计算机开机过程中各种硬件设备的初始化和检测，所述I/O控制芯片用于对系统所有的输入输出设备进行管理。该服务器设备的存储元件包括非易失性存储介质、内存储元件。该非易失性存储介质存储有操作系统和多条指令。该内存元件为非易失性存储介质中的操作系统和指令的运行提供环境。该计算机程序被处理器执行时以实现任一项一种病虫害识别方法中的步骤。该服务器可以是单个或者多个，该计算机设备可以通过集群的方式构成服务器集群。
在此，服务器集群就是指将很多服务器集中起来一起进行同一种服务，在客户端看来就像是只有一个服务器。集群可以利用多个计算机进行并行计算从而获得很高的计算速度，也可以用多个计算机做备份，从而使得任何一个机器坏了整个系统还是能正常运行，在服务器上安装并运行了集群服务，该服务器即可加入群集，集群化操作可以减少单点故障数量，并且实现了群集化资源的高可用性，同时，如果服务器运行了群集服务并且无法找到群集中的其它节点，它自己可以形成一个群集，当一个群集内有多个节点时，当一个节点的服务器出现硬件故障或者软件系统故障时，运行在该节点的应用就会切换到其他节点的服务器中继续运行。
一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时上述任一项一种病虫害识别方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM通过多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)以及存储器总线动态RAM(RDRAM)等。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本发明中未具体描述和解释说明的结构、装置以及操作方法，如无特别说明和限定，均按照本领域的常规手段进行实施。
Claims (9)
1.一种病虫害识别方法，其特征在于：主要包括以下步骤：
S1：在终端服务器预先构建农作物标准生长模型、诊断模型和病虫害数据库；
S2：对农作物生长状态进行采集，获取农作物生长状态；
S3：设置生长率参照表，上传所述生长状态，并输入农作物种植时间，计算农作物生长时长，调用所述农作物标准生长模型，通过所述生长状态计算农作物的生长率OH，根据所述生长率参照表和农作物的生长率OH判定农作物的生长系数θ；调用诊断模型对农作物的病虫害特征进行识别，获取包含有病虫害特征的诊断数据以及病虫害的扩散率α；
S4：根据所述诊断数据生成病虫害报告，根据所述生长系数θ、诊断数据以及病虫害的扩散率α生成农作物当季产量预估报告。
2.根据权利要求1所述的一种病虫害识别方法，其特征在于：如所述S1中，在终端服务器预先构建农作物标准生长模型的主要步骤包括：
S11：根据农作物知识图谱设立农作物的生长阶段、生长周期及其他相关数据，构建预设模型；
S12：根据种植地区的气候环境及农作物在该地区历年的生长数据，对所述预设模型进行调整，最终获得农作物标准生长模型。
3.根据权利要求1所述的一种病虫害识别方法，其特征在于：如所述S1中，在终端服务器预先构建诊断模型的主要步骤如下：
S13：构建卷积神经网络模型，所述卷积神经网络模型至少包含有输入层、卷积层、池化层、全连接层和输出层；
S14：获取训练图库，所述训练图库中至少包括有农作物图集、寄生植物图集、病害图集以及虫害图集；
S15：将所述训练图库输入至卷积神经网络中进行训练，获取基于卷积神经网络的诊断模型。
4.根据权利要求1所述的一种病虫害识别方法，其特征在于：如所述S3中，调用诊断模型对农作物的病虫害特征进行识别，获取包含有病虫害特征的诊断数据以及病虫害的扩散率α的主要步骤如下：
S31：设置病虫害评估表和病虫害等级参照表，获取农作物种植区域面积；
S32：对所述生长状态进行识别，调用诊断模型，获取农作物的诊断数据；
S33：根据病虫害评估表选取寄生植物评分、病虫害程度评分，代入公式计算农作物的病害度，病害度的计算公式为：
其中，DSV表示农作物的病害度，m表示寄生植物种类的数量，n表示病害种类的数量和虫害种类的数量之和，ak表示区间1～m的寄生物植物评分，bi表示区间1～n的病虫害评分；
S34：根据农作物的病害度DSV和病虫害等级参照表，判定农作物的病害系数β
S35：根据农作物种植区域面积以及病虫害发生区域面积计算病虫害的扩散率，其计算公式为：
其中，α表示病虫害的扩散率，m1表示农作物的种植区域的面积，m2表示病虫害发生区域的面积。
5.根据权利要求1所述的一种病虫害识别方法，其特征在于：如S4中所述，根据所述诊断数据生成病虫害报告，根据所述生长系数θ、诊断数据以及病虫害的扩散率α生成农作物当季产量预估报告的主要步骤如下：
S41：根据所述诊断数据，通过病虫害数据库进行数据匹配，获取检索结果，并根据检索结果生成病虫害报告；
S42：根据生长系数θ、病虫害扩散率α以及农作物的病害系数β计算农作物当季预估产量，其计算公式为：Qs＝Qt×(1-α)+Qt×α×θ×β，根据农作物当季预估产量生成预估报告，其中，Qs表示农作物当季预估产量，Qt表示农作物理想产量。
6.根据权利要求1所述的一种病虫害识别方法，其特征在于：所述生长率OH的计算公式为：
在该计算公式中，h1表示农作物的实际株高，h2表示农作物标生长模型中，相同时长下该农作物的理论株高。
7.一种服务器设备，其特征在于：所述服务器设备包括处理器、存储元件以及存储在存储元件上并可通过处理器运行的计算机程序，其特征在于，所述处理器执行计算机程序时实现如权利要求1至6任一项所述的一种病虫害识别方法中的步骤。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的一种病虫害识别方法中的步骤。
9.一种病虫害识别系统，应用于权利要求1至5中任意一项所述的一种基于机器视觉的病虫害识别方法，其特征在于：包括：
获取模块，所述获取模块用于构建农作物标准生长模型、诊断模型和病虫害数据库；
生长状态采集模块，所述生长状态采集模块用于对农作物进行生长状态采集，获取农作物生长状态；
诊断模块，所述诊断模块用于上传所述农作物生长状态，调用所述农作物标准生长模型，通过所述农作物生长状态判定农作物的生长系数θ；调用诊断模型对农作物的病虫害特征进行识别，获取包含有病虫害特征的诊断数据以及病虫害的扩散率α；
评估模块，所述评估模块用于根据所述诊断数据生成病虫害报告，根据所述生长系数θ、诊断数据以及病虫害的扩散率α生成农作物当季产量预估报告。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310405215.0A CN116385885A (zh) | 2023-04-07 | 2023-04-07 | 一种病虫害识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310405215.0A CN116385885A (zh) | 2023-04-07 | 2023-04-07 | 一种病虫害识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116385885A true CN116385885A (zh) | 2023-07-04 |
Family
ID=86974954
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310405215.0A Pending CN116385885A (zh) | 2023-04-07 | 2023-04-07 | 一种病虫害识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116385885A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117854012A (zh) * | 2024-03-07 | 2024-04-09 | 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 (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107610172A (zh) * | 2017-09-19 | 2018-01-19 | 江苏省无线电科学研究所有限公司 | 一种基于图像识别的大宗作物株高测量方法 |
| CN109242201A (zh) * | 2018-09-29 | 2019-01-18 | 上海中信信息发展股份有限公司 | 一种预测农作物产量的方法、装置及计算机可读存储介质 |
| CN109738435A (zh) * | 2018-12-13 | 2019-05-10 | 成都信息工程大学 | 一种荞麦生长监测诊断及产量预测方法 |
| CN109840549A (zh) * | 2019-01-07 | 2019-06-04 | 武汉南博网络科技有限公司 | 一种病虫害识别方法和装置 |
| KR20190140658A (ko) * | 2018-06-12 | 2019-12-20 | 주식회사 팜에어 | 드론 영상을 이용한 농작물 판별 장치 및 그 방법 |
| CN114692991A (zh) * | 2022-04-18 | 2022-07-01 | 浙江大学 | 一种基于深度学习的枸杞产量预测方法及系统 |
-
2023
- 2023-04-07 CN CN202310405215.0A patent/CN116385885A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107610172A (zh) * | 2017-09-19 | 2018-01-19 | 江苏省无线电科学研究所有限公司 | 一种基于图像识别的大宗作物株高测量方法 |
| KR20190140658A (ko) * | 2018-06-12 | 2019-12-20 | 주식회사 팜에어 | 드론 영상을 이용한 농작물 판별 장치 및 그 방법 |
| CN109242201A (zh) * | 2018-09-29 | 2019-01-18 | 上海中信信息发展股份有限公司 | 一种预测农作物产量的方法、装置及计算机可读存储介质 |
| CN109738435A (zh) * | 2018-12-13 | 2019-05-10 | 成都信息工程大学 | 一种荞麦生长监测诊断及产量预测方法 |
| CN109840549A (zh) * | 2019-01-07 | 2019-06-04 | 武汉南博网络科技有限公司 | 一种病虫害识别方法和装置 |
| CN114692991A (zh) * | 2022-04-18 | 2022-07-01 | 浙江大学 | 一种基于深度学习的枸杞产量预测方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117854012A (zh) * | 2024-03-07 | 2024-04-09 | 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 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cunha et al. | Very early prediction of wine yield based on satellite data from VEGETATION | |
| Ehlers Smith et al. | Response of avian diversity to habitat modification can be predicted from life-history traits and ecological attributes | |
| Pedreira et al. | Herbage accumulation, plant-part composition and nutritive value on grazed signal grass (Brachiaria decumbens) pastures in response to stubble height and rest period based on canopy light interception | |
| Anderson et al. | Estimation of fruit load in mango orchards: tree sampling considerations and use of machine vision and satellite imagery | |
| Aouadi et al. | Analyzing the impact of the farming context and environmental factors on cropping systems: A regional case study in Burgundy | |
| Tatsumi et al. | Prediction of plant-level tomato biomass and yield using machine learning with unmanned aerial vehicle imagery | |
| JP7311102B2 (ja) | 農作物生育推定装置、農作物生育推定システム、農作物生育推定方法、及びプログラム | |
| Araya-Alman et al. | A new localized sampling method to improve grape yield estimation of the current season using yield historical data | |
| CN116385885A (zh) | 一种病虫害识别方法及系统 | |
| Kerry et al. | Investigating temporal and spatial patterns of cranberry yield in New Jersey fields | |
| CN112001809A (zh) | 一种农林区退耕地信息获取方法 | |
| Safi et al. | Translating open-source remote sensing data to crop water productivity improvement actions | |
| CN112418050B (zh) | 退耕地信息遥感识别方法及装置 | |
| Dvorak et al. | Predicting quality and yield of growing alfalfa from a UAV | |
| Xu et al. | The pruning phenological phase-based method for extracting tea plantations by field hyperspectral data and Landsat time series imagery | |
| Narra et al. | A data driven approach to decision support in farming | |
| CN115511158B (zh) | 一种基于大数据的农作物智能选育分析方法及系统 | |
| CN116579521A (zh) | 产量预测时间窗口确定方法、装置、设备及可读存储介质 | |
| CN112541933B (zh) | 一种农田边界及种植结构的提取方法 | |
| Panda et al. | Blueberry crop growth analysis using climatologic factors and multi-temporal remotely sensed imagery | |
| Mani et al. | Management of Citrus Orchards in Central India using Geospatial Technology | |
| Ong'Ala et al. | Determinants of sugarcane smut prevalence in the Kenya Sugar Industry. | |
| CN116757867B (zh) | 一种基于多源数据融合的数字乡村构建方法及系统 | |
| Rosas et al. | Spatial and temporal behavior of coffee rust in C. canephora and its effects on crop yield | |
| Karak et al. | Studies of the Perception of Respondents regarding KVK Training Intervention in Agriculture |
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 |