CN116740644A - 一种百香果栽培过程病虫害综合评估与防治方法及系统 - Google Patents

一种百香果栽培过程病虫害综合评估与防治方法及系统 Download PDF

Info

Publication number
CN116740644A
CN116740644A CN202310801046.2A CN202310801046A CN116740644A CN 116740644 A CN116740644 A CN 116740644A CN 202310801046 A CN202310801046 A CN 202310801046A CN 116740644 A CN116740644 A CN 116740644A
Authority
CN
China
Prior art keywords
information
pest
disease
plant
subarea
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
Application number
CN202310801046.2A
Other languages
English (en)
Inventor
廖永林
高燕
林伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Plant Protection Research Institute Guangdong Academy of Agricultural Sciences
Original Assignee
Plant Protection Research Institute Guangdong Academy of Agricultural Sciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Plant Protection Research Institute Guangdong Academy of Agricultural Sciences filed Critical Plant Protection Research Institute Guangdong Academy of Agricultural Sciences
Priority to CN202310801046.2A priority Critical patent/CN116740644A/zh
Publication of CN116740644A publication Critical patent/CN116740644A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • 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
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种百香果栽培过程病虫害综合评估与防治方法及系统，包括：将目标区域划分为n个不同的子区域，获取各子区域的植株图像信息、环境特征信息、气候特征信息、区域气象信息、区域捕捉害虫数量信息，对获取的各种信息进行预处理；对获取的信息进行识别处理，得到识别结果信息；采用聚类算法进行分类和合并，得到m个合并子区域，计算每个合并子区域的病害或虫害程度，得到各合并子区域的病虫害程度信息和虫害程度信息；对各合并子区域进行病虫害综合评估，得到评估结果信息；通过评估结果信息、识别结果信息和区域气象信息制定候选防治方案，选用最优防治方案。有效的提高了病虫害的防治准确率，并且提高了防治病虫害的防治效果。

Description

一种百香果栽培过程病虫害综合评估与防治方法及系统
技术领域
本发明涉及病虫害综合评估与防治领域，尤其涉及一种百香果栽培过程病虫害综合评估与防治方法及系统。
背景技术
随着农业种植技术的进步，百香果逐渐成为热门的水果之一，因其较高的营养价值和味道使得广泛家庭经常购买。在百香果栽培过程中不可避免的会受到病虫害的影响，导致栽培过程中植株不能正常生长，最后影响产量。
在现有技术中，在发现栽培区域中的植株出现了病虫害症状时，就直接采用单一的防治措施进行应对，常常导致防治不彻底或药物过量使用等不良后果，因此如何有效且精准的防治栽培过程中出现的病虫害是一个关键问题。
发明内容
本发明克服了现有技术的缺陷，提出了一种百香果栽培过程病虫害综合评估与防治方法及系统，其重要目的在于精准的防治病虫害，同时提高防治效果。
为实现上述目的本发明第一方面提供了一种百香果栽培过程病虫害综合评估与防治方法，包括：
将目标区域划分为n个不同的子区域，分别获取各子区域的植株图像信息、环境特征信息、气候特征信息、区域气象信息、区域捕捉害虫数量信息，对获取的各种信息进行预处理；
对获取的所述各子区域的植株图像信息和环境特征信息进行识别处理，得到n个识别结果信息；
采用聚类算法对所有子区域进行分类和合并，得到m个合并子区域，计算每个合并子区域的病害或虫害程度，得到各合并子区域的病虫害程度信息和虫害程度信息；
通过病害程度信息、虫害程度信息、识别结果信息、气候特征信息和环境特征信息对各合并子区域进行病虫害综合评估，得到评估结果信息；
通过评估结果信息、识别结果信息和区域气象信息制定候选防治方案，选用最优防治方案。
本方案中，所述将目标区域划分为n个不同的子区域，对获取的各种信息进行预处理，具体为：
将目标区域划分为不同的n个子区域，赋予各子区域专有标签序号；
分别获取各子区域的植株图像信息、环境特征信息、区域气象信息、气候特征信息、区域捕捉害虫数量信息；
所述环境特征信息包括：环境温湿度、土壤温湿度、土壤PH值；
对获取的各种信息进行筛选、滤波和降噪预处理。
本方案中，所述对获取的所述各子区域的植株图像信息和环境特征信息进行识别处理，得到n个识别结果信息，具体为：
基于YOLOv5构建识别模型，对所述识别模型进行深度的学习和训练，得到符合期望的识别模型；
将各子区域的植株图像信息和环境特征信息导入识别模型，得到n个识别结果信息；
识别结果信息包括：病害种类信息、虫害种类信息、环境适生程度信息。
本方案中，所述采用聚类算法对所有子区域进行分类和合并，得到m个合并子区域，计算每个合并子区域的病害或虫害程度，得到各合并子区域的病虫害程度信息和虫害程度信息，具体为:
通过识别结果信息得到各子区域的病害种类和虫害种类,采用聚类算法对各子区域进行分类，对相同类别的子区域进行合并，得到合并子区域；
将各子区域划分为A类、B类、C类、D类四种类别，A类为存在病害的区域、B类为存在虫害的区域、C类为存在病害和虫害的区域、D类无病虫害的区域；
通过各合并子的区域植株病斑面积信息和单位时间捕捉害虫数量信息，得到各合并子区域的病虫害程度信息。
本方案中，所述通过各合并子的区域植株病斑面积信息和单位时间捕捉害虫数量信息，得到各合并子区域的病虫害程度信息和虫害程度信息，还包括：
对各合并子区域的植株图像信息进行灰度化处理，得到灰度植株图像信息；
通过K-means聚类算法对灰度植株图像信息进行分类，得到分类灰度植株图像信息，对分类灰度植株图像信息进行降噪处理；
提取植株和植株病斑的轮廓信息，计算分类灰度植株图像信息的植株的像素面积S1并定义为区域植株总面积，计算分类灰度植株图像信息的植株病斑的像素面积S2并定义为区域植株病斑面积；
通过区域植株总面积和区域植株病斑面积，计算得到各合并子区域的病害程度信息；
其中所述病害程度信息的具体计算公式为：
式中，Di为病害程度、S1区域植株总面积、S2区域植株病斑面积。
本方案中，所述通过各合并子的区域植株病斑面积信息和单位时间捕捉害虫数量信息，得到各合并子区域的病虫害程度信息和虫害程度信息，还包括：
通过区域捕捉害虫数量信息计算得到单位时间捕捉害虫数量信息，用于判断得到虫害程度信息；
根据单位时间捕捉害虫数量设定虫害程度判断阈值，将计算得到的单位时间捕捉害虫数量与虫害程度判断阈值进行判断处理，得到各合并子区域的虫害程度；
其中所述单位时间捕捉害虫数量信息的具体计算公式为：
式中，Cp为单位时间捕捉害虫数量、Qp为区域捕捉害虫数量、T为区域捕捉害虫总时长。
本方案中，所述对各合并子区域进行病虫害综合评估，得到评估结果信息，具体包括:
获取各合并子区域的病害程度信息、虫害程度信息、识别结果信息、气候特征信息和环境特征信息；
构建病虫害综合评估模型，对所述病虫害综合评估模型进行深度的学习和训练，得到符合期望的病虫害综合评估模型；
将病害程度信息、虫害程度信息、识别结果信息、气候特征信息和环境特征信息导入病虫害综合评估模型，得到评估结果信息。
本方案中，所述通过评估结果信息、识别结果信息和区域气象信息制定候选防治方案，选用最优防治方案，具体包括：
基于大数据检索获取病虫害防治实例，构成防治实例数据集；
将评估结果信息、识别结果信息和区域气象信息与防治实例数据集相结合制定候选防治方案；
提取候选防治方案的防效时长信息，作为候选防治方案的防治权重，对各候选防治方案进行排序，得到防效时长排序表；
根据各合并子区域的评估结果信息、病害程度信息和虫害程度信息结合防效时长排序表，选取最优防治方案。
本发明第二方面还提供了一种百香果栽培过程病虫害综合评估与防治系统，该系统包括：存储器、处理器，所述存储器中包括百香果栽培过程病虫害综合评估与防治方法程序，所述百香果栽培过程病虫害综合评估与防治方法程序被所述处理器执行时实现如下步骤：
将目标区域划分为n个不同的子区域，分别获取各子区域的植株图像信息、环境特征信息、气候特征信息、区域气象信息、区域捕捉害虫数量信息，对获取的各种信息进行预处理；
对获取的所述各子区域的植株图像信息和环境特征信息进行识别处理，得到n个识别结果信息；
采用聚类算法对所有子区域进行分类和合并，得到m个合并子区域，计算每个合并子区域的病害或虫害程度，得到各合并子区域的病虫害程度信息和虫害程度信息；
通过病害程度信息、虫害程度信息、环境特征信息、气候特征信息和区域气象信息对各子区域进行病虫害综合评估，得到评估结果信息；
通过评估结果信息、识别结果信息和区域气象信息制定候选防治方案，选用最优防治方案。
本方案中，所述通过评估结果信息、识别结果信息和区域气象信息制定候选防治方案，选用最优防治方案，具体为：
基于大数据检索获取病虫害防治实例，构成防治实例数据集；
将评估结果信息、识别结果信息和区域气象信息与防治实例数据集相结合制定候选防治方案；
提取候选防治方案的防效时长信息，作为候选防治方案的防治权重，对各候选防治方案进行排序，得到防效时长排序表；
根据各合并子区域的评估结果信息、病害程度信息和虫害程度信息结合防效时长排序表，选取最优防治方案。
本发明公开了一种百香果栽培过程病虫害综合评估与防治方法及系统，包括：将目标区域划分为n个不同的子区域，获取各子区域的植株图像信息、环境特征信息、气候特征信息、区域气象信息、区域捕捉害虫数量信息，对获取的各种信息进行预处理；对获取的信息进行识别处理，得到识别结果信息；采用聚类算法进行分类和合并，得到m个合并子区域，计算每个合并子区域的病害或虫害程度，得到各合并子区域的病虫害程度信息和虫害程度信息；对各合并子区域进行病虫害综合评估，得到评估结果信息；通过评估结果信息、识别结果信息和区域气象信息制定候选防治方案，选用最优防治方案。有效的提高了病虫害的防治准确率，并且提高了防治病虫害的防治效果。
附图说明
为了更清楚地说明本发明实施例或示例性中的技术方案，下面将对实施例或示例性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，还可以按照这些附图示出的获得其他的附图。
图1为本发明一实施例提供的一种百香果栽培过程病虫害综合评估与防治方法流程图；
图2为本发明一实施例提供的病虫害综合评估与防治方法的数据处理流程图；
图3为本发明一实施例提供的一种百香果栽培过程病虫害综合评估与防治系统的框图；
本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
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他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1为本发明一实施例提供的一种百香果栽培过程病虫害综合评估与防治方法流程图；
如图1所示，本发明提供了一种百香果栽培过程病虫害综合评估与防治方法流程图，包括：
S102，将目标区域划分为n个不同的子区域，分别获取各子区域的植株图像信息、环境特征信息、气候特征信息、区域气象信息、区域捕捉害虫数量信息，对获取的各种信息进行预处理；
将目标区域划分为不同的n个子区域，赋予各子区域专有标签序号；
分别获取各子区域的植株图像信息、环境特征信息、区域气象信息、气候特征信息、区域捕捉害虫数量信息；
所述环境特征信息包括：环境温湿度、土壤温湿度、土壤PH值；
对获取的各种信息进行筛选、滤波和降噪预处理。
S104，对获取的所述各子区域的植株图像信息和环境特征信息进行识别处理，得到n个识别结果信息；
基于YOLOv5构建识别模型，对所述识别模型进行深度的学习和训练，得到符合期望的识别模型；
将各子区域的植株图像信息和环境特征信息导入识别模型，得到n个识别结果信息；
识别结果信息包括：病害种类信息、虫害种类信息、环境适生程度信息。
S106，采用聚类算法对所有子区域进行分类和合并，得到m个合并子区域，计算每个合并子区域的病害或虫害程度，得到各合并子区域的病虫害程度信息和虫害程度信息；
通过识别结果信息得到各子区域的病害种类和虫害种类,采用聚类算法对各子区域进行分类，对相同类别的子区域进行合并，得到合并子区域；
将各子区域划分为A类、B类、C类、D类四种类别，A类为存在病害的区域、B类为存在虫害的区域、C类为存在病害和虫害的区域、D类无病虫害的区域；
通过各合并子的区域植株病斑面积信息和单位时间捕捉害虫数量信息，得到各合并子区域的病虫害程度信息。
进一步的，所述通过各合并子的区域植株病斑面积信息和单位时间捕捉害虫数量信息，得到各合并子区域的病虫害程度信息和虫害程度信息，包括：对各合并子区域的植株图像信息进行灰度化处理，得到灰度植株图像信息；通过K-means聚类算法对灰度植株图像信息进行分类，得到分类灰度植株图像信息，对分类灰度植株图像信息进行降噪处理；提取植株和植株病斑的轮廓信息，计算分类灰度植株图像信息的植株的像素面积S1并定义为区域植株总面积，计算分类灰度植株图像信息的植株病斑的像素面积S2并定义为区域植株病斑面积；通过区域植株总面积和区域植株病斑面积，计算得到各合并子区域的病害程度信息；
其中所述病害程度信息的具体计算公式为：
式中，Di为病害程度、S1区域植株总面积、S2区域植株病斑面积。
进一步的，所述通过各合并子的区域植株病斑面积信息和单位时间捕捉害虫数量信息，得到各合并子区域的病虫害程度信息和虫害程度信息，还包括：通过区域捕捉害虫数量信息计算得到单位时间捕捉害虫数量信息，用于判断得到虫害程度信息；根据单位时间捕捉害虫数量设定虫害程度判断阈值，将计算得到的单位时间捕捉害虫数量与虫害程度判断阈值进行判断处理，得到各合并子区域的虫害程度；
其中所述单位时间捕捉害虫数量信息的具体计算公式为：
式中，Cp为单位时间捕捉害虫数量、Qp为区域捕捉害虫数量、T为区域捕捉害虫总时长。
进一步的，获取各合并子区域的区域气象信息、环境特征信息和识别结果信息；通过性信息素诱杀各合并子区域的害虫，获取各合并子区域诱捕害虫数量信息；通过合并子区域诱捕害虫数量信息计算得到单位时间诱捕害虫数量信息；根据识别结果信息与大数据检索得到各合并子区域的害虫生长习性信息；将单位时间诱捕害虫数量信息、区域气象信息、环境特征信息和害虫生长习性信息相结合，得到各合并子区域中害虫生长阶段信息；通过各合并子区域中的害虫生长阶段信息、单位时间诱捕害虫数量信息、区域气象信息和环境特征信息预测害虫爆发时间，对各合并子区域制定防治方案，精准的防治虫害，提高了防治的准确性和彻底性。
S108，通过评估结果信息、识别结果信息和区域气象信息制定候选防治方案，选用最优防治方案；
基于大数据检索获取病虫害防治实例，构成防治实例数据集；
将评估结果信息、识别结果信息和区域气象信息与防治实例数据集相结合制定候选防治方案；
提取候选防治方案的防效时长信息，作为候选防治方案的防治权重，对各候选防治方案进行排序，得到防效时长排序表；
根据各合并子区域的评估结果信息、病害程度信息和虫害程度信息结合防效时长排序表，选取最优防治方案。
进一步的，选取病虫害程度严重的合并子区域，分别结算合并子区域内的子区域的病虫害严重程度；选取病虫害程度严重的子区域，定义为危险区域，获取所述危险区域的环境特征信息、识别结果信息；根据识别结果信息基于大数据检索得到危险区域的病虫害规律信息；获取危险区域附近子区域的环境特征信息和气象特征信息，将附近子区域的环境特征信息和危险区域的环境特征信息进行相似度计算，得到相似度值；若相似度值大于预设阈值，则定义该区域为高危区域；将高危区域的气象特征气息、识别结果信息与病虫害规律信息相结合预测高危区域的病虫害发生时间，得到病虫害发生时间信息；通过得到的病虫害发生时间信息，制定高危区域的预防防治方案。
进一步的，获取目标区域的植株图像信息，对所述植株图像信息进行识别处理，得到植株生长阶段信息；根据植物生长阶段信息并基于大数据检索得到植物生长各阶段的最佳适生条件信息；根据所述最佳适生条件信息得到植株各生长阶段需水量信息，作为土壤含水量的判断阈值；获取目标区域的气象信息和土壤含水量信息，将实时土壤含水量信息与判断阈值进行判断处理；若土壤含水量大于判断阈值，则得到目标区域土壤含水量过多的预警消息；若土壤含水量小于判断阈值，则得到目标区域土壤含水量过低的预警消息，同时制定灌溉方案；通过所述目标区域的气象信息结合实时土壤含水量信息预测未来时刻目标区域的土壤含水量，得到预测含水量信息；获取目标区域的未来时刻植株生长阶段信息，通过植株各生长阶段需水量信息得到未来时刻植株需水量信息；将预测含水量信息与未来时刻植株需水量信息进行判断，根据判断结果采取灌溉方案或者提高区域排水效率的应对方案。
需要说明的是，将目标区域划分为不同的子区域，对各子区域进行病虫害识别和综合评估，能够确切的了解目标区域的病虫害情况，通过对各子区域的识别分析，得到各子区域的出现的是虫害还是病害亦或是两者都存在，根据不同的病害或虫害去分析制定防治方案，针对性的去解决每个区域中的病虫害问题，防止药物滥用污染环境或者设备过渡使用造成防治成本提高，极大的提高了百香果栽培过程中的病虫害防治效果，同时通过区域划分去确定出现的病虫害情况，更好的防治目标区域的病虫害。
图2为本发明一实施例提供的病虫害综合评估与防治方法的数据处理流程图；
如图2所示，本发明提供了病虫害综合评估与防治方法的数据处理流程图，包括：
S202,对获取的各种信息进行预处理；
S204，对各子区域的植株图像信息和环境特征信息进行识别处理，得到识别结果信息；
S206，根据识别结果信息对各子区域进行分类，得到合并子区域；
进一步的，通过识别结果信息得到各子区域的病害种类和虫害种类,采用聚类算法对各子区域进行分类，对相同类别的子区域进行合并，得到合并子区域；将各子区域划分为A类、B类、C类、D类四种类别，A类为存在病害的区域、B类为存在虫害的区域、C类为存在病害和虫害的区域、D类无病虫害的区域。
S208，对各合并子区域进行病虫害综合评估，得到评估结果信息；
进一步的，将病害程度信息、虫害程度信息、识别结果信息、气候特征信息和环境特征信息导入病虫害综合评估模型，得到评估结果信息。
S210,通过评估结果信息、识别结果信息和区域气象信息制定候选防治方案；
S212，根据评估结果信息、病害程度信息和虫害程度信息结合防效时长排序表，选用最优防治方案；
进一步的，采集使用最优防治方案防治后各合并子区域的土壤样本；采用气相色谱法对采集的土壤样本进行检测，得到各合并子区域的农药残留量信息；将所述农药残留量信息与预设阈值进行对比，得到各合并子区域的土壤环境状态信息；基于数据检索农药污染的处理方法实例，构成实例数据集；根据农药残留量信息、土壤环境状态信息和最优防治方案中的施药种类信息结合实例数据集制定土壤污染处理方案；提取实例数据集中处理农药污染的区域的环境特征信息和气象特征信息与各合并区域的环境特征信息和气象特征信息进行相似度计算，得到相似度值，作为选用最佳土壤污染处理方案的计算权重，对各土壤污染处理方案进行加权计算；通过计算结果对各土壤污染处理方案进行排序，选取针对各合并子区域的最佳土壤污染处理方案。
需要说明的是，将目标区域划分为不同的子区域，根据各子区域的病虫害情况进行分类，得到分类好的合并子区域，对合并子区域进行综合评估，制定防治方案处理各合并子区域的病虫害情况；在制定和选取最优防治方案时，考虑各区域的气象信息，采取适宜当前气象的防治方案，防止气象因素导致病虫害防治效果不彻底，影响目标区域内的百香果正常生长。
图3为本发明一实施例提供的一种百香果栽培过程病虫害综合评估与防治系统的框图；
如图3所示，本发明提供了一种百香果栽培过程病虫害综合评估与防治系统3，该系统包括：存储器31、处理器32，所述存储器31中包括百香果栽培过程病虫害综合评估与防治方法程序，所述百香果栽培过程病虫害综合评估与防治方法程序被所述处理器32执行时实现如下步骤：
将目标区域划分为n个不同的子区域，分别获取各子区域的植株图像信息、环境特征信息、气候特征信息、区域气象信息、区域捕捉害虫数量信息，对获取的各种信息进行预处理；
对获取的所述各子区域的植株图像信息和环境特征信息进行识别处理，得到n个识别结果信息；
采用聚类算法对所有子区域进行分类和合并，得到m个合并子区域，计算每个合并子区域的病害或虫害程度，得到各合并子区域的病虫害程度信息和虫害程度信息；
通过病害程度信息、虫害程度信息、环境特征信息、气候特征信息和区域气象信息对各子区域进行病虫害综合评估，得到评估结果信息；
通过评估结果信息、识别结果信息和区域气象信息制定候选防治方案，选用最优防治方案。
需要说明的是，区域化的细分目标区域，对各区域进行病虫害评估和分析，得到各区域的病虫害情况，针对性解决不同区域的病虫害问题，有效的防治各区域的病虫害，同时减少防治成本，提高防治效率和效果。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本发明实施例的技术方案本质上或者说对现有技术做出贡献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)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、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，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种百香果栽培过程病虫害综合评估与防治方法，其特征在于，包括：
将目标区域划分为n个不同的子区域，分别获取各子区域的植株图像信息、环境特征信息、气候特征信息、区域气象信息、区域捕捉害虫数量信息，对获取的各种信息进行预处理；
对获取的所述各子区域的植株图像信息和环境特征信息进行识别处理，得到n个识别结果信息；
采用聚类算法对所有子区域进行分类和合并，得到m个合并子区域，计算每个合并子区域的病害或虫害程度，得到各合并子区域的病虫害程度信息和虫害程度信息；
通过病害程度信息、虫害程度信息、识别结果信息、气候特征信息和环境特征信息对各合并子区域进行病虫害综合评估，得到评估结果信息；
通过评估结果信息、识别结果信息和区域气象信息制定候选防治方案，选用最优防治方案。
2.根据权利要求1所述的一种百香果栽培过程病虫害综合评估与防治方法，其特征在于，所述将目标区域划分为n个不同的子区域，对获取的各种信息进行预处理，具体包括：
将目标区域划分为不同的n个子区域，赋予各子区域专有标签序号；
分别获取各子区域的植株图像信息、环境特征信息、区域气象信息、气候特征信息、区域捕捉害虫数量信息；
所述环境特征信息包括：环境温湿度、土壤温湿度、土壤PH值；
对获取的各种信息进行筛选、滤波和降噪预处理。
3.根据权利要求1所述的一种百香果栽培过程病虫害综合评估与防治方法，其特征在于，所述对获取的所述各子区域的植株图像信息和环境特征信息进行识别处理，得到n个识别结果信息，具体包括：
基于YOLOv5构建识别模型，对所述识别模型进行深度的学习和训练，得到符合期望的识别模型；
将各子区域的植株图像信息和环境特征信息导入识别模型，得到n个识别结果信息；
识别结果信息包括：病害种类信息、虫害种类信息、环境适生程度信息。
4.根据权利要求1所述的一种百香果栽培过程病虫害综合评估与防治方法，其特征在于，所述采用聚类算法对所有子区域进行分类和合并，得到m个合并子区域，计算每个合并子区域的病害或虫害程度，得到各合并子区域的病虫害程度信息和虫害程度信息，具体包括:
通过识别结果信息得到各子区域的病害种类和虫害种类,采用聚类算法对各子区域进行分类，对相同类别的子区域进行合并，得到合并子区域；
将各子区域划分为A类、B类、C类、D类四种类别，A类为存在病害的区域、B类为存在虫害的区域、C类为存在病害和虫害的区域、D类无病虫害的区域；
通过各合并子的区域植株病斑面积信息和单位时间捕捉害虫数量信息，得到各合并子区域的病虫害程度信息。
5.根据权利要求4所述的一种百香果栽培过程病虫害综合评估与防治方法，其特征在于，所述通过各合并子的区域植株病斑面积信息和单位时间捕捉害虫数量信息，得到各合并子区域的病虫害程度信息和虫害程度信息，还包括：
对各合并子区域的植株图像信息进行灰度化处理，得到灰度植株图像信息；
通过K-means聚类算法对灰度植株图像信息进行分类，得到分类灰度植株图像信息，对分类灰度植株图像信息进行降噪处理；
提取植株和植株病斑的轮廓信息，计算分类灰度植株图像信息的植株的像素面积S1并定义为区域植株总面积，计算分类灰度植株图像信息的植株病斑的像素面积S2并定义为区域植株病斑面积；
通过区域植株总面积和区域植株病斑面积，计算得到各合并子区域的病害程度信息；
其中所述病害程度信息的具体计算公式为：
式中，Di为病害程度、S1区域植株总面积、S2区域植株病斑面积。
6.根据权利要求4所述的一种百香果栽培过程病虫害综合评估与防治方法，其特征在于，所述通过各合并子的区域植株病斑面积信息和单位时间捕捉害虫数量信息，得到各合并子区域的病虫害程度信息和虫害程度信息，还包括：
通过区域捕捉害虫数量信息计算得到单位时间捕捉害虫数量信息，用于判断得到虫害程度信息；
根据单位时间捕捉害虫数量设定虫害程度判断阈值，将计算得到的单位时间捕捉害虫数量与虫害程度判断阈值进行判断处理，得到各合并子区域的虫害程度；
其中所述单位时间捕捉害虫数量信息的具体计算公式为：
式中，Cp为单位时间捕捉害虫数量、Qp为区域捕捉害虫数量、T为区域捕捉害虫总时长。
7.根据权利要求1所述的一种百香果栽培过程病虫害综合评估与防治方法，其特征在于，所述对各合并子区域进行病虫害综合评估，得到评估结果信息，具体包括:
获取各合并子区域的病害程度信息、虫害程度信息、识别结果信息、气候特征信息和环境特征信息；
构建病虫害综合评估模型，对所述病虫害综合评估模型进行深度的学习和训练，得到符合期望的病虫害综合评估模型；
将病害程度信息、虫害程度信息、识别结果信息、气候特征信息和环境特征信息导入病虫害综合评估模型，得到评估结果信息。
8.根据权利要求1所述的一种百香果栽培过程病虫害综合评估与防治方法，其特征在于，所述通过评估结果信息、识别结果信息和区域气象信息制定候选防治方案，选用最优防治方案，具体包括：
基于大数据检索获取病虫害防治实例，构成防治实例数据集；
将评估结果信息、识别结果信息和区域气象信息与防治实例数据集相结合制定候选防治方案；
提取候选防治方案的防效时长信息，作为候选防治方案的防治权重，对各候选防治方案进行排序，得到防效时长排序表；
根据各合并子区域的评估结果信息、病害程度信息和虫害程度信息结合防效时长排序表，选取最优防治方案。
9.一种百香果栽培过程病虫害综合评估与防治系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括百香果栽培过程病虫害综合评估与防治方法程序，所述百香果栽培过程病虫害综合评估与防治方法程序被所述处理器执行时实现如下步骤：
将目标区域划分为n个不同的子区域，分别获取各子区域的植株图像信息、环境特征信息、气候特征信息、区域气象信息、区域捕捉害虫数量信息，对获取的各种信息进行预处理；
对获取的所述各子区域的植株图像信息和环境特征信息进行识别处理，得到n个识别结果信息；
采用聚类算法对所有子区域进行分类和合并，得到m个合并子区域，计算每个合并子区域的病害或虫害程度，得到各合并子区域的病虫害程度信息和虫害程度信息；
通过病害程度信息、虫害程度信息、环境特征信息、气候特征信息和区域气象信息对各子区域进行病虫害综合评估，得到评估结果信息；
通过评估结果信息、识别结果信息和区域气象信息制定候选防治方案，选用最优防治方案。
10.根据权利要求9所述的一种百香果栽培过程病虫害综合评估与防治系统，其特征在于，所述通过评估结果信息、识别结果信息和区域气象信息制定候选防治方案，选用最优防治方案，具体包括：
基于大数据检索获取病虫害防治实例，构成防治实例数据集；
将评估结果信息、识别结果信息和区域气象信息与防治实例数据集相结合制定候选防治方案；
提取候选防治方案的防效时长信息，作为候选防治方案的防治权重，对各候选防治方案进行排序，得到防效时长排序表；
根据各合并子区域的评估结果信息、病害程度信息和虫害程度信息结合防效时长排序表，选取最优防治方案。
CN202310801046.2A 2023-07-03 2023-07-03 一种百香果栽培过程病虫害综合评估与防治方法及系统 Pending CN116740644A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310801046.2A CN116740644A (zh) 2023-07-03 2023-07-03 一种百香果栽培过程病虫害综合评估与防治方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310801046.2A CN116740644A (zh) 2023-07-03 2023-07-03 一种百香果栽培过程病虫害综合评估与防治方法及系统

Publications (1)

Publication Number Publication Date
CN116740644A true CN116740644A (zh) 2023-09-12

Family

ID=87901014

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310801046.2A Pending CN116740644A (zh) 2023-07-03 2023-07-03 一种百香果栽培过程病虫害综合评估与防治方法及系统

Country Status (1)

Country Link
CN (1) CN116740644A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117078456A (zh) * 2023-10-13 2023-11-17 杨凌职业技术学院 一种农林业病虫害监测管理系统
CN117151353A (zh) * 2023-11-01 2023-12-01 广东省农业科学院植物保护研究所 一种荔枝虫害智能识别与生态调控方法、系统及介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117078456A (zh) * 2023-10-13 2023-11-17 杨凌职业技术学院 一种农林业病虫害监测管理系统
CN117078456B (zh) * 2023-10-13 2023-12-15 杨凌职业技术学院 一种农林业病虫害监测管理系统
CN117151353A (zh) * 2023-11-01 2023-12-01 广东省农业科学院植物保护研究所 一种荔枝虫害智能识别与生态调控方法、系统及介质
CN117151353B (zh) * 2023-11-01 2024-04-26 广东省农业科学院植物保护研究所 一种荔枝虫害智能识别与生态调控方法、系统及介质

Similar Documents

Publication Publication Date Title
CN116740644A (zh) 一种百香果栽培过程病虫害综合评估与防治方法及系统
CN114445785B (zh) 基于物联网的荔枝虫害监测预警方法、系统及存储介质
Pereira et al. Recent advances in image processing techniques for automated harvesting purposes: A review
CN114707773B (zh) 基于深度学习的虫害防治方案生成方法、系统及存储介质
CN116304600B (zh) 基于大数据分析的外来入侵物种预警方法及系统
Zhang et al. Real-time monitoring of optimum timing for harvesting fresh tea leaves based on machine vision
CN111985445B (zh) 一种基于无人机多光谱遥感的草原虫害监测系统及方法
CN115983533B (zh) 一种荔枝蒂蛀虫潜在危害识别与评估方法及系统
CN113207511A (zh) 一种基于农药抗性监测的农药施用方法、系统及可读存储介质
CN114550108A (zh) 一种草地贪夜蛾的识别预警方法及系统
CN116630663A (zh) 一种基于物联网的智能施药方法及系统
CN114586760B (zh) 一种基于大数据的农药喷淋方法，系统及可读存储介质
Suo et al. Casm-amfmnet: a network based on coordinate attention shuffle mechanism and asymmetric multi-scale fusion module for classification of grape leaf diseases
Hernández et al. Assessment of downy mildew in grapevine using computer vision and fuzzy logic. Development and validation of a new method
CN116740645A (zh) 基于物联网的实蝇监测与综合防控方法、系统及存储介质
CN113435825B (zh) 一种基于土传病害防治的智能管理方法、系统及存储介质
CN114266979A (zh) 茶树病虫害智能识别方法、装置、设备及存储介质
Nisar et al. Image based recognition of plant leaf diseases: A review
CN117371604A (zh) 一种基于智能感知的农业生产预测方法及系统
CN117423061A (zh) 一种基于人工智能的智慧园区智能监控系统
CN116343018A (zh) 一种基于图像处理的渔业捕捞智能识别方法、系统及介质
Patel et al. An intelligent grading system for automated identification and classification of banana fruit diseases using deep neural network
Sheema et al. An Algorithm for Detection and Identification of Infestation Density of Pest-Fall Armyworm in Maize Plants Using Deep Learning Based on IoT
Aji et al. A study of deep learning method opportunity on palm oil FFB (fresh fruit bunch) grading methods
CN117575368B (zh) 一种基于物联网技术的水产种质资源管理方法及系统

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