CN116773550B - 一种基于机器视觉的农业智能监测系统及方法 - Google Patents

一种基于机器视觉的农业智能监测系统及方法 Download PDF

Info

Publication number
CN116773550B
CN116773550B CN202311075483.7A CN202311075483A CN116773550B CN 116773550 B CN116773550 B CN 116773550B CN 202311075483 A CN202311075483 A CN 202311075483A CN 116773550 B CN116773550 B CN 116773550B
Authority
CN
China
Prior art keywords
pest
disease
insect pests
insect
area
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
Application number
CN202311075483.7A
Other languages
English (en)
Other versions
CN116773550A (zh
Inventor
庞爱平
冯金奎
董洁芳
崔敏
毕武
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.)
Agricultural Mechanization Station Of Ministry Of Agriculture And Rural Affairs
China Special Equipment Inspection and Research Institute
Original Assignee
Agricultural Mechanization Station Of Ministry Of Agriculture And Rural Affairs
China Special Equipment Inspection and Research Institute
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 Agricultural Mechanization Station Of Ministry Of Agriculture And Rural Affairs, China Special Equipment Inspection and Research Institute filed Critical Agricultural Mechanization Station Of Ministry Of Agriculture And Rural Affairs
Priority to CN202311075483.7A priority Critical patent/CN116773550B/zh
Publication of CN116773550A publication Critical patent/CN116773550A/zh
Application granted granted Critical
Publication of CN116773550B publication Critical patent/CN116773550B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biochemistry (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Library & Information Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Remote Sensing (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Catching Or Destruction (AREA)

Abstract

本发明提供一种基于机器视觉的农业智能监测系统及方法，系统包括：待监测区域获取模块，用于获取农田里的待监测区域；农作物生长图像采集模块，用于采集待监测区域内的农作物生长图像；病虫害监测模块，用于基于农作物生长图像和预设的病虫害图像库，进行病虫害监测；其中，获取农田里的待监测区域，包括：建立对应于农田的病虫害预测地图；从病虫害预测地图内确定多个病虫害预测位置和对应的病虫害预测类型；基于最小包围圈划定条件，在病虫害预测地图内划定包围部分病虫害预测位置的最小包围圈；将最小包围圈的包围区域作为待监测区域。降低了农作物生长图像的采集工作量，提升了农业监测效率，更提升了基于机器视觉进行农业监测的适用性。

Description

一种基于机器视觉的农业智能监测系统及方法
技术领域
本发明涉及农业智能监测技术领域，特别涉及一种基于机器视觉的农业智能监测系统及方法。
背景技术
目前，基于机器视觉进行农业监测时，多是先采集农田里种植的农作物的生长图像，再基于生长图像，进行病虫害监测。
但是，在采集农作物的生长图像时，多是对农田里的每一农作物进行一一采集，不仅采集工作量较大，还降低了农业监测的效率，更降低了基于机器视觉进行农业监测的适用性。
因此，亟需一种解决办法。
发明内容
本发明目的之一在于提供了一种基于机器视觉的农业智能监测系统，首先获取农田里需要进行农业监测的待监测区域，仅对待监测区域内的农作物生长图像进行采集，再进行病虫害监测，降低了农作物生长图像的采集工作量，另外，引入病虫害预测地图和最小包围圈划定条件等，快速、合理地确定待监测区域，提升了农业监测效率，更提升了基于机器视觉进行农业监测的适用性。
本发明实施例提供的一种基于机器视觉的农业智能监测系统，包括：
待监测区域获取模块，用于获取农田里的待监测区域；
农作物生长图像采集模块，用于采集待监测区域内的农作物生长图像；
病虫害监测模块，用于基于农作物生长图像和预设的病虫害图像库，进行病虫害监测；
其中，待监测区域获取模块获取农田里的待监测区域，具体执行如下操作：
建立对应于农田的病虫害预测地图；
从病虫害预测地图内确定多个病虫害预测位置和对应的病虫害预测类型；
基于最小包围圈划定条件，在病虫害预测地图内划定包围部分病虫害预测位置的最小包围圈；
将最小包围圈的包围区域作为待监测区域；
其中，最小包围圈划定条件包括：
最小包围圈的圈面积小于等于预设的面积阈值；
最小包围圈内两两病虫害预测位置之间的直线距离小于等于预设的第一距离阈值；
最小包围圈内至少有M个目标位置对；目标位置对中的两个病虫害预测位置对应的病虫害预测类型之间，在预设的标准病虫害关系库中对应有至少一个标准病虫害关系。
优选的，农作物生长图像采集模块采集待监测区域内的农作物生长图像，具体执行如下操作：
基于空中落脚位置确定条件，在病虫害预测地图内确定多个空中落脚位置；
控制无人机依次前往各个空中落脚位置，以拍摄农作物生长图像；
其中，空中落脚位置确定条件包括：
每一空中落脚位置与对应的目标区域之间的相对位置关系，均与预设的标准相对位置关系匹配；目标区域为无人机位于空中落脚位置时，待监测区域中落入无人机的拍摄范围的局部区域；
全部空中落脚位置对应的目标区域之和覆盖待监测区域。
优选的，病虫害监测模块基于农作物生长图像和预设的病虫害图像库，进行病虫害监测，具体执行如下操作：
将农作物生长图像与病虫害图像库中的病虫害图像进行匹配；
当匹配符合时，获取匹配符合的病虫害图像对应的预设的病虫害类型；
输出待监测区域存在病虫害类型的病虫害的预警信息。
优选的，基于机器视觉的农业智能监测系统，还包括：
病虫害图像库扩充模块，用于对病虫害图像库进行扩充；
其中，病虫害图像库扩充模块对病虫害图像库进行扩充，具体执行如下操作：
获取待补入病虫害图像集；
确定待补入病虫害图像集是否符合可靠条件；
当为是时，将待补入病虫害图像集补入病虫害图像库中；
其中，可靠条件包括：
待补入病虫害图像集的集合来源的来源类型为网络且目标值大于等于预设的目标阈值；目标值为待补入病虫害图像集的第一可信度和集合来源的第二可信度中的较小值；
或，
来源类型为本地且集合来源的经验值大于等于预设的经验阈值。
优选的，第一可信度的确定步骤如下：
从集合来源中确定待补入病虫害图像集的来源场景；
从来源场景中获取多个交互记录和对应的记录产生时间；
基于记录产生时间，将交互记录设置于预设的时间轴线上；
基于记录簇确定条件，从时间轴线上确定交互记录簇；
对交互记录簇中的每一交互记录进行语义提取，获得记录语义集；
将记录语义集与预设的标准记录语义集库中的标准记录语义集进行匹配；
当匹配符合时，将对应交互记录簇作为目标交互记录簇；
统计目标交互记录簇的簇数目；
从预设的可信度库中确定簇数目对应的第一可信度；
其中，记录簇确定条件包括：
交互记录簇内至少有N个交互记录；
交互记录簇内两两相邻交互记录之间的第一间隔距离小于等于预设的第二距离阈值；
交互记录簇内目标交互记录的记录数目大于等于预设的数目阈值；目标交互记录为记录产生方为待补入病虫害图像集的发布方的交互记录；
两两相邻目标交互记录之间的第二间隔距离的平均值小于等于预设的第三距离阈值。
本发明实施例提供的一种基于机器视觉的农业智能监测方法，包括：
步骤S1：获取农田里的待监测区域；
步骤S2：采集待监测区域内的农作物生长图像；
步骤S3：基于农作物生长图像和预设的病虫害图像库，进行病虫害监测；
其中，步骤S1：获取农田里的待监测区域，具体包括：
建立对应于农田的病虫害预测地图；
从病虫害预测地图内确定多个病虫害预测位置和对应的病虫害预测类型；
基于最小包围圈划定条件，在病虫害预测地图内划定包围部分病虫害预测位置的最小包围圈；
将最小包围圈的包围区域作为待监测区域；
其中，最小包围圈划定条件包括：
最小包围圈的圈面积小于等于预设的面积阈值；
最小包围圈内两两病虫害预测位置之间的直线距离小于等于预设的第一距离阈值；
最小包围圈内至少有M个目标位置对；目标位置对中的两个病虫害预测位置对应的病虫害预测类型之间，在预设的标准病虫害关系库中对应有至少一个标准病虫害关系。
优选的，步骤S2：采集待监测区域内的农作物生长图像，具体包括：
基于空中落脚位置确定条件，在病虫害预测地图内确定多个空中落脚位置；
控制无人机依次前往各个空中落脚位置，以拍摄农作物生长图像；
其中，空中落脚位置确定条件包括：
每一空中落脚位置与对应的目标区域之间的相对位置关系，均与预设的标准相对位置关系匹配；目标区域为无人机位于空中落脚位置时，待监测区域中落入无人机的拍摄范围的局部区域；
全部空中落脚位置对应的目标区域之和覆盖待监测区域。
优选的，步骤S3：基于农作物生长图像和预设的病虫害图像库，进行病虫害监测，具体包括：
将农作物生长图像与病虫害图像库中的病虫害图像进行匹配；
当匹配符合时，获取匹配符合的病虫害图像对应的预设的病虫害类型；
输出待监测区域存在病虫害类型的病虫害的预警信息。
优选的，基于机器视觉的农业智能监测方法，还包括：
对病虫害图像库进行扩充；
其中，对病虫害图像库进行扩充，具体包括：
获取待补入病虫害图像集；
确定待补入病虫害图像集是否符合可靠条件；
当为是时，将待补入病虫害图像集补入病虫害图像库中；
其中，可靠条件包括：
待补入病虫害图像集的集合来源的来源类型为网络且目标值大于等于预设的目标阈值；目标值为待补入病虫害图像集的第一可信度和集合来源的第二可信度中的较小值；
或，
来源类型为本地且集合来源的经验值大于等于预设的经验阈值。
优选的，第一可信度的确定步骤如下：
从集合来源中确定待补入病虫害图像集的来源场景；
从来源场景中获取多个交互记录和对应的记录产生时间；
基于记录产生时间，将交互记录设置于预设的时间轴线上；
基于记录簇确定条件，从时间轴线上确定交互记录簇；
对交互记录簇中的每一交互记录进行语义提取，获得记录语义集；
将记录语义集与预设的标准记录语义集库中的标准记录语义集进行匹配；
当匹配符合时，将对应交互记录簇作为目标交互记录簇；
统计目标交互记录簇的簇数目；
从预设的可信度库中确定簇数目对应的第一可信度；
其中，记录簇确定条件包括：
交互记录簇内至少有N个交互记录；
交互记录簇内两两相邻交互记录之间的第一间隔距离小于等于预设的第二距离阈值；
交互记录簇内目标交互记录的记录数目大于等于预设的数目阈值；目标交互记录为记录产生方为待补入病虫害图像集的发布方的交互记录；
两两相邻目标交互记录之间的第二间隔距离的平均值小于等于预设的第三距离阈值。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种基于机器视觉的农业智能监测系统的示意图；
图2为本发明实施例中一种基于机器视觉的农业智能监测方法的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明实施例提供了一种基于机器视觉的农业智能监测系统，如图1所示，包括：
待监测区域获取模块1，用于获取农田里的待监测区域；其中，待检测区域为农田里需要进行农业监测的区域；
农作物生长图像采集模块2，用于采集待监测区域内的农作物生长图像；其中，农作物生长图像为种植于待监测区域内的各个农作物的枝、茎、叶、花图像等；
病虫害监测模块3，用于基于农作物生长图像和预设的病虫害图像库，进行病虫害监测；其中，病虫害图像库中有大量的代表农作物存在病虫害的病虫害图像；将农作物生长图像与病虫害图像进行比对即可确定待监测区域内是否存在病虫害，实现机器视觉的应用；
其中，待监测区域获取模块1获取农田里的待监测区域，具体执行如下操作：
建立对应于农田的病虫害预测地图；其中，病虫害预测地图的建立过程包括：获取农田内各个农作物的品种、历史生长环境（历史上所处环境温度、湿度等）、施肥历史（历史上施肥类型、施肥量等）、浇灌历史等信息，基于这些信息预测可能会出现病虫害的农作物的生长位置及可能会出现的病虫害类型（比如：某农作物历史上施肥较少，可能会出现病虫害），将生长位置、病虫害类型分别作为病虫害预测位置、病虫害预测类型在病虫害预测地图中标记出来；
从病虫害预测地图内确定多个病虫害预测位置和对应的病虫害预测类型；其中，病虫害预测位置为农田里农作物可能会出现病虫害的位置，病虫害预测类型为种植于该位置的农作物可能会出现的病虫害类型；
基于最小包围圈划定条件，在病虫害预测地图内划定包围部分病虫害预测位置的最小包围圈；
将最小包围圈的包围区域作为待监测区域；
其中，最小包围圈划定条件包括：
最小包围圈的圈面积小于等于预设的面积阈值；其中，面积阈值可以为，比如：18平方米；满足这一条件时，可以使得最终的待监测区域不会过大，便于无人机进行农作物生长图像的拍摄，提升待监测区域确定的合理性；
最小包围圈内两两病虫害预测位置之间的直线距离小于等于预设的第一距离阈值；第一距离阈值可以为，比如：5米；满足这一条件时，可以使得最终的待监测区域内的病虫害预测位置排布较紧凑，便于无人机进行农作物生长图像的拍摄，进一步提升待监测区域确定的合理性；
最小包围圈内至少有M个目标位置对；目标位置对中的两个病虫害预测位置对应的病虫害预测类型之间，在预设的标准病虫害关系库中对应有至少一个标准病虫害关系。其中，M为正整数，可由技术人员根据实际需求提前设定；标准病虫害关系为病虫害预测类型之间属于病虫害蔓延的关系，比如：农田里一处植株出现畸形、另一处植株出现变色，则属于昆虫传播导致的病虫害蔓延；满足这一条件时，可以使得最终的一个待监测区域内的各病虫害预测位置出现的病虫害之间存在关联，若监测后确实出现病虫害，便于农田管理人员对该待监测区域内的病虫害进行统一、针对地病虫害治理，更进一步提升待监测区域确定的合理性。
上述技术方案的工作原理及有益效果为：
本申请首先获取农田里需要进行农业监测的待监测区域，仅对待监测区域内的农作物生长图像进行采集，再进行病虫害监测，降低了农作物生长图像的采集工作量，另外，引入病虫害预测地图和最小包围圈划定条件等，快速、合理地确定待监测区域，提升了农业监测效率，更提升了基于机器视觉进行农业监测的适用性。
在具体应用的时候，当需要对农田进行农业监测时，待系统获取完待监测区域后，控制无人机前往待监测区域拍摄农作物生长图像，无人机回传农作物生长图像后，基于农作物生长图像进行病虫害监测，当监测到病虫害时，发出预警。
在一个实施例中，农作物生长图像采集模块2采集待监测区域内的农作物生长图像，具体执行如下操作：
基于空中落脚位置确定条件，在病虫害预测地图内确定多个空中落脚位置；其中，空中落脚位置为无人机在空中停留实现采集待监测区域内的农作物生长图像的位置；
控制无人机依次前往各个空中落脚位置，以拍摄农作物生长图像；
其中，空中落脚位置确定条件包括：
每一空中落脚位置与对应的目标区域之间的相对位置关系，均与预设的标准相对位置关系匹配；目标区域为无人机位于空中落脚位置时，待监测区域中落入无人机的拍摄范围的局部区域；其中，相对位置关系包括：空中落脚位置与对应的目标区域之间的角度关系、距离关系；空中落脚位置与对应的目标区域之间的呈标准相对位置关系时，无人机位于空中落脚位置时，对目标区域进行拍摄时，无人机的旋螺桨工作产生的朝下的风力不会吹动种植于目标区域的农作物，标准相对位置关系可由技术人员提前测试、设定，一般的，可以为，比如：角度关系为空中落脚位置位于目标区域斜上方45度，距离关系为空中落脚位置与目标区域之间的最短距离为12米；无人机的拍摄范围为无人机上设置的摄像机可拍摄的范围；满足这一条件时，可以使得无人机在拍摄农作物生长图像时，其旋螺桨工作不会吹动农作物，保证农作物生长图像的正常拍摄采集；
全部空中落脚位置对应的目标区域之和覆盖待监测区域。其中，目标区域之和为目标区域拼接后的总区域；满足这一条件时，使得无人机可以拍摄到待监测区域内的每一位置，提升农作物生长图像采集的全面性。
上述技术方案的工作原理及有益效果为：
一般的，控制无人机对农作物进行生长图像拍摄时，当无人机位于农作物上方时，其旋螺桨工作产生的朝下的风力会吹动农作物，导致无法清晰拍摄到生长图像，更无法拍摄到农作物正常姿态下的生长图像。本发明实施例可以解决这一问题：引入空中落脚位置确定条件，合理确定空中落脚位置，控制无人机依次前往各个空中落脚位置以拍摄农作物生长图像，极大程度上提升了利用无人机进行农作物生长图像采集的适用性。
在一个实施例中，病虫害监测模块3基于农作物生长图像和预设的病虫害图像库，进行病虫害监测，具体执行如下操作：
将农作物生长图像与病虫害图像库中的病虫害图像进行匹配；
当匹配符合时，获取匹配符合的病虫害图像对应的预设的病虫害类型；其中，每一病虫害图像均提前预设有对应的病虫害类型，当农作物生长图像与病虫害图像匹配符合时，直接输出对应病虫害类型；
输出待监测区域存在病虫害类型的病虫害的预警信息。预警信息代表待检测区域内存在病虫害类型的病虫害，便于农田管理人员快速知晓农田内的病虫害位置及病虫害类型。
在一个实施例中，基于机器视觉的农业智能监测系统，还包括：
病虫害图像库扩充模块，用于对病虫害图像库进行扩充；
其中，病虫害图像库扩充模块对病虫害图像库进行扩充，具体执行如下操作：
获取待补入病虫害图像集；其中，待补入病虫害图像集为待补入病虫害图像库中，实现对病虫害图像库进行扩充的集合；
确定待补入病虫害图像集是否符合可靠条件；
当为是时，将待补入病虫害图像集补入病虫害图像库中；其中，当待补入病虫害图像集符合可靠条件时，说明待补入病虫害图像集内容可靠，补入病虫害图像库；
其中，可靠条件包括：
待补入病虫害图像集的集合来源的来源类型为网络且目标值大于等于预设的目标阈值；目标值为待补入病虫害图像集的第一可信度和集合来源的第二可信度中的较小值；其中，集合来源的来源类型分为网络和本地两种，当为网络时可以为，比如：农业交流论坛（该论坛的注册用户可能会分享自家农田内出现的病虫害图像）等，当为本地时，可以为，比如：专职研究农作物病虫害的专家等；目标阈值可以为，比如：0.8；第一可信度代表待补入病虫害图像集自身的可信程度大小，第一可信度越大，可信程度越大；第二可信度代表集合来源的可信程度大小，第二可信度越大，可信程度越大；当目标值大于等于目标阈值时，说明第一可信度和第二可信度均较大，待补入病虫害图像集可靠；在确定第二可信度时，可基于集合来源历史上提供的病虫害图像的总体真实程度确定，比如：总体真实程度为90%，则第二可信度为0.9；
或，
来源类型为本地且集合来源的经验值大于等于预设的经验阈值。其中，经验值代表集合来源（比如：专职研究农作物病虫害的专家）的经验程度大小，经验值越大，研究农作物病虫害的经验程度越大；经验阈值可以为，比如：60；当经验值大于等于经验阈值时，说明集合来源研究农作物病虫害的经验程度足够，待补入病虫害图像集可靠。
上述技术方案的工作原理及有益效果为：
本发明实施例对病虫害图像库进行扩充，提升病虫害图像库用作病虫害监测的能力及适用性。另外，对待补入病虫害图像集进行可靠验证，待验证为可靠后再补入病虫害图像库中，提升了病虫害图像库的扩充质量。其次，引入可靠条件，提升了对病虫害图像集进行可靠验证的精准性。
在一个实施例中，第一可信度的确定步骤如下：
从集合来源中确定待补入病虫害图像集的来源场景；其中，来源场景为集合来源中产生待补入病虫害图像集的场景，比如：农业交流论坛中的一个发帖内；
从来源场景中获取多个交互记录和对应的记录产生时间；其中，交互记录为发布待补入病虫害图像集的发布方与浏览待补入病虫害图像集的浏览方之间产生的评论、评论回复；
基于记录产生时间，将交互记录设置于预设的时间轴线上；其中，设置时，将交互记录设置于时间轴线上对应于记录产生时间的时间轴位置处；
基于记录簇确定条件，从时间轴线上确定交互记录簇；
对交互记录簇中的每一交互记录进行语义提取，获得记录语义集；
将记录语义集与预设的标准记录语义集库中的标准记录语义集进行匹配；其中，标准记录语义集中的各个标准记录语义代表浏览方对发布方发布的待补入病虫害图像集持认可态度，比如：各个标准记录语义为“请问这次病虫害是什么时间发生的”、“昨天”、“一看就是蚜虫导致的”、“对，这肯定是蚜虫”、“我家也有过这样，是蚜虫”、“谢谢大家”等，则说明发布方发布的待补入病虫害图像集真实；
当匹配符合时，将对应交互记录簇作为目标交互记录簇；
统计目标交互记录簇的簇数目；
从预设的可信度库中确定簇数目对应的第一可信度；其中，可信度库中有不同簇数目对应的第一可信度，簇数目越多，说明代表待补入病虫害图像集可信的目标交互记录簇越多，第一可信度越大；
其中，记录簇确定条件包括：
交互记录簇内至少有N个交互记录；其中，N为正整数，可由技术人员根据需求提前设定；满足这一条件时，可以使得交互记录簇内的交互记录不会过少，避免造成无意义的语义提取；
交互记录簇内两两相邻交互记录之间的第一间隔距离小于等于预设的第二距离阈值；其中，第二距离阈值可以为，比如：20分钟（由于第一间隔距离产生于时间轴线上，因此，其单位为时间单位）；满足这一条件时，可以使得交互记录簇内的交互记录为一定时间内接连产生，存在发布方与浏览方之间进行讨论的可能性较大，更有可能确定出代表待补入病虫害图像集可信的目标交互记录簇；
交互记录簇内目标交互记录的记录数目大于等于预设的数目阈值；目标交互记录为记录产生方为待补入病虫害图像集的发布方的交互记录；其中，数目阈值可以为，比如：3；满足这一条件时，可以使得产生交互记录簇内的交互记录时，有发布方参与，更有可能确定出代表待补入病虫害图像集可信的目标交互记录簇；
两两相邻目标交互记录之间的第二间隔距离的平均值小于等于预设的第三距离阈值。其中，第三距离阈值可以为，比如：35分钟（同理，由于第二间隔距离产生于时间轴线上，其单位为时间单位）；满足这一条件时，可以使得产生交互记录簇内的交互记录时，发布方在不同时间阶段均有参与，更有可能确定出代表待补入病虫害图像集可信的目标交互记录簇。
上述技术方案的工作原理及有益效果为：
本发明实施例在确定第一可信度时，基于交互记录进行确定，提升了第一可信度确定的适用性。另外，引入交互记录簇和标准记录语义集库，快速确定代表待补入病虫害图像集可信的目标交互记录簇，从而从预设的可信度库中确定簇数目对应的第一可信度，提升了第一可信度确定的确定效率。其次，引入记录簇确定条件，快速从交互记录簇中筛选出代表待补入病虫害图像集可信的目标交互记录簇，进一步提升了第一可信度确定的确定效率。
本发明实施例提供了一种基于机器视觉的农业智能监测方法，如图2所示，包括：
步骤S1：获取农田里的待监测区域；
步骤S2：采集待监测区域内的农作物生长图像；
步骤S3：基于农作物生长图像和预设的病虫害图像库，进行病虫害监测；
其中，步骤S1：获取农田里的待监测区域，具体包括：
建立对应于农田的病虫害预测地图；
从病虫害预测地图内确定多个病虫害预测位置和对应的病虫害预测类型；
基于最小包围圈划定条件，在病虫害预测地图内划定包围部分病虫害预测位置的最小包围圈；
将最小包围圈的包围区域作为待监测区域；
其中，最小包围圈划定条件包括：
最小包围圈的圈面积小于等于预设的面积阈值；
最小包围圈内两两病虫害预测位置之间的直线距离小于等于预设的第一距离阈值；
最小包围圈内至少有M个目标位置对；目标位置对中的两个病虫害预测位置对应的病虫害预测类型之间，在预设的标准病虫害关系库中对应有至少一个标准病虫害关系。
步骤S2：采集待监测区域内的农作物生长图像，具体包括：
基于空中落脚位置确定条件，在病虫害预测地图内确定多个空中落脚位置；
控制无人机依次前往各个空中落脚位置，以拍摄农作物生长图像；
其中，空中落脚位置确定条件包括：
每一空中落脚位置与对应的目标区域之间的相对位置关系，均与预设的标准相对位置关系匹配；目标区域为无人机位于空中落脚位置时，待监测区域中落入无人机的拍摄范围的局部区域；
全部空中落脚位置对应的目标区域之和覆盖待监测区域。
步骤S3：基于农作物生长图像和预设的病虫害图像库，进行病虫害监测，具体包括：
将农作物生长图像与病虫害图像库中的病虫害图像进行匹配；
当匹配符合时，获取匹配符合的病虫害图像对应的预设的病虫害类型；
输出待监测区域存在病虫害类型的病虫害的预警信息。
基于机器视觉的农业智能监测方法，还包括：
对病虫害图像库进行扩充；
其中，对病虫害图像库进行扩充，具体包括：
获取待补入病虫害图像集；
确定待补入病虫害图像集是否符合可靠条件；
当为是时，将待补入病虫害图像集补入病虫害图像库中；
其中，可靠条件包括：
待补入病虫害图像集的集合来源的来源类型为网络且目标值大于等于预设的目标阈值；目标值为待补入病虫害图像集的第一可信度和集合来源的第二可信度中的较小值；
或，
来源类型为本地且集合来源的经验值大于等于预设的经验阈值。
第一可信度的确定步骤如下：
从集合来源中确定待补入病虫害图像集的来源场景；
从来源场景中获取多个交互记录和对应的记录产生时间；
基于记录产生时间，将交互记录设置于预设的时间轴线上；
基于记录簇确定条件，从时间轴线上确定交互记录簇；
对交互记录簇中的每一交互记录进行语义提取，获得记录语义集；
将记录语义集与预设的标准记录语义集库中的标准记录语义集进行匹配；
当匹配符合时，将对应交互记录簇作为目标交互记录簇；
统计目标交互记录簇的簇数目；
从预设的可信度库中确定簇数目对应的第一可信度；
其中，记录簇确定条件包括：
交互记录簇内至少有N个交互记录；
交互记录簇内两两相邻交互记录之间的第一间隔距离小于等于预设的第二距离阈值；
交互记录簇内目标交互记录的记录数目大于等于预设的数目阈值；目标交互记录为记录产生方为待补入病虫害图像集的发布方的交互记录；
两两相邻目标交互记录之间的第二间隔距离的平均值小于等于预设的第三距离阈值。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种基于机器视觉的农业智能监测系统，其特征在于，包括：
待监测区域获取模块，用于获取农田里的待监测区域；
农作物生长图像采集模块，用于采集所述待监测区域内的农作物生长图像；
病虫害监测模块，用于基于所述农作物生长图像和预设的病虫害图像库，进行病虫害监测；
其中，所述待监测区域获取模块获取农田里的待监测区域，具体执行如下操作：
建立对应于所述农田的病虫害预测地图；
从所述病虫害预测地图内确定多个病虫害预测位置和对应的病虫害预测类型；
基于最小包围圈划定条件，在所述病虫害预测地图内划定包围部分所述病虫害预测位置的最小包围圈；
将所述最小包围圈的包围区域作为所述待监测区域；
其中，所述最小包围圈划定条件包括：
所述最小包围圈的圈面积小于等于预设的面积阈值；
所述最小包围圈内两两所述病虫害预测位置之间的直线距离小于等于预设的第一距离阈值；
所述最小包围圈内至少有M个目标位置对；所述目标位置对中的两个所述病虫害预测位置对应的病虫害预测类型之间，在预设的标准病虫害关系库中对应有至少一个标准病虫害关系；
其中，病虫害预测地图的建立过程包括：
获取农田内各个农作物的品种信息、历史生长环境信息、施肥历史信息、浇灌历史信息；
基于品种信息、历史生长环境信息、施肥历史信息、浇灌历史信息，预测可能会出现病虫害的农作物的生长位置及可能会出现的病虫害类型；
将生长位置、病虫害类型分别作为病虫害预测位置、病虫害预测类型在病虫害预测地图中标记出来。
2.如权利要求1所述的一种基于机器视觉的农业智能监测系统，其特征在于，所述农作物生长图像采集模块采集所述待监测区域内的农作物生长图像，具体执行如下操作：
基于空中落脚位置确定条件，在所述病虫害预测地图内确定多个空中落脚位置；
控制无人机依次前往各个所述空中落脚位置，以拍摄所述农作物生长图像；
其中，所述空中落脚位置确定条件包括：
每一所述空中落脚位置与对应的目标区域之间的相对位置关系，均与预设的标准相对位置关系匹配；所述目标区域为所述无人机位于所述空中落脚位置时，所述待监测区域中落入所述无人机的拍摄范围的局部区域；
全部所述空中落脚位置对应的所述目标区域之和覆盖所述待监测区域。
3.如权利要求1所述的一种基于机器视觉的农业智能监测系统，其特征在于，所述病虫害监测模块基于所述农作物生长图像和预设的病虫害图像库，进行病虫害监测，具体执行如下操作：
将所述农作物生长图像与所述病虫害图像库中的病虫害图像进行匹配；
当匹配符合时，获取匹配符合的所述病虫害图像对应的预设的病虫害类型；
输出所述待监测区域存在所述病虫害类型的病虫害的预警信息。
4.如权利要求1所述的一种基于机器视觉的农业智能监测系统，其特征在于，还包括：
病虫害图像库扩充模块，用于对所述病虫害图像库进行扩充；
其中，所述病虫害图像库扩充模块对所述病虫害图像库进行扩充，具体执行如下操作：
获取待补入病虫害图像集；
确定所述待补入病虫害图像集是否符合可靠条件；
当为是时，将所述待补入病虫害图像集补入所述病虫害图像库中；
其中，所述可靠条件包括：
所述待补入病虫害图像集的集合来源的来源类型为网络且目标值大于等于预设的目标阈值；所述目标值为所述待补入病虫害图像集的第一可信度和所述集合来源的第二可信度中的较小值；
或，
所述来源类型为本地且所述集合来源的经验值大于等于预设的经验阈值。
5.如权利要求4所述的一种基于机器视觉的农业智能监测系统，其特征在于，所述第一可信度的确定步骤如下：
从所述集合来源中确定所述待补入病虫害图像集的来源场景；
从所述来源场景中获取多个交互记录和对应的记录产生时间；
基于所述记录产生时间，将所述交互记录设置于预设的时间轴线上；
基于记录簇确定条件，从所述时间轴线上确定交互记录簇；
对所述交互记录簇中的每一所述交互记录进行语义提取，获得记录语义集；
将所述记录语义集与预设的标准记录语义集库中的标准记录语义集进行匹配；
当匹配符合时，将对应所述交互记录簇作为目标交互记录簇；
统计所述目标交互记录簇的簇数目；
从预设的可信度库中确定所述簇数目对应的所述第一可信度；
其中，所述记录簇确定条件包括：
所述交互记录簇内至少有N个所述交互记录；
所述交互记录簇内两两相邻所述交互记录之间的第一间隔距离小于等于预设的第二距离阈值；
所述交互记录簇内目标交互记录的记录数目大于等于预设的数目阈值；所述目标交互记录为记录产生方为所述待补入病虫害图像集的发布方的所述交互记录；
两两相邻所述目标交互记录之间的第二间隔距离的平均值小于等于预设的第三距离阈值。
6.一种基于机器视觉的农业智能监测方法，其特征在于，包括：
步骤S1：获取农田里的待监测区域；
步骤S2：采集所述待监测区域内的农作物生长图像；
步骤S3：基于所述农作物生长图像和预设的病虫害图像库，进行病虫害监测；
其中，所述步骤S1：获取农田里的待监测区域，具体包括：
建立对应于所述农田的病虫害预测地图；
从所述病虫害预测地图内确定多个病虫害预测位置和对应的病虫害预测类型；
基于最小包围圈划定条件，在所述病虫害预测地图内划定包围部分所述病虫害预测位置的最小包围圈；
将所述最小包围圈的包围区域作为所述待监测区域；
其中，所述最小包围圈划定条件包括：
所述最小包围圈的圈面积小于等于预设的面积阈值；
所述最小包围圈内两两所述病虫害预测位置之间的直线距离小于等于预设的第一距离阈值；
所述最小包围圈内至少有M个目标位置对；所述目标位置对中的两个所述病虫害预测位置对应的病虫害预测类型之间，在预设的标准病虫害关系库中对应有至少一个标准病虫害关系；
其中，病虫害预测地图的建立过程包括：
获取农田内各个农作物的品种信息、历史生长环境信息、施肥历史信息、浇灌历史信息；
基于品种信息、历史生长环境信息、施肥历史信息、浇灌历史信息，预测可能会出现病虫害的农作物的生长位置及可能会出现的病虫害类型；
将生长位置、病虫害类型分别作为病虫害预测位置、病虫害预测类型在病虫害预测地图中标记出来。
7.如权利要求6所述的一种基于机器视觉的农业智能监测方法，其特征在于，所述步骤S2：采集所述待监测区域内的农作物生长图像，具体包括：
基于空中落脚位置确定条件，在所述病虫害预测地图内确定多个空中落脚位置；
控制无人机依次前往各个所述空中落脚位置，以拍摄所述农作物生长图像；
其中，所述空中落脚位置确定条件包括：
每一所述空中落脚位置与对应的目标区域之间的相对位置关系，均与预设的标准相对位置关系匹配；所述目标区域为所述无人机位于所述空中落脚位置时，所述待监测区域中落入所述无人机的拍摄范围的局部区域；
全部所述空中落脚位置对应的所述目标区域之和覆盖所述待监测区域。
8.如权利要求6所述的一种基于机器视觉的农业智能监测方法，其特征在于，所述步骤S3：基于所述农作物生长图像和预设的病虫害图像库，进行病虫害监测，具体包括：
将所述农作物生长图像与所述病虫害图像库中的病虫害图像进行匹配；
当匹配符合时，获取匹配符合的所述病虫害图像对应的预设的病虫害类型；
输出所述待监测区域存在所述病虫害类型的病虫害的预警信息。
9.如权利要求6所述的一种基于机器视觉的农业智能监测方法，其特征在于，还包括：
对所述病虫害图像库进行扩充；
其中，所述对所述病虫害图像库进行扩充，具体包括：
获取待补入病虫害图像集；
确定所述待补入病虫害图像集是否符合可靠条件；
当为是时，将所述待补入病虫害图像集补入所述病虫害图像库中；
其中，所述可靠条件包括：
所述待补入病虫害图像集的集合来源的来源类型为网络且目标值大于等于预设的目标阈值；所述目标值为所述待补入病虫害图像集的第一可信度和所述集合来源的第二可信度中的较小值；
或，
所述来源类型为本地且所述集合来源的经验值大于等于预设的经验阈值。
10.如权利要求9所述的一种基于机器视觉的农业智能监测方法，其特征在于，所述第一可信度的确定步骤如下：
从所述集合来源中确定所述待补入病虫害图像集的来源场景；
从所述来源场景中获取多个交互记录和对应的记录产生时间；
基于所述记录产生时间，将所述交互记录设置于预设的时间轴线上；
基于记录簇确定条件，从所述时间轴线上确定交互记录簇；
对所述交互记录簇中的每一所述交互记录进行语义提取，获得记录语义集；
将所述记录语义集与预设的标准记录语义集库中的标准记录语义集进行匹配；
当匹配符合时，将对应所述交互记录簇作为目标交互记录簇；
统计所述目标交互记录簇的簇数目；
从预设的可信度库中确定所述簇数目对应的所述第一可信度；
其中，所述记录簇确定条件包括：
所述交互记录簇内至少有N个所述交互记录；
所述交互记录簇内两两相邻所述交互记录之间的第一间隔距离小于等于预设的第二距离阈值；
所述交互记录簇内目标交互记录的记录数目大于等于预设的数目阈值；所述目标交互记录为记录产生方为所述待补入病虫害图像集的发布方的所述交互记录；
两两相邻所述目标交互记录之间的第二间隔距离的平均值小于等于预设的第三距离阈值。
CN202311075483.7A 2023-08-25 2023-08-25 一种基于机器视觉的农业智能监测系统及方法 Active CN116773550B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311075483.7A CN116773550B (zh) 2023-08-25 2023-08-25 一种基于机器视觉的农业智能监测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311075483.7A CN116773550B (zh) 2023-08-25 2023-08-25 一种基于机器视觉的农业智能监测系统及方法

Publications (2)

Publication Number Publication Date
CN116773550A CN116773550A (zh) 2023-09-19
CN116773550B true CN116773550B (zh) 2023-11-10

Family

ID=87994891

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311075483.7A Active CN116773550B (zh) 2023-08-25 2023-08-25 一种基于机器视觉的农业智能监测系统及方法

Country Status (1)

Country Link
CN (1) CN116773550B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118247075B (zh) * 2024-05-28 2024-08-02 杨凌职业技术学院 一种智慧农业用虫害远程检测系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107943067A (zh) * 2017-10-17 2018-04-20 哈尔滨工业大学（威海） 一种基于集群控制的无人机编队方法、装置及系统
CN109117785A (zh) * 2018-08-08 2019-01-01 肇庆市高新区甜慕新能源技术有限公司 一种病虫害的监控方法
CN115185220A (zh) * 2022-08-11 2022-10-14 安徽中昆绿色防控科技有限公司 一种基于物联网的农林病虫害监控系统
CN116030343A (zh) * 2022-12-14 2023-04-28 宁夏农林科学院农作物研究所（宁夏回族自治区农作物育种中心） 一种基于机器视觉识别的农作物病虫害监管系统
CN116166762A (zh) * 2022-12-27 2023-05-26 广东省农业科学院农业经济与信息研究所 一种病虫害电子地图的生成方法与无人机系统、防治装置
CN116520747A (zh) * 2023-05-06 2023-08-01 江苏东久机械有限公司 一种变量施肥控制系统及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11631475B2 (en) * 2020-05-26 2023-04-18 Ecoation Innovative Solutions Inc. Real-time projections and estimated distributions of agricultural pests, diseases, and biocontrol agents

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107943067A (zh) * 2017-10-17 2018-04-20 哈尔滨工业大学（威海） 一种基于集群控制的无人机编队方法、装置及系统
CN109117785A (zh) * 2018-08-08 2019-01-01 肇庆市高新区甜慕新能源技术有限公司 一种病虫害的监控方法
CN115185220A (zh) * 2022-08-11 2022-10-14 安徽中昆绿色防控科技有限公司 一种基于物联网的农林病虫害监控系统
CN116030343A (zh) * 2022-12-14 2023-04-28 宁夏农林科学院农作物研究所（宁夏回族自治区农作物育种中心） 一种基于机器视觉识别的农作物病虫害监管系统
CN116166762A (zh) * 2022-12-27 2023-05-26 广东省农业科学院农业经济与信息研究所 一种病虫害电子地图的生成方法与无人机系统、防治装置
CN116520747A (zh) * 2023-05-06 2023-08-01 江苏东久机械有限公司 一种变量施肥控制系统及方法

Also Published As

Publication number Publication date
CN116773550A (zh) 2023-09-19

Similar Documents

Publication Publication Date Title
CN116773550B (zh) 一种基于机器视觉的农业智能监测系统及方法
CN106060174A (zh) 一种基于数据分析的农业指导系统
Murugamani et al. Machine Learning Technique for Precision Agriculture Applications in 5G‐Based Internet of Things
CN114005237A (zh) 一种基于热成像分析技术的林火识别方法、设备及计算机存储介质
CN210570820U (zh) 一种农业检测预警系统
KR20220071405A (ko) 스마트 팜의 빅 데이터를 이용한 농업 지원 시스템 및 방법
CN116295662B (zh) 作物生长状态的监测方法、装置、电子设备及介质
CN113191914A (zh) 用于日光温室精准监测的数字孪生体构造系统
KR20200106764A (ko) 식물의 병해충과 동물 및 인간의 감염성 질병 예측 서비스 시스템
CN111551212B (zh) 一种基于物联网的农作物信息采集系统
CN115390504A (zh) 一种基于5g物联网的智慧农业种植系统
CN105955161A (zh) 一种农业智能控制系统
CN115601585A (zh) 基于图片分析的农业病虫害诊断方法及装置
CN108234674A (zh) 智能蔬菜家电物联网系统
WO2022114344A1 (ko) 작물 재배 애플리케이션을 통한 적응형 재배 정보 제공 시스템
CN117933913A (zh) 基于多维数据的智慧农业数据监测管控系统及智能终端
Jagyasi et al. Event based experiential computing in agro-advisory system for rural farmers
CN116757707B (zh) 一种农作物果实生长溯源方法及系统
CN116127168B (zh) 一种基于物联网的农作物生长实时监控系统及方法
CN116225114B (zh) 一种基于大数据的作物生长可控农业温室智能环控系统及方法
CN114543869A (zh) 一种基于物联网技术的农业支撑系统
Tiple et al. Hybrid Approach for Weather Prediction in IoT Network
KR20210121864A (ko) 스마트 농업 현장 관리 시스템 및 방법
CN111767903A (zh) 一种基于机器视觉的玉米株心识别系统和方法
Moon et al. Microclimate-Based Predictive Weather Station Platform: A Case Study for Frost Forecast

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