CN116993025B - 一种基于数据处理的虫害诱杀设备管理方法及系统 - Google Patents

Abstract

本发明涉及灭虫设备管理技术领域，特别是一种基于数据处理的虫害诱杀设备管理方法及系统，获取目标区域中农作物的实时图像信息，将目标区域划分为虫害防控区与非虫害防控区；构建各虫害防控区对应的场景三维模型图；根据各虫害防控区对应的场景三维模型图以及虫害诱杀设备的工作范围与外形尺寸信息得到虫害诱杀设备的模拟安装模型图；获取虫害诱杀设备的预设工作时长，并基于所述预设工作时长与预设平均生长速率对农作物进行生长仿真，得到预设范围区域内的农作物在预设工作时长后的仿真模型图，根据所述仿真模型图生成虫害诱杀设备的设备安装图，能够合理布置虫害诱杀设备，可以更精确地诱杀虫害，提高虫害防治的效果和效率。

Description

一种基于数据处理的虫害诱杀设备管理方法及系统

技术领域

本发明涉及灭虫设备管理技术领域，特别是一种基于数据处理的虫害诱杀设备管理方法及系统。

背景技术

在农业生产中，虫害是一种常见的问题，虫害的大规模传播和繁殖可能导致农作物的严重损失，因此有效地控制虫害对农作物的危害至关重要，相比传统的虫害控制方法（如农药），虫害诱杀设备是一种相对较为环保的方法，它通常不使用有毒化学物质，而是利用吸引剂或陷阱来吸引虫害，这有助于减少对生态系统和人类健康的负面影响。传统的虫害诱杀设备安装点主要依赖人工观察和经验判断，容易受主观因素和不确定性的影响，导致设备安装效果不佳，影响虫害诱杀效果与诱杀精度，并且依赖人工方式设计安装点，导致设备安装点不合理，设备的管理成本高。

发明内容

本发明克服了现有技术的不足，提供了一种基于数据处理的虫害诱杀设备管理方法及系统。

为达到上述目的本发明采用的技术方案为：

本发明第一方面公开了一种基于数据处理的虫害诱杀设备管理方法，包括以下步骤：

获取目标区域中农作物的实时图像信息，并基于所述实时图像信息对目标区域进行识别划分，以将目标区域划分为虫害防控区与非虫害防控区；

获取各虫害防控区的场景图像信息，并对各场景图像信息进行图像处理，得到处理后的场景图像信息；根据所述处理后的场景图像信息构建得到各虫害防控区对应的场景三维模型图；

获取虫害诱杀设备的工作范围与外形尺寸信息，根据各虫害防控区对应的场景三维模型图以及虫害诱杀设备的工作范围与外形尺寸信息将虫害诱杀设备模拟安装至对应的虫害防控区中，得到虫害诱杀设备的模拟安装模型图；

获取虫害诱杀设备的预设工作时长，并基于所述预设工作时长与预设平均生长速率对农作物进行生长仿真，得到预设范围区域内的农作物在预设工作时长后的仿真模型图，根据所述仿真模型图生成虫害诱杀设备的设备安装图。

进一步地，本发明的一个较佳实施例中，获取目标区域中农作物的实时图像信息，并基于所述实时图像信息对目标区域进行识别划分，以将目标区域划分为虫害防控区与非虫害防控区，具体为：

通过大数据网络获取农作物被虫害侵染后图像信息，构建数据库，并将所述农作物被虫害侵染后图像信息导入所述数据库中，得到特性数据库；

获取目标区域中农作物的实时图像信息，将所述实时图像信息导入所述特性数据库中，通过感知哈希算法计算所述实时图像信息与所述被虫害侵染后图像信息之间的哈希值；

根据所述哈希值确定出所述实时图像信息与所述被虫害侵染后图像信息之间相似度，将所述相似度与预设相似度进行比较；

若所述相似度大于预设相似度，将当前农作物所在的预设范围区域标记为虫害防控区；若所述相似度不大于预设相似度，将当前农作物所在的预设范围区域标记为非虫害防控区。

进一步地，本发明的一个较佳实施例中，对各场景图像信息进行图像处理，得到处理后的场景图像信息，具体为：

对所述场景图像信息进行小波分解，以将场景图像分解为不同尺度和方向上的低频部分矩阵与高频部分矩阵；

构建坐标系，其中X轴代表低频部分矩阵，Y轴代表高频部分矩阵；将低频部分矩阵和高频部分矩阵的行与列作为坐标轴的刻度，分别标记在X轴和Y轴上，得到新的坐标系；

将所述低频部分矩阵与高频部分矩阵导入所述新的坐标系中进行特征转换，得到图像特征点对应的点云数据矩阵；其中图像特征点包括角点与边缘点；

根据所述点云数据矩阵生成点云数据坐标数据集，获取点云数据坐标数据集中的极限坐标点数集，并将所述极限坐标点数集导入绝对坐标系中进行重新组合，得到处理后的场景图像信息。

进一步地，本发明的一个较佳实施例中，根据所述处理后的场景图像信息构建得到各虫害防控区对应的场景三维模型图，具体为：

通过SURF算法对所述处理后的场景图像信息进行特征匹配处理，得到若干个离散特征点，在若干个所述离散特征点中随机挑选一个离散特征点作为坐标原点，根据所述坐标原点建立三维坐标系；

根据所述三维坐标系获取各离散特征点对应的三维坐标值，根据所述三维坐标值计算出各离散特征点之间的欧式距离，并将欧式距离最短的两个离散特征点进行配对，对所有离散特征点配对完毕后，得到若干对特征点对；

获取每一对特征点对之间的中值坐标点，并将所述中值坐标点标记为中值特征点，得到若干个中值特征点；基于所述离散特征点与中值特征点生成密集特征点；

通过孤立森林算法计算各密集特征点的孤立得分，并将各密集特征点的孤立得分逐一与预设孤立得分进行比较；将孤立得分大于预设孤立得分的密集特征点标定为孤立点，并将所有孤立点剔除，得到离群筛分后的密集特征点；

获取所述离群筛分后的密集特征点的三维点云数据，将所述三维点云数据分割为体素块，基于每一体素块的三维点云数据的点云分布，生成各体素块表示的曲面模型，对各体素块表示的曲面模型进行组合，生成各虫害防控区对应的场景三维模型图。

进一步地，本发明的一个较佳实施例中，获取虫害诱杀设备的工作范围与外形尺寸信息，根据各虫害防控区对应的场景三维模型图以及虫害诱杀设备的工作范围与外形尺寸信息将虫害诱杀设备模拟安装至对应的虫害防控区中，得到虫害诱杀设备的模拟安装模型图，具体为：

获取各虫害防控区对应的场景三维模型图，以及获取虫害诱杀设备的工作范围；

将所述各虫害防控区对应的场景三维模型图与虫害诱杀设备的工作范围导入蚁群算法中进行反复构造，得到各虫害防控区中虫害诱杀设备的初始安装点；

获取虫害诱杀设备的外形尺寸信息，根据所述外形尺寸信息构建得到虫害诱杀设备的设备三维模型图；

构建模型整合空间，将各虫害防控区对应的场景三维模型图与虫害诱杀设备的设备三维模型图导入所述模型整合空间中，基于所述初始安装点将所述场景三维模型图与设备三维模型图进行整合，以将虫害诱杀设备进行模拟安装至对应的虫害防控区中，得到虫害诱杀设备的模拟安装模型图。

进一步地，本发明的一个较佳实施例中，获取虫害诱杀设备的预设工作时长，并基于所述预设工作时长与预设平均生长速率对农作物进行生长仿真，得到预设范围区域内的农作物在预设工作时长后的仿真模型图，根据所述仿真模型图生成虫害诱杀设备的设备安装图，具体为：

通过大数据网络获取农作物在不同生长时期所对应的平均生长速率，构建预测模型，并基于农作物在不同生长时期所对应的平均生长速率对所述预测模型进行训练，得到训练好的预测模型；

基于所述虫害诱杀设备的模拟安装模型图中获取得到在初始安装点预设范围区域内的农作物模型信息，并对所述预设范围区域内的农作物模型信息进行识别，得到预设范围区域内农作物的实际生长时期；

将预设范围区域内农作物的实际生长时期导入所述训练好的预测模型中，预测得到预设范围区域内农作物的预设平均生长速率；

获取虫害诱杀设备的预设工作时长；将所述预设范围区域内的农作物模型信息导入仿真软件中，并基于所述预设工作时长与预设平均生长速率对预设范围区域内的农作物进行生长仿真，得到预设范围区域内的农作物在预设工作时长后的仿真模型图；

基于所述农作物在预设工作时长后的仿真模型图对所述模拟安装模型图进行更新，得到更新后的模拟安装模型图；在所述更新后的模拟安装模型图中判断虫害诱杀设备与农作物是否存在干涉情况；

若虫害诱杀设备与农作物不存在干涉情况，则将该虫害诱杀设备的初始安装点标记为最终安装点；

若虫害诱杀设备与农作物存在干涉情况，则将该虫害诱杀设备的初始安装点标记为无效安装点，并在所述模拟安装模型图检索新的初始安装点，直至新的初始安装点的虫害诱杀设备与农作物不存在干涉情况，则将新的初始安装点标记为最终安装点；

将所有最终安装点汇集，生成各虫害防控区中虫害诱杀设备的设备安装图，并将所述设备安装图输出。

本发明第二方面公开了一种基于数据处理的虫害诱杀设备管理系统，所述虫害诱杀设备管理系统包括存储器与处理器，所述存储器中存储有虫害诱杀设备管理方法程序，当所述虫害诱杀设备管理方法程序被所述处理器执行时，实现如下步骤：

获取目标区域中农作物的实时图像信息，并基于所述实时图像信息对目标区域进行识别划分，以将目标区域划分为虫害防控区与非虫害防控区；

获取各虫害防控区的场景图像信息，并对各场景图像信息进行图像处理，得到处理后的场景图像信息；根据所述处理后的场景图像信息构建得到各虫害防控区对应的场景三维模型图；

获取虫害诱杀设备的工作范围与外形尺寸信息，根据各虫害防控区对应的场景三维模型图以及虫害诱杀设备的工作范围与外形尺寸信息将虫害诱杀设备模拟安装至对应的虫害防控区中，得到虫害诱杀设备的模拟安装模型图；

获取虫害诱杀设备的预设工作时长，并基于所述预设工作时长与预设平均生长速率对农作物进行生长仿真，得到预设范围区域内的农作物在预设工作时长后的仿真模型图，根据所述仿真模型图生成虫害诱杀设备的设备安装图。

进一步地，本发明的一个较佳实施例中，获取目标区域中农作物的实时图像信息，并基于所述实时图像信息对目标区域进行识别划分，以将目标区域划分为虫害防控区与非虫害防控区，具体为：

通过大数据网络获取农作物被虫害侵染后图像信息，构建数据库，并将所述农作物被虫害侵染后图像信息导入所述数据库中，得到特性数据库；

获取目标区域中农作物的实时图像信息，将所述实时图像信息导入所述特性数据库中，通过感知哈希算法计算所述实时图像信息与所述被虫害侵染后图像信息之间的哈希值；

根据所述哈希值确定出所述实时图像信息与所述被虫害侵染后图像信息之间相似度，将所述相似度与预设相似度进行比较；

若所述相似度大于预设相似度，将当前农作物所在的预设范围区域标记为虫害防控区；若所述相似度不大于预设相似度，将当前农作物所在的预设范围区域标记为非虫害防控区。

进一步地，本发明的一个较佳实施例中，对各场景图像信息进行图像处理，得到处理后的场景图像信息，具体为：

对所述场景图像信息进行小波分解，以将场景图像分解为不同尺度和方向上的低频部分矩阵与高频部分矩阵；

构建坐标系，其中X轴代表低频部分矩阵，Y轴代表高频部分矩阵；将低频部分矩阵和高频部分矩阵的行与列作为坐标轴的刻度，分别标记在X轴和Y轴上，得到新的坐标系；

将所述低频部分矩阵与高频部分矩阵导入所述新的坐标系中进行特征转换，得到图像特征点对应的点云数据矩阵；其中图像特征点包括角点与边缘点；

根据所述点云数据矩阵生成点云数据坐标数据集，获取点云数据坐标数据集中的极限坐标点数集，并将所述极限坐标点数集导入绝对坐标系中进行重新组合，得到处理后的场景图像信息。

进一步地，本发明的一个较佳实施例中，获取虫害诱杀设备的预设工作时长，并基于所述预设工作时长与预设平均生长速率对农作物进行生长仿真，得到预设范围区域内的农作物在预设工作时长后的仿真模型图，根据所述仿真模型图生成虫害诱杀设备的设备安装图，具体为：

通过大数据网络获取农作物在不同生长时期所对应的平均生长速率，构建预测模型，并基于农作物在不同生长时期所对应的平均生长速率对所述预测模型进行训练，得到训练好的预测模型；

基于所述虫害诱杀设备的模拟安装模型图中获取得到在初始安装点预设范围区域内的农作物模型信息，并对所述预设范围区域内的农作物模型信息进行识别，得到预设范围区域内农作物的实际生长时期；

将预设范围区域内农作物的实际生长时期导入所述训练好的预测模型中，预测得到预设范围区域内农作物的预设平均生长速率；

获取虫害诱杀设备的预设工作时长；将所述预设范围区域内的农作物模型信息导入仿真软件中，并基于所述预设工作时长与预设平均生长速率对预设范围区域内的农作物进行生长仿真，得到预设范围区域内的农作物在预设工作时长后的仿真模型图；

基于所述农作物在预设工作时长后的仿真模型图对所述模拟安装模型图进行更新，得到更新后的模拟安装模型图；在所述更新后的模拟安装模型图中判断虫害诱杀设备与农作物是否存在干涉情况；

若虫害诱杀设备与农作物不存在干涉情况，则将该虫害诱杀设备的初始安装点标记为最终安装点；

若虫害诱杀设备与农作物存在干涉情况，则将该虫害诱杀设备的初始安装点标记为无效安装点，并在所述模拟安装模型图检索新的初始安装点，直至新的初始安装点的虫害诱杀设备与农作物不存在干涉情况，则将新的初始安装点标记为最终安装点；

将所有最终安装点汇集，生成各虫害防控区中虫害诱杀设备的设备安装图，并将所述设备安装图输出。

本发明解决了背景技术中存在的技术缺陷，本发明具备以下有益效果：本发明提出了一种基于数据处理的虫害诱杀设备管理方法，通过数据分析和优化布局，提高虫害防治的效果和效率；能够合理布置虫害诱杀设备，可以更精确地诱杀虫害；在安装设备时，充分考虑农作物实际生长情况，减少农作物的损失和资源浪费；并且能够自动调整和优化虫害诱杀设备的布局方案，提高防治效果和管理效率；通过准确的布局和优化，可以有效利用虫害诱杀设备的资源，最大限度地保护农田资源和生态平衡。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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实施例的附图。

图1为一种基于数据处理的虫害诱杀设备管理方法的第一方法流程图；

图2为一种基于数据处理的虫害诱杀设备管理方法的第二方法流程图；

图3为一种基于数据处理的虫害诱杀设备管理方法的第三方法流程图；

图4为一种基于数据处理的虫害诱杀设备管理系统的系统框图。

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。

如图1所示，本发明第一方面公开了一种基于数据处理的虫害诱杀设备管理方法，包括以下步骤：

S102：获取目标区域中农作物的实时图像信息，并基于所述实时图像信息对目标区域进行识别划分，以将目标区域划分为虫害防控区与非虫害防控区；

S104：获取各虫害防控区的场景图像信息，并对各场景图像信息进行图像处理，得到处理后的场景图像信息；根据所述处理后的场景图像信息构建得到各虫害防控区对应的场景三维模型图；

S106：获取虫害诱杀设备的工作范围与外形尺寸信息，根据各虫害防控区对应的场景三维模型图以及虫害诱杀设备的工作范围与外形尺寸信息将虫害诱杀设备模拟安装至对应的虫害防控区中，得到虫害诱杀设备的模拟安装模型图；

S108：获取虫害诱杀设备的预设工作时长，并基于所述预设工作时长与预设平均生长速率对农作物进行生长仿真，得到预设范围区域内的农作物在预设工作时长后的仿真模型图，根据所述仿真模型图生成虫害诱杀设备的设备安装图。

需要说明的是，本发明提出了一种基于数据处理的虫害诱杀设备管理方法，通过数据分析和优化布局，提高虫害防治的效果和效率；能够合理布置虫害诱杀设备，可以更精确地诱杀虫害；在安装设备时，充分考虑农作物实际生长情况，减少农作物的损失和资源浪费；并且能够自动调整和优化虫害诱杀设备的布局方案，提高防治效果和管理效率；通过准确的布局和优化，可以有效利用虫害诱杀设备的资源，最大限度地保护农田资源和生态平衡。

进一步地，本发明的一个较佳实施例中，获取目标区域中农作物的实时图像信息，并基于所述实时图像信息对目标区域进行识别划分，以将目标区域划分为虫害防控区与非虫害防控区，如图2所示，具体为：

S202：通过大数据网络获取农作物被虫害侵染后图像信息，构建数据库，并将所述农作物被虫害侵染后图像信息导入所述数据库中，得到特性数据库；

S204：获取目标区域中农作物的实时图像信息，将所述实时图像信息导入所述特性数据库中，通过感知哈希算法计算所述实时图像信息与所述被虫害侵染后图像信息之间的哈希值；

S206：根据所述哈希值确定出所述实时图像信息与所述被虫害侵染后图像信息之间相似度，将所述相似度与预设相似度进行比较；

S208：若所述相似度大于预设相似度，将当前农作物所在的预设范围区域标记为虫害防控区；若所述相似度不大于预设相似度，将当前农作物所在的预设范围区域标记为非虫害防控区。

需要说明的是，目标区域为果园、农田等农业场地。可以通过如无人机、遥感技术等获取目标区域中农作物的实时图像信息。感知哈希算法是一种用于图像检索和相似度匹配的算法，其主要目标是通过生成图像的紧凑和唯一的哈希码来描述图像的内容特征，以实现图像的快速匹配和搜索。将每个区域的像素值与平均值进行比较，并将比较结果转换为二进制，形成一个哈希码。通过对所有区域生成哈希码，最终得到一个唯一的图像哈希值。通过以上方法能够快速识别出目标区域中的农作物是否已经被虫害侵染，并且将已经被虫害侵染的农作物区域标记为虫害防控区。

进一步地，本发明的一个较佳实施例中，对各场景图像信息进行图像处理，得到处理后的场景图像信息，具体为：

对所述场景图像信息进行小波分解，以将场景图像分解为不同尺度和方向上的低频部分矩阵与高频部分矩阵；

构建坐标系，其中X轴代表低频部分矩阵，Y轴代表高频部分矩阵；将低频部分矩阵和高频部分矩阵的行与列作为坐标轴的刻度，分别标记在X轴和Y轴上，得到新的坐标系；

将所述低频部分矩阵与高频部分矩阵导入所述新的坐标系中进行特征转换，得到图像特征点对应的点云数据矩阵；其中图像特征点包括角点与边缘点；

根据所述点云数据矩阵生成点云数据坐标数据集，获取点云数据坐标数据集中的极限坐标点数集，并将所述极限坐标点数集导入绝对坐标系中进行重新组合，得到处理后的场景图像信息。

需要说明的是，通过如无人机、无人侦查小车等获取各虫害防控区的场景图像信息，其中场景图像信息包括虫害防控区的地形图像、农作物图像、农业设备图像等，场景图像信息可以即为虫害防控区的实时场景图。由于拍摄环境、拍摄设备精度等因素的影响，拍摄得到的场景图像的冗余度往往较高，导致图像较为模糊，影响后续构建场景三维模型图的建模精度与建模难度。因此需要对场景图像进行小波分解，以对图像进行修正，从而降低图像的冗余度。通过小波分解可以得到一组图像的多尺度系数，这些系数将图像的空间信息和频率信息进行了分离，小波分解将图像分解成低频部分矩阵和高频部分矩阵，低频部分矩阵也称为近似系数，低频部分矩阵表示图像的整体结构和平滑部分，可以看作是图像的粗略信息。高频部分矩阵包含了图像中的细节和边缘信息，它可以分解为多个子带，每个子带对应一种方向和尺度的细节信息，通常高频部分矩阵包括水平、垂直和对角方向上的细节系数。可以根据需要保留不同层级的低频和高频系数，然后通过逆小波变换将这些系数合并重建为原始图像，通过丢弃或降低高频系数的重要性，可以减少图像中的冗余信息。通过以上方法能够降低场景图像的冗余度，能够提高图像的清晰度，提高后续建模精度与建模效率。

进一步地，本发明的一个较佳实施例中，根据所述处理后的场景图像信息构建得到各虫害防控区对应的场景三维模型图，具体为：

通过SURF算法对所述处理后的场景图像信息进行特征匹配处理，得到若干个离散特征点，在若干个所述离散特征点中随机挑选一个离散特征点作为坐标原点，根据所述坐标原点建立三维坐标系；

其中，SURF算法（加速稳健特征算法）是一种用于图像特征提取和匹配的算法，利用高斯差分金字塔构建尺度空间来检测图像中的特征点，SURF算法相对于其他传统特征描述算法的优势在于它的计算速度更快，适用于实时的图像处理和匹配任务；

根据所述三维坐标系获取各离散特征点对应的三维坐标值，根据所述三维坐标值计算出各离散特征点之间的欧式距离，并将欧式距离最短的两个离散特征点进行配对，对所有离散特征点配对完毕后，得到若干对特征点对；

获取每一对特征点对之间的中值坐标点，并将所述中值坐标点标记为中值特征点，得到若干个中值特征点；基于所述离散特征点与中值特征点生成密集特征点；

通过孤立森林算法计算各密集特征点的孤立得分，并将各密集特征点的孤立得分逐一与预设孤立得分进行比较；将孤立得分大于预设孤立得分的密集特征点标定为孤立点，并将所有孤立点剔除，得到离群筛分后的密集特征点；

其中，孤立森林算法的主要思想是将异常样本与正常样本区分开来。它利用树结构来划分数据，并通过路径长度来度量样本的异常程度。在构建孤立森林时，算法随机选择数据集的一个特征，并在该特征的值范围内选择一个随机切割点来划分数据。然后，它递归地将数据细分为左子树和右子树，直到每个子树都只包含一个样本或达到了预定的树的高度限制。在孤立森林中，异常样本通常被认为是容易被隔离的，因为它们往往具有特别的属性或值，与正常样本之间的差异较大。因此，异常样本往往会在树中的早期阶段被隔离出来，并且相对较短的路径长度可以用来度量样本的异常程度；

获取所述离群筛分后的密集特征点的三维点云数据，将所述三维点云数据分割为体素块，基于每一体素块的三维点云数据的点云分布，生成各体素块表示的曲面模型，对各体素块表示的曲面模型进行组合，生成各虫害防控区对应的场景三维模型图。

需要说明的是，在通过SURF算法提取处理后的场景图像信息的特征点时，在提取过程中会存在丢失特征点或特征点失真的现象，因此能够提取到的有效特征点数量有限，为离散特征点。若此时直接通过获取的离散特征点构建场景三维模型图，由于特征点数量有限，所构建得到的场景三维模型图会存在局部丢失与失真现象，模型精度低、完整度低，因此为了进一步获得更多的特征点，首先将离散特征点进行配对，得到若干对特征点对，并获取每一特征点对中特征点之间的三维坐标值的中值坐标点，从而得到若干中值特征点，然后将所有中值特征点与离散特征点进行汇聚，得到密集特征点。在得到的密集特征点中，有有少部分密集特征点存在漂移现象，此为离群点（孤立点），因此此时需要孤立森林算法筛选出离群点，进一步将离群点筛除，得到群筛分后的密集特征点，以进一步提高密集特征点的可靠性，从而构建得到精度更高的场景三维模型图。通过以上方法能够真实完整的重构出各虫害防控区对应的场景三维模型图。

进一步地，本发明的一个较佳实施例中，获取虫害诱杀设备的工作范围与外形尺寸信息，根据各虫害防控区对应的场景三维模型图以及虫害诱杀设备的工作范围与外形尺寸信息将虫害诱杀设备模拟安装至对应的虫害防控区中，得到虫害诱杀设备的模拟安装模型图，如图3所示，具体为：

S302：获取各虫害防控区对应的场景三维模型图，以及获取虫害诱杀设备的工作范围；

S304：将所述各虫害防控区对应的场景三维模型图与虫害诱杀设备的工作范围导入蚁群算法中进行反复构造，得到各虫害防控区中虫害诱杀设备的初始安装点；

S306：获取虫害诱杀设备的外形尺寸信息，根据所述外形尺寸信息构建得到虫害诱杀设备的设备三维模型图；

S308：构建模型整合空间，将各虫害防控区对应的场景三维模型图与虫害诱杀设备的设备三维模型图导入所述模型整合空间中，基于所述初始安装点将所述场景三维模型图与设备三维模型图进行整合，以将虫害诱杀设备进行模拟安装至对应的虫害防控区中，得到虫害诱杀设备的模拟安装模型图。

需要说明的是，蚁群算法通过模拟蚂蚁群体在解决问题时的集体行为来解决优化问题，其中一只蚂蚁的行动是基于自己的局部信息和相互之间的信息交流。蚁群中的蚂蚁在搜索解空间时使用概率模型进行决策，并通过信息素的更新和行为选择来实现全局搜索和局部优化。通过蚁群算法规划出各虫害防控区中虫害诱杀设备的初始安装点后，利用如Rhino、SolidWorks、Maya等三维软件将设备三维模型图整合到各场景三维模型图的初始安装点中，从而得到虫害诱杀设备的模拟安装模型图，以对虫害诱杀设备进行模拟安装。

进一步地，本发明的一个较佳实施例中，获取虫害诱杀设备的预设工作时长，并基于所述预设工作时长与预设平均生长速率对农作物进行生长仿真，得到预设范围区域内的农作物在预设工作时长后的仿真模型图，根据所述仿真模型图生成虫害诱杀设备的设备安装图，具体为：

通过大数据网络获取农作物在不同生长时期所对应的平均生长速率，构建预测模型，并基于农作物在不同生长时期所对应的平均生长速率对所述预测模型进行训练，得到训练好的预测模型；

基于所述虫害诱杀设备的模拟安装模型图中获取得到在初始安装点预设范围区域内的农作物模型信息，并对所述预设范围区域内的农作物模型信息进行识别，得到预设范围区域内农作物的实际生长时期；

将预设范围区域内农作物的实际生长时期导入所述训练好的预测模型中，预测得到预设范围区域内农作物的预设平均生长速率；

获取虫害诱杀设备的预设工作时长；将所述预设范围区域内的农作物模型信息导入仿真软件中，并基于所述预设工作时长与预设平均生长速率对预设范围区域内的农作物进行生长仿真，得到预设范围区域内的农作物在预设工作时长后的仿真模型图；

基于所述农作物在预设工作时长后的仿真模型图对所述模拟安装模型图进行更新，得到更新后的模拟安装模型图；在所述更新后的模拟安装模型图中判断虫害诱杀设备与农作物是否存在干涉情况；

若虫害诱杀设备与农作物不存在干涉情况，则将该虫害诱杀设备的初始安装点标记为最终安装点；

若虫害诱杀设备与农作物存在干涉情况，则将该虫害诱杀设备的初始安装点标记为无效安装点，并在所述模拟安装模型图检索新的初始安装点，直至新的初始安装点的虫害诱杀设备与农作物不存在干涉情况，则将新的初始安装点标记为最终安装点；

将所有最终安装点汇集，生成各虫害防控区中虫害诱杀设备的设备安装图，并将所述设备安装图输出。

需要说明的是，在把虫害诱杀设备安装在虫害防控区后，若虫害诱杀设备附近区域存在农作物，而农作物会持续生长，因此生长到一定程度后的农作物可能会对虫害诱杀设备造成遮挡，从而影响虫害诱杀设备的诱杀效果，因此在规划虫害诱杀设备的安装点时，需要考虑虫害诱杀设备在工作过程中是否会被农作物生长而造成遮挡，若会造成干涉遮挡，说明该安装点不适合安装虫害诱杀设备，此为无效安装点，在所述模拟安装模型图检索新的初始安装点，直至新的初始安装点的虫害诱杀设备与农作物不存在干涉情况，则将新的初始安装点标记为最终安装点，从而得到最佳的设备安装图，从而省去后续移设虫害诱杀设备的麻烦，提高虫害防治的效果和效率。

此外，所述一种基于数据处理的虫害诱杀设备管理方法还包括以下步骤：

通过大数据网络获取虫害诱杀设备中各子器件在不同工作环境条件之下的历史运行参数；

构建运行参数预测模型，并将虫害诱杀设备中各子器件在不同工作环境条件之下的历史运行参数导入所述运行参数预测模型中进行训练，得到训练完成后的运行参数预测模型；

获取虫害诱杀设备的实时工作环境，将所述实时工作环境导入所述训练完成后的运行参数预测模型中，预测得到虫害诱杀设备中各子器件在实时工作环境条件之下工作的预设运行参数；

在预设时间内获取虫害诱杀设备中各子器件的实时运行参数；通过灰色关联分析法计算各子器件的实时运行参数与对应预设运行参数之间的重合度，并将所述重合度与预设重合度进行比较；

将重合度不大于预设重合度对应的实时运行参数导入贝叶斯网络中进行进行故障推演，得到对应子器件的故障概率；

若对应对应子器件的故障概率大于预设故障概率，则将对应的子器件标记为故障器件。

需要说明的是，所述子器件包括蓄电池、传感器、诱虫灯、信号发射器等。工作环境包括温度、湿度、光照强度等。各子器件在不同工作环境条件之下的历史运行参数会有所不同，如在低温环境下蓄电池的放电效率较低。通过以上方法能够根据各子器件在不同工作环境条件之下的历史运行参数推测出子器件的实时运行参数是否正常，从而进一步根据贝叶斯网格推算出对应的子器件是否发生了故障，能够自动诊断出设备中发生故障的子器件，以知会检修人员及时检修，不需要通过人工对农田中的虫害诱杀设备进行定期巡检，节约劳动资源。

此外，所述一种基于数据处理的虫害诱杀设备管理方法还包括以下步骤：

通过大数据网络获取虫害诱杀设备中蓄电池在不同工作环境的电能损耗速率；

根据深度学习网络建立电能损耗预测模型，并将虫害诱杀设备在不同工作环境之下下的电能损耗速率导入电能损耗预测模型进行训练，得到训练好的电能损耗预测模型；

获取虫害诱杀设备在预设时间段内的工作环境，并将虫害诱杀设备在预设时间段内的工作环境输入所述训练好的电能损耗预测模型中，得到虫害诱杀设备在预设时间段内的平均电能损耗速率；

获取虫害诱杀设备中蓄电池的实时电量值，根据所述实时电量值与平均电能损耗速率确定出虫害诱杀设备的剩余诱杀时间；

将所述剩余诱杀时间与预设诱杀时间进行比较；若所述剩余诱杀时间小于预设诱杀时间，则生成充能信息，并将所述充能信息发生至远程用户端。

需要说明的是，在不同工作环境之下虫害诱杀设备中的蓄电池的有效工作时间也不同，如在长期低温环境下，蓄电池的有效工作时间较短。通过本方法能够结合虫害诱杀设备的实时工作环境推测出蓄电池在预设时间段内的电能是否能够满足要求，若不能则生成充能信息，及时知会用户对蓄电池进行补充电能，以确保虫害诱杀设备能够有效工作，提高虫害防治的效果和效率。

如图4所示，本发明第二方面公开了一种基于数据处理的虫害诱杀设备管理系统，所述虫害诱杀设备管理系统包括存储器41与处理器62，所述存储器41中存储有虫害诱杀设备管理方法程序，当所述虫害诱杀设备管理方法程序被所述处理器62执行时，实现如下步骤：

获取目标区域中农作物的实时图像信息，并基于所述实时图像信息对目标区域进行识别划分，以将目标区域划分为虫害防控区与非虫害防控区；

获取各虫害防控区的场景图像信息，并对各场景图像信息进行图像处理，得到处理后的场景图像信息；根据所述处理后的场景图像信息构建得到各虫害防控区对应的场景三维模型图；

获取虫害诱杀设备的工作范围与外形尺寸信息，根据各虫害防控区对应的场景三维模型图以及虫害诱杀设备的工作范围与外形尺寸信息将虫害诱杀设备模拟安装至对应的虫害防控区中，得到虫害诱杀设备的模拟安装模型图；

获取虫害诱杀设备的预设工作时长，并基于所述预设工作时长与预设平均生长速率对农作物进行生长仿真，得到预设范围区域内的农作物在预设工作时长后的仿真模型图，根据所述仿真模型图生成虫害诱杀设备的设备安装图。

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，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权利要求的保护范围为准。

Claims (7)

1.一种基于数据处理的虫害诱杀设备管理方法，其特征在于，包括以下步骤：

获取目标区域中农作物的实时图像信息，并基于所述实时图像信息对目标区域进行识别划分，以将目标区域划分为虫害防控区与非虫害防控区；

获取各虫害防控区的场景图像信息，并对各场景图像信息进行图像处理，得到处理后的场景图像信息；根据所述处理后的场景图像信息构建得到各虫害防控区对应的场景三维模型图；

获取虫害诱杀设备的工作范围与外形尺寸信息，根据各虫害防控区对应的场景三维模型图以及虫害诱杀设备的工作范围与外形尺寸信息将虫害诱杀设备模拟安装至对应的虫害防控区中，得到虫害诱杀设备的模拟安装模型图；

获取虫害诱杀设备的预设工作时长，并基于所述预设工作时长与预设平均生长速率对农作物进行生长仿真，得到预设范围区域内的农作物在预设工作时长后的仿真模型图，根据所述仿真模型图生成虫害诱杀设备的设备安装图；

其中，对各场景图像信息进行图像处理，得到处理后的场景图像信息，具体为：

对所述场景图像信息进行小波分解，以将场景图像分解为不同尺度和方向上的低频部分矩阵与高频部分矩阵；

构建坐标系，其中X轴代表低频部分矩阵，Y轴代表高频部分矩阵；将低频部分矩阵和高频部分矩阵的行与列作为坐标轴的刻度，分别标记在X轴和Y轴上，得到新的坐标系；

将所述低频部分矩阵与高频部分矩阵导入所述新的坐标系中进行特征转换，得到图像特征点对应的点云数据矩阵；其中图像特征点包括角点与边缘点；

根据所述点云数据矩阵生成点云数据坐标数据集，获取点云数据坐标数据集中的极限坐标点数集，并将所述极限坐标点数集导入绝对坐标系中进行重新组合，得到处理后的场景图像信息；

其中，根据所述处理后的场景图像信息构建得到各虫害防控区对应的场景三维模型图，具体为：

通过SURF算法对所述处理后的场景图像信息进行特征匹配处理，得到若干个离散特征点，在若干个所述离散特征点中随机挑选一个离散特征点作为坐标原点，根据所述坐标原点建立三维坐标系；

根据所述三维坐标系获取各离散特征点对应的三维坐标值，根据所述三维坐标值计算出各离散特征点之间的欧式距离，并将欧式距离最短的两个离散特征点进行配对，对所有离散特征点配对完毕后，得到若干对特征点对；

获取每一对特征点对之间的中值坐标点，并将所述中值坐标点标记为中值特征点，得到若干个中值特征点；基于所述离散特征点与中值特征点生成密集特征点；

通过孤立森林算法计算各密集特征点的孤立得分，并将各密集特征点的孤立得分逐一与预设孤立得分进行比较；将孤立得分大于预设孤立得分的密集特征点标定为孤立点，并将所有孤立点剔除，得到离群筛分后的密集特征点；

获取所述离群筛分后的密集特征点的三维点云数据，将所述三维点云数据分割为体素块，基于每一体素块的三维点云数据的点云分布，生成各体素块表示的曲面模型，对各体素块表示的曲面模型进行组合，生成各虫害防控区对应的场景三维模型图。

2.根据权利要求1所述的一种基于数据处理的虫害诱杀设备管理方法，其特征在于，获取目标区域中农作物的实时图像信息，并基于所述实时图像信息对目标区域进行识别划分，以将目标区域划分为虫害防控区与非虫害防控区，具体为：

通过大数据网络获取农作物被虫害侵染后图像信息，构建数据库，并将所述农作物被虫害侵染后图像信息导入所述数据库中，得到特性数据库；

获取目标区域中农作物的实时图像信息，将所述实时图像信息导入所述特性数据库中，通过感知哈希算法计算所述实时图像信息与所述被虫害侵染后图像信息之间的哈希值；

根据所述哈希值确定出所述实时图像信息与所述被虫害侵染后图像信息之间相似度，将所述相似度与预设相似度进行比较；

若所述相似度大于预设相似度，将当前农作物所在的预设范围区域标记为虫害防控区；若所述相似度不大于预设相似度，将当前农作物所在的预设范围区域标记为非虫害防控区。

3.根据权利要求1所述的一种基于数据处理的虫害诱杀设备管理方法，其特征在于，获取虫害诱杀设备的工作范围与外形尺寸信息，根据各虫害防控区对应的场景三维模型图以及虫害诱杀设备的工作范围与外形尺寸信息将虫害诱杀设备模拟安装至对应的虫害防控区中，得到虫害诱杀设备的模拟安装模型图，具体为：

获取各虫害防控区对应的场景三维模型图，以及获取虫害诱杀设备的工作范围；

将所述各虫害防控区对应的场景三维模型图与虫害诱杀设备的工作范围导入蚁群算法中进行反复构造，得到各虫害防控区中虫害诱杀设备的初始安装点；

获取虫害诱杀设备的外形尺寸信息，根据所述外形尺寸信息构建得到虫害诱杀设备的设备三维模型图；

构建模型整合空间，将各虫害防控区对应的场景三维模型图与虫害诱杀设备的设备三维模型图导入所述模型整合空间中，基于所述初始安装点将所述场景三维模型图与设备三维模型图进行整合，以将虫害诱杀设备进行模拟安装至对应的虫害防控区中，得到虫害诱杀设备的模拟安装模型图。

4.根据权利要求1所述的一种基于数据处理的虫害诱杀设备管理方法，其特征在于，获取虫害诱杀设备的预设工作时长，并基于所述预设工作时长与预设平均生长速率对农作物进行生长仿真，得到预设范围区域内的农作物在预设工作时长后的仿真模型图，根据所述仿真模型图生成虫害诱杀设备的设备安装图，具体为：

通过大数据网络获取农作物在不同生长时期所对应的平均生长速率，构建预测模型，并基于农作物在不同生长时期所对应的平均生长速率对所述预测模型进行训练，得到训练好的预测模型；

基于所述虫害诱杀设备的模拟安装模型图中获取得到在初始安装点预设范围区域内的农作物模型信息，并对所述预设范围区域内的农作物模型信息进行识别，得到预设范围区域内农作物的实际生长时期；

将预设范围区域内农作物的实际生长时期导入所述训练好的预测模型中，预测得到预设范围区域内农作物的预设平均生长速率；

获取虫害诱杀设备的预设工作时长；将所述预设范围区域内的农作物模型信息导入仿真软件中，并基于所述预设工作时长与预设平均生长速率对预设范围区域内的农作物进行生长仿真，得到预设范围区域内的农作物在预设工作时长后的仿真模型图；

基于所述农作物在预设工作时长后的仿真模型图对所述模拟安装模型图进行更新，得到更新后的模拟安装模型图；在所述更新后的模拟安装模型图中判断虫害诱杀设备与农作物是否存在干涉情况；

若虫害诱杀设备与农作物不存在干涉情况，则将该虫害诱杀设备的初始安装点标记为最终安装点；

若虫害诱杀设备与农作物存在干涉情况，则将该虫害诱杀设备的初始安装点标记为无效安装点，并在所述模拟安装模型图检索新的初始安装点，直至新的初始安装点的虫害诱杀设备与农作物不存在干涉情况，则将新的初始安装点标记为最终安装点；

将所有最终安装点汇集，生成各虫害防控区中虫害诱杀设备的设备安装图，并将所述设备安装图输出。

5.一种基于数据处理的虫害诱杀设备管理系统，其特征在于，所述虫害诱杀设备管理系统包括存储器与处理器，所述存储器中存储有虫害诱杀设备管理方法程序，当所述虫害诱杀设备管理方法程序被所述处理器执行时，实现如下步骤：

获取目标区域中农作物的实时图像信息，并基于所述实时图像信息对目标区域进行识别划分，以将目标区域划分为虫害防控区与非虫害防控区；

获取各虫害防控区的场景图像信息，并对各场景图像信息进行图像处理，得到处理后的场景图像信息；根据所述处理后的场景图像信息构建得到各虫害防控区对应的场景三维模型图；

获取虫害诱杀设备的工作范围与外形尺寸信息，根据各虫害防控区对应的场景三维模型图以及虫害诱杀设备的工作范围与外形尺寸信息将虫害诱杀设备模拟安装至对应的虫害防控区中，得到虫害诱杀设备的模拟安装模型图；

获取虫害诱杀设备的预设工作时长，并基于所述预设工作时长与预设平均生长速率对农作物进行生长仿真，得到预设范围区域内的农作物在预设工作时长后的仿真模型图，根据所述仿真模型图生成虫害诱杀设备的设备安装图；

其中，对各场景图像信息进行图像处理，得到处理后的场景图像信息，具体为：

对所述场景图像信息进行小波分解，以将场景图像分解为不同尺度和方向上的低频部分矩阵与高频部分矩阵；

构建坐标系，其中X轴代表低频部分矩阵，Y轴代表高频部分矩阵；将低频部分矩阵和高频部分矩阵的行与列作为坐标轴的刻度，分别标记在X轴和Y轴上，得到新的坐标系；

将所述低频部分矩阵与高频部分矩阵导入所述新的坐标系中进行特征转换，得到图像特征点对应的点云数据矩阵；其中图像特征点包括角点与边缘点；

根据所述点云数据矩阵生成点云数据坐标数据集，获取点云数据坐标数据集中的极限坐标点数集，并将所述极限坐标点数集导入绝对坐标系中进行重新组合，得到处理后的场景图像信息；

其中，根据所述处理后的场景图像信息构建得到各虫害防控区对应的场景三维模型图，具体为：

通过SURF算法对所述处理后的场景图像信息进行特征匹配处理，得到若干个离散特征点，在若干个所述离散特征点中随机挑选一个离散特征点作为坐标原点，根据所述坐标原点建立三维坐标系；

根据所述三维坐标系获取各离散特征点对应的三维坐标值，根据所述三维坐标值计算出各离散特征点之间的欧式距离，并将欧式距离最短的两个离散特征点进行配对，对所有离散特征点配对完毕后，得到若干对特征点对；

获取每一对特征点对之间的中值坐标点，并将所述中值坐标点标记为中值特征点，得到若干个中值特征点；基于所述离散特征点与中值特征点生成密集特征点；

通过孤立森林算法计算各密集特征点的孤立得分，并将各密集特征点的孤立得分逐一与预设孤立得分进行比较；将孤立得分大于预设孤立得分的密集特征点标定为孤立点，并将所有孤立点剔除，得到离群筛分后的密集特征点；

获取所述离群筛分后的密集特征点的三维点云数据，将所述三维点云数据分割为体素块，基于每一体素块的三维点云数据的点云分布，生成各体素块表示的曲面模型，对各体素块表示的曲面模型进行组合，生成各虫害防控区对应的场景三维模型图。

6.根据权利要求5所述的一种基于数据处理的虫害诱杀设备管理系统，其特征在于，获取目标区域中农作物的实时图像信息，并基于所述实时图像信息对目标区域进行识别划分，以将目标区域划分为虫害防控区与非虫害防控区，具体为：

通过大数据网络获取农作物被虫害侵染后图像信息，构建数据库，并将所述农作物被虫害侵染后图像信息导入所述数据库中，得到特性数据库；

获取目标区域中农作物的实时图像信息，将所述实时图像信息导入所述特性数据库中，通过感知哈希算法计算所述实时图像信息与所述被虫害侵染后图像信息之间的哈希值；

根据所述哈希值确定出所述实时图像信息与所述被虫害侵染后图像信息之间相似度，将所述相似度与预设相似度进行比较；

若所述相似度大于预设相似度，将当前农作物所在的预设范围区域标记为虫害防控区；若所述相似度不大于预设相似度，将当前农作物所在的预设范围区域标记为非虫害防控区。

7.根据权利要求5所述的一种基于数据处理的虫害诱杀设备管理系统，其特征在于，获取虫害诱杀设备的预设工作时长，并基于所述预设工作时长与预设平均生长速率对农作物进行生长仿真，得到预设范围区域内的农作物在预设工作时长后的仿真模型图，根据所述仿真模型图生成虫害诱杀设备的设备安装图，具体为：

通过大数据网络获取农作物在不同生长时期所对应的平均生长速率，构建预测模型，并基于农作物在不同生长时期所对应的平均生长速率对所述预测模型进行训练，得到训练好的预测模型；

基于所述虫害诱杀设备的模拟安装模型图中获取得到在初始安装点预设范围区域内的农作物模型信息，并对所述预设范围区域内的农作物模型信息进行识别，得到预设范围区域内农作物的实际生长时期；

将预设范围区域内农作物的实际生长时期导入所述训练好的预测模型中，预测得到预设范围区域内农作物的预设平均生长速率；

获取虫害诱杀设备的预设工作时长；将所述预设范围区域内的农作物模型信息导入仿真软件中，并基于所述预设工作时长与预设平均生长速率对预设范围区域内的农作物进行生长仿真，得到预设范围区域内的农作物在预设工作时长后的仿真模型图；

基于所述农作物在预设工作时长后的仿真模型图对所述模拟安装模型图进行更新，得到更新后的模拟安装模型图；在所述更新后的模拟安装模型图中判断虫害诱杀设备与农作物是否存在干涉情况；

若虫害诱杀设备与农作物不存在干涉情况，则将该虫害诱杀设备的初始安装点标记为最终安装点；

若虫害诱杀设备与农作物存在干涉情况，则将该虫害诱杀设备的初始安装点标记为无效安装点，并在所述模拟安装模型图检索新的初始安装点，直至新的初始安装点的虫害诱杀设备与农作物不存在干涉情况，则将新的初始安装点标记为最终安装点；

将所有最终安装点汇集，生成各虫害防控区中虫害诱杀设备的设备安装图，并将所述设备安装图输出。