CN117151342B - 一种荔枝虫害的识别与抗性检测方法、系统及存储介质 - Google Patents
一种荔枝虫害的识别与抗性检测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN117151342B CN117151342B CN202311379430.4A CN202311379430A CN117151342B CN 117151342 B CN117151342 B CN 117151342B CN 202311379430 A CN202311379430 A CN 202311379430A CN 117151342 B CN117151342 B CN 117151342B
- Authority
- CN
- China
- Prior art keywords
- insect
- pest
- litchi
- information
- acquiring
- 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
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 326
- 241000238631 Hexapoda Species 0.000 title claims abstract description 255
- 241001629511 Litchi Species 0.000 title claims abstract 50
- 238000001514 detection method Methods 0.000 title claims description 13
- 239000000575 pesticide Substances 0.000 claims abstract description 77
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 38
- 230000007246 mechanism Effects 0.000 claims abstract description 16
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 206010059866 Drug resistance Diseases 0.000 claims abstract description 12
- 238000003066 decision tree Methods 0.000 claims abstract description 9
- 238000011156 evaluation Methods 0.000 claims description 104
- 239000003814 drug Substances 0.000 claims description 50
- 238000010586 diagram Methods 0.000 claims description 47
- 229940079593 drug Drugs 0.000 claims description 44
- 230000007704 transition Effects 0.000 claims description 31
- 238000013135 deep learning Methods 0.000 claims description 29
- 238000012546 transfer Methods 0.000 claims description 25
- 238000000691 measurement method Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000006378 damage Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 244000183278 Nephelium litchi Species 0.000 description 94
- 239000013598 vector Substances 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 4
- 239000002547 new drug Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012847 principal component analysis method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241000578422 Graphosoma lineatum Species 0.000 description 1
- 235000015742 Nephelium litchi Nutrition 0.000 description 1
- 241000661110 Tessaratoma papillosa Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000001217 buttock Anatomy 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 235000015203 fruit juice Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000000749 insecticidal effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
Abstract
本发明涉及一种荔枝虫害的识别与抗性检测方法、系统及存储介质,属于虫害监控技术领域,本发明通过对施药后在预设时间之内的虫情情况进行评价,获取评价结果,最后基于评价结果获取产生抗性的荔枝区域,并对产生抗性的荔枝区域生成新的施药方案。本发明通过融合循环空间注意力机制以及图神经网络,能够将注意力集中在相同特征类型但属性相异的特征,进而降低模型的计算复杂度,达到提升对虫害类型的识别速度的技术效果。另一方面,本发明通过融合决策树模型以及马尔科夫链来对目标区域中施药后的虫情情况进行监控,能够尽早地发现虫害是否对药物产生了抗药性,能够及时挽回经济损失,提高虫害监控的合理性。
Description
技术领域
本发明涉及虫害监控技术领域,尤其涉及一种荔枝虫害的识别与抗性检测方法、系统及存储介质。
背景技术
荔枝有着悠久的栽培历史,出产的荔枝品质优良,色味俱佳,深受广大消费者的喜爱。但受气候条件等因素影响,荔枝虫害时有发生,对产量和品质造成不利影响,阻碍了荔枝产业发展。种植荔枝的农户都知道荔枝的病虫害是比较多的,如荔枝溃疡病和荔枝蝽象。荔枝蝽象俗称臭屁虫,以成虫和若虫刺吸嫩梢、花穗、幼果汁液,被害处变褐色,导致落花落果。准确识别虫害种类是进行种群动态监测、揭示灾变规律、科学防控的基础。然而现如今的主要是采用深度学习、机器学习等方式来识别害虫,由于害虫的类型是很多的,深度学习技术需要通过对大量的特征进行训练,这无疑是加大了虫害识别技术的计算复杂度,从而导致了识别速度低下,而且长期施药会产生一定的抗药性,不能及时发现抗药性,将会增加荔枝产量的损失。
发明内容
本发明克服了现有技术的不足,提供了一种荔枝虫害的识别与抗性检测方法、系统及存储介质。
为达上述目的,本发明采用的技术方案为:
本发明第一方面提供了一种荔枝虫害的识别与抗性检测方法,包括以下步骤:
通过大数据获取荔枝历史出现过的虫害类型信息,并引入图神经网络,基于荔枝历史出现过的虫害类型信息以及图神经网络获取每一虫害类型的拓扑结构图;
基于深度学习网络构建虫害识别模型,并将拓扑结构图输入到虫害识别模型中进行编码学习,通过虫害识别模型获取目标区域中的虫害类型信息;
根据目标区域中的虫害类型信息对目标区域进行药物匹配并进行施药,并监测施药后在预设时间之内的虫情情况,通过对施药后在预设时间之内的虫情情况进行评价,获取评价结果;
基于评价结果获取产生抗性的荔枝区域,并对产生抗性的荔枝区域生成新的施药方案。
进一步的,在本方法中,引入图神经网络,基于荔枝历史出现过的虫害类型信息以及图神经网络获取每一虫害类型的拓扑结构图,具体包括:
根据荔枝历史出现过的虫害类型信息设置相关的关键词信息,基于关键词信息通过大数据进行检索,获取荔枝历史出现过的虫害类型信息相关的虫害图像信息;
通过对虫害图像信息滤波以及去噪处理,获取处理后的各虫害类型的虫害图像信息,并引入特征金字塔网络,通过特征金字塔网络对各虫害类型的虫害图像信息进行特征提取,获取每一虫害类型的特征信息;
引入图神经网络,并将每一虫害类型作为第一图节点,将每一虫害类型的特征信息作为第二图节点,通过第一图节点以及第二图节点的关联关系构建有向边描述关系;
基于第一图节点、第二图节点以及有向边描述关系构建每一虫害类型的拓扑结构图,并将每一虫害类型的拓扑结构图输出。
进一步的,在本方法中,基于深度学习网络构建虫害识别模型,并将拓扑结构图输入到虫害识别模型中进行编码学习,通过虫害识别模型获取目标区域中的虫害类型信息,具体包括:
基于深度学习网络构建虫害识别模型,并引入马氏距离度量法,通过马氏距离度量法计算每一虫害类型中相同类型的特征信息之间的马氏距离值,并判断马氏距离值是否均大于马氏距离阈值;
引入循环空间注意力机制,当马氏距离值均大于马氏距离阈值时,将马氏距离值均大于马氏距离阈值对应的特征信息输入到循环空间注意力机制中,得到特征图;
对特征图中的每个特征信息进行SoftMax操作,得到具有空间注意的归一化特征图,并对具有空间注意的归一化特征图以及马氏距离值均大于马氏距离阈值对应的特征信息内积运算,得到注意力特征图;
将注意力特征图输入到深度学习网络中,将注意力特征图与隐含状态协同工作,更新隐含层状态,获取虫害识别模型,并获取目标区域中的虫害图像信息,通过虫害识别模型对目标区域中的虫害图像信息进行识别,获取目标区域中的虫害类型信息。
进一步的,在本方法中,根据目标区域中的虫害类型信息对目标区域进行药物匹配并进行施药,并监测施药后在预设时间之内的虫情情况,具体包括:
获取荔枝发生的历史虫害类型信息,根据荔枝发生的历史虫害类型信息构建检索标签,基于检索标签通过大数据进行检索,获取每一虫害类型的施药方案,同时构建虫害施药知识图谱;
将每一虫害类型的施药方案输入到虫害施药知识图谱中进行存储,并定期更新虫害施药知识图谱,将目标区域中的虫害类型信息输入到虫害施药知识图谱中进行数据匹配,获取目标区域中的施药方案;
根据目标区域中的施药方案对目标区域进行施药,并构建时间戳,获取在施药后各个时刻单位面积之内的荔枝虫情数据信息;
融合时间戳以及施药后各个时刻单位面积之内的荔枝虫情数据信息生成施药后在预设时间之内的虫情情况。
进一步的,在本方法中,通过对施药后在预设时间之内的虫情情况进行评价,获取评价结果,具体包括:
引入决策树模型,并初始化虫情评价标准,基于施药后在预设时间之内的虫情情况构建根节点,根据虫情评价标准对根节点进行初始化分裂,生成若干新的节点;
获取新的节点中的虫情数据,当新的节点中的虫情数据中不再存在其他类别中的数据时,分裂结束,生成叶节点,当新的节点中的虫情数据中存在其他类别中的数据时,持续分裂;
获取每个时刻的各个叶节点的虫情评价隶属度,并引入马尔科夫链,通过马尔科夫链计算目标区域中每个时刻的虫情评价隶属度转移概率,并判断转移概率值是否大于预设转移概率阈值;
当转移概率值大于预设转移概率阈值时,将当前时刻虫情评价隶属度的下一个等级虫情评价隶属度作为实时的虫情评价隶属度,当转移概率值不大于预设转移概率阈值时,将当前时刻虫情评价隶属度作为实时的虫情评价隶属度,基于实时的虫情评价隶属度生成评价结果。
进一步的,在本方法中,基于评价结果获取产生抗性的荔枝区域,并对产生抗性的荔枝区域生成新的施药方案,具体包括:
基于评价结果获取预设时间之内的虫情评价隶属度转移情况数据,并判断虫情评价隶属度转移情况数据是否为预设的虫情评价隶属度转移情况;
当虫情评价隶属度转移情况数据为预设的虫情评价隶属度转移情况时,则将虫情评价隶属度转移情况数据为预设的虫情评价隶属度转移情况对应的荔枝区域作为对药物产生抗性的荔枝区域;
获取对药物产生抗性的荔枝区域的历史施药成分数据信息,同时获取对药物产生抗性的荔枝区域的虫害类型,并根据虫害施药知识图谱以及对药物产生抗性的荔枝区域的虫害类型获取若干个施药方案;
获取每个施药方案中的施药成分数据信息,当施药方案中的施药成分数据信息与对药物产生抗性的荔枝区域的历史施药成分数据信息不存在重合时,将对应的施药方案作为最高优先级的施药方案进行输出。
本发明第二方面提供了一种荔枝虫害的识别与抗性检测系统,系统包括存储器以及处理器,存储器中包括荔枝虫害的识别与抗性检测方法程序,荔枝虫害的识别与抗性检测方法程序被处理器执行时,实现如下步骤:
通过大数据获取荔枝历史出现过的虫害类型信息,并引入图神经网络,基于荔枝历史出现过的虫害类型信息以及图神经网络获取每一虫害类型的拓扑结构图;
基于深度学习网络构建虫害识别模型,并将拓扑结构图输入到虫害识别模型中进行编码学习,通过虫害识别模型获取目标区域中的虫害类型信息;
根据目标区域中的虫害类型信息对目标区域进行药物匹配并进行施药,并监测施药后在预设时间之内的虫情情况,通过对施药后在预设时间之内的虫情情况进行评价,获取评价结果;
基于评价结果获取产生抗性的荔枝区域,并对产生抗性的荔枝区域生成新的施药方案。
进一步的,在系统中,引入图神经网络,基于荔枝历史出现过的虫害类型信息以及图神经网络获取每一虫害类型的拓扑结构图,具体包括:
根据荔枝历史出现过的虫害类型信息设置相关的关键词信息,基于关键词信息通过大数据进行检索,获取荔枝历史出现过的虫害类型信息相关的虫害图像信息;
通过对虫害图像信息滤波以及去噪处理,获取处理后的各虫害类型的虫害图像信息,并引入特征金字塔网络,通过特征金字塔网络对各虫害类型的虫害图像信息进行特征提取,获取每一虫害类型的特征信息;
引入图神经网络,并将每一虫害类型作为第一图节点,将每一虫害类型的特征信息作为第二图节点,通过第一图节点以及第二图节点的关联关系构建有向边描述关系;
基于第一图节点、第二图节点以及有向边描述关系构建每一虫害类型的拓扑结构图,并将每一虫害类型的拓扑结构图输出。
进一步的,在系统中,基于深度学习网络构建虫害识别模型,并将拓扑结构图输入到虫害识别模型中进行编码学习,通过虫害识别模型获取目标区域中的虫害类型信息,具体包括:
基于深度学习网络构建虫害识别模型,并引入马氏距离度量法,通过马氏距离度量法计算每一虫害类型中相同类型的特征信息之间的马氏距离值,并判断马氏距离值是否均大于马氏距离阈值;
引入循环空间注意力机制,当马氏距离值均大于马氏距离阈值时,将马氏距离值均大于马氏距离阈值对应的特征信息输入到循环空间注意力机制中,得到特征图;
对特征图中的每个特征信息进行SoftMax操作,得到具有空间注意的归一化特征图,并对具有空间注意的归一化特征图以及马氏距离值均大于马氏距离阈值对应的特征信息内积运算,得到注意力特征图;
将注意力特征图输入到深度学习网络中,将注意力特征图与隐含状态协同工作,更新隐含层状态,获取虫害识别模型,并获取目标区域中的虫害图像信息,通过虫害识别模型对目标区域中的虫害图像信息进行识别,获取目标区域中的虫害类型信息。
本发明第三方面提供了一种计算机可读存储介质,计算机可读存储介质中包括荔枝虫害的识别与抗性检测方法程序,荔枝虫害的识别与抗性检测方法程序被处理执行时,实现任一项的荔枝虫害的识别与抗性检测方法的步骤。
本发明解决了背景技术中存在的缺陷,本发明具备以下有益效果:
本发明通过大数据获取荔枝历史出现过的虫害类型信息,并引入图神经网络,基于荔枝历史出现过的虫害类型信息以及图神经网络获取每一虫害类型的拓扑结构图,进而基于深度学习网络构建虫害识别模型,并将拓扑结构图输入到虫害识别模型中进行编码学习,通过虫害识别模型获取目标区域中的虫害类型信息,进而根据目标区域中的虫害类型信息对目标区域进行药物匹配并进行施药,并监测施药后在预设时间之内的虫情情况,通过对施药后在预设时间之内的虫情情况进行评价,获取评价结果,最后基于评价结果获取产生抗性的荔枝区域,并对产生抗性的荔枝区域生成新的施药方案。本发明通过融合循环空间注意力机制以及图神经网络,能够将注意力集中在相同特征类型但属性相异的特征,进而降低模型的计算复杂度,达到提升对虫害类型的识别速度的技术效果。另一方面,本发明通过融合决策树模型以及马尔科夫链来对目标区域中施药后的虫情情况进行监控,能够尽早地发现虫害是否对药物产生了抗药性,能够及时挽回经济损失,提高虫害监控的合理性。
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示出了一种荔枝虫害的识别与抗性检测方法的整体方法流程图;
图2示出了一种荔枝虫害的识别与抗性检测方法的第一方法流程图;
图3示出了一种荔枝虫害的识别与抗性检测方法的第二方法流程图;
图4示出了种荔枝虫害的识别与抗性检测系统的系统框图。
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,本发明第一方面提供了一种荔枝虫害的识别与抗性检测方法,包括以下步骤:
S102:通过大数据获取荔枝历史出现过的虫害类型信息,并引入图神经网络,基于荔枝历史出现过的虫害类型信息以及图神经网络获取每一虫害类型的拓扑结构图;
S104:基于深度学习网络构建虫害识别模型,并将拓扑结构图输入到虫害识别模型中进行编码学习,通过虫害识别模型获取目标区域中的虫害类型信息;
S106:根据目标区域中的虫害类型信息对目标区域进行药物匹配并进行施药,并监测施药后在预设时间之内的虫情情况,通过对施药后在预设时间之内的虫情情况进行评价,获取评价结果;
S108:基于评价结果获取产生抗性的荔枝区域,并对产生抗性的荔枝区域生成新的施药方案。
需要说明的是,本发明通过融合循环空间注意力机制以及图神经网络,能够将注意力集中在相同特征类型但属性相异的特征,进而降低模型的计算复杂度,达到提升对虫害类型的识别速度的技术效果。另一方面,本发明通过融合决策树模型以及马尔科夫链来对目标区域中施药后的虫情情况进行监控,能够尽早地发现虫害是否对药物产生了抗药性,能够及时挽回经济损失,提高虫害监控的合理性。
如图2所示,进一步的,在本方法中,引入图神经网络,基于荔枝历史出现过的虫害类型信息以及图神经网络获取每一虫害类型的拓扑结构图,具体包括:
S202:根据荔枝历史出现过的虫害类型信息设置相关的关键词信息,基于关键词信息通过大数据进行检索,获取荔枝历史出现过的虫害类型信息相关的虫害图像信息;
S204:通过对虫害图像信息滤波以及去噪处理,获取处理后的各虫害类型的虫害图像信息,并引入特征金字塔网络,通过特征金字塔网络对各虫害类型的虫害图像信息进行特征提取,获取每一虫害类型的特征信息;
S206:引入图神经网络,并将每一虫害类型作为第一图节点,将每一虫害类型的特征信息作为第二图节点,通过第一图节点以及第二图节点的关联关系构建有向边描述关系;
S208:基于第一图节点、第二图节点以及有向边描述关系构建每一虫害类型的拓扑结构图,并将每一虫害类型的拓扑结构图输出。
需要说明的是,虫害类型的特征信息包括纹理特征、形状特征、颜色特征等要素,通过引入图神经网络对每一虫害类型以及虫害类型的特征信息进行融合。当某一特征与虫害类型存在关联时,通过第一图节点以及第二图节点的关联关系构建有向边描述关系,使得该特征指向该虫害类型,从而构建拓扑结构图,其中一种虫害类型具有一个拓扑结构图。
如图3所示,进一步的,在本方法中,基于深度学习网络构建虫害识别模型,并将拓扑结构图输入到虫害识别模型中进行编码学习,通过虫害识别模型获取目标区域中的虫害类型信息,具体包括:
S302:基于深度学习网络构建虫害识别模型,并引入马氏距离度量法,通过马氏距离度量法计算每一虫害类型中相同类型的特征信息之间的马氏距离值,并判断马氏距离值是否均大于马氏距离阈值;
S304:引入循环空间注意力机制,当马氏距离值均大于马氏距离阈值时,将马氏距离值均大于马氏距离阈值对应的特征信息输入到循环空间注意力机制中,得到特征图;
S306:对特征图中的每个特征信息进行SoftMax操作,得到具有空间注意的归一化特征图,并对具有空间注意的归一化特征图以及马氏距离值均大于马氏距离阈值对应的特征信息内积运算,得到注意力特征图;
S308: 将注意力特征图输入到深度学习网络中,将注意力特征图与隐含状态协同工作,更新隐含层状态,获取虫害识别模型,并获取目标区域中的虫害图像信息,通过虫害识别模型对目标区域中的虫害图像信息进行识别,获取目标区域中的虫害类型信息。
需要说明的是,通过马氏距离度量法计算每一虫害类型中相同类型的特征信息之间的马氏距离值,如所有的荔枝虫害类型的颜色特征是相异(如颜色特征分别为绿色、黄色、蓝色等)时,各种颜色均为相异的特征,或者所有的虫害类型的形状特征都是相异的,此时马氏距离值均大于马氏距离阈值对应的特征信息,通过循环空间注意力机制就会将注意力集中在颜色特征以及形状特征中,这样就能将相同的特征剔除,以减少对荔枝虫害特征的训练,进而降低虫害识别模型的计算复杂度,提高模型的运行鲁棒性,实现对荔枝虫害的快速性识别。其中,深度学习网络包括卷积神经网络、递归神经网络、循环神经网络等。
进一步的,在本方法中,根据目标区域中的虫害类型信息对目标区域进行药物匹配并进行施药,并监测施药后在预设时间之内的虫情情况,具体包括:
获取荔枝发生的历史虫害类型信息,根据荔枝发生的历史虫害类型信息构建检索标签,基于检索标签通过大数据进行检索,获取每一虫害类型的施药方案,同时构建虫害施药知识图谱;
将每一虫害类型的施药方案输入到虫害施药知识图谱中进行存储,并定期更新虫害施药知识图谱,将目标区域中的虫害类型信息输入到虫害施药知识图谱中进行数据匹配,获取目标区域中的施药方案;
根据目标区域中的施药方案对目标区域进行施药,并构建时间戳,获取在施药后各个时刻单位面积之内的荔枝虫情数据信息;
融合时间戳以及施药后各个时刻单位面积之内的荔枝虫情数据信息生成施药后在预设时间之内的虫情情况。
需要说明的是,虫害类型的施药方案包括但不限于药物的类型、药剂的施药量,单位面积之内的荔枝虫情数据信息可为单位面积之内的荔枝害虫的数量信息、当前面积范围之内的荔枝害虫的数量信息等其他方式,在本实施例中并不过多地对该其进行限定。
进一步的,在本方法中,通过对施药后在预设时间之内的虫情情况进行评价,获取评价结果,具体包括:
引入决策树模型,并初始化虫情评价标准,基于施药后在预设时间之内的虫情情况构建根节点,根据虫情评价标准对根节点进行初始化分裂,生成若干新的节点;
获取新的节点中的虫情数据,当新的节点中的虫情数据中不再存在其他类别中的数据时,分裂结束,生成叶节点,当新的节点中的虫情数据中存在其他类别中的数据时,持续分裂;
获取每个时刻的各个叶节点的虫情评价隶属度,并引入马尔科夫链,通过马尔科夫链计算目标区域中每个时刻的虫情评价隶属度转移概率,并判断转移概率值是否大于预设转移概率阈值;
当转移概率值大于预设转移概率阈值时,将当前时刻虫情评价隶属度的下一个等级虫情评价隶属度作为实时的虫情评价隶属度,当转移概率值不大于预设转移概率阈值时,将当前时刻虫情评价隶属度作为实时的虫情评价隶属度,基于实时的虫情评价隶属度生成评价结果。
需要说明的是,虫情评价标准可为不同的虫情评价隶属度(如无虫情等级、低程度的虫情等级、中程度的虫情等级、重度的虫情等级)对应不同的单位面积之内的荔枝害虫数据,如单位面积内的害虫数量为100pcs/㎡,该虫情数量代表的是重度的虫情等级,其中等级越高,单位面积内的害虫数据就越多。由于在施药之后,虫情评价隶属度会发生变化,当不产生抗药性时,虫情评价隶属度会降低,如原来的评价隶属度为重度的虫情等级,不产生抗药性时,重度的虫情等级会慢慢转移为中度的虫情等级,通过马尔科夫链计算目标区域中每个时刻的虫情评价隶属度转移概率,而当转移概率值大于预设转移概率阈值,说明虫情等级发生了转移,当产生了抗药性时,虫情评价隶属度在一定的时间范围之内不发生改变或者虫情等级却变得严重了,通过本方法能够对抗药性进行动态监测,提高了虫情监测的合理性。
需要说明的是,通过融合决策树算法以及马尔科夫链能够对目标区域中的虫情情况进行批量监测,不仅提高了监测效率,还提高了监测的准确性。
进一步的,在本方法中,基于评价结果获取产生抗性的荔枝区域,并对产生抗性的荔枝区域生成新的施药方案,具体包括:
基于评价结果获取预设时间之内的虫情评价隶属度转移情况数据,并判断虫情评价隶属度转移情况数据是否为预设的虫情评价隶属度转移情况;
当虫情评价隶属度转移情况数据为预设的虫情评价隶属度转移情况时,则将虫情评价隶属度转移情况数据为预设的虫情评价隶属度转移情况对应的荔枝区域作为对药物产生抗性的荔枝区域;
获取对药物产生抗性的荔枝区域的历史施药成分数据信息,同时获取对药物产生抗性的荔枝区域的虫害类型,并根据虫害施药知识图谱以及对药物产生抗性的荔枝区域的虫害类型获取若干个施药方案;
获取每个施药方案中的施药成分数据信息,当施药方案中的施药成分数据信息与对药物产生抗性的荔枝区域的历史施药成分数据信息不存在重合时,将对应的施药方案作为最高优先级的施药方案进行输出。
需要说明的是,预设的虫情评价隶属度转移情况如:即使施药了,虫情评价隶属度在一定的时间范围之内不发生改变,或者虫情等级却变得严重了,当发生该类情况时,说明产生了一定的抗药性,通过本方法能够提高施药过程中的合理性。
此外,本发明还可以包括以下步骤:
通过大数据获取目标区域的历史气象特征数据,并基于深度学习网络构建气象特征预测模型,将所述目标区域的历史气象特征数据输入到所述气象特征预测模型中进行编码学习;
通过所述气象预测模型预测目标区域在预设时间之内的气象特征数据,并通过大数据获取最高优先级的施药方案在各种气象特征数据之下的施药特性数据信息;
根据所述目标区域在预设时间之内的气象特征数据以及最高优先级的施药方案在各种气象特征数据之下的施药特性数据信息生成目标区域的在预设时间之内的气象特征中的施药特性数据信息;
设置相关的施药特征阈值数据,当所述施药特性数据信息不大于相关的施药特征阈值数据,获取施药特性数据信息不大于相关的施药特征阈值数据对应的气象特征时段,并将所述施药特性数据信息不大于相关的施药特征阈值数据对应的气象特征时段作为施药方案的施药时段。
需要说明的是,施药特性数据信息包括施药方案在各种气象特征之下的分解特性、挥发特性等数据,对于一些药物而言,由于不同的气象特征能够导致药物的挥发或者分解,从而降低了药物的杀虫能力,通过本方法将所述施药特性数据信息不大于相关的施药特征阈值数据对应的气象特征时段作为施药方案的施药时段,使得施药过程中更加合理。
此外,本方法还可以包括以下步骤:
获取叶节点中的虫情数据信息,并根据所述叶节点中的虫情数据信息构建特征矩阵,引入主成分分析法,通过对所述主成分分析法对所述特征矩阵进行降维分解,生成由特征向量组成的正交矩阵;
获取所述正交矩阵中的特征向量,并引入余弦度量算法,通过所述余弦度量算法,通过所述余弦度量算法计算特征向量之间的余弦值。并判断所有的余弦值是否均小于预设余弦阈值;
当所有的余弦值不是均小于预设余弦阈值时,统计余弦值不小于预设余弦值对应的特征向量对比组,并从所述余弦值不小于预设余弦值对应的特征向量对比组中获取异常的特征向量;
获取异常特征向量所对应的虫情数据,并根据所述异常特征向量所对应的虫情数据获取异常的叶节点,并对所述异常的叶节点进行重新分裂,直至不在出现所有的余弦值均小于预设余弦阈值,输出新的叶节点。
需要说明的是,通过决策树模型进行分类,容易出现分类错误的现象,容易导致出现异常的评价隶属度,通过引入主成分分析法以及余弦度量算法,能够对叶节点中的数据进行评价,并对所述异常的叶节点进行重新分裂,直至不在出现所有的余弦值均小于预设余弦阈值,输出新的叶节点。来提高对虫情数据评价的隶属度,从而提高对虫情监测的精度。
如图4所示,本发明第二方面提供了一种荔枝虫害的识别与抗性检测系统4,该系统4包括存储器41以及处理器42,存储器41中包括荔枝虫害的识别与抗性检测方法程序,荔枝虫害的识别与抗性检测方法程序被处理器42执行时,实现如下步骤:
通过大数据获取荔枝历史出现过的虫害类型信息,并引入图神经网络,基于荔枝历史出现过的虫害类型信息以及图神经网络获取每一虫害类型的拓扑结构图;
基于深度学习网络构建虫害识别模型,并将拓扑结构图输入到虫害识别模型中进行编码学习,通过虫害识别模型获取目标区域中的虫害类型信息;
根据目标区域中的虫害类型信息对目标区域进行药物匹配并进行施药,并监测施药后在预设时间之内的虫情情况,通过对施药后在预设时间之内的虫情情况进行评价,获取评价结果;
基于评价结果获取产生抗性的荔枝区域,并对产生抗性的荔枝区域生成新的施药方案。
进一步的,在系统中,引入图神经网络,基于荔枝历史出现过的虫害类型信息以及图神经网络获取每一虫害类型的拓扑结构图,具体包括:
根据荔枝历史出现过的虫害类型信息设置相关的关键词信息,基于关键词信息通过大数据进行检索,获取荔枝历史出现过的虫害类型信息相关的虫害图像信息;
通过对虫害图像信息滤波以及去噪处理,获取处理后的各虫害类型的虫害图像信息,并引入特征金字塔网络,通过特征金字塔网络对各虫害类型的虫害图像信息进行特征提取,获取每一虫害类型的特征信息;
引入图神经网络,并将每一虫害类型作为第一图节点,将每一虫害类型的特征信息作为第二图节点,通过第一图节点以及第二图节点的关联关系构建有向边描述关系;
基于第一图节点、第二图节点以及有向边描述关系构建每一虫害类型的拓扑结构图,并将每一虫害类型的拓扑结构图输出。
进一步的,在系统中,基于深度学习网络构建虫害识别模型,并将拓扑结构图输入到虫害识别模型中进行编码学习,通过虫害识别模型获取目标区域中的虫害类型信息,具体包括:
基于深度学习网络构建虫害识别模型,并引入马氏距离度量法,通过马氏距离度量法计算每一虫害类型中相同类型的特征信息之间的马氏距离值,并判断马氏距离值是否均大于马氏距离阈值;
引入循环空间注意力机制,当马氏距离值均大于马氏距离阈值时,将马氏距离值均大于马氏距离阈值对应的特征信息输入到循环空间注意力机制中,得到特征图;
对特征图中的每个特征信息进行SoftMax操作,得到具有空间注意的归一化特征图,并对具有空间注意的归一化特征图以及马氏距离值均大于马氏距离阈值对应的特征信息内积运算,得到注意力特征图;
将注意力特征图输入到深度学习网络中,将注意力特征图与隐含状态协同工作,更新隐含层状态,获取虫害识别模型,并获取目标区域中的虫害图像信息,通过虫害识别模型对目标区域中的虫害图像信息进行识别,获取目标区域中的虫害类型信息。
本发明第三方面提供了一种计算机可读存储介质,计算机可读存储介质中包括荔枝虫害的识别与抗性检测方法程序,荔枝虫害的识别与抗性检测方法程序被处理执行时,实现任一项的荔枝虫害的识别与抗性检测方法的步骤。
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 (8)
1.一种荔枝虫害的识别与抗性检测方法,其特征在于,包括以下步骤:
通过大数据获取荔枝历史出现过的虫害类型信息,并引入图神经网络,基于所述荔枝历史出现过的虫害类型信息以及图神经网络获取每一虫害类型的拓扑结构图;
基于深度学习网络构建虫害识别模型,并将所述拓扑结构图输入到所述虫害识别模型中进行编码学习,通过所述虫害识别模型获取目标区域中的虫害类型信息;
根据所述目标区域中的虫害类型信息对目标区域进行药物匹配并进行施药,并监测施药后在预设时间之内的虫情情况,通过对所述施药后在预设时间之内的虫情情况进行评价,获取评价结果;
基于所述评价结果获取产生抗性的荔枝区域,并对所述产生抗性的荔枝区域生成新的施药方案;
通过对所述施药后在预设时间之内的虫情情况进行评价,获取评价结果,具体包括:
引入决策树模型,并初始化虫情评价标准,基于所述施药后在预设时间之内的虫情情况构建根节点,根据所述虫情评价标准对所述根节点进行初始化分裂,生成若干新的节点;
获取新的节点中的虫情数据,当所述新的节点中的虫情数据中不再存在其他类别中的数据时,分裂结束,生成叶节点,当所述新的节点中的虫情数据中存在其他类别中的数据时,持续分裂;
获取每个时刻的各个叶节点的虫情评价隶属度,并引入马尔科夫链,通过马尔科夫链计算目标区域中每个时刻的虫情评价隶属度转移概率,并判断所述转移概率值是否大于预设转移概率阈值;
当所述转移概率值大于预设转移概率阈值时,将当前时刻虫情评价隶属度的下一个等级虫情评价隶属度作为实时的虫情评价隶属度,当所述转移概率值不大于预设转移概率阈值时,将当前时刻虫情评价隶属度作为实时的虫情评价隶属度,基于所述实时的虫情评价隶属度生成评价结果;
基于所述评价结果获取产生抗性的荔枝区域,并对所述产生抗性的荔枝区域生成新的施药方案,具体包括:
基于所述评价结果获取预设时间之内的虫情评价隶属度转移情况数据,并判断所述虫情评价隶属度转移情况数据是否为预设的虫情评价隶属度转移情况;
当所述虫情评价隶属度转移情况数据为预设的虫情评价隶属度转移情况时,则将所述虫情评价隶属度转移情况数据为预设的虫情评价隶属度转移情况对应的荔枝区域作为对药物产生抗性的荔枝区域;
获取对药物产生抗性的荔枝区域的历史施药成分数据信息,同时获取对药物产生抗性的荔枝区域的虫害类型,并根据虫害施药知识图谱以及所述对药物产生抗性的荔枝区域的虫害类型获取若干个施药方案;
获取每个施药方案中的施药成分数据信息,当所述施药方案中的施药成分数据信息与对药物产生抗性的荔枝区域的历史施药成分数据信息不存在重合时,将对应的施药方案作为最高优先级的施药方案进行输出。
2.根据权利要求1所述的一种荔枝虫害的识别与抗性检测方法,其特征在于,引入图神经网络,基于所述荔枝历史出现过的虫害类型信息以及图神经网络获取每一虫害类型的拓扑结构图,具体包括:
根据所述荔枝历史出现过的虫害类型信息设置相关的关键词信息,基于所述关键词信息通过大数据进行检索,获取荔枝历史出现过的虫害类型信息相关的虫害图像信息;
通过对所述虫害图像信息滤波以及去噪处理,获取处理后的各虫害类型的虫害图像信息,并引入特征金字塔网络,通过所述特征金字塔网络对所述各虫害类型的虫害图像信息进行特征提取,获取每一虫害类型的特征信息;
引入图神经网络,并将每一虫害类型作为第一图节点,将所述每一虫害类型的特征信息作为第二图节点,通过第一图节点以及第二图节点的关联关系构建有向边描述关系;
基于所述第一图节点、第二图节点以及有向边描述关系构建每一虫害类型的拓扑结构图,并将所述每一虫害类型的拓扑结构图输出。
3.根据权利要求1所述的一种荔枝虫害的识别与抗性检测方法,其特征在于,基于深度学习网络构建虫害识别模型,并将所述拓扑结构图输入到所述虫害识别模型中进行编码学习,通过所述虫害识别模型获取目标区域中的虫害类型信息,具体包括:
基于深度学习网络构建虫害识别模型,并引入马氏距离度量法,通过马氏距离度量法计算每一虫害类型中相同类型的特征信息之间的马氏距离值,并判断所述马氏距离值是否均大于马氏距离阈值;
引入循环空间注意力机制,当所述马氏距离值均大于马氏距离阈值时,将所述马氏距离值均大于马氏距离阈值对应的特征信息输入到所述循环空间注意力机制中,得到特征图;
对所述特征图中的每个特征信息进行SoftMax操作,得到具有空间注意的归一化特征图,并对所述具有空间注意的归一化特征图以及所述马氏距离值均大于马氏距离阈值对应的特征信息内积运算,得到注意力特征图;
将所述注意力特征图输入到所述深度学习网络中,将所述注意力特征图与隐含状态协同工作,更新隐含层状态,获取虫害识别模型,并获取目标区域中的虫害图像信息,通过所述虫害识别模型对目标区域中的虫害图像信息进行识别,获取目标区域中的虫害类型信息。
4.根据权利要求1所述的一种荔枝虫害的识别与抗性检测方法,其特征在于,根据所述目标区域中的虫害类型信息对目标区域进行药物匹配并进行施药,并监测施药后在预设时间之内的虫情情况,具体包括:
获取荔枝发生的历史虫害类型信息,根据所述荔枝发生的历史虫害类型信息构建检索标签,基于所述检索标签通过大数据进行检索,获取每一虫害类型的施药方案,同时构建虫害施药知识图谱;
将所述每一虫害类型的施药方案输入到所述虫害施药知识图谱中进行存储,并定期更新所述虫害施药知识图谱,将所述目标区域中的虫害类型信息输入到所述虫害施药知识图谱中进行数据匹配,获取目标区域中的施药方案;
根据所述目标区域中的施药方案对目标区域进行施药,并构建时间戳,获取在施药后各个时刻单位面积之内的荔枝虫情数据信息;
融合所述时间戳以及施药后各个时刻单位面积之内的荔枝虫情数据信息生成施药后在预设时间之内的虫情情况。
5.一种荔枝虫害的识别与抗性检测系统,其特征在于,所述系统包括存储器以及处理器,所述存储器中包括荔枝虫害的识别与抗性检测方法程序,所述荔枝虫害的识别与抗性检测方法程序被所述处理器执行时,实现如下步骤:
通过大数据获取荔枝历史出现过的虫害类型信息,并引入图神经网络,基于所述荔枝历史出现过的虫害类型信息以及图神经网络获取每一虫害类型的拓扑结构图;
基于深度学习网络构建虫害识别模型,并将所述拓扑结构图输入到所述虫害识别模型中进行编码学习,通过所述虫害识别模型获取目标区域中的虫害类型信息;
根据所述目标区域中的虫害类型信息对目标区域进行药物匹配并进行施药,并监测施药后在预设时间之内的虫情情况,通过对所述施药后在预设时间之内的虫情情况进行评价,获取评价结果;
基于所述评价结果获取产生抗性的荔枝区域,并对所述产生抗性的荔枝区域生成新的施药方案;
通过对所述施药后在预设时间之内的虫情情况进行评价,获取评价结果,具体包括:
引入决策树模型,并初始化虫情评价标准,基于所述施药后在预设时间之内的虫情情况构建根节点,根据所述虫情评价标准对所述根节点进行初始化分裂,生成若干新的节点;
获取新的节点中的虫情数据,当所述新的节点中的虫情数据中不再存在其他类别中的数据时,分裂结束,生成叶节点,当所述新的节点中的虫情数据中存在其他类别中的数据时,持续分裂;
获取每个时刻的各个叶节点的虫情评价隶属度,并引入马尔科夫链,通过马尔科夫链计算目标区域中每个时刻的虫情评价隶属度转移概率,并判断所述转移概率值是否大于预设转移概率阈值;
当所述转移概率值大于预设转移概率阈值时,将当前时刻虫情评价隶属度的下一个等级虫情评价隶属度作为实时的虫情评价隶属度,当所述转移概率值不大于预设转移概率阈值时,将当前时刻虫情评价隶属度作为实时的虫情评价隶属度,基于所述实时的虫情评价隶属度生成评价结果;
基于所述评价结果获取产生抗性的荔枝区域,并对所述产生抗性的荔枝区域生成新的施药方案,具体包括:
基于所述评价结果获取预设时间之内的虫情评价隶属度转移情况数据,并判断所述虫情评价隶属度转移情况数据是否为预设的虫情评价隶属度转移情况;
当所述虫情评价隶属度转移情况数据为预设的虫情评价隶属度转移情况时,则将所述虫情评价隶属度转移情况数据为预设的虫情评价隶属度转移情况对应的荔枝区域作为对药物产生抗性的荔枝区域;
获取对药物产生抗性的荔枝区域的历史施药成分数据信息,同时获取对药物产生抗性的荔枝区域的虫害类型,并根据虫害施药知识图谱以及所述对药物产生抗性的荔枝区域的虫害类型获取若干个施药方案;
获取每个施药方案中的施药成分数据信息,当所述施药方案中的施药成分数据信息与对药物产生抗性的荔枝区域的历史施药成分数据信息不存在重合时,将对应的施药方案作为最高优先级的施药方案进行输出。
6.根据权利要求5所述的一种荔枝虫害的识别与抗性检测系统,其特征在于,引入图神经网络,基于所述荔枝历史出现过的虫害类型信息以及图神经网络获取每一虫害类型的拓扑结构图,具体包括:
根据所述荔枝历史出现过的虫害类型信息设置相关的关键词信息,基于所述关键词信息通过大数据进行检索,获取荔枝历史出现过的虫害类型信息相关的虫害图像信息;
通过对所述虫害图像信息滤波以及去噪处理,获取处理后的各虫害类型的虫害图像信息,并引入特征金字塔网络,通过所述特征金字塔网络对所述各虫害类型的虫害图像信息进行特征提取,获取每一虫害类型的特征信息;
引入图神经网络,并将每一虫害类型作为第一图节点,将所述每一虫害类型的特征信息作为第二图节点,通过第一图节点以及第二图节点的关联关系构建有向边描述关系;
基于所述第一图节点、第二图节点以及有向边描述关系构建每一虫害类型的拓扑结构图,并将所述每一虫害类型的拓扑结构图输出。
7.根据权利要求5所述的一种荔枝虫害的识别与抗性检测系统,其特征在于,基于深度学习网络构建虫害识别模型,并将所述拓扑结构图输入到所述虫害识别模型中进行编码学习,通过所述虫害识别模型获取目标区域中的虫害类型信息,具体包括:
基于深度学习网络构建虫害识别模型,并引入马氏距离度量法,通过马氏距离度量法计算每一虫害类型中相同类型的特征信息之间的马氏距离值,并判断所述马氏距离值是否均大于马氏距离阈值;
引入循环空间注意力机制,当所述马氏距离值均大于马氏距离阈值时,将所述马氏距离值均大于马氏距离阈值对应的特征信息输入到所述循环空间注意力机制中,得到特征图;
对所述特征图中的每个特征信息进行SoftMax操作,得到具有空间注意的归一化特征图,并对所述具有空间注意的归一化特征图以及所述马氏距离值均大于马氏距离阈值对应的特征信息内积运算,得到注意力特征图;
将所述注意力特征图输入到所述深度学习网络中,将所述注意力特征图与隐含状态协同工作,更新隐含层状态,获取虫害识别模型,并获取目标区域中的虫害图像信息,通过所述虫害识别模型对目标区域中的虫害图像信息进行识别,获取目标区域中的虫害类型信息。
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中包括荔枝虫害的识别与抗性检测方法程序,所述荔枝虫害的识别与抗性检测方法程序被处理执行时,实现如权利要求1-4任一项所述的荔枝虫害的识别与抗性检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311379430.4A CN117151342B (zh) | 2023-10-24 | 2023-10-24 | 一种荔枝虫害的识别与抗性检测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311379430.4A CN117151342B (zh) | 2023-10-24 | 2023-10-24 | 一种荔枝虫害的识别与抗性检测方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117151342A CN117151342A (zh) | 2023-12-01 |
CN117151342B true CN117151342B (zh) | 2024-01-26 |
Family
ID=88904565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311379430.4A Active CN117151342B (zh) | 2023-10-24 | 2023-10-24 | 一种荔枝虫害的识别与抗性检测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117151342B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106202489A (zh) * | 2016-07-20 | 2016-12-07 | 青岛云智环境数据管理有限公司 | 一种基于大数据的农业病虫害智能诊断系统 |
WO2021203505A1 (zh) * | 2020-04-09 | 2021-10-14 | 丰疆智能软件科技(南京)有限公司 | 害虫检测模型构建方法 |
CN114445785A (zh) * | 2022-04-11 | 2022-05-06 | 广东省农业科学院植物保护研究所 | 基于物联网的荔枝虫害监测预警方法、系统及存储介质 |
CN114707773A (zh) * | 2022-06-06 | 2022-07-05 | 广东省农业科学院植物保护研究所 | 基于深度学习的虫害防治方案生成方法、系统及存储介质 |
CN115169750A (zh) * | 2022-09-01 | 2022-10-11 | 广东省农业科学院植物保护研究所 | 一种基于物联网的鳞翅目害虫防治方法、系统及介质 |
CN115358883A (zh) * | 2022-09-15 | 2022-11-18 | 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 |
CN115601585A (zh) * | 2022-09-15 | 2023-01-13 | 中科聚信信息技术(北京)有限公司(Cn) | 基于图片分析的农业病虫害诊断方法及装置 |
CN115661739A (zh) * | 2022-09-29 | 2023-01-31 | 浙大城市学院 | 基于属性特征知识图谱的葡萄园病虫害细粒度识别方法 |
CN115690541A (zh) * | 2022-11-01 | 2023-02-03 | 四川大学 | 提高小样本、小目标识别准确率的深度学习训练方法 |
CN115937689A (zh) * | 2022-12-30 | 2023-04-07 | 安徽农业大学 | 一种农业害虫智能识别与监测技术 |
CN115983533A (zh) * | 2023-02-15 | 2023-04-18 | 广东省农业科学院植物保护研究所 | 一种荔枝蒂蛀虫潜在危害识别与评估方法及系统 |
CN116664944A (zh) * | 2023-06-12 | 2023-08-29 | 浙江大学 | 一种基于属性特征知识图谱的葡萄园害虫识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4258210A3 (en) * | 2016-03-29 | 2023-11-29 | Ecolab USA Inc. | Analyzing images of pests using a mobile device application |
CN117132802A (zh) * | 2023-04-10 | 2023-11-28 | 西北农林科技大学 | 一种田间小麦病虫害识别方法、装置及存储介质 |
-
2023
- 2023-10-24 CN CN202311379430.4A patent/CN117151342B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106202489A (zh) * | 2016-07-20 | 2016-12-07 | 青岛云智环境数据管理有限公司 | 一种基于大数据的农业病虫害智能诊断系统 |
WO2021203505A1 (zh) * | 2020-04-09 | 2021-10-14 | 丰疆智能软件科技(南京)有限公司 | 害虫检测模型构建方法 |
CN114445785A (zh) * | 2022-04-11 | 2022-05-06 | 广东省农业科学院植物保护研究所 | 基于物联网的荔枝虫害监测预警方法、系统及存储介质 |
CN114707773A (zh) * | 2022-06-06 | 2022-07-05 | 广东省农业科学院植物保护研究所 | 基于深度学习的虫害防治方案生成方法、系统及存储介质 |
CN115169750A (zh) * | 2022-09-01 | 2022-10-11 | 广东省农业科学院植物保护研究所 | 一种基于物联网的鳞翅目害虫防治方法、系统及介质 |
CN115358883A (zh) * | 2022-09-15 | 2022-11-18 | 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 |
CN115601585A (zh) * | 2022-09-15 | 2023-01-13 | 中科聚信信息技术(北京)有限公司(Cn) | 基于图片分析的农业病虫害诊断方法及装置 |
CN115661739A (zh) * | 2022-09-29 | 2023-01-31 | 浙大城市学院 | 基于属性特征知识图谱的葡萄园病虫害细粒度识别方法 |
CN115690541A (zh) * | 2022-11-01 | 2023-02-03 | 四川大学 | 提高小样本、小目标识别准确率的深度学习训练方法 |
CN115937689A (zh) * | 2022-12-30 | 2023-04-07 | 安徽农业大学 | 一种农业害虫智能识别与监测技术 |
CN115983533A (zh) * | 2023-02-15 | 2023-04-18 | 广东省农业科学院植物保护研究所 | 一种荔枝蒂蛀虫潜在危害识别与评估方法及系统 |
CN116664944A (zh) * | 2023-06-12 | 2023-08-29 | 浙江大学 | 一种基于属性特征知识图谱的葡萄园害虫识别方法 |
Non-Patent Citations (1)
Title |
---|
昆虫抗药性监测与检测技术研究进展;潘志萍;李敦松;;应用生态学报(第08期);第1539-1542页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117151342A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108737406B (zh) | 一种异常流量数据的检测方法及系统 | |
CN111967343B (zh) | 基于简单神经网络和极端梯度提升模型融合的检测方法 | |
US11838308B2 (en) | Computer-implemented method and arrangement for classifying anomalies | |
CN108200054A (zh) | 一种基于dns解析的恶意域名检测方法及装置 | |
CN111798312A (zh) | 一种基于孤立森林算法的金融交易系统异常识别方法 | |
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 | |
CN109309675A (zh) | 一种基于卷积神经网络的网络入侵检测方法 | |
CN117241306B (zh) | 一种4g网络异常流量数据实时监测方法 | |
CN115983533B (zh) | 一种荔枝蒂蛀虫潜在危害识别与评估方法及系统 | |
CN111641608A (zh) | 异常用户识别方法、装置、电子设备及存储介质 | |
CN106960153A (zh) | 病毒的类型识别方法及装置 | |
Pratondo et al. | Classification of apples using machine learning | |
CN114897109A (zh) | 一种割草机异常监测预警方法 | |
CN115021679A (zh) | 一种基于多维离群点检测的光伏设备故障检测方法 | |
CN115935286A (zh) | 铁路轴承状态监测数据的异常点检测方法、装置及终端 | |
CN117171695B (zh) | 一种抗生素污染土壤生态修复效果评价的方法及系统 | |
CN116610821B (zh) | 一种基于知识图谱的企业风险分析方法、系统和存储介质 | |
CN117151342B (zh) | 一种荔枝虫害的识别与抗性检测方法、系统及存储介质 | |
CN115879826B (zh) | 一种基于大数据的精细化工工艺质检方法、系统及介质 | |
CN116030955B (zh) | 基于物联网的医疗设备状态监测方法及相关装置 | |
CN116865994A (zh) | 一种基于大数据的网络数据安全预测方法 | |
CN114049966B (zh) | 一种基于链接预测的食源性疾病暴发识别方法和系统 | |
CN112395810B (zh) | 基于人工神经网络的鱼类攻击行为量化方法、装置及存储介质 | |
CN115858606A (zh) | 时序数据的异常检测方法、装置、设备及存储介质 | |
CN116633614A (zh) | 一种虚假数据注入攻击检测和敏感特征定义方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |