CN117151353B - 一种荔枝虫害智能识别与生态调控方法、系统及介质 - Google Patents
一种荔枝虫害智能识别与生态调控方法、系统及介质 Download PDFInfo
- Publication number
- CN117151353B CN117151353B CN202311436647.4A CN202311436647A CN117151353B CN 117151353 B CN117151353 B CN 117151353B CN 202311436647 A CN202311436647 A CN 202311436647A CN 117151353 B CN117151353 B CN 117151353B
- Authority
- CN
- China
- Prior art keywords
- litchi
- pest
- area
- data
- information
- 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 240
- 241001629511 Litchi Species 0.000 title claims abstract description 204
- 238000000034 method Methods 0.000 title claims abstract description 41
- 241000238631 Hexapoda Species 0.000 claims abstract description 87
- 230000004927 fusion Effects 0.000 claims abstract description 75
- 238000012544 monitoring process Methods 0.000 claims abstract description 73
- 238000011156 evaluation Methods 0.000 claims abstract description 61
- 238000004458 analytical method Methods 0.000 claims abstract description 41
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 39
- 238000007621 cluster analysis Methods 0.000 claims abstract description 26
- 239000002689 soil Substances 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 9
- 238000007500 overflow downdraw method Methods 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004138 cluster model Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 5
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002265 prevention 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
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种荔枝虫害智能识别与生态调控方法、系统及介质,通过荔枝种植区域信息构建地图模型;基于地图模型与荔枝种植区域监控点划分出多个子区域;根据荔枝种植区域的图像数据进行基于枝叶、枝干、果实三个部位进行特征提取,并进行特征融合、聚类分析与区域分组,得到多个区域组;以一个区域组作为分析单位,对图像数据中的特征数据进行虫害特征识别,得到虫害评估信息;基于所述虫害评估信息生成每个区域组中的荔枝虫害防治方案。本发明通过融合多维度的荔枝图像特征数据进行区域性的聚类分析,实现精准化区域分类,同时,能够针对不同区组内的区域进行不同的虫害分析与防治,实现信息化、精准化荔枝种植虫害识别与防治。
Description
技术领域
本发明涉及智能识别领域,更具体的,涉及一种荔枝虫害智能识别与生态调控方法、系统及介质。
背景技术
荔枝是广东地方的重要水果之一,但受自然环境影响,其受虫害的影响较大,种植难度较高。
另外,受制于现有技术,目前对荔枝病虫害的识别与防治效果较差,没有做到多维度的荔枝虫害识别与分析,信息化与智能化较低,因此,目前亟需一种荔枝虫害智能识别与生态调控方法。
发明内容
本发明克服了现有技术的缺陷,提出了一种荔枝虫害智能识别与生态调控方法、系统及介质。
本发明第一方面提供了一种荔枝虫害智能识别与生态调控方法,包括:
获取荔枝种植区域信息,基于所述区域信息构建地图模型;
基于所述地图模型与荔枝种植区域监控点划分出多个子区域;
获取荔枝种植区域的图像数据与对应的图像所在子区域,根据所述图像数据进行基于枝叶、枝干、果实三个部位进行特征提取,并基于提取的特征进行特征融合、聚类分析与区域分组,得到多个区域组;
以一个区域组作为分析单位,对图像数据中的特征数据进行虫害特征识别,得到虫害评估信息;
基于所述虫害评估信息生成每个区域组中的荔枝虫害防治方案。
本方案中,所述获取荔枝种植区域信息,基于所述区域信息构建地图模型,具体为:
获取荔枝种植区域信息,所述区域信息包括荔枝种植面积、种植范围地图轮廓、种植分布、荔枝种植区域监控点信息;
基于所述荔枝种植区域信息构建基于三维的可视化地图模型;
根据种植分布,对所述地图模型进行荔枝树模型生成与模型填充,形成高仿真度的地图模型。
本方案中,所述基于所述地图模型与荔枝种植区域监控点划分出多个子区域,具体为:
获取荔枝种植区域监控点位置;
根据所述荔枝种植区域监控点位置结合地图模型进行区域划分,得到多个子区域;
所述子区域的面积范围在预设范围内,一个子区域包括至少一个监控点。
本方案中,所述获取荔枝种植区域的图像数据与对应的图像所在子区域,根据所述图像数据进行基于枝叶、枝干、果实三个部位进行特征提取,并基于提取的特征进行特征融合、聚类分析与区域分组,得到多个区域组,具体为:
从数据库中获取荔枝种植的枝叶、枝干、果实对比图像数据;
基于所述对比图像数据进行图像标准化与图像特征提取,得到对比特征数据;
基于荔枝种植区域中的一个子区域,获取对应的图像数据;
将所述图像数据进行图像标准化、图像增强预处理;
将所述图像数据进行特征数据提取,得到原始特征数据,将所述原始特征数据与对比特征数据进行特征对比与基于枝叶、枝干、果实部位的图像识别,得到基于枝叶、枝干、果实的识别特征数据;
将所述枝叶、枝干、果实的识别特征数据进行基于DCA的特征融合方法进行数据融合,得到融合特征数据;
分析其余子区域,得到每个子区域的融合特征数据。
本方案中,所述得到多个区域组,具体为:
构建基于DBSCAN聚类模型;
获取每个子区域的融合特征数据;
将所述融合特征数据转化为特征向量数据并导入聚类模型,基于标准欧氏距离进行多个特征向量数据之间的样本距离计算;
根据预设最小距离阈值和预设最小邻居数,通过聚类模型对总体样本数据进行数据密度分析与聚类分析,得到多个区域组;
一个区域组包括至少一个对应的融合特征数据;
基于每个区域组的多个融合特征数据,分析出每个区域组对应的子区域,得到每个区域组对应的子区域;
一个区域组包括至少一个子区域。
本方案中,所述以一个区域组作为分析单位,对图像数据中的特征数据进行虫害特征识别,得到虫害评估信息,具体为:
获取一个区域组中所有子区域的融合特征数据;
从数据库中获取荔枝虫害对比特征数据;
将所述融合特征数据与荔枝虫害对比特征数据进行基于标准欧氏距离的相似度计算与虫害类型识别,得到虫害评估信息;
对所有区域组进行分析得到每个区域组的虫害评估信息。
本方案中,所述基于所述虫害评估信息生成每个区域组中的荔枝虫害防治方案,具体为:
基于所述虫害评估信息对每个区域组进行基于虫害影响的生态评估,得到虫害生态影响值;
基于虫害评估信息与虫害生态影响值对区域组进行虫害防治方案分析,并得每个区域组的荔枝虫害防治方案;
将所述荔枝虫害防治方案发送至预设终端设备。
本发明第二方面还提供了一种荔枝虫害智能识别与生态调控系统,该系统包括:存储器、处理器,所述存储器中包括荔枝虫害智能识别与生态调控程序,所述荔枝虫害智能识别与生态调控程序被所述处理器执行时实现如下步骤:
获取荔枝种植区域信息,基于所述区域信息构建地图模型;
基于所述地图模型与荔枝种植区域监控点划分出多个子区域;
获取荔枝种植区域的图像数据与对应的图像所在子区域,根据所述图像数据进行基于枝叶、枝干、果实三个部位进行特征提取,并基于提取的特征进行特征融合、聚类分析与区域分组,得到多个区域组;
以一个区域组作为分析单位,对图像数据中的特征数据进行虫害特征识别,得到虫害评估信息;
基于所述虫害评估信息生成每个区域组中的荔枝虫害防治方案。
本方案中,所述获取荔枝种植区域信息,基于所述区域信息构建地图模型,具体为:
获取荔枝种植区域信息,所述区域信息包括荔枝种植面积、种植范围地图轮廓、种植分布、荔枝种植区域监控点信息;
基于所述荔枝种植区域信息构建基于三维的可视化地图模型;
根据种植分布,对所述地图模型进行荔枝树模型生成与模型填充,形成高仿真度的地图模型。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括荔枝虫害智能识别与生态调控程序,所述荔枝虫害智能识别与生态调控程序被处理器执行时,实现如上述任一项所述的荔枝虫害智能识别与生态调控方法的步骤。
本发明公开了一种荔枝虫害智能识别与生态调控方法、系统及介质,通过荔枝种植区域信息构建地图模型;基于地图模型与荔枝种植区域监控点划分出多个子区域;根据荔枝种植区域的图像数据进行基于枝叶、枝干、果实三个部位进行特征提取,并进行特征融合、聚类分析与区域分组,得到多个区域组;以一个区域组作为分析单位,对图像数据中的特征数据进行虫害特征识别,得到虫害评估信息;基于所述虫害评估信息生成每个区域组中的荔枝虫害防治方案。本发明通过融合多维度的荔枝图像特征数据进行区域性的聚类分析,实现精准化区域分类,同时,能够针对不同区组内的区域进行不同的虫害分析与防治,实现信息化、精准化荔枝种植虫害识别与防治。
附图说明
图1示出了本发明一种荔枝虫害智能识别与生态调控方法的流程图;
图2示出了本发明地图模型构建流程图;
图3示出了本发明子区域获取流程图;
图4示出了本发明一种荔枝虫害智能识别与生态调控系统的框图。
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。
图1示出了本发明一种荔枝虫害智能识别与生态调控方法的流程图。
如图1所示,本发明第一方面提供了一种荔枝虫害智能识别与生态调控方法,包括:
S102,获取荔枝种植区域信息,基于所述区域信息构建地图模型;
S104,基于所述地图模型与荔枝种植区域监控点划分出多个子区域;
S106,获取荔枝种植区域的图像数据与对应的图像所在子区域,根据所述图像数据进行基于枝叶、枝干、果实三个部位进行特征提取,并基于提取的特征进行特征融合、聚类分析与区域分组,得到多个区域组;
S108,以一个区域组作为分析单位,对图像数据中的特征数据进行虫害特征识别,得到虫害评估信息;
S110,基于所述虫害评估信息生成每个区域组中的荔枝虫害防治方案。
图2示出了本发明地图模型构建流程图。
根据本发明实施例,所述获取荔枝种植区域信息,基于所述区域信息构建地图模型,具体为:
S202,获取荔枝种植区域信息,所述区域信息包括荔枝种植面积、种植范围地图轮廓、种植分布、荔枝种植区域监控点信息;
S204,基于所述荔枝种植区域信息构建基于三维的可视化地图模型;
S206,根据种植分布,对所述地图模型进行荔枝树模型生成与模型填充,形成高仿真度的地图模型。
需要说明的是,所述地图模型初始构建为基于种植面积、种植范围地图轮廓构建得到。通过所述地图模型能够对荔枝种植分布、病虫害分析提供可视化的模型,使用户更加直观、便捷掌握一个荔枝种植区域内的生长、虫害情况。
图3示出了本发明子区域获取流程图。
根据本发明实施例,所述基于所述地图模型与荔枝种植区域监控点划分出多个子区域,具体为:
S302,获取荔枝种植区域监控点位置;
S304,根据所述荔枝种植区域监控点位置结合地图模型进行区域划分,得到多个子区域;
S306,所述子区域的面积范围在预设范围内,一个子区域包括至少一个监控点。
需要说明的是,所述荔枝种植区域监控点位置为通过荔枝种植区域监控点信息获取,所述荔枝种植区域监控点信息包括监控位置、图像采集设备、图像监控角度信息。
根据本发明实施例,所述获取荔枝种植区域的图像数据与对应的图像所在子区域,根据所述图像数据进行基于枝叶、枝干、果实三个部位进行特征提取,并基于提取的特征进行特征融合、聚类分析与区域分组,得到多个区域组,具体为:
从数据库中获取荔枝种植的枝叶、枝干、果实对比图像数据;
基于所述对比图像数据进行图像标准化与图像特征提取,得到对比特征数据;
基于荔枝种植区域中的一个子区域,获取对应的图像数据;
将所述图像数据进行图像标准化、图像增强预处理;
将所述图像数据进行特征数据提取,得到原始特征数据,将所述原始特征数据与对比特征数据进行特征对比与基于枝叶、枝干、果实部位的图像识别,得到基于枝叶、枝干、果实的识别特征数据;
将所述枝叶、枝干、果实的识别特征数据进行基于DCA的特征融合方法进行数据融合,得到融合特征数据;
分析其余子区域,得到每个子区域的融合特征数据。
需要说明的是,本发明通过融合三个维度的特征向量数据形成一个新的融合特征,并通过该特征进行聚类分析,相比特征分类后逐一聚类的方法,本实施例方法大大提高了聚类效果与效率,并且能够实现精准化区域分类,每一组区域中的虫害程度、虫害部位具有相近的特点,进一步地,能够针对不同区组内的区域进行不同的虫害分析与防治,实现信息化、精准化荔枝种植虫害识别与防治。所述DCA特征融合方法是一种能够集合多种特征特点的融合方式(通过一个深度卷积神经网络来实现特征融合),通过该融合方式能够尽量减少已有特征融合后的损失,提高后续聚类分析结果的准确度。
需要说明的是,所述对比特征数据包括枝叶、枝干、果实三种特征,所述对比特征数据具体为正常生长、较少虫害情况下荔枝树图像数据提取得到的特征数据,有较好的对比作用,能够用于其他特征的快速对比分析。
根据本发明实施例,所述得到多个区域组,具体为:
构建基于DBSCAN聚类模型;
获取每个子区域的融合特征数据;
将所述融合特征数据转化为特征向量数据并导入聚类模型,基于标准欧氏距离进行多个特征向量数据之间的样本距离计算;
根据预设最小距离阈值和预设最小邻居数,通过聚类模型对总体样本数据进行数据密度分析与聚类分析,得到多个区域组;
一个区域组包括至少一个对应的融合特征数据;
基于每个区域组的多个融合特征数据,分析出每个区域组对应的子区域,得到每个区域组对应的子区域;
一个区域组包括至少一个子区域。
需要说明的是,所述一个聚类组包括至少一个对应的融合特征数据中,对应的融合特征数据包括对应的特征向量数据。所述区域组即聚类后的一个分组名称,一个区域组包括对应的融合特征数据,也对应包括对应的子区域。
值得一提的是,通过本发明的特征融合方法与聚类分析法,能够将具有一定相似虫害特征的子区域进行融合,例如,在多个子区域中,某些区域由于受自然环境的生态影响,出现果实与枝叶的虫害情况,而枝干却没有影响,但在其他区域中可能只影响了枝干部分,此时,通过本发明能够将所述的某些区域进行聚类得到一个区域组,进而分析其虫害原因与生态关系等,进一步实现精细化的荔枝种植虫害分析与评估。
根据本发明实施例,所述以一个区域组作为分析单位,对图像数据中的特征数据进行虫害特征识别,得到虫害评估信息,具体为:
获取一个区域组中所有子区域的融合特征数据;
从数据库中获取荔枝虫害对比特征数据;
将所述融合特征数据与荔枝虫害对比特征数据进行基于标准欧氏距离的相似度计算与虫害类型识别,得到虫害评估信息;
对所有区域组进行分析得到每个区域组的虫害评估信息。
需要说明的是,所述数据库即系统中已有的数据库,用于存储相应的对比特征数据、历史图像数据等。所述荔枝虫害对比特征数据包括多种虫害后的荔枝树各部分图像特征,通过该特征能够用于虫害图像识别。所述虫害评估信息包括虫害部位、虫害类型、虫害严重程度等信息。
根据本发明实施例,所述基于所述虫害评估信息生成每个区域组中的荔枝虫害防治方案,具体为:
基于所述虫害评估信息对每个区域组进行基于虫害影响的生态评估,得到虫害生态影响值;
基于虫害评估信息与虫害生态影响值对区域组进行虫害防治方案分析,并得每个区域组的荔枝虫害防治方案;
将所述荔枝虫害防治方案发送至预设终端设备。
需要说明的是,所述虫害生态影响值与虫害严重程度成正比。
根据本发明实施例,还包括:
将一个区域组中的全部子区域融合为一个大区域;
在一个监测周期内,监测分析大区域中的土壤虫害信息、天敌生物信息、环境变化信息;
基于所述土壤虫害信息、天敌生物信息、环境变化信息进行生态环境评估,得到生态状况信息;
根据一个区域组中的所述生态状况信息与荔枝虫害防治方案进行虫害调控评估与预测,得到在下一个监测周期下预测生态状况信息与预测虫害评估信息;
将所述预测生态状况信息与预测虫害评估信息作为下一个监测周期的虫害指标与生态指标,在下一个监测周期中,将实际监测数据与虫害指标、生态指标进行对比分析,并实时调整荔枝虫害防治方案。
需要说明的是,所述土壤虫害信息包括对土壤进行采样分析的虫害种类、数量等信息,所述环境变化信息包括土壤与空气的湿度、温度、季节天气变化等信息,所述环境变化信息能够影响虫害的变化,因此,在进行虫害调控时需要重点考虑。本发明通过分析每个区域组内的生态等环境信息进行虫害的综合评估与指标的确定,从而实现对荔枝种植的基于周期性的精细化管控与实时动态化方案调整,进一步实现荔枝种植的智能化分析。所述实际监测数据即在下一个周期内得到的实际虫害监测数据与实际生态数据。通过调整荔枝虫害防治方案能够进一步实现对种植环境的生态调控,形成利于荔枝生长的生态环境。
图4示出了本发明一种荔枝虫害智能识别与生态调控系统的框图。
本发明第二方面还提供了一种荔枝虫害智能识别与生态调控系统4,该系统包括:存储器41、处理器42,所述存储器中包括荔枝虫害智能识别与生态调控程序,所述荔枝虫害智能识别与生态调控程序被所述处理器执行时实现如下步骤:
获取荔枝种植区域信息,基于所述区域信息构建地图模型;
基于所述地图模型与荔枝种植区域监控点划分出多个子区域;
获取荔枝种植区域的图像数据与对应的图像所在子区域,根据所述图像数据进行基于枝叶、枝干、果实三个部位进行特征提取,并基于提取的特征进行特征融合、聚类分析与区域分组,得到多个区域组;
以一个区域组作为分析单位,对图像数据中的特征数据进行虫害特征识别,得到虫害评估信息;
基于所述虫害评估信息生成每个区域组中的荔枝虫害防治方案。
根据本发明实施例,所述获取荔枝种植区域信息,基于所述区域信息构建地图模型,具体为:
获取荔枝种植区域信息,所述区域信息包括荔枝种植面积、种植范围地图轮廓、种植分布、荔枝种植区域监控点信息;
基于所述荔枝种植区域信息构建基于三维的可视化地图模型;
根据种植分布,对所述地图模型进行荔枝树模型生成与模型填充,形成高仿真度的地图模型。
需要说明的是,所述地图模型初始构建为基于种植面积、种植范围地图轮廓构建得到。通过所述地图模型能够对荔枝种植分布、病虫害分析提供可视化的模型,使用户更加直观、便捷掌握一个荔枝种植区域内的生长、虫害情况。
根据本发明实施例,所述基于所述地图模型与荔枝种植区域监控点划分出多个子区域,具体为:
获取荔枝种植区域监控点位置;
根据所述荔枝种植区域监控点位置结合地图模型进行区域划分,得到多个子区域;
所述子区域的面积范围在预设范围内,一个子区域包括至少一个监控点。
需要说明的是,所述荔枝种植区域监控点位置为通过荔枝种植区域监控点信息获取,所述荔枝种植区域监控点信息包括监控位置、图像采集设备、图像监控角度信息。
根据本发明实施例,所述获取荔枝种植区域的图像数据与对应的图像所在子区域,根据所述图像数据进行基于枝叶、枝干、果实三个部位进行特征提取,并基于提取的特征进行特征融合、聚类分析与区域分组,得到多个区域组,具体为:
从数据库中获取荔枝种植的枝叶、枝干、果实对比图像数据;
基于所述对比图像数据进行图像标准化与图像特征提取,得到对比特征数据;
基于荔枝种植区域中的一个子区域,获取对应的图像数据;
将所述图像数据进行图像标准化、图像增强预处理;
将所述图像数据进行特征数据提取,得到原始特征数据,将所述原始特征数据与对比特征数据进行特征对比与基于枝叶、枝干、果实部位的图像识别,得到基于枝叶、枝干、果实的识别特征数据;
将所述枝叶、枝干、果实的识别特征数据进行基于DCA的特征融合方法进行数据融合,得到融合特征数据;
分析其余子区域,得到每个子区域的融合特征数据。
需要说明的是,本发明通过融合三个维度的特征向量数据形成一个新的融合特征,并通过该特征进行聚类分析,相比特征分类后逐一聚类的方法,本实施例方法大大提高了聚类效果与效率,并且能够实现精准化区域分类,每一组区域中的虫害程度、虫害部位具有相近的特点,进一步地,能够针对不同区组内的区域进行不同的虫害分析与防治,实现信息化、精准化荔枝种植虫害识别与防治。所述DCA特征融合方法是一种能够集合多种特征特点的融合方式(通过一个深度卷积神经网络来实现特征融合),通过该融合方式能够尽量减少已有特征融合后的损失,提高后续聚类分析结果的准确度。
需要说明的是,所述对比特征数据包括枝叶、枝干、果实三种特征,所述对比特征数据具体为正常生长、较少虫害情况下荔枝树图像数据提取得到的特征数据,有较好的对比作用,能够用于其他特征的快速对比分析。
根据本发明实施例,所述得到多个区域组,具体为:
构建基于DBSCAN聚类模型;
获取每个子区域的融合特征数据;
将所述融合特征数据转化为特征向量数据并导入聚类模型,基于标准欧氏距离进行多个特征向量数据之间的样本距离计算;
根据预设最小距离阈值和预设最小邻居数,通过聚类模型对总体样本数据进行数据密度分析与聚类分析,得到多个区域组;
一个区域组包括至少一个对应的融合特征数据;
基于每个区域组的多个融合特征数据,分析出每个区域组对应的子区域,得到每个区域组对应的子区域;
一个区域组包括至少一个子区域。
需要说明的是,所述一个聚类组包括至少一个对应的融合特征数据中,对应的融合特征数据包括对应的特征向量数据。所述区域组即聚类后的一个分组名称,一个区域组包括对应的融合特征数据,也对应包括对应的子区域。
值得一提的是,通过本发明的特征融合方法与聚类分析法,能够将具有一定相似虫害特征的子区域进行融合,例如,在多个子区域中,某些区域由于受自然环境的生态影响,出现果实与枝叶的虫害情况,而枝干却没有影响,但在其他区域中可能只影响了枝干部分,此时,通过本发明能够将所述的某些区域进行聚类得到一个区域组,进而分析其虫害原因与生态关系等,进一步实现精细化的荔枝种植虫害分析与评估。
根据本发明实施例,所述以一个区域组作为分析单位,对图像数据中的特征数据进行虫害特征识别,得到虫害评估信息,具体为:
获取一个区域组中所有子区域的融合特征数据;
从数据库中获取荔枝虫害对比特征数据;
将所述融合特征数据与荔枝虫害对比特征数据进行基于标准欧氏距离的相似度计算与虫害类型识别,得到虫害评估信息;
对所有区域组进行分析得到每个区域组的虫害评估信息。
需要说明的是,所述数据库即系统中已有的数据库,用于存储相应的对比特征数据、历史图像数据等。所述荔枝虫害对比特征数据包括多种虫害后的荔枝树各部分图像特征,通过该特征能够用于虫害图像识别。所述虫害评估信息包括虫害部位、虫害类型、虫害严重程度等信息。
根据本发明实施例,所述基于所述虫害评估信息生成每个区域组中的荔枝虫害防治方案,具体为:
基于所述虫害评估信息对每个区域组进行基于虫害影响的生态评估,得到虫害生态影响值;
基于虫害评估信息与虫害生态影响值对区域组进行虫害防治方案分析,并得每个区域组的荔枝虫害防治方案;
将所述荔枝虫害防治方案发送至预设终端设备。
需要说明的是,所述虫害生态影响值与虫害严重程度成正比。
根据本发明实施例,还包括:
将一个区域组中的全部子区域融合为一个大区域;
在一个监测周期内,监测分析大区域中的土壤虫害信息、天敌生物信息、环境变化信息;
基于所述土壤虫害信息、天敌生物信息、环境变化信息进行生态环境评估,得到生态状况信息;
根据一个区域组中的所述生态状况信息与荔枝虫害防治方案进行虫害调控评估与预测,得到在下一个监测周期下预测生态状况信息与预测虫害评估信息;
将所述预测生态状况信息与预测虫害评估信息作为下一个监测周期的虫害指标与生态指标,在下一个监测周期中,将实际监测数据与虫害指标、生态指标进行对比分析,并实时调整荔枝虫害防治方案。
需要说明的是,所述土壤虫害信息包括对土壤进行采样分析的虫害种类、数量等信息,所述环境变化信息包括土壤与空气的湿度、温度、季节天气变化等信息,所述环境变化信息能够影响虫害的变化,因此,在进行虫害调控时需要重点考虑。本发明通过分析每个区域组内的生态等环境信息进行虫害的综合评估与指标的确定,从而实现对荔枝种植的基于周期性的精细化管控与实时动态化方案调整,进一步实现荔枝种植的智能化分析。所述实际监测数据即在下一个周期内得到的实际虫害监测数据与实际生态数据。通过调整荔枝虫害防治方案能够进一步实现对种植环境的生态调控,形成利于荔枝生长的生态环境。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括荔枝虫害智能识别与生态调控程序,所述荔枝虫害智能识别与生态调控程序被处理器执行时,实现如上述任一项所述的荔枝虫害智能识别与生态调控方法的步骤。
本发明公开了一种荔枝虫害智能识别与生态调控方法、系统及介质,通过荔枝种植区域信息构建地图模型;基于地图模型与荔枝种植区域监控点划分出多个子区域;根据荔枝种植区域的图像数据进行基于枝叶、枝干、果实三个部位进行特征提取,并进行特征融合、聚类分析与区域分组,得到多个区域组;以一个区域组作为分析单位,对图像数据中的特征数据进行虫害特征识别,得到虫害评估信息;基于所述虫害评估信息生成每个区域组中的荔枝虫害防治方案。本发明通过融合多维度的荔枝图像特征数据进行区域性的聚类分析,实现精准化区域分类,同时,能够针对不同区组内的区域进行不同的虫害分析与防治,实现信息化、精准化荔枝种植虫害识别与防治。
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 (6)
1.一种荔枝虫害智能识别与生态调控方法,其特征在于,包括:
获取荔枝种植区域信息,基于所述区域信息构建地图模型;
基于所述地图模型与荔枝种植区域监控点划分出多个子区域;
获取荔枝种植区域的图像数据与对应的图像所在子区域,根据所述图像数据进行基于枝叶、枝干、果实三个部位进行特征提取,并基于提取的特征进行特征融合、聚类分析与区域分组,得到多个区域组;
以一个区域组作为分析单位,对图像数据中的特征数据进行虫害特征识别,得到虫害评估信息;
基于所述虫害评估信息生成每个区域组中的荔枝虫害防治方案;其中,所述基于所述地图模型与荔枝种植区域监控点划分出多个子区域,具体为:
获取荔枝种植区域监控点位置;
根据所述荔枝种植区域监控点位置结合地图模型进行区域划分,得到多个子区域;
所述子区域的面积范围在预设范围内,一个子区域包括至少一个监控点;
其中,所述获取荔枝种植区域的图像数据与对应的图像所在子区域,根据所述图像数据进行基于枝叶、枝干、果实三个部位进行特征提取,并基于提取的特征进行特征融合、聚类分析与区域分组,得到多个区域组,具体为:
从数据库中获取荔枝种植的枝叶、枝干、果实对比图像数据;
基于所述对比图像数据进行图像标准化与图像特征提取,得到对比特征数据;
基于荔枝种植区域中的一个子区域,获取对应的图像数据;
将所述图像数据进行图像标准化、图像增强预处理;
将所述图像数据进行特征数据提取,得到原始特征数据,将所述原始特征数据与对比特征数据进行特征对比与基于枝叶、枝干、果实部位的图像识别,得到基于枝叶、枝干、果实的识别特征数据;
将所述枝叶、枝干、果实的识别特征数据基于DCA的特征融合方法进行数据融合,得到融合特征数据;
分析其余子区域,得到每个子区域的融合特征数据;
其中,所述得到多个区域组,具体为:
构建基于DBSCAN聚类模型;
获取每个子区域的融合特征数据;
将所述融合特征数据转化为特征向量数据并导入聚类模型,基于标准欧氏距离进行多个特征向量数据之间的样本距离计算;
根据预设最小距离阈值和预设最小邻居数,通过聚类模型对总体样本数据进行数据密度分析与聚类分析,得到多个区域组;
一个区域组包括至少一个对应的融合特征数据;
基于每个区域组的多个融合特征数据,分析出每个区域组对应的子区域,得到每个区域组对应的子区域;
一个区域组包括至少一个子区域;
其中,所述以一个区域组作为分析单位,对图像数据中的特征数据进行虫害特征识别,得到虫害评估信息,具体为:
获取一个区域组中所有子区域的融合特征数据;
从数据库中获取荔枝虫害对比特征数据;
将所述融合特征数据与荔枝虫害对比特征数据进行基于标准欧氏距离的相似度计算与虫害类型识别,得到虫害评估信息;
对所有区域组进行分析得到每个区域组的虫害评估信息;
其中,所述荔枝虫害智能识别与生态调控方法,还包括:
将一个区域组中的全部子区域融合为一个大区域;
在一个监测周期内,监测分析大区域中的土壤虫害信息、天敌生物信息、环境变化信息;
基于所述土壤虫害信息、天敌生物信息、环境变化信息进行生态环境评估,得到生态状况信息;
根据一个区域组中的所述生态状况信息与荔枝虫害防治方案进行虫害调控评估与预测,得到在下一个监测周期下预测生态状况信息与预测虫害评估信息;
将所述预测生态状况信息与预测虫害评估信息作为下一个监测周期的虫害指标与生态指标,在下一个监测周期中,将实际监测数据与虫害指标、生态指标进行对比分析,并实时调整荔枝虫害防治方案。
2.根据权利要求1所述的一种荔枝虫害智能识别与生态调控方法,其特征在于,所述获取荔枝种植区域信息,基于所述区域信息构建地图模型,具体为:
获取荔枝种植区域信息,所述区域信息包括荔枝种植面积、种植范围地图轮廓、种植分布、荔枝种植区域监控点信息;
基于所述荔枝种植区域信息构建基于三维的可视化地图模型;
根据种植分布,对所述地图模型进行荔枝树模型生成与模型填充,形成高仿真度的地图模型。
3.根据权利要求1所述的一种荔枝虫害智能识别与生态调控方法,其特征在于,所述基于所述虫害评估信息生成每个区域组中的荔枝虫害防治方案,具体为:
基于所述虫害评估信息对每个区域组进行基于虫害影响的生态评估,得到虫害生态影响值;
基于虫害评估信息与虫害生态影响值对区域组进行虫害防治方案分析,并得每个区域组的荔枝虫害防治方案;
将所述荔枝虫害防治方案发送至预设终端设备。
4.一种荔枝虫害智能识别与生态调控系统,其特征在于,该系统包括:存储器、处理器,所述存储器中包括荔枝虫害智能识别与生态调控程序,所述荔枝虫害智能识别与生态调控程序被所述处理器执行时实现如下步骤:
获取荔枝种植区域信息,基于所述区域信息构建地图模型;
基于所述地图模型与荔枝种植区域监控点划分出多个子区域;
获取荔枝种植区域的图像数据与对应的图像所在子区域,根据所述图像数据进行基于枝叶、枝干、果实三个部位进行特征提取,并基于提取的特征进行特征融合、聚类分析与区域分组,得到多个区域组;
以一个区域组作为分析单位,对图像数据中的特征数据进行虫害特征识别,得到虫害评估信息;
基于所述虫害评估信息生成每个区域组中的荔枝虫害防治方案;其中,所述基于所述地图模型与荔枝种植区域监控点划分出多个子区域,具体为:
获取荔枝种植区域监控点位置;
根据所述荔枝种植区域监控点位置结合地图模型进行区域划分,得到多个子区域;
所述子区域的面积范围在预设范围内,一个子区域包括至少一个监控点;
其中,所述获取荔枝种植区域的图像数据与对应的图像所在子区域,根据所述图像数据进行基于枝叶、枝干、果实三个部位进行特征提取,并基于提取的特征进行特征融合、聚类分析与区域分组,得到多个区域组,具体为:
从数据库中获取荔枝种植的枝叶、枝干、果实对比图像数据;
基于所述对比图像数据进行图像标准化与图像特征提取,得到对比特征数据;
基于荔枝种植区域中的一个子区域,获取对应的图像数据;
将所述图像数据进行图像标准化、图像增强预处理;
将所述图像数据进行特征数据提取,得到原始特征数据,将所述原始特征数据与对比特征数据进行特征对比与基于枝叶、枝干、果实部位的图像识别,得到基于枝叶、枝干、果实的识别特征数据;
将所述枝叶、枝干、果实的识别特征数据基于DCA的特征融合方法进行数据融合,得到融合特征数据;
分析其余子区域,得到每个子区域的融合特征数据;
其中,所述得到多个区域组,具体为:
构建基于DBSCAN聚类模型;
获取每个子区域的融合特征数据;
将所述融合特征数据转化为特征向量数据并导入聚类模型,基于标准欧氏距离进行多个特征向量数据之间的样本距离计算;
根据预设最小距离阈值和预设最小邻居数,通过聚类模型对总体样本数据进行数据密度分析与聚类分析,得到多个区域组;
一个区域组包括至少一个对应的融合特征数据;
基于每个区域组的多个融合特征数据,分析出每个区域组对应的子区域,得到每个区域组对应的子区域;
一个区域组包括至少一个子区域;
其中,所述以一个区域组作为分析单位,对图像数据中的特征数据进行虫害特征识别,得到虫害评估信息,具体为:
获取一个区域组中所有子区域的融合特征数据;
从数据库中获取荔枝虫害对比特征数据;
将所述融合特征数据与荔枝虫害对比特征数据进行基于标准欧氏距离的相似度计算与虫害类型识别,得到虫害评估信息;
对所有区域组进行分析得到每个区域组的虫害评估信息;
其中,所述荔枝虫害智能识别与生态调控方法,还包括:
将一个区域组中的全部子区域融合为一个大区域;
在一个监测周期内,监测分析大区域中的土壤虫害信息、天敌生物信息、环境变化信息;
基于所述土壤虫害信息、天敌生物信息、环境变化信息进行生态环境评估,得到生态状况信息;
根据一个区域组中的所述生态状况信息与荔枝虫害防治方案进行虫害调控评估与预测,得到在下一个监测周期下预测生态状况信息与预测虫害评估信息;
将所述预测生态状况信息与预测虫害评估信息作为下一个监测周期的虫害指标与生态指标,在下一个监测周期中,将实际监测数据与虫害指标、生态指标进行对比分析,并实时调整荔枝虫害防治方案。
5.根据权利要求4所述的一种荔枝虫害智能识别与生态调控系统,其特征在于,所述获取荔枝种植区域信息,基于所述区域信息构建地图模型,具体为:
获取荔枝种植区域信息,所述区域信息包括荔枝种植面积、种植范围地图轮廓、种植分布、荔枝种植区域监控点信息;
基于所述荔枝种植区域信息构建基于三维的可视化地图模型;
根据种植分布,对所述地图模型进行荔枝树模型生成与模型填充,形成高仿真度的地图模型。
6.一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智能识别与生态调控程序,所述荔枝虫害智能识别与生态调控程序被处理器执行时,实现如权利要求1至3中任一项所述的荔枝虫害智能识别与生态调控方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311436647.4A CN117151353B (zh) | 2023-11-01 | 2023-11-01 | 一种荔枝虫害智能识别与生态调控方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311436647.4A CN117151353B (zh) | 2023-11-01 | 2023-11-01 | 一种荔枝虫害智能识别与生态调控方法、系统及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117151353A CN117151353A (zh) | 2023-12-01 |
CN117151353B true CN117151353B (zh) | 2024-04-26 |
Family
ID=88899279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311436647.4A Active CN117151353B (zh) | 2023-11-01 | 2023-11-01 | 一种荔枝虫害智能识别与生态调控方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117151353B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109872025A (zh) * | 2018-12-13 | 2019-06-11 | 中国科学院遥感与数字地球研究所 | 作物病虫害分区变量管理方法及装置 |
CN112465038A (zh) * | 2020-11-30 | 2021-03-09 | 深圳市识农智能科技有限公司 | 一种识别果树病虫害种类的方法及系统 |
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 |
CN114972843A (zh) * | 2022-04-26 | 2022-08-30 | 黑龙江省农业科学院农业遥感与信息研究所 | 一种基于大数据的农业病虫害诊断与预警系统 |
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 |
CN115909060A (zh) * | 2022-11-14 | 2023-04-04 | 广西农垦明阳农场有限公司 | 一种可精准防控柑橘病虫害的方法、系统及存储介质 |
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 |
CN116012655A (zh) * | 2023-02-08 | 2023-04-25 | 四川农业大学 | 一种果树凤蝶科虫害检测方法 |
CN116385863A (zh) * | 2023-04-25 | 2023-07-04 | 北京建工环境修复股份有限公司 | 一种基于深度学习的水体中微塑料识别方法及系统 |
CN116686814A (zh) * | 2023-07-27 | 2023-09-05 | 山西农业大学 | 一种植保无人机的施药控制方法、系统及介质 |
CN116740644A (zh) * | 2023-07-03 | 2023-09-12 | 广东省农业科学院植物保护研究所 | 一种百香果栽培过程病虫害综合评估与防治方法及系统 |
CN116740645A (zh) * | 2023-07-03 | 2023-09-12 | 广东省农业科学院植物保护研究所 | 基于物联网的实蝇监测与综合防控方法、系统及存储介质 |
-
2023
- 2023-11-01 CN CN202311436647.4A patent/CN117151353B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109872025A (zh) * | 2018-12-13 | 2019-06-11 | 中国科学院遥感与数字地球研究所 | 作物病虫害分区变量管理方法及装置 |
CN112465038A (zh) * | 2020-11-30 | 2021-03-09 | 深圳市识农智能科技有限公司 | 一种识别果树病虫害种类的方法及系统 |
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 |
CN114972843A (zh) * | 2022-04-26 | 2022-08-30 | 黑龙江省农业科学院农业遥感与信息研究所 | 一种基于大数据的农业病虫害诊断与预警系统 |
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 |
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 |
CN115909060A (zh) * | 2022-11-14 | 2023-04-04 | 广西农垦明阳农场有限公司 | 一种可精准防控柑橘病虫害的方法、系统及存储介质 |
CN116012655A (zh) * | 2023-02-08 | 2023-04-25 | 四川农业大学 | 一种果树凤蝶科虫害检测方法 |
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 |
CN116385863A (zh) * | 2023-04-25 | 2023-07-04 | 北京建工环境修复股份有限公司 | 一种基于深度学习的水体中微塑料识别方法及系统 |
CN116740644A (zh) * | 2023-07-03 | 2023-09-12 | 广东省农业科学院植物保护研究所 | 一种百香果栽培过程病虫害综合评估与防治方法及系统 |
CN116740645A (zh) * | 2023-07-03 | 2023-09-12 | 广东省农业科学院植物保护研究所 | 基于物联网的实蝇监测与综合防控方法、系统及存储介质 |
CN116686814A (zh) * | 2023-07-27 | 2023-09-05 | 山西农业大学 | 一种植保无人机的施药控制方法、系统及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117151353A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163472B (zh) | 大范围极端干旱应急监测与影响评估方法及系统 | |
CN114972843B (zh) | 一种基于大数据的农业病虫害诊断与预警系统 | |
CN111027629B (zh) | 基于改进随机森林的配电网故障停电率预测方法及系统 | |
CN114170513B (zh) | 一种草地贪夜蛾的虫情监测方法、系统及存储介质 | |
CN105677791A (zh) | 用于分析风力发电机组的运行数据的方法和系统 | |
CN104866831B (zh) | 特征加权的人脸识别算法 | |
US20140099000A1 (en) | Device and method for detecting plantation rows | |
CN117172992B (zh) | 一种污染农田土壤的微生态特征调查方法及系统 | |
Jesse et al. | Landscape characteristics related to use of artificial roosts by northern long-eared bats in north-central West Virginia | |
CN112100130B (zh) | 一种基于数据立方体模型的海量遥感变量多维聚合信息的计算方法 | |
CN115049793B (zh) | 基于数字孪生的输电线路树木生长可视化预测方法及装置 | |
CN111814866A (zh) | 一种病虫害预警方法、装置、计算机设备及存储介质 | |
Shahrin et al. | Agricultural analysis and crop yield prediction of habiganj using multispectral bands of satellite imagery with machine learning | |
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 | |
CN113127464B (zh) | 农业大数据环境特征处理方法、装置及电子设备 | |
CN116882637B (zh) | 一种农田碳排放分析方法及系统 | |
CN117371604A (zh) | 一种基于智能感知的农业生产预测方法及系统 | |
CN117151353B (zh) | 一种荔枝虫害智能识别与生态调控方法、系统及介质 | |
CN113536944A (zh) | 基于图像识别的配电线路巡检数据识别及分析方法 | |
CN111582035A (zh) | 一种果树树龄识别方法、装置、设备及存储介质 | |
Ilic et al. | Data mining model for early fruit diseases detection | |
CN112784887A (zh) | 一种植物生命状态评价方法及装置 | |
CN116842351B (zh) | 滨海湿地碳汇评估模型构建方法、评估方法和电子设备 | |
CN116993025B (zh) | 一种基于数据处理的虫害诱杀设备管理方法及系统 | |
CN117011719B (zh) | 一种基于卫星图像的水资源信息采集方法 |
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 |