CN117173400A - 一种荔枝虫害的低碳治理方案推荐方法及系统 - Google Patents
一种荔枝虫害的低碳治理方案推荐方法及系统 Download PDFInfo
- Publication number
- CN117173400A CN117173400A CN202311453041.1A CN202311453041A CN117173400A CN 117173400 A CN117173400 A CN 117173400A CN 202311453041 A CN202311453041 A CN 202311453041A CN 117173400 A CN117173400 A CN 117173400A
- Authority
- CN
- China
- Prior art keywords
- pest
- litchi
- insect
- insect pest
- control
- 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.)
- Granted
Links
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 460
- 241000238631 Hexapoda Species 0.000 title claims abstract description 275
- 241001629511 Litchi Species 0.000 title claims abstract description 224
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 37
- 208000024891 symptom Diseases 0.000 claims abstract description 51
- 230000002159 abnormal effect Effects 0.000 claims abstract description 33
- 230000007613 environmental effect Effects 0.000 claims abstract description 25
- 230000002265 prevention Effects 0.000 claims abstract description 19
- 238000003709 image segmentation Methods 0.000 claims abstract description 10
- 239000000126 substance Substances 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 21
- 230000011218 segmentation Effects 0.000 claims description 19
- 230000012010 growth Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000011161 development Methods 0.000 claims description 11
- 230000018109 developmental process Effects 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 9
- 238000004220 aggregation Methods 0.000 claims description 9
- 206010059866 Drug resistance Diseases 0.000 claims description 8
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000003860 storage Methods 0.000 description 9
- 230000003071 parasitic effect Effects 0.000 description 6
- 238000009966 trimming Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 239000000575 pesticide Substances 0.000 description 3
- 238000013138 pruning Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003698 anagen phase Effects 0.000 description 1
- 239000003124 biologic agent Substances 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 231100000957 no side effect Toxicity 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Landscapes
- Catching Or Destruction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种荔枝虫害的低碳治理方案推荐方法及系统，包括，获取目标荔枝种植区域中的荔枝植株图像，通过图像分割提取虫害感兴趣区域，识别为害症状；利用感兴趣区域特征及为害症状识别虫害特征，结合目标荔枝种植区域的环境特征及气候特征生成虫害画像；根据历史虫害数据及历史防治数据构建异构图，提取历史生物防治数据构建异构子图，利用图卷积网络构建虫害治理方案推荐模型；获取目标荔枝种植区域的虫害治理方案，并根据目标荔枝种植区域现有的生态结构对所述虫害治理方案进行修正。本发明根据荔枝虫害的实际情况，科学组合低碳防治措施，减少化学防治的污染，在保证生态平衡的基础上，提高荔枝虫害低碳防治措施的实施效率。
Description
技术领域
本发明涉及虫害治理技术领域，更具体的，涉及一种荔枝虫害的低碳治理方案推荐方法及系统。
背景技术
荔枝的种植过程中，很容易受病虫侵害，造成了荔枝产量和质量的下降，因为荔枝生长期间易受到多类病虫害的侵蚀，所以需要在花期、果实生长期等各个阶段采取合适的防治措施，以保证荔枝树的正常生长，达到质量和产量双重提升的目标。目前，虫害已成为影响荔枝产量的重要因素，为了推动荔枝产业发展，必须要加强荔枝虫害综合防控技术，以绿色、无副作用作为主要目标。
目前我国绝大多数荔枝园依然采用传统的人工方式去管理，果树的灌溉、果树的施肥、病虫害预测与防治等均要靠人为经验判断并做出决策。这种人工管理方式比较粗犷，目的性不强，并且对于虫害治理长期大量喷洒农药，会导致害虫出现抗药性突变种群，极大地增加了后续荔枝虫害的生物农药防治难度。在荔枝虫害防治方法中，微生物防治及生物防治技术非常有效而且相对更加安全。荔枝的生物防治技术是利用生物制剂、害虫天敌等技术消灭虫害，避免荔枝遭受虫害侵袭。因此如何提高荔枝虫害的预测水平，捕捉荔枝虫害情况推荐低碳高效的虫害治理方案是需要解决的问题之一。
发明内容
为了解决上述技术问题，本发明提出了一种荔枝虫害的低碳治理方案推荐方法及系统。
本发明第一方面提供了一种荔枝虫害的低碳治理方案推荐方法，包括：
获取目标荔枝种植区域中的荔枝植株图像，根据所述荔枝植株图像获取荔枝所属生长阶段，并通过图像分割提取虫害感兴趣区域，根据所述虫害感兴趣区域识别为害症状；
利用感兴趣区域特征及为害症状识别虫害特征，获取目标荔枝种植区域的环境特征及气候特征，根据所述虫害特征结合所述环境特征及气候特征生成虫害画像；
根据历史虫害数据及历史防治数据构建异构图，提取历史生物防治数据构建异构子图，利用图卷积网络对所述异构图及异构子图进行学习构建虫害治理方案推荐模型；
基于所述虫害治理推荐模型将所述虫害画像进行表示学习获取目标荔枝种植区域的虫害治理方案，并根据目标荔枝种植区域现有的生态结构对所述虫害治理方案进行修正。
本方案中，根据所述荔枝植株图像获取荔枝所属生长阶段，并通过图像分割提取虫害感兴趣区域，根据所述虫害感兴趣区域识别为害症状，具体为：
获取荔枝植株图像进行预处理，通过预处理后的荔枝植株图像提取荔枝植株的轮廓特征及形态特征，根据所述轮廓特征及形态特征利用相似度计算判断荔枝植株所属的生长阶段；
将预处理后的荔枝植株图像导入生成对抗网络，在所述生成对抗网络中利用U-net网络作为生成器网络，获取荔枝虫害数据集对生成对抗网络进行训练，通过所述生成器网络进行特征编码；
根据特征编码及注意力机制获取预计的荔枝虫害分割图像，将所述荔枝虫害分割图像与不同类别标签的荔枝虫害真实图像发送至判别器网络进行判别，读取判别器网络的判别结果；
将所述判别结果反馈到生成器网络继续获取预测的荔枝虫害分割图像，当判别器网络无法分辨真实图像与分割图像的偏差，则完成生成对抗网络的训练输出分割网络；
通过分割网络获取荔枝植株图像中的虫害感兴趣区域，提取类别标签获取虫害类别，获取虫害感兴趣区域的几何特征、颜色特征及纹理特征作为为害症状。
本方案中，利用感兴趣区域特征及为害症状识别虫害特征，具体为：
获取虫害感兴趣区域的类别标签作为初步虫害种类，根据荔枝植株的生长阶段基于历史虫害数据获取当前生长节点对应的高发虫害种类，通过所述高发虫害种类对所述初步虫害种类进行验证；
验证通过后利用大数据手段获取初步虫害种类对应的图像特征及为害症状集合，判断荔枝植株的为害症状及感兴趣区域特征是否处于对应集合，若处于，则确定最终虫害种类；
根据所述最终虫害种类获取不同阶段的为害症状生成虫害发展曲线，利用荔枝植株虫害的为害症状计算与虫害发展曲线中各节点的曼哈顿距离，读取最小曼哈顿距离获取荔枝植株的虫害程度；
根据为害症状、虫害种类及虫害程度获取荔枝植株的虫害特征，获取目标荔枝种植区域的环境特征及气候特征，根据虫害特征、环境特征及气候特征构建特征向量矩阵，作为虫害画像。
本方案中，根据历史虫害数据及历史防治数据构建异构图，提取历史生物防治数据构建异构子图，具体为：
利用大数据方法检索不同荔枝虫害种类对应的历史虫害数据及历史防治数据，提取数据中的虫害种类、虫害特征及防治措施作为节点，根据节点之间的关联将节点进行连接；
利用节点及节点的连接关系构建异构图，捕捉虫害种类、虫害特征及防治措施的成对关系；
提取历史防治数据中的生物防治数据，利用所述生物防治数据在异构图中筛选荔枝植株虫害种类对应的生物防治节点，根据生物防治节点及节点的边结构构建异构子图。
本方案中，基于所述虫害治理推荐模型将所述虫害画像进行表示学习获取目标荔枝种植区域的虫害治理方案，具体为：
通过图卷积网络对所述异构图及异构子图进行编码，将节点投射到同一潜在向量空间，获取节点的特征向量，并建立虫害特征与防治措施的传递关系，基于图卷积网络构建虫害治理方案推荐模型；
将虫害画像导入所述虫害治理方案推荐模型获取在异构图及异构子图中的图结构，根据所述图结构获取具有虫害特征的虫害种类节点表示及防治措施节点表示；
将不同图结构的节点表示经过聚合操作后生成对应的全局表示及局部表示，利用注意力权重将所述全局表示及局部表示进行加权求和，获取虫害种类节点表示及防治措施节点的最终表示；
通过虫害种类节点及防治措施节点的最终表示及局部表示利用扩展矩阵分解计算不同图结构中对虫害防治措施的偏好分数，根据所述偏好分数分别获取预设数量的防治措施节点，读取对应的虫害防治措施；
判断异构图及异构子图对应虫害防治措施中是否含有同一生物防治措施，若含有，则将所述生物防治措施作为目标荔枝种植区域的低碳虫害治理方案；
若不含有，则筛选异构子图中偏好分数最高的生物防治措施，判断所述生物防治措施的防治周期是否大于预设阈值，若大于，则在虫害防治措施集合中选取偏好分数最高的非生物防治措施进行组合，生成低碳虫害治理方案。
本方案中，根据目标荔枝种植区域现有的生态结构对所述虫害治理方案进行修正，具体为：
获取目标荔枝种植区域生态系统的组成结构，根据历史化学虫害防治措施获取荔枝植株当前虫害种类的抗药性，并根据虫害种类获取目标荔枝种植区域所在地虫害天敌的数量及分布范围；
基于所述抗药性与虫害天敌的数量及分布范围获取目标荔枝种植区域的生态特征，根据所述生态特征对所述虫害治理方案进行优化，确定方案中各措施的投放量；
根据荔枝植株当前时间戳的虫害画像预测虫害爆发时间，根据所述虫害爆发时间获取防治措施的最佳时间，利用所述最佳时间对优化后的虫害治理方案进行标注。
本发明第二方面还提供了一种荔枝虫害的低碳治理方案推荐系统，该系统包括：存储器、处理器，所述存储器中包括荔枝虫害的低碳治理方案推荐方法程序，所述荔枝虫害的低碳治理方案推荐方法程序被所述处理器执行时实现如下步骤：
获取目标荔枝种植区域中的荔枝植株图像，根据所述荔枝植株图像获取荔枝所属生长阶段，并通过图像分割提取虫害感兴趣区域，根据所述虫害感兴趣区域识别为害症状；
利用感兴趣区域特征及为害症状识别虫害特征，获取目标荔枝种植区域的环境特征及气候特征，根据所述虫害特征结合所述环境特征及气候特征生成虫害画像；
根据历史虫害数据及历史防治数据构建异构图，提取历史生物防治数据构建异构子图，利用图卷积网络对所述异构图及异构子图进行学习构建虫害治理方案推荐模型；
基于所述虫害治理推荐模型将所述虫害画像进行表示学习获取目标荔枝种植区域的虫害治理方案，并根据目标荔枝种植区域现有的生态结构对所述虫害治理方案进行修正。
本发明公开了一种荔枝虫害的低碳治理方案推荐方法及系统，包括，获取目标荔枝种植区域中的荔枝植株图像，通过图像分割提取虫害感兴趣区域，识别为害症状；利用感兴趣区域特征及为害症状识别虫害特征，结合目标荔枝种植区域的环境特征及气候特征生成虫害画像；根据历史虫害数据及历史防治数据构建异构图，提取历史生物防治数据构建异构子图，利用图卷积网络构建虫害治理方案推荐模型；获取目标荔枝种植区域的虫害治理方案，并根据目标荔枝种植区域现有的生态结构对所述虫害治理方案进行修正。本发明根据荔枝虫害的实际情况，科学组合低碳防治措施，减少化学防治的污染，在保证生态平衡的基础上，提高荔枝虫害低碳防治措施的实施效率。
附图说明
为了更清楚地说明本发明实施例或示例性中的技术方案，下面将对实施例或示例性描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以按照这些附图示出的获得其他的附图。
图1示出了本发明一种荔枝虫害的低碳治理方案推荐方法的流程图；
图2示出了本发明获取荔枝植株的虫害特征的流程图；
图3示出了本发明获取目标荔枝种植区域的虫害治理方案的流程图；
图4示出了本发明一种荔枝虫害的低碳治理方案推荐系统的框图。
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的低碳治理方案推荐方法的流程图。
如图1所示，本发明第一方面提供了一种荔枝虫害的低碳治理方案推荐方法，包括：
S102，获取目标荔枝种植区域中的荔枝植株图像，根据所述荔枝植株图像获取荔枝所属生长阶段，并通过图像分割提取虫害感兴趣区域，根据所述虫害感兴趣区域识别为害症状；
S104，利用感兴趣区域特征及为害症状识别虫害特征，获取目标荔枝种植区域的环境特征及气候特征，根据所述虫害特征结合所述环境特征及气候特征生成虫害画像；
S106，根据历史虫害数据及历史防治数据构建异构图，提取历史生物防治数据构建异构子图，利用图卷积网络对所述异构图及异构子图进行学习构建虫害治理方案推荐模型；
S108，基于所述虫害治理推荐模型将所述虫害画像进行表示学习获取目标荔枝种植区域的虫害治理方案，并根据目标荔枝种植区域现有的生态结构对所述虫害治理方案进行修正。
需要说明的是，根据目标荔枝种植区域布设的视觉感知设备获取荔枝植株图像进行滤波去噪等预处理，通过预处理后的荔枝植株图像提取荔枝植株的轮廓特征及形态特征，根据所述轮廓特征及形态特征与各生长阶段对应的特征信息利用相似度计算判断荔枝植株所属的生长阶段；将预处理后的荔枝植株图像导入生成对抗网络，在所述生成对抗网络中利用U-net网络作为生成器网络，获取荔枝虫害数据集对生成对抗网络进行训练，通过所述生成器网络进行特征编码；根据特征编码及注意力机制获取预计的荔枝虫害分割图像，将所述荔枝虫害分割图像与不同类别标签的荔枝虫害真实图像发送至判别器网络进行判别，读取判别器网络的判别结果；将所述判别结果反馈到生成器网络继续获取预测的荔枝虫害分割图像，当判别器网络无法分辨真实图像与分割图像的偏差，则完成生成对抗网络的训练输出分割网络；通过分割网络获取荔枝植株图像中的虫害感兴趣区域，提取类别标签获取虫害类别，获取虫害感兴趣区域的几何特征、颜色特征及纹理特征作为为害症状。在生成对抗网络中引入U-net网络实现目标虫害区域的分割，解决了高质量的虫害图像数量少，目标虫害区域边界不清等问题。
图2示出了本发明获取荔枝植株的虫害特征的流程图。
根据本发明实施例，利用感兴趣区域特征及为害症状识别虫害特征，具体为：
S202，获取虫害感兴趣区域的类别标签作为初步虫害种类，根据荔枝植株的生长阶段基于历史虫害数据获取当前生长节点对应的高发虫害种类，通过所述高发虫害种类对所述初步虫害种类进行验证；
S204，验证通过后利用大数据手段获取初步虫害种类对应的图像特征及为害症状集合，判断荔枝植株的为害症状及感兴趣区域特征是否处于对应集合，若处于，则确定最终虫害种类；
S206，根据所述最终虫害种类获取不同阶段的为害症状生成虫害发展曲线，利用荔枝植株虫害的为害症状计算与虫害发展曲线中各节点的曼哈顿距离，读取最小曼哈顿距离获取荔枝植株的虫害程度；
S208，根据为害症状、虫害种类及虫害程度获取荔枝植株的虫害特征，获取目标荔枝种植区域的环境特征及气候特征，根据虫害特征、环境特征及气候特征构建特征向量矩阵，作为虫害画像。
需要说明的是，根据区域环境温湿度、年降雨量、日照时间、土壤理化性质等等关键因素获取环境特征及气候特征，目标荔枝种植区域中环境特征变化及气候特征变化容易导致虫害状况发生突变，将环境特征、气候特征及当前虫害特征结合表征虫害状况，通过环境特征能够体现当前目标荔枝种植区域对虫害的不同寄生性天敌及捕食性天敌的生存适宜程度，为后续低碳虫害治理方案推荐提供基础。
图3示出了本发明获取目标荔枝种植区域的虫害治理方案的流程图。
根据本发明实施例，基于所述虫害治理推荐模型将所述虫害画像进行表示学习获取目标荔枝种植区域的虫害治理方案，具体为：
S302，通过图卷积网络对所述异构图及异构子图进行编码，将节点投射到同一潜在向量空间，获取节点的特征向量，并建立虫害特征与防治措施的传递关系，基于图卷积网络构建虫害治理方案推荐模型；
S304，将虫害画像导入所述虫害治理方案推荐模型获取在异构图及异构子图中的图结构，根据所述图结构获取具有虫害特征的虫害种类节点表示及防治措施节点表示；
S306，将不同图结构的节点表示经过聚合操作后生成对应的全局表示及局部表示，利用注意力权重将所述全局表示及局部表示进行加权求和，获取虫害种类节点表示及防治措施节点的最终表示；
S308，通过虫害种类节点及防治措施节点的最终表示及局部表示利用扩展矩阵分解计算不同图结构中对虫害防治措施的偏好分数，根据所述偏好分数分别获取预设数量的防治措施节点，读取对应的虫害防治措施；
S310，判断异构图及异构子图对应虫害防治措施中是否含有同一生物防治措施，若含有，则将所述生物防治措施作为目标荔枝种植区域的低碳虫害治理方案；
S312，若不含有，则筛选异构子图中偏好分数最高的生物防治措施，判断所述生物防治措施的防治周期是否大于预设阈值，若大于，则在虫害防治措施集合中选取偏好分数最高的非生物防治措施进行组合，生成低碳虫害治理方案。
需要说明的是，利用大数据方法检索不同荔枝虫害种类对应的历史虫害数据及历史防治数据，提取数据中的虫害种类、虫害特征及防治措施作为节点，根据节点之间的关联将节点进行连接；利用节点及节点的连接关系构建异构图，捕捉虫害种类、虫害特征及防治措施的成对关系；提取历史防治数据中的生物防治数据，利用所述生物防治数据在异构图中筛选荔枝植株虫害种类对应的生物防治节点，根据生物防治节点及节点的边结构构建异构子图。
通过图卷积网络对异构图及异构子图进行表示学习，利用图卷积网络的消息传递机制及信息聚合机制更新向量表示，异构图上节点特征值不断进行传递、更新，直至图上各个节点表示达到稳定状态，此时获得的实体编码向量充分隐含结构信息，能够为推荐任务提供丰富的向量表示，并且可以有效建模各个节点与其高阶邻居之间的关系。虫害种类节点的表示同时包含了虫害特征与防治措施。在之后的消息传递和聚集操作中，虫害特征节点与防治措施节点又通过虫害种类节点中聚合的信息更新自身表示，建立起虫害特征与防治措施的高阶联系。通过虫害种类节点及防治措施节点的最终表示及局部表示利用扩展矩阵分解计算不同图结构中对虫害防治措施的偏好分数。其中，虫害种类节点及防治措施节点的最终表示对应的偏好分数，具体为：/>其中，/>表示防治措施节点的最终表示，/>表示虫害种类节点的最终表示，/>表示矩阵转置；同理，获取虫害种类节点及防治措施节点的局部表示对应的偏好分数，根据偏好分数进行荔枝植株的低碳虫害治理方案推荐。
当虫害治理方案推荐模型输出异构图及异构子图对应虫害防治措施中不含有同一生物防治措施时候，则证明当前虫害状况生物防治措施效果较差或防治周期较长，不适合当前虫害特征，则根据非生物防止措施进行组合生成组合防治方案，并根据抗药性合理配置浓度比例，尽可能保证低碳环保。
需要说明的是，获取目标荔枝种植区域生态系统的组成结构，根据历史化学虫害防治措施获取荔枝植株当前虫害种类的抗药性，并根据虫害种类获取目标荔枝种植区域所在地虫害天敌的数量及分布范围；基于所述抗药性与虫害天敌的数量及分布范围获取目标荔枝种植区域的生态特征，根据所述生态特征对所述虫害治理方案进行优化，确定方案中各措施的投放量；根据荔枝植株当前时间戳的虫害画像预测虫害爆发时间，根据所述虫害爆发时间获取防治措施的最佳时间，利用所述最佳时间对优化后的虫害治理方案进行标注。例如，通过寄生性天敌进行防治时，需要对寄生生物的类型、环境适应能力、寄生方式进行详细调研，结合荔枝虫害的暴发时间，计算出实施寄生性天敌生物防治措施的最佳时间。当低碳虫害治理方案中包括化学防治方案时，则根据环境温度、年降雨量、日照时间等合理配制农药剂量，将荔枝虫害防治效率稳定维持在最高水平。
根据本发明实施例，获取目标荔枝种植区域中荔枝植株图像中植株轮廓特征，通过所述植株轮廓特征生成荔枝植株的枝干信息，获取荔枝植株中的虫害位置，根据所述虫害位置标记病虫枝；根据植株修剪相关知识图谱构建剪枝决策模型，根据丰产型树冠对模型进行训练；通过枝干信息读取树冠尺寸，根据所述树冠尺寸获取侧枝修剪阈值，将病虫枝及支杆信息导入所述剪枝决策模型，获取荔枝植株的修剪决策信息，并利用所述侧枝修剪阈值对修剪决策信息进行修正，生成修剪指导信息。
图4示出了本发明一种荔枝虫害的低碳治理方案推荐系统的框图。
本发明第二方面还提供了一种荔枝虫害的低碳治理方案推荐系统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的低碳治理方案推荐方法程序，所述荔枝虫害的低碳治理方案推荐方法程序被所述处理器执行时实现如下步骤：
获取目标荔枝种植区域中的荔枝植株图像，根据所述荔枝植株图像获取荔枝所属生长阶段，并通过图像分割提取虫害感兴趣区域，根据所述虫害感兴趣区域识别为害症状；
利用感兴趣区域特征及为害症状识别虫害特征，获取目标荔枝种植区域的环境特征及气候特征，根据所述虫害特征结合所述环境特征及气候特征生成虫害画像；
根据历史虫害数据及历史防治数据构建异构图，提取历史生物防治数据构建异构子图，利用图卷积网络对所述异构图及异构子图进行学习构建虫害治理方案推荐模型；
基于所述虫害治理推荐模型将所述虫害画像进行表示学习获取目标荔枝种植区域的虫害治理方案，并根据目标荔枝种植区域现有的生态结构对所述虫害治理方案进行修正。
根据本发明实施例，利用感兴趣区域特征及为害症状识别虫害特征，具体为：
获取虫害感兴趣区域的类别标签作为初步虫害种类，根据荔枝植株的生长阶段基于历史虫害数据获取当前生长节点对应的高发虫害种类，通过所述高发虫害种类对所述初步虫害种类进行验证；
验证通过后利用大数据手段获取初步虫害种类对应的图像特征及为害症状集合，判断荔枝植株的为害症状及感兴趣区域特征是否处于对应集合，若处于，则确定最终虫害种类；
根据所述最终虫害种类获取不同阶段的为害症状生成虫害发展曲线，利用荔枝植株虫害的为害症状计算与虫害发展曲线中各节点的曼哈顿距离，读取最小曼哈顿距离获取荔枝植株的虫害程度；
根据为害症状、虫害种类及虫害程度获取荔枝植株的虫害特征，获取目标荔枝种植区域的环境特征及气候特征，根据虫害特征、环境特征及气候特征构建特征向量矩阵，作为虫害画像。
需要说明的是，根据区域环境温湿度、年降雨量、日照时间、土壤理化性质等等关键因素获取环境特征及气候特征，目标荔枝种植区域中环境特征变化及气候特征变化容易导致虫害状况发生突变，将环境特征、气候特征及当前虫害特征结合表征虫害状况，通过环境特征能够体现当前目标荔枝种植区域对虫害的不同寄生性天敌及捕食性天敌的生存适宜程度，为后续低碳虫害治理方案推荐提供基础。
根据本发明实施例，基于所述虫害治理推荐模型将所述虫害画像进行表示学习获取目标荔枝种植区域的虫害治理方案，具体为：
通过图卷积网络对所述异构图及异构子图进行编码，将节点投射到同一潜在向量空间，获取节点的特征向量，并建立虫害特征与防治措施的传递关系，基于图卷积网络构建虫害治理方案推荐模型；
将虫害画像导入所述虫害治理方案推荐模型获取在异构图及异构子图中的图结构，根据所述图结构获取具有虫害特征的虫害种类节点表示及防治措施节点表示；
将不同图结构的节点表示经过聚合操作后生成对应的全局表示及局部表示，利用注意力权重将所述全局表示及局部表示进行加权求和，获取虫害种类节点表示及防治措施节点的最终表示；
通过虫害种类节点及防治措施节点的最终表示及局部表示利用扩展矩阵分解计算不同图结构中对虫害防治措施的偏好分数，根据所述偏好分数分别获取预设数量的防治措施节点，读取对应的虫害防治措施；
判断异构图及异构子图对应虫害防治措施中是否含有同一生物防治措施，若含有，则将所述生物防治措施作为目标荔枝种植区域的低碳虫害治理方案；
若不含有，则筛选异构子图中偏好分数最高的生物防治措施，判断所述生物防治措施的防治周期是否大于预设阈值，若大于，则在虫害防治措施集合中选取偏好分数最高的非生物防治措施进行组合，生成低碳虫害治理方案。
需要说明的是，利用大数据方法检索不同荔枝虫害种类对应的历史虫害数据及历史防治数据，提取数据中的虫害种类、虫害特征及防治措施作为节点，根据节点之间的关联将节点进行连接；利用节点及节点的连接关系构建异构图，捕捉虫害种类、虫害特征及防治措施的成对关系；提取历史防治数据中的生物防治数据，利用所述生物防治数据在异构图中筛选荔枝植株虫害种类对应的生物防治节点，根据生物防治节点及节点的边结构构建异构子图。
通过图卷积网络对异构图及异构子图进行表示学习，利用图卷积网络的消息传递机制及信息聚合机制更新向量表示，异构图上节点特征值不断进行传递、更新，直至图上各个节点表示达到稳定状态，此时获得的实体编码向量充分隐含结构信息，能够为推荐任务提供丰富的向量表示，并且可以有效建模各个节点与其高阶邻居之间的关系。虫害种类节点的表示同时包含了虫害特征与防治措施。在之后的消息传递和聚集操作中，虫害特征节点与防治措施节点又通过虫害种类节点中聚合的信息更新自身表示，建立起虫害特征与防治措施的高阶联系。通过虫害种类节点及防治措施节点的最终表示及局部表示利用扩展矩阵分解计算不同图结构中对虫害防治措施的偏好分数。其中，虫害种类节点及防治措施节点的最终表示对应的偏好分数，具体为：/>，其中，/>表示防治措施节点的最终表示，/>表示虫害种类节点的最终表示，/>表示矩阵转置；同理，获取虫害种类节点及防治措施节点的局部表示对应的偏好分数，根据偏好分数进行荔枝植株的低碳虫害治理方案推荐。
当虫害治理方案推荐模型输出异构图及异构子图对应虫害防治措施中不含有同一生物防治措施时候，则证明当前虫害状况生物防治措施效果较差或防治周期较长，不适合当前虫害特征，则根据非生物防止措施进行组合生成组合防治方案，并根据抗药性合理配置浓度比例，尽可能保证低碳环保。
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的低碳治理方案推荐方法程序，所述荔枝虫害的低碳治理方案推荐方法程序被处理器执行时，实现如上述任一项所述的荔枝虫害的低碳治理方案推荐方法的步骤。
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所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种荔枝虫害的低碳治理方案推荐方法，其特征在于，包括以下步骤：
获取目标荔枝种植区域中的荔枝植株图像，根据所述荔枝植株图像获取荔枝所属生长阶段，并通过图像分割提取虫害感兴趣区域，根据所述虫害感兴趣区域识别为害症状；
利用感兴趣区域特征及为害症状识别虫害特征，获取目标荔枝种植区域的环境特征及气候特征，根据所述虫害特征结合所述环境特征及气候特征生成虫害画像；
根据历史虫害数据及历史防治数据构建异构图，提取历史生物防治数据构建异构子图，利用图卷积网络对所述异构图及异构子图进行学习构建虫害治理方案推荐模型；
基于所述虫害治理推荐模型将所述虫害画像进行表示学习获取目标荔枝种植区域的虫害治理方案，并根据目标荔枝种植区域现有的生态结构对所述虫害治理方案进行修正。
2.根据权利要求1所述的一种荔枝虫害的低碳治理方案推荐方法，其特征在于，根据所述荔枝植株图像获取荔枝所属生长阶段，并通过图像分割提取虫害感兴趣区域，根据所述虫害感兴趣区域识别为害症状，具体为：
获取荔枝植株图像进行预处理，通过预处理后的荔枝植株图像提取荔枝植株的轮廓特征及形态特征，根据所述轮廓特征及形态特征利用相似度计算判断荔枝植株所属的生长阶段；
将预处理后的荔枝植株图像导入生成对抗网络，在所述生成对抗网络中利用U-net网络作为生成器网络，获取荔枝虫害数据集对生成对抗网络进行训练，通过所述生成器网络进行特征编码；
根据特征编码及注意力机制获取预计的荔枝虫害分割图像，将所述荔枝虫害分割图像与不同类别标签的荔枝虫害真实图像发送至判别器网络进行判别，读取判别器网络的判别结果；
将所述判别结果反馈到生成器网络继续获取预测的荔枝虫害分割图像，当判别器网络无法分辨真实图像与分割图像的偏差，则完成生成对抗网络的训练输出分割网络；
通过分割网络获取荔枝植株图像中的虫害感兴趣区域，提取类别标签获取虫害类别，获取虫害感兴趣区域的几何特征、颜色特征及纹理特征作为为害症状。
3.根据权利要求1所述的一种荔枝虫害的低碳治理方案推荐方法，其特征在于，利用感兴趣区域特征及为害症状识别虫害特征，具体为：
获取虫害感兴趣区域的类别标签作为初步虫害种类，根据荔枝植株的生长阶段基于历史虫害数据获取当前生长节点对应的高发虫害种类，通过所述高发虫害种类对所述初步虫害种类进行验证；
验证通过后利用大数据手段获取初步虫害种类对应的图像特征及为害症状集合，判断荔枝植株的为害症状及感兴趣区域特征是否处于对应集合，若处于，则确定最终虫害种类；
根据所述最终虫害种类获取不同阶段的为害症状生成虫害发展曲线，利用荔枝植株虫害的为害症状计算与虫害发展曲线中各节点的曼哈顿距离，读取最小曼哈顿距离获取荔枝植株的虫害程度；
根据为害症状、虫害种类及虫害程度获取荔枝植株的虫害特征，获取目标荔枝种植区域的环境特征及气候特征，根据虫害特征、环境特征及气候特征构建特征向量矩阵，作为虫害画像。
4.根据权利要求1所述的一种荔枝虫害的低碳治理方案推荐方法，其特征在于，根据历史虫害数据及历史防治数据构建异构图，提取历史生物防治数据构建异构子图，具体为：
利用大数据方法检索不同荔枝虫害种类对应的历史虫害数据及历史防治数据，提取数据中的虫害种类、虫害特征及防治措施作为节点，根据节点之间的关联将节点进行连接；
利用节点及节点的连接关系构建异构图，捕捉虫害种类、虫害特征及防治措施的成对关系；
提取历史防治数据中的生物防治数据，利用所述生物防治数据在异构图中筛选荔枝植株虫害种类对应的生物防治节点，根据生物防治节点及节点的边结构构建异构子图。
5.根据权利要求1所述的一种荔枝虫害的低碳治理方案推荐方法，其特征在于，基于所述虫害治理推荐模型将所述虫害画像进行表示学习获取目标荔枝种植区域的虫害治理方案，具体为：
通过图卷积网络对所述异构图及异构子图进行编码，将节点投射到同一潜在向量空间，获取节点的特征向量，并建立虫害特征与防治措施的传递关系，基于图卷积网络构建虫害治理方案推荐模型；
将虫害画像导入所述虫害治理方案推荐模型获取在异构图及异构子图中的图结构，根据所述图结构获取具有虫害特征的虫害种类节点表示及防治措施节点表示；
将不同图结构的节点表示经过聚合操作后生成对应的全局表示及局部表示，利用注意力权重将所述全局表示及局部表示进行加权求和，获取虫害种类节点表示及防治措施节点的最终表示；
通过虫害种类节点及防治措施节点的最终表示及局部表示利用扩展矩阵分解计算不同图结构中对虫害防治措施的偏好分数，根据所述偏好分数分别获取预设数量的防治措施节点，读取对应的虫害防治措施；
判断异构图及异构子图对应虫害防治措施中是否含有同一生物防治措施，若含有，则将所述生物防治措施作为目标荔枝种植区域的低碳虫害治理方案；
若不含有，则筛选异构子图中偏好分数最高的生物防治措施，判断所述生物防治措施的防治周期是否大于预设阈值，若大于，则在虫害防治措施集合中选取偏好分数最高的非生物防治措施进行组合，生成低碳虫害治理方案。
6.根据权利要求1所述的一种荔枝虫害的低碳治理方案推荐方法，其特征在于，根据目标荔枝种植区域现有的生态结构对所述虫害治理方案进行修正，具体为：
获取目标荔枝种植区域生态系统的组成结构，根据历史化学虫害防治措施获取荔枝植株当前虫害种类的抗药性，并根据虫害种类获取目标荔枝种植区域所在地虫害天敌的数量及分布范围；
基于所述抗药性与虫害天敌的数量及分布范围获取目标荔枝种植区域的生态特征，根据所述生态特征对所述虫害治理方案进行优化，确定方案中各措施的投放量；
根据荔枝植株当前时间戳的虫害画像预测虫害爆发时间，根据所述虫害爆发时间获取防治措施的最佳时间，利用所述最佳时间对优化后的虫害治理方案进行标注。
7.一种荔枝虫害的低碳治理方案推荐系统，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的低碳治理方案推荐方法程序，所述荔枝虫害的低碳治理方案推荐方法程序被所述处理器执行时实现如下步骤：
获取目标荔枝种植区域中的荔枝植株图像，根据所述荔枝植株图像获取荔枝所属生长阶段，并通过图像分割提取虫害感兴趣区域，根据所述虫害感兴趣区域识别为害症状；
利用感兴趣区域特征及为害症状识别虫害特征，获取目标荔枝种植区域的环境特征及气候特征，根据所述虫害特征结合所述环境特征及气候特征生成虫害画像；
根据历史虫害数据及历史防治数据构建异构图，提取历史生物防治数据构建异构子图，利用图卷积网络对所述异构图及异构子图进行学习构建虫害治理方案推荐模型；
基于所述虫害治理推荐模型将所述虫害画像进行表示学习获取目标荔枝种植区域的虫害治理方案，并根据目标荔枝种植区域现有的生态结构对所述虫害治理方案进行修正。
8.根据权利要求7所述的一种荔枝虫害的低碳治理方案推荐系统，其特征在于，利用感兴趣区域特征及为害症状识别虫害特征，具体为：
获取虫害感兴趣区域的类别标签作为初步虫害种类，根据荔枝植株的生长阶段基于历史虫害数据获取当前生长节点对应的高发虫害种类，通过所述高发虫害种类对所述初步虫害种类进行验证；
验证通过后利用大数据手段获取初步虫害种类对应的图像特征及为害症状集合，判断荔枝植株的为害症状及感兴趣区域特征是否处于对应集合，若处于，则确定最终虫害种类；
根据所述最终虫害种类获取不同阶段的为害症状生成虫害发展曲线，利用荔枝植株虫害的为害症状计算与虫害发展曲线中各节点的曼哈顿距离，读取最小曼哈顿距离获取荔枝植株的虫害程度；
根据为害症状、虫害种类及虫害程度获取荔枝植株的虫害特征，获取目标荔枝种植区域的环境特征及气候特征，根据虫害特征、环境特征及气候特征构建特征向量矩阵，作为虫害画像。
9.根据权利要求7所述的一种荔枝虫害的低碳治理方案推荐系统，其特征在于，根据历史虫害数据及历史防治数据构建异构图，提取历史生物防治数据构建异构子图，具体为：
利用大数据方法检索不同荔枝虫害种类对应的历史虫害数据及历史防治数据，提取数据中的虫害种类、虫害特征及防治措施作为节点，根据节点之间的关联将节点进行连接；
利用节点及节点的连接关系构建异构图，捕捉虫害种类、虫害特征及防治措施的成对关系；
提取历史防治数据中的生物防治数据，利用所述生物防治数据在异构图中筛选荔枝植株虫害种类对应的生物防治节点，根据生物防治节点及节点的边结构构建异构子图。
10.根据权利要求7所述的一种荔枝虫害的低碳治理方案推荐系统，其特征在于，基于所述虫害治理推荐模型将所述虫害画像进行表示学习获取目标荔枝种植区域的虫害治理方案，具体为：
通过图卷积网络对所述异构图及异构子图进行编码，将节点投射到同一潜在向量空间，获取节点的特征向量，并建立虫害特征与防治措施的传递关系，基于图卷积网络构建虫害治理方案推荐模型；
将虫害画像导入所述虫害治理方案推荐模型获取在异构图及异构子图中的图结构，根据所述图结构获取具有虫害特征的虫害种类节点表示及防治措施节点表示；
将不同图结构的节点表示经过聚合操作后生成对应的全局表示及局部表示，利用注意力权重将所述全局表示及局部表示进行加权求和，获取虫害种类节点表示及防治措施节点的最终表示；
通过虫害种类节点及防治措施节点的最终表示及局部表示利用扩展矩阵分解计算不同图结构中对虫害防治措施的偏好分数，根据所述偏好分数分别获取预设数量的防治措施节点，读取对应的虫害防治措施；
判断异构图及异构子图对应虫害防治措施中是否含有同一生物防治措施，若含有，则将所述生物防治措施作为目标荔枝种植区域的低碳虫害治理方案；
若不含有，则筛选异构子图中偏好分数最高的生物防治措施，判断所述生物防治措施的防治周期是否大于预设阈值，若大于，则在虫害防治措施集合中选取偏好分数最高的非生物防治措施进行组合，生成低碳虫害治理方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311453041.1A CN117173400B (zh) | 2023-11-03 | 2023-11-03 | 一种荔枝虫害的低碳治理方案推荐方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311453041.1A CN117173400B (zh) | 2023-11-03 | 2023-11-03 | 一种荔枝虫害的低碳治理方案推荐方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117173400A true CN117173400A (zh) | 2023-12-05 |
| CN117173400B CN117173400B (zh) | 2024-03-12 |
Family
ID=88941638
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311453041.1A Active CN117173400B (zh) | 2023-11-03 | 2023-11-03 | 一种荔枝虫害的低碳治理方案推荐方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117173400B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117852724A (zh) * | 2024-03-05 | 2024-04-09 | 杨凌职业技术学院 | 一种林业有害生物的预测方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113110207A (zh) * | 2021-04-28 | 2021-07-13 | 佛山一本农业科技有限公司 | 基于物联网传感器的虫害远程监测方法、系统及存储介质 |
| 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 |
| CN114936325A (zh) * | 2022-07-20 | 2022-08-23 | 北京数慧时空信息技术有限公司 | 基于用户画像的遥感影像推荐方法及系统 |
| 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 |
| CN116523182A (zh) * | 2023-06-30 | 2023-08-01 | 广东省农业科学院植物保护研究所 | 一种生态果园的构建和生产管理方法、系统及存储介质 |
| CN116628270A (zh) * | 2023-05-31 | 2023-08-22 | 重庆医药高等专科学校 | 一种海量数据治理系统及方法 |
| CN116957838A (zh) * | 2023-08-04 | 2023-10-27 | 宜宾学院 | 一种基于知识图表示学习的农作物生长环境监测方法 |
-
2023
- 2023-11-03 CN CN202311453041.1A patent/CN117173400B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113110207A (zh) * | 2021-04-28 | 2021-07-13 | 佛山一本农业科技有限公司 | 基于物联网传感器的虫害远程监测方法、系统及存储介质 |
| 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 |
| CN114936325A (zh) * | 2022-07-20 | 2022-08-23 | 北京数慧时空信息技术有限公司 | 基于用户画像的遥感影像推荐方法及系统 |
| 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 |
| CN116628270A (zh) * | 2023-05-31 | 2023-08-22 | 重庆医药高等专科学校 | 一种海量数据治理系统及方法 |
| CN116523182A (zh) * | 2023-06-30 | 2023-08-01 | 广东省农业科学院植物保护研究所 | 一种生态果园的构建和生产管理方法、系统及存储介质 |
| CN116957838A (zh) * | 2023-08-04 | 2023-10-27 | 宜宾学院 | 一种基于知识图表示学习的农作物生长环境监测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117852724A (zh) * | 2024-03-05 | 2024-04-09 | 杨凌职业技术学院 | 一种林业有害生物的预测方法及系统 |
| CN117852724B (zh) * | 2024-03-05 | 2024-05-28 | 杨凌职业技术学院 | 一种林业有害生物的预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117173400B (zh) | 2024-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113095555B (zh) | 基于物联网的农作物病虫害监控方法、系统及存储介质 | |
| Yu et al. | Detection of broadleaf weeds growing in turfgrass with convolutional neural networks | |
| CN117173400B (zh) | 一种荔枝虫害的低碳治理方案推荐方法及系统 | |
| CN114550108B (zh) | 一种草地贪夜蛾的识别预警方法及系统 | |
| CN109886155A (zh) | 基于深度学习的单株水稻检测定位方法、系统、设备及介质 | |
| CN115660291B (zh) | 一种植物病害发生与潜在发生的识别评估方法及系统 | |
| CN114707773A (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 | |
| Ranjani et al. | Crop yield prediction using machine learning algorithm | |
| CN115630770B (zh) | 一种基于植保无人机的作业效果评价方法、系统及介质 | |
| 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 | |
| Avigal et al. | Learning seed placements and automation policies for polyculture farming with companion plants | |
| CN113379188B (zh) | 基于物联网的烟草轮作种植方法和系统 | |
| CN116523182B (zh) | 一种生态果园的构建和生产管理方法、系统及存储介质 | |
| Micheni et al. | Internet of things, big data analytics, and deep learning for sustainable precision agriculture | |
| CN113435825B (zh) | 一种基于土传病害防治的智能管理方法、系统及存储介质 | |
| CN114550848A (zh) | 作物病害处理方法、装置、电子设备及计算机可读介质 | |
| Deepthi et al. | Application of expert systems for agricultural crop disease diagnoses—A review | |
| CN116307879A (zh) | 一种斑节对虾虾苗高效培育方法、系统及介质 | |
| CN113743790B (zh) | 一种有助于盐碱地稻米品质提升的方法、系统及存储介质 | |
| CN114332613A (zh) | 基于遥感影像的农地健康状态预测方法、装置、设备和存储介质 | |
| Chougule et al. | Decision support for grape crop protection using ontology | |
| Saxena et al. | FARMINGTON-A Machine Learning Approach in Agriculture | |
| Nandaraj et al. | A machine learning approach for predicting crop seasonal yield and cost for smart agriculture | |
| Tidake et al. | Design and Implementation of Forecast Remedy Technique to Maximize The Yield of Farming Using Deep Learning | |
| Krogh Mortensen et al. | The oil radish growth dataset for semantic segmentation and yield estimation |
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 |