CN117272028B - 基于物联网态势感知的虫情监测方法及系统 - Google Patents
基于物联网态势感知的虫情监测方法及系统 Download PDFInfo
- Publication number
- CN117272028B CN117272028B CN202311352135.XA CN202311352135A CN117272028B CN 117272028 B CN117272028 B CN 117272028B CN 202311352135 A CN202311352135 A CN 202311352135A CN 117272028 B CN117272028 B CN 117272028B
- Authority
- CN
- China
- Prior art keywords
- insect condition
- insect
- condition monitoring
- target
- relevant 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
- 241000238631 Hexapoda Species 0.000 title claims abstract description 696
- 238000012544 monitoring process Methods 0.000 title claims abstract description 435
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000005065 mining Methods 0.000 claims abstract description 191
- 239000012634 fragment Substances 0.000 claims abstract description 67
- 238000004458 analytical method Methods 0.000 claims abstract description 41
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 36
- 239000013598 vector Substances 0.000 claims description 386
- 238000012512 characterization method Methods 0.000 claims description 160
- 238000009826 distribution Methods 0.000 claims description 34
- 230000004927 fusion Effects 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 241000209140 Triticum Species 0.000 description 17
- 235000021307 Triticum Nutrition 0.000 description 17
- 238000012545 processing Methods 0.000 description 12
- 241001124076 Aphididae Species 0.000 description 10
- 238000001556 precipitation Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000012806 monitoring device Methods 0.000 description 7
- 238000012271 agricultural production Methods 0.000 description 5
- 230000002262 irrigation Effects 0.000 description 5
- 238000003973 irrigation Methods 0.000 description 5
- 244000005700 microbiome Species 0.000 description 5
- 239000000575 pesticide Substances 0.000 description 5
- 235000011389 fruit/vegetable juice Nutrition 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 238000003892 spreading Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 238000004383 yellowing Methods 0.000 description 2
- 241000960374 Aphidiinae Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001332 colony forming effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 244000062645 predators Species 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/05—Agriculture
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Agronomy & Crop Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的基于物联网态势感知的虫情监测方法及系统,涉及人工智能技术领域。在本发明中,获取到对目标区域进行虫情监测操作形成的目标虫情监测数据;对目标虫情监测数据进行拆分,形成目标虫情监测数据对应的虫情监测数据片段集合;对虫情监测数据片段集合中的各虫情监测数据片段进行嵌入处理,形成虫情监测数据片段集合对应的虫情监测片段特征集合;利用目标特征分析网络,对虫情监测片段特征集合进行特征挖掘,输出虫情监测片段特征集合对应的目标虫情特征,以及,利用目标特征分析网络,对目标虫情特征进行状态预测,输出目标区域对应的目标虫情预测数据。基于上述内容,可以改善虫情监测可靠度不佳的问题。
Description
技术领域
本发明涉及人工智能技术领域,具体而言,涉及一种基于物联网态势感知的虫情监测方法及系统。
背景技术
物联网技术的应用场景较多,例如,可以将物联网技术应用于农业生产中,具体可以为,基于物联网技术,对农业生产场景进行态势的感知,即进行信息采集,然后,对采集到的信息进行分析,可以得到相应的虫情状态,从而实现虫情监测,以保障农业生产的质量,具体来说,可以在确定出虫情状态不佳的时候,提前进行预防措施等。但是,在现有技术中,存在着虫情监测可靠度相对不佳的问题。
发明内容
有鉴于此,本发明的目的在于提供一种基于物联网态势感知的虫情监测方法及系统,以改善虫情监测可靠度不佳的问题。
为实现上述目的,本发明实施例采用如下技术方案:
一种基于物联网态势感知的虫情监测方法,包括:
获取到通过物联网监测设备对目标区域进行虫情监测操作形成的目标虫情监测数据,所述物联网监测设备部署于所述目标区域;
对所述目标虫情监测数据进行拆分,形成所述目标虫情监测数据对应的虫情监测数据片段集合,所述虫情监测数据片段集合中的各虫情监测数据片段按序排列,使得所述虫情监测数据片段集合属于有序集合;
对所述虫情监测数据片段集合中的各虫情监测数据片段进行嵌入处理,形成所述虫情监测数据片段集合对应的虫情监测片段特征集合,所述虫情监测片段特征集合中的各虫情监测片段特征按序排列,使得所述虫情监测片段特征集合属于有序集合;
利用目标特征分析网络,对所述虫情监测片段特征集合进行特征挖掘,输出所述虫情监测片段特征集合对应的目标虫情特征,以及,利用所述目标特征分析网络,对所述目标虫情特征进行状态预测,输出所述目标区域对应的目标虫情预测数据,所述目标虫情预测数据用于反映所述目标区域的虫情状态,其中,在对所述虫情监测片段特征集合进行特征挖掘的过程中,结合各虫情监测片段特征之间的相关信息进行特征挖掘,所述目标虫情特征用于表征所述目标虫情监测数据的虫情语义特征。
在一些优选的实施例中,在上述基于物联网态势感知的虫情监测方法中,所述利用目标特征分析网络,对所述虫情监测片段特征集合进行特征挖掘,输出所述虫情监测片段特征集合对应的目标虫情特征,以及,利用所述目标特征分析网络,对所述目标虫情特征进行状态预测,输出所述目标区域对应的目标虫情预测数据的步骤,包括:
提取到目标特征分析网络中第a个虫情特征挖掘单元输出的虫情特征挖掘结果,所述目标特征分析网络中包括第一数量个先后连接的虫情特征挖掘单元,所述虫情特征挖掘结果属于将所述虫情监测片段特征集合进行特征挖掘后形成的虫情监测片段向量集合,所述虫情监测片段向量集合中包括与所述虫情监测片段特征集合中每一个虫情监测片段特征对应的虫情监测片段向量,所述第a个虫情特征挖掘单元属于所述第一数量个先后连接的虫情特征挖掘单元中的任意一个虫情特征挖掘单元;
确定出与第b个虫情特征挖掘单元对应的第二数量个相关信息表征向量,所述第二数量个相关信息表征向量用于反映所述虫情特征挖掘结果中的所述虫情监测片段向量之间的相关信息,所述第b个虫情特征挖掘单元属于所述第一数量个先后连接的虫情特征挖掘单元中位于所述第a个虫情特征挖掘单元之后的第一个虫情特征挖掘单元;
分别确定出所述虫情特征挖掘结果中的每一个所述虫情监测片段向量与所述第二数量个相关信息表征向量中的每一个所述相关信息表征向量之间的关联参数,以及,依据对应于同一个所述虫情监测片段向量的第二数量个所述关联参数,分别对每一个所述虫情监测片段向量进行调整,形成对应的调整后的虫情监测片段向量;
合并所述调整后的虫情监测片段向量,形成对应的调整后的虫情监测片段向量集合,并将所述调整后的虫情监测片段向量集合作为所述第b个虫情特征挖掘单元输出的虫情特征挖掘结果;
基于所述虫情特征挖掘结果,确定出所述虫情监测片段特征集合对应的目标虫情特征,以及,利用所述目标特征分析网络,对所述目标虫情特征进行状态预测,输出所述目标区域对应的目标虫情预测数据。
在一些优选的实施例中,在上述基于物联网态势感知的虫情监测方法中,所述分别确定出所述虫情特征挖掘结果中的每一个所述虫情监测片段向量与所述第二数量个相关信息表征向量中的每一个所述相关信息表征向量之间的关联参数,以及,依据对应于同一个所述虫情监测片段向量的第二数量个所述关联参数,分别对每一个所述虫情监测片段向量进行调整,形成对应的调整后的虫情监测片段向量的步骤,包括:
依次进行以下操作,使得所述虫情特征挖掘结果中的每一个所述虫情监测片段向量都被轮询到:
在所述虫情特征挖掘结果中,确定出一个虫情监测片段向量,并将该虫情监测片段向量作为目前轮询到的虫情监测片段向量;
基于所述第二数量个相关信息表征向量,确定出所述目前轮询到的虫情监测片段向量对应的第二数量个第一关联参数;
确定出所述目前轮询到的虫情监测片段向量的第三数量个邻接分布的虫情监测片段向量分别与所述目前轮询到的虫情监测片段向量之间的第二关联参数,所述邻接分布的虫情监测片段向量在所述虫情监测片段向量集合中的第一集合分布坐标与所述目前轮询到的虫情监测片段向量的第二集合分布坐标之间的集合分布坐标距离小于预设确定的目标距离;
基于所述第二数量个第一关联参数和第三数量个第二关联参数,对所述目前轮询到的虫情监测片段向量进行调整,形成对应的调整后的虫情监测片段向量。
在一些优选的实施例中,在上述基于物联网态势感知的虫情监测方法中,所述基于所述第二数量个第一关联参数和第三数量个第二关联参数,对所述目前轮询到的虫情监测片段向量进行调整,形成对应的调整后的虫情监测片段向量的步骤,包括:
基于所述第二数量个第一关联参数,确定出各个所述相关信息表征向量对应的第一加权参数,以及,基于所述第三数量个第二关联参数,确定出各个所述邻接分布的虫情监测片段向量的第二加权参数;
基于第二数量个所述相关信息表征向量与各自对应的所述第一加权参数,计算出对应的融合相关信息表征向量;
基于第三数量个所述邻接分布的虫情监测片段向量与各自对应的所述第二加权参数计算出对应的融合邻接分布的虫情监测片段向量;
对所述融合相关信息表征向量和所述融合邻接分布的虫情监测片段向量进行叠加,形成对应的调整后的虫情监测片段向量。
在一些优选的实施例中,在上述基于物联网态势感知的虫情监测方法中,所述基于所述第二数量个第一关联参数,确定出各个所述相关信息表征向量对应的第一加权参数,以及,基于所述第三数量个第二关联参数,确定出各个所述邻接分布的虫情监测片段向量的第二加权参数的步骤,包括:
基于所述第二数量个第一关联参数和所述第三数量个第二关联参数,计算得到第一目标系数;
基于所述第二数量个第一关联参数,计算出所述第二数量个相关信息表征向量对应的第二数量个第二目标系数,以及,计算出所述第二数量个第二目标系数各自与所述第一目标系数之间的比例系数,并将得到的第二数量个比例系数作为所述第二数量个相关信息表征向量的第一加权参数;
基于所述第三数量个第二关联参数,计算出所述第三数量个邻接分布的虫情监测片段向量对应的第三数量个第三目标系数,以及,计算出所述第三数量个第三目标系数各自与所述第一目标系数之间的比例系数,并将得到的第三数量个比例系数作为所述第三数量个邻接分布的虫情监测片段向量的第二加权参数。
在一些优选的实施例中,在上述基于物联网态势感知的虫情监测方法中,所述基于所述第二数量个相关信息表征向量,确定出所述目前轮询到的虫情监测片段向量对应的第二数量个第一关联参数的步骤,包括:
对所述目前轮询到的虫情监测片段向量和所述第二数量个相关信息表征向量分别进行数量积运算,以及,将得到的第二数量个数量积作为所述目前轮询到的虫情监测片段向量对应的第二数量个第一关联参数;
所述确定出所述目前轮询到的虫情监测片段向量的第三数量个邻接分布的虫情监测片段向量分别与所述目前轮询到的虫情监测片段向量之间的第二关联参数的步骤,包括:
对所述目前轮询到的虫情监测片段向量和所述第三数量个邻接分布的虫情监测片段向量分别进行数量积运算,以及,将得到的第三数量个数量积作为所述目前轮询到的虫情监测片段向量对应的第三数量个第二关联参数。
在一些优选的实施例中,在上述基于物联网态势感知的虫情监测方法中,所述确定出与第b个虫情特征挖掘单元对应的第二数量个相关信息表征向量的步骤,包括:
提取到与所述第b个虫情特征挖掘单元对应的第二数量个候选的相关信息表征向量;
依次进行以下操作,使得所述第二数量个候选的相关信息表征向量都被轮询到:
在所述第二数量个候选的相关信息表征向量中,确定出一个所述候选的相关信息表征向量,并将该候选的相关信息表征向量作为目前轮询到的相关信息表征向量;
计算所述目前轮询到的相关信息表征向量与其它候选的相关信息表征向量之间分别具有的第三关联参数;
计算所述目前轮询到的相关信息表征向量与所述虫情特征挖掘结果中的每一个所述虫情监测片段向量之间分别具有的第四关联参数;
基于所述第三关联参数和所述第四关联参数,对所述目前轮询到的相关信息表征向量进行调整,得到调整后的相关信息表征向量。
在一些优选的实施例中,在上述基于物联网态势感知的虫情监测方法中,所述提取到与所述第b个虫情特征挖掘单元对应的第二数量个候选的相关信息表征向量的步骤,包括:
提取到与所述第b个虫情特征挖掘单元对应的第二数量个候选的相关信息表征向量,所述第二数量个候选的相关信息表征向量属于所述目标特征分析网络在网络更新中形成的相关信息表征向量;或者,提取到与所述第a个虫情特征挖掘单元对应的第二数量个所述相关信息表征向量,并作为与所述第b个虫情特征挖掘单元对应的第二数量个候选的相关信息表征向量,第一个虫情特征挖掘单元对应的第二数量个所述相关信息表征向量属于所述目标特征分析网络在网络更新中形成的相关信息表征向量;
并且,所述基于所述第三关联参数和所述第四关联参数,对所述目前轮询到的相关信息表征向量进行调整,得到调整后的相关信息表征向量的步骤,包括:
基于第四数量个所述第三关联参数,得到各个所述候选的相关信息表征向量对应的第三加权参数,所述第二数量和所述第四数量之间的差值等于1;以及,基于第五数量个所述第四关联参数,得到各个所述虫情监测片段向量对应的第四加权参数,所述虫情特征挖掘结果中包括第五数量个所述虫情监测片段向量;以及,基于所述第四数量个候选的相关信息表征向量与各自对应的所述第三加权参数,计算出对应的融合候选的相关信息表征向量;以及,基于所述第五数量个所述虫情监测片段向量与各自对应的所述第四加权参数,计算出对应的融合虫情监测片段向量;以及,基于所述融合候选的相关信息表征向量和所述融合虫情监测片段向量,得到调整后的相关信息表征向量。
在一些优选的实施例中,在上述基于物联网态势感知的虫情监测方法中,所述基于所述虫情特征挖掘结果,确定出所述虫情监测片段特征集合对应的目标虫情特征,以及,利用所述目标特征分析网络,对所述目标虫情特征进行状态预测,输出所述目标区域对应的目标虫情预测数据的步骤,包括:
在所述第b个虫情特征挖掘单元属于所述第一数量个先后连接的虫情特征挖掘单元中的最后一个虫情特征挖掘单元的时候,将所述第b个虫情特征挖掘单元输出的虫情特征挖掘结果和所述第a个虫情特征挖掘单元输出的虫情特征挖掘结果进行聚合,形成对应的聚合虫情特征挖掘结果;
对所述聚合虫情特征挖掘结果进行参数映射,形成所述虫情监测片段特征集合对应的目标虫情特征;
利用所述目标特征分析网络,对所述目标虫情特征和预设的多种虫情参考数据进行对比分析,输出所述目标区域对应的目标虫情预测数据,所述目标虫情预测数据属于所述多种虫情参考数据中的一种虫情参考数据。
本发明实施例还提供一种基于物联网态势感知的虫情监测系统,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现上述的基于物联网态势感知的虫情监测方法。
本发明实施例提供的基于物联网态势感知的虫情监测方法及系统,可以获取到对目标区域进行虫情监测操作形成的目标虫情监测数据;对目标虫情监测数据进行拆分,形成目标虫情监测数据对应的虫情监测数据片段集合;对虫情监测数据片段集合中的各虫情监测数据片段进行嵌入处理,形成虫情监测数据片段集合对应的虫情监测片段特征集合;利用目标特征分析网络,对虫情监测片段特征集合进行特征挖掘,输出虫情监测片段特征集合对应的目标虫情特征,以及,利用目标特征分析网络,对目标虫情特征进行状态预测,输出目标区域对应的目标虫情预测数据。基于前述的内容,由于在对虫情监测片段特征集合进行特征挖掘的过程中,会结合各虫情监测片段特征之间的相关信息进行特征挖掘,使得得到的目标虫情特征在表征目标虫情监测数据的虫情语义特征的时候,语义表征能力更佳,因此,在基于目标虫情特征进行状态预测的时候,可以使得状态预测的可靠度得以提高,从而改善现有技术中存在的虫情监测可靠度不佳的问题。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
图1为本发明实施例提供的基于物联网态势感知的虫情监测系统的结构框图。
图2为本发明实施例提供的基于物联网态势感知的虫情监测方法包括的各步骤的流程示意图。
图3为本发明实施例提供的基于物联网态势感知的虫情监测装置包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例只是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供了一种基于物联网态势感知的虫情监测系统。其中,所述基于物联网态势感知的虫情监测系统可以包括存储器和处理器。
详细地,在一些可能的实施方式中,所述存储器和处理器之间直接或间接地电性连接,以实现数据的传输或交互。例如,相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件(firmware)的形式,存在的软件功能模块。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序,从而实现本发明实施例提供的基于物联网态势感知的虫情监测方法。
详细地,在一些可能的实施方式中,所述存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(Erasable ProgrammableRead-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable ProgrammableRead-Only Memory,EEPROM)等。所述处理器可以是一种通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)、片上系统(System on Chip,SoC)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
详细地,在一些可能的实施方式中,所述基于物联网态势感知的虫情监测系统可以是一种具备数据处理能力的服务器。
结合图2,本发明实施例还提供一种基于物联网态势感知的虫情监测方法,可应用于上述基于物联网态势感知的虫情监测系统。其中,所述基于物联网态势感知的虫情监测方法有关的流程所定义的方法步骤,可以由所述基于物联网态势感知的虫情监测系统实现。
下面将对图2所示的具体流程,进行详细阐述。
步骤S110,获取到通过物联网监测设备对目标区域进行虫情监测操作形成的目标虫情监测数据。
在本发明实施例中,所述基于物联网态势感知的虫情监测系统可以获取到通过物联网监测设备对目标区域进行虫情监测操作形成的目标虫情监测数据。所述物联网监测设备部署于所述目标区域,所述目标区域可以是农业生产区域,具体的区域大小不受限制,所述物联网监测设备可以是一个监测设备,也可以多个监测设备构成的系统。所述目标虫情监测数据的具体内容也不受限制,可以根据对虫情具有影响的因素进行配置,示例性地,对虫情具有影响的因素可以有:
气候条件:温度、湿度和降水等气候条件对虫类的生存和繁殖具有重要影响,不同种类的虫类对气候条件有不同的适应能力,具体来说,可以通过以下这些传感器进行监测:温度传感器:测量空气温度的变化;湿度传感器:测量空气中的湿度水分含量;雨量传感器:测量降水的数量和强度;风速传感器:测量风的速度和方向;大气压力传感器:测量大气压力的变化;光照传感器:测量光照强度和日照时数;辐射传感器:测量太阳辐射、地面辐射等;雷电传感器:检测雷暴活动和测量雷电频率;
寄主可用性:虫类通常以其他生物作为寄主进行繁殖和生存,寄主的数量和可用性直接影响虫类的种群规模和分布,具体来说,可以通过摄像机等设备进行监测和识别;
生态平衡:虫类常常与其他生物相互作用,如天敌、竞争者和共生微生物,这些相互作用可以调节虫类的数量和行为,具体来说,可以通过摄像机等设备进行监测和识别;
农业实践:农业活动对虫类种群的影响很大,农药的使用、灌溉和耕作方式都可能对虫类产生积极或消极的影响,具体来说,可以通过摄像机等设备进行监测和识别或相应用户操作生成;
大气污染和环境变化:工业排放和人类活动引起的大气污染、土地利用变化和全球气候变化等因素也可能对虫类的生存和分布产生影响,具体来说,可以通过空气质量传感器等设备进行监测。
步骤S120,对所述目标虫情监测数据进行拆分,形成所述目标虫情监测数据对应的虫情监测数据片段集合。
在本发明实施例中,所述基于物联网态势感知的虫情监测系统可以对所述目标虫情监测数据进行拆分,形成所述目标虫情监测数据对应的虫情监测数据片段集合。所述虫情监测数据片段集合中的各虫情监测数据片段按序排列,使得所述虫情监测数据片段集合属于有序集合。示例性地,在所述目标虫情监测数据属于文本数据的时候,可以是进行词语或语句的拆分,即每一个虫情监测数据片段属于一个词语或语句。在所述目标虫情监测数据属于图像数据的时候,可以是对图像进行分割,以形成对应的多个图像块,即每一个虫情监测数据片段属于一个图像块。在本发明实施例中,所述目标虫情监测数据可以是文本数据,用于描述温度、湿度和降水等气候条件、寄主的数量、天敌、竞争者和共生微生物的数量、农药的使用、灌溉和耕作方式、空气质量等。
步骤S130,对所述虫情监测数据片段集合中的各虫情监测数据片段进行嵌入处理,形成所述虫情监测数据片段集合对应的虫情监测片段特征集合。
在本发明实施例中,所述基于物联网态势感知的虫情监测系统可以对所述虫情监测数据片段集合中的各虫情监测数据片段进行嵌入处理,形成所述虫情监测数据片段集合对应的虫情监测片段特征集合。所述虫情监测片段特征集合中的各虫情监测片段特征按序排列,使得所述虫情监测片段特征集合属于有序集合。示例性地,可以通过词嵌入模型,对各虫情监测数据片段进行嵌入处理,得到相应的嵌入特征。
步骤S140,利用目标特征分析网络,对所述虫情监测片段特征集合进行特征挖掘,输出所述虫情监测片段特征集合对应的目标虫情特征,以及,利用所述目标特征分析网络,对所述目标虫情特征进行状态预测,输出所述目标区域对应的目标虫情预测数据。
在本发明实施例中,所述基于物联网态势感知的虫情监测系统可以利用目标特征分析网络,对所述虫情监测片段特征集合进行特征挖掘,输出所述虫情监测片段特征集合对应的目标虫情特征,以及,利用所述目标特征分析网络,对所述目标虫情特征进行状态预测,输出所述目标区域对应的目标虫情预测数据,如无虫:没有发现任何虫类存在或活动、轻微:虫类存在,但数量很少,对环境或寄主的影响较小、中等:虫类数量适中,可能对寄主或环境造成一定程度的影响,但尚未达到严重程度、严重:虫类数量大量增加,对寄主或环境产生明显的损害或负面影响、灾害性:虫类数量异常大,对寄主或环境造成严重破坏,可能导致作物死亡、生态系统崩溃等重大后果。所述目标虫情预测数据用于反映所述目标区域的虫情状态,其中,在对所述虫情监测片段特征集合进行特征挖掘的过程中,结合各虫情监测片段特征之间的相关信息进行特征挖掘,所述目标虫情特征用于表征所述目标虫情监测数据的虫情语义特征。
基于前述的内容,即基于上述的步骤S110-步骤S140,由于在对虫情监测片段特征集合进行特征挖掘的过程中,会结合各虫情监测片段特征之间的相关信息进行特征挖掘,使得得到的目标虫情特征在表征目标虫情监测数据的虫情语义特征的时候,语义表征能力更佳,因此,在基于目标虫情特征进行状态预测的时候,可以使得状态预测的可靠度得以提高,从而改善现有技术中存在的虫情监测可靠度不佳的问题。
举例来说,所述目标区域可以是一种小麦种植区域,虫情监测的对象可以是蚜虫。基于此,农业生产场景的虫情状态分级可以为:
无虫:在小麦田中没有发现任何害虫存在或活动,作物生长状况良好;
轻微:少量的蚜虫出现在小麦叶片上,但数量较少且尚未对作物造成明显的伤害;
中等:蚜虫数量逐渐增加,开始对小麦的叶片吸食汁液,导致叶片出现黄化和卷曲的迹象,但作物整体仍能正常生长;
严重:大量的蚜虫出现在小麦田中,严重吸食叶片汁液,导致叶片严重黄化、枯萎和凋落,对作物的生长和产量产生明显负面影响;
灾害性:蚜虫数量急剧增加,整个小麦田被覆盖,叶片几乎全部被吸食,作物生长停滞,严重影响了小麦的产量和品质,可能需要采取紧急措施来遏制虫害的扩散。
接着上述的示例,所述目标虫情监测数据可以为:
气候条件:温度:温度范围为25-30摄氏度;湿度:湿度范围为60-80%相对湿度;降水:降水量:适宜降水量:每年500-700毫米;降水分布:不均匀降水分布:季节性降水集中在特定的7-8月,其他月份较干旱;
寄主数量:小麦密度:每平方米种植的小麦数量为600株;
天敌、竞争者和共生微生物的数量:天敌种类和数量:昆虫捕食者每平方米的数量为10只;竞争者种类和数量:蚜茧蜂每平方米的数量为5只;共生微生物种类和数量:对蚜虫具有调控作用的微生物在土壤样本中检测到的数量为100个菌落形成单位(CFU)/克土壤;
农药使用:农药施用量:每公顷使用农药的剂量为500克;
灌溉:灌溉量:每次灌溉的水量为20毫米;
排水条件:土壤排水系数为0.2;
空气质量:大气污染物浓度:PM2.5浓度为50微克/立方米。
接着上述的示例,以“每平方米种植的小麦数量为600株”为处理对象,通过词嵌入模型对各虫情监测数据片段(文本分词得到的词语)进行嵌入处理得到相应的嵌入特征进行举例说明:
# 加载预训练的Word2Vec模型
model = Word2Vec.load("path/to/word2vec/model")
# 词语列表
words = ['每', '平方米', '种植', '的', '小麦', '数量', '为', '600', '株']
# 嵌入处理
embedded_words = []
for word in words:
if word in model.wv:
embedded_words.append(model.wv[word])
else:
# 如果词语不在词嵌入模型中,则可以选择忽略或者使用特殊的默认向量表示
embedded_words.append(np.zeros(model.vector_size)) # 使用零向量作为默认表示
embedded_words = np.array(embedded_words)
print(embedded_words)。
设使用一个300维的Word2Vec词嵌入模型,并对以下词语进行嵌入处理:embedded_words = [
[0.123, 0.456, 0.789, ..., 0.987], # 每
[0.111, 0.222, 0.333, ..., 0.444], # 平方米
[0.555, 0.666, 0.777, ..., 0.888], # 种植
... # 其他词语的嵌入向量
]
上述代码中,每个词语都表示为一个300维的嵌入向量。[0.123, 0.456, 0.789,..., 0.987]是表示“每”的嵌入向量,[0.111, 0.222, 0.333, ..., 0.444]是表示“平方米”的嵌入向量,以此类推。
可以理解的是,以上内容仅为一种示例,在实际应用中,可以通过物联网监测设备对更多的虫情影响因素进行监测,得到更为丰富的目标虫情监测数据,从而预测出更为精确的虫情状态。
详细地,在一些可能的实施方式中,上述的步骤S110,可以包括:
提取到目标特征分析网络中第a个虫情特征挖掘单元输出的虫情特征挖掘结果,所述目标特征分析网络中包括第一数量个先后连接的虫情特征挖掘单元(所述虫情特征挖掘单元可以是一种卷积神经网络),即前一个虫情特征挖掘单元输出的虫情特征挖掘结果,加载到后一个虫情特征挖掘单元中进行进一步挖掘,其中,第一个虫情特征挖掘单元挖掘的数据为所述虫情监测片段特征集合,所述虫情特征挖掘结果属于将所述虫情监测片段特征集合进行特征挖掘后形成的虫情监测片段向量集合,所述虫情监测片段向量集合中包括与所述虫情监测片段特征集合中每一个虫情监测片段特征对应的虫情监测片段向量,即虫情监测片段特征与虫情监测片段向量之间具有一一对应关系,所述第a个虫情特征挖掘单元属于所述第一数量个先后连接的虫情特征挖掘单元中的任意一个虫情特征挖掘单元,如第一个虫情特征挖掘单元、第二个虫情特征挖掘单元等;
确定出与第b个虫情特征挖掘单元对应的第二数量个相关信息表征向量,所述第二数量个相关信息表征向量用于反映所述虫情特征挖掘结果中的所述虫情监测片段向量之间的相关信息,所述第b个虫情特征挖掘单元属于所述第一数量个先后连接的虫情特征挖掘单元中位于所述第a个虫情特征挖掘单元之后的第一个虫情特征挖掘单元,如第二个虫情特征挖掘单元、第三个虫情特征挖掘单元等,即所述第b个虫情特征挖掘单元用于挖掘所述第a个虫情特征挖掘单元输出的虫情特征挖掘结果;
分别确定出所述虫情特征挖掘结果中的每一个所述虫情监测片段向量与所述第二数量个相关信息表征向量中的每一个所述相关信息表征向量之间的关联参数,以及,依据对应于同一个所述虫情监测片段向量的第二数量个所述关联参数,分别对每一个所述虫情监测片段向量进行调整,形成对应的调整后的虫情监测片段向量,例如,对于虫情监测片段向量A,可以依据虫情监测片段向量A的第二数量个所述关联参数,对虫情监测片段向量A进行调整,形成对应的调整后的虫情监测片段向量;其中,所述相关信息表征向量的数量可以小于所述虫情特征挖掘结果中的虫情监测片段向量的数量,使得特征挖掘的复杂度可以降低,从而提高特征挖掘的效率;
合并所述调整后的虫情监测片段向量,形成对应的调整后的虫情监测片段向量集合,并将所述调整后的虫情监测片段向量集合作为所述第b个虫情特征挖掘单元输出的虫情特征挖掘结果;也就是说,所述调整后的虫情监测片段向量集合包括各所述调整后的虫情监测片段向量;
基于所述虫情特征挖掘结果,确定出所述虫情监测片段特征集合对应的目标虫情特征,以及,利用所述目标特征分析网络,对所述目标虫情特征进行状态预测,输出所述目标区域对应的目标虫情预测数据,其中,由于所述第二数量个相关信息表征向量用于反映所述虫情特征挖掘结果中的所述虫情监测片段向量之间的相关信息,因此,所述目标虫情特征实际上是通过对各虫情监测片段向量进行关联挖掘得到的,因此,所述目标虫情特征对于所述目标虫情监测数据的虫情语义特征的表达能力更佳。
详细地,在一些可能的实施方式中,所述确定出与第b个虫情特征挖掘单元对应的第二数量个相关信息表征向量的步骤,可以包括:
提取到与所述第b个虫情特征挖掘单元对应的第二数量个候选的相关信息表征向量,所述候选的相关信息表征向量可以是指需要调整的相关信息表征向量,使得可以通过对所述第二数量个候选的相关信息表征向量进行调整,得到对应的第二数量个相关信息表征向量;
依次进行以下操作(即具体的调整过程),使得所述第二数量个候选的相关信息表征向量都被轮询到:
在所述第二数量个候选的相关信息表征向量中,确定出一个所述候选的相关信息表征向量(可以是任意确定的一个候选的相关信息表征向量),并将该候选的相关信息表征向量作为目前轮询到的相关信息表征向量;
计算所述目前轮询到的相关信息表征向量与其它候选的相关信息表征向量之间分别具有的第三关联参数,如向量之间的余弦相似度等;
计算所述目前轮询到的相关信息表征向量与所述虫情特征挖掘结果中的每一个所述虫情监测片段向量之间分别具有的第四关联参数,如向量之间的余弦相似度等;
基于所述第三关联参数和所述第四关联参数,对所述目前轮询到的相关信息表征向量进行调整,得到调整后的相关信息表征向量;如此,可以从相关信息表征向量和虫情监测片段向量两个角度,来对相关信息表征向量进行调整,使得调整后的相关信息表征向量的语义表征能力更佳。
详细地,在一些可能的实施方式中,所述提取到与所述第b个虫情特征挖掘单元对应的第二数量个候选的相关信息表征向量的步骤,可以包括:
提取到与所述第b个虫情特征挖掘单元对应的第二数量个候选的相关信息表征向量,所述第二数量个候选的相关信息表征向量属于所述目标特征分析网络在网络更新中形成的相关信息表征向量,如此,直接在网络更新的过程中形成各虫情特征挖掘单元对应的第二数量个候选的相关信息表征向量,可以使得在应用过程中,提高计算效率,其中,在网络更新中,初始的时候,各候选的相关信息表征向量可以是随机生成的;或者
提取到与所述第a个虫情特征挖掘单元对应的第二数量个所述相关信息表征向量,并作为与所述第b个虫情特征挖掘单元对应的第二数量个候选的相关信息表征向量,第一个虫情特征挖掘单元对应的第二数量个所述相关信息表征向量属于所述目标特征分析网络在网络更新中形成的相关信息表征向量,也就是说,在网络更新的过程中,可以仅生成第一个虫情特征挖掘单元对应的第二数量个候选的相关信息表征向量,其它情特征挖掘单元对应的第二数量个候选的相关信息表征向量可以在应用中进行传递调整,如此,随着特征挖掘在不同虫情特征挖掘单元的传递而不断传递调整,进而可以提升特征感知效果,使得反映所述虫情特征挖掘结果中的所述虫情监测片段向量之间的相关信息更为可靠;具体来说,可以直接提取到第一个虫情特征挖掘单元对应的第二数量个候选的相关信息表征向量,然后,进行如前述步骤的调整处理,得到第一个虫情特征挖掘单元对应的调整后的相关信息表征向量;进一步的,可以将第一个虫情特征挖掘单元对应的调整后的相关信息表征向量,作为第二个虫情特征挖掘单元对应的第二数量个候选的相关信息表征向量,然后,进行如前述步骤的调整处理,得到第二个虫情特征挖掘单元对应的调整后的相关信息表征向量,如此类推。
详细地,在一些可能的实施方式中,所述基于所述第三关联参数和所述第四关联参数,对所述目前轮询到的相关信息表征向量进行调整,得到调整后的相关信息表征向量的步骤,可以包括:
基于第四数量(即其它候选的相关信息表征向量的数量)个所述第三关联参数,得到各个所述候选的相关信息表征向量对应的第三加权参数,所述第二数量和所述第四数量之间的差值等于1,示例性地,可以直接将所述第三关联参数,作为相应的第三加权系数,或者,也可以对所述第三关联参数进行归一化处理,得到相应的第三加权系数;
基于第五数量个所述第四关联参数,得到各个所述虫情监测片段向量对应的第四加权参数,所述虫情特征挖掘结果中包括第五数量个所述虫情监测片段向量,示例性地,可以直接将所述第四关联参数,作为相应的第四加权系数,或者,也可以对所述第四关联参数进行归一化处理,得到相应的第四加权系数;
基于所述第四数量个候选的相关信息表征向量与各自对应的所述第三加权参数,计算出对应的融合候选的相关信息表征向量;也就是说,可以基于所述第三加权参数,对所述候选的相关信息表征向量进行加权求和,得到对应的融合候选的相关信息表征向量;
基于所述第五数量个所述虫情监测片段向量与各自对应的所述第四加权参数,计算出对应的融合虫情监测片段向量;也就是说,可以基于所述第四加权参数,对所述虫情监测片段向量进行加权求和,得到对应的融合虫情监测片段向量;
基于所述融合候选的相关信息表征向量和所述融合虫情监测片段向量,得到调整后的相关信息表征向量。
其中,详细地,在一些可能的实施方式中,所述基于所述融合候选的相关信息表征向量和所述融合虫情监测片段向量,得到调整后的相关信息表征向量的步骤,可以包括:
对所述融合候选的相关信息表征向量和所述融合虫情监测片段向量进行叠加,得到待处理向量;
利用所述第b个虫情特征挖掘单元包括的加权参数,对所述待处理向量进行相乘计算,并利用所述第b个虫情特征挖掘单元包括的偏置参数,对加权计算的结果进行求和计算,以及,利用所述第b个虫情特征挖掘单元包括的激励函数,对求和计算的结果进行激励处理,得到调整后的相关信息表征向量(即所述第b个虫情特征挖掘单元对应的第二数量个相关信息表征向量中的一个相关信息表征向量)。
举例来说,假设有以下示例:待处理向量 V_concat;的加权参数 W;偏置参数 b;使用Sigmoid 激励函数对待处理向量进行调整:V_global = Sigmoid(W * V_concat +b)。
详细地,在一些可能的实施方式中,所述分别确定出所述虫情特征挖掘结果中的每一个所述虫情监测片段向量与所述第二数量个相关信息表征向量中的每一个所述相关信息表征向量之间的关联参数,以及,依据对应于同一个所述虫情监测片段向量的第二数量个所述关联参数,分别对每一个所述虫情监测片段向量进行调整,形成对应的调整后的虫情监测片段向量的步骤,可以包括:
依次进行以下操作,使得所述虫情特征挖掘结果中的每一个所述虫情监测片段向量都被轮询到:
在所述虫情特征挖掘结果中,确定出一个虫情监测片段向量(可以是随机或任意性的确定出一个虫情监测片段向量,如第一个虫情监测片段向量),并将该虫情监测片段向量作为目前轮询到的虫情监测片段向量;
基于所述第二数量个相关信息表征向量,确定出所述目前轮询到的虫情监测片段向量对应的第二数量个第一关联参数,每一个所述相关信息表征向量对应有一个第一关联参数,如向量之间的余弦相似度等;
确定出所述目前轮询到的虫情监测片段向量的第三数量个邻接分布的虫情监测片段向量分别与所述目前轮询到的虫情监测片段向量之间的第二关联参数,所述邻接分布的虫情监测片段向量在所述虫情监测片段向量集合中的第一集合分布坐标与所述目前轮询到的虫情监测片段向量的第二集合分布坐标之间的集合分布坐标距离小于预设确定的目标距离,所述目标距离的具体数值不受限制,如1、2、3、4等数值,每一个所述邻接分布的虫情监测片段向量对应有一个第二关联参数,如向量之间的余弦相似度等;
基于所述第二数量个第一关联参数和第三数量个第二关联参数,对所述目前轮询到的虫情监测片段向量进行调整,形成对应的调整后的虫情监测片段向量,通过所述第一关联参数和所述第二关联参数,在对虫情特征挖掘结果中的各个虫情监测片段向量进行调整的过程中,不仅可以通过相关信息表征向量进行关联挖掘(如前所述,相关信息表征向量与历史上的数据相关,即训练过程中的数据),还可以通过邻接分布的虫情监测片段向量感知上下文信息,进而在提升特征挖掘的结果的信息表征能力。
详细地,在一些可能的实施方式中,所述基于所述第二数量个第一关联参数和第三数量个第二关联参数,对所述目前轮询到的虫情监测片段向量进行调整,形成对应的调整后的虫情监测片段向量的步骤,可以包括:
基于所述第二数量个第一关联参数,确定出各个所述相关信息表征向量对应的第一加权参数,以及,基于所述第三数量个第二关联参数,确定出各个所述邻接分布的虫情监测片段向量的第二加权参数;示例性地,可以直接将所述第一关联参数作为第一加权参数,直接将所述第二关联参数作为第二加权参数;或者,也可以对第一关联参数进行归一化处理,得到第一加权参数,对第二关联参数进行归一化处理,得到第二加权参数;
基于第二数量个所述相关信息表征向量与各自对应的所述第一加权参数,计算出对应的融合相关信息表征向量;也就是说,可以基于所述第一加权参数,对所述相关信息表征向量进行加权求和,得到对应的融合相关信息表征向量;
基于第三数量个所述邻接分布的虫情监测片段向量与各自对应的所述第二加权参数计算出对应的融合邻接分布的虫情监测片段向量;也就是说,可以基于所述第二加权参数,对所述邻接分布的虫情监测片段向量进行加权求和,得到对应的融合邻接分布的虫情监测片段向量;
对所述融合相关信息表征向量和所述融合邻接分布的虫情监测片段向量进行叠加,形成对应的调整后的虫情监测片段向量;示例性地,可以直接将所述融合相关信息表征向量和所述融合邻接分布的虫情监测片段向量进行叠加(求和结果)作为调整后的虫情监测片段向量,也可以对所述融合相关信息表征向量和所述融合邻接分布的虫情监测片段向量的叠加(求和结果)进行线性映射等处理,得到调整后的虫情监测片段向量。
详细地,在一些可能的实施方式中,所述基于所述第二数量个第一关联参数,确定出各个所述相关信息表征向量对应的第一加权参数,以及,基于所述第三数量个第二关联参数,确定出各个所述邻接分布的虫情监测片段向量的第二加权参数的步骤,可以包括:
基于所述第二数量个第一关联参数和所述第三数量个第二关联参数,计算得到第一目标系数;示例性地,可以对所述第二数量个第一关联参数和所述第三数量个第二关联参数进行求和计算,得到第一目标系数;
基于所述第二数量个第一关联参数,计算出所述第二数量个相关信息表征向量对应的第二数量个第二目标系数,例如,可以直接将所述第一关联参数作为相应的第二目标系数,以及,计算出所述第二数量个第二目标系数各自与所述第一目标系数之间的比例系数,并将得到的第二数量个比例系数作为所述第二数量个相关信息表征向量的第一加权参数;
基于所述第三数量个第二关联参数,计算出所述第三数量个邻接分布的虫情监测片段向量对应的第三数量个第三目标系数,例如,可以直接将所述第二关联参数作为相应的第三目标系数,以及,计算出所述第三数量个第三目标系数各自与所述第一目标系数之间的比例系数,并将得到的第三数量个比例系数作为所述第三数量个邻接分布的虫情监测片段向量的第二加权参数。
其中,详细地,在一些可能的实施方式中,上述根据第二数量个第一关联参数和第三数量个第二关联参数确定第一目标系数的方式可以是:
根据所述第二数量个第一关联参数分别确定出第二数量个以自然底数(Euler'snumber)为底数,第一关联参数为指数的第一参考值,并根据所述第三数量个第二关联参数分别确定出第三数量个以自然底数为底数,第二关联参数为指数的第二参考值,计算各个第一参考值和各个第二参考值的和值,得到第一目标系数;
上述根据第二数量个第一关联参数确定分别对应于第二数量个相关信息表征向量的第二数量个第二目标系数的方式可以是:
将第二数量个以自然底数为底数,第一关联参数为指数的第一参考值分别确定为所述第二目标系数;
上述根据第三数量个第二关联参数分别确定对应于第三数量个邻接分布的虫情监测片段向量的第三数量个第三目标系数的方式可以是:
将第三数量个以自然底数为底数,第二关联参数为指数的第二参考值分别确定为上述第三目标系数。
详细地,在一些可能的实施方式中,所述基于所述第二数量个相关信息表征向量,确定出所述目前轮询到的虫情监测片段向量对应的第二数量个第一关联参数的步骤,可以包括:
对所述目前轮询到的虫情监测片段向量和所述第二数量个相关信息表征向量分别进行数量积运算,以及,将得到的第二数量个数量积作为所述目前轮询到的虫情监测片段向量对应的第二数量个第一关联参数。
举例来说,通过轮询获取到了一段虫情监测片段向量(A)和第二数量个相关信息表征向量(B1, B2, B3, ... Bn)。数量积运算:数量积是指两个向量对应位置上的元素相乘后再相加得到的结果。可以将虫情监测片段向量(A)与每个相关信息表征向量(B1, B2,B3, ... Bn)进行数量积运算,得到一组数量积值。示例:
A = [1, 2, 3];
B1 = [0.5, 0.3, 0.7];
B2 = [0.8, 0.6, 0.4];
数量积运算结果:
A·B1 = (1×0.5) + (2×0.3) + (3×0.7) = 2.9;
A·B2 = (1×0.8) + (2×0.6) + (3×0.4) = 3.8。
第二数量个第一关联参数:可以将得到的第二数量个数量积作为目前轮询到的虫情监测片段向量(A)对应的第二数量个第一关联参数。
示例继续:
第一关联参数1 = 2.9;
第一关联参数2 = 3.8。
详细地,在一些可能的实施方式中,所述确定出所述目前轮询到的虫情监测片段向量的第三数量个邻接分布的虫情监测片段向量分别与所述目前轮询到的虫情监测片段向量之间的第二关联参数的步骤,可以包括:
对所述目前轮询到的虫情监测片段向量和所述第三数量个邻接分布的虫情监测片段向量分别进行数量积运算,以及,将得到的第三数量个数量积作为所述目前轮询到的虫情监测片段向量对应的第三数量个第二关联参数。
举例来说,通过轮询获取到了一段虫情监测片段向量(A)和第三数量个邻接分布的虫情监测片段向量(C1, C2, C3, ... Cn)。可以将虫情监测片段向量(A)与每个邻接分布的虫情监测片段向量(C1, C2, C3, ... Cn)进行数量积运算,得到一组数量积值。示例:
A = [1, 2, 3];
C1 = [0.5, 0.3, 0.7];
C2 = [0.8, 0.6, 0.4];
C3 = [0.2, 0.9, 0.1];
数量积运算结果:
A·C1 = (1×0.5) + (2×0.3) + (3×0.7) = 2.9;
A·C2 = (1×0.8) + (2×0.6) + (3×0.4) = 3.8;
A·C3 = (1×0.2) + (2×0.9) + (3×0.1) = 2.1;
第三数量个第二关联参数:可以将得到的第三数量个数量积作为目前轮询到的虫情监测片段向量(A)对应的第三数量个第二关联参数。
示例继续:
第二关联参数1 = 2.9;
第二关联参数2 = 3.8;
第二关联参数3 = 2.1。
详细地,在一些可能的实施方式中,所述基于所述虫情特征挖掘结果,确定出所述虫情监测片段特征集合对应的目标虫情特征,以及,利用所述目标特征分析网络,对所述目标虫情特征进行状态预测,输出所述目标区域对应的目标虫情预测数据的步骤,可以包括:
在所述第b个虫情特征挖掘单元属于所述第一数量个先后连接的虫情特征挖掘单元中的最后一个虫情特征挖掘单元的时候,将所述第b个虫情特征挖掘单元输出的虫情特征挖掘结果和所述第a个虫情特征挖掘单元输出的虫情特征挖掘结果进行聚合,形成对应的聚合虫情特征挖掘结果;示例性地,可以对所述第b个虫情特征挖掘单元输出的虫情特征挖掘结果和所述第a个虫情特征挖掘单元输出的虫情特征挖掘结果进行叠加,得到对应的聚合虫情特征挖掘结果,也就是说,可以将最后一个虫情特征挖掘单元输出的虫情特征挖掘结果和倒数第二个虫情特征挖掘单元输出的虫情特征挖掘结果进行叠加,得到对应的聚合虫情特征挖掘结果;
对所述聚合虫情特征挖掘结果进行参数映射,形成所述虫情监测片段特征集合对应的目标虫情特征,参数映射可以是指将向量参数映射到0-1,即进行归一化处理,具体的归一化函数不受限制;
利用所述目标特征分析网络,对所述目标虫情特征和预设的多种虫情参考数据进行对比分析,输出所述目标区域对应的目标虫情预测数据,所述目标虫情预测数据属于所述多种虫情参考数据中的一种虫情参考数据;示例性地,可以分别对每一种虫情参考数据进行向量化处理(如通过特征挖掘或编码网络的编码实现),得到对应的虫情参考数据向量,然后,可以计算所述目标虫情特征与每一种虫情参考数据向量之间的相似度,以及,将相似度最大的虫情参考数据向量对应的虫情参考数据,作为所述目标区域对应的目标虫情预测数据,所述多种虫情参考数据可以为:
无虫:在小麦田中没有发现任何害虫存在或活动,作物生长状况良好;
轻微:少量的蚜虫出现在小麦叶片上,但数量较少且尚未对作物造成明显的伤害;
中等:蚜虫数量逐渐增加,开始对小麦的叶片吸食汁液,导致叶片出现黄化和卷曲的迹象,但作物整体仍能正常生长;
严重:大量的蚜虫出现在小麦田中,严重吸食叶片汁液,导致叶片严重黄化、枯萎和凋落,对作物的生长和产量产生明显负面影响;
灾害性:蚜虫数量急剧增加,整个小麦田被覆盖,叶片几乎全部被吸食,作物生长停滞,严重影响了小麦的产量和品质,可能需要采取紧急措施来遏制虫害的扩散。
结合图3,本发明实施例还提供一种基于物联网态势感知的虫情监测方装置,可应用于上述基于物联网态势感知的虫情监测系统。其中,所述基于物联网态势感知的虫情监测装置可以包括:
虫情监测数据获取模块,用于获取到通过物联网监测设备对目标区域进行虫情监测操作形成的目标虫情监测数据,所述物联网监测设备部署于所述目标区域;
虫情监测数据拆分模块,用于对所述目标虫情监测数据进行拆分,形成所述目标虫情监测数据对应的虫情监测数据片段集合,所述虫情监测数据片段集合中的各虫情监测数据片段按序排列,使得所述虫情监测数据片段集合属于有序集合;
虫情监测数据嵌入模块,用于对所述虫情监测数据片段集合中的各虫情监测数据片段进行嵌入处理,形成所述虫情监测数据片段集合对应的虫情监测片段特征集合,所述虫情监测片段特征集合中的各虫情监测片段特征按序排列,使得所述虫情监测片段特征集合属于有序集合;
虫情状态预测模块,用于利用目标特征分析网络,对所述虫情监测片段特征集合进行特征挖掘,输出所述虫情监测片段特征集合对应的目标虫情特征,以及,利用所述目标特征分析网络,对所述目标虫情特征进行状态预测,输出所述目标区域对应的目标虫情预测数据,所述目标虫情预测数据用于反映所述目标区域的虫情状态,其中,在对所述虫情监测片段特征集合进行特征挖掘的过程中,结合各虫情监测片段特征之间的相关信息进行特征挖掘,所述目标虫情特征用于表征所述目标虫情监测数据的虫情语义特征。
综上所述,本发明提供的基于物联网态势感知的虫情监测方法及系统,可以获取到对目标区域进行虫情监测操作形成的目标虫情监测数据;对目标虫情监测数据进行拆分,形成目标虫情监测数据对应的虫情监测数据片段集合;对虫情监测数据片段集合中的各虫情监测数据片段进行嵌入处理,形成虫情监测数据片段集合对应的虫情监测片段特征集合;利用目标特征分析网络,对虫情监测片段特征集合进行特征挖掘,输出虫情监测片段特征集合对应的目标虫情特征,以及,利用目标特征分析网络,对目标虫情特征进行状态预测,输出目标区域对应的目标虫情预测数据。基于前述的内容,由于在对虫情监测片段特征集合进行特征挖掘的过程中,会结合各虫情监测片段特征之间的相关信息进行特征挖掘,使得得到的目标虫情特征在表征目标虫情监测数据的虫情语义特征的时候,语义表征能力更佳,因此,在基于目标虫情特征进行状态预测的时候,可以使得状态预测的可靠度得以提高,从而改善现有技术中存在的虫情监测可靠度不佳的问题。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于物联网态势感知的虫情监测方法,其特征在于,包括:
获取到通过物联网监测设备对目标区域进行虫情监测操作形成的目标虫情监测数据,所述物联网监测设备部署于所述目标区域;
对所述目标虫情监测数据进行拆分,形成所述目标虫情监测数据对应的虫情监测数据片段集合,所述虫情监测数据片段集合中的各虫情监测数据片段按序排列,使得所述虫情监测数据片段集合属于有序集合;
对所述虫情监测数据片段集合中的各虫情监测数据片段进行嵌入处理,形成所述虫情监测数据片段集合对应的虫情监测片段特征集合,所述虫情监测片段特征集合中的各虫情监测片段特征按序排列,使得所述虫情监测片段特征集合属于有序集合;
利用目标特征分析网络,对所述虫情监测片段特征集合进行特征挖掘,输出所述虫情监测片段特征集合对应的目标虫情特征,以及,利用所述目标特征分析网络,对所述目标虫情特征进行状态预测,输出所述目标区域对应的目标虫情预测数据,所述目标虫情预测数据用于反映所述目标区域的虫情状态,其中,在对所述虫情监测片段特征集合进行特征挖掘的过程中,结合各虫情监测片段特征之间的相关信息进行特征挖掘,所述目标虫情特征用于表征所述目标虫情监测数据的虫情语义特征;
所述利用目标特征分析网络,对所述虫情监测片段特征集合进行特征挖掘,输出所述虫情监测片段特征集合对应的目标虫情特征,以及,利用所述目标特征分析网络,对所述目标虫情特征进行状态预测,输出所述目标区域对应的目标虫情预测数据的步骤,包括:
提取到目标特征分析网络中第a个虫情特征挖掘单元输出的虫情特征挖掘结果,所述目标特征分析网络中包括第一数量个先后连接的虫情特征挖掘单元,所述虫情特征挖掘结果属于将所述虫情监测片段特征集合进行特征挖掘后形成的虫情监测片段向量集合,所述虫情监测片段向量集合中包括与所述虫情监测片段特征集合中每一个虫情监测片段特征对应的虫情监测片段向量,所述第a个虫情特征挖掘单元属于所述第一数量个先后连接的虫情特征挖掘单元中的任意一个虫情特征挖掘单元;
确定出与第b个虫情特征挖掘单元对应的第二数量个相关信息表征向量,所述第二数量个相关信息表征向量用于反映所述虫情特征挖掘结果中的所述虫情监测片段向量之间的相关信息,所述第b个虫情特征挖掘单元属于所述第一数量个先后连接的虫情特征挖掘单元中位于所述第a个虫情特征挖掘单元之后的第一个虫情特征挖掘单元;
分别确定出所述虫情特征挖掘结果中的每一个所述虫情监测片段向量与所述第二数量个相关信息表征向量中的每一个所述相关信息表征向量之间的关联参数,以及,依据对应于同一个所述虫情监测片段向量的第二数量个所述关联参数,分别对每一个所述虫情监测片段向量进行调整,形成对应的调整后的虫情监测片段向量;
合并所述调整后的虫情监测片段向量,形成对应的调整后的虫情监测片段向量集合,并将所述调整后的虫情监测片段向量集合作为所述第b个虫情特征挖掘单元输出的虫情特征挖掘结果;
基于所述虫情特征挖掘结果,确定出所述虫情监测片段特征集合对应的目标虫情特征,以及,利用所述目标特征分析网络,对所述目标虫情特征进行状态预测,输出所述目标区域对应的目标虫情预测数据;
所述分别确定出所述虫情特征挖掘结果中的每一个所述虫情监测片段向量与所述第二数量个相关信息表征向量中的每一个所述相关信息表征向量之间的关联参数,以及,依据对应于同一个所述虫情监测片段向量的第二数量个所述关联参数,分别对每一个所述虫情监测片段向量进行调整,形成对应的调整后的虫情监测片段向量的步骤,包括:
依次进行以下操作,使得所述虫情特征挖掘结果中的每一个所述虫情监测片段向量都被轮询到:
在所述虫情特征挖掘结果中,确定出一个虫情监测片段向量,并将该虫情监测片段向量作为目前轮询到的虫情监测片段向量;
基于所述第二数量个相关信息表征向量,确定出所述目前轮询到的虫情监测片段向量对应的第二数量个第一关联参数;
确定出所述目前轮询到的虫情监测片段向量的第三数量个邻接分布的虫情监测片段向量分别与所述目前轮询到的虫情监测片段向量之间的第二关联参数,所述邻接分布的虫情监测片段向量在所述虫情监测片段向量集合中的第一集合分布坐标与所述目前轮询到的虫情监测片段向量的第二集合分布坐标之间的集合分布坐标距离小于预设确定的目标距离;
基于所述第二数量个第一关联参数和第三数量个第二关联参数,对所述目前轮询到的虫情监测片段向量进行调整,形成对应的调整后的虫情监测片段向量。
2.如权利要求1所述的基于物联网态势感知的虫情监测方法,其特征在于,所述基于所述第二数量个第一关联参数和第三数量个第二关联参数,对所述目前轮询到的虫情监测片段向量进行调整,形成对应的调整后的虫情监测片段向量的步骤,包括:
基于所述第二数量个第一关联参数,确定出各个所述相关信息表征向量对应的第一加权参数,以及,基于所述第三数量个第二关联参数,确定出各个所述邻接分布的虫情监测片段向量的第二加权参数;
基于第二数量个所述相关信息表征向量与各自对应的所述第一加权参数,计算出对应的融合相关信息表征向量;
基于第三数量个所述邻接分布的虫情监测片段向量与各自对应的所述第二加权参数计算出对应的融合邻接分布的虫情监测片段向量;
对所述融合相关信息表征向量和所述融合邻接分布的虫情监测片段向量进行叠加,形成对应的调整后的虫情监测片段向量。
3.如权利要求2所述的基于物联网态势感知的虫情监测方法,其特征在于,所述基于所述第二数量个第一关联参数,确定出各个所述相关信息表征向量对应的第一加权参数,以及,基于所述第三数量个第二关联参数,确定出各个所述邻接分布的虫情监测片段向量的第二加权参数的步骤,包括:
基于所述第二数量个第一关联参数和所述第三数量个第二关联参数,计算得到第一目标系数;
基于所述第二数量个第一关联参数,计算出所述第二数量个相关信息表征向量对应的第二数量个第二目标系数,以及,计算出所述第二数量个第二目标系数各自与所述第一目标系数之间的比例系数,并将得到的第二数量个比例系数作为所述第二数量个相关信息表征向量的第一加权参数;
基于所述第三数量个第二关联参数,计算出所述第三数量个邻接分布的虫情监测片段向量对应的第三数量个第三目标系数,以及,计算出所述第三数量个第三目标系数各自与所述第一目标系数之间的比例系数,并将得到的第三数量个比例系数作为所述第三数量个邻接分布的虫情监测片段向量的第二加权参数。
4.如权利要求1所述的基于物联网态势感知的虫情监测方法,其特征在于,所述基于所述第二数量个相关信息表征向量,确定出所述目前轮询到的虫情监测片段向量对应的第二数量个第一关联参数的步骤,包括:
对所述目前轮询到的虫情监测片段向量和所述第二数量个相关信息表征向量分别进行数量积运算,以及,将得到的第二数量个数量积作为所述目前轮询到的虫情监测片段向量对应的第二数量个第一关联参数;
所述确定出所述目前轮询到的虫情监测片段向量的第三数量个邻接分布的虫情监测片段向量分别与所述目前轮询到的虫情监测片段向量之间的第二关联参数的步骤,包括:
对所述目前轮询到的虫情监测片段向量和所述第三数量个邻接分布的虫情监测片段向量分别进行数量积运算,以及,将得到的第三数量个数量积作为所述目前轮询到的虫情监测片段向量对应的第三数量个第二关联参数。
5.如权利要求1所述的基于物联网态势感知的虫情监测方法,其特征在于,所述确定出与第b个虫情特征挖掘单元对应的第二数量个相关信息表征向量的步骤,包括:
提取到与所述第b个虫情特征挖掘单元对应的第二数量个候选的相关信息表征向量;
依次进行以下操作,使得所述第二数量个候选的相关信息表征向量都被轮询到:
在所述第二数量个候选的相关信息表征向量中,确定出一个所述候选的相关信息表征向量,并将该候选的相关信息表征向量作为目前轮询到的相关信息表征向量;
计算所述目前轮询到的相关信息表征向量与其它候选的相关信息表征向量之间分别具有的第三关联参数;
计算所述目前轮询到的相关信息表征向量与所述虫情特征挖掘结果中的每一个所述虫情监测片段向量之间分别具有的第四关联参数;
基于所述第三关联参数和所述第四关联参数,对所述目前轮询到的相关信息表征向量进行调整,得到调整后的相关信息表征向量。
6.如权利要求5所述的基于物联网态势感知的虫情监测方法,其特征在于,所述提取到与所述第b个虫情特征挖掘单元对应的第二数量个候选的相关信息表征向量的步骤,包括:
提取到与所述第b个虫情特征挖掘单元对应的第二数量个候选的相关信息表征向量,所述第二数量个候选的相关信息表征向量属于所述目标特征分析网络在网络更新中形成的相关信息表征向量;或者,提取到与所述第a个虫情特征挖掘单元对应的第二数量个所述相关信息表征向量,并作为与所述第b个虫情特征挖掘单元对应的第二数量个候选的相关信息表征向量,第一个虫情特征挖掘单元对应的第二数量个所述相关信息表征向量属于所述目标特征分析网络在网络更新中形成的相关信息表征向量;
并且,所述基于所述第三关联参数和所述第四关联参数,对所述目前轮询到的相关信息表征向量进行调整,得到调整后的相关信息表征向量的步骤,包括:
基于第四数量个所述第三关联参数,得到各个所述候选的相关信息表征向量对应的第三加权参数,所述第二数量和所述第四数量之间的差值等于1;以及,基于第五数量个所述第四关联参数,得到各个所述虫情监测片段向量对应的第四加权参数,所述虫情特征挖掘结果中包括第五数量个所述虫情监测片段向量;以及,基于所述第四数量个候选的相关信息表征向量与各自对应的所述第三加权参数,计算出对应的融合候选的相关信息表征向量;以及,基于所述第五数量个所述虫情监测片段向量与各自对应的所述第四加权参数,计算出对应的融合虫情监测片段向量;以及,基于所述融合候选的相关信息表征向量和所述融合虫情监测片段向量,得到调整后的相关信息表征向量。
7.如权利要求1-6任意一项所述的基于物联网态势感知的虫情监测方法,其特征在于,所述基于所述虫情特征挖掘结果,确定出所述虫情监测片段特征集合对应的目标虫情特征,以及,利用所述目标特征分析网络,对所述目标虫情特征进行状态预测,输出所述目标区域对应的目标虫情预测数据的步骤,包括:
在所述第b个虫情特征挖掘单元属于所述第一数量个先后连接的虫情特征挖掘单元中的最后一个虫情特征挖掘单元的时候,将所述第b个虫情特征挖掘单元输出的虫情特征挖掘结果和所述第a个虫情特征挖掘单元输出的虫情特征挖掘结果进行聚合,形成对应的聚合虫情特征挖掘结果;
对所述聚合虫情特征挖掘结果进行参数映射,形成所述虫情监测片段特征集合对应的目标虫情特征;
利用所述目标特征分析网络,对所述目标虫情特征和预设的多种虫情参考数据进行对比分析,输出所述目标区域对应的目标虫情预测数据,所述目标虫情预测数据属于所述多种虫情参考数据中的一种虫情参考数据。
8.一种基于物联网态势感知的虫情监测系统,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现权利要求1-7任意一项所述的基于物联网态势感知的虫情监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311352135.XA CN117272028B (zh) | 2023-10-19 | 2023-10-19 | 基于物联网态势感知的虫情监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311352135.XA CN117272028B (zh) | 2023-10-19 | 2023-10-19 | 基于物联网态势感知的虫情监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117272028A CN117272028A (zh) | 2023-12-22 |
CN117272028B true CN117272028B (zh) | 2024-01-26 |
Family
ID=89200891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311352135.XA Active CN117272028B (zh) | 2023-10-19 | 2023-10-19 | 基于物联网态势感知的虫情监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117272028B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109213800A (zh) * | 2018-07-25 | 2019-01-15 | 山东中烟工业有限责任公司 | 一种烟草虫情预测系统及方法 |
CN111612236A (zh) * | 2020-05-14 | 2020-09-01 | 中电工业互联网有限公司 | 一种虫情实时分析预测方法、系统及存储介质 |
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 |
WO2021178626A1 (en) * | 2020-03-04 | 2021-09-10 | Fmc Corporation | Systems and methods for predicting pest pressure using geospatial features and machine learning |
CN113627641A (zh) * | 2021-06-15 | 2021-11-09 | 宁波微能物联科技有限公司 | 一种基于多参数融合的人工智能虫情预测的方法 |
CN113705875A (zh) * | 2021-08-19 | 2021-11-26 | 大气候物联网科技(广州)有限公司 | 一种农作物病虫害预警方法、系统、装置及存储介质 |
CN115100471A (zh) * | 2022-06-23 | 2022-09-23 | 中储粮成都储藏研究院有限公司 | 基于移动终端的储粮害虫多维信息采集及预警方法 |
CN115136827A (zh) * | 2022-05-25 | 2022-10-04 | 深圳华云信息系统有限公司 | 虫情监测方法、装置、电子设备及存储介质 |
CN115238237A (zh) * | 2022-06-08 | 2022-10-25 | 北京市农林科学院信息技术研究中心 | 虫情监测方法、装置及系统 |
-
2023
- 2023-10-19 CN CN202311352135.XA patent/CN117272028B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109213800A (zh) * | 2018-07-25 | 2019-01-15 | 山东中烟工业有限责任公司 | 一种烟草虫情预测系统及方法 |
WO2021178626A1 (en) * | 2020-03-04 | 2021-09-10 | Fmc Corporation | Systems and methods for predicting pest pressure using geospatial features and machine learning |
CN111612236A (zh) * | 2020-05-14 | 2020-09-01 | 中电工业互联网有限公司 | 一种虫情实时分析预测方法、系统及存储介质 |
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 |
CN113627641A (zh) * | 2021-06-15 | 2021-11-09 | 宁波微能物联科技有限公司 | 一种基于多参数融合的人工智能虫情预测的方法 |
CN113705875A (zh) * | 2021-08-19 | 2021-11-26 | 大气候物联网科技(广州)有限公司 | 一种农作物病虫害预警方法、系统、装置及存储介质 |
CN115136827A (zh) * | 2022-05-25 | 2022-10-04 | 深圳华云信息系统有限公司 | 虫情监测方法、装置、电子设备及存储介质 |
CN115238237A (zh) * | 2022-06-08 | 2022-10-25 | 北京市农林科学院信息技术研究中心 | 虫情监测方法、装置及系统 |
CN115100471A (zh) * | 2022-06-23 | 2022-09-23 | 中储粮成都储藏研究院有限公司 | 基于移动终端的储粮害虫多维信息采集及预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117272028A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Koontz et al. | Cross-scale interaction of host tree size and climatic water deficit governs bark beetle-induced tree mortality | |
Early et al. | Forecasting the global extent of invasion of the cereal pest Spodoptera frugiperda, the fall armyworm. NeoBiota 40: 25–50 | |
del-Campo-Sanchez et al. | Quantifying the effect of Jacobiasca lybica pest on vineyards with UAVs by combining geometric and computer vision techniques | |
Gaitán | Machine learning applications for agricultural impacts under extreme events | |
CN111767802A (zh) | 一种对象异常状态的检测方法和装置 | |
Campos | Banana production in Venezuela: Novel solutions to productivity and plant health | |
Petacchi et al. | Large‐scale simulation of temperature‐dependent phenology in wintering populations of B actrocera oleae (Rossi) | |
Herbei et al. | Processing and Use of Satellite Images in Order to Extract Useful Information in Precision Agriculture. | |
Karimzadeh et al. | Analysis of the spatio-temporal distribution of Eurygaster integriceps (Hemiptera: Scutelleridae) by using spatial analysis by distance indices and geostatistics | |
Ihwagi et al. | Poaching lowers elephant path tortuosity: implications for conservation | |
CN116030343A (zh) | 一种基于机器视觉识别的农作物病虫害监管系统 | |
Souris et al. | Modeling spatial variation in risk of presence and insecticide resistance for malaria vectors in Laos | |
Vasilyevich | Machine learning methods in digital agriculture: algorithms and cases | |
Garcia et al. | A fuzzy-based index to identify suitable areas for host-parasitoid interactions: Case study of the Asian citrus psyllid Diaphorina citri and its natural enemy Tamarixia radiata | |
Motie et al. | Identification of Sunn-pest affected (Eurygaster Integriceps put.) wheat plants and their distribution in wheat fields using aerial imaging | |
Bogdan et al. | Demographic analysis of an Israeli Carpobrotus population | |
Nabwire et al. | Estimation of cold stress, plant age, and number of leaves in watermelon plants using image analysis | |
CN117272028B (zh) | 基于物联网态势感知的虫情监测方法及系统 | |
Plaza et al. | Classification of airborne multispectral imagery to quantify common vole impacts on an agricultural field | |
Peerbhay et al. | Can remote sensing detect, monitor and track baboon-damaged Pinus plantations located in South Africa? | |
Valeriano et al. | A process-based model to simulate sugarcane orange rust severity from weather data in Southern Brazil | |
CN116523182A (zh) | 一种生态果园的构建和生产管理方法、系统及存储介质 | |
Santos et al. | Local coexistence and niche differences between the Lusitanian and Mediterranean pine voles (Microtus lusitanicus and M. duodecimcostatus) | |
Dahiya et al. | An effective detection of litchi disease using deep learning | |
Yadav et al. | Crop disease prediction and solution |
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 |