CN117292174B - 苹果病害识别方法、装置、电子设备和存储介质 - Google Patents
苹果病害识别方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN117292174B CN117292174B CN202311146618.4A CN202311146618A CN117292174B CN 117292174 B CN117292174 B CN 117292174B CN 202311146618 A CN202311146618 A CN 202311146618A CN 117292174 B CN117292174 B CN 117292174B
- Authority
- CN
- China
- Prior art keywords
- disease
- occurrence
- probability
- occurrence probability
- apple
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 514
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 514
- 238000000034 method Methods 0.000 title claims abstract description 58
- 241000219998 Philenoptera violacea Species 0.000 claims abstract description 119
- 238000013145 classification model Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000013507 mapping Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 5
- 230000003902 lesion Effects 0.000 claims description 2
- 241000220225 Malus Species 0.000 description 73
- 230000035613 defoliation Effects 0.000 description 22
- 241000221785 Erysiphales Species 0.000 description 17
- 238000007405 data analysis Methods 0.000 description 17
- 235000021016 apples Nutrition 0.000 description 14
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 14
- 235000013399 edible fruits Nutrition 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 10
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 9
- 230000035784 germination Effects 0.000 description 8
- 238000000605 extraction Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 230000035558 fertility Effects 0.000 description 6
- 208000015181 infectious disease Diseases 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 244000052616 bacterial pathogen Species 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种苹果病害识别方法、装置、电子设备和存储介质,涉及数据识别技术领域。其中方法包括:将苹果叶片图像输入至病害类别分类模型,得到所述病害类别分类模型输出的多种病害类别的第一发生概率,所述病害类别分类模型是基于所述多种病害类别对应的样本苹果叶片图像训练得到的;基于所述苹果叶片图像的病害影响数据,确定多种病害类别的第二发生概率,所述病害影响数据包括苹果叶片图像对应的物候期和/或所述苹果叶片图像的拍摄位置和拍摄时间对应的气象数据;基于各所述第一发生概率和各所述第二发生概率,确定多种病害类别的总发生概率。本发明提供的方法、装置、电子设备和存储介质,可以提高苹果病害的识别准确性。
Description
技术领域
本发明涉及数据识别技术领域,尤其涉及一种苹果病害识别方法、装置、电子设备和存储介质。
背景技术
随着科技的迅速发展,人们对苹果的品质要求越来越高。苹果的相关病害是影响苹果品质和质量的重要因素,因此对苹果进行病害识别是至关重要的。传统病害识别大多是由相关专家通过经验判断,效率低下,费时费力,且过于依赖专家经验导致病害识别准确性降低,从而不能满足现代化农业要求。
目前,采集苹果叶片图像进行图像识别可以识别到大部分病害。然而,仅仅基于苹果叶片图像进行病害识别,由于苹果叶片图像无法表征其他影响病害的特征,导致苹果病害的识别准确性降低。
发明内容
本发明提供一种苹果病害识别方法、装置、电子设备和存储介质,用以解决现有技术中苹果病害的识别准确性低的缺陷,实现高准确性的苹果病害识别。
本发明提供一种苹果病害识别方法,包括:
将苹果叶片图像输入至病害类别分类模型,得到所述病害类别分类模型输出的多种病害类别的第一发生概率,所述病害类别分类模型是基于所述多种病害类别对应的样本苹果叶片图像训练得到的;
基于所述苹果叶片图像的病害影响数据,确定多种病害类别的第二发生概率,所述病害影响数据包括苹果叶片图像对应的物候期和/或所述苹果叶片图像的拍摄位置和拍摄时间对应的气象数据;
基于各所述第一发生概率和各所述第二发生概率,确定多种病害类别的总发生概率。
根据本发明提供的一种苹果病害识别方法,所述病害影响数据包括所述拍摄时间之前的所述气象数据,所述气象数据包括当前生育期内的当前气象数据和所述当前生育期的上一生育期内的历史气象数据;
所述基于所述苹果叶片图像的病害影响数据,确定多种病害类别的第二发生概率,包括:
基于所述当前气象数据与所述历史气象数据的对比结果,确定多种病害类别的第二发生概率。
根据本发明提供的一种苹果病害识别方法,所述基于所述当前气象数据与所述历史气象数据的对比结果,确定多种病害类别的第二发生概率,包括:
基于所述当前气象数据与所述历史气象数据的对比结果,以及所述多种病害类别中至少一种病害类别的历史发生情况,确定多种病害类别的第二发生概率;
其中,任一所述病害类别的历史发生情况用于表征在所述上一生育期内是否发生所述病害类别。
根据本发明提供的一种苹果病害识别方法,所述基于所述当前气象数据与所述历史气象数据的对比结果,以及所述多种病害类别中至少一种病害类别的历史发生情况,确定多种病害类别的第二发生概率,包括:
基于所述当前气象数据与所述历史气象数据的对比结果,以及所述多种病害类别中至少一种病害类别的历史发生情况,确定所述多种病害类别中至少一个第一病害类别的第二发生概率;
基于所述拍摄时间,确定所述多种病害类别中至少一个第二病害类别的第二发生概率,任一所述第二病害类别的第二发生概率是基于所述拍摄时间与所述第二病害类别对应的预设时间段的比对结果确定的。
根据本发明提供的一种苹果病害识别方法,所述病害影响数据包括所述物候期,所述基于所述苹果叶片图像的病害影响数据,确定多种病害类别的第二发生概率,包括:
基于物候期-概率映射关系,确定所述物候期对应的多种病害类别的第二发生概率;
其中,所述物候期-概率映射关系是基于样本物候期和所述样本物候期对应的多个发生概率标签确定的,所述多个发生概率标签是基于先验知识对所述样本物候期进行标注得到的。
根据本发明提供的一种苹果病害识别方法,所述基于各所述第一发生概率和各所述第二发生概率,确定多种病害类别的总发生概率,包括:
基于各所述第一发生概率分别与各所述第二发生概率的和值,确定多种病害类别的第三发生概率;
基于各所述第一发生概率和各所述第三发生概率,确定多种病害类别的总发生概率,任一所述病害类别的总发生概率是基于所述病害类别的所述第一发生概率和所述病害类别的所述第三发生概率的平均值确定的。
根据本发明提供的一种苹果病害识别方法,所述病害影响数据包括所述物候期和所述气象数据,任一所述病害类别的总发生概率是基于如下公式确定:
式中,P总表示所述总发生概率,P1表示所述第一发生概率,P2表示基于所述物候期确定的所述第二发生概率,P3表示基于所述气象数据确定的所述第二发生概率。
本发明还提供一种苹果病害识别装置,包括:
类别分类模块,用于将苹果叶片图像输入至病害类别分类模型,得到所述病害类别分类模型输出的多种病害类别的第一发生概率,所述病害类别分类模型是基于所述多种病害类别对应的样本苹果叶片图像训练得到的;
第一确定模块,用于基于所述苹果叶片图像的病害影响数据,确定多种病害类别的第二发生概率,所述病害影响数据包括苹果叶片图像对应的物候期和/或所述苹果叶片图像的拍摄位置和拍摄时间对应的气象数据;
第二确定模块,用于基于各所述第一发生概率和各所述第二发生概率,确定多种病害类别的总发生概率。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述苹果病害识别方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述苹果病害识别方法。
本发明提供的苹果病害识别方法、装置、电子设备和存储介质,将苹果叶片图像输入至病害类别分类模型,得到病害类别分类模型输出的多种病害类别的第一发生概率,病害类别分类模型是基于多种病害类别对应的样本苹果叶片图像训练得到的,从而可以识别到大部分病害,并确定病害类别的数量和种类;基于苹果叶片图像的病害影响数据,确定多种病害类别的第二发生概率,该病害影响数据包括苹果叶片图像对应的物候期和/或苹果叶片图像的拍摄位置和拍摄时间对应的气象数据,从而不仅考虑苹果叶片图像的特征信息,还考虑其对应的物候期或气象数据的特征信息,从而考虑更多影响病害的特征,以基于各第一发生概率和各第二发生概率,确定多种病害类别的总发生概率,从而基于多模态数据,融合各模态的特征信息,综合分析确定多种病害类别的总发生概率,进而提高苹果病害的识别准确性。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图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的附图。
图1为本发明提供的苹果病害识别方法的流程示意图;
图2为本发明提供的苹果病害识别装置的结构示意图;
图3为本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。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。
随着科技的迅速发展,人们对苹果的品质要求越来越高。苹果的相关病害是影响苹果品质和质量的重要因素,因此对苹果进行病害识别是至关重要的。传统病害识别大多是由相关专家通过经验判断,效率低下,费时费力,且过于依赖专家经验导致病害识别准确性降低,从而不能满足现代化农业要求。
目前,采集苹果叶片图像进行图像识别可以识别到大部分病害。然而,仅仅基于苹果叶片图像进行病害识别,由于苹果叶片图像无法表征其他影响病害的特征,即仅仅基于苹果叶片图像的纹理、形状、大小、颜色等特征进行病害识别,而没有考虑影响病害的相关数据,导致苹果病害的识别准确性降低。例如,有些病害在苹果生长前期很难发现,即在苹果叶片图像上很难发现,或者有些不同种类的病害从苹果叶片图像上看没什么差异,即图像特征相同但实际为不同类型的病害类别,因此仅仅基于苹果叶片图像进行病害识别准确性低下。
虽然现有技术中存在苹果病害识别的改进,但是其仅仅涉及病害识别模型的模型改进,仍仅基于苹果叶片图像进行病害识别。例如,CN115249329A-一种基于深度学习的苹果叶片病害检测方法,其通过改进PANet网络增加小目标检测层,提升了对复杂背景下小目标叶片病害的识别准确性;CN114819052A-一种基于改进YOLOv5模型的苹果病害识别方法,其对模型进行轻量化改进,使模型达到轻量化、储存占用低、识别速度快且精准度高;CN111860330A-一种基于多特征融合和卷积神经网络的苹果叶部病害识别方法,将叶片分为多个区域进行特征提取最后再将特征融合到一起进行检测,可以提高准确率。然而,上述各方案仍存在上述问题。
针对上述问题,本发明提出以下各实施例。图1为本发明提供的苹果病害识别方法的流程示意图,如图1所示,该苹果病害识别方法包括:
步骤110,将苹果叶片图像输入至病害类别分类模型,得到所述病害类别分类模型输出的多种病害类别的第一发生概率。
其中,所述病害类别分类模型是基于所述多种病害类别对应的样本苹果叶片图像训练得到的。
此处,苹果叶片图像为待病害识别苹果的叶片图像,该苹果叶片图像为待病害识别的叶片图像。该苹果叶片图像是通过对实地的苹果叶片进行拍摄得到。在一实施例中,可以通过手机拍摄得到,从而实现快速便捷的苹果病害识别。
此处,多种病害类别可以为所需识别的病害类别,当然其也可以为苹果的所有病害类别。例如,多种病害类别可以包括但不限于以下至少一种:白粉病、落叶病、腐烂病、锈病、炭疽叶枯病、褐斑病等等。可以理解的是,多种病害类别的数量决定病害类别分类模型的分类情况,例如,准备好6种病害类别对应的样本苹果叶片图像训练得到的病害类别分类模型为6分类模型。
在一实施例中,病害类别分类模型是基于多种病害类别对应的样本苹果叶片图像和各样本苹果叶片图像对应的标注后的病害类别标签训练得到的。在另一实施例中,病害类别分类模型是基于多种病害类别对应的样本苹果叶片图像和各样本苹果叶片图像对应的标注后的发生概率标签训练得到的。
需要说明的是,每种病害类别对应一个第一发生概率,多种病害类别的第一发生概率的和为1。
在一具体实施例中,将苹果叶片图像输入至病害类别分类模型的特征提取层,得到该特征提取层输出的病害特征,将该病害特征输入至病害类别分类模型的分类层,得到该分类层输出的多种病害类别的第一发生概率。进一步地,可以将病害特征输入至目标检测模型,得到目标检测模型输出的多种病害类别的病害位置,以实现病害定位。
例如,苹果叶片图像先经过主干网络(Backbone)进行一系列的卷积特征提取,得到苹果叶片图像的病害特征,然后再进行Neck部分的特征融合,最后将融合后的特征进行边框回归和病害类别分类,得到每种病害类别的识别概率(第一发生概率)和每种病害类别的病害位置。进一步地,Neck使用FPN(Feature Pyramid Networks,特征金字塔),以将网络不同层进行融合,从而能够在不同特征层上进行病害识别和目标检测,以提高目标检测的准确性和病害识别的准确性。
步骤120,基于所述苹果叶片图像的病害影响数据,确定多种病害类别的第二发生概率,所述病害影响数据包括苹果叶片图像对应的物候期和/或所述苹果叶片图像的拍摄位置和拍摄时间对应的气象数据。
此处,病害影响数据为影响病害发生的数据,且该病害影响数据为该苹果叶片图像相关的数据。苹果叶片图像的拍摄位置为苹果叶片图像所处的位置,即其为待识别苹果所处的位置。在一实施例中,通过手机拍照得到苹果叶片图像,则拍摄位置可以基于手机的定位位置。
在一些实施例中,苹果叶片图像对应的物候期是基于苹果叶片图像进行物候期预测得到的。具体地,将苹果叶片图像输入至物候期预测模型,得到物候期预测模型输出的物候期;该物候期预测模型是基于样本苹果叶片图像和该样本苹果叶片图像对应的物候期标签训练得到的。
示例性的,将苹果叶片图像输入至物候期预测模型的特征提取层,得到该特征提取层输出的图像特征,将该图像特征输入至物候期预测模型的分类层,得到该分类层输出的物候期。例如,利用VGG16作为特征提取层,将苹果叶片图像编码成5×1维度的图像特征,利用分类层计算出每个物候期的概率,进而识别的物候期。
在一实施例中,样本苹果叶片图像包括苹果不同物候期的叶片图像,该不同物候期可以包括但不限于:萌芽期、花期、果实膨大期、成熟期、落叶期等等。
此处,气象数据可以包括但不限于以下至少一种:气温、降雨量、风量等等。
在一些实施例中,在病害影响数据包括气象数据,且气象数据包括当前生育期内的当前气象数据的情况下,基于当前气象数据与该拍摄位置对应的各预设气象阈值的对比结果,确定多种病害类别的第二发生概率。该当前生育期为苹果叶片图像对应苹果的生育期(生长期)。不同病害类别对应不同预设气象阈值。
在一实施例中,各预设气象阈值是基于先验知识确定的,该先验知识是基于历史病害发生的时间和历史气象数据确定的,该历史病害为苹果叶片图像的拍摄位置对应的病害,以确保各预设气象阈值的确定准确性。可以理解的是,根据历史病害发生的时间、地点、气象环境等因素,确定某时刻、某地块、某气象环境下某种病害发生的概率,从而确定各地块对应的各预设气象阈值。
例如,对于白粉病而言,根据该拍摄位置对应的历史病害的发生时间和历史气象数据分析得到白粉病的发生规律,从而基于该发生规律确定白粉病对应的预设气象阈值。如该发生规律为“4月至9月为病害发生期,4月至5月气温较低为病害发生盛期,9月再次为发病高峰”,基于此,如果基于当前气象数据确定的4月平均气温小于白粉病对应的预设气象阈值,则该白粉病的第二发生概率为高概率,反之则为低概率,高概率大于低概率。在一实施例中,高概率为1,低概率为0.5。
例如,对于落叶病而言,根据该拍摄位置对应的历史病害的发生时间和历史气象数据分析得到落叶病的发生规律,从而基于该发生规律确定落叶病对应的预设气象阈值。如该发生规律为“4月下至6月上,以及9月,苹果开花后,病原菌萌发,遇到雨水传播,浸染新生叶片”,基于此,如果基于当前气象数据确定的4月20日至6月10日的平均降雨量大于落叶病对应的预设气象阈值,则该落叶病的第二发生概率为高概率,反之则为低概率,高概率大于低概率。在一实施例中,高概率为1,低概率为0.5。
例如,对于锈病而言,根据该拍摄位置对应的历史病害的发生时间和历史气象数据分析得到锈病的发生规律,从而基于该发生规律确定锈病对应的预设气象阈值。如该发生规律为“通过风雨传播”,基于此,如果当期的风雨量(总风雨量或平均风雨量)大于锈病对应的预设气象阈值,则该锈病的第二发生概率为高概率,反之则为低概率,高概率大于低概率。在一实施例中,高概率为1,低概率为0.5。其中,当期为拍摄时间之前的一段时间,例如,当期为拍摄时间之前的一个月,如拍摄时间是4月21日,则当期为3月21日至4月21日。
例如,对于褐斑病而言,根据该拍摄位置对应的历史病害的发生时间和历史气象数据分析得到褐斑病的发生规律,从而基于该发生规律确定褐斑病对应的预设气象阈值。如该发生规律为“4月份感染,5月份传染,7月份发病,8月份落叶,一般在多雨天气发生褐斑病”,基于此,如果当期的雨量大于褐斑病对应的预设气象阈值,则该褐斑病的第二发生概率为高概率,反之则为低概率,高概率大于低概率。在一实施例中,高概率为1,低概率为0.5。
例如,对于炭疽叶枯病而言,根据该拍摄位置对应的历史病害的发生时间和历史气象数据分析得到炭疽叶枯病的发生规律,从而基于该发生规律确定炭疽叶枯病对应的预设气象阈值。如该发生规律为“6月至8月最适宜发生,温度30度左右,雨水充沛”,基于此,如果6月至8月的雨量大于炭疽叶枯病对应的预设气象阈值,则该炭疽叶枯病的第二发生概率为高概率,反之则为低概率,高概率大于低概率。在一实施例中,高概率为1,低概率为0.5。
进一步地,有些病害类别可以不基于气象数据的对比结果确定第二发生概率,这些病害类别可以确定为第二病害类别。基于此,基于拍摄时间与该第二病害类别对应的预设时间段的比对结果,确定该第二病害类别的第二发生概率。例如,对于腐烂病而言,根据该拍摄位置对应的历史病害的发生时间分析得到腐烂病的发生规律,从而基于该发生规律确定腐烂病对应的预设时间段。如该发生规律为“3月至4月高峰期,7月至9月高峰期”,基于此,如果拍摄时间在3月至4月或7月至9月,则该腐烂病的第二发生概率为高概率,反之则为低概率,高概率大于低概率。在一实施例中,高概率为1,低概率为0.5。
进一步地,有些病害类别还可以基于当前气象数据确定第二发生概率,这些病害类别可以确定为第三病害类别。基于此,基于当前气象数据,以及当前气象数据与第三病害类别对应的预设气象阈值的对比结果,确定该第三病害类别的第二发生概率。例如,对于炭疽叶枯病而言,根据该拍摄位置对应的历史病害的发生时间和历史气象数据分析得到炭疽叶枯病的发生规律,从而基于该发生规律确定炭疽叶枯病对应的预设气象阈值。如该发生规律为“6月至8月最适宜发生,温度30度左右,雨水充沛”,基于此,如果6月至8月的雨量大于炭疽叶枯病对应的预设气象阈值,且在6月至8月之间,当期的平均温度在25度至35度之间,则该炭疽叶枯病的第二发生概率为高概率,反之则为低概率,高概率大于低概率。在一实施例中,高概率为1,低概率为0.5。
在另一些实施例中,在病害影响数据包括气象数据,且气象数据包括当前生育期内的当前气象数据和当前生育期的上一生育期内的历史气象数据的情况下,基于当前气象数据与历史气象数据的对比结果,确定多种病害类别的第二发生概率。该当前气象数据可以包括拍摄时间之前的气象数据,还可以包括拍摄时间之后预报得到的气象数据。该实施例的具体执行过程可以参照下述实施例,此处不再赘述。
在一些实施例中,在病害影响数据包括物候期的情况下,基于物候期-概率映射关系,确定该物候期对应的多种病害类别的第二发生概率。该物候期-概率映射关系是预先根据实际需求进行设定的。该实施例的具体执行过程可以参照下述实施例,此处不再赘述。
步骤130,基于各所述第一发生概率和各所述第二发生概率,确定多种病害类别的总发生概率。
具体地,综合同一病害类别的第一发生概率和第二发生概率,确定该病害类别的总发生概率。
在一实施例中,基于各第一发生概率分别与各第二发生概率的和值,确定多种病害类别的第三发生概率;基于各第一发生概率和各第三发生概率,确定多种病害类别的总发生概率。
在另一实施例中,基于各第一发生概率分别与各第二发生概率的平均值,确定多种病害类别的总发生概率。
示例性的,在病害影响数据包括物候期和气象数据的情况下,任一病害类别的总发生概率是基于如下公式确定:
式中,P总表示总发生概率,P1表示第一发生概率,P2表示基于物候期确定的第二发生概率,P3表示基于气象数据确定的第二发生概率。
在另一实施例中,基于各第一发生概率分别与各第二发生概率的乘积值,确定多种病害类别的总发生概率。
当然,还可以通过其他方式确定总发生概率,此处不再一一赘述。
在一实施例中,从各总发生概率中确定出最大的最大发生概率,将最大发生概率对应的病害类别确定为病害识别结果。
在另一实施例中,从各总发生概率中确定出大于预设概率阈值的目标发生概率,将目标发生概率对应的病害类别确定为病害识别结果。
本发明实施例提供的苹果病害识别方法,将苹果叶片图像输入至病害类别分类模型,得到病害类别分类模型输出的多种病害类别的第一发生概率,病害类别分类模型是基于多种病害类别对应的样本苹果叶片图像训练得到的,从而可以识别到大部分病害,并确定病害类别的数量和种类;基于苹果叶片图像的病害影响数据,确定多种病害类别的第二发生概率,该病害影响数据包括苹果叶片图像对应的物候期和/或苹果叶片图像的拍摄位置和拍摄时间对应的气象数据,从而不仅考虑苹果叶片图像的特征信息,还考虑其对应的物候期或气象数据的特征信息,从而考虑更多影响病害的特征,以基于各第一发生概率和各第二发生概率,确定多种病害类别的总发生概率,从而基于多模态数据,融合各模态的特征信息,综合分析确定多种病害类别的总发生概率,进而提高苹果病害的识别准确性。
基于上述任一实施例,所述病害影响数据包括所述拍摄时间之前的所述气象数据,所述气象数据包括当前生育期内的当前气象数据和所述当前生育期的上一生育期内的历史气象数据。
此处,当前生育期为苹果叶片图像对应苹果的生育期(生长期),例如,今年的4月初至11月底为当前生育期,上一生育期为上一年的4月初至11月底。
相应地,上述步骤120包括:
基于所述当前气象数据与所述历史气象数据的对比结果,确定多种病害类别的第二发生概率。
需要说明的是,该对比结果包括两种情况,相应的,第二发生概率也为两种情况,如高概率和低概率,高概率大于低概率。在一实施例中,高概率为1,低概率为0.5。怎样的对比结果对应怎样的第二发生概率可以基于先验知识确定,先验知识是基于历史病害发生的时间和历史气象数据确定的,该历史病害为苹果叶片图像的拍摄位置对应的病害,以确保对比的准确性。可以理解的是,根据历史病害发生的时间、地点、气象环境等因素,确定某时刻、某地块、某气象环境下某种病害发生的概率,从而确定对比结果与第二发生概率的对应关系。
例如,对于白粉病而言,根据该拍摄位置对应的历史病害的发生时间和历史气象数据分析得到白粉病的发生规律,从而基于该发生规律确定对比结果与第二发生概率的对应关系。如该发生规律为“4月至9月为病害发生期,4月至5月气温较低为病害发生盛期,9月再次为发病高峰”,基于此,如果基于当前气象数据确定的4月平均气温小于基于上一生育期内的历史气象数确定的4月平均气温,则该白粉病的第二发生概率为高概率,反之则为低概率,高概率大于低概率。在一实施例中,高概率为1,低概率为0.5。
进一步地,若拍摄时间在4月1日之前,则白粉病对应的第二发生概率为低概率。若拍摄时间在4月1日之后,则4月平均气温以目前的天数进行计算,如拍摄时间为4月15日,则4月平均气温为4月1日至4月15日的平均气温。
例如,对于落叶病而言,根据该拍摄位置对应的历史病害的发生时间和历史气象数据分析得到落叶病的发生规律,从而基于该发生规律确定对比结果与第二发生概率的对应关系。如该发生规律为“4月下至6月上,以及9月,苹果开花后,病原菌萌发,遇到雨水传播,浸染新生叶片”,基于此,如果基于当前气象数据确定的4月20日至6月10日的平均降雨量大于基于上一生育期内的历史气象数确定的4月20日至6月10日的平均降雨量,则该落叶病的第二发生概率为高概率,反之则为低概率,高概率大于低概率。在一实施例中,高概率为1,低概率为0.5。
进一步地,若拍摄时间在4月20日之前,则落叶病对应的第二发生概率为低概率。若拍摄时间在4月20日之后,则平均降雨量以目前的天数进行计算,如拍摄时间为4月25日,则平均降雨量为4月20日至4月25日的平均降雨量。
例如,对于锈病而言,根据该拍摄位置对应的历史病害的发生时间和历史气象数据分析得到锈病的发生规律,从而基于该发生规律确定对比结果与第二发生概率的对应关系。如该发生规律为“通过风雨传播”,基于此,如果基于当前气象数据确定的当期的风雨量(总风雨量或平均风雨量)大于基于上一生育期内的历史气象数确定的同期的风雨量,则该锈病的第二发生概率为高概率,反之则为低概率,高概率大于低概率。在一实施例中,高概率为1,低概率为0.5。其中,当期为拍摄时间之前的一段时间,例如,当期为拍摄时间之前的一个月,如拍摄时间是4月21日,则当期为3月21日至4月21日。
例如,对于褐斑病而言,根据该拍摄位置对应的历史病害的发生时间和历史气象数据分析得到褐斑病的发生规律,从而基于该发生规律确定对比结果与第二发生概率的对应关系。如该发生规律为“4月份感染,5月份传染,7月份发病,8月份落叶,一般在多雨天气发生褐斑病”,基于此,如果基于当前气象数据确定的当期的雨量大于基于上一生育期内的历史气象数确定的同期的雨量,则该褐斑病的第二发生概率为高概率,反之则为低概率,高概率大于低概率。在一实施例中,高概率为1,低概率为0.5。
例如,对于炭疽叶枯病而言,根据该拍摄位置对应的历史病害的发生时间和历史气象数据分析得到炭疽叶枯病的发生规律,从而基于该发生规律确定对比结果与第二发生概率的对应关系。如该发生规律为“6月至8月最适宜发生,温度30度左右,雨水充沛”,基于此,如果基于当前气象数据确定的6月至8月的雨量大于基于上一生育期内的历史气象数确定的6月至8月的雨量,则该炭疽叶枯病的第二发生概率为高概率,反之则为低概率,高概率大于低概率。在一实施例中,高概率为1,低概率为0.5。
进一步地,若拍摄时间在6月1日之前,则落叶病对应的第二发生概率为低概率。若拍摄时间在6月1日之后,则6月至8月的雨量以目前的天数进行计算,如拍摄时间为7月1日,则6月至8月的雨量为6月1日至7月1日的雨量。
进一步地,有些病害类别还可以基于当前气象数据确定第二发生概率,这些病害类别可以确定为第三病害类别。基于此,基于当前气象数据,以及当前气象数据与历史气象数据的对比结果,确定该第三病害类别的第二发生概率。例如,对于炭疽叶枯病而言,根据该拍摄位置对应的历史病害的发生时间和历史气象数据分析得到炭疽叶枯病的发生规律,从而基于该发生规律确定对比结果与第二发生概率的对应关系。如该发生规律为“6月至8月最适宜发生,温度30度左右,雨水充沛”,基于此,如果基于当前气象数据确定的6月至8月的雨量大于基于上一生育期内的历史气象数确定的6月至8月的雨量,且在6月至8月之间,当期的平均温度在25度至35度之间,则该炭疽叶枯病的第二发生概率为高概率,反之则为低概率,高概率大于低概率。在一实施例中,高概率为1,低概率为0.5。
本发明实施例提供的苹果病害识别方法,基于当前气象数据与历史气象数据的对比结果,确定多种病害类别的第二发生概率,从而不仅考虑病害发生时的表现特征(即苹果叶片图像的图像特征),还考虑历史病害发生规律,即不仅考虑苹果叶片图像的特征信息,还考虑其对应气象数据的特征信息,从而考虑更多影响病害的特征,即从多个维度综合考虑,进而提高苹果病害的识别准确性。
基于上述任一实施例,该方法中,所述基于所述当前气象数据与所述历史气象数据的对比结果,确定多种病害类别的第二发生概率,包括:
基于所述当前气象数据与所述历史气象数据的对比结果,以及所述多种病害类别中至少一种病害类别的历史发生情况,确定多种病害类别的第二发生概率;
其中,任一所述病害类别的历史发生情况用于表征在所述上一生育期内是否发生所述病害类别。
需要说明的是,有些病害类别可以以上一生育期的历史发生情况为基准,以基于该对比结果更好地确定该病害类别的第二发生概率。
例如,对于白粉病而言,根据该拍摄位置对应的历史病害的发生时间和历史气象数据分析得到白粉病的发生规律,从而基于该发生规律确定对比结果与第二发生概率的对应关系。如该发生规律为“4月至9月为病害发生期,4月至5月气温较低为病害发生盛期,9月再次为发病高峰”,基于此,如果基于当前气象数据确定的4月平均气温小于基于上一生育期内的历史气象数确定的4月平均气温,且该白粉病的历史发生情况为发生,则该白粉病的第二发生概率为高概率,反之则为低概率,高概率大于低概率。在一实施例中,高概率为1,低概率为0.5。
例如,对于落叶病而言,根据该拍摄位置对应的历史病害的发生时间和历史气象数据分析得到落叶病的发生规律,从而基于该发生规律确定对比结果与第二发生概率的对应关系。如该发生规律为“4月下至6月上,以及9月,苹果开花后,病原菌萌发,遇到雨水传播,浸染新生叶片”,基于此,如果基于当前气象数据确定的4月20日至6月10日的平均降雨量大于基于上一生育期内的历史气象数确定的4月20日至6月10日的平均降雨量,且该落叶病的历史发生情况为发生,则该落叶病的第二发生概率为高概率,反之则为低概率,高概率大于低概率。在一实施例中,高概率为1,低概率为0.5。
例如,对于锈病而言,根据该拍摄位置对应的历史病害的发生时间和历史气象数据分析得到锈病的发生规律,从而基于该发生规律确定对比结果与第二发生概率的对应关系。如该发生规律为“通过风雨传播”,基于此,如果基于当前气象数据确定的当期的风雨量(总风雨量或平均风雨量)大于基于上一生育期内的历史气象数确定的同期的风雨量,且该锈病的历史发生情况为发生,则该锈病的第二发生概率为高概率,反之则为低概率,高概率大于低概率。在一实施例中,高概率为1,低概率为0.5。其中,当期为拍摄时间之前的一段时间,例如,当期为拍摄时间之前的一个月,如拍摄时间是4月21日,则当期为3月21日至4月21日。
例如,对于褐斑病而言,根据该拍摄位置对应的历史病害的发生时间和历史气象数据分析得到褐斑病的发生规律,从而基于该发生规律确定对比结果与第二发生概率的对应关系。如该发生规律为“4月份感染,5月份传染,7月份发病,8月份落叶,一般在多雨天气发生褐斑病”,基于此,如果基于当前气象数据确定的当期的雨量大于基于上一生育期内的历史气象数确定的同期的雨量,且该褐斑病的历史发生情况为发生,则该褐斑病的第二发生概率为高概率,反之则为低概率,高概率大于低概率。在一实施例中,高概率为1,低概率为0.5。
例如,对于炭疽叶枯病而言,根据该拍摄位置对应的历史病害的发生时间和历史气象数据分析得到炭疽叶枯病的发生规律,从而基于该发生规律确定对比结果与第二发生概率的对应关系。如该发生规律为“6月至8月最适宜发生,温度30度左右,雨水充沛”,基于此,如果基于当前气象数据确定的6月至8月的雨量大于基于上一生育期内的历史气象数确定的6月至8月的雨量,且该炭疽叶枯病的历史发生情况为发生,则该炭疽叶枯病的第二发生概率为高概率,反之则为低概率,高概率大于低概率。在一实施例中,高概率为1,低概率为0.5。
本发明实施例提供的苹果病害识别方法,基于当前气象数据与历史气象数据的对比结果,以及多种病害类别中至少一种病害类别的历史发生情况,确定多种病害类别的第二发生概率,任一病害类别的历史发生情况用于表征在上一生育期内是否发生该病害类别,以使有些病害类别可以以上一生育期的历史发生情况为基准,并参考对比结果,更为准确地确定该病害类别的第二发生概率,进而进一步提高苹果病害的识别准确性。
基于上述任一实施例,该方法中,所述基于所述当前气象数据与所述历史气象数据的对比结果,以及所述多种病害类别中至少一种病害类别的历史发生情况,确定多种病害类别的第二发生概率,包括:
基于所述当前气象数据与所述历史气象数据的对比结果,以及所述多种病害类别中至少一种病害类别的历史发生情况,确定所述多种病害类别中至少一个第一病害类别的第二发生概率;
基于所述拍摄时间,确定所述多种病害类别中至少一个第二病害类别的第二发生概率,任一所述第二病害类别的第二发生概率是基于所述拍摄时间与所述第二病害类别对应的预设时间段的比对结果确定的。
此处,多种病害类别包括至少一个第一病害类别和至少一个第二病害类别。
例如,对于腐烂病而言,根据该拍摄位置对应的历史病害的发生时间分析得到腐烂病的发生规律,从而基于该发生规律确定腐烂病对应的预设时间段。如该发生规律为“3月至4月高峰期,7月至9月高峰期”,基于此,如果拍摄时间在3月至4月或7月至9月,则该腐烂病的第二发生概率为高概率,反之则为低概率,高概率大于低概率。在一实施例中,高概率为1,低概率为0.5。即腐烂病对应的预设时间段包括3月至4月和7月至9月。
本发明实施例提供的苹果病害识别方法,基于拍摄时间,确定多种病害类别中至少一个第二病害类别的第二发生概率,任一第二病害类别的第二发生概率是基于拍摄时间与第二病害类别对应的预设时间段的比对结果确定的,从而不仅考虑病害发生时的表现特征,还考虑历史病害发生规律,即不仅考虑苹果叶片图像的特征信息,还考虑其对应的拍摄时间,从而考虑更多影响病害的特征,即从多个维度综合考虑,进而提高苹果病害的识别准确性。
基于上述任一实施例,所述病害影响数据包括所述物候期,所述基于所述苹果叶片图像的病害影响数据,确定多种病害类别的第二发生概率,包括:
基于物候期-概率映射关系,确定所述物候期对应的多种病害类别的第二发生概率;
其中,所述物候期-概率映射关系是基于样本物候期和所述样本物候期对应的多个发生概率标签确定的,所述多个发生概率标签是基于先验知识对所述样本物候期进行标注得到的。
此处,该先验知识是基于历史病害发生的物候期确定的。可以理解的是,根据历史病害发生的物候期,确定不同物候期对应的病害类型。
例如,对于萌芽期而言,根据历史病害发生的物候期分析得到萌芽期的图像特征,从而基于该图像特征确定萌芽期对应的多种病害类别的第二发生概率。如该图像特征为“叶片小、浅绿”,基于此,萌芽期对应的白粉病的第二发生概率为有发生概率,萌芽期对应的落叶病的第二发生概率为有发生概率,萌芽期对应的腐烂病的第二发生概率为有发生概率,萌芽期对应的其他病害类别的第二发生概率为无发生概率,有发生概率大于无发生概率。在一实施例中,有发生概率为1,无发生概率为0。
例如,对于花期而言,根据历史病害发生的物候期分析得到花期的图像特征,从而基于该图像特征确定花期对应的多种病害类别的第二发生概率。如该图像特征为“叶片浅绿、有花”,基于此,花期对应的白粉病的第二发生概率为有发生概率,花期对应的落叶病的第二发生概率为有发生概率,花期对应的腐烂病的第二发生概率为有发生概率,花期对应的锈病的第二发生概率为有发生概率,花期对应的其他病害类别的第二发生概率为无发生概率,有发生概率大于无发生概率。在一实施例中,有发生概率为1,无发生概率为0。
例如,对于果实膨大期而言,根据历史病害发生的物候期分析得到果实膨大期的图像特征,从而基于该图像特征确定果实膨大期对应的多种病害类别的第二发生概率。如该图像特征为“叶片绿、果实小”,基于此,果实膨大期对应的白粉病的第二发生概率为有发生概率,果实膨大期对应的落叶病的第二发生概率为有发生概率,果实膨大期对应的褐斑病的第二发生概率为有发生概率,果实膨大期对应的炭疽叶枯病的第二发生概率为有发生概率,果实膨大期对应的其他病害类别的第二发生概率为无发生概率,有发生概率大于无发生概率。在一实施例中,有发生概率为1,无发生概率为0。
例如,对于成熟期而言,根据历史病害发生的物候期分析得到成熟期的图像特征,从而基于该图像特征确定成熟期对应的多种病害类别的第二发生概率。如该图像特征为“叶片深绿、果实大”,基于此,成熟期对应的腐烂病的第二发生概率为有发生概率,成熟期对应的其他病害类别的第二发生概率为无发生概率,有发生概率大于无发生概率。在一实施例中,有发生概率为1,无发生概率为0。
例如,对于落叶期而言,根据历史病害发生的物候期分析得到落叶期的图像特征,从而基于该图像特征确定落叶期对应的多种病害类别的第二发生概率。如该图像特征为“叶片发黑、发黄”,基于此,落叶期对应的腐烂病的第二发生概率为有发生概率,落叶期对应的其他病害类别的第二发生概率为无发生概率,有发生概率大于无发生概率。在一实施例中,有发生概率为1,无发生概率为0。
本发明实施例提供的苹果病害识别方法,基于物候期-概率映射关系,确定物候期对应的多种病害类别的第二发生概率,该物候期-概率映射关系是基于样本物候期和样本物候期对应的多个发生概率标签确定的,多个发生概率标签是基于先验知识对样本物候期进行标注得到的,从而加入一些先验知识,不仅考虑病害发生时的表现特征,还考虑历史病害发生规律,即不仅考虑苹果叶片图像的特征信息,还考虑其对应的物候期,从而考虑更多影响病害的特征,即从多个维度综合考虑,进而提高苹果病害的识别准确性。
基于上述任一实施例,该方法中,上述步骤130包括:
基于各所述第一发生概率分别与各所述第二发生概率的和值,确定多种病害类别的第三发生概率;
基于各所述第一发生概率和各所述第三发生概率,确定多种病害类别的总发生概率,任一所述病害类别的总发生概率是基于所述病害类别的所述第一发生概率和所述病害类别的所述第三发生概率的平均值确定的。
具体地,基于同一病害类别的第一发生概率和第二发生概率,确定该病害类别的第三发生概率;基于同一病害类别的第一发生概率和第三发生概率,确定该病害类别的总发生概率。可以直接将该和值确定为第三发生概率,也可以对该和值做进一步的数据处理得到第三发生概率。可以直接将该平均值确定为总发生概率,也可以对该平均值做进一步的数据处理得到总发生概率。
本发明实施例提供的苹果病害识别方法,在考虑苹果叶片图像对应的物候期或气象数据的特征信息的同时,基于各第一发生概率分别与各第二发生概率的和值,确定多种病害类别的第三发生概率,基于各第一发生概率和各第三发生概率,确定多种病害类别的总发生概率,任一病害类别的总发生概率是基于病害类别的第一发生概率和病害类别的第三发生概率的平均值确定的,从而以苹果叶片图像对应的第一发生概率为基准概率,以将各模态数据对应的发生概率进行融合,得到更为准确的总发生概率,进而进一步提高苹果病害的识别准确性。
基于上述任一实施例,所述病害影响数据包括所述物候期和所述气象数据,任一所述病害类别的总发生概率是基于如下公式确定:
式中,P总表示所述总发生概率,P1表示所述第一发生概率,P2表示基于所述物候期确定的所述第二发生概率,P3表示基于所述气象数据确定的所述第二发生概率。
换言之,任一所述病害类别的总发生概率是基于如下公式确定:
式中,P总表示所述总发生概率,P1表示所述第一发生概率,P4表示基于所述物候期确定的所述第三发生概率,P4=P1+P2,P2表示基于所述物候期确定的所述第二发生概率,P5表示基于所述气象数据确定的所述第三发生概率,P5=P1+P3,P3表示基于所述气象数据确定的所述第二发生概率。
本发明实施例提供的苹果病害识别方法,在考虑苹果叶片图像对应的物候期和气象数据的特征信息的同时,以苹果叶片图像对应的第一发生概率为基准概率,以将各模态数据对应的发生概率进行融合,得到更为准确的总发生概率,进而进一步提高苹果病害的识别准确性。
下面对本发明提供的苹果病害识别装置进行描述,下文描述的苹果病害识别装置与上文描述的苹果病害识别方法可相互对应参照。
图2为本发明提供的苹果病害识别装置的结构示意图,如图2所示,该苹果病害识别装置,包括:
类别分类模块210,用于将苹果叶片图像输入至病害类别分类模型,得到所述病害类别分类模型输出的多种病害类别的第一发生概率,所述病害类别分类模型是基于所述多种病害类别对应的样本苹果叶片图像训练得到的;
第一确定模块220,用于基于所述苹果叶片图像的病害影响数据,确定多种病害类别的第二发生概率,所述病害影响数据包括苹果叶片图像对应的物候期和/或所述苹果叶片图像的拍摄位置和拍摄时间对应的气象数据;
第二确定模块230,用于基于各所述第一发生概率和各所述第二发生概率,确定多种病害类别的总发生概率。
本发明实施例提供的苹果病害识别装置,将苹果叶片图像输入至病害类别分类模型,得到病害类别分类模型输出的多种病害类别的第一发生概率,病害类别分类模型是基于多种病害类别对应的样本苹果叶片图像训练得到的,从而可以识别到大部分病害,并确定病害类别的数量和种类;基于苹果叶片图像的病害影响数据,确定多种病害类别的第二发生概率,该病害影响数据包括苹果叶片图像对应的物候期和/或苹果叶片图像的拍摄位置和拍摄时间对应的气象数据,从而不仅考虑苹果叶片图像的特征信息,还考虑其对应的物候期或气象数据的特征信息,从而考虑更多影响病害的特征,以基于各第一发生概率和各第二发生概率,确定多种病害类别的总发生概率,从而基于多模态数据,融合各模态的特征信息,综合分析确定多种病害类别的总发生概率,进而提高苹果病害的识别准确性。
基于上述任一实施例,所述病害影响数据包括所述拍摄时间之前的所述气象数据,所述气象数据包括当前生育期内的当前气象数据和所述当前生育期的上一生育期内的历史气象数据;该第一确定模块220还用于:
基于所述当前气象数据与所述历史气象数据的对比结果,确定多种病害类别的第二发生概率。
基于上述任一实施例,该第一确定模块220还用于:
基于所述当前气象数据与所述历史气象数据的对比结果,以及所述多种病害类别中至少一种病害类别的历史发生情况,确定多种病害类别的第二发生概率;
其中,任一所述病害类别的历史发生情况用于表征在所述上一生育期内是否发生所述病害类别。
基于上述任一实施例,该第一确定模块220还用于:
基于所述当前气象数据与所述历史气象数据的对比结果,以及所述多种病害类别中至少一种病害类别的历史发生情况,确定所述多种病害类别中至少一个第一病害类别的第二发生概率;
基于所述拍摄时间,确定所述多种病害类别中至少一个第二病害类别的第二发生概率,任一所述第二病害类别的第二发生概率是基于所述拍摄时间与所述第二病害类别对应的预设时间段的比对结果确定的。
基于上述任一实施例,所述病害影响数据包括所述物候期,该第一确定模块220还用于:
基于物候期-概率映射关系,确定所述物候期对应的多种病害类别的第二发生概率;
其中,所述物候期-概率映射关系是基于样本物候期和所述样本物候期对应的多个发生概率标签确定的,所述多个发生概率标签是基于先验知识对所述样本物候期进行标注得到的。
基于上述任一实施例,该第二确定模块230还用于:
基于各所述第一发生概率分别与各所述第二发生概率的和值,确定多种病害类别的第三发生概率;
基于各所述第一发生概率和各所述第三发生概率,确定多种病害类别的总发生概率,任一所述病害类别的总发生概率是基于所述病害类别的所述第一发生概率和所述病害类别的所述第三发生概率的平均值确定的。
基于上述任一实施例,所述病害影响数据包括所述物候期和所述气象数据,任一所述病害类别的总发生概率是基于如下公式确定:
式中,P总表示所述总发生概率,P1表示所述第一发生概率,P2表示基于所述物候期确定的所述第二发生概率,P3表示基于所述气象数据确定的所述第二发生概率。
图3示例了一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行苹果病害识别方法,该方法包括:将苹果叶片图像输入至病害类别分类模型,得到所述病害类别分类模型输出的多种病害类别的第一发生概率,所述病害类别分类模型是基于所述多种病害类别对应的样本苹果叶片图像训练得到的;基于所述苹果叶片图像的病害影响数据,确定多种病害类别的第二发生概率,所述病害影响数据包括苹果叶片图像对应的物候期和/或所述苹果叶片图像的拍摄位置和拍摄时间对应的气象数据;基于各所述第一发生概率和各所述第二发生概率,确定多种病害类别的总发生概率。
此外,上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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步骤。而前述的存储介质包括:U盘、移动硬盘、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。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的苹果病害识别方法,该方法包括:将苹果叶片图像输入至病害类别分类模型,得到所述病害类别分类模型输出的多种病害类别的第一发生概率,所述病害类别分类模型是基于所述多种病害类别对应的样本苹果叶片图像训练得到的;基于所述苹果叶片图像的病害影响数据,确定多种病害类别的第二发生概率,所述病害影响数据包括苹果叶片图像对应的物候期和/或所述苹果叶片图像的拍摄位置和拍摄时间对应的气象数据;基于各所述第一发生概率和各所述第二发生概率,确定多种病害类别的总发生概率。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的苹果病害识别方法,该方法包括:将苹果叶片图像输入至病害类别分类模型,得到所述病害类别分类模型输出的多种病害类别的第一发生概率,所述病害类别分类模型是基于所述多种病害类别对应的样本苹果叶片图像训练得到的;基于所述苹果叶片图像的病害影响数据,确定多种病害类别的第二发生概率,所述病害影响数据包括苹果叶片图像对应的物候期和/或所述苹果叶片图像的拍摄位置和拍摄时间对应的气象数据;基于各所述第一发生概率和各所述第二发生概率,确定多种病害类别的总发生概率。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者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者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种苹果病害识别方法,其特征在于,包括:
将苹果叶片图像输入至病害类别分类模型,得到所述病害类别分类模型输出的多种病害类别的第一发生概率,所述病害类别分类模型是基于所述多种病害类别对应的样本苹果叶片图像训练得到的;
基于所述苹果叶片图像的病害影响数据,确定多种病害类别的第二发生概率,所述病害影响数据包括气象数据,所述气象数据为所述苹果叶片图像的拍摄位置和拍摄时间对应的数据;
基于各所述第一发生概率和各所述第二发生概率,确定多种病害类别的总发生概率;
所述病害影响数据包括所述拍摄时间之前的所述气象数据,所述气象数据包括当前生育期内的当前气象数据和所述当前生育期的上一生育期内的历史气象数据;
所述基于所述苹果叶片图像的病害影响数据,确定多种病害类别的第二发生概率,包括:
基于所述当前气象数据与所述历史气象数据的对比结果,确定多种病害类别的第二发生概率。
2.根据权利要求1所述的苹果病害识别方法,其特征在于,所述基于所述当前气象数据与所述历史气象数据的对比结果,确定多种病害类别的第二发生概率,包括:
基于所述当前气象数据与所述历史气象数据的对比结果,以及所述多种病害类别中至少一种病害类别的历史发生情况,确定多种病害类别的第二发生概率;
其中,任一所述病害类别的历史发生情况用于表征在所述上一生育期内是否发生所述病害类别。
3.根据权利要求2所述的苹果病害识别方法,其特征在于,所述基于所述当前气象数据与所述历史气象数据的对比结果,以及所述多种病害类别中至少一种病害类别的历史发生情况,确定多种病害类别的第二发生概率,包括:
基于所述当前气象数据与所述历史气象数据的对比结果,以及所述多种病害类别中至少一种病害类别的历史发生情况,确定所述多种病害类别中至少一个第一病害类别的第二发生概率;
基于所述拍摄时间,确定所述多种病害类别中至少一个第二病害类别的第二发生概率,任一所述第二病害类别的第二发生概率是基于所述拍摄时间与所述第二病害类别对应的预设时间段的比对结果确定的。
4.根据权利要求1所述的苹果病害识别方法,其特征在于,所述病害影响数据包括物候期,所述基于所述苹果叶片图像的病害影响数据,确定多种病害类别的第二发生概率,包括:
基于物候期-概率映射关系,确定所述物候期对应的多种病害类别的第二发生概率;
其中,所述物候期-概率映射关系是基于样本物候期和所述样本物候期对应的多个发生概率标签确定的,所述多个发生概率标签是基于先验知识对所述样本物候期进行标注得到的。
5.根据权利要求1所述的苹果病害识别方法,其特征在于,所述基于各所述第一发生概率和各所述第二发生概率,确定多种病害类别的总发生概率,包括:
基于各所述第一发生概率分别与各所述第二发生概率的和值,确定多种病害类别的第三发生概率;
基于各所述第一发生概率和各所述第三发生概率,确定多种病害类别的总发生概率,任一所述病害类别的总发生概率是基于所述病害类别的所述第一发生概率和所述病害类别的所述第三发生概率的平均值确定的。
6.根据权利要求5所述的苹果病害识别方法,其特征在于,所述病害影响数据包括物候期和所述气象数据,任一所述病害类别的总发生概率是基于如下公式确定:
;
式中,表示所述总发生概率,/>表示所述第一发生概率,/>表示基于所述物候期确定的所述第二发生概率,/>表示基于所述气象数据确定的所述第二发生概率。
7.一种苹果病害识别装置,其特征在于,包括:
类别分类模块,用于将苹果叶片图像输入至病害类别分类模型,得到所述病害类别分类模型输出的多种病害类别的第一发生概率,所述病害类别分类模型是基于所述多种病害类别对应的样本苹果叶片图像训练得到的;
第一确定模块,用于基于所述苹果叶片图像的病害影响数据,确定多种病害类别的第二发生概率,所述病害影响数据包括气象数据,所述气象数据为所述苹果叶片图像的拍摄位置和拍摄时间对应的数据;
第二确定模块,用于基于各所述第一发生概率和各所述第二发生概率,确定多种病害类别的总发生概率;
所述病害影响数据包括所述拍摄时间之前的所述气象数据,所述气象数据包括当前生育期内的当前气象数据和所述当前生育期的上一生育期内的历史气象数据;
所述第一确定模块还用于:
基于所述当前气象数据与所述历史气象数据的对比结果,确定多种病害类别的第二发生概率。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述苹果病害识别方法。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述苹果病害识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311146618.4A CN117292174B (zh) | 2023-09-06 | 2023-09-06 | 苹果病害识别方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311146618.4A CN117292174B (zh) | 2023-09-06 | 2023-09-06 | 苹果病害识别方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117292174A CN117292174A (zh) | 2023-12-26 |
CN117292174B true CN117292174B (zh) | 2024-04-19 |
Family
ID=89258030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311146618.4A Active CN117292174B (zh) | 2023-09-06 | 2023-09-06 | 苹果病害识别方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117292174B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3279831A1 (en) * | 2016-08-03 | 2018-02-07 | Bayer CropScience AG | Recognition of weed in a natural environment using a digital image |
US10705231B1 (en) * | 2017-09-25 | 2020-07-07 | State Farm Mutual Automobile Insurance Company | Systems and methods for detecting seismic events |
CN111753091A (zh) * | 2020-06-30 | 2020-10-09 | 北京小米松果电子有限公司 | 分类方法、分类模型的训练方法、装置、设备及存储介质 |
CN111767802A (zh) * | 2020-06-05 | 2020-10-13 | 京东数字科技控股有限公司 | 一种对象异常状态的检测方法和装置 |
CN111768286A (zh) * | 2020-05-14 | 2020-10-13 | 北京旷视科技有限公司 | 风险预测方法、装置、设备及存储介质 |
CN111785385A (zh) * | 2020-06-29 | 2020-10-16 | 微医云(杭州)控股有限公司 | 疾病分类方法、装置、设备和存储介质 |
CN112069338A (zh) * | 2020-09-03 | 2020-12-11 | Oppo广东移动通信有限公司 | 图片处理方法、装置、电子设备及存储介质 |
CN112434178A (zh) * | 2020-11-23 | 2021-03-02 | 北京达佳互联信息技术有限公司 | 图像分类方法、装置、电子设备和存储介质 |
CN115050014A (zh) * | 2022-06-15 | 2022-09-13 | 河北农业大学 | 一种基于图像文本学习的小样本番茄病害识别系统及方法 |
CN115620119A (zh) * | 2022-09-29 | 2023-01-17 | 中国南方电网有限责任公司超高压输电公司南宁监控中心 | 一种天气类型图像检测及雾天图像处理方法及装置 |
CN116258911A (zh) * | 2023-03-13 | 2023-06-13 | 抖音视界有限公司 | 图像分类模型的训练方法、装置、设备及存储介质 |
CN116385717A (zh) * | 2023-02-15 | 2023-07-04 | 北京市农林科学院信息技术研究中心 | 叶面病害识别方法、装置、电子设备、存储介质及产品 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10318552B2 (en) * | 2014-05-15 | 2019-06-11 | International Business Machines Corporation | Probability mapping model for location of natural resources |
CN113191261B (zh) * | 2021-04-29 | 2022-12-06 | 北京百度网讯科技有限公司 | 图像类别的识别方法、装置和电子设备 |
CN113361593B (zh) * | 2021-06-03 | 2023-12-19 | 阿波罗智联(北京)科技有限公司 | 生成图像分类模型的方法、路侧设备及云控平台 |
-
2023
- 2023-09-06 CN CN202311146618.4A patent/CN117292174B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3279831A1 (en) * | 2016-08-03 | 2018-02-07 | Bayer CropScience AG | Recognition of weed in a natural environment using a digital image |
US10705231B1 (en) * | 2017-09-25 | 2020-07-07 | State Farm Mutual Automobile Insurance Company | Systems and methods for detecting seismic events |
CN111768286A (zh) * | 2020-05-14 | 2020-10-13 | 北京旷视科技有限公司 | 风险预测方法、装置、设备及存储介质 |
CN111767802A (zh) * | 2020-06-05 | 2020-10-13 | 京东数字科技控股有限公司 | 一种对象异常状态的检测方法和装置 |
CN111785385A (zh) * | 2020-06-29 | 2020-10-16 | 微医云(杭州)控股有限公司 | 疾病分类方法、装置、设备和存储介质 |
CN111753091A (zh) * | 2020-06-30 | 2020-10-09 | 北京小米松果电子有限公司 | 分类方法、分类模型的训练方法、装置、设备及存储介质 |
CN112069338A (zh) * | 2020-09-03 | 2020-12-11 | Oppo广东移动通信有限公司 | 图片处理方法、装置、电子设备及存储介质 |
CN112434178A (zh) * | 2020-11-23 | 2021-03-02 | 北京达佳互联信息技术有限公司 | 图像分类方法、装置、电子设备和存储介质 |
CN115050014A (zh) * | 2022-06-15 | 2022-09-13 | 河北农业大学 | 一种基于图像文本学习的小样本番茄病害识别系统及方法 |
CN115620119A (zh) * | 2022-09-29 | 2023-01-17 | 中国南方电网有限责任公司超高压输电公司南宁监控中心 | 一种天气类型图像检测及雾天图像处理方法及装置 |
CN116385717A (zh) * | 2023-02-15 | 2023-07-04 | 北京市农林科学院信息技术研究中心 | 叶面病害识别方法、装置、电子设备、存储介质及产品 |
CN116258911A (zh) * | 2023-03-13 | 2023-06-13 | 抖音视界有限公司 | 图像分类模型的训练方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
利用统计分析预报害虫发生期;高庆玉;中国果树;19830815(03);35-38 * |
基于模式相对湿度的降水概率预报方法研究;储海;漆梁波;;气象与环境学报;20170215(01);46-52 * |
甘薯贮藏主要病害发病规律模型研究;陈海啸;张娜;陕娟娟;;华北农学报;20151228(S1);262-266 * |
Also Published As
Publication number | Publication date |
---|---|
CN117292174A (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107516103B (zh) | 一种影像分类方法和系统 | |
CN111539403B (zh) | 农业大棚的识别方法、装置及电子设备 | |
US20240013380A1 (en) | Cigar tobacco leaf harvesting maturity identification method and system based on integrated learning | |
CN110288033B (zh) | 一种基于卷积神经网络的甘蔗蔗节特征识别与定位方法 | |
CN113610035B (zh) | 一种基于改进编解码网络的水稻分蘖期杂草分割识别方法 | |
CN111652326A (zh) | 基于MobileNet v2网络改进的果实成熟度识别方法和识别系统 | |
CN113449893A (zh) | 虫害预测模型训练的方法、虫害预测的方法及装置 | |
CN112465031B (zh) | 数据分类方法、装置以及计算机可读存储介质 | |
CN112861646B (zh) | 复杂环境小目标识别场景下的卸油工安全帽级联检测方法 | |
CN112396042A (zh) | 实时更新的目标检测方法及系统、计算机可读存储介质 | |
CN114067314B (zh) | 一种基于神经网络的花生霉变识别方法及系统 | |
CN114461903A (zh) | 作物品种适宜推广区域确定方法及装置 | |
CN111104855B (zh) | 一种基于时序行为检测的工作流识别方法 | |
CN116110042A (zh) | 一种基于YOLOv7的CBAM注意力机制番茄检测方法 | |
CN115512238A (zh) | 病害区域的确定方法、装置、存储介质及电子装置 | |
CN115527119A (zh) | 一种基于深度学习的农作物遥感图像语义分割方法 | |
CN117292174B (zh) | 苹果病害识别方法、装置、电子设备和存储介质 | |
CN113076873B (zh) | 一种基于多阶段训练的农作物病害长尾图像识别方法 | |
CN114463269A (zh) | 一种基于深度学习方法的芯片缺陷检测方法 | |
CN116597318B (zh) | 基于遥感影像的灌区耕地精准提取方法、设备及存储介质 | |
CN112101091B (zh) | 视频分类方法、电子设备和存储介质 | |
CN117541874A (zh) | 基于改进Faster_rcnn模型的农业巡检机器人巡检方法、装置和介质 | |
CN111582035A (zh) | 一种果树树龄识别方法、装置、设备及存储介质 | |
CN116307266A (zh) | 作物生长预测方法、装置、电子设备及存储介质 | |
CN116206208A (zh) | 一种基于人工智能的林业病虫害快速分析系统 |
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 |