CN117557914B - 一种基于深度学习的农作物病虫害识别方法 - Google Patents
一种基于深度学习的农作物病虫害识别方法 Download PDFInfo
- Publication number
- CN117557914B CN117557914B CN202410023352.2A CN202410023352A CN117557914B CN 117557914 B CN117557914 B CN 117557914B CN 202410023352 A CN202410023352 A CN 202410023352A CN 117557914 B CN117557914 B CN 117557914B
- Authority
- CN
- China
- Prior art keywords
- data
- identification
- result
- disease
- pest
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 152
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 201000010099 disease Diseases 0.000 claims abstract description 128
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 128
- 241000238631 Hexapoda Species 0.000 claims abstract description 87
- 238000012937 correction Methods 0.000 claims abstract description 49
- 230000007613 environmental effect Effects 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims description 15
- 230000001419 dependent effect Effects 0.000 claims description 11
- 244000038559 crop plants Species 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 241000196324 Embryophyta Species 0.000 description 50
- 240000008042 Zea mays Species 0.000 description 4
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 4
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 4
- 235000005822 corn Nutrition 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000037919 acquired disease Diseases 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的农作物病虫害识别方法,涉及病虫害识别技术领域,解决了原有农作物病虫害识别方法没有对图像进行筛选,导致环境温度、环境湿度和采集时刻对病虫害的识别产生影响,从而使病虫害识别结果不精确的技术问题;本发明包括采集目标区域农作物的图像数据,匹配获取目标数据对应的环境数据;通过图像历史数据训练人工智能模型,得到病虫害识别模型;将目标数据以及对应的环境数据整合为病虫害识别序列,结合病虫害识别模型得到对应的病虫害识别结果,并标记为原始结果;提高了农作物病虫害在不同环境下识别的效率和准确度;将原始结果通过识别修正模型进行修正,最终得到目标结果;提高了农作物病虫害识别的准确性。
Description
技术领域
本发明属于病虫害识别领域,涉及深度学习技术,具体是一种基于深度学习的农作物病虫害识别方法。
背景技术
随着科技的发展,深度学习在农业中的应用越来越广泛,其中利用深度学习对农作物病虫害的识别和防治是农业生产中的关键环节。对于传统的农作物病虫害识别方法来说,利用深度学习的农作物病虫害识别方法改进了原有依赖于人工观察、判断,效率低且准确性不高的问题。
近年来,基于深度学习的农作物病虫害识别方法有了很多方案,但现有的技术方案通过图像识别来进行农作物病虫害识别时,没有对图像数据进行筛选,从而影响深度学习模型的训练精度,进而导致农作物病虫害识别精度不高。其中温度、湿度和时间,都是影响农作物病虫害的重要因素,很多病虫害只有在一定的温度、湿度和时间下才会发育生长和活动,从而对农作物造成影响,这导致了在不同温度、湿度和时间下采集的图片效果不同,从而影响深度学习模型的训练精度,导致农作物病虫害识别精度不高。
本发明提出了一种基于深度学习的农作物病虫害识别方法,以解决上述问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种基于深度学习的农作物病虫害识别方法,解决了现有技术在农作物病虫害的识别上没有考虑温度、湿度和时间等因素的影响,导致精度不高的问题。
为实现上述目的,本发明提供了一种基于深度学习的农作物病虫害识别方法,包括:
步骤一:采集目标区域农作物的图像数据,对图像数据进行预处理得到目标数据;以及,匹配获取目标数据对应的环境数据;其中,环境数据包括环境温度、环境湿度和采集时刻;
步骤二:基于图像历史数据以及对应的环境数据生成标准输入数据,基于图像历史数据对应的病虫害识别结果生成标准输出数据;通过标准输入数据和标准输出数据训练人工智能模型,得到病虫害识别模型;其中,人工智能模型包括卷积神经网络模型或者深度置信网络模型;
步骤三:将目标数据以及对应的环境数据整合为病虫害识别序列,结合病虫害识别模型得到对应的病虫害识别结果,并标记为原始结果;
步骤四:以环境温度和环境湿度为自变量,以图像历史数据对应的病虫害覆盖率与实际病虫害覆盖率的差值作为因变量,建立识别修正模型;基于识别修正模型对原始结果进行修正,得到目标结果。
优选的,所述匹配获取目标数据对应的环境数据,包括:
提取目标数据对应的采集时刻;
基于采集时刻从数据库中匹配对应时刻的天气数据,将天气数据和采集时刻整合为目标数据的环境数据;其中,天气数据包括环境温度和环境湿度;数据库包括病虫害类型和覆盖率以及对应采集时刻的天气数据;
所述数据库中储存有各种已知农作物病虫害种类数据集。
现有技术在采集农作物病虫害图像数据时,没有匹配对应的天气数据,这可能会导致农作物病虫害因天气数据的影响,导致采集的病虫害图像与实际结果有差异。该差异主要来源于采集病虫害图像数据时,没有考虑天气数据影响,导致采集时的环境温度和环境湿度可能太低或太高,害虫没有开始活动,从而使采集到的数据比实际数据低差异较大。
本发明通过从数据库中匹配采集农作物病虫害对应时刻的天气数据,考虑了不同天气数据下的病虫害图像数据,从而使采集的图像数据更为精确。
优选的,所述基于图像历史数据以及对应的环境数据生成标准输入数据,包括:
提取图像历史数据对应的环境数据;对环境数据和图像历史数据进行预处理,基于预处理结果整合生成标准输入数据;
预处理:根据不同的环境数据,对历史图像数据进行标注,生成包含环境数据的图像数据,同时对包含环境数据的图像数据进行去噪声、缩放和增强操作,得到标准输入数据。
现有技术在农作物病虫害的识别图像上,没有对环境数据进行处理,这会导致在训练人工智能模型时,训练的识别结果会因环境因素的影响,导致与实际识别结果有差别;该差别主要来源于病虫害的覆盖率会随环境温度和环境湿度的变化而产生差异,环境温度和环境湿度过高或过低都会导致病虫害的覆盖率变小,从而使训练的人工智能模型识别出的病虫害结果不准确。
本发明通过对图像数据进行处理,不仅可以增加标准输入数据训练样本的数量,也可以让训练模型学习到在不同环境条件下病虫害的特征,从而使训练模型识别病虫害更加准确。
优选的,所述基于图像历史数据对应的病虫害识别结果生成标准输出数据,包括:
对图像历史数据中的病虫害进行识别,得到识别结果;其中,识别结果包括病虫害的种类和覆盖率;
将图像历史数据对应的识别结果整合为标准输出数据;其中,图像历史数据为采集目标区域的历史数据;识别结果可通过人工标记的方式获取。
优选的,所述结合病虫害识别模型得到对应的病虫害识别结果,包括:
基于目标数据以及对应的环境数据整合为病虫害识别序列;其中,病虫害识别序列与标准输入数据的内容属性一致,包括环境温度和环境湿度;
将病虫害识别序列输入病虫害识别模型,得到对应的病虫害识别结果,标记为原始结果;其中,原始结果与标准输出数据的内容属性一致,包括病虫害类型和覆盖率。
优选的,所述建立识别修正模型,包括:
以环境温度和环境湿度为自变量,分别标记为T和H;以图像历史数据对应的病虫害覆盖率与实际病虫害覆盖率的差值作为因变量,并标记为修正系数ΔS;
通过多项式拟合的方式对自变量和因变量进行拟合,建立识别修正模型;其中,识别修正模型具体为ΔS=α/(T×T)+β/(H×H)+θ,α和β为比例系数,θ为误差系数。
现有技术在通过图像数据识别病虫害时,其识别结果与农作物区域中实际的病虫害覆盖率存在差别;该差别主要来源于部分害虫在环境温度或者环境湿度没有达到要求时会隐藏起来,并不能被捕捉拍到,从而导致图像识别结果与实际结果存在差别。
本发明的一种技术方案是通过建立识别修正模型,对原始数据进行修正,使其与实际病虫害数据的差别变小,从而提高农作物病虫害识别的准确度。
优选的,所述基于识别修正模型对原始结果进行修正,包括:
提取原始结果对应的环境温度和环境湿度,并导入到修正识别模型中,得到修正系数;
将修正系数和原始结果进行叠加,得到目标结果。
本发明通过识别修正模型,对原始数据进行修正,使得到的目标结果更加精确。
与现有技术相比,本发明的有益效果是:
1.通过整合图像数据及其对应的环境因素,提供了一种考虑环境因素的农作物病虫害识别方法,提高了农作物病虫害识别的准确性;并且,通过深度学习模型的训练和优化,提高了农作物病虫害在不同环境下识别的效率和准确度,为农作物病虫害的防治提供了强有力的技术支持。
2.原有病虫害识别方法识别出的病虫害覆盖率没有考虑环境因素的影响,从而使得到的病虫害覆盖率与实际的病虫害覆盖率会有差别;本发明通过建立识别修正模块对原始结果的病虫害覆盖率进行修正,从而使其与实际病虫害覆盖率更加接近,以至于提高了农作物病虫害识别的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例的方法流程图。
图2为本发明一个实施例中修正模型的工作步骤示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例1
请参阅图1-图2,本发明第一方面实施例提供了一种基于深度学习的农作物病虫害识别方法,包括:
步骤一:采集目标区域农作物的图像数据,对图像数据进行预处理得到目标数据;以及,匹配获取目标数据对应的环境数据;其中,环境数据包括环境温度、环境湿度和采集时刻;
在步骤一中采集目标区域农作物的图像数据,目标区域可定为一亩农田的范围;匹配获取目标数据对应的环境数据,包括:
基于采集时刻从数据库中匹配对应时刻的天气数据,将天气数据和采集时刻整合为目标数据的环境数据;其中,天气数据包括环境温度和环境湿度;数据库包括病虫害类型和覆盖率以及对应采集时刻的天气数据;
所述数据库具体的发明中所使用到的为互联网上与农作物病虫害识别相关的图像公共数据集ImageNet。ImageNet是2009年斯坦福大学李飞飞教授团队建设的目前全球最大图像识别库,每类别约有1000幅图像,共有120万可训练有标记样本图像数,图像识别的网络结构性能的比较,就在ImageNet数据集上进行。
在步骤一中农作物病虫害的图像和环境数据的采集,本发明具体使用的是:用摄像头拍摄截取农作物病虫害图像,用传感器来采集环境数据。
步骤二:基于图像历史数据以及对应的环境数据生成标准输入数据,基于图像历史数据对应的病虫害识别结果生成标准输出数据;通过标准输入数据和标准输出数据训练人工智能模型,得到病虫害识别模型;其中,人工智能模型包括卷积神经网络模型或者深度置信网络模型;
在步骤二中基于图像历史数据以及对应的环境数据生成标准输入数据,包括:
提取图像历史数据对应的环境数据;
对环境数据和图像历史数据进行预处理,基于预处理结果整合生成标准输入数据;
预处理:根据不同的环境数据,对历史图像数据进行标注,生成包含环境数据的图像数据,同时对包含环境数据的图像数据进行去噪声、缩放和增强操作,得到标准输入数据。
在步骤二中通过标准输入数据和标准输出数据训练人工智能模型,得到病虫害识别模型;本发明具体使用的模型为深度置信网络模型,包括:
数据预处理:收集包含各种农作物病虫害的图片,对图片进行预处理,包括去噪声、缩放、增强等操作,生成训练数据集和测试数据集。
构建DBN模型:DBN是一种多层的生成模型,由多个受限玻尔兹曼机(RBM)堆叠而成。在初始化阶段,每个RBM的可见层节点与上一层RBM的隐藏层节点相连接。
分层预训练:在预训练阶段,每个RBM被单独训练,上一层RBM的隐藏层节点状态作为下一层RBM的可见层节点状态。每个RBM的训练目标是使其重构的数据尽可能接近原始数据。
微调:在预训练之后,所有的RBM被视为一个整体,通过反向传播算法和梯度下降法进行微调,以优化整个DBN的参数。
农作物病虫害识别:将测试数据集输入训练好的DBN模型,模型将输出每种病虫害的概率,选择概率最高的病虫害作为识别结果。
步骤三:将目标数据以及对应的环境数据整合为病虫害识别序列,结合病虫害识别模型得到对应的病虫害识别结果,并标记为原始结果;
在步骤三中基于目标数据以及对应的环境数据整合为病虫害识别序列;其中,病虫害识别序列与标准输入数据的内容属性一致,包括环境温度和环境湿度;
将病虫害识别序列输入病虫害识别模型,得到对应的病虫害识别结果,标记为原始结果;其中,原始结果与标准输出数据的内容属性一致,包括病虫害类型和覆盖率。
步骤四:以环境温度和环境湿度为自变量,以图像历史数据对应的病虫害覆盖率与实际病虫害覆盖率的差值作为因变量,建立识别修正模型;基于识别修正模型对原始结果进行修正,得到目标结果。
在步骤四中以环境温度和环境湿度为自变量,分别标记为T和H;以图像历史数据对应的病虫害覆盖率与实际病虫害覆盖率的差值作为因变量,并标记为修正系数ΔS,
通过多项式拟合的方式对自变量和因变量进行拟合,建立识别修正模型;其中,识别修正模型具体为ΔS=α/(T×T)+β/(H×H)+θ,α和β为比例系数,θ为误差系数。
在步骤四中基于识别修正模型对原始结果进行修正,包括:
提取原始结果对应的环境温度和环境湿度,并导入到修正识别模型中,得到修正系数;
将修正系数和原始结果进行叠加,得到目标结果。
实施例2
假设我们要识别玉米叶片上的病虫害,首先进行图像数据的采集。通过传感器和摄像头对目标区域的玉米叶片进行拍摄,目标区域选为一亩玉米地,获取玉米叶片上的图像数据100个。然后对采集到的图像数据进行预处理,包括去噪声、缩放和增强操作,得到目标数据100个。
同时,匹配获取目标数据对应的环境数据,包括环境温度、湿度和采集时刻。根据采集时刻从数据库中匹配对应时刻的天气数据,将天气数据和采集时刻整合为目标数据的环境数据;例如此时的环境数据:采集时刻下午2点,温度为25°C,湿度为60%。
接下来,基于图像历史数据以及对应的环境数据生成标准输入数据;针对图像历史数据中的病虫害进行识别,得到识别结果。将图像历史数据对应的识别结果整合为标准输出数据。
标准输入数据:根据图像历史数据和环境数据,生成了100个包含环境数据的图像数据。
标准输出数据:对图像历史数据中的病虫害进行识别,得到了100个识别结果,包括病虫害的种类和覆盖率。
通过标准输入数据和标准输出数据训练深度置信网络模型,包括3个隐藏层和1个可见层,得到病虫害识别模型。
将目标数据以及对应的环境数据整合为病虫害识别序列,并结合病虫害识别模型得到对应的病虫害识别结果,并标记为原始结果。
建立识别修正模型,以环境温度和湿度作为自变量,分别标记为T和H。以图像历史数据对应的病虫害覆盖率与实际病虫害覆盖率的差值作为因变量,并标记为修正系数ΔS。通过多项式拟合的方式对自变量和因变量进行拟合,建立识别修正模型ΔS=α/(T×T)+β/(H×H)+θ,其中α和β为比例系数,θ为误差系数。
通过多组训练数据,可计算出上述公式的比例系数和误差系数;
例如:训练数据中环境温度分别为20°C、25°C、30°C、35°C;环境湿度分别为50%、60%、70%、80%;病虫害覆盖率差值分别为-0.2、0.3、-0.1、0.4;将其分别代入公式ΔS=α/(T×T)+β/(H×H)+θ中,可计算得出α=0.02、β=0.03、θ=0.01;
再计算环境温度为25°C,湿度为60%时的修正系数:
将环境温度代入识别修正模型,计算出第一项修正值:α/(T×T)=0.02/(25×25)=0.00032。
将环境湿度代入识别修正模型,计算出第二项修正值:β/(H×H)=0.03/(60×60)=0.0001389。
将第一项修正值和第二项修正值相加,得到修正系数:修正系数∆S=0.00032+0.0001389=0.0004589。
因此,在这个实施例中,当环境温度为25°C,湿度为60%时,修正系数的计算结果为0.0004589。最后将修正系数0.0004589和原始结果进行叠加,得到目标结果。
上述公式中的部分数据是去除量纲取其数值计算,公式是由采集的大量数据经过软件模拟得到最接近真实情况的一个公式;公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者通过大量数据模拟获得。
本发明的工作原理:
数据采集和预处理:通过传感器和摄像头采集农作物叶片图像数据,并对图像进行去噪声、缩放和增强等预处理操作,得到目标数据。同时,匹配获取目标数据对应的环境数据,包括环境温度、环境湿度和采集时刻。
标准输入和输出数据生成:基于图像历史数据和对应的环境数据,生成标准输入数据。这包括提取图像历史数据对应的环境数据,并对其进行预处理,然后将其与图像数据整合为标准输入数据。同时,对图像历史数据中的病虫害进行识别,得到识别结果,并将其整合为标准输出数据。
深度学习模型训练:利用标准输入数据和标准输出数据,训练人工智能模型,如卷积神经网络模型或深度置信网络模型,以得到病虫害识别模型。这个模型能够学习到在不同环境条件下农作物病虫害的特征。
病虫害识别和修正:将目标数据和对应的环境数据整合为病虫害识别序列,并输入病虫害识别模型,得到原始的病虫害识别结果。然后,根据环境温度和环境湿度,应用识别修正模型对原始结果进行修正。最终得到目标结果,提高了识别的精确性。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (6)
1.一种基于深度学习的农作物病虫害识别方法,其特征在于,包括:
步骤一:采集目标区域农作物的图像数据,对图像数据进行预处理得到目标数据;以及,匹配获取目标数据对应的环境数据;其中,环境数据包括环境温度、环境湿度和采集时刻;
步骤二:基于图像历史数据以及对应的环境数据生成标准输入数据,基于图像历史数据对应的病虫害识别结果生成标准输出数据;通过标准输入数据和标准输出数据训练人工智能模型,得到病虫害识别模型;其中,人工智能模型包括卷积神经网络模型或者深度置信网络模型;
步骤三:将目标数据以及对应的环境数据整合为病虫害识别序列,结合病虫害识别模型得到对应的病虫害识别结果,并标记为原始结果;
步骤四:以环境温度和环境湿度为自变量,以图像历史数据对应的病虫害覆盖率与实际病虫害覆盖率的差值作为因变量,建立识别修正模型;基于识别修正模型对原始结果进行修正,得到目标结果;
所述建立识别修正模型,包括:
以环境温度和环境湿度为自变量,分别标记为T和H;以图像历史数据对应的病虫害覆盖率与实际病虫害覆盖率的差值作为因变量,并标记为修正系数ΔS;
通过多项式拟合的方式对自变量和因变量进行拟合,建立识别修正模型;其中,识别修正模型具体为ΔS=α/(T×T)+β/(H×H)+θ,α和β为比例系数,θ为误差系数;
所述基于识别修正模型对原始结果进行修正,包括:
提取原始结果对应的环境温度和环境湿度,并导入到修正识别模型中,得到修正系数;
将修正系数和原始结果进行叠加,得到目标结果。
2.根据权利要求1所述的一种基于深度学习的农作物病虫害识别方法,其特征在于,所述匹配获取目标数据对应的环境数据,包括:
提取目标数据对应的采集时刻;
基于采集时刻从数据库中匹配对应时刻的天气数据,将天气数据和采集时刻整合为目标数据的环境数据;其中,天气数据包括环境温度和环境湿度;数据库包括病虫害类型和覆盖率以及对应采集时刻的天气数据;数据库中储存有各种已知农作物病虫害种类数据集。
3.根据权利要求1所述的一种基于深度学习的农作物病虫害识别方法,其特征在于,所述基于图像历史数据以及对应的环境数据生成标准输入数据,包括:
提取图像历史数据对应的环境数据;对环境数据和图像历史数据进行预处理,基于预处理结果整合生成标准输入数据;
预处理:根据不同的环境数据,对历史图像数据进行标注,生成包含环境数据的图像数据,同时对包含环境数据的图像数据进行去噪声、缩放和增强操作,得到标准输入数据。
4.根据权利要求1所述的一种基于深度学习的农作物病虫害识别方法,其特征在于,所述基于图像历史数据对应的病虫害识别结果生成标准输出数据,包括:
人工标记病虫害的识别结果;通过人工处理方式对图像历史数据中的病虫害进行人工标记,得到识别结果;
将图像历史数据中病虫害的识别结果整合成标准输出数据;其中,图像历史数据是工作人员根据目标区域农作物病虫害识别的图像数据。
5.根据权利要求1所述的一种基于深度学习的农作物病虫害识别方法,其特征在于,所述基于图像历史数据对应的病虫害识别结果生成标准输出数据,包括:
对图像历史数据中的病虫害进行识别,得到识别结果;其中,识别结果包括病虫害的种类和覆盖率;
将图像历史数据对应的识别结果整合为标准输出数据;其中,图像历史数据为采集目标区域的历史数据。
6.根据权利要求1所述的一种基于深度学习的农作物病虫害识别方法,其特征在于,所述结合病虫害识别模型得到对应的病虫害识别结果,包括:
基于目标数据以及对应的环境数据整合为病虫害识别序列;其中,病虫害识别序列与标准输入数据的内容属性一致,包括环境温度和环境湿度;
将病虫害识别序列输入病虫害识别模型,得到对应的病虫害识别结果,标记为原始结果;其中,原始结果与标准输出数据的内容属性一致,包括病虫害类型和覆盖率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410023352.2A CN117557914B (zh) | 2024-01-08 | 2024-01-08 | 一种基于深度学习的农作物病虫害识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410023352.2A CN117557914B (zh) | 2024-01-08 | 2024-01-08 | 一种基于深度学习的农作物病虫害识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117557914A CN117557914A (zh) | 2024-02-13 |
CN117557914B true CN117557914B (zh) | 2024-04-02 |
Family
ID=89818809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410023352.2A Active CN117557914B (zh) | 2024-01-08 | 2024-01-08 | 一种基于深度学习的农作物病虫害识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117557914B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117789067B (zh) * | 2024-02-27 | 2024-05-10 | 山东字节信息科技有限公司 | 一种基于机器学习的无人机农作物监测方法及系统 |
CN117854012B (zh) * | 2024-03-07 | 2024-05-14 | 成都智慧城市信息技术有限公司 | 一种基于大数据的农作物环境监测方法及系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506790A (zh) * | 2017-08-07 | 2017-12-22 | 西京学院 | 基于农业物联网和深度信念网络的大棚冬枣病害预测模型 |
CN111160414A (zh) * | 2019-12-12 | 2020-05-15 | 成都信息工程大学 | 一种高精度农作物病虫害图像的识别方法 |
CN111178120A (zh) * | 2018-12-25 | 2020-05-19 | 中国科学院合肥物质科学研究院 | 一种基于作物识别级联技术的害虫图像检测方法 |
CN112213230A (zh) * | 2020-10-16 | 2021-01-12 | 西南林业大学 | 一种云南松地表可燃物含水率确定方法及系统 |
CN113052168A (zh) * | 2021-03-12 | 2021-06-29 | 西安航天自动化股份有限公司 | 基于多源特征融合的农作物病虫害图像识别方法 |
CN114565826A (zh) * | 2022-04-28 | 2022-05-31 | 南京绿色科技研究院有限公司 | 一种农业病虫害识别诊断方法、系统及装置 |
WO2022175970A1 (en) * | 2021-02-17 | 2022-08-25 | Waycool Foods And Products Private Limited | System and method for determining one or more agri-measures |
CN115376008A (zh) * | 2022-08-23 | 2022-11-22 | 河南讯飞人工智能科技有限公司 | 病虫害识别方法、装置、电子设备和存储介质 |
CN115456960A (zh) * | 2022-08-23 | 2022-12-09 | 广东工业大学 | 一种柑橘黄龙病虫害的监测预警系统及方法 |
CN116108990A (zh) * | 2023-02-14 | 2023-05-12 | 南京信息工程大学 | 一种基于叶下边界层湿度的葡萄霜霉病预测方法 |
CN116166762A (zh) * | 2022-12-27 | 2023-05-26 | 广东省农业科学院农业经济与信息研究所 | 一种病虫害电子地图的生成方法与无人机系统、防治装置 |
CN116502754A (zh) * | 2023-04-21 | 2023-07-28 | 浪潮智慧科技有限公司 | 一种苹果盛花期的预测方法、设备及介质 |
CN116630663A (zh) * | 2023-05-11 | 2023-08-22 | 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) | 一种基于物联网的智能施药方法及系统 |
CN117292256A (zh) * | 2023-09-14 | 2023-12-26 | 梁山县林业保护和发展服务中心(梁山县湿地保护中心、梁山县野生动植物保护中心) | 一种林业植物病虫害短期预测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7362751B2 (ja) * | 2018-10-19 | 2023-10-17 | クライメイト、リミテッド、ライアビリティー、カンパニー | 植物の写真を分類することにより植物病の感染を検出すること |
-
2024
- 2024-01-08 CN CN202410023352.2A patent/CN117557914B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506790A (zh) * | 2017-08-07 | 2017-12-22 | 西京学院 | 基于农业物联网和深度信念网络的大棚冬枣病害预测模型 |
CN111178120A (zh) * | 2018-12-25 | 2020-05-19 | 中国科学院合肥物质科学研究院 | 一种基于作物识别级联技术的害虫图像检测方法 |
CN111160414A (zh) * | 2019-12-12 | 2020-05-15 | 成都信息工程大学 | 一种高精度农作物病虫害图像的识别方法 |
CN112213230A (zh) * | 2020-10-16 | 2021-01-12 | 西南林业大学 | 一种云南松地表可燃物含水率确定方法及系统 |
WO2022175970A1 (en) * | 2021-02-17 | 2022-08-25 | Waycool Foods And Products Private Limited | System and method for determining one or more agri-measures |
CN113052168A (zh) * | 2021-03-12 | 2021-06-29 | 西安航天自动化股份有限公司 | 基于多源特征融合的农作物病虫害图像识别方法 |
CN114565826A (zh) * | 2022-04-28 | 2022-05-31 | 南京绿色科技研究院有限公司 | 一种农业病虫害识别诊断方法、系统及装置 |
CN115376008A (zh) * | 2022-08-23 | 2022-11-22 | 河南讯飞人工智能科技有限公司 | 病虫害识别方法、装置、电子设备和存储介质 |
CN115456960A (zh) * | 2022-08-23 | 2022-12-09 | 广东工业大学 | 一种柑橘黄龙病虫害的监测预警系统及方法 |
CN116166762A (zh) * | 2022-12-27 | 2023-05-26 | 广东省农业科学院农业经济与信息研究所 | 一种病虫害电子地图的生成方法与无人机系统、防治装置 |
CN116108990A (zh) * | 2023-02-14 | 2023-05-12 | 南京信息工程大学 | 一种基于叶下边界层湿度的葡萄霜霉病预测方法 |
CN116502754A (zh) * | 2023-04-21 | 2023-07-28 | 浪潮智慧科技有限公司 | 一种苹果盛花期的预测方法、设备及介质 |
CN116630663A (zh) * | 2023-05-11 | 2023-08-22 | 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) | 一种基于物联网的智能施药方法及系统 |
CN117292256A (zh) * | 2023-09-14 | 2023-12-26 | 梁山县林业保护和发展服务中心(梁山县湿地保护中心、梁山县野生动植物保护中心) | 一种林业植物病虫害短期预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于神经网络的橡胶树白粉病预测预报专家系统的建立;叶劲秋;《中国优秀硕士学位论文全文数据库 农业科技辑》;20210615(第6期);D046-119 * |
Also Published As
Publication number | Publication date |
---|---|
CN117557914A (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117557914B (zh) | 一种基于深度学习的农作物病虫害识别方法 | |
Kitano et al. | Corn plant counting using deep learning and UAV images | |
CN110378435B (zh) | 一种基于卷积神经网络的苹果叶片病害识别的方法 | |
CN109325495B (zh) | 一种基于深度神经网络建模的作物图像分割系统及方法 | |
CN109740483A (zh) | 一种基于深层神经网络的水稻生长期检测方法 | |
CN109344738A (zh) | 农作物病虫草害识别方法及装置 | |
Nasution et al. | Eggplant disease detection using yolo algorithm telegram notified | |
CN113392748B (zh) | 一种基于卷积神经网络的遥感影像耕地信息提取方法 | |
CN108038517A (zh) | 基于改进卷积神经网络模型Cifar10的玉米叶片病害识别方法 | |
An et al. | Real-time monitoring method of strawberry fruit growth state based on YOLO improved model | |
CN116403048B (zh) | 一种基于多模态数据融合的农作物生长估计模型构建方法 | |
Ren et al. | Multi-resolution outlier pooling for sorghum classification | |
CN110765927A (zh) | 一种植被群落中伴生杂草的识别方法 | |
Sharma et al. | Detection of Wheat Crop Quality using Deep Convolution Neural Network | |
CN113344009A (zh) | 一种轻小型网络自适应番茄病害特征提取方法 | |
Dhayabarani et al. | Detection of weed using neural networks | |
Rakesh et al. | Explainable AI for Crop disease detection | |
CN116977862A (zh) | 一种植物生长阶段视频检测方法 | |
CN110705698B (zh) | 尺度自适应感知的目标计数深度网络设计方法 | |
Araneta et al. | Controlled Environment for Spinach Cultured Plant with Health Analysis using Machine Learning | |
CN111695560A (zh) | 基于卷积神经网络对农作物病虫害主动定位聚焦的方法 | |
Altınbilek et al. | Identification of paddy rice diseases using deep convolutional neural networks | |
CN115661544A (zh) | 基于N-MobileNetXt的菠菜幼苗水分胁迫等级分类系统及方法 | |
CN114973005A (zh) | 一种基于RePMMS-Net的绿豆叶斑病识别方法 | |
Deng et al. | A paddy field segmentation method combining attention mechanism and adaptive feature fusion |
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 |