CN117576564B - 用于茶叶种植的病虫害识别预警方法与系统 - Google Patents
用于茶叶种植的病虫害识别预警方法与系统 Download PDFInfo
- Publication number
- CN117576564B CN117576564B CN202311587589.5A CN202311587589A CN117576564B CN 117576564 B CN117576564 B CN 117576564B CN 202311587589 A CN202311587589 A CN 202311587589A CN 117576564 B CN117576564 B CN 117576564B
- Authority
- CN
- China
- Prior art keywords
- tea
- insect pest
- plant disease
- pest
- disease
- 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 357
- 201000010099 disease Diseases 0.000 title claims abstract description 327
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 327
- 238000000034 method Methods 0.000 title claims abstract description 46
- 241001122767 Theaceae Species 0.000 title 1
- 244000269722 Thea sinensis Species 0.000 claims abstract description 461
- 241000238631 Hexapoda Species 0.000 claims abstract description 259
- 235000006468 Thea sinensis Nutrition 0.000 claims abstract description 157
- 241000196324 Embryophyta Species 0.000 claims abstract description 84
- 238000004458 analytical method Methods 0.000 claims abstract description 53
- 238000012544 monitoring process Methods 0.000 claims abstract description 42
- 230000006378 damage Effects 0.000 claims abstract description 37
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 230000009466 transformation Effects 0.000 claims description 75
- 238000006243 chemical reaction Methods 0.000 claims description 39
- 230000004927 fusion Effects 0.000 claims description 35
- 238000009826 distribution Methods 0.000 claims description 29
- 238000003331 infrared imaging Methods 0.000 claims description 27
- 230000008859 change Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 17
- 238000011282 treatment Methods 0.000 claims description 17
- 238000000354 decomposition reaction Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 11
- 230000000877 morphologic effect Effects 0.000 claims description 11
- 238000011269 treatment regimen Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 241001151957 Aphis aurantii Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 235000009024 Ceanothus sanguineus Nutrition 0.000 description 1
- 241001414720 Cicadellidae Species 0.000 description 1
- 241001046947 Ectropis obliqua Species 0.000 description 1
- 241000488563 Eotetranychus carpini Species 0.000 description 1
- 241000258937 Hemiptera Species 0.000 description 1
- 240000003553 Leptospermum scoparium Species 0.000 description 1
- 235000015459 Lycium barbarum Nutrition 0.000 description 1
- 235000010829 Prunus spinosa Nutrition 0.000 description 1
- 240000004350 Prunus spinosa Species 0.000 description 1
- 241000255901 Tortricidae Species 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012549 training 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- 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
Abstract
本公开提供了用于茶叶种植的病虫害识别预警方法与系统，涉及识别预警技术领域，该方法包括：布设茶叶监测传感网络；获取茶叶生长图像信息集；得到茶叶生长红外图像信息集；生成茶叶生长可见红外图像信息集；对茶叶生长可见红外图像信息集进行预处理、多级特征识别，确定茶叶病虫害特征信息；基于茶叶病虫害资源库与茶叶病虫害特征信息进行匹配评价，获得茶叶病虫害分析结果，并基于茶叶病虫害分析结果进行病虫害联动预警，通过本公开可以解决现有技术中存在由于病虫害的识别精确度和预警效率较低，导致茶叶种植质量较差的技术问题，实现提高病虫害的识别精确度和预警效率的目标，达到提高茶叶种植质量的技术效果。
Description
技术领域
本公开涉及识别预警技术领域，具体涉及用于茶叶种植的病虫害识别预警方法与系统。
背景技术
茶叶病虫害种类众多，包括茶小绿叶蝉、茶毛虫、茶黄螨、茶蚜、黑刺粉虱、茶尺蠖、卷叶蛾等常见虫害，以及茶白星病、茶饼病、茶炭疽病等常见病害。病虫害的发生不仅影响茶叶的产量，更影响茶叶的品质。受害茶叶会出现叶片卷曲、颜色变黄、斑点等症状，严重时甚至导致茶树死亡。然而，对于病虫害的识别技术仍存在误差率较高的问题，导致预警的准确性受到影响。为了应对上述病虫害现状，现需要一种加强病虫害的识别监测和预警工作，及时发现并采取防治措施，降低病虫害对茶叶生产的影响。
综上所述，现有技术中存在由于病虫害的识别精确度和预警效率较低，导致茶叶种植质量较差的技术问题。
发明内容
本公开提供了用于茶叶种植的病虫害识别预警方法与系统，用以解决现有技术中存在由于病虫害的识别精确度和预警效率较低，导致茶叶种植质量较差的技术问题。
根据本公开的第一方面，提供了用于茶叶种植的病虫害识别预警方法，包括：对茶叶种植区域进行监测角度分析，布设茶叶监测传感网络，所述茶叶监测传感网络包括CCD图像传感设备和红外成像仪；通过所述CCD图像传感设备按照预设拍摄区间对所述茶叶种植区域进行多时段采集，获取茶叶生长图像信息集；基于所述红外成像仪对所述茶叶种植区域进行红外成像，得到茶叶生长红外图像信息集；将所述茶叶生长图像信息集和所述茶叶生长红外图像信息集进行映射融合，生成茶叶生长可见红外图像信息集；对所述茶叶生长可见红外图像信息集进行预处理、多级特征识别，确定茶叶病虫害特征信息；基于茶叶病虫害资源库与所述茶叶病虫害特征信息进行匹配评价，获得茶叶病虫害分析结果，并基于所述茶叶病虫害分析结果进行病虫害联动预警。
根据本公开的第二方面，提供了用于茶叶种植的病虫害识别预警系统，包括：监测角度分析模块，所述监测角度分析模块用于对茶叶种植区域进行监测角度分析，布设茶叶监测传感网络，所述茶叶监测传感网络包括CCD图像传感设备和红外成像仪；茶叶生长图像信息集获得模块，所述茶叶生长图像信息集获得模块用于通过所述CCD图像传感设备按照预设拍摄区间对所述茶叶种植区域进行多时段采集，获取茶叶生长图像信息集；茶叶生长红外图像信息集获得模块，所述茶叶生长红外图像信息集获得模块用于基于所述红外成像仪对所述茶叶种植区域进行红外成像，得到茶叶生长红外图像信息集；茶叶生长可见红外图像信息集获得模块，所述茶叶生长可见红外图像信息集获得模块用于将所述茶叶生长图像信息集和所述茶叶生长红外图像信息集进行映射融合，生成茶叶生长可见红外图像信息集；茶叶病虫害特征信息获得模块，所述茶叶病虫害特征信息获得模块用于对所述茶叶生长可见红外图像信息集进行预处理、多级特征识别，确定茶叶病虫害特征信息；茶叶病虫害分析结果获得模块，所述茶叶病虫害分析结果获得模块用于基于茶叶病虫害资源库与所述茶叶病虫害特征信息进行匹配评价，获得茶叶病虫害分析结果，并基于所述茶叶病虫害分析结果进行病虫害联动预警。
本公开中提供的一个或多个技术方案，至少具有如下技术效果或优点：根据本公开采用的通过对茶叶种植区域进行监测角度分析，布设茶叶监测传感网络，所述茶叶监测传感网络包括CCD图像传感设备和红外成像仪；通过所述CCD图像传感设备按照预设拍摄区间对所述茶叶种植区域进行多时段采集，获取茶叶生长图像信息集；基于所述红外成像仪对所述茶叶种植区域进行红外成像，得到茶叶生长红外图像信息集；将所述茶叶生长图像信息集和所述茶叶生长红外图像信息集进行映射融合，生成茶叶生长可见红外图像信息集；对所述茶叶生长可见红外图像信息集进行预处理、多级特征识别，确定茶叶病虫害特征信息；基于茶叶病虫害资源库与所述茶叶病虫害特征信息进行匹配评价，获得茶叶病虫害分析结果，并基于所述茶叶病虫害分析结果进行病虫害联动预警，解决了现有技术中存在由于病虫害的识别精确度和预警效率较低，导致茶叶种植质量较差的技术问题，实现提高病虫害的识别精确度和预警效率的目标，达到提高茶叶种植质量的技术效果。
应当理解，本部分所描述的内容并非旨在标示本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其他特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本公开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的介绍，显而易见地，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图获得其他的附图。
图1为本公开实施例提供的用于茶叶种植的病虫害识别预警方法的流程示意图；
图2为本公开实施例用于茶叶种植的病虫害识别预警方法中生成茶叶生长可见红外图像信息集的逻辑示意图；
图3为本公开实施例提供的用于茶叶种植的病虫害识别预警系统的结构示意图。
附图标记说明：监测角度分析模块11，茶叶生长图像信息集获得模块12，茶叶生长红外图像信息集获得模块13，茶叶生长可见红外图像信息集获得模块14，茶叶病虫害特征信息获得模块15，茶叶病虫害分析结果获得模块16。
具体实施方式
以下结合附图对本公开的示范性实施例作出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
实施例一：本公开实施例提供的用于茶叶种植的病虫害识别预警方法，兹参照图1作说明，所述方法包括：
对茶叶种植区域进行监测角度分析，布设茶叶监测传感网络，所述茶叶监测传感网络包括CCD图像传感设备和红外成像仪；
具体地，茶叶种植区域为待进行病虫害识别预警的茶叶种植的区域。进一步地，对茶叶种植区域进行监测角度分析，分析过程中，通过提取的监测角度对茶叶种植区域的角度图像进行采集后拼接，拼接后判断是否满足对茶叶种植区域进行监测的需求，进而完成监测角度的分析。其中，监测角度的监测需求由本领域技术人员根据实际情况进行自定义设置获得。举例而言，当根据监测角度获得的角度图像包括从茶叶种植区域的四周进行监测获得时，进行监测角度的图像的拼接获得对茶叶种植区域的全四周方向的监测角度的图像。进一步地，提取茶叶种植区域的监测角度，对茶叶种植区域布设茶叶监测传感网络，用于对茶叶种植区域进行监测。其中，茶叶监测传感网络包括CCD图像传感设备和红外成像仪。其中，CCD图像传感设备由一种高感光度的半导体材料制成，CCD图像传感设备能把光线转变成电荷，通过模数转换器芯片转换成数字信号，数字信号经过压缩以后由传感设备内部的闪速存储器或内置硬盘卡保存，进而传输数据。红外成像仪可以实时成像，通过成像显示的图像色彩和热点追踪显示功能就能初步判断发热情况或故障部位。
通过所述CCD图像传感设备按照预设拍摄区间对所述茶叶种植区域进行多时段采集，获取茶叶生长图像信息集；
具体地，根据茶叶监测传感网络对茶叶种植区域进行区间划分，获得预设拍摄区间。例如，对茶叶种植区域进行等比例的区间划分，使茶叶监测传感网络对茶叶种植区域的监测角度为等比例的区间，进而获得预设拍摄区间。进一步地，按照预设拍摄区间，通过CCD图像传感设备对茶叶种植区域进行图像采集。图像采集过程中，进行多时段采集，其中，多时段采集的方法由本领域技术人员根据实际情况进行自定义设置获得。例如，进行多时段采集的方法为每小时进行一次采集，或者在早上12时前采集一次，早上12时后采集一次等的方法。进一步地，进行采集获取茶叶生长图像信息集。其中，茶叶生长图像信息集中多个茶叶生长图像信息与多时段采集的多个时段具有映射关系。
基于所述红外成像仪对所述茶叶种植区域进行红外成像，得到茶叶生长红外图像信息集；
具体地，基于红外成像仪对茶叶种植区域进行多时段红外成像，根据得到茶叶生长红外图像信息集。进一步地，多时段红外成像的方法由本领域技术人员根据实际情况进行自定义设置获得。例如，进行多时段红外成像的方法为每小时进行一次红外成像采集，或者在早上12时前红外成像采集一次，早上12时后红外成像采集一次等的方法。进一步地，进行红外成像采集茶叶生长红外图像信息集。其中，茶叶生长红外图像信息集中多个茶叶生长红外图像信息与多时段红外成像采集的多个时段具有映射关系。
将所述茶叶生长图像信息集和所述茶叶生长红外图像信息集进行映射融合，生成茶叶生长可见红外图像信息集；
具体地，通过CCD图像传感设备进行多时段采集的多个时段与通过红外成像仪进行多时段红外成像采集的多个时段为相同的时段。进一步地，获取的茶叶生长图像信息集和茶叶生长红外图像信息集为相同时段采集获得图像信息。进一步地，依次将多时段中每一时段对应的茶叶生长图像信息和茶叶生长红外图像信息进行映射融合，其中，融合方式为对茶叶生长图像信息集和茶叶生长红外图像信息集进行灰度图转换后，进行多尺度分解、映射融合、逆变换等处理方法，在下述说明书中详细进行说明。
对所述茶叶生长可见红外图像信息集进行预处理、多级特征识别，确定茶叶病虫害特征信息；
具体地，对茶叶生长可见红外图像信息集进行预处理，例如，包括灰度化、噪声去除、图像增强、直方图均衡化等，获得标准茶叶生长可见红外图像信息集。进一步地，根据茶叶种植生长阶段对应的不同生长特征，确定茶叶不同生长阶段的茶叶病斑阈值信息，即对不符合生长阶段对应的生长阶段特征的病虫害阈值进行确定。进一步地，对标准茶叶生长可见红外图像信息集中包括茶叶病斑阈值信息的标准茶叶生长可见红外图像信息进行筛选，获取茶叶病虫害识别区域信息。进一步地，对茶叶病虫害识别区域信息进行多级特征识别，如边缘、角点、纹理等，得到茶叶病虫害特征信息。
基于茶叶病虫害资源库与所述茶叶病虫害特征信息进行匹配评价，获得茶叶病虫害分析结果，并基于所述茶叶病虫害分析结果进行病虫害联动预警。
具体地，基于茶叶病虫害资源库与茶叶病虫害特征信息进行匹配获得茶叶病虫害类型信息，对茶叶病虫害类型信息进行影响程度评价，即危害程度评价，获得茶叶病虫害类型影响因子信息。根据茶叶病虫害类型信息进行发生面积统计，即每一茶叶病虫害类型的生虫面积的统计，获得区域病虫害类型分布参数信息。根据茶叶病虫害类型信息和茶叶病虫害类型影响因子信息的加权计算结果获得每一茶叶病虫害类型的危害程度，每一茶叶病虫害类型的危害程度和区域病虫害类型分布参数信息中每一茶叶病虫害类型的生虫面积进行融合获得茶叶病虫害分析结果。并基于茶叶病虫害分析结果确定每一茶叶病虫害类型对应的病虫害预警机制和寻优获得病虫害治理措施参数信息进行病虫害联动预警。
其中，通过本实施例可以解决现有技术中存在由于病虫害的识别精确度和预警效率较低，导致茶叶种植质量较差的技术问题，实现提高病虫害的识别精确度和预警效率的目标，达到提高茶叶种植质量的技术效果。
本公开实施例提供的方法中还包括：
对所述茶叶生长图像信息集中的各生长图像进行灰度图转换，获取茶叶生长可见光灰度图像集；
基于所述茶叶生长红外图像信息集进行温度分布区间转换，得到茶叶生长红外灰度图像集；
分别对所述茶叶生长可见光灰度图像集和所述茶叶生长红外灰度图像集进行多尺度分解，得到可见光特征变换系数集和红外特征变换系数集；
将所述可见光特征变换系数集和红外特征变换系数集进行映射融合、逆变换，生成所述茶叶生长可见红外图像信息集。
如图2所示，具体地，对茶叶生长图像信息集中的各生长图像进行灰度图转换，获取茶叶生长可见光灰度图像集。其中，各生长图像为茶叶生长图像信息集中多个茶叶生长图像信息。进一步地，对各生长图像进行灰度图转换，其中，灰度图是有256个灰度等级的图像，例如，灰度等级255代表全白，灰度等级0表示全黑。进一步地，依次对各生长图像进行灰度图转换，转换后组合获取茶叶生长可见光灰度图像集。
进一步地，基于茶叶生长红外图像信息集的各生长红外图像进行温度分布区间转换，得到茶叶生长红外灰度图像集。其中，各生长红外图像为茶叶生长红外图像信息集中多个茶叶生长红外图像信息。进一步地，红外成像的温度由颜色显色，颜色越红表示温度越高，颜色越蓝表示温度越低。进一步地，对各生长红外图像进行红外成像的颜色和分布位置的提取，根据红外成像的相同颜色在各生长红外图像中分布位置进行标记，获得茶叶生长红外图像信息集中温度较低和温度较高的区域，作为茶叶生长红外灰度图像集。
进一步地，分别对茶叶生长可见光灰度图像集和茶叶生长红外灰度图像集进行多尺度分解，得到可见光特征变换系数集和红外特征变换系数集。其中，多尺度分解是一种通过在不同的尺度上分析和表示图像，以提取和保留图像的不同特征的图像处理方法。在图像多尺度分解中，每个尺度都对应着不同的特征提取方式。通过分析不同尺度下的特征，可以更全面地描述和表达图像的内容和结构。例如，常用的方法包括拉普拉斯金字塔和对比度金字塔。拉普拉斯金字塔是通过将高斯金字塔的两层做差来得到的，能够提取图像的边缘和细节特征。对比度金字塔是基于高斯金字塔变换，通过比较不同层之间的图像差异来提取图像的特征。进一步地，通过图像多尺度分解获得的可见光特征变换系数集和红外特征变换系数集指对图像进行多尺度分解后得到的各个尺度的系数，表示图像在不同尺度下的特征和变化。在具体应用中，多尺度分解系数通常会根据具体任务和需求进行选择和优化，例如在图像分类、目标检测、图像增强等应用中，不同的多尺度分解方法产生不同的效果和性能。
进一步地，将可见光特征变换系数集和红外特征变换系数集进行映射融合、逆变换，生成茶叶生长可见红外图像信息集。其中，映射融合过程中，将不同尺度下的可见光特征变换系数集和红外特征变换系数集对应的图像分解系数进行融合，以得到更全面和准确的图像表示。例如，通过像素级别的融合、基于区域或块的融合或基于金字塔或小波变换的融合的方法进行基于像素的加权平均、基于区域的特征聚合或基于小波变换的融合。如，像素级别的融合可以将不同尺度下的边缘信息、纹理信息等进行融合，以得到更准确的图像处理结果。基于区域或块的融合将图像划分成不同的区域或块，然后对每个区域或块进行多尺度分解，最后将不同尺度下的分解结果进行融合。基于金字塔或小波变换的融合可以将不同尺度下的拉普拉斯金字塔系数进行融合，以得到更准确的图像边缘信息。进一步地，对可见光特征变换系数集和红外特征变换系数集进行逆变换，其中，逆变换是通过多尺度分解系数重构原始图像的处理方法，根据可见光特征变换系数集和红外特征变换系数集对应的多尺度分解系数，采用相应的逆变换算法，将不同尺度的系数逆变换为图像表示，然后逐步将不同尺度的图像表示进行合并，最终得到重构的原始图像。进一步地，将重构的原始图像作为茶叶生长可见红外图像信息集。
其中，生成茶叶生长可见红外图像信息集可以提高图像处理精确度。
本公开实施例提供的方法中还包括：
对所述可见光特征变换系数集和红外特征变换系数集进行图像划分，获取低频可见光红外变换系数集和高频可见光红外变换系数集；
通过对所述低频可见光红外变换系数集中的低频可见光变换系数和低频红外变换系数进行梯度求和加权计算，生成图像低频融合特征变化系数；
对所述高频可见光红外变换系数集中的高频可见光变换系数和高频红外变换系数进行梯度求和相关性方差计算，生成图像高频融合特征变化系数；
基于所述图像低频融合特征变化系数和所述图像高频融合特征变化系数进行多尺度逆变换，得到所述茶叶生长可见红外图像信息集。
具体地，可见光的频率是约为400至700纳米的电磁波，对可见光特征变换系数集和红外特征变换系数集进行图像划分，获取低频可见光红外变换系数集和高频可见光红外变换系数集。其中，划分方法为通过预设划分频率对可见光进行划分获得高频可见光和低频可见光。预设划分频率由本领域技术人员根据实际情况进行自定义设置获得，例如，预设划分频率为550纳米，低于550纳米的电磁波划分为低频可见光，高于550纳米的电磁波划分为高频可见光。进一步地，对可见光特征变换系数集进行图像划分获得低频可见光红外变换系数集中低频可见光变换系数和高频可见光红外变换系数集中高频可见光变换系数。对红外特征变换系数集进行图像划分获得低频可见光红外变换系数集中低频红外变换系数和高频可见光红外变换系数集中高频红外变换系数。
进一步地，通过对低频可见光红外变换系数集中的低频可见光变换系数和低频红外变换系数进行梯度求和加权计算，用于对低频可见光变换系数和低频红外变换系数进行图像处理，生成图像低频融合特征变化系数。例如，对低频可见光变换系数和低频红外变换系数进行边缘检测、特征提取和图像增强等。如，在边缘检测中，利用低频可见光变换系数和低频红外变换系数的图像梯度计算边缘强度和方向，根据边缘信息来提取图像特征；在图像增强中，利用低频可见光变换系数和低频红外变换系数中图像梯度来增强图像的细节和轮廓，从而提高图像质量和清晰度。进一步地，对低频可见光变换系数和低频红外变换系数进行梯度求和加权计算是指对计算得到的图像梯度进行加权求和，以得到更精确的结果。其中，不同像素的梯度幅值和方向可能存在差异，因此需要进行加权求和，例如，加权系数可以根据像素的位置、灰度值、纹理等特征进行选择，也可以根据先验知识进行设定。
进一步地，对高频可见光红外变换系数集中的高频可见光变换系数和高频红外变换系数进行梯度求和的结果进行相关性方差分析，以评估梯度幅值和方向的可靠性，生成图像高频融合特征变化系数。其中，梯度计算可能受到多种因素的影响，如噪声、图像质量、光照条件等，因此，对计算得到的梯度进行可靠性评估，即分析梯度幅值和方向之间的相关性，以及梯度幅值和方向对高频可见光变换系数和高频红外变换系数的方差贡献，以保证处理结果的准确性。进一步地，当相关性较大且方差较小，那么说明高频可见光变换系数和高频红外变换系数的图像梯度的计算结果可靠程度较高；反之，如果方差较大且相关性较小，那么说明高频可见光变换系数和高频红外变换系数的图像梯度的计算结果可能存在较大误差，需要进一步改进或调整。
进一步地，基于图像低频融合特征变化系数和图像高频融合特征变化系数进行多尺度逆变换，即将图像低频融合特征变化系数和图像高频融合特征变化系数逆变换回图像得到茶叶生长可见红外图像信息集，进而可以提高图像处理精确度。
本公开实施例提供的方法中还包括：
对所述茶叶生长可见红外图像信息集进行预处理，获得标准茶叶生长可见红外图像信息集；
根据茶叶种植生长阶段，确定茶叶病斑阈值信息；
基于所述茶叶病斑阈值信息对所述标准茶叶生长可见红外图像信息集进行筛选，获取茶叶病虫害识别区域信息；
对所述茶叶病虫害识别区域信息进行多级特征识别，得到所述茶叶病虫害特征信息。
具体地，对茶叶生长可见红外图像信息集进行预处理，获得标准茶叶生长可见红外图像信息集。其中，预处理是指将茶叶生长可见红外图像进行一系列操作，以得到更适合后续处理的数据。例如，包括灰度化、噪声去除、图像增强、直方图均衡化等。
进一步地，根据茶叶种植生长阶段对应的不同生长特征，确定茶叶不同生长阶段的茶叶病斑阈值信息，即对不符合生长阶段对应的生长阶段特征的病虫害阈值进行确定。
进一步地，对标准茶叶生长可见红外图像信息集中包括茶叶病斑阈值信息的标准茶叶生长可见红外图像信息进行筛选，获取茶叶病虫害识别区域信息。例如，筛选方法可以为依次对标准茶叶生长可见红外图像信息集进行比对获得。
进一步地，对茶叶病虫害识别区域信息进行多级特征识别，得到茶叶病虫害特征信息。其中，通过特征提取方法，从茶叶病虫害识别区域信息中提取出多级别的特征，如边缘、角点、纹理等。根据多级别的特征反映出茶叶病虫害识别区域信息的不同层次的信息。例如，多级特征识别结合深度学习技术来实现。深度学习技术可以通过学习大量的数据来自动提取深层次的特征，并且可以自动调整网络参数来实现最佳的特征提取效果。如包括卷积神经网络、循环神经网络、生成对抗网络等。其中，确定茶叶病虫害特征信息，可以提高病虫害预警的效率。
本公开实施例提供的方法中还包括：
对所述茶叶病虫害识别区域信息进行感兴趣区域标记，获取茶叶病虫害区域锚框信息；
利用卷积神经网络结构对所述茶叶病虫害区域锚框信息进行多级特征提取，确定病虫害形态特征、病虫害尺寸特征和病虫害分布特征；
将所述病虫害形态特征、病虫害尺寸特征和病虫害分布特征进行融合，确定所述茶叶病虫害特征信息。
具体地，对茶叶病虫害识别区域信息进行感兴趣区域标记，获取茶叶病虫害区域锚框信息，用于提高后续的提取茶叶病虫害识别区域的效率。
进一步地，在卷积神经网络结构中，多级特征提取是通过一系列卷积层和池化层来实现的。每个卷积层都包含多个卷积核，用于在输入的茶叶病虫害区域锚框信息中执行卷积操作，以提取茶叶病虫害区域锚框信息的局部特征，如边缘、角点、纹理等。随着网络层数的加深，卷积核的感受野也逐渐增大，从而能够提取到更加全局化的特征。进一步地，池化层则用于对卷积层提取到的特征进行降维和抽象。进一步地，通过多个卷积层和池化层的堆叠，利用卷积神经网络结构可以逐层提取茶叶病虫害区域锚框信息的多级特征。进一步地，通过卷积神经网络结构中全连接层或分类器，对提取到的多级特征进行分类或识别，确定病虫害形态特征、病虫害尺寸特征和病虫害分布特征。
进一步地，将病虫害形态特征、病虫害尺寸特征和病虫害分布特征进行融合，确定茶叶病虫害特征信息。例如，病虫害形态特征为方形、病虫害尺寸特征为10毫米长和宽、病虫害分布特征为每20毫米分布一个的特征进行融合，确定茶叶病虫害特征信息。其中，获取茶叶病虫害特征信息可以提高进行病虫害预警的效率。
本公开实施例提供的方法中还包括：
基于茶叶病虫害资源库与所述茶叶病虫害特征信息进行匹配，确定茶叶病虫害类型信息；
对所述茶叶病虫害类型信息进行影响程度评价，获取茶叶病虫害类型影响因子信息；
按照所述茶叶病虫害类型信息进行病虫害发生面积统计，获得区域病虫害类型分布参数信息；
将所述茶叶病虫害类型影响因子信息和所述区域病虫害类型分布参数信息进行加权融合，得到茶叶病虫害损害参数信息；
基于所述茶叶病虫害类型信息和所述茶叶病虫害损害参数信息，确定所述茶叶病虫害分析结果。
具体地，基于大数据进行检索获取茶叶病虫害资源库。将茶叶病虫害特征信息与茶叶病虫害资源库进行匹配，确定茶叶病虫害类型信息。
进一步地，对茶叶病虫害类型信息进行影响程度评价，评价茶叶病虫害类型信息对应的茶叶病虫害对茶叶种植的危险影响程度，获取茶叶病虫害类型影响因子信息。例如，通过计算茶叶病虫害类型信息对应的茶叶病虫害对茶叶种植的生长干扰数量等进行影响程度评价，获得茶叶病虫害类型影响系数作为茶叶病虫害类型影响因子信息。
进一步地，按照茶叶病虫害类型信息进行对应茶叶病虫害类型的病虫害在茶叶种植区域的发生面积统计，获得区域病虫害类型分布参数信息，即各区域的病虫害类型分布数量。
进一步地，提取茶叶病虫害类型信息对应的茶叶病虫害类型，将茶叶病虫害类型信息和茶叶病虫害类型影响因子信息进行加权计算，获得茶叶病虫害类型信息对应的茶叶病虫害损害程度，根据茶叶病虫害损害程度对区域病虫害类型分布参数信息进行加和计算，融合得到茶叶病虫害损害参数信息。
进一步地，基于茶叶病虫害类型信息和对应的茶叶病虫害损害参数信息，对所有茶叶病虫害类型信息对应的茶叶病虫害损害参数信息进行加和计算，确定茶叶病虫害分析结果，即茶叶种植区域内茶叶病虫害的识别结果，进而提高进行茶叶病虫害预警的效率。
本公开实施例提供的方法中还包括：
构建病虫害治理策略，所述病虫害治理策略包括病虫害预警机制和病虫害治理措施空间；
基于所述茶叶病虫害分析结果与所述病虫害预警机制进行匹配，得到病虫害联动预警方式；
基于所述茶叶病虫害分析结果在所述病虫害治理措施空间内进行全局寻优，确定病虫害治理措施参数信息；
利用所述病虫害联动预警方式和所述病虫害治理措施参数信息，对所述茶叶种植区域进行病虫害预警治理。
具体地，病虫害预警机制为对病虫害进行预警的方式，病虫害治理措施空间为对病虫害进行治理措施的范围程度。进一步地，构建病虫害治理策略，病虫害治理策略包括病虫害预警机制和病虫害治理措施空间。其中，不同病虫害类型、等级对应的预警方式也不同。其中，病虫害预警机制可以基于大数据进行检索获得。
进一步地，根据茶叶病虫害分析结果中茶叶病虫害类型信息，匹配茶叶病虫害类型信息对应的病虫害预警机制，得到病虫害联动预警方式。
进一步地，基于茶叶病虫害分析结果在病虫害治理措施空间内进行全局寻优的搜索，确定病虫害治理措施参数信息。例如，全局寻优方法包括梯度下降法、遗传算法、粒子群算法、模拟退火算法和神经网络优化算法。如通过训练神经网络来学习病虫害联动预警方式的特征，并利用病虫害治理措施参数信息作为神经网络的输出。可以通过调整神经网络的参数和结构来搜索全局最优解。
进一步地，通过病虫害联动预警方式进行对茶叶种植区域的病虫害预警，通过全局寻优获得病虫害治理措施参数信息进行对茶叶种植区域的病虫害治理。其中，构建病虫害治理策略可以提高进行病虫害识别预警的效率和准确度。
实施例二：基于与前述实施例中用于茶叶种植的病虫害识别预警方法同样的发明构思，如图3所示，本公开还提供了用于茶叶种植的病虫害识别预警系统，所述系统包括：
监测角度分析模块11，所述监测角度分析模块11用于对茶叶种植区域进行监测角度分析，布设茶叶监测传感网络，所述茶叶监测传感网络包括CCD图像传感设备和红外成像仪；
茶叶生长图像信息集获得模块12，所述茶叶生长图像信息集获得模块12用于通过所述CCD图像传感设备按照预设拍摄区间对所述茶叶种植区域进行多时段采集，获取茶叶生长图像信息集；
茶叶生长红外图像信息集获得模块13，所述茶叶生长红外图像信息集获得模块13用于基于所述红外成像仪对所述茶叶种植区域进行红外成像，得到茶叶生长红外图像信息集；
茶叶生长可见红外图像信息集获得模块14，所述茶叶生长可见红外图像信息集获得模块14用于将所述茶叶生长图像信息集和所述茶叶生长红外图像信息集进行映射融合，生成茶叶生长可见红外图像信息集；
茶叶病虫害特征信息获得模块15，所述茶叶病虫害特征信息获得模块15用于对所述茶叶生长可见红外图像信息集进行预处理、多级特征识别，确定茶叶病虫害特征信息；
茶叶病虫害分析结果获得模块16，所述茶叶病虫害分析结果获得模块16用于基于茶叶病虫害资源库与所述茶叶病虫害特征信息进行匹配评价，获得茶叶病虫害分析结果，并基于所述茶叶病虫害分析结果进行病虫害联动预警。
进一步地，所述系统还包括：
茶叶生长可见光灰度图像集获得模块，所述茶叶生长可见光灰度图像集获得模块用于对所述茶叶生长图像信息集中的各生长图像进行灰度图转换，获取茶叶生长可见光灰度图像集；
茶叶生长红外灰度图像集获得模块，所述茶叶生长红外灰度图像集获得模块用于基于所述茶叶生长红外图像信息集进行温度分布区间转换，得到茶叶生长红外灰度图像集；
可见光特征变换系数集获得模块，所述可见光特征变换系数集获得模块用于分别对所述茶叶生长可见光灰度图像集和所述茶叶生长红外灰度图像集进行多尺度分解，得到可见光特征变换系数集和红外特征变换系数集；
映射融合模块，所述映射融合模块用于将所述可见光特征变换系数集和红外特征变换系数集进行映射融合、逆变换，生成所述茶叶生长可见红外图像信息集。
进一步地，所述系统还包括：
低频可见光红外变换系数集获得模块，所述低频可见光红外变换系数集获得模块用于对所述可见光特征变换系数集和红外特征变换系数集进行图像划分，获取低频可见光红外变换系数集和高频可见光红外变换系数集；
图像低频融合特征变化系数获得模块，所述图像低频融合特征变化系数获得模块用于通过对所述低频可见光红外变换系数集中的低频可见光变换系数和低频红外变换系数进行梯度求和加权计算，生成图像低频融合特征变化系数；
图像高频融合特征变化系数获得模块，所述图像高频融合特征变化系数获得模块用于对所述高频可见光红外变换系数集中的高频可见光变换系数和高频红外变换系数进行梯度求和相关性方差计算，生成图像高频融合特征变化系数；
茶叶生长可见红外图像信息集获得模块，所述茶叶生长可见红外图像信息集获得模块用于基于所述图像低频融合特征变化系数和所述图像高频融合特征变化系数进行多尺度逆变换，得到所述茶叶生长可见红外图像信息集。
进一步地，所述系统还包括：
标准茶叶生长可见红外图像信息集获得模块，所述标准茶叶生长可见红外图像信息集获得模块用于对所述茶叶生长可见红外图像信息集进行预处理，获得标准茶叶生长可见红外图像信息集；
茶叶病斑阈值信息获得模块，所述茶叶病斑阈值信息获得模块用于根据茶叶种植生长阶段，确定茶叶病斑阈值信息；
茶叶病虫害识别区域信息获得模块，所述茶叶病虫害识别区域信息获得模块用于基于所述茶叶病斑阈值信息对所述标准茶叶生长可见红外图像信息集进行筛选，获取茶叶病虫害识别区域信息；
茶叶病虫害特征信息获得模块，所述茶叶病虫害特征信息获得模块用于对所述茶叶病虫害识别区域信息进行多级特征识别，得到所述茶叶病虫害特征信息。
进一步地，所述系统还包括：
茶叶病虫害区域锚框信息获得模块，所述茶叶病虫害区域锚框信息获得模块用于对所述茶叶病虫害识别区域信息进行感兴趣区域标记，获取茶叶病虫害区域锚框信息；
多级特征提取模块，所述多级特征提取模块用于利用卷积神经网络结构对所述茶叶病虫害区域锚框信息进行多级特征提取，确定病虫害形态特征、病虫害尺寸特征和病虫害分布特征；
茶叶病虫害特征信息获得模块，所述茶叶病虫害特征信息获得模块用于将所述病虫害形态特征、病虫害尺寸特征和病虫害分布特征进行融合，确定所述茶叶病虫害特征信息。
进一步地，所述系统还包括：
茶叶病虫害类型信息获得模块，所述茶叶病虫害类型信息获得模块用于基于茶叶病虫害资源库与所述茶叶病虫害特征信息进行匹配，确定茶叶病虫害类型信息；
茶叶病虫害类型影响因子信息获得模块，所述茶叶病虫害类型影响因子信息获得模块用于对所述茶叶病虫害类型信息进行影响程度评价，获取茶叶病虫害类型影响因子信息；
区域病虫害类型分布参数信息获得模块，所述区域病虫害类型分布参数信息获得模块用于按照所述茶叶病虫害类型信息进行病虫害发生面积统计，获得区域病虫害类型分布参数信息；
茶叶病虫害损害参数信息获得模块，所述茶叶病虫害损害参数信息获得模块用于将所述茶叶病虫害类型影响因子信息和所述区域病虫害类型分布参数信息进行加权融合，得到茶叶病虫害损害参数信息；
茶叶病虫害分析结果获得模块，所述茶叶病虫害分析结果获得模块用于基于所述茶叶病虫害类型信息和所述茶叶病虫害损害参数信息，确定所述茶叶病虫害分析结果。
进一步地，所述系统还包括：
病虫害治理策略获得模块，所述病虫害治理策略获得模块用于构建病虫害治理策略，所述病虫害治理策略包括病虫害预警机制和病虫害治理措施空间；
病虫害联动预警方式获得模块，所述病虫害联动预警方式获得模块用于基于所述茶叶病虫害分析结果与所述病虫害预警机制进行匹配，得到病虫害联动预警方式；
病虫害治理措施参数信息获得模块，所述病虫害治理措施参数信息获得模块用于基于所述茶叶病虫害分析结果在所述病虫害治理措施空间内进行全局寻优，确定病虫害治理措施参数信息；
病虫害预警治理模块，所述病虫害预警治理模块用于利用所述病虫害联动预警方式和所述病虫害治理措施参数信息，对所述茶叶种植区域进行病虫害预警治理。
前述实施例一中的用于茶叶种植的病虫害识别预警方法具体实例同样适用于本实施例的用于茶叶种植的病虫害识别预警系统，通过前述对用于茶叶种植的病虫害识别预警方法的详细描述，本领域技术人员可以清楚地知道本实施例中用于茶叶种植的病虫害识别预警系统，所以为了说明书的简洁，在此不再详述。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述得比较简单，相关之处参见方法部分说明即可。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合和替代。任何在本公开的精神和原则之内所做的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (6)
1.用于茶叶种植的病虫害识别预警方法，其特征在于，所述方法包括：
对茶叶种植区域进行监测角度分析，布设茶叶监测传感网络，所述茶叶监测传感网络包括CCD图像传感设备和红外成像仪；
通过所述CCD图像传感设备按照预设拍摄区间对所述茶叶种植区域进行多时段采集，获取茶叶生长图像信息集；
基于所述红外成像仪对所述茶叶种植区域进行红外成像，得到茶叶生长红外图像信息集；
将所述茶叶生长图像信息集和所述茶叶生长红外图像信息集进行映射融合，生成茶叶生长可见红外图像信息集；
对所述茶叶生长可见红外图像信息集进行预处理、多级特征提取，确定茶叶病虫害特征信息；
所述确定茶叶病虫害特征信息包括：
对所述茶叶生长可见红外图像信息集进行预处理，获得标准茶叶生长可见红外图像信息集；
根据茶叶种植生长阶段，确定茶叶病斑阈值信息；
基于所述茶叶病斑阈值信息对所述标准茶叶生长可见红外图像信息集进行筛选，获取茶叶病虫害识别区域信息；
对所述茶叶病虫害识别区域信息进行多级特征提取，得到所述茶叶病虫害特征信息；
所述确定茶叶病虫害特征信息还包括：
对所述茶叶病虫害识别区域信息进行感兴趣区域标记，获取茶叶病虫害区域锚框信息；
利用卷积神经网络结构对所述茶叶病虫害区域锚框信息进行多级特征提取，确定病虫害形态特征、病虫害尺寸特征和病虫害分布特征；
将所述病虫害形态特征、病虫害尺寸特征和病虫害分布特征进行融合，确定所述茶叶病虫害特征信息；
基于茶叶病虫害资源库与所述茶叶病虫害特征信息进行匹配评价，获得茶叶病虫害分析结果，并基于所述茶叶病虫害分析结果进行病虫害联动预警。
2.如权利要求1所述的方法，其特征在于，所述生成茶叶生长可见红外图像信息集，包括：
对所述茶叶生长图像信息集中的各生长图像进行灰度图转换，获取茶叶生长可见光灰度图像集；
基于所述茶叶生长红外图像信息集进行温度分布区间转换，得到茶叶生长红外灰度图像集；
分别对所述茶叶生长可见光灰度图像集和所述茶叶生长红外灰度图像集进行多尺度分解，得到可见光特征变换系数集和红外特征变换系数集；
将所述可见光特征变换系数集和红外特征变换系数集进行映射融合、逆变换，生成所述茶叶生长可见红外图像信息集。
3.如权利要求2所述的方法，其特征在于，所述生成所述茶叶生长可见红外图像信息集，包括：
对所述可见光特征变换系数集和红外特征变换系数集进行图像划分，获取低频可见光红外变换系数集和高频可见光红外变换系数集；
通过对所述低频可见光红外变换系数集中的低频可见光变换系数和低频红外变换系数进行梯度求和加权计算，生成图像低频融合特征变化系数，其中，所述梯度求和加权计算是指对计算得到的图像梯度进行加权求和；
对所述高频可见光红外变换系数集中的高频可见光变换系数和高频红外变换系数进行梯度求和相关性方差计算，生成图像高频融合特征变化系数，其中，所述梯度求和相关性方差计算是指对高频可见光红外变换系数集中的高频可见光变换系数和高频红外变换系数进行梯度求和的结果进行相关性方差分析；
基于所述图像低频融合特征变化系数和所述图像高频融合特征变化系数进行多尺度逆变换，得到所述茶叶生长可见红外图像信息集。
4.如权利要求1所述的方法，其特征在于，所述获得茶叶病虫害分析结果，包括：
基于茶叶病虫害资源库与所述茶叶病虫害特征信息进行匹配，确定茶叶病虫害类型信息；
对所述茶叶病虫害类型信息进行影响程度评价，获取茶叶病虫害类型影响因子信息；
按照所述茶叶病虫害类型信息进行病虫害发生面积统计，获得区域病虫害类型分布参数信息；
将所述茶叶病虫害类型影响因子信息和所述区域病虫害类型分布参数信息进行加权融合，得到茶叶病虫害损害参数信息；
基于所述茶叶病虫害类型信息和所述茶叶病虫害损害参数信息，确定所述茶叶病虫害分析结果。
5.如权利要求4所述的方法，其特征在于，所述方法包括：
构建病虫害治理策略，所述病虫害治理策略包括病虫害预警机制和病虫害治理措施空间；
基于所述茶叶病虫害分析结果与所述病虫害预警机制进行匹配，得到病虫害联动预警方式；
基于所述茶叶病虫害分析结果在所述病虫害治理措施空间内进行全局寻优，确定病虫害治理措施参数信息；
利用所述病虫害联动预警方式和所述病虫害治理措施参数信息，对所述茶叶种植区域进行病虫害预警治理。
6.用于茶叶种植的病虫害识别预警系统，其特征在于，用于实施权利要求1-5中任意一项所述的用于茶叶种植的病虫害识别预警方法，所述系统包括：
监测角度分析模块，所述监测角度分析模块用于对茶叶种植区域进行监测角度分析，布设茶叶监测传感网络，所述茶叶监测传感网络包括CCD图像传感设备和红外成像仪；
茶叶生长图像信息集获得模块，所述茶叶生长图像信息集获得模块用于通过所述CCD图像传感设备按照预设拍摄区间对所述茶叶种植区域进行多时段采集，获取茶叶生长图像信息集；
茶叶生长红外图像信息集获得模块，所述茶叶生长红外图像信息集获得模块用于基于所述红外成像仪对所述茶叶种植区域进行红外成像，得到茶叶生长红外图像信息集；
茶叶生长可见红外图像信息集获得模块，所述茶叶生长可见红外图像信息集获得模块用于将所述茶叶生长图像信息集和所述茶叶生长红外图像信息集进行映射融合，生成茶叶生长可见红外图像信息集；
茶叶病虫害特征信息获得模块，所述茶叶病虫害特征信息获得模块用于对所述茶叶生长可见红外图像信息集进行预处理、多级特征提取，确定茶叶病虫害特征信息；
所述茶叶病虫害特征信息获得模块用于：
标准茶叶生长可见红外图像信息集获得模块，所述标准茶叶生长可见红外图像信息集获得模块用于对所述茶叶生长可见红外图像信息集进行预处理，获得标准茶叶生长可见红外图像信息集；
茶叶病斑阈值信息确定模块，所述茶叶病斑阈值信息确定模块用于根据茶叶种植生长阶段，确定茶叶病斑阈值信息；
茶叶病虫害识别区域信息获取模块，所述茶叶病虫害识别区域信息获取模块用于基于所述茶叶病斑阈值信息对所述标准茶叶生长可见红外图像信息集进行筛选，获取茶叶病虫害识别区域信息；
茶叶病虫害特征信息得到模块，所述茶叶病虫害特征信息得到模块用于对所述茶叶病虫害识别区域信息进行多级特征提取，得到所述茶叶病虫害特征信息；
所述茶叶病虫害特征信息获得模块还用于：
茶叶病虫害区域锚框信息获取模块，所述茶叶病虫害区域锚框信息获取模块用于对所述茶叶病虫害识别区域信息进行感兴趣区域标记，获取茶叶病虫害区域锚框信息；
病虫害形态特征确定模块，所述病虫害形态特征确定模块用于利用卷积神经网络结构对所述茶叶病虫害区域锚框信息进行多级特征提取，确定病虫害形态特征、病虫害尺寸特征和病虫害分布特征；
茶叶病虫害特征信息确定模块，所述茶叶病虫害特征信息确定模块用于将所述病虫害形态特征、病虫害尺寸特征和病虫害分布特征进行融合，确定所述茶叶病虫害特征信息；
茶叶病虫害分析结果获得模块，所述茶叶病虫害分析结果获得模块用于基于茶叶病虫害资源库与所述茶叶病虫害特征信息进行匹配评价，获得茶叶病虫害分析结果，并基于所述茶叶病虫害分析结果进行病虫害联动预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311587589.5A CN117576564B (zh) | 2023-11-27 | 2023-11-27 | 用于茶叶种植的病虫害识别预警方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311587589.5A CN117576564B (zh) | 2023-11-27 | 2023-11-27 | 用于茶叶种植的病虫害识别预警方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117576564A CN117576564A (zh) | 2024-02-20 |
| CN117576564B true CN117576564B (zh) | 2024-04-19 |
Family
ID=89895162
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311587589.5A Active CN117576564B (zh) | 2023-11-27 | 2023-11-27 | 用于茶叶种植的病虫害识别预警方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117576564B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102084794A (zh) * | 2010-10-22 | 2011-06-08 | 华南农业大学 | 多传感器信息融合的作物病虫害早期检测方法及装置 |
| CN108346143A (zh) * | 2018-01-30 | 2018-07-31 | 浙江大学 | 一种基于无人机多源图像融合的作物病害监测方法和系统 |
| CN109658371A (zh) * | 2018-12-05 | 2019-04-19 | 北京林业大学 | 红外图像与可见光图像的融合方法、系统及相关设备 |
| CN114332621A (zh) * | 2021-12-30 | 2022-04-12 | 华智生物技术有限公司 | 一种基于多模型特征融合的病虫害识别方法及系统 |
| CN114399682A (zh) * | 2022-01-18 | 2022-04-26 | 李士金 | 一种林业病虫害的长效防治方法及系统 |
| WO2023134103A1 (zh) * | 2022-01-14 | 2023-07-20 | 无锡英菲感知技术有限公司 | 图像融合方法、设备以及存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108387262B (zh) * | 2018-01-03 | 2020-05-01 | 江苏大学 | 一种基于悬挂式滑轨平台的温室信息自动监测方法 |
| CN110246108B (zh) * | 2018-11-21 | 2023-06-20 | 浙江大华技术股份有限公司 | 一种图像处理方法、装置及计算机可读存储介质 |
-
2023
- 2023-11-27 CN CN202311587589.5A patent/CN117576564B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102084794A (zh) * | 2010-10-22 | 2011-06-08 | 华南农业大学 | 多传感器信息融合的作物病虫害早期检测方法及装置 |
| CN108346143A (zh) * | 2018-01-30 | 2018-07-31 | 浙江大学 | 一种基于无人机多源图像融合的作物病害监测方法和系统 |
| CN109658371A (zh) * | 2018-12-05 | 2019-04-19 | 北京林业大学 | 红外图像与可见光图像的融合方法、系统及相关设备 |
| CN114332621A (zh) * | 2021-12-30 | 2022-04-12 | 华智生物技术有限公司 | 一种基于多模型特征融合的病虫害识别方法及系统 |
| WO2023134103A1 (zh) * | 2022-01-14 | 2023-07-20 | 无锡英菲感知技术有限公司 | 图像融合方法、设备以及存储介质 |
| CN114399682A (zh) * | 2022-01-18 | 2022-04-26 | 李士金 | 一种林业病虫害的长效防治方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| Adaptive feature fusion pyramid network for multi-classes agricultural pest detection;Lin Jiao等;《Computer and Electronics in Agriculture》;20220303;第195卷;1-9 * |
| Ziheng Feng等.Monitoring wheat powdery mildew based on hyperspectral,thermal infrared,and RGB image data fusion.《Sensors》.2021,第22卷(第01期),1-19. * |
| 基于CBR-RBR集成和深度学习方法的茶树病虫害专家系统的研究;张纪华;《中国优秀硕士学位论文全文数据库 农业科技辑》;20200315;第2020卷(第03期);D046-83 * |
| 多通道深度可分离卷积模型实时识别复杂背景下甜菜与杂草;孙俊等;《农业工程学报》;20190613;第35卷(第12期);184-190 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117576564A (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109035188B (zh) | 一种基于目标特征驱动的智能图像融合方法 | |
| US8139867B2 (en) | Image segregation system architecture | |
| US8139850B2 (en) | Constraint generation for use in image segregation | |
| Al-Hiary et al. | Fast and accurate detection and classification of plant diseases | |
| Pacifici et al. | Automatic change detection in very high resolution images with pulse-coupled neural networks | |
| US20100142846A1 (en) | Solver for image segregation | |
| US8260050B2 (en) | Test bed for optimizing an image segregation | |
| CN106295124A (zh) | 利用多种图像检测技术综合分析基因子图相似概率量的方法 | |
| CN111639587B (zh) | 基于多尺度谱空卷积神经网络的高光谱图像分类方法 | |
| Masood et al. | Plants disease segmentation using image processing | |
| WO2014004271A2 (en) | Method and system for use of intrinsic images in an automotive driver-vehicle-assistance device | |
| Patil et al. | Enhanced radial basis function neural network for tomato plant disease leaf image segmentation | |
| CN114782298B (zh) | 一种具有区域注意力的红外与可见光图像融合方法 | |
| CN105512622A (zh) | 一种基于图分割和监督学习的可见光遥感图像海陆分割方法 | |
| Jenifa et al. | Classification of cotton leaf disease using multi-support vector machine | |
| CN114140445A (zh) | 基于重点关注区域提取的乳腺癌病理图像识别方法 | |
| CN112330562B (zh) | 一种异构遥感图像变换方法及系统 | |
| CN117576564B (zh) | 用于茶叶种植的病虫害识别预警方法与系统 | |
| CN117115675A (zh) | 一种跨时相轻量化空谱特征融合高光谱变化检测方法、系统、设备及介质 | |
| Aparna et al. | Analytical approach for soil and land classification using image processing with deep learning | |
| CN114862883A (zh) | 一种目标边缘提取方法、图像分割方法及系统 | |
| Sheikh et al. | Noise tolerant classification of aerial images into manmade structures and natural-scene images based on statistical dispersion measures | |
| CN113177499A (zh) | 基于计算机视觉的舌裂纹形状识别方法及识别系统 | |
| Moumtzidou et al. | Flood detection with Sentinel-2 satellite images in crisis management systems. | |
| Xue et al. | Detection of young green apples in orchard environment using adaptive ratio chromatic aberration and HOG-SVM |
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 |