CN117643252B - 一种克服半夏连作障碍的设施栽培方法 - Google Patents
一种克服半夏连作障碍的设施栽培方法 Download PDFInfo
- Publication number
- CN117643252B CN117643252B CN202410048492.5A CN202410048492A CN117643252B CN 117643252 B CN117643252 B CN 117643252B CN 202410048492 A CN202410048492 A CN 202410048492A CN 117643252 B CN117643252 B CN 117643252B
- Authority
- CN
- China
- Prior art keywords
- pinellia
- leaf
- local
- feature
- ternate
- 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
- 241001522129 Pinellia Species 0.000 title claims abstract description 242
- 238000009335 monocropping Methods 0.000 title claims abstract description 36
- 238000012364 cultivation method Methods 0.000 title claims abstract description 21
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 63
- 241000238631 Hexapoda Species 0.000 claims abstract description 39
- 241000196324 Embryophyta Species 0.000 claims abstract description 38
- 201000010099 disease Diseases 0.000 claims abstract description 36
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000012010 growth Effects 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims description 114
- 239000011159 matrix material Substances 0.000 claims description 78
- 238000013527 convolutional neural network Methods 0.000 claims description 31
- 238000011176 pooling Methods 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 10
- 239000002985 plastic film Substances 0.000 claims description 9
- 229920006255 plastic film Polymers 0.000 claims description 9
- 230000004720 fertilization Effects 0.000 claims description 5
- 238000003306 harvesting Methods 0.000 claims description 5
- 238000003973 irrigation Methods 0.000 claims description 5
- 230000002262 irrigation Effects 0.000 claims description 5
- 239000002689 soil Substances 0.000 claims description 5
- 239000000758 substrate Substances 0.000 claims description 5
- 238000009333 weeding Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 2
- 238000000844 transformation Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 19
- 230000002265 prevention Effects 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 5
- 230000002829 reductive effect Effects 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000036961 partial effect Effects 0.000 description 3
- 238000000547 structure data Methods 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010053759 Growth retardation Diseases 0.000 description 1
- 206010062717 Increased upper airway secretion Diseases 0.000 description 1
- 206010047700 Vomiting Diseases 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000009036 growth inhibition Effects 0.000 description 1
- 231100000001 growth retardation Toxicity 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 208000026435 phlegm Diseases 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000008673 vomiting Effects 0.000 description 1
Landscapes
- Catching Or Destruction (AREA)
- Image Analysis (AREA)
Abstract
公开了一种克服半夏连作障碍的设施栽培方法。其首先通过摄像头采集半夏叶片图像，然后，基于所述半夏叶片图像，生成病虫害防治建议。这样，可以利用基于深度学习的图像处理与识别技术来对半夏叶片图像进行分析与处理，以识别当前半夏的生长状态和受到的病虫害类型，并基于此来提供相应的防治建议，从而帮助栽培者及时采取措施，减少病虫害对半夏的损害。
Description
技术领域
本申请涉及智能化栽培领域，且更为具体地，涉及一种克服半夏连作障碍的设施栽培方法。
背景技术
半夏是一种重要的中药材，具有清热、止呕、化痰等功效。然而，半夏的栽培面临着连作障碍的问题，即在同一块土地上连续种植半夏，会导致半夏的生长受阻、产量降低、品质下降。
因此，期待一种克服半夏连作障碍的设施栽培方法。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种克服半夏连作障碍的设施栽培方法,其可以利用基于深度学习的图像处理与识别技术来对半夏叶片图像进行分析与处理，以识别当前半夏的生长状态和受到的病虫害类型，并基于此来提供相应的防治建议，从而帮助栽培者及时采取措施，减少病虫害对半夏的损害。
根据本申请的一个方面，提供了一种克服半夏连作障碍的设施栽培方法，包括步骤：选择半夏的栽培设施，在所述栽培设施内铺设塑料薄膜以隔离土壤和空气，并在所述塑料薄膜上铺设预定量的基质；在所述基质上按照预定密度种植半夏种子；在所述半夏种子的生长期间进行灌溉、施肥和除草；在所述半夏种子的生长期间进行病虫害防治；以及，在所述半夏种子成熟时进行采收、晾晒和存储，其中，在所述半夏种子的生长期间进行病虫害防治，包括：
通过摄像头采集半夏叶片图像；以及
基于所述半夏叶片图像，生成病虫害防治建议。
与现有技术相比，本申请提供的克服半夏连作障碍的设施栽培方法，其首先通过摄像头采集半夏叶片图像，然后，基于所述半夏叶片图像，生成病虫害防治建议。这样，可以利用基于深度学习的图像处理与识别技术来对半夏叶片图像进行分析与处理，以识别当前半夏的生长状态和受到的病虫害类型，并基于此来提供相应的防治建议，从而帮助栽培者及时采取措施，减少病虫害对半夏的损害。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。
图1为根据本申请实施例的克服半夏连作障碍的设施栽培方法的流程图。
图2为根据本申请实施例的克服半夏连作障碍的设施栽培方法的子步骤S4的流程图。
图3为根据本申请实施例的克服半夏连作障碍的设施栽培方法的子步骤S42的流程图。
图4为根据本申请实施例的克服半夏连作障碍的设施栽培方法的子步骤S421的流程图。
图5为根据本申请实施例的克服半夏连作障碍的设施栽培方法的子步骤S422的流程图。
图6为根据本申请实施例的克服半夏连作障碍的设施栽培方法的子步骤S424的流程图。
图7为根据本申请实施例的克服半夏连作障碍的设施栽培系统的框图。
图8为根据本申请实施例的克服半夏连作障碍的设施栽培方法的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，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他实施例，也属于本申请保护的范围。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
本申请提供了一种克服半夏连作障碍的设施栽培方法，其具体步骤，如图1所示，包括：S1，选择半夏的栽培设施，在所述栽培设施内铺设塑料薄膜以隔离土壤和空气，并在所述塑料薄膜上铺设预定量的基质；S2，在所述基质上按照预定密度种植半夏种子；S3，在所述半夏种子的生长期间进行灌溉、施肥和除草；S4，在所述半夏种子的生长期间进行病虫害防治；以及，S5，在所述半夏种子成熟时进行采收、晾晒和存储。
应可以理解，在半夏的生长过程中，病虫害会对半夏植株造成伤害，导致生长受阻、产量降低和品质下降。传统的病虫害防治方法依赖于人工巡查和经验判断，容易出现漏检和误判的情况。此外，病虫害防治的时机和方法选择存在一定的主观性和困难性。具体来说，不同类型的病虫害可能需要不同的防治措施，而且在实际操作中，决策者需要综合考虑多个因素，如天气、土壤条件、植株生长状态等，以选择适当的防治时机和方法。
针对上述技术问题，本申请的技术构思是利用AI技术来识别半夏田地中的病虫害。具体来说，利用基于深度学习的图像处理与识别技术来对半夏叶片图像进行分析与处理，以识别当前半夏的生长状态和受到的病虫害类型，并基于此来提供相应的防治建议。这样，帮助栽培者及时采取措施，减少病虫害对半夏的损害。
基于此，图2为根据本申请实施例的克服半夏连作障碍的设施栽培方法的子步骤S4的流程图。如图2所示，根据本申请实施例的克服半夏连作障碍的设施栽培方法，在所述半夏种子的生长期间进行病虫害防治，包括：S41，通过摄像头采集半夏叶片图像；以及，S42，基于所述半夏叶片图像，生成病虫害防治建议。
其中，在步骤S42中，如图3所示，基于所述半夏叶片图像，生成病虫害防治建议，包括：S421，提取所述半夏叶片图像的叶片表面局部特征以得到半夏叶片表面局部特征向量的序列；S422，提取所述半夏叶片表面局部特征向量的序列之间的拓扑关系以得到局部特征相关度拓扑特征矩阵；S423，融合所述半夏叶片表面局部特征向量的序列和所述局部特征相关度拓扑特征矩阵以得到局部关系拓扑半夏叶片表面全局特征矩阵；以及，S424，基于所述局部关系拓扑半夏叶片表面全局特征矩阵，生成所述病虫害防治建议。
应可以理解，在步骤S421中，通过对半夏叶片图像进行分析和处理，提取叶片表面的局部特征，这些局部特征可以包括颜色、纹理、形状等信息。提取的局部特征将被组织成一个特征向量的序列，每个特征向量代表一个局部特征。在步骤S422中，分析并提取半夏叶片表面局部特征向量序列之间的拓扑关系。拓扑关系可以包括局部特征向量之间的相似性、距离等信息。通过提取这些拓扑关系，可以得到一个局部特征相关度拓扑特征矩阵，该矩阵反映了局部特征向量之间的关联程度。在步骤S423中，将半夏叶片表面局部特征向量的序列和局部特征相关度拓扑特征矩阵进行融合，融合的目的是将局部特征和局部关系拓扑信息结合起来，得到一个全局特征矩阵，该矩阵包含了半夏叶片表面的整体特征。在步骤S424中，根据局部关系拓扑半夏叶片表面全局特征矩阵，进行病虫害分析和判断，通过对矩阵中的特征进行分析，可以识别出可能存在的病虫害问题，并生成相应的防治建议，这些建议可以包括病虫害的识别、病虫害的原因分析、病虫害的防治方法等内容。综合来说，通过这一基于半夏叶片图像的病虫害防治建议生成流程，可以从叶片表面局部特征提取、局部特征相关度拓扑特征提取、局部关系拓扑全局特征融合和病虫害防治建议生成等步骤，对半夏叶片的状况进行分析和判断，并给出相应的防治建议。
具体地，在本申请的技术方案中，首先获取由摄像头采集的半夏叶片图像。在实际进行图像采集过程中，可以将摄像头安装在半夏栽培设施内部，以便拍摄到半夏植株的叶片。摄像头可以设置在适当的角度和位置，以确保能够捕捉到清晰、全面的叶片图像。
然后，提取所述半夏叶片图像的叶片表面局部特征以得到半夏叶片表面局部特征向量的序列。这里，通过分析叶片的表面特征，可以获得有关叶片形态、纹理、颜色等方面的信息，这些特征可以与已知的病虫害特征进行比较和匹配，从而实现病虫害的自动检测和分类。
在本申请的一个具体示例中，在步骤S421中，如图4所示，提取所述半夏叶片图像的叶片表面局部特征以得到半夏叶片表面局部特征向量的序列的编码过程，包括：S4211，将所述半夏叶片图像通过基于卷积神经网络模型的叶片表面特征提取器以得到半夏叶片表面特征图；以及，S4212，将所述半夏叶片表面特征图的沿通道维度的各个特征矩阵展开为特征向量以得到所述半夏叶片表面局部特征向量的序列。
应可以理解，在步骤S4211中，使用基于卷积神经网络(CNN)的叶片表面特征提取器对半夏叶片图像进行处理，卷积神经网络是一种深度学习模型，能够有效地提取图像中的特征。通过将半夏叶片图像输入到叶片表面特征提取器中，可以得到一个半夏叶片表面特征图，该特征图表示了叶片表面的局部特征分布情况。在步骤S4212中，对半夏叶片表面特征图进行处理，将其沿通道维度的各个特征矩阵展开为特征向量，特征矩阵是特征图中的每个通道所对应的矩阵，展开后的特征向量表示了每个局部特征的数值信息，通过将特征矩阵展开为特征向量，并按照顺序组成一个序列，可以得到半夏叶片表面的局部特征向量序列。综合来说，S4211和S4212是提取半夏叶片表面局部特征的编码过程，步骤S4211利用卷积神经网络模型提取叶片表面特征图，捕获图像中的局部特征信息，步骤S4212将特征图中的各个特征矩阵展开为特征向量序列，用于表示叶片表面的局部特征，这两个步骤的目的是将半夏叶片图像转化为可用于后续处理的数值表示，为后续步骤的特征提取和分析提供输入。
也就是，在本申请的技术方案中，叶片表面局部特征的提取利用基于卷积神经网络模型的特征提取器来实现。具体来说，卷积神经网络在图像处理领域具有很好的应用效果，可以有效地提取图像的局部特征，例如边缘、纹理等。通过将半夏叶片图像输入到卷积神经网络中，可以获得叶片表面的局部特征图，进一步进行后续的特征分析和病虫害分类。
具体地，在步骤S4211中，所述基于卷积神经网络模型的叶片表面特征提取器包括第一输入层、第一卷积层、第一激活层、第一池化层和第一输出层。更具体地，将所述半夏叶片图像通过基于卷积神经网络模型的叶片表面特征提取器以得到半夏叶片表面特征图，包括：通过所述基于卷积神经网络模型的叶片表面特征提取器的各层在层的正向传递中对输入数据分别进行三维卷积处理、均值池化处理和非线性激活处理以由所述基于卷积神经网络模型的叶片表面特征提取器的最后一层的输出所述半夏叶片表面特征图，其中，所述基于卷积神经网络模型的叶片表面特征提取器的第一层的输入为所述半夏叶片图像。
值得一提的是，卷积神经网络(Convolutional Neural Network，CNN)是一种深度学习模型，特别适用于处理具有网格结构数据的任务。卷积神经网络的主要特点是通过卷积层、池化层和全连接层等组件来提取和学习图像中的特征。以下是卷积神经网络中常见的几个关键组件：1.卷积层(Convolutional Layer)：卷积层通过滑动的卷积核对输入数据进行卷积操作，提取图像的局部特征。卷积核的参数是可学习的，通过反向传播算法进行训练，使网络能够学习到合适的特征提取模式。2.激活层(Activation Layer)：激活层引入非线性变换，对卷积层输出的特征进行激活，增加网络的表达能力。常用的激活函数包括ReLU、Sigmoid和Tanh等。3.池化层(Pooling Layer)：池化层用于减小特征图的尺寸，并保留主要的特征信息。常见的池化操作包括最大池化(Max Pooling)和平均池化(AveragePooling)。4.全连接层(Fully Connected Layer)：全连接层将前一层的特征映射连接到输出层，用于进行分类或回归等任务。全连接层的输出可以通过softmax函数进行分类概率的计算。卷积神经网络模型的设计通常包括多个卷积层和池化层的堆叠，以及全连接层和激活层的组合。通过多层的卷积和池化操作，网络可以逐渐提取更高级别的特征，并通过全连接层进行分类或回归等任务。在提取半夏叶片表面特征的过程中，基于卷积神经网络模型的叶片表面特征提取器会利用卷积层、池化层和激活层等组件对输入的半夏叶片图像进行特征提取，最终得到半夏叶片表面特征图。这些特征图将包含半夏叶片表面的局部特征信息，用于后续的特征提取和分析。
然后，提取所述半夏叶片表面局部特征向量的序列之间的拓扑关系以得到局部特征相关度拓扑特征矩阵。也就是，捕捉叶片表面局部特征之间的空间关系。应可以理解，叶片表面的局部特征通常不是独立存在的，它们之间可能存在一定的关联和相关性。局部特征向量序列之间的拓扑关系才能建立起完整的关于病虫害检测的目标信息。
在本申请的一个具体示例中，在步骤S422中，如图5所示，提取所述半夏叶片表面局部特征向量的序列之间的拓扑关系以得到局部特征相关度拓扑特征矩阵的编码过程，包括：S4221，计算所述半夏叶片表面局部特征向量的序列中任意两个半夏叶片表面局部特征向量之间的相关度以得到局部特征相关度拓扑矩阵；以及，S4222，将所述局部特征相关度拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到所述局部特征相关度拓扑特征矩阵。其中，计算半夏叶片表面局部特征向量序列中任意两个半夏叶片表面局部特征向量之间的相关度是为了衡量它们之间的相似性和相关程度，以度量他们之间的关联关系。
应可以理解，在步骤S4221中，对半夏叶片表面局部特征向量序列中的任意两个特征向量进行相关度计算。相关度用于衡量两个特征向量之间的相似性和相关程度，以度量它们之间的关联关系，常用的相关度计算方法包括欧氏距离、余弦相似度等，通过计算局部特征向量序列中所有特征向量之间的相关度，可以得到一个局部特征相关度拓扑矩阵，该矩阵表示了特征向量之间的关联关系。在步骤S4222中，使用基于卷积神经网络模型的拓扑特征提取器对局部特征相关度拓扑矩阵进行处理。拓扑特征提取器是一个专门设计用于提取拓扑特征的网络模型，通过将局部特征相关度拓扑矩阵输入到拓扑特征提取器中，可以得到一个局部特征相关度拓扑特征矩阵，该矩阵表示了局部特征之间的拓扑关系，拓扑关系可以描述特征之间的空间位置、连接性等信息，有助于进一步分析和理解特征之间的关系。综合来说，S4221和S4222是提取局部特征相关度拓扑特征矩阵的编码过程，步骤S4221通过计算局部特征向量序列中的相关度，得到局部特征相关度拓扑矩阵，用于表示特征向量之间的关联关系，步骤S4222利用基于卷积神经网络模型的拓扑特征提取器对局部特征相关度拓扑矩阵进行处理，得到局部特征相关度拓扑特征矩阵，用于表示特征之间的拓扑关系，这两个步骤的目的是将局部特征向量序列转化为可用于后续分析的数值表示，并捕捉特征之间的关联和拓扑结构。
相应地，在步骤S4221中，计算所述半夏叶片表面局部特征向量的序列中任意两个半夏叶片表面局部特征向量之间的相关度以得到局部特征相关度拓扑矩阵，包括：以如下相关度公式计算所述半夏叶片表面局部特征向量的序列中任意两个半夏叶片表面局部特征向量之间的相关度；其中，所述相关度公式为：
其中，Vc为所述半夏叶片表面局部特征向量的序列中任意两个半夏叶片表面局部特征向量的前一个半夏叶片表面局部特征向量，Vd为所述半夏叶片表面局部特征向量的序列中任意两个半夏叶片表面局部特征向量的后一个半夏叶片表面局部特征向量，和/>为两种不同的线性变换，/>为所述前一个半夏叶片表面局部特征向量和所述后一个半夏叶片表面局部特征向量之间的相关度，(·)T表示转置操作。
相应地，在步骤S4222中，所述基于卷积神经网络模型的拓扑特征提取器包括第二输入层、第二卷积层、第二激活层、第二池化层和第二输出层。
进一步地，将所述半夏叶片表面局部特征向量的序列和所述局部特征相关度拓扑特征矩阵通过图神经网络模型以得到局部关系拓扑半夏叶片表面全局特征矩阵。也就是，利用图神经网络模型来学习半夏叶片表面局部特征以及各个局部特征之间的关联关系以从全局的角度综合考虑叶片表面的特征信息。
这里，图神经网络模型可以通过节点之间的连接关系捕捉到复杂的非线性相互关联关系和相互作用关系，能够更好地处理图结构数据。具体来说，在检测半夏叶片所受到的病虫害的过程中，图神经网络能够有效地利用节点之间的拓扑关系，将局部特征的空间布局和相互关联考虑在内，从而产生更准确的全局特征表示。
相应地，在步骤S423中，融合所述半夏叶片表面局部特征向量的序列和所述局部特征相关度拓扑特征矩阵以得到局部关系拓扑半夏叶片表面全局特征矩阵，包括：将所述半夏叶片表面局部特征向量的序列和所述局部特征相关度拓扑特征矩阵通过图神经网络模型以得到所述局部关系拓扑半夏叶片表面全局特征矩阵。
值得一提的是，图神经网络(Graph Neural Network，GNN)是一种用于处理图结构数据的机器学习模型，与传统的神经网络模型不同，图神经网络能够有效地处理非欧几里德空间中的数据。图神经网络的设计灵感来自于图论中的图结构。它通过对节点和边进行信息传递和聚合来学习图中节点的表示。图神经网络的基本组成部分包括节点表示学习和图结构建模。节点表示学习：图神经网络通过将节点的特征向量与邻居节点的特征进行聚合来学习每个节点的表示。这种聚合操作通常使用邻居节点的特征加权平均或池化等方式进行。节点表示学习可以通过多层的聚合操作来逐步传播和更新节点的信息。图结构建模：图神经网络还会考虑图的结构信息，包括节点之间的连接关系和边的属性。通过考虑图的结构信息，图神经网络可以更好地捕捉节点之间的相互作用和关联。图神经网络模型的训练通常使用反向传播算法和梯度下降等优化方法。在训练过程中，模型会通过最小化损失函数来调整模型参数，以使模型能够更好地拟合训练数据。在融合半夏叶片表面局部特征向量序列和局部特征相关度拓扑特征矩阵以得到局部关系拓扑半夏叶片表面全局特征矩阵的过程中，使用图神经网络模型对半夏叶片表面的局部特征向量序列和局部特征相关度拓扑特征矩阵进行处理。图神经网络模型可以有效地学习和捕捉半夏叶片表面的全局特征，并将局部特征向量序列和局部特征相关度拓扑特征矩阵融合在一起，得到表示半夏叶片表面全局特征的矩阵。这样的全局特征矩阵可以用于后续的分析和应用，如分类、聚类等任务。
随后，将所述局部关系拓扑半夏叶片表面全局特征矩阵通过分类器以得到分类结果，所述分类结果用于表示病虫害的类型标签；并基于所述分类结果，生成病虫害防治建议。其中，在实际进行病虫害防治建议的生成过程中，应该针对不同的病虫害类型制定相应的防治策略。具体地，在本申请的实施例中，可以将分类结果与对应的现有的专业的防治建议进行一一匹配来实现。
相应地，在步骤S424中，如图6所示，基于所述局部关系拓扑半夏叶片表面全局特征矩阵，生成所述病虫害防治建议，包括：S4241，将所述局部关系拓扑半夏叶片表面全局特征矩阵通过分类器以得到分类结果，所述分类结果用于表示病虫害的类型标签；以及，S4242，基于所述分类结果，生成所述病虫害防治建议。
其中，在步骤S4241中，将所述局部关系拓扑半夏叶片表面全局特征矩阵通过分类器以得到分类结果，所述分类结果用于表示病虫害的类型标签，包括：将所述局部关系拓扑半夏叶片表面全局特征矩阵展开后以得到局部关系拓扑半夏叶片表面全局特征向量；将所述局部关系拓扑半夏叶片表面全局特征向量通过分类器以得到分类结果，所述分类结果用于表示病虫害的类型标签；以及，基于所述分类结果，生成所述病虫害防治建议。
这里，所述半夏叶片表面局部特征向量的序列中的每个半夏叶片表面局部特征向量表达所述半夏叶片图像的图像语义特征，由此，将所述半夏叶片表面局部特征向量的序列和所述局部特征相关度拓扑特征矩阵通过图神经网络模型后，所述局部关系拓扑半夏叶片表面全局特征矩阵的与所述半夏叶片表面局部特征向量对应的特征向量，例如行特征向量用于表达相应通道下的所述半夏叶片图像的图像语义特征在基于所述卷积神经网络模型的通道分布的图像语义特征通道相关度拓扑下的拓扑关联特征，也就是，在所述局部关系拓扑半夏叶片表面全局特征矩阵通过分类器进行分类回归的基础上，所述局部关系拓扑半夏叶片表面全局特征矩阵的各个行特征向量的相对独立的图像语义拓扑关联特征信息表示会导致各个行特征向量之间的位置信息博弈离散化，从而影响通过所述局部关系拓扑半夏叶片表面全局特征矩阵通过分类器的训练效果。
本申请优选地在每次所述局部关系拓扑半夏叶片表面全局特征矩阵展开后得到的局部关系拓扑半夏叶片表面全局特征向量通过分类器进行分类迭代时，对所述局部关系拓扑半夏叶片表面全局特征向量进行收敛均衡，具体表示为：
其中，vi是所述局部关系拓扑半夏叶片表面全局特征向量的第i个位置的特征值，vi-j是所述局部关系拓扑半夏叶片表面全局特征向量第(i-j)个位置的特征值，且L是尺度超参数，log表示以2为底的对数函数值，v'i是优化局部关系拓扑半夏叶片表面全局特征向量的第i个位置的特征值。
具体地，当所述局部关系拓扑半夏叶片表面全局特征向量通过分类器进行分类迭代，所述分类器的权重矩阵作用于所述局部关系拓扑半夏叶片表面全局特征向量上时，由于权重矩阵本身的致密特性，会使得所述局部关系拓扑半夏叶片表面全局特征向量的各个位置的特征值之间的位置信息博弈离散化产生大规模信息博弈，导致分类解无法在博弈基础上收敛到纳什均衡，尤其是在存在以所述局部关系拓扑半夏叶片表面全局特征矩阵的行特征向量为单位的大规模非完美博弈离散化信息的情况下，这样，通过基于所述局部关系拓扑半夏叶片表面全局特征向量的向量信息自控均衡邻域对所述局部关系拓扑半夏叶片表面全局特征向量进行信息博弈均衡化的等效收敛，可以通过特征值在局部邻域内的自博弈来促进收敛，从而提高所述局部关系拓扑半夏叶片表面全局特征向量的分类训练效果。
进一步地，将所述优化后局部关系拓扑半夏叶片表面全局特征矩阵通过分类器以得到分类结果，所述分类结果用于表示病虫害的类型标签，包括：将所述优化后局部关系拓扑半夏叶片表面全局特征矩阵按照行向量或者列向量展开为优化后分类特征向量；使用所述分类器的全连接层对所述优化后分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题，对于多分类问题(multi-class classification)，同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
综上，基于本申请实施例的克服半夏连作障碍的设施栽培方法被阐明，其可以利用基于深度学习的图像处理与识别技术来对半夏叶片图像进行分析与处理，以识别当前半夏的生长状态和受到的病虫害类型，并基于此来提供相应的防治建议，从而帮助栽培者及时采取措施，减少病虫害对半夏的损害。
图7为根据本申请实施例的克服半夏连作障碍的设施栽培系统100的框图。如图7所示，根据本申请实施例的克服半夏连作障碍的设施栽培系统100，包括：塑料薄膜铺设模块110，用于选择半夏的栽培设施，在所述栽培设施内铺设塑料薄膜以隔离土壤和空气，并在所述塑料薄膜上铺设预定量的基质；种子种植模块120，用于在所述基质上按照预定密度种植半夏种子；灌溉、施肥和除草模块130，用于在所述半夏种子的生长期间进行灌溉、施肥和除草；病虫害防治模块140，用于在所述半夏种子的生长期间进行病虫害防治；以及，收储模块150，用于在所述半夏种子成熟时进行采收、晾晒和存储。
在一个示例中，在上述克服半夏连作障碍的设施栽培系统100中，所述病虫害防治模块140，包括：图像采集单元，用于通过摄像头采集半夏叶片图像；以及，建议生成单元，用于基于所述半夏叶片图像，生成病虫害防治建议。
这里，本领域技术人员可以理解，上述克服半夏连作障碍的设施栽培系统100中的各个模块的具体功能和操作已经在上面参考图1到图6的克服半夏连作障碍的设施栽培方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的克服半夏连作障碍的设施栽培系统100可以实现在各种无线终端中，例如具有克服半夏连作障碍的设施栽培算法的服务器等。在一个示例中，根据本申请实施例的克服半夏连作障碍的设施栽培系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该克服半夏连作障碍的设施栽培系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该克服半夏连作障碍的设施栽培系统100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该克服半夏连作障碍的设施栽培系统100与该无线终端也可以是分立的设备，并且该克服半夏连作障碍的设施栽培系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
图8为根据本申请实施例的克服半夏连作障碍的设施栽培方法的应用场景图。如图8所示，在该应用场景中，首先，通过摄像头(例如，图8中所示意的C)采集半夏叶片图像(例如，图8中所示意的D)，然后，将所述半夏叶片图像输入至部署有克服半夏连作障碍的设施栽培算法的服务器(例如，图8中所示意的S)中，其中，所述服务器能够使用所述克服半夏连作障碍的设施栽培算法对所述半夏叶片图像进行处理以得到用于表示病虫害的类型标签的分类结果。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本申请所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
上面是对本申请的说明，而不应被认为是对其的限制。尽管描述了本申请的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本申请的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本申请范围内。应当理解，上面是对本申请的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本申请由权利要求书及其等效物限定。
Claims (2)
1.一种克服半夏连作障碍的设施栽培方法，包括步骤：选择半夏的栽培设施，在所述栽培设施内铺设塑料薄膜以隔离土壤和空气，并在所述塑料薄膜上铺设预定量的基质；在所述基质上按照预定密度种植半夏种子；在所述半夏种子的生长期间进行灌溉、施肥和除草；在所述半夏种子的生长期间进行病虫害防治；以及，在所述半夏种子成熟时进行采收、晾晒和存储，其特征在于，在所述半夏种子的生长期间进行病虫害防治，包括：
通过摄像头采集半夏叶片图像；以及
基于所述半夏叶片图像，生成病虫害防治建议；
其中，基于所述半夏叶片图像，生成病虫害防治建议，包括：
提取所述半夏叶片图像的叶片表面局部特征以得到半夏叶片表面局部特征向量的序列；
提取所述半夏叶片表面局部特征向量的序列之间的拓扑关系以得到局部特征相关度拓扑特征矩阵；
融合所述半夏叶片表面局部特征向量的序列和所述局部特征相关度拓扑特征矩阵以得到局部关系拓扑半夏叶片表面全局特征矩阵；以及
基于所述局部关系拓扑半夏叶片表面全局特征矩阵，生成所述病虫害防治建议；
其中，提取所述半夏叶片图像的叶片表面局部特征以得到半夏叶片表面局部特征向量的序列，包括：
将所述半夏叶片图像通过基于卷积神经网络模型的叶片表面特征提取器以得到半夏叶片表面特征图；以及
将所述半夏叶片表面特征图的沿通道维度的各个特征矩阵展开为特征向量以得到所述半夏叶片表面局部特征向量的序列；
其中，所述基于卷积神经网络模型的叶片表面特征提取器包括第一输入层、第一卷积层、第一激活层、第一池化层和第一输出层；
其中，将所述半夏叶片图像通过基于卷积神经网络模型的叶片表面特征提取器以得到半夏叶片表面特征图，包括：通过所述基于卷积神经网络模型的叶片表面特征提取器的各层在层的正向传递中对输入数据分别进行三维卷积处理、均值池化处理和非线性激活处理以由所述基于卷积神经网络模型的叶片表面特征提取器的最后一层的输出所述半夏叶片表面特征图，其中，所述基于卷积神经网络模型的叶片表面特征提取器的第一层的输入为所述半夏叶片图像；
其中，提取所述半夏叶片表面局部特征向量的序列之间的拓扑关系以得到局部特征相关度拓扑特征矩阵，包括：
计算所述半夏叶片表面局部特征向量的序列中任意两个半夏叶片表面局部特征向量之间的相关度以得到局部特征相关度拓扑矩阵；以及
将所述局部特征相关度拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到所述局部特征相关度拓扑特征矩阵；
其中，计算所述半夏叶片表面局部特征向量的序列中任意两个半夏叶片表面局部特征向量之间的相关度以得到局部特征相关度拓扑矩阵，包括：
以如下相关度公式计算所述半夏叶片表面局部特征向量的序列中任意两个半夏叶片表面局部特征向量之间的相关度；其中，所述相关度公式为：
其中，/>为所述半夏叶片表面局部特征向量的序列中任意两个半夏叶片表面局部特征向量的前一个半夏叶片表面局部特征向量，/>为所述半夏叶片表面局部特征向量的序列中任意两个半夏叶片表面局部特征向量的后一个半夏叶片表面局部特征向量，/>和/>为两种不同的线性变换，/>为所述前一个半夏叶片表面局部特征向量和所述后一个半夏叶片表面局部特征向量之间的相关度，/>表示转置操作；
其中，融合所述半夏叶片表面局部特征向量的序列和所述局部特征相关度拓扑特征矩阵以得到局部关系拓扑半夏叶片表面全局特征矩阵，包括：将所述半夏叶片表面局部特征向量的序列和所述局部特征相关度拓扑特征矩阵通过图神经网络模型以得到所述局部关系拓扑半夏叶片表面全局特征矩阵；
其中，基于所述局部关系拓扑半夏叶片表面全局特征矩阵，生成所述病虫害防治建议，包括：
将所述局部关系拓扑半夏叶片表面全局特征矩阵展开后以得到局部关系拓扑半夏叶片表面全局特征向量；
将所述局部关系拓扑半夏叶片表面全局特征向量通过分类器以得到分类结果，所述分类结果用于表示病虫害的类型标签；以及
基于所述分类结果，生成所述病虫害防治建议。
2.根据权利要求1所述的克服半夏连作障碍的设施栽培方法，其特征在于，还包括：在每次所述局部关系拓扑半夏叶片表面全局特征矩阵展开后得到的局部关系拓扑半夏叶片表面全局特征向量通过分类器进行分类迭代时，对所述局部关系拓扑半夏叶片表面全局特征向量进行收敛均衡。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410048492.5A CN117643252B (zh) | 2024-01-12 | 2024-01-12 | 一种克服半夏连作障碍的设施栽培方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410048492.5A CN117643252B (zh) | 2024-01-12 | 2024-01-12 | 一种克服半夏连作障碍的设施栽培方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117643252A CN117643252A (zh) | 2024-03-05 |
| CN117643252B true CN117643252B (zh) | 2024-05-24 |
Family
ID=90043539
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410048492.5A Active CN117643252B (zh) | 2024-01-12 | 2024-01-12 | 一种克服半夏连作障碍的设施栽培方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117643252B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111226798A (zh) * | 2020-04-15 | 2020-06-05 | 广西壮族自治区农业科学院 | 一种以半夏叶片诱导珠芽的方法 |
| CN114758132A (zh) * | 2022-04-29 | 2022-07-15 | 重庆邮电大学 | 一种基于卷积神经网络的果树病虫害识别方法及系统 |
| CN114999629A (zh) * | 2022-04-28 | 2022-09-02 | 安徽大学 | 一种基于多特征融合的ad早期预测方法、系统、装置 |
| WO2022247147A1 (en) * | 2021-05-24 | 2022-12-01 | Zhejiang Dahua Technology Co., Ltd. | Methods and systems for posture prediction |
| CN115731464A (zh) * | 2022-11-16 | 2023-03-03 | 华南农业大学 | 基于鲸鱼优化算法和cnn模型的荔枝病虫害识别方法 |
| CN116758482A (zh) * | 2023-06-30 | 2023-09-15 | 安徽星煌数字科技有限公司 | 基于无人机的农业种植管理系统及其方法 |
| CN117036933A (zh) * | 2023-07-08 | 2023-11-10 | 安徽星煌数字科技有限公司 | 农作物病虫害智能防治系统及其方法 |
-
2024
- 2024-01-12 CN CN202410048492.5A patent/CN117643252B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111226798A (zh) * | 2020-04-15 | 2020-06-05 | 广西壮族自治区农业科学院 | 一种以半夏叶片诱导珠芽的方法 |
| WO2022247147A1 (en) * | 2021-05-24 | 2022-12-01 | Zhejiang Dahua Technology Co., Ltd. | Methods and systems for posture prediction |
| CN114999629A (zh) * | 2022-04-28 | 2022-09-02 | 安徽大学 | 一种基于多特征融合的ad早期预测方法、系统、装置 |
| CN114758132A (zh) * | 2022-04-29 | 2022-07-15 | 重庆邮电大学 | 一种基于卷积神经网络的果树病虫害识别方法及系统 |
| CN115731464A (zh) * | 2022-11-16 | 2023-03-03 | 华南农业大学 | 基于鲸鱼优化算法和cnn模型的荔枝病虫害识别方法 |
| CN116758482A (zh) * | 2023-06-30 | 2023-09-15 | 安徽星煌数字科技有限公司 | 基于无人机的农业种植管理系统及其方法 |
| CN117036933A (zh) * | 2023-07-08 | 2023-11-10 | 安徽星煌数字科技有限公司 | 农作物病虫害智能防治系统及其方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117643252A (zh) | 2024-03-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jiang et al. | CNN feature based graph convolutional network for weed and crop recognition in smart farming | |
| Jin et al. | Weed identification using deep learning and image processing in vegetable plantation | |
| Rothe et al. | Cotton leaf disease identification using pattern recognition techniques | |
| Kukreja et al. | Recognizing wheat aphid disease using a novel parallel real-time technique based on mask scoring RCNN | |
| Batool et al. | Classification and identification of tomato leaf disease using deep neural network | |
| Khan et al. | Deep learning for apple diseases: classification and identification | |
| Lin et al. | The pest and disease identification in the growth of sweet peppers using faster R-CNN and mask R-CNN | |
| Hernández-Rabadán et al. | Integrating SOMs and a Bayesian classifier for segmenting diseased plants in uncontrolled environments | |
| Rathore et al. | Automatic rice plant disease recognition and identification using convolutional neural network | |
| KR et al. | Yolo for Detecting Plant Diseases | |
| Kirola et al. | Plants diseases prediction framework: a image-based system using deep learning | |
| Moazzam et al. | Towards automated weed detection through two-stage semantic segmentation of tobacco and weed pixels in aerial Imagery | |
| Monigari et al. | Plant leaf disease prediction | |
| CN117136765A (zh) | 基于智能农业的大棚控制系统及方法 | |
| CN112364747B (zh) | 一种有限样本下的目标检测方法 | |
| Menezes et al. | Pseudo-label semi-supervised learning for soybean monitoring | |
| Sharma et al. | D-kap: A deep learning-based kashmiri apple plant disease prediction framework | |
| CN117643252B (zh) | 一种克服半夏连作障碍的设施栽培方法 | |
| Nergiz | Analysis of repvgg on small sized dandelion images dataset in terms of transfer learning, regularization, spatial attention as well as squeeze and excitation blocks | |
| Sakthiprasad et al. | A Survey on Machine Learning in Agriculture-background work for an unmanned coconut tree harvester | |
| Nur Alam et al. | Apple defect detection based on deep convolutional neural network | |
| Nayem et al. | Detection and Identification of Rice Pests Using Memory Efficient Convolutional Neural Network | |
| Balram et al. | Crop field monitoring and disease detection of plants in smart agriculture using internet of things | |
| Sharma et al. | Self-attention vision transformer with transfer learning for efficient crops and weeds classification | |
| Costales et al. | Development of a Prototype Application for Rice Disease Detection Using Convolutional Neural Networks |
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 |