CN117807511B - 基于光谱分析的作物病害识别方法及相关装置 - Google Patents
基于光谱分析的作物病害识别方法及相关装置 Download PDFInfo
- Publication number
- CN117807511B CN117807511B CN202410225878.9A CN202410225878A CN117807511B CN 117807511 B CN117807511 B CN 117807511B CN 202410225878 A CN202410225878 A CN 202410225878A CN 117807511 B CN117807511 B CN 117807511B
- Authority
- CN
- China
- Prior art keywords
- crop
- characteristic
- substance
- spectral line
- feature
- 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 111
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000010183 spectrum analysis Methods 0.000 title claims abstract description 27
- 239000000126 substance Substances 0.000 claims abstract description 166
- 238000004458 analytical method Methods 0.000 claims abstract description 39
- 108091026890 Coding region Proteins 0.000 claims abstract description 30
- 230000003595 spectral effect Effects 0.000 claims description 134
- 239000011159 matrix material Substances 0.000 claims description 36
- 238000000605 extraction Methods 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 238000013135 deep learning Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 238000004611 spectroscopical analysis Methods 0.000 claims description 5
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 230000006698 induction Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013399 early diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请涉及计算机技术领域，提供了一种基于光谱分析的作物病害识别方法及相关装置，该方法包括，基于待识别作物的红外光谱图生成待识别作物所含的各个物质的物质特征子集；针对各个物质特征子集，在预设的作物物质标准数据库中获取与物质特征子集匹配的标准物质特征子集，并将物质特征子集与标准物质特征子集进行对比，得到物质特征子集与标准物质特征子集之间的特征差异信息；分别对各个特征差异信息进行编码处理，得到特征差异编码序列集，并将特征差异编码序列集输入预设的作物病害识别模型，得到待识别作物的病害信息分析报告，并将病害信息分析报告发送至用户的终端设备。该方法实现了对作物的病害进行自动化识别。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种基于光谱分析的作物病害识别方法及相关装置。
背景技术
作物病害是农业生产中的严重问题之一，作物病害的早期识别和治疗对确保农作物的产量和质量具有重要意义。目前，常见的作物病害识别方法主要依赖于专家经验和人工观察，这种方法存在识别效率低、依赖人工经验、易受主观因素影响等问题。因此，需要一种准确、快速、自动化的作物病害识别方法，以提高农作物病害的早期诊断和防治效果。
发明内容
本申请提供一种基于光谱分析的作物病害识别方法及相关装置，以解决上述背景技术提出的问题。
第一方面，本申请提供一种基于光谱分析的作物病害识别方法，包括：
获取待识别作物的红外光谱图，并提取所述红外光谱图中的各条谱线，得到所述红外光谱图对应的谱线集，及分别将所述谱线集中的各条谱线输入预设的谱线特征提取模型，得到谱线特征集；其中，所述谱线特征集包括多个谱线特征子集；
针对各个所述谱线特征子集，基于所述谱线特征子集获取所述待识别作物所含的物质的特征，得到物质特征集，其中，所述物质特征集包括多个物质特征子集；
针对各个所述物质特征子集，在预设的作物物质标准数据库中获取与所述物质特征子集匹配的标准物质特征子集，并将所述物质特征子集与所述标准物质特征子集进行对比，得到所述物质特征子集与所述标准物质特征子集之间的特征差异信息；
分别对各个所述特征差异信息进行编码处理，得到特征差异编码序列集，并将所述特征差异编码序列集输入预设的作物病害识别模型，得到所述待识别作物的病害信息分析报告，并将所述病害信息分析报告发送至用户的终端设备。
第二方面，本申请提供一种基于光谱分析的作物病害识别装置，包括：
第一获取模块，用于获取待识别作物的红外光谱图，并提取所述红外光谱图中的各条谱线，得到所述红外光谱图对应的谱线集，及分别将所述谱线集中的各条谱线输入预设的谱线特征提取模型，得到谱线特征集；其中，所述谱线特征集包括多个谱线特征子集；
第二获取模块，用于针对各个所述谱线特征子集，基于所述谱线特征子集获取所述待识别作物所含的物质的特征，得到物质特征集，其中，所述物质特征集包括多个物质特征子集；
对比模块，用于针对各个所述物质特征子集，在预设的作物物质标准数据库中获取与所述物质特征子集匹配的标准物质特征子集，并将所述物质特征子集与所述标准物质特征子集进行对比，得到所述物质特征子集与所述标准物质特征子集之间的特征差异信息；
分析模块，用于分别对各个所述特征差异信息进行编码处理，得到特征差异编码序列集，并将所述特征差异编码序列集输入预设的作物病害识别模型，得到所述待识别作物的病害信息分析报告，并将所述病害信息分析报告发送至用户的终端设备。
第三方面，本申请提供一种终端设备，所述终端设备包括处理器、存储器以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如上所述的基于光谱分析的作物病害识别方法。
第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其中，所述计算机程序被处理器执行时，实现如上所述的基于光谱分析的作物病害识别方法。
本申请提供了基于光谱分析的作物病害识别方法及相关装置，其中，该方法包括获取待识别作物的红外光谱图，并提取所述红外光谱图中的各条谱线，得到所述红外光谱图对应的谱线集，及分别将所述谱线集中的各条谱线输入预设的谱线特征提取模型，得到谱线特征集；其中，所述谱线特征集包括多个谱线特征子集；针对各个所述谱线特征子集，基于所述谱线特征子集获取所述待识别作物所含的物质的特征，得到物质特征集，其中，所述物质特征集包括多个物质特征子集；针对各个所述物质特征子集，在预设的作物物质标准数据库中获取与所述物质特征子集匹配的标准物质特征子集，并将所述物质特征子集与所述标准物质特征子集进行对比，得到所述物质特征子集与所述标准物质特征子集之间的特征差异信息；分别对各个所述特征差异信息进行编码处理，得到特征差异编码序列集，并将所述特征差异编码序列集输入预设的作物病害识别模型，得到所述待识别作物的病害信息分析报告，并将所述病害信息分析报告发送至用户的终端设备。该方法，一方面，通过对待识别作物的红外光谱图进行分析，得到所述待识别作物的病害信息分析报告，实现了对作物的病害进行自动化识别；另一方面，通过针对各个所述谱线特征子集，基于所述谱线特征子集获取所述待识别作物所含的物质的特征，得到各个所述谱线特征子集对应的物质特征子集，并针对各个所述物质特征子集，在预设的作物物质标准数据库中获取与所述物质特征子集匹配的标准物质特征子集，及将所述物质特征子集与所述标准物质特征子集进行对比，得到所述物质特征子集与所述标准物质特征子集之间的特征差异信息，能够为作物病害识别提供可靠的依据，从而提高作物病害识别的准确性；再一方面，该方法能够实现在作物的整个生长过程中，对作物的病害情况进行实时监控，有助于降低作物的主人的经济损失。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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为本申请实施例提供的基于光谱分析的作物病害识别方法的流程示意图；
图2为本申请实施例提供的基于光谱分析的作物病害识别装置的结构示意性框图；
图3为本申请实施例提供的终端设备的结构示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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的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。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
作物病害是农业生产中的严重问题之一，作物病害的早期识别和治疗对确保农作物的产量和质量具有重要意义。目前，常见的作物病害识别方法主要依赖于专家经验和人工观察，这种方法存在识别效率低、依赖人工经验、易受主观因素影响等问题。因此，需要一种准确、快速、自动化的作物病害识别方法，以提高农作物病害的早期诊断和防治效果。为此，本申请实施例提供一种基于光谱分析的作物病害识别方法及相关装置，以解决上述问题。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述实施例及实施例中的特征可以相互结合。
请参阅图1，图1为本申请实施例提供的基于光谱分析的作物病害识别方法的流程示意图，如图1所示本申请实施例提供的基于光谱分析的作物病害识别方法包括步骤S100至步骤400。
步骤S100、获取待识别作物的红外光谱图，并提取所述红外光谱图中的各条谱线，得到所述红外光谱图对应的谱线集，及分别将所述谱线集中的各条谱线输入预设的谱线特征提取模型，得到谱线特征集；其中，所述谱线特征集包括多个谱线特征子集。
其中，所述红外光谱图通过设于农作物附近的红外光谱仪获得。
其中，所述谱线特征提取模型通过神经网络模型训练得到，所述谱线特征提取模型包括输入层、谱线特征提取层和输出层，所述输入层用于接收所述谱线，所述谱线特征提取层用于对所述谱线进行深度学习，以得到所述谱线对应的谱线特征子集，所述输出层用于输出所述谱线对应的谱线特征子集。
其中，针对任一所述谱线而言，所述谱线对应的所述谱线特征子集包括所述谱线的波峰的位置、强度、峰形、峰宽和所述谱线的波谷的位置、强度、谷形、谷宽。
步骤S200、针对各个所述谱线特征子集，基于所述谱线特征子集获取所述待识别作物所含的物质的特征，得到物质特征集，其中，所述物质特征集包括多个物质特征子集。
需要说明的是，所述基于所述谱线特征子集获取所述待识别作物所含的物质的特征，包括以下步骤：
对所述谱线特征子集中的谱线特征进行特征聚类分析，得到所述谱线特征子集对应的特征聚类信息集；
分别对所述特征聚类信息集中的每类谱线特征进行特征矩阵编码，得到所述特征聚类信息集对应的特征矩阵集；
基于预设的矩阵融合算法将所述特征矩阵集中的各个特征矩阵进行矩阵融合，得到特征融合矩阵，并将所述特征融合矩阵输入预设的物质特征提取模型，得到所述谱线特征子集对应的物质的特征。
其中，对所述谱线特征子集中的谱线特征进行特征聚类分析是指将所述谱线特征子集中的同一类特征进行聚类组合，例如：将所述谱线特征子集中的波峰的位置、强度、峰形和峰宽归为一类，将所述谱线特征子集中的波谷的位置、强度、峰形和峰宽归为一类。
其中，分别对所述特征聚类信息集中的每类谱线特征进行特征矩阵编码的方法是将每类谱线特征分别输入预设的特征矩阵编码模型中，以得到每类谱线特征对应的特征矩阵编码，其中，所述特征矩阵编码模型通过神经网络模型训练得到，所述特征矩阵编码模型包括输入层、特征矩阵编码层和输出层，所述输入层用于接收每类谱线特征的数据信息，所述特征矩阵编码层用于对每类谱线特征的数据信息进行深度学习，以对每类谱线特征进行特征矩阵编码，所述输出层用于输出每类谱线特征的特征矩阵编码。
其中，所述物质特征提取模型基于神经网络模型训练得到，所述物质特征提取模型包括输入层、物质特征生成层和输出层，其中，所述输入层用于接收所述特征融合矩阵，所述物质特征生成层用于对所述特征融合矩阵进行深度学习，得到所述特征融合矩阵对应的物质的特征，所述输出层用于输出所述特征融合矩阵对应的物质的特征。
可以理解地，上述方法通过分别对所述特征聚类信息集中的每类谱线特征进行特征矩阵编码，得到所述特征聚类信息集对应的特征矩阵集，并基于预设的矩阵融合算法将所述特征矩阵集中的各个特征矩阵进行矩阵融合，得到特征融合矩阵，及将所述特征融合矩阵输入预设的物质特征提取模型，得到所述谱线特征子集对应的物质的特征，能够提高所述谱线特征子集对应的物质的特征的准确性，为作物的病害识别提供可靠的依据。
步骤S300、针对各个所述物质特征子集，在预设的作物物质标准数据库中获取与所述物质特征子集匹配的标准物质特征子集，并将所述物质特征子集与所述标准物质特征子集进行对比，得到所述物质特征子集与所述标准物质特征子集之间的特征差异信息。
需要说明的是，所述在预设的作物物质标准数据库中获取与所述物质特征子集匹配的标准物质特征子集，包括以下步骤：
通过预设的摄像装置获取所述待识别作物的图像信息，并基于所述图像信息确定所述待识别作物的作物标识；
基于所述作物标识在所述预设的作物物质标准数据库中获取与所述待识别作物匹配的标准物质特征集；
在所述物质特征子集中获取所述物质特征子集对应的物质的名称，并基于所述物质的名称在所述标准物质特征集中确定所述物质特征子集对应的标准物质特征子集。
步骤S400、分别对各个所述特征差异信息进行编码处理，得到特征差异编码序列集，并将所述特征差异编码序列集输入预设的作物病害识别模型，得到所述待识别作物的病害信息分析报告，并将所述病害信息分析报告发送至用户的终端设备。
需要说明的是，所述分别对各个所述特征差异信息进行编码处理，得到特征差异编码序列集，包括以下步骤：
通过预设的摄像装置获取所述待识别作物的图像信息，并基于所述图像信息获取所述待识别作物的作物标识；
基于所述作物标识在预设的特征差异编码数据库中获取与所述待识别作物匹配的特征差异编码标准；
针对各个所述特征差异信息，在所述特征差异编码标准中确定与所述特征差异编码标准对应的特征差异编码规则；
针对各个所述特征差异信息，基于所述特征差异信息对应的所述特征差异编码规则对所述特征差异信息进行编码处理，得到所述特征差异信息对应的特征差异编码序列；
基于所有所述特征差异编码序列得到所述特征差异编码序列集。
其中，在所述特征差异编码标准中确定与所述特征差异信息对应的特征差异编码规则时，首先，确定所述特征差异信息对应的物质的名称，然后基于所述特征差异对应的物质的名称在所述特征差异编码标准中确定与所述特征差异信息对应的特征差异编码规则。
可以理解地，通过对各个所述特征差异信息进行编码处理，能够对各个所述特征差异信息进行更加细致化的表征，这有助于提高作物病害识别的准确性。
需要说明的是，所述将所述特征差异编码序列集输入预设的作物病害识别模型，得到所述待识别作物的病害信息分析报告，包括以下步骤：
将所述特征差异编码序列集输入所述作物病害识别模型的特征提取层，得到所述特征差异编码序列集中的每个特征差异编码序列的编码特征；
将各个所述编码特征输入所述作物病害识别模型的语义解析层，得到各个所述编码特征对应的语义特征；
将各个所述语义特征输入所述作物病害识别模型的深度学习网络匹配层，为各个所述语义特征匹配深度学习网络；
针对各个所述语义特征，将所述语义特征输入与所述语义特征匹配的深度学习网络，得到所述语义特征对应的病害信息；
将所有所述病害信息进行归纳整理，得到所述待识别作物的病害信息分析报告。
可以理解地，上述方法通过将各个所述语义特征输入所述作物病害识别模型的深度学习网络匹配层，为各个所述语义特征匹配深度学习网络，并针对各个所述语义特征，将所述语义特征输入与所述语义特征匹配的深度学习网络，得到所述语义特征对应的病害信息，有助于提高作物病害识别结果的准确性。
本实施例提供的方法，一方面，通过对待识别作物的红外光谱图进行分析，得到所述待识别作物的病害信息分析报告，实现了对作物的病害进行自动化识别；另一方面，通过针对各个所述谱线特征子集，基于所述谱线特征子集获取所述待识别作物所含的物质的特征，得到各个所述谱线特征子集对应的物质特征子集，并针对各个所述物质特征子集，在预设的作物物质标准数据库中获取与所述物质特征子集匹配的标准物质特征子集，及将所述物质特征子集与所述标准物质特征子集进行对比，得到所述物质特征子集与所述标准物质特征子集之间的特征差异信息，能够为作物病害识别提供可靠的依据，从而提高作物病害识别的准确性；再一方面，该方法能够实现在作物的整个生长过程中，对作物的病害情况进行实时监控，有助于降低作物的主人的经济损失。
在一些实施例中，在将所述病害信息分析报告发送至用户的终端设备之前，所述方法还包括对所述病害信息分析报告进行加密处理，所述对所述病害信息分析报告进行加密处理的方法，包括：
针对所述谱线集中的每条谱线，获取所述谱线上的各个波峰对应的波长，得到第一数组，并获取所述谱线上的各个波谷对应的波长，得到第二数组；
在各个所述第一数组中提取第一目标数字，并在各个所述第二数组中提取第二目标数字；其中，所述第一目标数字的个位数字为质数，所述第二目标数字的个位数字为合数；
基于预设的排序规则将提取的所有所述第一目标数字和所有所述第二目标数字进行排序，得到初始数组；
分别将所述初始数组中的每个数字的所有位数的数字相加，得到目标数组；
获取标准编码表和所述终端设备的标识码；其中，所述标准编码表包括数字列和字符列；
将所述标识码中的第一个数字作为目标数字，并将所述标识码中的最后一个字符作为目标字符；其中，所述目标字符与所述字符列中的字符为不同语言的字符；
在所述标准编码表中删除所述目标数字对应的字符，得到第一字符空位，并将所述目标字符插入所述第一字符空位，得到中间目标编码表；
删除所述中间目标编码表的字符列的最后一个字符，并将所述中间目标编码表的字符列的其余字符均向后平移一个字符空位，得到第二字符空位，及将所述中间目标编码表的字符列的最后一个字符插入所述第二字符空位，得到目标编码表；
基于所述目标编码表分别对所述目标数组中的每个数字的个位数字进行编码，得到字符序列，并基于所述字符序列对所述病害信息分析报告进行加密处理。
需要说明的是，所述预设的排序规则可以为从小到大排列，也可以为从大到小排列，本申请对预设的排序规则不做限定。
示例性地，所述第一数组为745、839、943、1041、3257、4348、5689，所述第二数组为1214、2428、2346、6795、7839、5693、8237，所述预设的排序规则为从小到大排列，所述标准编码表如表1所示，所述标识码为43F56RG7ζ6，则所述第一目标数字包括745、943、1041、3257，所述第二目标数字包括1214、2428、2346、7839，所述初始数组为745、943、1041、1214、2346、2428、3257、7839，所述目标数组为16、16、6、8、15、16、17、27，所述目标数字为4，所述目标字符为ζ，所述目标编码表如表2所示，所述字符序列为LLLVζLAA。
表1 标准编码表
表2 目标编码表
本实施例通过对所述病害信息分析报告进行加密处理，能够防止非授权人员对所述病害信息分析报告进行篡改，而给农作物的主人造成不必要的经济损失，本实施例提供的方法在对所述病害信息分析报告进行加密处理时，基于所述第一数组和所述第二数组得到所述目标数组，并基于所述标准编码表和所述标识码得到所述目标编码表，及基于所述目标编码表分别对所述目标数组中的每个数字的个位数字进行编码，得到字符序列，这有助于提高所述字符序列的破解难度，进而进一步提高所述病害信息分析报告的安全性。
请参阅图2，图2为本申请实施例提供的基于光谱分析的作物病害识别装置100的结构示意性框图，如图2所示，基于光谱分析的作物病害识别装置100，包括：
第一获取模块110，用于获取待识别作物的红外光谱图，并提取所述红外光谱图中的各条谱线，得到所述红外光谱图对应的谱线集，及分别将所述谱线集中的各条谱线输入预设的谱线特征提取模型，得到谱线特征集；其中，所述谱线特征集包括多个谱线特征子集。
第二获取模块120，用于针对各个所述谱线特征子集，基于所述谱线特征子集获取所述待识别作物所含的物质的特征，得到物质特征集，其中，所述物质特征集包括多个物质特征子集。
对比模块130，用于针对各个所述物质特征子集，在预设的作物物质标准数据库中获取与所述物质特征子集匹配的标准物质特征子集，并将所述物质特征子集与所述标准物质特征子集进行对比，得到所述物质特征子集与所述标准物质特征子集之间的特征差异信息。
分析模块140，用于分别对各个所述特征差异信息进行编码处理，得到特征差异编码序列集，并将所述特征差异编码序列集输入预设的作物病害识别模型，得到所述待识别作物的病害信息分析报告，并将所述病害信息分析报告发送至用户的终端设备。
需要说明的是，所属技术领域的技术人员可以清楚了解到，为了描述的方便和简洁，上述描述的装置和各个模块的具体工作过程，可以参考前述基于光谱分析的作物病害识别方法实施例中的对应过程，在此不再赘述。
上述实施例提供的基于光谱分析的作物病害识别装置100可以实现为一种计算机程序的形式，该计算机程序可以在如图3所示的终端设备200上运行。
请参阅图3，图3为本申请实施例提供的终端设备200的结构示意性框图，终端设备200包括处理器201和存储器202，处理器201和存储器202通过系统总线203连接，其中，存储器202可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储计算机程序。该计算机程序包括程序指令，该程序指令被处理器201执行时，可使得处理器201执行上述任一种基于光谱分析的作物病害识别方法。
处理器201用于提供计算和控制能力，支撑整个终端设备200的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器201执行时，可使得处理器201执行上述任一种基于光谱分析的作物病害识别方法。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所涉及的终端设备200的限定，具体的终端设备200可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
应当理解的是，处理器201可以是中央处理单元 (Central Processing Unit，CPU)，该处理器201还可以是其他通用处理器、数字信号处理器 (Digital SignalProcessor，DSP)、专用集成电路 (Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中，在一些实施例中，处理器201用于运行存储在存储器中的计算机程序，以实现如下步骤：
获取待识别作物的红外光谱图，并提取所述红外光谱图中的各条谱线，得到所述红外光谱图对应的谱线集，及分别将所述谱线集中的各条谱线输入预设的谱线特征提取模型，得到谱线特征集；其中，所述谱线特征集包括多个谱线特征子集；
针对各个所述谱线特征子集，基于所述谱线特征子集获取所述待识别作物所含的物质的特征，得到物质特征集，其中，所述物质特征集包括多个物质特征子集；
针对各个所述物质特征子集，在预设的作物物质标准数据库中获取与所述物质特征子集匹配的标准物质特征子集，并将所述物质特征子集与所述标准物质特征子集进行对比，得到所述物质特征子集与所述标准物质特征子集之间的特征差异信息；
分别对各个所述特征差异信息进行编码处理，得到特征差异编码序列集，并将所述特征差异编码序列集输入预设的作物病害识别模型，得到所述待识别作物的病害信息分析报告，并将所述病害信息分析报告发送至用户的终端设备。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的终端设备200的具体工作过程，可以参考前述基于光谱分析的作物病害识别方法的对应过程，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被一个或多个处理器执行时使所述一个或多个处理器实现如本申请实施例提供的基于光谱分析的作物病害识别方法。
其中，所述计算机可读存储介质可以是前述实施例终端设备200的内部存储单元，例如终端设备200的硬盘或内存。所述计算机可读存储介质也可以是终端设备200的外部存储设备，例如终端设备200配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种基于光谱分析的作物病害识别方法，其特征在于，包括：
获取待识别作物的红外光谱图，并提取所述红外光谱图中的各条谱线，得到所述红外光谱图对应的谱线集，及分别将所述谱线集中的各条谱线输入预设的谱线特征提取模型，得到谱线特征集；其中，所述谱线特征集包括多个谱线特征子集；
针对各个所述谱线特征子集，基于所述谱线特征子集获取所述待识别作物所含的物质的特征，得到物质特征集，其中，所述物质特征集包括多个物质特征子集；
针对各个所述物质特征子集，在预设的作物物质标准数据库中获取与所述物质特征子集匹配的标准物质特征子集，并将所述物质特征子集与所述标准物质特征子集进行对比，得到所述物质特征子集与所述标准物质特征子集之间的特征差异信息；
分别对各个所述特征差异信息进行编码处理，得到特征差异编码序列集，并将所述特征差异编码序列集输入预设的作物病害识别模型，得到所述待识别作物的病害信息分析报告，并将所述病害信息分析报告发送至用户的终端设备。
2.根据权利要求1所述的基于光谱分析的作物病害识别方法，其特征在于，所述基于所述谱线特征子集获取所述待识别作物所含的物质的特征，包括：
对所述谱线特征子集中的谱线特征进行特征聚类分析，得到所述谱线特征子集对应的特征聚类信息集；
分别对所述特征聚类信息集中的每类谱线特征进行特征矩阵编码，得到所述特征聚类信息集对应的特征矩阵集；
基于预设的矩阵融合算法将所述特征矩阵集中的各个特征矩阵进行矩阵融合，得到特征融合矩阵，并将所述特征融合矩阵输入预设的物质特征提取模型，得到所述谱线特征子集对应的物质的特征。
3.根据权利要求1所述的基于光谱分析的作物病害识别方法，其特征在于，所述在预设的作物物质标准数据库中获取与所述物质特征子集匹配的标准物质特征子集，包括：
通过预设的摄像装置获取所述待识别作物的图像信息，并基于所述图像信息确定所述待识别作物的作物标识；
基于所述作物标识在所述预设的作物物质标准数据库中获取与所述待识别作物匹配的标准物质特征集；
在所述物质特征子集中获取所述物质特征子集对应的物质的名称，并基于所述物质的名称在所述标准物质特征集中确定所述物质特征子集对应的标准物质特征子集。
4.根据权利要求1所述的基于光谱分析的作物病害识别方法，其特征在于，所述分别对各个所述特征差异信息进行编码处理，得到特征差异编码序列集，包括：
通过预设的摄像装置获取所述待识别作物的图像信息，并基于所述图像信息获取所述待识别作物的作物标识；
基于所述作物标识在预设的特征差异编码数据库中获取与所述待识别作物匹配的特征差异编码标准；
针对各个所述特征差异信息，在所述特征差异编码标准中确定与所述特征差异信息对应的特征差异编码规则；
针对各个所述特征差异信息，基于所述特征差异信息对应的所述特征差异编码规则对所述特征差异信息进行编码处理，得到所述特征差异信息对应的特征差异编码序列；
基于所有所述特征差异编码序列得到所述特征差异编码序列集。
5.根据权利要求1所述的基于光谱分析的作物病害识别方法，其特征在于，所述将所述特征差异编码序列集输入预设的作物病害识别模型，得到所述待识别作物的病害信息分析报告，包括：
将所述特征差异编码序列集输入所述作物病害识别模型的特征提取层，得到所述特征差异编码序列集中的每个特征差异编码序列的编码特征；
将各个所述编码特征输入所述作物病害识别模型的语义解析层，得到各个所述编码特征对应的语义特征；
将各个所述语义特征输入所述作物病害识别模型的深度学习网络匹配层，为各个所述语义特征匹配深度学习网络；
针对各个所述语义特征，将所述语义特征输入与所述语义特征匹配的深度学习网络，得到所述语义特征对应的病害信息；
将所有所述病害信息进行归纳整理，得到所述待识别作物的病害信息分析报告。
6.根据权利要求1所述的基于光谱分析的作物病害识别方法，其特征在于，在将所述病害信息分析报告发送至用户的终端设备之前，所述方法还包括对所述病害信息分析报告进行加密处理，所述对所述病害信息分析报告进行加密处理的方法，包括：
针对所述谱线集中的每条谱线，获取所述谱线上的各个波峰对应的波长，得到第一数组，并获取所述谱线上的各个波谷对应的波长，得到第二数组；
在各个所述第一数组中提取第一目标数字，并在各个所述第二数组中提取第二目标数字；其中，所述第一目标数字的个位数字为质数，所述第二目标数字的个位数字为合数；
基于预设的排序规则将提取的所有所述第一目标数字和所有所述第二目标数字进行排序，得到初始数组；
分别将所述初始数组中的每个数字的所有位数的数字相加，得到目标数组；
获取标准编码表和所述终端设备的标识码；其中，所述标准编码表包括数字列和字符列；
将所述标识码中的第一个数字作为目标数字，并将所述标识码中的最后一个字符作为目标字符；其中，所述目标字符与所述字符列中的字符为不同语言的字符；
在所述标准编码表中删除所述目标数字对应的字符，得到第一字符空位，并将所述目标字符插入所述第一字符空位，得到中间目标编码表；
删除所述中间目标编码表的字符列的最后一个字符，并将所述中间目标编码表的字符列的其余字符均向后平移一个字符空位，得到第二字符空位，及将所述中间目标编码表的字符列的最后一个字符插入所述第二字符空位，得到目标编码表；
基于所述目标编码表分别对所述目标数组中的每个数字的个位数字进行编码，得到字符序列，并基于所述字符序列对所述病害信息分析报告进行加密处理。
7.一种基于光谱分析的作物病害识别装置，其特征在于，包括：
第一获取模块，用于获取待识别作物的红外光谱图，并提取所述红外光谱图中的各条谱线，得到所述红外光谱图对应的谱线集，及分别将所述谱线集中的各条谱线输入预设的谱线特征提取模型，得到谱线特征集；其中，所述谱线特征集包括多个谱线特征子集；
第二获取模块，用于针对各个所述谱线特征子集，基于所述谱线特征子集获取所述待识别作物所含的物质的特征，得到物质特征集，其中，所述物质特征集包括多个物质特征子集；
对比模块，用于针对各个所述物质特征子集，在预设的作物物质标准数据库中获取与所述物质特征子集匹配的标准物质特征子集，并将所述物质特征子集与所述标准物质特征子集进行对比，得到所述物质特征子集与所述标准物质特征子集之间的特征差异信息；
分析模块，用于分别对各个所述特征差异信息进行编码处理，得到特征差异编码序列集，并将所述特征差异编码序列集输入预设的作物病害识别模型，得到所述待识别作物的病害信息分析报告，并将所述病害信息分析报告发送至用户的终端设备。
8.一种终端设备，其特征在于，所述终端设备包括处理器、存储器以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如权利要求1至6中任一项所述的基于光谱分析的作物病害识别方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，其中，所述计算机程序被处理器执行时，实现如权利要求1至6中任一项所述的基于光谱分析的作物病害识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410225878.9A CN117807511B (zh) | 2024-02-29 | 2024-02-29 | 基于光谱分析的作物病害识别方法及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410225878.9A CN117807511B (zh) | 2024-02-29 | 2024-02-29 | 基于光谱分析的作物病害识别方法及相关装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117807511A CN117807511A (zh) | 2024-04-02 |
| CN117807511B true CN117807511B (zh) | 2024-04-26 |
Family
ID=90434919
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410225878.9A Active CN117807511B (zh) | 2024-02-29 | 2024-02-29 | 基于光谱分析的作物病害识别方法及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117807511B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106568722A (zh) * | 2016-10-19 | 2017-04-19 | 中国农业大学 | 一种基于光谱技术的设施黄瓜病害预警方法及装置 |
| CN111141836A (zh) * | 2020-01-13 | 2020-05-12 | 石河子大学 | 一种基于声振多域谱与近红外光谱信息融合的梨果早期内部病害无损检测方法及装置 |
| CN114595975A (zh) * | 2022-03-11 | 2022-06-07 | 安徽大学 | 基于深度学习模型的无人机遥感松材线虫病害监测方法 |
| EP4047351A1 (en) * | 2021-02-17 | 2022-08-24 | KWS SAAT SE & Co. KGaA | Method for detecting plant diseases and physiological properties influenceable by environmental stress in plant material |
| CN117157516A (zh) * | 2021-02-17 | 2023-12-01 | 科沃施种子欧洲股份两合公司 | 用于分析植物材料、测定植物材料成分和检测植物材料中的植物病害的方法 |
| CN117496356A (zh) * | 2023-11-28 | 2024-02-02 | 北京佳格天地科技有限公司 | 农业人工智能作物检测方法及系统 |
-
2024
- 2024-02-29 CN CN202410225878.9A patent/CN117807511B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106568722A (zh) * | 2016-10-19 | 2017-04-19 | 中国农业大学 | 一种基于光谱技术的设施黄瓜病害预警方法及装置 |
| CN111141836A (zh) * | 2020-01-13 | 2020-05-12 | 石河子大学 | 一种基于声振多域谱与近红外光谱信息融合的梨果早期内部病害无损检测方法及装置 |
| EP4047351A1 (en) * | 2021-02-17 | 2022-08-24 | KWS SAAT SE & Co. KGaA | Method for detecting plant diseases and physiological properties influenceable by environmental stress in plant material |
| CN117157516A (zh) * | 2021-02-17 | 2023-12-01 | 科沃施种子欧洲股份两合公司 | 用于分析植物材料、测定植物材料成分和检测植物材料中的植物病害的方法 |
| CN114595975A (zh) * | 2022-03-11 | 2022-06-07 | 安徽大学 | 基于深度学习模型的无人机遥感松材线虫病害监测方法 |
| CN117496356A (zh) * | 2023-11-28 | 2024-02-02 | 北京佳格天地科技有限公司 | 农业人工智能作物检测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于深度学习与可见－近红外光谱的 患腥黑穗病小麦籽粒分类研究;宋金鹏 等;分析测试学报;20230731;第42卷(第07期);784-793 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117807511A (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109785928B (zh) | 诊疗方案推荐方法、装置及存储介质 | |
| CN112131383B (zh) | 特定目标的情感极性分类方法 | |
| CN110532884B (zh) | 行人重识别方法、装置及计算机可读存储介质 | |
| WO2021012793A1 (zh) | 基于大数据分析的律师推荐方法及相关设备 | |
| CN112447300B (zh) | 基于图神经网络的医疗查询方法、装置、计算机设备及存储介质 | |
| CN113705641B (zh) | 基于富上下文网络的高光谱图像分类方法 | |
| US20160026917A1 (en) | Ranking of random batches to identify predictive features | |
| CN116071600B (zh) | 一种基于多分类概率的农作物遥感识别方法及装置 | |
| CN113822207B (zh) | 高光谱遥感图像识别方法、装置、电子设备及存储介质 | |
| CN112560964A (zh) | 基于半监督学习训练中草药病虫害识别模型的方法与系统 | |
| CN112785441B (zh) | 数据处理方法、装置、终端设备及存储介质 | |
| Yue et al. | Fast palmprint identification with multiple templates per subject | |
| CN105808757A (zh) | 基于多特征融合的bow模型的中草药植物图片检索方法 | |
| CN112016311A (zh) | 基于深度学习模型的实体识别方法、装置、设备及介质 | |
| CN110750673B (zh) | 图像处理方法、装置、设备及存储介质 | |
| Tabatabaei et al. | Residual block convolutional auto encoder in content-based medical image retrieval | |
| CN117807511B (zh) | 基于光谱分析的作物病害识别方法及相关装置 | |
| CN113032524A (zh) | 商标侵权识别方法、终端设备及存储介质 | |
| CN111429289A (zh) | 单病种识别方法、装置、计算机设备和存储介质 | |
| CN116564539A (zh) | 基于信息抽取和实体归一的医学相似病例推荐方法和系统 | |
| CN116467446A (zh) | 医疗实体关系识别模型训练方法、装置、设备及存储介质 | |
| CN115984179A (zh) | 鼻骨骨折的识别方法、装置、终端及存储介质 | |
| Gu et al. | A multi-scale pyramid of fully convolutional networks for automatic cell detection | |
| CN112989815A (zh) | 基于信息交互的文本相似度识别方法、装置、设备及介质 | |
| Mokeev | On application of convolutional neural network for classification of plant images |
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 |