CN109840549A - 一种病虫害识别方法和装置 - Google Patents
一种病虫害识别方法和装置 Download PDFInfo
- Publication number
- CN109840549A CN109840549A CN201910013434.8A CN201910013434A CN109840549A CN 109840549 A CN109840549 A CN 109840549A CN 201910013434 A CN201910013434 A CN 201910013434A CN 109840549 A CN109840549 A CN 109840549A
- Authority
- CN
- China
- Prior art keywords
- pest
- plant
- disease damage
- growth
- signing
- 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.)
- Granted
Links
Landscapes
- Catching Or Destruction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及农业互联网技术领域,特别是涉及一种病虫害识别方法和装置,方法包括:根据用户在签约区域内所种植物的种类及当前所处生长周期,对照植物生长库建立标准生长模型;获取签约区域内植物各生长指标的实际数据,并与标准生长模型匹配,进而判断植物的生长状态;当确认所述植物处于病虫害状态时,在签约区域内进行图像采集,结合图像识别和病虫害数据库确定病虫害种类,并推送至智能终端。本发明预先建立植物的详尽指标数据库,通过将获取的实际数据与对应的标准数据进行匹配可准确地监测植物生长状态,确定病虫害发生程度,并可通过图像识别进一步确定病虫害种类,使用户及时、快速、准确地获知病虫害种类。
Description
【技术领域】
本发明涉及农业互联网技术领域,特别是涉及一种病虫害识别方法和装置。
【背景技术】
在农作物的生产过程中,病虫害是危害农作物生长和影响产量的重要因素之一。然而,受到科技水平的制约,对农作物病虫害是否发生以及病虫害危害的程度,通常是由专家或有经验的农业工作者到田间地头,通过手工检查、肉眼观察来完成判断,而这种人工观测判断的方法不仅浪费时间以及精力,识别效率低,而且得到的结果也很难全面的掌握农作物的病情,因此常常会错过最好的防治时间,造成巨大的经济损失。我国是一个农业大国,每年由于农作物的病虫害而造成的经济损失和间接生态效益的损失十分巨大,因此,如何依靠机器视觉技术和数字图像处理技术准确、迅速、全面地监测管理农作物病虫害,已经成为了农作物病虫害检测的重要研究方向之一。
鉴于此,克服上述现有技术所存在的缺陷是本技术领域亟待解决的问题。
【发明内容】
本发明需要解决的技术问题是:
传统判断农作物病虫害是否发生以及危害程度时,通常是由手工检查、肉眼观察来判断,不仅浪费时间和精力,识别效率低,而且识别不稳定,容易错过最佳防治时间,造成经济损失。
本发明通过如下技术方案达到上述目的:
第一方面,本发明提供了一种病虫害识别方法,服务器预先建立植物生长库和病虫害数据库,所述植物生长库记录有植物的种类和生长周期信息,所述病虫害数据库记录有病虫害的种类和特征信息;则所述病虫害识别方法包括:
根据用户在签约区域内所种植物的种类及当前所处生长周期,对照植物生长库为所述植物建立标准生长模型;
获取所述签约区域内植物各生长指标的实际数据,并与所述标准生长模型匹配,进而根据匹配结果判断植物的生长状态;
当确认所述植物处于病虫害状态时,在所述签约区域内进行图像采集,结合图像识别和病虫害数据库确定病虫害的种类,并推送至用户的智能终端。
优选的,所述标准生长模型的建立具体为:
用户识别并上传签约区域内所种植物的种类及当前所处生长周期,或者开启所述签约区域内的摄像头,通过图像识别确定签约区域内植物的种类及当前所处生长周期;
将植物的种类及当前所处生长周期对照所述植物生长库进行匹配,从所述植物生长库中获取该植物健康生长时对应的各生长指标的标准数据,进而根据各生长指标的标准数据建立标准生长模型;
其中,所述生长指标包括植物自身指标和/或环境指标;所述植物自身指标包括植物的生长速度、植株高度、叶片颜色、叶片厚度和根系长度中的一项或多项;所述环境指标包括空气温度、空气湿度、土壤水分、土壤养分、土壤氧分压和土壤PH值中的一项或多项。
优选的,植物生长状态的判断过程具体为:
根据植物的不同生长指标在植物生长中的重要程度,赋予各生长指标对应的权重;
将植物各项生长指标的实际数据与所述标准生长模型中的对应标准数据进行匹配,根据匹配结果分别对各项生长指标进行状态指数的标记;
对植物的各生长指标的状态指数进行加权求和得到等级参数,根据等级参数确定植物的病虫害等级,进而确定植物的生长状态。
优选的,所述签约区域内还设有捕捉笼对昆虫进行诱导捕捉,所述捕捉笼设有外摄像头、内摄像头和测振仪,则当确认所述植物处于病虫害状态时,所述方法还包括:
利用外摄像头在所述签约区域内进行图像采集,获取植物的图片;
利用内摄像头在所述捕捉笼内进行图像采集,获取昆虫的图片;
利用测振仪在所述捕捉笼内进行频率测定,获取昆虫的翅膀振动频率;
分别将获取到的植物图片、昆虫图片和昆虫翅膀振动频率对照所述病虫害数据库进行匹配,综合分析后确定病虫害的种类。
优选的,根据植物图片、昆虫图片和昆虫翅膀振动频率在判断病虫害种类中的重要程度,赋予三项判断指标不同的权重,则病虫害的种类确定方法具体为:
分别将每一项判断指标对照所述病虫害数据库进行匹配,得到每项判断指标下与待识别昆虫之间存在相似度的一种或多种昆虫,并计算得到待识别昆虫与每种昆虫的相似度;
根据三项判断指标的权重,将每种昆虫在不同判断指标下的相似度进行加权计算,得到待识别昆虫与每种昆虫间的总相似度;
将每种昆虫的总相似度进行比较,并将总相似度最高的昆虫确定为所述签约区域内植物对应的病虫害种类。
优选的,所述病虫害数据库中还记录有病虫害的地理位置分布和危害的植物范围,则在确认植物处于病虫害状态之后,进行图像采集之前,所述方法还包括:
对所述签约区域进行GPS定位获取所述签约区域的地理位置,根据所述签约区域的地理位置、植物种类和植物当前所处生长周期,对照所述病虫害数据库进行匹配,初步锁定所述病虫害的种类范围;
则在所述签约区域内进行图像采集之后,结合图像识别和病虫害数据库,在初步锁定的病虫害种类范围内进一步确定病虫害的种类。
优选的,当通过图像采集无法确定病虫害的种类时,所述方法还包括:对所述签约区域进行GPS定位确认所述签约区域的地理位置,服务器调取同一地区内其他种植相同植物的用户在同一生长周期内的病虫害识别记录,并结合其他用户的病虫害识别记录确定病虫害的种类。
优选的,在所述获取所述签约区域内植物各生长指标的实际数据之后,所述方法还包括:
根据获取到的各生长指标的实际数据,对每一项生长指标建立线性回归模型,确定未来预设时间段内各生长指标对应的预测数据,通过将各预测数据与所述标准生长模型中的标准数据匹配,对植物未来预设时间段内的生长状态进行预测。
优选的,所述标准生长模型中还包括植物对应的养护信息,所述病虫害数据库中还记录有病虫害相应的防治方案,则所述方法还包括:
当判断植物处于健康状态时,向用户的智能终端推送相应的养护信息;其中,所述养护信息包括科学种植、植物防护以及提醒小贴士中的一项或多项;
当判断植物处于病虫害状态时,在确定病虫害的种类之后,根据病虫害数据库选择相应的防治方案推送至用户的智能终端,由用户确认或调整后使用。
第二方面,本发明还提供了一种病虫害认定装置,包括至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被程序设置为执行上述第一方面所述的病虫害识别方法。
与现有技术相比,本发明的有益效果是:
本发明实施例提供的病虫害识别方法中,预先建立了各种植物生长周期中的各项详尽指标数据库,通过将获取的实际数据与对应的标准数据进行匹配,可准确地监测植物生长状态,确定病虫害发生程度,并可通过图像识别进一步确定病虫害种类,使用户及时、快速、准确地获知病虫害种类,进而便于及时采取相应的措施对病虫害进行防治,避免经济损失。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地,下面所描述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为本发明实施例提供的一种病虫害识别方法的流程图;
图2为本发明实施例提供的一种病虫害等级的确定方法的流程图;
图3为本发明实施例提供的一种借助捕捉笼确定病虫害种类的方法流程图;
图4为本发明实施例提供的从服务器侧出发的病虫害识别方法流程图;
图5为本发明实施例提供的从智能终端出发的病虫害识别方法流程图;
图6为本发明实施例提供的一种病虫害识别装置的架构图。
【具体实施方式】
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在本发明各实施例中,符号“/”表示同时具有两种功能的含义,而对于符号“A和/或B”则表明由该符号连接的前后对象之间的组合包括“A”、“B”、“A和B”三种情况。
此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。下面就参考附图和实施例结合来详细说明本发明。
实施例1:
本发明实施例提供了一种病虫害识别方法,为便捷、快速、准确地进行病虫害识别,服务器内预先建立有植物生长库和病虫害数据库,所述植物生长库记录有植物的种类、名称和详细的生长周期信息,所述生长周期信息包括植物在每个生长周期内健康生长时对应的生长形态、自身生长参数和环境参数等详细信息,所述生长周期可以是发芽、开花、授粉、结果等等;所述病虫害数据库记录有病虫害的种类、名称和特征信息,所述特征信息可包括病虫害的危害症状、危害规律、危害植物范围、防治规律和地理位置分布等详细信息。其中,所述植物生长库具体可根据历年作物的生长周期信息来建立,所述病虫害数据库可根据历年作物的病虫害发病情况建立,并按照不同病虫害发生的地理位置进行区域划分,比如可按照病虫害发生的行政区划分。所述植物生长库与所述病虫害数据库之间可根据植物种类以及病虫害种类相关联,形成关联数据库。在实际使用中,用户具体可通过智能终端中的相应APP实现对签约区域的管理,通过在服务器建立详细的数据库,可为使用智能终端的用户提供全面的匹配基础。
如图1所示,在上述建立的数据库的基础上,本发明实施例提供的所述病虫害识别方法包括以下步骤:
步骤10,根据用户在签约区域内所种植物的种类及当前所处生长周期,对照植物生长库为所述植物建立标准生长模型。
当需要识别病虫害时,用户可先登录进智能终端的对应APP,使服务器针对签约区域内的植物建立相应的标准生长模型,所述标准生长模型的建立主要依赖于所述植物生长库,具体建立过程如下:
首先,用户识别并向智能终端上传签约区域内所种植物的种类及当前所处生长周期;或者开启所述签约区域内的摄像头进行图像采集,由服务器通过图像识别确定签约区域内植物的种类及当前所处生长周期。其中,每个用户的签约区域内都设有与服务器相关联的专属摄像头,用于进行图像采集,以便用户能够随时通过智能终端的登录界面,接入所述专属摄像头进行植物实时生长状态的观察;对于一些熟悉的植物,用户能够快速确定其种类及生长周期;但对于不熟悉的植物,用户可能无法准确辨别植物种类或者生长周期,则此时用户可通过在智能终端的APP上进行操作,开启签约区域内的专属摄像头,由专属摄像头对植物进行图像采集并反馈至服务器,服务器启动图像识别技术对采集的图像进行分析和处理,进而识别植物种类以及所处的生长周期。其中,本发明实施例中的所述图像采集既可以是离散的、静态的图片采集,也可以是连续的、动态的视频采集,服务器可对离散图片和视频进行处理分析。
然后,用户上传植物信息或者服务器识别植物信息后,服务器将植物的种类及当前所处生长周期对照所述植物生长库进行匹配,获取该植物健康生长时对应的各生长指标的标准数据,进而根据各生长指标的标准数据建立标准生长模型;比如,所述签约区域内的植物为玉米,处于授粉期,则服务器从所述植物生长库中提取玉米在授粉期内时,对应的各项生长指标的标准数据,进而建立玉米在授粉期内的标准生长模型。其中,所述生长指标包括植物自身指标和/或环境指标;所述植物自身指标包括植物的生长速度、植株高度、叶片颜色、叶片厚度和根系长度等指标中的一项或多项;所述环境指标包括空气温度、空气湿度、土壤水分、土壤养分(比如氮磷钾等营养成分)、土壤氧分压和土壤PH值等指标中的一项或多项。对于各生长指标,在植物生长库中对应的标准数据可以是一个唯一确定的数值,也可以是一个区间范围,可根据生长指标的性质来确定;其中,大多数情况下标准数据为一区间范围。
步骤20,获取所述签约区域内植物各生长指标的实际数据,并与所述标准生长模型匹配,进而根据匹配结果判断植物的生长状态。
为获取所述签约区域内植物的各项植物自身指标的实际数据,可通过签约区域内的专属摄像头进行植物的图像采集,然后将图像反馈给服务器进行图像处理和分析,进而得到相应的实际数据。为获取所述签约区域内的环境指标的实际数据,可通过在所述签约区域内设置相应的传感器或测试仪器来测定,传感器再将检测结果反馈至服务器;比如,可设置空气温度传感器、空气湿度传感器、土壤温度传感器、土壤湿度传感器和PH测试仪,分别测试签约区域内的空气温度、空气湿度、土壤温度、土壤水分和土壤PH值。
获取到各生长指标的实际数据后,分别将各生长指标对应的实际数据与标准生长模型中对应的标准数据进行匹配,假设标准数据是一个区间范围,则可按照以下原则进行匹配:对于任一项生长指标,如果其实际数据在标准数据的区间范围内,则该项生长指标视为匹配成功;如果其实际数据在标准数据的区间范围以外,则该项生长指标视为匹配失败。在各生长指标均匹配完成后,如果各生长指标对应的实际数据均可与标准数据匹配成功,则可判断植物为健康状态;如果存在任一生长指标,其对应的实际数据与标准数据匹配失败,则可判断植物为病虫害状态(即非健康状态)。其中,在匹配过程中,实际数据与标准数据间的差距越大,匹配失败的生长指标的数量越多,病虫害程度也就越严重,因此还可根据数据差异具体确定病虫害程度。服务器完成判断后,可将植物对应的各项生长指标的数据(包括实际数据和标准数据)以及作出的判断结果均推送至智能终端显示,以便用户及时了解到植物当前的生长状态以及生长参数,也可便于用户根据生长状态和生长参数采取相应的养护或防治措施。
步骤30,当确认所述植物处于病虫害状态时,在所述签约区域内进行图像采集,结合图像识别和病虫害数据库确定病虫害的种类,并推送至用户的智能终端。
经过所述步骤20中的判断后,当判断所述植物处于健康状态时,可确认所述签约区域内无病虫害发生,此时用户可直接将本次检测结果进行记录,以便后续查看,记录后退出智能终端的APP,结束此次病虫害识别。当判断植物处于病虫害状态时,则需进一步确定病虫害的具体种类,本发明实施例通过签约区域内的专属摄像头进行图像采集,并反馈至服务器,服务器可对其中具有病斑样态的植物图片和/或致害昆虫图片进行分析处理,并将图像分析得到的信息对照所述病虫害数据库进行匹配,进而可结合病虫害数据库内的信息确定病虫害的种类,最后将结果推送至智能终端显示,使用户及时了解到当前签约区域内植物的病虫害种类,以便用户根据病虫害种类“对症下药”,确定相应的防治措施。
本发明实施例提供的病虫害识别方法中,预先建立了各种植物生长周期中的各项详尽指标数据库,通过将获取的实际数据与对应的标准数据进行匹配,可准确地监测植物生长状态,确定病虫害发生程度,并可通过图像识别进一步确定病虫害种类,使用户及时、快速、准确地获知病虫害种类,进而便于及时采取相应的措施对病虫害进行防治,避免经济损失。
其中,在建立标准生长模型时,所述标准生长模型中还可进一步包括植物对应的养护信息,即与所述签约区域内植物的种类和生长周期均相对应的养护信息,所述养护信息可包括科学种植、植物防护以及提醒小贴士中的一项或多项。当在步骤10中建立标准生长模型后,服务器可按照预设周期定时向用户的智能终端推送相应的养护信息进行显示,以便为用户的种植提供一定的参考;其中,所述预设周期可由用户根据自身喜好和需要自行设定,在此不做限定。
结合本发明实施例,还存在一种优选的实现方案,在所述步骤20中,为更准确地判断病虫害程度,可通过加权计算的方法确定病虫害等级,进而确定植物的生长状态。参考图2,病虫害等级的确定具体包括以下步骤:
步骤201,根据植物的不同生长指标在植物生长中的重要程度,赋予各生长指标对应的权重。
在一个具体的实施例中,可先将不同的生长指标划分为一级指标、二级指标和三级指标三类,三类指标在植物生长中的重要程度依次递减。其中,对于不同的植物种类,各生长指标在植物生长中的重要程度也是不同的,因此对生长指标的级别划分也是不同的,可具体情况具体分析;比如,对于某一种类的植物,可将对该植物生长比较重要的空气湿度、土壤水分、土壤氧分压、土壤PH和叶片颜色归为一级指标,将土壤养分和植物根系长度归为二级指标,将空气温度、植株高度和叶片厚度归为三级指标。在该具体实施例中,一级指标、二级指标和三级指标可分别赋予0.5、0.3和0.2的权重值。其中,对于指标分类的级数、各生长指标的权重赋值以及各生长指标的归类,均可根据实际需要进行调整,以上所述只是其中一个具体实施例,并不用以限制本发明。
步骤202,将植物各项生长指标的实际数据与所述标准生长模型中的对应标准数据进行匹配,根据匹配结果分别对各项生长指标进行状态指数的标记。
在上述具体的实施例中,对于任一项生长指标,可根据实际数据与标准数据之间的差距,将实际数据分为健康、亚健康和病态三种状态,状态指数分别记为0、1、2。假设标准数据均为一区间范围,则对于任一项生长指标,其状态指数的标记如下:若实际数据处于标准数据的区间范围内,则将状态指数记为0(表示该生长指标为健康指标);若实际数据在标准数据的区间范围以外,则可将实际数据减去标准数据区间的最大值作为偏差值(实际数据大于标准数据区间的最大值时),或者将标准数据区间内的最小值减去实际数据作为偏差值(实际数据大于标准数据区间的最小值时),然后用偏差值除以标准数据所在区间的长度,若得到的结果在0-0.7这个区间内,则将状态指数标记为1(表示该生长指标为亚健康指标),否则将状态指数标记为2(表示该生长指标为病态指标)。其中,对于各生长指标的状态划分、状态指数的取值以及具体计算方法,均可根据实际需要进行调整,以上所述只是其中一个具体实施例,并不用以限制本发明。
步骤203,对植物的各生长指标的状态指数进行加权求和得到等级参数,根据等级参数确定植物的病虫害等级,进而确定植物的生长状态。
在上述具体的实施例中,根据各生长指标对应的权重以及状态指数,对所有生长指标的状态指数进行加权求和,最终计算得到的等级参数t与植物的病虫害等级具有以下关系:若各生长指标对应的状态指数中没有病态指标(即各生长指标的状态指数均不为2,仅有0和/或1),且输出结果t满足0≤t≤1.8,则认为所述植物处于健康状态;若各生长指标对应的状态指数中没有病态指标,且输出结果t满足0<t≤1.8,则认为所述植物处于亚健康状态;若各生长指标对应的状态指数中存在3个以下病态指标,且输出结果t满足t≤5.8,则认为所述植物处于轻度病虫害状态;若各生长指标对应的状态指数中存在3-6个病态指标,且输出结果t满足t≤7.4,则认为所述植物处于中度病虫害状态;若各生长指标对应的状态指数中存在6个以上病态指标,和/或输出结果t满足t>7.4,则认为所述植物处于重度病虫害状态。其中,当病虫害等级评定为轻度、中度或重度病虫害状态时,则所述植物处于病虫害状态;当病虫害等级评定为健康或亚健康时,可认为植物未处于病虫害状态。判断完成后,将输出结果t和病虫害等级评判结果均推送至智能终端进行显示,并提醒用户状态指数为病态指标2的生长指标,以便用户及时了解处于病态的生长指标以及病态程度;这就相当于服务器为智能终端出具了一份病虫害分析报告。其中,对于等级的划分以及t值的范围均可根据实际需要进行调整,以上所述只是其中一个具体实施例,并不用以限制本发明。
在确定植物的生长状态或病虫害种类后,服务器还可根据不同的植物生长状态或病虫害种类提供相应的措施,进而为用户的种植提供一定的参考,具体如下:
当判断植物处于健康状态时,服务器可向用户的智能终端推送相应的养护信息显示。这里的健康状态包括所述步骤203中所述的健康以及亚健康,具体来讲,当病虫害程度评定为健康或亚健康时,服务器向用户的智能终端推送养护信息,比如科学种植、植物防护、提醒小贴士等;同时,服务器还可根据养护信息确定相应的调控措施,并启动环境参数调控模式,具体措施可以是温度调控、湿度调控、通风调控和释放营养液等,这些调控可由服务器发送指令后,控制所述签约区域内的相应设备自动完成调控,也可以是推送至智能终端后,由用户确认或调整后人工完成。其中,植物生长库内还可预先存储有不同用户的历史行为信息,则服务器还可向用户推送种植相同植物的用户在该生长周期内的历史行为,供用户进行参考。
当判断植物处于病虫害状态时,在确定病虫害的种类之后,根据病虫害数据库选择相应的防治方案推送至用户的智能终端,由用户确认或调整后使用。具体来讲,当在所述步骤203中病虫害程度评定为轻度、中度或重度病虫害状态时,服务器启动施药除虫模式,并进一步执行步骤30确定病虫害的种类,确定病虫害种类后,服务器将得到的分析结果添加到病虫害分析报告中,推送至智能终端显示,并根据病虫害的发生区域、病虫害的种类和植物种类等信息,调节用药的种类、剂量、位置和范围,得到与该病虫害对应的防治方案,将防治方案后推送至智能终端由用户确认,若用户确认则可在服务器的指令下直接实施,若用户根据自己需求对部分内容进行了修改,则按照修改之后的方案实施。其中,服务器内预先存储的不同用户的历史行为信息中,也包括相同植物在同一生长周期内遭遇同样病虫害种类时,其他不同用户的病虫害防治记录,则服务器可进一步结合其他用户的病虫害防治记录,向用户推送相应的防治方案以供参考。同时,服务器针对当前用户给出的病虫害分析报告以及用户最终采用的病虫害防治方案,也会被记录在用户历史信息中,以便后续查询参考。
结合本发明实施例,还存在一种优选的实现方案,由于所述病虫害数据库中还记录有病虫害的地理位置分布和危害的植物范围,且所述病虫害数据库与所述植物生长库相互关联,则在所述步骤20与所述步骤30之间,即确认植物处于病虫害状态之后,进行图像采集之前,还可包括以下方法:对所述签约区域进行GPS定位,获取所述签约区域所处的地理位置,然后根据所述签约区域的地理位置、签约区域内的植物种类和植物当前所处生长周期,对照所述病虫害数据库进行匹配,确定可能存在的一种或多种病虫害种类,初步锁定所述病虫害的种类范围。比如,所述签约区域内的植物为玉米,当前所处生长周期为授粉,所述签约区域所在的行政区为A区,假设经过与所述病虫害数据库匹配后确定,确定在行政区A区内,玉米在授粉期容易出现的病虫害种类有a、b、c,则初步锁定所述病虫害的种类范围为{a,b,c}。则在所述步骤30中,在所述签约区域内进行图像采集之后,结合图像分析和病虫害数据库,在初步锁定的病虫害种类范围内确定病虫害的种类;也就是说,服务器可只将图像分析结果与所述病虫害数据库中的a、b、c三种病虫害种类进行匹配,而无需再匹配其他病虫害种类,从而进一步提高了匹配效率。
在本发明实施例中,所述步骤30通过图像识别来确定病虫害的具体种类,对于病害情况下通常只需要拍摄植物图片即可分析,而且拍摄静态的植物图片也比较方便;对于虫害情况下,如果只拍摄静态的植物图片可能难以快速有效地确定病虫害种类,通常还需要拍摄昆虫的图片进行分析,而对于飞行类的昆虫,其飞行速度快、飞行线路也不稳定,可能比较难以捕捉到昆虫画面。考虑到这种情况,结合本发明实施例,还存在一种优选的实现方案,所述签约区域内还设有捕捉笼对昆虫进行诱导捕捉,所述捕捉笼设有外摄像头、内摄像头和测振仪,则当确认所述植物处于病虫害状态时,具体实施方法如下:
首先,利用外摄像头在所述签约区域内进行图像采集,获取植物的图片;利用内摄像头在所述捕捉笼内进行图像采集,获取昆虫的图片;利用测振仪在所述捕捉笼内进行频率测定,获取昆虫的翅膀振动频率。其中,静态的植物图片可以是由捕捉笼的外摄像头进行采集,也可以是通过所述签约区域内的专属摄像头进行采集,在此不做限定;所述捕捉笼内置有诱导剂,进而可诱导昆虫进入捕捉笼内,从而可在捕捉笼内捕捉到昆虫图片、测定到昆虫的翅膀振动频率。
然后,分别将获取到的植物图片、昆虫图片和昆虫翅膀振动频率对照所述病虫害数据库进行匹配,综合分析后确定病虫害的种类。其中,植物图片、昆虫图片和昆虫翅膀振动频率这三项判断指标在判断病虫害种类中的重要程度是不同的,因此在进行综合分析时可采用加权计算的方法,首先需要根据三项判断指标的重要程度赋予不同的权重。比如,通常昆虫图片的重要程度较高,所占权重应该较大,因此可将昆虫图片、植物图片和昆虫翅膀振动频率分别赋予权重0.6、0.2和0.2。确定不同判断指标的权重后,病虫害的种类确定方法可参考图3,具体包括以下步骤:
步骤301,分别将每一项判断指标对照所述病虫害数据库进行匹配,得到每项判断指标下与待识别昆虫之间存在相似度的一种或多种昆虫,并计算得到待识别昆虫与每种昆虫的相似度。
所述病虫害数据库中记录有各种病虫害对应的详细信息,通过将采集到的每一项判断指标与病虫害数据库中的相应数据进行匹配分析,可确定在每一项判断指标下,与待识别昆虫之间存在相似度的一种或多种昆虫,并可通过计算分别得到相似度。比如,通过分析昆虫图片并与所述病虫害数据库进行匹配后,确定待识别昆虫与昆虫a、b、c之间均存在一定的相似度,然后通过计算得到待识别昆虫与昆虫a、b、c之间的第一相似度分别为A1、B1、C1;同理地,通过分析翅膀振动频率并与虫害数据库匹配后,确定待识别昆虫与昆虫a、c、d之间存在一定相似度,且计算得到第二相似度分别为A2、C2、D2;通过分析植物图片并与虫害数据库匹配后,确定待识别昆虫与昆虫c、d之间存在一定相似度,且计算得到第三相似度分别为C3、D3。
步骤302,根据三项判断指标的权重,将每种昆虫在不同判断指标下的相似度进行加权计算,得到每种昆虫对应的总相似度。
通过三项识别特征的分别匹配,得到所有与待识别昆虫可能匹配的昆虫种类有a、b、c、d,对这四种昆虫种类中的每一种,分别将该昆虫在每项判断指标下计算得到的相似度进行加权求和,得到该昆虫与待识别昆虫之间的总相似度:总相似度=第一相似度*0.6+第二相似度*0.2+第三相似度*0.2。其中,昆虫a与待识别昆虫之间的总相似度A=A1*0.6+A2*0.2+0*0.2,同理,昆虫b与待识别昆虫之间的总相似度B=B1*0.6+0*0.2+0*0.2,昆虫c与待识别昆虫之间的总相似度C=C1*0.6+C2*0.2+C3*0.2,昆虫d与待识别昆虫之间的总相似度D=0*0.6+D2*0.2+D3*0.2。
步骤303,将每种昆虫的总相似度进行比较,并将总相似度最高的昆虫确定为所述签约区域内植物对应的病虫害种类。
计算完成后,将所有可能的昆虫的总相似度A、B、C和D进行大小比较,假设A最大,则确定昆虫种类为a。其中,为确保最后得到的病虫害种类的准确性,还可增加验证最高的总相似度值是否大于预设阈值的步骤,如果大于预设阈值则可确定总相似度最高的昆虫为病虫害种类,如果小于预设阈值,则可初步判定为匹配失败,可按照步骤301-步骤303重新采集图片以及数据后进行匹配,直至最终得到的最高总相似度大于预设阈值。其中,所述预设阈值可由用户根据实际需求和自身喜好进行设定,并不唯一限定。
结合本发明实施例,还存在一种优选的实现方案,当通过步骤30中的图像采集无法确定病虫害的种类时,则对所述签约区域进行GPS定位,服务器调取同一地区内其他种植相同植物的用户在同一生长周期内的病虫害记录,进一步结合其他用户的病虫害记录确定病虫害的种类。这是考虑到,对于相同的地区内,同一植物在同一生长周期内应该有大致相同的生长趋势,其生长状态或者病虫害种类也存在一定的相似度。各用户在使用智能终端的该APP时,服务器会保存各用户对应农田植物的历史生长状态记录和历史病虫害识别记录,因此,当图像识别技术无法准确识别病虫害种类时,可向服务器请求获取其他用户的相应病虫害记录,结合其他用户识别的病虫害种类,再辅助图像识别,完成签约区域内的病虫害种类识别。
在本发明实施例中,不仅可根据植物当前的各项生长指标的实际数据,进行植物生长状态的判断,还可对未来的植物生长状态进行预测,从而可使用户及时采取相应措施进行预防,降低病虫害发生的可能性。具体预测方法如下:
在所述步骤20中获取所述签约区域内植物各生长指标的实际数据之后,根据获取到的各生长指标的实际数据,对每一项生长指标建立线性回归模型,确定未来预设时间段内各生长指标对应的预测数据,通过将各预测数据与所述标准生长模型中的标准数据匹配,对植物未来预设时间段内的生长状态进行预测;其中,所述预设时间段可由用户根据实际需求来设定,比如可预测为未来7天内的数据。预测数据与标准数据之间的匹配可参考上面介绍的实际数据与标准数据之间的匹配,对未来生长状态的判断方法以及病虫害种类识别方法也可参考上面介绍的方法,此处不再赘述。同时,服务器还可与当地的气象平台连接,通过获取未来预设时间段内的气象预测数据,结合植物各生长指标的预测数据,进一步预测未来的植物生长状态及病虫害等级,从而使预测结果更准确。
以上所述即为本发明实施例提供的病虫害识别方法的完整过程,其中,从服务器一侧出发,病虫害认定的具体流程可参考图4,其中,图中植物详细信息即植物对应的各项植物自身指标的实际数据,环境详细信息即植物对应的各项环境指标的实际数据;从用户和智能终端一侧出发,病虫害认定的具体流程可参考图5。
与现有技术相比,本发明提供的病虫害识别方法主要有以下优势:在建立详细的植物生长库以及病虫害数据库的基础上,通过植物种类和生长周期建立标准生长模型,获取植物各生长指标的时间数据并与标准生长模型匹配,从而可准确地监测植物生长状态,确定病虫害发生程度,并进一步通过图像识别确定病虫害种类,使用户及时、快速、准确地获知病虫害种类;将植物的各生长指标按照在植物生长中的重要程度赋予不同的权重,对各生长指标通过加权计算后得到等级参数用于确定病虫害等级,评定方法更加全面、准确;通过捕捉笼对昆虫进行诱导捕捉,更容易获取昆虫图片,并结合植物图片、昆虫图片和昆虫翅膀振动频率综合分析,确定病虫害种类;确定植物生长状态或病虫害种类后,服务器可结合病虫害数据库和植物生长库给出相应的防治方案,并推荐给用户,用户可据此及时采取相应的措施对病虫害进行防治,避免经济损失;每一项指标都单独建立预测模型,对未来一段时间的病虫害发生状况进行预测,从而降低病虫害发生的可能性。
实施例2:
在上述实施例1提供的病虫害识别方法的基础上,本发明还提供了一种可用于实现上述方法的病虫害识别装置,如图6所示,是本发明实施例的装置架构示意图。本实施例的病虫害识别装置包括一个或多个处理器21以及存储器22。其中,图6中以一个处理器21为例。
所述处理器21和所述存储器22可以通过总线或者其他方式连接,图6中以通过总线连接为例。
所述存储器22作为一种病虫害识别方法非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如实施例1中的病虫害识别方法。所述处理器21通过运行存储在所述存储器22中的非易失性软件程序、指令以及模块,从而执行病虫害识别装置的各种功能应用以及数据处理,即实现实施例1的病虫害识别方法。
所述存储器22可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,所述存储器22可选包括相对于所述处理器21远程设置的存储器,这些远程存储器可以通过网络连接至所述处理器21。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述程序指令/模块存储在所述存储器22中,当被所述一个或者多个处理器21执行时,执行上述实施例1中的病虫害识别方法,例如,执行以上描述的图1-图5所示的各个步骤。
本领域普通技术人员可以理解实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,Random AccessMemory)、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种病虫害识别方法,其特征在于,服务器预先建立植物生长库和病虫害数据库,所述植物生长库记录有植物的种类和生长周期信息,所述病虫害数据库记录有病虫害的种类和特征信息;则所述病虫害识别方法包括:
根据用户在签约区域内所种植物的种类及当前所处生长周期,对照植物生长库为所述植物建立标准生长模型;
获取所述签约区域内植物各生长指标的实际数据,并与所述标准生长模型匹配,进而根据匹配结果判断植物的生长状态;
当确认所述植物处于病虫害状态时,在所述签约区域内进行图像采集,结合图像识别和病虫害数据库确定病虫害的种类,并推送至用户的智能终端。
2.根据权利要求1所述的病虫害识别方法,其特征在于,所述标准生长模型的建立具体为:
用户识别并上传签约区域内所种植物的种类及当前所处生长周期,或者开启所述签约区域内的摄像头,通过图像识别确定签约区域内植物的种类及当前所处生长周期;
将植物的种类及当前所处生长周期对照所述植物生长库进行匹配,从所述植物生长库中获取该植物健康生长时对应的各生长指标的标准数据,进而根据各生长指标的标准数据建立标准生长模型;
其中,所述生长指标包括植物自身指标和/或环境指标;所述植物自身指标包括植物的生长速度、植株高度、叶片颜色、叶片厚度和根系长度中的一项或多项;所述环境指标包括空气温度、空气湿度、土壤水分、土壤养分、土壤氧分压和土壤PH值中的一项或多项。
3.根据权利要求2所述的病虫害识别方法,其特征在于,植物生长状态的判断过程具体为:
根据植物的不同生长指标在植物生长中的重要程度,分别赋予各生长指标对应的权重;
将植物各项生长指标的实际数据与所述标准生长模型中的对应标准数据进行匹配,根据匹配结果分别对各项生长指标进行状态指数的标记;
对植物的各生长指标的状态指数进行加权求和得到等级参数,根据等级参数确定植物的病虫害等级,进而确定植物的生长状态。
4.根据权利要求1所述的病虫害识别方法,其特征在于,所述签约区域内还设有捕捉笼对昆虫进行诱导捕捉,所述捕捉笼设有外摄像头、内摄像头和测振仪,则当确认所述植物处于病虫害状态时,所述方法还包括:
利用外摄像头在所述签约区域内进行图像采集,获取植物的图片;
利用内摄像头在所述捕捉笼内进行图像采集,获取昆虫的图片;
利用测振仪在所述捕捉笼内进行频率测定,获取昆虫的翅膀振动频率;
分别将获取到的植物图片、昆虫图片和昆虫翅膀振动频率对照所述病虫害数据库进行匹配,综合分析后确定病虫害的种类。
5.根据权利要求4所述的病虫害识别方法,其特征在于,根据植物图片、昆虫图片和昆虫翅膀振动频率在判断病虫害种类中的重要程度,分别赋予三项判断指标不同的权重,则病虫害的种类确定方法具体为:
分别将每一项判断指标对照所述病虫害数据库进行匹配,得到每项判断指标下与待识别昆虫之间存在相似度的一种或多种昆虫,并计算得到待识别昆虫与每种昆虫的相似度;
根据三项判断指标的权重,将每种昆虫在不同判断指标下的相似度进行加权计算,得到待识别昆虫与每种昆虫间的总相似度;
将每种昆虫对应的总相似度进行比较,并将总相似度最高的昆虫确定为所述签约区域内植物对应的病虫害种类。
6.根据权利要求1所述的病虫害识别方法,其特征在于,所述病虫害数据库中还记录有病虫害的地理位置分布和危害的植物范围,则在确认植物处于病虫害状态之后,进行图像采集之前,所述方法还包括:
对所述签约区域进行GPS定位获取所述签约区域的地理位置,根据所述签约区域的地理位置、植物种类和植物当前所处生长周期,对照所述病虫害数据库进行匹配,初步锁定所述病虫害的种类范围;
则在所述签约区域内进行图像采集之后,结合图像识别和病虫害数据库,在初步锁定的病虫害种类范围内进一步确定病虫害的种类。
7.根据权利要求1-6任一所述的病虫害识别方法,其特征在于,当通过图像采集无法确定病虫害的种类时,所述方法还包括:对所述签约区域进行GPS定位确认所述签约区域的地理位置,服务器调取同一地区内其他种植相同植物的用户在同一生长周期内的病虫害识别记录,并结合其他用户的病虫害识别记录确定病虫害的种类。
8.根据权利要求1-6任一所述的病虫害识别方法,其特征在于,在所述获取所述签约区域内植物各生长指标的实际数据之后,所述方法还包括:
根据获取到的各生长指标的实际数据,对每一项生长指标建立线性回归模型,确定未来预设时间段内各生长指标对应的预测数据,通过将各预测数据与所述标准生长模型中的标准数据匹配,对植物未来预设时间段内的生长状态进行预测。
9.根据权利要求1-6任一所述的病虫害识别方法,其特征在于,所述标准生长模型中还包括植物对应的养护信息,所述病虫害数据库中还记录有病虫害相应的防治方案,则所述方法还包括:
当判断植物处于健康状态时,向用户的智能终端推送相应的养护信息;其中,所述养护信息包括科学种植、植物防护以及提醒小贴士中的一项或多项;
当判断植物处于病虫害状态时,在确定病虫害的种类之后,根据病虫害数据库选择相应的防治方案推送至用户的智能终端,由用户确认或调整后使用。
10.一种病虫害认定装置,其特征在于,包括至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被程序设置为执行权利要求1-9任一所述的病虫害识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910013434.8A CN109840549B (zh) | 2019-01-07 | 2019-01-07 | 一种病虫害识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910013434.8A CN109840549B (zh) | 2019-01-07 | 2019-01-07 | 一种病虫害识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109840549A true CN109840549A (zh) | 2019-06-04 |
CN109840549B CN109840549B (zh) | 2021-04-27 |
Family
ID=66883668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910013434.8A Active CN109840549B (zh) | 2019-01-07 | 2019-01-07 | 一种病虫害识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109840549B (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378303A (zh) * | 2019-07-25 | 2019-10-25 | 杭州睿琪软件有限公司 | 用于对象识别的方法及*** |
CN110443112A (zh) * | 2019-06-14 | 2019-11-12 | 广西农业职业技术学院 | 一种沃柑病变的自动识别方法 |
CN110490086A (zh) * | 2019-07-25 | 2019-11-22 | 杭州睿琪软件有限公司 | 一种用于对象识别结果二次确认的方法及*** |
CN110555416A (zh) * | 2019-09-06 | 2019-12-10 | 杭州睿琪软件有限公司 | 一种植物识别方法及装置 |
CN110850775A (zh) * | 2019-11-20 | 2020-02-28 | 吉林省稷坤农业科技有限公司 | 一种用于智慧农业的环境数据无线监测***及其工作方法 |
CN111046204A (zh) * | 2019-12-16 | 2020-04-21 | 北京植得智能互联科技有限公司 | 一种病虫害识别防治*** |
CN111506097A (zh) * | 2020-04-30 | 2020-08-07 | 苏州恒井泰信息技术有限公司 | 一种无人机遥感技术在精准农业中的应用***及方法 |
CN111598181A (zh) * | 2020-05-21 | 2020-08-28 | 中国热带农业科学院热带生物技术研究所 | 一种香蕉花叶心腐病app识别方法及*** |
CN112710661A (zh) * | 2020-12-25 | 2021-04-27 | 河北北方学院 | 一种马铃薯育种监测分析方法及*** |
CN113095555A (zh) * | 2021-03-31 | 2021-07-09 | 佛山一本农业科技有限公司 | 基于物联网的农作物病虫害监控方法、***及存储介质 |
CN113191742A (zh) * | 2021-05-24 | 2021-07-30 | 苏州三润景观工程有限公司 | 绿植病虫害智能识别方法 |
CN113298180A (zh) * | 2021-06-15 | 2021-08-24 | 杭州睿胜软件有限公司 | 用于植物识别的方法和计算机*** |
CN113435825A (zh) * | 2021-05-06 | 2021-09-24 | 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) | 一种基于土传病害防治的智能管理方法、***及存储介质 |
CN113505706A (zh) * | 2021-07-14 | 2021-10-15 | 陈小义 | 一种基于ai智能的病害自动识别方法及*** |
CN113627216A (zh) * | 2020-05-07 | 2021-11-09 | 杭州睿琪软件有限公司 | 植物状态评估方法、***及计算机可读存储介质 |
CN113723157A (zh) * | 2020-12-15 | 2021-11-30 | 京东数字科技控股股份有限公司 | 一种农作物病害识别方法、装置、电子设备及存储介质 |
CN115203315A (zh) * | 2022-07-18 | 2022-10-18 | 浙江鼎昆环境科技有限公司 | 基于物联网传感器判断白蚁有无的监测点状态在软件上的展示***和计算方法 |
CN116385885A (zh) * | 2023-04-07 | 2023-07-04 | 深圳市金大智能创新科技有限公司 | 一种病虫害识别方法及*** |
CN117077004A (zh) * | 2023-08-18 | 2023-11-17 | 中国科学院华南植物园 | 物种鉴定方法、***、设备及存储介质 |
CN117079140A (zh) * | 2023-10-13 | 2023-11-17 | 金埔园林股份有限公司 | 一种景观植物种植管理方法 |
CN117437385A (zh) * | 2023-12-21 | 2024-01-23 | 武汉新普惠科技有限公司 | 基于视觉分析的农业害虫识别***及方法 |
CN117787453A (zh) * | 2023-05-17 | 2024-03-29 | 广东千沣农业科技有限公司 | 一种玉米生长态势变化趋势预测方法、***及电子设备 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008083062A1 (en) * | 2006-12-29 | 2008-07-10 | Pioneer Hi-Bred International, Inc. | Automated location-based information recall |
CN102523245A (zh) * | 2011-11-10 | 2012-06-27 | 许春香 | 一种农业病虫害与生长状况预测防控物联网及方法 |
CN102760228A (zh) * | 2011-04-27 | 2012-10-31 | 中国林业科学研究院森林生态环境与保护研究所 | 基于标本图像的鳞翅目昆虫种类自动鉴别方法 |
US20130156271A1 (en) * | 2011-12-20 | 2013-06-20 | Net-Fit Tecnologia Da Informacao Ltda. | System for analysis of pests and diseases in crops and orchards via mobile phone |
CN103333813A (zh) * | 2012-10-23 | 2013-10-02 | 辛玉江 | 一种复合微生物菌剂及其制备方法 |
CN104330410A (zh) * | 2014-11-04 | 2015-02-04 | 无锡北斗星通信息科技有限公司 | 位于无人机上的作物病虫害检测*** |
CN105867144A (zh) * | 2016-04-05 | 2016-08-17 | 云上后稷(北京)科技有限公司 | 家居型植物工厂、远程控制方法、控制器及控制*** |
CN105869061A (zh) * | 2016-04-08 | 2016-08-17 | 佛山市融信通企业咨询服务有限公司 | 一种计算机分析植物生长状态的方法 |
CN106682655A (zh) * | 2017-03-14 | 2017-05-17 | 湖南威达科技有限公司 | 一种基于大数据与图像识别的家庭养护扶桑花的app |
CN106779188A (zh) * | 2016-11-30 | 2017-05-31 | 深圳前海弘稼科技有限公司 | 一种种植设备中植物病虫害预测方法及装置 |
CN106991619A (zh) * | 2017-06-05 | 2017-07-28 | 河北哲瀚网络科技有限公司 | 一种农作物病虫害智能诊断***及诊断方法 |
CN107194506A (zh) * | 2017-05-10 | 2017-09-22 | 北京兴农丰华科技有限公司 | 农作物病虫害预警信息分析方法 |
CN107711756A (zh) * | 2017-11-03 | 2018-02-23 | 桂林电子科技大学 | 基于物联网的农作物害虫智能测报*** |
CN107771696A (zh) * | 2016-08-24 | 2018-03-09 | 南京乐朋电子科技有限公司 | 一种防虫栅栏 |
CN107784020A (zh) * | 2016-08-31 | 2018-03-09 | 司邦杰 | 一种动植物昆虫品种识别方法 |
CN107862686A (zh) * | 2017-11-03 | 2018-03-30 | 黄国华 | 一种基于图像识别的植物培育***及方法 |
CN107912189A (zh) * | 2017-12-26 | 2018-04-17 | 苏州爱达荷农业信息科技有限公司 | 一种移动式植物养护装置及其使用方法 |
CN109147282A (zh) * | 2018-07-03 | 2019-01-04 | 华南农业大学 | 一种智能稻田虫害等级预报***和预报方法 |
-
2019
- 2019-01-07 CN CN201910013434.8A patent/CN109840549B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008083062A1 (en) * | 2006-12-29 | 2008-07-10 | Pioneer Hi-Bred International, Inc. | Automated location-based information recall |
CN102760228A (zh) * | 2011-04-27 | 2012-10-31 | 中国林业科学研究院森林生态环境与保护研究所 | 基于标本图像的鳞翅目昆虫种类自动鉴别方法 |
CN102523245A (zh) * | 2011-11-10 | 2012-06-27 | 许春香 | 一种农业病虫害与生长状况预测防控物联网及方法 |
US20130156271A1 (en) * | 2011-12-20 | 2013-06-20 | Net-Fit Tecnologia Da Informacao Ltda. | System for analysis of pests and diseases in crops and orchards via mobile phone |
CN103333813A (zh) * | 2012-10-23 | 2013-10-02 | 辛玉江 | 一种复合微生物菌剂及其制备方法 |
CN104330410A (zh) * | 2014-11-04 | 2015-02-04 | 无锡北斗星通信息科技有限公司 | 位于无人机上的作物病虫害检测*** |
CN105867144A (zh) * | 2016-04-05 | 2016-08-17 | 云上后稷(北京)科技有限公司 | 家居型植物工厂、远程控制方法、控制器及控制*** |
CN105869061A (zh) * | 2016-04-08 | 2016-08-17 | 佛山市融信通企业咨询服务有限公司 | 一种计算机分析植物生长状态的方法 |
CN107771696A (zh) * | 2016-08-24 | 2018-03-09 | 南京乐朋电子科技有限公司 | 一种防虫栅栏 |
CN107784020A (zh) * | 2016-08-31 | 2018-03-09 | 司邦杰 | 一种动植物昆虫品种识别方法 |
CN106779188A (zh) * | 2016-11-30 | 2017-05-31 | 深圳前海弘稼科技有限公司 | 一种种植设备中植物病虫害预测方法及装置 |
CN106682655A (zh) * | 2017-03-14 | 2017-05-17 | 湖南威达科技有限公司 | 一种基于大数据与图像识别的家庭养护扶桑花的app |
CN107194506A (zh) * | 2017-05-10 | 2017-09-22 | 北京兴农丰华科技有限公司 | 农作物病虫害预警信息分析方法 |
CN106991619A (zh) * | 2017-06-05 | 2017-07-28 | 河北哲瀚网络科技有限公司 | 一种农作物病虫害智能诊断***及诊断方法 |
CN107711756A (zh) * | 2017-11-03 | 2018-02-23 | 桂林电子科技大学 | 基于物联网的农作物害虫智能测报*** |
CN107862686A (zh) * | 2017-11-03 | 2018-03-30 | 黄国华 | 一种基于图像识别的植物培育***及方法 |
CN107912189A (zh) * | 2017-12-26 | 2018-04-17 | 苏州爱达荷农业信息科技有限公司 | 一种移动式植物养护装置及其使用方法 |
CN109147282A (zh) * | 2018-07-03 | 2019-01-04 | 华南农业大学 | 一种智能稻田虫害等级预报***和预报方法 |
Non-Patent Citations (2)
Title |
---|
宁正元: "《计算机在生物科学研究中的应用》", 30 November 2006 * |
王林瑶等: "《有趣的昆虫世界》", 31 August 1994 * |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443112A (zh) * | 2019-06-14 | 2019-11-12 | 广西农业职业技术学院 | 一种沃柑病变的自动识别方法 |
CN110490086A (zh) * | 2019-07-25 | 2019-11-22 | 杭州睿琪软件有限公司 | 一种用于对象识别结果二次确认的方法及*** |
CN110378303A (zh) * | 2019-07-25 | 2019-10-25 | 杭州睿琪软件有限公司 | 用于对象识别的方法及*** |
CN110555416A (zh) * | 2019-09-06 | 2019-12-10 | 杭州睿琪软件有限公司 | 一种植物识别方法及装置 |
CN110850775A (zh) * | 2019-11-20 | 2020-02-28 | 吉林省稷坤农业科技有限公司 | 一种用于智慧农业的环境数据无线监测***及其工作方法 |
CN111046204A (zh) * | 2019-12-16 | 2020-04-21 | 北京植得智能互联科技有限公司 | 一种病虫害识别防治*** |
CN111506097A (zh) * | 2020-04-30 | 2020-08-07 | 苏州恒井泰信息技术有限公司 | 一种无人机遥感技术在精准农业中的应用***及方法 |
CN113627216A (zh) * | 2020-05-07 | 2021-11-09 | 杭州睿琪软件有限公司 | 植物状态评估方法、***及计算机可读存储介质 |
CN113627216B (zh) * | 2020-05-07 | 2024-02-27 | 杭州睿琪软件有限公司 | 植物状态评估方法、***及计算机可读存储介质 |
CN111598181A (zh) * | 2020-05-21 | 2020-08-28 | 中国热带农业科学院热带生物技术研究所 | 一种香蕉花叶心腐病app识别方法及*** |
CN113723157A (zh) * | 2020-12-15 | 2021-11-30 | 京东数字科技控股股份有限公司 | 一种农作物病害识别方法、装置、电子设备及存储介质 |
CN113723157B (zh) * | 2020-12-15 | 2024-02-09 | 京东科技控股股份有限公司 | 一种农作物病害识别方法、装置、电子设备及存储介质 |
CN112710661A (zh) * | 2020-12-25 | 2021-04-27 | 河北北方学院 | 一种马铃薯育种监测分析方法及*** |
CN113095555A (zh) * | 2021-03-31 | 2021-07-09 | 佛山一本农业科技有限公司 | 基于物联网的农作物病虫害监控方法、***及存储介质 |
CN113095555B (zh) * | 2021-03-31 | 2024-01-23 | 容城县爱家卫生用品有限公司 | 基于物联网的农作物病虫害监控方法、***及存储介质 |
CN113435825A (zh) * | 2021-05-06 | 2021-09-24 | 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) | 一种基于土传病害防治的智能管理方法、***及存储介质 |
CN113435825B (zh) * | 2021-05-06 | 2023-04-25 | 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) | 一种基于土传病害防治的智能管理方法、***及存储介质 |
CN113191742A (zh) * | 2021-05-24 | 2021-07-30 | 苏州三润景观工程有限公司 | 绿植病虫害智能识别方法 |
CN113298180A (zh) * | 2021-06-15 | 2021-08-24 | 杭州睿胜软件有限公司 | 用于植物识别的方法和计算机*** |
WO2022262586A1 (zh) * | 2021-06-15 | 2022-12-22 | 杭州睿胜软件有限公司 | 用于植物识别的方法、计算机***以及计算机可读存储介质 |
CN113505706A (zh) * | 2021-07-14 | 2021-10-15 | 陈小义 | 一种基于ai智能的病害自动识别方法及*** |
CN115203315A (zh) * | 2022-07-18 | 2022-10-18 | 浙江鼎昆环境科技有限公司 | 基于物联网传感器判断白蚁有无的监测点状态在软件上的展示***和计算方法 |
CN115203315B (zh) * | 2022-07-18 | 2023-06-27 | 浙江鼎昆环境科技有限公司 | 监测点状态展示***及计算方法 |
CN116385885A (zh) * | 2023-04-07 | 2023-07-04 | 深圳市金大智能创新科技有限公司 | 一种病虫害识别方法及*** |
CN117787453A (zh) * | 2023-05-17 | 2024-03-29 | 广东千沣农业科技有限公司 | 一种玉米生长态势变化趋势预测方法、***及电子设备 |
CN117077004B (zh) * | 2023-08-18 | 2024-02-23 | 中国科学院华南植物园 | 物种鉴定方法、***、设备及存储介质 |
CN117077004A (zh) * | 2023-08-18 | 2023-11-17 | 中国科学院华南植物园 | 物种鉴定方法、***、设备及存储介质 |
CN117079140B (zh) * | 2023-10-13 | 2024-01-23 | 金埔园林股份有限公司 | 一种景观植物种植管理方法 |
CN117079140A (zh) * | 2023-10-13 | 2023-11-17 | 金埔园林股份有限公司 | 一种景观植物种植管理方法 |
CN117437385A (zh) * | 2023-12-21 | 2024-01-23 | 武汉新普惠科技有限公司 | 基于视觉分析的农业害虫识别***及方法 |
CN117437385B (zh) * | 2023-12-21 | 2024-04-02 | 武汉新普惠科技有限公司 | 基于视觉分析的农业害虫识别***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109840549B (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109840549A (zh) | 一种病虫害识别方法和装置 | |
EP3482630B1 (en) | Method, system and computer program for performing a pest forecast | |
CN111767802B (zh) | 一种对象异常状态的检测方法和装置 | |
Dorcas et al. | Innovative methods for studies of snake ecology and conservation | |
Balent et al. | Modelling bird communities/landscape patterns relationships in a rural area of South-Western France | |
Hartman et al. | An inexpensive method for remotely monitoring nest activity | |
CN104200113A (zh) | 基于高斯过程的物联网数据不确定性度量、预测与野值剔除方法 | |
CN107229999A (zh) | 作物产量的预测方法、***、计算机设备及可读存储介质 | |
CN111476149A (zh) | 一种植物培育控制方法和*** | |
CN113310514A (zh) | 一种农作物生长状况检测方法、***、装置及存储介质 | |
Črtomir et al. | Application of Neural Networks and Image Visualization for Early Forecast of Apple Yield. | |
CN114065481B (zh) | 基于大数据的草地数据监测方法、***和可读存储介质 | |
Fewster et al. | Trace-contrast models for capture–recapture without capture histories | |
Taff et al. | Fluctuations in neighbourhood fertility generate variable signalling effort | |
CN114973024A (zh) | 一种机采棉脱叶效果综合评价指标监测与评价方法及*** | |
Güldenring et al. | RumexWeeds: A grassland dataset for agricultural robotics | |
Ackleh et al. | Fitting a structured juvenile–adult model for green tree frogs to population estimates from capture–mark–recapture field data | |
Lunsford et al. | Survival and growth of northern bobwhite offspring post‐translocation | |
Hemeryck et al. | 5.4. Pig cough monitoring in the EU-PLF project: First results | |
Savin et al. | Prediction of crop yields with the use of neural networks | |
CN115358440A (zh) | 一种基于角二阶矩与深度学习的树木覆盖预测方法 | |
Abdulla et al. | Deep learning and IoT for Monitoring Tomato Plant. | |
Strinella et al. | Biometrics, sexing and moulting of Snow Finch Montifringilla nivalis in Central Italy | |
Nakanishi et al. | Examination of image features considering short-term changes in plant water stress | |
Zacepins et al. | Profitability ranking of precision agriculture measurement systems implementation |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210506 Address after: Room 017, building B, block 1, Gaonong biological park headquarters, 888 Gaoxin Avenue, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430000 Patentee after: Wuhan Ainong Yunlian Technology Co., Ltd Address before: 430223 floor 9-1, building 6, No.18 huashiyuan North Road, Donghu New Technology Development Zone, Wuhan City, Hubei Province Patentee before: WUHAN NANBO NETWORK TECHNOLOGY Co.,Ltd. |