CN115082706A - 一种病虫害识别方法、装置、设备及可读存储介质 - Google Patents
一种病虫害识别方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN115082706A CN115082706A CN202210749445.4A CN202210749445A CN115082706A CN 115082706 A CN115082706 A CN 115082706A CN 202210749445 A CN202210749445 A CN 202210749445A CN 115082706 A CN115082706 A CN 115082706A
- Authority
- CN
- China
- Prior art keywords
- pest
- disease
- identification
- plant diseases
- insect pests
- 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.)
- Pending
Links
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 166
- 201000010099 disease Diseases 0.000 title claims abstract description 155
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 155
- 241000238631 Hexapoda Species 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims description 10
- 238000011161 development Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 4
- 230000003902 lesion Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 3
- 230000002265 prevention Effects 0.000 abstract description 4
- 238000012271 agricultural production Methods 0.000 abstract description 3
- 230000002411 adverse Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 241000196324 Embryophyta Species 0.000 description 40
- 208000015181 infectious disease Diseases 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 231100000674 Phytotoxicity Toxicity 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Business, Economics & Management (AREA)
- Marine Sciences & Fisheries (AREA)
- Economics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Data Mining & Analysis (AREA)
- Mining & Mineral Resources (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Cultivation Of Plants (AREA)
Abstract
本申请提供一种病虫害识别方法、装置、设备及可读存储介质,涉及农业互联网技术领域,该方法包括:获取终端设备所采集的病虫害图像;提取病虫害图像的病害部位特征,并与预先存储的特征进行匹配,得到病虫害的初步识别结果;根据终端设备的位置信息,获取当地特定时间段内的气象信息,将气象信息与该病虫害的发生条件进行比对,根据比对结果确定病虫害的识别准确率;若识别准确率高于预设阈值,则向终端设备发送病虫害初步识别结果。这样,通过多重比较确认病虫害,确保病虫害识别结果的准确性,进而及时进行防治,减小病虫害对于农业生产造成的不利影响。
Description
技术领域
本申请属于农业互联网技术领域,尤其涉及一种病虫害识别方法、装置、设备及可读存储介质。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
农业是支撑国民经济建设与发展的最重要的产业,在农业生产中,病虫害一直是影响农作物生长的重要因素,更是造成作物减产低产低品的原因,如植物在生长发育、储藏运输和销售的过程中,常会遭到各种病虫危害,使植物的产量和品质受到影响,降低经济价值。与此同时,在防治病虫害的过程中,用药不当也常会使植物产生药害,导致人畜中毒,污染环境进而破坏生态平衡。因此,在实现农业现代化、数字化的进程中,病虫害的识别与防治工作具有不可替代的重要地位。
现阶段对于病虫害的识别,主要依靠少数专业的植保员、专家等通过实地考察,深入生产场景接触作物以及肉眼观察来判断,这种方法识别效率低,需消耗大量的人力物力。尤其对于交通不便的部分地区,专业人员无法及时赶到现场进行识别,只能依靠种植户口述等方式进行判断,种植户对于专业知识的缺乏而很难详细准确的描述病虫害的主要特征,导致无法准确判断病虫害类型,进而无法进行有效地防治,造成无法挽回的损失。
发明内容
为克服现有技术的不足,本申请提供一种病虫害识别方法、装置和***,首先根据病害部位特征确定病虫害的初步识别结果,然后将当地气象信息与病虫害发生条件进行比对,确定病虫害的识别准确率,在识别准确率高于预设阈值的前提下,将病虫害初步识别结果发送给终端设备,以通过多重比较确认病虫害,确保病虫害识别结果的准确性。
本申请采用的技术方案如下:
第一方面,本发明实施例提供一种病虫害识别方法,包括:
获取终端设备所采集的病虫害图像;
提取所述病虫害图像的病害部位特征,并与预先存储的特征进行匹配,得到病虫害的初步识别结果;
根据所述终端设备的位置信息,获取当地特定时间段内的气象信息,将所述气象信息与该病虫害的发生条件进行比对,根据比对结果确定病虫害的识别准确率;
若所述识别准确率高于预设阈值,则向所述终端设备发送病虫害初步识别结果。
在一种可能的实施方式中,在确定病虫害的识别准确率之后,还包括:
若所述识别准确率不高于预设阈值,则将初步识别结果和病害部位特征发送至专家站,并接收专家站反馈的鉴定结果,将所述鉴定结果发送至终端设备。
在一种可能的实施方式中,获取作物病虫害图谱,并进行标注,得到病虫害数据集;
采用yolov5对病虫害数据集进行训练,得到病虫害识别模型;
将所述病虫害图像输入至病虫害识别模型中,输出得到初步识别结果。
在一种可能的实施方式中,采用labelme对病虫害数据集进行人工标注;将标注信息转换为yolov5所需要的格式,并进行模型的训练;获取在验证集上准确率最高的模型,将其作为病虫害识别模型。
在一种可能的实施方式中,所述初步识别结果包括病虫害的具体病变位置以及病变的类别信息。
在一种可能的实施方式中,所述气象信息包括但不限于温度、湿度、降雨、风力中的一个或多个;将各项气象信息与初步识别结果的发生条件进行比对,根据比对结果确定各项气象信息对应的指标系数;将各指标系数的乘积确定为病虫害的识别准确率。
在一种可能的实施方式中,还包括:获取病虫害相对应的防治方法并记录相关数据,以用于指导种植户快速解决病虫害对作物造成的危害,确保作物的生长发育。
第二方面,本申请实施例提供一种病虫害识别装置,包括:
图像获取模块,用于获取终端设备所采集的病虫害图像;
特征匹配模块,用于提取所述病虫害图像的病害部位特征,并与预先存储的特征进行匹配,得到病虫害的初步识别结果;
信息比对模块,用于根据所述终端设备的位置信息,获取当地特定时间段内的气象信息,将所述气象信息与该病虫害的发生条件进行比对,根据比对结果确定病虫害的识别准确率;
发送模块,用于若所述识别准确率高于预设阈值,则向所述终端设备发送病虫害初步识别结果。
第三方面,本发明实施例提供一种计算机设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如上述第一方面和第一方面任一种可能的实施方式中所述的病虫害识别方法的步骤。
第四方面,本发明实施例提供了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,所述计算机程序被处理器运行时执行如上述第一方面和第一方面任一种可能的实施方式中所述的病虫害识别方法的步骤。
本申请的有益效果:
(1)首先根据病害部位特征确定病虫害的初步识别结果,然后将当地气象信息与病虫害发生条件进行比对,根据比对结果确定病虫害的识别准确率,在识别准确率高于预设阈值的前提下,将病虫害初步识别结果发送给终端设备,以通过多重比较确认病虫害,确保病虫害识别结果的准确性。
(2)在确定识别准确率不高于预设阈值时,将初步识别结果和病害部位特征发送至专家站,并接收专家站反馈的鉴定结果,将所述鉴定结果发送至终端设备,以快速得到准确的鉴定结果,及时地消除病虫害对于农业生产造成的不利影响。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本申请实施例所提供的病虫害识别方法的流程示意图;
图2是本申请另一实施例所提供的病虫害识别方法的流程示意图;
图3是本申请实施例所提供的基于yolov5病虫害识别模型流程图;
图4是本申请实施例所提供的病虫害识别装置的结构示意图;
图5是本申请实施例所提供的一种计算机设备的示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
请参阅图1,图1是本申请实施例所提供的病虫害识别方法的流程示意图,如图1中所示,本实施例所提供的病虫害识别方法包括以下步骤:
S101:获取终端设备所采集的病虫害图像。
在具体实施中,终端设备包括手机、电脑等带有图像采集功能的终端设备,种植户在终端设备下载专属APP,打开拍照模式,对准发病作物侵染部位进行拍照,可以设置自动对焦功能,获取病虫害图像。
S102:提取所述病虫害图像的病害部位特征,并与预先存储的特征进行匹配,得到病虫害的初步识别结果。
在具体实施中,从病虫害图像中提取病害部位特征,如枯萎、腐烂、斑点、霉粉、花叶、虫体特征等主要特征,通过与预先存储的特征进行匹配,得到病虫害的初步识别结果,初步识别结果包括病虫害的具体病变位置以及病变的类别信息。
S103:根据所述终端设备的位置信息,获取当地特定时间段内的气象信息,将所述气象信息与该病虫害的发生条件进行比对,根据比对结果确定病虫害的识别准确率。
在具体实施中,在得到病虫害的初步识别结果之后,种植户授权获取当地位置信息,根据所述终端设备的位置信息,获取当地特定时间段内的气象信息,如温度、湿度、降雨、风力等信息,并结合区域位置判定该区域是否易发生此种病害,综合考虑光温水气的信息,判断是否属于初步判定病虫害的发生条件。将气象信息与该病虫害的发生条件进行比对,根据比对结果确定病虫害的识别准确率。
S104:若所述识别准确率高于预设阈值,则向所述终端设备发送病虫害初步识别结果。
在具体实施中,如果所确定的病虫害的识别准确率高于预设阈值(如90%),则向终端设备发送病虫害初步识别结果。这样,通过多重比较确认病虫害,能够确保病虫害识别结果的准确性。
作为一可选实施方式,在确定病虫害的识别准确率之后,还包括:若所述识别准确率不高于预设阈值,则将初步识别结果和病害部位特征发送至专家站,并接收专家站反馈的鉴定结果,将所述鉴定结果发送至终端设备。
在具体实施中,针对识别准确率不高于预设阈值的初步识别结果,则将初步识别结果和病害部位特征发送至专家站,由不少于三位农业病虫害方面的专家亲自鉴定、识别,给出鉴定结果。接收专家站反馈的鉴定结果,将所述鉴定结果发送至终端设备,送达种植户手中。
作为一可选实施方式,获取作物病虫害图谱,并进行标注,得到病虫害数据集;采用yolov5对病虫害数据集进行训练,得到病虫害识别模型;将所述病虫害图像输入至病虫害识别模型中,输出得到初步识别结果。
在具体实施中,如图2中所示,人工筛选主要作物病虫害高清图谱,并结合病虫害主要侵染部位及侵染情况,为不同病虫害设置不同的侵染特征。图片涵盖全部可能的侵染补位并涵盖多角度的部位侵染情况,同时针对不同生长发育阶段的特征和不同侵染阶段的特征,选取图片,保证每个病虫害图片不少于200-500张,每个部位及每个侵染时期的图片不少于30-50张,确保病虫害在植株的任一生育时期以及任一侵染阶段都能准确识别,得到病虫害数据集。
采用yolov5对病虫害数据集进行训练,得到能够识别病害的病虫害识别模型,将终端设备所采集的病虫害图像输入至病虫害识别模型中,输出得到初步识别结果,所述初步识别结果包括病虫害的具体病变位置以及病变的类别信息。在具体应用中,基于yolov5的病虫害识别模型对病虫害图像进行识别,采用yolov5来进行训练,采用yolov5在线增强的方式,将图像resize到416,基于yolov5-x预训练模型来进行训练,迭代100个epoch,最终通过基于yolov5的病害检测识别模型与终端设备所拍摄的图片进行比对,初步得到病虫害名称及信息。
作为一可选实施方式,采用labelme对病虫害数据集进行人工标注;将标注信息转换为yolov5所需要的格式,并进行模型的训练;获取在验证集上准确率最高的模型,将其作为病虫害识别模型,其流程图如图3中所示。
作为一可选实施方式,所述气象信息包括但不限于温度、湿度、降雨、风力中的一个或多个;将各项气象信息与初步识别结果的发生条件进行比对,根据比对结果确定各项气象信息对应的指标系数;将各指标系数的乘积确定为病虫害的识别准确率。
在具体实施中,通过后台数据库得到该病虫害发生的温湿度及环境指标要求,匹配当地实时的气象信息及当地是否易发生此种病害。如番茄灰霉病发生病害最适宜温度为24-28°,易发生病害温度为20-30°。若当地实时温度为24-28°,则此项指标系数为1;若地区实时温度为20-30°,则此项指标系数为0.9。同样地,确定出温度、湿度、降雨、风力等各项气象信息对应的指标系数,将各指标系数的乘积确定为病虫害的识别准确率。也可以根据气象信息对病虫害的影响程度,为各指标参数设置相应的权重,根据各项指标系数和相应的权重确定病虫害的识别准确率。
作为一可选实施方式,获取病虫害相对应的防治方法并记录相关数据,以用于指导种植户快速解决病虫害对作物造成的危害,确保作物的生长发育。
在具体实施中,在通过上述方式确定病虫害类型后,利用数据库信息,获取病虫害防治方法,指导种植户快速解决病虫害对作物造成的危害,确保作物的生长发育,同时记录相关数据,以为病虫害的风险预测与预防提供数据支撑。
请参阅图4,图4是本申请实施例所提供的病虫害识别装置的结构示意图。如图4中所示,病虫害识别装置400包括:
图像获取模块410,用于获取终端设备所采集的病虫害图像;
特征匹配模块420,用于提取所述病虫害图像的病害部位特征,并与预先存储的特征进行匹配,得到病虫害的初步识别结果;
信息比对模块430,用于根据所述终端设备的位置信息,获取当地特定时间段内的气象信息,将所述气象信息与该病虫害的发生条件进行比对,根据比对结果确定病虫害的识别准确率;
发送模块440,用于若所述识别准确率高于预设阈值,则向所述终端设备发送病虫害初步识别结果。
本实施例提供的病虫害识别装置用于实现前述的病虫害识别方法,因此病虫害识别装置中的具体实施方式可见前文中的病虫害识别方法的实施例部分,在此不再进行赘述。
请参阅图5,图5是本申请实施例提供的一种计算机设备的示意图。如图5中所示,本申请实施例还提供一种计算机设备,所述计算机设备500包括处理器510、存储器520和总线530。
所述存储器520存储有所述处理器510可执行的机器可读指令,当计算机设备500运行时,所述处理器510与所述存储器520之间通过总线530通信,所述机器可读指令被所述处理器510执行时,可以执行如上述图1和图2所示方法实施例中的病虫害识别方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
基于相同的发明构思,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上存储有计算机程序,所述计算机程序被处理器运行时执行上述方法实施例中所述的病虫害识别方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、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,包括:
获取终端设备所采集的病虫害图像;
提取所述病虫害图像的病害部位特征,并与预先存储的特征进行匹配,得到病虫害的初步识别结果;
根据所述终端设备的位置信息,获取当地特定时间段内的气象信息,将所述气象信息与该病虫害的发生条件进行比对,根据比对结果确定病虫害的识别准确率;
若所述识别准确率高于预设阈值,则向所述终端设备发送病虫害初步识别结果。
2.根据权利要求1所述的病虫害识别方法,其特征在于,在确定病虫害的识别准确率之后,还包括:
若所述识别准确率不高于预设阈值,则将初步识别结果和病害部位特征发送至专家站,并接收专家站反馈的鉴定结果,将所述鉴定结果发送至终端设备。
3.根据权利要求1所述的病虫害识别方法,其特征在于,获取作物病虫害图谱,并进行标注,得到病虫害数据集;
采用yolov5对病虫害数据集进行训练,得到病虫害识别模型;
将所述病虫害图像输入至病虫害识别模型中,输出得到初步识别结果。
4.根据权利要求3所述的病虫害识别方法,其特征在于,采用labelme对病虫害数据集进行人工标注;将标注信息转换为yolov5所需要的格式,并进行模型的训练;获取在验证集上准确率最高的模型,将其作为病虫害识别模型。
5.根据权利要求3所述的病虫害识别方法,其特征在于,所述初步识别结果包括病虫害的具体病变位置以及病变的类别信息。
6.根据权利要求1所述的病虫害识别方法,其特征在于,所述气象信息包括但不限于温度、湿度、降雨、风力中的一个或多个;将各项气象信息与初步识别结果的发生条件进行比对,根据比对结果确定各项气象信息对应的指标系数;将各指标系数的乘积确定为病虫害的识别准确率。
7.根据权利要求1所述的病虫害识别方法,其特征在于,还包括:获取病虫害相对应的防治方法并记录相关数据,以用于指导种植户快速解决病虫害对作物造成的危害,确保作物的生长发育。
8.一种病虫害识别装置,其特征在于,包括:
图像获取模块,用于获取终端设备所采集的病虫害图像;
特征匹配模块,用于提取所述病虫害图像的病害部位特征,并与预先存储的特征进行匹配,得到病虫害的初步识别结果;
信息比对模块,用于根据所述终端设备的位置信息,获取当地特定时间段内的气象信息,将所述气象信息与该病虫害的发生条件进行比对,根据比对结果确定病虫害的识别准确率;
发送模块,用于若所述识别准确率高于预设阈值,则向所述终端设备发送病虫害初步识别结果。
9.一种计算机设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至7任一项所述的病虫害识别方法的步骤。
10.一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,所述计算机程序被处理器运行时执行如权利要求1至7任一项所述的病虫害识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210749445.4A CN115082706A (zh) | 2022-06-29 | 2022-06-29 | 一种病虫害识别方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210749445.4A CN115082706A (zh) | 2022-06-29 | 2022-06-29 | 一种病虫害识别方法、装置、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115082706A true CN115082706A (zh) | 2022-09-20 |
Family
ID=83256656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210749445.4A Pending CN115082706A (zh) | 2022-06-29 | 2022-06-29 | 一种病虫害识别方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115082706A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104635694A (zh) * | 2015-01-08 | 2015-05-20 | 沈阳远大智能高科农业有限公司 | 一种智能农业预警*** |
CN109117785A (zh) * | 2018-08-08 | 2019-01-01 | 肇庆市高新区甜慕新能源技术有限公司 | 一种病虫害的监控方法 |
WO2021039465A1 (ja) * | 2019-08-27 | 2021-03-04 | パナソニックIpマネジメント株式会社 | 病害予測システム、病害予測方法及びプログラム |
CN113091822A (zh) * | 2021-04-13 | 2021-07-09 | 山东奥德山水市政园林有限公司 | 一种市政园林用智能监测装置 |
-
2022
- 2022-06-29 CN CN202210749445.4A patent/CN115082706A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104635694A (zh) * | 2015-01-08 | 2015-05-20 | 沈阳远大智能高科农业有限公司 | 一种智能农业预警*** |
CN109117785A (zh) * | 2018-08-08 | 2019-01-01 | 肇庆市高新区甜慕新能源技术有限公司 | 一种病虫害的监控方法 |
WO2021039465A1 (ja) * | 2019-08-27 | 2021-03-04 | パナソニックIpマネジメント株式会社 | 病害予測システム、病害予測方法及びプログラム |
CN113091822A (zh) * | 2021-04-13 | 2021-07-09 | 山东奥德山水市政园林有限公司 | 一种市政园林用智能监测装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107067043B (zh) | 一种农作物病虫害检测方法 | |
JP2019520631A (ja) | 自然環境における雑草の認識 | |
CN104899255B (zh) | 适用于训练深度卷积神经网络的图像数据库的构建方法 | |
Lereboullet et al. | The viticultural system and climate change: coping with long-term trends in temperature and rainfall in Roussillon, France | |
CN109284771B (zh) | 一种番茄生长模型判定方法及装置 | |
CN113627216B (zh) | 植物状态评估方法、***及计算机可读存储介质 | |
JP2019187259A (ja) | 栽培支援方法、栽培支援プログラム、栽培支援装置、および栽培支援システム | |
CN114550108B (zh) | 一种草地贪夜蛾的识别预警方法及*** | |
CN113034301A (zh) | 一种农作物生长管理***及方法 | |
CN111476149A (zh) | 一种植物培育控制方法和*** | |
Tumang | Pests and diseases identification in mango using MATLAB | |
CN115082706A (zh) | 一种病虫害识别方法、装置、设备及可读存储介质 | |
CN111639750A (zh) | 智能花盆的控制方法、装置、智能花盆及存储介质 | |
CN115620151B (zh) | 物候期识别方法、装置、电子设备和存储介质 | |
CN110188657A (zh) | 基于卷曲叶片检测的玉米干旱识别方法 | |
CN111832448A (zh) | 一种用于葡萄果园的病害识别方法及*** | |
Zhou et al. | Design, development, and field evaluation of a rubber tapping robot | |
Kamal et al. | FCN Network‐Based Weed and Crop Segmentation for IoT‐Aided Agriculture Applications | |
CN112465038A (zh) | 一种识别果树病虫害种类的方法及*** | |
CN115661650A (zh) | 一种基于物联网数据监测的农场管理*** | |
CN115620146A (zh) | 一种基于Transformer的农作物叶片病害检测方法 | |
CN116030348A (zh) | 一种基于LS-YOLOv5网络的绿豆叶斑病病斑检测方法及装置 | |
CN113989689B (zh) | 一种基于无人机的农作物病虫害识别方法及*** | |
WO2024131526A1 (zh) | 新植养护方法、***及可读存储介质 | |
CN117522365A (zh) | 一种城市园林智能管养*** |
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 |