CN116884041B - 基于区域历史数据的林业虫灾预测方法及*** - Google Patents

基于区域历史数据的林业虫灾预测方法及*** Download PDF

Info

Publication number
CN116884041B
CN116884041B CN202311138212.1A CN202311138212A CN116884041B CN 116884041 B CN116884041 B CN 116884041B CN 202311138212 A CN202311138212 A CN 202311138212A CN 116884041 B CN116884041 B CN 116884041B
Authority
CN
China
Prior art keywords
disaster
insect
insect disaster
image data
trend
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
Application number
CN202311138212.1A
Other languages
English (en)
Other versions
CN116884041A (zh
Inventor
刘强
刘智
张云英
王勇
修建冰
石娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Feicheng Forestry Protection And Development Center
Original Assignee
Feicheng Forestry Protection And Development Center
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Feicheng Forestry Protection And Development Center filed Critical Feicheng Forestry Protection And Development Center
Priority to CN202311138212.1A priority Critical patent/CN116884041B/zh
Publication of CN116884041A publication Critical patent/CN116884041A/zh
Application granted granted Critical
Publication of CN116884041B publication Critical patent/CN116884041B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/273—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion removing elements interfering with the pattern to be recognised
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Emergency Management (AREA)
  • Human Computer Interaction (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Primary Health Care (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种基于区域历史数据的林业虫灾预测方法及***，涉及林业管理、数据处理技术领域，包括：在目标林业区域设置多个采集点，采集图像数据；对采集的图像数据进行图像过滤，以确定出所采集到的图像数据中的疑似虫灾图像数据；基于疑似虫灾图像数据提取虫灾点特征，并输入虫灾分类模型，以对虫灾进行预判；根据采集到的疑似虫灾图像数据进行图像处理，提取虫灾图像特征；基于提取的图像特征按照时间顺序添加标签，训练虫灾趋势模型，预测当前虫灾类别的发展趋势；基于概率大于预设阈值的至少一个虫灾类别以及预测的发展趋势进行告警。本申请的方法能够对虫灾的发展趋势进行预测以及预警，从而降低人力投入，提高林业区域的管理效率。

Description

基于区域历史数据的林业虫灾预测方法及***
技术领域
本申请涉及林业管理、数据处理技术领域，尤其涉及一种基于区域历史数据的林业虫灾预测方法及***。
背景技术
森林病虫害对森林健康和林业生产造成巨大的危害，我国每年由于森林病虫害而造成的直接经济损失和间接生态效益损失惨重,因此科学地监测并有效地控制森林病虫害对我国林业和生态环境的健康发展至关重要。
传统的森林病虫灾害监测方法主要采取林间或田间定点监测和随机调查等方法，而这种方法通常耗费大量人力、物力和时间,所得的结果也难以全面掌握灾情,常常错过最好的防治时间,造成巨大的损失。想要全面、准确、迅速地监测管理森林病虫害必须依靠先进的空间技术手段。
CN 104881865 A公开了对森林病虫害区域和程度进行监测的预警方法及其***。但该技术方案需要无人机配合相关算法，消耗人力无力。
CN 114201636 A公开了一种基于大数据分析的林业虫灾发生的预测方法，该技术方案需要收集害虫等大量人力投入。
显然，现有对于森林病虫害及农作物病虫害的监测技术往往存在着人力、物力成本消耗量大，监测周期长，分析结构不够精确的弊端，无法满足林区的实际需求。
发明内容
本申请实施例提供一种基于区域历史数据的林业虫灾预测方法及***，用以根据采集点采集的图像数据来对虫灾的发展趋势进行预测以及预警，从而降低人力投入，提高林业区域的管理效率。
本申请实施例提出一种基于区域历史数据的林业虫灾预测方法，包括：
在目标林业区域设置多个采集点，并基于任一采集点采集图像数据；
对采集的图像数据进行图像过滤，以确定出所采集到的图像数据中的疑似虫灾图像数据；
在识别到疑似虫灾图像数据的情况下，以所述疑似虫灾图像数据作为起始，触发执行如下流程：
对于采集到的疑似虫灾图像数据，识别出至少一个疑似虫灾点，基于至少一个所述疑似虫灾点提取虫灾点特征，并输入虫灾分类模型，以对虫灾进行预判；以及
增加对所述目标林业区域的图像采样率，并将采集的图像数据均作为疑似虫灾图像数据；
将基于在后采集的疑似虫灾图像数据的提取的虫灾点特征，输入所述虫灾分类模型，以输出虫灾分类以及相应的概率，其中所述虫灾分类模型是基于目标林业区域的历史虫灾数据训练获得的；
对于概率大于预设阈值的至少一个虫灾类别，根据采集到的疑似虫灾图像数据进行图像处理，提取虫灾图像特征；
基于提取的在先的图像特征按照时间顺序添加标签，并根据预测的虫灾类别以及对应类别的虫灾历史趋势特征，训练虫灾趋势模型，以利用训练后的虫灾趋势模型，基于新提取的虫灾图像特征预测当前虫灾类别的发展趋势；
基于概率大于预设阈值的至少一个虫灾类别以及预测的发展趋势进行告警。
可选的，对采集的图像数据进行图像过滤，以确定出所采集到的图像数据中的疑似虫灾图像数据包括：
在设定的采集周期内，确定最先采集的图像数据中的数个颜色区域；
为任一颜色区域确定边界，并将色差在预设范围内，且边界连续的颜色区域分割为一个子区域；
将划分出的子区域作为分割模板，在设定的采集周期内，作为任一采集点采集的各图像数据的子区域分割；
在设定的采集周期内，按照时间先后顺序，判断任一子区域，在后采集的该子区域内的颜色变化是否超过预设颜色阈值，若是则确定出所采集到的图像数据中的疑似虫灾图像数据。
可选的，还包括：在设定的采集周期后，重复对最先采集的图像数据进行图像分割，以作为分割模板。
可选的，还包括采用如下方式确定采集时间在后的图像数据中的疑似虫灾起始点：
利用当前的疑似虫灾图像数据中的疑似虫灾的任一子区域，按照时间顺序，与上一时刻的图像数据中同一子区域的图像，向前逐一对比，以确定疑似虫灾起始点，以及，相应的疑似虫灾起始时刻。
可选的，据采集到的疑似虫灾图像数据进行图像处理，提取虫灾图像特征包括：
基于疑似虫灾起始点至当前的各图像数据相应子区域作为训练样本；
识别训练样本中的虫灾区域，并基于虫灾起始点作为原点，确定多个虫灾趋势方向；
按照确定的虫灾趋势方向，基于训练样本中虫灾区域的像素数量以及像素颜色，提取相应方向上的虫灾趋势特征；
基于提取的在先的图像特征按照时间顺序添加标签，并根据预测的虫灾类别以及对应类别的虫灾历史趋势特征，训练虫灾趋势模型包括：
按照预设比例的虫灾历史趋势特征以及当前提取的虫灾趋势特征，训练虫灾趋势模型。
可选的，基于训练样本中虫灾区域的像素数量以及像素颜色，提取相应方向上的虫灾趋势特征包括：
从当前的图像数据中与虫灾区域呈指定像素距离的范围内，选取颜色值偏差在预设范围的多个像素点；
基于选取多个像素点确定颜色基准值；
将虫灾区域任一方向上的像素均值与所述颜色基准值进行比对，若差值越高，和/或像素数量越多，则为相应的趋势特征配置越高的趋势权重。
可选的，还包括采用如下方式进行虫灾的治后恢复预测：
在对目标林业区域的虫灾进行处理后，以对虫灾处理的时间为分界点，采集各采集点的治后图像数据，提取治后的虫灾趋势特征，并训练所述虫灾趋势模型；以及
将基于治后采集的图像数据，提取的虫灾趋势特征，输入训练后的虫灾趋势模型，以预测虫灾恢复时间。
本申请实施例还提出一种基于区域历史数据的林业虫灾预测***，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被处理器执行时实现如前述的基于区域历史数据的林业虫灾预测方法的步骤。
本申请的林业虫灾预测方法根据采集点采集的图像数据来对虫灾的发展趋势进行预测以及预警，从而降低人力投入，使得管理者可以着重于虫灾严重的区域的管理。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本实施例的林业虫灾预测方法的基本流程示意。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本申请实施例提出本申请实施例提出一种基于区域历史数据的林业虫灾预测方法，如图1所示包括如下步骤：
在步骤S101中，在目标林业区域设置多个采集点，并基于任一采集点采集图像数据。具体的一些示例中，设置采集点可以通过布置摄像头实现，可以在一个采集点布置一个摄像头并控制摄像头按照指定角度旋转来采集四周的图像数据，并按照旋转角度分为该采集点的子集，来进行后续的识别。一些示例中可以根据多个采集点的数据来监视林业面积的增减。
在步骤S102中，对采集的图像数据进行图像过滤，以确定出所采集到的图像数据中的疑似虫灾图像数据。一些具体示例中，图像过滤可以通过图像对比将常规的图像数据剔除，从而保留可能存在虫灾的图像数据，进行后续处理，在一些示例中还可以通过图像过滤排除气候、灾害的干扰，关于灾害的预警处理不在本申请的预警处理范围内。
在识别到疑似虫灾图像数据的情况下，以所述疑似虫灾图像数据作为起始，触发执行如下流程：
在步骤S103中，对于采集到的疑似虫灾图像数据，识别出至少一个疑似虫灾点，基于至少一个所述疑似虫灾点提取虫灾点特征，并输入虫灾分类模型，以对虫灾进行预判。具体的，对于采集的疑似虫灾图像数据，通过例如基于CNN的分类模型，Resnet等来进行虫灾预判，并在后续虫灾分类中沿用该分类模型，从而提高虫灾识别的准确度，具体模型不做限定。一些示例中可以通过虫灾分类模型输出所识别的虫灾类别以及相应的概率。
在识别到疑似虫灾图像数据的情况下，还在步骤S104中，增加对所述目标林业区域的图像采样率，并将采集的图像数据均作为疑似虫灾图像数据。一方面增加采样点可以着重关注于虫灾对林业的破怪情况，从而关注区域林业面积的减少，另一方面，正常时段采样点可以较少，从而降低资源占用以及消耗。
在步骤S105中，将基于在后采集的疑似虫灾图像数据的提取的虫灾点特征，输入所述虫灾分类模型，以输出虫灾分类以及相应的概率，其中所述虫灾分类模型是基于目标林业区域的历史虫灾数据训练获得的。也即可以根据在后采集的图像数据的虫灾特征，随着时间的推移进一步进行虫灾分类，如在利用分类模型进行预判的情况下，模型输出的概率已经超过例如95%，则可以不执行本步骤，模型数据具有两个或以上的概率，则执行本步骤，随着时间推移通过采集的图像数据的特征来完成分类。
在步骤S106中，对于概率大于预设阈值的至少一个虫灾类别，根据采集到的疑似虫灾图像数据进行图像处理，提取虫灾图像特征。本申请实施例中进一步根据时间顺序对虫灾的发展趋势、状况进行预测，通过提取虫灾图像特征完成趋势预测。
在步骤S107中，基于提取的在先的虫灾图像特征按照时间顺序添加标签，并根据预测的虫灾类别以及对应类别的虫灾历史趋势特征，训练虫灾趋势模型，以利用训练后的虫灾趋势模型，基于新提取的虫灾图像特征预测当前虫灾类别的发展趋势。本申请实施例中，进一步利用按照时间顺序提取的虫灾图像特征，来训练趋势模型，从而对于新输入的最新采集的虫灾图像数据，一方面可以用于预测发展趋势，另一方面添加时间标签来训练虫灾趋势模型。
在步骤S108中，基于概率大于预设阈值的至少一个虫灾类别以及预测的发展趋势进行告警。
本申请的林业虫灾预测方法根据采集点采集的图像数据来对虫灾的发展趋势进行预测以及预警，从而降低人力投入，使得管理者可以着重于虫灾严重的区域的管理，提高林业区域的管理效率。
在一些实施例中，对采集的图像数据进行图像过滤，以确定出所采集到的图像数据中的疑似虫灾图像数据包括：
在设定的采集周期内，确定最先采集的图像数据中的数个颜色区域。
为任一颜色区域确定边界，并将色差在预设范围内，且边界连续的颜色区域分割为一个子区域。本申请实施例中分割的图像区域并非规则区域，而是依据色差来划分，从而例如对于正常的图像能够将树干、绿叶、天空等成片分割出来，并且不需要进行区域识别，而后直接基于这些区域进行对比。
将划分出的子区域作为分割模板，在设定的采集周期内，作为任一采集点采集的各图像数据的子区域分割。也即对于在设定的采集周期内采集的图像数据均通过同一分割模板完成分割，既能减少图像处理的运算量，在具有虫灾发展的情况下，例如可以将虫灾区域保留在某一个分割中，便于后续进行趋势识别。
在设定的采集周期内，按照时间先后顺序，判断任一子区域，在后采集的该子区域内的颜色变化是否超过预设颜色阈值，若是则确定出所采集到的图像数据中的疑似虫灾图像数据。
在一些实施例中，还包括：在设定的采集周期后，重复对最先采集的图像数据进行图像分割，以作为分割模板。
在一些实施例中，还包括采用如下方式确定采集时间在后的图像数据中的疑似虫灾起始点：
利用当前的疑似虫灾图像数据中的疑似虫灾的任一子区域，按照时间顺序，与上一时刻的图像数据中同一子区域的图像，向前逐一对比，以确定疑似虫灾起始点，以及，相应的疑似虫灾起始时刻。本申请实施例中所指的向前逐一对比是按照时间顺序将当前t时间的子区域，与t-1时间同样子区域进行对比，再通过t-1时间的子区域，与t-2时间子区域进行对比，以此类推，从而基于时间顺序确定出疑似虫灾起始点，以及，相应的疑似虫灾起始时刻。通过疑似虫灾起始时刻可以根据历史虫灾数据进行虫灾周期推断。
在一些实施例中，据采集到的疑似虫灾图像数据进行图像处理，提取虫灾图像特征包括：
基于疑似虫灾起始点至当前的各图像数据相应子区域作为训练样本；
识别训练样本中的虫灾区域，并基于虫灾起始点作为原点，确定多个虫灾趋势方向。也即本申请实施例中，基于前述对比出来的包含虫灾的子区域，提取该子区域进行处理，具体的可以基于虫灾起始点作为原点，建立坐标系，并确定出坐标系中各方向所包含虫灾区域的像素数量，从而确定出多个虫灾趋势方向。
按照确定的虫灾趋势方向，基于训练样本中虫灾区域的像素数量以及像素颜色，提取相应方向上的虫灾趋势特征。
基于提取的在先的图像特征按照时间顺序添加标签，并根据预测的虫灾类别以及对应类别的虫灾历史趋势特征，训练虫灾趋势模型包括：
按照预设比例的虫灾历史趋势特征以及当前提取的虫灾趋势特征，训练虫灾趋势模型。
在一些实施例中，基于训练样本中虫灾区域的像素数量以及像素颜色，提取相应方向上的虫灾趋势特征包括：
对于包含虫灾区域的任一子区域，本申请实施例中从当前的图像数据中与虫灾区域呈指定像素距离的范围内，选取颜色值偏差在预设范围的多个像素点，通过这样的选取可以选出该子区域中未发生虫灾的多个像素点。
基于选取多个像素点确定颜色基准值，所确定的基准值用以代表非虫灾区域的颜色。
将虫灾区域任一方向上的像素均值与所述颜色基准值进行比对，若差值越高，和/或像素数量越多，则为相应的趋势特征配置越高的趋势权重。通过这样的设计，能够在趋势特征中进一步突出当前的虫灾发展趋势。
在一些实施例中，例如在经过预测预警后，工作人员对虫灾进行了处理，则处理的时间节点为虫灾拐点，本申请实施例还包括采用如下方式进行虫灾的治后恢复预测：
在对目标林业区域的虫灾进行处理后，以对虫灾处理的时间为分界点，采集各采集点的治后图像数据，提取治后的虫灾趋势特征，并训练所述虫灾趋势模型；以及
将基于治后采集的图像数据，提取的虫灾趋势特征。输入训练后的虫灾趋势模型，以预测虫灾恢复时间。
也即本申请实施例沿用虫灾趋势模型，但通过治理后采集到的图像数据来提取趋势特征，并根据灾后恢复情况来预测虫灾恢复时间，例如一些示例中，若预测的恢复时间不及预期，则可以发出告警，并提示工作人员进行进一步的虫灾处理。
综上，本申请实施例提出了一种林业虫灾预测方法，结合图像处理以及虫灾发展趋势，可以确定出虫灾的起始时间，并对虫灾发展的趋势进行训练以及预测，为林业工作人员进行林业管理提供技术以及数据支撑，一方面降低虫灾识别过程中的人力消耗，另一方面能够让林业管理人员的工作更加高效。
本申请实施例还提出一种基于区域历史数据的林业虫灾预测***，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被处理器执行时实现如前述的基于区域历史数据的林业虫灾预测方法的步骤。
此外，尽管已经在本文中描述了示例性实施例，其范围包括任何和所有基于本公开的具有等同元件、修改、省略、组合(例如，各种实施例交叉的方案 )、改编或改变的实施例。并不限于在本说明书中或本申请的实施期间所描述的示例，其示例将被解释为非排他性的。
以上描述旨在是说明性的而不是限制性的。例如，上述示例(或其一个或更多方案 )可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。
以上实施例仅为本公开的示例性实施例，本领域技术人员可以在本公开的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。

Claims (8)

1.一种基于区域历史数据的林业虫灾预测方法，其特征在于，包括：
在目标林业区域设置多个采集点，并基于任一采集点采集图像数据；
对采集的图像数据进行图像过滤，以确定出所采集到的图像数据中的疑似虫灾图像数据；
在识别到疑似虫灾图像数据的情况下，以所述疑似虫灾图像数据作为起始，触发执行如下流程：
对于采集到的疑似虫灾图像数据，识别出至少一个疑似虫灾点，基于至少一个所述疑似虫灾点提取虫灾点特征，并输入虫灾分类模型，以对虫灾进行预判；以及
增加对所述目标林业区域的图像采样率，并将采集的图像数据均作为疑似虫灾图像数据；
将基于在后采集的疑似虫灾图像数据的提取的虫灾点特征，输入所述虫灾分类模型，以输出虫灾分类以及相应的概率，其中所述虫灾分类模型是基于目标林业区域的历史虫灾数据训练获得的；
对于概率大于预设阈值的至少一个虫灾类别，根据采集到的疑似虫灾图像数据进行图像处理，提取虫灾图像特征；
基于提取的在先的图像特征按照时间顺序添加标签，并根据预测的虫灾类别以及对应类别的虫灾历史趋势特征，训练虫灾趋势模型，以利用训练后的虫灾趋势模型，基于新提取的虫灾图像特征预测当前虫灾类别的发展趋势；
基于概率大于预设阈值的至少一个虫灾类别以及预测的发展趋势进行告警。
2.如权利要求1所述的基于区域历史数据的林业虫灾预测方法，其特征在于，对采集的图像数据进行图像过滤，以确定出所采集到的图像数据中的疑似虫灾图像数据包括：
在设定的采集周期内，确定最先采集的图像数据中的数个颜色区域；
为任一颜色区域确定边界，并将色差在预设范围内，且边界连续的颜色区域分割为一个子区域；
将划分出的子区域作为分割模板，在设定的采集周期内，作为任一采集点采集的各图像数据的子区域分割；
在设定的采集周期内，按照时间先后顺序，判断任一子区域，在后采集的该子区域内的颜色变化是否超过预设颜色阈值，若是则确定出所采集到的图像数据中的疑似虫灾图像数据。
3.如权利要求2所述的基于区域历史数据的林业虫灾预测方法，其特征在于，还包括：在设定的采集周期后，重复对最先采集的图像数据进行图像分割，以作为分割模板。
4.如权利要求2所述的基于区域历史数据的林业虫灾预测方法，其特征在于，还包括采用如下方式确定采集时间在后的图像数据中的疑似虫灾起始点：
利用当前的疑似虫灾图像数据中的疑似虫灾的任一子区域，按照时间顺序，与上一时刻的图像数据中同一子区域的图像，向前逐一对比，以确定疑似虫灾起始点，以及，相应的疑似虫灾起始时刻。
5.如权利要求4所述的基于区域历史数据的林业虫灾预测方法，其特征在于，据采集到的疑似虫灾图像数据进行图像处理，提取虫灾图像特征包括：
基于疑似虫灾起始点至当前的各图像数据相应子区域作为训练样本；
识别训练样本中的虫灾区域，并基于虫灾起始点作为原点，确定多个虫灾趋势方向；
按照确定的虫灾趋势方向，基于训练样本中虫灾区域的像素数量以及像素颜色，提取相应方向上的虫灾趋势特征；
基于提取的在先的图像特征按照时间顺序添加标签，并根据预测的虫灾类别以及对应类别的虫灾历史趋势特征，训练虫灾趋势模型包括：
按照预设比例的虫灾历史趋势特征以及当前提取的虫灾趋势特征，训练虫灾趋势模型。
6.如权利要求5所述的基于区域历史数据的林业虫灾预测方法，其特征在于，基于训练样本中虫灾区域的像素数量以及像素颜色，提取相应方向上的虫灾趋势特征包括：
从当前的图像数据中与虫灾区域呈指定像素距离的范围内，选取颜色值偏差在预设范围的多个像素点；
基于选取多个像素点确定颜色基准值；
将虫灾区域任一方向上的像素均值与所述颜色基准值进行比对，若差值越高，和/或像素数量越多，则为相应的趋势特征配置越高的趋势权重。
7. 如权利要求5所述的基于区域历史数据的林业虫灾预测方法，其特征在于，还包括采用如下方式进行虫灾的治后恢复预测：
在对目标林业区域的虫灾进行处理后，以对虫灾处理的时间为分界点，采集各采集点的治后图像数据，提取治后的虫灾趋势特征，并训练所述虫灾趋势模型；以及
将基于治后采集的图像数据，提取的虫灾趋势特征，输入训练后的虫灾趋势模型，以预测虫灾恢复时间。
8.一种基于区域历史数据的林业虫灾预测***，其特征在于包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于区域历史数据的林业虫灾预测方法的步骤。
CN202311138212.1A 2023-09-05 2023-09-05 基于区域历史数据的林业虫灾预测方法及*** Active CN116884041B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311138212.1A CN116884041B (zh) 2023-09-05 2023-09-05 基于区域历史数据的林业虫灾预测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311138212.1A CN116884041B (zh) 2023-09-05 2023-09-05 基于区域历史数据的林业虫灾预测方法及***

Publications (2)

Publication Number Publication Date
CN116884041A CN116884041A (zh) 2023-10-13
CN116884041B true CN116884041B (zh) 2023-11-10

Family

ID=88260856

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311138212.1A Active CN116884041B (zh) 2023-09-05 2023-09-05 基于区域历史数据的林业虫灾预测方法及***

Country Status (1)

Country Link
CN (1) CN116884041B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117911882B (zh) * 2024-03-20 2024-06-04 北京新兴科遥信息技术有限公司 一种用于林业保护规划动态数据的监测方法和***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190080060A (ko) * 2017-12-28 2019-07-08 이호동 무인항공기를 이용한 산림병해충 의심목 선별 시스템
CN112734120A (zh) * 2021-01-14 2021-04-30 绥化学院 一种基于动态网格划分的玉米虫害预警方法
CN115049129A (zh) * 2022-06-20 2022-09-13 周口师范学院 一种基于机器学习的农作物及害虫互作的预测管控***

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190080060A (ko) * 2017-12-28 2019-07-08 이호동 무인항공기를 이용한 산림병해충 의심목 선별 시스템
CN112734120A (zh) * 2021-01-14 2021-04-30 绥化学院 一种基于动态网格划分的玉米虫害预警方法
CN115049129A (zh) * 2022-06-20 2022-09-13 周口师范学院 一种基于机器学习的农作物及害虫互作的预测管控***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于ARMA模型的病虫灾受灾面积的分析与预测;赵立纯;韩立红;黄玉洁;李淑娟;;辽宁师范大学学报(自然科学版)(第04期);全文 *
文山松毛虫危害程度与发生范围预测预报研究;柴守权, 许国莲, 邵登坤, 李任波, 卢南;西南林学院学报(第01期);全文 *

Also Published As

Publication number Publication date
CN116884041A (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
CN116884041B (zh) 基于区域历史数据的林业虫灾预测方法及***
US20180189610A1 (en) Active machine learning for training an event classification
CN113158909B (zh) 基于多目标跟踪的行为识别轻量化方法、***、设备
CN110738127A (zh) 基于无监督深度学习神经网络算法的安全帽识别方法
Cynthia et al. Automated detection of plant diseases using image processing and faster R-CNN algorithm
CN111274926B (zh) 图像数据筛选方法、装置、计算机设备和存储介质
Alzadjali et al. Maize tassel detection from UAV imagery using deep learning
CN116448760B (zh) 一种基于机器视觉的农业智能监测***及方法
Siriani et al. Detection and tracking of chickens in low-light images using YOLO network and Kalman filter
US20180301025A1 (en) Method and apparatus for predicting road conditions based on big data
CN115083004B (zh) 一种身份识别方法、装置和计算机可读存储介质
CN110910360A (zh) 电网图像的定位方法和图像定位模型的训练方法
CN114399484A (zh) 一种光伏组件缺陷检测方法、装置、设备及介质
CN116129426A (zh) 一种宫颈细胞涂片18类别的细粒度分类方法
CN117253192A (zh) 用于桑蚕养殖的智能***及方法
CN117218534A (zh) 一种农作物叶部病害识别方法
CN117201565A (zh) 一种基于5g传输的网联无人机管理云平台
CN116911500A (zh) 一种基于大数据监测的草原鼠情智能监管***及方法
CN110569717A (zh) 局部放电检测方法、装置、***、设备及可读存储介质
CN116546287A (zh) 一种多联动野生动物在线监测方法及***
CN110363240A (zh) 一种医学影像分类方法与***
Devi Priya et al. Automated cattle classification and counting using hybridized mask R-CNN and YOLOv3 algorithms
CN116894103B (zh) 特定场景的数据分类存储***
CN117119009A (zh) 一种基于物联网的机房可视化管理运维平台
EP4036850A1 (en) Computer vision based monoclonal quality control

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