一种基于人工智能的牧草病虫害治理方法及装置制造方法及图纸

本发明专利技术公开了一种基于人工智能的牧草病虫害治理方法及装置，涉及农业科技领域。用以解决农作物病虫害治理存在工作量大，且识别病虫害准确性低、治理方法单一等问题。该方法包括：将接收到的病虫害图片输入到分类模型，得到病虫害类别的概率值，当概率值大于设定阈值时，将最大概率值对应的病虫害类别确定为病虫害类别；将病虫害类别和病虫害图片发送至病虫害综合治理模块，以使病虫害综合治理模块确定病虫害图片的治理方案和预防方案；根据病虫害图片携带的拍摄地理信息和时间信息确定病虫害图片的地理位置信息和环境信息；将病虫害图片对应的病虫害类别、治理方案、预防方案、环境信息和时间信息添加到牧草病虫害态势展示图谱内。

A Method and Device of Herbage Disease and Pest Control Based on Artificial Intelligence

【技术实现步骤摘要】
一种基于人工智能的牧草病虫害治理方法及装置
本专利技术涉及农业科技领域，更具体的涉及一种基于人工智能的牧草病虫害治理方法及装置。
技术介绍
随着经济的发展，牧草已经成为支撑畜牧业快速发展的重要支柱产业，最近几年，在国家政策的鼓励和市场需求的刺激下，全国天然草地以及人工草地的规模也在不断扩大，但随之而来的病虫害对牧草的生产造成很多不良影响，不仅降低了产量，同时也严重影响到牧草的整体质量，牧草生长过程中病虫害如果不及时治理，将会造成牧草中的粗蛋白、可溶性糖等减少，粗纤维含量上升，适口性及消化率降低，进而危害家禽健康，导致其整体的生产能力下降。因此，针对牧草病虫害的治理，可以有效提高牧草的产量及质量，对畜牧业的健康发展有重要的意义。随着人工智能技术的不断发展以及在各个领域的深度应用，图像处理技术已经成为农作物病害识别以及病害严重程度评估的主要技术手段，同时也使得农作物病害的治理和防治取得极大的改善，目前在农作物图像识别方面，采用图像特征提取的算法较为广泛，但过多的特征一方面增加了建模的工作量，另一方面也会降低识别的准确性。综上所述，采用的图像处理技术针对农作物病虫害的治理和防治存在工作量较大，且识别病虫害的准确性较低的问题。
技术实现思路
本专利技术实施例提供一种基于人工智能的牧草病虫害治理方法及装置，用以解决传统方法中采用图像处理技术针对农作物病虫害的治理和防治存在工作量较大，且识别病虫害的准确性较低的问题。本专利技术实施例提供了一种基于人工智能的牧草病虫害治理方法，包括：基于深度卷积神经网络VGG16建立的牧草病虫害分类模型，将接收到的病虫害图片输入到所述分类模型，得到所述病虫害图片对应的各个病虫害类别的概率值，当最大概率值大于设定阈值时，将所述最大概率值对应的病虫害类别确定为所述病虫害图片的病虫害类别；将所述病虫害类别和所述病虫害图片发送至病虫害综合治理模块，以使所述病虫害综合治理模块根据所述病虫害类别和所述病虫害图片确定与所述病虫害图片对应的治理方案和预防方案；根据所述病虫害图片携带的拍摄地理信息和时间信息确定所述病虫害图片所对应的地理位置信息和环境信息；将所述病虫害图片对应的病虫害类别、治理方案、预防方案、环境信息和时间信息根据所述地理位置信息添加到牧草病虫害态势展示图谱内。优选地，所述病虫害综合治理模块包括病虫害数据库，所述病虫害数据库内存储有多种存储类别信息以及与所述存储类别信息所对应的存储图片；且每个所述存储图片均包括有地理位置信息、环境信息、时间信息、治理方案和预防方案；所述病虫害综合治理模块根据所述病虫害类别和所述病虫害图片确定与所述病虫害图片对应的治理方案和预防方案，具体包括：选择与所述病虫害类别相匹配的所述病虫害类别信息，从所述病虫害类别信息包括的多个所述存储图片中确定与所述病虫害图片相匹配的所述存储图片，将所述存储图片包括的治理方案和预防方案确定为所述病虫害图片的治理方案和预防方案。优选地，所述将所述存储图片包括的治理方案和预防方案确定为所述病虫害图片的治理方案和预防方案之后，还包括：根据所述病虫害图片携带的拍摄地理信息和时间信息确定所述病虫害图片所对应的地理位置信息和环境信息，将所述病虫害类别信息、所述病虫害图片以及所述病虫图片对应的时间信息、地理位置信息、环境信息、治理方案和预防方案存储至所述病虫害数据库。优选地，所述得到所述病虫害图片对应的各个病虫害类别的概率值之后，还包括：当最大概率值小于设定阈值时，将所述病虫害图片发送至病虫害评判系统；当收到所述病虫害评判系统反馈的与所述病虫害图片对应的反馈类别时，将所述反馈类别与所述病虫害数据库内包括的所述病虫害类别进行匹配，若所述反馈类别与所述病虫害类别均不匹配时，则将所述反馈类别确定为新增类别，并将所述新增类别添加到病虫害综合治理模块中的病虫害数据库内。优选地，所述基于深度卷积神经网络VGG16的牧草病虫害分类模型包括13个卷积层，5个池化层和3个全连接层；每个所述卷积层的卷积核由3*3构成，对所述病虫害图片进行特征提取；每个所述池化层的步长为2。本专利技术实施例还提供了一种基于人工智能的牧草病虫害治理装置，包括：第一确定单元，用于基于深度卷积神经网络VGG16建立的牧草病虫害分类模型，将接收到的病虫害图片输入到所述分类模型，得到所述病虫害图片对应的各个病虫害类别的概率值，当最大概率值大于设定阈值时，将所述最大概率值对应的病虫害类别确定为所述病虫害图片的病虫害类别；第二确定单元，用于将所述病虫害类别和所述病虫害图片发送至病虫害综合治理模块，以使所述病虫害综合治理模块根据所述病虫害类别和所述病虫害图片确定与所述病虫害图片对应的治理方案和预防方案；第三确定单元，用于根据所述病虫害图片携带的拍摄地理信息和时间信息确定所述病虫害图片所对应的地理位置信息和环境信息；将所述病虫害图片对应的病虫害类别、治理方案、预防方案、环境信息和时间信息根据所述地理位置信息添加到牧草病虫害态势展示图谱内。优选地，所述病虫害综合治理模块包括病虫害数据库，所述病虫害数据库内存储有多种存储类别信息以及与所述存储类别信息所对应的存储图片；且每个所述存储图片均包括有地理位置信息、环境信息、时间信息、治理方案和预防方案；所述第二确定单元具体用于：选择与所述病虫害类别相匹配的所述病虫害类别信息，从所述病虫害类别信息包括的多个所述存储图片中确定与所述病虫害图片相匹配的所述存储图片，将所述存储图片包括的治理方案和预防方案确定为所述病虫害图片的治理方案和预防方案。优选地，所述第二确定单元还用于：根据所述病虫害图片携带的拍摄地理信息和时间信息确定所述病虫害图片所对应的地理位置信息和环境信息，将所述病虫害类别信息、所述病虫害图片以及所述病虫图片对应的时间信息、地理位置信息、环境信息、治理方案和预防方案存储至所述病虫害数据库。优选地，所述第一确定单元还用于：当最大概率值小于设定阈值时，将所述病虫害图片发送至病虫害评判系统；当收到所述病虫害评判系统反馈的与所述病虫害图片对应的反馈类别时，将所述反馈类别与所述病虫害数据库内包括的所述病虫害类别进行匹配，若所述反馈类别与所述病虫害类别均不匹配时，则将所述反馈类别确定为新增类别，并将所述新增类别添加到病虫害综合治理模块中的病虫害数据库内。优选地，所述基于深度卷积神经网络VGG16的牧草病虫害分类模型包括13个卷积层，5个池化层和3个全连接层；每个所述卷积层的卷积核由3*3构成，对所述病虫害图片进行特征提取；每个所述池化层的步长为2。本专利技术实施例提供一种基于人工智能的牧草病虫害治理方法及装置，该包括：基于深度卷积神经网络VGG16建立的牧草病虫害分类模型，将接收到的病虫害图片输入到所述分类模型，得到所述病虫害图片对应的各个病虫害类别的概率值，当最大概率值大于设定阈值时，将所述最大概率值对应的病虫害类别确定为所述病虫害图片的病虫害类别；将所述病虫害类别和所述病虫害图片发送至病虫害综合治理模块，以使所述病虫害综合治理模块根据所述病虫害类别和所述病虫害图片确定与所述病虫害图片对应的治理方案和预防方案；根据所述病虫害图片携带的拍摄地理信息和时间信息确定所述病虫害图片所对应的地理位置信息和环境信息；将所述病虫害图片对应的病虫害类别、治理方案、预防方案、环境信息和本文档来自技高网...

【技术保护点】
1.一种基于人工智能的牧草病虫害治理方法，其特征在于，包括：基于深度卷积神经网络VGG16建立的牧草病虫害分类模型，将接收到的病虫害图片输入到所述分类模型，得到所述病虫害图片对应的各个病虫害类别的概率值，当最大概率值大于设定阈值时，将所述最大概率值对应的病虫害类别确定为所述病虫害图片的病虫害类别；将所述病虫害类别和所述病虫害图片发送至病虫害综合治理模块，以使所述病虫害综合治理模块根据所述病虫害类别和所述病虫害图片确定与所述病虫害图片对应的治理方案和预防方案；根据所述病虫害图片携带的拍摄地理信息和时间信息确定所述病虫害图片所对应的地理位置信息和环境信息；将所述病虫害图片对应的病虫害类别、治理方案、预防方案、环境信息和时间信息根据所述地理位置信息添加到牧草病虫害态势展示图谱内。

【技术特征摘要】
1.一种基于人工智能的牧草病虫害治理方法，其特征在于，包括：基于深度卷积神经网络VGG16建立的牧草病虫害分类模型，将接收到的病虫害图片输入到所述分类模型，得到所述病虫害图片对应的各个病虫害类别的概率值，当最大概率值大于设定阈值时，将所述最大概率值对应的病虫害类别确定为所述病虫害图片的病虫害类别；将所述病虫害类别和所述病虫害图片发送至病虫害综合治理模块，以使所述病虫害综合治理模块根据所述病虫害类别和所述病虫害图片确定与所述病虫害图片对应的治理方案和预防方案；根据所述病虫害图片携带的拍摄地理信息和时间信息确定所述病虫害图片所对应的地理位置信息和环境信息；将所述病虫害图片对应的病虫害类别、治理方案、预防方案、环境信息和时间信息根据所述地理位置信息添加到牧草病虫害态势展示图谱内。2.如权利要求1所述的方法，其特征在于，所述病虫害综合治理模块包括病虫害数据库，所述病虫害数据库内存储有多种存储类别信息以及与所述存储类别信息所对应的存储图片；且每个所述存储图片均包括有地理位置信息、环境信息、时间信息、治理方案和预防方案；所述病虫害综合治理模块根据所述病虫害类别和所述病虫害图片确定与所述病虫害图片对应的治理方案和预防方案，具体包括：选择与所述病虫害类别相匹配的所述病虫害类别信息，从所述病虫害类别信息包括的多个所述存储图片中确定与所述病虫害图片相匹配的所述存储图片，将所述存储图片包括的治理方案和预防方案确定为所述病虫害图片的治理方案和预防方案。3.如权利要求2所述的方法，其特征在于，所述将所述存储图片包括的治理方案和预防方案确定为所述病虫害图片的治理方案和预防方案之后，还包括：根据所述病虫害图片携带的拍摄地理信息和时间信息确定所述病虫害图片所对应的地理位置信息和环境信息，将所述病虫害类别信息、所述病虫害图片以及所述病虫图片对应的时间信息、地理位置信息、环境信息、治理方案和预防方案存储至所述病虫害数据库。4.如权利要求1所述的方法，其特征在于，所述得到所述病虫害图片对应的各个病虫害类别的概率值之后，还包括：当最大概率值小于设定阈值时，将所述病虫害图片发送至病虫害评判系统；当收到所述病虫害评判系统反馈的与所述病虫害图片对应的反馈类别时，将所述反馈类别与所述病虫害数据库内包括的所述病虫害类别进行匹配，若所述反馈类别与所述病虫害类别均不匹配时，则将所述反馈类别确定为新增类别，并将所述新增类别添加到病虫害综合治理模块中的病虫害数据库内。5.如权利要求1所述的治理方法，其特征在于，所述基于深度卷积神经网络VGG16的牧草病虫害分类模型包括13个卷积层，5个池化层和3个全连接层；每个所述卷积层的卷...

【专利技术属性】
技术研发人员：王鑫，沈钧戈，王玉柱，王鹏飞，许立胜，王亮，
申请(专利权)人：府谷县鑫兴泰农贸有限公司，
类型：发明
国别省市：陕西,61