一种热带农作物病虫害风险评估方法及系统技术方案

本发明专利技术提供一种热带农作物病虫害风险评估方法及系统，其方法包括下列步骤：将作物种植区分成若干个区域，采集每个区域内的害虫数量，获得每个区域内的害虫密度；在时间T内采集每个区域内的作物的M个图像信息，由M个图像信息获得N个病斑图像，由多个区域的N个病斑图像获得X个病斑图像；建立虫害风险神经模型，将害虫密度数据、作物病斑图像数量数据、作物种植区温度数据作为虫害风险神经模型的输入向量，所述虫害风险神经模型的输出向量为虫害风险等级。等级。等级。

【技术实现步骤摘要】
一种热带农作物病虫害风险评估方法及系统


[0001]本专利技术涉及虫害预测
，尤其涉及一种热带农作物病虫害风险评估方法及系统。

技术介绍

[0002]随着农业技术的发展，人们对农作物虫害的发生有了越来越多的经验。但现有技术中至少存在如下问题：现有技术中虽然能够起到一定的预防病虫害的目的，但是并不能够预测到未来可能会发生的病虫害的风险，无法提前采取相应的植保措施防治病虫害。

技术实现思路

[0003]本专利技术的目的在于提供一种热带农作物病虫害风险评估方法及系统，以解决上述
技术介绍
中提出的问题。
[0004]本专利技术是通过以下技术方案实现的：本专利技术第一方面提供了一种热带农作物病虫害风险评估方法，包括下列步骤：
[0005]将作物种植区分成若干个区域，采集每个区域内的害虫数量，获得每个区域内的害虫密度；
[0006]在时间T内采集每个区域内的作物的M个图像信息，由M个图像信息获得N个病斑图像，由多个区域的N个病斑图像获得X个病斑图像；
[0007]建立虫害风险神经模型，将害虫密度数据、作物病斑图像数量数据、作物种植区温度数据作为虫害风险神经模型的输入向量，所述虫害风险神经模型的输出向量为虫害风险等级。
[0008]优选的，采集每个区域内的害虫数量，获得每个区域内的害虫密度，包括：
[0009]在每个区域内设置K个诱捕器，在时间T内统计每个诱捕器内诱捕的害虫数量；
[0010]计算K个诱捕器内害虫的总数，K个诱捕器内害虫的总数与区域面积之比即为每个区域内的害虫密度A。
[0011]优选的，在时间T内采集每个区域内的作物的M个图像信息，由M个图像信息获得N个病斑图像，包括：
[0012]对所述M个图像信息进行图像转化获得M个灰度图像；
[0013]将所述M个灰度图像转化为M个二值图像；
[0014]对M个二值图像进行图像分割获得N个病斑图像；
[0015]由多个区域的N个病斑图像获得X个病斑图像。
[0016]优选的，将害虫密度数据、作物病斑图像数量数据、作物种植区温度数据作为虫害风险神经模型的输入向量，包括：
[0017]设置密度区间Ai{A1,A2,A3,A4}，同时设置每个密度区间Ai所对应的特征权重Bi{B1,B2,B3,B4}，若所述害虫密度A为密度区间Ai之一，则计算所述害虫密度A的风险权重：A*Bi；
[0018]设置数量区间Xi{X1,X2,X3,X4}，同时设置每个数量区间Xi所对应的特征权重Ci{C1,C2,C3,C4}，若所述病斑图像数量X为数量区间Xi之一，则计算病斑图像数量的风险权重：X*Ci；
[0019]设置温度区间Di{D1,D2,D3}，同时设置每个温度区间所Di所对应的特征权重Fi{F1,F2,F3},若所述温度为温度区间Di之一，则计算温度的风险权重：D*Fi；
[0020]将所述所述害虫密度A的风险权重、病斑图像数量的风险权重、温度的风险权重作为虫害风险神经模型的输入向量。
[0021]优选的，所述虫害风险神经模型包括三层神经网络模型，其中神经网络模型包括输入层、隐藏层、输出层，所述输入层的输入向量至少为三个，激活函数选用sigmoid函数，误差函数选用均方误差函数。
[0022]本专利技术第二方面提供了一种热带农作物病虫害风险评估系统，包括设置于作物种植区的诱捕器以及用于远程数据处理与分析的中央处理器、用于作物图像采集的无人机，所述中央处理器包括数据接收单元、图像分析处理单元、风险评估单元，所述数据接收单元与所述无人机信号信号相连；
[0023]所述图像分析处理单元与数据接收单元信号相连，用以将数据接收单元所接收的实时图像数据进行存储、比较和分析处理后发送至风险评估单元。
[0024]优选的，所述系统还包括设置于作物种植区的多个摄像头、温度传感器以及无线通信模块，所述摄像头、温度传感器均与无线通信模块信号相连，所述无线通信模块与所述数据接收单元信号相连。
[0025]优选的，所述系统还包括策略库，所述策略库中包括若干条风险策略，所述风险策略与风险评估单元不同的评估结果相对应。
[0026]与现有技术相比，本专利技术达到的有益效果如下：
[0027]本专利技术提供的一种热带农作物病虫害风险评估方法及系统，通过采用了真实数据作为训练数据来搭建虫害风险神经模型，预测结果更为可信；其所采用的神经网络方法，可以更有效地处理数据，同时它也有更好的扩展性，并不局限于某一地区的虫害预测，在数据足够多的情况下，可应用于全国各种地区；另外本申请的训练数据可以不断更新，每次应用后都可以将新获取的数据纳入数据训练集，使模型有更强的泛化性。
附图说明
[0028]为了更清楚地说明本专利技术实施例中的技术方案，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，下面描述中的附图仅仅是本专利技术的优选实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0029]图1为本专利技术提供的一种热带农作物病虫害风险评估方法的流程图。
具体实施方式
[0030]为了更好理解本专利技术
技术实现思路
，下面提供具体实施例，并结合附图对本专利技术做进一步的说明。
[0031]参见图1，本专利技术第一方面提供了一种热带农作物病虫害风险评估方法，包括下列
步骤：
[0032]步骤101：将作物种植区分成若干个区域，采集每个区域内的害虫数量，获得每个区域内的害虫密度；
[0033]具体的说，在将作物种植区划分为若干个区域时，可以网格的形式将作物种植区划分为若干个网格，每个网格中设置有多颗作物，而在采集每个区域内的害虫数量，获得每个区域内的害虫密度中，还包括：
[0034]在每个区域内设置K个诱捕器，在时间T内统计每个诱捕器内诱捕的害虫数量；
[0035]计算K个诱捕器内害虫的总数，K个诱捕器内害虫的总数与区域面积之比即为每个区域内的害虫密度A。
[0036]步骤102：在时间T内采集每个区域内的作物的M个图像信息，由M个图像信息获得N个病斑图像，由多个区域的N个病斑图像获得X个病斑图像；
[0037]在时间T内采集每个区域内的作物的M个图像信息，由M个图像信息获得N个病斑图像，包括：
[0038]对所述M个图像信息进行图像转化获得M个灰度图像，灰度图像通常是在单个电磁波频谱内测量每个像素的亮度得到的。用于显示的灰度图像通常用每个采样像素8位的非线性尺度来保存，这样可以有256级灰度。这种精度刚刚能够避免可见的条带失真，并且非常易于编程；
[0039]将所述M个灰度图像转化为M个二值图像，图像的二值化处理就是将图像上的点的灰度值为0或255，也就是将整个图像呈现出明显的黑白效果。即将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像。在数字图像处理中，二值图像占有非常重要的地位，特别是在实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种热带农作物病虫害风险评估方法，其特征在于，包括下列步骤：将作物种植区分成若干个区域，采集每个区域内的害虫数量，获得每个区域内的害虫密度；在时间T内采集每个区域内的作物的M个图像信息，由M个图像信息获得N个病斑图像，由多个区域的N个病斑图像获得X个病斑图像；建立虫害风险神经模型，将害虫密度数据、作物病斑图像数量数据、作物种植区温度数据作为虫害风险神经模型的输入向量，所述虫害风险神经模型的输出向量为虫害风险等级。2.根据权利要求1所述的一种热带农作物病虫害风险评估系统，其特征在于，采集每个区域内的害虫数量，获得每个区域内的害虫密度，包括：在每个区域内设置K个诱捕器，在时间T内统计每个诱捕器内诱捕的害虫数量；计算K个诱捕器内害虫的总数，K个诱捕器内害虫的总数与区域面积之比即为每个区域内的害虫密度A。3.根据权利要求1所述的一种热带农作物病虫害风险评估方法，其特征在于，在时间T内采集每个区域内的作物的M个图像信息，由M个图像信息获得N个病斑图像，包括：对所述M个图像信息进行图像转化获得M个灰度图像；将所述M个灰度图像转化为M个二值图像；对M个二值图像进行图像分割获得N个病斑图像；由多个区域的N个病斑图像获得X个病斑图像。4.根据权利要求2或3任一项所述的一种热带农作物病虫害风险评估方法，其特征在于，将害虫密度数据、作物病斑图像数量数据、作物种植区温度数据作为虫害风险神经模型的输入向量，包括：设置密度区间Ai{A1,A2,A3,A4}，同时设置每个密度区间Ai所对应的特征权重Bi{B1,B2,B3,B4}，若所述害虫密度A为密度区间Ai之一，则计算所述害虫密度A的风险权重：A*Bi；设置数量区间Xi{X1,X2,X3,X4}，同时设置每个数量...

【专利技术属性】
技术研发人员：孙甄，李海南，蔡淑敏，韩君，刘鑫，陈桂兰，王玉香，
申请(专利权)人：海南金垦赛博信息科技有限公司，
类型：发明
国别省市：