农作物病虫草害识别处理方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术实施例公开了一种农作物病虫草害识别处理方法、装置、电子设备及存储介质，该方法包括：确定用户的待识别作物的病虫草害图像；将所述待识别农作物的病虫草害图像输入到预先训练的病虫草害识别模型中，获得所述病虫草害识别模型输出的所述待识别农作物的病虫草害类别结果；依据所述待识别农作物的病虫草害类别结果，从数据库中查询对应的病虫草害的防治内容，并反馈给用户。通过本发明专利技术实施例的技术方案，用户使用方便，能够避免传统人工诊断方法的弊端，实现了对病虫草害较高的识别率以及识别率稳定的技术效果。以及识别率稳定的技术效果。以及识别率稳定的技术效果。

【技术实现步骤摘要】
农作物病虫草害识别处理方法、装置、电子设备及存储介质


[0001]本专利技术实施例涉及农业植保
，尤其涉及一种农作物病虫草害识别处理方法、装置、电子设备及存储介质。

技术介绍

[0002]农作物病虫草害种类多，发生差异大、监测识别预报难度高，是导致作物减产降质的主要原因之一，一旦大面积爆发，轻则造成农作物减产，重则颗粒无收。然而，传统的病虫草害分类与识别仅仅是依靠少数植保工作人员通过手工检查，肉眼观察来完成，存在识别效率低以及识别率不稳定的问题。因此，在农作物生长过程中，对农作物病虫草害类型进行识别并及时防治就显得非常重要。

技术实现思路

[0003]本专利技术实施例中提供了一种农作物病虫草害识别处理方法、装置、电子设备及存储介质，以实现对病虫草害较高的识别率以及识别率稳定的技术效果。
[0004]第一方面，本专利技术实施例中提供了一种农作物病虫草害识别处理方法，包括：
[0005]确定用户的待识别作物的病虫草害图像；
[0006]将所述待识别农作物的病虫草害图像输入到预先训练的病虫草害识别模型中，获得所述病虫草害识别模型输出的所述待识别农作物的病虫草害类别结果；
[0007]依据所述待识别农作物的病虫草害类别结果，从数据库中查询对应的病虫草害的防治内容，并反馈给用户。
[0008]第二方面，本专利技术实施例中还提供了一种农作物病虫草害识别处理装置，包括：
[0009]图像确定模块，用于确定用户的待识别作物的病虫草害图像；
[0010]结果获取模块，用于将所述待识别农作物的病虫草害图像输入到预先训练的病虫草害识别模型中，获得所述病虫草害识别模型输出的所述待识别农作物的病虫草害类别结果；
[0011]防治反馈模块，用于依据所述待识别农作物的病虫草害类别结果，从数据库中查询对应的病虫草害的防治内容，并反馈给用户。
[0012]第三方面，本专利技术实施例中还提供了一种电子设备，包括：
[0013]一个或多个处理器；
[0014]存储装置，用于存储一个或多个程序；
[0015]所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本专利技术任意实施例中提供的农作物病虫草害识别处理方法。
[0016]第四方面，本专利技术实施例中还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本专利技术任意实施例中提供的农作物病虫草害识别处理方法。
[0017]本专利技术实施例提供了一种农作物病虫草害识别处理方法、装置、电子设备及存储
介质，该方法包括：确定用户的待识别作物的病虫草害图像；将所述待识别农作物的病虫草害图像输入到预先训练的病虫草害识别模型中，获得所述病虫草害识别模型输出的所述待识别农作物的病虫草害类别结果；依据所述待识别农作物的病虫草害类别结果，从数据库中查询对应的病虫草害的防治内容，并反馈给用户。通过本专利技术实施例的技术方案，用户使用方便，能够避免传统人工诊断方法的弊端，实现了对病虫草害较高的识别率以及识别率稳定的技术效果。
[0018]上述
技术实现思路
仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。
附图说明
[0019]通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。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：
[0020]图1是本申请实施例一提供的一种农作物病虫草害识别处理方法的流程图；
[0021]图2是本申请实施例二提供的一种农作物病虫草害识别处理装置的结构示意图；
[0022]图3是本申请实施例三提供的一种电子设备的结构示意图。
具体实施方式
[0023]下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。
[0024]在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
[0025]实施例一
[0026]图1是本专利技术实施例一中提供的一种农作物病虫草害识别处理方法的流程图，该方法可适用于对农作物中含有病虫草害进行识别处理情况，该方法可由农作物病虫草害识别处理装置来执行，该装置可由软件和/或硬件实现，并可集成于电子设备中。如图1所示，本实施例中的农作物病虫草害识别处理方法，包括以下步骤：
[0027]S110、确定用户的待识别作物的病虫草害图像。
[0028]其中，获取用户通过终端设备实时拍摄或者从终端设备的相册中选取的待识别农作物的病虫草害图像；
[0029]对待识别农作物的病虫草害图像进行预处理；所述预处理包括但不限于图像尺寸与格式调整、去噪、消光以及消除背景影响。
[0030]可选的，通过多种渠道获取待识别农作物的病虫草害图像，包括但不限于使用手机或平板电脑等移动智能终端设备在田间实时拍摄、网络下载以及公开征集等，保证了图
片来源的丰富性。
[0031]S120、将所述待识别农作物的病虫草害图像输入到预先训练的病虫草害识别模型中，获得所述病虫草害识别模型输出的所述待识别农作物的病虫草害类别结果。
[0032]可选的，所述病虫草害识别模型的生成过程包括步骤A1
‑
A4：
[0033]A1：对农作物病虫草害图像进行病虫草害类别标注，并划分得到训练数据集和验证数据集。
[0034]其中，对农作物病虫草害图像进行清洗处理，并标注所述农作物病虫草害图像所对应的病虫草害类别；
[0035]根据标注后的病虫草害类别将所有农作物病虫草害图像数据划分为不同病虫草害种类的训练数据集和验证数据集。
[0036]A2：基于卷积神经网络对训练数据集图片进行融合、分析和计算，生成农作物的病虫草害图像特征表达。
[0037]A3：通过深度学习网络对农作物的病虫草害图像特征表达进行分析计算，生成基于深度学习网络的初始的病虫草害识别模型。
[0038]A4：使用训练数据集对初始识别模型进行深度学习训练形成病虫草害识别模型，并使用验证数据集对生成的病虫草害识别模型进行测试调试。
[0039]其中，采用初步训练的病虫草害识别模型对未添加标签的农作物病虫草害图像进行预测，并向未添加标签的农作物病虫草害图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种农作物病虫草害识别处理方法，其特征在于，所述方法包括：确定用户的待识别作物的病虫草害图像；将所述待识别农作物的病虫草害图像输入到预先训练的病虫草害识别模型中，获得所述病虫草害识别模型输出的所述待识别农作物的病虫草害类别结果；依据所述待识别农作物的病虫草害类别结果，从数据库中查询对应的病虫草害的防治内容，并反馈给用户。2.根据权利要求1所述的方法，其特征在于，确定用户的待识别农作物的病虫草害图像，包括：获取用户通过终端设备实时拍摄或者从终端设备的相册中选取的待识别农作物的病虫草害图像；对待识别农作物的病虫草害图像进行预处理；所述预处理包括图像尺寸与格式调整、去噪、消光以及消除背景影响。3.根据权利要求1所述的方法，其特征在于，所述病虫草害识别模型的生成过程包括：对农作物病虫草害图像进行病虫草害类别标注，并划分得到训练数据集和验证数据集；基于卷积神经网络对训练数据集图片进行融合、分析和计算，生成农作物的病虫草害图像特征表达；通过深度学习网络对农作物的病虫草害图像特征表达进行分析计算，生成基于深度学习网络的初始的病虫草害识别模型；使用训练数据集对初始识别模型进行深度学习训练形成病虫草害识别模型，并使用验证数据集对生成的病虫草害识别模型进行测试调试。4.根据权利要求3所述的方法，其特征在于，使用训练数据集对初始识别模型进行深度学习训练形成病虫草害识别模型，包括：采用初步训练的病虫草害识别模型对未添加标签的农作物病虫草害图像进行预测，并向未添加标签的农作物病虫草害图像标注伪标签得到伪标签数据集；使用伪标签数据集和训练数据集对初步训练的病虫草害识别模型重新训练。5.根据权利要求3所述的方法，其特征在于，对农作物病虫草害图像进行病虫草害类别标注，并划分得到训练数据集和验证数据集，包括：对农作物病虫草害图像...

【专利技术属性】
技术研发人员：刘哲辉，黄科力，石称华，
申请(专利权)人：上海劲牛信息技术有限公司，
类型：发明
国别省市：