基于人工智能技术的病虫害识别方法及智能处理系统技术方案

本发明专利技术属于农业互联网领域，具体涉及一种基于人工智能技术的病虫害识别方法及智能处理系统，包括：采集月季不同病虫害的图片输入到深度卷积神经网络模型之中训练；构建专家系统；进行月季病虫害的初筛，将光谱异于正常生长月季的区域标注为可疑区域；采集可疑区域的环境信息，并上传云端，由数据中心得出细查的结果；数据中心综合接收到的信息，分析该可疑区域病虫害情况并得出应该采取的措施，返回分析结果；检测员根据返回的结果，判断自身是否有条件处理。本发明专利技术提供能够采集月季生长环境的多种重要信息，较为全面地反映了月季生长环境信息，从而使得专家系统能够更加全面地衡量月季所处环境与病虫害信息，进而做出更加准确的诊断。的诊断。的诊断。

【技术实现步骤摘要】
基于人工智能技术的病虫害识别方法及智能处理系统


[0001]本专利技术属于农业互联网领域，具体涉及一种基于人工智能技术的病虫害识别方法及智能处理系统。

技术介绍

[0002]近年来，随着经济社会的发展，人们对于城市绿化越发重视。高架桥体上的花朵在城市滞尘、降噪，美化城市环境，提高城市绿化率和提升城市品牌上起到了不可忽视的作用。然而，高架上的日常护理以及病虫害防治需要大量的人力物力，并且需要养护人员具备一定的专业知识。
[0003]月季虽然病虫害多，但是由于其花期长，在不少路段都采用了月季作为高架盆栽。目前对于高架上月季的病虫害发现主要是通过专家在高架上缓慢行进，用肉眼观察每一片月季的生长情况。该方法检查面积小、成本大并且具有安全隐患。
[0004]对于近年兴起的以深度卷积神经网络为基础的物体检测方法，能够通过图片来识别出病虫害的种类。但是图片不能反映花朵所处的土壤等环境因素，因此不能确定应该采取的养护措施，限制了该技术的应用。

技术实现思路

[0005]为了弥补现有技术的不足，本专利技术提供一种基于人工智能技术的病虫害识别方法及智能处理系统技术方案。
[0006]一种基于人工智能技术的病虫害识别方法，包括：
[0007]S1采集月季不同病虫害的图片输入到深度卷积神经网络模型之中训练，使神经网络能够自动识别病虫害种类；
[0008]S2构建专家系统；
[0009]S3通过光谱仪进行月季病虫害的初筛，将光谱异于正常生长月季的区域标注为可疑区域；
[0010]S4采集可疑区域的环境信息，并传输给数据中心；
[0011]S5数据中心综合接收到的信息，分析该可疑区域病虫害情况并得出应该采取的措施，通过云端返回分析结果；
[0012]S6检测员根据数据中心返回的结果，判断自身是否有条件处理；
[0013]若有，则进行处理；否则，检测员在该可疑区域做好标记。
[0014]进一步地，S1还包括输入的图片的形状约定为256
×
256
×
3。
[0015]进一步地，S1还包括图片在输入到深度卷积神经网络模型前进行归一化和直方图均衡化处理。
[0016]进一步地，S1中深度卷积神经网络模型的结构采用ResNet50。
[0017]进一步地，S1中深度卷积神经网络模型的输出层9个神经元，返回一个9维的向量，分别对应于没有病虫害的概率，月季患有黑斑病的概率，月季患有白粉病的概率，月季患有
霜霉病的概率，月季患有红蜘蛛虫害的概率，月季患有蚜虫虫害的概率，月季患有白蜡蚧虫害的概率，月季患有天牛虫害的概率，月季有病虫害但不属于以上七种病虫害的概率。
[0018]进一步地，S2中，专家系统基于专家给出的基础规则并进行不确定性推理从而得到应该对该片区域采取的举措；
[0019]专家系统中包含专家预先设定好的产生式规则，产生式规则的形式为：
[0020]IF E THEN H(CF(H,E))
[0021]其中，E为证据，H为结论，CF(H，E)为可信度因子，取值范围为[
‑
1,1]表明该条规则的可信度；若由于相应证据的出现增加结论H为真的可能性，则CF(H，E)>0，且证据的出现越是支持H为真，就使CF(H，E)的值越大；反之亦然。
[0022]由于实际情况远超人为用规则能表述，因此需要设定组合证据的不确定性算法、不确定性传递算法以及结论不确定性的合成算法通过推理来解决实际的复杂问题。
[0023]组合证据的不确定性算法：
[0024]组合多个单一证据的合取，则CF值为所有证据对应的CF值中最小值。
[0025]E＝E1 AND E2 AND......AND En则CF(E)＝min{CF(E1),CF(E2),......,CF(En)}
[0026]组合多个单一证据的析取，则CF值为所有证据对应的CF值中最大值。
[0027]E＝E1 OR E2 OR......OR En则CF(E)＝max{CF(E1),CF(E2),......,CF(En)}
[0028]不确定性传递算法：
[0029]结论的可信度可由下式计算：
[0030]CF(H)＝CF(H,E)*max{0,CF(E)}
[0031]结论不确定性的合成算法：
[0032]识：
[0033]IF E1 THEN H(CF(H,E 1))
[0034]IF E2 THEN H(CF(H,E2))
[0035]则E1和E2对H的综合影响所形成的可信度
[0036][0037]利用上述规则，专家系统进行推理的方式为：
[0038]1)初始化规则集合。具体为专家预先给定的产生式规则。
[0039]2)初始化规则事实集合。具体为采集到的环境信息，包括深度卷积神经网络的输出类别信息以及采集到的的环境温度、土壤湿度、土壤肥力信息和环境的位置信息、采集的时间信息。
[0040]3)推理。利用不确定性推理方法进行正向推理，并将结果放到知识库中，不停循环直至得到所需答案。
[0041]进一步地，S2中，环境信息包括深度卷积神经网络模型的输出类别信息以及采集到的环境温度、土壤湿度、土壤肥力、环境的位置信息、采集的时间信息、月季生长环境照片
中的一种或多种。
[0042]进一步地，S3具体包括：检测员驾驶载有对应传感器与联网设备的车辆到高架上，通过光谱仪进行月季病虫害的初筛，将光谱异于正常生长月季的区域标注为可疑区域，并下车进行细查。
[0043]进一步地，S5具体包括：数据中心根据可疑区域的图片，通过训练好的深度卷积神经网络模型得到该区域的病虫害种类；通过GPS位置信息获得检测位置所属地区；通过时间信息可以得到检测时的时间区间；知识推理机将以上信息作为外界输入，并结合预先设置好的产生式规则进行不确定性推理，从而得出应该采取的措施，并通过云端返回给检测员。
[0044]本专利技术还提供一种基于人工智能技术的病虫害智能处理系统，包括：
[0045]光谱仪，其将月季发出的复色光分离成光谱，用于月季病虫害的初筛，将光谱异于正常月季的区域标记为可疑区域；
[0046]摄像头，其采集可疑区域的照片，用于深度卷积神经网络判断该区域的病虫害种类；
[0047]GPS定位仪，其测量环境地理位置，用于给专家系统提供位置坐标信息；
[0048]土壤湿度传感器，其测量土壤中的湿度，用于给专家系统提供月季生长环境的水分信息；
[0049]空气温度传感器，其测量空气温度，用于给专家系统提供月季生长环境的温度信息；
[0050]肥力传感器，其测量可疑区域月季生长土壤的肥力，用于给专家系统提供土壤氮磷钾含量信息；
[0051]数据收集单元，其收集光谱仪、摄像头、GPS定位仪、土壤湿度传感器、空气温度传感器、肥力传本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能技术的病虫害识别方法，其特征在于，包括：S1采集月季不同病虫害的图片输入到深度卷积神经网络模型之中训练，使神经网络能够自动识别病虫害种类；S2构建专家系统；S3通过光谱仪进行月季病虫害的初筛，将光谱异于正常生长月季的区域标注为可疑区域；S4采集可疑区域的环境信息，并传输给数据中心；S5数据中心综合接收到的信息，分析该可疑区域病虫害情况并得出应该采取的措施，通过云端返回分析结果；S6检测员根据数据中心返回的结果，判断自身是否有条件处理；若有，则进行处理；否则，检测员在该可疑区域做好标记。2.根据权利要求1所述的一种基于人工智能技术的病虫害识别方法，其特征在于，S1还包括输入的图片的形状约定为256
×
256
×
3。3.根据权利要求1所述的一种基于人工智能技术的病虫害识别方法，其特征在于，S1还包括图片在输入到深度卷积神经网络模型前进行归一化和直方图均衡化处理。4.根据权利要求1所述的一种基于人工智能技术的病虫害识别方法，其特征在于，S1中深度卷积神经网络模型的结构采用ResNet50。5.根据权利要求1所述的一种基于人工智能技术的病虫害识别方法，其特征在于，S1中深度卷积神经网络模型的输出层9个神经元，返回一个9维的向量，分别对应于没有病虫害的概率，月季患有黑斑病的概率，月季患有白粉病的概率，月季患有霜霉病的概率，月季患有红蜘蛛虫害的概率，月季患有蚜虫虫害的概率，月季患有白蜡蚧虫害的概率，月季患有天牛虫害的概率，月季有病虫害但不属于以上七种病虫害的概率。6.根据权利要求1所述的一种基于人工智能技术的病虫害识别方法，其特征在于，S2中，专家系统基于专家给出的基础规则并进行不确定性推理从而得到应该对该片区域采取的举措；专家系统中包含专家预先设定好的产生式规则，产生式规则的形式为：IF E THEN H(CF(H,E))其中，E为证据，H为结论，CF(H，E)为可信度因子，取值范围为[
‑
1,1]表明该条规则的可信度；若由于相应证据的出现增加结论H为真的可能性，则CF(H，E)>0，且证据的出现越是支持H为真...

【专利技术属性】
技术研发人员：谢伟，陈雨，宓波，陈雍，马啸飞，赵蕊，
申请(专利权)人：杭州市路桥集团股份有限公司，
类型：发明
国别省市：