水稻卷叶螟危害程度预测方法技术

本发明专利技术提供一种水稻卷叶螟危害程度预测方法

【技术实现步骤摘要】
水稻卷叶螟危害程度预测方法、装置、电子设备及介质


[0001]本专利技术涉及农田病害预测领域，尤其涉及水稻卷叶螟危害程度预测方法
、
装置
、
电子设备及介质
。

技术介绍

[0002]对于卷叶螟危害程度的预测通常采用反距离权重法，而卷叶螟病虫害的分布往往存在局部聚集性和空间随机性，导致估算的危害程度准确性大大下降
。

技术实现思路

[0003]本专利技术提供一种水稻卷叶螟危害程度预测方法
、
装置
、
电子设备及介质，用以解决现有水稻卷叶螟危害程度预测方法不够准确的技术问题
。
[0004]第一方面，本专利技术提供了一种水稻卷叶螟危害程度预测方法，包括：
[0005]根据待预测区域中所有非随机局部采样区域对应的每一全局总叶片数量以及预设二次线性方程，确定所有非随机局部采样区域对应的第一病害叶片总数，所述待预测区域包括所有非随机局部采样区域以及所有随机局部采样区域；
[0006]对于每一随机局部采样区域，根据所述随机局部采样区域对应的全局总叶片数量以及预设一次方程，获取所述随机局部采样区域对应的第二病害叶片数，以获取所有随机局部采样区域对应的第二病害叶片总数；
[0007]根据所述第一病害叶片总数
、
所述第二病害叶片总数以及每一预测子区域的全局总叶片数量，确定水稻病害预测结果；
[0008]所述预设二次方程是拟合所有随机局部采样区域的局部病害叶片数量以及局部总叶片数量后生成的，每一所述预设一次方程是根据每一随机局部采样区域的局部病害叶片数量以及局部总叶片数量确定的；
[0009]所述局部病害叶片数量以及所述局部总叶片数量是在水稻上方间隔水稻第一预设距离的任一目标位置，以第一预设角度采样而确定的；
[0010]所述全局总叶片数量是在所述待预测区域的水稻上方，间隔水稻第二预设距离的中心位置，以第二预设角度采样而确定的；所述第一预设距离小于所述第二预设距离，所述第一预设角度小于所述第二预设角度
。
[0011]根据本专利技术提供的水稻卷叶螟危害程度预测方法，在确定所有非随机局部采样区域对应的第一病害叶片总数之前，所述方法还包括：
[0012]在所述待预测区域的水稻上方，间隔水稻第二预设距离的中心位置，利用无人机以第二预设角度进行采样，获取所有采样区域图像；
[0013]拼接所有采样区域图像，形成初始田块区域图像；
[0014]根据每一采样区域图像的田块边缘拐角经纬度对所述初始田块区域图像进行坐标校正，获取所述待预测区域图像
。
[0015]根据本专利技术提供的水稻卷叶螟危害程度预测方法，在获取所述待预测区域图像之
后，所述方法还包括：
[0016]划分所述待预测区域图像，获取所有待预测子图像；
[0017]输入所有待预测子图像至预设叶片预测模型，获取所述预设叶片预测模型输出的，每一待预测子图像对应的预测叶片总数；
[0018]所述预设叶片预测模型是根据样本预测图像以及样本叶片总数训练而确定的
。
[0019]根据本专利技术提供的水稻卷叶螟危害程度预测方法，在获取所述预设叶片预测模型输出的，每一待预测子图像对应的预测叶片总数之后，所述方法还包括：
[0020]将存在所述目标位置的待预测子图像所在区域确定为随机局部采样区域，确定所有随机局部采样区域；
[0021]将不存在所述目标位置的待预测子图像所在区域确定为非随机局部采样区域，确定所有非随机局部采样区域
。
[0022]根据本专利技术提供的水稻卷叶螟危害程度预测方法，在确定所有非随机局部采样区域对应的第一病害叶片总数之前，所述方法还包括：
[0023]在水稻上方间隔水稻第一预设距离的任一目标位置，利用无人机以第一预设角度进行采样，获取所有局部采样图像；
[0024]根据所有局部采样图像以及所有随机局部采样区域，确定所有重叠区域图像；
[0025]输入所有重叠区域图像至语义分割模型，获取所述语义分割模型输出，每一重叠区域对应的所述局部病害叶片数量以及所述局部总叶片数量；
[0026]所述语义分割模型是根据样本病害图像
、
样本病害叶片数量以及样本局部总叶片数量训练而确定的
。
[0027]根据本专利技术提供的水稻卷叶螟危害程度预测方法，所述根据待预测区域中所有非随机局部采样区域对应的每一全局总叶片数量以及预设二次线性方程，确定所有非随机局部采样区域对应的第一病害叶片总数，包括：
[0028]输入每一全局总叶片数量至所述预设二次线性方程，获取每一非随机局部采样区域对应的病害叶片总数；
[0029]根据所有非随机局部采样区域对应的病害叶片总数之和，确定所述第一病害叶片总数
。
[0030]根据本专利技术提供的水稻卷叶螟危害程度预测方法，所述根据所述随机局部采样区域对应的全局总叶片数量以及预设一次方程，获取所述随机局部采样区域对应的第二病害叶片数，以获取所有随机局部采样区域对应的第二病害叶片总数，包括：
[0031]输入每一随机局部采样区域对应的全局总叶片数量至所述随机局部采样区域对应的预设一次方程，获取所述预设一次方程输出的，每一随机局部采样区域对应的病害叶片总数；
[0032]根据所有随机局部采样区域对应的病害叶片总数之和，确定所述第二病害叶片总数
。
[0033]根据本专利技术提供的水稻卷叶螟危害程度预测方法，所述根据所述第一病害叶片总数
、
所述第二病害叶片总数以及每一预测子区域的全局总叶片数量，确定水稻病害预测结果，包括：
[0034]根据所述第一病害叶片总数以及所述第二病害叶片总数之和确定所述待预测区
域的水稻病害叶片总数；
[0035]根据每一预测子区域的全局总叶片数量之和，确定所述待预测区域的叶片总数；
[0036]根据所述待预测区域的水稻病害叶片总数以及所述待预测区域的叶片总数的商值，确定水稻病害卷叶率；
[0037]根据所述水稻病害卷叶率，从预设水稻危害程度表中确定出所述待预测区域的水稻病害预测结果
。
[0038]第二方面，提供了一种水稻卷叶螟危害程度预测装置，包括：
[0039]第一确定单元，所述第一确定单元用于根据待预测区域中所有非随机局部采样区域对应的每一全局总叶片数量以及预设二次线性方程，确定所有非随机局部采样区域对应的第一病害叶片总数，所述待预测区域包括所有非随机局部采样区域以及所有随机局部采样区域；
[0040]获取单元，所述获取单元用于对于每一随机局部采样区域，根据所述随机局部采样区域对应的全局总叶片数量以及预设一次方程，获取所述随机局部采样区域对应的第二病害叶片数，以获取所有随机局部采样区域对应的第二病害叶片总数；
[0041]第二确定单元，所述第二确定单元用于根据所述第一病害叶片总数<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
水稻卷叶螟危害程度预测方法，其特征在于，包括：根据待预测区域中所有非随机局部采样区域对应的每一全局总叶片数量以及预设二次线性方程，确定所有非随机局部采样区域对应的第一病害叶片总数，所述待预测区域包括所有非随机局部采样区域以及所有随机局部采样区域；对于每一随机局部采样区域，根据所述随机局部采样区域对应的全局总叶片数量以及预设一次方程，获取所述随机局部采样区域对应的第二病害叶片数，以获取所有随机局部采样区域对应的第二病害叶片总数；根据所述第一病害叶片总数
、
所述第二病害叶片总数以及每一预测子区域的全局总叶片数量，确定水稻病害预测结果；所述预设二次方程是拟合所有随机局部采样区域的局部病害叶片数量以及局部总叶片数量后生成的，每一所述预设一次方程是根据每一随机局部采样区域的局部病害叶片数量以及局部总叶片数量确定的；所述局部病害叶片数量以及所述局部总叶片数量是在水稻上方间隔水稻第一预设距离的任一目标位置，以第一预设角度采样而确定的；所述全局总叶片数量是在所述待预测区域的水稻上方，间隔水稻第二预设距离的中心位置，以第二预设角度采样而确定的；所述第一预设距离小于所述第二预设距离，所述第一预设角度小于所述第二预设角度
。2.
根据权利要求1所述的水稻卷叶螟危害程度预测方法，其特征在于，在确定所有非随机局部采样区域对应的第一病害叶片总数之前，所述方法还包括：在所述待预测区域的水稻上方，间隔水稻第二预设距离的中心位置，利用无人机以第二预设角度进行采样，获取所有采样区域图像；拼接所有采样区域图像，形成初始田块区域图像；根据每一采样区域图像的田块边缘拐角经纬度对所述初始田块区域图像进行坐标校正，获取所述待预测区域图像
。3.
根据权利要求2所述的水稻卷叶螟危害程度预测方法，其特征在于，在获取所述待预测区域图像之后，所述方法还包括：划分所述待预测区域图像，获取所有待预测子图像；输入所有待预测子图像至预设叶片预测模型，获取所述预设叶片预测模型输出的，每一待预测子图像对应的预测叶片总数；所述预设叶片预测模型是根据样本预测图像以及样本叶片总数训练而确定的
。4.
根据权利要求3所述的水稻卷叶螟危害程度预测方法，其特征在于，在获取所述预设叶片预测模型输出的，每一待预测子图像对应的预测叶片总数之后，所述方法还包括：将存在所述目标位置的待预测子图像所在区域确定为随机局部采样区域，确定所有随机局部采样区域；将不存在所述目标位置的待预测子图像所在区域确定为非随机局部采样区域，确定所有非随机局部采样区域
。5.
根据权利要求1所述的水稻卷叶螟危害程度预测方法，其特征在于，在确定所有非随机局部采样区域对应的第一病害叶片总数之前，所述方法还包括：在水稻上方间隔水稻第一预设距离的任一目标位置，利用无人机以第一预设角度进行
采样，获取所有局部采样图像；根据所有局部采样图像以及所有随机局部采样区域，确定所有重叠区域图像；输入所有重叠区域图像至语义分割模型，获取所述语义分割模型输出，每一重叠区域对应的所述局部病害叶片数量以及所述局部总叶片数量；所述语义分割模型是根据样本病害图像
、
样本病害叶片数量以及样本局部总叶片数量训练而确定的
。6.
根据权利要求1所述的水稻卷叶螟危害程度预测方法，其特征在于，所述根据待预测区域中所有非随机局部采样区域对应的每一全局总叶片数...

【专利技术属性】
技术研发人员：张瑞瑞，陈立平，王佐，徐刚，李龙龙，王维佳，伊铜川，史浩，
申请(专利权)人：北京市农林科学院智能装备技术研究中心，
类型：发明
国别省市：