System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种智能病虫害检测系统及方法,具体涉及一种智能病虫害管理预警方法、系统与装置。
技术介绍
1、农作物病虫害的智能检测,一直是农业信息化的一项重要内容,在近些年来越来越受到专家和学者的重视。长期以来,种植人员凭借经验和知识积累识别病虫害,其识别速度较慢、主观性较强、人工成本较高,且容易出现误诊的现象。特别是农作物病虫害具有种类多、影响大、并时常爆发成灾的特点。传统是病虫害检测方法,难以在虫害早期对农作物进行准确监测,容易导致病虫害的大面积爆发。为了克服上述问题,新型智能检测方法应用而生。目前主要有基于高光谱分辨率遥感技术和深度学习技术。前者需要提前获取病害胁迫植株的高光谱波长特征,再分析对比胁迫植株与健康植株高光谱的区别来区分病虫害。而基于深度学习技术的病虫害检测是将图像处理技术与人工智能技术相结合,通过训练好的特定深度神经网络来对农作物病虫害图像进行分类,这些病虫害图像既可以是普通光学图像也可以是高光谱图像。
2、文献(bethke,p.c,singh,et al.integrating spectroscopy with potatodisease management.)利用染病及健康叶片的非成像高光谱数据,进行基于原始高光谱全波段数据的偏最小二乘判别分析pls-da(partial least squares-discriminantanalysis),实现了土豆y病毒病胁迫植株与健康植株的分类。文献(王建涛,吴叶兰,廖禺,等.基于卷积神经网络的柑橘病叶高光谱分类[j].信息技术与信息化,2020
3、在中国专利技术专利cn113468964a中公开了一种通过高光谱图像识别病虫害的方法,该方法通过预置识别待测农作物区域特征波段的网络模型,进而得到该区域病虫害敏感的特征波段,统计待测小区域高光谱图像中包含受损叶片的数量,在受损叶片的数量大于第一预设阈值的情况下,将所述待测小区域对应的高光谱图像,输入病虫害类型识别神经网络模型与病虫害等级估测模型中,最终得到待测农作物所受病虫害类型与病虫害等级。在中国专利技术专利cn111235210a公开了一种利用植物病变组织表面病原真菌孢子来分辨病虫害的方法,该方法通过获取植物病部组织表面的病原真菌孢子,用显微镜观察病原真菌孢子的形态学特征,确定其真菌种类,并结合植物病状特征鉴定植物真菌病害种类。在中国专利技术专利cn113609941a中公开了一种利用深度学习和图像识别技术来对病虫害图像进行分类,通过设计特定的深度神经网络模型,来对可见光图像采集设备采集的病虫害图像进行分类,从而识别出病虫害类型。
4、这些技术虽然逐渐成为替代传统人工识别的技术手段,具有传统方法所不具备的快速性、准确性等特点,但是还存在以下缺陷:
5、1、采集农作物高光谱成本高昂,且高光谱识别对症状相似的不同病虫害识别精度低。
6、高光谱包含波段信息非常丰富,能准确反映农作物之间的光谱差异,但是高光谱相机价格昂贵;同时,多病害的病原菌与寄主植株相互作用的过程中引起相似的症状,难以通过高光谱来区分。
7、2、对病虫害增长反应不及时,不能针对病虫害增长提前做出预警。
8、不论是通过普通光学图像还是高光谱图像构建深度学习模型来识别农作物病虫害,均面临学习不持续的问题,当病虫害分布发生变化时,农作物病虫害识别模型无法准确识别新的病虫害类型,造成病虫害大量传播。此时,需要人为干预,重新构建模型,并且病虫害可能已经形成规模。
技术实现思路
1、本专利技术的目的是提供一种智能病虫害管理预警方法、系统及装置,克服现有基于深度学习方法存在的针对病虫害分布发生变化的情况,无法准确识别新的病虫害类型的问题。
2、本专利技术的技术方案是:
3、一种智能病虫害管理预警方法,其特殊之处在于,包括以下步骤:
4、步骤1、基于数据集训练病虫害识别模型;
5、步骤2、基于训练完成的病虫害识别模型识别当前农作物病虫害类型和等级,根据识别结果绘制农作物病虫害拓扑,所述农作物病虫害拓扑包括农场植株病虫害信息和位置信息;根据农作物病虫害拓扑获得胁迫植株数量;当胁迫植株数量超出设定阈值时,触发病虫害预警网络;
6、步骤3、将步骤2获得的农作物病虫害拓扑输入至病虫害预警网络,预测当前农场植株病虫害信息中是否出现新的病虫害信息,若是,则输出动作值,触发病虫害识别模型再训练,执行步骤4,反之执行步骤5;
7、所述病虫害预警网络基于监测的农场植株病虫害信息和位置信息持续更新;
8、步骤4、识别新的病虫害信息,将新的病虫害信息加入数据集,更新数据集,返回步骤1;
9、步骤5、根据步骤2识别的当前农作物病虫害类型和等级采取处理措施,并返回步骤2进行回访,持续监测农场植株病虫害信息及位置信息。
10、进一步地,步骤1中所述数据集为从历史虫害数据构建的数据集中抽取的病虫害光学图像以及该图像对应的病虫害信息。
11、进一步地,步骤2中,将训练完成的病虫害识别模型部署在农场巡检智能体上,农场巡检智能体用于采集当前农作物光学图像信息及位置信息;并根据识别结果绘制农作物病虫害拓扑,根据农作物病虫害拓扑获得胁迫植株数量;当胁迫植株数量超出设定阈值时,触发病虫害预警网络。
12、进一步地,步骤1中所述病虫害识别模型包括卷积模块、池化模块及输出模块;
13、所述卷积模块包括conv1、conv2、conv3、conv4、conv5、conv6及conv7;
14、所述池化模块包括maxpooling1、maxpooling2及maxpooling3;
15、所述输出模块包括一个全连接层;
16、所述conv1、conv2、maxpooling1、conv3、conv4、maxpooli本文档来自技高网...
【技术保护点】
1.一种智能病虫害管理预警方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的智能病虫害管理预警方法,其特征在于:步骤1中所述数据集为从历史虫害数据构建的数据集中抽取的病虫害光学图像以及该图像对应的病虫害信息。
3.根据权利要求2所述的智能病虫害管理预警方法,其特征在于:步骤2中,将训练完成的病虫害识别模型部署在农场巡检智能体上,农场巡检智能体用于采集当前农作物光学图像信息及位置信息;并根据识别结果绘制农作物病虫害拓扑,根据农作物病虫害拓扑获得胁迫植株数量;当胁迫植株数量超出设定阈值时,触发病虫害预警网络。
4.根据权利要求3所述的智能病虫害管理预警方法,其特征在于:步骤1中所述病虫害识别模型包括卷积模块、池化模块及输出模块;
5.根据权利要求4所述的智能病虫害管理预警方法,其特征在于:Conv1至Conv7的五个参数[kernel size,in channel,out channel,stride,pad]分别为[3*3,3,64,1,1]、[3*3,64,64,1,1]、[3*3,64,128,1,1]、[3*3,128
6.根据权利要求1-5任一所述的智能病虫害管理预警方法,其特征在于:步骤3中,所述病虫害预警网络为DQN网络模型。
7.根据权利要求6所述的智能病虫害管理预警方法,其特征在于:步骤3中,所述病虫害预警网络基于监测的农场植株病虫害信息和位置信息持续更新,具体为:
8.根据权利要求7所述的智能病虫害管理预警方法,其特征在于:所述st和st+1可通过病虫害识别模型获得或人工识别获得。
9.根据权利要求8所述的智能病虫害管理预警方法,其特征在于:步骤4中,通过专家系统识别新的病虫害信息。
10.一种智能病虫害管理预警系统,其特征在于:包括病虫害识别系统、病虫害预警系统及数据集更新系统;
11.根据权利要求10所述智能病虫害管理预警系统,其特征在于:所述病虫害识别模型包括卷积模块、池化模块及输出模块;
12.根据权利要求11所述智能病虫害管理预警系统,其特征在于:Conv1至Conv7的五个参数[kernel size,in channel,out channel,stride,pad]分别为[3*3,3,64,1,1]、[3*3,64,64,1,1]、[3*3,64,128,1,1]、[3*3,128,128,1,1]、[3*3,128,512,1,1]、[3*3,512,512,1,1]、[3*3,512,512,1,1];Maxpooling1至Maxpooling3的四个参数[kernel size,pool,pad,stride]分别为[3*3,max,1,2]、[3*3,max,1,2]、[3*3,max,1,2]。
13.根据权利要求12所述智能病虫害管理预警系统,其特征在于:所述病虫害预警网络为DQN网络模型。
14.根据权利要求13所述智能病虫害管理预警系统,其特征在于:所述数据集更新系统包括人工专家系统与数据集,所述数据集更新系统用于在病虫害目标模型的触发下触发人工专家系统识别新的病虫害信息,将新的病虫害信息加入数据集,更新数据集。
15.一种智能病虫害管理预警装置,其特征在于:包括农场巡检智能体,所述农场巡检智能体中包括相机、数据处理单元以及上述病虫害识别系统和病虫害预警系统;
16.根据权利要求15所述的智能病虫害管理预警装置,其特征在于:所述农场巡检智能体为农场巡检机器人或无人机。
...【技术特征摘要】
1.一种智能病虫害管理预警方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的智能病虫害管理预警方法,其特征在于:步骤1中所述数据集为从历史虫害数据构建的数据集中抽取的病虫害光学图像以及该图像对应的病虫害信息。
3.根据权利要求2所述的智能病虫害管理预警方法,其特征在于:步骤2中,将训练完成的病虫害识别模型部署在农场巡检智能体上,农场巡检智能体用于采集当前农作物光学图像信息及位置信息;并根据识别结果绘制农作物病虫害拓扑,根据农作物病虫害拓扑获得胁迫植株数量;当胁迫植株数量超出设定阈值时,触发病虫害预警网络。
4.根据权利要求3所述的智能病虫害管理预警方法,其特征在于:步骤1中所述病虫害识别模型包括卷积模块、池化模块及输出模块;
5.根据权利要求4所述的智能病虫害管理预警方法,其特征在于:conv1至conv7的五个参数[kernel size,in channel,out channel,stride,pad]分别为[3*3,3,64,1,1]、[3*3,64,64,1,1]、[3*3,64,128,1,1]、[3*3,128,128,1,1]、[3*3,128,512,1,1]、[3*3,512,512,1,1]、[3*3,512,512,1,1];maxpooling1至maxpooling3的四个参数[kernel size,pool,pad,stride]分别为[3*3,max,1,2]、[3*3,max,1,2]、[3*3,max,1,2]。
6.根据权利要求1-5任一所述的智能病虫害管理预警方法,其特征在于:步骤3中,所述病虫害预警网络为dqn网络模型。
7.根据权利要求6所述的智能病虫害管理预警方法,其特征在于:步骤3中,所述病虫害预警网络基于监测的农场植株病虫害信息和位置信息持续更新,具体为:
8.根据权利要求7所述的智能病虫害管理预警方法,其特征在于:所述st和...
【专利技术属性】
技术研发人员:杨清海,徐丽娟,王成,武艳,沈中,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。