【技术实现步骤摘要】
所属的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。需要说明的是，上述实施例提供的系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本专利技术实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本专利技术实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本专利技术的不当限定。本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本专利技术的范围。术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/
技术介绍
1、对植物病虫害情况进行监控时往往还是仍然需要人工参与，对大规模农田进行人工巡查可能会耗费大量的时间和人力资源，且不易及时发现隐蔽的问题；而且一旦出现植物病虫害情况，传统的方法需要等待人工观察后才能及时作出反应，从而可能延误了采取相应的救治措施。尽管现有的自动化系统在植物叶片生长状态监测和预警方面取得了很大进展，但仍然存在一些不足之处，例如目前的农业监测技术确实可以监测到整体的大体情况，但在一些方面仍然存在一定的局限性，如难以实现对单株植物的精准监测和判断。
2、因此，急需一种高效率、高精度的基于大数据与深度学习的病虫害识别系统，对植物病虫害进行自动化检测和预警。
技术实现思路
1、本专利技术的目的是：提供一种基于大数据与深度学习的病虫害识别系统，旨用于如何对植物病虫害进行自动化检测。
2、本专利技术提供了一种基于大数据与深度学习的病虫害识别系统，包括：
3、数据收集模块，所述数据收集模块收集叶片病虫害的病虫害图像数据和与病虫害各发展时期对应的叶片图像数据，形成叶片病虫害数据库；
4、图像获取模块，用于获取预设区域内的各植物的叶片图像信息；
5、一次图像处理模块，与所述图像获取模块电连接，所述一次图像处理模块用于根据各所述植物的叶片图像信息与预设的叶片图像信息范围之间的关系，判断各所述植物的叶片生长状态，其中；
6、若所述植物的叶片图像信息处于所述预设的叶片图像信息范围区间时，所述一次图像处理模块则判断所述植物的叶片生长状态良好；
7、若所述植物的叶片图像信息超出所述预设的叶片图像信息范围区间时，所述一次图像处理模块则判断所述植物的叶片生长状态差；
8、二次图像处理模块，与所述一次图像处理模块电连接，所述二次图像处理模块根据叶片病虫害数据库，判断各所述植物中叶片生长状态差的病虫害识别结果；
9、三次图像处理模块，与所述二次图像处理模块电连接，所述三次图像处理模块根据叶片病虫害数据库和所述叶片图像信息，判断各所述植物中病虫害识别结果对应的病虫害各发展时期。
10、进一步的，将与病虫害各发展时期对应的叶片图像数据，形成数据样本；训练预测模块，所述训练预测模块为transformer网络模块，所述transformer网络模块基于注意力机制对训练集的数据及时序特征进行训练，生成叶片图像数据预测结果。
11、进一步的，评分模块，与所述三次图像处理模块电连接，所述评分模块用于根据所述叶片生长状态差的病虫害识别结果对所述叶片生长状态差的植物建立病虫害预警评分。
12、进一步的，预警模块，与所述评分模块电连接，所述预警模块用于根据建立的所述叶片生长状态差的植物的病虫害预警评分与预设的病虫害评分之间的大小关系，确定所述叶片生长状态差的病虫害预警等级，所述预警评分还用于将该所述叶片生长状态差的植物的预警等级进行发送。
13、进一步的，基于大数据与深度学习的病虫害识别方法包括如下内容：
14、获取预设区域内的各植物的叶片图像信息，并根据各所述植物的叶片图像信息与预设的叶片图像信息范围之间的关系，判断各所述植物的叶片生长状态，其中；
15、若所述植物的叶片图像信息处于所述预设的叶片图像信息范围区间时，则判断所述植物的叶片生长状态良好；
16、若所述植物的叶片图像信息超出所述预设的叶片图像信息范围区间时，则判断所述植物的叶片生长状态差；
17、获取各所述植物中叶片生长状态差的病虫害识别结果，并根据所述叶片生长状态差的病虫害识别结果对所述叶片生长状态差的植物建立病虫害预警评分；
18、根据建立的所述叶片生长状态差的植物的病虫害预警评分与预设的病虫害预警评分之间的大小关系，确定所述叶片生长状态差的植物的病虫害预警等级，并将该所述叶片生长状态差的植物的病虫害预警等级进行发送。
19、进一步的，根据各所述植物的叶片图像信息与预设的叶片图像信息范围之间的关系，判断各所述植物的叶片生长状态时，包括：
20、获取各所述植物的叶片图像信息中各所述植物的枝叶图像；
21、获取各所述植物的枝叶图像中单一所述植物的枝叶的实时灰度值w；
22、根据单一所述植物的枝叶的实时灰度值w获取各所述植物的枝叶的平均灰度值q，q＝σw/n，其中，σw为各所述植物的枝叶的实时灰度值之和，n为各所述植物的总数量；
23、根据单一所述植物的枝叶的实时灰度值w与各所述植物的枝叶的平均灰度值q之间的关系，判断该单一所述植物的叶片生长状态；
24、当w≥q时，则判断该单一所述植物的枝叶的灰度值大于或等于各所述植物的枝叶的平均灰度值，判断该所述植物的叶片生长状态良好；
25、当w＜q时，则判断该单一所述植物的枝叶的灰度值小于各所述植物的枝叶的平均灰度值，判断该所述植物的叶片生长状态差，并获取该单本文档来自技高网...
【技术保护点】
1.一种基于大数据与深度学习的病虫害识别系统，其特征在于，包括：
2.根据权利要求1所述的基于大数据与深度学习的病虫害识别系统，其特征在于，将与病虫害各发展时期对应的叶片图像数据，形成数据样本；训练预测模块，所述训练预测模块为transformer网络模块，所述transformer网络模块基于注意力机制对训练集的数据及时序特征进行训练，生成叶片图像数据预测结果。
3.根据权利要求2所述的基于大数据与深度学习的病虫害识别系统，其特征在于，评分模块，与所述三次图像处理模块电连接，所述评分模块用于根据所述叶片生长状态差的病虫害识别结果对所述叶片生长状态差的植物建立病虫害预警评分。
4.根据权利要求3所述的基于大数据与深度学习的病虫害识别系统，其特征在于，预警模块，与所述评分模块电连接，所述预警模块用于根据建立的所述叶片生长状态差的植物的病虫害预警评分与预设的病虫害评分之间的大小关系，确定所述叶片生长状态差的病虫害预警等级，所述预警评分还用于将该所述叶片生长状态差的植物的预警等级进行发送。
5.根据权利要求1-4任一项所述的基于大数据与深
6.根据权利要求5所述的基于大数据与深度学习的病虫害识别系统，其特征在于，根据各所述植物的叶片图像信息与预设的叶片图像信息范围之间的关系，判断各所述植物的叶片生长状态时，包括：
7.根据权利要求6所述的基于大数据与深度学习的病虫害识别系统，其特征在于，判断该所述植物的叶片生长状态差后，获取该单一所述植物的枝叶的土壤和环境信息，包括：
8.根据权利要求7所述的基于大数据与深度学习的病虫害识别系统，其特征在于，判断该单一所述植物的土壤缺少水分时，并根据所述土壤的实时湿度L与预设的土壤湿度L0之间的关系，包括：
...【技术特征摘要】
1.一种基于大数据与深度学习的病虫害识别系统，其特征在于，包括：
2.根据权利要求1所述的基于大数据与深度学习的病虫害识别系统，其特征在于，将与病虫害各发展时期对应的叶片图像数据，形成数据样本；训练预测模块，所述训练预测模块为transformer网络模块，所述transformer网络模块基于注意力机制对训练集的数据及时序特征进行训练，生成叶片图像数据预测结果。
3.根据权利要求2所述的基于大数据与深度学习的病虫害识别系统，其特征在于，评分模块，与所述三次图像处理模块电连接，所述评分模块用于根据所述叶片生长状态差的病虫害识别结果对所述叶片生长状态差的植物建立病虫害预警评分。
4.根据权利要求3所述的基于大数据与深度学习的病虫害识别系统，其特征在于，预警模块，与所述评分模块电连接，所述预警模块用于根据建立的所述叶片生长状态差的植物的病虫害预警评分与预设的病虫害评分之间...
【专利技术属性】
技术研发人员：柯孟，吴进灵，
申请(专利权)人：我的田海南农业信息科技有限公司，
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。