【技术实现步骤摘要】
本专利技术涉及病虫害预测，具体是指基于大数据的茶园病虫害预测方法及系统。
技术介绍
1、茶园病虫害预测方法通常结合环境因素、生物特性、统计模型和现代技术来提前预警病虫害的发生，从而及时采取防治措施，保障茶叶产量和质量。但是一般茶园病虫害预测方法存在背景容易引入噪声，影响病斑的识别；病斑的边缘细微难以保留；不同光照条件下容易导致误报或漏报的问题；一般茶园病虫害预测方法存在难以同时捕捉到局部病斑细节和全局环境特征；对于爆发性高风险样本和微弱萌芽样本过度敏感，进而导致预测可靠性差的问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了基于大数据的茶园病虫害预测方法及系统，针对一般茶园病虫害预测方法存在背景容易引入噪声，影响病斑的识别；病斑的边缘细微难以保留；不同光照条件下容易导致误报或漏报的问题，本方案通过构建病斑边缘加权成本函数，增强病斑区域的自适应正则化；引入各向异性扩散核，使叶脉方向平滑更充分，增强病斑与叶纹对比，抑制跨纹理的假平滑；基于雾霾场景光照补偿提高病斑与健...
【技术保护点】
1.基于大数据的茶园病虫害预测方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的基于大数据的茶园病虫害预测方法，其特征在于：在步骤S2中，所述图像预处理是对初始茶园图像集处理，得到初始茶园图像集对应的历史特征图序列，具体包括以下内容：
3.根据权利要求2所述的基于大数据的茶园病虫害预测方法，其特征在于：在步骤S2中，所述茶园图像多尺度分解是对雾霾场景光照补偿后图像，通过非加权高斯迭代滤波处理，迭代分解后，分别提取大尺度与小尺度病斑特征；表示为：；；；；；其中，是平滑基底层，对应大面积黄化；是第一层细节，对应中等斑块；是第二层细节，...
【技术特征摘要】
1.基于大数据的茶园病虫害预测方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的基于大数据的茶园病虫害预测方法，其特征在于：在步骤s2中，所述图像预处理是对初始茶园图像集处理，得到初始茶园图像集对应的历史特征图序列，具体包括以下内容：
3.根据权利要求2所述的基于大数据的茶园病虫害预测方法，其特征在于：在步骤s2中，所述茶园图像多尺度分解是对雾霾场景光照补偿后图像，通过非加权高斯迭代滤波处理，迭代分解后，分别提取大尺度与小尺度病斑特征；表示为：；；；；；其中，是平滑基底层，对应大面积黄化；是第一层细节，对应中等斑块；是第二层细节，对应微小虫斑；是对雾霾场景光照补偿后图像ic进行初次非加权高斯迭代滤波后得到的结果；是非加权高斯迭代滤波；是二次滤波结果；是重构图像。
4.根据权利要求1所述的基于大数据的茶园病虫害预测方法，其特征在于：在步骤s2中，所述斑点纹理放大是对于重构图像，通过结合梯度算子与局部方差自适应抑噪，所用公式为：；；；；；其中，是四方向梯度能量的平方，捕捉病斑纹理方向；是第k层细节；是增益因子；和分别是最小增益因子和最大增益因子；是梯度方差度量值；是梯度综合度量值；是局部方差度量值；是敏感度系数；是局部方差；是平滑项；是第k层斑点纹理放大后的图像；是第k层细节图像。
5.根据权利要求4所述的基于大数据的茶园病虫害预测方法，其特征在于：在步骤s2中，所述特征融合是对于斑点纹理放大后图像，用熵衡量各层信息量，自适应分配融合权重，得到最终特征图；所用公式为：；；其中，h(·)是谱熵算子，衡量层中病斑分布不确定度；通过融合特征自动平衡不同尺度病害信息；是最终特征图；和分别是第0层和第1层斑点纹理放大后的图像；、和是细节图像融合权重；是尺度系数。
6.根据权利要求5所述的基于大数据的茶园病虫害预测方法，其特征在于：在步骤s3中，所述建立茶园病虫害预测模型是基于初始茶园图像集的最终特征图，建立茶园病虫害预测模型，具体包括以下内容：
7.根据权利要求6所述的基于大数据的茶园病虫害预测方法，其特...
【专利技术属性】
技术研发人员：李天凤，靳明兵，
申请(专利权)人：随州盛发生态农业科技有限公司，
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。