一种基于农药抗性监测的农药施用方法、系统及可读存储介质

技术领域

本发明涉及一种农药施用方法，更具体的，涉及一种基于农药抗性监测的农药施用方法、系统和可读存储介质。

背景技术

病虫害是影响作物产量的直接因素，是世界各国的主要农业灾害之一。大规模的病虫害会给农业生产和国民经济造成巨大损失。据联合国粮农组织统计，世界粮食产量因病虫害造成的损失占粮食总产量的20％以上,在治理病虫害过程中,如果不注意控制农药使用的剂量,很容易造成环境的破坏和污染或防治效果不佳等现象,在种植活动中,为了保证其最终不会在人体中残留并实现病虫害的科学防治,在使用过程中应当合理控制使用剂量,在保证农作物最终产量和对环境的保护下进行农药的使用。

为了能够使农药施用更加智能、高效，需要开发一款智慧农药施用系统进行实现，该农药施用系统通过获取目标区域内农作物图像信息，导入神经网络模型，通过所述神经网络模型识别病虫害结合大数据确定农药配比浓度，并进行施用，经过预设时间后对目标区域内受虫害农作物信息进行采集，根据所述受虫害农作物信息分析计算农作物病情指数、农药防治效果指数，生成农药抗性信息，通过生成的农药抗性信息进行农药配比浓度调整，以达到高效防治病虫害的目的，在智慧农药施用系统的实现过程中，如何根据受虫害农作物信息分析计算农作物病情指数、农药防治效果指数，如何通过农药抗性信息进行农药的配比浓度调整都是亟不可待的需要解决的问题。

发明内容

为了解决上述至少一个技术问题，本发明提出了一种基于农药抗性监测的农药施用方法、系统和可读存储介质。

本发明第一方面提供了一种基于农药抗性监测的农药施用方法，包括：

获取目标区域内农作物图像信息；

建立神经网络模型，进行初始化学习；

通过所述神经网络模型识别病虫害结合大数据确定农药配比浓度，并进行施用；

经过预设时间后对目标区域内受虫害农作物信息进行采集；

根据所述受虫害农作物信息计算生成农作物病情指数和农药防治效果指数；

通过所述的农药防治效果指数分析生成农药抗性信息，根据所述农药抗性信息对农药配比浓度进行调整。

本方案中，根据所述受虫害农作物信息计算生成农作物病情指数和农药防治效果指数，具体为：

获取施药后目标区域内农作物图像信息；

将所述农作物图像信息经过预处理后导入所述神经网络模型；

所述神经网络模型识别受病虫害农作物，并统计受虫害农作物数量；

根据施用农药后实际受虫害农作物数量信息与预设数量信息进行比较，得到偏差率；

判断所述偏差率是否大于预设偏差率；

若大于，根据所述受虫害农作物图像信息计算生成农作物病情指数和农药防治效果指数。

本方案中，所述的通过农作物病情指数和农药防治效果指数分析生成农药抗性信息，根据所述农药抗性信息对农药配比浓度进行调整，具体为：

获取受虫害农作物图像信息；

将所述受虫害农作物图像信息进行逐帧预处理，提取叶片或果实病斑区域所占面积；

根据所述病斑区域所占面积计算得到农作物病情指数；

根据所述农作物病情指数计算得到农药防治效果指数，通过所述农药防治效果指数分析得到农药抗性信息；

根据所述的农药抗性信息对农药配比浓度进行调整。

本方案中，所述的根据病斑区域所占面积计算得到农作物病情指数，具体为根据受虫害农作物的病斑区域所占面积进行分级，分级后的农作物匹配各级指数，其中所述农作物病情指数计算公式具体为：

其中，β表示所求农作物病情指数，b表示各级受虫害农作物数量，λ表示受虫害农作物分级后的各级指数，n表示目标区域内农作物总数量。

本方案中，根据所述农作物病情指数计算得到农药防治效果指数,所述农药防治效果指数计算公式具体为：

其中，f表示所求农药防治效果指数，β

本方案中，还包括：

通过所述的农药防治效果指数分析生成农药抗性信息；

根据所述农药抗性信息与预设抗性信息进行比较，得到偏差率；

判断所述偏差率是否大于预设偏差率；

若大于，则所述农药抗性信息结合所述农作物病情指数生成浓度调整信息，通过所述浓度调整信息对农药配比浓度进行调整。

本发明第二方面还提供了一种基于农药抗性监测的农药施用系统，该系统包括：存储器、处理器，所述存储器中包括基于农药抗性监测的农药施用方法程序，所述基于农药抗性监测的农药施用的方法程序被所述处理器执行时实现如下步骤：

获取目标区域内农作物图像信息；

建立神经网络模型，进行初始化学习；

通过所述神经网络模型识别病虫害结合大数据确定农药配比浓度，并进行施用；

经过预设时间后对目标区域内受虫害农作物信息进行采集；

根据所述受虫害农作物信息计算生成农作物病情指数和农药防治效果指数；

通过所述的农药防治效果指数分析生成农药抗性信息，根据所述农药抗性信息对农药配比浓度进行调整。

本方案中，根据所述受虫害农作物信息计算生成农作物病情指数和农药防治效果指数，具体为：

获取施药后目标区域内农作物图像信息；

将所述农作物图像信息经过预处理后导入所述神经网络模型；

所述神经网络模型识别受病虫害农作物，并统计受虫害农作物数量；

根据施用农药后实际受虫害农作物数量信息与预设数量信息进行比较，得到偏差率；

判断所述偏差率是否大于预设偏差率；

若大于，根据所述受虫害农作物图像信息计算生成农作物病情指数和农药防治效果指数。

本方案中，所述的通过农作物病情指数和农药防治效果指数分析生成农药抗性信息，根据所述农药抗性信息对农药配比浓度进行调整，具体为：

获取受虫害农作物图像信息；

将所述受虫害农作物图像信息进行逐帧预处理，提取叶片或果实病斑区域所占面积；

根据所述病斑区域所占面积计算得到农作物病情指数；

根据所述农作物病情指数计算得到农药防治效果指数，通过所述农药防治效果指数分析得到农药抗性信息；

根据所述的农药抗性信息对农药配比浓度进行调整。

本方案中，所述的根据病斑区域所占面积计算得到农作物病情指数，具体为根据受虫害农作物的病斑区域所占面积进行分级，分级后的农作物匹配各级指数，其中所述农作物病情指数计算公式具体为：

其中，β表示所求农作物病情指数，b表示各级受虫害农作物数量，λ表示受虫害农作物分级后的各级指数，n表示目标区域内农作物总数量。

本方案中，根据所述农作物病情指数计算得到农药防治效果指数,所述农药防治效果指数计算公式具体为：

其中，f表示所求农药防治效果指数，β

本方案中，还包括：

通过所述的农药防治效果指数分析生成农药抗性信息；

根据所述农药抗性信息与预设抗性信息进行比较，得到偏差率；

判断所述偏差率是否大于预设偏差率；

若大于，则所述农药抗性信息结合所述农作物病情指数生成浓度调整信息，通过所述浓度调整信息对农药配比浓度进行调整。

本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于农药抗性监测的农药施用方法程序，所述基于农药抗性监测的农药施用方法程序被处理器执行时，实现如上述任一项所述的基于农药抗性监测的农药施用方法的步骤。

本发明公开的一种基于农药抗性监测的农药施用方法、系统及可读存储介质，获取目标区域内农作物图像信息；建立进行病虫害识别的神经网络模型，将所述的神经网络模型进行训练；将所述的目标区域内农作物图像信息导入所述神经网络模型，根据所述神经网络模型的输出结果结合大数据系统进行农药配比并进行喷洒，施用农药后，经过预设时间后对目标区域内受虫害农作物数量信息进行采集，根据施用农药后实际受虫害农作物数量信息与预设受数量信息进行比较，得到偏差率；判断所述偏差率是否大于预设偏差率；若大于，则通过分析计算得到农作物病情指数、农药防治效果指数，生成虫害农药抗性信息，根据所述虫害农药抗性信息对农药配比浓度进行调整，实现对农作物病虫害的科学防治。

附图说明

图1示出了本发明一种基于农药抗性监测的农药施用方法的流程图；

图2示出了本发明根据受虫害农作物信息分析农药抗性的方法流程图；

图3示出了本发明根据农药抗性信息对农药配比浓度进行调整方法流程图；

图4示出了本发明一种基于农药抗性监测的农药施用系统的框图。

具体实施方法

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

图1示出了本发明一种基于农药抗性监测的农药施用方法的流程图。

如图1所示，本发明第一方面提供了一种基于农药抗性监测的农药施用方法，包括：

S102，获取目标区域内农作物图像信息；

S104，建立神经网络模型，进行初始化学习；

S106，通过所述神经网络模型识别病虫害结合大数据确定农药配比浓度，并进行施用；

S108，经过预设时间后对目标区域内受虫害农作物信息进行采集；

S110，根据所述受虫害农作物信息计算生成农作物病情指数和农药防治效果指数；

S112，通过所述的农药防治效果指数分析生成农药抗性信息，根据所述农药抗性信息对农药配比浓度进行调整。

需要说明的是，所述的通过神经网络模型识别病虫害结合大数据确定农药配比浓度，并进行施用，具体为：将获取到的目标区域内农作物帧图像信息进行预处理，预处理包括图像滤波、图像分割、特征提取等，将经过与处理的农作物帧图像信息导入训练好的神经网络模型中，神经网络模型通过分析判断识别农作物受病虫害种类，根据神经网络模型的输出结果结合大数据知识系统确定农药配比浓度，其中大数据知识系统由病虫害数据库、病虫害历史防治方案、农药用途数据库组成。

需要说明的是，所述的建立神经网络模型，进行初始化学习，具体为：使用农作物病虫害相关数据或导入病虫害数据库获取原始数据，将获取的数据通过预处理分组成训练集，将不同组训练集导入神经网络模型中进行充分学习，计算不同组训练集的初始学习率，根据初始学习率进行神经网络模型的调整，多次学习后生成不同组的输出结果，将所述的不同组训练集的输出结果进行比较，得到输出结果偏差率，判断输出结果偏差率是否小于预设输出结果偏差率阈值，若小于，神经网络模型训练结束。

图2示出了本发明根据受虫害农作物信息分析农药抗性的方法流程图；

根据本发明实施例，根据所述受虫害农作物信息计算生成农作物病情指数和农药防治效果指数，具体为：

S202，获取施药后目标区域内农作物图像信息；

S204，将所述农作物图像信息经过预处理后导入所述神经网络模型；

S206，所述神经网络模型识别受病虫害农作物，并统计受虫害农作物数量；

S208，根据施用农药后实际受虫害农作物数量信息与预设数量信息进行比较，得到偏差率；

S210，判断所述偏差率是否大于预设偏差率；

S212，若大于，根据所述受虫害农作物图像信息计算生成农作物病情指数和农药防治效果指数。

需要说明的是，获取施药后目标区域内农作物图像信息，将图像信息进行预处理并通过基于边缘的监测算法后滤去背景图像，通过图像分割算法提取农作物的叶片、果实帧图像数据信息，运用神经网络模型对提取出的帧图像数据信息进行识别判断，当叶片或果实出现病斑则将此农作物识别为受虫害农作物，并根据受虫害农作物的病斑区域所占面积进行分级。

图3示出了本发明根据农药抗性信息对农药配比浓度进行调整方法流程图。

根据本发明实施例，所述的通过农作物病情指数和农药防治效果指数分析生成农药抗性信息，根据农药抗性信息对农药配比浓度进行调整，具体为：

S302，获取受虫害农作物图像信息；

S304，将所述受虫害农作物图像信息进行逐帧预处理，提取叶片或果实病斑区域所占面积；

S306，根据所述病斑区域所占面积计算得到农作物病情指数；

S308，根据所述农作物病情指数计算得到农药防治效果指数，通过所述农药防治效果指数分析得到农药抗性信息；

S310，根据所述的农药抗性信息对农药配比浓度进行调整。

需要说明的是，所述的根据病斑区域所占面积计算得到农作物病情指数，具体为根据受虫害农作物的病斑区域所占面积进行分级，分级后的农作物匹配各级指数，其中所述农作物病情指数计算公式具体为：

其中，β表示所求农作物病情指数，b表示各级受虫害农作物数量，λ表示受虫害农作物分级后的各级指数，n表示目标区域内农作物总数量。

需要说明的是，根据所述农作物病情指数计算得到农药防治效果指数,所述农药防治效果指数计算公式具体为：

其中，f表示所求农药防治效果指数，β

根据本发明实施例，还包括：

通过所述的农药防治效果指数分析生成农药抗性信息；

根据所述农药抗性信息与预设抗性信息进行比较，得到偏差率；

判断所述偏差率是否大于预设偏差率；

若大于，则所述农药抗性信息结合所述农作物病情指数生成浓度调整信息，通过所述浓度调整信息对农药配比浓度进行调整。

需要说明的是，通过将所述的农药防治效果指数进行分析，对多次计算所得的农药防治效果指数进行筛选整理得到有效采集值，并对有效采集值进行均值处理，得到的农药防治效果指数均值通过相关计算生成农药抗性信息，农药抗性信息结合农作物病情指数生成浓度调整信息，通过浓度调整信息对农药配比浓度进行调整，进一步的，若目标区域内农作物出现多种虫害，根据目标区域内受虫害农作物的图像信息分析计算得到施用农药后各病虫害对应的农药防治效果指数，通过得到的各病虫害对应的农药防治效果指数，确定病虫害联合防治时各农药的合理配比。

图4示出了本发明一种基于农药抗性监测的农药施用系统的框图。

本发明第二方面还提供了一种基于农药抗性监测的农药施用系统4，该系统包括：存储器41、处理器42，所述存储器中包括基于农药抗性监测的农药施用方法程序，所述基于农药抗性监测的农药施用的方法程序被所述处理器执行时实现如下步骤：

获取目标区域内农作物图像信息；

建立神经网络模型，进行初始化学习；

通过所述神经网络模型识别病虫害结合大数据确定农药配比浓度，并进行施用；

经过预设时间后对目标区域内受虫害农作物信息进行采集；

根据所述受虫害农作物信息计算生成农作物病情指数和农药防治效果指数；

通过所述的农药防治效果指数分析生成农药抗性信息，根据所述农药抗性信息对农药配比浓度进行调整。

需要说明的是，所述的通过神经网络模型识别病虫害结合大数据确定农药配比浓度，并进行施用，具体为：将获取到的目标区域内农作物帧图像信息进行预处理，预处理包括图像滤波、图像分割、特征提取等，将经过与处理的农作物帧图像信息导入训练好的神经网络模型中，神经网络模型通过分析判断识别农作物受病虫害种类，根据神经网络模型的输出结果结合大数据知识系统确定农药配比浓度，其中大数据知识系统由病虫害数据库、病虫害历史防治方案、农药用途数据库组成。

需要说明的是，所述的建立神经网络模型，进行初始化学习，具体为：使用农作物病虫害相关数据或导入病虫害数据库获取原始数据，将获取的数据通过预处理分组成训练集，将不同组训练集导入神经网络模型中进行充分学习，计算不同组训练集的初始学习率，根据初始学习率进行神经网络模型的调整，多次学习后生成不同组的输出结果，将所述的不同组训练集的输出结果进行比较，得到输出结果偏差率，判断输出结果偏差率是否小于预设输出结果偏差率阈值，若小于，神经网络模型训练结束。

根据本发明实施例，所述的根据受虫害农作物信息分析农药抗性，具体为：

获取施药后目标区域内农作物图像信息；

所述农作物图像信息经过预处理后导入所述神经网络模型；

所述神经网络模型识别受病虫害农作物，并统计受虫害农作物数量；

根据施用农药后实际受虫害农作物数量信息与预设数量信息进行比较，得到偏差率；

判断所述偏差率是否大于预设偏差率；

若大于，根据所述受虫害农作物图像信息计算生成农作物病情指数和农药防治效果指数。

需要说明的是，获取施药后目标区域内农作物图像信息，将图像信息进行预处理并通过基于边缘的监测算法后滤去背景图像，通过图像分割算法提取农作物的叶片、果实帧图像数据信息，运用神经网络模型对提取出的帧图像数据信息进行识别判断，当叶片或果实出现病斑则将此农作物识别为受虫害农作物，并根据受虫害农作物的病斑区域所占面积进行分级。

根据本发明实施例，所述的通过农作物病情指数和农药防治效果指数分析生成农药抗性信息，根据农药抗性信息对农药配比浓度进行调整，具体为：

获取受虫害农作物图像信息；

将所述受虫害农作物图像信息进行逐帧预处理，提取叶片或果实病斑区域所占面积；

根据所述病斑区域所占面积计算得到农作物病情指数；

根据所述农作物病情指数计算得到农药防治效果指数，通过所述农药防治效果指数分析得到农药抗性信息；

根据所述的农药抗性信息对农药配比浓度进行调整。

本方案中，所述的根据病斑区域所占面积计算得到农作物病情指数，具体为根据受虫害农作物的病斑区域所占面积进行分级，分级后的农作物匹配各级指数，其中所述农作物病情指数计算公式具体为：

其中，β表示所求农作物病情指数，b表示各级受虫害农作物数量，λ表示受虫害农作物分级后的各级指数，n表示目标区域内农作物总数量。

本方案中，根据所述农作物病情指数计算得到农药防治效果指数,所述农药防治效果指数计算公式具体为：

其中，f表示所求农药防治效果指数，β

根据本发明实施例，还包括：

通过所述的农药防治效果指数分析生成农药抗性信息；

根据所述农药抗性信息与预设抗性信息进行比较，得到偏差率；

判断所述偏差率是否大于预设偏差率；

若大于，则所述农药抗性信息结合所述农作物病情指数生成浓度调整信息，通过所述浓度调整信息对农药配比浓度进行调整。

需要说明的是，通过将所述的农药防治效果指数进行分析，对多次计算所得的农药防治效果指数进行筛选整理得到有效采集值，并对有效采集值进行均值处理，得到的农药防治效果指数均值通过相关计算生成农药抗性信息，农药抗性信息结合农作物病情指数生成浓度调整信息，通过浓度调整信息对农药配比浓度进行调整，进一步的，若目标区域内农作物出现多种虫害，根据目标区域内受虫害农作物的图像信息分析计算得到施用农药后各病虫害对应的农药防治效果指数，通过得到的各病虫害对应的农药防治效果指数，确定病虫害联合防治时各农药的合理配比。

本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于农药抗性监测的农药施用方法程序，所述基于农药抗性监测的农药施用方法程序被处理器执行时，实现如上述任一项所述的基于农药抗性监测的农药施用方法的步骤。

本发明公开的一种基于农药抗性监测的农药施用方法、系统及可读存储介质，获取目标区域内农作物图像信息；建立进行病虫害识别的神经网络模型，将所述的神经网络模型进行训练；将所述的目标区域内农作物图像信息导入所述神经网络模型，根据所述神经网络模型的输出结果结合大数据系统进行农药配比并进行喷洒，施用农药后，经过预设时间后对目标区域内受虫害农作物数量信息进行采集，根据施用农药后实际受虫害农作物数量信息与预设受数量信息进行比较，得到偏差率；判断所述偏差率是否大于预设偏差率；若大于，则通过分析计算得到农作物病情指数、农药防治效果指数，生成虫害农药抗性信息，根据所述虫害农药抗性信息对农药配比浓度进行调整，实现对农作物病虫害的科学防治。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。