基于人工智能的农业病虫害识别方法

技术领域

本申请涉及智能化病虫害识别技术领域，并且更具体地，涉及一种基于人工智能的农业病虫害识别方法。

背景技术

农作物在生长过程中若受到病菌和害虫的侵害，可能会导致植物生长受限、产量减少甚至死亡。这些病虫害对农作物的生长和发育造成了严重的威胁，给农业生产带来了巨大的经济损失。

对于农业病虫害识别，传统的人工检测方法通常依赖于专业的农业技术人员进行目视观察和分析，这种方法存在一些问题。

首先，由于病虫害种类繁多，识别和分类需要丰富的经验和专业知识，对技术人员的要求较高。其次，人工检测和识别方法通常耗时较长，特别是在大规模农田中进行检测时，效率低下。此外，由于人为主观性的影响，识别结果常常不够准确和一致。

因此，期待一种优化的农业病虫害识别方法。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于人工智能的农业病虫害识别方法，其获取农作物受感染部位图像；对所述农作物受感染部位图像进行图像特征提取以得到感染部位多尺度多阶次特征矩阵；以及，基于所述感染部位多尺度多阶次特征矩阵，确定病虫害的类型。这样，可以基于农作物受感染部位图像来进行分析以智能化地判断病虫害类型。

第一方面，提供了一种基于人工智能的农业病虫害识别方法，其包括：

获取农作物受感染部位图像；

以及对所述农作物受感染部位图像进行图像特征提取以得到感染部位多尺度多阶次特征矩阵；

基于所述感染部位多尺度多阶次特征矩阵，确定病虫害的类型。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为根据本申请实施例的基于人工智能的农业病虫害识别方法的流程图。

图2为根据本申请实施例的基于人工智能的农业病虫害识别方法的架构示意图。

图3为根据本申请实施例的基于人工智能的农业病虫害识别方法中步骤120的子步骤的流程图。

图4为根据本申请实施例的基于人工智能的农业病虫害识别系统的框图。

图5为根据本申请实施例的基于人工智能的农业病虫害识别方法的场景示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。

在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

需要说明的是，本申请实施例所涉及的术语“第一第二第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一第二第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一第二第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。

农作物是指人类为了满足食物、饲料、纤维等需求而种植的植物。农作物是农业生产的重要组成部分，对人类的生活和经济发展起着至关重要的作用。常见的农作物包括：稻谷，稻谷是世界上最重要的粮食作物之一，主要用于食物消费。小麦，小麦是世界上最重要的粮食作物之一，主要用于面粉和面包的生产。玉米，玉米是一种重要的粮食和饲料作物，也被用于工业原料的生产。大豆是一种重要的蛋白质来源，主要用于食品加工和饲料。棉花，棉花是一种重要的纤维作物，用于纺织和制造纺织品。蔬菜，蔬菜包括各种叶菜、根茎类蔬菜和豆类蔬菜等。蔬菜是人们日常饮食中不可或缺的一部分，提供丰富的维生素和矿物质。水果，水果包括各种水果树的果实，如苹果、橙子、香蕉、草莓等。水果富含营养，是人们健康饮食的重要组成部分。

这只是一小部分常见的农作物，实际上还有很多其他种类的农作物。农作物的种植和管理需要农民采取合适的农业技术和措施，以确保良好的产量和质量。同时，农作物的种植也需要考虑土壤、气候和水资源等因素。农作物的种植对于食品安全、农村经济和环境可持续发展都具有重要意义。

应可以理解，农作物在生长过程中常常会受到病菌和害虫的侵害，这会对作物的生长和产量造成严重的影响。病菌可以引起作物的病害，如真菌感染导致的霉菌病、细菌感染导致的叶斑病等。害虫则会以作物为食物，如蚜虫、螨虫、飞虱等，它们吸取作物的汁液或者啃食作物的叶片、茎干等部分，导致作物生长不良甚至死亡。

农作物受到病菌和害虫的侵害会导致以下害处：1.降低产量，病菌和害虫会破坏农作物的叶片、茎干、根系等部分，影响光合作用和营养吸收，从而导致作物生长不良和产量下降。2.质量下降，病虫害会导致农作物受到机械性损伤、营养不良等问题，从而影响农作物的品质和口感。3.传播疾病，某些病菌和害虫本身就是携带病原体的媒介，它们可以传播疾病到健康的农作物中，导致疾病在农田中的蔓延。4.经济损失，病虫害的侵害会导致农民的经济损失，因为作物产量下降和质量下降会直接影响农民的收入。5.环境问题，为了控制病虫害，农民可能会大量使用农药，这可能导致农田土壤和水源的污染，对生态环境造成负面影响。

因此，及时发现和处理农作物的病虫害问题，采取相应的防治措施，对于保护农作物的生长和农民的经济利益非常重要。为了及时发现和处理农作物的病虫害问题，农民通常需要进行定期的巡视和观察。但是，由于病虫害类型繁多且相似，人工识别往往存在主观性，且耗时耗力，因此，利用图像处理和机器学习技术进行病虫害类型判断成为一种高效且准确的方法。

进一步地，传统的人工识别方式需要农民花费大量的时间和精力进行观察和判断，而基于人工智能的方法可以实现快速自动化的识别，大大提高了识别的效率。人工识别病虫害存在主观性和误判的可能性，而基于人工智能的方法可以通过大量的数据和训练，提高识别的准确性和可靠性。基于人工智能的病虫害识别系统可以实时监测农田中的作物情况，及时发现病虫害的存在，并进行预警和预防措施，帮助农民及时采取措施保护作物。病虫害对作物的侵害可能导致严重的经济损失，基于人工智能的识别系统可以及时发现病虫害，帮助农民采取针对性的防治措施，降低经济损失和农药的使用成本。

基于人工智能的农业病虫害识别具有提高效率、准确性和降低成本的优势，对于农业生产的可持续发展和农民的收益都具有重要意义。

图1为根据本申请实施例的基于人工智能的农业病虫害识别方法的流程图。图2为根据本申请实施例的基于人工智能的农业病虫害识别方法的架构示意图。如图1和图2所示，所述基于人工智能的农业病虫害识别方法，包括：110，获取农作物受感染部位图像；120，对所述农作物受感染部位图像进行图像特征提取以得到感染部位多尺度多阶次特征矩阵；以及，130，基于所述感染部位多尺度多阶次特征矩阵，确定病虫害的类型。

其中，在所述步骤110中，通过采集农田中农作物受感染部位的图像，可以建立一个丰富的图像数据集，这些图像数据将用于训练和测试病虫害识别模型。

在所述步骤120中，图像处理技术被应用于提取感染部位的特征。这些特征可以包括纹理、颜色、形状等。通过提取多尺度多阶次的特征，可以捕捉到感染部位的细节和变化，提高识别的准确性。

在所述步骤130中，机器学习算法被应用于训练一个分类模型。该模型可以根据感染部位的特征矩阵来判断病虫害的类型。通过训练大量的图像数据，模型可以学习到不同病虫害类型的特征模式，从而实现准确的分类。

通过利用大量的图像数据和机器学习算法，该方法可以实现高准确性的病虫害识别。相比传统的人工识别方法，可以减少主观性误判。自动化的病虫害识别方法可以快速处理大量的图像数据，从而提高识别效率，对于大规模农田和快速反应病虫害的控制非常重要。相比人工识别方法，基于人工智能的识别方法可以减少人力和时间成本，这对于农民和农业生产者来说是非常有益的。通过及时准确地识别病虫害，农民可以采取相应的防治措施，减少农作物损失和环境污染，从而促进农业的可持续发展。

基于人工智能的农业病虫害识别方法具有提高准确性、效率和可持续发展的益处，对农业生产和农民的收益具有重要意义。

具体地，在所述步骤110中，获取农作物受感染部位图像。针对上述技术问题，本申请的技术构思是：基于农作物受感染部位图像来进行分析以智能化地判断病虫害类型。

应可以理解，农作物受到病虫害的侵扰通常会在图像中体现出来。病虫害对农作物的影响可以导致叶片变色、叶片凋落、病斑、腐烂等症状，这些症状通常可以通过图像进行观察和分析。例如，某些病害可能导致叶片出现不同颜色的斑点或斑块，这些变色区域在图像中呈现出明显的色彩差异。另外，某些病虫害可能导致植物组织的形态变化，如叶片的形状、边缘的变异等，这些变化也可以通过图像进行检测和分析。通过对农作物受感染部位的图像进行分析，可以提取出这些病虫害导致的特征，以判断病虫害的类型。

具体地，在本申请的技术方案中，首先，获取农作物受感染部位图像，农作物受感染部位图像可以提取到许多有用的信息，例如：病斑形状和大小，通过观察病斑的形状和大小，可以初步判断病虫害的类型。不同的病虫害可能导致不同形状和大小的病斑，例如圆形、椭圆形、不规则形状等。

病斑颜色：病斑的颜色也是识别病虫害类型的重要指标。不同的病虫害可能导致不同颜色的病斑，例如黄色、褐色、黑色等。

病斑分布和扩散情况：观察病斑的分布和扩散情况可以提供有关病虫害的传播方式和速度的线索。例如，某些病虫害可能会呈现出局部扩散或全面蔓延的特征。

叶片纹理和形态变化：病虫害的感染通常会导致叶片纹理和形态的变化。通过观察叶片的纹理和形态变化，可以进一步了解病虫害的类型。

虫害的痕迹：对于虫害，农作物受感染部位图像可能会显示虫害的痕迹，如虫孔、虫粪等。这些痕迹可以帮助确定虫害的类型。

通过综合分析上述信息，结合专家知识和经验，可以最终确定农作物受感染的病虫害类型。这有助于采取相应的防治措施，保护农作物的健康和增加农业产量。

进一步地，获取农作物受感染部位图像对最后确定病虫害的类型具有重要作用。农作物受感染部位图像可以提供直观的信息，帮助农业专家或农民观察和理解病虫害的症状和表现。通过观察图像，他们可以识别出受感染的部位、病斑的颜色、形状和分布等特征，从而对病虫害类型进行初步判断。

基于农作物受感染部位图像，可以进行特征提取的工作。特征提取是指从图像中提取出代表病虫害特征的关键信息。这些特征可以包括颜色、纹理、形状、大小等方面的特征。通过提取这些特征，可以构建特征矩阵，用于后续的病虫害类型分类和识别。

基于农作物受感染部位图像提取的特征矩阵，可以使用机器学习或深度学习等方法进行病虫害类型的分类和识别。通过训练模型，可以将不同的特征矩阵与已知的病虫害类型进行匹配，从而确定当前农作物受感染的病虫害类型。

获取农作物受感染部位图像可以为农业专家和农民提供直观信息，并通过特征提取和病虫害类型分类和识别的方法，帮助确定农作物的病虫害类型。这有助于及早采取相应的防治措施，保护农作物的健康和增加农业产量。

具体地，在所述步骤120中，对所述农作物受感染部位图像进行图像特征提取以得到感染部位多尺度多阶次特征矩阵。图3为根据本申请实施例的基于人工智能的农业病虫害识别方法中步骤120的子步骤的流程图，如图3所示，对所述农作物受感染部位图像进行图像特征提取以得到感染部位多尺度多阶次特征矩阵，包括：121，计算所述农作物受感染部位图像的感染部位方向梯度直方图；以及，122，基于所述感染部位方向梯度直方图的浅层特征信息，增强所述感染部位方向梯度直方图的信息表达以得到所述感染部位多尺度多阶次特征矩阵。

其中，首先，感染部位方向梯度直方图（Directional Gradient Histogram）是一种常见的特征提取方法。它通过计算图像中每个像素点的梯度方向，并统计不同梯度方向的像素数量，得到一个直方图。这个直方图可以反映感染部位的纹理和形状特征，有助于区分不同类型的病虫害。

然后，在基于感染部位方向梯度直方图的基础上，可以进一步提取浅层特征信息，以增强感染部位方向梯度直方图的信息表达能力。这些浅层特征可以包括颜色特征、纹理特征、形状特征等。通过综合考虑这些特征，可以得到更加准确和全面的感染部位特征矩阵。

这种多尺度多阶次特征矩阵可以提高病虫害识别的准确性和鲁棒性，因为它可以捕捉到感染部位的不同层次的特征信息。同时，通过增强信息表达，可以更好地区分不同类型的病虫害，提高识别的精度。

这种方法的应用可以帮助农民和农业专家及时发现和识别农作物的病虫害问题，采取相应的防治措施，减少损失并提高农作物产量。此外，这种方法还可以降低人工识别的成本和工作量，提高识别的效率，为农业的可持续发展提供支持。

并计算所述农作物受感染部位图像的感染部位方向梯度直方图。接着，基于所述感染部位方向梯度直方图的浅层特征信息，增强所述感染部位方向梯度直方图的信息表达以得到所述感染部位多尺度多阶次特征矩阵。

其中，梯度直方图是一种用于描述图像中局部梯度分布的特征表示方法。在计算农作物受感染部位图像的感染部位方向梯度直方图时，可以按照以下步骤进行：首先，对农作物受感染部位图像进行预处理，包括图像的灰度化、平滑化和边缘检测等操作，以便更好地获取梯度信息。然后，通过应用梯度算子（如Sobel、Prewitt等）计算图像中每个像素点的梯度值和方向。梯度值表示像素点的变化强度，梯度方向表示变化的方向。接着，将梯度方向划分为若干个区间，通常是0度到360度之间均匀划分。可以选择划分为8个或16个方向区间，具体根据应用需求而定。最后，对于每个像素点，根据其梯度方向，将其投影到对应的方向区间中，并进行统计。最终得到一个表示图像中梯度分布的直方图。

梯度直方图可以用于描述图像中的纹理、边缘和形状等信息。在农作物病虫害识别中，通过计算受感染部位图像的梯度直方图，可以提取感染部位的纹理和形状特征，从而帮助确定病虫害类型。这种特征表示方法可以提高病虫害识别的准确性和鲁棒性。

在本申请的一个实施例中，基于所述感染部位方向梯度直方图的浅层特征信息，增强所述感染部位方向梯度直方图的信息表达以得到所述感染部位多尺度多阶次特征矩阵，包括：提取所述感染部位方向梯度直方图的浅层特征信息以得到感染部位多尺度浅层特征矩阵；以及，使用残差思想来融合所述感染部位方向梯度直方图和所述感染部位多尺度浅层特征矩阵以得到所述感染部位多尺度多阶次特征矩阵。

其中，提取所述感染部位方向梯度直方图的浅层特征信息以得到感染部位多尺度浅层特征矩阵，包括：将所述感染部位方向梯度直方图通过包含第一卷积层和和第二卷积层的图像浅层多尺度特征提取器以得到所述感染部位多尺度浅层特征矩阵。

在本申请的一个具体示例中，基于所述感染部位方向梯度直方图的浅层特征信息，增强所述感染部位方向梯度直方图的信息表达以得到所述感染部位多尺度多阶次特征矩阵的编码过程，包括：先将所述感染部位方向梯度直方图通过包含第一卷积层和和第二卷积层的图像浅层多尺度特征提取器以得到感染部位多尺度浅层特征矩阵；再使用残差思想来融合所述感染部位方向梯度直方图和所述感染部位多尺度浅层特征矩阵以得到感染部位多尺度多阶次特征矩阵。

在本申请中，感染部位方向梯度直方图和多尺度浅层特征矩阵分别捕捉了不同层次和尺度上的信息，通过融合这两种特征矩阵，可以综合利用它们的优势，提高病虫害的识别准确性。感染部位方向梯度直方图和多尺度浅层特征矩阵的融合可以减少特征维度，降低计算复杂度，从而提高识别的效率。

残差思想可以有效地学习到特征之间的差异和关联性，通过在感染部位方向梯度直方图和多尺度浅层特征矩阵之间建立残差连接，可以增强特征的表达能力，提取更具判别性的特征信息。用残差思想融合感染部位方向梯度直方图和感染部位多尺度浅层特征矩阵可以带来多种益处和效果，有助于提高农业病虫害识别的准确性、效率和可持续发展。

基于人工智能的农业病虫害识别方法可以减少对人工专家的依赖，降低人力成本。同时，通过提高识别准确性和效率，可以减少病虫害对农作物的损失，降低经济成本。

其中，感染部位方向梯度直方图通过包含第一卷积层和第二卷积层的图像浅层多尺度特征提取器，可以得到感染部位多尺度浅层特征矩阵。图像浅层多尺度特征提取器是一种卷积神经网络（Convolutional Neural Network，CNN），它可以从输入的图像中提取出具有不同尺度和层次的特征。

第一卷积层是特征提取器的第一层，使用一组卷积核对输入图像进行卷积操作，提取出图像的局部特征。这些卷积核可以捕捉到图像中的边缘、纹理等低级特征。第二卷积层是特征提取器的第二层，进一步提取图像的高级特征。第二卷积层的卷积核可以捕捉到更加抽象和复杂的特征，例如形状、颜色等。

通过这两个卷积层的操作，感染部位方向梯度直方图可以被转换为感染部位多尺度浅层特征矩阵，感染部位多尺度浅层特征矩阵包含了不同尺度和层次的特征信息，可以更好地描述感染部位的特征，为后续的特征融合提供更丰富的信息。

进一步地，残差思想（Residual Learning）是一种在深度神经网络中用于解决梯度消失和网络退化问题的方法，通过引入跳跃连接（skip connection）来增强网络的信息传递和特征学习能力。

在融合感染部位方向梯度直方图和感染部位多尺度浅层特征矩阵的过程中，可以采用残差思想。具体而言，将感染部位方向梯度直方图与感染部位多尺度浅层特征矩阵进行相加操作，得到残差特征。残差特征表示了两者之间的差异，即感染部位多尺度浅层特征矩阵相对于感染部位方向梯度直方图的补充信息。然后，将残差特征与原始感染部位多尺度浅层特征矩阵相加，得到感染部位多尺度多阶次特征矩阵。

通过引入残差思想，可以增强感染部位多尺度多阶次特征矩阵的信息表达能力，提高病虫害识别的准确性和效果。这种方法能够更好地利用感染部位方向梯度直方图和浅层特征矩阵之间的关系，从而提高农作物病虫害的识别性能。

具体地，在所述步骤130中，基于所述感染部位多尺度多阶次特征矩阵，确定病虫害的类型。包括：对所述感染部位多尺度多阶次特征矩阵展开后得到的感染部位多尺度多阶次特征向量进行特征分布优化以得到优化感染部位多尺度多阶次特征向量；以及，将所述优化感染部位多尺度多阶次特征向量通过分类器以得到分类结果，所述分类结果用于表示病虫害的类型标签。

通过对所述感染部位多尺度多阶次特征矩阵展开后得到的感染部位多尺度多阶次特征向量进行特征分布优化，可以提取出更加鲁棒和判别性的特征表示，有助于区分不同病虫害类型之间的差异，从而提高分类准确性。

特征分布优化可以进一步增强感染部位多尺度多阶次特征向量的表达能力。通过优化特征分布，可以突出病虫害相关的特征信息，抑制无关信息的干扰，提高特征的区分度和表达效果。

通过将优化感染部位多尺度多阶次特征向量输入分类器，可以实现对不同病虫害类型的分类。分类器可以学习到不同病虫害类型之间的区别和规律，从而将输入的特征矩阵映射到相应的病虫害类型标签上。准确识别和分类病虫害类型有助于农作物病虫害的及时防治和管理。通过提供病虫害类型标签，可以帮助农民和农业专家快速采取相应的防治措施，减少病虫害对农作物的损失，提高农作物产量和质量。

也就是，对所述感染部位多尺度多阶次特征矩阵展开后得到的感染部位多尺度多阶次特征向量进行特征分布优化，并将其通过分类器进行分类，可以带来多种益处和效果，有助于准确确定农作物的病虫害类型，支持农业可持续发展。

在本申请的技术方案中，将所述感染部位方向梯度直方图通过包含第一卷积层和和第二卷积层的图像浅层多尺度特征提取器得到所述感染部位多尺度浅层特征矩阵后，所述感染部位多尺度浅层特征矩阵用于表达所述感染部位方向梯度直方图的多尺度局部图像语义关联特征，因此，所述感染部位方向梯度直方图和所述感染部位多尺度浅层特征矩阵分别对应于图像源语义表示和特征表示而具有不同的表示方式。这样，在使用残差思想来融合所述感染部位方向梯度直方图和所述感染部位多尺度浅层特征矩阵得到所述感染部位多尺度多阶次特征矩阵时，所述感染部位多尺度多阶次特征矩阵不仅具有所述感染部位方向梯度直方图和所述感染部位多尺度浅层特征矩阵的图像语义特征表达，而具有图像语义残差特征表达。因此，期望针对所述感染部位多尺度多阶次特征矩阵的多尺度多阶次图像语义特征分布性质，提升所述感染部位多尺度多阶次特征矩阵通过分类器进行分类回归时的回归效率。

因此，本申请在所述感染部位多尺度多阶次特征矩阵通过分类器进行分类回归时，对所述感染部位多尺度多阶次特征矩阵展开后得到的感染部位多尺度多阶次特征向量进行优化，具体表示为对所述感染部位多尺度多阶次特征矩阵展开后得到的感染部位多尺度多阶次特征向量进行特征分布优化以得到优化感染部位多尺度多阶次特征向量，包括：以如下公式对所述感染部位多尺度多阶次特征向量进行特征分布优化以得到所述优化感染部位多尺度多阶次特征向量；其中，所述公式为：

也就是，通过全局分布参数的正则化仿函数的概念，上述优化基于所述感染部位多尺度多阶次特征向量的全局分布的参数向量式表征，来以回归概率的正则式表达模拟代价函数，从而对所述感染部位多尺度多阶次特征向量在高维特征空间内的特征流形表征对于分类回归概率下的基于分类器的权重矩阵的逐点回归特性进行建模，以捕获待分类的感染部位多尺度多阶次特征向量经由分类器模型的参数空间在高维特征流形的场景几何形状下的参数平滑式优化轨迹，提高所述感染部位多尺度多阶次特征向量在所述分类器的分类概率回归下的回归效率。

进而，将所述优化感染部位多尺度多阶次特征向量通过分类器以得到分类结果，所述分类结果用于表示病虫害的类型标签。包括：使用所述分类器的多个全连接层对所述优化感染部位多尺度多阶次特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

将所述优化感染部位多尺度多阶次特征向量输入分类器可以得到病虫害的类型标签。分类器可以是各种机器学习算法，如支持向量机（SVM）、随机森林（Random Forest）或深度学习模型等。通过训练分类器，可以学习不同特征矩阵与不同病虫害类型之间的关联，从而能够准确地将输入图像分类为相应的病虫害类型。

通过这种方法，农业病虫害识别系统可以实现高准确性和效率。同时，该方法还可以降低成本，因为它不需要大量的人工干预和昂贵的实验设备。这对于支持农业的可持续发展具有重要意义，可以帮助农民及时发现和处理病虫害问题，减少农作物损失，提高农业生产效率。

综上，基于本申请实施例的基于人工智能的农业病虫害识别方法100被阐明，通过对农作物受感染部位的图像进行分析，可以提取出这些病虫害导致的特征，以判断病虫害的类型。

在本申请的一个实施例中，图4为根据本申请实施例的基于人工智能的农业病虫害识别系统的框图。如图4所示，根据本申请实施例的基于人工智能的农业病虫害识别系统200，包括：图像获取模块210，用于获取农作物受感染部位图像；图像特征提取模块220，用于对所述农作物受感染部位图像进行图像特征提取以得到感染部位多尺度多阶次特征矩阵；以及，病虫害的类型确定模块230，用于基于所述感染部位多尺度多阶次特征矩阵，确定病虫害的类型。

这里，本领域技术人员可以理解，上述基于人工智能的农业病虫害识别系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的基于人工智能的农业病虫害识别方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本申请实施例的基于人工智能的农业病虫害识别系统200可以实现在各种终端设备中，例如用于基于人工智能的农业病虫害识别的服务器等。在一个示例中，根据本申请实施例的基于人工智能的农业病虫害识别系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于人工智能的农业病虫害识别系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于人工智能的农业病虫害识别系统200同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该基于人工智能的农业病虫害识别系统200与该终端设备也可以是分立的设备，并且基于人工智能的农业病虫害识别系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

图5为根据本申请实施例的基于人工智能的农业病虫害识别方法的场景示意图。如图5所示，在该应用场景中，首先，获取农作物受感染部位图像（例如，如图5中所示意的C）；然后，将获取的农作物受感染部位图像输入至部署有基于人工智能的农业病虫害识别算法的服务器（例如，如图5中所示意的S）中，其中所述服务器能够基于人工智能的农业病虫害识别算法对所述农作物受感染部位图像进行处理，以确定病虫害的类型。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意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、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。