水稻卷叶螟危害程度预测方法、装置、电子设备及介质

技术领域

本发明涉及农田病害预测领域，尤其涉及水稻卷叶螟危害程度预测方法、装置、电子设备及介质。

背景技术

对于卷叶螟危害程度的预测通常采用反距离权重法，而卷叶螟病虫害的分布往往存在局部聚集性和空间随机性，导致估算的危害程度准确性大大下降。

发明内容

本发明提供一种水稻卷叶螟危害程度预测方法、装置、电子设备及介质，用以解决现有水稻卷叶螟危害程度预测方法不够准确的技术问题。

第一方面，本发明提供了一种水稻卷叶螟危害程度预测方法，包括：

根据待预测区域中所有非随机局部采样区域对应的每一全局总叶片数量以及预设二次线性方程，确定所有非随机局部采样区域对应的第一病害叶片总数，所述待预测区域包括所有非随机局部采样区域以及所有随机局部采样区域；

对于每一随机局部采样区域，根据所述随机局部采样区域对应的全局总叶片数量以及预设一次方程，获取所述随机局部采样区域对应的第二病害叶片数，以获取所有随机局部采样区域对应的第二病害叶片总数；

根据所述第一病害叶片总数、所述第二病害叶片总数以及每一预测子区域的全局总叶片数量，确定水稻病害预测结果；

所述预设二次方程是拟合所有随机局部采样区域的局部病害叶片数量以及局部总叶片数量后生成的，每一所述预设一次方程是根据每一随机局部采样区域的局部病害叶片数量以及局部总叶片数量确定的；

所述局部病害叶片数量以及所述局部总叶片数量是在水稻上方间隔水稻第一预设距离的任一目标位置，以第一预设角度采样而确定的；

所述全局总叶片数量是在所述待预测区域的水稻上方，间隔水稻第二预设距离的中心位置，以第二预设角度采样而确定的；所述第一预设距离小于所述第二预设距离，所述第一预设角度小于所述第二预设角度。

根据本发明提供的水稻卷叶螟危害程度预测方法，在确定所有非随机局部采样区域对应的第一病害叶片总数之前，所述方法还包括：

在所述待预测区域的水稻上方，间隔水稻第二预设距离的中心位置，利用无人机以第二预设角度进行采样，获取所有采样区域图像；

拼接所有采样区域图像，形成初始田块区域图像；

根据每一采样区域图像的田块边缘拐角经纬度对所述初始田块区域图像进行坐标校正，获取所述待预测区域图像。

根据本发明提供的水稻卷叶螟危害程度预测方法，在获取所述待预测区域图像之后，所述方法还包括：

划分所述待预测区域图像，获取所有待预测子图像；

输入所有待预测子图像至预设叶片预测模型，获取所述预设叶片预测模型输出的，每一待预测子图像对应的预测叶片总数；

所述预设叶片预测模型是根据样本预测图像以及样本叶片总数训练而确定的。

根据本发明提供的水稻卷叶螟危害程度预测方法，在获取所述预设叶片预测模型输出的，每一待预测子图像对应的预测叶片总数之后，所述方法还包括：

将存在所述目标位置的待预测子图像所在区域确定为随机局部采样区域，确定所有随机局部采样区域；

将不存在所述目标位置的待预测子图像所在区域确定为非随机局部采样区域，确定所有非随机局部采样区域。

根据本发明提供的水稻卷叶螟危害程度预测方法，在确定所有非随机局部采样区域对应的第一病害叶片总数之前，所述方法还包括：

在水稻上方间隔水稻第一预设距离的任一目标位置，利用无人机以第一预设角度进行采样，获取所有局部采样图像；

根据所有局部采样图像以及所有随机局部采样区域，确定所有重叠区域图像；

输入所有重叠区域图像至语义分割模型，获取所述语义分割模型输出，每一重叠区域对应的所述局部病害叶片数量以及所述局部总叶片数量；

所述语义分割模型是根据样本病害图像、样本病害叶片数量以及样本局部总叶片数量训练而确定的。

根据本发明提供的水稻卷叶螟危害程度预测方法，所述根据待预测区域中所有非随机局部采样区域对应的每一全局总叶片数量以及预设二次线性方程，确定所有非随机局部采样区域对应的第一病害叶片总数，包括：

输入每一全局总叶片数量至所述预设二次线性方程，获取每一非随机局部采样区域对应的病害叶片总数；

根据所有非随机局部采样区域对应的病害叶片总数之和，确定所述第一病害叶片总数。

根据本发明提供的水稻卷叶螟危害程度预测方法，所述根据所述随机局部采样区域对应的全局总叶片数量以及预设一次方程，获取所述随机局部采样区域对应的第二病害叶片数，以获取所有随机局部采样区域对应的第二病害叶片总数，包括：

输入每一随机局部采样区域对应的全局总叶片数量至所述随机局部采样区域对应的预设一次方程，获取所述预设一次方程输出的，每一随机局部采样区域对应的病害叶片总数；

根据所有随机局部采样区域对应的病害叶片总数之和，确定所述第二病害叶片总数。

根据本发明提供的水稻卷叶螟危害程度预测方法，所述根据所述第一病害叶片总数、所述第二病害叶片总数以及每一预测子区域的全局总叶片数量，确定水稻病害预测结果，包括：

根据所述第一病害叶片总数以及所述第二病害叶片总数之和确定所述待预测区域的水稻病害叶片总数；

根据每一预测子区域的全局总叶片数量之和，确定所述待预测区域的叶片总数；

根据所述待预测区域的水稻病害叶片总数以及所述待预测区域的叶片总数的商值，确定水稻病害卷叶率；

根据所述水稻病害卷叶率，从预设水稻危害程度表中确定出所述待预测区域的水稻病害预测结果。

第二方面，提供了一种水稻卷叶螟危害程度预测装置，包括：

第一确定单元，所述第一确定单元用于根据待预测区域中所有非随机局部采样区域对应的每一全局总叶片数量以及预设二次线性方程，确定所有非随机局部采样区域对应的第一病害叶片总数，所述待预测区域包括所有非随机局部采样区域以及所有随机局部采样区域；

获取单元，所述获取单元用于对于每一随机局部采样区域，根据所述随机局部采样区域对应的全局总叶片数量以及预设一次方程，获取所述随机局部采样区域对应的第二病害叶片数，以获取所有随机局部采样区域对应的第二病害叶片总数；

第二确定单元，所述第二确定单元用于根据所述第一病害叶片总数、所述第二病害叶片总数以及每一预测子区域的全局总叶片数量，确定水稻病害预测结果；

所述预设二次方程是拟合所有随机局部采样区域的局部病害叶片数量以及局部总叶片数量后生成的，每一所述预设一次方程是根据每一随机局部采样区域的局部病害叶片数量以及局部总叶片数量确定的；

所述局部病害叶片数量以及所述局部总叶片数量是在水稻上方间隔水稻第一预设距离的任一目标位置，以第一预设角度采样而确定的；

所述全局总叶片数量是在所述待预测区域的水稻上方，间隔水稻第二预设距离的中心位置，以第二预设角度采样而确定的；所述第一预设距离小于所述第二预设距离，所述第一预设角度小于所述第二预设角度。

第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述水稻卷叶螟危害程度预测方法。

第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述水稻卷叶螟危害程度预测方法。

本发明提供了一种水稻卷叶螟危害程度预测方法、装置、电子设备及介质，通过局部采集与全局采集相结合的形式，根据从局部采集中所获取的病害叶片以及总叶片数量构建相关预设方程，结合全局采集的总叶片数量，针对不同采集区域采用不同的预设方程计算病害叶片，根据病害叶片总数以及总叶片数量确定水稻病害预测结果，本发明充分考虑稻纵卷叶螟的局部聚集性和空间随机性，可以较为准确地估算出卷叶螟虫造成的卷叶率，从而对水稻卷叶螟危害程度进行预测。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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是本发明提供的水稻卷叶螟危害程度预测方法的流程示意图之一；

图2是本发明提供的水稻卷叶螟危害程度预测方法的流程示意图之二；

图3是本发明提供的水稻卷叶螟危害程度预测方法的流程示意图之三；

图4是本发明提供的水稻卷叶螟危害程度预测方法的流程示意图之四；

图5是本发明提供的水稻卷叶螟危害程度预测方法的流程示意图之五；

图6是本发明提供的待预测区域的划分示意图；

图7是本发明提供的水稻卷叶螟危害程度预测装置的结构示意图；

图8是本发明提供的电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

稻纵卷叶螟是水稻生产中发生危害较严重的虫害，广泛分布于各个水稻种植区，稻纵卷叶螟通过多代次和高频次的产卵与羽化对水稻叶片形成持续危害，最终影响水稻产量，现阶段开展卷叶螟危害防治的主要手段在于根据不同危害程度进行适量的农药喷洒，为此进行卷叶螟虫病危害程度预测是有必要的。

对于卷叶螟危害程度的预测，当前主要通过人工采集数据并利用插值算法进行估算，观察部分水稻田卷叶螟危害程度，通过空间插值算法，例如使用反距离权重法来预测大块水稻田的卷叶螟危害程度。通常先随机选择水稻田内部分区域作为初始数据，然后对原始数据进行处理，通过插值算法估算区域的病虫害危害程度。主要使用的插值算法有反距离权重法、克里格法、样条函数法和多项式插值方法等。

对于卷叶螟危害程度的预测通常采用反距离权重法，而卷叶螟病虫害的分布往往存在局部聚集性和空间随机性，导致估算的危害程度准确性大大下降；另外一种方法是基于人工收集处理数据并使用样条函数算法，所述样条函数法难以对误差进行估计，导致准确率大大下降，同时也未能充分考虑卷叶螟虫病害的局部聚集性和空间随机性。为了克服现有技术缺陷，本发明提供了一种水稻卷叶螟危害程度预测方法、装置、电子设备及介质，图1是本发明提供的水稻卷叶螟危害程度预测方法的流程示意图之一，所述水稻卷叶螟危害程度预测方法，包括：

步骤101、根据待预测区域中所有非随机局部采样区域对应的每一全局总叶片数量以及预设二次线性方程，确定所有非随机局部采样区域对应的第一病害叶片总数，所述待预测区域包括所有非随机局部采样区域以及所有随机局部采样区域。

在步骤101中，所述待预测区域包括所有非随机局部采样区域以及所有随机局部采样区域，本发明通过在水稻上方间隔水稻第一预设距离的任一目标位置，以第一预设角度采样，例如，在随机采样中随机选取P个目标水稻田点位，使用无人机在水稻叶尖上方10厘米处，以45°角斜向下拍摄水稻状况，获取采样图像并使用卫星定位记录位置，累计获取次数为P次，从而将所述目标位置对应的采用区域确定为随机局部采样区域，而除去所有随机局部采样区域之外的其他区域，即为所有非随机局部采样区域，所述所有非随机局部采样区域以及所有随机局部采样区域的集合即为所述待预测区域。

可选地，所有非随机局部采样区域对应的每一全局总叶片数量是根据在所述待预测区域的水稻上方，间隔水稻第二预设距离的中心位置，以第二预设角度采样而确定，所述第一预设距离小于所述第二预设距离，所述第一预设角度小于所述第二预设角度，例如，在全局采样中使用无人机在叶尖上方500厘米处，垂直向下90°的角度，对目标水稻田以一定分辨率进行采样，获取采样图像并记录卫星定位位置。

可选地，所述预设二次方程是拟合所有随机局部采样区域的局部病害叶片数量以及局部总叶片数量后生成的，而所述局部病害叶片数量以及所述局部总叶片数量是在水稻上方间隔水稻第一预设距离的任一目标位置，以第一预设角度采样而确定的，故本发明分析随机采样所获取的水稻图像，确定出局部病害叶片数量以及局部总叶片数量，并对所有随机局部采样区域的局部病害叶片数量以及局部总叶片数量进行拟合，确定出二次方程的相关参数，构建预设二次方程，例如，所述预设二次方程为：

y＝ax

式(1)中，参数a、参数b以及参数c是根据所有随机局部采样区域的局部病害叶片数量以及局部总叶片数量进行拟合确定的。

可选地，所述根据待预测区域中所有非随机局部采样区域对应的每一全局总叶片数量以及预设二次线性方程，确定所有非随机局部采样区域对应的第一病害叶片总数，包括：

输入每一全局总叶片数量至所述预设二次线性方程，获取每一非随机局部采样区域对应的病害叶片总数；

根据所有非随机局部采样区域对应的病害叶片总数之和，确定所述第一病害叶片总数。

可选地，将每一全局总叶片数量作为x代入至式(1)，可求得y，所述y为每一非随机局部采样区域对应的病害叶片总数，根据所有非随机局部采样区域对应的病害叶片总数之和，确定所述第一病害叶片总数，可以参考如下公式：

式(2)中，Harm

步骤102、对于每一随机局部采样区域，根据所述随机局部采样区域对应的全局总叶片数量以及预设一次方程，获取所述随机局部采样区域对应的第二病害叶片数，以获取所有随机局部采样区域对应的第二病害叶片总数。

在步骤102中，每一所述预设一次方程是根据每一随机局部采样区域的局部病害叶片数量以及局部总叶片数量确定的，本发明将根据每一随机局部采样区域的局部病害叶片数量以及局部总叶片数量的商值确定出每一随机局部采样区域的系数q

m＝q

在式(3)中，q

可选地，所述随机局部采样区域对应的全局总叶片数量是在所述待预测区域的水稻上方，间隔水稻第二预设距离的中心位置，以第二预设角度采样而确定的，在确定出每一随机局部采样区域的系数，以及每一随机局部采样区域对应的全局总叶片数量后，本发明针对不同的随机局部采样区域对应的全局总叶片数量，采用不同的随机局部采样区域的系数，确定出每一所述随机局部采样区域对应的第二病害叶片数。

可选地，所述根据所述随机局部采样区域对应的全局总叶片数量以及预设一次方程，获取所述随机局部采样区域对应的第二病害叶片数，以获取所有随机局部采样区域对应的第二病害叶片总数，包括：

输入每一随机局部采样区域对应的全局总叶片数量至所述随机局部采样区域对应的预设一次方程，获取所述预设一次方程输出的，每一随机局部采样区域对应的病害叶片总数；

根据所有随机局部采样区域对应的病害叶片总数之和，确定所述第二病害叶片总数。

可选地，本发明可以参考如下公式：

式(4)中，Harm

步骤103、根据所述第一病害叶片总数、所述第二病害叶片总数以及每一预测子区域的全局总叶片数量，确定水稻病害预测结果。

在步骤103中，所述根据所述第一病害叶片总数、所述第二病害叶片总数以及每一预测子区域的全局总叶片数量，确定水稻病害预测结果，包括：

根据所述第一病害叶片总数以及所述第二病害叶片总数之和确定所述待预测区域的水稻病害叶片总数；

根据每一预测子区域的全局总叶片数量之和，确定所述待预测区域的叶片总数；

根据所述待预测区域的水稻病害叶片总数以及所述待预测区域的叶片总数的商值，确定水稻病害卷叶率；

根据所述水稻病害卷叶率，从预设水稻危害程度表中确定出所述待预测区域的水稻病害预测结果。

可选地，本发明首先将所述第一病害叶片总数以及所述第二病害叶片总数相加后确定所述待预测区域的水稻病害叶片总数，然后对每一预测子区域的全局总叶片数量求和，确定所述待预测区域的叶片总数，再然后将所述待预测区域的水稻病害叶片总数除以所述待预测区域的叶片总数，确定水稻病害卷叶率，最后根据所述水稻病害卷叶率，从预设水稻危害程度表中确定出所述待预测区域的水稻病害预测结果，可选地，例如所述预设水稻危害程度表包括第一取值范围对应的无危害风险，第二取值范围对应的轻度危害风险，第三取值范围对应的中度危害风险，第四取值范围对应的重度危害风险，其中，所述第一取值范围小于所述第二取值范围，所述第二取值范围小于所述第三取值范围，所述第三取值范围小于所述第四取值范围，则本发明可以根据所述水稻病害卷叶率所落入的取值范围，确定出其对应的水稻病害程度，即确定出所述待预测区域的水稻病害预测结果。

图6是本发明提供的待预测区域的划分示意图，稻纵卷叶螟病的分布存在空间上的变化，一般来说，感染点呈聚集状分布，并且不同感染块之间呈现随机性分布。为此要进行分类讨论。如图6中所示，先随机选取多个点位，并把水稻田分为多块，然后依据块内是否存在随机采样的点位，把水稻块分为随机局部采样区域以及非随机局部采样区域。

可选地，对于随机局部采样区域以及非随机局部采样区域而言，不同类型的水稻块需要建立不同的拟合方程。对于随机局部采样区域，即存在分析点位的水稻块而言，需要考虑到稻纵卷叶螟感染点呈聚集状分布，所以建立局部拟合方程，并使用田块内点位进行解算，有效提高了对本田块的估计精度；对于非随机局部采样区域，也就是不存在分析点位的水稻块，需要考虑到稻纵卷叶螟不同感染块之间呈随机性分布，所以建立全局拟合方程，并使用全局的随机点进行解算，这样充分考虑了稻纵卷叶螟的局部聚集性和空间随机性，可以较为准确地估算出卷叶螟虫造成的卷叶率，从而对水稻卷叶螟危害程度进行预测。

本发明提供了一种水稻卷叶螟危害程度预测方法、装置、电子设备及介质，通过局部采集与全局采集相结合的形式，根据从局部采集中所获取的病害叶片以及总叶片数量构建相关预设方程，结合全局采集的总叶片数量，针对不同采集区域采用不同的预设方程计算病害叶片，根据病害叶片总数以及总叶片数量确定水稻病害预测结果，本发明充分考虑稻纵卷叶螟的局部聚集性和空间随机性，可以较为准确地估算出卷叶螟虫造成的卷叶率，从而对水稻卷叶螟危害程度进行预测。

图2是本发明提供的水稻卷叶螟危害程度预测方法的流程示意图之二，在确定所有非随机局部采样区域对应的第一病害叶片总数之前，所述方法还包括：

步骤201、在所述待预测区域的水稻上方，间隔水稻第二预设距离的中心位置，利用无人机以第二预设角度进行采样，获取所有采样区域图像。

在步骤201中，本发明可以基于无人机采集的卷叶螟虫害水稻田数据，在叶尖上方500厘米处，垂直向下90°的角度，对目标水稻田以一定分辨率进行采样，获取每一采样图像并记录卫星定位位置，直至遍历所述待预测区域，获取所有采样区域图像。

步骤202、拼接所有采样区域图像，形成初始田块区域图像。

在步骤202中，本发明基于每一采样图像的卫星定位位置，拼接所有采样区域图像，形成初始田块区域图像。

步骤203、根据每一采样区域图像的田块边缘拐角经纬度对所述初始田块区域图像进行坐标校正，获取所述待预测区域图像。

在步骤203中，本发明根据差分GPS(Differential GPS-DGPS，DGPS)测量每一采样区域图像的坐标，形成包含田块边缘拐角的详细经纬度，使用数据处理软件Pix4D对各个采样区域图像进行拼接，利用每一采样区域图像的田块边缘拐角经纬度进行坐标校正。

图3是本发明提供的水稻卷叶螟危害程度预测方法的流程示意图之三，在获取所述待预测区域图像之后，所述方法还包括：

步骤301、划分所述待预测区域图像，获取所有待预测子图像。

在步骤301中，本发明将拼接所有采样区域图像后所得到的待预测区域图像进行划分，可选地，每一待预测子图像的尺寸相同，即划分所述待预测区域后的每一子区域的面积相同。

步骤302、输入所有待预测子图像至预设叶片预测模型，获取所述预设叶片预测模型输出的，每一待预测子图像对应的预测叶片总数；

所述预设叶片预测模型是根据样本预测图像以及样本叶片总数训练而确定的。

在步骤302中，本发明对于每一待预测子图像，采用深度学习算法识别每一待预测子图像的叶片总数，具体地，均输入所有待预测子图像至预设叶片预测模型，获取所述预设叶片预测模型输出的，每一待预测子图像对应的预测叶片总数。

本发明基于无人机采集的卷叶螟虫害水稻田数据，使用深度学习进行特征提取，先对待预测区域图像的田块进行网格状划分，再使用全局和局部拟合方程，解决原有方法估算空间精度较低的问题。

图4是本发明提供的水稻卷叶螟危害程度预测方法的流程示意图之四，在获取所述预设叶片预测模型输出的，每一待预测子图像对应的预测叶片总数之后，所述方法还包括：

步骤401、将存在所述目标位置的待预测子图像所在区域确定为随机局部采样区域，确定所有随机局部采样区域。

在步骤401中，本发明在获取所述预设叶片预测模型输出的，每一待预测子图像对应的预测叶片总数之后，需要对每一待预测子图像的类别进行判断，本发明将依据待预测子图像内是否存在目标位置来确定所述待预测子图像为随机局部采样区域还是非随机局部采样区域，而所述目标位置是在水稻上方间隔水稻第一预设距离，以第一预设角度进行采样的位置，即本发明所采用的随机局部采用区域，如图6所示，根据随机采样点确定了随机局部采用区域。

步骤402、将不存在所述目标位置的待预测子图像所在区域确定为非随机局部采样区域，确定所有非随机局部采样区域。

在步骤402中，如图6所述，没有随机采样点的待预测子图像即为非随机局部采样区域，本发明将除去所有随机局部采用区域之外的其他待预测子图像确定为所有非随机局部采样区域。

图5是本发明提供的水稻卷叶螟危害程度预测方法的流程示意图之五，在确定所有非随机局部采样区域对应的第一病害叶片总数之前，所述方法还包括：

步骤501、在水稻上方间隔水稻第一预设距离的任一目标位置，利用无人机以第一预设角度进行采样，获取所有局部采样图像。

在步骤501中，本发明采用随机局部采样的形式，在水稻上方间隔水稻第一预设距离的任一目标位置，利用无人机以第一预设角度进行采样，获取所有局部采样图像，可选地，所述第一预设距离为10厘米，所述第一预设角度为45°，本发明可以随机在多个采样点进行局部采样图像的采集，从而获取所有局部采样图像。

步骤502、根据所有局部采样图像以及所有随机局部采样区域，确定所有重叠区域图像。

在步骤502中，在一个可选地实施例中，所述局部采样图像位于任一随机局部采样区域，此时所述重叠区域图像即为所述局部采样图像；若所述局部采样图像横跨两个相邻的随机局部采样区域，此时所述重叠区域图像即有两个，第一个是所述局部采样图像与其中一个随机局部采样区域重叠的部分，第二个是所述局部采样图像与其中另一个随机局部采样区域重叠的部分。

步骤503、输入所有重叠区域图像至语义分割模型，获取所述语义分割模型输出，每一重叠区域对应的所述局部病害叶片数量以及所述局部总叶片数量；

所述语义分割模型是根据样本病害图像、样本病害叶片数量以及样本局部总叶片数量训练而确定的。

在步骤503中，根据样本病害图像、样本病害叶片数量以及样本局部总叶片数量训练而确定所述语义分割模型，从而输入所有重叠区域图像至语义分割模型，获取所述语义分割模型输出，每一重叠区域对应的所述局部病害叶片数量以及所述局部总叶片数量，本发明在确定了所有重叠区域对应的所述局部病害叶片数量以及所述局部总叶片数量后，将其作为所有随机局部采样区域的局部病害叶片数量以及局部总叶片数量进行拟合，进而确定所述预设二次方程。

可选地，受卷叶螟危害的叶片在水稻田里呈聚集状分布，若某处存在受卷叶螟危害的叶片，则其附近存在受卷叶螟的危害的叶片概率也比较高，从整片水稻田的角度来看，受卷叶螟危害的叶片分布存在随机性。因此，通过随机选取水稻田点位，划分水稻田块，使用局部解和全局解进行分类计算，最终获得卷叶螟的危害程度，可以避免因卷叶螟虫病害分布的局部聚集性和空间随机性导致的误差过大。

图7是本发明提供的水稻卷叶螟危害程度预测装置的结构示意图，所述水稻卷叶螟危害程度预测装置，包括第一确定单元1，所述第一确定单元用于根据待预测区域中所有非随机局部采样区域对应的每一全局总叶片数量以及预设二次线性方程，确定所有非随机局部采样区域对应的第一病害叶片总数，所述待预测区域包括所有非随机局部采样区域以及所有随机局部采样区域，所述第一确定单元1的工作原理可以参考前述步骤101，在此不予赘述。

所述水稻卷叶螟危害程度预测装置还包括获取单元2，所述获取单元用于对于每一随机局部采样区域，根据所述随机局部采样区域对应的全局总叶片数量以及预设一次方程，获取所述随机局部采样区域对应的第二病害叶片数，以获取所有随机局部采样区域对应的第二病害叶片总数，所述获取单元2的工作原理可以参考前述步骤102，在此不予赘述。

所述水稻卷叶螟危害程度预测装置还包括第二确定单元3，所述第二确定单元用于根据所述第一病害叶片总数、所述第二病害叶片总数以及每一预测子区域的全局总叶片数量，确定水稻病害预测结果，所述第二确定单元3的工作原理可以参考前述步骤103，在此不予赘述。

所述预设二次方程是拟合所有随机局部采样区域的局部病害叶片数量以及局部总叶片数量后生成的，每一所述预设一次方程是根据每一随机局部采样区域的局部病害叶片数量以及局部总叶片数量确定的；

所述局部病害叶片数量以及所述局部总叶片数量是在水稻上方间隔水稻第一预设距离的任一目标位置，以第一预设角度采样而确定的；

所述全局总叶片数量是在所述待预测区域的水稻上方，间隔水稻第二预设距离的中心位置，以第二预设角度采样而确定的；所述第一预设距离小于所述第二预设距离，所述第一预设角度小于所述第二预设角度。

本发明提供了一种水稻卷叶螟危害程度预测方法、装置、电子设备及介质，通过局部采集与全局采集相结合的形式，根据从局部采集中所获取的病害叶片以及总叶片数量构建相关预设方程，结合全局采集的总叶片数量，针对不同采集区域采用不同的预设方程计算病害叶片，根据病害叶片总数以及总叶片数量确定水稻病害预测结果，本发明充分考虑稻纵卷叶螟的局部聚集性和空间随机性，可以较为准确地估算出卷叶螟虫造成的卷叶率，从而对水稻卷叶螟危害程度进行预测。

图8是本发明提供的电子设备的结构示意图。如图8所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行水稻卷叶螟危害程度预测方法，该方法包括：根据待预测区域中所有非随机局部采样区域对应的每一全局总叶片数量以及预设二次线性方程，确定所有非随机局部采样区域对应的第一病害叶片总数，所述待预测区域包括所有非随机局部采样区域以及所有随机局部采样区域；对于每一随机局部采样区域，根据所述随机局部采样区域对应的全局总叶片数量以及预设一次方程，获取所述随机局部采样区域对应的第二病害叶片数，以获取所有随机局部采样区域对应的第二病害叶片总数；根据所述第一病害叶片总数、所述第二病害叶片总数以及每一预测子区域的全局总叶片数量，确定水稻病害预测结果；所述预设二次方程是拟合所有随机局部采样区域的局部病害叶片数量以及局部总叶片数量后生成的，每一所述预设一次方程是根据每一随机局部采样区域的局部病害叶片数量以及局部总叶片数量确定的；所述局部病害叶片数量以及所述局部总叶片数量是在水稻上方间隔水稻第一预设距离的任一目标位置，以第一预设角度采样而确定的；所述全局总叶片数量是在所述待预测区域的水稻上方，间隔水稻第二预设距离的中心位置，以第二预设角度采样而确定的；所述第一预设距离小于所述第二预设距离，所述第一预设角度小于所述第二预设角度。

此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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步骤。而前述的存储介质包括：U盘、移动硬盘、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。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的水稻卷叶螟危害程度预测方法、装置、电子设备及介质，该方法包括：根据待预测区域中所有非随机局部采样区域对应的每一全局总叶片数量以及预设二次线性方程，确定所有非随机局部采样区域对应的第一病害叶片总数，所述待预测区域包括所有非随机局部采样区域以及所有随机局部采样区域；对于每一随机局部采样区域，根据所述随机局部采样区域对应的全局总叶片数量以及预设一次方程，获取所述随机局部采样区域对应的第二病害叶片数，以获取所有随机局部采样区域对应的第二病害叶片总数；根据所述第一病害叶片总数、所述第二病害叶片总数以及每一预测子区域的全局总叶片数量，确定水稻病害预测结果；所述预设二次方程是拟合所有随机局部采样区域的局部病害叶片数量以及局部总叶片数量后生成的，每一所述预设一次方程是根据每一随机局部采样区域的局部病害叶片数量以及局部总叶片数量确定的；所述局部病害叶片数量以及所述局部总叶片数量是在水稻上方间隔水稻第一预设距离的任一目标位置，以第一预设角度采样而确定的；所述全局总叶片数量是在所述待预测区域的水稻上方，间隔水稻第二预设距离的中心位置，以第二预设角度采样而确定的；所述第一预设距离小于所述第二预设距离，所述第一预设角度小于所述第二预设角度。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的水稻卷叶螟危害程度预测方法，该方法包括：根据待预测区域中所有非随机局部采样区域对应的每一全局总叶片数量以及预设二次线性方程，确定所有非随机局部采样区域对应的第一病害叶片总数，所述待预测区域包括所有非随机局部采样区域以及所有随机局部采样区域；对于每一随机局部采样区域，根据所述随机局部采样区域对应的全局总叶片数量以及预设一次方程，获取所述随机局部采样区域对应的第二病害叶片数，以获取所有随机局部采样区域对应的第二病害叶片总数；根据所述第一病害叶片总数、所述第二病害叶片总数以及每一预测子区域的全局总叶片数量，确定水稻病害预测结果；所述预设二次方程是拟合所有随机局部采样区域的局部病害叶片数量以及局部总叶片数量后生成的，每一所述预设一次方程是根据每一随机局部采样区域的局部病害叶片数量以及局部总叶片数量确定的；所述局部病害叶片数量以及所述局部总叶片数量是在水稻上方间隔水稻第一预设距离的任一目标位置，以第一预设角度采样而确定的；所述全局总叶片数量是在所述待预测区域的水稻上方，间隔水稻第二预设距离的中心位置，以第二预设角度采样而确定的；所述第一预设距离小于所述第二预设距离，所述第一预设角度小于所述第二预设角度。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。