[發(fā)明專利]一種施藥方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110290311.6
• 申請(qǐng)日: 2021-03-16
• 公開(kāi)（公告）號(hào): CN113159125A
• 公開(kāi)（公告）日: 2021-07-23
• 發(fā)明（設(shè)計(jì)）人: 陳立平;丁晨琛;張瑞瑞;李龍龍;唐青;張林煥
• 申請(qǐng)（專利權(quán)）人: 北京農(nóng)業(yè)智能裝備技術(shù)研究中心
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06K9/34;G06N3/04;G06N3/08
• 代理公司: 北京路浩知識(shí)產(chǎn)權(quán)代理有限公司 11002
• 代理人: 聶俊偉

1.一種施藥方法，其特征在于，包括：

對(duì)目標(biāo)種植區(qū)域進(jìn)行網(wǎng)格劃分；

獲取每個(gè)網(wǎng)格內(nèi)作物冠層的檢測(cè)圖像組，所述檢測(cè)圖像組由可見(jiàn)光圖像和熱紅外圖像構(gòu)成；

將每個(gè)網(wǎng)格內(nèi)作物冠層的檢測(cè)圖像組輸入至病害識(shí)別模型，根據(jù)所述病害識(shí)別模型的輸出結(jié)果，獲取每個(gè)網(wǎng)格內(nèi)作物的病害狀態(tài)；所述病害狀態(tài)包括病害種類以及患病等級(jí)；

根據(jù)每個(gè)網(wǎng)格內(nèi)作物的病害狀態(tài)，生成施藥處方圖；

基于所述施藥處方圖，對(duì)所述目標(biāo)種植區(qū)域進(jìn)行施藥。

2.根據(jù)權(quán)利要求1所述的施藥方法，其特征在于，在將每個(gè)網(wǎng)格內(nèi)作物冠層的檢測(cè)圖像組輸入至病害識(shí)別模型之前，還包括：

獲取感染目標(biāo)病害的樣本作物冠層的多張可見(jiàn)光圖像和多張熱紅外圖像，分別構(gòu)建可見(jiàn)光圖像樣本集和熱紅外圖像樣本集，并為每張可見(jiàn)光圖像樣本以及每張熱紅外圖像樣本分別標(biāo)注相應(yīng)的病害狀態(tài)標(biāo)簽；

選取M個(gè)不同的深度學(xué)習(xí)模型；

利用所述可見(jiàn)光圖像樣本集對(duì)所述M個(gè)不同的深度學(xué)習(xí)模型進(jìn)行模型預(yù)訓(xùn)練，并利用所述紅外圖像樣本集對(duì)所述M個(gè)不同的深度學(xué)習(xí)模型進(jìn)行模型預(yù)訓(xùn)練，共獲取2M個(gè)訓(xùn)練后的深度學(xué)習(xí)模型；

確定所述2M個(gè)訓(xùn)練后的深度學(xué)習(xí)模型中病害識(shí)別精度最高的一個(gè)，作為所述病害識(shí)別模型。

3.根據(jù)權(quán)利要求2所述的施藥方法，其特征在于，所述M個(gè)不同的深度學(xué)習(xí)模型中至少包括：ResNet-50、InceptionV3、MobileNet這三種學(xué)習(xí)模型。

4.根據(jù)權(quán)利要求2所述的施藥方法，其特征在于，所述確定所述2M個(gè)訓(xùn)練后的深度學(xué)習(xí)模型中病害識(shí)別精度最高的一個(gè)，作為所述病害識(shí)別模型，包括：

針對(duì)所述目標(biāo)病害，構(gòu)建由預(yù)設(shè)數(shù)量的圖像樣本組成的驗(yàn)證樣本集；

利用所述驗(yàn)證樣本集中的所有圖像樣本分別對(duì)所述2M個(gè)訓(xùn)練后的深度學(xué)習(xí)模型進(jìn)行識(shí)別驗(yàn)證，并獲取每個(gè)深度學(xué)習(xí)模型的識(shí)別正確率、模型運(yùn)行所占平均內(nèi)存以及模型運(yùn)算平均時(shí)間；

基于所述識(shí)別正確率、所述模型運(yùn)行所占平均內(nèi)存以及所述模型運(yùn)算平均時(shí)間的預(yù)設(shè)權(quán)重比，確定所述2M個(gè)訓(xùn)練后的深度學(xué)習(xí)模型中病害識(shí)別精度最高的一個(gè)，作為所述病害識(shí)別模型；

其中，在所述驗(yàn)證樣本集中，與所述目標(biāo)病害相關(guān)的圖像樣本的占比大于50％；所述圖像樣本包括可見(jiàn)光圖像樣本和熱紅外圖像樣本。

5.根據(jù)權(quán)利要求4所述的施藥方法，其特征在于，所述將每個(gè)網(wǎng)格內(nèi)作物冠層的檢測(cè)圖像組輸入至病害識(shí)別模型，根據(jù)所述病害識(shí)別模型的輸出結(jié)果，獲取每個(gè)網(wǎng)格內(nèi)作物的病害狀態(tài)，包括：

根據(jù)驗(yàn)證結(jié)果，確定在所述病害識(shí)別模型在識(shí)別精度最高時(shí)的輸入圖像樣本的圖像種類；

在所述圖像種類為可見(jiàn)光圖像時(shí)，則將所述檢測(cè)圖像組中的可見(jiàn)光圖像輸入至所述病害識(shí)別模型，以獲取與所述可見(jiàn)光圖像相對(duì)應(yīng)的病害狀態(tài)；

在所述圖像種類為熱紅外圖像時(shí)，則將所述檢測(cè)圖像組中的熱紅外圖像輸入至所述病害識(shí)別模型，以獲取與所述可見(jiàn)光圖像相對(duì)應(yīng)的病害狀態(tài)。

6.根據(jù)權(quán)利要求2所述的施藥方法，其特征在于，在獲取感染目標(biāo)病害的樣本作物冠層的多張可見(jiàn)光圖像和多張熱紅外圖像，分別構(gòu)建可見(jiàn)光圖像樣本集和熱紅外圖像樣本集，具體包括：

分別對(duì)每張所述可見(jiàn)光圖像和每張所述熱紅外圖像，采用翻轉(zhuǎn)、平移或旋轉(zhuǎn)的方式進(jìn)行擴(kuò)增，并將擴(kuò)增后的所有圖像進(jìn)行歸一化處理，以分別構(gòu)建所述可見(jiàn)光圖像樣本集和所述熱紅外圖像樣本集。

7.根據(jù)權(quán)利要求1所述的施藥方法，其特征在于，在對(duì)目標(biāo)種植區(qū)域進(jìn)行網(wǎng)格劃分之后，還包括：

賦予每個(gè)所述網(wǎng)格一個(gè)網(wǎng)格編號(hào)；

相應(yīng)地，所述獲取每個(gè)網(wǎng)格內(nèi)作物冠層的檢測(cè)圖像組，包括：

遍歷拍攝每個(gè)所述網(wǎng)格內(nèi)作物冠層的檢測(cè)圖像組；

所述根據(jù)每個(gè)網(wǎng)格內(nèi)作物的病害狀態(tài)，生成施藥處方圖，包括：

確定每個(gè)所述網(wǎng)格編號(hào)所對(duì)應(yīng)的病害狀態(tài)，以確定每個(gè)所述網(wǎng)格編號(hào)對(duì)應(yīng)的施藥量；

根據(jù)每個(gè)所述網(wǎng)格編號(hào)在所述目標(biāo)種植區(qū)域中的定位以及對(duì)應(yīng)的施藥量，生成所述施藥處方圖。