[發(fā)明專利]一種施藥方法及系統(tǒng)

在審

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

本發(fā)明提供一種施藥方法及系統(tǒng)，包括：對種植區(qū)域進行網(wǎng)格劃分；獲取每個網(wǎng)格內(nèi)作物冠層的檢測圖像組，包括可見光圖像和熱紅外圖像；將每個網(wǎng)格內(nèi)作物冠層的檢測圖像組輸入至病害識別模型，根據(jù)病害識別模型的輸出結果，獲取每個網(wǎng)格內(nèi)作物的病害狀態(tài)，病害狀態(tài)包括病害種類以及患病等級；根據(jù)每個網(wǎng)格內(nèi)作物的病害狀態(tài)，生成施藥處方圖；基于施藥處方圖，對目標種植區(qū)域進行施藥。本發(fā)明提供的施藥方法及系統(tǒng)，通過同時采集同一作物冠層的可見光圖像和熱紅外圖像，可快速識別靶標作物有無病害、病害患病程度以及病害發(fā)生的具體區(qū)域，并根據(jù)病害識別結果，控制施藥系統(tǒng)精準施藥，實現(xiàn)了農(nóng)作物病害早期預防、農(nóng)藥減施增效、人藥分離的目的。

技術領域

本發(fā)明涉及智能施藥灌溉技術領域，尤其涉及一種施藥方法及系統(tǒng)。

背景技術

精準施藥是精準農(nóng)業(yè)和生態(tài)農(nóng)業(yè)的關鍵環(huán)節(jié)，隨著近年來人工智能、智能控制等新一代科學技術的不斷進步使得無人化智能植保施藥成為可能。

目前，在設施農(nóng)業(yè)或者室內(nèi)農(nóng)業(yè)的植保施藥中，普遍使用的施藥系統(tǒng)多為人工控制，而不能根據(jù)農(nóng)作物患病情況實現(xiàn)精準施藥、按需施藥。

采用現(xiàn)有的施藥控制方法，由于采用粗放式施藥，無法根據(jù)各個不同地塊的不同病害狀態(tài)進行針對性的施藥，難免會造成農(nóng)藥的施放量過大、施藥防治效果差、需要大量人力物力投入等缺陷。

發(fā)明內(nèi)容

針對現(xiàn)有技術中采用的粗放式施藥所存在的問題，本發(fā)明實施例提供一種施藥方法及系統(tǒng)。

本發(fā)明提供一種施藥方法，包括：對目標種植區(qū)域進行網(wǎng)格劃分；獲取每個網(wǎng)格內(nèi)作物冠層的檢測圖像組，檢測圖像組由可見光圖像和熱紅外圖像構成；將每個網(wǎng)格內(nèi)作物冠層的檢測圖像組輸入至病害識別模型，根據(jù)病害識別模型的輸出結果，獲取每個網(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；根據(jù)每個網(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，對所述目標種植區(qū)域進行施藥。

根據(jù)本發(fā)明提供的一種施藥方法，在將每個網(wǎng)格內(nèi)作物冠層的檢測圖像組輸入至病害識別模型之前，還包括：獲取感染目標病害的樣本作物冠層的多張可見光圖像和多張熱紅外圖像，分別構建可見光圖像樣本集和熱紅外圖像樣本集，并為每張可見光圖像樣本以及每張熱紅外圖像樣本分別標注相應的病害狀態(tài)標簽；選取M個不同的深度學習模型；利用可見光圖像樣本集對M個不同的深度學習模型進行模型預訓練，并利用紅外圖像樣本集對所述M個不同的深度學習模型進行模型預訓練，共獲取2M個訓練后的深度學習模型；確定2M個訓練后的深度學習模型中病害識別精度最高的一個，作為病害識別模型。

根據(jù)本發(fā)明提供的一種施藥方法，所述M個不同的深度學習模型中至少包括：ResNet-50、InceptionV3、MobileNet這三種學習模型。

根據(jù)本發(fā)明提供的一種施藥方法，所述確定所述2M個訓練后的深度學習模型中病害識別精度最高的一個，作為病害識別模型，包括：針對目標病害，構建由預設數(shù)量的圖像樣本組成的驗證樣本集；利用驗證樣本集中的所有圖像樣本分別對所述2M個訓練后的深度學習模型進行識別驗證，并獲取每個深度學習模型的識別正確率、模型運行所占平均內(nèi)存以及模型運算平均時間；基于識別正確率、模型運行所占平均內(nèi)存以及模型運算平均時間的預設權重比，確定2M個訓練后的深度學習模型中病害識別精度最高的一個，作為病害識別模型；其中，在驗證樣本集中，與目標病害相關的圖像樣本的占比大于50％；圖像樣本包括可見光圖像樣本和熱紅外圖像樣本。

根據(jù)本發(fā)明提供的一種施藥方法，將每個網(wǎng)格內(nèi)作物冠層的檢測圖像組輸入至病害識別模型，根據(jù)病害識別模型的輸出結果，獲取每個網(wǎng)格內(nèi)作物的病害狀態(tài)，包括：根據(jù)驗證結果，確定在病害識別模型在識別精度最高時的輸入圖像樣本的圖像種類；在圖像種類為可見光圖像時，則將檢測圖像組中的可見光圖像輸入至病害識別模型，以獲取與可見光圖像相對應的病害狀態(tài)；在圖像種類為熱紅外圖像時，則將檢測圖像組中的熱紅外圖像輸入至病害識別模型，以獲取與可見光圖像相對應的病害狀態(tài)。