申请/专利权人：成都大学

申请日：2024-01-08

公开（公告）日：2024-04-02

公开（公告）号：CN117557914B

主分类号：G06V20/10

分类号：G06V20/10;G06V10/82;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2024.03.01#实质审查的生效;2024.02.13#公开

摘要：本发明公开了一种基于深度学习的农作物病虫害识别方法，涉及病虫害识别技术领域，解决了原有农作物病虫害识别方法没有对图像进行筛选，导致环境温度、环境湿度和采集时刻对病虫害的识别产生影响，从而使病虫害识别结果不精确的技术问题；本发明包括采集目标区域农作物的图像数据，匹配获取目标数据对应的环境数据；通过图像历史数据训练人工智能模型，得到病虫害识别模型；将目标数据以及对应的环境数据整合为病虫害识别序列，结合病虫害识别模型得到对应的病虫害识别结果，并标记为原始结果；提高了农作物病虫害在不同环境下识别的效率和准确度；将原始结果通过识别修正模型进行修正，最终得到目标结果；提高了农作物病虫害识别的准确性。

主权项：1.一种基于深度学习的农作物病虫害识别方法，其特征在于，包括：步骤一：采集目标区域农作物的图像数据，对图像数据进行预处理得到目标数据；以及，匹配获取目标数据对应的环境数据；其中，环境数据包括环境温度、环境湿度和采集时刻；步骤二：基于图像历史数据以及对应的环境数据生成标准输入数据，基于图像历史数据对应的病虫害识别结果生成标准输出数据；通过标准输入数据和标准输出数据训练人工智能模型，得到病虫害识别模型；其中，人工智能模型包括卷积神经网络模型或者深度置信网络模型；步骤三：将目标数据以及对应的环境数据整合为病虫害识别序列，结合病虫害识别模型得到对应的病虫害识别结果，并标记为原始结果；步骤四：以环境温度和环境湿度为自变量，以图像历史数据对应的病虫害覆盖率与实际病虫害覆盖率的差值作为因变量，建立识别修正模型；基于识别修正模型对原始结果进行修正，得到目标结果；所述建立识别修正模型，包括：以环境温度和环境湿度为自变量，分别标记为T和H；以图像历史数据对应的病虫害覆盖率与实际病虫害覆盖率的差值作为因变量，并标记为修正系数ΔS；通过多项式拟合的方式对自变量和因变量进行拟合，建立识别修正模型；其中，识别修正模型具体为ΔS=αT×T+βH×H+θ，α和β为比例系数，θ为误差系数；所述基于识别修正模型对原始结果进行修正，包括：提取原始结果对应的环境温度和环境湿度，并导入到修正识别模型中，得到修正系数；将修正系数和原始结果进行叠加，得到目标结果。

全文数据：

权利要求：

百度查询： 成都大学 一种基于深度学习的农作物病虫害识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD