WO2018058821A1 - 一种基于种植设备的病虫害预测方法及装置 - Google Patents

一种基于种植设备的病虫害预测方法及装置 Download PDF

Info

Publication number
WO2018058821A1
WO2018058821A1 PCT/CN2016/112338 CN2016112338W WO2018058821A1 WO 2018058821 A1 WO2018058821 A1 WO 2018058821A1 CN 2016112338 W CN2016112338 W CN 2016112338W WO 2018058821 A1 WO2018058821 A1 WO 2018058821A1
Authority
WO
WIPO (PCT)
Prior art keywords
pest
diseases
prediction model
target plant
pests
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/CN2016/112338
Other languages
English (en)
French (fr)
Inventor
王刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Qianhai Hongjia Technology Co Ltd
Original Assignee
Shenzhen Qianhai Hongjia Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Qianhai Hongjia Technology Co Ltd filed Critical Shenzhen Qianhai Hongjia Technology Co Ltd
Publication of WO2018058821A1 publication Critical patent/WO2018058821A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0098—Plants or trees

Definitions

  • the invention relates to the field of planting technology, in particular to a method and a device for predicting pests and diseases based on planting equipment.
  • planting equipment such as planting boxes and planting greenhouses are gradually increasing. Most of the planting boxes are used for the cultivation of small vegetable plants, which can be used not only for home decoration, but also for entertainment and parent-child education. Planting greenhouses are mostly used for the cultivation of large-scale vegetable plants, which can create economic benefits for users.
  • Plants grown in planting equipment are inevitably subject to pests and diseases if not properly maintained. Once the plants in the planting equipment are subject to pests and diseases, the user will be greatly damaged. Therefore, how to predict whether plants will develop pests and diseases in the next stage of growth is a technical problem that needs to be solved.
  • the object of the present invention is to provide a method and a device for predicting pests and diseases based on planting equipment, so as to accurately predict whether a target plant will develop pests and diseases in the next growth stage, and facilitate planting equipment or users to take relevant measures in time to reduce pests and diseases. The loss comes to enhance the user experience.
  • the present invention provides the following technical solutions:
  • a method for predicting pests and diseases based on planting equipment comprising:
  • the pest and disease prediction model is pre-established by the following steps:
  • each set of data in the training set includes the actual occurrence result of the pest and the pest and the influence dimension information in the plant growth process corresponding to the actual occurrence result of the pest and the pest;
  • the training set is used for machine learning to establish the pest prediction model.
  • the using the training set for machine learning to establish the pest and disease prediction model includes:
  • the predicting whether the target plant will cause pests and diseases in the next growth stage according to the influence dimension information of the target plant and the pre-established pest prediction model include:
  • the influence dimension information of the target plant is input into a pre-established pest prediction model, and a logistic regression algorithm is used to predict whether the target plant will have pests and diseases in the next growth stage.
  • the method further includes:
  • the pest and disease warning information is output.
  • the outputting pest and disease warning information includes:
  • the pest and disease warning information is sent to the planting equipment, so that the planting equipment adjusts corresponding environmental parameters according to the set plan.
  • a pest and disease prediction device based on planting equipment comprising:
  • a target plant determining module for determining a target plant to be predicted to grow in the planting device
  • a growth environment data obtaining module configured to obtain growth environment data of the target plant
  • An influence dimension information determining module configured to analyze the growth environment data, and determine influence dimension information that affects the pests and diseases of the target plant
  • a pest and disease prediction module configured to predict whether a pest or a pest occurs in the next growth stage according to the impact dimension information of the target plant and a pre-established pest prediction model
  • a pest prediction model establishing module configured to pre-establish the pest prediction model by: obtaining a plurality of sets of pest sample data of the same species as the target plant; and constructing a training set according to the obtained pest sample data, Each set of data in the training set includes the actual occurrence results of the pests and diseases and the influence dimension information in the plant growth process corresponding to the actual occurrence of the pests and diseases; using the training set for machine learning, the pest and disease prediction model is established.
  • the pest and disease prediction model establishing module is specifically configured to:
  • the pest prediction module is specifically configured to:
  • the method further includes an early warning information output module, configured to:
  • the pest warning information is output when the target plant is predicted to have pests and diseases in the next growth stage.
  • the early warning information output module is specifically configured to:
  • the pest and disease warning information is sent to the planting equipment, so that the planting equipment adjusts corresponding environmental parameters according to the set plan.
  • the pest and disease prediction model is pre-established by machine learning, and the target plant of the target plant to be predicted and grown in the planting equipment is determined, and the growth environment data of the target plant can be obtained, and the growth environment data is analyzed.
  • the impact dimension information affecting the target plant pests and diseases according to the impact dimension information of the target plant and the pre-established pest and disease prediction model, it can be predicted whether the target plant will have pests and diseases in the next growth stage.
  • FIG. 1 is a flow chart showing an implementation of a method for predicting pests and diseases based on planting equipment according to an embodiment of the present invention
  • FIG. 2 is a schematic structural view of a pest and disease prediction device based on planting equipment according to an embodiment of the present invention.
  • FIG. 1 is a flowchart of an implementation method for predicting pests and diseases based on planting equipment according to an embodiment of the present invention, the method may include the following steps:
  • S110 Determine a target plant to be predicted to grow pests and diseases in the planting equipment.
  • the target plant is a plant grown in planting equipment such as a planting box or a planting greenhouse, and may be in a certain growth stage.
  • the target plant may be subject to pests and diseases during the growth process due to the environmental conditions in which it is exposed. If the user or planting equipment can know in advance whether the target plant will cause pests and diseases in the next growth stage, it will help the user or planting equipment to take corresponding measures in advance, such as adjusting environmental parameters, etc., to reduce the losses caused by pests and diseases.
  • the technical solution provided by the embodiments of the present invention can be used to predict whether a target plant will develop pests and diseases in the next growth stage according to the predicted demand of the pests and diseases of the target plants.
  • the target plant to be predicted for the pest and the disease is determined, and the target plant to be predicted for the pest and disease is determined according to the set period, and the target plant is periodically grown next. Whether pests and diseases will occur in the stage for prediction.
  • the growth environment data is environmental information data during the growth process.
  • the growth environment data may be data such as humidity, temperature, carbon dioxide content in the air, amount of light, pH of the soil, and content of chemical components in the soil.
  • growth environment data of the target plant can be obtained.
  • the environmental information of the target plant can be obtained and recorded in real time through environmental monitoring means, for example, the temperature information is obtained by the temperature sensor built in the planting device, and the humidity information is obtained by the humidity sensor built in the planting device. .
  • the information can be stored in a database, and after determining the target plant to be predicted for pests and diseases, the growth environment data of the target plant is extracted in the database.
  • S130 Analyze the growth environment data to determine the influence dimension information that affects the pests and diseases of the target plant.
  • each type of growth environment data can be used as an influence dimension affecting plant diseases and insect pests.
  • the influence dimension may be temperature, humidity, carbon dioxide content in the air, amount of light, pH of the soil, and content of chemical components in the soil.
  • the growth environment data of the target plant is obtained in step S120, and the growth environment data may be further analyzed to determine the influence dimension information that affects the pest occurrence of the target plant.
  • the influence dimension a information is 124
  • the influence dimension b information is 159
  • the influence dimension c information is 255
  • the influence dimension d information is 31, and the influence dimension e information is 96.
  • Each of the influence dimension information may be a quantized value obtained by quantizing the actual value according to a preset quantization standard.
  • the influence dimension a is the content of the chemical composition in the soil. When the content is in the range of [0%, 20%], it can be quantified as 51, when the content is in the range of [40%, 60%]. It can be quantized to 124.
  • S140 predict whether the target plant will have pests and diseases in the next growth stage according to the influence dimension information of the target plant and the pre-established pest and disease prediction model.
  • the pest prediction model can be established in advance. Specifically, a pest and disease prediction model corresponding to the plant can be established for each plant, and a plurality of pest pest prediction models are classified into a model library for maintenance and management. When it is necessary to predict whether a target plant will develop pests and diseases in the next growth stage, a pest and disease prediction model corresponding to the target plant may be selected in the model library.
  • the pest prediction model can be established in advance by the following steps:
  • Step 1 obtaining a plurality of sets of pest and disease sample data of plants of the same species as the target plant;
  • Step 2 According to the obtained sample data of pests and diseases, construct a training set, and each set of data in the training set includes the actual occurrence result of the pests and diseases and the influence dimension information in the plant growth process corresponding to the actual occurrence result of the pests and diseases;
  • Step 3 Use the training set for machine learning and establish a pest and disease prediction model.
  • a plurality of sets of pest sample data of plants of the same species as the target plant can be obtained from an existing sample database or by means of collection.
  • the target plant is tomato
  • the pest and disease sample data of the tomato grown under different growth environments can be obtained.
  • a training set can be constructed.
  • Each set of data in the training set contains the actual occurrence results of the pests and diseases and the influence dimension information in the plant growth process corresponding to the actual occurrence of the pests and diseases.
  • the first set of data indicates that under the condition that the influence dimension a information is 51, the influence dimension b information is 159, the influence dimension c information is 253, the influence dimension d information is 159, and the influence dimension e information is 50, The actual occurrence of tomato pests and diseases is “not sick”.
  • the second set of data shows that the influence dimension a information is 124, the influence dimension b information is 253, the influence dimension c information is 255, the influence dimension d information is 63, and the influence dimension Under the condition that the e-information is 96, the actual occurrence of pests and diseases of tomato is "get sick", ....
  • Each of the influence dimension information in Table 2 is a result of quantification according to a preset quantization standard.
  • the training set for machine learning. Specifically, you can use the SparkMLlib tool for machine learning. After machine learning of the training set, a pest and disease prediction model can be established, and the pest prediction model The type corresponds to the type of the target plant.
  • the step of establishing a pest prediction model may include the following steps:
  • the first step using the training set for machine learning, establishing an initial pest prediction model
  • the second step determining the pest test results corresponding to each group of influence dimension information in the training set according to the influence dimension information and the initial pest and disease prediction model in the training set;
  • the third step comparing the pest test results corresponding to each group of influence dimension information in the training set with the corresponding actual occurrences of the pests and diseases, and calculating the error value;
  • the fourth step if the error value is not greater than the set threshold, the initial pest prediction model is determined as a pest prediction model;
  • the fifth step if the error value is greater than the set threshold, the training set is expanded, and the first step is repeatedly executed until the error value is not greater than the set threshold, and the pest prediction model is obtained.
  • the amount of data contained in the training set determines the accuracy of the prediction of the pest prediction model.
  • the pest and disease test results corresponding to each group of impact dimension information in the training set can be determined according to the influence dimension information in the training set and the initial pest and disease prediction model.
  • the data file of the training set is:
  • 0 no disease
  • 1 means sick.
  • the error value can be calculated.
  • Plant name Pest test results Actual occurrence of pests and diseases tomato 0.0 0.0 tomato 1.0 1.0 tomato 1.0 1.0 tomato 1.0 1.0 tomato 1.0 1.0
  • the error value is not greater than the set threshold, it indicates that the current initial pest pest prediction model can reach the set requirement, and the initial pest pest prediction model can be directly determined as the pest pest prediction model.
  • the threshold value can be set and adjusted according to the actual situation, which is not limited by the embodiment of the present invention.
  • the training set can be expanded. Specifically, more pest sample data can be collected. Build a training set.
  • the steps of using the training set for machine learning can be repeatedly performed until the error value is not greater than the set threshold, and the current pest prediction model is obtained for subsequent business use. In this way, the prediction accuracy of the pest prediction model can be improved.
  • the impact dimension information of the target plant and the pre-established pest and disease prediction model it can be predicted whether the target plant will have pests and diseases in the next growth stage.
  • the impact dimension information of the target plant is input into a pre-established pest prediction model, and a logistic regression algorithm is used to predict whether the target plant will develop pests and diseases in the next growth stage.
  • the pest and disease prediction model is pre-established by machine learning, and after determining the target plant to be predicted to grow pests and diseases in the planting equipment, the growth environment data of the target plant can be obtained, and the growth environment data is analyzed. Determine the influence dimension information that affects the target plant's pests and diseases. According to the impact dimension information of the target plant and the pre-established pest and disease prediction model, it can be predicted whether the target plant will have pests and diseases in the next growth stage.
  • the method can accurately predict whether the target plant will cause pests and diseases in the next growth stage, and facilitate planting equipment or users to take relevant measures in time to reduce the losses caused by pests and diseases and improve the user experience.
  • the method may further comprise the following steps:
  • the pest and disease warning information will be output.
  • the pest and disease warning information is output.
  • the warning information may be output to the planting equipment, and the built-in pest warning indicator flashes by the planting equipment, or the warning may be The information is output to the user, so that the user takes corresponding measures for the warning information.
  • the pest and disease warning information may be specifically sent to the planting equipment, so that the planting equipment adjusts the corresponding environmental parameters according to the set plan.
  • a plan can be set for pests and diseases and stored in the planting equipment.
  • the planting equipment receives the pest and disease warning information
  • the corresponding environmental parameters can be adjusted according to the set plan. For example, the temperature inside the planting device is adjusted by its built-in thermostat, or the nutrient solution is replaced by its built-in nutrient replacement device.
  • the embodiment of the present invention further provides a pest and disease prediction device based on planting equipment, a pest control device based on planting equipment described below and a pest and disease prediction based on planting equipment described above
  • the methods can be referred to each other.
  • the device includes the following modules:
  • a target plant determining module 210 configured to determine a target plant to be predicted to grow pests and diseases within the planting device
  • a growth environment data obtaining module 220 configured to obtain growth environment data of the target plant
  • the impact dimension information determining module 230 is configured to analyze the growth environment data to determine the impact dimension information that affects the pests and diseases of the target plant;
  • the pest and disease prediction module 240 is configured to predict whether the target plant will have pests and diseases in the next growth stage according to the influence dimension information of the target plant and the pre-established pest and disease prediction model;
  • the pest prediction model establishing module 250 is configured to pre-establish the pest prediction model by the following steps: Type: Obtaining a plurality of sets of pest and disease sample data of plants of the same species as the target plant; constructing a training set according to the obtained pest and disease sample data, each set of data in the training set includes the actual occurrence of the pests and diseases and the plant growth corresponding to the actual occurrence of the pests and diseases Influencing dimensional information in the process; using training sets for machine learning, establishing pest and disease prediction models.
  • the apparatus provided by the embodiment of the present invention pre-establishes a pest and disease prediction model through machine learning, determines a target plant to be predicted to grow pests and diseases in the planting equipment, obtains growth environment data of the target plant, and analyzes the growth environment data. Determine the influence dimension information that affects the target plant's pests and diseases. According to the impact dimension information of the target plant and the pre-established pest and disease prediction model, it can be predicted whether the target plant will have pests and diseases in the next growth stage.
  • the device provided by the embodiment of the invention it is possible to accurately predict whether the target plant will have pests and diseases in the next growth stage, and it is convenient for the planting equipment or the user to take relevant measures in time to reduce the loss caused by the pests and diseases and improve the user experience.
  • the pest prediction model establishing module 250 is specifically configured to:
  • the pest test results corresponding to each group of influence dimension information in the training set are determined;
  • the initial pest prediction model is determined as a pest prediction model
  • the training set is expanded, and the step of performing machine learning using the training set is repeatedly performed until the error value is not greater than the set threshold, and the pest prediction model is obtained.
  • the pest prediction module 240 is specifically configured to:
  • the impact dimension information of the target plant is input into a pre-established pest prediction model, and a logistic regression algorithm is used to predict whether the target plant will develop pests and diseases in the next growth stage.
  • the method further includes an early warning information output module, configured to:
  • the pest and disease warning information is output.
  • the early warning information output module is specifically configured to:
  • the pest and disease warning information is sent to the planting equipment, so that the planting equipment adjusts the corresponding environmental parameters according to the set plan.
  • the steps of a method or algorithm described in connection with the embodiments disclosed herein can be implemented directly in hardware, a software module executed by a processor, or a combination of both.
  • the software module can be placed in random access memory (RAM), memory, read only memory (ROM), electrically programmable ROM, electrically erasable programmable ROM, registers, hard disk, removable disk, CD-ROM, or technical field. Any other form of storage medium known.

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • Botany (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Food Science & Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Wood Science & Technology (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Catching Or Destruction (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于种植设备的病虫害预测方法及装置，该方法包括以下步骤：通过机器学习预先建立病虫害预测模型，确定在种植设备内生长的待预测病虫害的目标植物（S110），获得目标植物的生长环境数据（S120），并对生长环境数据进行分析，确定影响目标植物发生病虫害的影响维度信息（S130），根据目标植物的影响维度信息与预先建立的病虫害预测模型，预测目标植物在下一生长阶段是否会发生病虫害（S140）。该方法及装置可以对目标植物在下一生长阶段是否会发生病虫害进行较为准确的预测，便于种植设备或者用户及时采取相关措施，减小病虫害带来的损失，提升用户体验。

Description

一种基于种植设备的病虫害预测方法及装置
本申请要求于2016年9月30日提交中国专利局、申请号为201610875105.0、发明名称为“一种基于种植设备的病虫害预测方法及装置”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本发明涉及种植技术领域，特别是涉及一种基于种植设备的病虫害预测方法及装置。
背景技术
随着科学技术的发展进步，种植箱、种植大棚等种植设备逐渐增多。种植箱多数应用于小型蔬菜植物的种植，不仅可以用于家庭装饰，还可以达到娱乐及亲子教育的目的。种植大棚多数应用于大规模蔬菜植物的种植，可以为用户创造经济效益。
在种植设备中生长的植物，如果维护不当，难免会遭受病虫害。一旦种植设备中植物遭受病虫害，将给用户带来较大损失。所以，如何预测植物下一生长阶段是否会发生病虫害，是目前亟需解决的技术问题。
发明内容
本发明的目的是提供一种基于种植设备的病虫害预测方法及装置，以对目标植物在下一生长阶段是否会发生病虫害进行较为准确的预测，便于种植设备或者用户及时采取相关措施，减小病虫害带来的损失，提升用户体验。
为解决上述技术问题，本发明提供如下技术方案：
一种基于种植设备的病虫害预测方法，包括：
确定在种植设备内生长的待预测病虫害的目标植物；
获得所述目标植物的生长环境数据；
对所述生长环境数据进行分析，确定影响所述目标植物发生病虫害的影响维度信息；
根据所述目标植物的影响维度信息和预先建立的病虫害预测模型，预测所述目标植物在下一生长阶段是否会发生病虫害；
其中，通过以下步骤预先建立所述病虫害预测模型：
获得与所述目标植物的种类相同的植物的多组病虫害样本数据；
根据获得的病虫害样本数据，构建训练集，所述训练集中的每组数据包含病虫害实际发生结果及该病虫害实际发生结果对应的植物生长过程中的影响维度信息；
使用所述训练集进行机器学习，建立所述病虫害预测模型。
在本发明的一种具体实施方式中，所述使用所述训练集进行机器学习，建立所述病虫害预测模型，包括：
使用所述训练集进行机器学习，建立初始病虫害预测模型；
根据所述训练集中的影响维度信息和所述初始病虫害预测模型，确定所述训练集中每组影响维度信息对应的病虫害测试结果；
将所述训练集中每组影响维度信息对应的病虫害测试结果与相应的病虫害实际发生结果进行比较，计算误差值；
如果所述误差值不大于设定阈值，则将所述初始病虫害预测模型确定为所述病虫害预测模型；
如果所述误差值大于所述设定阈值，则扩大所述训练集，重复执行所述使用所述训练集进行机器学习的步骤，直至所述误差值不大于所述设定阈值，获得所述病虫害预测模型。
在本发明的一种具体实施方式中，所述根据所述目标植物的影响维度信息和预先建立的病虫害预测模型，预测所述目标植物在下一生长阶段是否会发生病虫害，包括：
将所述目标植物的影响维度信息输入到预先建立的病虫害预测模型中，采用逻辑回归算法预测所述目标植物在下一生长阶段是否会发生病虫害。
在本发明的一种具体实施方式中，还包括：
如果预测所述目标植物在下一生长阶段会发生病虫害，则输出病虫害预警信息。
在本发明的一种具体实施方式中，所述输出病虫害预警信息，包括：
将病虫害预警信息发送给所述种植设备，以使所述种植设备根据设定的预案调整相应的环境参数。
一种基于种植设备的病虫害预测装置，包括：
目标植物确定模块，用于确定在种植设备内生长的待预测病虫害的目标植物；
生长环境数据获得模块，用于获得所述目标植物的生长环境数据；
影响维度信息确定模块，用于对所述生长环境数据进行分析，确定影响所述目标植物发生病虫害的影响维度信息；
病虫害预测模块，用于根据所述目标植物的影响维度信息和预先建立的病虫害预测模型，预测所述目标植物在下一生长阶段是否会发生病虫害；
病虫害预测模型建立模块，用于通过以下步骤预先建立所述病虫害预测模型：获得与所述目标植物的种类相同的植物的多组病虫害样本数据；根据获得的病虫害样本数据，构建训练集，所述训练集中的每组数据包含病虫害实际发生结果及该病虫害实际发生结果对应的植物生长过程中的影响维度信息；使用所述训练集进行机器学习，建立所述病虫害预测模型。
在本发明的一种具体实施方式中，所述病虫害预测模型建立模块，具体用于：
使用所述训练集进行机器学习，建立初始病虫害预测模型；
根据所述训练集中的影响维度信息和所述初始病虫害预测模型，确定所述训练集中每组影响维度信息对应的病虫害测试结果；
将所述训练集中每组影响维度信息对应的病虫害测试结果与相应的病虫害实际发生结果进行比较，计算误差值；
如果所述误差值不大于设定阈值，则将所述初始病虫害预测模型确定为所述病虫害预测模型；
如果所述误差值大于所述设定阈值，则扩大所述训练集，重复执行所述使用所述训练集进行机器学习的步骤，直至所述误差值不大于所述设定阈值，获得所述病虫害预测模型。
在本发明的一种具体实施方式中，所述病虫害预测模块，具体用于：
将所述目标植物的影响维度信息输入到预先建立的病虫害预测模型中，采 用逻辑回归算法预测所述目标植物在下一生长阶段是否会发生病虫害。
在本发明的一种具体实施方式中，还包括预警信息输出模块，用于：
在预测所述目标植物在下一生长阶段会发生病虫害时，输出病虫害预警信息。
在本发明的一种具体实施方式中，所述预警信息输出模块，具体用于：
将病虫害预警信息发送给所述种植设备，以使所述种植设备根据设定的预案调整相应的环境参数。
本发明实施例所提供的技术方案，通过机器学习预先建立病虫害预测模型，确定在种植设备内生长的待预测病虫害的目标植物后，可以获得目标植物的生长环境数据，并对生长环境数据进行分析，确定影响目标植物发生病虫害的影响维度信息，根据目标植物的影响维度信息与预先建立的病虫害预测模型，可以预测目标植物在下一生长阶段是否会发生病虫害。应用本发明实施例所提供的技术方案，可以对目标植物在下一生长阶段是否会发生病虫害进行较为准确的预测，便于种植设备或者用户及时采取相关措施，减小病虫害带来的损失，提升用户体验。
附图说明
为了更清楚地说明本发明实施例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简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明实施例中一种基于种植设备的病虫害预测方法的实施流程图；
图2为本发明实施例中一种基于种植设备的病虫害预测装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一 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，都属于本发明保护的范围。
参见图1所示，为本发明实施例所提供的一种基于种植设备的病虫害预测方法的实施流程图，该方法可以包括以下步骤：
S110：确定在种植设备内生长的待预测病虫害的目标植物。
在本发明实施例中，目标植物为在种植箱、种植大棚等种植设备中生长的植物，可能正处于某个生长阶段。
在实际应用中，目标植物在生长过程中，受其所处的环境条件的影响，可能会遭受病虫害。如果用户或者种植设备能够提前获知目标植物在下一生长阶段是否会发生病虫害，则有助于用户或者种植设备提前采取相应措施，如调整环境参数等，减小病虫害带来的损失。针对目标植物的病虫害的预测需求，应用本发明实施例所提供的技术方案，可以预测目标植物在下一生长阶段是否会发生病虫害。
在本发明实施例中，可以在接收到用户针对目标植物的病虫害预测请求时，确定待预测病虫害的目标植物，还可以按照设定周期确定待预测病虫害的目标植物，定期对目标植物在下一生长阶段是否会发生病虫害进行预测。
S120：获得目标植物的生长环境数据。
在本发明实施例中，生长环境数据为生长过程中的环境信息数据。
具体的，生长环境数据可以是湿度、温度、空气中二氧化碳含量、光照量、土壤PH值、土壤中设定化学成分的含量等数据。
在步骤S110确定在种植设备内生长的待预测病虫害的目标植物后，可以获得目标植物的生长环境数据。在目标植物生长过程中，可以通过环境监测手段实时获取并记录目标植物所处的环境信息，比如，通过种植设备中内置的温度传感器获取温度信息，通过种植设备中内置的湿度传感器获取湿度信息等。这些信息可以存储于数据库中，在确定待预测病虫害的目标植物后，在数据库中提取该目标植物的生长环境数据。
S130：对生长环境数据进行分析，确定影响目标植物发生病虫害的影响维度信息。
可以理解的是，植物是否会发生病虫害与其所处的生长环境有较大关系。
在本发明实施例中，每一类生长环境数据即可作为一种影响植物发生病虫害的影响维度。具体的，影响维度可以是温度、湿度、空气中二氧化碳含量、光照量、土壤PH值、土壤中设定化学成分的含量等。
在步骤S120获得了目标植物的生长环境数据，进一步可以对该生长环境数据进行分析，确定影响目标植物发生病虫害的影响维度信息。
比如，对目标植物的生长环境数据进行分析后，可以确定出影响目标植物发生病虫害的5个影响维度，每个影响维度对应的影响维度信息如表1所示：
影响维度a 影响维度b 影响维度c 影响维度d 影响维度e
124 159 255 31 96
表1
在表1中，影响维度a信息为124、影响维度b信息为159，影响维度c信息为255，影响维度d信息为31，影响维度e信息为96。
每个影响维度信息可以是根据预设的量化标准对实际值进行量化后的量化值。举例而言，影响维度a为土壤中设定化学成分的含量，当该含量处于[0％,20％]范围时，可以将其量化为51，当该含量处于[40％,60％]范围时，可以将其量化为124。
需要说明的是，上述仅为示例，可以根据实际情况对影响维度信息进行量化。在执行本发明实施例所提供的技术方案过程中，使用相同的量化标准即可。
S140：根据目标植物的影响维度信息及预先建立的病虫害预测模型，预测目标植物在下一生长阶段是否会发生病虫害。
在本发明实施例中，可以预先建立病虫害预测模型。具体的，可以针对每种植物，建立与该种植物对应的病虫害预测模型，并将多个病虫害预测模型归入到一个模型库中进行维护和管理。当需要对目标植物在下一生长阶段是否会发生病虫害进行预测时，可以在模型库中选择出该目标植物对应的病虫害预测模型。
在本发明一种具体实施方式中，可以通过以下步骤预先建立病虫害预测模型：
步骤一：获得与目标植物的种类相同的植物的多组病虫害样本数据；
步骤二：根据获得的病虫害样本数据，构建训练集，训练集中的每组数据包含病虫害实际发生结果及该病虫害实际发生结果对应的植物生长过程中的影响维度信息；
步骤三：使用训练集进行机器学习，建立病虫害预测模型。
为便于描述，将上述三个步骤结合起来进行说明。
在本发明实施例中，可以从已有的样本数据库或者通过收集方式，获得与目标植物的种类相同的植物的多组病虫害样本数据。比如，目标植物为番茄，可以获得在不同生长环境下生长的番茄的病虫害样本数据。
根据获得的病虫害样本数据，可以构建训练集。训练集中每组数据包含病虫害实际发生结果及该病虫害实际发生结果对应的植物生长过程中的影响维度信息。
比如，训练集中的数据如表2所示：
Figure PCTCN2016112338-appb-000001
表2
在表2中，第一组数据表明，在影响维度a信息为51、影响维度b信息为159、影响维度c信息为253、影响维度d信息为159、影响维度e信息为50的条件下，番茄的病虫害实际发生结果为“不得病”，同样，第二组数据表明，影响维度a信息为124、影响维度b信息为253、影响维度c信息为255、影响维度d信息为63、影响维度e信息为96的条件下，番茄的病虫害实际发生结果为“得病”，……。
表2中每个影响维度信息为根据预设的量化标准进行量化的结果。
使用训练集进行机器学习，具体的，可以采用SparkMLlib工具进行机器学习。对训练集进行机器学习后，可以建立病虫害预测模型，该病虫害预测模 型与目标植物的种类相对应。
在本发明的一种具体实施方式中，使用训练集进行机器学习，建立病虫害预测模型的步骤可以包括以下步骤：
第一个步骤：使用训练集进行机器学习，建立初始病虫害预测模型；
第二个步骤：根据训练集中的影响维度信息和初始病虫害预测模型，确定训练集中每组影响维度信息对应的病虫害测试结果；
第三个步骤：将训练集中每组影响维度信息对应的病虫害测试结果与相应的病虫害实际发生结果进行比较，计算误差值；
第四个步骤：如果误差值不大于设定阈值，则将初始病虫害预测模型确定为病虫害预测模型；
第五个步骤：如果误差值大于设定阈值，则扩大训练集，重复执行第一个步骤，直至误差值不大于设定阈值，获得病虫害预测模型。
为便于描述，将上述五个步骤结合起来进行说明。
可以理解的是，训练集中包含的数据量的多少，决定了病虫害预测模型预测的准确程度。
在使用训练集进行机器学习，建立初始病虫害预测模型之后，可以根据训练集中的影响维度信息和该初始病虫害预测模型，确定训练集中每组影响维度信息对应的病虫害测试结果。
比如，训练集的数据文件为：
0 128:51 129:159 130:253……
1 159:124 160:253 161:253……
1 125:145 126:255 127:211……
1 153:5 154:63 155:197……
1 152:1 153:168 154:242……
……
其中，0代表不得病，1代表得病。
将训练集中每组影响维度信息对应的病虫害测试结果与相应的病虫害实际发生结果进行比较，可以计算得到误差值。
比如，上例训练集中的影响维度信息对应的病虫害测试结果与相应的病虫 害实际发生结果的关系表如表3所示：
植物名称 病虫害测试结果 病虫害实际发生结果
番茄 0.0 0.0
番茄 1.0 1.0
番茄 1.0 1.0
番茄 1.0 1.0
番茄 1.0 1.0
表3
根据表3，可以计算病虫害测试结果与病虫害实际发生结果的误差值为：
TrainErr＝0.0。
如果该误差值不大于设定阈值，则表明当前的初始病虫害预测模型的准确程度能够达到设定要求，可以直接将该初始病虫害预测模型确定为病虫害预测模型。设定阈值可以根据实际情况进行设定和调整，本发明实施例对此不做限制。
如果该误差值大于设定阈值，则表明当前的初始病虫害预测模型的准确程度不能够达到设定要求，在这种情况下，可以扩大训练集，具体的，可以通过收集更多的病虫害样本数据构建训练集。
扩大训练集后，可以重复执行使用训练集进行机器学习的步骤，直至误差值不大于设定阈值，获得当前的病虫害预测模型，以供后续业务使用。这样，可以提高病虫害预测模型的预测准确程度。
根据目标植物的影响维度信息及预先建立的病虫害预测模型，可以预测目标植物在下一生长阶段是否会发生病虫害。
具体的，将目标植物的影响维度信息输入到预先建立的病虫害预测模型中，采用逻辑回归算法预测目标植物在下一生长阶段是否会发生病虫害。
本发明实施例所提供的方法，通过机器学习预先建立病虫害预测模型，确定在种植设备内生长的待预测病虫害的目标植物后，可以获得目标植物的生长环境数据，并对生长环境数据进行分析，确定影响目标植物发生病虫害的影响维度信息，根据目标植物的影响维度信息与预先建立的病虫害预测模型，可以预测目标植物在下一生长阶段是否会发生病虫害。应用本发明实施例所提供的 方法，可以对目标植物在下一生长阶段是否会发生病虫害进行较为准确的预测，便于种植设备或者用户及时采取相关措施，减小病虫害带来的损失，提升用户体验。
在本发明的一个实施例中，该方法还可以包括以下步骤：
如果预测目标植物在下一生长阶段会发生病虫害，则输出病虫害预警信息。
如果预测目标植物在下一生长阶段会发生病虫害，则输出病虫害预警信息，具体的，可以将该预警信息输出给种植设备，由种植设备控制其内置的病虫害预警指示灯闪烁，或者，可以将该预警信息输出给用户，以使用户针对该预警信息采取相应措施。
在本发明的一种具体实施方式中，具体可以将病虫害预警信息发送给种植设备，以使种植设备根据设定的预案调整相应的环境参数。
在本发明实施例中，可以针对病虫害设定预案，并在种植设备中保存。当种植设备接收到病虫害预警信息时，可以根据设定的预案调整相应的环境参数。比如，通过其内置的温度调节装置调节种植设备内温度，或者通过其内置的营养液更换装置更换营养液等。
这样，可以有效避免病虫害的发生，减小病虫害带来的损失。
相应于上面的方法实施例，本发明实施例还提供了一种基于种植设备的病虫害预测装置，下文描述的一种基于种植设备的病虫害预测装置与上文描述的一种基于种植设备的病虫害预测方法可相互对应参照。
参见图2所示，该装置包括以下模块：
目标植物确定模块210，用于确定在种植设备内生长的待预测病虫害的目标植物；
生长环境数据获得模块220，用于获得目标植物的生长环境数据；
影响维度信息确定模块230，用于对生长环境数据进行分析，确定影响目标植物发生病虫害的影响维度信息；
病虫害预测模块240，用于根据目标植物的影响维度信息和预先建立的病虫害预测模型，预测目标植物在下一生长阶段是否会发生病虫害；
病虫害预测模型建立模块250，用于通过以下步骤预先建立病虫害预测模 型：获得与目标植物的种类相同的植物的多组病虫害样本数据；根据获得的病虫害样本数据，构建训练集，训练集中的每组数据包含病虫害实际发生结果及该病虫害实际发生结果对应的植物生长过程中的影响维度信息；使用训练集进行机器学习，建立病虫害预测模型。
本发明实施例所提供的装置，通过机器学习预先建立病虫害预测模型，确定在种植设备内生长的待预测病虫害的目标植物后，可以获得目标植物的生长环境数据，并对生长环境数据进行分析，确定影响目标植物发生病虫害的影响维度信息，根据目标植物的影响维度信息与预先建立的病虫害预测模型，可以预测目标植物在下一生长阶段是否会发生病虫害。应用本发明实施例所提供的装置，可以对目标植物在下一生长阶段是否会发生病虫害进行较为准确的预测，便于种植设备或者用户及时采取相关措施，减小病虫害带来的损失，提升用户体验。
在本发明的一种具体实施方式中，病虫害预测模型建立模块250，具体用于：
使用训练集进行机器学习，建立初始病虫害预测模型；
根据训练集中的影响维度信息和初始病虫害预测模型，确定训练集中每组影响维度信息对应的病虫害测试结果；
将训练集中每组影响维度信息对应的病虫害测试结果与相应的病虫害实际发生结果进行比较，计算误差值；
如果误差值不大于设定阈值，则将初始病虫害预测模型确定为病虫害预测模型；
如果误差值大于设定阈值，则扩大训练集，重复执行使用训练集进行机器学习的步骤，直至误差值不大于设定阈值，获得病虫害预测模型。
在本发明的一种具体实施方式中，病虫害预测模块240，具体用于：
将目标植物的影响维度信息输入到预先建立的病虫害预测模型中，采用逻辑回归算法预测目标植物在下一生长阶段是否会发生病虫害。
在本发明的一种具体实施方式中，还包括预警信息输出模块，用于：
在预测目标植物在下一生长阶段会发生病虫害时，输出病虫害预警信息。
在本发明的一种具体实施方式中，预警信息输出模块，具体用于：
将病虫害预警信息发送给种植设备，以使种植设备根据设定的预案调整相应的环境参数。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的技术方案及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (10)

  1. 一种基于种植设备的病虫害预测方法，其特征在于，包括：
    确定在种植设备内生长的待预测病虫害的目标植物；
    获得所述目标植物的生长环境数据；
    对所述生长环境数据进行分析，确定影响所述目标植物发生病虫害的影响维度信息；
    根据所述目标植物的影响维度信息和预先建立的病虫害预测模型，预测所述目标植物在下一生长阶段是否会发生病虫害；
    其中，通过以下步骤预先建立所述病虫害预测模型：
    获得与所述目标植物的种类相同的植物的多组病虫害样本数据；
    根据获得的病虫害样本数据，构建训练集，所述训练集中的每组数据包含病虫害实际发生结果及该病虫害实际发生结果对应的植物生长过程中的影响维度信息；
    使用所述训练集进行机器学习，建立所述病虫害预测模型。
  2. 根据权利要求1所述的基于种植设备的病虫害预测方法，其特征在于，所述使用所述训练集进行机器学习，建立所述病虫害预测模型，包括：
    使用所述训练集进行机器学习，建立初始病虫害预测模型；
    根据所述训练集中的影响维度信息和所述初始病虫害预测模型，确定所述训练集中每组影响维度信息对应的病虫害测试结果；
    将所述训练集中每组影响维度信息对应的病虫害测试结果与相应的病虫害实际发生结果进行比较，计算误差值；
    如果所述误差值不大于设定阈值，则将所述初始病虫害预测模型确定为所述病虫害预测模型；
    如果所述误差值大于所述设定阈值，则扩大所述训练集，重复执行所述使用所述训练集进行机器学习的步骤，直至所述误差值不大于所述设定阈值，获得所述病虫害预测模型。
  3. 根据权利要求1所述的基于种植设备的病虫害预测方法，其特征在于，所述根据所述目标植物的影响维度信息和预先建立的病虫害预测模型，预测所述目标植物在下一生长阶段是否会发生病虫害，包括：
    将所述目标植物的影响维度信息输入到预先建立的病虫害预测模型中，采用逻辑回归算法预测所述目标植物在下一生长阶段是否会发生病虫害。
  4. 根据权利要求1至3任一项所述的基于种植设备的病虫害预测方法，其特征在于，还包括：
    如果预测所述目标植物在下一生长阶段会发生病虫害，则输出病虫害预警信息。
  5. 根据权利要求4所述的基于种植设备的病虫害预测方法，其特征在于，所述输出病虫害预警信息，包括：
    将病虫害预警信息发送给所述种植设备，以使所述种植设备根据设定的预案调整相应的环境参数。
  6. 一种基于种植设备的病虫害预测装置，其特征在于，包括：
    目标植物确定模块，用于确定在种植设备内生长的待预测病虫害的目标植物；
    生长环境数据获得模块，用于获得所述目标植物的生长环境数据；
    影响维度信息确定模块，用于对所述生长环境数据进行分析，确定影响所述目标植物发生病虫害的影响维度信息；
    病虫害预测模块，用于根据所述目标植物的影响维度信息和预先建立的病虫害预测模型，预测所述目标植物在下一生长阶段是否会发生病虫害；
    病虫害预测模型建立模块，用于通过以下步骤预先建立所述病虫害预测模型：获得与所述目标植物的种类相同的植物的多组病虫害样本数据；根据获得的病虫害样本数据，构建训练集，所述训练集中的每组数据包含病虫害实际发生结果及该病虫害实际发生结果对应的植物生长过程中的影响维度信息；使用所述训练集进行机器学习，建立所述病虫害预测模型。
  7. 根据权利要求6所述的基于种植设备的病虫害预测装置，其特征在于，所述病虫害预测模型建立模块，具体用于：
    使用所述训练集进行机器学习，建立初始病虫害预测模型；
    根据所述训练集中的影响维度信息和所述初始病虫害预测模型，确定所述训练集中每组影响维度信息对应的病虫害测试结果；
    将所述训练集中每组影响维度信息对应的病虫害测试结果与相应的病虫 害实际发生结果进行比较，计算误差值；
    如果所述误差值不大于设定阈值，则将所述初始病虫害预测模型确定为所述病虫害预测模型；
    如果所述误差值大于所述设定阈值，则扩大所述训练集，重复执行所述使用所述训练集进行机器学习的步骤，直至所述误差值不大于所述设定阈值，获得所述病虫害预测模型。
  8. 根据权利要求6所述的基于种植设备的病虫害预测装置，其特征在于，所述病虫害预测模块，具体用于：
    将所述目标植物的影响维度信息输入到预先建立的病虫害预测模型中，采用逻辑回归算法预测所述目标植物在下一生长阶段是否会发生病虫害。
  9. 根据权利要求6至8任一项所述的基于种植设备的病虫害预测装置，其特征在于，还包括预警信息输出模块，用于：
    在预测所述目标植物在下一生长阶段会发生病虫害时，输出病虫害预警信息。
  10. 根据权利要求9所述的基于种植设备的病虫害预测装置，其特征在于，所述预警信息输出模块，具体用于：
    将病虫害预警信息发送给所述种植设备，以使所述种植设备根据设定的预案调整相应的环境参数。
PCT/CN2016/112338 2016-09-30 2016-12-27 一种基于种植设备的病虫害预测方法及装置 Ceased WO2018058821A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201610875105.0 2016-09-30
CN201610875105.0A CN106645563A (zh) 2016-09-30 2016-09-30 一种基于种植设备的病虫害预测方法及装置

Publications (1)

Publication Number Publication Date
WO2018058821A1 true WO2018058821A1 (zh) 2018-04-05

Family

ID=58855041

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2016/112338 Ceased WO2018058821A1 (zh) 2016-09-30 2016-12-27 一种基于种植设备的病虫害预测方法及装置

Country Status (2)

Country Link
CN (1) CN106645563A (zh)
WO (1) WO2018058821A1 (zh)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902268A (zh) * 2019-03-19 2019-06-18 石家庄市农林科学研究院 一种番茄茎基腐病的监测预警方法及装置
CN111046204A (zh) * 2019-12-16 2020-04-21 北京植得智能互联科技有限公司 一种病虫害识别防治系统
CN111223003A (zh) * 2020-03-13 2020-06-02 陕西农津信息技术服务有限公司 一种面向产区的种植决策服务系统与方法
CN111914914A (zh) * 2020-07-21 2020-11-10 上海理想信息产业（集团）有限公司 一种病虫害的识别方法、装置、设备和存储介质
CN111986149A (zh) * 2020-07-16 2020-11-24 江西斯源科技有限公司 一种基于卷积神经网络的植物病虫害检测方法
CN112215293A (zh) * 2020-10-20 2021-01-12 平安国际智慧城市科技股份有限公司 植物病虫害识别方法、装置及计算机设备
CN112785047A (zh) * 2021-01-06 2021-05-11 上海信联信息发展股份有限公司 农作物的采收量预测方法和装置
CN113191742A (zh) * 2021-05-24 2021-07-30 苏州三润景观工程有限公司 绿植病虫害智能识别方法
CN113435825A (zh) * 2021-05-06 2021-09-24 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) 一种基于土传病害防治的智能管理方法、系统及存储介质
CN114550108A (zh) * 2022-04-26 2022-05-27 广东省农业科学院植物保护研究所 一种草地贪夜蛾的识别预警方法及系统
CN114708506A (zh) * 2022-04-07 2022-07-05 河北科技师范学院 一种板栗病害监控系统
WO2022167240A1 (de) 2021-02-03 2022-08-11 Bayer Aktiengesellschaft Vorhersage von pflanzenschutzmittel-rückständen in ernteprodukten
CN116307458A (zh) * 2022-12-22 2023-06-23 四川长虹云数信息技术有限公司 病虫害识别防治预警系统及方法
CN117391265A (zh) * 2023-12-13 2024-01-12 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) 基于大数据分析的林业病虫灾害风险预测方法
CN117523617A (zh) * 2024-01-08 2024-02-06 陕西安康玮创达信息技术有限公司 基于机器学习的虫害检测方法及系统
CN117789067A (zh) * 2024-02-27 2024-03-29 山东字节信息科技有限公司 一种基于机器学习的无人机农作物监测方法及系统
CN117854012A (zh) * 2024-03-07 2024-04-09 成都智慧城市信息技术有限公司 一种基于大数据的农作物环境监测方法及系统
CN119023911A (zh) * 2024-10-28 2024-11-26 西安道法数器信息科技有限公司 园林植物病虫害监测系统
CN120147863A (zh) * 2025-02-26 2025-06-13 杭州种地牛农业科技有限公司 一种水稻病虫害监测方法及系统
EP4573898A2 (de) 2019-08-07 2025-06-25 Bayer CropScience Schweiz AG Vorhersage von pflanzenschutzmittel-rückständen in ernteprodukten

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106779188A (zh) * 2016-11-30 2017-05-31 深圳前海弘稼科技有限公司 一种种植设备中植物病虫害预测方法及装置
CN107357271B (zh) * 2017-06-30 2018-07-17 深圳春沐源控股有限公司 温室作物病虫害的防治方法、防治系统
CN108596657A (zh) * 2018-04-11 2018-09-28 北京木业邦科技有限公司 树木价值预测方法、装置、电子设备及存储介质
JP7757028B2 (ja) 2020-01-16 2025-10-21 横河電機株式会社 支援システム、及び支援方法
CN111639750A (zh) * 2020-05-26 2020-09-08 珠海格力电器股份有限公司 智能花盆的控制方法、装置、智能花盆及存储介质
CN112836903B (zh) * 2021-03-25 2022-01-28 中化现代农业有限公司 病虫害风险预测方法
CN113303151A (zh) * 2021-05-19 2021-08-27 苏州三润景观工程有限公司 基于大数据的绿植病虫害修复方法
CN113705875A (zh) * 2021-08-19 2021-11-26 大气候物联网科技(广州)有限公司 一种农作物病虫害预警方法、系统、装置及存储介质
CN114548489A (zh) * 2022-01-11 2022-05-27 山东锋士信息技术有限公司 农作物病虫害预测方法及系统
CN115147837B (zh) * 2022-08-16 2023-10-27 河北省农林科学院植物保护研究所 一种基于光学图像识别的二点委夜蛾饲养方法及系统
CN115965875B (zh) * 2023-03-16 2023-06-20 德阳稷农农业科技有限公司 一种农作物病虫害智能监控方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101052147A (zh) * 2007-05-24 2007-10-10 中国科学院合肥物质科学研究院 大田作物病虫害智能预警系统
CN101162384A (zh) * 2006-10-12 2008-04-16 魏珉 人工智能植物生长环境调控专家决策系统
CN103093389A (zh) * 2013-01-15 2013-05-08 苏州迪芬德物联网科技有限公司 基于网络的农产品生产管理系统
CN103869780A (zh) * 2014-03-13 2014-06-18 河南洛士达科技有限公司 一种智慧农业大棚终端信息处理系统
CN104008633A (zh) * 2014-05-26 2014-08-27 中国农业大学 一种设施菠菜病害预警方法及系统
US20160148104A1 (en) * 2014-11-24 2016-05-26 Prospera Technologies, Ltd. System and method for plant monitoring

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1273874C (zh) * 2003-05-15 2006-09-06 沈佐锐 温室生态健康的智能监控系统
CN102084794B (zh) * 2010-10-22 2013-03-06 华南农业大学 多传感器信息融合的作物病虫害早期检测方法及装置
CN103034910B (zh) * 2012-12-03 2016-03-09 北京农业信息技术研究中心 基于多源信息的区域尺度病虫害预测方法
WO2015132208A1 (en) * 2014-03-03 2015-09-11 Avia-Gis Method for the profiling of pests and for the determination and prediction of associated risks and means for adapted pest control
CN104035412A (zh) * 2014-06-12 2014-09-10 江苏恒创软件有限公司 一种基于无人机的农作物病虫害监测系统和方法
KR101661846B1 (ko) * 2015-03-05 2016-09-30 (주) 더아이엠씨 병해충 징후 예찰 및 예측방법
CN104794537A (zh) * 2015-04-17 2015-07-22 中国农业科学院柑桔研究所 一种柑桔矢尖蚧发生期预测模型建立方法
CN105843862A (zh) * 2016-03-17 2016-08-10 中国科学院遥感与数字地球研究所 一种构建作物病虫害遥感测报系统的方法及遥感测报系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101162384A (zh) * 2006-10-12 2008-04-16 魏珉 人工智能植物生长环境调控专家决策系统
CN101052147A (zh) * 2007-05-24 2007-10-10 中国科学院合肥物质科学研究院 大田作物病虫害智能预警系统
CN103093389A (zh) * 2013-01-15 2013-05-08 苏州迪芬德物联网科技有限公司 基于网络的农产品生产管理系统
CN103869780A (zh) * 2014-03-13 2014-06-18 河南洛士达科技有限公司 一种智慧农业大棚终端信息处理系统
CN104008633A (zh) * 2014-05-26 2014-08-27 中国农业大学 一种设施菠菜病害预警方法及系统
US20160148104A1 (en) * 2014-11-24 2016-05-26 Prospera Technologies, Ltd. System and method for plant monitoring

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902268A (zh) * 2019-03-19 2019-06-18 石家庄市农林科学研究院 一种番茄茎基腐病的监测预警方法及装置
EP4573898A2 (de) 2019-08-07 2025-06-25 Bayer CropScience Schweiz AG Vorhersage von pflanzenschutzmittel-rückständen in ernteprodukten
EP4573899A2 (de) 2019-08-07 2025-06-25 Bayer CropScience Schweiz AG Vorhersage von pflanzenschutzmittel-rückständen in ernteprodukten
CN111046204A (zh) * 2019-12-16 2020-04-21 北京植得智能互联科技有限公司 一种病虫害识别防治系统
CN111223003A (zh) * 2020-03-13 2020-06-02 陕西农津信息技术服务有限公司 一种面向产区的种植决策服务系统与方法
CN111986149A (zh) * 2020-07-16 2020-11-24 江西斯源科技有限公司 一种基于卷积神经网络的植物病虫害检测方法
CN111914914A (zh) * 2020-07-21 2020-11-10 上海理想信息产业（集团）有限公司 一种病虫害的识别方法、装置、设备和存储介质
CN112215293A (zh) * 2020-10-20 2021-01-12 平安国际智慧城市科技股份有限公司 植物病虫害识别方法、装置及计算机设备
CN112785047A (zh) * 2021-01-06 2021-05-11 上海信联信息发展股份有限公司 农作物的采收量预测方法和装置
WO2022167240A1 (de) 2021-02-03 2022-08-11 Bayer Aktiengesellschaft Vorhersage von pflanzenschutzmittel-rückständen in ernteprodukten
CN113435825A (zh) * 2021-05-06 2021-09-24 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) 一种基于土传病害防治的智能管理方法、系统及存储介质
CN113191742A (zh) * 2021-05-24 2021-07-30 苏州三润景观工程有限公司 绿植病虫害智能识别方法
CN114708506A (zh) * 2022-04-07 2022-07-05 河北科技师范学院 一种板栗病害监控系统
CN114708506B (zh) * 2022-04-07 2024-05-14 河北科技师范学院 一种板栗病害监控系统
CN114550108A (zh) * 2022-04-26 2022-05-27 广东省农业科学院植物保护研究所 一种草地贪夜蛾的识别预警方法及系统
CN116307458A (zh) * 2022-12-22 2023-06-23 四川长虹云数信息技术有限公司 病虫害识别防治预警系统及方法
CN117391265B (zh) * 2023-12-13 2024-03-05 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) 基于大数据分析的林业病虫灾害风险预测方法
CN117391265A (zh) * 2023-12-13 2024-01-12 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) 基于大数据分析的林业病虫灾害风险预测方法
CN117523617B (zh) * 2024-01-08 2024-04-05 陕西安康玮创达信息技术有限公司 基于机器学习的虫害检测方法及系统
CN117523617A (zh) * 2024-01-08 2024-02-06 陕西安康玮创达信息技术有限公司 基于机器学习的虫害检测方法及系统
CN117789067A (zh) * 2024-02-27 2024-03-29 山东字节信息科技有限公司 一种基于机器学习的无人机农作物监测方法及系统
CN117789067B (zh) * 2024-02-27 2024-05-10 山东字节信息科技有限公司 一种基于机器学习的无人机农作物监测方法及系统
CN117854012A (zh) * 2024-03-07 2024-04-09 成都智慧城市信息技术有限公司 一种基于大数据的农作物环境监测方法及系统
CN117854012B (zh) * 2024-03-07 2024-05-14 成都智慧城市信息技术有限公司 一种基于大数据的农作物环境监测方法及系统
CN119023911A (zh) * 2024-10-28 2024-11-26 西安道法数器信息科技有限公司 园林植物病虫害监测系统
CN120147863A (zh) * 2025-02-26 2025-06-13 杭州种地牛农业科技有限公司 一种水稻病虫害监测方法及系统

Also Published As

Publication number Publication date
CN106645563A (zh) 2017-05-10

Similar Documents

Publication Publication Date Title
WO2018058821A1 (zh) 一种基于种植设备的病虫害预测方法及装置
WO2018099220A1 (zh) 一种种植设备中植物病虫害预测方法及装置
CN118350678B (zh) 基于物联网与大数据的水环境监测数据处理方法及系统
CN114662742B (zh) 大田灌溉施肥制度动态决策方法及装置
Wayte et al. An effective harvest strategy using improved catch-curves
CN105824979A (zh) 课程推荐方法及其系统
CN110276480A (zh) 一种用于建筑能耗管理的分析预测方法及系统
US20250217620A1 (en) Data processing method and apparatus, and electronic device
CN117711295A (zh) 基于人工智能的显示模组控制方法、装置、芯片及介质
CN110826764B (zh) 基于随机森林算法的植被指数预测方法、系统及设备
Kalaiarasi et al. Crop yield prediction using multi-parametric deep neural networks
CN111325376A (zh) 风速预测方法及装置
Rohde et al. Lettuce modelling for growth control in precision agriculture
Rahman et al. Application of data mining tools for rice yield prediction on clustered regions of Bangladesh
CN118551308A (zh) 一种基于数据分析的食用菌育种生长过程监测方法及系统
CN116882562A (zh) 一种农业碳排放影响因素分析方法及系统
US11847186B2 (en) Methods and systems for obtaining user evulation used in natural gas energy measurement
Cao et al. Modeling Bromus diandrus seedling emergence using nonparametric estimation
CN116433068A (zh) 一种评价土壤多功能性的因果机器学习方法
CN118823775B (zh) 一种胚胎培养设备的控制方法、系统及存储介质
Sellman et al. Realistic assumptions about spatial locations and clustering of premises matter for models of foot-and-mouth disease spread in the United States
Xu et al. Growth dynamics and heritability for plant high‐throughput phenotyping studies using hierarchical functional data analysis
He et al. Estimating the dynamics of ecosystem functions under climate change in a temperate forest region
CN108985493A (zh) 一种基于自适应可变滤镜的地类变化预测方法
Keesman et al. A system identification approach for developing and parameterising an agroforestry system model under constrained availability of data

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 16917565

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC - FORM 1205A (20.08.2019)

122 Ep: pct application non-entry in european phase

Ref document number: 16917565

Country of ref document: EP

Kind code of ref document: A1