1.本发明属于农业互联网领域，具体涉及一种基于人工智能技术的病虫害识别方法及智能处理系统。
背景技术：2.近年来，随着经济社会的发展，人们对于城市绿化越发重视。高架桥体上的花朵在城市滞尘、降噪，美化城市环境，提高城市绿化率和提升城市品牌上起到了不可忽视的作用。然而，高架上的日常护理以及病虫害防治需要大量的人力物力，并且需要养护人员具备一定的专业知识。
3.月季虽然病虫害多，但是由于其花期长，在不少路段都采用了月季作为高架盆栽。目前对于高架上月季的病虫害发现主要是通过专家在高架上缓慢行进，用肉眼观察每一片月季的生长情况。该方法检查面积小、成本大并且具有安全隐患。
4.对于近年兴起的以深度卷积神经网络为基础的物体检测方法，能够通过图片来识别出病虫害的种类。但是图片不能反映花朵所处的土壤等环境因素，因此不能确定应该采取的养护措施，限制了该技术的应用。
技术实现要素：5.为了弥补现有技术的不足，本发明提供一种基于人工智能技术的病虫害识别方法及智能处理系统技术方案。
6.一种基于人工智能技术的病虫害识别方法，包括：
7.s1采集月季不同病虫害的图片输入到深度卷积神经网络模型之中训练，使神经网络能够自动识别病虫害种类；
8.s2构建专家系统；
9.s3通过光谱仪进行月季病虫害的初筛，将光谱异于正常生长月季的区域标注为可疑区域；
10.s4采集可疑区域的环境信息，并传输给数据中心；
11.s5数据中心综合接收到的信息，分析该可疑区域病虫害情况并得出应该采取的措施，通过云端返回分析结果；
12.s6检测员根据数据中心返回的结果，判断自身是否有条件处理；
13.若有，则进行处理；否则，检测员在该可疑区域做好标记。
14.进一步地，s1还包括输入的图片的形状约定为256
×
256
×
3。
15.进一步地，s1还包括图片在输入到深度卷积神经网络模型前进行归一化和直方图均衡化处理。
16.进一步地，s1中深度卷积神经网络模型的结构采用resnet50。
17.进一步地，s1中深度卷积神经网络模型的输出层9个神经元，返回一个9维的向量，分别对应于没有病虫害的概率，月季患有黑斑病的概率，月季患有白粉病的概率，月季患有
霜霉病的概率，月季患有红蜘蛛虫害的概率，月季患有蚜虫虫害的概率，月季患有白蜡蚧虫害的概率，月季患有天牛虫害的概率，月季有病虫害但不属于以上七种病虫害的概率。
18.进一步地，s2中，专家系统基于专家给出的基础规则并进行不确定性推理从而得到应该对该片区域采取的举措；
19.专家系统中包含专家预先设定好的产生式规则，产生式规则的形式为：
20.if e then h(cf(h,e))
21.其中，e为证据，h为结论，cf(h，e)为可信度因子，取值范围为[-1,1]表明该条规则的可信度；若由于相应证据的出现增加结论h为真的可能性，则cf(h，e)》0，且证据的出现越是支持h为真，就使cf(h，e)的值越大；反之亦然。
[0022]
由于实际情况远超人为用规则能表述，因此需要设定组合证据的不确定性算法、不确定性传递算法以及结论不确定性的合成算法通过推理来解决实际的复杂问题。
[0023]
组合证据的不确定性算法：
[0024]
组合多个单一证据的合取，则cf值为所有证据对应的cf值中最小值。
[0025]
e＝e1 and e2 and......and en则cf(e)＝min{cf(e1),cf(e2),......,cf(en)}
[0026]
组合多个单一证据的析取，则cf值为所有证据对应的cf值中最大值。
[0027]
e＝e1 or e2 or......or en则cf(e)＝max{cf(e1),cf(e2),......,cf(en)}
[0028]
不确定性传递算法：
[0029]
结论的可信度可由下式计算：
[0030]
cf(h)＝cf(h,e)*max{0,cf(e)}
[0031]
结论不确定性的合成算法：
[0032]
识：
[0033]
if e1 then h(cf(h,e 1))
[0034]
if e2 then h(cf(h,e2))
[0035]
则e1和e2对h的综合影响所形成的可信度
[0036][0037]
利用上述规则，专家系统进行推理的方式为：
[0038]
1)初始化规则集合。具体为专家预先给定的产生式规则。
[0039]
2)初始化规则事实集合。具体为采集到的环境信息，包括深度卷积神经网络的输出类别信息以及采集到的的环境温度、土壤湿度、土壤肥力信息和环境的位置信息、采集的时间信息。
[0040]
3)推理。利用不确定性推理方法进行正向推理，并将结果放到知识库中，不停循环直至得到所需答案。
[0041]
进一步地，s2中，环境信息包括深度卷积神经网络模型的输出类别信息以及采集到的环境温度、土壤湿度、土壤肥力、环境的位置信息、采集的时间信息、月季生长环境照片
中的一种或多种。
[0042]
进一步地，s3具体包括：检测员驾驶载有对应传感器与联网设备的车辆到高架上，通过光谱仪进行月季病虫害的初筛，将光谱异于正常生长月季的区域标注为可疑区域，并下车进行细查。
[0043]
进一步地，s5具体包括：数据中心根据可疑区域的图片，通过训练好的深度卷积神经网络模型得到该区域的病虫害种类；通过gps位置信息获得检测位置所属地区；通过时间信息可以得到检测时的时间区间；知识推理机将以上信息作为外界输入，并结合预先设置好的产生式规则进行不确定性推理，从而得出应该采取的措施，并通过云端返回给检测员。
[0044]
本发明还提供一种基于人工智能技术的病虫害智能处理系统，包括：
[0045]
光谱仪，其将月季发出的复色光分离成光谱，用于月季病虫害的初筛，将光谱异于正常月季的区域标记为可疑区域；
[0046]
摄像头，其采集可疑区域的照片，用于深度卷积神经网络判断该区域的病虫害种类；
[0047]
gps定位仪，其测量环境地理位置，用于给专家系统提供位置坐标信息；
[0048]
土壤湿度传感器，其测量土壤中的湿度，用于给专家系统提供月季生长环境的水分信息；
[0049]
空气温度传感器，其测量空气温度，用于给专家系统提供月季生长环境的温度信息；
[0050]
肥力传感器，其测量可疑区域月季生长土壤的肥力，用于给专家系统提供土壤氮磷钾含量信息；
[0051]
数据收集单元，其收集光谱仪、摄像头、gps定位仪、土壤湿度传感器、空气温度传感器、肥力传感器采集的数据；
[0052]
无线通信单元，其将数据收集单元收集的数据传输至云端，并接收云端传输来的信息；以及
[0053]
显示单元，其显示云端传输来的信息。
[0054]
与现有技术相比，本发明的有益效果是：
[0055]
本发明提供能够采集月季生长环境的多种重要信息，较为全面地反映了月季生长环境信息，从而使得专家系统能够更加全面地衡量月季所处环境与病虫害信息，进而做出更加准确的诊断；同时，结合初筛和细查的检测流程极大的提高了病虫害检查的效率，同时兼顾了准确性，降低了人工成本；此外，深度学习和专家系统的使用将专家诊断这一步骤自动化完成，大大降低了使用门槛。
附图说明
[0056]
图1为实施例1流程图；
[0057]
图2为实施例1提供的基于人工智能的月季病虫害识别和处理的流程图。
[0058]
图3为实施例1提供的专家系统的工作流程示意图；
[0059]
图4为实施例2电路关系示意图。
具体实施方式
[0060]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0061]
下面结合附图对本发明作进一步说明。
[0062]
实施例1
[0063]
请参考图1-3，一种基于人工智能技术的病虫害识别方法，具体包括以下步骤：
[0064]
s1：在装置运行之前，首先需要采集月季不同病虫害的图片输入到深度卷积神经网络之中训练，让神经网络能够自动识别病虫害种类。
[0065]
其中，在采集月季病虫害图片的过程中需要注意样本选取的针对性和泛化性。既要确保采集的样本和设备真实运行时所要遇到的图片类似，确保模型的针对性；又要确保样本选取的远近、角度能够多样，提高模型泛化性能。
[0066]
其中，采集的月季花rgb图片，经过深度卷积神经网络模型提取特征，特征再经过线性层和softmax层输出该图片属于各种病虫害的概率。
[0067]
优选地，为了确保能够准确识别，输入图片的形状约定为256
×
256
×
3，并在输入到神经网络前进行归一化和直方图均衡化以防止光照等因素对结果的影响。
[0068]
优选地，深度卷积神经网络模型结构采用resnet50，能够有效防止过拟合和梯度爆炸等问题。
[0069]
在本实施例中，模型的输出层9个神经元，返回一个9维的向量(p1,p2,p3,p4,p5,p6,p7,p8,p9)，分别对应于没有病虫害的概率，月季患有黑斑病的概率，月季患有白粉病的概率，月季患有霜霉病的概率，月季患有红蜘蛛虫害的概率，月季患有蚜虫虫害的概率，月季患有白蜡蚧虫害的概率，月季患有天牛虫害的概率，月季有病虫害但不属于以上七种病虫害的概率。
[0070]
s2：构建专家系统。
[0071]
在专家系统的构建过程中，还需要让专家提供专家系统推理所需要的基础规则。专家系统基于专家给出的基础规则并进行不确定性推理从而得到应该对该片区域采取的举措。
[0072]
专家系统中包含专家预先设定好的产生式规则，产生式规则的形式为：
[0073]
if e then h(cf(h,e))
[0074]
其中，e为证据，h为结论，cf(h，e)为可信度因子，取值范围为[-1,1]表明该条规则的可信度；若由于相应证据的出现增加结论h为真的可能性，则cf(h，e)》0，且证据的出现越是支持h为真，就使cf(h，e)的值越大；反之亦然。
[0075]
由于实际情况远超人为用规则能表述，因此需要设定组合证据的不确定性算法、不确定性传递算法以及结论不确定性的合成算法通过推理来解决实际的复杂问题。
[0076]
组合证据的不确定性算法：
[0077]
组合多个单一证据的合取，则cf值为所有证据对应的cf值中最小值。
[0078]
e＝e1 and e2 and......and en则cf(e)＝min{cf(e1),cf(e2),......,cf(en)}
[0079]
组合多个单一证据的析取，则cf值为所有证据对应的cf值中最大值。
[0080]
e＝e1 or e2 or......or en则cf(e)＝max{cf(e1),cf(e2),......,cf(en)}
[0081]
不确定性传递算法：
[0082]
结论的可信度可由下式计算：
[0083]
cf(h)＝cf(h,e)*max{0,cf(e)}
[0084]
结论不确定性的合成算法：
[0085]
识：
[0086]
if e1 then h(cf(h,e 1))
[0087]
if e2 then h(cf(h,e2))
[0088]
则e1和e2对h的综合影响所形成的可信度
[0089][0090]
利用上述规则，专家系统进行推理的方式为：
[0091]
1)初始化规则集合。具体为专家预先给定的产生式规则。
[0092]
2)初始化规则事实集合。具体为采集到的环境信息，包括深度卷积神经网络的输出类别信息以及采集到的的环境温度、土壤湿度、土壤肥力信息和环境的位置信息、采集的时间信息。
[0093]
3)推理。利用不确定性推理方法进行正向推理，并将结果放到知识库中，不停循环直至得到所需答案。
[0094]
s3：在一切设备确认无误的基础上，检测员驾驶载有对应传感器与联网设备的车辆到高架上，通过光谱仪进行月季病虫害的初筛，将光谱异于正常生长月季的区域标注为可疑区域，并下车进行细查。
[0095]
s4：在遇到可疑区域时，检测员下车并采集环境信息并上传至云端，交给数据中心处理。
[0096]
优选地，在本实施例中，选取环境温度，土壤湿度，土壤肥力，月季生长环境照片，检测时间，可疑区域地理位置作为月季生长的环境信息。
[0097]
具体地，检测员利用空气温度传感器、土壤湿度传感器、肥力传感器分别测量环境温度、土壤湿度、土壤肥力，利用摄像头拍摄该片区域月季的生长环境的rgb图片，利用车载gps定位仪确定时间和地理位置。
[0098]
s5：如图二所示，数据中心综合接收到的信息，迅速分析该区域病虫害情况并得出应该采取的措施，通过云端返回给检测员。
[0099]
具体地，数据中心根据可疑区域的rgb图片，通过训练好的深度卷积神经网络模型得到该区域的病虫害种类；通过gps位置信息可以获得检测位置所属地区；通过时间信息可以得到检测时的时间区间。知识推理机将以上信息作为外界输入，并结合预先设置好的产生式规则进行不确定性推理，从而得出应该采取的措施，并通过云端返回给检测员。
[0100]
s6：检测员根据数据中心返回的结果，判断自身是否有条件处理。
[0101]
若有，则进行处理；否则，检测员在该可疑区域做好标记，方便之后专家来进行处
理。
[0102]
上述的一种基于人工智能技术的病虫害识别方法能够高效且准确识别出病虫害并得出应对措施，其特点在于包括初筛和细查两方面。
[0103]
其中，初筛是通过车辆在高架上较快地匀速行驶，利用光谱仪发现是否存在可疑区域，即光谱分布异于正常月季的区域，并提示工作人员进行下一步细查。在初筛判断为可疑的区域内，工作人员将进行细查。在得到上述信息之后，通过车载联网系统上传至数据中心进行处理和分析，得出应该对该片区域采取的措施，并返回给操作人员。
[0104]
其中，对以上信息的处理包括两个步骤：深度卷积神经网络模型对图片所属的病虫害进行分类，以及专家系统综合利用上述信息并结合规则库中的推理规则得出应该对该片区域采取的措施。
[0105]
实施例2
[0106]
一种基于人工智能技术的病虫害智能处理系统，用于实现实施例1的病虫害识别方法，包括光谱仪1、摄像头2、gps定位仪3、土壤湿度传感器4、空气温度传感器5、肥力传感器6和智能终端7。
[0107]
光谱仪1将月季发出的复色光分离成光谱，用于月季病虫害的初筛，将光谱异于正常月季的区域标记为可疑区域。
[0108]
摄像头2采集可疑区域的照片，用于深度卷积神经网络判断该区域的病虫害种类。
[0109]
gps定位仪3测量环境地理位置，用于给专家系统提供位置坐标信息。
[0110]
土壤湿度传感器4测量土壤中的湿度，用于给专家系统提供月季生长环境的水分信息。
[0111]
空气温度传感器5测量空气温度，用于给专家系统提供月季生长环境的温度信息。
[0112]
肥力传感器6测量可疑区域月季生长土壤的肥力，用于给专家系统提供土壤氮磷钾含量信息。
[0113]
智能终端7包括数据收集单元8、控制单元9、无线通信单元10、显示单元11、输入单元12等，数据收集单元8负责收集光谱仪1、摄像头2、gps定位仪3、土壤湿度传感器4、空气温度传感器5、肥力传感器6采集的数据，并将之传输给无线通信单元10，无线通信单元10负责将收集的数据传输至云端13，供数据中心14进行分析处理，无线通信单元10还负责接收数据中心14反馈的结果，显示单元11负责显示操作和信息界面，输入单元12实现指令输入。
[0114]
其中，光谱仪1、摄像头2、gps定位仪3、土壤湿度传感器4、空气温度传感器5、肥力传感器6在传输数据时，可与智能终端7中的数据收集单元8电连接，智能终端7中的控制单元9分别与数据收集单元8、无线通信单元10、显示单元11、输入单元12电连接，无线通信单元10与云端13无线通信连接。
[0115]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。
技术特征：1.一种基于人工智能技术的病虫害识别方法，其特征在于，包括：s1采集月季不同病虫害的图片输入到深度卷积神经网络模型之中训练，使神经网络能够自动识别病虫害种类；s2构建专家系统；s3通过光谱仪进行月季病虫害的初筛，将光谱异于正常生长月季的区域标注为可疑区域；s4采集可疑区域的环境信息，并传输给数据中心；s5数据中心综合接收到的信息，分析该可疑区域病虫害情况并得出应该采取的措施，通过云端返回分析结果；s6检测员根据数据中心返回的结果，判断自身是否有条件处理；若有，则进行处理；否则，检测员在该可疑区域做好标记。2.根据权利要求1所述的一种基于人工智能技术的病虫害识别方法，其特征在于，s1还包括输入的图片的形状约定为256
×
256
×
3。3.根据权利要求1所述的一种基于人工智能技术的病虫害识别方法，其特征在于，s1还包括图片在输入到深度卷积神经网络模型前进行归一化和直方图均衡化处理。4.根据权利要求1所述的一种基于人工智能技术的病虫害识别方法，其特征在于，s1中深度卷积神经网络模型的结构采用resnet50。5.根据权利要求1所述的一种基于人工智能技术的病虫害识别方法，其特征在于，s1中深度卷积神经网络模型的输出层9个神经元，返回一个9维的向量，分别对应于没有病虫害的概率，月季患有黑斑病的概率，月季患有白粉病的概率，月季患有霜霉病的概率，月季患有红蜘蛛虫害的概率，月季患有蚜虫虫害的概率，月季患有白蜡蚧虫害的概率，月季患有天牛虫害的概率，月季有病虫害但不属于以上七种病虫害的概率。6.根据权利要求1所述的一种基于人工智能技术的病虫害识别方法，其特征在于，s2中，专家系统基于专家给出的基础规则并进行不确定性推理从而得到应该对该片区域采取的举措；专家系统中包含专家预先设定好的产生式规则，产生式规则的形式为：if e then h(cf(h,e))其中，e为证据，h为结论，cf(h，e)为可信度因子，取值范围为[-1,1]表明该条规则的可信度；若由于相应证据的出现增加结论h为真的可能性，则cf(h，e)>0，且证据的出现越是支持h为真，就使cf(h，e)的值越大；反之亦然；专家系统进行推理的方式为：1)初始化规则集合，具体为专家预先给定的产生式规则；2)初始化规则事实集合，具体为采集到的环境信息。3)推理，利用不确定性推理方法进行正向推理，并将结果放到知识库中，不停循环直至得到所需答案。7.根据权利要求1所述的一种基于人工智能技术的病虫害识别方法，其特征在于，环境信息包括采集到的环境温度、土壤湿度、土壤肥力、环境的位置信息、采集的时间信息、月季生长环境照片中的一种或多种。8.根据权利要求1所述的一种基于人工智能技术的病虫害识别方法，其特征在于，s3具
体包括：检测员驾驶载有对应传感器与联网设备的车辆到高架上，通过光谱仪进行月季病虫害的初筛，将光谱异于正常生长月季的区域标注为可疑区域，并下车进行细查。9.根据权利要求1所述的一种基于人工智能技术的病虫害识别方法，其特征在于，s5具体包括：数据中心根据可疑区域的图片，通过训练好的深度卷积神经网络模型得到该区域的病虫害种类；通过gps位置信息获得检测位置所属地区；通过时间信息可以得到检测时的时间区间；知识推理机将以上信息作为外界输入，并结合预先设置好的产生式规则进行不确定性推理，从而得出应该采取的措施，并通过云端返回给检测员。10.一种基于人工智能技术的病虫害智能处理系统，其特征在于，包括：光谱仪，其将月季发出的复色光分离成光谱，用于月季病虫害的初筛，将光谱异于正常月季的区域标记为可疑区域；摄像头，其采集可疑区域的照片，用于深度卷积神经网络判断该区域的病虫害种类；gps定位仪，其测量环境地理位置，用于给专家系统提供位置坐标信息；土壤湿度传感器，其测量土壤中的湿度，用于给专家系统提供月季生长环境的水分信息；空气温度传感器，其测量空气温度，用于给专家系统提供月季生长环境的温度信息；肥力传感器，其测量可疑区域月季生长土壤的肥力，用于给专家系统提供土壤氮磷钾含量信息；数据收集单元，其收集光谱仪、摄像头、gps定位仪、土壤湿度传感器、空气温度传感器、肥力传感器采集的数据；无线通信单元，其将数据收集单元收集的数据传输至云端，并接收云端传输来的信息；以及显示单元，其显示云端传输来的信息。
技术总结本发明属于农业互联网领域，具体涉及一种基于人工智能技术的病虫害识别方法及智能处理系统，包括：采集月季不同病虫害的图片输入到深度卷积神经网络模型之中训练；构建专家系统；进行月季病虫害的初筛，将光谱异于正常生长月季的区域标注为可疑区域；采集可疑区域的环境信息，并上传云端，由数据中心得出细查的结果；数据中心综合接收到的信息，分析该可疑区域病虫害情况并得出应该采取的措施，返回分析结果；检测员根据返回的结果，判断自身是否有条件处理。本发明提供能够采集月季生长环境的多种重要信息，较为全面地反映了月季生长环境信息，从而使得专家系统能够更加全面地衡量月季所处环境与病虫害信息，进而做出更加准确的诊断。的诊断。的诊断。
技术研发人员：谢伟 陈雨 宓波 陈雍 马啸飞 赵蕊
受保护的技术使用者：杭州市路桥集团股份有限公司
技术研发日：2022.07.19
技术公布日：2022/11/1
