一种红枣枣疯病初期防治方法技术

本发明专利技术公开了一种红枣枣疯病初期防治方法，包括：获取任一监测点的图像采集设备采集的枣树图像；将枣树图像输入预先训练得到的枣疯病初期识别网络，得到枣树图像中枣树花或枣树叶的属性信息，属性信息包括类别，类别包括病叶、病花、健叶、健花；当枣疯病初期识别网络输出的类别包括病叶或病花时，则判定枣树图像中出现具有枣疯病初期症状的患病枣树；确定患病枣树对应的病树位置信息；根据病树位置信息对患病枣树喷洒农药。本发明专利技术的方案通过使用枣疯病初期识别网络对枣树病变情况进行监测，进而识别患病枣树，利用机器人实现自动喷洒农药，使枣树患病初期就能被精确、快速地识别并进行自动防治，因此可以有效地遏制枣疯病的发展并节省人力成本。展并节省人力成本。展并节省人力成本。

【技术实现步骤摘要】
一种红枣枣疯病初期防治方法


[0001]本专利技术属于病害防治
，具体涉及一种红枣枣疯病初期防治方法。

技术介绍

[0002]枣作为我国传统木本粮食和特有经济林树种，有文字记载的栽培历史达三千多年。枣含有丰富的营养物质(氨基酸、维生素、矿质元素)，是上等的滋补食品，同时在中医药学上有很高实用价值，是药食同源的绝佳食品。
[0003]枣树上有一种毁灭性的病害，为枣疯病，枣疯病又称丛枝病、扫帚病、火龙病，果农称其为“疯枣树”或“公枣树”，是由枣植原体侵染所引起的、发生在枣树上的一种病害，是枣树的毁灭性病害，感病枣树发育滞缓，枝叶萎缩，常导致整株或成片死亡，严重影响红枣产量和品质。枣疯病广泛分布于中国河南、河北、陕西、山东、安徽、贵州、云南等省大枣产区，是中国枣树生产上发生历史久且危害最大的枣树病害之一，尤其在北方各枣区，危害相当严重，能造成枣树大量死亡。
[0004]枣疯病防治是个世界性难题，多年来人们一直在试图寻找有效的防治方法，传统方法主要依赖于人工对枣树病变情况进行监测，但该方式费时费力，且往往受限于监测人的种植经验，可能导致对枣疯病的识别准确性不高；考虑到枣疯病有明显的病变期，如果在枣树患病初期就能被精确、快速地识别并进行防治，就能对枣疯病的发展起到有效遏制的作用。

技术实现思路

[0005]为了解决现有技术中存在的上述问题，本专利技术提供了一种红枣枣疯病初期防治方法。本专利技术要解决的技术问题通过以下技术方案实现：
[0006]本专利技术提供了一种红枣枣疯病初期防治方法，包括：
[0007]获取任一监测点的图像采集设备采集的枣树图像；
[0008]将枣树图像输入预先训练得到的枣疯病初期识别网络，得到所述枣树图像中枣树花或枣树叶的属性信息，所述属性信息包括类别，所述类别包括病叶、病花、健叶、健花；
[0009]当所述枣疯病初期识别网络输出的类别包括病叶或病花时，则判定所述枣树图像中出现具有枣疯病初期症状的患病枣树；
[0010]确定所述患病枣树对应的病树位置信息；
[0011]根据所述病树位置信息对所述患病枣树喷洒农药。
[0012]在本专利技术的一个实施例中，获取任一监测点的图像采集设备采集的枣树图像之后，所述方法还包括：
[0013]对所述枣树图像进行预处理；所述预处理包括去噪处理和图像增强处理。
[0014]在本专利技术的一个实施例中，所述去噪处理，包括：
[0015]基于滤波器的去噪处理和基于模型的去噪处理。
[0016]在本专利技术的一个实施例中，所述图像增强处理，包括：
[0017]直方图均衡化。
[0018]在本专利技术的一个实施例中，所述枣疯病初期识别网络包括：
[0019]R
‑
CNN网络、Fast R
‑
CNN网络、SSD网络和Yolo系列网络。
[0020]在本专利技术的一个实施例中，所述将所述枣树图像输入预先训练得到的枣疯病初期识别网络，得到所述枣树图像中枣树花或枣树叶的属性信息，包括：
[0021]将所述枣树图像输入预先训练得到的枣疯病初期识别网络中，利用密集连接形式的主干网络进行特征提取，得到x个不同尺度的特征图；x为大于等于4的自然数；
[0022]将所述x个不同尺度的特征图利用FPN网络，采用密集连接的方式进行特征融合，得到各尺度对应的预测结果；
[0023]将所有预测结果经由分类网络和非极大值抑制模块进行处理，得到所述枣树图像中枣树花或枣树叶的属性信息；
[0024]其中，所述枣疯病初期识别网络包括顺次连接的密集连接形式的主干网络、FPN网络、分类网络和非极大值抑制模块；所述枣疯病初期识别网络是根据样本枣树图像，以及所述样本枣树图像中枣树花或枣树叶的属性信息训练得到的。
[0025]在本专利技术的一个实施例中，所述属性信息还包括枣树花或枣树叶的边界框的像素坐标；
[0026]所述确定所述患病枣树对应的病树位置信息，包括：
[0027]利用所述病叶或病花的边界框的像素坐标，以及单目视觉定位测距技术，确定所述病叶或病花在世界坐标系中对应的实际坐标；
[0028]将所述病叶或病花的实际坐标确定为所述患病枣树对应的病树位置信息。
[0029]在本专利技术的一个实施例中，所述确定所述患病枣树对应的病树位置信息，包括：
[0030]确定所述枣树图像对应的图像采集设备的位置信息；
[0031]将所述图像采集设备的位置信息确定为所述患病枣树对应的病树位置信息。
[0032]在本专利技术的一个实施例中，所述根据所述病树位置信息对所述患病枣树喷洒农药，包括：
[0033]将所述病树位置信息发送给机器人，由所述机器人根据所述病树位置信息对所述患病枣树喷洒农药。
[0034]在本专利技术的一个实施例中，根据所述病树位置信息对所述患病枣树喷洒农药之前，所述方法还包括：向管理者发送警示信息，其中，所述警示信息携带有所述患病枣树对应的病树位置信息。
[0035]本专利技术的有益效果：
[0036]本专利技术的红枣枣疯病初期防治方法，利用深度学习的目标检测方式，通过使用枣疯病初期识别网络对枣树病变情况进行监测，进而识别患病枣树，对识别出的患病枣树利用机器人实现自动喷洒农药，使枣树患病初期就能被精确、快速地识别并进行自动防治，因此可以有效地遏制枣疯病的发展并节省人力成本。
[0037]以下将结合附图及实施例对本专利技术做进一步详细说明。
附图说明
[0038]图1为本专利技术实施例提供的一种红枣枣疯病初期防治方法的流程示意图；
[0039]图2为现有技术中的YOLOv3网络的结构示意图；
[0040]图3为本专利技术实施例提供的一种枣疯病初期识别网络的结构示意图；
[0041]图4为本专利技术实施例提供的一种过渡模块的结构示意图。
具体实施方式
[0042]下面结合具体实施例对本专利技术做进一步详细的描述，但本专利技术的实施方式不限于此。
[0043]本专利技术实施例提供了一种红枣枣疯病初期防治方法。下面，先对该红枣枣疯病初期防治方法进行介绍。
[0044]如图1所示，本专利技术实施例所提供的一种红枣枣疯病初期防治方法，包括：
[0045]S1，获取任一监测点的图像采集设备采集的枣树图像。
[0046]在本专利技术实施例中，枣园中可以预先设置多个监测点，所述监测点可以是有规律地设置，比如可以每隔10米设置一个监测点，也可以每隔5棵枣树设置一个监测点，当然也可以根据实际需要来设置，只要能实现对枣园较广泛区域的全方位监测，确保每棵枣树均能被监测范围覆盖即可。
[0047]在每个监测点设置有一个图像采集设备，所述图像采集设备用于拍摄监测点对应监测范围内的枣树图像。
[0048]图像采集设备可以包括：摄像头、摄像机、照相机等等；可选的实施方式中，图像采集设备可以为高分辨率摄像头。
[0049]图像采集设备可以以一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种红枣枣疯病初期防治方法，其特征在于，包括：获取任一监测点的图像采集设备采集的枣树图像；将枣树图像输入预先训练得到的枣疯病初期识别网络，得到所述枣树图像中枣树花或枣树叶的属性信息，所述属性信息包括类别，所述类别包括病叶、病花、健叶、健花；当所述枣疯病初期识别网络输出的类别包括病叶或病花时，则判定所述枣树图像中出现具有枣疯病初期症状的患病枣树；确定所述患病枣树对应的病树位置信息；根据所述病树位置信息对所述患病枣树喷洒农药。2.根据权利要求1所述的红枣枣疯病初期防治方法，其特征在于，获取任一监测点的图像采集设备采集的枣树图像之后，所述方法还包括：对所述枣树图像进行预处理；所述预处理包括去噪处理和图像增强处理。3.根据权利要求2所述的红枣枣疯病初期防治方法，其特征在于，所述去噪处理，包括：基于滤波器的去噪处理和基于模型的去噪处理。4.根据权利要求2所述的红枣枣疯病初期防治方法，其特征在于，所述图像增强处理，包括：直方图均衡化。5.根据权利要求1所述的红枣枣疯病初期防治方法，其特征在于，所述枣疯病初期识别网络包括：R
‑
CNN网络、Fast R
‑
CNN网络、SSD网络和Yolo系列网络。6.根据权利要求1、2或5所述的红枣枣疯病初期防治方法，其特征在于，所述将所述枣树图像输入预先训练得到的枣疯病初期识别网络，得到所述枣树图像中枣树花或枣树叶的属性信息，包括：将所述枣树图像输入预先训练得到的枣疯病初期识别网络中，利用密集连接形式的主干网络进行特征提取，得到x个不同尺度的特征图；x为大于等于4的自然数；将所述x...

【专利技术属性】
技术研发人员：王建新，王新雨，
申请(专利权)人：王建新，
类型：发明
国别省市：