【技术实现步骤摘要】
本专利技术涉及虫害防治优化，具体涉及一种基于数字孪生的虫害防治优化方法、系统及存储介质。
技术介绍
1、随着科学技术的进步，精准农业生产方式应运而生，尤其是病虫害防治及管理呈现出智能化的趋势；传统的水稻虫害防治方法中主要是依靠田间巡视进行虫害种类的现场诊断，而此类方法效率较低、时效性较差，远远不能满足农业发展的要求。农业人员因不能及时掌握水稻病虫害的发生与发展，无法精准喷洒农药，导致水稻生产情况恶化，因此，根据虫害情况针对性制定科学合理的防治方案就显得尤为重要。
2、现有公开号为“cn108782492a”的中国专利，提供了一种基于虫害防治设备的虫害防治方法，通过视觉装置捕抓环境害虫数量信息，并基于该信息判断设备的启动基于视觉装置的虫害防治设备；通过基于光、声、信息素、热辐射设计的诱捕机构诱捕并通过灭活机构杀死害虫；通过收集箱对虫尸进行收集，；通过热风机构对害虫尸体进行烘干；但是其主要依靠于相应的虫害防治设备来采取相应的防治措施，片面性较强。
技术实现思路
1、本专利技术解决了传统的水稻虫害防治方法主要依靠于人工现场诊断导致效率低的问题，提出一种基于数字孪生的虫害防治优化方法、系统及存储介质，通过建立数字孪生模型、虫害预测模型以及进行图像数据的识别处理，得到最终的虫害防治方案，无需人工现场诊断，提高工作效率；准确掌握水稻当前虫情状况和发展趋势，实现水稻的生产模拟和预测。
2、为了实现上述目的，本专利技术采用以下技术方案：一种基于数字孪生的虫害防治优化方法，包
3、s1，获取区域内基于稻田的采集数据，在对采集数据进行预处理后提取出有效数据；
4、s2，根据有效数据并利用三维建模技术构建数字孪生模型；
5、s3，根据数据孪生模型的多源数据建立虫害预测模型；
6、s4，根据区域图像数据得到虫害构成，确定最终虫害危险等级，并下发虫害防治方案。
7、本技术方案中，针对于现有的稻田区域，利用分布在稻田的虫害感知层来进行数据的采集；随后对这些采集数据进行预处理操作，提取出相对有效的数据；然后分别建立数字孪生模型，在其基础上，建立虫害预测模型并且分析虫害构成，生成最终的虫害防治方案。本专利技术的防治方案能够辅助指导农业病虫害防治，助力水稻增产增效。
8、本专利技术还进一步设置为：所述采集数据包括基于稻田的监测数据以及包含有水稻生长的历史记录数据；所述监测数据主要为物联监测数据，所述监测数据还包括环境数据和遥感数据，所述遥感数据为无人机航拍数据。
9、本技术方案中，采集数据中的监测数据中的物联监测数据主要依靠于相应的监测设备来实现监测，环境数据可通过相应的环境检测设备以及天气预报平台来获取，遥感数据则通过无人机采集得到。
10、本专利技术还进一步设置为：所述在对采集数据进行预处理后提取出有效数据包括：去除各类型的采集数据中的重复值和缺失值，并对明显错误的数据进行修正，基于时间的顺序将各类型的采集数据进行排列，并根据各个时间节点对应的采集数据类型筛选并提取出有效数据。
11、本技术方案中，针对与每一类型的采集数据，均进行重复值去除和缺失值去除的过程，随后还进行修正的过程；随后按时间顺序进行数据排列，最后筛选出有效数据，有效数据的要求为每个时间节点对应的采集数据类型大于或者等于2。
12、本专利技术还进一步设置为：所述虫害预测模型包括lstm神经网络模型以及虫害分布生成模型；lstm神经网络模型以数据孪生模型的多源数据为输入，虫害预测结果为输出；虫害分布生成模型以虫害预测结果为输入，结合稻田地理信息，以虫害分布图为输出。
13、本技术方案中，虫害预测模型的两部分紧密联系，数据孪生模型的多源数据在经过相应的处理后作为lstm神经网络模型的输入，随后输出有基于单株水稻的平均预测结果，该结果结合稻田地理信息，将虫害预测结果映射为虫害等级，并与相应的地理位置对应，以得到虫害分布图。
14、本专利技术还进一步设置为：所述步骤s4包括：
15、s41，获取区域图像数据，对区域图像数据进行图像拼接生成区域大图；
16、s42，对区域大图进行分割得到多个单株水稻图，并与虫害分布图的单株水稻位置相对应；
17、s43，对单株水稻图进行图像处理，确定虫害构成和最终虫害危险等级。
18、本技术方案中，首先进行区域图像数据的拼接，拼接方法基于现有的技术；随后拼接成的区域大图进行按单株水稻图进行分割，对分割后的图进行处理，结合其他特征来确定虫害构成。
19、本专利技术还进一步设置为：所述步骤s43包括：
20、s431，提取单株水稻图的关于水稻的重点区域，对重点区域进行色彩增强，对非重点区域进行虚化处理；
21、s432，对重点区域进行放大处理，提取若干个典型虫害类型，结合单株水稻的生长状况和虫害等级确定最终的虫害危险等级。
22、本技术方案中，通过水稻上的典型虫害类型，得到水稻的虫害状况；又对株水稻的生长状况进行分析，得知其受虫害影响程度，根据水稻的虫害状况和受虫害影响程度，综合确定虫害危险等级。
23、一种基于数字孪生的虫害防治优化系统，适用上述的一种基于数字孪生的虫害防治优化方法，包括
24、虫害感知层，获取区域内基于稻田的所有采集数据，并进行备份；
25、边缘计算层，对所有采集数据进行预处理以及数据提取；
26、云端处理层，建立数字孪生模型，并且基于数字孪生模型建立虫害预测模型，根据虫害预测模型最终分析得到虫害危险等级。
27、本技术方案中，虫害感知层与边缘计算层连接，每个边缘计算层分别对应有若干个区域的虫害感知层，所有的边缘计算层均与云端处理层远程通讯连接。
28、本专利技术还进一步设置为：所述云端处理层包括：
29、第一生成模块，利用三维建模技术构建数字孪生模型；
30、第二生成模块，根据多源数据构建虫害预测模型，生成虫害分布图；
31、第三生成模块，基于虫害分布图，根据图像数据，分析得到虫害危险等级。
32、本技术方案中，第一生成模块连接有第二生成模块，第二生成模块连接有第三生成模块。
33、本专利技术还进一步设置为：所述云端处理层还包括虫害防治方案下发模块，所述虫害防治方案下发模块根据第三生成模块的虫害危险等级，并结合历史防治方案，优化生成虫害防治方案，并下发至水稻种植户的用户端。
34、本技术方案中，与第三生成模块连接的虫害防治方案下发模块能够实时接收第三生成模块发送的虫害危险等级，并生成优化后的虫害防治方案，最终传输至用户端来辅助指导农业病虫害防治。
35、一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的一种基于数字孪生的虫害防治优化方法的步骤。
36、本技术方案中，在计算机程序运行时，能够执行上述方法的内容本文档来自技高网...
【技术保护点】
1.一种基于数字孪生的虫害防治优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于数字孪生的虫害防治优化方法，其特征在于，所述采集数据包括基于稻田的监测数据以及包含有水稻生长的历史记录数据；所述监测数据主要为物联监测数据，所述监测数据还包括环境数据和遥感数据，所述遥感数据为无人机航拍数据。
3.根据权利要求1或2所述的一种基于数字孪生的虫害防治优化方法，其特征在于，所述在对采集数据进行预处理后提取出有效数据包括：
4.根据权利要求3所述的一种基于数字孪生的虫害防治优化方法，其特征在于，所述虫害预测模型包括LSTM神经网络模型以及虫害分布生成模型；LSTM神经网络模型以数据孪生模型的多源数据为输入，虫害预测结果为输出；虫害分布生成模型以虫害预测结果为输入，结合稻田地理信息，以虫害分布图为输出。
5.根据权利要求1或2或4所述的一种基于数字孪生的虫害防治优化方法，其特征在于，所述步骤S4包括：
6.根据权利要求5所述的一种基于数字孪生的虫害防治优化方法，其特征在于，所述步骤S43包括：
7.一种
8.根据权利要求7所述的一种基于数字孪生的虫害防治优化系统，其特征在于，所述云端处理层包括：
9.根据权利要求7所述的一种基于数字孪生的虫害防治优化系统，其特征在于，所述云端处理层还包括虫害防治方案下发模块，所述虫害防治方案下发模块根据第三生成模块的虫害危险等级，并结合历史防治方案，优化生成虫害防治方案，并下发至水稻种植户的用户端。
10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的一种基于数字孪生的虫害防治优化方法的步骤。
...【技术特征摘要】
1.一种基于数字孪生的虫害防治优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于数字孪生的虫害防治优化方法，其特征在于，所述采集数据包括基于稻田的监测数据以及包含有水稻生长的历史记录数据；所述监测数据主要为物联监测数据，所述监测数据还包括环境数据和遥感数据，所述遥感数据为无人机航拍数据。
3.根据权利要求1或2所述的一种基于数字孪生的虫害防治优化方法，其特征在于，所述在对采集数据进行预处理后提取出有效数据包括：
4.根据权利要求3所述的一种基于数字孪生的虫害防治优化方法，其特征在于，所述虫害预测模型包括lstm神经网络模型以及虫害分布生成模型；lstm神经网络模型以数据孪生模型的多源数据为输入，虫害预测结果为输出；虫害分布生成模型以虫害预测结果为输入，结合稻田地理信息，以虫害分布图为输出。
5.根据权利要求1或2或4所述的一种基于数字孪生的虫害防...
【专利技术属性】
技术研发人员：李亚仙，奚燕，胡汪静，檀莹莹，赵准，陈炜，
申请(专利权)人：浙江中控信息产业股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。