基于深度学习的水稻叶龄诊断模型化方法[发明专利]

(12)发明专利申请

(10)申请公布号 CN 112665650 A(43)申请公布日 2021.04.16

(21)申请号 202011529723.2(22)申请日 2020.12.22

(71)申请人 东北农业大学

地址 150000 黑龙江省哈尔滨市香坊区长

江路600号(72)发明人 高睿　孔庆明　张腾升　马铮　

孟颖　王月　许琪　刘斯琦　罗佳奇　(74)专利代理机构 哈尔滨龙科专利代理有限公

司 23206

代理人 高媛(51)Int.Cl.

G01D 21/02(2006.01)G01K 13/00(2021.01)G01N 33/24(2006.01)

权利要求书1页 说明书3页 附图1页

G06N 20/00(2019.01)G06T 7/00(2017.01)

CN 112665650 A(54)发明名称

基于深度学习的水稻叶龄诊断模型化方法(57)摘要

本发明涉及基于深度学习的水稻叶龄诊断模型化方法，包括采集单元；所述采集单元，用于采集水稻叶片的图片信息作为第一图像信息传送给处理中心；所述采集单元，用于采集水稻叶片上虫孔的图片信息作为第二图片信息传送给处理中心；所述采集单元，用于采集水稻叶龄诊断试验箱内部的环境数据，并将所述环境数据发送给处理中心；所述处理中心，根据第一图像信息、第二图片信息和环境数据，以及预先确定的水稻叶龄上的病虫害信息对应的环境数据，确定预测结果，并将预测结果发送给展示中心，便于人们对深度学习水稻的叶龄诊断技术，通过数据能更直观的将水稻的信息展示出来，提高学习效率。

CN 112665650 A

权　利　要　求　书

1/1页

1.基于深度学习的水稻叶龄诊断模型化方法，其特征在于：所述基于深度学习的水稻叶龄诊断模型化方法是基于基于深度学习的水稻叶龄诊断模型化装置实现的，所述装置包括采集单元；所述采集单元，用于采集水稻叶片的图片信息作为第一图像信息传送给处理中心；所述采集单元，用于采集水稻叶片上虫孔的图片信息作为第二图片信息传送给处理中心；所述采集单元，用于采集水稻叶龄诊断试验箱内部的环境数据，并将所述环境数据发送给处理中心；所述处理中心，根据第一图像信息、第二图片信息和环境数据，以及预先确定的水稻叶龄上的病虫害信息对应的环境数据，确定预测结果，并将预测结果发送给展示中心，所述基于深度学习的水稻叶龄诊断模型化方法为：采集单元用于采集水稻叶龄诊断试验箱内部的环境数据，并将环境数据发送给处理中心，环境数据包括温度数据、湿度数据和土壤内部肥量数据，通过温度传感器采集试验箱内部的温度数据，通过湿度传感器采集试验箱内部的湿度数据，通过土壤测试仪采集土壤内部肥量数据，并将这些数据发送给处理中心；处理中心，根据第一图像信息、第二图片信息和环境数据，以及预先确定的水稻叶龄上的病虫害信息对应的环境数据，确定预测结果，并将预测结果发送给展示中心；展示中心，用于将图片数据在显示屏上进行展示，图片数据为水稻叶龄与环境数据的曲线信息，展示中心将曲线图片展示到显示屏，网页或APP上，便于人们进行深度学习水稻的叶龄信息和环境的关系；处理中心采用Lambda架构，Lambda架构是一个大数据处理框架，该框架的做法是将大数据系统架构拆分成了三层，第一层主要利用分布式处理系统处理大批量的数据，第二层处理实时的增量数据，第三层用于响应用户的查询请求，并展示最后的结果，该架构同时支持实时和批处理业务。

2

CN 112665650 A

说　明　书

基于深度学习的水稻叶龄诊断模型化方法

1/3页

技术领域

[0001]本发明涉及水稻叶龄诊断领域，尤其涉及基于深度学习的水稻叶龄诊断模型化方法。

背景技术

[0002]水稻叶龄诊断技术，是在水稻“器官同伸理论”与“叶龄模式理论”的基础上发展起来的水稻栽培技术，使传统的种、管、收流程式栽培技术，发展成为按叶龄诊断、预测、调控的栽培技术体系。几年来垦区在水稻生产中全面推广旱育稀植“三化”栽培技术，对育苗及本田管理运用叶龄诊断技术，取得了较好的效果。

[0003]现有的水稻叶龄诊断学习都是在田间进行观察学习的，田间对水稻的外部影响因素过多，且对水稻的环境数据信息也不便于采集，影响学习效率，鉴于此，我们提出基于深度学习的水稻叶龄诊断模型化装置。

发明内容

[0004]本发明的目的是为了解决现有技术中存在的缺点，而提出的基于深度学习的水稻叶龄诊断模型化方法。

[0005]为达到以上目的，本发明采用的技术方案为：基于深度学习的水稻叶龄诊断模型化装置，包括采集单元；

所述采集单元，用于采集水稻叶片的图片信息作为第一图像信息传送给处理中

心；

所述采集单元，用于采集水稻叶片上虫孔的图片信息作为第二图片信息传送给处

理中心；

所述采集单元，用于采集水稻叶龄诊断试验箱内部的环境数据，并将所述环境数

据发送给处理中心；

所述处理中心，根据第一图像信息、第二图片信息和环境数据，以及预先确定的水

稻叶龄上的病虫害信息对应的环境数据，确定预测结果，并将预测结果发送给展示中心。[0006]优选的，所述环境数据包括温度数据、湿度数据和土壤内部肥量数据。[0007]优选的，所述采集单元包括摄像头、温度传感器、湿度传感器和土壤测试仪。[0008]优选的，所述展示中心，用于将所述图片数据在显示屏上进行展示，所述图片数据为水稻叶龄与环境数据的曲线信息。[0009]优选的，所述处理中心采用Lambda架构。[0010]与现有技术相比，本发明具有以下有益效果：

一、本发明，通过采集单元采集水稻叶片的图片信息和虫孔的图片信息，通过温度

传感器采集试验箱内部的温度数据，通过湿度传感器采集试验箱内部的湿度数据，通过土壤测试仪采集土壤内部肥量数据，再将这些数据通过处理中心与预先确定的水稻叶龄上的病虫害信息对应的环境数据，确定预测结果，便于人们对深度学习水稻的叶龄诊断技术，通

3

CN 112665650 A

说　明　书

2/3页

过数据能更直观的将水稻的信息展示出来，提高学习效率。

附图说明

[0011]图1为本发明的整体结构示意图。[0012]图中：采集单元1、温度传感器101、湿度传感器102、摄像头103、土壤测试仪104、处理中心2、环境数据201、病虫害信息202、第一图像信息203、第二图像信息204、大数据处理框架205、展示中心3、预测结果301。具体实施方式

[0013]以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。[0014]如图1所示的基于深度学习的水稻叶龄诊断模型化装置，包括采集单元1,将水稻放入试验箱内部，通过采集单元1对水稻进行实时监测。[0015]采集单元1，用于采集水稻叶片的图片信息作为第一图像信息203传送给处理中心2。

[0016]采集单元1，用于采集水稻叶片上虫孔的图片信息作为第二图片信息204传送给处理中心2，通过摄像头103采集水稻叶片的图片信息，并将图片信息发送给处理中心2。[0017]采集单元1包括摄像头103、温度传感器101、湿度传感器102和土壤测试仪104。[0018]展示中心，用于将图片数据在显示屏上进行展示。[0019]处理中心2采用Lambda架构，Lambda架构是一个大数据处理框架。[0020]基于深度学习的水稻叶龄诊断模型化装置的诊断方法：采集单元1，用于采集水稻叶龄诊断试验箱内部的环境数据201，并将环境数据201发送给处理中心2，环境数据201包括温度数据、湿度数据和土壤内部肥量数据，通过温度传感器101采集试验箱内部的温度数据，通过湿度传感器102采集试验箱内部的湿度数据，通过土壤测试仪104采集土壤内部肥量数据，并将这些数据发送给处理中心2。[0021]处理中心2，以及预先确根据第一图像信息203、第二图片信息204和环境数据201，定的水稻叶龄上的病虫害信息202对应的环境数据201，确定预测结果301，并将预测结果301发送给展示中心。[0022]展示中心，用于将图片数据在显示屏上进行展示，图片数据为水稻叶龄与环境数据201的曲线信息，展示中心将曲线图片展示到显示屏，网页或APP上，便于人们进行深度学习水稻的叶龄信息和环境的关系。[0023]处理中心2采用Lambda架构，Lambda架构是一个大数据处理框架，该框架的做法是将大数据系统架构拆分成了三层，第一层主要利用分布式处理系统处理大批量的数据，第二层处理实时的增量数据，第三层用于响应用户的查询请求，并展示最后的结果，该架构同时支持实时和批处理业务，既保证了低延迟又保证了准确性。[0024]以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内，本发明要求的保护范围由所附的权利要求书及其

4

CN 112665650 A

说　明　书

3/3页

等同物界定。

5

CN 112665650 A

说　明　书　附　图

1/1页

图1

6