一种基于人工智能的牧草病虫害治理方法及装置与流程

本发明涉及农业科技领域，更具体的涉及一种基于人工智能的牧草病虫害治理方法及装置。

背景技术：

随着经济的发展，牧草已经成为支撑畜牧业快速发展的重要支柱产业，最近几年，在国家政策的鼓励和市场需求的刺激下，全国天然草地以及人工草地的规模也在不断扩大，但随之而来的病虫害对牧草的生产造成很多不良影响，不仅降低了产量，同时也严重影响到牧草的整体质量，牧草生长过程中病虫害如果不及时治理，将会造成牧草中的粗蛋白、可溶性糖等减少，粗纤维含量上升，适口性及消化率降低，进而危害家禽健康，导致其整体的生产能力下降。因此，针对牧草病虫害的治理，可以有效提高牧草的产量及质量，对畜牧业的健康发展有重要的意义。

随着人工智能技术的不断发展以及在各个领域的深度应用，图像处理技术已经成为农作物病害识别以及病害严重程度评估的主要技术手段，同时也使得农作物病害的治理和防治取得极大的改善，目前在农作物图像识别方面，采用图像特征提取的算法较为广泛，但过多的特征一方面增加了建模的工作量，另一方面也会降低识别的准确性。

综上所述，采用的图像处理技术针对农作物病虫害的治理和防治存在工作量较大，且识别病虫害的准确性较低的问题。

技术实现要素：

本发明实施例提供一种基于人工智能的牧草病虫害治理方法及装置，用以解决传统方法中采用图像处理技术针对农作物病虫害的治理和防治存在工作量较大，且识别病虫害的准确性较低的问题。

本发明实施例提供了一种基于人工智能的牧草病虫害治理方法，包括：

基于深度卷积神经网络vgg16建立的牧草病虫害分类模型，将接收到的病虫害图片输入到所述分类模型，得到所述病虫害图片对应的各个病虫害类别的概率值，当最大概率值大于设定阈值时，将所述最大概率值对应的病虫害类别确定为所述病虫害图片的病虫害类别；

将所述病虫害类别和所述病虫害图片发送至病虫害综合治理模块，以使所述病虫害综合治理模块根据所述病虫害类别和所述病虫害图片确定与所述病虫害图片对应的治理方案和预防方案；

根据所述病虫害图片携带的拍摄地理信息和时间信息确定所述病虫害图片所对应的地理位置信息和环境信息；将所述病虫害图片对应的病虫害类别、治理方案、预防方案、环境信息和时间信息根据所述地理位置信息添加到牧草病虫害态势展示图谱内。

优选地，所述病虫害综合治理模块包括病虫害数据库，所述病虫害数据库内存储有多种存储类别信息以及与所述存储类别信息所对应的存储图片；且每个所述存储图片均包括有地理位置信息、环境信息、时间信息、治理方案和预防方案；

所述病虫害综合治理模块根据所述病虫害类别和所述病虫害图片确定与所述病虫害图片对应的治理方案和预防方案，具体包括：

选择与所述病虫害类别相匹配的所述病虫害类别信息，从所述病虫害类别信息包括的多个所述存储图片中确定与所述病虫害图片相匹配的所述存储图片，将所述存储图片包括的治理方案和预防方案确定为所述病虫害图片的治理方案和预防方案。

优选地，所述将所述存储图片包括的治理方案和预防方案确定为所述病虫害图片的治理方案和预防方案之后，还包括：

根据所述病虫害图片携带的拍摄地理信息和时间信息确定所述病虫害图片所对应的地理位置信息和环境信息，将所述病虫害类别信息、所述病虫害图片以及所述病虫图片对应的时间信息、地理位置信息、环境信息、治理方案和预防方案存储至所述病虫害数据库。

优选地，所述得到所述病虫害图片对应的各个病虫害类别的概率值之后，还包括：

当最大概率值小于设定阈值时，将所述病虫害图片发送至病虫害评判系统；

当收到所述病虫害评判系统反馈的与所述病虫害图片对应的反馈类别时，将所述反馈类别与所述病虫害数据库内包括的所述病虫害类别进行匹配，若所述反馈类别与所述病虫害类别均不匹配时，则将所述反馈类别确定为新增类别，并将所述新增类别添加到病虫害综合治理模块中的病虫害数据库内。

优选地，所述基于深度卷积神经网络vgg16的牧草病虫害分类模型包括13个卷积层，5个池化层和3个全连接层；

每个所述卷积层的卷积核由3*3构成，对所述病虫害图片进行特征提取；

每个所述池化层的步长为2。

本发明实施例还提供了一种基于人工智能的牧草病虫害治理装置，包括：

第一确定单元，用于基于深度卷积神经网络vgg16建立的牧草病虫害分类模型，将接收到的病虫害图片输入到所述分类模型，得到所述病虫害图片对应的各个病虫害类别的概率值，当最大概率值大于设定阈值时，将所述最大概率值对应的病虫害类别确定为所述病虫害图片的病虫害类别；

第二确定单元，用于将所述病虫害类别和所述病虫害图片发送至病虫害综合治理模块，以使所述病虫害综合治理模块根据所述病虫害类别和所述病虫害图片确定与所述病虫害图片对应的治理方案和预防方案；

第三确定单元，用于根据所述病虫害图片携带的拍摄地理信息和时间信息确定所述病虫害图片所对应的地理位置信息和环境信息；将所述病虫害图片对应的病虫害类别、治理方案、预防方案、环境信息和时间信息根据所述地理位置信息添加到牧草病虫害态势展示图谱内。

优选地，所述病虫害综合治理模块包括病虫害数据库，所述病虫害数据库内存储有多种存储类别信息以及与所述存储类别信息所对应的存储图片；且每个所述存储图片均包括有地理位置信息、环境信息、时间信息、治理方案和预防方案；

所述第二确定单元具体用于：

选择与所述病虫害类别相匹配的所述病虫害类别信息，从所述病虫害类别信息包括的多个所述存储图片中确定与所述病虫害图片相匹配的所述存储图片，将所述存储图片包括的治理方案和预防方案确定为所述病虫害图片的治理方案和预防方案。

优选地，所述第二确定单元还用于：

根据所述病虫害图片携带的拍摄地理信息和时间信息确定所述病虫害图片所对应的地理位置信息和环境信息，将所述病虫害类别信息、所述病虫害图片以及所述病虫图片对应的时间信息、地理位置信息、环境信息、治理方案和预防方案存储至所述病虫害数据库。

优选地，所述第一确定单元还用于：

当最大概率值小于设定阈值时，将所述病虫害图片发送至病虫害评判系统；

当收到所述病虫害评判系统反馈的与所述病虫害图片对应的反馈类别时，将所述反馈类别与所述病虫害数据库内包括的所述病虫害类别进行匹配，若所述反馈类别与所述病虫害类别均不匹配时，则将所述反馈类别确定为新增类别，并将所述新增类别添加到病虫害综合治理模块中的病虫害数据库内。

优选地，所述基于深度卷积神经网络vgg16的牧草病虫害分类模型包括13个卷积层，5个池化层和3个全连接层；

每个所述卷积层的卷积核由3*3构成，对所述病虫害图片进行特征提取；

每个所述池化层的步长为2。

本发明实施例提供一种基于人工智能的牧草病虫害治理方法及装置，该包括：基于深度卷积神经网络vgg16建立的牧草病虫害分类模型，将接收到的病虫害图片输入到所述分类模型，得到所述病虫害图片对应的各个病虫害类别的概率值，当最大概率值大于设定阈值时，将所述最大概率值对应的病虫害类别确定为所述病虫害图片的病虫害类别；将所述病虫害类别和所述病虫害图片发送至病虫害综合治理模块，以使所述病虫害综合治理模块根据所述病虫害类别和所述病虫害图片确定与所述病虫害图片对应的治理方案和预防方案；根据所述病虫害图片携带的拍摄地理信息和时间信息确定所述病虫害图片所对应的地理位置信息和环境信息；将所述病虫害图片对应的病虫害类别、治理方案、预防方案、环境信息和时间信息根据所述地理位置信息添加到牧草病虫害态势展示图谱内。该方法通过深度学习算法，训练出适合牧草病虫害的分类模型，对上传到云端的牧草病虫害图片，确定病虫害类型；病虫害综合治理模块可以对分类后的病虫害类型提供治理方案和预防方案；进一步地，还可以根据病虫害图片所携带的拍摄信息以及确认的病虫害的治理方案和预防方案，建立牧草病虫害态势展示图谱内。该方法解决传统方法中采用图像处理技术进行农作物病害的治理和防治存在工作量较大，且识别病害的准确性较低的问题。

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为本发明实施例提供的一种基于人工智能的牧草病虫害治理方法流程示意图；

图2为本发明实施例提供的基于人工智能的牧草病虫害治理系统结构示意图；

图3为本发明实施例提供的基于深度卷积神经网络vgg16的分类模型结构示意图；

图4为本发明实施例提供的参数迁移方法示意图；

图5为本发明实施例提供的基于人工智能的牧草病虫害治理系统整体框图；

图6为本发明实施例提供的一种基于人工智能的牧草病虫害治理装置结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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。

图1示例性的示出了本发明实施例提供的一种基于人工智能的牧草病虫害治理方法流程示意图，如图1所示，该方法主要包括以下步骤：

步骤101，基于深度卷积神经网络vgg16建立牧草病虫害分类模型，将接收到的病虫害图片输入到所述分类模型，得到所述病虫害图片对应的各个病虫害类别的概率值，当最大概率值大于设定阈值时，将所述最大概率值对应的病虫害类别确定为所述病虫害图片的病虫害类别；

步骤102，将所述病虫害类别和所述病虫害图片发送至病虫害综合治理模块，以使所述病虫害综合治理模块根据所述病虫害类别和所述病虫害图片确定与所述病虫害图片对应的治理方案和预防方案；

步骤103，根据所述病虫害图片携带的拍摄地理信息和时间信息确定所述病虫害图片所对应的地理位置信息和环境信息；将所述病虫害图片对应的病虫害类别、治理方案、预防方案、环境信息和时间信息根据所述地理位置信息添加到牧草病虫害态势展示图谱内。

图2为本发明实施例提供的基于人工智能的牧草病虫害治理系统结构示意图，本发明实施例所提供的基于人工智能的牧草病虫害治理方法是基于该系统所执行的，如图2所示，该治理系统包括牧草病虫害数据采集端、牧草病虫害治理云平台以及牧草病虫害展示终端。其中，病虫害采集端主要是用来上传牧草病虫害照片及其他相关信息的，在本发明实施例中，采集端包括两个部分，一个是移动采集端，比如，可以是利用手机拍摄牧草病虫害图片，通过手机app上传病虫害图片到牧草病虫害治理的云平台；另一个是pc端，比如，可以是将已经采集好的照片及相关信息，通过电脑端上传到牧草病虫害治理云平台中。展示端包括两个部分，一个是移动展示端，比如，可以是利用手机接收牧草病虫害分类结果、治理方案、病虫害展示图谱等；另一个是pc端，比如，可以是通过电脑端上接收牧草病虫害治理云平台所需展示的数据，如分类结果、治理方案、病虫害展示图谱等。需要说明的是，在本发明实施例中，牧草病虫害展示终端可以与牧草病虫害数据采集端是同一个设备，也可以是不同的设备，比如，牧草病虫害可以通过移动端采集，然后pc端接受病虫害分类结果及治理方案等信息，也可以pc端上传采集数据，通过移动端接受病虫害分类结果及治理方案等信息，无论是移动端还是pc端，同时具备数据上传和数据接收功能，也具备病虫害图谱展示功能。

需要说明的是，本发明实施例提供基于人工智能的牧草病虫害治理方法中的执行主体为牧草病虫害治理云平台，该云平台主要包括基于深度卷积神经网络vgg16建立的病虫害分类模型、病虫害综合治理模块、牧草病虫害态势展示图谱和病虫害评判系统。

需要说明的是，在实际应用中，病虫害综合治理模块包括有病虫害数据库，该病虫害数据库用于存储多种存储类别信息以及与存储类别信息所对应的存储图片；其中，每个存储图片均包括有地理位置信息、环境信息、时间信息、每个存储类别信息包含对应的治理方案和预防方案。

在步骤101之前，需要先获取病虫害图片和基于深度卷积神经网络vgg16建立牧草病虫害分类模型。

具体地，病虫害图片是通过牧草病虫害数据采集端获取的，在本发明实施例中，对病虫害图片的获取方式不做具体的限定。

需要说明的是，在本发明实施例中，由于获取到的病虫害图片可以来自于各个不同的地区，因此，为了对获取到的病虫害图片进行区分，在获取每张病虫害图片时，会在病虫害图片中添加该病虫害图片的拍摄地理信息和时间信息等。

本发明实施例中，基于深度卷积神经网络vgg16的建立的牧草病虫害分类模型的建立主要包括以下几个步骤：

步骤201，测试图像的获取

在本发明实施例中，测试图像的获取是利用网络爬虫从互联网搜索引擎上爬取常见的9类牧草叶部病害图像。其中，搜索的关键词为以下九类病虫害：霜霉病、锈病、白粉病、菌核病、菟丝子、纹枯病、粘虫、蛴螬和蚜虫。对这些网络爬取的数据进行了人工筛选，删除掉标签与实际不符合的数据，将爬取的有标记的数据作为建立分类模型的测试图像集。具体地，该测试图像集中包括1980张霜霉病图像、2041张锈病图像、1820张白粉病图像、1920张菌核病图像、2133张菟丝子图像、2103张纹枯病图像、2112张粘虫图像、1933张蛴螬图像和2032张蚜虫图像。

步骤202，对测试图像的预处理

在将获取到的测试图像输入到分类模型之前，为了避免训练过程出现分类模型过拟合或欠拟合的情况，先对采集的测试图像做数据预处理，进行图像增强。具体地，将每类病虫害所包括的测试图像分别采用旋转、翻转、缩放和平移的数据增强的方法，最终得到处理后的训练图片。

具体地，旋转为随机旋转图像一定角度，改变图像内容的朝向；翻转为沿着水平或者垂直方向翻转图像；缩放为按照一定的比例放大或者缩小图像；平移为在图像平面上对图像以向左或向右进行平移。

步骤203，分类模型的获取

图3为本发明实施例提供的基于深度卷积神经网络vgg16的分类模型结构示意图，本发明实施例中将采用基于深度卷积神经网络vgg16对病虫害图片进行检测。如图3所示，在vgg16分类模型中，包括13个卷积层，5个池化层，3个全连接层，卷积层的卷积核由3*3构成，卷积层用来对训练图片进行特征提取，而且每一个卷积块通过堆叠多个3*3的卷积层来代替传统的7*7卷积核，通过引入多层的非线性运算来提高特征提取的能力。池化层用来对训练图片进行下采样，在池化操作过程中步长为2并引入padding机制来保证图片大小。全连接层用来对训练数据进行分类，最后一层利用交叉熵分类损失函数对牧草图片进行分类。

本发明实施例中，分类模型的输入图片大小为224*224*3，利用基于深度卷积神经网络vgg16的分类模型的conv1、conv2、conv3、conv4、conv5中的13个卷积层对输入的训练图像进行特征提取，在输入到全连接层得到4096维的特征向量，经过三层的全连接层的训练之后，利用softmax分类损失函数对训练图像进行分类。

在分类模型的训练过程中为了避免过拟合引入dropout机制，在训练过程中按照一定的比例将部分神经元丢弃，这样可以在数据集较小时，使算法的鲁棒性更强。最终训练得到的模型是一个端到端的模型，即输入牧草病虫害图片，输出便是牧草病虫害类别。

举例来说，本发明实施例中，分类模型中输入是经过预处理后的训练图片，训练图片的大小为224*224*3，在经过conv1+maxpooling、conv2+maxpooling、conv3+maxpooling、conv4+maxpoling、conv5+maxpooling后图片特征图谱的大小依次是：112*112*64、56*56*128、28*28*256，14*14*512，7*7*512，在依次经过三个全连接层后特征图谱的大小为1*1*4096、1*1*4096、1*1*9。

在本发明实施例中，已经确定的牧草病虫害类别包括有9类，即分类模型的最终输出结果是对检测图片属于哪一类病虫害类别的概率值。

在本发明实施了中，在对分类模型的训练过程中将测试图像集的图像数量按照8:1:1的比例分为训练集，验证集和测试集，每个数据集都是独立分配，彼此不含有交集。即就是分为训练集14400幅、验证集1800幅、测试集1800幅。

由于在vgg16中，13个卷积层和3个全连接层包含的参数是巨大的，在本发明实施例中，为了解决深度学习模型vgg16训练时参数初始化的问题，引入了参数迁移，参数迁移是指首先在大型公开数据库imagenet上对vgg16网络进行预训练，保存预训练权重，然后在用vgg16训练牧草图片时，加载预训练权重，这样可以加快训练时间。图4为本发明实施例提供的参数迁移方法示意图。

将经过数据预处理后的训练图片输入到vgg16分类网络中，利用深度分类模型提取图片的特征，利用softmax对提取的特征进行分类，进一步完成对训练图片的分类。

图5为本发明实施例提供的基于人工智能的牧草病虫害治理系统整体框图，以下结合图5来介绍基于人工智能的牧草病虫害治理方法。

在步骤101中，将获取到的病虫害图片输入到基于深度卷积神经网络vgg16的分类模型中，病虫害图片经过该分类模型的处理，会得到该病虫害图片对应的各种病虫害类别的概率值。在本发明实施例中，已经确认的已知的病虫害类别包括有9类，且分别为霜霉病、锈病、白粉病、菌核病、菟丝子、纹枯病、粘虫、蛴螬和蚜虫。

当确认输入到分类模型的病虫害图片分别属于上述9类病虫害类别的概率值之后，可以对上述9类病虫害类别的概率值进行排序。若最大概率值大于设定阈值时，则可以根据该概率值所对应的病虫害类别，将该概率值所对应的病虫害类别确定为病虫害图片的病虫害类别。比如，若最大概率值对应的病虫害类别为蚜虫，则将病虫害图片的类别确认为蚜虫。

在本发明实施例中，设定阈值是一个介于0.1～0.99的值，比如，设定阈值可以是0.5。

需要说明的是，上述方法中，由于分类模型内存储的病虫害类别包括有9类，则该病虫害图片通过分类模型后会得到的9类病虫害类别的概率值；进一步地，若已知的病虫害类别增加到10类时，相应地，则该病虫害图片通过分类模型后会得到10类病虫害类别的概率值。若已知的病虫害类别增加到11类时，相应地，则该病虫害图片通过分类模型后会得到11类病虫害类别的概率值。基于此，可以确定本发明实施例所提供的分类模型内存储的病虫害类别的种类不是固定不变的，而是会随着识别病虫害类别的种类的增加而不断更新的。

在步骤102中，当确认病虫害图片的病虫害类别之后，可以将该病虫害类别和病虫害图片发送至病虫害综合治理模块。

需要说明的是，在本发明实施例中，病虫害综合治理模块包括有病虫害数据库，该病虫害数据库内存储有多种存储类别信息以及与存储类别信息所对应的存储图片；其中，每个存储图片均包括有地理位置信息、环境信息、时间信息、治理方案和预防方案。需要说明的是，这里的地理位置信息是经度纬度信息，时间信息为牧草病虫害图片拍摄时间，根据拍摄时间确定拍摄时处于牧草生长周期的所属农业节气，环境信息为牧草生长所需大气环境、水体环境、土壤资源环境以及其他影响牧草生长以及病虫害产生的自然资源环境。

进一步地，当病虫害综合治理模块接收到病虫害图片和病虫害类别之后，则会先将该病虫害类别与病虫害数据库内存储有多种存储类别信息进行匹配，从病虫害数据库内存储有多种存储类别信息内确认一个与病虫害类别相匹配的存储类别信息。进一步地，当匹配成功之后，将病虫害类别所对应的病虫害图片与存储类别信息所包括的图片进行匹配，匹配成功之后，将匹配成功的存储图片的治理方案和预防方案确认为时该病虫害图片的治理方案和预防方案。

需要说明的是，在本发明实施例中，由于基于深度卷积神经网络vgg16建立的牧草病虫害分类模型已经可以将输入的病虫害图片进行分类，即通过该分类模型可以确定病虫害图片所对应的病虫害类别。由于在实际应用中，病虫害类别是通过文字记载的，相应地，在病虫害数据库内存储的存储类别信息也是通过文字记载的，因此，上述方法中将病虫害类别与存储类别信息进行匹配，只是进行文字匹配；进一步地，当确认病虫害图片对应的病虫害类别时，也会对该病虫害图片进行命名，相应地，在病虫害数据库内存储的存储每个图片也会有名称，因此，这里的将病虫害图片与存储图片进行匹配时，只是对图片的名称进行匹配。

需要说明的是，在实际应用中，由于病虫害数据库内存储的病虫害类别以及每种病虫害类别所包括的存储图片。因此，当病虫害综合治理模块对接收到的病虫害图片和病虫害类别进行匹配并确认了病虫害图片对应的治理方案和预防方案之后，则会分别将该病虫害图片作为存储图片存储到病虫害数据库内，将病虫害类别作为存储类别信息存储到病虫害数据库内。

在实际应用中，由于病虫害图片携带有拍摄地理信息和时间信息，因此，病虫害综合治理模块可以根据该病虫害图片携带的拍摄地理信息和时间信息，确定该病虫害图片所对应的地理位置信息和环境信息。基于此，可以确认存储至病虫害数据库内的病虫害图片不仅包括有治理方案和预防方案，也会包括有地理位置信息、环境信息、时间信息。

需要说明的是，在上述步骤101中，当确认病虫害类别的概率值均小于设定阈值时，则将所述病虫害图片发送至病虫害评判系统进行进一步判别。

本发明实施例中牧草病虫害治理云平台所包括的基于深度卷积神经网络vgg16的分类模型、病虫害综合治理模块和牧草病虫害态势展示图谱均不具有判断新病虫害类别的能力，因此，当确定病虫害图片不属于已知的病虫害类别时，可以将该病虫害图片通过病虫害评判系统发送至国内牧草专业为主的高校，科研机构建立的牧草病虫害评判系统，通过上述评判系统可以确定新增牧草病虫害种类。

上述高校、科研机构根据病虫害图片进行分析研究之后，当确认了该病虫害图片的病虫害类别之后，可以反馈给病虫害评判系统，病虫害评判系统可以将确认的病虫害类别信息反馈给牧草病虫害综合治理模块。

进一步地，当接收到病虫害评判系统反馈的该病虫害图片的病虫害类别之后，需要将反馈类别与病虫害数据库内包括的存储类别信息和信息图片进行匹配，若反馈类别与存储类别信息均不匹配时，则可以将反馈类别确认为新增类别，并将该新增类别添加到病虫害数据库内。上述将反馈类别与病虫害类别进行匹配，只是将反馈类别所包括的关键词语存储类别信息进行匹配。

需要说明的是，由于这里的新增类别为通过高校、科研机构确认的，所以为了与已知病虫害类别进行区别，这里将新增类别添加到病虫害数据库时，可以在新增类别中添加有特定标记，比如，这个特定标记可以是反馈时间，反馈机构，或者是病虫害数据库设定的统一编码等。在本发明实施例中，对特定标记不做具体的限定。进一步地，通过该特定标记，可以区分添加至病虫害数据库内的新增类别。

在本发明实施例中，当确认病虫害数据库内有新增类别时，则可以重新根据确定的牧草病虫害类别训练分类模型，每次确定新的模型都要进行重新训练，循环往复，保证牧草分类模型的准确率。

在实际应用中，为了避免因新增类别数量少，导致分类模型重新训练周期比较长而导致分类模型准确率降低的问题，优选地，本发明实施例提供的分类模型会按照设定的周期或者存储数据阈值进行重新训练，从而可以提高分类模型的准确率。

当确认了病虫害图片对应的治理方案和预防方案之后，本发明实施例还提供了根据病虫害图片绘制牧草病虫害态势展示图谱内的方法。

在步骤103中，根据病虫害图片携带的拍摄地理信息和时间信息，确认病虫害图片对应的地理信息和环境信息，在根据在步骤102中确认的与病虫害图片对应的治理方案和预防方案，将该病虫害图片所对应的病虫害类别，治理方案，预防方案，环境信息和时间信息根据地理位置信息添加到牧草病虫害态势展示图谱内。

需要说明的是，在本发明实施例中，当牧草病虫害治理云平台收到病虫害图片并确认该病虫害图片对应的病虫害类别，预防方案和治理方案之后，会进一步地将该信息添加到牧草病虫害态势展示图谱内。即本发明实施例所提供的牧草病虫害态势展示图谱内包括的信息会随时更新。

综上所述，本发明实施例提供一种基于人工智能的牧草病虫害治理方法及装置，该方法通过深度学习算法，训练出适合牧草病虫害的分类模型，对上传到云端的牧草病虫害图片，确定病虫害类型；牧草病虫害综合治理模块可以对分类后的病虫害类型提供治理方案和预防方案；进一步地，还可以根据病虫害图片所携带的拍摄信息以及确认的病虫害的治理方案和预防方案，建立牧草病虫害态势展示图谱内。该方法解决传统方法中采用的图像处理技术针对农作物病虫害的治理和防治存在工作量较大，且识别病虫害的准确性较低的问题。

基于同一发明构思，本发明实施例提供了一种基于人工智能的牧草病虫害治理装置，由于该装置解决技术问题的原理与一种基于人工智能的牧草病虫害治理方法相似，因此该装置的实施可以参见方法的实施，重复之处不再赘述。

图6为本发明实施例提供的一种基于人工智能的牧草病虫害治理装置结构示意图，如图6所示，该装置包括第一确定单元601，第二确定单元602和第三确定单元603。

第一确定单元601，用于基于深度卷积神经网络vgg16建立的牧草病虫害分类模型，将接收到的病虫害图片输入到所述分类模型，得到所述病虫害图片对应的各个病虫害类别的概率值，当最大概率值大于设定阈值时，将所述最大概率值对应的病虫害类别确定为所述病虫害图片的病虫害类别；

第二确定单元602，用于将所述病虫害类别和所述病虫害图片发送至病虫害综合治理模块，以使所述病虫害综合治理模块根据所述病虫害类别和所述病虫害图片确定与所述病虫害图片对应的治理方案和预防方案；

第三确定单元603，用于根据所述病虫害图片携带的拍摄地理信息和时间信息确定所述病虫害图片所对应的地理位置信息和环境信息；将所述病虫害图片对应的病虫害类别、治理方案、预防方案、环境信息和时间信息根据所述地理位置信息添加到牧草病虫害态势展示图谱内。

优选地，所述病虫害综合治理模块包括病虫害数据库，所述病虫害数据库内存储有多种存储类别信息以及与所述存储类别信息所对应的存储图片；且每个所述存储图片均包括有地理位置信息、环境信息、时间信息、治理方案和预防方案；

所述第二确定单元602具体用于：

选择与所述病虫害类别相匹配的所述病虫害类别信息，从所述病虫害类别信息包括的多个所述存储图片中确定与所述病虫害图片相匹配的所述存储图片，将所述存储图片包括的治理方案和预防方案确定为所述病虫害图片的治理方案和预防方案。

优选地，所述第二确定单元602还用于：

根据所述病虫害图片携带的拍摄地理信息和时间信息确定所述病虫害图片所对应的地理位置信息和环境信息，将所述病虫害类别信息、所述病虫害图片以及所述病虫图片对应的时间信息、地理位置信息、环境信息、治理方案和预防方案存储至所述病虫害数据库。

优选地，所述第一确定单元601还用于：

当最大概率值小于设定阈值时，将所述病虫害图片发送至病虫害评判系统；

当收到所述病虫害评判系统反馈的与所述病虫害图片对应的反馈类别时，将所述反馈类别与所述病虫害数据库内包括的所述病虫害类别进行匹配，若所述反馈类别与所述病虫害类别均不匹配时，则将所述反馈类别确定为新增类别，并将所述新增类别添加到病虫害综合治理模块中的病虫害数据库内。

优选地，所述基于深度卷积神经网络vgg16的牧草病虫害分类模型包括13个卷积层，5个池化层和3个全连接层；

每个所述卷积层的卷积核由3*3构成，对所述病虫害图片进行特征提取；

每个所述池化层的步长为2。

应当理解，以上一种基于人工智能的牧草病虫害治理装置包括的单元仅为根据该设备装置实现的功能进行的逻辑划分，实际应用中，可以进行上述单元的叠加或拆分。并且该实施例提供的一种基于人工智能的牧草病虫害治理装置所实现的功能与上述实施例提供的一种基于人工智能的牧草病虫害治理方法一一对应，对于该装置所实现的更为详细的处理流程，在上述方法实施例一中已做详细描述，此处不再详细描述。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。