信息处理方法、装置和系统与流程

本发明涉及互联网技术领域，具体而言，涉及一种信息处理方法、装置和系统。

背景技术：

在现代农业中，特别是种植业，以茶树种植为例，对于茶叶种植行业来说，对产品产量和质量影响最大的因素之一便是病虫害，因此，茶农需要投入大量的精力在病虫害防治工作中。

而茶叶是一种高附加值经济作物，且品牌化程度极高，对农药残留的监测也十分严格，因此，茶叶种植过程中，不能采取覆盖式过量喷洒农药来降低病虫害风险，而只能采取相对精细化的管理，日常种植中少量使用农药来预防，当病虫害变得严重时，再追加使用。

对于能够飞行的害虫，目前已经有了较为成熟的监控措施，例如，通过诱虫的黄板和诱虫箱，捕捉害虫样本，再通过肉眼观测或图像识别来评估当前害虫的严重程度。而对于一些更为隐蔽的害虫，例如绿叶蝉和茶尺蠖等，白天隐藏于茶树内部和土壤之中，夜晚爬上茶树上部破坏嫩叶的害虫，则难以做到有效监控。并且这些害虫，体积相对较小，在夜晚使用可见光仍然难以发现。

相关技术中由于害虫体积相对较小，使用光谱的设备不能距离茶树顶端太远，这也就会导致单套设备的覆盖范围有限，一般只能覆盖单株茶树。

针对上述由于对病虫害的数据估计缺乏有效监控导致的数据估计工作准确率低的问题，目前尚未提出有效的解决方案。

技术实现要素：

本发明实施例提供了一种信息处理方法、装置和系统，以至少解决由于对病虫害的数据估计缺乏有效监控导致的数据估计工作准确率低的技术问题。

根据本发明实施例的一个方面，提供了一种信息处理方法，包括：对待监控的区域进行采样，得到样本图像；依据预设算法对样本图像进行识别，得到识别结果；依据待监控的区域中目标对象的所属类别结合识别结果，得到待监控的区域中的受灾估计结果。

可选的，对待监控的区域进行采样，得到样本图像包括：通过光谱设备在预设时间，在待监控的区域中每个目标对象上进行多点样本采集，得到样本图像。

进一步地，可选的，样本图像包括：每个目标对象上部指定区域的光谱图像。

可选的，依据预设算法对样本图像进行识别，得到识别结果包括：在预设算法包括图像分类算法的情况下，依据图像分类算法对样本进行识别，得到识别结果，其中，识别结果用于指示样本图像中目标对象的受灾程度。

可选的，图像分类算法，用于对样本图像进行检测，对样本图像中目标对象的受灾程度进行评估。

可选的，依据待监控的区域中目标对象的所属类别结合识别结果，得到待监控的区域中的受灾估计结果包括：获取采样时间；获取待监控的区域中目标对象的所属类别；依据采样时间、目标对象的所属类别和识别结果生成受灾估计结果。

根据本发明实施例的另一方面，还提供了一种信息处理装置，包括：采样模块，用于对待监控的区域进行采样，得到样本图像；识别模块，用于依据预设算法对样本图像进行识别，得到识别结果；估计模块，用于依据待监控的区域中目标对象的所属类别结合识别结果，得到待监控的区域中的受灾估计结果。

可选的，采样模块包括：采样单元，用于通过光谱设备在预设时间，在待监控的区域中每个目标对象上进行多点样本采集，得到样本图像。

可选的，样本图像包括：每个目标对象上部指定区域的光谱图像。

可选的，识别模块包括：识别单元，用于在预设算法包括图像分类算法的情况下，依据图像分类算法对样本进行识别，得到识别结果，其中，识别结果用于指示样本图像中目标对象的受灾程度。

可选的，图像分类算法，用于对样本图像进行检测，对样本图像中目标对象的受灾程度进行评估。

可选的，估计模块包括：第一获取单元，用于获取采样时间；第二获取单元，用于获取待监控的区域中目标对象的所属类别；估计单元，用于依据采样时间、目标对象的所属类别和识别结果生成估计结果。

根据本发明实施例的又一方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述的信息处理方法。

根据本发明实施例的再一方面，还提供了一种信息处理系统，包括存储器及处理器，存储器用于存储包括程序指令的信息，处理器用于控制程序指令的执行，其中：程序指令被处理器加载并执行时实现上述的信息处理方法。

在本发明实施例中，采用在单位面积内通过多光谱进行采样,并识别病虫害严重程度的方式，通过对待监控的区域进行采样，得到样本图像；依据预设算法对样本图像进行识别，得到识别结果；依据待监控的区域中目标对象的所属类别结合识别结果，得到待监控的区域中的受灾估计结果，达到了在夜间也能对病虫害进行评估的目的，从而实现了提升数据估计工作准确率的技术效果，进而解决了由于对病虫害的数据估计缺乏有效监控导致的数据估计工作准确率低的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明实施例的一种信息处理方法的计算机终端的硬件结构框图；

图2是根据本发明实施例一的信息处理方法的流程图；

图3a是根据本发明实施例一的信息处理方法中茶园多光谱设备对茶树采样的示意图；

图3b是根据本发明实施例一的一种信息处理方法的示意图；

图4是根据本发明实施例二的信息处理装置的结构图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

本申请涉及的技术名词:

基于深度学习的图像分类算法：从一张含有已知目标对象的图片中(如已知目标图像包含一件衣服)，对图片的风格进行分类和打标(如是一件衬衫还是一条裙子，花纹是什么风格的)，需要用到的具体算法框架包括一些现有的算法框架，例如：resnet残差系列，inception系列，mobilenet系列；

病虫害：主要是指危害茶园的，昼伏夜出的害虫，如绿叶蝉等。

实施例1

根据本发明实施例，还提供了一种信息处理方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在计算机终端上为例，图1是本发明实施例的一种信息处理方法的计算机终端的硬件结构框图。如图1所示，计算机终端10可以包括一个或多个(图中仅示出一个)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输模块106。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的信息处理方法对应的程序指令/模块，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的信息处理方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(networkinterfacecontroller，nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(radiofrequency，rf)模块，其用于通过无线方式与互联网进行通讯。

在上述运行环境下，本申请提供了如图2所示的信息处理方法。图2是根据本发明实施例一的信息处理方法的流程图。

步骤s202，对待监控的区域进行采样，得到样本图像；

本申请步骤s202中,本申请实施例提供的信息处理方法可以适用于现代农业中,其中,以应用于估计茶树种植中,茶叶种植园中的病虫害严重程度为例进行说明,本申请实施例中的待监控的区域可以为单位面积内的茶圃,单位面积可以以亩为单位,即,在步骤s202中,对每亩的茶树进行多点采样,获取每株茶树的图像(即，本申请实施例中的样本图像)。

其中，多点采样可以包括对每株茶树进行多次拍摄，或，对茶树的特定区域进行多次拍摄进行图像样本采集，采集的样本图像类型不作具体限定。

步骤s204，依据预设算法对样本图像进行识别，得到识别结果；

本申请步骤s204中，基于步骤s202中得到的茶树图像，基于预设算法对该茶树图像进行数据处理，检测每张茶树图像是否存在病虫害特征，以及对每张茶树图像的病虫害严重程度进行分类，得到识别结果，即，在本申请实施例中预设算法可以包括图像分类算法，使用基于深度学习的图像分类算法，对采集来的茶树图像进行检测，其中，图像分类算法用于将病虫害严重程度分为几类，(例如：无病虫害，轻微病虫害，中度病虫害，严重病虫害等)。

步骤s206，依据待监控的区域中目标对象的所属类别结合识别结果，得到待监控的区域中的受灾估计结果。

本申请步骤s206中，基于步骤s202中得到的样本图像和步骤s204中得到的识别结果，仍旧以上述示例为例进行说明，根据每亩茶园中每株茶树(即，本申请实施例中的目标对象)所属的茶树类型和识别结果，得到每亩茶园中的受灾估计结果，即，根据不同季节，不同茶树品种，结合图像识别结果，来综合评估是否需要进行生物防治农事作业。

在本发明实施例中，采用在单位面积内通过多光谱进行多点采样,并识别病虫害严重程度的方式，通过对待监控的区域进行采样，得到样本图像；依据预设算法对样本图像进行识别，得到识别结果；依据待监控的区域中目标对象的所属类别结合识别结果，得到待监控的区域中的受灾估计结果，达到了在夜间也能对病虫害进行评估的目的，从而实现了提升数据估计工作准确率的技术效果，进而解决了由于对病虫害的数据估计缺乏有效监控导致的数据估计工作准确率低的技术问题。

可选的，步骤s202中对待监控的区域进行采样，得到样本图像包括：

步骤s2021，通过光谱设备在预设时间，在待监控的区域中每个目标对象上进行多点样本采集，得到样本图像。

进一步地，可选的，样本图像包括：每个目标对象上部指定区域的光谱图像。

具体的，结合步骤s2021，在本申请实施例中，基于不同季节在夜间(即本申请实施例中的预设时间)，对每亩茶园的每株茶树上方通过光谱设备照射获取每株茶树的光谱图像，其中，光谱设备可以包括：常规光照图像设备、紫外光图像设备或红外图像设备，或者其他肉眼不可见的光谱对应的图像设备。

这里本申请实施例中可以在病虫害较为严重的季节，通过人工手持光谱设备(如紫外图像设备或红外图像设备等)，在夜间，去茶园采集各种害虫的多光谱特征，至少采集数百个样本，每个样本包含单株茶树顶端的光谱图像；

在本申请实施例中每个目标对象上部指定区域可以包括：靠上部为的指定区域,具体可以为茶树的树冠等位置。

可选的，步骤s204中依据预设算法对样本图像进行识别，得到识别结果包括：

步骤s2041，在预设算法包括图像分类算法的情况下，依据图像分类算法对样本进行识别，得到识别结果，其中，识别结果用于指示样本图像中目标对象的受灾程度。

可选的，图像分类算法，用于对样本图像进行检测，对样本图像中目标对象的受灾程度进行评估。

具体的，结合步骤s2041，在本申请实施例中基于上述，在得到多光谱图像之后，依据图像分类算法对多光谱图像进行识别，即，检测每张多光谱图像中是否存在与预存病虫害特征相符的图像，并根据图像中的病虫害特征判断每张多光谱图像所受到的病虫害受灾程度，这里本申请实施例中目标对象可以为每株茶树，识别结果可以为：每株茶树的病虫害受灾程度。

本申请实施例提供的信息处理方法用于对拍摄到的夜间茶园图像进行分类打标签，将图像分成“无虫害，少量虫害和大量虫害”等几类。

其中,现有的算法框架示例说明如下：

resnet残差：为了解决深度网络的退化问题，即“随着网络加深，网络准确度出现饱和，甚至出现下降”，在实际应用中，可以在网络设计中添加shortcut残差单元，又称为短路连接的方式，让训练时的梯度能高效回传，保证网络的正常训练；而卷积和残差的的个数，需要应用项目动态调整。

inception系列：网络各层叠加不再是传统的单链路叠加的形式，使用inception(稠密的可利用的组件)，将1x1，3x3，5x5的conv和3x3的pooling堆叠在一起，增加了网络的width以及对尺度的适应性；同时引入了bn层，大大方便了网络的训练。在实际应用中，可以通过调节inception各模块的数量和网络层数，得到合适的网络结构。

mobilenet系列：将正常的cnn网络卷积分解为深度可分离卷积和1x1逐点卷积，降低了计算量，是第一种大范围应用在移动端的深度学习网络。同时通过网络宽度乘子α，通过它可以进一步减少计算量，它是一个缩放系数，原来卷积的输入输出channel乘以这个系数就是新的channel数量。第二个超参数是分辨率乘子ρ，它也是缩放系数，对象是特征图的大小，特征图尺寸乘以这个系数就是新的特征图尺寸。

上述现有的算法框架只是示例性质，本发明还可以使用其它现有的算法框架，使用现有的深度机器学习模型进行训练和图像识别。

可选的，步骤s206中依据待监控的区域中目标对象的所属类别结合识别结果，得到待监控的区域中的受灾估计结果包括：

步骤s2061，获取采样时间；

步骤s2062，获取待监控的区域中目标对象的所属类别；

步骤s2063，依据采样时间、目标对象的所属类别和识别结果生成受灾估计结果。

具体的，结合上述步骤s2061至步骤s2063中的内容，采样时间的时间格式可以包括：“-年-月-日”，根据采样时间获取当前茶园所处的季节，通过获取每亩茶园中茶树(本申请实施例中的目标对象)的所属类别，其中，该类别可以包括：龙井、雀舌、仙毫等绿茶，和/或，红茶(小种红茶，大红袍)等。实际以茶园茶树种类为准。

基于采样时间、茶树所属类型和识别结果，可以得到如下受灾估计结果，例如，2018年4月1日，春季，预计清明前，茶树所属类型：龙井，茶铺编号xxxx的病虫害受灾程度为轻微病虫害。

结合步骤s202至步骤s206，如图3a和图3b所示，图3a是根据本发明实施例一的信息处理方法中茶园多光谱设备对茶树采样的示意图，图3b是根据本发明实施例一的一种信息处理方法的示意图，结合图3a，图3b中本申请实施例提供的信息处理方法具体如下：

step1，每天夜间在每亩茶园中通过多点拍摄，获取多张每株茶树的多光谱特征照片；

step2，基于数据分析部分，预先通过存储的茶树多光谱图像特征样本数据通过图像识别算法进行训练，得到图像识别模型；

step3，基于step1和step2，即，结合每天夜间获取的多张每株茶树的多光谱特征照片和图像识别模型，得到病虫害评估结果。

其中，图3a中，在每亩茶园中设置多个多光谱设备，以多点的方式采集茶树在夜间的多光谱图像。

这里本申请实施例以适用于茶树种植为优选示例进行说明，除此之外，在现代农业范畴中本申请实施例提供的信息处理方法还可以适用于粮食作物种植(例如，小麦、玉米、水稻种植)的病虫害估计，以及，果树种植(例如，苹果，水蜜桃，樱桃，柑橘，猕猴桃种植)的病虫害估计，具体实现方式与上述茶园示例相同，这里不再赘述。

本申请实施例提供的信息处理方法可以大致评估出病虫害的严重程度，通过多点抽样监测(如每亩部署10套该方案，由于单套方案成本低)，则可以推断出整个茶园的病虫害严重程度。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的信息处理方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。

实施例2

根据本发明实施例，还提供了一种用于实施上述信息处理方法的装置，如图4所示，图4是根据本发明实施例二的信息处理装置的结构图，该装置包括：

采样模块42，用于对待监控的区域进行采样，得到样本图像；识别模块44，用于依据预设算法对样本图像进行识别，得到识别结果；估计模块46，用于依据待监控的区域中目标对象的所属类别结合识别结果，得到待监控的区域中的受灾估计结果。

可选的，采样模块42包括：采样单元，用于通过光谱设备在预设时间，在待监控的区域中每个目标对象上进行多点样本采集，得到样本图像。

可选的，样本图像包括：每个目标对象上部指定区域的光谱图像。

可选的，识别模块44包括：识别单元，用于在预设算法包括图像分类算法的情况下，依据图像分类算法对样本进行识别，得到识别结果，其中，识别结果用于指示样本图像中目标对象的受灾程度。

可选的，图像分类算法，用于对样本图像进行检测，对样本图像中目标对象的受灾程度进行评估。

可选的，估计模块46包括：第一获取单元，用于获取采样时间；第二获取单元，用于获取待监控的区域中目标对象的所属类别；估计单元，用于依据采样时间、目标对象的所属类别和识别结果生成估计结果。

实施例3

根据本发明实施例的又一方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述实施例1中的信息处理方法。

实施例4

根据本发明实施例的再一方面，还提供了一种信息处理系统，包括存储器及处理器，存储器用于存储包括程序指令的信息，处理器用于控制程序指令的执行，其中：程序指令被处理器加载并执行时实现如下步骤：对待监控的区域进行采样，得到样本图像；依据预设算法对样本图像进行识别，得到识别结果；依据待监控的区域中目标对象的所属类别结合识别结果，得到待监控的区域中的受灾估计结果。

实施例5

本发明的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于保存上述实施例一所提供的信息处理方法所执行的程序代码。

可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：对待监控的区域进行采样，得到样本图像；依据预设算法对样本图像进行识别，得到识别结果；依据待监控的区域中目标对象的所属类别结合识别结果，得到待监控的区域中的受灾估计结果。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：对待监控的区域进行采样，得到样本图像包括：通过光谱设备在预设时间，在待监控的区域中每个目标对象上进行多点样本采集，得到样本图像。

进一步地，可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：样本图像包括：每个目标对象上部指定区域的光谱图像。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：依据预设算法对样本图像进行识别，得到识别结果包括：在预设算法包括图像分类算法的情况下，依据图像分类算法对样本进行识别，得到识别结果，其中，识别结果用于指示样本图像中目标对象的受灾程度。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：图像分类算法，用于对样本图像进行检测，对样本图像中目标对象的受灾程度进行评估。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：依据待监控的区域中目标对象的所属类别结合识别结果，得到待监控的区域中的受灾估计结果包括：获取采样时间；获取待监控的区域中目标对象的所属类别；依据采样时间、目标对象的所属类别和识别结果生成受灾估计结果。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。