首页 > 分享 > 一种基于AI模型的植物健康状况评估方法、系统和介质

一种基于AI模型的植物健康状况评估方法、系统和介质

花匠小妙招
2025-09-13 09:41

本申请涉及农作物智能识别，更具体地，涉及一种基于ai模型的植物健康状况评估方法、系统和介质。

背景技术：

1、植物的健康状况直接影响农业生产和生态环境。传统的植物健康评估方法主要依赖于人工观测和单一模态数据（如图像或光谱数据）。这些方法不仅耗时费力，而且准确性和鲁棒性有限，无法全面反映植物的健康状况。此外，植物健康受多种因素影响，如病虫害、营养状况、环境压力等，单一模态的数据难以全面捕捉这些复杂的信息；另外现有的评估方法例如resnet模型等受到噪声的影响，进行图像等数据处理，可能无法准确地得到的植物健康的细分状况，例如无法得到更细分的植物病虫害类型等，以致无法准确地对植物健康状况进行评估。

技术实现思路

1、提供了本申请以解决现有技术中存在的上述缺陷。需要一种基于ai模型的植物健康状况评估方法、系统和介质，基于多模态数据能够对植物的健康状况进行全面的评估，去除噪声的影响，精确地得到植物健康状况。

2、本申请的第一方面，提供了一种基于ai模型的植物健康状况评估方法，所述植物健康状况评估方法包括：获取待测植物的多模态数据，所述多模态数据至少包括图像数据、光谱数据、气象数据和土壤数据；对所述图像数据进行对比度增强预处理，所述对比度增强预处理包括：分别对所述图像数据中的各个图像进行分割处理，得到每个图像所对应的各个图像块；按照预设的灰度级和图像块的像素值分布，得到每个图像的各个图像块分别对应的灰度级分布情况；基于每个图像的各个图像块分别对应的灰度分布情况，得到各个图像的灰度级分布情况；基于各个图像的灰度级分布情况，对各个图像进行均衡化处理，得到对比度增强预处理后后的图像数据；将所述对比度增强预处理后的图像数据以及光谱数据、气象数据和土壤数据输入多模态深度学习模型，得到植物健康状况的评估结果。

3、本申请的第二方面，提供了一种基于ai模型的植物健康状况评估系统，所述植物健康状况评估系统包括数据预处理模块、评估模块，所述预处理模块配置为：获取待测植物的多模态数据，所述多模态数据至少包括图像数据、光谱数据、气象数据和土壤数据；对所述图像数据进行对比度增强预处理，所述对比度增强预处理包括：分别对所述图像数据中的各个图像进行分割处理，得到每个图像所对应的各个图像块；按照预设的灰度级和图像块的像素值分布，得到每个图像的各个图像块分别对应的灰度级分布情况；基于每个图像的各个图像块分别对应的灰度分布情况，得到各个图像的灰度级分布情况；基于各个图像的灰度级分布情况，对各个图像进行均衡化处理，得到对比度增强预处理后图像数据；所述评估模块配置为：基于所述对比度增强预处理后的图像数据以及光谱数据、气象数据和土壤数据，得到植物健康状况的评估结果。

4、本申请的第三方面，提供了一种非暂时性计算机可读介质，其上存储有指令，当由处理器执行时，所述指令执行如本申请任一实施例所述的基于ai模型的植物健康状况评估方法的步骤。

5、本申请各个实施例提供的基于ai模型的植物健康状况评估方法、系统和介质，获取图像数据、光谱数据、气象数据和土壤数据的多模态数据，然后通过预处理模块对图像块数据进行预处理，通过图像中的各个图像块的像素处理过程，去除噪声的影响，使图像能够更清晰和能够更好地突出图像中的异常情况，便于准确地评估得到植物健康状况的结果，减小评估的误差，给农作物管理带来准确性和便利性。

技术特征：

1.一种基于ai模型的植物健康状况评估方法，其特征在于，所述植物健康状况评估方法包括：

2.根据权利要求1所述的植物健康状况评估方法，其特征在于，所述植物健康状况评估方法还包括对所述图像数据进行去噪处理，所述去噪处理包括：利用非局部均值的方法进行图像的去噪处理。

3.根据权利要求1所述的植物健康状况评估方法，其特征在于，所述植物健康状况评估方法还包括对光谱数据进行预处理，所述对光谱数据进行预处理包括：对光谱数据进行去噪处理，得到去噪处理后的光谱数据；去噪处理后的光谱数据进行归一化处理，得到归一化处理后的光谱数据。

4.根据权利要求1所述的植物健康状况评估方法，其特征在于，将所述对比度增强预处理后的图像数据以及光谱数据、气象数据和土壤数据输入多模态深度学习模型，得到植物健康状况的评估结果，包括：利用图像特征提取网络提取图像数据的图像特征；利用光谱特征提取网络提取光谱数据的光谱特征；将所述图像特征、所述光谱特征、气象数据和土壤数据进行特征融合得到融合特征；将所述融合特征输入输出模块，得到植物健康的评估结果。

5.根据权利要求1所述的植物健康状况评估方法，其特征在于，所述植物健康状况评估方法还包括：获取当前时刻和当前时刻之前的多个时间点的植物健康状态；植物健康趋势预测模型依据最新的策略选择动作，并基于当前时刻的植物健康状况和当前时刻之前的植物健康状态预测下一个时间点的植物健康状态。

6.根据权利要求1所述的植物健康状况评估方法，其特征在于，利用交叉熵损失函数对所述多模态深度学习模型进行训练。

7.一种基于ai模型的植物健康状况评估系统，其特征在于，所述植物健康状况评估系统包括数据预处理模块、评估模块，所述预处理模块配置为：获取待测植物的多模态数据，所述多模态数据至少包括图像数据、光谱数据、气象数据和土壤数据；

8.根据权利要求7所述的植物健康状况评估系统，其特征在于，所述预处理模块还配置为：对所述图像数据进行去噪处理，所述去噪处理包括：利用非局部均值的方法进行图像的去噪处理。

9.根据权利要求7所述的植物健康状况评估系统，其特征在于，所述植物健康状况评估系统还包括预测模块，所述预测模块配置为：获取当前时刻和当前时刻之前的多个时间点的植物健康状态；植物健康趋势预测模型依据最新的策略选择动作，并基于当前时刻的植物健康状况和当前时刻之前的植物健康状态预测下一个时间点的植物健康状态。

10.一种非暂时性计算机可读介质，其上存储有指令，当由处理器执行时，所述指令执行如权利要求1-6中任一项所述的基于ai模型的植物健康状况评估方法的步骤。

技术总结
本申请实施例涉及一种基于AI模型的植物健康状况评估方法、系统和介质，属于农作物智能识别技术领域，植物健康状况评估方法包括：获取图像数据、光谱数据、气象数据和土壤数据；对图像数据进行对比度增强预处理，对比度增强预处理包括：按照预设的灰度级和图像块的像素值分布，得到每个图像的各个图像块分别对应的灰度级分布情况；基于每个图像的各个图像块分别对应的灰度分布情况，得到各个图像的灰度级分布情况；基于各个图像的灰度级分布情况，对各个图像进行均衡化处理；输入多模态深度学习模型，得到植物健康状况的评估结果，因此，能够准确地评估得到植物健康状况的结果，减小评估的误差，给农作物管理带来准确性和便利性。

技术研发人员：李彦华,杨雨晴,赵炳硕,刘志科,郝晴,刘倩,田伊茜
受保护的技术使用者：青岛农业大学
技术研发日：
技术公布日：2024/12/5