首页 > 分享 > 病虫害预警方法、装置、计算机设备及存储介质.pdf

病虫害预警方法、装置、计算机设备及存储介质.pdf

花匠小妙招
2024-11-07 18:36

《病虫害预警方法、装置、计算机设备及存储介质.pdf》由会员分享，可在线阅读，更多相关《病虫害预警方法、装置、计算机设备及存储介质.pdf（13页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010634534.5 (22)申请日 2020.07.02 (71)申请人深圳市万物云科技有限公司地址 518000 广东省深圳市前海深港合作区前湾一路1号A栋201室（入驻深圳市前海商务秘书有限公司） (72)发明人赵嘉韩景光陈佳木田赫 (74)专利代理机构深圳市精英专利事务所 44242 代理人武志峰 (51)Int.Cl. G06K 9/62(2006.01) G06K 9/36(2006.01) G06K 9/40(2006.01) (54)发明名。

2、称一种病虫害预警方法、装置、计算机设备及存储介质 (57)摘要本发明公开了一种病虫害预警方法、装置、计算机设备及存储介质，所述方法包括：获取IoT 传感时序数据，得到IoT维度特征；采集草坪图片，并对草坪图片进行预处理，得到目标图片；利用图像识别算法对目标图片进行植物种类识别，根据识别得到的植物种类确定植物特征，然后根据植物特征从目标图片中识别得到病灶特征；获取植物生长状态数据，并对病灶特征、 IoT维度特征和植物生长状态数据进行聚合，得到时序多维聚合特征数据；对时序多维聚合特征数据与历史病虫害特征数据进行第一相似度计算；将计算结果与预。

3、设的相似度阈值进行比较，根据比较结果输出预警结果。本发明通过对多维度时序数据进行预测，从而实现对草坪病虫害的爆发的有效预警。权利要求书2页说明书9页附图1页 CN 111814866 A 2020.10.23 CN 111814866 A 1.一种病虫害预警方法，其特征在于，包括：获取IoT传感时序数据，并对所述IoT传感时序数据进行预处理，得到IoT维度特征；采集草坪图片，并对采集到的草坪图片进行预处理，得到目标图片；利用图像识别算法对所述目标图片进行植物种类识别，根据识别得到的植物种类确定植物特征，然后根据植物特征从所述目标图片中识别得到病灶特征。

4、；获取植物生长状态数据，并对所述病灶特征、 IoT维度特征和植物生长状态数据进行聚合，得到时序多维聚合特征数据；对所述时序多维聚合特征数据与历史病虫害特征数据进行第一相似度计算；将计算结果与预设的相似度阈值进行比较，根据比较结果输出预警结果。 2.根据权利要求1所述的病虫害预警方法，其特征在于，所述采集草坪图片，并对采集到的草坪图片进行预处理，得到目标图片，包括：对采集到的图片进行质量筛选，选择图片亮度、清晰度、角度均达到预设标准的图片作为目标图片。 3.根据权利要求1所述的病虫害预警方法，其特征在于，所述利用图像识别算法对所述目标图片进行植物种类识。

5、别，包括：对所述目标图片进行特征提取，并将提取后的特征输入至神经网络模型中进行植物种类的分析，通过线下的数据标注进行垂直优化，并从植物数据库中匹配得到植物种类。 4.根据权利要求1所述的病虫害预警方法，其特征在于，所述根据识别得到的植物种类确定植物特征，然后根据植物特征从所述目标图片中识别得到病灶特征，包括：运用中值滤波算法滤除所述目标图片的图像噪音，并运用灰度变换算法和高低帽转换算法对所述目标图片进行图像增强处理；通过色彩空间转换分离所述目标图片中的绿色位置，得到叶片病灶；对所述叶片病灶进行形态、颜色和纹理特征提取，得到病灶特征。 5.根据权利要求1所述。

6、的病虫害预警方法，其特征在于，所述获取植物生长状态数据，包括：每隔预设面积建立一个草坪标尺；通过图像物体识别技术识别植物在标尺下的生长刻度，对所述生长刻度取平均数，并将所述平均数作为植物生长状态数据。 6.根据权利要求1所述的病虫害预警方法，其特征在于，对所述时序多维聚合特征数据与历史病虫害特征数据进行第一相似度计算，包括：利用马氏距离算法对所述时序多维聚合特征数据与历史病虫害特征数据进行第一相似度计算。 7.根据权利要求1所述的病虫害预警方法，其特征在于，还包括：在连续预设天数内，分别计算每天的时序多维聚合特征数据与所述历史病虫害特征数据的第一相似度；。

7、对每天的第一相似度进行加权求和，得到第二相似度。 8.一种病虫害预警装置，其特征在于，包括：获取单元，用于获取IoT传感时序数据，并对所述IoT传感时序数据进行预处理，得到 IoT维度特征；权利要求书 1/2 页 2 CN 111814866 A 2 采集单元，用于采集草坪图片，并对采集到的草坪图片进行预处理，得到目标图片；利用图像识别算法对所述目标图片进行植物种类识别，根据识别得到的植物种类确定植物特征，然后根据植物特征从所述目标图片中识别得到病灶特征；聚合单元，用于获取植物生长状态数据，并对所述病灶特征、 IoT维度特征和植物生长状态数据进行聚合，。

8、得到时序多维聚合特征数据；比较单元，用于对所述时序多维聚合特征数据与历史病虫害特征数据进行第一相似度计算；将计算结果与预设的相似度阈值进行比较，根据比较结果输出预警结果。 9.一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的病虫害预警方法。 10.一种计算机可读存储介质，其特征在于，所述计算机可读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任一项所述的病虫害预警方法。权利要求书 2/2 页 3 CN 1118148。

9、66 A 3 一种病虫害预警方法、装置、计算机设备及存储介质技术领域 0001 本发明涉及植物保护技术领域，特别涉及一种病虫害预警方法、装置、计算机设备及存储介质。背景技术 0002 目前，在植保领域通常采用的解决方案中，绝大部分用于针对经济型农作物(例如水稻，玉米等)，而经济型农作物对比社区绿化草坪场景，在面积(非连续)、城市差异性(环境特征)、植物复杂性(灌木，乔木遮挡等)和养护手段(浇灌，消杀)等方面都存在较大的差异，因此无法将这类解决方案直接用于社区绿化草坪的植保。同时，传统的农作物病虫害的判定模型仅仅是建立在病虫害发现之后，然后通过提。

10、升病虫害发现的时间来降低损失。而在实际场景中，病虫害爆发是一个量变引起质变的过程，其具有普适性的时序特征规律。 0003 在社区内，草坪病虫害的发现主要由绿化养护人员利用自身所学的植保知识进行识别，并在识别后喷洒相关药剂进行防治，或者是定期喷洒相关药剂以达到防治效果。但是上述方法严重依赖绿化养护人员的植保专业素质，在实际业务中，带来了较高的人力成本和资源浪费，同时也可能因监测的不及时性导致较大经济损失。发明内容 0004 本发明实施例提供了一种病虫害预警方法、装置、计算机设备及存储介质，旨在对草坪的病虫害爆发进行预警。 0005 第一方面，本发明实施例提。

11、供了一种病虫害预警方法，包括： 0006 获取IoT传感时序数据，并对所述IoT传感时序数据进行预处理，得到IoT维度特征； 0007 采集草坪图片，并对采集到的草坪图片进行预处理，得到目标图片；利用图像识别算法对所述目标图片进行植物种类识别，根据识别得到的植物种类确定植物特征，然后根据植物特征从所述目标图片中识别得到病灶特征； 0008 获取植物生长状态数据，并对所述病灶特征、 IoT维度特征和植物生长状态数据进行聚合，得到时序多维聚合特征数据； 0009 对所述时序多维聚合特征数据与历史病虫害特征数据进行第一相似度计算；将计算结果与预设的相似度阈值进行比较，。

12、根据比较结果输出预警结果。 0010 进一步的，所述采集草坪图片，并对采集到的草坪图片进行预处理，得到目标图片，包括： 0011 对采集到的图片进行质量筛选，选择图片亮度、清晰度、角度均达到预设标准的图片作为目标图片。 0012 进一步的，所述利用图像识别算法对所述目标图片进行植物种类识别，包括： 0013 对所述目标图片进行特征提取，并将提取后的特征输入至神经网络模型中进行植物种类的分析，通过线下的数据标注进行垂直优化，并从植物数据库中匹配得到植物种类。说明书 1/9 页 4 CN 111814866 A 4 0014 进一步的，所述根据识别得到的植物种类。

13、确定植物特征，然后根据植物特征从所述目标图片中识别得到病灶特征，包括： 0015 运用中值滤波算法滤除所述目标图片的图像噪音，并运用灰度变换算法和高低帽转换算法对所述目标图片进行图像增强处理； 0016 通过色彩空间转换分离所述目标图片中的绿色位置，得到叶片病灶； 0017 对所述叶片病灶进行形态、颜色和纹理特征提取，得到病灶特征。 0018 进一步的，所述获取植物生长状态数据，包括： 0019 每隔预设面积建立一个草坪标尺； 0020 通过图像物体识别技术识别植物在标尺下的生长刻度，对所述生长刻度取平均数，并将所述平均数作为植物生长状态数据。 0021 进一步的，。

14、对所述时序多维聚合特征数据与历史病虫害特征数据进行第一相似度计算，包括： 0022 利用马氏距离算法对所述时序多维聚合特征数据与历史病虫害特征数据进行第一相似度计算。 0023 进一步的，还包括： 0024 在连续预设天数内，分别计算每天的时序多维聚合特征数据与所述历史病虫害特征数据的第一相似度； 0025 对每天的第一相似度进行加权求和，得到第二相似度。 0026 第二方面，本发明实施例提供了一种病虫害预警装置，包括： 0027 获取单元，用于获取IoT传感时序数据，并对所述IoT传感时序数据进行预处理，得到IoT维度特征； 0028 采集单元，用于采集草坪图片，。

15、并对采集到的草坪图片进行预处理，得到目标图片；利用图像识别算法对所述目标图片进行植物种类识别，根据识别得到的植物种类确定植物特征，然后根据植物特征从所述目标图片中识别得到病灶特征； 0029 聚合单元，用于获取植物生长状态数据，并对所述病灶特征、 IoT维度特征和植物生长状态数据进行聚合，得到时序多维聚合特征数据； 0030 比较单元，用于对所述时序多维聚合特征数据与历史病虫害特征数据进行第一相似度计算；将计算结果与预设的相似度阈值进行比较，根据比较结果输出预警结果。 0031 第三方面，本发明实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储。

16、器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的病虫害预警方法。 0032 第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读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所述的病虫害预警方法。 0033 本发明实施例提供了一种病虫害预警方法、装置、计算机设备及存储介质，所述方法包括：获取IoT传感时序数据，并对所述IoT传感时序数据进行预处理，得到IoT维度特征；采集草坪图片，并对采集到的草坪图片进行预处理，得到目标图片；利用图像识别算法对所述目标图片进行植物种类识别，根据识别得到的植物。

17、种类确定植物特征，然后根据植物特征从所述目标图片中识别得到病灶特征；获取植物生长状态数据，并对所述病灶特征、 IoT 说明书 2/9 页 5 CN 111814866 A 5 维度特征和植物生长状态数据进行聚合，得到时序多维聚合特征数据；对所述时序多维聚合特征数据与历史病虫害特征数据进行第一相似度计算；将计算结果与预设的相似度阈值进行比较，根据比较结果输出预警结果。本发明实施例通过计算多维度时序数据和历史特征数据之间的相似度，从而实现对草坪病虫害的爆发的有效预警。附图说明 0034 为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单。

18、地介绍，显而易见地，下面描述中的附图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。 0035 图1为本发明实施例提供的一种病虫害预警方法的流程示意图； 0036 图2为本发明实施例提供的一种病虫害预警装置的示意性框图。具体实施方式 0037 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。。

19、 0038 应当理解，当在本说明书和所附权利要求书中使用时，术语 “包括” 和 “包含” 指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。 0039 还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的 “一” 、“一个” 及 “该” 意在包括复数形式。 0040 还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语 “和。

20、/或” 是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。 0041 下面请参见图1，图1为本发明实施例提供的一种病虫害预警方法的流程示意图，具体包括：步骤S101S104。 0042 S101、获取IoT传感时序数据，并对所述IoT传感时序数据进行预处理，得到IoT维度特征； 0043 S102、采集草坪图片，并对采集到的草坪图片进行预处理，得到目标图片；利用图像识别算法对所述目标图片进行植物种类识别，根据识别得到的植物种类确定植物特征，然后根据植物特征从所述目标图片中识别得到病灶特征； 0044 S103、获取植物生长状态数据，。

21、并对所述病灶特征、 IoT维度特征和植物生长状态数据进行聚合，得到时序多维聚合特征数据； 0045 S104、对所述时序多维聚合特征数据与历史病虫害特征数据进行第一相似度计算；将计算结果与预设的相似度阈值进行比较，根据比较结果输出预警结果。 0046 本实施例中，将IoT传感时序数据、植物的病虫害特征数据(即所述病灶特征)以及植物生长状态数据聚合为多维度特征数据(即所述时序多维聚合特征数据)，并计算所述时序多维聚合特征数据与历史病虫害特征数据的相似度，然后根据该相似度对应输出预警结说明书 3/9 页 6 CN 111814866 A 6 果。本实施例可有效实现对草。

22、坪病虫害发生的预警，并且引入时序特征，根据时序特征的规律来预测一段时间内发生草坪病虫害的可能性，从而提高预警的准确性。 0047 IoT(The Internet ofThings，物联网)是指通过各种信息传感器、射频识别技术、全球定位系统、红外感应器、激光扫描器等各种装置与技术，实时采集任何需要监控、连接、互动的物体或过程，采集其声、光、热、电、力学、化学、生物、位置等各种需要的信息，通过各类可能的网络接入，实现物与物、物与人的泛在连接，实现对物品和过程的智能化感知、识别和管理。本实施例中，通过收集数据(包括土壤温度，土壤湿度，土。

23、壤EC值， PH值，环境温度，环境湿度，环境光照，环境风力等)形成IoT环境时序数据。 0048 在一具体应用场景中，利用本实施例提供的病虫害预警方法对冷季草和暖季草进行预警测试，例如对社区常见草坪种类(台湾草、天堂草、夏威夷草、白金草等)和混播草坪 (剪股颖、早熟禾、高羊茅等)进行预警。 0049 在一具体实施例中，获取气象数据，并将所述气象数据和所述病灶特征、 IoT维度特征、植物生长状态数据进行聚合，得到时序多维聚合特征数据。 0050 本实施例中，将所述气象数据与其他数据聚合，从而可以提高最终的预警准确率。所述气象数据可以包括气象温度和气压等数。

24、据，所述气象数据可以通过国家气象网站获取。 0051 在一实施例中，所述采集草坪图片，并对采集到的草坪图片进行预处理，得到目标图片，包括： 0052 对采集到的图片进行质量筛选，选择图片亮度、清晰度、角度均达到预设标准的图片作为目标图片。 0053 本实施例中，在采集到的的图片中选择出符合预设标准的图片，剔除掉不符合预设标准的图片，从而保证目标图片的质量，方便后续步骤进行。 0054 在一具体实施例中，根据植物的生长周期对采集到的图片进行筛选，即选择符合植物生长周期的图片作为目标图片。例如可以基于城市、月份、环境温度以及图片颜色高斯分布特征，筛选。

25、出符合返青状态的图片用于后续分析(返青指植物的幼苗移栽或越冬后，由黄色变为绿色，非返青的草坪不具有分析意义)。 0055 在一实施例中，所述利用图像识别算法对所述目标图片进行植物种类识别，包括： 0056 对所述目标图片进行特征提取，并将提取后的特征输入至神经网络模型中进行植物种类的分析，通过线下的数据标注进行垂直优化，并从植物数据库中匹配得到植物种类。 0057 本实施例中，首先对所述目标图片进行特征提取，然后将提取的特征输入至所述神经网络模型中，由神经网络模型输出分析结果，最后利用植物数据库对该分析结果进行匹配，从而确定所述目标图片对应的植物种类。 0058。

26、具体的，对所述目标图片训练数据，并进行预处理，得到训练集数据、测试集数据和验证集数据； 0059 对所述训练集数据进行两层卷积-池化处理，即将所述训练集数据输入至一维卷积层中，并输出第一特征矩阵；再将所述第一特征矩阵输入至3*3最大池化层，以对所述第一特征矩阵进行降维处理；将降维后的特征矩阵再次输入至下一卷积层中，并输出与所述目标图片规格相同的第二特征矩阵，再将第二特征矩阵输入至3*3最大池化层中，并将该最大池化层的输出结果作为全连接层的输入，并由所述全连接层输出分析结果，从而构建用说明书 4/9 页 7 CN 111814866 A 7 于植物种类识。

27、别的训练模型； 0060 然后采用梯度下降算法作为优化器、 Softmax算法作为分类器、平方损失函数(最小二乘法,Ordinary Least Squares)作为优化器对所述模型进行优化，利用测试集数据对模型进行多次测试优化，最终得到优化后的模型； 0061 利用Tensorflow(一种基于数据流编程的符号数学系统)的reduce_mean方法作为评估模型，对构建的模型的准确性进行验证； 0062 使用验证集数据，对构建的模型进行测试，验证实际数据的测试准确度。 0063 需要说明的是，本实施例中的植物数据库为预先建立的植物数据库。当然，在进行植物种类识别过程中。

28、，所述植物数据库可能无法对识别结果进行匹配，即所述植物数据库中未包含此种植物，因此可以先将此种植物纳入所述植物数据库中，然后确定此种植物的植物特征。 0064 在一实施例中，所述根据识别得到的植物种类确定植物特征，然后根据植物特征从所述目标图片中识别得到病灶特征，包括： 0065 运用中值滤波算法滤除所述目标图片的图像噪音，并运用灰度变换算法和高低帽转换算法对所述目标图片进行图像增强处理； 0066 通过色彩空间转换分离所述目标图片中的绿色位置，得到叶片病灶； 0067 对所述叶片病灶进行形态、颜色和纹理特征提取，得到病灶特征。 0068 本实施例中，在确定所述。

29、目标图片对应的植物特征后，对所述目标图片进行一系列的处理(例如滤除噪音、灰度变换和高低帽转换等)，然后对经过处理后的目标图片进行病灶图像提取，即得到所述叶片病灶，最后对所述叶片病灶提取病灶特征。 0069 需要说明的是，草类植物的病虫害在早期零星分散在草的叶片中，绝大部分的病虫害，其病灶位置呈现黄褐色(锈病呈现红褐色)，其余位置为绿色，因此可以通过色彩空间转换分离绿色位置，得到叶片病灶。另外，在提取病灶特征时，主要提取所述叶片病灶的形态(面积，形状)，颜色(R， G， B， R/G， B/G)，纹理特征(熵，能量，惯性)。 0070 在一实施例中。

30、，所述获取植物生长状态数据，包括： 0071 每隔预设面积建立一个草坪标尺； 0072 通过图像物体识别技术识别植物在标尺下的生长刻度，对所述生长刻度取平均数，并将所述平均数作为植物生长状态数据。 0073 本实施例中，由于植物的生长状态与环境参数相关较大，且同一片草坪不同区域的生长状态也不相同。对于草坪类植物，可以通过植物叶部高度来确定植物的生长状态。因此为了相对准确的预测植物生长状态，获取植物生长状态数据，可以在草坪上建立草坪标尺(即有刻度的参照尺)，例如每20平米设立一个标尺，从而使整个草坪形成一个网格，然后通过图像物体识别技术对标尺以及植物在标尺下。

31、的生长刻度进行读取，最后对读取的生长刻度取平均数，作为植物生长状态数据。进一步的，对植物生长状态数据按天记录。 0074 在一实施例中，对所述时序多维聚合特征数据与历史病虫害特征数据进行第一相似度计算，包括： 0075 利用马氏距离算法对所述时序多维聚合特征数据与历史病虫害特征数据进行第一相似度计算。 0076 本实施例中，在得到所述时序多维聚合特征数据后，利用马氏距离算法计算所述说明书 5/9 页 8 CN 111814866 A 8 时序多维聚合特征数据与历史病虫害特征数据之间的相似度。在得到相似度后，将其与预设的相似度阈值进行比较，并根据比较结果对应输出预。

32、警结果。例如，当计算得到的相似度大于或者等于预设的相似度阈值时，则可以在发出的预警结果中显示发生病虫害的概率较大；当计算得到的相似度小于预设的相似度阈值时，则可以发出的预警结果中显示发生病虫害的概率较小。 0077 马氏距离表示点与一个分布之间的距离，马氏距离算法是一种有效的计算两个未知样本集的相似度的方法，其不受量纲的影响，两点之间的马氏距离与原始数据的测量单位无关，由标准化数据和中心化数据(即原始数据与均值之差)计算出的二点之间的马氏距离相同。马氏距离还可以排除变量之间的相关性的干扰。其计算公式如下： 0078 0079 式中， DM(x)为马氏距离， x。

33、为多变量向量，为x的均值，为x的协方差矩阵。 0080 在一实施例中，所述病虫害预警方法还包括： 0081 在连续预设天数内，分别计算每天的时序多维聚合特征数据与所述历史病虫害特征数据的第一相似度； 0082 对每天的第一相似度进行加权求和，得到第二相似度。 0083 本实施例中，通过计算多天的相似度(即每天的时序多维聚合特征数据与所述历史病虫害特征数据的第一相似度)，并将每天的相似度进行加权求和，使最后得到相似度 (即第二相似度)更具有准确性。例如，对过去7天按天计算相似度，并对7天内的每一天的相似度进行加权求和，得到最终的相似度。 0084 本实施例同样可以将。

34、所述第二相似度与预设的相似度阈值进行比较，然后根据比较结果输出预警结果。并且，在这里，所述第二相似度越大，发生病虫害的概率越大；所述第二相似度越小，发生病虫害的概率越小。 0085 在一具体应用场景中，如表1所示，获取过去7天的IOT土壤传感数据和环境数据以及气象数据、植物生长状态数据、植物病虫害特征，由表1可知，当过去7天温度向量持续在 20 30 时，植物(台湾草)容易产生褐斑病，所以可以据于此对植物(台湾草)是否发生病虫害进行预警。说明书 6/9 页 9 CN 111814866 A 9 0086 0087 表1 0088 图2为本发明实施例提供的。

35、一种病虫害预警装置200的示意性框图，包括： 0089 获取单元201，用于获取IoT传感时序数据，并对所述IoT传感时序数据进行预处理，得到IoT维度特征； 0090 采集单元202，用于采集草坪图片，并对采集到的草坪图片进行预处理，得到目标图片；利用图像识别算法对所述目标图片进行植物种类识别，根据识别得到的植物种类确定植物特征，然后根据植物特征从所述目标图片中识别得到病灶特征； 0091 聚合单元203，用于获取植物生长状态数据，并对所述病灶特征、 IoT维度特征和植物生长状态数据进行聚合，得到时序多维聚合特征数据； 0092 比较单元204，用于对所述。

36、时序多维聚合特征数据与历史病虫害特征数据进行第一相似度计算；将计算结果与预设的相似度阈值进行比较，根据比较结果输出预警结果。说明书 7/9 页 10 CN 111814866 A 10 0093 在一实施例中，所述采集单元202包括： 0094 筛选单元，用于对采集到的图片进行质量筛选，选择图片亮度、清晰度、角度均达到预设标准的图片作为目标图片。 0095 在一实施例中，所述采集单元202还包括： 0096 第一特征提取单元，用于对所述目标图片进行特征提取，并将提取后的特征输入至神经网络模型中进行植物种类的分析，通过线下的数据标注进行垂直优化，并从植物数据库中。

37、匹配得到植物种类。 0097 在一实施例中，所述采集单元202还包括： 0098 图像处理单元，用于运用中值滤波算法滤除所述目标图片的图像噪音，并运用灰度变换算法和高低帽转换算法对所述目标图片进行图像增强处理； 0099 分离单元，用于通过色彩空间转换分离所述目标图片中的绿色位置，得到叶片病灶； 0100 第二特征提取单元，用于对所述叶片病灶进行形态、颜色和纹理特征提取，得到病灶特征。 0101 在一实施例中，所述聚合单元203包括： 0102 建立单元，用于每隔预设面积建立一个草坪标尺； 0103 识别单元，用于通过图像物体识别技术识别植物在标尺下的生长刻度，对。

38、所述生长刻度取平均数，并将所述平均数作为植物生长状态数据。 0104 在一实施例中，所述比较单元204包括： 0105 利用马氏距离算法对所述时序多维聚合特征数据与历史病虫害特征数据进行第一相似度计算。 0106 在一实施例中，所述病虫害预警装置200还包括： 0107 计算单元，用于在连续预设天数内，分别计算每天的时序多维聚合特征数据与所述历史病虫害特征数据的第一相似度； 0108 加权求和单元，用于对每天的第一相似度进行加权求和，得到第二相似度。 0109 由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘。

39、述。 0110 本发明实施例还提供了一种计算机可读存储介质，其上存有计算机程序，该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括： U盘、移动硬盘、只读存储器(Read-OnlyMemory， ROM)、随机存取存储器(RandomAccess Memory， RAM)、磁碟或者光盘等各种可以存储程序代码的介质。 0111 本发明实施例还提供了一种计算机设备，可以包括存储器和处理器，存储器中存有计算机程序，处理器调用存储器中的计算机程序时，可以实现上述实施例所提供的步骤。当然电子设备还可以包括各种网络接口，电源等组件。 0112 说明书中各。

40、个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围说明书 8/9 页 11 CN 111814866 A 11 内。 0113 还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开。

41、来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语 “包括” 、“包含” 或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的状况下，由语句 “包括一个” 限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。说明书 9/9 页 12 CN 111814866 A 12 图1 图2 说明书附图 1/1 页 13 CN 111814866 A 13 。