开云优惠体育网页版入口

专利名称：基于物联网的花椒病害预测与防治方法、系统及介质

专利类型：发明专利

专利申请号：CN202410130650.1

专利申请（专利权）人：咸阳职业技术学院
权利人地址：陕西省西安市西咸新区沣西新城统一大道1号

专利发明（设计）人：张萍,熊忙利,张洁

专利摘要：本发明涉及一种基于物联网的花椒病害预测与防治方法、系统及介质，属于花椒病害预测技术领域，本发明通过相关病害的发生概率值预测模型预测出花椒种植区域中相关病害的发生概率值，根据花椒种植区域中相关病害的发生概率值获取异常的花椒种植区域，并对每一异常的花椒种植区域进行预警，生成相关的预警区域，基于相关的预警区域生成相关的防治方案，并对相关的防治方案进行评估，获取评估结果，根据评估对相关的防治方案进行优化。本发明通过对花椒病害的传播途径进行识别，从而能够提前预判花椒病害的发生，能够对病害进行提前防控，能够避免因病害而产生的重大损失。

主权利要求：
1.基于物联网的花椒病害预测与防治方法，其特征在于，包括以下步骤：
通过物联网图像采集设备获取花椒种植区域的图像数据信息，并通过对所述花椒种植区域的图像数据信息进行病害传播途径进行识别，获取花椒种植区域的相关病害的传播途径特征数据；
根据所述花椒种植区域的相关病害的传播途径特征数据构建相关病害的发生概率值预测模型，并通过所述相关病害的发生概率值预测模型预测出花椒种植区域中相关病害的发生概率值；
根据所述花椒种植区域中相关病害的发生概率值获取异常的花椒种植区域，并对每一异常的花椒种植区域进行预警，生成相关的预警区域；
基于所述相关的预警区域生成相关的防治方案，并对所述相关的防治方案进行评估，获取评估结果，根据所述评估对所述相关的防治方案进行优化；
基于所述相关的预警区域生成相关的防治方案，具体包括：
构建防治方案知识图谱，通过大数据获取每一相关预警区域的病害类型对应的历史防治方案，并引入图神经网络，将所述历史防治方案作为第一图节点，相关预警区域的病害类型作为第二图节点；
根据所述第一图节点以及以第二图节点构建邻接矩阵，并计算所述邻接矩阵中第一图节点之间的巴氏系数，基于所述巴氏系数计算出巴氏距离，判断所述巴氏距离是否大于预设巴氏距离；
当所述巴氏距离不大于预设巴氏距离时，则将对应所述邻接矩阵中的第一图节点进行合并，并对所述邻接矩阵进行更新，获取更新后的邻接矩阵；
将所述更新后的邻接矩阵输入到所述防治方案知识图谱中进行存储，并将相关的预警区域的病害类型输入到所述防治方案知识图谱中进行数据匹配，获取相关的防治方案；
对所述相关的防治方案进行评估，获取评估结果，根据所述评估对所述相关的防治方案进行优化，具体包括：通过大数据获取各化学成分数据信息在各环境特征数据中的历史防治效果隶属度数据信息，并将所述各化学成分数据信息在各环境特征数据中的历史防治效果隶属度数据信息输入到防治方案知识图谱中存储；
获取相关的防治方案的化学成分数据信息以及当前种植区域的环境特征数据，并将所述相关的防治方案的化学成分数据信息以及当前种植区域的环境特征数据输入到所述防治方案知识图谱中进行数据匹配；
通过数据匹配之后，获取每一防治方案在当前花椒种植区域的防治效果隶属度数据信息，并判断所述防治方案在当前花椒种植区域的防治效果隶属度数据信息是否大于预设防治隶属度；
当所述防治方案在当前花椒种植区域的防治效果隶属度数据信息大于预设防治隶属度时，则将对应的防治方案作为最终的防治方案进行推荐；
获取当前最终的防治方案中的化学药剂防治方案组合信息，判断所述当前最终的防治方案中的化学药剂防治方案组合信息是否至少两种化学药剂防治方案；
当所述当前最终的防治方案中的化学药剂防治方案组合信息至少两种化学药剂防治方案时，则引入遗传算法，根据所述遗传算法设置遗传代数，判断所述当前最终的防治方案中的化学药剂防治方案组合信息是否存在相互作用；
当所述当前最终的防治方案中的化学药剂组合信息之间存在相互作用时，根据所述遗传代数进行遗传，调整化学药剂组合信息中的化学防治方案；
当所述当前最终的防治方案中的化学药剂组合信息之间不存在相互作用时，输出化学药剂组合信息中的化学防治方案，并根据所述化学药剂组合信息中的化学防治方案对当前最终的防治方案进行调整。
2.根据权利要求1所述的基于物联网的花椒病害预测与防治方法，其特征在于，通过对所述花椒种植区域的图像数据信息进行病害传播途径进行识别，获取花椒种植区域的相关病害的传播途径特征数据，具体包括：通过大数据获取与花椒产生病害相关联的生物物种图像数据信息，并基于深度神经网络构建生物物种识别模型，将所述花椒产生病害相关联的生物物种图像数据信息输入到所述生物物种识别模型中进行编码学习；
通过编码学习之后，获取训练完成的生物物种识别模型，并将所述花椒种植区域的图像数据信息输入到所述训练完成的生物物种识别模型中进行识别，获取识别结果；
当所述识别结果中存在与花椒产生病害相关联的生物物种时，则将获取对应的生物物种导致花椒产生相关病害的类型，并获取所述对应的生物物种导致花椒产生相关病害的类型在若干个时间戳的特征数据；
根据所述对应的生物物种导致花椒产生相关病害的类型在若干个时间戳的特征数据生成花椒种植区域的相关病害的传播途径特征数据；
当所述识别结果中不存在与花椒产生病害相关联的生物物种时，则将对应的花椒种植区域作为正常的种植区域，并监控所述正常的种植区域。
3.根据权利要求1所述的基于物联网的花椒病害预测与防治方法，其特征在于，根据所述花椒种植区域的相关病害的传播途径特征数据构建相关病害的发生概率值预测模型，并通过所述相关病害的发生概率值预测模型预测出花椒种植区域中相关病害的发生概率值，具体包括：构建时间戳，融合所述时间戳以及所述花椒种植区域的相关病害的传播途径特征数据，生成基于时间序列的相关病害的传播途径特征数据，并引入贝叶斯网络；
将所述基于时间序列的相关病害的传播途径特征数据输入到所述贝叶斯网络中进行计算，获取发生相关病害的先验概率值，并基于深度神经网络构建相关病害的发生概率值预测模型；
将所述发生相关病害的先验概率值作为相关病害的发生概率值，并将所述相关病害的发生概率值输入到所述相关病害的发生概率值预测模型中进行编码学习，获取训练完成的相关病害的发生概率值预测模型；
通过所述训练完成的相关病害的发生概率值预测模型预测出花椒种植区域中相关病害的发生概率值，并将所述花椒种植区域中相关病害的发生概率值输出。
4.根据权利要求1所述的基于物联网的花椒病害预测与防治方法，其特征在于，根据所述花椒种植区域中相关病害的发生概率值获取异常的花椒种植区域，并对每一异常的花椒种植区域进行预警，生成相关的预警区域，具体包括：预设相关病害的发生概率阈值，并判断所述花椒种植区域中相关病害的发生概率值是否大于相关病害的发生概率阈值；
当所述花椒种植区域中相关病害的发生概率值大于相关病害的发生概率阈值时，则将对应的花椒种植区域作为异常的种植区域；
当所述花椒种植区域中相关病害的发生概率值不大于相关病害的发生概率阈值时，则将对应的花椒种植区域作为正常的种植区域；
通过对每一所述异常的种植区域进行预警，生成相关的预警区域，并将所述相关的预警区域按照预设方式进行显示。
5.一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中包括基于物联网的花椒病害预测与防治方法程序，所述基于物联网的花椒病害预测与防治方法程序被处理器执行时，实现如权利要求1?4任一项所述的基于物联网的花椒病害预测与防治方法的步骤。 说明书 : 基于物联网的花椒病害预测与防治方法、系统及介质技术领域[0001] 本发明涉及花椒病害预测技术领域，尤其涉及一种基于物联网的花椒病害预测与防治方法、系统及介质。背景技术[0002] 花椒为芸香科花椒属落叶小乔木，萌蘖强，耐寒、耐旱、喜阳光，不耐涝，短期积水可致根部腐烂，但抗病能力强，病虫害少。花椒对土壤条件要求不高，适宜温暖湿润、土层深厚的壤土或沙壤土，开云优惠体育网页版入口大部分地区均有种植。花椒全身是宝，椒果含水量少，易于储存和运输，具有较高的经济价值和药用价值。由于经济结构的调整，花椒产业已成为很多山地区域的特色产业和支撑产业。花椒常见的病害包括煤烟病、流胶病、锈病等，现有技术中，往往是根据花椒植株的病理性特征才能确诊为相应的病害，并不能提前预知病害的发生，导致了当发生病害时已经造成巨大的经济损失。发明内容[0003] 本发明克服了现有技术的不足，提供了一种基于物联网的花椒病害预测与防治方法、系统及介质。[0004] 为达上述目的，本发明采用的技术方案为：[0005] 本发明第一方面提供了一种基于物联网的花椒病害预测与防治方法，包括以下步骤：[0006] 通过物联网图像采集设备获取花椒种植区域的图像数据信息，并通过对花椒种植区域的图像数据信息进行病害传播途径进行识别，获取花椒种植区域的相关病害的传播途径特征数据；[0007] 根据花椒种植区域的相关病害的传播途径特征数据构建相关病害的发生概率值预测模型，并通过相关病害的发生概率值预测模型预测出花椒种植区域中相关病害的发生概率值；[0008] 根据花椒种植区域中相关病害的发生概率值获取异常的花椒种植区域，并对每一异常的花椒种植区域进行预警，生成相关的预警区域；[0009] 基于相关的预警区域生成相关的防治方案，并对相关的防治方案进行评估，获取评估结果，根据评估对相关的防治方案进行优化。[0010] 进一步的，在本方法中，通过对花椒种植区域的图像数据信息进行病害传播途径进行识别，获取花椒种植区域的相关病害的传播途径特征数据，具体包括：[0011] 通过大数据获取与花椒产生病害相关联的生物物种图像数据信息，并基于深度神经网络构建生物物种识别模型，将花椒产生病害相关联的生物物种图像数据信息输入到生物物种识别模型中进行编码学习；[0012] 通过编码学习之后，获取训练完成的生物物种识别模型，并将花椒种植区域的图像数据信息输入到训练完成的生物物种识别模型中进行识别，获取识别结果；[0013] 当识别结果中存在与花椒产生病害相关联的生物物种时，则将获取对应的生物物种导致花椒产生相关病害的类型，并获取对应的生物物种导致花椒产生相关病害的类型在若干个时间戳的特征数据；[0014] 根据对应的生物物种导致花椒产生相关病害的类型在若干个时间戳的特征数据生成花椒种植区域的相关病害的传播途径特征数据；[0015] 当识别结果中不存在与花椒产生病害相关联的生物物种时，则将对应的花椒种植区域作为正常的种植区域，并监控正常的种植区域。[0016] 进一步的，在本方法中，根据花椒种植区域的相关病害的传播途径特征数据构建相关病害的发生概率值预测模型，并通过相关病害的发生概率值预测模型预测出花椒种植区域中相关病害的发生概率值，具体包括：[0017] 构建时间戳，融合时间戳以及花椒种植区域的相关病害的传播途径特征数据，生成基于时间序列的相关病害的传播途径特征数据，并引入贝叶斯网络；[0018] 将基于时间序列的相关病害的传播途径特征数据输入到贝叶斯网络中进行计算，获取发生相关病害的先验概率值，并基于深度神经网络构建相关病害的发生概率值预测模型；[0019] 将发生相关病害的先验概率值作为相关病害的发生概率值，并将相关病害的发生概率值输入到相关病害的发生概率值预测模型中进行编码学习，获取训练完成的相关病害的发生概率值预测模型；[0020] 通过训练完成的相关病害的发生概率值预测模型预测出花椒种植区域中相关病害的发生概率值，并将花椒种植区域中相关病害的发生概率值输出。[0021] 进一步的，在本方法中，根据花椒种植区域中相关病害的发生概率值获取异常的花椒种植区域，并对每一异常的花椒种植区域进行预警，生成相关的预警区域，具体包括：[0022] 预设相关病害的发生概率阈值，并判断花椒种植区域中相关病害的发生概率值是否大于相关病害的发生概率阈值；[0023] 当花椒种植区域中相关病害的发生概率值大于相关病害的发生概率阈值时，则将对应的花椒种植区域作为异常的种植区域；[0024] 当花椒种植区域中相关病害的发生概率值不大于相关病害的发生概率阈值时，则将对应的花椒种植区域作为正常的种植区域；[0025] 通过对每一异常的种植区域进行预警，生成相关的预警区域，并将相关的预警区域按照预设方式进行显示。[0026] 进一步的，在本方法中，基于相关的预警区域生成相关的防治方案，具体包括：[0027] 构建防治方案知识图谱，通过大数据获取每一相关预警区域的病害类型对应的历史防治方案，并引入图神经网络，将历史防治方案作为第一图节点，相关预警区域的病害类型作为第二图节点；[0028] 根据第一图节点以及以第二图节点构建邻接矩阵，并计算邻接矩阵中第一图节点之间的巴氏系数，基于巴氏系数计算出巴氏距离，判断巴氏距离是否大于预设巴氏距离；[0029] 当巴氏距离不大于预设巴氏距离时，则将对应邻接矩阵中的第一图节点进行合并，并对邻接矩阵进行更新，获取更新后的邻接矩阵；[0030] 将更新后的邻接矩阵输入到防治方案知识图谱中进行存储，并将相关的预警区域的病害类型输入到防治方案知识图谱中进行数据匹配，获取相关的防治方案。[0031] 进一步的，在本方法中，对相关的防治方案进行评估，获取评估结果，根据评估对相关的防治方案进行优化，具体包括：[0032] 通过大数据获取各化学成分数据信息在各环境特征数据中的历史防治效果隶属度数据信息，并将各化学成分数据信息在各环境特征数据中的历史防治效果隶属度数据信息输入到防治方案知识图谱中存储；[0033] 获取相关的防治方案的化学成分数据信息以及当前种植区域的环境特征数据，并将相关的防治方案的化学成分数据信息以及当前种植区域的环境特征数据输入到防治方案知识图谱中进行数据匹配；[0034] 通过数据匹配之后，获取每一防治方案在当前花椒种植区域的防治效果隶属度数据信息，并判断防治方案在当前花椒种植区域的防治效果隶属度数据信息是否大于预设防治隶属度；[0035] 当防治方案在当前花椒种植区域的防治效果隶属度数据信息大于预设防治隶属度时，则将对应的防治方案作为最终的防治方案进行推荐。[0036] 本发明第二方面提供了一种基于物联网的花椒病害预测与防治系统，系统包括存储器以及处理器，存储器中包括基于物联网的花椒病害预测与防治方法程序，基于物联网的花椒病害预测与防治方法程序被处理器执行时，实现如下步骤：[0037] 通过物联网图像采集设备获取花椒种植区域的图像数据信息，并通过对花椒种植区域的图像数据信息进行病害传播途径进行识别，获取花椒种植区域的相关病害的传播途径特征数据；[0038] 根据花椒种植区域的相关病害的传播途径特征数据构建相关病害的发生概率值预测模型，并通过相关病害的发生概率值预测模型预测出花椒种植区域中相关病害的发生概率值；[0039] 根据花椒种植区域中相关病害的发生概率值获取异常的花椒种植区域，并对每一异常的花椒种植区域进行预警，生成相关的预警区域；[0040] 基于相关的预警区域生成相关的防治方案，并对相关的防治方案进行评估，获取评估结果，根据评估对相关的防治方案进行优化。[0041] 本发明第三方面提供了一种计算机可读存储介质，计算机可读存储介质中包括基于物联网的花椒病害预测与防治方法程序，基于物联网的花椒病害预测与防治方法程序被处理器执行时，实现任一项的基于物联网的花椒病害预测与防治方法的步骤。[0042] 本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：[0043] 本发明通过物联网图像采集设备获取花椒种植区域的图像数据信息，并通过对花椒种植区域的图像数据信息进行病害传播途径进行识别，获取花椒种植区域的相关病害的传播途径特征数据，根据花椒种植区域的相关病害的传播途径特征数据构建相关病害的发生概率值预测模型，并通过相关病害的发生概率值预测模型预测出花椒种植区域中相关病害的发生概率值，根据花椒种植区域中相关病害的发生概率值获取异常的花椒种植区域，并对每一异常的花椒种植区域进行预警，生成相关的预警区域，基于相关的预警区域生成相关的防治方案，并对相关的防治方案进行评估，获取评估结果，根据评估对相关的防治方案进行优化。本发明通过对花椒病害的传播途径进行识别，从而能够提前预判花椒病害的发生，能够对病害进行提前防控，能够避免因病害而产生的重大损失。附图说明[0044] 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实施例的附图。[0045] 图1示出了基于物联网的花椒病害预测与防治方法的整体方法流程图；[0046] 图2示出了基于物联网的花椒病害预测与防治方法的第一方法流程图；[0047] 图3示出了基于物联网的花椒病害预测与防治方法的第二方法流程图；[0048] 图4示出了基于物联网的花椒病害预测与防治系统的系统框图。具体实施方式[0049] 为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。[0050] 在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。[0051] 如图1所示，本发明第一方面提供了一种基于物联网的花椒病害预测与防治方法，包括以下步骤：[0052] S102:通过物联网图像采集设备获取花椒种植区域的图像数据信息，并通过对花椒种植区域的图像数据信息进行病害传播途径进行识别，获取花椒种植区域的相关病害的传播途径特征数据；[0053] S104:根据花椒种植区域的相关病害的传播途径特征数据构建相关病害的发生概率值预测模型，并通过相关病害的发生概率值预测模型预测出花椒种植区域中相关病害的发生概率值；[0054] S106:根据花椒种植区域中相关病害的发生概率值获取异常的花椒种植区域，并对每一异常的花椒种植区域进行预警，生成相关的预警区域；[0055] S108:基于相关的预警区域生成相关的防治方案，并对相关的防治方案进行评估，获取评估结果，根据评估对相关的防治方案进行优化。[0056] 需要说明的是，本发明通过对花椒病害的传播途径进行识别，从而能够提前预判花椒病害的发生，能够对病害进行提前防控，能够避免因病害而产生的重大损失。[0057] 如图2所示，进一步的，在本方法中，通过对花椒种植区域的图像数据信息进行病害传播途径进行识别，获取花椒种植区域的相关病害的传播途径特征数据，具体包括：[0058] 通过大数据获取与花椒产生病害相关联的生物物种图像数据信息，并基于深度神经网络构建生物物种识别模型，将花椒产生病害相关联的生物物种图像数据信息输入到生物物种识别模型中进行编码学习；[0059] 通过编码学习之后，获取训练完成的生物物种识别模型，并将花椒种植区域的图像数据信息输入到训练完成的生物物种识别模型中进行识别，获取识别结果；[0060] 当识别结果中存在与花椒产生病害相关联的生物物种时，则将获取对应的生物物种导致花椒产生相关病害的类型，并获取对应的生物物种导致花椒产生相关病害的类型在若干个时间戳的特征数据；[0061] 根据对应的生物物种导致花椒产生相关病害的类型在若干个时间戳的特征数据生成花椒种植区域的相关病害的传播途径特征数据；[0062] 当识别结果中不存在与花椒产生病害相关联的生物物种时，则将对应的花椒种植区域作为正常的种植区域，并监控正常的种植区域。[0063] 需要说明的是，某一些的病害是同一定的生物物种存在关联的，如煤烟病是花椒树常见。跋旎ń分仓甑恼Ｉし⒂，造成减产甚至无产，严重可引起花椒树枯死。该病主要是真菌寄生在蚜虫的排泄物上所致，当在某一时间戳或者时间段之内，蚜虫迅速增加时，说明产生相关的病害几率高。对应的生物物种导致花椒产生相关病害的类型在若干个时间戳的特征数据为相关病害类型在单位面积之内的生物物种数量信息。通过本方法能够提前预判相关病害的发生。[0064] 如图2所示，进一步的，在本方法中，根据花椒种植区域的相关病害的传播途径特征数据构建相关病害的发生概率值预测模型，并通过相关病害的发生概率值预测模型预测出花椒种植区域中相关病害的发生概率值，具体包括：[0065] S202:构建时间戳，融合时间戳以及花椒种植区域的相关病害的传播途径特征数据，生成基于时间序列的相关病害的传播途径特征数据，并引入贝叶斯网络；[0066] S204:将基于时间序列的相关病害的传播途径特征数据输入到贝叶斯网络中进行计算，获取发生相关病害的先验概率值，并基于深度神经网络构建相关病害的发生概率值预测模型；[0067] S206:将发生相关病害的先验概率值作为相关病害的发生概率值，并将相关病害的发生概率值输入到相关病害的发生概率值预测模型中进行编码学习，获取训练完成的相关病害的发生概率值预测模型；[0068] S208:通过训练完成的相关病害的发生概率值预测模型预测出花椒种植区域中相关病害的发生概率值，并将花椒种植区域中相关病害的发生概率值输出。[0069] 需要说明的是，通过融合贝叶斯网络以及深度神经网络能够预测出花椒种植区域中相关病害的发生概率值。[0070] 其中，在本方法中，还可以包括：[0071] 通过大数据获取与花椒产生病害相关联的生物物种类型在不同环境特征之下的存活率特征，并基于深度神经网络构建关联性生物物种存活率特征预测模型；[0072] 将所述与花椒产生病害相关联的生物物种类型在不同环境特征之下的存活率特征输入到所述关联性生物物种存活率特征预测模型中进行编码学习，获取训练完成的关联性生物物种存活率特征预测模型；[0073] 获取当前花椒种植区域的环境特征数据，并将所述当前花椒种植区域的环境特征数据输入到所述训练完成的关联性生物物种存活率特征预测模型中进行预测，获取当前花椒种植区域中与花椒产生病害相关联的生物物种类型的存活率特征；[0074] 当所述当前花椒种植区域中与花椒产生病害相关联的生物物种类型的存活率特征大于预设存活率阈值特征时，则将当前花椒种植区域作为异常的区域；[0075] 当所述当前花椒种植区域中与花椒产生病害相关联的生物物种类型的存活率特征不大于预设存活率阈值特征时，则将当前花椒种植区域作为异常的区域。[0076] 需要说明的是，如煤烟。艿交肪程卣(如温度、湿度)的影响，有蚜虫不代表着病害就会爆发，在某一段时间之内的温度很低或者很高时，温度高或者低温都已经杀死了蚜虫，这样就不会导致当前花椒种植区域的煤烟病爆发，通过本方法进一步提高预测的合理性。[0077] 进一步的，在本方法中，根据花椒种植区域中相关病害的发生概率值获取异常的花椒种植区域，并对每一异常的花椒种植区域进行预警，生成相关的预警区域，具体包括：[0078] 预设相关病害的发生概率阈值，并判断花椒种植区域中相关病害的发生概率值是否大于相关病害的发生概率阈值；[0079] 当花椒种植区域中相关病害的发生概率值大于相关病害的发生概率阈值时，则将对应的花椒种植区域作为异常的种植区域；[0080] 当花椒种植区域中相关病害的发生概率值不大于相关病害的发生概率阈值时，则将对应的花椒种植区域作为正常的种植区域；[0081] 通过对每一异常的种植区域进行预警，生成相关的预警区域，并将相关的预警区域按照预设方式进行显示。[0082] 需要说明的是，当花椒种植区域中相关病害的发生概率值大于相关病害的发生概率阈值时，说明该花椒种植区域中发生相关病害的发生概率大。[0083] 如图3所示，进一步的，在本方法中，基于相关的预警区域生成相关的防治方案，具体包括：[0084] S302:构建防治方案知识图谱，通过大数据获取每一相关预警区域的病害类型对应的历史防治方案，并引入图神经网络，将历史防治方案作为第一图节点，相关预警区域的病害类型作为第二图节点；[0085] S304:根据第一图节点以及以第二图节点构建邻接矩阵，并计算邻接矩阵中第一图节点之间的巴氏系数，基于巴氏系数计算出巴氏距离，判断巴氏距离是否大于预设巴氏距离；[0086] S306:当巴氏距离不大于预设巴氏距离时，则将对应邻接矩阵中的第一图节点进行合并，并对邻接矩阵进行更新，获取更新后的邻接矩阵；[0087] S308:将更新后的邻接矩阵输入到防治方案知识图谱中进行存储，并将相关的预警区域的病害类型输入到防治方案知识图谱中进行数据匹配，获取相关的防治方案。[0088] 需要说明的是，由于一种生物物种可能存在多种的名称，通过计算邻接矩阵中第一图节点之间的巴氏系数，从而计算出第一图节点之间的巴氏距离，当巴氏距离不大于预设巴氏距离时，说明存在同一物种而名称不同的第一图节点存在，从而对应邻接矩阵中的第一图节点进行合并，进而来优化邻接矩阵，降低了计算的复杂度，优化了防治方案知识图谱的结构。[0089] 进一步的，在本方法中，对相关的防治方案进行评估，获取评估结果，根据评估对相关的防治方案进行优化，具体包括：[0090] 通过大数据获取各化学成分数据信息在各环境特征数据中的历史防治效果隶属度数据信息，并将各化学成分数据信息在各环境特征数据中的历史防治效果隶属度数据信息输入到防治方案知识图谱中存储；[0091] 获取相关的防治方案的化学成分数据信息以及当前种植区域的环境特征数据，并将相关的防治方案的化学成分数据信息以及当前种植区域的环境特征数据输入到防治方案知识图谱中进行数据匹配；[0092] 通过数据匹配之后，获取每一防治方案在当前花椒种植区域的防治效果隶属度数据信息，并判断防治方案在当前花椒种植区域的防治效果隶属度数据信息是否大于预设防治隶属度；[0093] 当防治方案在当前花椒种植区域的防治效果隶属度数据信息大于预设防治隶属度时，则将对应的防治方案作为最终的防治方案进行推荐。[0094] 需要说明的是，不同的化学防治方案在不同的环境之下有着不同的防治效果，其中，防治效果隶属度数据信息包括低防治效果隶属度信息、中防治效果隶属度信息、高防治效果隶属度信息，由于化学防治方案在一定环境特征之下存在挥发、毒害植株等作用，如在高温之下，通过本方法能够进一步提高化学防治的合理性。[0095] 其中，在本方法中，还可以包括以下步骤：[0096] 获取当前最终的防治方案中的化学药剂防治方案组合信息，判断所述当前最终的防治方案中的化学药剂防治方案组合信息是否至少两种化学药剂防治方案；[0097] 当所述当前最终的防治方案中的化学药剂防治方案组合信息至少两种化学药剂防治方案时，则引入遗传算法，根据所述遗传算法设置遗传代数，判断所述当前最终的防治方案中的化学药剂防治方案组合信息是否存在相互作用；[0098] 当所述当前最终的防治方案中的化学药剂组合信息之间存在相互作用时，根据所述遗传代数进行遗传，调整化学药剂组合信息中的化学防治方案；[0099] 当所述当前最终的防治方案中的化学药剂组合信息之间不存在相互作用时，输出化学药剂组合信息中的化学防治方案，并根据所述化学药剂组合信息中的化学防治方案对当前最终的防治方案进行调整。[0100] 需要说明的是，由于花椒种植区域中可能存在多种病害，化学药剂之间可能存在相互作用，从而损害花椒植株，通过遗传算法对最终的防治方案进行优化，直至所述当前最终的防治方案中的化学药剂组合信息之间不存在相互作用，提高防治方案的设置合理性。[0101] 本发明第二方面提供了一种基于物联网的花椒病害预测与防治系统4，系统4包括存储器41以及处理器42，存储器41中包括基于物联网的花椒病害预测与防治方法程序，基于物联网的花椒病害预测与防治方法程序被处理器42执行时，实现如下步骤：[0102] 通过物联网图像采集设备获取花椒种植区域的图像数据信息，并通过对花椒种植区域的图像数据信息进行病害传播途径进行识别，获取花椒种植区域的相关病害的传播途径特征数据；[0103] 根据花椒种植区域的相关病害的传播途径特征数据构建相关病害的发生概率值预测模型，并通过相关病害的发生概率值预测模型预测出花椒种植区域中相关病害的发生概率值；[0104] 根据花椒种植区域中相关病害的发生概率值获取异常的花椒种植区域，并对每一异常的花椒种植区域进行预警，生成相关的预警区域；[0105] 基于相关的预警区域生成相关的防治方案，并对相关的防治方案进行评估，获取评估结果，根据评估对相关的防治方案进行优化。[0106] 进一步的，在本系统中，通过对花椒种植区域的图像数据信息进行病害传播途径进行识别，获取花椒种植区域的相关病害的传播途径特征数据，具体包括：[0107] 通过大数据获取与花椒产生病害相关联的生物物种图像数据信息，并基于深度神经网络构建生物物种识别模型，将花椒产生病害相关联的生物物种图像数据信息输入到生物物种识别模型中进行编码学习；[0108] 通过编码学习之后，获取训练完成的生物物种识别模型，并将花椒种植区域的图像数据信息输入到训练完成的生物物种识别模型中进行识别，获取识别结果；[0109] 当识别结果中存在与花椒产生病害相关联的生物物种时，则将获取对应的生物物种导致花椒产生相关病害的类型，并获取对应的生物物种导致花椒产生相关病害的类型在若干个时间戳的特征数据；[0110] 根据对应的生物物种导致花椒产生相关病害的类型在若干个时间戳的特征数据生成花椒种植区域的相关病害的传播途径特征数据；[0111] 当识别结果中不存在与花椒产生病害相关联的生物物种时，则将对应的花椒种植区域作为正常的种植区域，并监控正常的种植区域。[0112] 进一步的，在本系统中，根据花椒种植区域的相关病害的传播途径特征数据构建相关病害的发生概率值预测模型，并通过相关病害的发生概率值预测模型预测出花椒种植区域中相关病害的发生概率值，具体包括：[0113] 构建时间戳，融合时间戳以及花椒种植区域的相关病害的传播途径特征数据，生成基于时间序列的相关病害的传播途径特征数据，并引入贝叶斯网络；[0114] 将基于时间序列的相关病害的传播途径特征数据输入到贝叶斯网络中进行计算，获取发生相关病害的先验概率值，并基于深度神经网络构建相关病害的发生概率值预测模型；[0115] 将发生相关病害的先验概率值作为相关病害的发生概率值，并将相关病害的发生概率值输入到相关病害的发生概率值预测模型中进行编码学习，获取训练完成的相关病害的发生概率值预测模型；[0116] 通过训练完成的相关病害的发生概率值预测模型预测出花椒种植区域中相关病害的发生概率值，并将花椒种植区域中相关病害的发生概率值输出。[0117] 进一步的，在本系统中，根据花椒种植区域中相关病害的发生概率值获取异常的花椒种植区域，并对每一异常的花椒种植区域进行预警，生成相关的预警区域，具体包括：[0118] 预设相关病害的发生概率阈值，并判断花椒种植区域中相关病害的发生概率值是否大于相关病害的发生概率阈值；[0119] 当花椒种植区域中相关病害的发生概率值大于相关病害的发生概率阈值时，则将对应的花椒种植区域作为异常的种植区域；[0120] 当花椒种植区域中相关病害的发生概率值不大于相关病害的发生概率阈值时，则将对应的花椒种植区域作为正常的种植区域；[0121] 通过对每一异常的种植区域进行预警，生成相关的预警区域，并将相关的预警区域按照预设方式进行显示。[0122] 进一步的，在本系统中，基于相关的预警区域生成相关的防治方案，具体包括：[0123] 构建防治方案知识图谱，通过大数据获取每一相关预警区域的病害类型对应的历史防治方案，并引入图神经网络，将历史防治方案作为第一图节点，相关预警区域的病害类型作为第二图节点；[0124] 根据第一图节点以及以第二图节点构建邻接矩阵，并计算邻接矩阵中第一图节点之间的巴氏系数，基于巴氏系数计算出巴氏距离，判断巴氏距离是否大于预设巴氏距离；[0125] 当巴氏距离不大于预设巴氏距离时，则将对应邻接矩阵中的第一图节点进行合并，并对邻接矩阵进行更新，获取更新后的邻接矩阵；[0126] 将更新后的邻接矩阵输入到防治方案知识图谱中进行存储，并将相关的预警区域的病害类型输入到防治方案知识图谱中进行数据匹配，获取相关的防治方案。[0127] 进一步的，在本系统中，对相关的防治方案进行评估，获取评估结果，根据评估对相关的防治方案进行优化，具体包括：[0128] 通过大数据获取各化学成分数据信息在各环境特征数据中的历史防治效果隶属度数据信息，并将各化学成分数据信息在各环境特征数据中的历史防治效果隶属度数据信息输入到防治方案知识图谱中存储；[0129] 获取相关的防治方案的化学成分数据信息以及当前种植区域的环境特征数据，并将相关的防治方案的化学成分数据信息以及当前种植区域的环境特征数据输入到防治方案知识图谱中进行数据匹配；[0130] 通过数据匹配之后，获取每一防治方案在当前花椒种植区域的防治效果隶属度数据信息，并判断防治方案在当前花椒种植区域的防治效果隶属度数据信息是否大于预设防治隶属度；[0131] 当防治方案在当前花椒种植区域的防治效果隶属度数据信息大于预设防治隶属度时，则将对应的防治方案作为最终的防治方案进行推荐。[0132] 本发明第三方面提供了一种计算机可读存储介质，计算机可读存储介质中包括基于物联网的花椒病害预测与防治方法程序，基于物联网的花椒病害预测与防治方法程序被处理器执行时，实现任一项的基于物联网的花椒病害预测与防治方法的步骤。[0133] 在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。[0134] 上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。[0135] 另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，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，也可以采用硬件加软件功能单元的形式实现。[0136] 本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read?OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。[0137] 或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本发明实施例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中，包括若干指令用以使得一台计算机设备(可以是个人计算机、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。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。[0138] 以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

专利地区：陕西

专利申请日期：2024-01-31

专利公开日期：2024-11-29

专利公告号：CN117933481B