基于图像识别的水稻病虫害预警方法及系统

本发明涉及虫害识别，更具体地说，本发明涉及基于图像识别的水稻病虫害预警方法及系统。

背景技术：

1、水稻作为全球重要的粮食作物，其产量和质量直接关系到粮食安全。然而，水稻在生长过程中常常受到各种病虫害的侵袭，如稻瘟病、纹枯病和稻飞虱等。这些病虫害的爆发不仅会导致产量下降，还可能引起粮食品质的降低。因此，及时准确地预警和防控水稻病虫害，对于保障农业生产具有重要意义。

2、目前，基于图像识别的水稻病虫害预警方法已逐渐应用于农业领域。这些方法通常利用图像采集设备获取稻田图像，结合图像处理和模式识别技术，识别和判断病虫害的类型和严重程度。然而，现有技术中，水稻病虫害在稻田中呈斑块状分布，具有高度的空间异质性，导致不同区域的发病概率和严重程度显著差异。传统的图像采集方法受限于设备覆盖范围、采集角度和频率，难以及时、全面地获取高质量图像，导致预警系统无法准确捕捉病害实际分布，可能漏报高发区域或预警滞后。此外，现有方法缺乏有效的空间分析模型，未充分利用空间统计和地理信息系统技术深入分析病害的空间特征，难以准确评估不同区域的风险程度，无法为农业管理者提供针对性的防控建议。

3、为了解决上述问题，现提供一种技术方案。

技术实现思路

1、为了克服现有技术的上述缺陷，本发明的实施例提供基于图像识别的水稻病虫害预警方法及系统以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、基于图像识别的水稻病虫害预警方法，包括如下步骤：

4、s1：获取覆盖稻田不同区域的高分辨率图像，确保图像质量达到预设阈值后进入下一步处理；

5、s2：对采集的图像进行去噪、畸变校正和光照均衡处理，使用算法包括中值滤波和直方图均衡化；

6、s3：基于地理信息系统和克里金插值建立稻田病害传播的空间异质性模型，明确不同区域的病害风险程度；

7、s4：采用深度卷积神经网络对预处理后的图像进行特征提取，识别病虫害特征，病虫害特征包括病虫害的类型、位置和严重程度；

8、s5：将提取的病虫害特征与空间异质性模型相结合，利用空间自相关分析方法评估病害在稻田中的分布模式；

9、s6：基于病害在稻田中的分布模式的分析结果，应用支持向量机算法对病虫害风险进行分类评估，生成包含具体位置和风险级别的预警信息。

10、在一个优选的实施方式中，获取覆盖稻田不同区域的高分辨率图像，确保图像质量达到预设阈值后进入下一步处理，具体为：

11、利用无人机、卫星遥感和地面摄像设备获取覆盖稻田不同区域的高分辨率图像，并通过图像分辨率、对比度和亮度三个标准确保图像质量满足预设阈值后，再进入下一步处理。

12、在一个优选的实施方式中，对采集的图像进行去噪、畸变校正和光照均衡处理，使用算法包括中值滤波和直方图均衡化，具体包括：

13、s201：采用中值滤波算法，去除图像中的随机噪声，保留图像边缘细节，减少不规则干扰；

14、s202：使用相机标定参数，针对镜头畸变进行几何校正，确保图像的真实形状与尺寸；

15、s203：通过直方图均衡化技术，调整图像中不同区域的亮度分布，增强暗部和亮部的细节；

16、s204：检测图像中的伪影与水面反射区域，通过反射光滤波器进行修正；

17、s205：设定图像清晰度和对比度阈值，自动检测处理后图像是否符合后续分析的要求。

18、在一个优选的实施方式中，基于地理信息系统和克里金插值建立稻田病害传播的空间异质性模型，明确不同区域的病害风险程度，具体包括：

19、s301：利用地理信息系统收集稻田地理数据，包括经纬度、海拔和土壤类型；

20、s302：记录不同稻田区域内的病害样本数据，标注每个病害点的地理坐标和病害严重程度；

21、s303：通过克里金插值法建立空间插值模型，预测稻田中未观测区域的病害分布情况：利用已收集的病害样本数据，构建半变异函数；通过拟合不同的模型，选择最优模型用于插值计算；采用克里金法对稻田中未观测区域进行插值，预测未观测区域的病害分布情况；

22、s304：利用克里金模型计算稻田中不同区域的病害空间异质性，分析病害的空间分布差异：利用moran’si指数评估病害的空间异质性：其中，i为moran’si指数，n为采样点总数，wuv表示位置u和v的空间权重，z(su)为病害数据，为平均病害数据，u和v表示不同的采样点索引；

23、基于克里金插值的预测结果，生成稻田的病害空间分布图；

24、s305：根据异质性分析结果，将稻田划分为高、中、低风险区域，形成病害风险地图。

25、在一个优选的实施方式中，采用深度卷积神经网络对预处理后的图像进行特征提取，识别病虫害特征，病虫害特征包括病虫害的类型、位置和严重程度，具体包括：

26、s401：选择适合的深度卷积神经网络架构，配置网络层和参数以适应病虫害图像特征提取任务；

27、s402：整理和标注图像数据集，进行归一化和增强处理，以提供给神经网络进行学习；

28、s403：通过训练深度卷积神经网络，自动从图像中提取病虫害的关键特征；

29、s404：利用训练好的网络模型，识别新图像中的病虫害类型、位置和严重程度，并输出识别结果。

30、在一个优选的实施方式中，将提取的病虫害特征与空间异质性模型相结合，利用空间自相关分析方法评估病害在稻田中的分布模式，具体包括：

31、s501：将提取的病害特征与空间异质性模型进行融合：将深度卷积神经网络识别的病害位置与gis系统中的稻田坐标对齐；每个病害点的严重程度、类型等特征与空间模型中的环境变量结合，形成具有空间特征的病害样本集；

32、s502：使用moran'si指数计算病害特征的空间自相关性，评估病害的聚集或分散模式；

33、s503：分析病害分布的聚集区域，识别高风险和低风险区域；

34、s504：根据空间分布模式评估病害传播趋势，并基于评估结果优化病害传播预测模型。

35、在一个优选的实施方式中，基于病害在稻田中的分布模式的分析结果，应用支持向量机算法对病虫害风险进行分类评估，生成包含具体位置和风险级别的预警信息，具体包括：

36、s601：将病害的空间分布模式与病虫害特征结合，形成支持向量机的输入数据集；

37、s602：通过监督学习，将已有的病害风险数据用于训练支持向量机分类模型，优化模型参数，进行多类别分类；

38、s603：利用训练好的支持向量机模型，对未标注的区域进行风险等级预测，输出各个稻田区域的病害风险级别；

39、s604：根据分类评估结果，生成包含具体位置和风险级别的病害预警信息。

40、另一方面，本发明提供基于图像识别的水稻病虫害预警系统，包括图像采集校验模块、图像处理优化模块、空间模型构建模块、特征提取识别模块、空间分析评估模块以及风险分类预警模块；

41、图像采集校验模块：获取覆盖稻田不同区域的高分辨率图像，确保图像质量达到预设阈值后进入下一步处理；

42、图像处理优化模块：对采集的图像进行去噪、畸变校正和光照均衡处理，使用算法包括中值滤波和直方图均衡化；

43、空间模型构建模块：基于地理信息系统和克里金插值建立稻田病害传播的空间异质性模型，明确不同区域的病害风险程度；

44、特征提取识别模块：采用深度卷积神经网络对预处理后的图像进行特征提取，识别病虫害特征，病虫害特征包括病虫害的类型、位置和严重程度；

45、空间分析评估模块：将提取的病虫害特征与空间异质性模型相结合，利用空间自相关分析方法评估病害在稻田中的分布模式；

46、风险分类预警模块：基于病害在稻田中的分布模式的分析结果，应用支持向量机算法对病虫害风险进行分类评估，生成包含具体位置和风险级别的预警信息。

47、本发明基于图像识别的水稻病虫害预警方法及系统的技术效果和优点：

48、1、通过多源高分辨率图像采集，利用无人机、卫星遥感和地面摄像设备，全面覆盖稻田的不同区域，确保图像质量达到预设阈值，克服了传统方法覆盖范围有限、数据获取不充分的问题。图像预处理步骤采用中值滤波和直方图均衡化，提高了图像的清晰度和均匀性，为后续分析奠定了良好基础。基于地理信息系统和克里金插值方法，建立了稻田病害传播的空间异质性模型，准确评估不同区域的病害风险程度。利用深度卷积神经网络对图像进行特征提取，精确识别病虫害的类型、位置和严重程度。

49、2、将提取的特征与空间异质性模型相结合，采用空间自相关分析方法，深入评估病害在稻田中的分布模式。最终，应用支持向量机算法对病虫害风险进行分类评估，生成包含具体位置和风险级别的预警信息。该方法有效解决了病害空间异质性导致的预警滞后和漏报问题，提高了预警的准确性和及时性，为农业管理者提供了精确、可靠的决策支持，有助于及时采取针对性的防控措施，保障水稻生产的安全和稳定。