(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210629166.4 (22)申请日 2022.06.06 (65)同一申请的已公布的文献号 申请公布号 CN 114707773 A (43)申请公布日 2022.07.05 (73)专利权人 广东省农业科 学院植物保护研究 所 地址 510640 广东省广州市天河区金颖路7 号 (72)发明人 肖勇　李振宇　尹飞　彭争科　 (74)专利代理 机构 佛山粤进知识产权代理事务 所(普通合伙) 44463 专利代理师 耿鹏 (51)Int.Cl. G06Q 10/04(2012.01)G06Q 10/06(2012.01) G06Q 50/02(2012.01) G06V 10/30(2022.01) G06V 10/44(2022.01) G06V 10/50(2022.01) G06V 10/54(2022.01) G06V 10/56(2022.01) G06V 10/74(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) (56)对比文件 CN 112633504 A,2021.04.09 CN 114399682 A,202 2.04.26 US 2018121764 A1,2018.0 5.03 审查员 张榆 (54)发明名称 基于深度学习的虫害防治 方案生成方法、 系 统及存储介质 (57)摘要 本发明公开的一种基于深度学习的虫害防 治方案生成方法、 系统及存储介质， 涉及虫害防 治技术领域， 其中虫害防治方案生成方法包括： 获取目标区域内植株图像信息， 根据所述植株图 像信息判断目标区域内植株是否存在虫害情况 并确定当前虫害为害症状， 基于虫害种类、 为害 症状及防治方法通过异构图形式进行表示， 基于 图卷积神经网络构建防治 方案生成模 型， 将所述 当前虫害为害症状作为初始节点输入防治方案 生成模型获取防治方案的预测分数， 将预测分数 高的防治方案作为适用于目标区域植株的虫害 防治方案。 本发 明通过图卷积神经网络获取虫害 与防治方案的潜在关系， 使 得防治方案的针对性 及精准度大大提高， 同时改良了植株虫害防治 方 案的制定效率。 权利要求书4页 说明书11页 附图2页 CN 114707773 B 2022.09.02 CN 114707773 B 1.一种基于深度学习的虫害防治方案生成方法， 其特 征在于， 包括以下步骤： 获取目标区域内植株图像信 息， 根据所述植株图像信 息判断目标区域内植株是否存在 虫害情况并确定当前 虫害为害症状； 基于虫害、 为害症状、 防治方法通过 无向异构图形式进行表示； 基于图卷积神经网络构建防治方案生成模型， 将所述当前虫害为害症状作为初始节点 输入虫害防治方案生成模型获取防治方案的预测分数； 将预测分数高的防治方案作为 适用于目标区域 植株的虫害防治方案； 所述的基于图卷积神经网络构建防治方案生成模型， 其中防治方案生成模型的表示学 习， 具体为： 基于图卷积神经网络构建防治方案生成模型， 对无向异构图中的节点进行编码学习表 示； 将虫害节点、 为害症状节点及防治方法节点进行低维向量空间嵌入表示， 根据虫害节 点与为害症状节点及防治方法节点的关系通过特征传播机制及邻居聚合机制建立为害症 状与防治方法的潜在联系； 生成具有为害症状描述的虫害节点表示及防治方法节点表示； 所述无向异构图  , 表示虫害节点、 为害症状节点及防治节点集合， 表示 虫害与为害症状的关联关系及虫害与防治方法的关联关系集 合； 所述的将所述当前虫害为害症状作为初始节点输入防治方案生成模型获取防治方案 的预测分数， 具体为： 通过防治方案生成模型对无向异构图进行卷积， 获取当前虫害为害特征， 将所述当前 虫害为害特征作为初始节点输入防治方案生成模型， 获取初始节点低维向量空间嵌入表 示， 在无向异构图中进行为害特 征的多层感知， 进行 虫害对防治方法的预测分数； 所述预测分数 的计算公式为： 其中， 表示防治方法节点的低维向量表示， 表示为害症状节点的低维向量表示， 表示虫害节点的低维向量表示， 表示聚合函数， 表示虫害 的为害症状节点的邻 居节点的集 合， 表示训练所 得参数， 表示矩阵转置； 根据目标区域的环境特 征制定环境调控方案， 具体为： 当检测到目标区域植株出现虫害情况， 则进行虫害预警， 并获取虫害预警时的环境特 征， 并将所述环境特 征与当前 虫害情况进行匹配； 根据目标区域植株的种类信息获取其适生条件， 根据所述适生条件确定评价指标， 根 据所述评价指标与预设评分机制构建环境评价体系； 将所述虫害预警时的环境特征根据环境评价体系进行评估， 预设评估得分阈值， 根据 评估得分与所述评估得分阈值进行对比判断获取 虫害预警时的异常环境指标； 根据所述异常环境指标确定目标区域的环境改良方向， 同时获取异常环境指标与 所述权　利　要　求　书 1/4 页 2 CN 114707773 B 2适生条件对应标准的偏差值确定目标区域环境调控方案； 并将目标区域的环境特征进行定期监测， 与虫害情况发生时的环境特征进行对比， 获 取目标区域的环境 修复速率， 根据所述环境 修复速率 修正所述环境调控方案 。 2.根据权利要求1所述的一种基于深度 学习的虫害防治方案生成方法， 其特征在于， 所 述的获取目标区域内植株图像信息， 根据所述植株图像信息判断目标区域内植株是否存在 虫害情况并确定当前 虫害为害症状， 具体为： 获取目标区域内植株图像信息， 通过植株图像信息裁剪出叶片， 茎秆或果实重点区域 图像信息， 将所述重点区域图像信息进行 灰化处理， 对灰化处 理后的图像进行 滤波去噪； 将滤波去噪后的重点区域图像信息通过Canny边缘算子进行边缘点检测， 生成边缘检 测图像， 根据所述 边缘检测图像获取纹 理特征； 获取重点区域图像的RGB图像， 将所述RGB图像转换到LUV色度空间计算每个像素的色 度值， 根据所述色度值获取LUV颜色直方图特 征向量， 生成颜色特 征； 通过目标区域内植株的种类信 息基于大数据获取植株虫害图像库， 根据 所述植株虫害 图像库通过 特征提取构建特 征向量库； 将所述纹理特征及颜色特征按照预设比例聚合生成最终特征， 将所述最终特征与 特征 向量库中的虫害特 征进行相似度计算； 判断相似度是否处于预设相似度阈值范围内， 是则判定植株存在虫害情况， 并通过最 终特征获取植株当前 虫害为害症状， 否则判定植株不存在虫害情况。 3.根据权利要求1所述的一种基于深度 学习的虫害防治方案生成方法， 其特征在于， 所 述的基于虫害、 为害症状、 防治方法通过 无向异构图形式进行表示， 具体为： 基于大数据获取虫害的属性特征， 将虫害种类， 虫害形态特征， 为害植物种类， 为害症 状特征， 虫害防治方法构建知识图谱； 通过节点及边对知识图谱进行可视化无向异构图表示， 将虫害节点与为害症状节点及 防治方法节点进行 连接； 将虫害的属性特征作为虫害类型节点的附加描述节点， 所述附加描述节点包含在虫害 节点中。 4.根据权利要求1所述的一种基于深度 学习的虫害防治方案生成方法， 其特征在于， 根 据目标区域的环境特 征与气象特 征对虫害防治方案进行修 正， 具体为： 根据防治方案生成模型获取适用于目标区域内植株的虫害防治方案， 获取目标区域植 株密度信息及植株虫害病情指数； 根据所述目标区域植株密度信息及植株虫害病情指数对虫害防治方案进行适应性调 整； 获取目标区域实施适应性调整后虫害防治方案的仿效数据， 判断所述仿效数据 是否大 于预设仿效阈值， 若大于， 则证明所述虫害防治方案满足目标区域 植株虫害的防治需求； 否则， 获取区域的地理位置信息、 气象特征及环境特征， 对适应性调整后虫害防治方案 进行修正。 5.一种基于深度学习的虫害 防治方案生成系统， 其特征在于， 该系统包括： 存储器、 处 理器， 所述存储器中包括基于深度学习的虫害防治方案生成方法程序， 所述基于深度学习 的虫害防治方案生成方法程序被所述处 理器执行时实现如下步骤：权　利　要　求　书 2/4 页 3 CN 114707773 B 3