基于人工智能和声音识别虫害方法和机器人与流程

1.本发明涉及人工智能技术领域，特别是涉及一种基于人工智能和声音识别虫害方法和机器人。


背景技术：

2.在实现本发明过程中，发明人发现现有技术中至少存在如下问题：传统基于视觉的害虫识别，难度很大，因为害虫很小不易被摄像头捕获到，更难以通过计算机进行识别。
3.因此，现有技术还有待于改进和发展。


技术实现要素：

4.基于此，有必要针对现有技术的缺陷或不足，提供基于人工智能和声音识别虫害方法和机器人，以解决虫害难以通过视觉现的问题，通过虫声进行害虫识别，结合人工智能技术，可以做到自动快速的识别和预测，为精准灭虫、防虫提供了可能。
5.第一方面，本发明实施例提供一种人工智能方法，所述方法包括：
6.位置获取步骤：获取预设场所的多个录音装置所在的多个位置的位置信息，作为多个录音位置；
7.声音采集步骤：通过所述多个录音装置采集声音，将声音文件切分为预设时间长度的声音片段，该声音片段对应的时间段作为录音时段；并将所述声音片段与采集该声音的录音装置、录音装置的位置、录音时段进行关联后存入声音大数据；
8.专家标注虫害步骤：获取每一个声音片段的专家标注，专家标注包括虫害的类型、虫害的严重程度；
9.虫声识别模型训练步骤：获取用于训练的声音片段及其专家标注，将声音片段作为输入，将声音片段的专家标注作为预期输出，对预设的第一深度学习模型进行训练，得到虫声识别深度学习模型；
10.虫声识别模型预测步骤：获取用于预测的声音片段，将该声音片段输入虫声识别深度学习模型，得到该声音片段对应的虫害的类型、虫害的严重程度。
11.优选地，所述方法还包括：
12.虫害可视化步骤：对预设场所的每个录音装置录制的声音片段进行预测，得到预设场所的每个录音装置录制的声音片段对应的虫害的类型、虫害的严重程度；将所述虫害的类型、虫害的严重程度以不同的标志(例如不同的颜色和颜色深度，或不同的虫子图像和虫子密集度示意)标识到电子地图上，所述电子地图不但具有空间维还具有时间维。
13.优选地，所述方法还包括：
14.未来虫害模型训练步骤：获取用于训练的每个录音位置的每个时间段的虫害的类型、虫害的严重程度，将所述录音位置的前m个时间段的虫害的类型、虫害的严重程度作为输入，将所述录音位置的后n个时间段的虫害的类型、虫害的严重程度作为预期输出，对预设的第二深度学习模型进行训练，得到虫害未来预测模型；
15.未来虫害模型预测步骤：获取用于预测的每个录音位置的每个时间段的虫害的类型、虫害的严重程度，将所述录音位置的最近m个时间段的虫害的类型、虫害的严重程度作为输入，输入虫害未来预测模型，计算得到未来n个时间段的虫害的类型、虫害的严重程度。
16.优选地，所述方法还包括：
17.虫害空间拟合步骤：根据不同录音位置上预测得到的虫害的类型、虫害的严重程度，进行预设场所中虫害的类型、虫害的严重程度的空间拟合，得到预设场所中虫害的类型、虫害的严重程度的空间分布；
18.虫害时空拟合步骤：根据不同录音位置上不同时段预测得到的虫害的类型、虫害的严重程度，进行预设场所中虫害的类型、虫害的严重程度的时空拟合，得到预设场所中虫害的类型、虫害的严重程度的时空分布。
19.第二方面，本发明实施例提供一种人工智能装置，所述装置包括：
20.位置获取模型：获取预设场所的多个录音装置所在的多个位置的位置信息，作为多个录音位置；
21.声音采集模型：通过所述多个录音装置采集声音，将声音文件切分为预设时间长度的声音片段，该声音片段对应的时间段作为录音时段；并将所述声音片段与采集该声音的录音装置、录音装置的位置、录音时段进行关联后存入声音大数据；
22.专家标注虫害模型：获取每一个声音片段的专家标注，专家标注包括虫害的类型、虫害的严重程度；
23.虫声识别模型训练模型：获取用于训练的声音片段及其专家标注，将声音片段作为输入，将声音片段的专家标注作为预期输出，对预设的第一深度学习模型进行训练，得到虫声识别深度学习模型；
24.虫声识别模型预测模型：获取用于预测的声音片段，将该声音片段输入虫声识别深度学习模型，得到该声音片段对应的虫害的类型、虫害的严重程度。
25.优选地，所述装置还包括：
26.虫害可视化模型：对预设场所的每个录音装置录制的声音片段进行预测，得到预设场所的每个录音装置录制的声音片段对应的虫害的类型、虫害的严重程度；将所述虫害的类型、虫害的严重程度以不同的标志(例如不同的颜色和颜色深度，或不同的虫子图像和虫子密集度示意)标识到电子地图上，所述电子地图不但具有空间维还具有时间维。
27.优选地，所述装置还包括：
28.未来虫害模型训练模型：获取用于训练的每个录音位置的每个时间段的虫害的类型、虫害的严重程度，将所述录音位置的前m个时间段的虫害的类型、虫害的严重程度作为输入，将所述录音位置的后n个时间段的虫害的类型、虫害的严重程度作为预期输出，对预设的第二深度学习模型进行训练，得到虫害未来预测模型；
29.未来虫害模型预测模型：获取用于预测的每个录音位置的每个时间段的虫害的类型、虫害的严重程度，将所述录音位置的最近m个时间段的虫害的类型、虫害的严重程度作为输入，输入虫害未来预测模型，计算得到未来n个时间段的虫害的类型、虫害的严重程度。
30.优选地，所述装置还包括：
31.虫害空间拟合模型：根据不同录音位置上预测得到的虫害的类型、虫害的严重程度，进行预设场所中虫害的类型、虫害的严重程度的空间拟合，得到预设场所中虫害的类
型、虫害的严重程度的空间分布；
32.虫害时空拟合模型：根据不同录音位置上不同时段预测得到的虫害的类型、虫害的严重程度，进行预设场所中虫害的类型、虫害的严重程度的时空拟合，得到预设场所中虫害的类型、虫害的严重程度的时空分布。
33.第三方面，本发明实施例提供一种人工智能系统，所述系统包括第二方面实施例任意一项所述装置的模块。
34.第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现第一方面实施例任意一项所述方法的步骤。
35.第五方面，本发明实施例提供一种机器人系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的人工智能机器人程序，其特征在于，所述处理器执行所述程序时实现第一方面实施例任意一项所述方法的步骤。
36.本实施例提供的基于人工智能和声音识别虫害方法和机器人，包括：位置获取步骤；声音采集步骤；专家标注虫害步骤；虫声识别模型训练步骤；虫声识别模型预测步骤。上述方法、系统和机器人，通过虫声识别的方法开创了害虫识别的新模式，传统基于视觉的害虫识别，难度很大，因为害虫很小不易被摄像头捕获到，更难以通过计算机进行识别，而虫声是害虫非常明显的特点，通过虫声进行害虫识别是一种独创，而且结合人工智能技术，可以做到自动快速的识别和预测，为精准灭虫提供了可能。
附图说明
37.图1为本发明的实施例提供的人工智能方法的流程图；
38.图2为本发明的实施例提供的人工智能方法的流程图；
39.图3为本发明的实施例提供的人工智能方法的流程图。
具体实施方式
40.下面结合本发明实施方式，对本发明实施例中的技术方案进行详细地描述。
41.一、本发明的基本实施例
42.第一方面，本发明实施例提供一种人工智能方法，如图1所示，所述方法包括：位置获取步骤；声音采集步骤；专家标注虫害步骤；虫声识别模型训练步骤；虫声识别模型预测步骤。技术效果：通过虫声识别的方法开创了害虫识别的新模式，传统基于视觉的害虫识别，难度很大，因为害虫很小不易被摄像头捕获到，更难以通过计算机进行识别，而虫声是害虫非常明显的特点，通过虫声进行害虫识别是一种独创，而且结合人工智能技术，可以做到自动快速的识别和预测，为精准灭虫提供了可能。
43.在一个优选的实施例中，所述方法还包括：虫害可视化步骤。技术效果：通过可视化，使得用户对虫害的类型和严重程度有着直观的感受，进行采取相应灭虫措施。
44.在一个优选的实施例中，如图2所示，所述方法还包括：未来虫害模型训练步骤；未来虫害模型预测步骤。技术效果：通过预测，可以得知虫害的未来发展情况，可以进行虫害的预防，从而以更低的成本和更少的用药量来达到虫害防治的目的。
45.在一个优选的实施例中，如图3所示，所述方法还包括：虫害空间拟合步骤；虫害时空拟合步骤。技术效果：通过拟合，可以得到采集无法得到的全空域和全时域的虫害情况，
从而为预设场所全方位的虫害检测、预测和防治提供了可能，极大地提高了虫害防治的效果。
46.第二方面，本发明实施例提供一种人工智能装置，所述装置包括：位置获取模型；声音采集模型；专家标注虫害模型；虫声识别模型训练模型；虫声识别模型预测模型。
47.在一个优选的实施例中，所述装置还包括：虫害可视化模型。
48.在一个优选的实施例中，所述装置还包括：未来虫害模型训练模型；未来虫害模型预测模型。
49.在一个优选的实施例中，所述装置还包括：虫害空间拟合模型；虫害时空拟合模型。
50.第三方面，本发明实施例提供一种人工智能系统，所述系统包括第二方面实施例任意一项所述装置的模块。
51.第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现第一方面实施例任意一项所述方法的步骤。
52.第五方面，本发明实施例提供一种机器人系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的人工智能机器人程序，其特征在于，所述处理器执行所述程序时实现第一方面实施例任意一项所述方法的步骤。
53.二、本发明的优选实施例
54.通过录音机或手机录音器或连接物联网的录音设备等具有录音功能的设备采集特定场所例如荔枝园的害虫鸣声或振翅声，最佳采集时间为夜间，因为夜间比较安静，噪音干扰少，可以更为清晰地采集到害虫鸣声或振翅声，通过害虫鸣声或振翅声的大小、频率等特性来判断害虫的类型、虫患的严重程度，从而为施药时药物的选择、药量的配置提供客观依据。基于声波识别害虫主要用的技术是人工智能模型，首先通过大量的害虫声波数据和专家知识来构建模型，然后再通过模型对害虫的类型、虫患的严重程度进行预测。
55.1、获取预设场所；预设场所包括农场、森林、农田、果园(荔枝园、番茄园等等)、等等。
56.2、获取预设场所的多个录音装置(例如手机录音机或专用录音机)所在的多个位置的位置信息(可以通过定位装置获取，例如通过手机电子地图获取位置信息)，作为多个录音位置；
57.3、在电子地图上的所述多个位置显示所述多个录音装置；
58.4、通过所述多个录音装置采集声音，将声音文件切分为预设时间长度的声音片段，该声音片段对应的时间段作为录音时段；并将所述声音片段与采集该声音的录音装置、录音装置的位置、录音时段进行关联后存入声音大数据；
59.5、获取每一个声音片段的专家标注，专家标注包括虫害的类型、虫害的严重程度；
60.6、获取用于训练的声音片段及其专家标注，将声音片段作为输入，将声音片段的专家标注作为预期输出，对预设的第一深度学习模型进行训练，得到虫声识别深度学习模型；
61.7、获取用于预测的声音片段，将该声音片段输入虫声识别深度学习模型，得到该声音片段对应的虫害的类型、虫害的严重程度；
62.8、对预设场所的每个录音装置录制的声音片段进行预测，得到预设场所的每个录
音装置录制的声音片段对应的虫害的类型、虫害的严重程度；将所述虫害的类型、虫害的严重程度以不同的标志(例如不同的颜色和颜色深度，或不同的虫子图像和虫子密集度示意)标识到电子地图上，所述电子地图不但具有空间维还具有时间维；
63.9、获取用于训练的每个录音位置的每个时间段的虫害的类型、虫害的严重程度，将所述录音位置的前m个时间段的虫害的类型、虫害的严重程度作为输入，将所述录音位置的后n个时间段的虫害的类型、虫害的严重程度作为预期输出，对预设的第二深度学习模型进行训练，得到虫害未来预测模型；
64.10、获取用于预测的每个录音位置的每个时间段的虫害的类型、虫害的严重程度，将所述录音位置的最近m个时间段的虫害的类型、虫害的严重程度作为输入，输入虫害未来预测模型，计算得到未来n个时间段的虫害的类型、虫害的严重程度；
65.11、根据不同录音位置上预测得到的虫害的类型、虫害的严重程度，进行预设场所中虫害的类型、虫害的严重程度的空间拟合(包括插值拟合，或通过深度学习模型拟合)，得到预设场所中虫害的类型、虫害的严重程度的空间分布；
66.通过深度学习模型拟合包括获取用于训练的不同录音位置上预测得到的虫害的类型、虫害的严重程度和预设场所中虫害的类型、虫害的严重程度的空间分布，将不同录音位置上预测得到的虫害的类型、虫害的严重程度作为输入，将预设场所中虫害的类型、虫害的严重程度的空间分布作为预期输出，对预设的第三深度学习模型进行训练，得到虫害空间分布预测模型；将用于预测的不同录音位置上预测得到的虫害的类型、虫害的严重程度作为虫害空间分布预测模型的输入，进行计算得到的输出作为预设场所中虫害的类型、虫害的严重程度的空间分布；
67.12、根据不同录音位置上不同时段预测得到的虫害的类型、虫害的严重程度，进行预设场所中虫害的类型、虫害的严重程度的时空拟合(包括插值拟合，或通过深度学习模型拟合)，得到预设场所中虫害的类型、虫害的严重程度的时空分布；
68.通过深度学习模型拟合包括获取用于训练的不同录音时段上预设场所中虫害的类型、虫害的严重程度的空间分布和预设场所中虫害的类型、虫害的严重程度的时空分布，将不同录音时段上预设场所中虫害的类型、虫害的严重程度的空间分布作为输入，将预设场所中虫害的类型、虫害的严重程度的时空分布作为预期输出，对预设的第四深度学习模型进行训练，得到虫害时空分布预测模型；将用于预测的不同录音时段上预设场所中虫害的类型、虫害的严重程度的空间分布作为虫害时空分布预测模型的输入，进行计算得到的输出作为预设场所中虫害的类型、虫害的严重程度的时空分布。
69.13、根据预测的未来n个时间段的虫害的类型、虫害的严重程度，进行虫害的预防建议包括农药类型的推荐和农药喷灌时间的推荐；根据预设场所中虫害的类型、虫害的严重程度的时空分布进行虫害的灭杀建议包括农药类型的推荐和农药喷灌地点和时间的推荐。
70.以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，则对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。