基于物联网的荔枝虫害监测预警方法、系统及存储介质

1.本发明涉及荔枝虫害监测领域，更具体的，涉及一种基于物联网的荔枝虫害监测预警方法、系统和存储介质。


背景技术：

2.荔枝是当前最受欢迎的水果之一，其甘甜美味、消暑清凉，在全国各地销量高，但是荔枝的种植过程中，很容易受病虫侵害，造成了荔枝产量和质量的下降，因为荔枝生长期间易受到多类病虫害的侵蚀,所以需要在花期、果实生长期等各个阶段采取合适的防治措施,以保证荔枝树的正常生长,达到质量和产量双重提升的目标。目前,虫害已成为影响荔枝产量的重要因素,为了推动荔枝产业发展,必须要加强荔枝虫害综合防控技术,以绿色、无副作用作为主要目标，因此，对荔枝的田间害虫进行全天候、实时的监测就显得尤为重要。
3.为了能够实现对荔枝虫害的监测识别并做出相应防治措施，需要开发一款系统与之配合进行实现，该系统通过获取荔枝植株图像信息，进行图像分割获取叶片及果实区域图像信息，将叶片及果实区域图像信息进行预处理；基于生成对抗网络构建荔枝虫害识别模型，将预处理后的叶片及果实区域图像信息导入所述荔枝虫害识别模型，进行荔枝虫害的识别与分类；根据虫害识别结果结合虫害的主要虫态信息进行荔枝虫害的分级预警；同时根据荔枝虫害种类信息及主要虫态信息制定物理防治、化学防治及生物防治并存的综合防治方案，将荔枝虫害识别结果、虫害预警及综合防治方案按照预设方式进行显示。在该系统的实现过程中如何对荔枝虫害进行监测识别以及如何根据虫害进行防治都是亟不可待需要解决的问题。


技术实现要素：

4.为了解决上述技术问题，本发明提出了一种基于物联网的荔枝虫害监测预警方法、系统及存储介质。
5.本发明第一方面提供了一种基于物联网的荔枝虫害监测预警方法，包括：通过获取荔枝植株图像信息，将所述荔枝植株信息进行图像分割获取叶片及果实区域图像信息，将所述叶片及果实区域图像信息进行预处理；基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，将预处理后的叶片及果实区域图像信息导入所述荔枝虫害识别模型，进行荔枝虫害的识别与分类；根据虫害识别结果结合虫害的主要虫态信息进行荔枝虫害的分级预警；同时根据荔枝虫害种类信息及主要虫态信息制定综合防治方案，将荔枝虫害识别结果、虫害预警及综合防治方案按照预设方式进行显示。
6.本方案中，所述的基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，具体为：基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，获取单一背景及复杂
背景的真实荔枝虫害图像信息，通过所述生成对抗网络进行荔枝虫害图像的数据扩充；将所述荔枝虫害图像信息导入生成对抗网络，将所述真实荔枝虫害图像信息获取预设数量的图像信息匹配随机噪声输入到生成对抗网络中的生成器，并根据预设生成图像尺寸将噪声进行尺寸规范，通过多层反卷积处理生成荔枝虫害样本图像信息；在生成对抗网络中的判别器中通过双卷积网络对荔枝虫害图像信息通过多层卷积进行不同尺度的特征图提取，通过调整滑动步长将特征图进行特征融合，并进行标准化及非线性变化处理，将特征图变换为预设维度特征向量后判断图像是否为真；将所述判别器及生成器进行交替训练至损失函数平稳，将各种类真实荔枝虫害图像信息导入生成对抗网络生成对应种类的荔枝虫害样本图像信息，并对所述荔枝虫害样本图像信息进行评价，判断所述荔枝虫害样本图像信息与真实荔枝虫害图像信息的质量偏差；若所述质量偏差处于预设相似度预设范围内，则根据荔枝虫害样本图像信息生成荔枝虫害样本图像数据集。
7.本方案中，所述的基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，具体为：通过荔枝虫害样本图像数据集对卷积神经网络进行初始化训练，将叶片及果实区域图像信息导入训练后的卷积神经网络；获取所述叶片及果实区域图像信息中的多尺度特征信息，并所述多尺度特征信息进行融合生成融合特征图；通过区域候选网络对所述融合特征图进行感兴趣区域判定，并将所述感兴趣区域进行标记记录；将所述区域候选网络生成的感兴趣区域进行池化操作形成最终特征图，将池化层输出的最终特征图导入到softmax分类器中，计算荔枝虫害所属种类的概率，将概率最大的种类信息作为荔枝虫害的所属种类，并通过边界回归获取荔枝虫害的锚框位置；根据所述荔枝虫害的所属种类与锚框位置生成带种类标签的荔枝虫害识别结果。
8.本方案中，所述的根据虫害识别结果结合虫害的主要虫态信息进行荔枝虫害的分级预警，具体为：根据不同种类的荔枝虫害预设不同的阈值区间，根据叶片及果实区域图像信息中的锚框中的荔枝虫害的形态进行分龄，并根据分龄结果确定荔枝虫害的主要虫态信息；根据单一叶片或果实上的主要虫态信息对应虫害数量信息估算荔枝植株中的虫害数量信息；根据所述虫害数量信息所落在的预设阈值区间确定荔枝虫害的预警信息。
9.本方案中，所述的根据荔枝虫害种类信息及主要虫态信息制定综合防治方案，具体为:通过荔枝虫害识别结果判断虫害所属类别是否具备趋光性，若具备趋光性，则根据虫害所属种类的趋光性获取光强及光色信息；根据预设范围将荔枝种植区域划分多个子区域，并根据各子区域的荔枝种植密度确定灯光诱捕位置信息，根据所述光强及光色信息及灯光诱捕位置信息生成灯光诱杀防治方案；
获取叶片及果实区域图像信息中的虫害图像信息，根据所述虫害图像信息进行虫害的虫龄判断，根据虫害的种类信息及虫龄预测虫害的爆发期，根据所述爆发期及果实收获期确定最佳防治期；通过虫害的种类信息获取大数据检索，获取同种类型虫害的防治案例，将所述防治案例按照仿效进行排序，获取仿效最高的防治案例中对应的药剂配方作为首选药剂，并结合最佳防治期生成化学防治方案。
10.本方案中，还包括：判断当前荔枝果实发育期，获取当前荔枝果实发育期中预设时间段内的落果数量信息；判断所述落果数量信息是否大于预设落果数量阈值，若大于，则判断为荔枝异常落果现象，生成荔枝虫害预警；当生成荔枝虫害预警时，获取荔枝虫害预警等级信息，根据当前虫害的种类及主要虫态信息判断天敌昆虫的释放时间，并根据所述荔枝虫害预警等级信息确定天敌昆虫释放数量及释放比例；根据所述释放时间、释放数量及释放比例结合荔枝种植所在地的气象信息生成荔枝虫害天敌昆虫的释放计划，并在天敌昆虫释放的预设时间后重新评估荔枝虫害预警等级信息；根据重新评估后的荔枝虫害预警等级信息对所述释放计划进行修正。
11.本发明第二方面还提供了一种基于物联网的荔枝虫害监测预警系统，该系统包括：存储器、处理器，所述存储器中包括一种基于物联网的荔枝虫害监测预警方法程序，所述一种基于物联网的荔枝虫害监测预警方法程序被所述处理器执行时实现如下步骤：通过获取荔枝植株图像信息，将所述荔枝植株信息进行图像分割获取叶片及果实区域图像信息，将所述叶片及果实区域图像信息进行预处理；基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，将预处理后的叶片及果实区域图像信息导入所述荔枝虫害识别模型，进行荔枝虫害的识别与分类；根据虫害识别结果结合虫害的主要虫态信息进行荔枝虫害的分级预警；同时根据荔枝虫害种类信息及主要虫态信息制定综合防治方案，将荔枝虫害识别结果、虫害预警及综合防治方案按照预设方式进行显示。
12.本方案中，所述的基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，具体为：基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，获取单一背景及复杂背景的真实荔枝虫害图像信息，通过所述生成对抗网络进行荔枝虫害图像的数据扩充；将所述荔枝虫害图像信息导入生成对抗网络，将所述真实荔枝虫害图像信息获取预设数量的图像信息匹配随机噪声输入到生成对抗网络中的生成器，并根据预设生成图像尺寸将噪声进行尺寸规范，通过多层反卷积处理生成荔枝虫害样本图像信息；在生成对抗网络中的判别器中通过双卷积网络对荔枝虫害图像信息通过多层卷积进行不同尺度的特征图提取，通过调整滑动步长将特征图进行特征融合，并进行标准化及非线性变化处理，将特征图变换为预设维度特征向量后判断图像是否为真；将所述判别器及生成器进行交替训练至损失函数平稳，将各种类真实荔枝虫害图
像信息导入生成对抗网络生成对应种类的荔枝虫害样本图像信息，并对所述荔枝虫害样本图像信息进行评价，判断所述荔枝虫害样本图像信息与真实荔枝虫害图像信息的质量偏差；若所述质量偏差处于预设相似度预设范围内，则根据荔枝虫害样本图像信息生成荔枝虫害样本图像数据集。
13.本方案中，所述的基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，具体为：通过荔枝虫害样本图像数据集对卷积神经网络进行初始化训练，将叶片及果实区域图像信息导入训练后的卷积神经网络；获取所述叶片及果实区域图像信息中的多尺度特征信息，并所述多尺度特征信息进行融合生成融合特征图；通过区域候选网络对所述融合特征图进行感兴趣区域判定，并将所述感兴趣区域进行标记记录；将所述区域候选网络生成的感兴趣区域进行池化操作形成最终特征图，将池化层输出的最终特征图导入到softmax分类器中，计算荔枝虫害所属种类的概率，将概率最大的种类信息作为荔枝虫害的所属种类，并通过边界回归获取荔枝虫害的锚框位置；根据所述荔枝虫害的所属种类与锚框位置生成带种类标签的荔枝虫害识别结果。
14.本方案中，所述的根据虫害识别结果结合虫害的主要虫态信息进行荔枝虫害的分级预警，具体为：根据不同种类的荔枝虫害预设不同的阈值区间，根据叶片及果实区域图像信息中的锚框中的荔枝虫害的形态进行分龄，并根据分龄结果确定荔枝虫害的主要虫态信息；根据单一叶片或果实上的主要虫态信息对应虫害数量信息估算荔枝植株中的虫害数量信息；根据所述虫害数量信息所落在的预设阈值区间确定荔枝虫害的预警信息。
15.本方案中，所述的根据荔枝虫害种类信息及主要虫态信息制定综合防治方案，具体为:通过荔枝虫害识别结果判断虫害所属类别是否具备趋光性，若具备趋光性，则根据虫害所属种类的趋光性获取光强及光色信息；根据预设范围将荔枝种植区域划分多个子区域，并根据各子区域的荔枝种植密度确定灯光诱捕位置信息，根据所述光强及光色信息及灯光诱捕位置信息生成灯光诱杀防治方案；获取叶片及果实区域图像信息中的虫害图像信息，根据所述虫害图像信息进行虫害的虫龄判断，根据虫害的种类信息及虫龄预测虫害的爆发期，根据所述爆发期及果实收获期确定最佳防治期；通过虫害的种类信息获取大数据检索，获取同种类型虫害的防治案例，将所述防治案例按照仿效进行排序，获取仿效最高的防治案例中对应的药剂配方作为首选药剂，并结合最佳防治期生成化学防治方案。
16.本方案中，还包括：判断当前荔枝果实发育期，获取当前荔枝果实发育期中预设时间段内的落果数量
信息；判断所述落果数量信息是否大于预设落果数量阈值，若大于，则判断为荔枝异常落果现象，生成荔枝虫害预警；当生成荔枝虫害预警时，获取荔枝虫害预警等级信息，根据当前虫害的种类及主要虫态信息判断天敌昆虫的释放时间，并根据所述荔枝虫害预警等级信息确定天敌昆虫释放数量及释放比例；根据所述释放时间、释放数量及释放比例结合荔枝种植所在地的气象信息生成荔枝虫害天敌昆虫的释放计划，并在天敌昆虫释放的预设时间后重新评估荔枝虫害预警等级信息；根据重新评估后的荔枝虫害预警等级信息对所述释放计划进行修正。
17.本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括一种基于物联网的荔枝虫害监测预警方法程序，所述一种基于物联网的荔枝虫害监测预警方法程序被处理器执行时，实现如上述任一项所述的一种基于物联网的荔枝虫害监测预警方法的步骤。
18.本发明公开了一种基于物联网的荔枝虫害监测预警方法、系统及存储介质，通过获取荔枝植株图像信息，进行图像分割获取叶片及果实区域图像信息；将所述叶片及果实区域图像信息进行预处理，基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，将预处理后的叶片及果实区域图像信息导入所述荔枝虫害识别模型，进行荔枝虫害的识别与分类；根据虫害识别结果结合虫害的主要虫态信息进行荔枝虫害的分级预警，同时根据荔枝虫害种类信息及主要虫态信息制定综合防治方案，将荔枝虫害识别结果、虫害预警及综合防治方案按照预设方式进行显示。本发明通过对荔枝虫害的识别进行分级预警，并制定荔枝虫害的针对性防治方案，保障了荔枝的高产优质。
附图说明
19.图1示出了本发明一种基于物联网的荔枝虫害监测预警方法的流程图；图2示出了本发明一种基于物联网的荔枝虫害监测预警系统的框图。
具体实施方式
20.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，本技术的实施例及实施例中的特征可以相互组合。
21.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。
22.图1示出了本发明一种基于物联网的荔枝虫害监测预警方法的流程图。
23.如图1所示，本发明第一方面提供了一种基于物联网的荔枝虫害监测预警方法，包括：s102，通过获取荔枝植株图像信息，将所述荔枝植株信息进行图像分割获取叶片及果实区域图像信息，将所述叶片及果实区域图像信息进行预处理；
s104，基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，将预处理后的叶片及果实区域图像信息导入所述荔枝虫害识别模型，进行荔枝虫害的识别与分类；s106，根据虫害识别结果结合虫害的主要虫态信息进行荔枝虫害的分级预警；s108，同时根据荔枝虫害种类信息及主要虫态信息制定综合防治方案，将荔枝虫害识别结果、虫害预警及综合防治方案按照预设方式进行显示。
24.需要说明的是，获取荔枝植株图像信息，将所述荔枝植株图像信息进行滤波去噪，减少噪声干扰，并荔枝植株图像信息中的景物进行分解，将荔枝植株与背景图像进行分离，将图像中的大片景象划分为细小的成分，然后进行特征分化，获取叶片及果实特征，根据所述叶片及果实特征进行图像分割将图像中的大片景象划分为细小的成分，然后进行特征分化。
25.所述的基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，具体为：基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，获取单一背景及复杂背景的真实荔枝虫害图像信息，通过所述生成对抗网络进行荔枝虫害图像的数据扩充；将所述荔枝虫害图像信息导入生成对抗网络，将所述真实荔枝虫害图像信息获取预设数量的图像信息匹配随机噪声输入到生成对抗网络中的生成器，并根据预设生成图像尺寸将噪声进行尺寸规范，通过多层反卷积处理生成荔枝虫害样本图像信息；在生成对抗网络中的判别器中通过双卷积网络对荔枝虫害图像信息通过多层卷积进行不同尺度的特征图提取，通过调整滑动步长将特征图进行特征融合，并进行标准化及非线性变化处理，将特征图变换为预设维度特征向量后判断图像是否为真；将所述判别器及生成器进行交替训练至损失函数平稳，将各种类真实荔枝虫害图像信息导入生成对抗网络生成对应种类的荔枝虫害样本图像信息，并对所述荔枝虫害样本图像信息进行评价，判断所述荔枝虫害样本图像信息与真实荔枝虫害图像信息的质量偏差；若所述质量偏差处于预设相似度预设范围内，则根据荔枝虫害样本图像信息生成荔枝虫害样本图像数据集。通过拍摄虫害图像获取荔枝虫害图像信息由于成本及时间限制得到的数据数量有限，为了能够得到多种姿态的荔枝虫害图像，基于生成对抗网络对荔枝虫害图像数据量进行增加，避免了由于数据量不足导致的过拟合现象的出现，进而提高了虫害识别模型识别质量。
26.其中，通过计算均值与协方差矩阵判断荔枝虫害样本图像信息的质量，具体为：其中，表示质量偏差，表示矩阵对角线上元素的总和，表示真实荔枝虫害图像信息的特征协方差矩阵，表示荔枝虫害样本图像信息特征协方差矩阵，表示真实荔枝虫害图像信息的特征均值，表示荔枝虫害样本图像信息的特征均值。
27.需要说明的是，所述的基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，具体为：
通过荔枝虫害样本图像数据集对卷积神经网络进行初始化训练，将叶片及果实区域图像信息导入训练后的卷积神经网络；获取所述叶片及果实区域图像信息中的多尺度特征信息，并所述多尺度特征信息进行融合生成融合特征图；通过区域候选网络对所述融合特征图进行感兴趣区域判定，并将所述感兴趣区域进行标记记录，预设iou第一阈值及第二阈值，若所述iou小于第一阈值，则将其判定为背景信息，标记为负样本；若所述iou大于第二阈值，则将其判定为荔枝虫害信息，标记为正样本；将所述区域候选网络生成的感兴趣区域进行池化操作形成最终特征图，将池化层输出的最终特征图导入到softmax分类器中，计算荔枝虫害所属种类的概率，将概率最大的种类信息作为荔枝虫害的所属种类，并通过边界回归获取荔枝虫害的锚框位置；根据所述荔枝虫害的所属种类与锚框位置生成带种类标签的荔枝虫害识别结果。
28.需要说明的是，所述的根据虫害识别结果结合虫害的主要虫态信息进行荔枝虫害的分级预警，具体为：根据不同种类的荔枝虫害预设不同的阈值区间，根据叶片及果实区域图像信息中的锚框中的荔枝虫害的形态进行分龄，并根据分龄结果确定荔枝虫害的主要虫态信息；其中分龄具体为，根据头壳宽度对幼虫进行分龄,并确定主虫态,通过主虫态预测成虫羽化期和卵孵化期，根据蛹形态特征对蛹进行分级,并确定主虫态,通过主虫态预测成虫羽化期和卵孵化期，化蛹进度预测法通过化蛹进度预测成虫羽化期和卵孵化；根据单一叶片或果实上的主要虫态信息对应虫害数量信息估算荔枝植株中的虫害数量信息；根据所述虫害数量信息所落在的预设阈值区间确定荔枝虫害的预警信息。
29.需要说明的是，所述的根据荔枝虫害种类信息及主要虫态信息制定综合防治方案，具体为:通过荔枝虫害识别结果判断虫害所属类别是否具备趋光性，若具备趋光性，则根据虫害所属种类的趋光性获取光强及光色信息；根据预设范围将荔枝种植区域划分多个子区域，并根据各子区域的荔枝种植密度确定灯光诱捕位置信息，根据所述光强及光色信息及灯光诱捕位置信息生成灯光诱杀防治方案；获取叶片及果实区域图像信息中的虫害图像信息，根据所述虫害图像信息进行虫害的虫龄判断，根据虫害的种类信息及虫龄预测虫害的爆发期，根据所述爆发期及果实收获期确定最佳防治期；通过虫害的种类信息获取大数据检索，获取同种类型虫害的防治案例，将所述防治案例按照仿效进行排序，获取仿效最高的防治案例中对应的药剂配方作为首选药剂，并结合最佳防治期生成化学防治方案。
30.需要说明的是，本发明还包括，通过释放天敌昆虫实现对荔枝虫害的防治，具体为：判断当前荔枝果实发育期，获取当前荔枝果实发育期中预设时间段内的落果数量信息；
判断所述落果数量信息是否大于预设落果数量阈值，若大于，则判断为荔枝异常落果现象，生成荔枝虫害预警；当生成荔枝虫害预警时，获取荔枝虫害预警等级信息，根据当前虫害的种类及主要虫态信息判断天敌昆虫的释放时间，并根据所述荔枝虫害预警等级信息确定天敌昆虫释放数量及释放比例；根据所述释放时间、释放数量及释放比例结合荔枝种植所在地的气象信息生成荔枝虫害天敌昆虫的释放计划，并在天敌昆虫释放的预设时间后重新评估荔枝虫害预警等级信息；根据重新评估后的荔枝虫害预警等级信息对所述释放计划进行修正。
31.根据本发明实施例，本发明还包括，在进行虫害预警时将荔枝虫害造成的经济损失进行预测并预警，具体为：根据荔枝虫害的种类信息及主要虫态信息结合荔枝种植地所在度的气象信息进行下一虫态发生期的预测，根据预测虫害的虫态发生期获取虫害爆发期的预测时间；根据当前荔枝种植区域中受虫害植株数量计算当前荔枝虫害病情指数，根据所述当前荔枝虫害病情指数结合爆发期预测时间预估爆发期荔枝虫害病情指数；获取往年同期历史荔枝虫害病情指数，将所述爆发期荔枝虫害病情指数与所述历史荔枝虫害病情指数进行对比生成病情系数；根据所述病情系数及历史荔枝产量信息生成爆发期荔枝产量损失信息，根据所述产量损失信息获取枝虫害造成的经济损失，同时根据当前获荔枝种植区域内土地利用数据，获取生态价值损失，根据所述经济损失及生态价值损失生成综合损失预警。
32.图2示出了本发明一种基于物联网的荔枝虫害监测预警系统的框图。
33.本发明第二方面还提供了一种基于物联网的荔枝虫害监测预警系统2，该系统包括：存储器21、处理器22，所述存储器中包括一种基于物联网的荔枝虫害监测预警方法程序，所述一种基于物联网的荔枝虫害监测预警方法程序被所述处理器执行时实现如下步骤：通过获取荔枝植株图像信息，将所述荔枝植株信息进行图像分割获取叶片及果实区域图像信息，将所述叶片及果实区域图像信息进行预处理；基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，将预处理后的叶片及果实区域图像信息导入所述荔枝虫害识别模型，进行荔枝虫害的识别与分类；根据虫害识别结果结合虫害的主要虫态信息进行荔枝虫害的分级预警；同时根据荔枝虫害种类信息及主要虫态信息制定综合防治方案，将荔枝虫害识别结果、虫害预警及综合防治方案按照预设方式进行显示。
34.需要说明的是，获取荔枝植株图像信息，将所述荔枝植株图像信息进行滤波去噪，减少噪声干扰，并荔枝植株图像信息中的景物进行分解，将荔枝植株与背景图像进行分离，将图像中的大片景象划分为细小的成分，然后进行特征分化，获取叶片及果实特征，根据所述叶片及果实特征进行图像分割将图像中的大片景象划分为细小的成分，然后进行特征分化。
35.所述的基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，具体为：基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，获取单一背景及复杂
背景的真实荔枝虫害图像信息，通过所述生成对抗网络进行荔枝虫害图像的数据扩充；将所述荔枝虫害图像信息导入生成对抗网络，将所述真实荔枝虫害图像信息获取预设数量的图像信息匹配随机噪声输入到生成对抗网络中的生成器，并根据预设生成图像尺寸将噪声进行尺寸规范，通过多层反卷积处理生成荔枝虫害样本图像信息；在生成对抗网络中的判别器中通过双卷积网络对荔枝虫害图像信息通过多层卷积进行不同尺度的特征图提取，通过调整滑动步长将特征图进行特征融合，并进行标准化及非线性变化处理，将特征图变换为预设维度特征向量后判断图像是否为真；将所述判别器及生成器进行交替训练至损失函数平稳，将各种类真实荔枝虫害图像信息导入生成对抗网络生成对应种类的荔枝虫害样本图像信息，并对所述荔枝虫害样本图像信息进行评价，判断所述荔枝虫害样本图像信息与真实荔枝虫害图像信息的质量偏差；若所述质量偏差处于预设相似度预设范围内，则根据荔枝虫害样本图像信息生成荔枝虫害样本图像数据集。通过拍摄虫害图像获取荔枝虫害图像信息由于成本及时间限制得到的数据数量有限，为了能够得到多种姿态的荔枝虫害图像，基于生成对抗网络对荔枝虫害图像数据量进行增加，避免了由于数据量不足导致的过拟合现象的出现，进而提高了虫害识别模型识别质量。
36.其中，通过计算均值与协方差矩阵判断荔枝虫害样本图像信息的质量，具体为：其中，表示质量偏差，表示矩阵对角线上元素的总和，表示真实荔枝虫害图像信息的特征协方差矩阵，表示荔枝虫害样本图像信息特征协方差矩阵，表示真实荔枝虫害图像信息的特征均值，表示荔枝虫害样本图像信息的特征均值。
37.需要说明的是，所述的基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，具体为：通过荔枝虫害样本图像数据集对卷积神经网络进行初始化训练，将叶片及果实区域图像信息导入训练后的卷积神经网络；获取所述叶片及果实区域图像信息中的多尺度特征信息，并所述多尺度特征信息进行融合生成融合特征图；通过区域候选网络对所述融合特征图进行感兴趣区域判定，并将所述感兴趣区域进行标记记录，预设iou第一阈值及第二阈值，若所述iou小于第一阈值，则将其判定为背景信息，标记为负样本；若所述iou大于第二阈值，则将其判定为荔枝虫害信息，标记为正样本；将所述区域候选网络生成的感兴趣区域进行池化操作形成最终特征图，将池化层输出的最终特征图导入到softmax分类器中，计算荔枝虫害所属种类的概率，将概率最大的种类信息作为荔枝虫害的所属种类，并通过边界回归获取荔枝虫害的锚框位置；根据所述荔枝虫害的所属种类与锚框位置生成带种类标签的荔枝虫害识别结果。
38.需要说明的是，所述的根据虫害识别结果结合虫害的主要虫态信息进行荔枝虫害的分级预警，具体为：根据不同种类的荔枝虫害预设不同的阈值区间，根据叶片及果实区域图像信息中的锚框中的荔枝虫害的形态进行分龄，并根据分龄结果确定荔枝虫害的主要虫态信息；根据单一叶片或果实上的主要虫态信息对应虫害数量信息估算荔枝植株中的虫害数量信息；根据所述虫害数量信息所落在的预设阈值区间确定荔枝虫害的预警信息。
39.需要说明的是，所述的根据荔枝虫害种类信息及主要虫态信息制定综合防治方案，具体为:通过荔枝虫害识别结果判断虫害所属类别是否具备趋光性，若具备趋光性，则根据虫害所属种类的趋光性获取光强及光色信息；根据预设范围将荔枝种植区域划分多个子区域，并根据各子区域的荔枝种植密度确定灯光诱捕位置信息，根据所述光强及光色信息及灯光诱捕位置信息生成灯光诱杀防治方案；获取叶片及果实区域图像信息中的虫害图像信息，根据所述虫害图像信息进行虫害的虫龄判断，根据虫害的种类信息及虫龄预测虫害的爆发期，根据所述爆发期及果实收获期确定最佳防治期；通过虫害的种类信息获取大数据检索，获取同种类型虫害的防治案例，将所述防治案例按照仿效进行排序，获取仿效最高的防治案例中对应的药剂配方作为首选药剂，并结合最佳防治期生成化学防治方案。
40.需要说明的是，本发明还包括，通过释放天敌昆虫实现对荔枝虫害的防治，具体为：判断当前荔枝果实发育期，获取当前荔枝果实发育期中预设时间段内的落果数量信息；判断所述落果数量信息是否大于预设落果数量阈值，若大于，则判断为荔枝异常落果现象，生成荔枝虫害预警；当生成荔枝虫害预警时，获取荔枝虫害预警等级信息，根据当前虫害的种类及主要虫态信息判断天敌昆虫的释放时间，并根据所述荔枝虫害预警等级信息确定天敌昆虫释放数量及释放比例；根据所述释放时间、释放数量及释放比例结合荔枝种植所在地的气象信息生成荔枝虫害天敌昆虫的释放计划，并在天敌昆虫释放的预设时间后重新评估荔枝虫害预警等级信息；根据重新评估后的荔枝虫害预警等级信息对所述释放计划进行修正。
41.根据本发明实施例，本发明还包括，在进行虫害预警时将荔枝虫害造成的经济损失进行预测并预警，具体为：根据荔枝虫害的种类信息及主要虫态信息结合荔枝种植地所在度的气象信息进行下一虫态发生期的预测，根据预测虫害的虫态发生期获取虫害爆发期的预测时间；根据当前荔枝种植区域中受虫害植株数量计算当前荔枝虫害病情指数，根据所述当前荔枝虫害病情指数结合爆发期预测时间预估爆发期荔枝虫害病情指数；
获取往年同期历史荔枝虫害病情指数，将所述爆发期荔枝虫害病情指数与所述历史荔枝虫害病情指数进行对比生成病情系数；根据所述病情系数及历史荔枝产量信息生成爆发期荔枝产量损失信息，根据所述产量损失信息获取枝虫害造成的经济损失，同时根据当前获荔枝种植区域内土地利用数据，获取生态价值损失，根据所述经济损失及生态价值损失生成综合损失预警。
42.本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括一种基于物联网的荔枝虫害监测预警方法程序，所述一种基于物联网的荔枝虫害监测预警方法程序被处理器执行时，实现如上述任一项所述的一种基于物联网的荔枝虫害监测预警方法的步骤。
43.本发明公开了一种基于物联网的荔枝虫害监测预警方法、系统及存储介质，通过获取荔枝植株图像信息，进行图像分割获取叶片及果实区域图像信息；将所述叶片及果实区域图像信息进行预处理，基于生成对抗网络及卷积神经网络构建荔枝虫害识别模型，将预处理后的叶片及果实区域图像信息导入所述荔枝虫害识别模型，进行荔枝虫害的识别与分类；根据虫害识别结果结合虫害的主要虫态信息进行荔枝虫害的分级预警，同时根据荔枝虫害种类信息及主要虫态信息制定综合防治方案，将荔枝虫害识别结果、虫害预警及综合防治方案按照预设方式进行显示。本发明通过对荔枝虫害的识别进行分级预警，并制定荔枝虫害的针对性防治方案，保障了荔枝的高产优质。
44.在本技术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。
45.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。
46.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。
47.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-only memory）、随机存取存储器（ram，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。
48.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所述方法的全部或部分。
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。
49.以上所述，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所述权利要求的保护范围为准。