[0001] 本发明涉及数字化大数据技术领域，具体是一种用于小麦赤霉病预测模型的数字化管理系统及方法。

[0002] 小麦赤霉病预测利用气象数据、作物生长状况和历史病害发生数据等多因素，通过统计分析、机器学习等方法，建立分析模型预测小麦赤霉病的发生趋势和严重程度；通过分析数据提前预警病害发生，减少病害损失；

[0003] 当下小麦生长周期中存在多阶段受赤霉病侵害的可能，对小麦生长周期中赤霉病发生的精准预测是保护小麦生长的重要手段；现模式中，多数小麦的赤霉病检测多为依靠人工经验及全周期监测进行人工判断，然而这种检测方式在精确度上存在较大的误差，且无法对于大规模小麦生产区域进行精准定位，存在较大的预测范围误差和精准度误差。

[0055] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0056] 实施例：如图1所示，本发明提供一种技术方案：

[0057] 一种用于小麦赤霉病预测模型的数字化管理方法，该方法包括以下步骤：

[0058] S100、通过气象采集设备对观测区域周期内小麦生长气象环境数据进行采集，并同步利用图像采集设备对观测区域周期内小麦图像进行采集；

[0059] S200、基于采集环境数据，以对应采集时间点为数据标签构建对应周期内小麦生长环境数据矩阵；通过结合历史小麦历史病变环境数据对当前周期小麦环境数据进行病穗率分析；

[0060] S300、通过对采集图像结合小麦历史图像像素点色度信息进行异常像素点定位处理；综合当前小麦图像异常像素点进行小麦区域划分，并结合划分子区域进行病变特征分析，对病变子区域进行预测；

[0061] S400、将当前小麦生长区域病穗率分析及区域划分信息进行可视化输出，将预测病变区域进行警示。

[0062] 所述S100通过气象采集设备对观测区域周期内小麦生长气象环境数据进行采集，并同步利用图像采集设备对观测区域周期内小麦图像进行采集的具体步骤如下：

[0063] S101、通过小麦生长区域装置的气象设备对小麦实时生长环境数据进行采集；通过设置采集周期，获取对应周期内小麦的生长环境数据；利用区域组网将采集数据传输至分析端；

[0064] S102、通过图像采集设备对小麦生长区域进行全区域图像采集，通过机载通信设备将采集图像数据进行远程数据传输至分析端。

[0065] 所述S200基于采集环境数据，以对应采集时间点为数据标签构建对应周期内小麦生长环境数据矩阵；通过结合历史小麦历史病变环境数据对当前周期小麦环境数据进行病穗率分析的具体步骤如下：

[0066] S201、调取周期采集的小麦生长环境数据，通过确定采集时间点，以对应采集环境数据类型进行归类处理；对各时间点采集的环境数据构建对应环境类型数据集合；以采集时间点为矩阵数据标签，将周期内采集的各时间点环境类型数据集合以时间顺序进行统筹，构建周期小麦生长环境数据矩阵；

[0067] S202、调取当前观测区域小麦的生长环境数据矩阵，提取矩阵中各时间点环境数据集合中，各环境类型对应的环境数据，对各类型环境数据进行周期综合分析，其计算公式为

[0068]

[0069] 其中，PVE(n:T)为对应周期T内类型编号为n环境数据的周期均衡值；M(t∈T)为周期T内时间点t的数量；t∈T为周期T内的时间点t；H(n:t)为对应周期T内各时间点t类型编号为n的环境数据值；

[0070] 基于周期内各类型环境数据的周期均衡值，对周期内观测小麦的赤霉病穗率进行分析，其计算公式为

[0071]

[0072] 其中YDP(T)为周期T内观测小麦的赤霉病穗率；Fn为对应类型编号n的环境数据赤霉病影响系数；通过调取小麦赤霉病历史环境数据，通过以当前周期的对应各类型环境数据的周期均衡值为参照，对历史相同环境数据对应周期小麦的赤霉病穗率数据进行调取；通过对调取历史赤霉病穗率数据与当前周期的赤霉病穗率进行误差分析，若|YDP(T)‑YDP(AL)|＞E，则对当前观测小麦环境数据进行重新采集并重新进行上述环境数据分析步骤；
其中YDP(AL)为对照当前周期内小麦相同环境数据下的历史赤霉病穗率均值；E为误差对照参数；

[0073] 若|YDP(T)‑YDP(AL)|≤E，则对当前观测小麦进行病穗率综合影响比例进行分析，其计算公式为

[0074]

[0075] 其中，POI(T)为当前周期内观测小麦的病穗率综合影响比例；YDP(Amax)和YDP(Amin)分别为对照当前周期内小麦相同环境数据下的历史赤霉病穗率数据的最大值和最小值。

[0076] 所述S300通过对采集图像结合小麦历史图像像素点色度信息进行异常像素点定位处理；综合当前小麦图像异常像素点进行小麦区域划分，并结合划分子区域进行病变特征分析，对病变子区域进行预测的具体步骤如下：

[0077] S301、调取区域小麦周期内生长图像数据，通过图像局部窗口放大化处理获取图像中各像素点的色度数据；所述色度数据为像素点对应的RGB三通道强度值；通过建立坐标系对图像中各像素点进行坐标获取，并通过构建数据关联通道，将对应像素点的色度数据与对应像素点的坐标数据进行关联处理；基于坐标系中各像素点对应的色度数据进行对应色度特征向量构建，并结合各像素点特征向量与历史健康小麦的标准色度特征向量进行筛选分析，其计算公式为

[0078]

[0079] 其中，D[(x,y):HE]指坐标为(x,y)对应像素点的色度特征向量与历史健康小麦的标准色度特征向量的相似度； 为坐标为(x,y)对应像素点的色度特征向量； 为历史健康小麦的标准色度特征向量； 和 分别对应坐标为(x,y)对应像素点的色度特征向量与历史健康小麦的标准色度特征向量的模；对应坐标的色度特征向量为其中IR,IG,IB分别对应坐标像素点的R，G，B对应通道的色度强度值；通过设置健康参数Dp，若D[(x,y):HE]≤Dp，则判断当前坐标对应像素点为正常像素点；若D[(x,y):HE]＞Dp，则判断当前坐标对应像素点为异常像素点；对异常像素点进行显性标注，并将正常像素点进行筛除；

[0080] S302、基于像素点筛除处理后的小麦区域坐标图像数据进行等区域划分，并对各子区域进行标签赋予；通过分析各自子区域中异常特征点与历史赤霉病小麦的标准病变异常像素点的色度特征向量的相似度，其计算公式为

[0081]

[0082] 其中，D[(x,y)j:SC]指对应子区域编号j中坐标为(x,y)对应像素点的色度特征向量与历史赤霉病小麦的标准病变异常像素点的色度特征向量的相似度； 为对应子区域编号j中坐标为(x,y)像素点的色度特征向量， 为历史赤霉病小麦的标准病变异常像素点的色度特征向量， 为对应子区域编号j中坐标为(x,y)像素点的色度特征向量的模， 为历史赤霉病小麦的标准病变异常像素点的色度特征向量的模；

[0083] 结合各子区域中异常像素点对应的色度特征向量分别与历史健康小麦的标准色度特征向量，和历史赤霉病小麦的标准病变异常像素点的色度特征向量的相似度分析数据，对子区域中小麦的赤霉病异常指数进行分析，其计算公式为

[0084]

[0085] 其中，GIj为对应编号j子区域中小麦的赤霉病异常指数；f为激活函数；Uj为编号为j子区域中异常点的数量；Ua为小麦图像全区域异常点数量；D[(x,y)j:HE]为对应子区域编号j中坐标为(x,y)对应像素点的色度特征向量与历史健康小麦的标准色度特征向量的相似度；b为偏置参数；(x,y)∈j为对应编号j子区域中各像素点坐标；通过引入对比指数GI(th)，若GIj＜GI(th)，则判断当前对应编号j子区域小麦无赤霉病发生风险；若GIj≥GI(th)，则判断当前对应编号j子区域小麦存在赤霉病发生风险；若存在多子区域存在赤霉病发生风险，则依据各子区域对应赤霉病异常指数由大至小进行监测优先级分配。

[0086] 所述S400将当前小麦生长区域病穗率分析及区域划分信息进行可视化输出，将预测病变区域进行警示的具体步骤如下：

[0087] S401、对当前观测小麦生长区域病穗率分析数据和区域图像像素点分析数据及区域划分数据进行可视化输出；

[0088] S402、对存在赤霉病发生风险的子区域进行警示反馈，并根据各子区域优先级进行监测。

[0089] 一种用于小麦赤霉病预测模型的数字化管理系统，所述系统包括区域数据采集模块、周期病穗率分析模块、区域异常指数分析模块和预测输出模块；

[0090] 所述区域数据采集模块通过气象采集设备对观测区域周期内小麦生长气象环境数据进行采集，并同步利用图像采集设备对观测区域周期内小麦图像进行采集；所述周期病穗率分析模块基于采集环境数据，以对应采集时间点为数据标签构建对应周期内小麦生长环境数据矩阵；通过结合历史小麦历史病变环境数据对当前周期小麦环境数据进行病穗率分析；所述区域异常指数分析模块通过对采集图像结合小麦历史图像像素点色度信息进行异常像素点定位处理；综合当前小麦图像异常像素点进行小麦区域划分，并结合划分子区域进行病变特征分析，对病变子区域进行预测；所述预测输出模块将当前小麦生长区域病穗率分析及区域划分信息进行可视化输出，将预测病变区域进行警示。

[0091] 所述区域数据采集模块包括区域环境数据采集单元和小麦图像数据采集单元；

[0092] 所述区域环境数据采集单元通过小麦生长区域装置的气象设备对小麦实时生长环境数据进行采集；通过设置采集周期，获取对应周期内小麦的生长环境数据；利用区域组网将采集数据传输至分析端；

[0093] 所述小麦图像数据采集单元通过图像采集设备对小麦生长区域进行全区域图像采集，通过机载通信设备将采集图像数据进行远程数据传输至分析端。

[0094] 所述周期病穗率分析模块包括环境数据处理单元和小麦病穗率分析单元；

[0095] 所述环境数据处理单元调取周期采集的小麦生长环境数据，通过确定采集时间点，以对应采集环境数据类型进行归类处理；对各时间点采集的环境数据构建对应环境类型数据集合；以采集时间点为矩阵数据标签，将周期内采集的各时间点环境类型数据集合以时间顺序进行统筹，构建周期小麦生长环境数据矩阵；

[0096] 所述小麦病穗率分析单元调取当前观测区域小麦的生长环境数据矩阵，提取矩阵中各时间点环境数据集合中，各环境类型对应的环境数据，对各类型环境数据进行周期综合分析；基于周期内各类型环境数据的周期均衡值，对周期内观测小麦的赤霉病穗率进行分析；通过调取小麦赤霉病历史环境数据，通过以当前周期的对应各类型环境数据的周期均衡值为参照，对历史相同环境数据对应周期小麦的赤霉病穗率数据进行调取；通过对调取历史赤霉病穗率数据与当前周期的赤霉病穗率进行误差分析。

[0097] 所述区域异常指数分析模块包括图像异常点筛选单元和区域异常指数分析单元；

[0098] 所述图像异常点筛选单元调取区域小麦周期内生长图像数据，通过图像局部窗口放大化处理获取图像中各像素点的色度数据；所述色度数据为像素点对应的RGB三通道强度值；通过建立坐标系对图像中各像素点进行坐标获取，并通过构建数据关联通道，将对应像素点的色度数据与对应像素点的坐标数据进行关联处理；基于坐标系中各像素点对应的色度数据进行对应色度特征向量构建，并结合各像素点特征向量与历史健康小麦的标准色度特征向量进行筛选分析；通过设置健康参数对各像素点进行异常判断；对异常像素点进行显性标注，并将正常像素点进行筛除；

[0099] 所述区域异常指数分析单元基于像素点筛除处理后的小麦区域坐标图像数据进行等区域划分，并对各子区域进行标签赋予；通过分析各自子区域中异常特征点与历史赤霉病小麦的标准病变异常像素点的色度特征向量的相似度；结合各子区域中异常像素点对应的色度特征向量分别与历史健康小麦的标准色度特征向量，和历史赤霉病小麦的标准病变异常像素点的色度特征向量的相似度分析数据，对子区域中小麦的赤霉病异常指数进行分析；通过引入对比指数判断各子区域中是否小麦存在赤霉病发生风险；若存在多子区域存在赤霉病发生风险，则依据各子区域对应赤霉病异常指数由大至小进行监测优先级分配。

[0100] 所述预测输出模块包括数据可视化输出单元和警示监测反馈单元；

[0101] 所述数据可视化输出单元对当前观测小麦生长区域病穗率分析数据和区域图像像素点分析数据及区域划分数据进行可视化输出；

[0102] 所述警示监测反馈单元对存在赤霉病发生风险的子区域进行警示反馈，并根据各子区域优先级进行监测；

[0103] 在实施例中：

[0104] 现有某小麦种植基地需对小麦生长区域进行赤霉病监测，其配备本发明的用于小麦赤霉病预测模型的数字化管理系统；其通过小麦生长区域装置的气象设备对小麦实时生长环境数据进行采集；通过设置采集周期，获取对应周期内小麦的生长环境数据；利用区域组网将采集数据传输至分析端；通过图像采集设备对小麦生长区域进行全区域图像采集，通过机载通信设备将采集图像数据进行远程数据传输至分析端；

[0105] 调取周期采集的小麦生长环境数据，通过确定采集时间点，以对应采集环境数据类型进行归类处理；对各时间点采集的环境数据构建对应环境类型数据集合；以采集时间点为矩阵数据标签，将周期内采集的各时间点环境类型数据集合以时间顺序进行统筹，构建周期小麦生长环境数据矩阵；调取当前观测区域小麦的生长环境数据矩阵，提取矩阵中各时间点环境数据集合中，各环境类型对应的环境数据，对各类型环境数据进行周期综合分析，其计算公式为

[0106]

[0107] 基于周期内各类型环境数据的周期均衡值，对周期内观测小麦的赤霉病穗率进行分析，其计算公式为

[0108]

[0109] 通过调取小麦赤霉病历史环境数据，通过以当前周期的对应各类型环境数据的周期均衡值为参照，对历史相同环境数据对应周期小麦的赤霉病穗率数据进行调取；通过对调取历史赤霉病穗率数据与当前周期的赤霉病穗率进行误差分析，若|YDP(T)‑YDP(AL)|＞E，则对当前观测小麦环境数据进行重新采集并重新进行上述环境数据分析步骤；

[0110] 若|YDP(T)‑YDP(AL)|≤E，则对当前观测小麦进行病穗率综合影响比例进行分析，其计算公式为

[0111]

[0112] 调取区域小麦周期内生长图像数据，通过图像局部窗口放大化处理获取图像中各像素点的色度数据；所述色度数据为像素点对应的RGB三通道强度值；通过建立坐标系对图像中各像素点进行坐标获取，并通过构建数据关联通道，将对应像素点的色度数据与对应像素点的坐标数据进行关联处理；基于坐标系中各像素点对应的色度数据进行对应色度特征向量构建，并结合各像素点特征向量与历史健康小麦的标准色度特征向量进行筛选分析，其计算公式为

[0113]

[0114] 对应坐标的色度特征向量为 通过设置健康参数Dp，若D[(x,y):HE]≤Dp，则判断当前坐标对应像素点为正常像素点；若D[(x,y):HE]＞Dp，则判断当前坐标对应像素点为异常像素点；对异常像素点进行显性标注，并将正常像素点进行筛除；

[0115] 基于像素点筛除处理后的小麦区域坐标图像数据进行等区域划分，并对各子区域进行标签赋予；通过分析各自子区域中异常特征点与历史赤霉病小麦的标准病变异常像素点的色度特征向量的相似度，其计算公式为

[0116]

[0117] 结合各子区域中异常像素点对应的色度特征向量分别与历史健康小麦的标准色度特征向量，和历史赤霉病小麦的标准病变异常像素点的色度特征向量的相似度分析数据，对子区域中小麦的赤霉病异常指数进行分析，其计算公式为

[0118]

[0119] 通过引入对比指数GI(th)，若GIj＜GI(th)，则判断当前对应编号j子区域小麦无赤霉病发生风险；若GIj≥GI(th)，则判断当前对应编号j子区域小麦存在赤霉病发生风险；若存在多子区域存在赤霉病发生风险，则依据各子区域对应赤霉病异常指数由大至小进行监测优先级分配；

[0120] 对当前观测小麦生长区域病穗率分析数据和区域图像像素点分析数据及区域划分数据进行可视化输出；对存在赤霉病发生风险的子区域进行警示反馈，并根据各子区域优先级进行监测。

[0121] 对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。