一种基于大数据挖掘的柑橘病虫害疫情智能推送系统
技术领域
本发明涉及柑橘林病虫害林间监测技术领域，具体涉及一种基于大数据挖掘的柑橘病虫害疫情智能推送系统。
背景技术
柑橘是世界上种植最广泛的水果之一。然而，柑橘疾病变得越来越严重，这给柑橘种植者造成了巨大的经济损失。
据不完全统计，柑橘在全球140多个国家/地区都有种植。由于气候变暖，禁止使用剧毒农药，柑桔树老化，除草剂滥用和其他因素，柑桔病虫害和疾病日益严重。常见的柑橘病包括柑橘黄龙病(HLB)，炭疽病，溃疡病，黑斑病，砂纸锈病和Sc疮。这些柑橘类疾病通常会影响树叶，树枝，花朵，果实和茎，影响果实品质并损害经济利益。柑橘在我国大规模种植。但是，果农的专业素质普遍不高，与专家沟通不便。当遇到困难的疾病时，不可能及时找到原因和解决方案，从而造成经济损失。柑橘类疾病广泛传播并迅速传播。仅靠人眼无法识别效率低且准确性低。使用深度学习技术可以有效地提高效率和准确性，并节省人力资源。
随着移动设备的飞速发展，移动服务计算在我们的日常生活中扮演着越来越重要的角色。为了解决上述问题，本发明将移动计算与深度学习相结合，因此我们提出了利用DenseNet和移动服务计算大数据挖掘的柑橘病虫害疫情智能推送系统，以打破柑橘种植者与专家之间的障碍，训练了基于DenseNet的柑橘病识别模型，并通过具有云服务器的移动后端如PC端或APP端的微信小程序等智能系统实现了柑橘病的远程在线智能诊断。用户可以拍摄疑似柑橘病病例的照片，并通过PC端或APP端的微信小程序等智能系统将其上传到我们的云服务器移动后端系统。然后它将反馈智能诊断结果。同时，系统可以提供定位服务，以方便用户设置监视点以进行进一步跟踪。该系统还使用户可以直接与在线专家进行交流，通过简化DenseNet的结构，柑橘类疾病的识别准确率超过88％，并且减少了预测时间，大大提高了柑橘的防治效率及生产量。
发明内容
基于此，有必要设计一种基于大数据挖掘的柑橘病虫害疫情智能推送系统，该系统包括移动前端及移动后端，移动前端采集柑橘生长图像数据通过无线网络传输图像数据至移动后端进行数据分析，数据分析经过系列分析步骤后形成分析结果并智能推送柑橘生长情况及治理方案，分析结果包括疑似结果、专家意见及治理方案；
其中，移动前端为智能无线联网的手机或摄像头，移动前端负责实时拍摄柑橘生长图像；
移动后端为具有云服务器的PC端或APP端，其包括：图像接收过滤模块、网络传输模块、GPS定位模块、智能数据比对模块、专家在线分析模块、分析反馈方案模块。
进一步的，移动前端的所述智能无线联网为5G网络。
进一步的，图像接收过滤模块包括利用DenseNet设计了Dense块结构进行对接收图像进行过滤卷积，Dense块结构将每一层连接到其他层，并且每一层都将上一层的特征图作为输入，其中层与层之间的递进公式为：
xl＝Hl(|x0，x1，...，xl-1|)。
进一步的，网络传输模块为利用Nginx服务器数据传输，Nginx服务器接收及输送图像接收过滤模块卷积后的图像数据。
进一步的，GPS定位模块为移动后端内置的卫星定位网络定位系统，具有实时定位，根据定位判断所在地理位置的生长环境的基本参数，提高分析图像数据的可靠性。
进一步的，智能数据比对模块为柑橘病理数据库，接收网络传输模块的所述图像信息与柑橘病理数据库进行数据比对，生成疑似结果，柑橘病理数据库中具有提高可靠性比对计算公式：
dst＝img1×α+img2×β+γ。
进一步的，专家在线分析模块为移动后端具有在线专家窗口，在线专家窗口显示智能数据比对模块分析后的图像数据，专家审阅在线实时出具专家意见。
进一步的，分析反馈方案模块为结合专家在线分析模块实时意见匹配所述治理方案。
上述基于大数据挖掘的柑橘病虫害疫情智能推送系统至少包括以下优点：
1，用户可以通过该系统针对拍摄的柑橘图像，并将图像直接上传到云服务器，通过图像卷积及数据库智能比对后初步判断柑橘的疾病类型，还显示疾病的相关信息，例如疾病症状和原因，这有助于专家不在线时也能及时得知问题进行预防和治愈该疾病的手段。
2，为了方便用户监控柑橘，系统提供了设置监控点的功能，用户可以准确定位并设置监控点，以尽早发现疾病并及时处理。
3，为了缩小柑橘种植者和专家之间的距离，该系统设置了专家在线咨询，用户可以通过图片和语言文本的形式向专家发送疑难杂症，以进行专家诊断。
附图说明
附图1为本发明的图像接收过滤模块卷积示意图；
附图2为本发明的智能诊断系统的结构示意图；
附图3为本发明的移动后端Nginx服务器之间的数据传输示意图；
附图4为本发明的柑橘疾病的智能诊断过程示意图。
具体实施方式
为使发明的上述目的、特点和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式进行详细说明。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。但是本发明能够以很多不用于在此描述的其它方式实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施例影响。
同时，在本发明的描述中，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电性连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义
同时，本发明的描述中，除非另有明确的规定和限定，术语“左端”、“右端”、“前端”、“后端”、“下”、“上”、“向下”、“向上”应做广义理解，例如，以附图为基准的左右前后上下向下。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
请参阅图1、图2、图3、图4所示，本发明为一种基于大数据挖掘的柑橘病虫害疫情智能推送系统，该系统包括移动前端及移动后端，移动前端采集柑橘生长图像数据通过无线网络传输图像数据至移动后端进行数据分析，数据分析经过系列分析步骤后形成分析结果并智能推送柑橘生长情况及治理方案，分析结果包括疑似结果、专家意见及治理方案；
其中，移动前端为智能无线联网的手机或摄像头，移动前端负责实时拍摄柑橘生长图像；
移动后端为具有云服务器的PC端或APP端，其包括：图像接收过滤模块、网络传输模块、GPS定位模块、智能数据比对模块、专家在线分析模块、分析反馈方案模块。
优选的，移动前端的所述智能无线联网为5G网络。
优选的，图像接收过滤模块包括利用DenseNet设计了Dense块结构进行对接收图像进行过滤卷积，Dense块结构将每一层连接到其他层，并且每一层都将上一层的特征图作为输入，其中，模型的输入是x0。密集块由L层组成，每层的非线性变换函数为H1(·)，其中L层表示层数，L层的输出表示为xl。l-1层和l层之间的层层关系如公式为：
xl＝Hl(|x0，x1，...，xl-1|)
其中，[x0，x1，…，xl-1]表示密集块将输出特性映射从0连接到l-1分层。因为针对DenseNet的优良性能，本发明利用数据集对DenseNet网络进行训练。
DenseNet模型培训过程的框架，DenseNet-201的主体结构由四个不同的致密块体和连接每个致密块体的过渡层组成。每个致密块体分别由6、12、48和32个瓶颈层组成。每个瓶颈层由BN ReLU Conv(1×1)-BN ReLU Conv(1×1)组成，其中BN为批标准化，ReLU为校正线性单元，Conv(1×1)为1×1的卷积。在最后一个密集块中，我们移除了5个瓶颈层，并添加了批处理规范化、激活函数、全局平均池和softmax层，以形成简化的DenseNet。我们使用原始数据集和数据扩充数据集对简化的DenseNet进行微调，得到我们的模型。
传统的柑橘病害检测通常是基于图像的传统手工特征，如颜色直方图、纹理特征和颜色特征等。现在DenseNet网络可以应用于实际情况，如医学辅助诊断、农业，植物病害的检测也不例外。利用DenseNet网络检测和诊断植物病害。构建了一个新的三通道DenseNet网络用于叶枯病的鉴定。然而，很少有关于DenseNet网络在柑桔病害中的应用，使用DenseNet网络从移动前端获取图像来检测柑橘和其他作物和树木，本发柑橘将深度学习与网络技术相结合，由此建立了柑桔病害远程诊断专家系统。
优选的，网络传输模块为利用Nginx服务器数据传输，Nginx服务器接收及输送图像接收过滤模块卷积后的图像数据，移动前端和Nginx服务器之间的数据传输。首先，客户端通过网络加密传输协议“SSL/TLS协议”与服务器握手，握手成功后生成公钥。然后，客户端发送HTTPS请求，并使用公共密钥加密图像文件信息。云服务器接收加密的图像，并使用其私钥对其解密。最后，在云服务器进行了一系列处理之后，数据被发送到种植户的移动后端上进行显示数据，如在PC端或APP端的用户界面看到最后的系列数据，包括疑似结果、专家意见及治理方案等。
优选的，GPS定位模块为移动后端内置的卫星定位网络定位系统，具有实时定位，根据定位判断所在地理位置的生长环境的基本参数，提高分析图像数据的可靠性。
优选的，智能数据比对模块为柑橘病理数据库，接收网络传输模块的所述图像信息与柑橘病理数据库进行数据比对，生成疑似结果，柑橘病理数据库中具有提高可靠性比对计算公式：
dst＝img1×α+img2×β+γ
其中dst是接收网络传输模块的卷积后的图像，相当于img1和img2的线性组合。img1和img2是两个相同大小的图像。我们可以通过改变α，β，γ来改变图像的对比度和亮度。在我们的实验中，拟定img1是原始图像，img2是与原始图像大小相同的图像，所有像素值为0。在增加图像对比度的实验中，我们选择α＝1.5，β＝3，γ＝0。在提高图像亮度的实验中，我们选择α＝1，β＝2，γ＝40，经过提高亮度后图像成像对比度更加精准。
此过程中我们需在智能数据比对模块中建立柑橘病例数据库才能进行智能比对，为了收取更多更全面的柑橘病例数据，我们通过网络，当地资料，专家等途径收集了相关图像，然后构建了柑橘类疾病数据集，并在专家的帮助下进行了注释。该数据集包含6种常见的柑橘疾病：HLB，炭疽病，溃疡病，黑斑病，砂纸锈病和结Sc病。每个类别都包括带有症状的水果和叶子的对应图像，大多数图像包含周围的环境。
防止训练网络易于过度拟合，导致图像对比甄别容错率高，为了避免这个问题，可以对数据集进行处理以生成新图像并增加数据集的大小，事实证明，数据增强在深度学习图像分类中是有效的。因此，我们使用5种通用方法来扩充训练集和测试集：水平翻转，垂直翻转，水平-垂直翻转，增加亮度和对比度。这样，训练集和测试集的大小增加了五倍。同时为了提高可靠性，增加亮度和对比度，增加了上述公式进行提高智能数据比对模块的对比甄别可靠性，同时输出的疑似结果更为精准，这样可实时进行监测预防，就算专家不在线或者不在身边也能有个保障。
优选的，专家在线分析模块为移动后端具有在线专家窗口，在线专家窗口显示智能数据比对模块分析后的图像数据，专家审阅在线实时出具专家意见，使得更为智能人性化，可让更多的专业专家远程实时对接种植农户，实现交流理解更为直观便捷。
优选的，分析反馈方案模块为结合专家在线分析模块实时意见匹配所述治理方案，省时高效提供治愈方案是关键，基于大数据采集后系统的智能分析结合专家的在线观察，能达到无需奔赴现场高效即时的出具治愈方案，及直观的让种植户清晰的明白接下来需要执行治愈的具体方案。
基于DenseNet的柑橘类疾病智能移动诊断系统。我们使用数据集来训练简化的DenseNet，并将模型上传到云服务器中的诊断系统。移动后端收集柑橘类疾病的图像，然后通过移动后端的设备中的如微信小程序将图像上传到我们的系统。系统通过训练后的模型识别上传的图像，并将诊断结果和治疗建议返回给种植农户。
移动前端生成图像，利用无线互联网输送到云服务器，云服务器中利用移动后端本发明系统进行图像系列操作，包括图像接收过滤模块的Dense块结构过滤卷积、网络传输模块进行传输卷积数据、GPS定位模块定位图像生成所在地同时获取该地对于柑橘的生长环境参数、智能数据比对模块中的柑橘病例数据库接收到卷积后的图像数据进行智能对比及甄别形成疑似病例结果、专家在线分析模块可在系统中的在线窗口实时查看农户上传的图像进行专业分析诊断、分析反馈方案模块能智能结合智能数据比对模块及专家在线分析模块的数据最终生成一个治愈方案给予种植户；
本发明目的是打破种植者与专家之间的障碍，使种植者可以轻松，快速地确定柑橘类疾病的类型以及柑橘类疾病的治疗方法。果农经常与专家沟通时遇到麻烦。此外，柑橘类疾病广泛传播并迅速传播，如不及时有效治疗，将导致经济损失。我们系统设置的检测，监控和专家咨询功能可以有效地帮助农民管理果园。
以上所述仅为本发明的较佳实施方式，本发明并不局限于上述实施方式，在实施过程中可能存在局部微小的结构改动，如果对本发明的各种改动或变型不脱离本发明的精神和范围，且属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变型。
