CN111340070B - 植物病虫害诊断方法和系统 - Google Patents

Abstract

本公开涉及一种植物病虫害诊断方法和系统。植物病虫害诊断方法包括：获取植物图像；在当前诊断模式为被动诊断模式时，根据所述植物图像确定候选物种和与至少部分候选物种对应的候选病虫害信息；针对具有对应的候选病虫害信息的候选物种，根据第一预设条件对所述候选物种的所述候选病虫害信息执行筛除；在执行筛除后，如果存在剩余病虫害信息，则输出至少部分所述剩余病虫害信息。

Description

植物病虫害诊断方法和系统

技术领域

本公开涉及计算机技术领域，具体来说，涉及一种植物病虫害诊断方法和系统。

背景技术

在植物的生长过程中，常常遭遇疾病、虫害等问题的困扰。目前，通常是由专业的管理人员来发现并处理这些问题。然而，如果相关人员没有能够发现这些病虫害，那么很可能对植物的生长造成严重的不良影响。

发明内容

本公开的目的之一是提供一种植物病虫害诊断方法，所述方法包括：

获取植物图像；

在当前诊断模式为被动诊断模式时，根据所述植物图像确定候选物种和与至少部分候选物种对应的候选病虫害信息；

针对具有对应的候选病虫害信息的候选物种，根据第一预设条件对所述候选物种的所述候选病虫害信息执行筛除；

在执行筛除后，如果存在剩余病虫害信息，则输出至少部分所述剩余病虫害信息。

在一些实施例中，根据所述植物图像确定候选物种和与至少部分候选物种对应的候选病虫害信息包括：

判断所述候选物种是否在预设物种集合中；

当所述候选物种在所述预设物种集合中时，根据所述植物图像和所述候选物种确定与所述候选物种对应的候选病虫害信息；

当所述候选物种不在所述预设物种集合中时，不针对所述候选物种确定与所述候选物种对应的候选病虫害信息。

在一些实施例中，根据第一预设条件对所述候选物种的所述候选病虫害信息执行筛除包括：

当存在与同一个所述候选物种对应的至少两条候选病虫害信息时，按照所述候选病虫害信息的诊断置信度由高到低的顺序，根据第一预设条件对所述候选物种的所述候选病虫害信息执行筛除，直至筛选出用于输出的剩余病虫害信息或针对与所述候选物种对应的所有候选病虫害信息执行了筛除。

在一些实施例中，根据第一预设条件对所述候选物种的所述候选病虫害信息执行筛除包括：

比较所述候选病虫害信息的诊断置信度与第一预设置信度；

当所述诊断置信度小于所述第一预设置信度时，筛除所述候选病虫害信息。

在一些实施例中，根据第一预设条件对所述候选物种的所述候选病虫害信息执行筛除包括：

判断所述候选物种是否在预设物种集合中；

当所述候选物种不在所述预设物种集合中时，筛除与所述候选物种对应的候选病虫害信息。

在一些实施例中，根据第一预设条件对所述候选物种的所述候选病虫害信息执行筛除包括：

判断候选物种和与所述候选物种对应的候选病虫害信息是否相排斥；

当候选物种和与所述候选物种对应的候选病虫害信息相排斥时，筛除所述候选病虫害信息。

在一些实施例中，根据第一预设条件对所述候选物种的所述候选病虫害信息执行筛除包括：

比较所述候选病虫害信息的诊断准确度与预设准确度；

当所述诊断准确度小于所述预设准确度时，筛除所述候选病虫害信息。

在一些实施例中，所述方法还包括：

在当前诊断模式为主动诊断模式时，根据所述植物图像确定候选物种和与所述候选物种对应的候选诊断信息，其中，诊断信息包括病虫害信息或未检测到病虫害信息；

根据第二预设条件从候选诊断信息中筛选出至少一条结果诊断信息；

输出所述结果诊断信息。

在一些实施例中，根据第二预设条件从候选诊断信息中筛选出至少一条结果诊断信息包括：

比较候选物种的物种置信度和第二预设置信度，以及比较与所述候选物种对应的候选诊断信息的诊断置信度和第三预设置信度；

在所述物种置信度大于或等于所述第二预设置信度，且所述诊断置信度大于或等于所述第三预设置信度时，将所述候选物种筛选为第一待定物种，以及将所述候选诊断信息筛选为第一待定诊断信息。

在一些实施例中，根据第二预设条件从候选诊断信息中筛选出至少一条结果诊断信息包括：

判断第一待定物种和与所述第一待定物种对应的第一待定诊断信息是否相排斥；

当第一待定物种和与所述第一待定物种对应的第一待定诊断信息相排斥时，筛除所述第一待定诊断信息。

在一些实施例中，所述植物图像至少有两幅，且根据每幅植物图像确定有候选物种和与所述候选物种对应的候选诊断信息；

根据第二预设条件从候选诊断信息中筛选出至少一条结果诊断信息包括：

分别针对每幅植物图像，将与所述植物图像对应的、具有最大诊断置信度的第一待定诊断信息筛选为所述植物图像的第二待定诊断信息；

根据第三预设条件从所有植物图像的第二待定诊断信息中筛选出所述结果诊断信息。

在一些实施例中，所述方法还包括；

在当前诊断模式为主动诊断模式时，根据多幅植物图像分别确定与每幅植物图像对应的候选物种；

分别针对每幅植物图像，将具有最大物种置信度的候选物种筛选为与该植物图像对应的第二待定物种；

在与各植物图像对应的第二待定物种中，将具有最大数目的第二待定物种筛选为结果物种，或者将具有最大数目的且具有最大物种置信度的第二待定物种筛选为结果物种；

确定并输出与所述结果物种对应的结果诊断信息。

在一些实施例中，根据所述植物图像确定候选物种包括：

利用预先训练好的物种识别模型，根据所述植物图像确定候选物种；

其中，所述物种识别模型为神经网络模型。

在一些实施例中，训练物种识别模型包括：

获取具有第一预设数量的标注有物种的植物图像的第一样本集；

从第一样本集中确定第一比例的植物图像作为第一训练集；

利用第一训练集训练物种识别模型；

在第一训练准确率大于或者等于第一预设准确率时训练结束，得到训练后的物种识别模型。

在一些实施例中，还包括：

从第一样本集中确定第二比例的植物图像作为第一测试集；

利用第一测试集确定训练后的物种识别模型的第一模型准确率；

在第一模型准确率小于第二预设准确率时，调整第一训练集和/或物种识别模型进行重新训练。

在一些实施例中，根据所述植物图像确定候选病虫害信息包括：

利用预先训练好的病虫害诊断模型，根据所述植物图像确定候选诊断信息；

根据所述候选诊断信息获取候选病虫害信息；

其中，所述病虫害诊断模型为神经网络模型。

在一些实施例中，训练病虫害诊断模型包括：

获取第二预设数量的标注有诊断信息的植物图像的第二样本集；

从第二样本集中确定第三比例的植物图像作为第二训练集；

利用第二训练集训练病虫害诊断模型；

在第二训练准确率大于或者等于第三预设准确率时训练结束，得到训练后的病虫害诊断模型。

在一些实施例中，还包括：

从第二样本集中确定第四比例的植物图像作为第二测试集；

利用第二测试集确定训练后的病虫害诊断模型的第二模型准确率；

在第二模型准确率小于第四预设准确率时，调整第二训练集和/或病虫害诊断模型进行重新训练。

根据本公开的另一方面，提出了一种植物病虫害诊断系统，所述系统包括处理器和存储器，所述存储器上存储有指令，当所述指令被所述处理器执行时，实现植物病虫害诊断方法的步骤，所述方法包括：获取植物图像；在当前诊断模式为被动诊断模式时，根据所述植物图像确定候选物种和与至少部分候选物种对应的候选病虫害信息；针对具有对应的候选病虫害信息的候选物种，根据第一预设条件对所述候选物种的所述候选病虫害信息执行筛除；在执行筛除后，如果存在剩余病虫害信息，则输出至少部分所述剩余病虫害信息。

根据本公开的又一方面，提出了一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令被执行时，实现植物病虫害诊断方法的步骤，所述方法包括：获取植物图像；在当前诊断模式为被动诊断模式时，根据所述植物图像确定候选物种和与至少部分候选物种对应的候选病虫害信息；针对具有对应的候选病虫害信息的候选物种，根据第一预设条件对所述候选物种的所述候选病虫害信息执行筛除；在执行筛除后，如果存在剩余病虫害信息，则输出至少部分所述剩余病虫害信息。

通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得更为清楚。

附图说明

构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。

参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：

图1示出了根据本公开一示例性实施例的植物病虫害诊断方法的流程图；

图2示出了根据本公开的示例性实施例的训练物种识别模型的流程图；

图3示出了根据本公开的示例性实施例的测试物种识别模型的流程图；

图4示出了根据本公开的示例性实施例的训练病虫害诊断模型的流程图；

图5示出了根据本公开的示例性实施例的测试病虫害诊断模型的流程图；

图6示出了根据本公开另一示例性实施例的植物病虫害诊断方法的流程图；

图7示出了根据本公开又一示例性实施例的植物病虫害诊断方法的流程图；

图8示出了根据本公开的示例性实施例的植物病虫害诊断系统的框图。

注意，在以下说明的实施方式中，有时在不同的附图之间共同使用同一附图标记来表示相同部分或具有相同功能的部分，而省略其重复说明。在一些情况中，使用相似的标号和字母表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

为了便于理解，在附图等中所示的各结构的位置、尺寸及范围等有时不表示实际的位置、尺寸及范围等。因此，本公开并不限于附图等所公开的位置、尺寸及范围等。

具体实施方式

下面将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。也就是说，本文中的结构及方法是以示例性的方式示出，来说明本公开中的结构和方法的不同实施例。然而，本领域技术人员将会理解，它们仅仅说明可以用来实施的本公开的示例性方式，而不是穷尽的方式。此外，附图不必按比例绘制，一些特征可能被放大以示出具体组件的细节。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。

在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。

图1示出了根据本公开一示例性实施例的植物病虫害诊断方法的流程图，该方法可以在例如手机、平板电脑等智能终端上安装的应用程序(app)中实现。如图1所示，该方法可以包括：

步骤S100，获取植物图像。

在一些示例中，可以直接获取由用户上传的植物图像。在另一些示例中，可以在接收到用户指令后，生成并输出相应的提示信息，以提示用户上传植物图像。进一步的，在提示信息中，还可以包括对植物图像的具体要求，例如提示用户上传整株植物的图像，植物的茎、叶等部位的局部图像，或者有明显病变的部位的局部图像等。在这种情况下，还可以对多幅植物图像进行标记等预处理，例如分别标记出整株植物图像、局部植物图像(包括标记出该植物图像所反映的植物的部位)等，以便更好地识别物种或诊断病虫害。

步骤S210，在当前诊断模式为被动诊断模式时，根据植物图像确定候选物种和与至少部分候选物种对应的候选病虫害信息。

在确定候选物种和与候选物种对应的候选病虫害信息时，可以根据每幅植物图像来确定与这幅植物图像对应的候选物种和候选病虫害信息；也可以根据多幅相关联的植物图像来确定与这些植物图像对应的候选物种和候选病虫害信息。

对于一幅植物图像而言，有可能存在多个候选物种，而对每一个候选物种而言，可能存在多种可能的病虫害。在一些实施例中，可以针对每个候选物种都确定对应的候选病虫害信息。在另一些实施例中，也可以只针对部分候选物种来确定对应的候选病虫害信息，以简化处理。

例如，在一些示例中，可以只针对部分物种置信度较高的候选物种进一步进行病虫害的诊断，以生成与这些候选物种对应的候选病虫害信息，等待进一步的筛选。其中，物种置信度是指该植物图像对应的物种是该候选物种的概率。

或者，在另一些示例中，根据植物图像确定候选物种和与至少部分候选物种对应的候选病虫害信息可以包括：

步骤S110，判断候选物种是否在预设物种集合中；

步骤S120，当候选物种在预设物种集合中时，根据植物图像和候选物种确定与候选物种对应的候选病虫害信息；

步骤S130，当候选物种不在预设物种集合中时，不针对候选物种确定与候选物种对应的候选病虫害信息。

其中，被包括在预设物种集合中的物种一般为常见物种或重要物种，并且对这些物种的病虫害的诊断一般具有较高的准确性和可靠性。也就是说，可以只针对这些物种来确定病虫害信息，从而降低处理难度，并且可以避免输出不准确、不可靠或不重要的病虫害信息给用户。

可以利用预先训练好的物种识别模型，来根据植物图像确定候选物种。其中，物种识别模型可以是神经网络模型，具体可以是卷积神经网络模型或残差网络模型。

卷积神经网络模型为深度前馈神经网络，其利用卷积核扫描植物图像，提取出植物图像中待识别的特征，进而对植物待识别的特征进行识别。另外，在对植物图像进行识别的过程中，可以直接将原始的植物图像输入卷积神经网络模型，而无需对植物图像进行预处理。卷积神经网络模型相比于其他的识别模型，具备更高的识别准确率以及识别效率。

残差网络模型相比于卷积神经网络模型多了恒等映射层，可以避免随着网络深度(网络中叠层的数量)的增加而导致的准确率饱和、甚至下降的现象。残差网络模型中恒等映射层的恒等映射函数需要满足：恒等映射函数与残差网络模型的输入之和等于残差网络模型的输出。引入恒等映射以后，残差网络模型对输出的变化更加明显，因此可以大大提高植物物种的识别准确率和识别效率。

如图2所示，训练物种识别模型可以包括：

步骤S611，获取具有第一预设数量的标注有物种的植物图像的第一样本集；

步骤S612，从第一样本集中确定第一比例的植物图像作为第一训练集；

步骤S613，利用第一训练集训练物种识别模型；

步骤S614，在第一训练准确率大于或者等于第一预设准确率时训练结束，得到训练后的物种识别模型。

具体地，在第一样本集中，可以包括大量的植物图像，并且每幅植物图像都对应标注有物种。将植物图像输入物种识别模型以产生输出的物种，然后根据输出的物种和标注的物种之间的比较结果，可以对物种识别模型中的相关参数进行调节，即对物种识别模型进行训练，直至物种识别模型的第一训练准确率大于或者等于第一预设准确率时训练结束，从而得到训练后的物种识别模型。根据一幅植物图像，物种识别模型也可以输出多个候选物种，其中每个候选物种可以具有其相应的物种置信度，以待进一步的分析筛选。

进一步的，还可以对训练得到的物种识别模型进行测试，如图3所示，具体可以包括：

步骤S621，从第一样本集中确定第二比例的植物图像作为第一测试集；

步骤S622，利用第一测试集确定训练后的物种识别模型的第一模型准确率；

步骤S623，在第一模型准确率小于第二预设准确率时，调整第一训练集和/或物种识别模型进行重新训练。

一般情况下，第一测试集和第一训练集中的植物图像并不完全相同，因而可以用第一测试集来测试物种识别模型是否对第一训练集之外的植物图像也有很好的识别效果。在测试过程中，通过比较根据第一测试集中的植物图像所产生的输出的物种和标注的物种，来计算物种识别模型的第一模型准确率。在一些示例中，第一模型准确率的计算方法可以与第一训练准确率的计算方法相同。当测试得到的第一模型准确率小于第二预设准确率时，表明物种识别模型的识别效果还不够好，因而可以调整第一训练集，具体例如可以增加第一训练集中的标注有物种的植物图像的数量，或者调整物种识别模型本身，或者对上述两者均进行调整，然后重新训练物种识别模型来改善其识别效果。在一些实施例中，第二预设准确率可以被设置为等于第一预设准确率。

同理，可以利用预先训练好的病虫害诊断模型，来根据植物图像确定候选诊断信息。需要注意的是，诊断信息可以包括病虫害信息或未检测到病虫害信息。因此，可以进一步根据候选诊断信息来获取候选病虫害信息。病虫害诊断模型可以是神经网络模型，具体可以是卷积神经网络模型或残差网络模型。

如图4所示，训练病虫害诊断模型可以包括：

步骤S631，获取第二预设数量的标注有诊断信息的植物图像的第二样本集；

步骤S632，从第二样本集中确定第三比例的植物图像作为第二训练集；

步骤S633，利用第二训练集训练病虫害诊断模型；

步骤S634，在第二训练准确率大于或者等于第三预设准确率时训练结束，得到训练后的病虫害诊断模型。

具体地，在第二样本集中，可以包括大量的植物图像，并且每幅植物图像都对应标注有诊断信息，该诊断信息例如可以是这幅植物图像中的植物所遭受的病虫害信息，或者是与健康的植物对应的未检测到病虫害信息。该第二样本集中的植物图像可以与第一样本集中的植物图像有至少部分相同。将植物图像输入病虫害诊断模型以产生输出的诊断信息，然后根据输出的诊断信息和标注的诊断信息之间的比较结果，可以对病虫害诊断模型中的相关参数进行调节，即对病虫害诊断模型进行训练，直至病虫害诊断模型的第二训练准确率大于或者等于第三预设准确率时训练结束，从而得到训练后的病虫害诊断模型。根据一幅植物图像，病虫害诊断模型可以输出多个候选诊断信息，其中每个候选诊断信息可以具有其相应的诊断置信度，以待进一步的分析筛选。其中，诊断置信度是指与植物图像对应的诊断信息为该候选诊断信息的概率。

进一步的，还可以对病虫害诊断模型进行测试，如图5所示，具体可以包括：

步骤S641，从第二样本集中确定第四比例的植物图像作为第二测试集；

步骤S642，利用第二测试集确定训练后的病虫害诊断模型的第二模型准确率；

步骤S643，在第二模型准确率小于第四预设准确率时，调整第二训练集和/或病虫害诊断模型进行重新训练。

一般情况下，第二测试集和第二训练集中的植物图像并不完全相同，因而可以用第二测试集来测试病虫害诊断模型是否对第二训练集之外的植物图像也有很好的诊断效果。在测试过程中，通过比较根据第二测试集中的植物图像所产生的输出的诊断信息和标注的诊断信息，来计算病虫害诊断模型的第二模型准确率。在一些示例中，第二模型准确率的计算方法可以与第二训练准确率的计算方法相同。当测试得到的第二模型准确率小于第四预设准确率时，表明病虫害诊断模型的诊断效果还不够好，因而可以调整第二训练集，具体例如可以增加第二训练集中的标注有诊断信息的植物图像的数量，或者调整病虫害诊断模型本身，或者对上述两者均进行调整，然后重新训练病虫害诊断模型来改善其诊断效果。在一些实施例中，第四预设准确率可以被设置为等于第三预设准确率。

当然，在一些实施例中，对物种的识别和对病虫害的诊断也可以由同一个预先训练好的模型来实现，即该模型可以将上述物种识别模型和病虫害诊断模型的功能整合在一起。

返回图1，植物病虫害诊断方法还可以包括：

步骤S310，针对具有对应的候选病虫害信息的候选物种，根据第一预设条件对候选物种的候选病虫害信息执行筛除。

一般而言，在被动诊断模式下，用户的主要目的并非诊断病虫害本身，而是例如为了识别植物物种等。在这种情况下，可以只输出准确性和可靠性较高的病虫害信息，从而在帮助用户及时发现植物病虫害的同时，避免因输出的病虫害信息不够准确而给用户带来额外的困扰。具体地，可以根据第一预设条件来筛除候选病虫害信息中的准确性和可靠性较低的病虫害信息。

具体地，在根据植物图像确定候选物种时，可能确定有一个或多个候选物种。此时，可以针对每个候选物种确定一个或多个候选病虫害信息，也可以如上文所述的，只针对部分候选物种来确定候选病虫害信息。进一步的，对于有对应的候选病虫害信息的各个候选物种，可以根据第一预设条件来筛除对应于该候选物种的候选病虫害信息。

例如，在一具体示例中，根据某一幅或某一些植物图像，确定的候选物种有物种1、物种2和物种3。那么，可以以一个物种对应一张卡片的形式，将物种1、物种2和物种3输出给用户。用户可以在交互界面上通过滑动卡片等方式来切换显示各个物种及对应于该物种的相关信息。物种1、物种2和物种3是按照物种置信度由高至低的顺序排列的。例如，物种1的物种置信度为0.8，物种2的物种置信度为0.75，物种3的物种置信度为0.7。在被动诊断模式下，针对每个物种来根据第一预设条件确定可以输出的病虫害信息。而在对某一个物种来筛除候选病虫害信息时，可以按照该物种的候选病虫害信息的诊断置信度由高到低的顺序，根据第一预设条件逐条确定是否筛除某一候选病虫害信息。例如，与物种2对应的候选诊断信息有3条，而与物种3对应的候选诊断信息有2条。如果诊断信息2-1的诊断置信度为95％、诊断信息2-2的诊断置信度为90％、以及诊断信息2-3的诊断置信度为82％，那么，在针对物种2进行筛除的过程中，可以按照诊断置信度由高到低的顺序，按照诊断信息2-1、诊断信息2-2和诊断信息2-3的顺序进行筛除。如果在对诊断信息2-1进行筛除后，没有找到可以用于输出的剩余诊断信息，则继续对诊断信息2-2进行筛除。如果在对诊断信息2-1进行筛除后，已经找到了可以用于输出的剩余诊断信息，那么，可以不再继续对诊断信息2-2进行筛除，以简化整个处理过程。当然，在一些情况下，也可能在执行对所有候选病虫害信息的筛除后，仍然没有找到可以用于输出的剩余病虫害信息，则停止筛除，也不输出任何病虫害信息。

在筛除过程中，所涉及的第一预设条件可能与多种因素有关，这些因素例如本次诊断的诊断置信度、候选物种的种类、对某一类病虫害的诊断准确度以及候选物种和候选病虫害信息之间的匹配程度等当中的一个或多个。

在一实施例中，根据第一预设条件对候选物种的候选病虫害信息执行筛除可以包括：

步骤S311，判断候选物种是否在预设物种集合中；

步骤S312，当候选物种不在预设物种集合中时，筛除与候选物种对应的候选病虫害信息。

具体地，可以在确定候选物种和候选病虫害信息之后，首先根据该实施例的判断条件来执行筛除，以减少根据后文所述的其它实施例来执行筛除时所要处理的数据的量。其中，被包括在预设物种集合中的物种一般为常见物种或重要物种，并且对这些物种的病虫害的诊断一般具有较高的准确性和可靠性。也就是说，在本实施例中，只有与这些物种对应的病虫害信息才有可能不被筛除而被输出，从而尽可能避免输出不准确、不可靠或不重要的病虫害信息给用户，以避免引起用户额外的困扰。

在一实施例中，根据第一预设条件对候选物种的候选病虫害信息执行筛除可以包括：

步骤S313，比较候选病虫害信息的诊断置信度与第一预设置信度；

步骤S314，当诊断置信度小于第一预设置信度时，筛除候选病虫害信息。

其中，诊断置信度可以反映在单次诊断过程中，所获得的病虫害信息的可靠性。在一具体示例中，第一预设置信度可以设为70％。也就是说，当候选病虫害信息的诊断置信度小于70％时，该候选病虫害信息将被筛除而不会被输出，以避免输出的诊断信息与实际情况不符而给用户带来困扰。

在一实施例中，根据第一预设条件对候选物种的候选病虫害信息执行筛除可以包括：

步骤S315，比较候选病虫害信息的诊断准确度与预设准确度；

步骤S316，当诊断准确度小于预设准确度时，筛除候选病虫害信息。

其中，诊断准确度反映了整体上识别某一特定类型的病虫害的准确性。例如，诊断准确度可以根据在一定的诊断总次数中，正确诊断的次数与总次数的比值而得到。对于一些诊断难度较大的病虫害而言，其诊断准确度往往较低，那么通过筛除与这些病虫害相关的候选病虫害信息，可以尽可能避免输出不准确的病虫害信息。

在一实施例中，根据第一预设条件对候选物种的候选病虫害信息执行筛除可以包括：

步骤S317，判断候选物种和与该候选物种对应的候选病虫害信息是否相排斥；

步骤S318，当候选物种和与该候选物种对应的候选病虫害信息相排斥时，筛除候选病虫害信息。

对于某一特定物种而言，它可能根本不会或只有很小的概率遭遇某些特定类型的病虫害。因此，可以根据这样的物种与病虫害之间的相互排斥的关系，对候选病虫害信息进行筛除，以提高输出的准确性和可靠性。

需要注意的是，上述关于如何筛除满足第一预设条件的候选病虫害信息的具体方法可以相互结合。例如，在一具体示例中，只要候选病虫害信息满足诊断置信度小于第一预设置信度、候选物种不在预设物种集合中、诊断准确度小于预设准确度以及候选物种和与候选物种对应的候选病虫害信息相排斥中的任何一个条件，该候选病虫害信息就会被排除。

如图1所示，植物病虫害诊断方法还可以包括：

步骤S410，在执行筛除后，如果存在剩余病虫害信息，则输出至少部分剩余病虫害信息。

在筛除满足第一预设条件的候选病虫害信息后，可能存在以下几种情况：

(1)在筛除后，仅存在一条剩余病虫害信息，那么，可以直接输出该剩余病虫害信息，以供用户及时地发现植物的病虫害。

(2)在筛除后，存在至少两条剩余病虫害信息。那么，可以输出所有的剩余病虫害信息；或者，按照剩余病虫害信息中的诊断置信度由高到低的顺序，或者按照其它的顺序，输出其中的一条或几条病虫害信息，以供用户及时地发现植物的病虫害。在一些情况下，还可以同时输出与所输出的剩余病虫害信息对应的诊断置信度等参数。在另一些情况下，也可以同时输出关于如何处理该特定病虫害的信息等，包括该病虫害的治疗方法、以及相关专家的联系方式链接等，以帮助用户进行进一步的判断和处理。

(3)在筛除后，没有筛选出任何剩余病虫害信息。那么，考虑到当前识别模式为被动识别模式，可以不输出任何病虫害信息，以免给用户带来额外的困扰。

在本公开的另一示例性实施例中，如图6所示，植物病虫害诊断方法还可以包括：

步骤S210，在当前诊断模式为主动诊断模式时，根据植物图像确定候选物种和与候选物种对应的候选诊断信息。

一般而言，在主动诊断模式下，用户可能已经发现了植物的问题，而希望进行确诊。因此，在主动模式下，可以根据植物图像确定候选物种和与各个候选物种对应的候选诊断信息，以尽可能全面地获取植物的健康状态，供用户进行进一步的分析和处理。其中，诊断信息可以包括病虫害信息或未检测到病虫害信息。

其中，候选物种可以通过上文所述的物种识别模型来确定，而候选诊断信息可以通过上文所述的病虫害诊断模型来确定，在此不再赘述。

返回图6，植物病虫害诊断方法还可以包括：

步骤S320，根据第二预设条件从候选诊断信息中筛选出至少一条结果诊断信息。

相比于被动诊断模式，在主动诊断模式下，可以输出更多的诊断信息以供用户参考，还可以适当降低对所输出的诊断信息的准确性和可靠性的要求。

在主动诊断模式下，所涉及的候选物种和对应的候选诊断信息的数据量可能较大，为了简化处理，根据第二预设条件从候选诊断信息中筛选出至少一条结果诊断信息可以包括：

步骤S321a，比较候选物种的物种置信度和第二预设置信度，以及比较与候选物种对应的候选诊断信息的诊断置信度和第三预设置信度；

步骤S321b，在物种置信度大于或等于第二预设置信度，且诊断置信度大于或等于第三预设置信度时，将候选物种筛选为第一待定物种，以及将候选诊断信息筛选为第一待定诊断信息。

也就是说，在根据第二预设条件进行筛选时，可以仅保留物种置信度大于或等于第二预设置信度，且诊断置信度大于或等于第三预设置信度的候选物种和对应的候选诊断信息，以减小待处理的数据量，以及提高输出的结果诊断信息的准确性和可靠性。

进一步的，根据第二预设条件从候选诊断信息中筛选出至少一条结果诊断信息还可以包括：

步骤S322a，判断第一待定物种和与第一待定物种对应的第一待定诊断信息是否相排斥；

步骤S322b，当第一待定物种和与第一待定物种对应的第一待定诊断信息相排斥时，筛除第一待定诊断信息。

如上文所述，对于某一特定物种而言，可能根本不会或只有很小的概率遭遇某些特定种类的病虫害。因此，可以根据这样的物种与病虫害之间的相排斥的关系，进一步对第一待定诊断信息进行筛除，一方面可以减少待处理的数据量、提高处理效率，另一方面也有助于进一步提高输出的准确性和可靠性。

在一些情况下，植物图像可能至少有两幅，且根据每幅植物图像都确定有候选物种和与候选物种对应的候选诊断信息。那么，根据第二预设条件从候选诊断信息中筛选出至少一条结果诊断信息可以包括：

步骤S323a，分别针对每幅植物图像，将与植物图像对应的、具有最大诊断置信度的第一待定诊断信息筛选为植物图像的第二待定诊断信息；

步骤S323b，根据第三预设条件从所有植物图像的第二待定诊断信息中筛选出结果诊断信息。

也就是说，对于每幅植物图像，筛选出与该植物图像对应的具有最大诊断置信度的第二待定诊断信息。需要注意的是，候选诊断信息中的部分诊断信息可能已经根据前面描述的主动识别模式下的实施例中的某一或某些方法被筛除，因而该第二待定诊断信息的诊断置信度并不一定是与该植物图像对应的所有候选诊断信息中，具有最大诊断置信度的诊断信息。然后，将与每幅植物图像对应的第二待定诊断信息汇总，并从中筛选出结果诊断信息。结果诊断信息一般是具有最大的准确性和可靠性的诊断信息，具体而言，可以参考上文所描述的根据第一预设条件筛除某些诊断信息的方法来筛选出结果诊断信息。或者，也可以根据其它的预设条件来筛选出结果诊断信息。

进一步的，植物病虫害诊断方法还可以包括：

步骤S420，输出结果诊断信息。

其中，结果诊断信息可以是病虫害信息，以帮助用户对病虫害进行确诊，并进一步采取相应的措施。或者，结果诊断信息也可能是未检测到病虫害信息，即表明植物当前处于比较健康的状态。在一些情况下，还可以同时输出与所输出的结果诊断信息对应的诊断置信度等参数。在另一些情况下，也可以同时输出关于如何处理对应于结果诊断信息的某特定病虫害的信息等，包括该病虫害的治疗方法、以及相关专家的联系方式链接等，以帮助用户进行进一步的判断和处理。

根据本公开的又一示例性实施例，在确定结果诊断信息时，也可以根据植物图像先唯一确定出结果物种，然后根据该结果物种来确定结果诊断信息。具体而言，如图7所示，植物病虫害诊断方法还可以包括：

步骤S230，在当前诊断模式为主动诊断模式时，根据多幅植物图像分别确定与每幅植物图像对应的候选物种；

步骤S330，分别针对每幅植物图像，将具有最大物种置信度的候选物种筛选为与该植物图像对应的第二待定物种；

步骤S430，在与各植物图像对应的第二待定物种中，将具有最大数目的第二待定物种筛选为结果物种，或者将具有最大数目的且具有最大物种置信度的第二待定物种筛选为结果物种。

例如，在一种情况下，如果对于植物图像A、植物图像B和植物图像C，按照物种置信度由高到低的顺序，所确定的与植物图像A对应的候选物种包括物种M、物种N和物种P，与植物图像B对应的候选物种包括物种N和物种P，与植物图像C对应的候选物种包括物种N和物种Q。那么，所筛选出的第二待定物种包括与植物图像A对应的物种M、与植物图像B对应的物种N和与植物图像C对应的物种N。可见，在与各植物图像对应的第二待定物种中，物种M的数目为1，而物种N的数目为2。在这种情况下，物种N被筛选为结果物种。

在另一种情况下，如果对于植物图像A、植物图像B和植物图像C，按照物种置信度由高到低的顺序，所确定的与植物图像A对应的候选物种包括物种M、物种N和物种P，与植物图像B对应的候选物种包括物种N和物种P，与植物图像C对应的候选物种包括物种P和物种N。那么，所筛选出的第二待定物种包括与植物图像A对应的物种M、与植物图像B对应的物种N和与植物图像C对应的物种P。可见，在与各植物图像对应的第二待定物种中，物种M、物种N和物种P的数目都是1。在这种情况下，将物种M、物种N和物种P中具有最大物种置信度的物种筛选为结果物种。例如，如果物种M的物种置信度大于物种N的物种置信度，且物种N的物种置信度大于物种P的物种置信度，那么物种M将被筛选为结果物种。

返回图7，植物病虫害诊断方法还可以包括：

步骤S530，确定并输出与结果物种对应的结果诊断信息。

也就是说，在确定了结果物种的前提下，进一步确定并输出与结果物种对应的结果诊断信息。

具体而言，在确定结果物种之后，可以基于该结果物种，利用病虫害诊断模型来针对植物图像生成候选诊断信息，然后根据上文所述的第一预设条件、第二预设条件或第三预设条件等来对候选诊断信息进行筛选，从而得到用于输出的结果诊断信息。

其中，结果诊断信息可以是病虫害信息，以帮助用户对病虫害进行确诊，并进一步采取相应的措施。或者，结果诊断信息也可能是未检测到病虫害信息，即表明植物当前处于比较健康的状态。在一些情况下，还可以同时输出与所输出的结果诊断信息对应的诊断置信度等参数。在另一些情况下，也可以同时输出关于如何处理对应于结果诊断信息的某特定病虫害的信息等，包括该病虫害的治疗方法、以及相关专家的联系方式链接等，以帮助用户进行进一步的判断和处理。

根据本公开的另一个方面，还提出了一种植物病虫害诊断系统。如图8所示，植物病虫害系统100可以包括处理器110和存储器120，存储器120上存储有指令，当指令被处理器110执行时，可以实现如上文所描述的植物病虫害诊断方法中的步骤。

其中，处理器110可以根据存储在存储器120中的指令执行各种动作和处理。具体地，处理器110可以是一种集成电路芯片，具有信号的处理能力。上述处理器可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本公开实施例中公开的各种方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，可以是X86架构或者是ARM架构等。

存储器120存储有可执行指令，该指令在被处理器110执行上文所述的植物病虫害诊断方法。存储器120可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器(ROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)或闪存。易失性存储器可以是随机存取存储器(RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(SDRAM)、双倍数据速率同步动态随机存取存储器(DDRSDRAM)、增强型同步动态随机存取存储器(ESDRAM)、同步连接动态随机存取存储器(SLDRAM)和直接内存总线随机存取存储器(DR RAM)。应注意，本文描述的方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。

根据本公开的另一个方面，提出了一种计算机可读存储介质，计算机可读存储介质上存储有指令，当指令被执行时，可以实现上文所描述的植物病虫害诊断方法中的步骤。

类似地，本公开实施例中的计算机可读存储介质可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。应注意，本文描述的计算机可读存储介质旨在包括但不限于这些和任意其它适合类型的存储器。

需要说明的是，附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

一般而言，本公开的各种示例实施例可以在硬件或专用电路、软件、固件、逻辑，或其任何组合中实施。某些方面可以在硬件中实施，而其他方面可以在可以由控制器、微处理器或其他计算设备执行的固件或软件中实施。当本公开的实施例的各方面被图示或描述为框图、流程图或使用某些其他图形表示时，将理解此处描述的方框、装置、系统、技术或方法可以作为非限制性的示例在硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备，或其某些组合中实施。

在说明书及权利要求中的词语“前”、“后”、“顶”、“底”、“之上”、“之下”等，如果存在的话，用于描述性的目的而并不一定用于描述不变的相对位置。应当理解，这样使用的词语在适当的情况下是可互换的，使得在此所描述的本公开的实施例，例如，能够在与在此所示出的或另外描述的那些取向不同的其他取向上操作。

如在此所使用的，词语“示例性的”意指“用作示例、实例或说明”，而不是作为将被精确复制的“模型”。在此示例性描述的任意实现方式并不一定要被解释为比其它实现方式优选的或有利的。而且，本公开不受在上述技术领域、背景技术、发明内容或具体实施方式中所给出的任何所表述的或所暗示的理论所限定。

如在此所使用的，词语“基本上”意指包含由设计或制造的缺陷、器件或元件的容差、环境影响和/或其它因素所致的任意微小的变化。词语“基本上”还允许由寄生效应、噪声以及可能存在于实际的实现方式中的其它实际考虑因素所致的与完美的或理想的情形之间的差异。

另外，前面的描述可能提及了被“连接”或“耦接”在一起的元件或节点或特征。如在此所使用的，除非另外明确说明，“连接”意指一个元件/节点/特征与另一种元件/节点/特征在电学上、机械上、逻辑上或以其它方式直接地连接(或者直接通信)。类似地，除非另外明确说明，“耦接”意指一个元件/节点/特征可以与另一元件/节点/特征以直接的或间接的方式在机械上、电学上、逻辑上或以其它方式连结以允许相互作用，即使这两个特征可能并没有直接连接也是如此。也就是说，“耦接”意图包含元件或其它特征的直接连结和间接连结，包括利用一个或多个中间元件的连接。

另外，仅仅为了参考的目的，还可以在本文中使用“第一”、“第二”等类似术语，并且因而并非意图限定。例如，除非上下文明确指出，否则涉及结构或元件的词语“第一”、“第二”和其它此类数字词语并没有暗示顺序或次序。

还应理解，“包括/包含”一词在本文中使用时，说明存在所指出的特征、整体、步骤、操作、单元和/或组件，但是并不排除存在或增加一个或多个其它特征、整体、步骤、操作、单元和/或组件以及/或者它们的组合。

在本公开中，术语“提供”从广义上用于涵盖获得对象的所有方式，因此“提供某对象”包括但不限于“购买”、“制备/制造”、“布置/设置”、“安装/装配”、和/或“订购”对象等。

虽然已经通过示例对本公开的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本公开的范围。在此公开的各实施例可以任意组合，而不脱离本公开的精神和范围。本领域的技术人员还应理解，可以对实施例进行多种修改而不脱离本公开的范围和精神。本公开的范围由所附权利要求来限定。

Claims (17)

1.一种植物病虫害诊断方法，其特征在于，所述方法包括：

获取植物图像；

在当前诊断模式为被动诊断模式时，根据所述植物图像确定候选物种，判断所述候选物种是否在预设物种集合中，其中，对所述预设物种集合中的物种的病虫害信息的诊断准确度高于预设准确度阈值，在所述候选物种在所述预设物种集合中的情况下，根据所述植物图像确定与所述候选物种对应的候选病虫害信息，在所述候选物种不在所述预设物种集合中的情况下，不针对候选物种确定与候选物种对应的候选病虫害信息，针对具有对应的候选病虫害信息的候选物种，根据第一预设条件对所述候选物种的所述候选病虫害信息执行筛除,和在执行筛除后，如果存在剩余病虫害信息，则输出至少部分所述剩余病虫害信息，否则不输出任何病虫害信息；以及

在当前诊断模式为主动诊断模式时，执行以下操作中的一者：

根据所述植物图像确定候选物种和与各个候选物种对应的候选诊断信息，根据不同于所述第一预设条件的第二预设条件从候选诊断信息中筛选出至少一条结果诊断信息，和输出所述结果诊断信息，其中，诊断信息包括病虫害信息或未检测到病虫害信息；或

根据多幅植物图像确定结果物种，和确定并输出与所述结果物种对应的结果诊断信息；

其中，对于所述植物图像，在被动诊断模式下输出的病虫害信息的数目小于或等于在主动诊断模式下输出的结果诊断信息的数目。

2.根据权利要求1所述的方法，其特征在于，根据第一预设条件对所述候选物种的所述候选病虫害信息执行筛除包括：

当存在与同一个所述候选物种对应的至少两条候选病虫害信息时，按照所述候选病虫害信息的诊断置信度由高到低的顺序，根据第一预设条件对所述候选物种的所述候选病虫害信息执行筛除，直至筛选出用于输出的剩余病虫害信息或针对与所述候选物种对应的所有候选病虫害信息执行了筛除。

3.根据权利要求1所述的方法，其特征在于，根据第一预设条件对所述候选物种的所述候选病虫害信息执行筛除包括：

比较所述候选病虫害信息的诊断置信度与第一预设置信度；

当所述诊断置信度小于所述第一预设置信度时，筛除所述候选病虫害信息。

4.根据权利要求1所述的方法，其特征在于，根据第一预设条件对所述候选物种的所述候选病虫害信息执行筛除包括：

比较所述候选病虫害信息的诊断准确度与预设准确度；

当所述诊断准确度小于所述预设准确度时，筛除所述候选病虫害信息。

5.根据权利要求1所述的方法，其特征在于，根据第一预设条件对所述候选物种的所述候选病虫害信息执行筛除包括：

判断候选物种和与所述候选物种对应的候选病虫害信息是否相排斥；

当候选物种和与所述候选物种对应的候选病虫害信息相排斥时，筛除所述候选病虫害信息。

6.根据权利要求1所述的方法，其特征在于，根据不同于所述第一预设条件的第二预设条件从候选诊断信息中筛选出至少一条结果诊断信息包括：

比较候选物种的物种置信度和第二预设置信度，以及比较与所述候选物种对应的候选诊断信息的诊断置信度和第三预设置信度；

在所述物种置信度大于或等于所述第二预设置信度，且所述诊断置信度大于或等于所述第三预设置信度时，将所述候选物种筛选为第一待定物种，以及将所述候选诊断信息筛选为第一待定诊断信息。

7.根据权利要求6所述的方法，其特征在于，根据不同于所述第一预设条件的第二预设条件从候选诊断信息中筛选出至少一条结果诊断信息包括：

判断第一待定物种和与所述第一待定物种对应的第一待定诊断信息是否相排斥；

当第一待定物种和与所述第一待定物种对应的第一待定诊断信息相排斥时，筛除所述第一待定诊断信息。

8.根据权利要求7所述的方法，其特征在于，所述植物图像至少有两幅，且根据每幅植物图像确定有候选物种和与所述候选物种对应的候选诊断信息；

根据不同于所述第一预设条件的第二预设条件从候选诊断信息中筛选出至少一条结果诊断信息包括：

分别针对每幅植物图像，将与所述植物图像对应的、具有最大诊断置信度的第一待定诊断信息筛选为所述植物图像的第二待定诊断信息；

根据第三预设条件从所有植物图像的第二待定诊断信息中筛选出所述结果诊断信息。

9.根据权利要求1所述的方法，其特征在于，根据多幅植物图像确定结果物种包括；

根据多幅植物图像分别确定与每幅植物图像对应的候选物种；

分别针对每幅植物图像，将具有最大物种置信度的候选物种筛选为与该植物图像对应的第二待定物种；

在与各植物图像对应的第二待定物种中，将具有最大数目的第二待定物种筛选为结果物种，或者将具有最大数目的且具有最大物种置信度的第二待定物种筛选为结果物种。

10.根据权利要求1所述的方法，其特征在于，根据所述植物图像确定候选物种包括：

利用预先训练好的物种识别模型，根据所述植物图像确定候选物种；

其中，所述物种识别模型为神经网络模型。

11.根据权利要求10所述的方法，其特征在于，训练物种识别模型包括：

获取具有第一预设数量的标注有物种的植物图像的第一样本集；

从第一样本集中确定第一比例的植物图像作为第一训练集；

利用第一训练集训练物种识别模型；

在第一训练准确率大于或者等于第一预设准确率时训练结束，得到训练后的物种识别模型。

12.根据权利要求11所述的方法，其特征在于，还包括：

从第一样本集中确定第二比例的植物图像作为第一测试集；

利用第一测试集确定训练后的物种识别模型的第一模型准确率；

在第一模型准确率小于第二预设准确率时，调整第一训练集和/或物种识别模型进行重新训练。

13.根据权利要求1所述的方法，其特征在于，根据所述植物图像确定候选病虫害信息包括：

利用预先训练好的病虫害诊断模型，根据所述植物图像确定候选诊断信息；

根据所述候选诊断信息获取候选病虫害信息；

其中，所述病虫害诊断模型为神经网络模型。

14.根据权利要求13所述的方法，其特征在于，训练病虫害诊断模型包括：

获取第二预设数量的标注有诊断信息的植物图像的第二样本集；

从第二样本集中确定第三比例的植物图像作为第二训练集；

利用第二训练集训练病虫害诊断模型；

在第二训练准确率大于或者等于第三预设准确率时训练结束，得到训练后的病虫害诊断模型。

15.根据权利要求14所述的方法，其特征在于，还包括：

从第二样本集中确定第四比例的植物图像作为第二测试集；

利用第二测试集确定训练后的病虫害诊断模型的第二模型准确率；

在第二模型准确率小于第四预设准确率时，调整第二训练集和/或病虫害诊断模型进行重新训练。

16.一种植物病虫害诊断系统，其特征在于，所述系统包括处理器和存储器，所述存储器上存储有指令，当所述指令被所述处理器执行时，实现如权利要求1至15中任一项所述的方法的步骤。

17.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有指令，当所述指令被执行时，实现如权利要求1至15中任一项所述的方法的步骤。