田间小麦病害自动诊断系统
小麦白粉病病菌孢子自动识别智能系统成功研发
为有效 实现 田间 白粉病病 菌孢 子数量实 时监测 与预警 预 报应用 ，必须解 决从 捕捉 的 所有 孢子 中有效 识别 白粉 病 孢
（ 信 息来源 ：中国 日 报网 ［ ２ ０ １ ３ — １ ０— １ ７ ］ ）
＞Ｒ １ ３ １ ９＞白剑 （ ｃ Ｋ） ＞韩 白雪 ＞雪 白玉 ＞东 方美
小麦 白粉病病 菌孢子 自动识别智 能系统成 功研发
小麦 白粉病广泛分布 于我 国各小麦 主要产区 ，是常发病 害之一 ，一般 可 造成 减 产 １ ０ ％ 左 右 ，严 重 的达 ５ ０ ％ 以上 ， 有些高感 品种甚 至颗 粒无收。 在公益性行 业 （ 气象 ） 科研 专项 经费项 目 “ 农 作 物病
白玉 ３号 、特 新 白雪 莲 、Ｒ １ ３ １ ９ 、 白剑 （ Ｃ Ｋ） 、韩
３ 小结与讨论
试验 结 果表 明，美 白玉 ３号、特 新 白雪 莲 、 Ｒ １ ３ １ ９ 三个品种 田间种植表现较好。其 中特新 白雪
莲表现 为适应 性 广 、产量 高 、根 型好 ，美 白玉 ３ 号 、Ｒ １ ３ １ ９耐 热性 较差 ，这 ３个 品种 均 适 宜 在 延平
区的高 山 区作 反 季 节 栽 培 。 韩 白雪 、 白剑 根 型 较
长 ，单株重较高 ，适宜在土层深厚 、土壤肥力好的 地块种植 。雪 白玉 、韩美 、东方美玉虽 比对照减产
１ ５ ％ 左 右 ，但 叶 色绿 至浓 绿 、耐热 ，可适 当种植 。 （ 责任 编 辑 ：林德梓 ）
白雪之 间产 量差 异不显 著 ，但 极显 著高于 其他 品 种。产量 由高到低依次为美 白玉 ３ 号＞ 特新 白雪莲
病虫害监测 预报预警技术水平 ，制定和 及时采取 防治措施 具 有重要 意义 。
小麦病虫害监测与预警系统设计
小麦病虫害监测与预警系统设计随着全球气候变化和人类活动的影响，农作物的病虫害问题日益突出。
作为全球粮食作物之一，小麦的病虫害对其产量和质量产生了重大影响。
因此，开发一个有效的小麦病虫害监测与预警系统至关重要，可以及时发现病虫害并采取相应的控制措施，最大限度地减少农作物的损失。
一、系统概述小麦病虫害监测与预警系统是一个基于现代信息技术的集数据采集、传输、处理和分析为一体的综合系统。
其主要功能包括：1. 数据采集：通过传感器和其他设备实时监测小麦田间的环境和作物生长状况，如温度、湿度、气候、土壤质量、作物生长速度等。
2. 数据传输：将采集到的数据通过网络传输到数据中心进行集中存储和管理，以确保数据的安全与可靠。
3. 数据处理与分析：对采集到的数据进行处理和分析，利用数据挖掘、机器学习等技术，构建病虫害的预警模型，提供准确的病虫害预警结果。
4. 预警与反馈：根据预警模型的结果，及时向农民、农业部门或相关机构发送预警信息，帮助他们采取相应的农艺措施和病虫害防治措施。
二、系统组成小麦病虫害监测与预警系统主要由以下几个组成部分构成：1. 数据采集设备：包括温湿度传感器、气象站、土壤分析仪等，用于实时监测小麦田间的环境参数和作物生长情况，并将采集到的数据传送至数据中心。
2. 数据传输网络：系统使用互联网或专用通信网络传输数据，确保数据能够及时、稳定地传输到数据中心。
3. 数据中心：数据中心是小麦病虫害监测与预警系统的核心，负责接收、存储和管理采集到的数据，并进行数据处理和分析，生成预警结果。
4. 预警系统：根据数据中心分析得到的预警结果，预警系统将及时发出预警信息，包括病虫害类型、严重程度、预计发生时间等，帮助农民和相关机构制定防控措施。
三、技术支持小麦病虫害监测与预警系统设计需要借助现代信息技术的支持，主要包括以下几个方面：1. 传感器技术：选择高精度的温湿度传感器、气象站、土壤分析仪等设备，确保采集到的数据准确可靠。
基于机器视觉的农作物病害智能检测系统
基于机器视觉的农作物病害智能检测系统农作物是人类赖以维生的重要资源，但病害是农作物生产中的一大挑战。
传统的病害检测方法通常需要专业人员进行观察和分析，这会耗费大量的时间和精力，并且容易受到主观因素的影响。
随着机器视觉技术的迅速发展，基于机器视觉的农作物病害智能检测系统应运而生，为农民提供了一种快速、准确、无需专业知识的病害检测工具。
基于机器视觉的农作物病害智能检测系统利用计算机视觉和图像处理技术，通过对农作物生长过程中的病害图像进行分析和识别，实现对农作物病害的自动检测和诊断。
该系统首先需要收集大量的农作物病害图像作为训练样本，利用机器学习算法对图像进行特征提取和分类，构建病害分类模型。
随后，在实际应用中，通过手机、摄像机等图像采集设备获取农作物图像，经过图像预处理和特征提取，再利用训练好的分类模型进行病害识别和检测。
与传统的病害检测方法相比，基于机器视觉的农作物病害智能检测系统具有以下优势：首先，该系统可以实现快速、远程和大规模的病害检测。
传统的病害检测方法需要专业人员到田间地头进行现场观察和分析，非常耗时耗力。
而基于机器视觉的系统可以通过摄像设备将农作物图像实时传输到远程处理中心，由计算机自动对图像进行分析和诊断，极大地提高了检测的效率和准确性。
其次，该系统可以减少人为误判和主观判断。
传统的病害检测方法容易受到观察者经验和主观因素的影响，导致误判率较高。
而基于机器视觉的系统通过机器学习算法对大量的训练样本进行学习和训练，具有较高的判断能力和准确性，避免了人为误判的问题。
此外，基于机器视觉的系统还可以提供及时的病害预警和防治建议。
通过对大量的农作物病害图像进行分析和比对，系统可以及时发现和预测潜在的病害风险，为农民提供及时的防治建议，帮助他们采取正确的措施，避免病害扩散和产量损失。
基于机器视觉的农作物病害智能检测系统在农业生产中具有广泛的应用前景。
首先，它可以帮助农民及时发现农作物的病害问题，采取科学的防治措施，最大限度地减少病害对产量的影响。
小麦病害监测预警系统设计与实现
小麦病害监测预警系统设计与实现一、选题背景小麦是我国的重要粮食作物之一，其生产受到多种天气和生物因素的影响。
其中，病害是影响小麦生长的主要因素之一。
小麦病害严重影响着小麦的产量和质量。
因此，开发一套小麦病害监测预警系统，实现对小麦病害的及时监测和预警，对于增加小麦的产量和质量，具有重要的意义和价值。
二、系统概述小麦病害监测预警系统是一种基于物联网、云计算、大数据和人工智能等技术的综合系统。
系统由传感器网络、数据采集设备、云端服务器和移动终端等组成。
其中，传感器网络用于实时采集小麦生长环境相关参数，数据采集设备用于数据传输和存储，云端服务器用于处理和分析数据，移动终端用于提供实时监测结果和预警信息。
三、系统设计1、传感器网络设计传感器网络是小麦病害监测预警系统的核心，其主要作用是采集小麦生长环境的相关参数。
传感器网络内部由多个传感器节点组成，每个传感器节点都可以采集小麦生长环境的温度、湿度、光照等参数。
同时，传感器节点之间可以相互通信，将采集的数据传送至数据采集设备。
2、数据采集设备设计数据采集设备主要作用是对传感器节点采集的数据进行处理和存储。
数据采集设备需要采用高速传输协议，确保数据的稳定传输。
同时，为了保证数据的安全性和完整性，数据采集设备需要采用安全加密技术和数据冗余备份技术。
3、云端服务器设计云端服务器是小麦病害监测预警系统的数据处理和分析中心。
云端服务器可以对采集到的数据进行分析和挖掘，从中提取出有用的信息，并对小麦病害进行判别和预测。
同时，云端服务器还可以对不同的用户提供个性化的服务和推送。
4、移动终端设计移动终端是小麦病害监测预警系统的用户界面和信息推送平台。
移动终端可以通过云端服务器获取实时的监测结果和预警信息，同时还可以与云端服务器进行交互和反馈。
移动终端应具有简单易用、信息及时、安全可靠等特点。
四、系统实现小麦病害监测预警系统的实现，需要涉及到相关的硬件、软件和网络技术。
其中，硬件包括传感器、数据采集器、服务器和移动终端等。
智慧农业中的智能化作物病虫害监测系统
智慧农业中的智能化作物病虫害监测系统
智慧农业中的智能化作物病虫害监测系统是一种利用先进技术实现作物病虫害监测和预警的智能系统。
随着科技的不断发展，农业生产也逐渐进入智能化时代，智慧农业中的作物病虫害监测系统也得到了广泛应用。
智能化作物病虫害监测系统主要通过传感器、图像识别、大数据分析等技术手段，实现对作物病虫害的全面监测和及时预警。
首先，系统使用各类传感器对土壤湿度、温度、光照等环境指标进行实时监测，帮助农民科学测算作物生长需求，及时调整灌溉、施肥等措施，预防病虫害发生。
其次，智能化作物病虫害监测系统利用图像识别技术，通过摄像头拍摄作物叶片、果实等部位的图像，识别出可能存在的病虫害，还能对病虫害进行定量分析，帮助农民了解病虫害的种类、密度、分布情况，为农药的使用提供科学依据，减少农药的浪费，保护环境。
再者，智能化作物病虫害监测系统还能结合大数据分析技术，收集、整合和分析各种农业数据，包括气象数据、土壤数据、农作物生长数据等，为农民提供科学决策支持。
系统能够通过数据分析，发现作物病虫害的潜在规律，提前预警作物可能受到的病虫害威胁，帮助农民采取有针对性的防治措施，最大程度地减少病虫害对作物产量和质量的影响。
总的来说，智慧农业中的智能化作物病虫害监测系统为农民提供了一种高效、精准的病虫害管理方式，有助于降低农业生产成本、提高作物产量和质量，实现农业可持续发展。
希望未来这种智能系统能够得到更广泛的推广和应用，为农业生产带来更多的便利和效益。
农作物病虫害实时监控物联网设备(套)
农作物病虫害实时监控物联网设备（套）21世纪以来，全国农业部大力推进代植保体系建设，在自动化、智能化新型测报工具研发应用方面取得了比较明显的成果。
开发了农作物重大病虫害远程实施监控物联网，实现了对田间作物的长势、害虫种类和数量、病菌孢子种类和数量以及田间小气候的远程实施监测，开发了远程害虫性诱实施监控和自动计数系统，实现了对螟蛾科、夜性病害的实时联网监测，开发并改进马铃薯晚疫病、小麦赤霉病的远程实时预警系统，实现了重大流行性病的实时联网监测，提升了测报装备水平，提高了重大病虫害监测预警能力。
为提升山东省农作物病虫害监测预警水平，加强智能病虫监测设备的推广和应用，省农业厅、财政厅确定2017年实施山东省农作物病虫害智能化预警监测能力建设项目。
现将有关事项通知如下：一、实施原则贯彻落实中央和省委、省政府关于发展绿色生态农业的部署要求，围绕农作物重大有害生物监测预警与防控的公共管理和公益服务职能，落实预防为主，综合防治的植保方针，推行科学植保、公共植保、绿色植保的理念，加强智能病虫预警监测设备的推广和应用，全面提升我省病虫预警测报工作智能化、信息化、精准化水平，充分发挥植保防灾减灾的作用，实现农药使用减量的目标，确保粮食增产、农业增效、农民增收，促进农业和农村经济与社会的健康发展。
二、建设内容项目建设选址综合考虑各地农业发展现状、农作物种植布局，统筹兼顾粮、棉、油、果、菜，以重大、突发病虫害监测为主，覆盖我省主要农作物病虫害，优先选择承担国家ji和省级病虫测报任务、具备较强业务能力的区域性测报站作为建设对象。
在全省建设40个设备先进、功能完善、反应迅速的县级农作物病虫智能化预警监测站。
每个预警监测站根据监测对象选择配备智能化病虫预警监测设备，设置5-10个基层系统测报点，每点设置一名基层农民测报员，各配备1台田间病虫监测数据调查仪。
三、补助标准省财政对每个项目县补助45万元，全部用于智能化预警监测工具采购。
智能化农业作物检测与分析系统的设计与实现
智能化农业作物检测与分析系统的设计与实现随着科技的不断发展，智能化农业在农业生产中的应用越来越广泛。
智能化农业作物检测与分析系统的设计与实现对于提高农业生产效率和农产品质量具有重要意义。
本文将介绍智能化农业作物检测与分析系统的设计与实现，以满足农业生产中的需求。
一、简介智能化农业作物检测与分析系统是基于先进的传感器技术、图像处理技术和人工智能算法等综合应用的系统。
该系统能够对农田中的作物生长状态进行准确的检测和分析，从而帮助农民更好地管理和调控农田。
该系统主要包括传感器采集模块、图像处理模块和数据分析与决策模块。
二、传感器采集模块传感器采集模块是智能化农业作物检测与分析系统的重要组成部分。
该模块通过安装在农田中的传感器，实时监测和采集作物的生长参数，如温度、湿度、土壤含水量等。
传感器可以分布在不同位置，以覆盖整个农田，从而获得全面的数据。
传感器采集到的数据将通过无线通信技术传输到后台服务器，供后续处理和分析。
三、图像处理模块图像处理模块是智能化农业作物检测与分析系统中的关键技术之一。
该模块主要利用电子相机或无人机等设备，对农田中的作物进行图像采集，并通过图像处理算法提取作物的特征信息。
通过对作物的图像进行分析，可以获取作物的生长状态、病虫害情况等重要信息。
图像处理模块还可以对作物的生长趋势进行分析和预测，为农民的决策提供参考。
四、数据分析与决策模块数据分析与决策模块是智能化农业作物检测与分析系统的核心部分。
该模块通过采集的数据和处理的图像，利用机器学习和人工智能算法，对作物的生长状态、病虫害情况等进行综合分析和评估。
同时，该模块可以根据分析结果提供农田的养分调控建议，帮助农民合理施肥和用药，提高农业生产效益。
此外，数据分析与决策模块还可以生成农田的生长报告和决策图表，为农民提供决策的依据。
五、系统的实现和应用智能化农业作物检测与分析系统的实现需要依靠先进的技术手段和设备。
对于传感器采集模块，可以选择使用无线传感器网络技术，结合传感器节点和数据传输设备，实现数据的实时采集和传输。
基于图像处理的农作物病虫害检测系统设计与实现
基于图像处理的农作物病虫害检测系统设计与实现近年来，农作物的病虫害已成为农业生产中的重要问题，给农民的生产带来了严重的困扰。
传统的农作物病虫害检测方法存在效率低下、误诊率高等问题，难以满足实际需求。
为了解决这一问题，基于图像处理的农作物病虫害检测系统应运而生。
本文将介绍基于图像处理的农作物病虫害检测系统的设计与实现。
首先，我们将介绍系统的整体架构。
其次，我们将详细说明系统的各个功能模块的设计与实现过程。
最后，我们将讨论系统的优缺点以及未来的发展方向。
首先，基于图像处理的农作物病虫害检测系统的整体架构如下图所示：【插入系统架构图】整个系统分为图像获取模块、图像预处理模块、特征提取模块、分类识别模块和结果反馈模块。
图像获取模块负责采集农田中的病虫害图像，可以通过使用无人机、移动设备等方式进行实时采集。
采集的图像将传输到图像预处理模块。
图像预处理模块主要用于对原始图像进行去噪、图像增强、灰度化等操作，以减少图像中的噪声和提高图像的质量。
在此基础上，通过图像分割算法将图像分割为不同的病害区域。
特征提取模块是系统的核心部分，它通过使用特征提取算法从病害图像中提取出与病虫害相关的特征。
常用的特征提取方法包括颜色特征、纹理特征和形状特征等。
分类识别模块使用机器学习算法，例如支持向量机（SVM）或卷积神经网络（CNN）等，对提取到的特征进行分类和识别。
该模块的训练数据集通常包括多种病虫害的正样本和正常作物的负样本。
通过训练模型，系统可以自动识别不同类型的病虫害。
结果反馈模块负责将检测结果以可视化的形式反馈给用户，例如在农田中实时显示患病区域的位置和程度。
另外，系统还可以通过移动端应用或者网页等方式向用户提供检测结果的查询和分析。
接下来，我们将详细介绍各个功能模块的设计与实现过程。
图像获取模块可通过无人机或移动设备进行图像采集。
无人机搭载高分辨率相机，可以快速获取大面积农田的图像。
移动设备可以方便农民在实地采集病害图像。
智能农业系统下的作物病虫害自动监测技术研究
智能农业系统下的作物病虫害自动监测技术研究随着科技的不断发展，智能农业系统在农业生产中发挥着越来越重要的作用。
作物病虫害是农业生产中不可避免的问题，如何利用现代技术实现对作物病虫害的自动监测成为了农业研究的热点之一。
本文将从智能农业系统的概念、作物病虫害的危害、现有监测技术的局限性以及基于智能农业系统的作物病虫害自动监测技术研究等方面展开讨论。
智能农业系统是指借助互联网、人工智能、大数据等现代信息技术，对农业生产过程进行自动化、数字化管理的一种农业生产方式。
智能农业系统通过传感器、无人机、人工智能系统等技术手段，实现了对农作物生长环境、病虫害情况等数据的实时监测和分析。
这种系统可以大大提高农业生产效率，减轻农民的劳动负担，促进农业可持续发展。
作物病虫害是指作物在生长期间遭受的病菌、虫害等危害。
这些病虫害会导致作物减产甚至绝收，严重影响农业生产的稳定性和可持续性。
传统的作物病虫害监测方法主要依靠人工巡查和化学农药防治，存在着监测不及时、效果不佳、环境污染等问题。
因此，寻找一种高效、环保的作物病虫害监测技术势在必行。
目前，已经有一些监测技术被应用于作物病虫害的监测，例如红外线成像技术、高光谱成像技术、无人机遥感技术等。
这些技术可以在一定程度上提高监测的效率和准确性，但也存在着局限性。
比如，红外线成像技术只能检测植物叶片表面的温度情况，无法深入到植物内部进行全面监测；高光谱成像技术对设备的要求较高，并且数据处理复杂；无人机遥感技术的应用受到飞行高度和飞行路径的限制。
为此，需要进一步研究基于智能农业系统的作物病虫害自动监测技术。
基于智能农业系统的作物病虫害自动监测技术主要包括以下几个方面：首先是传感器技术的应用。
传感器可以实时监测作物生长环境中的温湿度、光照等参数，发现异常情况并及时报警。
其次是人工智能技术的运用。
人工智能可以对大量的监测数据进行分析和处理，识别出作物病虫害的症状，并提出相应的防治措施。
小麦病虫害监测与预警系统设计与实现
小麦病虫害监测与预警系统设计与实现摘要：小麦是世界上最重要的粮食作物之一，然而，小麦病虫害对其产量和品质造成了巨大的影响。
为了及时监测和预警病虫害，减少损失，本文设计并实现了一款小麦病虫害监测与预警系统。
该系统通过采集、传输、分析和展示数据，实现了对小麦病虫害发生的实时监测和精准预警。
经过实地测试，该系统在实际应用中具有良好的效果和准确性。
关键词：小麦病虫害；监测；预警；系统设计；实施1. 引言小麦是我国重要的粮食作物之一，对保障国家粮食安全起着重要作用。
然而，小麦病虫害的频繁发生严重威胁了小麦的生产。
及时准确地监测和预警小麦病虫害，是保障小麦产量和品质的关键。
传统的人工监测方法不仅费时费力，而且难以做到实时性和准确性。
因此，设计和实现一款小麦病虫害监测与预警系统具有重要意义。
2. 系统设计与实现2.1 数据采集模块数据采集是小麦病虫害监测与预警系统的基础，准确的数据采集是保证系统准确性的前提。
在实现数据采集时，应选择合适的传感器，如温湿度传感器、光照强度传感器等，收集与小麦病虫害相关的数据，如温度、湿度、光照等。
同时，还可以使用图像采集装置，采集小麦植株的图像，从而更直观地了解植株的健康状况。
2.2 数据传输模块数据采集完成后，需要将采集到的数据传输到后台服务器进行进一步处理。
数据传输模块的设计需要考虑数据传输的稳定性和实时性。
可以选择无线传输方式，如Wi-Fi或蜂窝网络，确保数据传输的稳定和及时性。
2.3 数据分析与处理模块数据分析与处理模块是小麦病虫害监测与预警系统的核心部分。
该模块通过对采集到的数据进行分析和处理，提取关键信息，并根据已有的病虫害模型进行判断和预测。
例如，通过温湿度数据的分析，可以判断小麦是否处于病虫害易发期；通过图像分析，可以检测小麦植株是否出现病斑等。
同时，为了提高系统的准确性，可以引入机器学习算法，训练模型以识别各类病虫害。
2.4 预警展示模块预警展示模块可以将病虫害的预警信息以可视化的方式展示给用户。
基于本体的小麦病虫害问答系统构建与实现
基于本体的小麦病虫害问答系统构建与实现郑颖;金松林;张自阳;王斌;茹振钢【摘要】为了能够及时、方便地解决农民在小麦种植过程中遇到的病虫害问题,研究并设计了一个关于小麦病虫害问题的自动问答系统.首先,将小麦的病虫害知识进行资源整合,在领域专家指导下构建小麦病虫害本体,将其作为问答系统的知识库.然后,利用自然语言处理相关技术对用户提出的问题进行分析并找到相应答案返回给用户.该系统操作方便,对小麦病虫害预防有重要作用.【期刊名称】《河南农业科学》【年(卷),期】2016(045)006【总页数】4页(P143-146)【关键词】小麦病虫害;本体;问句分析;问答系统【作者】郑颖;金松林;张自阳;王斌;茹振钢【作者单位】河南科技学院信息工程学院,河南新乡453003;河南科技学院信息工程学院,河南新乡453003;河南科技学院生命科技学院,河南新乡453003;河南科技学院生命科技学院,河南新乡453003;河南科技学院生命科技学院,河南新乡453003【正文语种】中文【中图分类】S126;S435.12小麦作为北方地区重要的粮食作物，其产量直接影响到我国经济发展和社会稳定[1]。
长期以来，病虫害一直是影响小麦产量的主要问题，有效预防和控制病虫害的发展对于提高小麦产量有着重要意义。
小麦种植过程中，农民会遇到许多难以解决的问题，这就需要有专门的技术人员进行指导，由于技术人员有限，又受制于时空因素，不可能实现一对一的指导。
随着互联网的发展，农村地区互联网也得到普及，很多农民开始通过搜索引擎搜索问题。
但是通过搜索引擎通常会搜索到许多与问题无关的答案，效果并不理想。
近几年国内也出现了许多与农业相关的网站，例如中国农业信息网、农林网等，这些网站虽然提供了专家在线服务，然而这种方式不仅时效性差，而且专家对于共通的问题逐一解答浪费了宝贵的时间。
问答系统是将人工智能、信息检索、自然语言处理等技术相结合的智能系统，它提供一个简单的接口供用户输入问题，通过分析问题自动返回答案，因其既克服了时空限制又能准确返回问题答案而备受关注。
智能化病虫害监测预警系统
智能化病虫害监测预警系统摘要：农业病虫害是影响农作物产量和质量的关键性因素，因此对农作物加强系统性的监测，并且指导农民开展合理有效的前期防治就显得很有必要。
为此我们开发了一套以农作物病虫害的预警与防治为核心的陆空结合的智能化病虫害监测预警系统。
该系统通过无人机监测设备精准筛查，地面监测设备提供环境数据辅助配合的方式，系统能够智能动态的分析监测区域作物，对作物的实时苗情、环境动态等进行宏观估测，实现对农作物生长的监测、病虫害的诊断及预测。
关键词：陆空结合；病虫害监测；诊断；预警该系统的由四个部分构成，包括无人机监测设备、地面监测设备、大数据平台和手机APP,搭建了一套全方位、立体化的病虫害监测预警系统。
1.系统总体架构陆空结合的病虫害监测预警系统的总体架构由四层构成，包括感知接入层、网络传输层、数据业务层和智能应用层。
在感知接入层，系统利用多种传感器设备和无人机监测设备采集农作物生长环境数据、生理生化数据以及实现对农田病虫害的视频采集，实现对农田生产环境的实时感知。
网络传输层，主要负责实现信息的传递和通信，将感知接入层获取的信息，安全可靠地传输到数据业务层。
网络传输层包括网络接入和传输数据两个部分，网络接入针对不同的数据来源，采用不同的接入方式。
无人机监测设备采集的数据采用4G/5G移动互联网接入技术；地面监测设备通过多种网络接入方式，如4G/5G、Zigbee等方式接入。
然后通过传输数据网，依托互联网、电信网、广电网、专用网或卫星网，通过各种通信网络与互联网的融合，将感知的各方面信息，随时随地的进行可靠交互和共享，并对应用和感知设备进行身份认证和权限管理。
应用服务层通过大数据平台、APP等为用户提供了环境数据监测、病虫害监测、远程专家诊断等智能监控及管理服务。
数据业务层在大数据中心、云计算引擎和人工智能引擎的平台上，通过数据预处理、数据处理与计算、智能分析三个步骤，得出最终的有效数据结果。
数据预处理阶段是将来自不同业务系统数据通过数据清理、集成、归约和转换四个步骤，提升数据的一致性、准确性、真实性、可用性、完整性、安全性和价值性等方面质量，从而得出高质量的数据。
小麦病害智能诊断系统研究
小麦病害智能诊断系统研究随着人工智能技术的快速发展，智能诊断系统作为其应用之一，也得到了广泛关注和研究。
其中，小麦病害智能诊断系统是农业智能化的重要领域之一，对于提高小麦产量和减少病害影响具有重要意义。
本文将从小麦病害发生与诊断的需求、智能诊断系统的技术原理和研究现状方面，阐述小麦病害智能诊断系统的研究。
一、小麦病害发生与诊断的需求小麦是我国的主要粮食作物之一，其产量和质量直接关系到国计民生。
然而，小麦病害是限制小麦生产的重要因素之一，如条锈病、赤霉病、秆锈病等，常常会导致小麦减产、质量下降等问题。
而传统的病害诊断方法主要是依靠专业人员的经验，存在着耗时长、费用高、精度低等问题，且仍无法准确地判断某些病害的种类和严重程度。
因此，研究小麦病害智能诊断系统，可以有效提高小麦病害的诊断准确率和效率，促进小麦的病害防治和生产增产。
二、智能诊断系统的技术原理小麦病害智能诊断系统是基于人工智能技术的应用系统，主要通过建立病害数据库、选择合适的数据预处理方法、建立分类模型、开发图形化用户界面等手段，实现对小麦病害的自动识别和诊断。
其中，建立病害数据库是关键的步骤之一，它是指将小麦病害图像及其对应的病害种类信息整理成一张数据库，并对图像进行预处理。
在此基础上选择合适的数据预处理方法，例如缩放、旋转、颜色空间转换、高斯滤波等，以保证图像数据的质量，并提高对于图像特征的识别能力。
而分类模型的建立是该系统的核心技术之一，主要是通过训练数据集来学习分类模型，以实现对未知图像的分类和识别。
传统的分类方法包括KNN、SVM等，近年来也逐渐应用到深度学习模型中，如卷积神经网络（CNN）等。
最后，开发易于操作、直观友好的用户界面也是小麦病害智能诊断系统的重要组成部分。
通过图形化的交互式界面，用户可以快速准确地识别小麦病害，并对病害种类和严重程度进行评估。
三、研究现状目前，小麦病害智能诊断系统国内外的研究都已经取得了一定的进展。
中国农业病虫害智能处方诊断系列软件简介
中国农业病虫害智能处方诊断系列软件简介网络非常普遍的今天，农资行业却越来越难做，竞争变得残酷而激烈，有的农资人员束手无策，譬如，基层农资零售商遇到的农资营销瓶颈：庄稼、果树、蔬菜得了毛病，打开电脑，上网一查，就可以得到解决方案，可是电脑上查到的农资产品往往有许多不是你公司或农资店所经销的，而农民朋友却非要电脑上介绍的；农药经销单位农药批发零售商店、植物医院等农资销售部门，配备一台计算机并安装本软件，可提高对蔬菜病虫害诊断的准确率，从而可以对症下药。
如果允许顾客随意浏览，还可同时起到普及农业技术的作用。
相信能有助于建立良好信誉，吸引顾客，提高销售量。
许多农药经营者或销售人员，虽然经营能力强，但并不一定是研究蔬菜植保出身，这个中国农业病虫害智能诊断处方查询软件即可弥补他们在这方面的不足。
农药生产厂家的业务员、农资批发商也是整天考虑：怎样才能让客户买我们的产品呢？怎样提高我们的业绩呢？除了热情服务，基层销售商需要一款集病虫害诊断查询、治疗方案于一体的智能软件，那就满足他们的要求，送他们智能诊断软件，你可在里面设置权限、输入我们的产品和病虫害解决方案，让销售商按我们的意图去卖产品，既可以提高他们的人气，又可以大量销售我们的产品，厂商双方甚至多方共赢共利。
基于以上原因种种，由山东省金彩高新农业研究所的软件、植保、土壤、农药等多部门专家、教授共同研制开发，诞生了中国农业病虫害诊断处方系统系列软件图文并茂、是指导农业生产上病虫害诊断与防治的农用专家系统类实用软件（包括粮食油料作物、蔬菜、果树、粮果菜综合、中国农业病虫害智能处方诊断等一系列软件）。
主要供政府农技部门、农药生产厂家、各级农药批发商、零售商、农业院校、进行农业病虫害的诊断与防治之用。
主要功能：1.智能诊断系统采用浏览查询方式，依据图像对比匹配进行病虫害诊断。
系统提供了图片信息、受害特征解析、智能专家推荐最佳防治方案（电脑处方）等文字信息诊断、放大镜、网上专家智能推荐农资等功能。
面向智能农业的农作物病虫害智能识别与防治系统设计
面向智能农业的农作物病虫害智能识别与防治系统设计农作物病虫害是目前世界范围内农业生产中的一大难题，导致了大量的农作物损失和生产成本的提高。
为了解决这一问题，农业科技界积极探索智能农业技术的应用，其中包括面向智能农业的农作物病虫害智能识别与防治系统的设计。
本文将着重讨论该系统的设计原理、功能以及未来的发展方向。
首先，农作物病虫害智能识别与防治系统的设计需要基于先进的图像识别技术。
这类系统通过采集农田中的农作物图像，并利用深度学习算法进行图像分析和识别。
系统可以识别不同种类的农作物病虫害，包括病毒、细菌、真菌和各类害虫等。
通过将农作物病虫害和相应的防治方法建立关联，系统能够及时提供科学有效的防治建议，帮助农民减少病虫害对农作物造成的损失。
其次，农作物病虫害智能识别与防治系统还应该具备数据分析和预测功能。
通过对大量的农田数据进行分析，系统可以发现农作物病虫害发生的规律和周期性，甚至可以预测病虫害的爆发和蔓延趋势。
这样，农民可以提前做好相应的防治准备，避免病虫害对农作物的严重影响。
同时，系统还可以将农田数据和气象数据进行关联，提供更加精准的防治建议。
除了基于图像识别和数据分析的功能，面向智能农业的农作物病虫害智能识别与防治系统还应该具备远程监控和智能控制的能力。
通过实时监控农田中的环境参数和农作物状况，系统可以及时发现异常情况和病虫害的发生。
同时，系统还可以通过遥控设备实现智能农药和农草药的施用，从而减少人工投入和农药浪费。
这不仅提高了防治效果，还减少了环境污染和人身健康的风险。
未来，面向智能农业的农作物病虫害智能识别与防治系统还可以在以下方面进一步拓展。
首先，系统可以与农机智能化技术结合，实现自动化的农作物病虫害防治。
例如，系统可以与农机自动驾驶技术结合，实现机器人自动巡视农田并进行病虫害的识别与防治。
其次，系统可以与区块链技术结合，建立起农田病虫害数据的溯源机制。
这将有助于更好地追踪和控制病虫害的蔓延，提高农产品的质量和可追溯性。
基于人工智能的农作物病虫害检测与预警系统
基于人工智能的农作物病虫害检测与预警系统农作物病虫害是农业中常见而严重的问题，若不及时发现和治理，将会导致大量农作物减产甚至死亡。
为了解决这一问题，人工智能技术应运而生，基于人工智能的农作物病虫害检测与预警系统应运而生。
本文将介绍该系统的原理、技术和应用，旨在帮助农民实现快速、准确的农作物病虫害检测和预警。
一、基于人工智能的农作物病虫害检测与预警系统原理基于人工智能的农作物病虫害检测与预警系统主要由图像识别、机器学习和数据分析组成。
其基本原理是通过摄像设备采集农田图像，并使用图像识别技术识别出病虫害。
随后，借助机器学习算法，系统对识别出的病虫害进行分类、分析和预测，进而提供给农民有效的预警通知。
二、基于人工智能的农作物病虫害检测与预警系统技术1. 图像识别技术图像识别技术是基于人工智能的农作物病虫害检测与预警系统的核心技术之一。
它可以通过深度学习算法对采集到的农田图像进行特征提取和分析，准确识别出不同种类的病虫害。
该技术不仅可以识别已知的病虫害种类，还可以通过不断学习和训练，提高系统对新病虫害的识别率。
2. 机器学习算法机器学习算法是基于人工智能的农作物病虫害检测与预警系统的另一个重要技术。
通过对大量病虫害数据的分析和学习，系统可以建立起病虫害的分类模型和预测模型。
这些模型可以通过实时监测和分析最新的数据，快速准确地识别和预测农作物病虫害的发生和传播趋势。
3. 数据分析技术基于人工智能的农作物病虫害检测与预警系统需要大量的数据支持。
数据分析技术可以对农田环境、天气、土壤、作物生长状况等多种因素进行综合分析，为系统提供准确的病虫害预警。
通过对大数据的实时监测和分析，系统可以及时发现农作物病虫害的发生，并提供相应的防治建议。
三、基于人工智能的农作物病虫害检测与预警系统应用1. 实时监测与预警基于人工智能的农作物病虫害检测与预警系统可以实时监测农田状况，并及时发现病虫害的发生。
一旦发现病虫害，系统将会立即发送预警通知给农民，提醒他们采取相应的防治措施，从而避免或减少农作物减产的情况发生。
智能化病虫害监测与预警系统
05
系统实施与推广
系统实施方案
选择合适的设备和技术
根据实施目标，选择适合的智能 化设备和相关技术，如传感器、 物联网、大数据分析等。
制定实施计划
制定详细的实施计划，包括设备 采购、安装调试、人员培训等环 节，确保实施过程的顺利进行。
建立监测网络
根据病虫害发生的特点，建立覆 盖广泛的智能化监测网络，实现 对病虫害的实时监测。
大数据分析技术
对海量监测数据进行处理、分析和挖掘，提供预警和 预测功能。
监测系统的组成
监测设备
01
包括各类传感器、摄像头等，用于收集病虫害发生的实时数据
。
数据传输模块
02
将监测设备采集的数据进行汇总和传输，可采用无线或有线方
式。
数据分析中心
03
对传输过来的数据进行处理、分析和存储，提供可视化展示和
促进农业可持续发展
智能化病虫害监测与预警系统的推广应用，有助于提高农业生产效率 和资源利用效率，促进农业可持续发展。
THANKS FOR WATCHING
感谢您的观看
实时传输与分析
通过无线通信技术，数据能够实时传 输到云平台进行快速分析，提高了数 据的时效性，使管理者能够及时掌握 病虫害发生情况。
降低防治成本
精准施药
根据智能化监测系统的数据分析，可 以精确地确定施药的时间和区域，避 免了盲目施药和过度施药的情况，从 而降低了农药的使用量和防治成本。
优化资源配置
挑战
面临的挑战包括如何降低智能化病虫害监测与预警系统的成本、如何提高系统 的准确性和实时性、如何让更多的农民接受并使用该系统等。
02
智能化病虫害监测系统
智能化技术介绍
人工智能技术
农作物病虫害智能监测系统的研究
农作物病虫害智能监测系统的研究农作物是人类的重要食物来源，而病虫害对农作物的产量和质量造成了严重损失。
传统的农作物病虫害监测方法主要依赖于人工巡视和经验判断，存在着工作量大、经验依赖性强等问题。
随着信息技术的发展和智能化的兴起，农作物病虫害智能监测系统成为解决这一问题的有效途径。
一、农作物病虫害智能监测系统的基本原理1. 数据采集：农作物病虫害智能监测系统通过传感器、图像采集设备等技术手段，对农田环境、土壤质量、气象信息等进行实时监测和数据采集。
这些数据可以包括温度、湿度、光照强度、土壤湿度、气象变化等多种信息。
2. 数据传输：采集到的数据通过互联网或者其他无线传输技术，快速传输到中心服务器或者云平台，为后续的数据分析和处理提供支持。
3. 数据分析和处理：通过对采集到的数据进行分析和处理，利用机器学习、图像识别等技术手段，将数据转化为可视化的结果，提供给农民或专业人员判断和决策。
4. 预警和预测：基于历史数据和实时数据，系统可以提前预警和预测病虫害的发生和传播趋势，为农民提供及时的农药使用和防治方案。
二、农作物病虫害智能监测系统的关键技术1. 传感技术：农作物病虫害智能监测系统依赖于传感器等设备采集农田环境和气象信息。
传感技术的发展使得数据采集更加准确和实时，能够更好地反映农田的实际情况。
2. 数据处理和分析技术：农作物病虫害智能监测系统需要对大量的数据进行处理和分析，提取有效的信息。
机器学习、人工智能和数据挖掘等技术为系统提供了更高效和准确的数据处理能力。
3. 图像识别技术：图像识别是农作物病虫害智能监测系统中的重要技术。
通过图像识别，系统可以对病虫害进行准确的识别和分类，帮助农民及时采取防治措施，保护农作物的产量和质量。
4. 预测分析技术：基于历史数据和实时数据，系统可以通过预测分析技术提前预警和预测病虫害的发生和传播趋势。
这对于农民来说非常重要，可以帮助他们做出更好的决策，提高农作物抵抗力。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
田间自动小麦病害诊断系统摘要农作物病害是造成世界农业产业减产和经济损失的主要原因。
监测作物的健康状况对于控制疾病的蔓延和实施有效的管理至关重要。
本文提出了一种基于弱监督深层学习框架的田间自动小麦病害诊断系统，即深层多示例学习，在田间仅用图像标注进行图像训练实现了小麦病害识别与病害区域定位的统一。
并应用一个新小麦病害数据库2017（wdd2017）收集验证该系统的有效性。
两种不同的体系结构，即vgg-fcn-vd16和vgg-fcn-s，用5重交叉验证对wdd2017的平均识别率分别可以达到97.95%和95.12%，超过vgg-cnn-vd16和vgg-cnn-s两个传统CNN 框架93.27%和73%的结果，实验结果表明该系统在精度参数相同的条件的识别下优于传统的卷积神经网络架构，同时保持相应的疾病领域的准确定位。
此外，该系统已被打包成一个实时的移动应用程序，为农业疾病诊断提供支持。
关键词：农业病害诊断小麦病害检测弱监督学习深多示例学习完全卷积网络1 引言作物病害诊断对防止疾病的蔓延和保持农业经济的可持续发展具有重要意义。
一般来说，作物病害的诊断是通过目测或显微镜技术手工完成的，证明是耗时的，而且由于主观知觉存在误差的风险。
在这样的背景下，不同的光谱和成像技术已经研究了识别作物病害症状（布拉沃et al.，2004；魔兽et al.，2005；chaerle et al.，2007；belasque et al.，2008；秦等，2009）。
虽然这些技术可以对作物病害做出相对快速的诊断，但它们离不开昂贵而笨重的传感器。
随着计算机视觉技术的发展，关注的是关于图像检测技术对作物病害的生长（Camargo和史米斯，2009；Arivazhagan等，2013；barbedo，2014；Rastogi et al.，2015），它摆脱了时间成本和分子分析设备的束缚（马蒂内利等，2015。
）。
相反，人们只需要普通摄像机和消费级电子存储设备来进行作物病害鉴定。
然而，这些方法几乎都是具体的任务，需要专家的知识来设计手工制作的特征提取器，只在理想的实验环境下的作物图像。
做一个自动的作物病害诊断系统，可应用于现场的图像，一个必须面对一些棘手的挑战barbedo（2016）：（1）复杂的背景图像，如树叶、土壤、石头，甚至人们的手，（2）不可控制的捕获条件，如光照、摄像机的角度和图像质量，（3）在一个图像中多叶或多个疾病领域的共生，（4）对疾病发展的不同阶段的不同特征，（5）在不同类别的疾病之间外观相似。
从我们收集的小麦病害数据集中筛选出一些具有挑战性的样本，如图1所示。
据我们所知，很少有人研究减轻或消除作物病害诊断所面临的上述挑战。
这项工作的总体目标是开发一个自动小麦病害诊断系统，以便在田间小麦图像中同时识别疾病类别并找到相应的疾病区域。
为了避免昂贵和费力的手工注释，将小麦病害识别和定位的双重任务建模为弱监督学习任务。
据我们所知，我们首先建议在田间情况下共同处理小麦病害的双重任务。
在本文中、一种新的提出得基于深度学习和多示例学习的现场自动小麦病害诊断系统（MIL）（Dietterich等人，1997），它可以部署在移动手机进行实时诊断。
如图2所示，我们的框架由移动客户端和设备层的计算服务器组成。
一方面，在野外条件下从移动相机采集的图像，调整大小后用完全卷积网络（FCN）进行局部特征提取和局部缩放图像。
然后，FCN产生不同疾病种类的空间计分图，每个计分点对应于一个特定的局部窗口的原始图像。
然后将这些不同局部窗口的估计量送入MIL框架，对整幅图像进行整体评价。
另一方面，空间计分图经过上采样操作大致定位的疾病位置，然后近似包围盒（BBA）进行准确地锁定病变位置。
该模型为多示例学习为基础的小麦病害诊断系统（dmil-wdds）。
特别是，该dmilwdds可以有足够的准备训练数据，实现端到端的训练。
为了验证我们的dmil-wdds的实用性和有效性，一场疾病数据集的小麦病害数据库2017（wdd2017）收集，其中包括9230的图像有7个不同的类（6普通小麦病害，1健康的小麦）。
在wdd2017表明该dmil-wdds优于传统的CNN结构对疾病类别的识别精度的实验结果，但也保持精确定位相应的疾病领域。
注：我们dmil-wdds工艺管道。
左、右虚线框分别为移动客户端和计算服务器。
在系统进行疾病识别和定位之前，红色加粗虚线包围的部件将经过训练数据的训练阶段。
要反馈给用户的诊断包括疾病类别和相应疾病部位的位置。
最佳颜色观看。
（对于这个图例中对颜色的引用的解释，读者可以参考本文的Web版本）。
我们的主要贡献概括如下：DMIL弱监督学习框架的基础上首先利用小麦病害诊断，具有应对棘手的麦田图像的能力。
提出的小麦病害识别与定位集成方法优于传统方法。
基于CNN的深度模型参数相同的识别体系结构。
一个新的领域wdd2017小麦病害数据收集证明了系统的有效性以及后续工程建设标准。
2．综述已经开发了许多基于图像的方法来处理作物病害鉴定。
基于高光谱和多光谱荧光测量的融合，魔兽等。
（2005）提出了一种基于自组织映射（SOM）的疾病分类器。
Camargo和史米斯（2009）提出了识别作物病害的视觉症状通过颜色变换和图像颜色分割。
在phadikar等人。
（2013）提出了基于费米能量的分割方法，将感染区域与整个图像隔离开来，然后采用粗糙集理论（RST）进行特征选择，并用规则基分类器进行疾病识别。
简单地说，现有的方法大多局限于捕获图像的纯背景或受控环境，这是实际应用中的一个难题。
作为一个结果，叶分割（张和孟，2011；该àRibas et al.，2013；王等，2013）通常是被迫的前提下进行作物病害识别。
然而，一个将陷入另一个困境天真叶分割处理图像多叶或多个感染区域共存。
虽然最近关于计算机视觉的作品证明了选择性搜索的巨大成功（SS）（uijlings et al.，2013）在目标分割，似乎无力直接采用SS段现场图像由于严重的重叠和交错间作物的散漫。
深度卷积神经网络（DCNN）一定程度上加速了计算机视觉的发展（krizhevsky et al.，2012；Simonyan和Zisserman，2014；Szegedy et al.，2015；sermanet et al.，2013；Girshick et al.，2014）。
鉴于大量的训练数据和高性能计算应用的基础设施，可以带来惊人的性能分类和目标检测。
当然，信息已经应用近年来在精准农业领域。
（DyrmCNN et al.，2016；grinblat et al.，2016）设计了他们的特定任务的应用架构进行植物分类。
萨等。
（2016）提出了一种多快r-cnn模型，即DeepFruits，发挥实时水果检测。
此外，少量的研究主要集中在利用DCNN植物病害检测。
sladojevic等人。
（2016）收集了3000个原叶图像从互联网对该数据库进行数据增强的过程，然后建立了一个信息的自动分类与检测13种不同类型的植物病害叶片图像。
同样，Mohanty 等人。
（2016）训练数据集上的疾病和健康的植物叶片识别14种作物和26病54306图像的应用。
然而，上述植物病害检测的深层学习方法建立了它们在受控条件下采集的纯图像的深层识别模型，这些模型不适用于野生环境。
此外，他们只是意识到了疾病的识别，却没有注意到疾病在哪里。
MIL是Dietterich等人首先介绍。
（1997）在弱标记情况下的药物活性预测。
为了减少繁琐的人工标注尽可能同时实现目标定位，有些作品侧重于组合学深密的框架（Pinheiro和collobert，2015；吴等人，2015）。
吴等人。
（2015）提出了一个假设，即所需的对象必须位于可以通过现成区域提议算法生成的所有区域建议中，例如SS。
由于区域推荐算法的计算代价和叶子分布的复杂性，流行的区域分割或推荐方法可能会给实用性带来麻烦。
FCN是长等人首先提出了。
（2015）语义分割。
在本文中，一个新的函数是用来减少计算成本和执行实例级疾病同时估计，这相当于一个滑动窗口操作对整个图像。
总之，很少有研究集中在复杂杂乱场景中田间原始图像的作物病害识别和定位上，目前尚未有有效的田间作物病害图像数据集。
一方面，本系统针对田间小麦病害自动诊断，更贴近实际情况，为精准农业提供技术支持和服务。
另一方面，该wdd2017是首次提出在大田作物疾病数据集，这将建立一个基准对场疾病检测和促进后续相关工作。
因此，我们的工作对于进一步的研究是有价值的。
三.材料与方法3.1小麦病害数据库2017（wdd2017）在作物病害诊断研究提供便利，相关数据已发布的公开和自由，如PlantVillage，其中包括超过50000个专业上注明健康和病叶作物图像。
然而，遗憾的是，在PlantVillage的所有图像处理已成为理想状态，很难以看到田间，即在一个纯背景——作物叶片。
据我们所知，迄今为止还没有合适的田间作物病害诊断数据集。
为此，本研究收集了9230种小麦图像，在图像级标注了7种小麦病害，包括健康的。
收集的图像就是小麦病害数据库2017（wdd2017），实例wdd2017是图1所示。
注意，wdd2017已均匀分为5组进行交叉验证，其中4组作为训练集和一组作为测试集。
表1显示了我们的wdd2017细节。
表1中的6种病害是小麦的常见病，是导致小麦减产的主要原因。
需要明确的是，我们的wdd2017具有以下特点：（1）每一个图像在wdd2017几乎只包含该图像的注释的一种疾病，（2）每一个图像采集现场的情况下在后面没有技术手段，保持捕捉环境的所有原始信息，（3）wdd2017涵盖目前挑战的小麦病害诊断如图1所示，包括复杂的背景，不同的拍摄条件下，对疾病发展的不同阶段的各种表征（疾病的早期、中期和晚期）和小麦不同疾病之间的相似。
表1小麦病害数据库的组成（2017 wdd2017）。
小麦病害图像分割图像训练/测试白粉病350 280/70黑穗病1455 1164/291黑箔条585 468/117条锈病1755 1404/351叶枯病2455 1964/491叶锈病1110 888/222健康小麦1520 1216/3043.2。
多示例学习集成（MIL）多示例学习（MIL）是一种弱监督学习方法，它的目的是通过使用包而不是实例的注释来减少标签的工作量。
在MIL设置中，一个类包含至少一个正实例的包被标记为正，而所有实例都为负的包被标记为负。
对于分类任务，假设是从袋袋组反馈；K¼1；。
..；吴，和BK的实例表示为bk1；。
. . ；bknkg，在NK表示袋浅滩CK 2 F1实例的数量；。