本技术属于作物病虫害防治技术领域,具体涉及一种融合计算机视觉与语言模型的农业病虫害防治方法,基于视觉模型和优化后的语言模型,将二者一体化集成后,能够结合动态场景信息,实时识别多种作物病害并在作物病害防治领域给出更专业更详细的建议,具备良好的病害识别能力和防治建议生成能力,进而显著提高农业生产中病害防治的效率,减少人工成本,并有助于提高作物的产量和质量。
背景技术
以往,病虫害的判断主要依赖人工经验和专家知识,但这种方法存在主观性强、准确率低、成本高且效率低下的局限性。人工方式往往需要耗费大量的时间和金钱资源,同时难以及时做出有效应对,常常错过最佳治理时机,最终可能加剧病虫害的扩散和危害。随着人工智能技术的快速发展,基于图像识别的病虫害检测逐渐成为一种高效且准确的解决方案。借助计算机视觉和深度学习技术,病虫害种类能够被快速且精准地识别,大幅提升了检测效率和准确性。与此同时,大语言模型(如GPT系列)因能够即时解答问题,在通用领域展现了卓越的能力。
但是,一方面,现有的病虫害识别方法在实验室条件或背景相对单一的情况下检测效果较好,但在田间复杂条件下(如不同光照、复杂背景等),对病害的识别精度显著降低。同时,这类方法缺乏与识别结果相匹配的实时、针对性病害防治建议的能力。另一方面,大语言模型尽管能够即时回答问题,但由于缺乏结合国内实际需求的多领域信息交互能力(包括气候变化、作物品种、土壤条件以及病虫害特征等),其在农业病害防治领域的应用还存在不足。现有模型的回答往往不够准确和专业,给出的方案缺乏详细性和可操作性,难以满足实际应用需求。
实现思路