具体实施方式

本申请实施例通过提供一种唑螨酯与农药混用药效评估方法及系统，解决了现有技术中针对唑螨酯与农药混用药无法在使用前通过科学、精确的评估对药效进行提前预知的技术问题，通过分析配制比例、作用位置和环境信息等药效影响因素，对唑螨酯与农药混用药效进行精确、有效的评估，实现了对唑螨酯与农药混用药效提前预知的技术效果，从而达到混用药药效最大化的技术目的。

下面，将参考附图详细的描述本申请的示例实施例，显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

申请概述

唑螨酯与农药的配制比例、混合农药的作用位置和作用环境环境等都会影响到唑螨酯与农药混用药效，现有技术中针对唑螨酯与农药混用药的药效评估方法仅限于在喷洒后分析农作物的生长情况来判断药效，存在无法在使用前通过科学、精确的评估对药效进行提前预知，导致不能合理用药，使得农药的药效发挥不充分的技术问题。

针对上述技术问题，本申请提供的技术方案总体思路如下：

本申请提供了一种唑螨酯与农药混用药效评估方法，其中，所述方法应用于一种唑螨酯与农药混用药效评估装置，所述方法包括：获得第一混合农药，所述第一混合农药包括第一唑螨酯，其中，所述第一混合农药用于第一植物，所述第一植物具有第一病害和第二病害，所述第二病害属于第一唑螨酯的病害治疗范围之内；将所述第一病害和所述第一唑螨酯输入农药筛选模型，获得第一农药，所述第一农药用于治疗所述第一病害；获得所述第一植物的第一预期治疗效果；获得所述第一农药的成分信息；根据所述第一农药的成分信息，获得所述第一农药与所述第一唑螨酯的第一抑制成分；根据所述第一抑制成分获得所述抑制成分的第一作用位置；将所述第一抑制成分、所述第一作用位置和所述第一唑螨酯输入实际药效评估模型，获得第一实际药效评估结果；根据所述第一实际药效评估结果和所述第一预期治疗效果，获得第一差异信息；构建第一评估映射函数；将所述第一差异信息输入所述第一评估映射函数，获得第二实际药效评估结果。

在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。

实施例一

如图1所示，本申请实施例提供了一种唑螨酯与农药混用药效评估方法，其中，所述方法包括：

步骤S100：获得第一混合农药，所述第一混合农药包括第一唑螨酯，其中，所述第一混合农药用于第一植物，所述第一植物具有第一病害和第二病害，所述第二病害属于第一唑螨酯的病害治疗范围之内；

具体而言，所述第一混合农药为所述第一唑螨酯和农药的混合药物，唑螨酯作为一种常用的杀螨剂，和农药混合使用可使农药增加杀螨的功效。所述第一植物为所述第一混合农药的作用对象，其具有若干种病害类型，如锈病、炭疽病、立枯病等，所述第一病害和所述第二病害为两种不同的病害类型，所述第二病害属于第一唑螨酯的病害治疗范围之内。例如所述第二病害可以是由朱砂叶螨引起的叶片卷曲，枯黄脱落，也可以是由瘿螨引起的叶片表面凹凸不平，失去光泽，肿胀扭曲的现象等。通过获得第一混合农药，对其成分进行具体分析，以确保唑螨酯与农药混用药效评估的准确性。

步骤S200：将所述第一病害和所述第一唑螨酯输入农药筛选模型，获得第一农药，所述第一农药用于治疗所述第一病害；

具体而言，所述农药筛选模型为一机器学习模型，具有对训练数据进行不断监督学习、获取经验来处理数据的特点。通过将所述第一病害和所述第一唑螨酯输入所述农药筛选模型，由模型对各数据进行处理，从而依据病害特征和相应的配制方案等来确定最适宜第一农药类型。举例而言，对于周围杂草丛生，吸收农作物的营养而影响农作物生长的现象，第一农药可以是乙草胺、甲草胺等除草剂；对于甲虫、鼻虫等进食农作物叶片，导致农作物死亡的现象，第一农药可以是含有高效氯氟氰菊酯或溴氰菊酯等的杀虫剂。

进一步而言，本申请实施例步骤S200还包括：

步骤S210：将所述第一病害和所述第一唑螨酯作为输入数据，输入所述农药筛选模型；

步骤S220：所述农药筛选模型通过多组训练数据训练至收敛获得，所述多组训练数据中的每组均包括所述第一病害、所述第一唑螨酯和用于标识第一农药的标识信息；

步骤S230：获得所述农药筛选模型的输出数据，所述输出数据包括所述第一农药。

具体而言，所述农药筛选模型为机器学习中的神经网络模型，神经网络(NeuralNetworks，NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂神经网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络(Artificial NeuralNetworks)，是对人类大脑系统的一阶特性的一种描述。简单地讲，它是一个数学模型。通过大量训练数据的训练，将所述所述第一病害、所述第一唑螨酯输入神经网络模型，则输出第一农药。

更进一步而言，所述训练的过程实质为监督学习的过程，每一组监督数据均包括所述第一病害、所述第一唑螨酯和用于标识第一农药的标识信息，将所述第一病害、所述第一唑螨酯输入到神经网络模型中，根据用于标识第一农药的标识信息，所述神经网络模型进行不断的自我修正、调整，直至获得的输出结果与所述标识信息一致，则结束本组数据监督学习，进行下一组数据监督学习；当所述神经网络模型的输出信息达到预定的准确率/达到收敛状态时，则监督学习过程结束。通过对所述神经网络模型的监督学习，进而使得所述神经网络模型处理所述输入信息更加准确，进而获得更加准确、适合的第一农药，进而达到输入所述第一病害和所述第一唑螨酯而得到所述第一农药的目的，同时加入神经网络模型提高了数据运算处理结果的效率和准确度，为提供更加准确合适的第一农药夯实了基础。

步骤S300：获得所述第一植物的第一预期治疗效果；

进一步而言，本申请实施例步骤S300还包括：

步骤S310：获得所述第一植物的特点信息；

步骤S320：获得所述第一植物的种植季节信息；

步骤S330：根据所述第一植物的特点信息、所述种植季节信息和所述生长环境信息，获得第一参考因素；

步骤S340：分别获得所述第一病害和所述第二病害对所述第一植物的第一危害等级和第二危害等级；

步骤S350：将所述第一危害等级和所述第二危害等级分别进行映射，获得第一权重值和第二权重值；

步骤S360：根据所述第一权重值和所述第一参考因素获得第一输入信息；

步骤S370：根据所述第二权重值和所述第一参考因素获得第二输入信息；

步骤S380：将所述第一输入信息和所述第二输入信息输入预期治疗效果估计模型，获得所述第一植物的第一预期治疗效果。

具体而言，所诉第一预期治疗效果为通过预期治疗效果估计模型获得的所述第一植物在所述生长环境下使用所述第一混用农药而得到的预估作用效果。根据所述第一植物的特点信息、所述种植季节信息和所述生长环境信息，获得第一参考因素，对所述第一病害和所述第二病害分级得到所述第一植物的第一危害等级和第二危害等级，再分别对其进行加权，得到第一权重值和第二权重值。分别通过所述第一、二权重值和所述第一参考因素获得第一、二输入信息，再将所述第一输入信息和所述第二输入信息输入预期治疗效果估计模型，获得所述第一植物的第一预期治疗效果。达到了预知第一混合农药对第一植物产生的药效的技术效果。

步骤S400：获得所述第一农药的成分信息；

步骤S500：根据所述第一农药的成分信息，获得所述第一农药与所述第一唑螨酯的第一抑制成分；

具体而言，所述第一农药的成分信息为所述第一农药内含有的具体化学成分，当所述第一农药与所述第一唑螨酯混合作用时，因为所述第一混合农药中某种成分的存在而对药效产生负面影响，这种对药效产生负面影响的成分即所述第一抑制成分。所述第一抑制成分可以为所述第一农药中本身含有的某种成分，也可以是所述第一农药与所述第一唑螨酯混合作用时发生化学反应而新产生的成分。根据所述第一抑制成分，可获得当所述第一农药与所述第一唑螨酯混合使用时，抑制成分的存在对药效的影响信息，从而更加准确的对最终药效做出预测。

步骤S600：根据所述第一抑制成分获得所述抑制成分的第一作用位置；

步骤S700：将所述第一抑制成分、所述第一作用位置和所述第一唑螨酯输入实际药效评估模型，获得第一实际药效评估结果；

具体而言，所抑制成分的第一作用位置为所述第一抑制成分在农作物的具体作用部位，如植物的根、茎、叶，所述实际药效评估模型是对第一混合农药的药效监测数据进行针对性分析的模型，将所述第一抑制成分、所述第一作用位置和所述第一唑螨酯输入实际药效评估模型中进行实际药效数据分析，从而获得所述第一实际药效评估结果。详细来说，所述第一实际药效评估结果能够将第一混合农药的药效数据信息进行拟合并完成对应的分析，从而便于计算机搭建的平台进行处理，其中，所述实际药效评估模型是以神经网络模型为基础建立的模型，而神经网络是大量的神经元之间相互连接构成的一种运算模型，网络的输出则依照网络的连接方式的一种逻辑策略表达，通过所述实际药效评估模型的训练使得输出的信息具有准确性，进而准确获得第一混合农药的药效综合分析结果，从而达到了对第一混合农药的药效数据进行准确的分析，进而提高分析准确性的技术效果。

步骤S800：根据所述第一实际药效评估结果和所述第一预期治疗效果，获得第一差异信息；

步骤S900：构建第一评估映射函数；

步骤S1000：将所述第一差异信息输入所述第一评估映射函数，获得第二实际药效评估结果。

具体而言，所述第一差异信息为对比所述第一实际药效评估结果和所述第一预期治疗效果所得到的二者之间的不同，所述第一评估映射函数为所述第一差异信息和第二实际药效评估结果之间的函数对应关系，通过将所述第一差异信息输入所述第一评估映射函数，对所述第一实际药效评估结果进行修正，从而获得第二实际药效评估结果。由于采用逆向思维将第一差异信息作为评估依据，对实际药效评估结果进行不断修正，以得到第二实际药效评估结果，确保了预估值与实际值之间的差异在稳定范围之内，将其他干扰因素对实际药效评估准确性的影响可控化，达到了精准预估唑螨酯与农药混用药效的技术效果。

进一步而言，本申请实施例还包括步骤S1100，其中，步骤S1100包括：

步骤S1110：获得所述第一农药的第一影响因素信息；

步骤S1120：判断温度信息和湿度信息是否存在所述第一影响因素信息之中；

步骤S1130：如果温度信息和湿度信息存在所述第一影响因素信息之中，获得所述第一植物的生长环境；

步骤S1140：根据所述第一植物的生长环境，获得所述生长环境的实时温度信息和实时湿度信息；

步骤S1150：根据实时温度信息和实时湿度信息，获得第一影响参数；

步骤S1160：根据所述第一影响参数，调整所述第一实际药效评估结果，获得第三实际药效评估结果。

具体而言，所述第一影响因素信息为可以对第一农药的药效产生影响的外部因素，例如温度、湿度、大气压强等，当第一影响因素信息中包含温度和湿度，说明实时温度和实时湿度会对第一农药的药效产生影响，则需要获得所述第一植物的生长环境，所述第一植物生长环境为所述第一植物在生长过程中的外部环境，例如气候，温、湿度或光照程度等。通过所述第一植物的生长环境，获得所述生长环境的实时温度信息和实时湿度信息，再根据实时温度信息和实时湿度信息，获得第一影响参数，所述第一影响参数即在所述第一植物的生长环境下不可避免的会对第一农药的药效产生影响的相关参数，根据所述第一影响参数，调整所述第一实际药效评估结果，获得第三实际药效评估结果。通过提取植物生长环境对第一农药的影响参数来修正实际药效评估结果，提前避免了因为外部环境的影响，而对实际药效评估产生误差，提高了实际药效评估的准确性，达到了精准预估实际药效的技术效果。

进一步而言，本申请实施例还包括步骤S1200，其中，步骤S1200包括：

步骤S1210：根据所述第一唑螨酯和所述第一农药，获得预定污染源数据库；

步骤S1220：判断所述生长环境中是否存在所述预定污染源数据库中的第一污染源；

步骤S1230：如果所述生长环境中存在所述预定污染源数据库中的第一污染源，根据所述第一污染源，获得第二影响参数；

步骤S1240：根据所述第二影响参数，调整所述第一实际药效评估结果，获得第四实际药效评估结果。

具体而言，所述预定污染源数据库为会对实际药效产生影响的污染源的总和，当所述第一植物的生长环境中存在所述预定污染源数据库中的第一污染源，即说明所述第一污染源会对实际药效产生影响，根据所述第一污染源，获得第二影响参数，根据所述第二影响参数，调整所述第一实际药效评估结果，获得第四实际药效评估结果。通过提取植物生长环境中的污染源，将其作为影响参数判断对实际药效产生的影响，从而对第一实际药效评估结果进行修正获得得第四实际药效评估结果，避免了因为生长环境中污染源对实际药效的影响而对实际药效评估结果产生误差，提高了实际药效评估的准确性，达到了精准预估实际药效的技术效果。

进一步而言，本申请实施例还包括步骤S1300，其中，步骤S1300包括：

步骤S1310：获得所述第一唑螨酯和第一农药的实际配比信息；

步骤S1320：获得药效成分配比曲线；

步骤S1330：根据所述实际配比信息和所述药效成分配比曲线，获得第一配比药效信息；

步骤S1340：根据所述第一配比药效信息对所述第二实际药效评估结果进行修正，获得第五实际药效评估结果。

具体而言，所述实际配比信息为所述第一唑螨酯和所述第一农药分别占所述第一混合农药的浓度比例，药效成分配比曲线为所述第一唑螨酯、所述第一农药和第一混合农药的理想药效之间的曲线关系图，通过所述药效成分配比曲线可以详细了解到所述第一唑螨酯或所述第一农药在任意浓度下的理想药效。根据所述实际配比信息和所述药效成分配比曲线，获得第一配比药效信息，所述第一配比药效信息即在实际配比浓度下的理想药效，再根据所述第一配比药效信息对所述第二实际药效评估结果进行修正，获得第五实际药效评估结果。所述第一混合农药中唑螨酯的配比含量直接影响其的除螨效率。当第一混合农药中唑螨酯含量较低，无法起到除螨的作用；当第一混合农药中唑螨酯含量较高，效果饱和，会产生药物浪费。日常使用时，唑螨酯含量占第一混合农药浓度的5％左右即为较佳配比含量，既能够起到除螨的作用，也不会造成浪费。通过根据理想药效对实际药效评估结果进行修正，避免了因配比过程中产生误差而对实际药效评估结果产生影响，达到了提高了实际药效评估的准确性，精准预估实际药效的技术效果。

进一步而言，本申请实施例还包括步骤S1400，其中，步骤S1400包括：

步骤S1410：获得预定治疗时长；

步骤S1420：获得所述预定治疗时长的温湿度变化曲线；

步骤S1430：获得所述温湿度变化曲线相对应的第二实际药效评估结果集合；

步骤S1440：对所述第二实际药效评估结果集合执行第一运算指令，获得第六实际药效评估结果，其中，所述第一运算指令用于对所述第二实际药效评估结果集合进行平均运算。

具体而言，所述预定治疗时长为第一混合农药的使用时间短段，温湿度变化曲线为所述第一植物在所述预定治疗时长内的生长环境中温湿度连续变化的数据集合，通过提取治疗时长，确定治疗时间段中的温湿度变化情况，结合温湿度对实际药效产生的影响，相应得到第二实际药效评估结果集合。对所述第二实际药效评估结果集合执行第一运算指令，获得第六实际药效评估结果，其中，所述第一运算指令用于对所述第二实际药效评估结果集合进行平均运算。从平均值的角度出发，通过将预定治疗时长中的药效集合进行重新平均计算的方法，得到了一个稳定的、能够代表一整个时间段的药效数据，避免了在药效评估过程中受到预定治疗时长内个别极端温湿度值对最终评估产生影响，而导致的药效评估不准确，达到了提高了实际药效评估的准确性，精准预估实际药效的技术效果。

综上所述，本申请实施例所提供的一种金桔果的加工方法具有如下技术效果：

1、本申请实施例提供了一种唑螨酯与农药混用药效评估方法及系统，通过获得第一混合农药，所述第一混合农药包括第一唑螨酯，其中，所述第一混合农药用于第一植物，所述第一植物具有第一病害和第二病害，所述第二病害属于第一唑螨酯的病害治疗范围之内；将所述第一病害和所述第一唑螨酯输入农药筛选模型，获得第一农药，所述第一农药用于治疗所述第一病害；获得所述第一植物的第一预期治疗效果；获得所述第一农药的成分信息；根据所述第一农药的成分信息，获得所述第一农药与所述第一唑螨酯的第一抑制成分；根据所述第一抑制成分获得所述抑制成分的第一作用位置；将所述第一抑制成分、所述第一作用位置和所述第一唑螨酯输入实际药效评估模型，获得第一实际药效评估结果；根据所述第一实际药效评估结果和所述第一预期治疗效果，获得第一差异信息；构建第一评估映射函数；将所述第一差异信息输入所述第一评估映射函数，获得第二实际药效评估结果来对唑螨酯与农药混用药效进行详细、精确的评估，达到了在药物喷洒前结合各项因素对其药效进行评估，从而使得唑螨酯与农药混用药效最大化，进一步提高了农作物的培育效率和种植成活率的技术效果。以实现通过智能手段协助农作物的种植和培育。

2、将所述第一病害和所述第一唑螨酯作为输入数据，输入所述农药筛选模型获得所述第一农药，所述农药筛选模型为一机器学习模型，基于所述机器学习模型能不断学习、获取经验来处理数据的方式，使得对第一农药的获得更为准确。

实施例二

基于与前述实施例中一种唑螨酯与农药混用药效评估方法同样发明构思，本发明还提供了一种唑螨酯与农药混用药效评估系统，如图2所示，所述系统包括：

第一获得单元11，所述第一获得单元11用于获得第一混合农药，所述第一混合农药包括第一唑螨酯，其中，所述第一混合农药用于第一植物，所述第一植物具有第一病害和第二病害，所述第二病害属于第一唑螨酯的病害治疗范围之内；

第二获得单元12，所述第二获得单元12用于将所述第一病害和所述第一唑螨酯输入农药筛选模型，获得第一农药，所述第一农药用于治疗所述第一病害；

第三获得单元13，所述第三获得单元13用于获得所述第一植物的第一预期治疗效果；

第四获得单元14，所述第四获得单元14用于获得所述第一农药的成分信息；

第五获得单元15，所述第五获得单元15用于根据所述第一农药的成分信息，获得所述第一农药与所述第一唑螨酯的第一抑制成分；

第六获得单元16，所述第六获得单元16用于根据所述第一抑制成分获得所述抑制成分的第一作用位置；

第一执行单元17，所述第一执行单元17用于将所述第一抑制成分、所述第一作用位置和所述第一唑螨酯输入实际药效评估模型，获得第一实际药效评估结果；

第七获得单元18，所述第七获得单元18用于根据所述第一实际药效评估结果和所述第一预期治疗效果，获得第一差异信息；

第一构建单元19，所述第一构建单元19用于构建第一评估映射函数；

第八获得单元20，所述第八获得单元20用于将所述第一差异信息输入所述第一评估映射函数，获得第二实际药效评估结果。

进一步的，所述系统还包括：

第九获得单元，所述第九获得单元用于获得所述第一农药的第一影响因素信息；

第一判断单元，所述第一判断单元用于判断温度信息和湿度信息是否存在所述第一影响因素信息之中；

第十获得单元，所述第十获得单元用于当温度信息和湿度信息存在所述第一影响因素信息之中，获得所述第一植物的生长环境；

第十一获得单元，所述第十一获得单元用于根据所述第一植物的生长环境，获得所述生长环境的实时温度信息和实时湿度信息；

第十二获得单元，所述第十二获得单元用于根据实时温度信息和实时湿度信息，获得第一影响参数；

第十三获得单元，所述第十三获得单元用于根据所述第一影响参数，调整所述第一实际药效评估结果，获得第三实际药效评估结果。

进一步的，所述装置还包括：

第十四获得单元，所述第十四获得单元用于根据所述第一唑螨酯和所述第一农药，获得预定污染源数据库；

第二判断单元，所述第二判断单元用于判断所述生长环境中是否存在所述预定污染源数据库中的第一污染源；

第十五获得单元，所述第十五获得单元用于当所述生长环境中存在所述预定污染源数据库中的第一污染源，根据所述第一污染源，获得第二影响参数；

第十六获得单元，所述第十六获得单元用于根据所述第二影响参数，调整所述第一实际药效评估结果，获得第四实际药效评估结果。

进一步的，所述装置还包括：

第十七获得单元，所述第十七获得单元用于获得所述第一植物的特点信息；

第十八获得单元，所述第十八获得单元用于获得所述第一植物的种植季节信息；

第十九获得单元，所述第十九获得单元用于根据所述第一植物的特点信息、所述种植季节信息和所述生长环境，获得第一参考因素；

第二十获得单元，所述第二十获得单元用于分别获得所述第一病害和所述第二病害对所述第一植物的第一危害等级和第二危害等级；

第二十一获得单元，所述第二十一获得单元用于将所述第一危害等级和所述第二危害等级分别进行映射，获得第一权重值和第二权重值；

第二十二获得单元，所述第二十二获得单元用于根据所述第一权重值和所述第一影响因素获得第一输入信息；

第二十三获得单元，所述第二十三获得单元用于根据所述第二权重值和所述第一影响因素获得第二输入信息；

第二执行单元，所述第二执行单元用于将所述第一输入信息和所述第二输入信息输入预期治疗效果估计模型，获得所述第一植物的第一预期治疗效果。

进一步的，所述装置还包括：

第二十四获得单元，所述第二十四获得单元用于获得所述第一唑螨酯和第一农药的实际配比信息；

第二十五获得单元，所述第二十五获得单元用于获得药效成分配比曲线；

第二十六获得单元，所述第二十六获得单元用于根据所述实际配比信息和所述药效成分配比曲线，获得第一配比药效信息；

第二十七获得单元，所述第二十七获得单元用于根据所述第一配比药效信息对所述第二实际药效评估结果进行修正，获得第五实际药效评估结果。

进一步的，所述装置还包括：

第二十八获得单元，所诉第二十八获得单元用于获得预定治疗时长；

第二十九获得单元，所诉第二十九获得单元用于获得所述预定治疗时长的温湿度变化曲线；

第三十获得单元，所诉第三十获得单元用于获得所述温湿度变化曲线相对应的第二实际药效评估结果集合；

第三执行单元，所述第三执行单元用于对所述第二实际药效评估结果集合执行第一运算指令，获得第六实际药效评估结果，其中，所述第一运算指令用于对所述第二实际药效评估结果集合进行平均运算。

进一步的，所述装置还包括：

第四执行单元，所述第四执行单元用于将所述第一病害和所述第一唑螨酯作为输入数据，输入所述农药筛选模型；

第三十一获得单元，所述第三十一获得单元用于获得所述农药筛选模型通过多组训练至收敛的数据，所述多组训练数据中的每组均包括所述第一病害、所述第一唑螨酯和用于标识第一农药的标识信息；

第三十二获得单元，所述第三十二获得单元用于获得所述农药筛选模型的输出数据，所述输出数据包括所述第一农药。

前述图1实施例一中的唑螨酯与农药混用药效评估方法和具体实例同样适用于本实施例的唑螨酯与农药混用药效评估系统，通过前述对唑螨酯与农药混用药效评估方法的详细描述，本领域技术人员可以清楚的知道本实施例中唑螨酯与农药混用药效评估系统，所以为了说明书的简洁，在此不再详述。

示例性电子设备

下面参考图3来描述本申请实施例的电子设备。

图3图示了根据本申请实施例的电子设备的结构示意图。

基于与前述实施例中一种唑螨酯与农药混用药效评估方法的发明构思，本发明还提供一种唑螨酯与农药混用药效评估系统，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种唑螨酯与农药混用药效评估方法的任一方法的步骤。

其中，在图3中，总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。

处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。

本申请提供了一种唑螨酯与农药混用药效评估方法，其中，所述方法应用于一种唑螨酯与农药混用药效评估系统，所述方法包括：获得第一混合农药，所述第一混合农药包括第一唑螨酯，其中，所述第一混合农药用于第一植物，所述第一植物具有第一病害和第二病害，所述第二病害属于第一唑螨酯的病害治疗范围之内；将所述第一病害和所述第一唑螨酯输入农药筛选模型，获得第一农药，所述第一农药用于治疗所述第一病害；获得所述第一植物的第一预期治疗效果；获得所述第一农药的成分信息；根据所述第一农药的成分信息，获得所述第一农药与所述第一唑螨酯的第一抑制成分；根据所述第一抑制成分获得所述抑制成分的第一作用位置；将所述第一抑制成分、所述第一作用位置和所述第一唑螨酯输入实际药效评估模型，获得第一实际药效评估结果；根据所述第一实际药效评估结果和所述第一预期治疗效果，获得第一差异信息；构建第一评估映射函数；将所述第一差异信息输入所述第一评估映射函数，获得第二实际药效评估结果。

本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品，该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。