CN104008633A - 一种设施菠菜病害预警方法及系统 - Google Patents
一种设施菠菜病害预警方法及系统 Download PDFInfo
- Publication number
- CN104008633A CN104008633A CN201410225345.7A CN201410225345A CN104008633A CN 104008633 A CN104008633 A CN 104008633A CN 201410225345 A CN201410225345 A CN 201410225345A CN 104008633 A CN104008633 A CN 104008633A
- Authority
- CN
- China
- Prior art keywords
- humidity
- temperature
- sigma
- warning
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 59
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 59
- 241000219315 Spinacia Species 0.000 title claims abstract description 31
- 235000009337 Spinacia oleracea Nutrition 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 23
- 239000002689 soil Substances 0.000 claims abstract description 72
- 235000013311 vegetables Nutrition 0.000 claims abstract description 16
- 239000000523 sample Substances 0.000 claims description 58
- 238000012549 training Methods 0.000 claims description 46
- 230000003203 everyday effect Effects 0.000 claims description 38
- 230000004927 fusion Effects 0.000 claims description 30
- 230000007613 environmental effect Effects 0.000 claims description 29
- 238000012544 monitoring process Methods 0.000 claims description 28
- 230000005540 biological transmission Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 17
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000002156 mixing Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 23
- 241000196324 Embryophyta Species 0.000 description 19
- 238000010586 diagram Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 244000052769 pathogen Species 0.000 description 2
- 230000001717 pathogenic effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005201 scrubbing Methods 0.000 description 2
- 241000123650 Botrytis cinerea Species 0.000 description 1
- 206010017533 Fungal infection Diseases 0.000 description 1
- 208000031888 Mycoses Diseases 0.000 description 1
- 241000244206 Nematoda Species 0.000 description 1
- 241000233679 Peronosporaceae Species 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000003967 crop rotation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000003612 virological effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种设施菠菜病害预警方法及系统,该方法包括:S1.在温室内进行空气温湿传感器布设和土壤温湿度传感器布设,布设的传感器按照预设的时间间隔采集设施蔬菜的环境信息数据,包括空气温度、空气湿度、土壤温度和土壤湿度;S2.对采集的环境信息数据进行处理;S3.基于SVM建立分类预警模型;S4.利用S3的分类预警模型对S2处理后的环境信息数据进行分析,得出当前环境的预警级别,若预警级别为无警,返回步骤S1,否则,执行步骤S5;S5.根据预警级别执行相应的级别的报警功能;S6.解除警报并返回步骤S1。本发明能够简单有效地对多种病害进行预警。
Description
技术领域
本发明涉及计算机技术领域,具体涉及一种设施菠菜病害预警方法及系统。
背景技术
设施蔬菜的病害发生与环境密切相关,不良环境、病原物和蔬菜三者的相互作用是造成病害的主要原因,当环境达到一定条件时,极利于病菌的生长繁殖,同时加快了病菌对蔬菜的侵染和病情的扩展。对于设施菠菜,其生长周期短、种植品种单一、复种指数高,轮作倒茬困难,再加上高温高湿等不良环境,在一定程度上极易导致病害的快速、大规模流行。
以往的蔬菜病害预警方法往往是基于致病性病原物等生理病害因素进行研究,用到的算法复杂,同时还要结合大量专家水平的领域知识和经验,工作量大,不便于文化素质较低的农户学习掌握。且以往的蔬菜病害预警系统所需硬件设备造价高,不便推广,且系统在病害发生时才进行报警,报警时已经带来了不必要的经济损失,无法完全达到预警目的。
发明内容
针对现有技术的不足,本发明提供一种设施菠菜病害预警方法及系统,能够简单有效地对多种病害进行预警。
为实现上述目的,本发明通过以下技术方案予以实现:
一种设施菠菜病害预警方法,该方法包括:
S1.在温室内进行空气温湿传感器布设和土壤温湿度传感器布设,布设的传感器按照预设的时间间隔采集设施蔬菜的环境信息数据,包括空气温度、空气湿度、土壤温度和土壤湿度;
S2.对采集的环境信息数据进行处理;
S3.基于SVM建立分类预警模型;
S4.利用S3的分类预警模型对S2处理后的环境信息数据进行分析,得出当前环境的预警级别,若预警级别为无警,返回步骤S1,否则,执行步骤S5;
S5.根据预警级别执行相应的级别的报警功能;
S6.解除警报并返回步骤S1。
优选地,步骤S2中所述对采集的环境信息数据进行处理包括:
S21.对某一时刻同类型的多个传感器传回的数据进行融合,具体采用基于均值的递推融合算法来完成数据融合:
将所有空气温度传感器或所有空气湿度传感器或所有土壤温度传感器或所有土壤湿度传感器传回的数据平均分为两组,设两组数据的算术平均值分别为和对应的标准差分别为σ1和σ2,利用如下公式完成数据融合:
其中,T+是某一时刻同类型多个传感器传输数据融合后的结果;
S22.根据数据融合结果计算12个监测指标:每日空气最高温度、最低温度和平均温度;空气最大湿度、最小湿度和平均湿度;计算每日土壤最高温度、最低温度和平均温度;空气最大湿度、最小湿度和平均湿度;将该12个监测指标的数据作为数据处理结果。
优选地,步骤S3中所述基于SVM建立分类预警模型包括:
设训练样本为(xi,yi),i=1,2,…,n,其中n为训练样本的总数,xi为训练样本中的输入向量,yi为训练集标签,其值为0、1、2、3,分别对应病情等级0、Ⅰ、Ⅱ、Ⅲ,代表无警、轻警、中警和重警四个预警级别,xi中的12个元素代表训练样本的属性,公式如下:
xi=(xi1,xi2,xi3,……,xi12)
其中xi1到xi12依次代表每日空气最大温度、最小温度、平均温度;每日空气最大湿度、最小湿度、平均湿度;每日土壤最大温度、最小温度、平均温度;每日土壤最大湿度、最小湿度、平均湿度这十二个属性,即十二个监测指标;
设分类预警结果有四类,包括无警、轻警、中警和重警,分别对应病情等级0、Ⅰ、Ⅱ、Ⅲ,利用如下分类函数对训练样本进行训练:
其中,为支持向量,b*是分类阈值,yi是训练集的标签,K(xi,x)为核函数;
通过调整相关参数不断提高预测模型的准确率,当预测准确率高于预设的阈值时,完成该预警模型的建立。
优选地,在步骤S3中所述核函数为径向基函数,其为如下:
其中,σ为尺度参数。
优选地,步骤S1中所述在温室内进行空气温湿传感器布设和土壤温湿度传感器布设包括:
设温室占地长度为L,宽度为W,取1/4L、2/4L、3/4L处与1/3W、2/3W处作垂直交叉线形成网格,共得到6个网格交点,分别将其标记为P1、P2、P3、P4、P5、P6,将空气温湿度传感器探头布设在P1、P2、P3、P4、P5、P6这6点且高度为0.8m和1.5m处;将土壤温湿度传感器布设在P1、P2、P3、P4、P5、P6这6点且深度为10cm和20cm处。
一种设施菠菜病害预警系统,该系统包括:
数据采集与传输模块,用于在温室内进行空气温湿传感器布设和土壤温湿度传感器布设,布设的传感器按照预设的时间间隔采集设施蔬菜的环境信息数据,包括空气温度、空气湿度、土壤温度和土壤湿度;将采集的环境信息数据通过无线方式发送给数据处理模块;
数据处理模块,用于对采集的环境信息数据进行处理;
预警模型建立模块,用于基于SVM建立分类预警模型;
病害预警模块,用于利用分类预警模型对处理后的环境信息数据进行分析,得出当前环境的预警级别,若预警级别不是无警,根据预警级别执行相应的级别的报警功能;
警报解除模块,用于解除警报。
优选地,所述数据处理模块包括数据融合单元和监测指标计算单元,其中,
数据融合单元,用于对某一时刻同类型的多个传感器传回的数据进行融合,具体采用基于均值的递推融合算法来完成数据融合:
将所有空气温度传感器或所有空气湿度传感器或所有土壤温度传感器或所有土壤湿度传感器传回的数据平均分为两组,设两组数据的算术平均值分别为和对应的标准差分别为σ1和σ2,利用如下公式完成数据融合:
其中,T+是某一时刻同类型多个传感器传输数据融合后的结果;
监测指标计算单元,用于根据数据融合结果计算12个监测指标:每日空气最高温度、最低温度和平均温度;空气最大湿度、最小湿度和平均湿度;计算每日土壤最高温度、最低温度和平均温度;空气最大湿度、最小湿度和平均湿度;将该12个监测指标的数据作为数据处理结果。
优选地,所述预警模型建立模块用于基于SVM建立分类预警模型:
设训练样本为(xi,yi),i=1,2,…,n,其中n为训练样本的总数,xi为训练样本中的输入向量,yi为训练集标签,其值为0、1、2、3,分别对应病情等级0、Ⅰ、Ⅱ、Ⅲ,代表无警、轻警、中警和重警四个预警级别,xi中的12个元素代表训练样本的属性,公式如下:
xi=(xi1,xi2,xi3,……,xi12)
其中xi1到xi12依次代表每日空气最大温度、最小温度、平均温度;每日空气最大湿度、最小湿度、平均湿度;每日土壤最大温度、最小温度、平均温度;每日土壤最大湿度、最小湿度、平均湿度这十二个属性,即十二个监测指标;
设分类预警结果有四类,包括无警、轻警、中警和重警,分别对应病情等级0、Ⅰ、Ⅱ、Ⅲ,利用如下分类函数对训练样本进行训练:
其中,为支持向量,b*是分类阈值,yi是训练集的标签,K(xi,x)为核函数;
通过调整相关参数不断提高预测模型的准确率,当预测准确率高于预设的阈值时,完成该预警模型的建立。
优选地,所述核函数为径向基函数,其为如下:
其中,σ为尺度参数。
优选地,所述数据采集与传输模块中在温室内进行空气温湿传感器布设和土壤温湿度传感器布设具体为:
设温室占地长度为L,宽度为W,取1/4L、2/4L、3/4L处与1/3W、2/3W处作垂直交叉线形成网格,共得到6个网格交点,分别将其标记为P1、P2、P3、P4、P5、P6,将空气温湿度传感器探头布设在P1、P2、P3、P4、P5、P6这6点且高度为0.8m和1.5m处;将土壤温湿度传感器布设在P1、P2、P3、P4、P5、P6这6点且深度为10cm和20cm处。
本发明至少具有如下的有益效果:
本发明实施例主要针对设施菠菜的生长环境进行监测,当环境因素发生改变且易引起病害发生时,进行报警并预报病情等级,及时帮助农户了解病害规模和严重程度,减少经济损失。该发明无需涉及大量专家领域知识的掌握与分析,更便于农户所理解掌握,同时减少了不必要的算法,使得蔬菜病害预警功能的实现变得简单有效。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一个实施例中设施菠菜病害预警方法的流程图;
图2是本发明一个实施例中空气温湿度传感器探头水平面布设示意图;
图3是本发明一个实施例中空气温湿度传感器探头竖直方向布设示意图;
图4是本发明一个实施例中土壤温湿度传感器探头竖直方向布设示意图;
图5是本发明一个实施例中设施菠菜病害预警系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,本发明实施例提出了一种设施菠菜病害预警方法,该方法包括:
步骤101:在温室内进行空气温湿传感器布设和土壤温湿度传感器布设,布设的传感器按照预设的时间间隔采集设施蔬菜的环境信息数据,包括空气温度、空气湿度、土壤温度和土壤湿度。
在本步骤中,通过查阅相关文献得知菠菜的生长受空气温湿度、土壤温湿度的影响较大,例如:当温度在22~30℃,特别是28℃时,大多数病毒最容易入侵,菠菜易患病毒病;气温低于10℃,空气相对湿度大于85%时,菠菜易被真菌感染,易患霜霉病;空气相对湿度大于95%时,易被灰葡萄孢侵染,易患灰霉病;土温高于30℃,土壤潮湿情况下,地下线虫增多,易使菠菜患枯萎病。由此,选取空气温度、空气湿度、土壤温度、土壤湿度四个环境因素作为监测因素。
设施蔬菜实时环境信息数据的采集要通过传感器探头完成,针对本发明实施例的四个监测因素,使用空气温湿度传感器和土壤温湿度传感器进行数据采集,这里温度和湿度传感探头都集成在一个探头上,当然也可以分开,规定传感器探头每隔10min进行一次数据采集。
该步骤同时涉及到传感器探头的布点,为更准确地反映设施菠菜的生长环境状况,设计的布点方案如下:
(1)空气温湿度传感器布点
设日光温室占地的长度为L,宽度为W,屋脊高度为H。取1/4L、2/4L、3/4L处与1/3W、2/3W处作垂直交叉线形成网格,共得到6个网格交点,分别将其标记为P1、P2、P3、P4、P5、P6,空气温湿度传感器探头的水平面布设示意图如图2所示;由于在菠菜生长过程中,当株高长到25~35cm时即可采收,为不影响菠菜的生长和采收,空气温湿度传感器探头可布设在0.8m和1.5m处两个高度,将其标记为Q1,Q2,Q3,Q4,具体竖直方向布设方案示意图如图3所示。
(2)土壤温湿度传感器布点
由于菠菜的根系较短,约5~10cm,土壤温室度传感器探头可布设在地面以下10cm和20cm处两个深度,标记为S1,S2,具体布设方案如图4所示;土壤温湿度传感器探头的水平布设方案与空气温湿度传感器探头布设方案相同,水平布设示意图参看图2。
数据采集完后,采用ZigBee无线传感器网络技术来完成数据传输工作,ZigBee无线传感器网络采用IEEE802.15.4规范定义PHY层和MAC层,工作在2.4GHz频段,信道通信速率为250kbps,完全可以满足实时数据传输的要求。无线传感器终端采集到温室环境信息数据后,汇聚到ZigBee协调器,协调器通过无线通讯协议与计算机实现连接,将采集到的实时环境信息数据传输到计算机中并储存到Excel表格中。如果传输距离较远,可以通过ZigBee路由器来有效扩展传输距离。
步骤102:对采集的环境信息数据进行处理。
接收到传输来的数据后,首先要对数据进行存储,以便后续的数据处理工作有序进行,数据的存储媒介是Excel表格。
在本步骤中,对采集的环境信息数据进行处理包括两部分内容:
(1)对某一时刻同类型的多个传感器传回的数据进行融合,具体采用基于均值的递推融合算法来完成数据融合:
将所有空气温度传感器或所有空气湿度传感器或所有土壤温度传感器或所有土壤湿度传感器传回的数据平均分为两组,设两组数据的算术平均值分别为和对应的标准差分别为σ1和σ2,利用如下公式完成数据融合:
其中,T+是某一时刻同类型多个传感器传输数据融合后的结果,将T+做为某一时刻某类型传感器的数据结果;
(2)根据数据融合结果计算12个监测指标:每日空气最高温度、最低温度和平均温度;空气最大湿度、最小湿度和平均湿度;计算每日土壤最高温度、最低温度和平均温度;空气最大湿度、最小湿度和平均湿度;将该12个监测指标的数据作为数据处理结果。
步骤103:基于SVM建立分类预警模型。
分类预警模型的建立是本发明实施例的关键环节,在本步骤中,建立预警模型的方法如下:
(1)病害发生情况记录:定期随机抽取预设数量的菠菜植株,计算病情指数;
例如,在菠菜抽薹到收获期间,每天12:00到温室完成菠菜病害情况的记录工作,每次随机抽取200株菠菜,统计其中发生病害植株的数目并计算发病植株占总抽取植株的百分比。
(2)病情等级的确定:本发明实施例将病情等级分为0、Ⅰ、Ⅱ、Ⅲ4个等级,分别对应的病情为无病害、轻病害、中病害和重病害,分别对应的预警级别为无警、轻警、中警和重警;当无发病植株时,其对应病情为0级,对应的预警级别为无警;当发病植株占总抽取植株百分比大于0,小于等于25%时,其对应病情为Ⅰ级,对应的预警级别为轻警;当发病植株占总抽取植株百分比大于25%,小于等于50%时,其对应病情为Ⅱ级,对应的预警级别为中警;当发病植株占总抽取植株百分比大于50%时,其对应病情为Ⅲ级,对应的预警级别为重警。
(3)基于SVM进行学习训练,具体为:
设训练样本为(xi,yi),i=1,2,…,n,其中n为训练样本的总数,xi为训练样本中的输入向量,yi为训练集标签,其值为0、1、2、3,分别对应病情等级0、Ⅰ、Ⅱ、Ⅲ,代表无警、轻警、中警和重警四个预警级别,xi中的12个元素代表训练样本的属性,公式如下:
xi=(xi1,xi2,xi3,……,xi12)
其中xi1到xi12依次代表每日空气最大温度、最小温度、平均温度;每日空气最大湿度、最小湿度、平均湿度;每日土壤最大温度、最小温度、平均温度;每日土壤最大湿度、最小湿度、平均湿度这十二个属性,即十二个监测指标;
设分类预警结果有四类,包括无警、轻警、中警和重警,分别对应病情等级0、Ⅰ、Ⅱ、Ⅲ,利用如下分类函数对训练样本进行训练:
其中,为支持向量,b*是分类阈值,yi是训练集的标签,K(xi,x)为核函数;
通过调整相关参数不断提高预测模型的准确率,当预测准确率高于预设的阈值时,完成该预警模型的建立。
。优选地,这里预设的阈值为85%,当然还可以根据实际情况设定其他值。
步骤104:利用步骤103的分类预警模型对步骤102处理后的环境信息数据进行分析,得出当前环境的预警级别。
在本步骤中,将步骤102处理后的12个监测指标数据送入预警模型,通过预警模型分析得到当前环境的预警级别。
步骤105:判断当前环境的预警级别是否为无警,若是,返回步骤101,否则,执行步骤106。
步骤106:根据预警级别执行相应的级别的报警功能。
在本步骤中,根据异常环境数据将病情自动归入I、II、III三个等级,这三个等级依次代表轻度病害、中度病害、重度病害,然后进行声光报警。
步骤107:解除警报并返回步骤101。
在本步骤中,为了达到提醒的目的,如果系统进行了报警,则警报是无法自动停止的,所以需要人为解除警报,管理人员手动解除警报后,系统停止报警并继续对实时环境信息数据进行监测。
优选地,在步骤103中所述核函数可以为径向基函数,如下:
其中,σ为尺度参数。
另外,在实际应用时,由于各传感器采集的是实时数据,所以数据量相对来说比较大。一个传感器探头每隔10min进行一次数据采集,则一天需要采集的数据量有144个,温室中同时工作的传感器探头有多个,再加上每天的数据在积累,故数据量很大,大量的数据会占用过多的内存,故要通过数据清理来降低内存占用率并提高数据处理速度。要求系统只保存最近一周的数据,供用户调用查看,超过一周的数据自动清除,数据清理也通过Excel进行。
本发明实施例主要针对设施菠菜的生长环境进行监测,当环境因素发生改变且易引起病害发生时,进行报警并预报病情等级,及时帮助农户了解病害规模和严重程度,减少经济损失。该发明无需涉及大量专家领域知识的掌握与分析,更便于农户所理解掌握,同时减少了不必要的算法,使得蔬菜病害预警功能的实现变得简单有效。
参见图5,本发明另一个实施例还提出了一种设施菠菜病害预警系统,该系统包括:
数据采集与传输模块501,用于在温室内进行空气温湿传感器布设和土壤温湿度传感器布设,布设的传感器按照预设的时间间隔采集设施蔬菜的环境信息数据,包括空气温度、空气湿度、土壤温度和土壤湿度;将采集的环境信息数据通过无线方式发送给数据处理模块;
数据处理模块502,用于对采集的环境信息数据进行处理;
预警模型建立模块503,用于基于SVM建立分类预警模型;
病害预警模块504,用于利用分类预警模型对处理后的环境信息数据进行分析,得出当前环境的预警级别,若预警级别不是无警,根据预警级别执行相应的级别的报警功能。
本模块会根据异常环境数据将病情自动归入I、II、III三个等级,这三个等级依次代表轻度病害、中度病害、重度病害,然后进行声光报警。
警报解除模块505,用于解除警报。
为了达到提醒的目的,如果系统进行了报警,则警报是无法自动停止的,所以需要进行警报解除,该模块一般由管理员手动进行操作,管理人员手动解除警报后,系统停止报警并继续对实时环境信息数据进行监测。
其中,所述数据采集与传输模块501主要通过传感器探头完成环境数据采集,针对本发明实施例的四个监测因素,使用空气温湿度传感器和土壤温湿度传感器进行数据采集,这里温度和湿度传感探头都集成在一个探头上,当然也可以分开,优选地,规定传感器探头每隔10min进行一次数据采集。
采集完数据后,采用ZigBee无线传感器网络技术来完成数据传输工作,ZigBee无线传感器网络采用IEEE802.15.4规范定义PHY层和MAC层,工作在2.4GHz频段,信道通信速率为250kbps,完全可以满足实时数据传输的要求。无线传感器终端采集到温室环境信息数据后,汇聚到ZigBee协调器,协调器通过无线通讯协议与计算机实现连接,将采集到的实时环境信息数据传输到计算机中并储存到Excel表格中。如果传输距离较远,可以通过ZigBee路由器来有效扩展传输距离。
其中,所述数据处理模块502包括数据融合单元和监测指标计算单元,其中,
数据融合单元,用于对某一时刻同类型的多个传感器传回的数据进行融合,具体采用基于均值的递推融合算法来完成数据融合:
将所有空气温度传感器或所有空气湿度传感器或所有土壤温度传感器或所有土壤湿度传感器传回的数据平均分为两组,设两组数据的算术平均值分别为和对应的标准差分别为σ1和σ2,利用如下公式完成数据融合:
其中,T+是某一时刻同类型多个传感器传输数据融合后的结果;
监测指标计算单元,用于根据数据融合结果计算12个监测指标:每日空气最高温度、最低温度和平均温度;空气最大湿度、最小湿度和平均湿度;计算每日土壤最高温度、最低温度和平均温度;空气最大湿度、最小湿度和平均湿度;将该12个监测指标的数据作为数据处理结果。
其中,所述预警模型建立模块503包括样本准备和样本训练,其中,样本准备过程中需要定期随机抽取预设数量的菠菜植株,本发明实施例将病情等级分为0、Ⅰ、Ⅱ、Ⅲ4个等级,分别对应的病情为无病害、轻病害、中病害和重病害,分别对应的预警级别为无警、轻警、中警和重警;当无发病植株时,其对应病情为0级,对应的预警级别为无警;当发病植株占总抽取植株百分比大于0,小于等于25%时,其对应病情为Ⅰ级,对应的预警级别为轻警;当发病植株占总抽取植株百分比大于25%,小于等于50%时,其对应病情为Ⅱ级,对应的预警级别为中警;当发病植株占总抽取植株百分比大于50%时,其对应病情为Ⅲ级,对应的预警级别为重警;
样本训练主要基于SVM进行学习训练,具体为:
设训练样本为(xi,yi),i=1,2,…,n,其中n为训练样本的总数,xi为训练样本中的输入向量,yi为训练集标签,其值为0、1、2、3,分别对应病情等级0、Ⅰ、Ⅱ、Ⅲ,代表无警、轻警、中警和重警四个预警级别,xi中的12个元素代表训练样本的属性,公式如下:
xi=(xi1,xi2,xi3,……,xi12)
其中xi1到xi12依次代表每日空气最大温度、最小温度、平均温度;每日空气最大湿度、最小湿度、平均湿度;每日土壤最大温度、最小温度、平均温度;每日土壤最大湿度、最小湿度、平均湿度这十二个属性,即十二个监测指标;
设分类预警结果有四类,包括无警、轻警、中警和重警,分别对应病情等级0、Ⅰ、Ⅱ、Ⅲ,利用如下分类函数对训练样本进行训练:
其中,为支持向量,b*是分类阈值,yi是训练集的标签,K(xi,x)为核函数;
通过调整相关参数不断提高预测模型的准确率,当预测准确率高于预设的阈值时,完成该预警模型的建立。优选地,这里预设的阈值为85%,当然还可以根据实际情况设定其他值。
优选地,所述核函数为径向基函数,其为如下:
其中,σ为尺度参数。
优选地,所述数据采集与传输模块中在温室内进行空气温湿传感器布设和土壤温湿度传感器布设具体为:
设温室占地长度为L,宽度为W,取1/4L、2/4L、3/4L处与1/3W、2/3W处作垂直交叉线形成网格,共得到6个网格交点,分别将其标记为P1、P2、P3、P4、P5、P6,将空气温湿度传感器探头布设在P1、P2、P3、P4、P5、P6这6点且高度为0.8m和1.5m处;将土壤温湿度传感器布设在P1、P2、P3、P4、P5、P6这6点且深度为10cm和20cm处。
本发明实施例主要针对设施菠菜的生长环境进行监测,当环境因素发生改变且易引起病害发生时,系统进行报警并预报病情等级,及时帮助农户了解病害规模和严重程度,减少经济损失。该发明无需涉及大量专家领域知识的掌握与分析,更便于农户所理解掌握,同时减少了不必要的算法,使得蔬菜病害预警功能的实现变得简单有效。
以上实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种设施菠菜病害预警方法,其特征在于,该方法包括:
S1.在温室内进行空气温湿传感器布设和土壤温湿度传感器布设,布设的传感器按照预设的时间间隔采集设施蔬菜的环境信息数据,包括空气温度、空气湿度、土壤温度和土壤湿度;
S2.对采集的环境信息数据进行处理;
S3.基于SVM建立分类预警模型;
S4.利用S3的分类预警模型对S2处理后的环境信息数据进行分析,得出当前环境的预警级别,若预警级别为无警,返回步骤S1,否则,执行步骤S5;
S5.根据预警级别执行相应的级别的报警功能;
S6.解除警报并返回步骤S1。
2.根据权利要求1所述的方法,其特征在于,步骤S2中所述对采集的环境信息数据进行处理包括:
S21.对某一时刻同类型的多个传感器传回的数据进行融合,具体采用基于均值的递推融合算法来完成数据融合:
将所有空气温度传感器或所有空气湿度传感器或所有土壤温度传感器或所有土壤湿度传感器传回的数据平均分为两组,设两组数据的算术平均值分别为和对应的标准差分别为σ1和σ2,利用如下公式完成数据融合:
其中,T+是某一时刻同类型多个传感器传输数据融合后的结果;
S22.根据数据融合结果计算12个监测指标:每日空气最高温度、最低温度和平均温度;空气最大湿度、最小湿度和平均湿度;计算每日土壤最高温度、最低温度和平均温度;空气最大湿度、最小湿度和平均湿度;将该12个监测指标的数据作为数据处理结果。
3.根据权利要求1所述的方法,其特征在于,步骤S3中所述基于SVM建立分类预警模型包括:
设训练样本为(xi,yi),i=1,2,…,n,其中n为训练样本的总数,xi为训练样本中的输入向量,yi为训练集标签,其值为0、1、2、3,分别对应病情等级0、Ⅰ、Ⅱ、Ⅲ,代表无警、轻警、中警和重警四个预警级别,xi中的12个元素代表训练样本的属性,公式如下:
xi=(xi1,xi2,xi3,……,xi12)
其中xi1到xi12依次代表每日空气最大温度、最小温度、平均温度;每日空气最大湿度、最小湿度、平均湿度;每日土壤最大温度、最小温度、平均温度;每日土壤最大湿度、最小湿度、平均湿度这十二个属性,即十二个监测指标;
设分类预警结果有四类,包括无警、轻警、中警和重警,分别对应病情等级0、Ⅰ、Ⅱ、Ⅲ,利用如下分类函数对训练样本进行训练:
其中,为支持向量,b*是分类阈值,yi是训练集的标签,K(xi,x)为核函数;
通过调整相关参数不断提高预测模型的准确率,当预测准确率高于预设的阈值时,完成该预警模型的建立。
4.根据权利要求3所述的方法,其特征在于,在步骤S3中所述核函数为径向基函数,其为如下:
其中,σ为尺度参数。
5.根据权利要求1所述的方法,其特征在于,步骤S1中所述在温室内进行空气温湿传感器布设和土壤温湿度传感器布设包括:
设温室占地长度为L,宽度为W,取1/4L、2/4L、3/4L处与1/3W、2/3W处作垂直交叉线形成网格,共得到6个网格交点,分别将其标记为P1、P2、P3、P4、P5、P6,将空气温湿度传感器探头布设在P1、P2、P3、P4、P5、P6这6点且高度为0.8m和1.5m处;将土壤温湿度传感器布设在P1、P2、P3、P4、P5、P6这6点且深度为10cm和20cm处。
6.一种设施菠菜病害预警系统,其特征在于,该系统包括:
数据采集与传输模块,用于在温室内进行空气温湿传感器布设和土壤温湿度传感器布设,布设的传感器按照预设的时间间隔采集设施蔬菜的环境信息数据,包括空气温度、空气湿度、土壤温度和土壤湿度;将采集的环境信息数据通过无线方式发送给数据处理模块;
数据处理模块,用于对采集的环境信息数据进行处理;
预警模型建立模块,用于基于SVM建立分类预警模型;
病害预警模块,用于利用分类预警模型对处理后的环境信息数据进行分析,得出当前环境的预警级别,若预警级别不是无警,根据预警级别执行相应的级别的报警功能;
警报解除模块,用于解除警报。
7.根据权利要求6所述的系统,其特征在于,所述数据处理模块包括数据融合单元和监测指标计算单元,其中,
数据融合单元,用于对某一时刻同类型的多个传感器传回的数据进行融合,具体采用基于均值的递推融合算法来完成数据融合:
将所有空气温度传感器或所有空气湿度传感器或所有土壤温度传感器或所有土壤湿度传感器传回的数据平均分为两组,设两组数据的算术平均值分别为和对应的标准差分别为σ1和σ2,利用如下公式完成数据融合:
其中,T+是某一时刻同类型多个传感器传输数据融合后的结果;
监测指标计算单元,用于根据数据融合结果计算12个监测指标:每日空气最高温度、最低温度和平均温度;空气最大湿度、最小湿度和平均湿度;计算每日土壤最高温度、最低温度和平均温度;空气最大湿度、最小湿度和平均湿度;将该12个监测指标的数据作为数据处理结果。
8.根据权利要求6所述的系统,其特征在于,所述预警模型建立模块用于基于SVM建立分类预警模型:
设训练样本为(xi,yi),i=1,2,…,n,其中n为训练样本的总数,xi为训练样本中的输入向量,yi为训练集标签,其值为0、1、2、3,分别对应病情等级0、Ⅰ、Ⅱ、Ⅲ,代表无警、轻警、中警和重警四个预警级别,xi中的12个元素代表训练样本的属性,公式如下:
xi=(xi1,xi2,xi3,……,xi12)
其中xi1到xi12依次代表每日空气最大温度、最小温度、平均温度;每日空气最大湿度、最小湿度、平均湿度;每日土壤最大温度、最小温度、平均温度;每日土壤最大湿度、最小湿度、平均湿度这十二个属性,即十二个监测指标;
设分类预警结果有四类,包括无警、轻警、中警和重警,分别对应病情等级0、Ⅰ、Ⅱ、Ⅲ,利用如下分类函数对训练样本进行训练:
其中,为支持向量,b*是分类阈值,yi是训练集的标签,K(xi,x)为核函数;
通过调整相关参数不断提高预测模型的准确率,当预测准确率高于预设的阈值时,完成该预警模型的建立。
9.根据权利要求8所述的系统,其特征在于,所述核函数为径向基函数,其为如下:
其中,σ为尺度参数。
10.根据权利要求6所述的系统,其特征在于,所述数据采集与传输模块中在温室内进行空气温湿传感器布设和土壤温湿度传感器布设具体为:
设温室占地长度为L,宽度为W,取1/4L、2/4L、3/4L处与1/3W、2/3W处作垂直交叉线形成网格,共得到6个网格交点,分别将其标记为P1、P2、P3、P4、P5、P6,将空气温湿度传感器探头布设在P1、P2、P3、P4、P5、P6这6点且高度为0.8m和1.5m处;将土壤温湿度传感器布设在P1、P2、P3、P4、P5、P6这6点且深度为10cm和20cm处。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410225345.7A CN104008633B (zh) | 2014-05-26 | 2014-05-26 | 一种设施菠菜病害预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410225345.7A CN104008633B (zh) | 2014-05-26 | 2014-05-26 | 一种设施菠菜病害预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104008633A true CN104008633A (zh) | 2014-08-27 |
CN104008633B CN104008633B (zh) | 2016-03-30 |
Family
ID=51369268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410225345.7A Expired - Fee Related CN104008633B (zh) | 2014-05-26 | 2014-05-26 | 一种设施菠菜病害预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104008633B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104642021A (zh) * | 2015-02-06 | 2015-05-27 | 中国农业大学 | 一种设施生菜病害预警方法及装置 |
CN105261146A (zh) * | 2015-11-24 | 2016-01-20 | 上海斐讯数据通信技术有限公司 | 一种防虫预警系统及方法 |
CN105608822A (zh) * | 2015-12-25 | 2016-05-25 | 中国铁道科学研究院电子计算技术研究所 | 铁路周界入侵振动光纤报警方法及装置 |
CN105739575A (zh) * | 2016-01-29 | 2016-07-06 | 中国农业大学 | 一种设施蔬菜环境参数的数据融合方法、装置及系统 |
CN106384486A (zh) * | 2016-10-31 | 2017-02-08 | 深圳前海弘稼科技有限公司 | 种植设备的预警提示方法、预警提示装置和种植设备 |
CN106568722A (zh) * | 2016-10-19 | 2017-04-19 | 中国农业大学 | 一种基于光谱技术的设施黄瓜病害预警方法及装置 |
CN106779188A (zh) * | 2016-11-30 | 2017-05-31 | 深圳前海弘稼科技有限公司 | 一种种植设备中植物病虫害预测方法及装置 |
WO2018058821A1 (zh) * | 2016-09-30 | 2018-04-05 | 深圳前海弘稼科技有限公司 | 一种基于种植设备的病虫害预测方法及装置 |
CN110196312A (zh) * | 2019-06-14 | 2019-09-03 | 徐州恒宝安全设备有限公司 | 一种室内甲醛有害气体监测报警装置 |
CN111640039A (zh) * | 2020-06-22 | 2020-09-08 | 郑州西亚斯学院 | 一种设施蔬菜病害防治推荐系统及方法 |
CN112667008A (zh) * | 2020-12-16 | 2021-04-16 | 惠州城市职业学院(惠州商贸旅游高级职业技术学校) | 一种叶菜大棚智能温度控制系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6937939B1 (en) * | 1999-07-08 | 2005-08-30 | Tokyo University Of Agriculture And Technology Tlo Co., Ltd. | Soil measuring instrument, soil measurement assisting device and method, recorded medium on which a program is recorded, recorded medium on which data is recorded, application amount controller, application amount determining device, method for them, and farm working determination assisting system |
CN101366396A (zh) * | 2007-08-15 | 2009-02-18 | 中国科学院沈阳应用生态研究所 | 一种设施菜田杀线虫剂及其使用方法 |
CN201286266Y (zh) * | 2008-11-14 | 2009-08-12 | 陈新业 | 蔬菜病虫害防治仪 |
CN103134551A (zh) * | 2012-07-23 | 2013-06-05 | 丁昱 | 一种基于物联网设施蔬菜农田环境监测与标准化生产系统 |
-
2014
- 2014-05-26 CN CN201410225345.7A patent/CN104008633B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6937939B1 (en) * | 1999-07-08 | 2005-08-30 | Tokyo University Of Agriculture And Technology Tlo Co., Ltd. | Soil measuring instrument, soil measurement assisting device and method, recorded medium on which a program is recorded, recorded medium on which data is recorded, application amount controller, application amount determining device, method for them, and farm working determination assisting system |
CN101366396A (zh) * | 2007-08-15 | 2009-02-18 | 中国科学院沈阳应用生态研究所 | 一种设施菜田杀线虫剂及其使用方法 |
CN201286266Y (zh) * | 2008-11-14 | 2009-08-12 | 陈新业 | 蔬菜病虫害防治仪 |
CN103134551A (zh) * | 2012-07-23 | 2013-06-05 | 丁昱 | 一种基于物联网设施蔬菜农田环境监测与标准化生产系统 |
Non-Patent Citations (2)
Title |
---|
吴宝山: "设施蔬菜病害生态防治技术", 《农业开发与设备》, no. 10, 31 October 2013 (2013-10-31), pages 104 * |
邹承俊: "物联网技术在蔬菜温室大棚生产中的应用", 《物联网技术》, no. 8, 31 August 2013 (2013-08-31) * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104642021A (zh) * | 2015-02-06 | 2015-05-27 | 中国农业大学 | 一种设施生菜病害预警方法及装置 |
CN105261146A (zh) * | 2015-11-24 | 2016-01-20 | 上海斐讯数据通信技术有限公司 | 一种防虫预警系统及方法 |
CN105608822A (zh) * | 2015-12-25 | 2016-05-25 | 中国铁道科学研究院电子计算技术研究所 | 铁路周界入侵振动光纤报警方法及装置 |
CN105739575A (zh) * | 2016-01-29 | 2016-07-06 | 中国农业大学 | 一种设施蔬菜环境参数的数据融合方法、装置及系统 |
WO2018058821A1 (zh) * | 2016-09-30 | 2018-04-05 | 深圳前海弘稼科技有限公司 | 一种基于种植设备的病虫害预测方法及装置 |
CN106568722A (zh) * | 2016-10-19 | 2017-04-19 | 中国农业大学 | 一种基于光谱技术的设施黄瓜病害预警方法及装置 |
CN106384486A (zh) * | 2016-10-31 | 2017-02-08 | 深圳前海弘稼科技有限公司 | 种植设备的预警提示方法、预警提示装置和种植设备 |
CN106779188A (zh) * | 2016-11-30 | 2017-05-31 | 深圳前海弘稼科技有限公司 | 一种种植设备中植物病虫害预测方法及装置 |
WO2018099220A1 (zh) * | 2016-11-30 | 2018-06-07 | 深圳前海弘稼科技有限公司 | 一种种植设备中植物病虫害预测方法及装置 |
CN110196312A (zh) * | 2019-06-14 | 2019-09-03 | 徐州恒宝安全设备有限公司 | 一种室内甲醛有害气体监测报警装置 |
CN110196312B (zh) * | 2019-06-14 | 2022-01-14 | 新沂市新南环保产业技术研究院有限公司 | 一种室内甲醛有害气体监测报警装置 |
CN111640039A (zh) * | 2020-06-22 | 2020-09-08 | 郑州西亚斯学院 | 一种设施蔬菜病害防治推荐系统及方法 |
CN112667008A (zh) * | 2020-12-16 | 2021-04-16 | 惠州城市职业学院(惠州商贸旅游高级职业技术学校) | 一种叶菜大棚智能温度控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104008633B (zh) | 2016-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104008633B (zh) | 一种设施菠菜病害预警方法及系统 | |
CN101953287B (zh) | 基于多数据的作物需水检测系统 | |
CN103605353B (zh) | 一种基于云服务的农业智能优化监控系统及优化监控方法 | |
TWI546759B (zh) | 遠距環境資料分類系統及其方法 | |
CN106254476A (zh) | 基于物联网、大数据和云计算的农业生态环境信息管理及监控方法与系统 | |
CN109242201A (zh) | 一种预测农作物产量的方法、装置及计算机可读存储介质 | |
CN106500775A (zh) | 一种有效的农作物生长监测系统 | |
CN107220903A (zh) | 一种智能农业管理方法和系统 | |
CN105825433A (zh) | 一种土壤墒情的确定方法及装置 | |
WO2020137085A1 (ja) | 情報処理装置及び情報処理システム | |
Lin et al. | A review on computer vision technologies applied in greenhouse plant stress detection | |
CN110545529A (zh) | 一种温室大棚环境监测与管理服务系统 | |
CN112465109A (zh) | 一种基于云边协同的农业大棚控制装置 | |
Njoroge et al. | A research review of precision farming techniques and technology | |
CN107835504A (zh) | 一种农田生态环境信息智能采集系统 | |
Singla et al. | IoT based monitoring for the growth of basil using machine learning | |
CN109034450A (zh) | 基于气象条件我国北方马铃薯晚疫病预报模型的建立方法 | |
CN108200148A (zh) | 应用无线传感器网络的果园监控系统 | |
Lavanya et al. | A survey on agriculture and greenhouse monitoring using IOT and WSN | |
CN204044603U (zh) | 林木病虫害监测预报系统 | |
CN102360428B (zh) | 一种玉米三叶期与七叶期的自动检测方法 | |
Muneeswaran et al. | Instinctual Synced Ventilation for Mushroom Growing using IoT | |
Varalakshmi et al. | Automatic plant escalation monitoring system using IoT | |
Osupile et al. | A Review on Agriculture Monitoring Systems using Internet of Things (IoT) | |
Yang et al. | The design and implement of monitoring system for mushroom greenhouses based on intelligent agriculture |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160330 |