CN107229999B - 作物产量的预测方法、系统、计算机设备及可读存储介质 - Google Patents

作物产量的预测方法、系统、计算机设备及可读存储介质 Download PDF

Info

Publication number
CN107229999B
CN107229999B CN201710401444.XA CN201710401444A CN107229999B CN 107229999 B CN107229999 B CN 107229999B CN 201710401444 A CN201710401444 A CN 201710401444A CN 107229999 B CN107229999 B CN 107229999B
Authority
CN
China
Prior art keywords
crop
sample
stage
target crop
characteristic information
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.)
Active
Application number
CN201710401444.XA
Other languages
English (en)
Other versions
CN107229999A (zh
Inventor
殷文涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dali Chunmuyuan Agricultural Technology Co ltd
Original Assignee
Shenzhen Chunmuyuan Holdings Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Chunmuyuan Holdings Co Ltd filed Critical Shenzhen Chunmuyuan Holdings Co Ltd
Priority to CN201710401444.XA priority Critical patent/CN107229999B/zh
Publication of CN107229999A publication Critical patent/CN107229999A/zh
Application granted granted Critical
Publication of CN107229999B publication Critical patent/CN107229999B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Animal Husbandry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mining & Mineral Resources (AREA)
  • Agronomy & Crop Science (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了一种作物产量的预测方法、系统、计算机设备、计算机可读存储介质，所述预测方法包括：在第一预设时段采集目标作物的第一阶段图片，以提取目标作物的第一阶段特征信息；结合预先建立的种植模型和第一阶段特征信息，预测目标作物的成熟时间；在第二预设时段采集目标作物的第二阶段图片，以提取目标作物的第二阶段特征信息；获取目标作物在第二预设时段的环境信息；分析第二阶段特征信息和环境信息，以预测目标作物每天的产量。本发明通过环境信息、作物图片特征信息准确预测作物的成熟时间以及成熟期每天的产量，避免了因不准确的预测信息制定的采收计划浪费人力、物力，提高了用户体验。

Description

作物产量的预测方法、系统、计算机设备及可读存储介质
技术领域
本发明涉及作物种植领域，具体而言，涉及一种作物产量的预测方法、作物产量的预测系统、计算机设备、计算机可读存储介质。
背景技术
设施农业飞速发展，越来越多的温室、大棚安装了视频监控系统，管理人员、用户可以获取视频监控信息，了解作物的生长情况；家庭种植如种植箱、种植柜也逐渐兴起，用户通过其内部配置的摄像头，结合终端APP，可以随时查看作物的生长情况。
目前的采收规划主要是：种植人员主要是根据初始种植的时间，参考作物的生长周期(如番茄60天左右成熟，黄瓜秋季45天到50天成熟)，预估采收时间及安排采收人员进行采收。然而根据作物的生长周期预测作物的成熟时间，进而安排采收配送存在以下问题：第一、生长周期较为笼统，不能精确到具体的采收时间；第二、作物生长受环境因素的影响，不同环境影响作物的生长周期；第三，同一批次种植的作物成熟的时间可能不一致，如同一时间种植的黄瓜，一方面由于营养液供给问题，同一花期采收时间不一致，另一方面，不同花期造成成熟采收时间不一致。种植人员基于上述问题，难以准确判断采收时间,及采收期每天的产量。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此，本发明的第一个目的在于提出了一种作物产量的预测方法。
本发明的第二个目的在于提出一种作物产量的预测系统。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种机算机可读存储介质。
有鉴于此，根据本发明的一个目的，提出了作物产量的预测方法，用于种植设备，预测方法包括：在第一预设时段采集目标作物的第一阶段图片，以提取目标作物的第一阶段特征信息；结合预先建立的种植模型和第一阶段特征信息，预测目标作物的成熟时间；在第二预设时段采集目标作物的第二阶段图片，以提取目标作物的第二阶段特征信息，第二预设时段的开始时间为预测的成熟时间；获取目标作物在第二预设时段的环境信息；分析第二阶段特征信息和环境信息，以预测目标作物每天的产量。
本发明提供的作物产量的预测方法，根据预先建立的种植模型，将目标作物样本成熟前的一段时间设为第一预设时段。在第一预设时段采集目标作物的第一阶段图片，根据采集到的第一阶段图片，提取第一阶段的特征信息，结合预先建立的种植模型和提取的第一阶段特征信息两者共同预测目标作物的成熟时间，提高了预测的准确性；将预测的成熟时间作为第二预设时段的开始时间，在第二预设时段采集目标作物的第二阶段图片，根据采集到的第二阶段图片，提取第二阶段的特征信息；同时获取目标作物在第二预设时段的环境信息，结合预先建立的种植模型，分析获取第二阶段特征信息和环境信息，预测目标作物每天的产量。其中，采集作物的图片可以只采集具有代表性的某一区域，在根据该区域的产量预测所有区域的作物产量，减少了采集装置，节省了成本。本发明通过环境信息、作物图片特征信息准确预测作物的成熟时间以及成熟期每天的产量，避免了因不准确的预测信息制定的采收计划浪费人力、物力，提高了用户体验。
根据本发明的上述作物产量的预测方法，还可以具有以下技术特征：
在上述技术方案中，优选地，在第一预设时段采集目标作物的第一阶段图片之前，还包括：建立种植模型；建立种植模型具体为：获取各种类作物的多组样本数据；根据多组样本数据，建立样本集合；样本集合包括以下一种或其组合：作物种类、作物成熟期每天产量、样本环境信息、样本图片特征信息、样本成熟时间。
在该技术方案中，在第一预设时段采集目标作物的第一阶段图片之前，首先建立种植模型。建立种植模型的具体步骤是：获取各种作物的多组样本数据，将获取的多组样本数据建立样本集合，样本集合包括以下一种或其组合：作物种类、作物成熟期每天产量、样本环境信息、样本图片特征信息、样本成熟时间。根据样本集合中的作物种类可以快速查找到与目标作物种类形同的种植模型。可以将实际采集的作物特征信息与样本集合中的样本图片特征信息相比较，以在实际采集的作物特征信息与样本集合中的样本图片特征信息相匹配的情况下，根据样本成熟时间预测作物成熟时间。其中，用户也可以自行设置某一样本图片特征为作物的成熟特征，如此，可以满足不同用户的需求。可以将实际采集的环境信息和作物特征信息与样本集合中的作物成熟期每天产量对应的样本环境信息和样本图片特征信息相比较，以在实际采集的环境信息和作物特征信息与样本集合中的作物成熟期每天产量对应的样本环境信息和样本图片特征信息相匹配的情况下，将样本集合的作物成熟期每天产量作为预测的目标作物成熟期每天的产量。
在上述任一技术方案中，优选地，结合预先建立的种植模型和第一阶段特征信息，预测目标作物的成熟时间，具体包括：查找种植模型中与目标作物种类相同的种植模型；判断第一阶段特征信息与样本集合中的样本图片特征信息是否匹配；当判定匹配时，根据样本图片特征信息对应的作物样本成熟时间预测目标作物的成熟时间。
在该技术方案中，预测目标作物的成熟时间，具体包括：首先查找种植模型中与目标作物种类相同的种植模型，从而可以确定与目标作物种类相同的种植模型；然后判断第一阶段特征信息与查找到的种植模型中的样本图片特征信息是否匹配；当判定匹配时，根据样本图片特征信息对应的样本成熟时间预测目标作物的成熟时间，使得预测的成熟时间不单单是挑选出的任一样本成熟时间，而是在实际获取的第一阶段特征信息和样本图片特征信息两者匹配时，才根据样本图片特征信息对应的样本成熟时间预测目标作物的成熟时间，提高了预测的准确性。
在上述任一技术方案中，优选地，分析第二阶段特征信息和环境信息，以预测目标作物每天的产量，具体包括：判断环境信息和第二阶段特征信息与样本集合中的作物成熟期每天产量对应的环境信息和样本特征信息是否匹配；当判定匹配时，根据样本集合中的作物成熟期每天产量确定目标作物每天的产量；其中，环境信息包括以下一种或其组合：光照强度、温度、湿度、土壤PH值、空气中二氧化碳浓度、营养液浓度。
在该技术方案中，判断实际采集环境信息和第二阶段特征信息与样本集合中的作物成熟期每天产量对应的环境信息和样本特征信息是否匹配，其中，这里的匹配是指差值在一定的阈值范围内均认为是匹配的。当判定匹配时，根据样本集合中的作物成熟期每天产量确定目标作物每天的产量，使得预测的产量结合了实际采集的环境信息和作物特征信息，在实际采集环境信息和第二阶段特征信息与样本集合中的作物成熟期每天产量对应的环境信息和样本特征信息匹配的情况下，才将根据样本集合中的作物成熟期每天产量确定目标作物每天的产量，提高了预测的准确性。
在上述任一技术方案中，优选地，根据预先存储的采收人员的采收能力及预测的目标作物每天的产量，制定采收计划。
在该技术方案中，可以预先存储每位采收人员的采收能力，再结合预测的目标作物每天的产量，自动制定采收计划，提高了用户体验度。
根据本发明的第二个目的，提出了一种作物产量的预测系统，包括：采集单元，用于在第一预设时段采集目标作物的第一阶段图片，以提取目标作物的第一阶段特征信息；预测单元，用于结合预先建立的种植模型和第一阶段特征信息，预测目标作物的成熟时间；采集单元，还用于在第二预设时段采集目标作物的第二阶段图片，以提取目标作物的第二阶段特征信息，第二预设时段的开始时间为预测的成熟时间；第一获取单元，用于获取目标作物在第二预设时段的环境信息；分析单元，用于分析第二阶段特征信息和环境信息，以预测目标作物每天的产量。
本发明提供的作物产量的预测系统，根据预先建立的种植模型，将目标作物样本成熟前的一段时间设为第一预设时段。采集单元在第一预设时段采集目标作物的第一阶段图片，根据采集到的第一阶段图片，提取第一阶段的特征信息，预测单元结合预先建立的种植模型和提取的第一阶段特征信息两者共同预测目标作物的成熟时间，提高了预测的准确性；将预测的成熟时间作为第二预设时段的开始时间，采集单元在第二预设时段采集目标作物的第二阶段图片，根据采集到的第二阶段图片，提取第二阶段的特征信息；同时第一获取单元获取目标作物在第二预设时段的环境信息，分析单元结合预先建立的种植模型，分析获取的第二阶段特征信息和环境信息，预测目标作物每天的产量。其中，采集作物的图片可以只采集具有代表性的某一区域，在根据该区域的产量预测所有区域的作物产量，减少了采集装置，节省了成本。本发明通过环境信息、作物图片特征信息准确预测作物的成熟时间以及成熟期每天的产量，避免了因不准确的预测信息制定的采收计划浪费人力、物力，提高了用户体验。
根据本发明的上述作物产量的预测系统，还可以具有以下技术特征：
在上述技术方案中，优选地，种植模型建立单元，用于建立种植模型；种植模型建立单元包括：第二获取单元，用于获取各种类作物的多组样本数据；样本集合建立单元，用于根据多组样本数据，建立样本集合；样本集合包括以下一种或其组合：作物种类、作物成熟期每天产量、样本环境信息、样本图片特征信息、样本成熟时间。
在该技术方案中，在第一预设时段采集目标作物的第一阶段图片之前，首先种植模型建立单元建立种植模型。建立种植模型的具体步骤是：第二获取单元获取各种作物的多组样本数据，样本集合建立单元将获取的多组样本数据建立样本集合，样本集合包括以下一种或其组合：作物种类、作物成熟期每天产量、样本环境信息、样本图片特征信息、样本成熟时间。根据样本集合中的作物种类可以快速查找到与目标作物种类形同的种植模型。可以将实际采集的作物特征信息与样本集合中的样本图片特征信息相比较，以在实际采集的作物特征信息与样本集合中的样本图片特征信息相匹配的情况下，根据样本成熟时间预测作物成熟时间。其中，用户也可以自行设置某一样本图片特征为作物的成熟特征，如此，可以满足不同用户的需求。可以将实际采集的环境信息和作物特征信息与样本集合中的作物成熟期每天产量对应的样本环境信息和样本图片特征信息相比较，以在实际采集的环境信息和作物特征信息与样本集合中的作物成熟期每天产量对应的样本环境信息和样本图片特征信息相匹配的情况下，将样本集合的作物成熟期每天产量作为预测的目标作物成熟期每天的产量。
在上述任一技术方案中，优选地，预测单元，包括：查找单元，用于查找种植模型中与目标作物种类相同的种植模型；第一判断单元，用于判断第一阶段特征信息与样本集合中的样本图片特征信息是否匹配；预测子单元，用于当判定匹配时，根据样本图片特征信息对应的作物样本成熟时间预测目标作物的成熟时间。
在该技术方案中，预测单元包括：查找单元查找种植模型中与目标作物种类相同的种植模型，从而可以确定与目标作物种类相同的种植模型；第一判断单元判断第一阶段特征信息与查找到的种植模型中的样本图片特征信息是否匹配；当判定匹配时，预测子单元根据样本图片特征信息对应的样本成熟时间预测目标作物的成熟时间，使得预测的成熟时间不单单是挑选出的任一样本成熟时间，而是在实际获取的第一阶段特征信息和样本图片特征信息两者匹配时，才根据样本图片特征信息对应的样本成熟时间预测目标作物的成熟时间，提高了预测的准确性。
在上述任一技术方案中，优选地，分析单元，包括：第二判断单元，用于判断环境信息和第二阶段特征信息与样本集合中的环境信息和样本特征信息是否匹配；确定单元，用于当判定匹配时，根据样本集合中的作物成熟期每天产量确定目标作物每天的产量；其中，环境信息包括以下一种或其组合：光照强度、温度、湿度、土壤PH值、空气中二氧化碳浓度、营养液浓度。
在该技术方案中，第二判断单元判断实际采集环境信息和第二阶段特征信息与样本集合中的作物产量对应的环境信息和样本特征信息是否匹配，其中，这里的匹配是指差值指在一定的阈值范围内均认为是匹配的。当判定匹配时，确定单元根据样本集合中的作物产量确定目标作物每天的产量，使得预测的产量结合了实际采集的环境信息和作物特征信息，在实际采集环境信息和第二阶段特征信息与样本集合中的作物成熟期每天产量对应的环境信息和样本特征信息匹配的情况下，才将根据样本集合中的作物成熟期每天产量确定目标作物每天的产量，提高了预测的准确性。
在上述任一技术方案中，优选地，采收计划制定单元，用于根据预先存储的采收人员的采收能力及预测的目标作物每天的产量，制定采收计划。
在该技术方案中，可以预先存储每位采收人员的采收能力，采收计划制定单元再结合预测的目标作物每天的产量，自动制定采收计划，提高了用户体验度。
根据本发明的第三个目的，本发明提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：在第一预设时段采集目标作物的第一阶段图片，以提取目标作物的第一阶段特征信息；结合预先建立的种植模型和第一阶段特征信息，预测目标作物的成熟时间；在第二预设时段采集目标作物的第二阶段图片，以提取目标作物的第二阶段特征信息，第二预设时段的开始时间为预测的成熟时间；获取目标作物在第二预设时段的环境信息；分析第二阶段特征信息和环境信息，以预测目标作物每天的产量。
本发明提供的一种计算机设备，处理器执行计算机程序时实现：根据预先建立的种植模型，将目标作物样本成熟前的一段时间设为第一预设时段。在第一预设时段采集目标作物的第一阶段图片，根据采集到的第一阶段图片，提取第一阶段的特征信息，结合预先建立的种植模型和提取的第一阶段特征信息两者共同预测目标作物的成熟时间，提高了预测的准确性；将预测的成熟时间作为第二预设时段的开始时间，在第二预设时段采集目标作物的第二阶段图片，根据采集到的第二阶段图片，提取第二阶段的特征信息；同时获取目标作物在第二预设时段的环境信息，结合预先建立的种植模型，分析获取的第二阶段特征信息和环境信息，预测目标作物每天的产量。其中，采集作物的图片可以只采集具有代表性的某一区域，在根据该区域的产量预测所有区域的作物产量，减少了采集装置，节省了成本。本发明通过环境信息、作物图片特征信息准确预测作物的成熟时间以及成熟期每天的产量，避免了因不准确的预测信息制定的采收计划浪费人力、物力，提高了用户体验。
根据本发明的第四个目的，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：在第一预设时段采集目标作物的第一阶段图片，以提取目标作物的第一阶段特征信息；结合预先建立的种植模型和第一阶段特征信息，预测目标作物的成熟时间；在第二预设时段采集目标作物的第二阶段图片，以提取目标作物的第二阶段特征信息，第二预设时段的开始时间为预测的成熟时间；获取目标作物在第二预设时段的环境信息；分析第二阶段特征信息和环境信息，以预测目标作物每天的产量。
本发明提供的一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现：根据预先建立的种植模型，将目标作物样本成熟前的一段时间设为第一预设时段。在第一预设时段采集目标作物的第一阶段图片，根据采集到的第一阶段图片，提取第一阶段的特征信息，结合预先建立的种植模型和提取的第一阶段特征信息两者共同预测目标作物的成熟时间，提高了预测的准确性；将预测的成熟时间作为第二预设时段的开始时间，在第二预设时段采集目标作物的第二阶段图片，根据采集到的第二阶段图片，提取第二阶段的特征信息；同时获取目标作物在第二预设时段的环境信息，结合预先建立的种植模型，分析获取的第二阶段特征信息和环境信息，预测目标作物每天的产量。其中，采集作物的图片可以只采集具有代表性的某一区域，在根据该区域的产量预测所有区域的作物产量，减少了采集装置，节省了成本。本发明通过环境信息、作物图片特征信息准确预测作物的成熟时间以及成熟期每天的产量，避免了因不准确的预测信息制定的采收计划浪费人力、物力，提高了用户体验。
本发明的附加方面和优点将在下面的描述部分中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1示出了本发明的一个实施例的作物产量的预测方法的流程示意图；
图2示出了本发明的另一个实施例的作物产量的预测方法的流程示意图；
图3示出了本发明的又一个实施例的作物产量的预测方法的流程示意图；
图4示出了本发明的一个实施例的作物产量的预测系统的示意框图；
图5示出了本发明的另一个实施例的作物产量的预测系统的示意框图；
图6示出了本发明的又一个实施例的作物产量的预测系统的示意框图；
图7示出了本发明的一个实施例的计算机设备的示意框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不限于下面公开的具体实施例的限制。
本发明第一方面的实施例，提出一种作物产量的预测方法，图1示出了本发明的一个实施例的作物产量的预测方法的流程示意图：
步骤102，在第一预设时段采集目标作物的第一阶段图片，以提取目标作物的第一阶段特征信息；
步骤104，结合预先建立的种植模型和第一阶段特征信息，预测目标作物的成熟时间；
步骤106，在第二预设时段采集目标作物的第二阶段图片，以提取目标作物的第二阶段特征信息，第二预设时段的开始时间为预测的成熟时间；
步骤108，获取目标作物在第二预设时段的环境信息；
步骤110，分析第二阶段特征信息和环境信息，以预测目标作物每天的产量。
本发明提供的作物产量的预测方法，根据预先建立的种植模型，将目标作物样本成熟前的一段时间设为第一预设时段。在第一预设时段采集目标作物的第一阶段图片，根据采集到的第一阶段图片，提取第一阶段的特征信息，结合预先建立的种植模型和提取的第一阶段特征信息两者共同预测目标作物的成熟时间，提高了预测的准确性；将预测的成熟时间作为第二预设时段的开始时间，在第二预设时段采集目标作物的第二阶段图片，根据采集到的第二阶段图片，提取第二阶段的特征信息；同时获取目标作物在第二预设时段的环境信息，结合预先建立的种植模型，分析获取的第二阶段特征信息和环境信息，预测目标作物每天的产量。其中，采集作物的图片可以只采集具有代表性的某一区域，在根据该区域的产量预测所有区域的作物产量，减少了采集装置，节省了成本。本发明通过环境信息、作物图片特征信息准确预测作物的成熟时间以及成熟期每天的产量，避免了因不准确的预测信息制定的采收计划浪费人力、物力，提高了用户体验。
图2示出了本发明的另一个实施例的作物产量的预测方法的流程示意图：
步骤202，建立种植模型；
步骤204，在第一预设时段采集目标作物的第一阶段图片，以提取目标作物的第一阶段特征信息；
步骤206，结合预先建立的种植模型和第一阶段特征信息，预测目标作物的成熟时间；
步骤208，在第二预设时段采集目标作物的第二阶段图片，以提取目标作物的第二阶段特征信息，第二预设时段的开始时间为预测的成熟时间；
步骤210，获取目标作物在第二预设时段的环境信息；
步骤212，分析第二阶段特征信息和环境信息，以预测目标作物每天的产量；
步骤214，根据预先存储的采收人员的采收能力及预测的目标作物每天的产量，制定采收计划。
其中，步骤202，建立种植模型具体包括：
步骤2022，获取各种类作物的多组样本数据；
步骤2024，根据多组样本数据，建立样本集合。
在本发明的一个实施例中，优选地，在第一预设时段采集目标作物的第一阶段图片之前，还包括：建立种植模型；建立种植模型具体为：获取各种类作物的多组样本数据；根据多组样本数据，建立样本集合；样本集合包括以下一种或其组合：作物种类、作物成熟期每天产量、样本环境信息、样本图片特征信息、样本成熟时间。
在该实施例中，在第一预设时段采集目标作物的第一阶段图片之前，首先建立种植模型。建立种植模型的具体步骤是：获取各种作物的多组样本数据，将获取的多组样本数据建立样本集合，样本集合包括以下一种或其组合：作物种类、作物成熟期每天产量、样本环境信息、样本图片特征信息、样本成熟时间。根据样本集合中的作物种类可以快速查找到与目标作物种类形同的种植模型。可以将实际采集的作物特征信息与样本集合中的样本图片特征信息相比较，以在实际采集的作物特征信息与样本集合中的样本图片特征信息相匹配的情况下，根据样本成熟时间预测作物成熟时间。其中，用户也可以自行设置某一样本图片特征为作物的成熟特征，如此，可以满足不同用户的需求。可以将实际采集的环境信息和作物特征信息与样本集合中的作物成熟期每天产量对应的样本环境信息和样本图片特征信息相比较，以在实际采集的环境信息和作物特征信息与样本集合中的作物成熟期每天产量对应的样本环境信息和样本图片特征信息相匹配的情况下，将样本集合的作物成熟期每天产量作为预测的目标作物每天的产量。
在本发明的一个实施例中，优选地，根据预先存储的采收人员的采收能力及预测的目标作物每天的产量，制定采收计划。
在该实施例中，可以预先存储每位采收人员的采收能力，再结合预测的目标作物每天的产量，自动制定采收计划，提高了用户体验度。
图3示出了本发明的又一个实施例的作物产量的预测方法的流程示意图：
步骤302，建立种植模型；
步骤304，在第一预设时段采集目标作物的第一阶段图片，以提取目标作物的第一阶段特征信息；
步骤306，查找所述种植模型中与所述目标作物种类相同的种植模型；
步骤308，判断所述第一阶段特征信息与所述样本集合中的所述样本图片特征信息是否匹配；
步骤310，当判定匹配时，根据所述样本图片特征信息对应的所述作物样本成熟时间预测所述目标作物的成熟时间；
步骤312，在第二预设时段采集目标作物的第二阶段图片，以提取目标作物的第二阶段特征信息，第二预设时段的开始时间为预测的成熟时间；
步骤314，获取目标作物在第二预设时段的环境信息；
步骤316，判断所述环境信息和所述第二阶段特征信息与所述样本集合中的所述样本环境信息和所述样本特征信息是否匹配；
步骤318，当判定匹配时，根据所述样本集合中的所述作物成熟期每天产量确定所述目标作物每天的产量；
步骤320，根据预先存储的采收人员的采收能力及预测的目标作物每天的产量，制定采收计划。
在本发明的一个实施例中，优选地，查找种植模型中与目标作物种类相同的种植模型；判断第一阶段特征信息与样本集合中的样本图片特征信息是否匹配；当判定匹配时，根据样本图片特征信息对应的作物样本成熟时间预测目标作物的成熟时间。
在该实施例中，首先查找种植模型中与目标作物种类相同的种植模型，从而可以确定与目标作物种类相同的种植模型；然后判断第一阶段特征信息与查找到的种植模型中的样本图片特征信息是否匹配；当判定匹配时，根据样本图片特征信息对应的样本成熟时间预测目标作物的成熟时间，使得预测的成熟时间不单单是挑选出的任一样本成熟时间，而是在实际获取的第一阶段特征信息和样本图片特征信息两者匹配时，才根据样本图片特征信息对应的样本成熟时间预测目标作物的成熟时间，提高了预测的准确性。
在本发明的一个实施例中，优选地，判断环境信息和第二阶段特征信息与样本集合中的作物产量对应的环境信息和样本特征信息是否匹配；当判定匹配时，根据样本集合中的作物产量确定目标作物每天的产量；其中，环境信息包括以下一种或其组合：光照强度、温度、湿度、土壤PH值、空气中二氧化碳浓度、营养液浓度。
在该实施例中，判断实际采集环境信息和第二阶段特征信息与样本集合中的作物成熟期每天产量对应的环境信息和样本特征信息是否匹配，其中，这里的匹配是指差值在一定的阈值范围内均认为是匹配的。当判定匹配时，根据样本集合中的作物成熟期每天产量确定目标作物每天的产量，使得预测的产量结合了实际采集的环境信息和作物特征信息，在实际采集环境信息和第二阶段特征信息与样本集合中的作物成熟期每天产量对应的环境信息和样本特征信息匹配的情况下，才将根据样本集合中的作物成熟期每天产量确定目标作物每天的产量，提高了预测的准确性。
本发明第二方面的实施例，提出一种作物产量的预测系统400，图4示出了本发明的一个实施例的作物产量的预测系统400的示意框图：
采集单元402，用于在第一预设时段采集目标作物的第一阶段图片，以提取目标作物的第一阶段特征信息，还用于在第二预设时段采集目标作物的第二阶段图片，以提取目标作物的第二阶段特征信息，第二预设时段的开始时间为预测的成熟时间；
预测单元404，用于结合预先建立的种植模型和第一阶段特征信息，预测目标作物的成熟时间；
第一获取单元406，用于获取目标作物在第二预设时段的环境信息；
分析单元408，用于分析第二阶段特征信息和环境信息，以预测目标作物每天的产量。
本发明提供的作物产量的预测系统400，根据预先建立的种植模型，将目标作物样本成熟前的一段时间设为第一预设时段。采集单元402在第一预设时段采集目标作物的第一阶段图片，根据采集到的第一阶段图片，提取第一阶段的特征信息，预测单元404结合预先建立的种植模型和提取的第一阶段特征信息两者共同预测目标作物的成熟时间，提高了预测的准确性；将预测的成熟时间作为第二预设时段的开始时间，采集单元400在第二预设时段采集目标作物的第二阶段图片，根据采集到的第二阶段图片，提取第二阶段的特征信息；同时第一获取单元406获取目标作物在第二预设时段的环境信息，分析单元408结合预先建立的种植模型，分析获取的第二阶段特征信息和环境信息，预测目标作物每天的产量。其中，采集作物的图片可以只采集具有代表性的某一区域，在根据该区域的产量预测所有区域的作物产量，减少了采集装置，节省了成本。本发明通过环境信息、作物图片特征信息准确预测作物的成熟时间以及成熟期每天的产量，避免了因不准确的预测信息制定的采收计划浪费人力、物力，提高了用户体验。
图5示出了本发明的另一个实施例的作物产量的预测系统500的示意框图：
种植模型建立单元502，用于建立种植模型；
采集单元504，用于在第一预设时段采集目标作物的第一阶段图片，以提取目标作物的第一阶段特征信息，还用于在第二预设时段采集目标作物的第二阶段图片，以提取目标作物的第二阶段特征信息，第二预设时段的开始时间为预测的成熟时间；
预测单元506，用于结合预先建立的种植模型和第一阶段特征信息，预测目标作物的成熟时间；
第一获取单元508，用于获取目标作物在第二预设时段的环境信息；
分析单元510，用于分析第二阶段特征信息和环境信息，以预测目标作物每天的产量；
采收计划制定单元512，用于根据预先存储的采收人员的采收能力及预测的目标作物每天的产量，制定采收计划。
所述种植模型建立单元502包括：
第二获取单元5022，用于获取各种类作物的多组样本数据；
样本集合建立单元5024，用于根据所述多组样本数据，建立样本集合；
在本发明的一个实施例中，优选地，种植模型建立单元502，用于建立种植模型；种植模型建立单元502包括：第二获取单元5022，用于获取各种类作物的多组样本数据；样本集合建立单元5024，用于根据多组样本数据，建立样本集合；样本集合包括以下一种或其组合：作物种类、作物成熟期每天产量、样本环境信息、样本图片特征信息、样本成熟时间。
在该实施例中，在第一预设时段采集目标作物的第一阶段图片之前，首先种植模型建立单元502建立种植模型。建立种植模型的具体步骤是：第二获取单元5022获取各种作物的多组样本数据，样本集合建立单元5024将获取的多组样本数据建立样本集合，样本集合包括以下一种或其组合：作物种类、作物产量、样本环境信息、样本图片特征信息、样本成熟时间。根据样本集合中的作物种类可以快速查找到与目标作物种类形同的种植模型。可以将实际采集的作物特征信息与样本集合中的样本图片特征信息相比较，以在实际采集的作物特征信息与样本集合中的样本图片特征信息相匹配的情况下，根据样本成熟时间预测作物成熟时间。其中，用户也可以自行设置某一样本图片特征为作物的成熟特征，如此，可以满足不同用户的需求。可以将实际采集的环境信息和作物特征信息与样本集合中的作物成熟期每天产量对应的样本环境信息和样本图片特征信息相比较，以在实际采集的环境信息和作物特征信息与样本集合中的作物成熟期每天产量对应的样本环境信息和样本图片特征信息相匹配的情况下，将样本集合的作物成熟期每天产量作为预测的目标作物每天的产量。
在本发明的一个实施例中，优选地，采收计划制定单元512，用于根据预先存储的采收人员的采收能力及预测的目标作物每天的产量，制定采收计划。
在该实施例中，可以预先存储每位采收人员的采收能力，采收计划制定单元512再结合预测的目标作物每天的产量，自动制定采收计划，提高了用户体验度。
图6示出了本发明的又一个实施例的作物产量的预测系统的示意框图：
种植模型建立单元602，用于建立种植模型；
采集单元604，用于在第一预设时段采集目标作物的第一阶段图片，以提取目标作物的第一阶段特征信息，还用于在第二预设时段采集目标作物的第二阶段图片，以提取目标作物的第二阶段特征信息，第二预设时段的开始时间为预测的成熟时间；
预测单元606，用于结合预先建立的种植模型和第一阶段特征信息，预测目标作物的成熟时间；
第一获取单元608，用于获取目标作物在第二预设时段的环境信息；
分析单元610，用于分析第二阶段特征信息和环境信息，以预测目标作物每天的产量；
采收计划制定单元612，用于根据预先存储的采收人员的采收能力及预测的目标作物每天的产量，制定采收计划。
其中，预测单元606包括：
查找单元6062，用于查找种植模型中与目标作物种类相同的种植模型；
第一判断单元6064，用于判断第一阶段特征信息与样本集合中的样本图片特征信息是否匹配；
预测子单元6066，用于当判定匹配时，根据样本图片特征信息对应的作物样本成熟时间预测目标作物的成熟时间。
分析单元610包括：
第二判断单元6102，用于判断环境信息和第二阶段特征信息与样本集合中的环境信息和样本特征信息是否匹配；
确定单元6104，用于当判定匹配时，根据样本集合中的作物成熟期每天产量确定目标作物每天的产量。
在本发明的一个实施例中，优选地，预测单元606，包括：查找单元6062，用于查找种植模型中与目标作物种类相同的种植模型；第一判断单元6064，用于判断第一阶段特征信息与样本集合中的样本图片特征信息是否匹配；预测子单元6066，用于当判定匹配时，根据样本图片特征信息对应的作物样本成熟时间预测目标作物的成熟时间。
在该实施例中，预测单元606包括：查找单元6062查找种植模型中与目标作物种类相同的种植模型，从而可以确定与目标作物种类相同的种植模型；第一判断单元6064判断第一阶段特征信息与查找到的种植模型中的样本图片特征信息是否匹配；当判定匹配时，预测子单元6066根据样本图片特征信息对应的样本成熟时间预测目标作物的成熟时间，使得预测的成熟时间不单单是挑选出的任一样本成熟时间，而是在实际获取的第一阶段特征信息和样本图片特征信息两者匹配时，才根据样本图片特征信息对应的样本成熟时间预测目标作物的成熟时间，提高了预测的准确性。
在本发明的一个实施例中，优选地，分析单元610，包括：第二判断单元6102，用于判断环境信息和第二阶段特征信息与样本集合中的环境信息和样本特征信息是否匹配；确定单元6104，用于当判定匹配时，根据样本集合中的作物成熟期每天产量确定目标作物每天的产量；其中，环境信息包括以下一种或其组合：光照强度、温度、湿度、土壤PH值、空气中二氧化碳浓度、营养液浓度。
在该实施例中，第二判断单元6102判断实际采集环境信息和第二阶段特征信息与样本集合中的作物产量对应的环境信息和样本特征信息是否匹配，其中，这里的匹配是指差值指在一定的阈值范围内均认为是匹配的。当判定匹配时，确定单元6104根据样本集合中的作物成熟期每天产量确定目标作物每天的产量，使得预测的产量结合了实际采集的环境信息和作物特征信息，在实际采集环境信息和第二阶段特征信息与样本集合中的作物成熟期每天产量对应的环境信息和样本特征信息匹配的情况下，才将根据样本集合中的作物成熟期每天产量确定目标作物每天的产量，提高了预测的准确性。
本发明第三方面的实施例，提出一种计算机设备，图7示出了本发明的一个实施例的计算机设备700的示意框图。其中，该计算机设备700包括：
存储器702、处理器704及存储在存储器702上并可在处理器704上运行的计算机程序，处理器704执行计算机程序时实现以下步骤：在第一预设时段采集目标作物的第一阶段图片，以提取目标作物的第一阶段特征信息；结合预先建立的种植模型和第一阶段特征信息，预测目标作物的成熟时间；在第二预设时段采集目标作物的第二阶段图片，以提取目标作物的第二阶段特征信息，第二预设时段的开始时间为预测的成熟时间；获取目标作物在第二预设时段的环境信息；分析第二阶段特征信息和环境信息，以预测目标作物每天的产量。
本发明提供的一种计算机设备700，处理器704执行计算机程序时实现：根据预先建立的种植模型，将目标作物样本成熟前的一段时间设为第一预设时段。在第一预设时段采集目标作物的第一阶段图片，根据采集到的第一阶段图片，提取第一阶段的特征信息，结合预先建立的种植模型和提取的第一阶段特征信息两者共同预测目标作物的成熟时间，提高了预测的准确性；将预测的成熟时间作为第二预设时段的开始时间，在第二预设时段采集目标作物的第二阶段图片，根据采集到的第二阶段图片，提取第二阶段的特征信息；同时获取目标作物在第二预设时段的环境信息，结合预先建立的种植模型，分析获取的第二阶段特征信息和环境信息，预测目标作物每天的产量。其中，采集作物的图片可以只采集具有代表性的某一区域，在根据该区域的产量预测所有区域的作物产量，减少了采集装置，节省了成本。本发明通过环境信息、作物图片特征信息准确预测作物的成熟时间以及成熟期每天的产量，避免了因不准确的预测信息制定的采收计划浪费人力、物力，提高了用户体验。
本发明第四方面的实施例，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：在第一预设时段采集目标作物的第一阶段图片，以提取目标作物的第一阶段特征信息；结合预先建立的种植模型和第一阶段特征信息，预测目标作物的成熟时间；在第二预设时段采集目标作物的第二阶段图片，以提取目标作物的第二阶段特征信息，第二预设时段的开始时间为预测的成熟时间；获取目标作物在第二预设时段的环境信息；分析第二阶段特征信息和环境信息，以预测目标作物每天的产量。
本发明提供的一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现：根据预先建立的种植模型，将目标作物样本成熟前的一段时间设为第一预设时段。在第一预设时段采集目标作物的第一阶段图片，根据采集到的第一阶段图片，提取第一阶段的特征信息，结合预先建立的种植模型和提取的第一阶段特征信息两者共同预测目标作物的成熟时间，提高了预测的准确性；将预测的成熟时间作为第二预设时段的开始时间，在第二预设时段采集目标作物的第二阶段图片，根据采集到的第二阶段图片，提取第二阶段的特征信息；同时获取目标作物在第二预设时段的环境信息，结合预先建立的种植模型，分析获取的第二阶段特征信息和环境信息，预测目标作物每天的产量。其中，采集作物的图片可以只采集具有代表性的某一区域，在根据该区域的产量预测所有区域的作物产量，减少了采集装置，节省了成本。本发明通过环境信息、作物图片特征信息准确预测作物的成熟时间以及成熟期每天的产量，避免了因不准确的预测信息制定的采收计划浪费人力、物力，提高了用户体验。
在本说明书的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种作物产量的预测方法，用于种植设备，其特征在于，所述方法包括：
在第一预设时段采集目标作物的第一阶段图片，以提取所述目标作物的第一阶段特征信息；
结合预先建立的种植模型和所述第一阶段特征信息，预测所述目标作物的成熟时间；
在第二预设时段采集所述目标作物的第二阶段图片，以提取所述目标作物的第二阶段特征信息，所述第二预设时段的开始时间为预测的所述成熟时间；
获取所述目标作物在所述第二预设时段的环境信息；
分析所述第二阶段特征信息和所述环境信息，以预测所述目标作物每天的产量；
所述在第一预设时段采集目标作物的第一阶段图片之前，还包括：
建立种植模型；
所述建立种植模型具体为：
获取各种类作物的多组样本数据；
根据所述多组样本数据，建立样本集合；
所述样本集合包括以下一种或其组合：作物种类、作物成熟期每天产量、样本环境信息、样本图片特征信息、样本成熟时间。
2.根据权利要求1所述的作物产量的预测方法，其特征在于，所述结合预先建立的种植模型和所述第一阶段特征信息，预测所述目标作物的成熟时间，具体包括：
查找所述种植模型中与所述目标作物种类相同的种植模型；
判断所述第一阶段特征信息与所述样本集合中的所述样本图片特征信息是否匹配；
当判定匹配时，根据所述样本图片特征信息对应的所述作物样本成熟时间预测所述目标作物的成熟时间。
3.根据权利要求1所述的作物产量的预测方法，其特征在于，所述分析所述第二阶段特征信息和所述环境信息，以预测所述目标作物每天的产量，具体包括：
判断所述环境信息和所述第二阶段特征信息与所述样本集合中的所述样本环境信息和所述样本图片特征信息是否匹配；
当判定匹配时，根据所述样本集合中的所述作物成熟期每天产量确定所述目标作物每天的产量；
其中，所述环境信息包括以下一种或其组合：光照强度、温度、湿度、土壤PH值、空气中二氧化碳浓度、营养液浓度。
4.根据权利要求1至3任一项的所述的作物产量的预测方法，其特征在于，还包括：
根据预先存储的采收人员的采收能力及预测的所述目标作物每天的产量，制定采收计划。
5.一种作物产量的预测系统，其特征在于，所述系统包括：
采集单元，用于在第一预设时段采集目标作物的第一阶段图片，以提取所述目标作物的第一阶段特征信息；
预测单元，用于结合预先建立的种植模型和所述第一阶段特征信息，预测所述目标作物的成熟时间；
所述采集单元，还用于在第二预设时段采集所述目标作物的第二阶段图片，以提取所述目标作物的第二阶段特征信息，所述第二预设时段的开始时间为预测的所述成熟时间；
第一获取单元，用于获取所述目标作物在所述第二预设时段的环境信息；
分析单元，用于分析所述第二阶段特征信息和所述环境信息，以预测所述目标作物每天的产量；
还包括：
种植模型建立单元，用于建立种植模型；
所述种植模型建立单元包括：
第二获取单元，用于获取各种类作物的多组样本数据；
样本集合建立单元，用于根据所述多组样本数据，建立样本集合；
所述样本集合包括以下一种或其组合：作物种类、作物成熟期每天产量、样本环境信息、样本图片特征信息、样本成熟时间。
6.根据权利要求5所述的作物产量的预测系统，其特征在于，所述预测单元，包括：
查找单元，用于查找所述种植模型中与所述目标作物种类相同的种植模型；
第一判断单元，用于判断所述第一阶段特征信息与所述样本集合中的所述样本图片特征信息是否匹配；
预测子单元，用于当判定匹配时，根据所述样本图片特征信息对应的所述作物样本成熟时间预测所述目标作物的成熟时间。
7.根据权利要求5所述的作物产量的预测系统，其特征在于，所述分析单元，包括：
第二判断单元，用于判断所述环境信息和所述第二阶段特征信息与所述样本集合中的所述样本环境信息和所述样本图片特征信息是否匹配；
确定单元，用于当判定匹配时，根据所述样本集合中的所述作物成熟期每天产量确定所述目标作物每天的产量；
其中，所述环境信息包括以下一种或其组合：光照强度、温度、湿度、土壤PH值、空气中二氧化碳浓度、营养液浓度。
8.根据权利要求5至7任一项的所述的作物产量的预测系统，其特征在于，还包括：
采收计划制定单元，用于根据预先存储的采收人员的采收能力及预测的所述目标作物每天的产量，制定采收计划。
9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述方法的步骤。
CN201710401444.XA 2017-05-31 2017-05-31 作物产量的预测方法、系统、计算机设备及可读存储介质 Active CN107229999B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710401444.XA CN107229999B (zh) 2017-05-31 2017-05-31 作物产量的预测方法、系统、计算机设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710401444.XA CN107229999B (zh) 2017-05-31 2017-05-31 作物产量的预测方法、系统、计算机设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN107229999A CN107229999A (zh) 2017-10-03
CN107229999B true CN107229999B (zh) 2020-12-25

Family

ID=59933874

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710401444.XA Active CN107229999B (zh) 2017-05-31 2017-05-31 作物产量的预测方法、系统、计算机设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN107229999B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108022113A (zh) * 2017-12-28 2018-05-11 深圳春沐源控股有限公司 验证追溯信息准确性的方法、服务器及存储介质
CN108364235B (zh) * 2018-02-26 2022-03-15 深圳春沐源控股有限公司 确定果实预采摘计划的方法、系统及果实采摘系统
BR112021007032A2 (pt) * 2018-10-24 2021-07-20 The Climate Corporation alavancando a genética e a engenharia de recursos para impulsionar a previsibilidade de colocação para seleção e recomendação de produtos de sementes por campo
CN110150078B (zh) * 2019-05-27 2021-04-30 福建中烟工业有限责任公司 一种确定福建烟区烟草移栽日期的方法和系统
JP7163881B2 (ja) * 2019-08-02 2022-11-01 トヨタ自動車株式会社 作物特性予測システム、作物特性予測方法、及び作物特性予測プログラム
CN112418473A (zh) * 2019-08-20 2021-02-26 阿里巴巴集团控股有限公司 农作物信息的处理方法、装置、设备及计算机存储介质
US11763557B1 (en) * 2020-09-22 2023-09-19 Sentera, Inc. Permanent crop and permanent cropland analysis using aerial vehicles
CN113298286A (zh) * 2021-03-31 2021-08-24 捷佳润科技集团股份有限公司 一种基于机器学习的火龙果上市时间预测的方法
CN114742288A (zh) * 2022-03-29 2022-07-12 河北建筑工程学院 藜麦抽穗产量智能预测方法
CN114898364B (zh) * 2022-06-28 2023-03-10 安徽未来种业有限公司 一种葡萄的高效栽培方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105787801A (zh) * 2015-01-14 2016-07-20 埃森哲环球服务有限公司 精确农业系统
CN106060174A (zh) * 2016-07-27 2016-10-26 昆山阳翎机器人科技有限公司 一种基于数据分析的农业指导系统
CN106327308A (zh) * 2016-08-30 2017-01-11 深圳前海弘稼科技有限公司 一种植物的可用生长模型建立方法及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
MX340923B (es) * 2011-12-30 2016-08-01 Pioneer Hi Bred Int Fotometria de mazorca inmadura en maiz.
CN103345707A (zh) * 2013-06-04 2013-10-09 中国科学院遥感与数字地球研究所 一种基于多源遥感数据的农作物成熟期遥感预测方法
CN104658000A (zh) * 2015-03-08 2015-05-27 无锡桑尼安科技有限公司 基于多估算参数的柑橘产量估算系统
CN105842245B (zh) * 2016-04-15 2019-02-15 中国农业科学院农业资源与农业区划研究所 一种评估水稻产量的方法
CN106447079A (zh) * 2016-08-31 2017-02-22 贵州师范大学 一种基于Radarsat‑2的喀斯特山区烟草产量预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105787801A (zh) * 2015-01-14 2016-07-20 埃森哲环球服务有限公司 精确农业系统
CN106060174A (zh) * 2016-07-27 2016-10-26 昆山阳翎机器人科技有限公司 一种基于数据分析的农业指导系统
CN106327308A (zh) * 2016-08-30 2017-01-11 深圳前海弘稼科技有限公司 一种植物的可用生长模型建立方法及装置

Also Published As

Publication number Publication date
CN107229999A (zh) 2017-10-03

Similar Documents

Publication Publication Date Title
CN107229999B (zh) 作物产量的预测方法、系统、计算机设备及可读存储介质
Channe et al. Multidisciplinary model for smart agriculture using internet-of-things (IoT), sensors, cloud-computing, mobile-computing & big-data analysis
CN109840549B (zh) 一种病虫害识别方法和装置
CN111767802B (zh) 一种对象异常状态的检测方法和装置
KR101811640B1 (ko) 기계학습을 이용한 작물의 생산량 예측장치 및 방법
EP3482630B1 (en) Method, system and computer program for performing a pest forecast
CN110545531A (zh) 一种基于大数据和云计算的农作物长势监控方法与系统
Victorino et al. Yield components detection and image-based indicators for non-invasive grapevine yield prediction at different phenological phases
JP7300796B2 (ja) 生育状況または病害虫発生状況の予測システム、方法およびプログラム
JP2018161058A (ja) 植物の生育状態評価方法、植物生育状態評価プログラム、植物生育状態評価装置ならびに植物モニタリングシステム
CN111476149A (zh) 一种植物培育控制方法和系统
CN105953520A (zh) 智能冰箱控制方法及其控制系统
CN116012720B (zh) 基于高分遥感影像的农作物长势监测方法、设备及介质
CN113544714A (zh) 农作物的收获量预测程序、栽培环境判别程序
EP4133348A1 (en) Methods for artificial pollination and apparatus for doing the same
Marshall et al. Characterization of primate environments through assessment of plant phenology
CN115685862A (zh) 一种基于边缘计算的智慧农业检测系统
KR20170052898A (ko) 농장 맞춤형 영농 정보제공 서버, 방법 및 그 프로그램
KR102381491B1 (ko) 작물 재배 애플리케이션을 통한 적응형 재배 정보 제공 시스템
CN113435345A (zh) 生长阶段确定方法、装置、农业系统、设备及存储介质
Soontranon et al. An agricultural monitoring system: field server data collection and analysis on paddy field
KR20210059070A (ko) 농작물 재배 모니터링 시스템 및 이를 이용한 농작물 재배 모니터링 방법
CN113010529A (zh) 基于知识图谱的作物管理方法和装置
CN106790418B (zh) 一种反馈方法和装置
Uchiyama et al. Sensing technologies for advanced smart agricultural systems

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 518052 Guangdong city of Shenzhen province Qianhai Shenzhen Hong Kong cooperation zone before Bay Road No. 1 building 201 room A (located in Shenzhen Qianhai business secretary Co. Ltd.)

Applicant after: SHENZHEN SPRINGWOODS HOLDING Co.,Ltd.

Address before: 518052 Guangdong city of Shenzhen province Qianhai Shenzhen Hong Kong cooperation zone before Bay Road No. 1 building 201 room A

Applicant before: SHENZHEN QIANHAI HONGJIA TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220511

Address after: 517025 room 317-1, enterprise service center building, No. 8, Longling Third Road, Longling Industrial Park, Yuancheng District, Heyuan City, Guangdong Province

Patentee after: HEYUAN HONGJIA AGRICULTURAL TECHNOLOGY CO.,LTD.

Address before: 518052 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.)

Patentee before: SHENZHEN SPRINGWOODS HOLDING Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231030

Address after: 675603 Room 402, Building 1, Yinjie Old Government, Yinjie Town, Midu County, Dali Bai Autonomous Prefecture, Yunnan Province

Patentee after: DALI CHUNMUYUAN AGRICULTURAL TECHNOLOGY Co.,Ltd.

Address before: 517025 room 317-1, enterprise service center building, No. 8, Longling Third Road, Longling Industrial Park, Yuancheng District, Heyuan City, Guangdong Province

Patentee before: HEYUAN HONGJIA AGRICULTURAL TECHNOLOGY CO.,LTD.