CN107465712A - 一种基于农作物生长度日数据与生长状态图像的人工智能管理方法 - Google Patents
一种基于农作物生长度日数据与生长状态图像的人工智能管理方法 Download PDFInfo
- Publication number
- CN107465712A CN107465712A CN201610644303.6A CN201610644303A CN107465712A CN 107465712 A CN107465712 A CN 107465712A CN 201610644303 A CN201610644303 A CN 201610644303A CN 107465712 A CN107465712 A CN 107465712A
- Authority
- CN
- China
- Prior art keywords
- growth
- crop
- data
- image
- crop growth
- 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.)
- Pending
Links
- 230000012010 growth Effects 0.000 title claims abstract description 255
- 238000007726 management method Methods 0.000 title claims abstract description 48
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 40
- 238000012272 crop production Methods 0.000 claims abstract description 15
- 230000003287 optical effect Effects 0.000 claims abstract description 6
- 238000001228 spectrum Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 28
- 230000003698 anagen phase Effects 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 241000894007 species Species 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 230000008635 plant growth Effects 0.000 claims description 5
- 201000010099 disease Diseases 0.000 claims description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 4
- 238000003973 irrigation Methods 0.000 claims description 4
- 230000002262 irrigation Effects 0.000 claims description 4
- 241000607479 Yersinia pestis Species 0.000 claims description 3
- 230000035558 fertility Effects 0.000 claims description 3
- 239000003337 fertilizer Substances 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000009418 agronomic effect Effects 0.000 claims description 2
- 230000008676 import Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 208000019849 gnathodiaphyseal dysplasia Diseases 0.000 abstract 2
- 238000011161 development Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 238000009313 farming Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 241000209094 Oryza Species 0.000 description 3
- 235000007164 Oryza sativa Nutrition 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 235000009566 rice Nutrition 0.000 description 3
- 229920000742 Cotton Polymers 0.000 description 2
- 241000219146 Gossypium Species 0.000 description 2
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 240000008042 Zea mays Species 0.000 description 2
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 2
- 235000005822 corn Nutrition 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000032696 parturition Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
- H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
-
- 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
- G06V20/00—Scenes; Scene-specific elements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/183—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a single remote source
- H04N7/185—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a single remote source from a mobile camera, e.g. for remote control
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Agronomy & Crop Science (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Strategic Management (AREA)
Abstract
一种基于农作物生长度日数据与生长状态图像的人工智能管理方法，包括，构建分类比对系统；输入农作物实时生长度日数据，获取农作物生长图像；拍摄农作物生长图像，获取农作物实时生长度日数据；根据实时生长度日数据和农作物生长图像输出农作物生产管理意见。所述的农作物生长图像包括光学图像和/或光谱图像。在采取本发明提出的技术后，可以在互联网、移动互联网平台上应用，达到农作物生长度日(GDDs)数据可以通过真实的农作物生长状态图像来直观展现，真实农作物生长状态图像可以由农作物生长度日(GDDs)数据来精准描述的效果，以实时指导农作物的生产与管理，有利于农业技术大规模推广应用。
Description
技术领域
本发明涉及一种人工智能管理方法，更具体地说，涉及一种基于农作物生长度日数据与生长状态图像（光学图像、光谱图像）的人工智能管理方法。
背景技术
生长度日是指在实际环境条件下，完成某一农作物生育阶段所经历的累积有效积温值，英文名称是GDDs，系Growingdegree-days的缩写。GDDs应是介于作物生长上限温度与下限温度之间的温度值的累积，即上限温度与下限温度之间的净效积温，因为低温与高温均对作物生长不利。它是基于温度的一个指数，代表着植物生长期积累的热量，GDDs与农作物的生长速度和生育阶段有直接关系。
目前现有技术的实践中，常见的是根据发育阶段生长度日恒定的原理和栽培试验，将特定农作物的生长发育阶段划分为不同时期，建立特定农作物发育的动态模拟模型，并确定发育阶段生长度日的参数，以期系统的预测特定农作物的生长发育阶段。但是这种应用缺乏系统性，适应农作物的广度和深度均存在不足，无法实时获取不同农作物生长度日数据并指导农作物生产管理，对使用人员的要求较高，也不利于大规模应用。
发明内容
鉴于以上情形，为了解决上述技术存在的问题，本发明提出一种基于农作物生长度日数据与生长状态图像的人工智能管理方法，包括，构建分类比对系统；输入农作物实时生长度日数据，获取农作物生长图像；拍摄农作物生长图像，获取农作物实时生长度日数据；根据实时生长度日数据和农作物生长图像输出农作物生产管理意见。所述的农作物生长图像包括光学图像和/或光谱图像。
在根据本发明的基于农作物生长度日数据与生长状态图像的人工智能管理方法中，优选地，所述构建分类比对系统包括，构建包含农作物生长区域、农作物生长时间和农作物生长温度数据的农作物生长度日基础数据库；构建包含农作物近期十年生长度日平均值的生长度日曲线数据库；构建包含农作物生长状态图像的生长状态图像数据库；根据生长区域和生长温度建立生长度日曲线数据库与生长度日基础数据库的对应关系；根据生长区域和生长时间建立生长状态图像数据库与生长度日基础数据库的对应关系。
在根据本发明的基于农作物生长度日数据与生长状态图像的人工智能管理方法中，优选地，所述构建包含农作物生长区域、农作物生长时间和农作物生长温度数据的农作物生长度日基础数据库包括，获取农作物生长区域分布，在各个生长区域中农作物的生长时间与时间区间，以及农作物在该区域中的生长温度与温度区间；获取农作物生长时间在不同生长区域的分布，农作物生长时间点在不同生长区域的时区差别，农作物生长各时间点所需的温度值；获取农作物可生长的温度区间、最适合生长的温度区间、不适合生长的温度区间。
在根据本发明的基于农作物生长度日数据与生长状态图像的人工智能管理方法中，优选地，所述构建包含农作物近期十年生长度日平均值的生长度日曲线数据库包括，搜集农作物不同生长区域近期五至十年的气象温度值，按地区与相同农作物种植区域整理，构建种植区域气象温度值数据库；计算农作物生长的生长度日数据，计算十年生长度日平均值并绘制农作物生长的生长度日数据曲线。
在根据本发明的基于农作物生长度日数据与生长状态图像的人工智能管理方法中，优选地，所述构建包含农作物生长状态图像的生长状态图像数据库包括，根据不同农作物的生长阶段对时间区域、温度、需水量等不同特性加以区别，划分为农作物生长的不同生长期；根据农作物生长期与生长度日值的对应关系建构生长度日区间值数据库；拍摄具有拍摄时间和拍摄地点信息的农作物生长状态图像；建立农作物生长状态图像与生长度日的联系；由图像的生长度日、形态特征判读农作物生长阶段，将该图像存储于农作物生长的该生长阶段图库中。
在根据本发明的基于农作物生长度日数据与生长状态图像的人工智能管理方法中，优选地，所述输入农作物实时生长度日数据，获取农作物生长图像的方法包括，输入农作物种类信息，分类比对系统向用户实时给出该农作物的生长度日数据；所述生长度日数据输入生长度日区间值数据库，经比对计算确定该生长度日数据所在的生长度日值的区间；分类比对系统根据生长度日区间，确定农作物的生长期，并调取对应生长期的农作物生长图像。
在根据本发明的基于农作物生长度日数据与生长状态图像的人工智能管理方法中，优选地，所述拍摄农作物生长图像，获取农作物实时生长度日数据的方法包括，启动智能拍照系统，输入农作物种类信息，拍摄农作物生长图像；启动图像识别系统，导入所拍摄的农作物生长图像；分类比对系统经过比对运算，获取该图像农作物所在的生长阶段，列出其所处的生长度日值的范围。
在根据本发明的基于农作物生长度日数据与生长状态图像的人工智能管理方法中，可选地，所述根据实时生长度日数据和农作物生长图像输出农作物生产管理意见包括，根据农作物生长度日数据和/或生长状态图像结合降水量数据给出农作物实时需水量及其排灌方式。
在根据本发明的基于农作物生长度日数据与生长状态图像的人工智能管理方法中，可选地，所述根据实时生长度日数据和农作物生长图像输出农作物生产管理意见包括，根据农作物生长度日数据和/或生长状态图像结合土壤肥力数据给农作物施肥建议。
在根据本发明的基于农作物生长度日数据与生长状态图像的人工智能管理方法中，可选地，所述根据实时生长度日数据和农作物生长图像输出农作物生产管理意见包括，根据农作物生长度日数据和/或生长状态图像给出农作物病虫害预警及防治方案。
在采取本发明提出的技术后，根据本发明的农作物生长度日数据与生长状态图像的人工智能管理方法，可以在互联网、移动互联网平台上应用，利用人工智能实时采集农作物生长度日(GDDs)的基础温度数据，输入系统分类、比对获取农作物生长度日(GDDs)的实时数据；同时可以应用人工智能拍照识别系统，实时拍摄农作物生长状态（图像），实现农作物生长度日(GDDs)数据与农作物生长状态（图像）的互联，达到农作物生长度日(GDDs)数据可以通过真实的农作物生长状态（图像）来直观展现，真实农作物生长状态（图像）可以由农作物生长度日(GDDs)数据来精准描述的效果，以实时指导农作物的生产与管理。系统性地解决了生长度日(GDDs)数据在农作物生产管理中的应用难题，适应农作物的广度和深度均有极强的提升并可实时扩展，使用人员只需输入农作物生长度日参数或真实农作物生长状态图像即可实时获取不同农作物生长度日全部数据并指导农作物生产管理，降低了对使用人员的要求，有利于农业技术大规模推广应用。
附图说明
图1示出了根据本发明实施例的生长度日(GDDs)计算公式
图2示出了根据本发明实施例的利用单正弦波方法计算农作物不同生育期的生长度日(GDDs)示意图
图3示出了根据本发明实施例的不同情形下生长度日(GDDs)的计算公式
图4示出了根据本发明实施例的农作物生长的生长度日(GDDs)数据曲线图
图5示出了根据本发明实施例的图像识别系统方法步骤图
具体实施方式
下面将参照附图对本发明的各个优选的实施方式进行描述。提供以下参照附图的描述，以帮助对由权利要求及其等价物所限定的本发明的示例实施方式的理解。其包括帮助理解的各种具体细节，但它们只能被看作是示例性的。因此，本领域技术人员将认识到，可对这里描述的实施方式进行各种改变和修改，而不脱离本发明的范围和精神。而且，为了使说明书更加清楚简洁，将省略对本领域熟知功能和构造的详细描述。
一种基于农作物生长度日数据与生长状态图像的人工智能管理方法，包括，构建分类比对系统；输入农作物实时生长度日数据，获取农作物生长图像；拍摄农作物生长图像，获取农作物实时生长度日数据；根据实时生长度日数据和农作物生长图像输出农作物生产管理意见。所述的农作物生长图像包括光学图像和/或光谱图像。
作为根据本发明实施例的农作物生长度日数据与生长状态图像的人工智能管理方法，首先搭建农作物生长区域、农作物生长时间、农作物生长温度的基础数据库，包括如下内容：（1）获取农作物生长区域分布，在各个区域中农作物生长时间与时间区间，农作物在该区域中生长温度与温度区间。（2）获取农作物生长时间在不区域间的分布，农作物生长时间点在不区域间的时区差别，农作物生长各时间点所需的温度值。（3）获取农作物可生长的温度区间、最适合生长的温度区间、不适合生长的温度区间，农作物生长温度的区域差异、时间差别。
接着构建农作物近期十年生长度日(GDDs)平均值及生长度日(GDDs)曲线，包括如下内容。
（1）搜集农作物生长区近期五至十年的气象温度值，按地区与相同农作物种植区域整理，构建种植区域气象温度值数据库。
（2）应用图1生长度日(GDDs)的计算公式计算农作物生长的生长度日(GDDs)的数据，图1中，GDD为生长度日（℃.d）,是介于农作物生长上限温度与下限温度之间的热量累积，也称为净效积温；T为日均气温；T1为下限温度；Tu为上限温度； Tmax为最高气温;Tmin为最低气温。
再如图2所示，利用单正弦波方法计算农作物不同生育期的GDD生长度日，图2中，Ⅰ：Tmax＞Tu ，T1＞Tmin；Ⅱ: Tu≥Tmax ，T1＞Tmin ; Ⅲ:Tmax＞Tu，Tmin≥T1；Ⅳ: Tmax≤Tu，T1≤Tmin；Ⅴ：Tu≤Tmin；Ⅵ :T1＞Tmax ；T1为下限温度；Tu为上限温度；Tmax为最高气温; Tmin为最低气温。
接着按照图3所示不同情形下度日的计算公式计算农作物生长的生长度日(GDDs)的数据，计算十年生长度日(GDDs)平均值并绘制农作物生长的生长度日(GDDs)数据曲线。图4所示为本发明实施例的农作物生长的生长度日(GDDs)数据曲线图，实时的计算农作物生长的生长度日(GDDs)的数据所得到的曲线，将会在图4所描述的曲线周边呈现，其呈现趋势与图4相同。
（3）建构生长度日(GDDs)数据曲线数据库。使实时生长度日(GDDs)的数据有据可寻，该数据所在的数据区间可判读农作物生长阶段。
作为根据本发明实施例的农作物生长度日数据与生长状态图像的人工智能管理方法，农作物生长周期不同阶段的划分，包括如下内容：（1）根据不同农作物的生长阶段对时间区域、温度、需水量等不同特性加以区别，划分为农作物生长的不同生长期。例如水稻可以划分为秧苗培育期、插秧期、分蘖期、幼穗发育期、孕穗期、抽穗期、结实期、成熟收获期等不同生长期。（2）建构生长度日(GDDs)区间值数据库。农作物生长的不同生长期的生长度日(GDDs)是不同的，但在某一生长期内，生长度日(GDDs)值将有一个对应的区间值，即在某生长度日(GDDs)值的区间内一定对应农作物生长期。（3）建构图像数据库。同种农作物生长的不同生长期，其形态特征是不相同的；但在同一生长期其形态特征是基本相同的，基本相同的形态特征是图像识别的基础，通过输入拍摄的图像设置图像存储空间，建构图像数据库。
作为根据本发明实施例的农作物生长度日数据与生长状态图像的人工智能管理方法，拍摄农作物生长状态的图像（光学图像和/或光谱图像），包括如下内容：（1）农作物生长状态图像的拍摄时记录拍摄时间并定位拍摄地点，建立起农作物生长状态的图像与生长度日(GDDs)的联系。（2）由图像的生长度日(GDDs)、形态特征判读农作物生长阶段，将该图像存储于农作物生长的该生长阶段图库中。（3）农作物生长状态图像的来源包括两部分，后台提供和用户上传后再由后台整理提供。
特别地，建立图像识别系统以执行前面所述的图像识别和处理，主要包括图像分割，图像特征提取以及分类器的识别分类等功能部分，如图5所示，先将拍摄到的农作物生长状态图像进行图像预处理，再进行图像分割和特征提取，接着进行判断匹配，最后输出识别结果。其中，图像分割将图像划分为多个有意义的区域，然后将每个区域的图像进行特征提取，最后分类器根据提取的图像特征对图像进行相应的分类。实际上，图像识别和图像分割并不存在严格的界限。从某种意义上，图像分割的过程就是图像识别的过程。图像分割着重于对象和背景的关系，研究的是对象在特定背景下所表现出来的整体属性，而图像识别则着重于对象本身的属性。本实施例中，图像识别系统只需识别出农作物生长状态图像对应的农作物生长的不同生长期即可输出识别结果。
作为根据本发明实施例的农作物生长度日数据与生长状态图像的人工智能管理方法，可以输入农作物实时生长度日(GDDs)数据，获取农作物生长图像。主要方法在于，（1）用户勾选农作物种类信息，例如水稻、小麦、玉米、棉花等，输入该农作物的生长度日(GDDs)数据，此数据由本系统实时提供给用户。（2）该数据自动输入生长度日(GDDs)区间值数据库，经机器比对、计算确定该生长度日(GDDs)数据所在的生长度日(GDDs)值的区间。（3）系统根据生长度日(GDDs)区间，确定农作物的生长期，并调取该农作物的生长期的农作物的生长图像。
作为根据本发明实施例的农作物生长度日数据与生长状态图像的人工智能管理方法，可以输入拍摄的农作物生长图像，获取农作物实时生长度日(GDDs)数据。主要方法在于，（1）用户开通系统拍照系统，并勾选农作物种类信息例如水稻、小麦、玉米、棉花等，拍摄农作物生长图像。（2）打开系统图像识别功能，前述拍摄的农作物生长图像自动导入图像识别系统，经机器比对与运算，获取该图像所在的农作物生长阶段，列出该图像所处的生长度日(GDDs)值的范围。
作为根据本发明实施例的农作物生长度日数据与生长状态图像的人工智能管理方法，根据用户输入和系统比对计算后的实时生长度日数据和农作物生长图像输出农作物生产管理意见。例如根据农作物生长度日数据和/或生长状态图像结合降水量数据给出农作物实时需水量及其排灌方式，或者根据农作物生长度日数据和/或生长状态图像结合土壤肥力数据给农作物施肥建议，亦或根据农作物生长度日数据和/或生长状态图像给出农作物病虫害预警及防治方案。当然，根据本发明实施例的农作物生长度日数据与生长状态图像的人工智能管理方法给出的农作物生产管理意见并不局限于以上建议或方案，上述关于排灌、施肥和病虫害防治的输出只是本实施例列举的示例，并不构成对本发明的限制。实际上，根据本发明的农作物生长度日数据与生长状态图像的人工智能管理方法可以输出农作物生产管理各个阶段和各个层面的不同方面的意见，其均在本发明的保护范围之内。
根据本发明实施例的农作物生长度日数据与生长状态图像的人工智能管理方法，可以在互联网、移动互联网平台上应用，利用人工智能实时采集农作物生长度日(GDDs)的基础温度数据，输入系统分类、比对获取农作物生长度日(GDDs)的实时数据；同时可以应用人工智能拍照识别系统，实时拍摄农作物生长状态（图像），实现农作物生长度日(GDDs)数据与农作物生长状态（图像）的互联，达到农作物生长度日(GDDs)数据可以通过真实的农作物生长状态（图像）来直观展现，真实农作物生长状态（图像）可以由农作物生长度日(GDDs)数据来精准描述的效果，以实时指导农作物的生产与管理。系统性地解决了生长度日(GDDs)数据在农作物生产管理中的应用难题，适应农作物的广度和深度均有极强的提升并可实时扩展，使用人员只需输入农作物生长度日参数或真实农作物生长状态图像即可实时获取不同农作物生长度日全部数据并指导农作物生产管理，降低了对使用人员的要求，有利于农业技术大规模推广应用。
以上对本发明进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可实施。当然，以上所列的情况仅为示例，本发明并不仅限于此。本领域的技术人员应该理解，根据本发明技术方案的其他变形或简化，都可以适当地应用于本发明，并且应该包括在本发明的范围内。
Claims (10)
1.一种基于农作物生长度日数据与生长状态图像的人工智能管理方法，其特征在于，包括，
构建分类比对系统；
输入农作物实时生长度日数据，获取农作物生长图像；
拍摄农作物生长图像，获取农作物实时生长度日数据；
所述的农作物生长图像包括光学图像和/或光谱图像；
根据实时生长度日数据和农作物生长图像输出农作物生产管理意见。
2.根据权利要求1的一种基于农作物生长度日数据与生长状态图像的人工智能管理方法，其特征在于，所述构建分类比对系统包括，
构建包含农作物生长区域、农作物生长时间和农作物生长温度数据的农作物生长度日基础数据库；
构建包含农作物近期十年生长度日平均值的生长度日曲线数据库；
构建包含农作物生长状态图像的生长状态图像数据库；
根据生长区域和生长温度建立生长度日曲线数据库与生长度日基础数据库的对应关系；
根据生长区域和生长时间建立生长状态图像数据库与生长度日基础数据库的对应关系。
3.根据权利要求2的一种基于农作物生长度日数据与生长状态图像的人工智能管理方法，其特征在于，所述构建包含农作物生长区域、农作物生长时间和农作物生长温度数据的农作物生长度日基础数据库包括，
获取农作物生长区域分布，在各个生长区域中农作物的生长时间与时间区间，以及农作物在该区域中的生长温度与温度区间；
获取农作物生长时间在不同生长区域的分布，农作物生长时间点在不同生长区域的时区差别，农作物生长各时间点所需的温度值；
获取农作物可生长的温度区间、最适合生长的温度区间、不适合生长的温度区间。
4.根据权利要求2的一种基于农作物生长度日数据与生长状态图像的人工智能管理方法，其特征在于，所述构建包含农作物近期十年生长度日平均值的生长度日曲线数据库包括，
搜集农作物不同生长区域近期五至十年的气象温度值，按地区与相同农作物种植区域整理，构建种植区域气象温度值数据库；
计算农作物生长的生长度日数据，计算十年生长度日平均值并绘制农作物生长的生长度日数据曲线。
5.根据权利要求2的一种基于农作物生长度日数据与生长状态图像的人工智能管理方法，其特征在于，所述构建包含农作物生长状态图像的生长状态图像数据库包括，
根据不同农作物的生长阶段对时间区域、温度、需水量等不同特性加以区别，划分为农作物生长的不同生长期；
根据农作物生长期与生长度日值的对应关系建构生长度日区间值数据库；
拍摄具有拍摄时间和拍摄地点信息的农作物生长状态图像；
建立农作物生长状态图像与生长度日的联系；
由图像的生长度日、形态特征判读农作物生长阶段，将该图像存储于农作物生长的该生长阶段图库中。
6.根据权利要求5的一种基于农作物生长度日数据与生长状态图像的人工智能管理方法，其特征在于，所述输入农作物实时生长度日数据，获取农作物生长图像的方法包括，
输入农作物种类信息，分类比对系统向用户实时给出该农作物的生长度日数据；
所述生长度日数据输入生长度日区间值数据库，经比对计算确定该生长度日数据所在的生长度日值的区间；
分类比对系统根据生长度日区间，确定农作物的生长期，并调取对应生长期的农作物生长图像。
7.根据权利要求5的一种基于农作物生长度日数据与生长状态图像的人工智能管理方法，其特征在于，所述拍摄农作物生长图像，获取农作物实时生长度日数据的方法包括，
启动智能拍照系统，输入农作物种类信息，拍摄农作物生长图像；
启动图像识别系统，导入所拍摄的农作物生长图像；
分类比对系统经过比对运算，获取该图像农作物所在的生长阶段，列出其所处的生长度日值的范围。
8.根据权利要求1的一种基于农作物生长度日数据与生长状态图像的人工智能管理方法，其特征在于，所述根据实时生长度日数据和农作物生长图像输出农作物生产管理意见包括，根据农作物生长度日数据和/或生长状态图像结合降水量数据给出农作物实时需水量及其排灌方式。
9.根据权利要求1的一种基于农作物生长度日数据与生长状态图像的人工智能管理方法，其特征在于，所述根据实时生长度日数据和农作物生长图像输出农作物生产管理意见包括，根据农作物生长度日数据和/或生长状态图像结合土壤肥力数据给农作物施肥建议。
10.根据权利要求1的一种基于农作物生长度日数据与生长状态图像的人工智能管理方法，其特征在于，所述根据实时生长度日数据和农作物生长图像输出农作物生产管理意见包括，根据农作物生长度日数据和/或生长状态图像给出农作物病虫害预警及防治方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610644303.6A CN107465712A (zh) | 2016-08-09 | 2016-08-09 | 一种基于农作物生长度日数据与生长状态图像的人工智能管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610644303.6A CN107465712A (zh) | 2016-08-09 | 2016-08-09 | 一种基于农作物生长度日数据与生长状态图像的人工智能管理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107465712A true CN107465712A (zh) | 2017-12-12 |
Family
ID=60545396
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610644303.6A Pending CN107465712A (zh) | 2016-08-09 | 2016-08-09 | 一种基于农作物生长度日数据与生长状态图像的人工智能管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107465712A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109766957A (zh) * | 2019-03-19 | 2019-05-17 | 广东省农业科学院农业生物基因研究中心 | 一种智慧高效监控农作物种质资源生育期的方法 |
| CN111178437A (zh) * | 2019-12-30 | 2020-05-19 | 深圳市芭田生态工程股份有限公司 | 一种施肥方法及计算机可读存储介质 |
| TWI718944B (zh) * | 2020-05-05 | 2021-02-11 | 國立屏東科技大學 | 利用熱量單位累積估計算水稻生育基礎溫度之方法及其管理系統 |
| CN113673301A (zh) * | 2021-06-24 | 2021-11-19 | 亳州市药通信息咨询有限公司 | 基于大数据技术和遥感数据的中药材品种分析识别系统 |
| CN115661547A (zh) * | 2022-11-10 | 2023-01-31 | 广州市景丽园芳信息技术有限公司 | 一种基于知识图谱的植物灌溉养护方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102524024A (zh) * | 2012-02-16 | 2012-07-04 | 四川农业大学 | 基于计算机视觉的作物灌溉系统 |
| CN103093495A (zh) * | 2011-11-04 | 2013-05-08 | 唐卫东 | 基于生长模型的单茎植物数字化构建方法 |
| CN103699803A (zh) * | 2013-12-31 | 2014-04-02 | 北京农业信息技术研究中心 | 一种基于多光谱遥感信息的区域作物养分管理方法 |
| CN103970095A (zh) * | 2014-04-23 | 2014-08-06 | 浙江理工大学 | 基于智能手机的农作物监测系统及方法 |
| WO2015161324A1 (en) * | 2014-04-18 | 2015-10-22 | The Davey Tree Expert Company | Phenology-based plant care system |
| CN105117967A (zh) * | 2015-08-05 | 2015-12-02 | 成都点石创想科技有限公司 | 一种用于有机农作物种植管理的土壤湿度智能监管方法 |
| 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 |
-
2016
- 2016-08-09 CN CN201610644303.6A patent/CN107465712A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103093495A (zh) * | 2011-11-04 | 2013-05-08 | 唐卫东 | 基于生长模型的单茎植物数字化构建方法 |
| CN102524024A (zh) * | 2012-02-16 | 2012-07-04 | 四川农业大学 | 基于计算机视觉的作物灌溉系统 |
| CN103699803A (zh) * | 2013-12-31 | 2014-04-02 | 北京农业信息技术研究中心 | 一种基于多光谱遥感信息的区域作物养分管理方法 |
| WO2015161324A1 (en) * | 2014-04-18 | 2015-10-22 | The Davey Tree Expert Company | Phenology-based plant care system |
| CN103970095A (zh) * | 2014-04-23 | 2014-08-06 | 浙江理工大学 | 基于智能手机的农作物监测系统及方法 |
| 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 |
| CN105117967A (zh) * | 2015-08-05 | 2015-12-02 | 成都点石创想科技有限公司 | 一种用于有机农作物种植管理的土壤湿度智能监管方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109766957A (zh) * | 2019-03-19 | 2019-05-17 | 广东省农业科学院农业生物基因研究中心 | 一种智慧高效监控农作物种质资源生育期的方法 |
| CN111178437A (zh) * | 2019-12-30 | 2020-05-19 | 深圳市芭田生态工程股份有限公司 | 一种施肥方法及计算机可读存储介质 |
| TWI718944B (zh) * | 2020-05-05 | 2021-02-11 | 國立屏東科技大學 | 利用熱量單位累積估計算水稻生育基礎溫度之方法及其管理系統 |
| CN113673301A (zh) * | 2021-06-24 | 2021-11-19 | 亳州市药通信息咨询有限公司 | 基于大数据技术和遥感数据的中药材品种分析识别系统 |
| CN115661547A (zh) * | 2022-11-10 | 2023-01-31 | 广州市景丽园芳信息技术有限公司 | 一种基于知识图谱的植物灌溉养护方法及系统 |
| CN115661547B (zh) * | 2022-11-10 | 2023-12-15 | 广州市景丽园芳信息技术有限公司 | 一种基于知识图谱的植物灌溉养护方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107465712A (zh) | 一种基于农作物生长度日数据与生长状态图像的人工智能管理方法 | |
| CN108647652B (zh) | 一种基于图像分类和目标检测的棉花发育期自动识别方法 | |
| Liang et al. | A visual detection method for nighttime litchi fruits and fruiting stems | |
| Tian et al. | Application status and challenges of machine vision in plant factory—A review | |
| CN110909679B (zh) | 冬小麦历史种植区的休耕轮作信息遥感识别方法及系统 | |
| CN109583301A (zh) | 一种农作物生长过程最优外部种植条件预测方法及装置 | |
| CN102542560B (zh) | 一种水稻移栽后密度自动检测的方法 | |
| CN106529451A (zh) | 一种冬小麦—夏玉米种植模式遥感识别方法 | |
| CN113011221A (zh) | 作物分布信息的获取方法、装置及测量系统 | |
| CN115620151B (zh) | 物候期识别方法、装置、电子设备和存储介质 | |
| CN104504736A (zh) | 一种识别大田作物长势监控图像中绿色植物的方法及系统 | |
| Kamdar et al. | 11 Artificial intelligence for plant disease detection: past, present, and future | |
| Anindya et al. | IoT Based Climate Prediction System Using Long Short-Term Memory (LSTM) Algorithm as Part of Smart Farming 4.0 | |
| CN107340268B (zh) | 一种基于遥感时序数据的旱地作物识别方法 | |
| CN108575602A (zh) | 一种农作物植株整枝方法及系统 | |
| CN113377141A (zh) | 一种人工智能农业自动管理系统 | |
| CN116616019A (zh) | 基于物联网和人工智能的油茶水肥一体化滴灌方法及系统 | |
| CN113010529A (zh) | 基于知识图谱的作物管理方法和装置 | |
| CN108733013A (zh) | 一种基于大数据分析的葡萄种植管理系统 | |
| Pan et al. | Application of Image Recognition Technology in Lychee Downy Mildew | |
| WO2020218157A1 (ja) | 予測システム、予測方法、および予測プログラム | |
| CN115017322A (zh) | 基于本体的马铃薯产业链知识图谱构建方法 | |
| Witten et al. | Practical machine learning and its application to problems in agriculture | |
| CN117933676B (zh) | 一种农业种植管理系统 | |
| KR102717124B1 (ko) | 밀폐형 스마트팜 운영 장치 및 그 방법 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171212 |