CN109406412A - 一种植物健康状态监控方法及装置 - Google Patents

一种植物健康状态监控方法及装置 Download PDF

Info

Publication number
CN109406412A
CN109406412A CN201710711878.XA CN201710711878A CN109406412A CN 109406412 A CN109406412 A CN 109406412A CN 201710711878 A CN201710711878 A CN 201710711878A CN 109406412 A CN109406412 A CN 109406412A
Authority
CN
China
Prior art keywords
plant
information
health
plant health
ill
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
Application number
CN201710711878.XA
Other languages
English (en)
Inventor
刘波
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.)
Guangzhou Xaircraft Technology Co Ltd
Original Assignee
Guangzhou Xaircraft Technology 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 Guangzhou Xaircraft Technology Co Ltd filed Critical Guangzhou Xaircraft Technology Co Ltd
Priority to CN201710711878.XA priority Critical patent/CN109406412A/zh
Priority to RU2019141805A priority patent/RU2726033C1/ru
Priority to CA3065851A priority patent/CA3065851A1/en
Priority to KR1020207007441A priority patent/KR102344031B1/ko
Priority to EP18846361.6A priority patent/EP3620774B1/en
Priority to US16/617,057 priority patent/US11301986B2/en
Priority to AU2018317151A priority patent/AU2018317151A1/en
Priority to PCT/CN2018/100606 priority patent/WO2019034070A1/zh
Priority to AU2018102220A priority patent/AU2018102220A4/en
Priority to JP2020509112A priority patent/JP6960525B2/ja
Publication of CN109406412A publication Critical patent/CN109406412A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G7/00—Botany in general
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G7/00—Botany in general
    • A01G7/06—Treatment of growing trees or plants, e.g. for preventing decay of wood, for tingeing flowers or wood, for prolonging the life of plants
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/69—Control of means for changing angle of the field of view, e.g. optical zoom objectives or electronic zooming
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
    • G01N2021/3155—Measuring in two spectral ranges, e.g. UV and visible
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G01N2201/1296—Using chemometrical methods using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Abstract

本发明公开一种植物健康状态监控方法及装置，涉及智能农业技术领域，以智能化的判断植物健康状况，及时提醒农田管理人员针对发生植物健康状况不良的植物进行防治。该植物健康状态监控方法是根据植物健康状况信息进行第一次判断，在判断结果为植物健康存在不良风险时，根据植物健康存在不良风险的植物所在方位的第二植物健康状况信息进行第二次判断，以准确得到植物健康状况信息，以使得农田管理人员能够及时了解田间植物现状，并及时防治：所述植物健康状态监控装置应用上述技术方案所提的植物健康状态监控方法。本发明提供的植物健康状态监控方法用于植物健康状况监测中。

Description

一种植物健康状态监控方法及装置
技术领域
本发明涉及智能农业技术领域，尤其涉及一种植物健康状态监控方法及装置。
背景技术
传统农田管理中，一般是农田管理人员定期到田间观察植物生长状况，并根据植物生长状况判断植物健康状况，并根据植物健康不良时，依据经验知识，判断是否需要对植物健康状况不良的问题进行治理。
但是，传统农田管理需要农田管理人员定期到田间观察植物生长状况，以根据植物生长状况判断植物健康状况，其受到时间、空间范围的限制，存在不能及时发现，或者遗漏的风险，从而错过采取植保措施的最佳时间。
发明内容
本发明的目的在于提供一种植物健康状态监控方法及装置，以智能化的判断植物健康状况，并在植物健康存在不良时，及时提醒农田管理人员针对发生植物健康状况不良的植物进行防治。
为了实现上述目的，本发明提供如下技术方案：
一种植物健康状态监控方法，该植物健康状态监控方法包括：
接收植物健康状况测量设备提供的第一植物健康状况信息，根据所述第一植物健康状况信息对植物健康状况进行判断，得到第一判断信息；
若所述第一判断信息所表示的内容为植物存在健康不良风险，则接收所述存在健康不良风险的植物所在方位的第二植物健康状况信息；根据所述第二植物健康状况信息对植物健康状况进行判断，得到第二判断信息；
若所述第二判断信息所表示的内容为植物存在健康不良，则确认所述植物健康状况处于健康不良，以及确定处于健康不良的植物所在方位信息。
与现有技术相比，本发明提供的植物健康状态监控方法，通过对植物健康状况测量设备提供第一植物健康状况信息进行第一次判断，得到第一判断信息，当第一判断信息所表示的内容为植物存在健康不良风险，接收存在健康不良风险的植物所在方位的第二植物健康状况信息，以对该第二植物健康状况信息进行第二次判断，使得在第二判断信息时，能够确定确定植物健康状况处于健康不良.，以及确定处于健康不良的植物所在方位信息，从而使得农田管理人员不受时间、空间范围的限制，能够及时了解田间植物健康状况，以在植物处于健康不良时，能够根据处于健康不良的植物所在的方位信息迅速确定处于健康不良的植物的位置，从而尽快采取植保措施使得植物恢复健康。
本发明还提供了一种植物健康状态监控装置，该植物健康监测装置包括：
接收单元，用于接收植物健康状况测量设备提供的第一植物健康状况信息；
与接收单元连接的处理单元，用于根据所述第一植物健康状况信息对植物健康状况进行第一次判断，得到第一判断信息；若所述第一判断信息所表示的内容为植物存在健康不良风险，所述接收单元还用于接收所述存在健康不良风险的植物所在方位的第二植物健康状况信息；所述处理单元还用于根据所述第二植物健康状况信息对植物健康状况进行第二次判断，得到第二判断信息；若所述第二判断信息所表示的内容为植物存在健康不良，则确认植物健康处于健康不良，以及确定处于健康不良的植物所在方位信息。
与现有技术相比，本发明提供的植物健康状态监控装置的有益效果与上述技术方案提供的植物健康状态监控方法的有益效果相同，在此不做赘述。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例提供的植物健康状态监控方法的应用环境示意图；
图2为本发明实施例提供的植物健康状态监控方法的流程图；
图3为本发明实施例中生成植物健康状况不良报告的流程图；
图4为本发明实施例中根据第一植物健康状况信息对植物健康状况进行第一次判断的流程图；
图5为本发明实施例中根据第二植物健康状况信息对植物健康状况进行第二次判断的流程图；
图6为本发明实施例提供的植物健康状态监控装置的结构框图；
图7为本发明实施例中处理单元的结构框图；
图8为本发明实施例提供的植物健康状态监控终端的硬件结构图。
具体实施方式
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、完整地描述，显然，所描述的实施例仅仅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。
如图2、图6和图8所示，本发明实施例提供了一种植物健康状态监控方法及装置，其能够判断出植物存在健康不良风险的植物所在方位，并接收该方位更高精度的植物图像信息，对其进行分析，以最终确定植物健康状况，并在植物健康存在不良时，及时提醒农田管理人员进行防治，克服了传统农田管理受到时间、空间范围的限制，存在不能及时发现，或者遗漏的风险，从而错过采取植保措施的最佳时间的问题。
如图1所示，本发明实施例提供的技术方案通过终端设备100实现，并与植物健康状况测量设备200无线或有线通信，以接收植物健康状况测量设备200所提供的信息，终端设备100将植物健康状况测量设备200所提供的信息进行处理，将结果以报告的形式发送给客户端300，客户端300可以为传真机301、平板电脑302、手机303上携带的应用客户端，应用客户端包括短信客户端、微信客户端、邮件客户端等。
如图2所示，本发明实施例提供的植物健康状态监控方法包括：
S110：接收植物健康状况测量设备200提供的第一植物健康状况信息；
S120：根据第一植物健康状况信息对植物健康状况进行第一次判断，得到第一判断信息；若第一判断信息所表示的内容为植物存在健康不良风险，则执行S130；
S130：接收植物健康状况测量设备200提供的存在健康不良风险的植物所在方位的第二植物健康状况信息；
S140：根据第二植物健康状况信息对植物健康状况进行第二次判断，得到第二判断信息；
S150：若第二判断信息所表示的内容为植物存在健康不良，则确认植物健康状况处于健康不良，以及确定处于健康不良的植物所在方位信息；
可以知道的是，植物健康状况处于健康不良只是一种相对确定状态，即这种健康不良的机率高出普通的机率，被定义为植物健康状况处于健康不良。
基于上述工作过程可知，本发明实施例提供的植物健康状态监控方法，通过对植物健康状况测量设备提供第一植物健康状况信息进行第一次判断，得到第一判断信息，当第一判断信息所表示的内容为植物存在健康不良风险，接收存在健康不良风险的植物所在方位的第二植物健康状况信息，以对该第二植物健康状况信息进行第二次判断，使得在第二判断信息时，能够确定植物健康状况处于健康不良.，以及确定处于健康不良的植物所在方位信息，从而使得农田管理人员不受时间、空间范围的限制，能够及时了解田间植物健康状况，以在植物处于健康不良时，能够根据处于健康不良的植物所在的方位信息迅速确定处于健康不良的植物的位置，从而尽快采取植保措施使得植物恢复健康。
例如：采用传统农田管理手段管理一块较大面积的田地，农田管理人员不仅需要定期到田间观察植物生长状况，而且在观察植物生长状况时，需要将较大面积的田地的每一方位，每一个角落的植物都观察一遍，才能准确获取植物生长状况，这不仅给农田管理带来不便，也极大的浪费了时间，而本发明实施例提供的植物健康状态方法中，不仅能够确定植物健康状况，而且还能够确定处于健康不良的植物所在方位信息，使得农业管理人员能够针对特定方位的植物进行预警。
需要说明的是，对于植物健康状况测量设备200来说，其所提供的植物健康状况信息，不管是第一植物健康状况信息，还是第二植物健康状况信息，其都可以是实时采集，也可以是周期性采集，而植物健康状况测量设备200所提供的植物健康状况信息具体种类，则是由植物健康状况测量设备200所包括的模组决定的。
例如：植物健康状况测量设备200所提供的植物健康状况信息至少包括植物图像信息时，植物健康状况测量设备200可以是设置在农田中的监控设备，也可以是能够拍摄图片的无人机，或者其他能够采集植物图像的设备。总之，该植物健康状况测量设备200至少应当包括具有图像采集功能的模组，例如摄像机、照相机等。
而如果植物图像信息的类型为可见光谱图像信息和/或不可见光谱图像信息，可见光谱图像信息通过普通的摄像机或照相机采集，不可见光谱图像信息通过具有红外线探测功能的图像采集设备采集，如红外线照相机或红外摄像机采集.对于具有红外线探测功能的图像采集设备来说，其能够在夜间充分发挥其优势，捕捉到普通的摄像机无法采集的信息，同时，对于植物在可见光下不能发现的病例症状也能够采集，相对普通的摄像机或照相机来说，其优势是不言而喻的。
值得注意的是，本发明实施例提供的植物健康状态监控方法，至少经过两次判断，就能够精确确定植物是否存在健康不良，以避免现有技术中，农业管理人员在植物没有病虫害发生的情况下，依据经验知识，在植物生长到一定时期结合气候环境因素进行人工经验判断，提前施喷药物预防，导致农药施喷不合理的问题。
而在上述S150结束后，还可以进一步根据所确定的处于健康不良的植物所在方位信息，接收植物健康状况测量设备200发送的处于健康不良的植物的第三植物健康状况信息，以根据第三植物健康状况信息进一步确定植物的健康状况是否良好。以此类推，可以反复接收并判断植物健康状况信息，以实现植物健康状态的监控。至于接收和判断植物健康状况信息的次数，可以根据实际需要确定。
具体的，当第一植物健康状况信息至少包括当前植物图像信息；第二植物健康状况信息至少包括存在健康不良风险的植物所在方位对应的当前植物图像信息；可限定第二植物健康状况信息中当前植物图像信息的精度大于第一植物健康状况信息中当前植物图像信息的精度(此处的精度可以为更高分辨率的植物图像信息)；此时，在S150后，判断第二次判断确定的处于健康不良的植物所在方位信息的精确度是否高于预设精确度；
如果是，则结束判断，否则，接收处于健康不良的植物所在方位的第三植物状况信息并进行判断，并限定第三植物健康状况信息的精度大于第二植物健康状况信息的精度。
以此类推，进行多次接收和判断植物健康状况信息，直到某次处于健康不良的植物所在方位信息的精确度高于预设精确度，结束接收和判断植物健康状况信息。
需要说明的是，上述对于接收和判断次数的限定，是以处于健康不良的植物所在方位的精确度为依据进行的，此时需要限定当次植物健康状况信息的精度大于前次植物健康状况信息的精度，即第二植物健康状况信息中当前植物图像信息的精度大于第一植物健康状况信息中当前植物图像信息的精度。
考虑到现有技术中图像识别判断技术多种多样，但大多智能化程度不高，基于此，如图4所示，上述根据第一植物健康状况信息对植物健康状况进行第一次判断，得到第一判断信息包括：
S121：采用卷积神经网络模型对第一植物健康状况信息进行判断，得到第一植物健康不良机率；
S122：判断第一植物健康不良机率是否大于设定阈值；
如果是，则确认植物存在健康不良风险和存在健康不良风险的植物所在方位信息，执行S130；其中，存在健康不良风险的植物所在方位信息是根据第一植物健康状况信息确定的，即采用卷积神经网络模型对第一植物健康状况信息进行判断时，卷积神经网络模型还会识别第一植物健康状况信息，得到存在健康不良风险的植物所在方位信息；
否则，确定植物健康良好。
其中，植物所存在的健康不良风险包括病虫害风险和/或营养物质缺乏风险；营养物质缺乏风险包括微量元素缺乏风险、氮元素缺乏风险、磷元素缺乏风险、钾元素缺乏风险中的一种或多种。
同理，如图5所示，上述根据第二植物健康状况信息对植物健康状况进行第二次判断，得到第二判断信息包括：
S141：采用卷积神经网络模型对第二植物健康状况信息进行判断，得到第二植物健康不良机率；
S142：判断第二植物健康不良机率是否大于设定阈值；
如果是，则执行S150；
否则，确定植物健康良好；
S150：确认植物存在健康不良、植物健康不良的程度，以及处于健康不良的植物所在方位信息；其中，植物健康不良的程度可以根据第二植物健康不良机率与设定阈值的差值占设定阈值的百分比进行确定，差值越大，则植物健康不良的程度越高；处于健康不良的植物所在方位信息是根据第二植物健康状况信息进行确定的。即采用卷积神经网络模型对第二植物健康状况信息进行判断时，卷积神经网络模型还会识别第二植物健康状况信息，得到处于健康不良的植物所在方位信息；
需要说明的是，植物存在的健康不良可以包括植物存在病虫害症状和/或植物存在营养物质缺乏症状；营养物质缺乏症状可以包括微量元素缺乏症状、氮元素缺乏症状、磷元素缺乏症状、钾元素缺乏症状中的一种或多种。
具体的，上述卷积神经网络模型是通过学习训练得到的，因此采用卷积神经网络模型对第一植物健康状况信息进行判断前，上述植物健康状态识别方法还包括：
首先，接收历史植物健康状况信息；历史植物健康状况信息至少包括历史植物图像信息；
其次：利用卷积神经网络对历史植物健康状况信息进行学习训练，得到卷积神经网络模型。
本发明实施例提供的植物健康状态监控方法中，采用卷积神经网络模型对植物图像信息进行判断，以能够利用卷积神经网络模型自身所具有的并行数据处理优势，提高数据的处理能力，而且，还可以由于卷积神经网络模型的自适应能力极高，可以通过学习训练的过程对卷积神经网络模型进行调整，以使得卷积神经网络模型在数据处理时更为精确。
需要说明的是，不管是采用卷积神经网络模型对第一植物健康状况信息中的当前植物图像信息进行判断，还是对第二植物健康状况信息中的当前植物图像信息进行判断，抑或是采用卷积神经网络对历史植物健康状况信息中的历史植物图像信息进行学习训练，其都是以图片的形式进行的。
当具有植物图像信息是具有时间维度的影像，需要将植物图像信息按照每帧图片进行处理，因此，虽然当前植物图像信息和历史植物图像信息都可以为具有时间维度的影像，但是在实际处理过程中，还是以图片的形式进行处理的。也就是说，对采用卷积神经网络模型对第一植物健康状况信息中的当前植物图像信息进行判断，还是对第二植物健康状况信息中的当前植物图像信息进行判断，抑或是采用卷积神经网络对历史植物健康状况信息中的历史植物图像信息进行学习训练，都是逐帧图片进行判断或学习训练。
而为了能够在判断当前植物图像信息时，卷积神经网络模型更为准确的判断第一植物健康不良机率或第二植物健康不良机率，上述历史植物健康状况信息还包括历史土壤信息、历史空气信息、历史光照信息中的一种或多种；同时，第一植物健康状况信息至少还包括当前土壤信息、当前空气信息和当前光照信息中的一种或多种，第二植物健康状况信息至少还包括当前土壤信息、当前空气信息和当前光照信息中的一种或多种，这样利用卷积神经网络模型判断当前植物图像信息时，能够将当前植物所处的土壤信息、空气信息、光照信息作为参考，以更为准确的判断植物健康状况不良机率或第二植物健康不良机率，避免没有考虑土壤因素、空气因素和阳光因素等条件时，所造成的误判。
可以理解的是，当第一植物健康状况信息至少还包括当前土壤信息、当前空气信息和当前光照信息中的一种或多种；第二植物健康状况信息至少还包括当前土壤信息、当前空气信息和当前光照信息中的一种或多种时，上述植物健康状况测量设备200还应当包括测量土壤信息的土壤信息采集单元，如土壤湿度传感器、土壤温度传感器、土壤养分分析仪中的一种或多种，当然还可以包括其他能够监测土壤信息的土壤信息采集单元。
上述植物健康状况测量设备200还应当包括测量空气信息的空气信息采集单元，如空气湿度传感器、温度计、空气质量检测仪中的一种或多种，当然还可以包括其他能够监测空气信息的空气信息采集单元。
上述植物健康状况测量设备200还应当包括测量光照信息的光照信息采集单元，如：光照强度测量仪、紫外线强度探测仪中的一种或多种。当然还可以包括其他能够监测光照信息的光照信息采集单元。
需要说明的是，上述历史植物健康状况信息、第一植物健康状况信息、第二植物健康状况信息不仅可以包括上述提到的信息，还可以包括气象信息等，在此不做一一限定。
另外，上述植物健康状况监测方法中，不管是第一次判断中涉及的当前植物图像信息，还是第二次判断中所涉及的当前植物图像可以为图片或者具有时间维度的影像，而第一次判断和第二次判断均是对对应的当前植物图像进行识别处理，以识别当前植物图像信息中的植物是否有病虫害症状、营养缺乏状况。
具体的，为了使得第二植物健康状况信息所提供的当前图像信息的内容比较丰富，在第一判断信息所表示的内容为植物存在健康不良风险，则接收植物健康状况测量设备200提供的存在健康不良风险的植物所在方位的第二植物健康状况信息前，在S120和S130之间，上述植物健康状态监控方法还包括：
第一步，生成图像采集单元控制指令，图像采集单元控制指令至少包括处于健康不良风险的植物所在方位信息和图像放大控制信息；图像放大控制信息包括图像放大控制信息包括图像放大倍数控制信息和图像放大角度控制信息。
第二步，将图像采集单元控制指令发送给植物健康状况测量设备200，使得植物健康状况测量设备200根据图像采集单元控制指令，采集存在健康不良风险的植物所在方位的第二植物健康状况信息；第二植物健康状况信息所包括的当前植物图像信息，是第一植物健康状况信息中存在健康不良风险的植物所在方位的当前植物图像的不同角度的图像放大信息。
具体的，当植物健康状况测量设备200中的图像采集单元接收图像采集单元控制指令，能够根据存在健康不良风险的植物所在方位信息，调整到能够采集存在健康不良风险的植物所在方位信息的位置，并根据图像放大倍数控制信息调整图像放大倍数，以及根据图像放大角度控制信息调整采集植物健康状况信息时的所在的角度，以从不同角度对处在植物健康状况不良状态的植物所在方位的植物进行放大采集。
例如：当所使用的图像采集单元包括全方位云台以及设在全方位云台上的摄像机，全方位云台接收到存在健康不良风险的植物所在方位信息，可以通过水平旋转和垂直旋转一定角度，以使调整摄像机采集植物图像的角度，使得摄像机采集植物图像的角度调至存在健康不良风险的植物所在方位。
而摄像机在接收到图像放大倍数信息，可通过调节自身的焦距，以调节采集目标植物的景深，从而采集对目标植物的微距照片，也就是植物的放大照片，这样也就提高了第二植物健康状况信息所包括的当前植物图像信息的分辨率。
另外，上述图像采集单元也可以是可移动的，例如将图像采集单元安装在无人机或热气球，通过定期控制无人机采集植物图像信息，无人机可以为是四旋翼无人机或固定翼无人机等。
进一步，当上述植物健康状况测量设备200为固定式植物健康状况测量设备；如植物健康状况测量设备200包括固设在田间的图像采集单元。图像放大倍数控制信息至少为m个，图像放大角度控制信息至少为n个；每个图像放大角度控制信息包括设备水平旋转角度控制信息和设备垂直旋转角度控制信息；m和n均大于等于1；此时，植物健康状况测量设备200所采集的第二植物健康状况信息应当包括m×n组植物健康状况数据；每组所述植物健康状况数据包括设备旋转角度信息、图像放大信息和处于健康不良风险的当前植物图像信息，这样接收多组植物健康状况数据后，可以记录设备旋转角度信息、图像放大信息，以确定对应组的植物健康状况数据采集的方位信息，使得在第二判断信息所表示的内容为植物存在健康不良时，能够根据设备旋转角度信息和图像放大信息确定处于健康不良的植物所在方位信息。同时，如果还需要进行第三次接收和判断，还可以将第二次接收的这些设备旋转角度信息和图像放大信息进行进一步细化，将细化后的所有旋转角度和放大倍数，以指令的形式发送给植物健康状况测量设备200，使得植物健康状况测量设备200能够更加细致的采集当前植物图像信息，从而保证每次所采集的当前植物图像信息的精度大于前次所采集的当前植物图像信息的精度。
而当植物健康状况测量设备200为移动式植物健康状况测量设备，如将上述图像采集单元设在无人机或热气球上，此时，所述图像采集单元控制指令还包括：k个设备坐标控制信息；图像放大倍数控制信息至少为m个，所述图像放大角度控制信息至少为n个；每个图像放大角度控制信息包括设备水平旋转角度控制信息和设备垂直旋转角度控制信息；m、n、k均大于等于1；
相应的，第二植物健康状况信息包括m×n×k组植物健康状况数据；每组植物健康状况数据包括设备坐标信息、设备旋转角度信息、图像放大信息和处于健康不良风险的当前植物图像信息。
此时，在第二判断信息所表示的内容为植物存在健康不良时，不仅能够根据设备旋转角度信息和图像放大信息确定处于健康不良的植物所在方位信息，以及在第三判断信息时，将设备旋转角度信息和图像放大信息进行进一步细化，以保证每次所采集的当前植物图像信息的精度大于前次所采集的当前植物图像信息的精度；而且，还可以通过细化设备坐标信息，使得植物健康状况测量设备200以更加精确的坐标进行图像采集。
而为了使得农田管理人员能够充分了解植物健康状态，如图2所示，若第一判断信息所表示的内容为植物健康良好，植物健康状态监控方法还包括与S130存在选择关系的S190，具体包括如下步骤：
S191：根据第一判断信息所表示的内容，确定处于健康良好的植物所在方位；
S192：周期性根据第一判断信息所表示的内容，和处于健康良好的植物所在方位信息，生成植物健康状况良好报告，将植物健康状况良好报告发送给客户端。和/或，
若第二判断信息所表示的内容为植物健康良好，上述植物健康状态监控方法还包括S210，具体包括如下步骤：
S211：根据第二判断信息所表示的内容，确定处于健康良好的植物所在方位；
S212：周期性根据第二判断信息所表示的内容，和处于健康良好的植物所在方位信息，生成植物健康状况良好报告，将植物健康状况良好报告发送给客户端300。
可以理解的是，由于植物健康良好时，并不需要农田管理人员对植物进行病虫害防治等操作，因此，可以周期性的生成健康状况良好报告，发送给客户端300。
此外，对于处于健康不良的植物来说，需要及时进行病虫害防治等操作，基于此，在S150后，还包括S160：根据第二判断信息所表示的内容和处于健康不良的植物所在方位信息生成植物健康状况不良报告。
进一步，为了避免农田管理人员没有及时看到植物健康状况不良报告，而导致错过病虫害防治时机，若第二判断信息所表示的内容为植物健康状况不良，则如图2所示，上述植物健康状态监控方法还包括：
S170：将植物健康状况不良报告发送给客户端300，以实时提醒农田管理人员查看植物健康状况不良报告。
同时，若第二判断信息所表示的内容为植物健康不良，继续如图2所示，上述植物健康状态监控方法还包括与S150并行的S180，具体的，S180包括：生成报警指令，将报警指令发送给报警器400，使得报警器400根据报警指令报警，以进一步提醒农田管理人员。
需要说明的是，不管是将植物健康状况良好报告还是植物健康状况不良报告，其发送给客户端时，可以是以短信、微信消息、邮件的形式发送到对应的短信客户端、微信客户端、邮件客户端等应用。其中，微信消息可以是以私信的形式发送到农田管理人员的微信客户端，当然也可以是以服务推送消息的形式发送到各个农田管理人员的各种客户端。
进一步，为了使得植物健康状况不良报告的内容更为全面，如图3所示，若第二判断信息所表示的内容为植物健康存在不良，则根据第二判断信息所表示的内容和处在植物健康状况不良状态的植物所在方位信息生成植物健康状况不良报告包括：
S161：根据第二判断信息所表示的内容，调取农作物知识数据库中的植物信息数据；
S162：根据所调取的植物信息数据生成植物健康不良防治策略；农作物知识数据库中包括多种植物信息数据，每种所述植物信息数据包括植物信息以及对应植物健康不良防治策略。
可以理解的是，此处的农作物知识数据库可以为已经存在具有植物信息以及对应植物健康不良防治策略信息的数据库，也可以是通过采集各种植物信息，以及植物健康不良防治策略；如：植物健康不良防治策略可以包括各种植物的病虫害防治策略、各种植物的营养元素缺乏防治策略；
S163：根据第二判断信息所表示的内容、植物健康不良防治策略以及处于健康不良的植物所在方位信息，生成植物健康状况不良报告；植物健康状况不良报告可以包括目标植物的所在位置区域、植物健康不良发生范围，植物健康不良图片、识别时间和植物健康不良防治策略等，植物健康不良不仅可以包括虫害、病害、营养元素缺乏，还可以包括其他不健康状态。
基于上述根据第二判断信息所表示的内容和处于植物健康不良的植物所在方位信息生成植物健康状况不良报告的具体过程可知：本发明实施例提供的植物健康状态监控方法，在生成植物健康状况不良报告的过程中，根据第二判断信息所表示的内容调取农作物知识数据库中的植物信息数据，针对性的给出植物健康不良防治策略，并将第二判断信息所表示的内容和植物健康不良防治策略同时作为植物健康状况不良报告的内容进行生成，这样在农田管理人员看到植物健康状况不良报告时，不仅能够了解到具体方位的哪些植物处在健康不良状态，而且还能够看到所建议的植物健康不良防治策略，这样能够更加全面的给农业管理人员提供参考。
而对于第一植物健康状况信息和第二植物健康状况信息均至少具有两个来源这种情况；每个第一植物健康状况信息还包括：植物健康状况测量设备200的识别信息(如植物健康状况测量设备200的ID地址)和植物健康状况测量设备200的地理坐标信息(经纬度)；每个第二植物健康状况信息还包括：植物健康状况测量设备200的识别信息；当然也可以包括植物健康状况测量设备200的地理坐标信息。
优选的，每个第二植物健康状况信息还包括：植物健康状况测量设备200的识别信息。在接收植物健康状况测量设备200提供的第一植物健康状况信息后，根据第一植物健康状况信息对植物健康状况进行第一次判断前，上述植物健康状态识别方法还包括：
第一步，根据每个第一植物健康状况信息中的植物健康状况测量设备200的识别信息和植物健康状况测量设备的地理坐标信息，建立每个第一植物健康状况信息中植物健康状况测量设备的识别信息与植物健康状况测量设备的地理坐标信息的对应关系；保存每个第一植物健康状况信息中植物健康状况测量设备的识别信息与植物健康状况测量设备的地理坐标信息的对应关系；
第二步，接收植物健康状况测量设备200提供的存在健康不良风险的植物所在方位的第二植物健康状况信息后，根据第二植物健康状况信息对植物健康状况信息进行第二次判断前，上述植物健康状态监控方法还包括：
第三步，根据每个第一植物健康状况信息中植物健康状况测量设备200的识别信息与植物健康状况测量设备200的地理坐标信息的对应关系，识别每个第二植物健康状况信息中的植物健康状况测量设备200的识别信息，得到每个第二植物健康状况信息中的植物健康状况测量设备200的地理坐标信息，以确定每个第二植物健康状况信息的来源。
通过上述描述可以发现，由于在接收植物健康状况测量设备200提供的第一植物健康状况信息后，根据每个第一植物健康状况信息中的植物健康状况测量设备200的识别信息和植物健康状况测量设备200的地理坐标信息，建立每个第一植物健康状况信息中植物健康状况测量设备200的识别信息与植物健康状况测量设备200的地理坐标信息的对应关系并进行保存，使得在接收植物健康状况测量设备提供的存在健康不良风险的植物所在方位的第二植物健康状况信息时，只需要接收每个第二植物健康状况信息中的植物健康状况测量设备的识别信息，就能够根据所建立的对应关系，利用每个第二植物健康状况信息中植物健康状况测量设备的识别信息，找到对应的植物健康状况测量设备的地理坐标信息，以确定每个第二植物健康状况信息的来源。
另外，不管是生成植物健康状况不良报告还是植物健康状况良好报告，除了含有植物健康状况信息外，还可以将对应第二植物健康状况信息的来源，使得农田管理人员能够根据第二植物健康状况信息的来源，更为准确的了解确定植物健康状况，以能够在植物健康状况不良时，准确定位植物健康状况不良所发生的位置。
例如：上述根据第二判断信息所表示的内容和处在植物健康状况不良状态的植物所在方位信息生成植物健康状况不良报告包括：
根据第二判断信息所表示的内容、处在植物健康状况不良状态的植物所在方位信息以及处在植物健康状况不良状态的植物所在第二植物健康状况信息的来源，生成植物健康状况不良报告。
本发明实施例还提供了一种植物健康状态监控装置，如图1和图6所示，该植物健康状态监控装置包括：
接收单元110，接收单元110与植物健康状况测量设备100进行通信，用于接收植物健康状况测量设备100提供的第一植物健康状况信息；
与接收单元110连接的处理单元120，用于根据第一植物健康状况信息对植物健康状况进行第一次判断，得到第一判断信息；若第一判断信息所表示的内容为植物存在健康不良风险，接收单元110还用于接收存在健康不良风险的植物所在方位的第二植物健康状况信息；处理单元120还用于根据第二植物健康状况信息对植物健康状况进行第二次判断，得到第二判断信息；若第二判断信息所表示的内容为植物存在健康不良，则确认所述植物健康状况处于健康不良，以及确定处于健康不良的植物所在方位信息。
与现有技术相比，本发明实施例提供的植物健康状态监控装置的有益效果与上述实施例提供的植物健康状态监控方法的有益效果相同，在此不做赘述。
示例性的，第一植物健康状况信息至少包括当前植物图像信息，第二植物健康状况信息至少包括植物健康存在不良风险的植物所在方位对应的当前植物图像信息，且当第一植物健康状况信息至少包括当前植物图像信息时，植物健康状况测量设备100中含有图像采集单元，具体的，接收单元110与图像采集单元通信。
其中，第一植物健康状况信息所包括的当前植物图像信息的类型包括可见光谱图像信息和/或不可见光谱图像信息；第二植物健康状况信息所包括的当前植物图像信息的类型包括可见光谱图像信息和/或不可见光谱图像信息。
另外，第二植物健康状况信息中当前植物图像信息的精度大于第一植物健康状况信息中当前植物图像信息的精度，以实现对前文中植物图像信息的接收和判断次数的限定。
具体的，如图7所示，上述处理单元120包括：与接收单元110连接的机率分析模块121，用于采用卷积神经网络模型对第一植物健康状况信息进行判断，得到第一植物健康不良机率；以及采用卷积神经网络模型对第二植物健康状况信息进行判断，得到第二植物健康不良机率；
与机率分析模块121和报告生成单元130分别连接的判断模块122，用于判断第一植物健康不良机率是否大于设定阈值；如果是，则确认植物健康存在不良风险和所述植物健康存在不良风险的植物所在方位；否则，确定植物健康状况良好；以及，判断第二植物健康不良机率是否大于设定阈值；
如果是，则确认植物存在健康不良，以及植物健康不良的程度以及处于健康不良的植物所在方位信息；否则，确定植物健康良好。
可选的，接收单元110还用于接收历史植物健康状况信息，历史植物健康状况信息至少包括历史植物图像信息；
处理单元120还包括与接收单元110和机率分析模块121分别连接的信息训练模块123，用于利用卷积神经网络对历史植物健康状况信息进行学习训练，得到卷积神经网络模型。
其中，历史植物健康状况信息还包括历史土壤信息、历史空气信息、历史光照信息中的一种或多种；第一植物健康状况信息至少还包括当前土壤信息、当前空气信息和当前光照信息中的一种或多种；第二植物健康状况信息至少还包括当前土壤信息、当前空气信息和当前光照信息中的一种或多种。
植物存在的健康不良风险包括病虫害风险和/或营养物质缺乏风险；营养物质缺乏风险包括微量元素缺乏风险、氮元素缺乏风险、磷元素缺乏风险、钾元素缺乏风险中的一种或多种；植物存在的健康不良包括植物存在病虫害症状和/或植物存在营养物质缺乏症状；营养物质缺乏症状包括微量元素缺乏症状、氮元素缺乏症状、磷元素缺乏症状、钾元素缺乏症状中的一种或多种。
上述第一植物健康状况信息至少还包括当前土壤信息、当前空气信息和当前光照信息中的一种或多种；第二植物健康状况信息至少还包括当前土壤信息、当前空气信息和当前光照信息中的一种或多种时，上述植物健康状况测量设备100还应当包括实现空气信息测量的空气信息采集单元、实现土壤信息测量的土壤信息采集单元、实现光照信息测量的光照信息采集单元中的一种或多种。
另外，为了使得第二植物健康状况信息所提供的当前图像信息的内容比较丰富，如图6所示，上述植物健康状态监控装置还包括与处理单元120和发送单元150分别连接的指令生成单元160，用于在第一判断信息所表示的内容为植物存在健康不良风险时，生成图像采集单元控制指令，图像采集单元控制指令至少包括处于健康不良风险的植物所在方位信息和图像放大控制信息；图像放大控制信息包括图像放大倍数控制信息和图像放大角度控制信息；
发送单元150，用于将图像采集单元控制指令发送给植物健康状况测量设备，使得植物健康状况测量设备根据图像采集单元控制指令，采集处于健康不良风险的植物所在方位的第二植物健康状况信息。
可选的，当植物健康状况测量设备200为固定式植物健康状况测量设备；图像放大倍数控制信息至少为m个，图像放大角度控制信息至少为n个；每个图像放大角度控制信息包括设备水平旋转角度控制信息和设备垂直旋转角度控制信息；m和n均大于等于1；
第二植物健康状况信息包括m×n组植物健康状况数据；每组植物健康状况数据包括设备旋转角度信息、图像放大信息和处于健康不良风险的当前植物图像信息。
可选的，当植物健康状况测量设备为移动式植物健康状况测量设备；图像采集单元控制指令还包括：k个设备坐标控制信息；图像放大倍数控制信息至少为m个，图像放大角度控制信息至少为n个；每个图像放大角度控制信息包括设备水平旋转角度控制信息和设备垂直旋转角度控制信息；m、n、k均大于等于1；
第二植物健康状况信息包括m×n×k组植物健康状况数据；每组植物健康状况数据包括设备坐标信息、设备旋转角度信息、图像放大信息和处于健康不良风险的当前植物图像信息。
而为了使得农田管理人员能够充分了解植物健康状态，如图2和图6所示，在第一判断信息和/或第二判断信息所表示的内容为植物健康良好时，上述植物健康状态监控装置还包括与处理单元120连接的报告生成单元130，上述处理单元120还用于根据第一判断信息和/或第二判断信息所表示的内容确定处在健康良好的植物所在方位信息；
报告生成单元130还用于在第一判断信息和/或第二判断信息所表示的内容为植物健康良好时，周期性根据第一判断信息和/或第二判断信息所表示的内容和处于健康良好的植物所在方位信息生成植物健康状况良好报告；
如图2和图6所示，上述植物健康状态监控装置还包括：发送单元150还用于将植物健康状况良好报告发送给客户端300。发送时，可以是无线发送也可以是有线发送，此时，发送单元150与客户端300存在通信关系。
而在第二判断信息所表示的内容为植物存在健康不良时，报告生成单元130还用于根据第二判断信息所表示的内容和处于健康不良的植物所在方位信息生成植物健康状况不良报告；发送单元150还用于将植物健康状况不良报告发送给客户端，以使得农田管理人员能够及时针对植物健康不良进行防治。
另外，指令生成单元160还用于在第二判断信息所表示的内容为植物存在健康不良时，生成报警指令；
发送单元150还用于将报警指令发送给报警器400，使得报警指令控制报警器400报警，以提醒农田管理人员。此时，发送单元150与报警器400存在通信关系；其中，当处理单元120采用如图7所示的结构框图时，指令生成单元160与判断模块122连接。
另外，上述发送单元150还用于在第二判断信息所表示的内容为植物健康状况不良时，将植物健康状况不良报告发送给客户端300；
而为了使得植物健康不良报告的内容更加丰富，上述植物健康状况健康装置还包括与处理单元120连接的农作物知识数据库；农作物知识数据库包括多种植物信息数据；每种植物信息数据包括植物信息以及对应植物健康不良防治策略；处理单元120还用于根据第二判断信息所表示的内容，调取农作物知识数据库中的植物信息数据，根据所调取的植物信息数据生成植物健康不良防治策略；
报告生成单元130用于根据第二判断信息所表示的内容、植物健康不良防治策略以及处于健康不良的植物所在方位信息，生成植物健康状况不良报告，这样植物健康状况不良报告不仅含有植物健康不良的信息还含有如何防治植物健康不良的策略。其中，植物健康不良防治策略包括病虫害防治策略和/或植物营养元素缺乏防治策略。
需要说明的是，若第一植物健康状况信息和第二植物健康状况信息均至少具有两个来源；此时，每个第一植物健康状况信息还包括：植物健康状况测量设备的识别信息和植物健康状况测量设备的地理坐标信息；
每个第二植物健康状况信息还包括：植物健康状况测量设备的识别信息；此时，如图6所示，上述植物健康状态监控装置还包括：与接收单元110和处理单元120连接的设备识别单元140，处理单元采用如图7所示的结构框图，设备识别单元140与机率分析模块121连接；其中，
接收植物健康状况测量设备200提供的第一植物健康状况信息后，与根据第一植物健康状况信息对植物健康状况进行第一次判断前，设备识别单元140用于根据每个第一植物健康状况信息中的植物健康状况测量设备的识别信息和植物健康状况测量设备的地理坐标信息，建立每个第一植物健康状况信息中植物健康状况测量设备的识别信息与植物健康状况测量设备的地理坐标信息的对应关系；保存每个第一植物健康状况信息中植物健康状况测量设备的识别信息与植物健康状况测量设备的地理坐标信息的对应关系；以及，
接收植物健康状况测量设备提供的植物健康存在不良风险的植物所在方位的第二植物健康状况信息后，根据第二植物健康状况信息对植物健康状况信息进行第二次判断前，上述设备识别单元140还用于：
识别每个第二植物健康状况信息中的植物健康状况测量设备的识别信息，得到每个所述第二植物健康状况信息中的植物健康状况测量设备的地理坐标信息，以确定每个第二植物健康状况信息的来源；
报告生成单元130包括根据第二判断信息所表示的内容、处在植物健康状况不良状态的植物所在方位信息以及处于健康不良的植物所在第二植物健康状况信息的来源，生成植物健康状况不良报告。
本发明实施例还提供了一种存储介质，用于存储支持上述植物健康状态监控方法实现的可执行程序代码，其所产生的有益效果与上述植物健康状态监控方法的有益效果相同，在此不再赘述。
如图1和图8所示，本发明实施例还提供了一种植物健康状态监控终端，该植物健康状态监控终端包括收发器501、存储器502和处理器503，收发器501、存储器502和处理器503通过总线504相互通信。
其中，收发器501用于与植物健康状况测量设备200、客户端300、报警器400通信；
存储器502用于存储可执行程序代码，以使得处理器503执行多种控制指令，实现上述植物健康状态监控方法。
其中，本发明实施例所述的处理器503可以是一个处理器，也可以是多个处理元件的统称。例如，该处理器503可以是中央处理器(Central Processing Unit，简称CPU)，也可以是特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或者是被配置成实施本发明实施例的一个或多个集成电路，例如：一个或多个微处理器(digitalsignal processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field ProgrammableGate Array，简称FPGA)。
存储器502可以是一个存储装置，也可以是多个存储元件的统称，且用于存储可执行程序代码等。且存储器502可以包括随机存储器(RAM)，也可以包括非易失性存储器(non-volatile memory)，例如磁盘存储器，闪存(Flash)等。
总线504可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture，EISA)总线等。该总线504可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
在上述实施方式的描述中，具体特征、结构、材料或者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，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (28)

1.一种植物健康状态监控方法，其特征在于，包括：
接收植物健康状况测量设备提供的第一植物健康状况信息，根据所述第一植物健康状况信息对植物健康状况进行判断，得到第一判断信息；
若所述第一判断信息所表示的内容为植物存在健康不良风险，则接收所述存在健康不良风险的植物所在方位的第二植物健康状况信息；根据所述第二植物健康状况信息对植物健康状况进行判断，得到第二判断信息；
若所述第二判断信息所表示的内容为植物存在健康不良，则确认所述植物健康状况处于健康不良，以及确定处于健康不良的植物所在方位信息。
2.根据权利要求1所述的植物健康状态监控方法，其特征在于，所述第一植物健康状况信息至少包括当前植物图像信息；
所述根据所述第一植物健康状况信息对植物健康状况进行判断，得到第一判断信息包括：
采用卷积神经网络模型对所述第一植物健康状况信息进行判断，得到第一植物健康不良机率；
判断所述第一植物健康不良机率是否大于设定阈值；
如果是，则确认植物存在健康不良风险和所述存在健康不良风险的植物所在方位信息。
3.根据权利要求2所述的植物健康状态监控方法，其特征在于，所述采用卷积神经网络模型对所述第一植物健康状况信息进行判断前，所述植物健康状态识别方法还包括：
接收历史植物健康状况信息，所述历史植物健康状况信息至少包括历史植物图像信息；
利用所述卷积神经网络对所述历史植物健康状况信息进行学习训练，得到卷积神经网络模型。
4.根据权利要求3所述的植物健康状态监控方法，其特征在于，所述历史植物健康状况信息还包括历史土壤信息、历史空气信息、历史光照信息中的一种或多种；
所述第一植物健康状况信息至少还包括当前土壤信息、当前空气信息和当前光照信息中的一种或多种；
所述第二植物健康状况信息至少还包括当前土壤信息、当前空气信息和当前光照信息中的一种或多种。
5.根据权利要求2所述的植物健康状态监控方法，其特征在于，所述第一植物健康状况信息所包括的当前植物图像信息的类型包括可见光谱图像信息和/或不可见光谱图像信息。
6.根据权利要求1所述的植物健康状态监控方法，其特征在于，所述第二植物健康状况信息至少包括存在健康不良风险的植物所在方位对应的当前植物图像信息；
所述根据所述第二植物健康状况信息对植物健康状况进行判断，得到第二判断信息包括：
采用卷积神经网络模型对所述第二植物健康状况信息进行判断，得到第二植物健康不良机率；
判断所述第二植物健康不良机率是否大于设定阈值；
如果是，则确认植物存在健康不良、植物健康不良的程度，以及处于健康不良的植物所在方位信息。
7.根据权利要求6所述的植物健康状态监控方法，其特征在于，所述第二植物健康状况信息所包括的当前植物图像信息的类型包括可见光谱图像信息和/或不可见光谱图像信息。
8.根据权利要求2-7任一项所述的植物健康状态监控方法，其特征在于，若所述第一判断信息所表示的内容为植物存在健康不良风险，则所述接收所述存在健康不良风险的植物所在方位的第二植物健康状况信息前，所述植物健康状态监控方法还包括：
生成图像采集单元控制指令，所述图像采集单元控制指令至少包括所述处于健康不良风险的植物所在方位信息和图像放大控制信息；所述图像放大控制信息包括图像放大倍数控制信息和图像放大角度控制信息；
将所述图像采集单元控制指令发送给植物健康状况测量设备，使得所述植物健康状况测量设备根据图像采集单元控制指令，采集存在健康不良风险的植物所在方位的第二植物健康状况信息。
9.根据权利要求8所述的植物健康状态监控方法，其特征在于，当所述植物健康状况测量设备为固定式植物健康状况测量设备；所述图像放大倍数控制信息至少为m个，所述图像放大角度控制信息至少为n个；每个所述图像放大角度控制信息包括设备水平旋转角度控制信息和设备垂直旋转角度控制信息；m和n均大于等于1；
所述第二植物健康状况信息包括m×n组植物健康状况数据；每组所述植物健康状况数据包括设备旋转角度信息、图像放大信息和处于健康不良风险的当前植物图像信息。
10.根据权利要求8所述的植物健康状态监控方法，其特征在于，当所述植物健康状况测量设备为移动式植物健康状况测量设备；所述图像采集单元控制指令还包括：k个设备坐标控制信息；
所述图像放大倍数控制信息至少为m个，所述图像放大角度控制信息至少为n个；每个所述图像放大角度控制信息包括设备水平旋转角度控制信息和设备垂直旋转角度控制信息；m、n、k均大于等于1；
所述第二植物健康状况信息包括m×n×k组植物健康状况数据；每组所述植物健康状况数据包括设备坐标信息、设备旋转角度信息、图像放大信息和处于健康不良风险的当前植物图像信息。
11.根据权利要求1～7任一项所述的植物健康状态监控方法，其特征在于，所述植物存在的健康不良风险包括病虫害风险和/或营养物质缺乏风险；所述营养物质缺乏风险包括微量元素缺乏风险、氮元素缺乏风险、磷元素缺乏风险、钾元素缺乏风险中的一种或多种；
所述植物存在的所述健康不良包括植物存在病虫害症状和/或植物存在营养物质缺乏症状；所述营养物质缺乏症状包括微量元素缺乏症状、氮元素缺乏症状、磷元素缺乏症状、钾元素缺乏症状中的一种或多种。
12.根据权利要求1-7任一项所述的植物健康状态监控方法，其特征在于，若所述第一判断信息和/或第二判断信息所表示的内容为植物健康良好，所述植物健康状态监控方法还包括：
根据所述第一判断信息和/或第二判断信息所表示的内容，确定处于健康良好的植物所在方位；
周期性根据所述第一判断信息和/或第二判断信息所表示的内容，和处于健康良好的植物所在方位信息，生成植物健康状况良好报告，将所述植物健康状况良好报告发送给客户端。
13.根据权利要求1-7任一项所述的植物健康状态监控方法，其特征在于，确认所述植物健康状况处于健康不良，以及确定处于健康不良的植物所在方位信息后，所述植物健康状态监控方法还包括：
根据所述第二判断信息所表示的内容和处于健康不良的植物所在方位信息生成植物健康状况不良报告；
将所述植物健康状况不良报告发送给客户端；以及，
生成报警指令，将所述报警指令发送给报警器，使得所述报警器根据报警指令报警。
14.根据权利要求13所述的植物健康状态监控方法，其特征在于，所述根据所述第二判断信息所表示的内容和处于健康不良的植物所在方位信息生成植物健康状况不良报告包括：
根据所述第二判断信息所表示的内容，调取农作物知识数据库中的植物信息数据，根据所调取的植物信息数据生成植物健康不良防治策略；所述农作物知识数据库包括多种植物信息数据，每种所述植物信息数据包括植物信息以及对应植物健康不良防治策略；
根据所述第二判断信息所表示的内容、所述植物健康不良防治策略以及处于健康不良的植物所在方位信息，生成植物健康状况不良报告。
15.根据权利要求14所述的植物健康状态监控方法，其特征在于，所述植物健康不良防治策略包括病虫害防治策略和/或植物营养元素缺乏防治策略。
16.一种植物健康状态监控装置，其特征在于，包括：
接收单元，用于接收植物健康状况测量设备提供的第一植物健康状况信息；
与接收单元连接的处理单元，用于根据所述第一植物健康状况信息对植物健康状况进行第一次判断，得到第一判断信息；若所述第一判断信息所表示的内容为植物存在健康不良风险，所述接收单元还用于接收所述存在健康不良风险的植物所在方位的第二植物健康状况信息；所述处理单元还用于根据所述第二植物健康状况信息对植物健康状况进行第二次判断，得到第二判断信息；若所述第二判断信息所表示的内容为植物存在健康不良，则确认所述植物健康状况处于健康不良，以及确定处于健康不良的植物所在方位信息。
17.根据权利要求16所述的植物健康状态监控装置，其特征在于，所述第一植物健康状况信息至少包括当前植物图像信息，所述第二植物健康状况信息至少包括存在健康不良风险的植物所在方位对应的当前植物图像信息；
所述处理单元包括：
与接收单元连接的机率分析模块，用于采用卷积神经网络模型对所述第一植物健康状况信息进行判断，得到第一植物健康不良机率；以及采用卷积神经网络模型对所述第二植物健康状况信息进行判断，得到第二植物健康不良机率；
与机率分析模块和所述报告生成单元分别连接的判断模块，用于判断所述第一植物健康不良机率是否大于设定阈值；如果是，则确认植物存在健康不良风险和所述存在健康不良风险的植物所在方位信息；以及，
判断所述第二植物健康不良机率是否大于设定阈值；
如果是，则确认植物存在健康不良，植物健康不良的程度以及处于健康不良的植物所在方位信息。
18.根据权利要求17所述的植物健康状态监控装置，其特征在于，
所述接收单元还用于接收历史植物健康状况信息，所述历史植物健康状况信息至少包括历史植物图像信息；
所述处理单元还包括与所述接收单元和机率分析模块分别连接的信息训练模块，用于利用所述卷积神经网络对所述历史植物健康状况信息进行学习训练，得到卷积神经网络模型。
19.根据权利要求18所述的植物健康状态监控装置，其特征在于，所述历史植物健康状况信息还包括历史土壤信息、历史空气信息、历史光照信息中的一种或多种；
所述第一植物健康状况信息至少还包括当前土壤信息、当前空气信息和当前光照信息中的一种或多种；
所述第二植物健康状况信息至少还包括当前土壤信息、当前空气信息和当前光照信息中的一种或多种。
20.根据权利要求17～19任一项所述的植物健康状态监控装置，其特征在于，所述植物健康状态监控装置还包括与处理单元和发送单元分别连接的指令生成单元，用于在第一判断信息所表示的内容为植物存在健康不良风险时，生成图像采集单元控制指令，所述图像采集单元控制指令至少包括处于健康不良风险的植物所在方位信息和图像放大控制信息；所述图像放大控制信息包括图像放大倍数控制信息和图像放大角度控制信息；
所述发送单元用于将所述图像采集单元控制指令发送给植物健康状况测量设备，使得所述植物健康状况测量设备根据图像采集单元控制指令，采集处于健康不良风险的植物所在方位的第二植物健康状况信息。
21.根据权利要求20所述的植物健康状态监控装置，其特征在于，当所述植物健康状况测量设备为固定式植物健康状况测量设备；所述图像放大倍数控制信息至少为m个，所述图像放大角度控制信息至少为n个；每个所述图像放大角度控制信息包括设备水平旋转角度控制信息和设备垂直旋转角度控制信息；m和n均大于等于1；
所述第二植物健康状况信息包括m×n组植物健康状况数据；每组所述植物健康状况数据包括设备旋转角度信息、图像放大信息和处于健康不良风险的当前植物图像信息。
22.根据权利要求20所述的植物健康状态监控装置，其特征在于，当所述植物健康状况测量设备为移动式植物健康状况测量设备；所述图像采集单元控制指令还包括：k个设备坐标控制信息；
所述图像放大倍数控制信息至少为m个，所述图像放大角度控制信息至少为n个；每个所述图像放大角度控制信息包括设备水平旋转角度控制信息和设备垂直旋转角度控制信息；m、n、k均大于等于1；
所述第二植物健康状况信息包括m×n×k组植物健康状况数据；每组所述植物健康状况数据包括设备坐标信息、设备旋转角度信息、图像放大信息和处于健康不良风险的当前植物图像信息。
23.根据权利要求17～19任一项所述的植物健康状态监控装置，其特征在于，所述第一植物健康状况信息所包括的当前植物图像信息的类型包括可见光谱图像信息和/或不可见光谱图像信息；
所述第二植物健康状况信息所包括的当前植物图像信息的类型包括可见光谱图像信息和/或不可见光谱图像信息。
24.根据权利要求16～19任一项所述的植物健康状态监控装置，其特征在于，所述植物存在的健康不良风险包括病虫害风险和/或营养物质缺乏风险；所述营养物质缺乏风险包括微量元素缺乏风险、氮元素缺乏风险、磷元素缺乏风险、钾元素缺乏风险中的一种或多种；
所述植物存在的健康不良包括植物存在病虫害症状和/或植物存在营养物质缺乏症状；所述营养物质缺乏症状包括微量元素缺乏症状、氮元素缺乏症状、磷元素缺乏症状、钾元素缺乏症状中的一种或多种。
25.根据权利要求16-19任一项所述的植物健康状态监控装置，其特征在于，所述处理单元还用于在所述第一判断信息和/或第二判断信息所表示的内容为所述植物健康良好时，根据所述第一判断信息和/或第二判断信息所表示的内容确定处于健康良好的植物所在方位信息；
所述植物健康状态监控装置还包括与处理单元连接的报告生成单元，用于在所述第一判断信息和/或第二判断信息所表示的内容为植物健康良好时，周期性根据所述第一判断信息和/或第二判断信息所表示的内容和处于健康良好的植物所在方位信息，生成植物健康状况良好报告；
所述植物健康状态监控装置还包括与所述报告生成单元连接的发送单元，所述发送单元用于将所述植物健康状况良好报告发送给客户端。
26.根据权利要求25所述的植物健康状态监控装置，其特征在于，
所述报告生成单元还用于在所述第二判断信息所表示的内容为植物存在健康不良时，根据所述第二判断信息所表示的内容和处于健康不良的植物所在方位信息生成植物健康状况不良报告；
所述发送单元还用于将所述植物健康状况不良报告发送给客户端；
所述植物健康状态监控装置还包括与处理单元和发送单元分别连接的指令生成单元，用于在所述第二判断信息所表示的内容为植物存在健康不良时，生成报警指令；
所述发送单元还用于将所述报警指令发送给报警器，使得所述报警指令控制所述报警器报警。
27.根据权利要求26所述的植物健康状态监控装置，其特征在于，
与处理单元连接的农作物知识数据库；所述农作物知识数据库包括多种植物信息数据；每种所述植物信息数据包括植物信息以及对应植物健康不良防治策略；所述处理单元还用于根据所述第二判断信息所表示的内容，调取农作物知识数据库中的植物信息数据，根据所调取的植物信息数据生成植物健康不良防治策略；
所述报告生成单元用于根据所述第二判断信息所表示的内容、所述植物健康不良防治策略以及处于健康不良的植物所在方位信息，生成植物健康状况不良报告。
28.根据权利要求27所述的植物健康状态监控装置，其特征在于，所述植物健康不良防治策略包括病虫害防治策略和/或植物营养元素缺乏防治策略。
CN201710711878.XA 2017-08-18 2017-08-18 一种植物健康状态监控方法及装置 Pending CN109406412A (zh)

Priority Applications (10)

Application Number Priority Date Filing Date Title
CN201710711878.XA CN109406412A (zh) 2017-08-18 2017-08-18 一种植物健康状态监控方法及装置
RU2019141805A RU2726033C1 (ru) 2017-08-18 2018-08-15 Способ и устройство для мониторинга состояния здоровья растений
CA3065851A CA3065851A1 (en) 2017-08-18 2018-08-15 Method and apparatus for monitoring plant health state
KR1020207007441A KR102344031B1 (ko) 2017-08-18 2018-08-15 식물 건강 상태 모니터링 방법 및 장치
EP18846361.6A EP3620774B1 (en) 2017-08-18 2018-08-15 Method and apparatus for monitoring plant health state
US16/617,057 US11301986B2 (en) 2017-08-18 2018-08-15 Method and apparatus for monitoring plant health state
AU2018317151A AU2018317151A1 (en) 2017-08-18 2018-08-15 Method and apparatus for monitoring plant health state
PCT/CN2018/100606 WO2019034070A1 (zh) 2017-08-18 2018-08-15 一种植物健康状态监测方法及装置
AU2018102220A AU2018102220A4 (en) 2017-08-18 2018-08-15 Method and apparatus for monitoring plant health state
JP2020509112A JP6960525B2 (ja) 2017-08-18 2018-08-15 植物健康状態の監視方法及び装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710711878.XA CN109406412A (zh) 2017-08-18 2017-08-18 一种植物健康状态监控方法及装置

Publications (1)

Publication Number Publication Date
CN109406412A true CN109406412A (zh) 2019-03-01

Family

ID=65362711

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710711878.XA Pending CN109406412A (zh) 2017-08-18 2017-08-18 一种植物健康状态监控方法及装置

Country Status (9)

Country Link
US (1) US11301986B2 (zh)
EP (1) EP3620774B1 (zh)
JP (1) JP6960525B2 (zh)
KR (1) KR102344031B1 (zh)
CN (1) CN109406412A (zh)
AU (2) AU2018102220A4 (zh)
CA (1) CA3065851A1 (zh)
RU (1) RU2726033C1 (zh)
WO (1) WO2019034070A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113934245A (zh) * 2021-10-18 2022-01-14 电子科技大学成都学院 一种应用于大棚农作物的生长bp神经网络系统及其方法

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3886571A4 (en) * 2018-11-29 2022-08-24 Germishuys, Dennis Mark PLANT BREEDING
CN111044520A (zh) * 2019-12-12 2020-04-21 湖南省林业科学院 一种油茶主要病虫害的监测方法
JP7321928B2 (ja) * 2019-12-27 2023-08-07 株式会社クボタ 農業支援システム
CN113627216B (zh) * 2020-05-07 2024-02-27 杭州睿琪软件有限公司 植物状态评估方法、系统及计算机可读存储介质
CN113640288B (zh) * 2021-07-21 2022-05-20 盐城思源网络科技有限公司 一种基于第一视角的农田智能远程监测系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1945319A (zh) * 2006-10-09 2007-04-11 武汉大学 一种植物归一化指数遥感装置
CN102348976A (zh) * 2009-01-30 2012-02-08 乔治亚大学研究基金公司 用于探测植物中的昆虫诱导的损害的非侵入性方法和设备
CN103439265A (zh) * 2013-08-15 2013-12-11 湖南农业大学 一种茶树精细化栽培生育性状实时监测方法
CN104023520A (zh) * 2011-12-19 2014-09-03 S·G·尤尼斯 远程传感和调适灌溉系统
CN104266982A (zh) * 2014-09-04 2015-01-07 浙江托普仪器有限公司 一种大面积虫害量化监测系统
CN104850836A (zh) * 2015-05-15 2015-08-19 浙江大学 基于深度卷积神经网络的害虫图像自动识别方法
CN105302872A (zh) * 2015-09-30 2016-02-03 努比亚技术有限公司 图像处理装置和方法
WO2017077543A1 (en) * 2015-11-08 2017-05-11 Agrowing Ltd A method for aerial imagery acquisition and analysis

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SU1276963A1 (ru) * 1984-11-22 1986-12-15 Ташкентский Ордена Дружбы Народов Политехнический Институт Им.А.Р.Бируни Способ дистанционного определени физиологического состо ни растени
SU1507253A1 (ru) * 1987-05-08 1989-09-15 Киевский Государственный Университет Им.Т.Г.Шевченко Способ обнаружени вирусных инфекций растений
WO2004028240A1 (ja) * 2002-09-26 2004-04-08 Ccs Inc. 生体育成・治癒促進条件収集用情報処理装置
JP2004147651A (ja) * 2002-10-11 2004-05-27 Three N Gijutsu Consultant:Kk 植生のヘルスモニタリング方法
JP2004213627A (ja) * 2003-11-28 2004-07-29 Tokyu Construction Co Ltd 植物活力変動の評価画像作成方法
JP4012554B2 (ja) * 2005-11-02 2007-11-21 独立行政法人農業・食品産業技術総合研究機構 植物生育情報処理システム
JP5700748B2 (ja) * 2009-12-14 2015-04-15 国立大学法人東京農工大学 植物栽培システム
KR20130049567A (ko) 2011-11-04 2013-05-14 한국전자통신연구원 작물 관측 장치 및 그 방법
US9336584B2 (en) 2014-06-30 2016-05-10 Trimble Navigation Limited Active imaging systems for plant growth monitoring
US10349584B2 (en) * 2014-11-24 2019-07-16 Prospera Technologies, Ltd. System and method for plant monitoring
KR102374557B1 (ko) * 2014-12-22 2022-03-16 주식회사 케이티 병해충 발생 예측 장치 및 방법
JP2016146046A (ja) * 2015-02-06 2016-08-12 株式会社Ｊｓｏｌ 予測装置、予測方法及びプログラム
JP6539901B2 (ja) * 2015-03-09 2019-07-10 学校法人法政大学 植物病診断システム、植物病診断方法、及びプログラム
US10028452B2 (en) * 2016-04-04 2018-07-24 Beesprout, Llc Horticultural monitoring system
CN106097340A (zh) 2016-06-12 2016-11-09 山东大学 一种基于卷积分类器的自动检测并勾画肺结节所在位置的方法
CN106530256A (zh) * 2016-11-18 2017-03-22 四川长虹电器股份有限公司 一种基于改进深度学习的智能相机图像盲超分辨率系统
CN106596412A (zh) 2016-12-31 2017-04-26 上海复展智能科技股份有限公司 利用无人机携带多光谱光源进行植物生长监测的方法
US20180197287A1 (en) * 2017-01-08 2018-07-12 Adrian Ronaldo Macias Process of using machine learning for cannabis plant health diagnostics

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1945319A (zh) * 2006-10-09 2007-04-11 武汉大学 一种植物归一化指数遥感装置
CN102348976A (zh) * 2009-01-30 2012-02-08 乔治亚大学研究基金公司 用于探测植物中的昆虫诱导的损害的非侵入性方法和设备
CN104023520A (zh) * 2011-12-19 2014-09-03 S·G·尤尼斯 远程传感和调适灌溉系统
CN103439265A (zh) * 2013-08-15 2013-12-11 湖南农业大学 一种茶树精细化栽培生育性状实时监测方法
CN104266982A (zh) * 2014-09-04 2015-01-07 浙江托普仪器有限公司 一种大面积虫害量化监测系统
CN104850836A (zh) * 2015-05-15 2015-08-19 浙江大学 基于深度卷积神经网络的害虫图像自动识别方法
CN105302872A (zh) * 2015-09-30 2016-02-03 努比亚技术有限公司 图像处理装置和方法
WO2017077543A1 (en) * 2015-11-08 2017-05-11 Agrowing Ltd A method for aerial imagery acquisition and analysis

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙永华，宫辉力著: "《基于高光谱的湿地植被定量遥感研究 以洪河自然保护区为例》", 30 April 2015, 北京：中国环境科学出版社 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113934245A (zh) * 2021-10-18 2022-01-14 电子科技大学成都学院 一种应用于大棚农作物的生长bp神经网络系统及其方法

Also Published As

Publication number Publication date
US20210133945A1 (en) 2021-05-06
EP3620774B1 (en) 2022-07-27
EP3620774A1 (en) 2020-03-11
KR20200041356A (ko) 2020-04-21
WO2019034070A1 (zh) 2019-02-21
CA3065851A1 (en) 2019-02-21
RU2726033C1 (ru) 2020-07-08
AU2018317151A1 (en) 2020-01-02
AU2018102220A4 (en) 2021-09-09
US11301986B2 (en) 2022-04-12
EP3620774A4 (en) 2021-01-13
JP6960525B2 (ja) 2021-11-05
JP2020531014A (ja) 2020-11-05
KR102344031B1 (ko) 2021-12-28

Similar Documents

Publication Publication Date Title
CN109406412A (zh) 一种植物健康状态监控方法及装置
US9706756B2 (en) Animal movement mapping and movement prediction method and device
Jagüey et al. Smartphone irrigation sensor
US20170311574A1 (en) Animal movement mapping and movement prediction method and device
CN110728332A (zh) 一种基于物联网的农业数据分析方法及系统
US20160086032A1 (en) Method and system for collecting image data
CN104732564B (zh) 一种玉米叶面积无损动态监测装置与方法
US20230329159A1 (en) Internet-of-things management and control system for intelligent orchard
Pérez-Expósito et al. An IoT monitoring system for precision viticulture
Saha et al. Development of IoT‐based smart security and monitoring devices for agriculture
CN107908689A (zh) 一种烟叶生长环境数据采集装置及其方法
Ramil Brick et al. A review of agroforestry, precision agriculture, and precision livestock farming—The case for a data-driven agroforestry strategy
US10591352B2 (en) Sensor and system for plant canopy measurement
Killeen et al. Corn grain yield prediction using UAV-based high spatiotemporal resolution multispectral imagery
CN105181632B (zh) 网络型多维度植物成像ndvi测量装置
Waine et al. Towards improving the accuracy of opium yield estimates with remote sensing
Prasad et al. System model for smart precision farming for high crop yielding
Sathiya et al. Smart Agriculture: Emerging and Future Farming Technologies
Saha et al. A crop-monitoring system using wireless sensor networking
US20220183216A1 (en) An above and below ground autonomous sensor system for crop management
Navaneethan et al. Advanced Technologies for Precision Agriculture and Farming
EP4016416A1 (en) Method for operating on an environment
Tamburis et al. Precision Grazing: when Agriculture, Livestock and Technology unite
Das et al. Internet-of-Things-Enabled Precision Agriculture for Sustainable Rural Development
Viviane et al. IoT-Based Real-Time Crop Drying and Storage Monitoring System

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

Application publication date: 20190301

RJ01 Rejection of invention patent application after publication