CN109961035A - 一种水稻分蘖期长势智慧监控调节方法 - Google Patents
一种水稻分蘖期长势智慧监控调节方法 Download PDFInfo
- Publication number
- CN109961035A CN109961035A CN201910207879.XA CN201910207879A CN109961035A CN 109961035 A CN109961035 A CN 109961035A CN 201910207879 A CN201910207879 A CN 201910207879A CN 109961035 A CN109961035 A CN 109961035A
- Authority
- CN
- China
- Prior art keywords
- rice
- growth
- monitoring
- tillering stage
- plant
- 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
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 title claims abstract description 38
- 235000009566 rice Nutrition 0.000 title claims abstract description 38
- 230000012010 growth Effects 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 title claims abstract description 13
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 44
- 230000008635 plant growth Effects 0.000 claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 17
- 241000196324 Embryophyta Species 0.000 claims abstract description 16
- 230000009418 agronomic effect Effects 0.000 claims abstract description 8
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 2
- 238000007619 statistical method Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- A01G22/00—Cultivation of specific crops or plants not otherwise provided for
- A01G22/20—Cereals
- A01G22/22—Rice
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Environmental Sciences (AREA)
- Botany (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种水稻分蘖期长势智慧监控调节方法，包括步骤：使用无人机拍摄所需监控地块照片；计算水稻分蘖轮廓或者单个分蘖叶片色泽；进行植物长势分类；对深度卷积神经网络进行训练；对所述深度卷积神经网络进行验证；使对所需监控地块内的各个水稻分蘖期植株进行植株长势的分类统计，最终判断监控地块内所有植株的长势状态；提出相应的农艺操作建议；将相关作物长势状态信息和农艺操作要求发送给操作人员，实行精准操作。本发明在植株生长的监控过程中，对不同地块可以实现自动化精确地分类统计，并对各个地块自动编号、记录和统计，并实现总体统计分析，然后根据统计分析结果进行相应的栽培管理。
Description
技术领域
本发明涉及水稻分蘖期植株长势监控系统，尤其涉及一种水稻分蘖期长势智慧监控调节方法。
背景技术
水稻返青分蘖期以营养器官的生长为中心，这是决定有效穗数的关键时期，也是水稻高产的基础。水稻分蘖时期的关键是要培养数量足够的有效蘖，控制无效分蘖，分蘖太少或者太多疯长，都影响水稻的高产。因为，开展水稻分蘖期植株长势监控是水稻生产的一个重要环节。现有的监控监控方法中，一般采用人工监控，但是随着人们生活水平的提高，可用劳动力的减少，单纯依靠人工监控，费时费力，而且只能抽样调查；在水稻生产过程中如产量预测中可能用到卫星遥感等技术，但没有在分蘖期使用的例子，同时卫星遥感监控准确率不高。现有技术在监控过程中，对不同地块难以精确地分类统计，也不能自动编号、记录和统计，统计结果差强人意。
深度学习是机器学习研究中的一个新的领域，通过建立模拟人脑进行分析学习的神经网络，模仿人脑的机制来解释数据，包括图像，声音和文本等。同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分，不同的学习框架下建立的学习模型很是不同。例如，卷积神经网络(Convolutional neural networks，简称CNNs)就是一种深度的监督学习下的机器学习模型，而深度置信网(Deep BeliefNets，简称DBNs)就是一种无监督学习下的机器学习模型。目前尚无使用卷积神经网络进行成苗率监控的技术。
发明内容
为克服现有技术的不足，本发明提出一种基于深度学习卷积神经网络的植株长势监控方法。
本发明的技术方案是这样实现的：
一种水稻分蘖期长势智慧监控调节方法，包括步骤
S1：将监控地块进行分割和标记，并使用无人机拍摄所需监控地块照片；
S2：从水稻分蘖期的植株照片中分离出单个分蘖，利用计算机视觉算法，计算水稻分蘖轮廓或者单个分蘖叶片色泽；
S3：对分离后的水稻分蘖轮廓或者单个分蘖叶片色泽照片进行植物长势分类，将植株长势分为过旺、正常、一般、差4种类型，作为深度学习的训练样本；
S4：使用水稻分蘖期不同植株长势的轮廓照片对深度卷积神经网络进行训练，使之能对不同植株长势进行精确分类；
S5：用水稻分蘖期不同植株长势的验证照片对所述深度卷积神经网络进行验证；
S6：使用所述深度卷积神经网络对所需监控地块内的各个水稻分蘖期植株进行植株长势的分类统计，最终判断监控地块内所有植株的长势状态；
S7：根据深度卷积神经网络对所需监控地块内的所有植株的长势状态提出相应的农艺操作建议；
S8：通过信息系统，将相关作物长势状态信息和农艺操作要求发送给操作人员，实行精准操作。
进一步地，所述步骤S1包括步骤
S11：利用机器学习判断植株轮廓是否为单一分蘖；
S12：如果是单一分蘖，利用轮廓切割图像输出植株图片，计算数量或者色泽；如果是连在一起的植株，利用图像分割算法分离粘连的植株。
本发明的有益效果在于，与现有技术相比，本发明在植株生长的监控过程中，对不同地块可以实现自动化精确地分类统计，并对各个地块自动编号、记录和统计，并实现总体统计分析，然后根据统计分析结果进行相应的栽培管理。
附图说明
图1是本发明。
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。
请参见图1，本发明一种水稻分蘖期长势智慧监控调节方法，包括步骤：
S1：将监控地块进行分割和标记，并使用无人机拍摄所需监控地块照片；
S2：从水稻分蘖期的每蔸水稻植株照片中分离出单个水稻分蘖，利用计算机视觉算法，计算每蔸水稻植株的水稻分蘖数；
S3：对分离后的水稻植株轮廓照片进行水稻分蘖期长势分类，以每亩种植密度2万蔸计算，可将每蔸水稻分蘖数超过20个的植株长势视为疯长过旺、每蔸水稻分蘖数10-15个的植株长势视为视为正常、每蔸水稻分蘖数5-10个的植株长势视为视为一般、每蔸水稻分蘖数小于5个的植株长势视为较弱，作为深度学习的训练样本；
S4：使用水稻分蘖期长势分类轮廓照片对深度卷积神经网络进行训练，使之能对不同水稻分蘖期长势状况进行精确分类；
S5：使用水稻分蘖期不同长势分类的验证照片对所述深度卷积神经网络进行验证；
S6：使用所述深度卷积神经网络对所需监控地块内的各个水稻植株进行植株长势的分类统计，最终判断监控地块内所有水稻植株的长势状态。
S7：根据深度卷积神经网络对所需监控地块内的所有植株的长势状态提出相应的农艺操作建议；如果判断监控地块内水稻分蘖期为疯长过旺，就采用加强晒田等方法进行控制；如果判断监控地块内水稻分蘖期为长势较弱，就采用增加肥水使用进行调控；
S8：通过信息系统，还可将相关作物长势状态信息和农艺操作要求发送给操作人员，实行精准操作。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (2)
1.一种水稻分蘖期长势智慧监控调节方法，其特征在于，包括步骤
S1：将监控地块进行分割和标记，并使用无人机拍摄所需监控地块照片；
S2：从水稻分蘖期的植株照片中分离出单个分蘖，利用计算机视觉算法，计算水稻分蘖轮廓或者单个分蘖叶片色泽；
S3：对分离后的水稻分蘖轮廓或者单个分蘖叶片色泽照片进行植物长势分类，将植株长势分为过旺、正常、一般、差4种类型，作为深度学习的训练样本；
S4：使用水稻分蘖期不同植株长势的轮廓照片对深度卷积神经网络进行训练，使之能对不同植株长势进行精确分类；
S5：用水稻分蘖期不同植株长势的验证照片对所述深度卷积神经网络进行验证；
S6：使用所述深度卷积神经网络对所需监控地块内的各个水稻分蘖期植株进行植株长势的分类统计，最终判断监控地块内所有植株的长势状态；
S7：根据深度卷积神经网络对所需监控地块内的所有植株的长势状态提出相应的农艺操作建议；
S8：通过信息系统，将相关作物长势状态信息和农艺操作要求发送给操作人员，实行精准操作。
2.如权利要求1所述的水稻分蘖期长势智慧监控调节方法，其特征在于，所述步骤S1包括步骤
S11：利用机器学习判断植株轮廓是否为单一分蘖；
S12：如果是单一分蘖，利用轮廓切割图像输出植株图片，计算数量或者色泽；如果是连在一起的植株，利用图像分割算法分离粘连的植株。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910207879.XA CN109961035A (zh) | 2019-03-19 | 2019-03-19 | 一种水稻分蘖期长势智慧监控调节方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910207879.XA CN109961035A (zh) | 2019-03-19 | 2019-03-19 | 一种水稻分蘖期长势智慧监控调节方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109961035A true CN109961035A (zh) | 2019-07-02 |
Family
ID=67024556
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910207879.XA Pending CN109961035A (zh) | 2019-03-19 | 2019-03-19 | 一种水稻分蘖期长势智慧监控调节方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109961035A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110532936A (zh) * | 2019-08-26 | 2019-12-03 | 李清华 | 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 |
| CN111536930A (zh) * | 2020-05-07 | 2020-08-14 | 安徽农业大学 | 一种双季稻机插早稻品种产量评估方法 |
| CN112797888A (zh) * | 2021-01-07 | 2021-05-14 | 江苏电子信息职业学院 | 一种基于互联网的农业信息化产业化系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102749290A (zh) * | 2012-07-02 | 2012-10-24 | 浙江大学 | 一种樱桃树冠层树枝生长状态的检测方法 |
| CN102830072A (zh) * | 2012-08-13 | 2012-12-19 | 中国计量学院 | 一种基于近红外光谱鉴别重金属污染水稻叶片的方法 |
| CN105446309A (zh) * | 2015-12-31 | 2016-03-30 | 西北工业大学 | 一种基于物联网的农业智能分析监控系统 |
| CN107392091A (zh) * | 2017-06-09 | 2017-11-24 | 河北威远生物化工有限公司 | 一种农业人工智能作物检测方法、移动终端和计算机可读介质 |
| CN108647652A (zh) * | 2018-05-14 | 2018-10-12 | 北京工业大学 | 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 |
| CN109146948A (zh) * | 2018-07-27 | 2019-01-04 | 内蒙古大学 | 基于视觉的作物长势表型参数量化与产量相关性分析方法 |
| CN109191074A (zh) * | 2018-08-27 | 2019-01-11 | 宁夏大学 | 智慧果园种植管理系统 |
-
2019
- 2019-03-19 CN CN201910207879.XA patent/CN109961035A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102749290A (zh) * | 2012-07-02 | 2012-10-24 | 浙江大学 | 一种樱桃树冠层树枝生长状态的检测方法 |
| CN102830072A (zh) * | 2012-08-13 | 2012-12-19 | 中国计量学院 | 一种基于近红外光谱鉴别重金属污染水稻叶片的方法 |
| CN105446309A (zh) * | 2015-12-31 | 2016-03-30 | 西北工业大学 | 一种基于物联网的农业智能分析监控系统 |
| CN107392091A (zh) * | 2017-06-09 | 2017-11-24 | 河北威远生物化工有限公司 | 一种农业人工智能作物检测方法、移动终端和计算机可读介质 |
| CN108647652A (zh) * | 2018-05-14 | 2018-10-12 | 北京工业大学 | 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 |
| CN109146948A (zh) * | 2018-07-27 | 2019-01-04 | 内蒙古大学 | 基于视觉的作物长势表型参数量化与产量相关性分析方法 |
| CN109191074A (zh) * | 2018-08-27 | 2019-01-11 | 宁夏大学 | 智慧果园种植管理系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110532936A (zh) * | 2019-08-26 | 2019-12-03 | 李清华 | 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 |
| CN111536930A (zh) * | 2020-05-07 | 2020-08-14 | 安徽农业大学 | 一种双季稻机插早稻品种产量评估方法 |
| CN112797888A (zh) * | 2021-01-07 | 2021-05-14 | 江苏电子信息职业学院 | 一种基于互联网的农业信息化产业化系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115204689B (zh) | 一种基于图像处理的智慧农业管理系统 | |
| CN109871833B (zh) | 一种基于深度学习卷积神经网络的农作物成熟度监控方法 | |
| AU2018328254A1 (en) | System and method for controlling a growth environment of a crop | |
| CN109643431A (zh) | 信息处理装置和信息处理系统 | |
| CN109191074A (zh) | 智慧果园种植管理系统 | |
| CN109961035A (zh) | 一种水稻分蘖期长势智慧监控调节方法 | |
| CN115294518B (zh) | 一种园艺植物温室精准栽培的智能监控方法及系统 | |
| CN111476149A (zh) | 一种植物培育控制方法和系统 | |
| CN107392892B (zh) | 基于图像的玉米生育前期干旱胁迫自动识别方法 | |
| CN115909070B (zh) | 一种基于改进yolov5网络的杂草检测方法 | |
| CN111008733A (zh) | 一种作物生长管控方法和系统 | |
| CN116076211B (zh) | 一种幼苗水肥管理方法、系统、电子设备及存储介质 | |
| CN113705937B (zh) | 一种联合机器视觉与作物模型的农田估产方法 | |
| CN117575094B (zh) | 一种基于数字孪生的农作物产量预测与优化方法及设备 | |
| CN109874584A (zh) | 一种基于深度学习卷积神经网络的果树长势监控系统 | |
| Jamuna et al. | Classification of seed cotton yield based on the growth stages of cotton crop using machine learning techniques | |
| 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 | |
| CN117911957B (zh) | 一种针对观赏葵病虫害的防治监控系统及方法 | |
| CN114612898A (zh) | 一种基于YOLOv5网络的荔枝蒂蛀虫羽化率检测方法 | |
| CN114494149A (zh) | 一种训练方法、评估方法、电子设备和存储介质 | |
| CN118901368A (zh) | 一种果园水肥调控方法及系统 | |
| CN112364710A (zh) | 一种基于深度学习算法的植物电信号分类识别方法 | |
| WO2024178904A1 (zh) | 作物水肥胁迫的决策方法、装置及手机终端 | |
| CN115250887B (zh) | 农作物灌溉方法、系统、设备及介质 | |
| CN109934186A (zh) | 一种农作物直播成苗率的智慧高效监控方法 |
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 |