CN110057764B - 一种农药施药安全管理警示装置及方法 - Google Patents

一种农药施药安全管理警示装置及方法 Download PDF

Info

Publication number
CN110057764B
CN110057764B CN201910340581.6A CN201910340581A CN110057764B CN 110057764 B CN110057764 B CN 110057764B CN 201910340581 A CN201910340581 A CN 201910340581A CN 110057764 B CN110057764 B CN 110057764B
Authority
CN
China
Prior art keywords
pesticide
data
module
concentration
sample
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.)
Expired - Fee Related
Application number
CN201910340581.6A
Other languages
English (en)
Other versions
CN110057764A (zh
Inventor
安雪花
柳新菊
吕露
蒋金花
王菲迪
李岗
吴声敢
赵学平
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.)
Zhejiang Academy of Agricultural Sciences
Original Assignee
Zhejiang Academy of Agricultural Sciences
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 Zhejiang Academy of Agricultural Sciences filed Critical Zhejiang Academy of Agricultural Sciences
Priority to CN201910340581.6A priority Critical patent/CN110057764B/zh
Publication of CN110057764A publication Critical patent/CN110057764A/zh
Application granted granted Critical
Publication of CN110057764B publication Critical patent/CN110057764B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Catching Or Destruction (AREA)

Abstract

本发明属于农药施药安全管理技术领域，公开了一种农药施药安全管理警示装置及方法，所述农药施药安全管理警示装置包括：温度检测模块、浓度检测模块、酸碱度检测模块、主控模块、农药残留检测模块、农害预测模块、定时模块、警报模块、显示模块。本发明通过农药残留检测模块结合了传统的二维成像技术和光谱技术，具有无损坏、无污染、自动化、快速高效等优点；同时，通过农害预测模块可以追溯病害发生时的主要影响因素，方便管理者有针对性的对农作物的种植方案进行优化和调整，做到有效预防病害的发生，降低病害的发生概率，提高农作物的存活率，降低农作物种植成本。

Description

一种农药施药安全管理警示装置及方法
技术领域
本发明属于农药施药安全管理技术领域，尤其涉及一种农药施药安全管理警示装置及方法。
背景技术
农药，是指农业上用于防治病虫害及调节植物生长的化学药剂。广泛用于农林牧业生产、环境和家庭卫生除害防疫、工业品防霉与防蛀等。农药品种很多，按用途主要可分为杀虫剂、杀螨剂、杀鼠剂、杀线虫剂、杀软体动物剂、杀菌剂、除草剂、植物生长调节剂等；按原料来源可分为矿物源农药(无机农药)、生物源农药(天然有机物、微生物、抗生素等)及化学合成农药；按化学结构分，主要有有机氯、有机磷、有机氮、有机硫、氨基甲酸酯、拟除虫菊酯、酰胺类化合物、脲类化合物、醚类化合物、酚类化合物、苯氧羧酸类、脒类、三唑类、杂环类、苯甲酸类、有机金属化合物类等，它们都是有机合成农药；根据加工剂型可分为粉剂、可湿性粉剂、乳剂、乳油、乳膏、糊剂、胶体剂、熏蒸剂、熏烟剂、烟雾剂、颗粒剂、微粒剂及油剂等。然而，现有农药施药后对农作物农药残留检测方法均为有损检测，如气相色谱法、高效液相色谱法、免疫分析法等等，检测耗时长，依赖大量的化学试剂，浪费大，有污染，属于有损检测；目前农作物的种类多、分类广，对病害预测难度大。同时现有的农药施药安全管理警示装置对检测的数据进行分类的过程中，降低了数据分类的精度和速度，从而导致整体系统的处理效率低下；现有的农药施药安全管理警示装置检测农药浓度数据的过程中，检测农作物的浓度与实际值有误差，不能获取真实的农作物浓度，不能为农作物施药提供准确的数据参考，降低了农作物的管理警示作用。
综上所述，现有技术存在的问题是：
(1)现有农药施药后对农作物农药残留检测方法均为有损检测，如气相色谱法、高效液相色谱法、免疫分析法等等，检测耗时长，依赖大量的化学试剂，浪费大，有污染，属于有损检测；同时，目前农作物的种类多、分类广，对病害预测难度大。
(2)现有的农药施药安全管理警示装置对检测的数据进行分类的过程中，降低了数据分类的精度和速度，从而导致整体系统的处理效率低下。
(3)现有的农药施药安全管理警示装置检测农药浓度数据的过程中，检测农作物的浓度与实际值有误差，不能获取真实的农作物浓度，不能为农作物施药提供准确的数据参考，降低了农作物的管理警示作用。
发明内容
针对现有技术存在的问题，本发明提供了一种农药施药安全管理警示装置及方法。
本发明是这样实现的，一种农药施药安全管理警示方法，所述农药施药安全管理警示方法包括：
第一步，采集农作物上的农药温度、农药浓度、农药酸碱度和农作物农药残留数据；
第二步，根据采集的数据对农作物进行分析，预测农作物病害情况；
第三步，根据农作物病害情况，通过警报器进行报警，并且利用定时器设定施药时间；
第四步，通过利用显示器显示检测的农药温度、浓度、酸碱度、施药时间数据信息。
进一步，所述农药施药安全管理警示方法在处理数据的过程中，对采集的农药温度、农药浓度、农药酸碱度和农药残留数据等相关的数据进行分类，采用基于BP神经网络的朴素贝叶斯的时间序列分类模型，如下：
步骤一，对采集的数据进行预处理，去除异常值、归一化；
步骤二，构建分类模型，根据BP-NB算法训练得到K个不同参数的分类器；
步骤三，将原始测试数据输入到K个训练好的BP网络，将其隐含层的值作为K组测试数据；
步骤四，用K组测试数据对步骤二中得到的K个分类器作测试，选取效果最好的一个作为最终模型；
步骤五，使用步骤四中的模型对新的时间序列进行分类。
进一步，所述农药施药安全管理警示方法通过浓度传感器检测农药浓度数据的过程中，浓度传感器易受到温度的影响，产生检测的误差，获取真实的农作物浓度，其补偿过程如下：
步骤一，首先，获取农作物浓度样本数据；
步骤二，对可能造成浓度传感器数据偏差因素进行统计，作为补偿模型中的自变量，将浓度的实际值与传感器测量值之比作为因变量；
步骤三，根据样本给定的数据拟合修正系数与环境参数的表达式，即可对浓度传感器实际的测量值做出补偿。
进一步，所述农药施药安全管理警示方法农药残留检测方法如下：
(1)在农作物上喷洒农药并历时18小时至28小时后采摘，制备出喷洒了不同浓度农药的农作物样本；
(2)对制备的农作物样本进行高光谱图像采集，并进行黑白校正；
(3)提取样本高光谱图像的感兴趣区域，计算感兴趣区域中所有像素的光谱反射率作为每个样本的平均光谱；
(4)根据每个样本的平均光谱计算各个样本组的平均光谱，将各个样本组的平均光谱作为各自样本组的标准光谱，对样本组中的每个样本的光谱进行多元散射校正处理，并对校正处理后的光谱进行归一化处理，转换成二维矩阵后保存为灰度图像；
(5)以各样本的灰度图像建立基于数据灰度图的卷积神经网络模型，采用建立的卷积神经网络模型对农作物中农药残留进行预测。
进一步，所述农药施药安全管理警示方法对制备的农作物样本进行高光谱图像采集，并进行黑白校正，采用如下公式：
Figure BDA0002040546510000041
其中：Rci是校正后数据，Sci是原始样本数据，Wci是白板数据，Dci是暗背景数据；
对校正处理后的光谱进行归一化处理，归一化处理公式为：
Figure BDA0002040546510000042
其中，xmax为光谱数据xi中最大值，xmin为光谱数据xi中最小值，得到归一化后的光谱数据为xi,NORM＝(x1,NORM,x2,NORM,…,xn-1,NORM,xn,NORM)，n为样本光谱数据xi中波长的数量，xi为样本i的光谱数据。
本发明的另一目的在于提供一种基于所述农药施药安全管理警示方法的农药施药安全管理警示装置，所述农药施药安全管理警示装置包括：
温度检测模块，与主控模块连接，用于通过温度传感器检测农药温度数据；
浓度检测模块，与主控模块连接，用于通过浓度传感器检测农药浓度数据；
酸碱度检测模块，与主控模块连接，用于通过酸碱度传感器检测农药酸碱度数据；
主控模块，与温度检测模块、浓度检测模块、酸碱度检测模块、农药残留检测模块、农害预测模块、定时模块、警报模块、显示模块连接，用于通过主控芯片控制各个模块正常工作；
农药残留检测模块，与主控模块连接，用于检测农作物农药残留数据；
农害预测模块，与主控模块连接，用于预测农作病害情况；
定时模块，与主控模块连接，用于通过定时器设定施药时间；
警报模块，与主控模块连接，用于通过警报器根据检测的异常数据进行警报；
显示模块，与主控模块连接，用于通过显示器显示检测的农药温度、浓度、酸碱度、施药时间数据信息。
本发明的另一目的在于提供一种应用所述农药施药安全管理警示方法的农药施药安全管理系统。
本发明的优点及积极效果为：本发明通过农药残留检测模块采用多元散射校正进行预处理，并建立卷积神经网络模型，实现农作物中阿维菌素残留浓度的无损检测。本发明采用高光谱成像技术，高光谱图像具有图谱合一的优点，结合了传统的二维成像技术和光谱技术，具有无损坏、无污染、自动化、快速高效等优点；同时，通过农害预测模块对农作物病害的历史发生情况进行搜集、整理和统计，并依据类别的不同分别进行统计图的绘制，并标注相应的平均值，将易发生病害的部分直观显示出，方便管理者找到病害发生的因素，同时根据待预测农作物的特性分别调取历史数据，并计算历史数据所对应的概率情况，再根据概率情况推算农作物的病害发生可能性，使用多种变量综合计算的方式能够提高病害概率发生的准确性，同时根据计算的概率结果可以追溯病害发生时的主要影响因素，方便管理者有针对性的对农作物的种植方案进行优化和调整，做到有效预防病害的发生，降低病害的发生概率，提高农作物的存活率，降低农作物种植成本。
本发明中主控模块在处理数据的过程中，采用基于BP神经网络的朴素贝叶斯的时间序列分类模型对采集的农药温度、农药浓度、农药酸碱度和农药残留数据等相关的数据进行分类，有效提高了数据分类的精度和速度，提高了整体系统的处理效率。
本发明中浓度检测模块通过浓度传感器检测农药浓度数据的过程中，对浓度传感器的测量数值进行补偿，有效的避免了产生的误差，获取真实的农作物浓度，为农作物施药提供了准确的数据参考，有利于农作物的管理警示。
附图说明
图1是本发明实施例提供的农药施药安全管理警示装置结构示意图；
图中：1、温度检测模块；2、浓度检测模块；3、酸碱度检测模块；4、主控模块；5、农药残留检测模块；6、农害预测模块；7、定时模块；8、警报模块；9、显示模块。
图2是本发明实施例提供的农药施药安全管理警示方法流程图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示，本发明实施例提供的农药施药安全管理警示装置包括：温度检测模块1、浓度检测模块2、酸碱度检测模块3、主控模块4、农药残留检测模块5、农害预测模块6、定时模块7、警报模块8、显示模块9。
温度检测模块1，与主控模块4连接，用于通过温度传感器检测农药温度数据；
浓度检测模块2，与主控模块4连接，用于通过浓度传感器检测农药浓度数据；
酸碱度检测模块3，与主控模块4连接，用于通过酸碱度传感器检测农药酸碱度数据；
主控模块4，与温度检测模块1、浓度检测模块2、酸碱度检测模块3、农药残留检测模块5、农害预测模块6、定时模块7、警报模块8、显示模块9连接，用于通过主控芯片控制各个模块正常工作；
农药残留检测模块5，与主控模块4连接，用于检测农作物农药残留数据；
农害预测模块6，与主控模块4连接，用于预测农作病害情况；
定时模块7，与主控模块4连接，用于通过定时器设定施药时间；
警报模块8，与主控模块4连接，用于通过警报器根据检测的异常数据进行警报；
显示模块9，与主控模块4连接，用于通过显示器显示检测的农药温度、浓度、酸碱度、施药时间数据信息。
所述主控模块4在处理数据的过程中，需要对采集的农药温度、农药浓度、农药酸碱度和农药残留数据等相关的数据进行分类，采用基于BP神经网络的朴素贝叶斯的时间序列分类模型，如下：
步骤一，对采集的数据进行预处理，去除异常值、归一化；
步骤二，构建分类模型，根据BP-NB算法训练得到K个不同参数的分类器；
步骤三，将原始测试数据输入到K个训练好的BP网络，将其隐含层的值作为K组测试数据；
步骤四，用K组测试数据对步骤二中得到的K个分类器作测试，选取效果最好的一个作为最终模型；
步骤五，使用步骤四中的模型对新的时间序列进行分类。
所述浓度检测模块2通过浓度传感器检测农药浓度数据的过程中，浓度传感器易受到温度的影响，产生检测的误差，为了避免产生误差，获取真实的农作物浓度，其补偿过程如下：
步骤一，首先，获取农作物浓度样本数据；
步骤二，对可能造成浓度传感器数据偏差因素进行统计，作为补偿模型中的自变量，将浓度的实际值与传感器测量值之比作为因变量；
步骤三，根据样本给定的数据拟合修正系数与环境参数的表达式，即可对浓度传感器实际的测量值做出补偿。
本发明提供的农药残留检测模块5检测方法如下：
(1)在农作物上喷洒农药并历时18小时至28小时后采摘，制备出喷洒了不同浓度农药的农作物样本；
(2)对制备的农作物样本进行高光谱图像采集，并进行黑白校正；
(3)提取样本高光谱图像的感兴趣区域，计算感兴趣区域中所有像素的光谱反射率作为每个样本的平均光谱；
(4)根据每个样本的平均光谱计算各个样本组的平均光谱，将各个样本组的平均光谱作为各自样本组的标准光谱，对样本组中的每个样本的光谱进行多元散射校正处理，并对校正处理后的光谱进行归一化处理，转换成二维矩阵后保存为灰度图像；
(5)以各样本的灰度图像建立基于数据灰度图的卷积神经网络模型，采用建立的卷积神经网络模型对农作物中农药残留进行预测。
本发明提供的对制备的农作物样本进行高光谱图像采集，并进行黑白校正，采用如下公式：
Figure BDA0002040546510000081
其中：Rci是校正后数据，Sci是原始样本数据，Wci是白板数据，Dci是暗背景数据。
本发明提供的对校正处理后的光谱进行归一化处理，归一化处理公式为：
Figure BDA0002040546510000082
其中，xmax为光谱数据xi中最大值，xmin为光谱数据xi中最小值，得到归一化后的光谱数据为xi,NORM＝(x1,NORM,x2,NORM,…,xn-1,NORM,xn,NORM)，n为样本光谱数据xi中波长的数量，xi为样本i的光谱数据。
本发明提供的农害预测模块6预测方法如下：
1)历史数据的搜集与整理：从测报站搜集历史农作物病害发生的种类、位置、发生季节以及危害程度，然后按照地理位置、病害种类以及发生季节分别进行归类、排序，并按照排序生成检索序列表，且检索序列表存储在预测系统中；
2)历史数据的排序和关联：将排序后的历史数据按照类别的不同分别进行存储，然后将不同类别中涉及的相同点的历史数据相互进行关联；
3)历史数据的统计和绘制：分别按照地理位置、病害种类以及发生季节对历史数据进行统计，并以地理位置为横坐标、相关历史数据的数量为纵坐标绘制统计图，以病害种类为横坐标、相关历史数据的数量为纵坐标绘制统计图，以发生季节为横坐标、相关历史数据的数量为纵坐标绘制统计图，再分别计算地理位置、病害种类以及发生季节类别中历史数据的数量平均值，并在对应的统计图上标记平均值刻度线；
4)预测农作物病害情况：分别调取待预测农作物的种植位置1公里内的发生病害的数量和相应平均值的数量、待预测农作物的种植时间所对应的发生病害的数量和相应平均值的数量、待预测农作物的种类所对应的发生病害的数量和相应平均值的数量，并按照种植位置、种植时间和农作物的种类分别进行病害发生概率的计算，并将三者的计算结果求取平均值，然后根据求取的结果进行是否干预的判断。
如图2所示，本发明实施例提供的农药施药安全管理警示装置警示方法，具体包括以下步骤：
S101：首先，采集农作物上的农药温度、农药浓度、农药酸碱度和农作物农药残留数据；
S102：根据步骤一采集的数据对农作物进行分析，预测农作物病害情况；
S103：根据农作物病害情况，通过警报器进行报警，并且利用定时器设定施药时间；
S104：通过利用显示器显示检测的农药温度、浓度、酸碱度、施药时间数据信息。
本发明工作时，首先，通过温度检测模块1利用温度传感器检测农药温度数据；通过浓度检测模块2利用浓度传感器检测农药浓度数据；通过酸碱度检测模块3利用酸碱度传感器检测农药酸碱度数据；其次，主控模块4通过农药残留检测模块5检测农作物农药残留数据；通过农害预测模块6预测农作病害情况；通过定时模块7利用定时器设定施药时间；然后，通过警报模块8利用警报器根据检测的异常数据进行警报；最后，通过显示模块9利用显示器显示检测的农药温度、浓度、酸碱度、施药时间数据信息。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (3)

1.一种农药施药安全管理警示方法，其特征在于，所述农药施药安全管理警示方法包括：
第一步，采集农作物上的农药温度、农药浓度、农药酸碱度和农作物农药残留数据；第二步，根据采集的数据对农作物进行分析，预测农作物病害情况；
第三步，根据农作物病害情况，通过警报器进行报警，并且利用定时器设定施药时间；
第四步，通过利用显示器显示检测的农药温度、浓度、酸碱度、施药时间数据信息；
所述第一步中，对采集的农药温度、农药浓度、农药酸碱度和农药残留数据相关的数据进行分类，采用基于BP神经网络的朴素贝叶斯的时间序列分类模型，如下：
步骤一，对采集的数据进行预处理，去除异常值、归一化；
步骤二，构建分类模型，根据BP-NB算法训练得到K个不同参数的分类器；
步骤三，将原始测试数据输入到K个训练好的BP网络，将其隐含层的值作为K组测试数据；
步骤四，用K组测试数据对步骤二中得到的K个分类器作测试，选取效果最好的一个作为最终模型；
步骤五，使用步骤四中的模型对新的时间序列进行分类；
通过浓度传感器检测农药浓度数据的过程中，浓度传感器易受到温度的影响，产生检测的误差，获取真实的农作物浓度，其补偿过程如下：
步骤一，首先，获取农作物浓度样本数据；
步骤二，对造成浓度传感器数据偏差因素进行统计，作为补偿模型中的自变量，将浓度的实际值与传感器测量值之比作为因变量；
步骤三，根据样本给定的数据拟合修正系数与环境参数的表达式，即可对浓度传感器实际的测量值做出补偿；
农药残留检测方法如下：
(1)在农作物上喷洒农药并历时18小时至28小时后采摘，制备出喷洒了不同浓度农药的农作物样本；
(2)对制备的农作物样本进行高光谱图像采集，并进行黑白校正；
(3)提取样本高光谱图像的感兴趣区域，计算感兴趣区域中所有像素的光谱反射率作为每个样本的平均光谱；
(4)根据每个样本的平均光谱计算各个样本组的平均光谱，将各个样本组的平均光谱作为各自样本组的标准光谱，对样本组中的每个样本的光谱进行多元散射校正处理，并对校正处理后的光谱进行归一化处理，转换成二维矩阵后保存为灰度图像；
(5)以各样本的灰度图像建立基于数据灰度图的卷积神经网络模型，采用建立的卷积神经网络模型对农作物中农药残留进行预测；
所述农药施药安全管理警示方法对制备的农作物样本进行高光谱图像采集，并进行黑白校正，采用如下公式：
Figure FDA0003080733120000021
其中：Rci是校正后数据，Sci是原始样本数据，Wci是白板数据，Dci是暗背景数据；
对校正处理后的光谱进行归一化处理，归一化处理公式为：
Figure FDA0003080733120000022
其中，xmax为光谱数据xi中最大值，xmin为光谱数据xi中最小值，得到归一化后的光谱数据为xi,NORM＝(x1,NORM,x2,NORM,…,xn-1,NORM,xn,NORM)，n为样本光谱数据xi中波长的数量，xi为样本i的光谱数据。
2.一种基于权利要求1所述农药施药安全管理警示方法的农药施药安全管理警示装置，其特征在于，所述农药施药安全管理警示装置包括：
温度检测模块，与主控模块连接，用于通过温度传感器检测农药温度数据；
浓度检测模块，与主控模块连接，用于通过浓度传感器检测农药浓度数据；
酸碱度检测模块，与主控模块连接，用于通过酸碱度传感器检测农药酸碱度数据；
主控模块，与温度检测模块、浓度检测模块、酸碱度检测模块、农药残留检测模块、农害预测模块、定时模块、警报模块、显示模块连接，用于通过主控芯片控制各个模块正常工作；
农药残留检测模块，与主控模块连接，用于检测农作物农药残留数据；
农害预测模块，与主控模块连接，用于预测农作病害情况；
定时模块，与主控模块连接，用于通过定时器设定施药时间；
警报模块，与主控模块连接，用于通过警报器根据检测的异常数据进行警报；
显示模块，与主控模块连接，用于通过显示器显示检测的农药温度、浓度、酸碱度、施药时间数据信息。
3.一种应用权利要求1所述农药施药安全管理警示方法的农药施药安全管理系统。
CN201910340581.6A 2019-04-25 2019-04-25 一种农药施药安全管理警示装置及方法 Expired - Fee Related CN110057764B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910340581.6A CN110057764B (zh) 2019-04-25 2019-04-25 一种农药施药安全管理警示装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910340581.6A CN110057764B (zh) 2019-04-25 2019-04-25 一种农药施药安全管理警示装置及方法

Publications (2)

Publication Number Publication Date
CN110057764A CN110057764A (zh) 2019-07-26
CN110057764B true CN110057764B (zh) 2021-09-14

Family

ID=67320890

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910340581.6A Expired - Fee Related CN110057764B (zh) 2019-04-25 2019-04-25 一种农药施药安全管理警示装置及方法

Country Status (1)

Country Link
CN (1) CN110057764B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112730275B (zh) * 2021-02-04 2023-06-30 华东理工大学 显微光谱成像系统、农药检测系统及其方法
CN113049531A (zh) * 2021-03-17 2021-06-29 盐城师范学院 一种用于农药残留检测的光谱检测方法
CN113326841B (zh) * 2021-05-31 2022-06-17 山东深蓝智谱数字科技有限公司 一种基于高光谱的作物虫害监测方法及设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002057989A2 (en) * 2001-01-18 2002-07-25 Basf Aktiengesellschaft Method for metabolic profiling
CN102084794A (zh) * 2010-10-22 2011-06-08 华南农业大学 多传感器信息融合的作物病虫害早期检测方法及装置
CN102621118A (zh) * 2012-03-18 2012-08-01 吉林大学 温室蔬菜病虫害的预警方法
CN103529783A (zh) * 2013-10-13 2014-01-22 林兴志 一种基于北斗/gis的甘蔗种植监测装置
WO2015056080A1 (en) * 2013-10-14 2015-04-23 Syngenta Participations Ag Planting method
EP3314997A1 (en) * 2016-10-28 2018-05-02 Deere & Company A crop management system for processing crop material
CN108872091A (zh) * 2018-03-20 2018-11-23 浙江理工大学 一种基于高光谱成像的蔬菜农药残留浓度的检测方法
CN109557003A (zh) * 2019-01-23 2019-04-02 河北农业大学 一种农药沉积量检测方法、装置及数据采集组合装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070143088A1 (en) * 2005-12-16 2007-06-21 Garland Akhil D System and method for predicting biting insect conditions
US20120191355A1 (en) * 2010-04-15 2012-07-26 Maxine Highsmith Insect Prediction Techniques for the Forestry Industry

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002057989A2 (en) * 2001-01-18 2002-07-25 Basf Aktiengesellschaft Method for metabolic profiling
CN102084794A (zh) * 2010-10-22 2011-06-08 华南农业大学 多传感器信息融合的作物病虫害早期检测方法及装置
CN102621118A (zh) * 2012-03-18 2012-08-01 吉林大学 温室蔬菜病虫害的预警方法
CN103529783A (zh) * 2013-10-13 2014-01-22 林兴志 一种基于北斗/gis的甘蔗种植监测装置
WO2015056080A1 (en) * 2013-10-14 2015-04-23 Syngenta Participations Ag Planting method
EP3314997A1 (en) * 2016-10-28 2018-05-02 Deere & Company A crop management system for processing crop material
CN108872091A (zh) * 2018-03-20 2018-11-23 浙江理工大学 一种基于高光谱成像的蔬菜农药残留浓度的检测方法
CN109557003A (zh) * 2019-01-23 2019-04-02 河北农业大学 一种农药沉积量检测方法、装置及数据采集组合装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A REVIEW OF COMPUTER MODELS FOR PESTICIDE DEPOSITION PREDICTION;M. E. Teske等;《TRANSACTIONS OF THE ASABE》;20111231;第54卷(第3期);全文 *
叶面药液浓度的近红外光谱检测方法研究;殷磊;《万方数据》;20120903;全文 *

Also Published As

Publication number Publication date
CN110057764A (zh) 2019-07-26

Similar Documents

Publication Publication Date Title
CN108241905B (zh) 用于预测土壤和/或植物状况的方法
CN110057764B (zh) 一种农药施药安全管理警示装置及方法
Arakeri et al. Computer vision based robotic weed control system for precision agriculture
CN110110595B (zh) 一种基于卫星遥感影像的农田画像及药肥大数据分析方法
CN113298537A (zh) 基于物联网的稻米全链条质量信息智能检测系统及方法
CN113344728A (zh) 一种食品生产全链条信息智能监控系统及方法
US20230073541A1 (en) System and method for performing machine vision recognition of dynamic objects
CN117496356A (zh) 农业人工智能作物检测方法及系统
WO2023175095A1 (en) Characterization of pasture for improved and sustainable grazing and feeding management of livestock
Latha et al. Technology for kisan samanvayam: Nutrition intelligibility of groundnut plant using IoT-ML framework
Mithra et al. An analysis of deep learning models for dry land farming applications
Chaudhary et al. A critical review on hybrid framework for precise farming with application of Machine Learning (ML) and Internet of Things (IoT)
Mouzakitis et al. Investigation of common big data analytics and decision-making requirements across diverse precision agriculture and livestock farming use cases
Micheni et al. Internet of things, big data analytics, and deep learning for sustainable precision agriculture
Prasad et al. System model for smart precision farming for high crop yielding
Zhang et al. Variable rate air‐assisted spray based on real‐time disease spot identification
Smith Getting value from artificial intelligence in agriculture, over the next 10+ years
Kaur Automated nutrient deficiency detection in plants: A Review
Sudhakar et al. Computer Vision Based Machine Learning and Deep Learning Approaches for Identification of Nutrient Deficiency in Crops: A Survey.
Sivakumar et al. Harnessing I4. 0 technologies for climate smart agriculture and food security
CN111640039A (zh) 一种设施蔬菜病害防治推荐系统及方法
CN117110242B (zh) 一种药肥使用的监测方法、装置及存储介质
Rai et al. Advancement in Agricultural Techniques With the Introduction of Artificial Intelligence and Image Processing
Navaneethan et al. Advanced Technologies for Precision Agriculture and Farming
Pabitha et al. A digital footprint in enhancing agricultural practices with improved production using machine learning

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
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210914

CF01 Termination of patent right due to non-payment of annual fee