CN111008733A - 一种作物生长管控方法和系统 - Google Patents
一种作物生长管控方法和系统 Download PDFInfo
- Publication number
- CN111008733A CN111008733A CN201911164858.0A CN201911164858A CN111008733A CN 111008733 A CN111008733 A CN 111008733A CN 201911164858 A CN201911164858 A CN 201911164858A CN 111008733 A CN111008733 A CN 111008733A
- Authority
- CN
- China
- Prior art keywords
- field
- prediction model
- training
- data
- resources
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000012010 growth Effects 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 36
- 230000003595 spectral effect Effects 0.000 claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 19
- 230000009418 agronomic effect Effects 0.000 claims abstract description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 11
- 235000015097 nutrients Nutrition 0.000 claims abstract description 9
- 239000003337 fertilizer Substances 0.000 claims abstract description 7
- 238000007726 management method Methods 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 11
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 241000607479 Yersinia pestis Species 0.000 claims description 5
- 229930002875 chlorophyll Natural products 0.000 claims description 5
- 235000019804 chlorophyll Nutrition 0.000 claims description 5
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 5
- 229910052757 nitrogen Inorganic materials 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000008635 plant growth Effects 0.000 claims description 3
- 238000013468 resource allocation Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 241000238631 Hexapoda Species 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 244000037666 field crops Species 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种作物生长管控方法，其特征在于，包括：S1，获取当前田间数据，并将所述当前田间数据无线传输至云服务器；所述当前田间数据包括：设置在田间的遥感监控摄像装置采集到的光谱数据、无人机遥感对农作物区域进行定点拍摄的图片和测算拍摄区域内的农学参数；S2，在云服务器中将所述当前田间数据输入预先训练好的预测模型进行训练；S3，根据预测模型的训练结果预测田间情况，根据预测的田间情况在预先建立的田间情况和田间资源的配置模型测算出田间资源的调整方式；S4，将所述调整方式以指令的形式传送到水肥一体化等实施终端，实现对田间养分水分等资源的合理配置。
Description
技术领域
本发明涉及作物监控技术领域，特别是涉及一种作物生长管控方法和系统。
背景技术
我国农业发展速度取得举世瞩目的成绩，但新时代的发展，又需要更高的生产水平来满足人类的需求，耕地面积的不断减少，而人口数量却在增加，这对农业的压力也越来越大。传统大田作物管理系统依靠少量传感器获取部分田间信息，并通过数据线传输信息，最终导致数据传输质量差，获取田间信息少且无法控制田间作业设备依据田间情况做出实时调整，需人工对田间出现状况进行干预，由于高科技农业机械的推广，复杂繁琐且错误率高，对机械使用者的素质要求大大提升，对于普通农民具有很大的挑战性，十分不利于大面积地普及，对农业发展贡献较低。
发明内容
针对现有技术存在的获取田间信息少且无法控制田间作业设备依据田间情况做出实时调整的问题，本发明提供一种作物生长管控方法和系统。
本申请的具体方案如下：
一种作物生长管控方法，包括：
S1，获取当前田间数据，并将所述当前田间数据无线传输至云服务器；所述当前田间数据包括：设置在田间的遥感监控摄像装置采集到的光谱数据、无人机遥感对农作物区域进行定点拍摄的图片和测算拍摄区域内的农学参数；
S2，在云服务器中将所述当前田间数据输入预先训练好的预测模型进行训练；
S3，根据预测模型的训练结果预测田间情况，根据预测的田间情况在预先建立的田间情况和田间资源的配置模型测算出田间资源的调整方式；
S4，将所述调整方式以指令的形式传送到水肥一体化实施终端，实现对田间养分水分资源的合理配置。
优选地，预先训练好的预测模型的训练方法包括：获取之前的田间数据，并将所述之前的田间数据无线传输至云服务器；所述之前的田间数据包括：设置在田间的遥感监控摄像装置采集到的光谱数据和无人机遥感低空拍摄的大田植株的样本图像；利用深度学习算法建立光谱数据和样本图像的预测模型，通过修改所述预测模型的网络结构和扩大样本集合。
优选地，所述利用深度学习算法建立光谱数据和样本图像的预测模型的步骤包括：将所述光谱数据和样本图像整合为图像集，对所述图像集进行预处理，并将所述图像集和其对应位置的农学参数进行匹配，形成神经网络训练样本集；对所述神经网络训练样本集进行训练和验证，并通过增加训练迭代参数、增加样本以及优化损失函数和深度学习网络构架的方式对训练得到的神经网络模型进行调整，选取结果优良的神经网络模型作为预测模型。
优选地，对所述图像集进行预处理的步骤包括：使用photoshop对图像集进行去噪、拼接和切割，并将样本图像的大小进行尺寸的归一化处理。
优选地，所述预测模型包括氮素含量预测模型、叶绿素含量预测模型和病虫害预测模型。
优选地，所述预先建立的田间情况和田间资源的配置模型的方法为：结合植物生长的一般规律和环境状况建立田间情况和田间资源的配置模型。
基于上述的作物生长管控方法的管控系统，包括：设置在田间的遥感监控摄像装置、搭载可见光相机的航拍无人机、云服务器和设置在田间的田间管理系统；所述遥感监控摄像装置，用于采集田间的光谱数据；所述搭载可见光相机的航拍无人机，用于对农作物区域进行定点拍摄的图片和测算拍摄区域内的农学参数；所述云服务器，用于将所述当前田间数据输入预先训练好的预测模型进行训练；根据预测模型的训练结果预测田间情况，根据预测的田间情况在预先建立的田间情况和田间资源的配置模型测算出田间资源的调整方式；所述当前田间数据包括所述光谱数据、图片和农学参数；所述田间管理系统，用于接收所述调整方式，根据所述调整方式作出调整，实现对田间养分水分等资源的实时合理配置。
与现有技术相比，本发明具有如下有益效果：
本方案通过事先利用无人机遥感结合设置在田间的遥感监控摄像装置采集的光谱数据和农学数据建立神经网络训练样本集。利用深度学习算法建立遥感数据和农学数据的预测模型，通过腾讯云账号租借云服务器作为系统服务器，实现农村遥感器和无人机图像对服务器的传输。系统服务器通过传入的田间数据，输入模型并预测田间情况，根据预测的田间情况在预先建立的田间情况和田间资源的配置模型测算出田间资源的调整方式；将所述调整方式以指令的形式传送到水肥一体化等实施终端，实现对田间养分水分等资源的合理配置。
本方案的预测模型包括氮素含量预测模型、叶绿素含量预测模型和病虫害预测模型，通过使用神经网络技术和遥感技术，直接预测植物内部元素的含量，避免了使用土地元素含量为标准所带来的不准确性，提高了资源配置的时效性。
附图说明
图1为本发明的作物生长管控方法的示意性流程图；
图2为本发明的神经网络对植株农学参数预测的网络结构图。
图3为本发明的预测模型对植株病害的预测图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
一种作物生长管控系统，包括：设置在田间的遥感监控摄像装置、搭载可见光相机的航拍无人机、云服务器和设置在田间的田间管理系统；所述遥感监控摄像装置，用于采集田间的光谱数据；所述搭载可见光相机的航拍无人机，用于对农作物区域进行定点拍摄的图片和测算拍摄区域内的农学参数；所述云服务器，用于将所述当前田间数据输入预先训练好的预测模型进行训练；根据预测模型的训练结果预测田间情况，根据预测的田间情况在预先建立的田间情况和田间资源的配置模型测算出田间资源的调整方式；所述当前田间数据包括所述光谱数据、图片和农学参数；所述田间管理系统，用于接收所述调整方式，将所述调整方式以指令的形式传送到水肥一体化的实施终端，实现对田间养分水分的资源的合理配置。
在本实施例，所述作物生长管控系统主要针对的是华南地区的作物。
其中，云服务器为通过腾讯云账号租借，在本方案中作为系统服务器，实现农村遥感器和无人机遥感采集到的田间数据对服务器的传输。并在云服务器中构建网站，并将所述预测模型并放入云服务器中。其中服务器规格为CPU 1核，内存2G，带宽1Mbps,高性能云盘50GB，使用数据库为云数据库MYSQL基础版，1G内存200G硬盘，使用域名为个人专业版。
参见图1、利用上述作物生长管控系统的作物生长管控方法，包括：
S1，获取当前田间数据，并将所述当前田间数据无线传输至云服务器；所述当前田间数据包括：设置在田间的遥感监控摄像装置采集到的光谱数据、无人机遥感对农作物区域进行定点拍摄的图片和测算拍摄区域内的农学参数；
S2，在云服务器中将所述当前田间数据输入预先训练好的预测模型进行训练；在本实施例，预先训练好的预测模型的训练方法包括：获取之前的田间数据，并将所述之前的田间数据无线传输至云服务器；所述之前的田间数据包括：设置在田间的遥感监控摄像装置采集到的光谱数据和无人机遥感低空拍摄的大田植株的样本图像；利用深度学习算法建立光谱数据和样本图像的预测模型，通过修改所述预测模型的网络结构和扩大样本集合。更进一步地，所述利用深度学习算法建立光谱数据和样本图像的预测模型的步骤包括：将所述光谱数据和样本图像整合为图像集，对所述图像集进行预处理，并将所述图像集和其对应位置的农学参数进行匹配，形成神经网络训练样本集；对所述神经网络训练样本集进行训练和验证，并通过增加训练迭代参数、增加样本以及优化损失函数和深度学习网络构架的方式对训练得到的神经网络模型进行调整，选取结果优良的神经网络模型作为预测模型。对所述图像集进行预处理的步骤包括：使用photoshop对图像集进行去噪、拼接和切割，并将样本图像的大小进行尺寸的归一化处理。处理成224mm*224mm。
在本实施例，所述预测模型包括氮素含量预测模型、叶绿素含量预测模型和病虫害预测模型。3个预测模型均运用神经网络框架和卷积神经网络模型对样本进行训练，得出预测模型。本方案以keras作为深度学习框架，对完成匹配的样本进行训练，模型结构如图2所示，本方案使用7层神经网络，包括2个卷积层、2个池化层、2个全连接层和输出层组成，卷积层和池化层由多个特征图组成，每个特征图由多个神经元组成，每一层的特征图作为下一层的输入。卷积层的特征图可能与前一层的若干特征图建立关系。本方案使用的网络共两层卷积层，卷积核大小均为5*5，步幅为默认值1。本方案使用网络共两层池化层，采取的是Max Pooling方法。本系统最后一层为全连接层，共一个神经元，输出值即为预测值。训练结束后，根据训练的结果和测试结果并修改迭代次数，增加训练量和优化算法等不同调整方式，使得此模型是否已经到达最优状态。
S3，根据预测模型的训练结果预测田间情况，根据预测的田间情况在预先建立的田间情况和田间资源的配置模型测算出田间资源的调整方式 (田间设备的控制信息)；
S4，将所述调整方式以指令的形式传送到水肥一体化等实施终端，实现对田间养分水分等资源的合理配置。
在本实施例，所述预先建立的田间情况和田间资源的配置模型的方法为：结合植物生长的一般规律和环境状况建立田间情况和田间资源的配置模型。模型建立时需参考地区湿度，温度，太阳辐射，主要作物的生长情况等，通过大量数据验证和对配置模型的调整和改进，确定配置模型的准确性。
本方案通过无线网络将遥感监控摄像装置收集的数据传入云服务器的系统中，系统通过调用3个模型得到区域的叶绿素，氮素和病虫害预测结果，如图3所示，并通过植物田间情况和田间资源的配置模型测算出田间资源的调整方式，并通过网络将田间资源的调整方式传入田间管理系统，实现对田间养分水分等资源的合理配置。
本方案基于无人机遥感技术的作物生长管理系统应用精准农业的现代先进技术——物联网以及大数据技术，将监测、生产管理系统有机结合起来运用到实践中，不仅解决了作物药剂、有机化肥以及水分施用量不够精准、施用时间不够及时以及仍需要人工时时参与和操作的问题，还可远程监控田间作物实时图像并将田间种植的环境数据以及作物的生长发育相关指标数据转换为通俗的表述说明来展示给种植者，并根据数据统计，智能化全自动地采取相应处理措施，节省大量的人力、物力、财力，且大部分操作由系统智能决策、自动执行，减少操作难度，方便种植户管理。开放的网上监测平台还可以将种植户、消费者、应用服务商、专业知识者互通联系起来，不仅仅为农民提供了更为便利的农田耕作模式，更有效地提高了农作物的产品质量，建立起一个高效、高质的农业模式。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种作物生长管控方法，其特征在于，包括：
S1，获取当前田间数据，并将所述当前田间数据无线传输至云服务器；所述当前田间数据包括：设置在田间的遥感监控摄像装置采集到的光谱数据、无人机遥感对农作物区域进行定点拍摄的图片和测算拍摄区域内的农学参数；
S2，在云服务器中将所述当前田间数据输入预先训练好的预测模型进行训练；
S3，根据预测模型的训练结果预测田间情况，根据预测的田间情况在预先建立的田间情况和田间资源的配置模型测算出田间资源的调整方式；
S4，将所述调整方式以指令的形式传送到水肥一体化实施终端，实现对田间养分水分资源的合理配置。
2.根据权利要求1所述的作物生长管控方法，其特征在于，预先训练好的预测模型的训练方法包括：
获取之前的田间数据，并将所述之前的田间数据无线传输至云服务器；所述之前的田间数据包括：设置在田间的遥感监控摄像装置采集到的光谱数据和无人机遥感低空拍摄的大田植株的样本图像；
利用深度学习算法建立光谱数据和样本图像的预测模型，通过修改所述预测模型的网络结构和扩大样本集合。
3.根据权利要求2所述的作物生长管控方法，其特征在于，所述利用深度学习算法建立光谱数据和样本图像的预测模型的步骤包括：
将所述光谱数据和样本图像整合为图像集，对所述图像集进行预处理，并将所述图像集和其对应位置的农学参数进行匹配，形成神经网络训练样本集；
对所述神经网络训练样本集进行训练和验证，并通过增加训练迭代参数、增加样本以及优化损失函数和深度学习网络构架的方式对训练得到的神经网络模型进行调整，选取结果优良的神经网络模型作为预测模型。
4.根据权利要求3所述的作物生长管控方法，其特征在于，对所述图像集进行预处理的步骤包括：
使用photoshop对图像集进行去噪、拼接和切割，并将样本图像的大小进行尺寸的归一化处理。
5.根据权利要求1所述的作物生长管控方法，其特征在于，所述预测模型包括氮素含量预测模型、叶绿素含量预测模型和病虫害预测模型。
6.根据权利要求1所述的作物生长管控方法，其特征在于，所述预先建立的田间情况和田间资源的配置模型的方法为：
结合植物生长的一般规律和环境状况建立田间情况和田间资源的配置模型。
7.一种基于根据权利要求1-5任意一项所述的作物生长管控方法的管控系统，其特征在于，包括：设置在田间的遥感监控摄像装置、搭载可见光相机的航拍无人机、云服务器和设置在田间的田间管理系统；
所述遥感监控摄像装置，用于采集田间的光谱数据；
所述搭载可见光相机的航拍无人机，用于对农作物区域进行定点拍摄的图片和测算拍摄区域内的农学参数；
所述云服务器，用于将所述当前田间数据输入预先训练好的预测模型进行训练；根据预测模型的训练结果预测田间情况，根据预测的田间情况在预先建立的田间情况和田间资源的配置模型测算出田间资源的调整方式；所述当前田间数据包括所述光谱数据、图片和农学参数；
所述田间管理系统，用于接收所述调整方式，根据所述调整方式作出调整，实现对田间养分水分等资源的实时合理配置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911164858.0A CN111008733B (zh) | 2019-11-25 | 2019-11-25 | 一种作物生长管控方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911164858.0A CN111008733B (zh) | 2019-11-25 | 2019-11-25 | 一种作物生长管控方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111008733A true CN111008733A (zh) | 2020-04-14 |
| CN111008733B CN111008733B (zh) | 2023-11-28 |
Family
ID=70113447
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911164858.0A Active CN111008733B (zh) | 2019-11-25 | 2019-11-25 | 一种作物生长管控方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111008733B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111932388A (zh) * | 2020-07-06 | 2020-11-13 | 广东技术师范大学 | 基于多层级变量分析的作物产量预测方法和装置 |
| CN112711900A (zh) * | 2020-12-02 | 2021-04-27 | 济南浪潮高新科技投资发展有限公司 | 一种农作物数字孪生建模方法 |
| CN112930926A (zh) * | 2021-01-28 | 2021-06-11 | 电凯(常州)新能源技术研究院有限公司 | 一种基于深度学习的植物生产参数调优方法 |
| CN113008742A (zh) * | 2021-02-23 | 2021-06-22 | 中国农业大学 | 一种雾滴沉积量检测方法及系统 |
| CN113110273A (zh) * | 2021-03-18 | 2021-07-13 | 山东省农业科学院农业资源与环境研究所 | 一种利于玉米增产的田间管理系统及管理方法 |
| CN113361377A (zh) * | 2021-06-02 | 2021-09-07 | 华南农业大学 | 一种植物生长管控模型构建方法、电子设备、存储介质 |
| CN116542405A (zh) * | 2023-07-07 | 2023-08-04 | 中国水产科学研究院南海水产研究所 | 一种基于图像处理的蓝圆鯵资源分布预测方法及系统 |
| CN117315466A (zh) * | 2023-09-20 | 2023-12-29 | 北京佳格天地科技有限公司 | 一种生长监测管理方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105137940A (zh) * | 2015-09-01 | 2015-12-09 | 徐州工业职业技术学院 | 物联网大棚农业生长监控系统 |
| CN105830870A (zh) * | 2016-03-24 | 2016-08-10 | 华北水利水电大学 | 一种远程无线农田监控系统和方法 |
| CN108684282A (zh) * | 2018-04-11 | 2018-10-23 | 北京麦飞科技有限公司 | 一种农业察打一体机系统及喷洒控制方法 |
| CN109508696A (zh) * | 2018-12-14 | 2019-03-22 | 红云红河烟草(集团)有限责任公司 | 一种基于多光谱技术的烟叶产量预测分析方法 |
-
2019
- 2019-11-25 CN CN201911164858.0A patent/CN111008733B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105137940A (zh) * | 2015-09-01 | 2015-12-09 | 徐州工业职业技术学院 | 物联网大棚农业生长监控系统 |
| CN105830870A (zh) * | 2016-03-24 | 2016-08-10 | 华北水利水电大学 | 一种远程无线农田监控系统和方法 |
| CN108684282A (zh) * | 2018-04-11 | 2018-10-23 | 北京麦飞科技有限公司 | 一种农业察打一体机系统及喷洒控制方法 |
| CN109508696A (zh) * | 2018-12-14 | 2019-03-22 | 红云红河烟草(集团)有限责任公司 | 一种基于多光谱技术的烟叶产量预测分析方法 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111932388A (zh) * | 2020-07-06 | 2020-11-13 | 广东技术师范大学 | 基于多层级变量分析的作物产量预测方法和装置 |
| CN111932388B (zh) * | 2020-07-06 | 2021-07-16 | 广东技术师范大学 | 基于多层级变量分析的作物产量预测方法和装置 |
| CN112711900A (zh) * | 2020-12-02 | 2021-04-27 | 济南浪潮高新科技投资发展有限公司 | 一种农作物数字孪生建模方法 |
| CN112930926A (zh) * | 2021-01-28 | 2021-06-11 | 电凯(常州)新能源技术研究院有限公司 | 一种基于深度学习的植物生产参数调优方法 |
| CN113008742A (zh) * | 2021-02-23 | 2021-06-22 | 中国农业大学 | 一种雾滴沉积量检测方法及系统 |
| CN113110273A (zh) * | 2021-03-18 | 2021-07-13 | 山东省农业科学院农业资源与环境研究所 | 一种利于玉米增产的田间管理系统及管理方法 |
| CN113361377A (zh) * | 2021-06-02 | 2021-09-07 | 华南农业大学 | 一种植物生长管控模型构建方法、电子设备、存储介质 |
| CN116542405A (zh) * | 2023-07-07 | 2023-08-04 | 中国水产科学研究院南海水产研究所 | 一种基于图像处理的蓝圆鯵资源分布预测方法及系统 |
| CN116542405B (zh) * | 2023-07-07 | 2024-01-23 | 中国水产科学研究院南海水产研究所 | 一种基于图像处理的蓝圆鯵资源分布预测方法及系统 |
| CN117315466A (zh) * | 2023-09-20 | 2023-12-29 | 北京佳格天地科技有限公司 | 一种生长监测管理方法及系统 |
| CN117315466B (zh) * | 2023-09-20 | 2024-04-09 | 北京佳格天地科技有限公司 | 一种生长监测管理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111008733B (zh) | 2023-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111008733B (zh) | 一种作物生长管控方法和系统 | |
| Shafi et al. | A multi-modal approach for crop health mapping using low altitude remote sensing, internet of things (IoT) and machine learning | |
| US10349584B2 (en) | System and method for plant monitoring | |
| AU2017208959B2 (en) | Forecasting national crop yield during the growing season using weather indices | |
| Chaudhary et al. | Application of wireless sensor networks for greenhouse parameter control in precision agriculture | |
| CN110728332A (zh) | 一种基于物联网的农业数据分析方法及系统 | |
| CN112931150B (zh) | 一种基于柑橘冠层光谱响应的灌溉系统和方法 | |
| US20170270446A1 (en) | Agronomic systems, methods and apparatuses for determining yield limits | |
| CN114442705B (zh) | 一种基于物联网的智慧农业系统及控制方法 | |
| WO2021142068A1 (en) | Using optical remote sensors and machine learning models to predict agronomic field property data | |
| CN114743100B (zh) | 一种农产品长势监测方法和系统 | |
| US11953872B2 (en) | Methods and systems for the management of precise agricultural irrigation | |
| CN117036088A (zh) | 一种ai识别绿化植物生长态势的数据采集分析方法 | |
| CN109003198A (zh) | 一种基于大数据技术的精准农业管理平台及方法 | |
| CN110321774B (zh) | 农作物灾情评估方法、装置、设备及计算机可读存储介质 | |
| CN112711900A (zh) | 一种农作物数字孪生建模方法 | |
| CN114331753A (zh) | 农事智能化的方法、装置及控制设备 | |
| CN112418473A (zh) | 农作物信息的处理方法、装置、设备及计算机存储介质 | |
| Varghese et al. | A status quo of WSN systems for agriculture | |
| Roslin et al. | Smartphone Application Development for Rice Field Management Through Aerial Imagery and Normalised Difference Vegetation Index (NDVI) Analysis. | |
| KR20230061034A (ko) | 작물의 엽록소 함량을 예측하는 기계 학습 모델 학습 방법, 작물의 엽록소 함량 예측 방법 및 식물 생육 시스템 | |
| Liang et al. | CanopyCAM–an edge-computing sensing unit for continuous measurement of canopy cover percentage of dry edible beans | |
| US11258955B2 (en) | System and method for automatic control of exposure time in an imaging instrument | |
| CN109828623B (zh) | 温室作物情景感知的生产管理方法及装置 | |
| CN115379150A (zh) | 可远程自动化生成水稻生长过程动态视频的系统和方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |