CN111178437A - 一种施肥方法及计算机可读存储介质 - Google Patents

一种施肥方法及计算机可读存储介质 Download PDF

Info

Publication number
CN111178437A
CN111178437A CN201911403065.XA CN201911403065A CN111178437A CN 111178437 A CN111178437 A CN 111178437A CN 201911403065 A CN201911403065 A CN 201911403065A CN 111178437 A CN111178437 A CN 111178437A
Authority
CN
China
Prior art keywords
image
fertilization
crop
node
fertilizing
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
CN201911403065.XA
Other languages
English (en)
Inventor
华生
石吉真
柳云
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.)
Shenzhen Batian Ecotypic Engineering Co Ltd
Original Assignee
Shenzhen Batian Ecotypic Engineering 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 Shenzhen Batian Ecotypic Engineering Co Ltd filed Critical Shenzhen Batian Ecotypic Engineering Co Ltd
Priority to CN201911403065.XA priority Critical patent/CN111178437A/zh
Publication of CN111178437A publication Critical patent/CN111178437A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01C—PLANTING; SOWING; FERTILISING
    • A01C21/00—Methods of fertilising, sowing or planting
    • A01C21/007—Determining fertilization requirements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Soil Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Environmental Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种施肥方法，所述施肥方法包括获取当前农作物图像；将所述农作物图像与预存图像数据库中的多个图像进行比对得到多个匹配度，所述预存图像数据库的各个图像均与一施肥节点对应；确定所述多个匹配度中的最大匹配度所对应的图像为目标图像；根据图像与施肥节点的对应关系以及所述目标图像确定所述农作物对应的施肥节点，所述施肥节点在所述农作物的某一生长周期之前；根据所述施肥节点获取施肥信息，并根据所述施肥信息对所述农作物施肥。本发明还提供一种计算机可读存储介质。本发明提供的施肥方法，通过农作物图像匹配出施肥节点，并根据施肥节点对农作物进行施肥，该方法非常智能有效。

Description

一种施肥方法及计算机可读存储介质
技术领域
本发明涉及施肥技术领域，具体涉及一种施肥方法及计算机可读存储介质。
背景技术
智慧农业就是将物联网技术运用到传统农业中去，运用传感器和软件通过移动平台或者电脑平台对农业生产进行控制，使传统农业更具有“智慧”。充分应用现代信息技术成果，集成应用计算机与网络技术、物联网技术、音视频技术、3S技术、无线通信技术及专家智慧与知识，实现农业可视化远程诊断、远程控制、灾变预警等智能管理。智慧农业是农业生产的高级阶段，是集新兴的互联网、移动互联网、云计算和物联网技术为一体，依托部署在农业生产现场的各种传感节点(环境温湿度、土壤水分、二氧化碳、图像等)和无线通信网络实现农业生产环境的智能感知、智能预警、智能决策、智能分析、专家在线指导，为农业生产提供精准化种植、可视化管理、智能化决策。
其中，通过在线监测农作物地里的作物生长情况可及时有效的为农作物施肥浇水，使农作物产率和品质提高。目前是通过人工肉眼来观看农作物来判断农作物是否需要施肥，在不同人在农作物的生长状态的识别存在差异，或者人在时间久了容易忘记当初所记忆下来的农作物生长状态，因而使得人工判断具有一定的误差，并且非常耗时费力。
发明内容
有鉴于此，本发明提供一种农作物图像比对来获取施肥节点的施肥方法。具体方案如下所述。
一种施肥方法，所述施肥方法包括：
获取当前农作物图像；
将所述农作物图像与预存图像数据库中的多个图像进行比对得到多个匹配度，所述预存图像数据库的各个图像均与一施肥节点对应；
确定所述多个匹配度中的最大匹配度所对应的图像为目标图像；
根据图像与施肥节点的对应关系以及所述目标图像确定所述农作物对应的施肥节点，所述施肥节点在所述农作物的某一生长周期之前；
根据所述施肥节点获取施肥信息，并根据所述施肥信息对所述农作物施肥。
在一较佳实施方式中，所述施肥方法还包括：
获取农作物在施肥节点的多个图像；
对所述多个图像增加所述施肥节点标签得到图像与施肥节点的对应关系；
将所述各增加了施肥节点标签的图像存储到预存图像数据库中。
在一较佳实施方式中，所述施肥方法还包括：
建立与各个施肥节点对应的文件夹；
获取农作物在各个施肥节点的多个图像；
将多个图像存储至对应施肥节点的文件夹中，而得到图像与施肥节点的对应关系。
在一较佳实施方式中，确定所述农作物的施肥节点的方法包括：
确定农作物的至少一个特征部位；
根据所述至少一个特征部分当前的生长情况确定农作物的施肥节点。
在一较佳实施方式中，确定所述农作物的施肥节点的方法还包括:
确定农作物所处的生长周期和农作物的至少一个特征部分；
根据所述农作物的生长周期和所述至少一个特征部分当前的生长情况确定农作物的施肥节点。
在一较佳实施方式中，所述农作物的特征部分包括根、茎、叶、花或者果实中至少一种。
在一较佳实施方式中，所述特征部分当前的生长情况包括特征部分的数量、大小、颜色或者形状中的至少一种。
在一较佳实施方式中，当所述确定所述多个匹配度中的最大匹配度小于预设值时，将所述农作物图像进行裁剪获得局部区域图像，并将所述局部区域图像放大至预设倍数得到局部放大图像，将所述局部放大图像与预存图像数据库中的各图像进行第二次匹配得到多个第二匹配度；所述“确定所述多个匹配度中的最大匹配度所对应的图像为目标图像”包括：确定所述多个第二匹配度中的最大匹配度所对应的图像为目标图像。
在一较佳实施方式中，所述“将所述农作物图像与预存图像数据库中的多个图像进行比对得到多个匹配度”包括：
计算所述预存图像数据库中的各图像与农作物图像的卷积运算结果，其中，各图像的尺寸与所述农作物图像的尺寸相同；
计算得到所述农作物图像的第一灰度模值；
根据所述预存图像数据库中的各图像生成查找表，其中，所述查找表包括所述各图像中各像素点对应的灰度值累积平方和及灰度值累积和；
根据所述查找表计算得到所述预存图像数据库中的各图像的第二灰度模值；
根据所述卷积运算结果、第一灰度模值及第二灰度模值计算得到所述预存图像数据库中的各图像与所述农作物图像的多个匹配度。
本发明还提供一种计算机可读存储介质，其存储施肥控制程序指令，其中，所述施肥控制程序指令用于被计算机调用后执行如上述任意一项所述的施肥方法。
本发明的有益效果：本发明提供的施肥方法，通过农作物图像匹配出施肥节点，并根据施肥节点对农作物进行施肥，该方法非常智能有效。
附图说明
图1为本发明提供的一种施肥方法的流程图。
图2为本发明提供的一种将图像存储到预存图像数据的方法流程图。
图3为本发明提供的一种预先建立图像与施肥节点的对应关系的方法流程图。
图4为本发明提供的一种确定农作物的施肥节点的方法流程图。
图5为本发明提供的另一种确定农作物的施肥节点的方法流程图。
图6为图1中的步骤S200的子流程图。
具体实施方式
以下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。
请参阅图1，本发明实施例提供一种施肥方法，所述施肥方法包括步骤S100、步骤S200、步骤S300、步骤S400以及步骤S500。详细步骤如下所述。
步骤S100，获取当前农作物图像。其中农作物包括各种蔬果或者粮食作物。所述农作物图像是通过拍摄农作物而获得。例如蔬果作物包括辣椒、苹果、上海青、土豆、菜心、番茄、茄子、山药或者大白菜等。
步骤S200，将所述农作物图像与预存图像数据库中的多个图像进行比对得到多个匹配度，所述预存图像数据库的各个图像均与一施肥节点对应。其中所述施肥节点不同于农作物的生长周期，在本申请中，所述施肥节点是在农作物的某一生长周期之前。
步骤S300，确定所述多个匹配度中的最大匹配度所对应的图像为目标图像。
步骤S400，根据图像与施肥节点的对应关系以及所述目标图像确定所述农作物对应的施肥节点，所述施肥节点在所述农作物的某一生长周期之前。
步骤S500，根据所述施肥节点获取施肥信息，并根据所述施肥信息对所述农作物施肥。
其中所述施肥信息包括肥料的种类、肥料的用量、施肥的方式，施肥的方式包括喷施、浇施、灌施等以及对土壤的施肥方式，如沟施、穴施、撒施等。
本发明提供的施肥方法，通过农作物图像匹配出施肥节点，并根据施肥节点对农作物进行施肥，该方法非常智能有效。
请参阅图2，在进一步的实施例中，所述施肥方法还包括步骤S10-Ⅰ、步骤S20-Ⅰ以及步骤S30-Ⅰ。详细步骤如下所述。其中所述步骤S10-Ⅰ在上述步骤S100之前。预先将对应于施肥节点的图像存储到预存图像数据库中。
步骤S10-Ⅰ，获取农作物在施肥节点的多个图像。在该步骤中的施肥节点是通过观察农作物的特征部分的生长情况来确定的施肥节点。在该步骤中所获取的多个图像包括对应于该施肥节点的多个不同特征部位的图像，包括根、茎、叶、花以及果实的多个角度多个方位拍摄的图像。
步骤S20-Ⅰ，对所述多个图像增加所述施肥节点标签得到图像与施肥节点的对应关系。
步骤S30-Ⅰ，将所述各增加了施肥节点标签的图像存储到预存图像数据库中。此时预存图像数据库中的带有施肥节点标签的图像储存完成。
请参阅图3，在进一步的实施例中，所述施肥方法还包括骤S10-Ⅱ、步骤S20-Ⅱ以及步骤S30-Ⅱ。详细步骤如下所述。其中所述步骤S10-Ⅱ在上述步骤S100之前。预先建立图像与施肥节点的对应关系。
步骤S10-Ⅱ，建立与各个施肥节点对应的文件夹。
步骤S20-Ⅱ，获取农作物在各个施肥节点的多个图像。在该步骤中的施肥节点是通过观察农作物的特征部分的生长情况来确定的施肥节点。在该步骤中所或缺的多个图像包括对应于该施肥节点的多个不同特征部位的图像，包括根、茎、叶、花以及果实的多个角度多个方位拍摄的图像。
步骤S30-Ⅱ，将多个图像存储至对应施肥节点的文件夹中，而得到图像与施肥节点的对应关系。
请参阅图4，在进一步的实施例中，确定所述农作物的施肥节点的方法包括步骤S11-Ⅰ和步骤S12-Ⅰ。具体为如下所述。
步骤S11-Ⅰ，确定农作物的至少一个特征部位。所述农作物的特征部分包括根、茎、叶、花或者果实中至少一种。
步骤S12-Ⅰ，根据所述至少一个特征部分当前的生长情况确定农作物的施肥节点。所述特征部分当前的生长情况包括特征部分的数量、大小、颜色或者形状中的至少一种。例如当特征部分为菜心的叶子时，所述叶子当前的生长情况包括叶子的数量、大小、颜色等，还可以包括叶子的纹理走向等。
请参阅图5，在进一步的实施例中，确定所述农作物的施肥节点的方法还包括步骤S11-Ⅱ和步骤S12-Ⅱ。具体为如下所述。
步骤S11-Ⅱ，确定农作物所处的生长周期和农作物的至少一个特征部分。其中农作物所处的生长周期根据作物的不同而有所不同，例如，当作物为菜心时，所述菜心的生长周期包括种子发芽期、幼苗期、叶片生长期、菜薹形成期、开花结果期。所述农作物的特征部分包括根、茎、叶、花或者果实中至少一种。
步骤S12-Ⅱ，根据所述农作物的生长周期和所述至少一个特征部分当前的生长情况确定农作物的施肥节点。所述特征部分当前的生长情况包括特征部分的数量、大小、颜色或者形状中的至少一种。例如当特征部分为菜心的叶子时，所述叶子当前的生长情况包括叶子的数量、大小、颜色等，还可以包括叶子的纹理走向等。
在该方法中通过农作物的生长周期可以进一步准确判断农作物的所出的阶段，进而可以准确的获知施肥节点。
在进一步的实施例中，当所述确定所述多个匹配度中的最大匹配度小于预设值时，将所述农作物图像进行裁剪获得局部区域图像，并将所述局部区域图像放大至预设倍数得到局部放大图像，将所述局部放大图像与预存图像数据库中的各图像进行第二次匹配得到多个第二匹配度；所述“确定所述多个匹配度中的最大匹配度所对应的图像为目标图像”包括：确定所述多个第二匹配度中的最大匹配度所对应的图像为目标图像。在本实施例中，所述预设值为85％。所述预设倍数可根据预存图像数据库中的图像的尺寸大小来设定。
在进一步的实施例中，所述“将所述农作物图像进行裁剪获得局部区域图像”包括：
确定局部区域图像，所述局部区域图像中包括农作物，所述农作物在所述局部区域图像中的占比至少大于预设比例。其中所述预设比例根据实际情况来设定，优选的，所述预设比例为50％。
裁剪所述局部区域图像得到局部区域图像。
请参阅图6，在进一步的实施例中，所述“将所述农作物图像与预存图像数据库中的多个图像进行比对得到多个匹配度”包括步骤S210、步骤S220、步骤S230、步骤S240以及步骤S250。详细步骤如下所述。
步骤S210，计算所述预存图像数据库中的各图像与农作物图像的卷积运算结果，其中，各图像的尺寸与所述农作物图像的尺寸相同。
步骤S220，计算得到所述农作物图像的第一灰度模值。
步骤S230，根据所述预存图像数据库中的各图像生成查找表，其中，所述查找表包括所述各图像中各像素点对应的灰度值累积平方和及灰度值累积和。
步骤S240，根据所述查找表计算得到所述预存图像数据库中的各图像的第二灰度模值。
步骤S250，根据所述卷积运算结果、第一灰度模值及第二灰度模值计算得到所述预存图像数据库中的各图像与所述农作物图像的多个匹配对。
下面介绍本发明的具体实施例。
实施例1菜心的菜薹形成期之前的施肥方法
在本实施例中，菜心在菜薹形成期之前的施肥称为菜薹形成施肥节点。具体方法如下所述。
首先确定菜心的菜薹形成施肥节点：确定菜心用于判断菜薹形成施肥节点的特征部分叶子和菜心处于叶片生长期后，当菜心处于叶片生长期之后且每颗菜心的叶子数量在5-7片时，确定此时为菜心的菜薹形成施肥节点，其中所述菜薹形成施肥节点可以为一天，也可以为此后的1-5天内，均成为菜薹形成施肥节点。
然后，对此时处于菜薹形成施肥节点的菜心进行拍摄图像，可从多个角度多个位置进行拍摄，以获取较多的图像，再将这些图像增加菜薹形成施肥节点的标签储存到预存图像数据库中。此时预存图像数据建立完成。
当用户使用本实施例的施肥方法时，包括如下步骤：
步骤S101，拍摄获取菜心的图像。
步骤S102，将菜心图像与预存图像数据库中的多个图像进行比对得到多个匹配度，所述预存图像数据库的各个图像均与菜薹形成施肥节点相对应。
步骤S103，确定所述多个匹配度中的最大匹配度所对应的图像为目标图像。
步骤S104，根据图像与菜薹形成施肥节点的对应关系以及所述目标图像确定所述菜心对应的施肥节点为菜薹形成施肥节点，所述菜薹形成施肥节点在所述菜心的菜薹形成期之前。本实施例中的菜薹形成施肥节点是设置在菜薹形成期之前，在菜薹形成期之前根据施肥节点进行施肥，可以菜心的菜薹形成，提高菜薹品质和产量。
步骤S104，根据所述菜薹形成施肥节点取施肥信息，并根据所述施肥信息对所述菜心施肥。
实施例2番茄的结果期之前的施肥方法
在本实施例中，番茄的生长周期包括：发芽期、幼苗期、开花坐果期以及结果期。
番茄的结果期之前的施肥称为结果施肥节点。具体方法如下所述。
首先确定番茄的结果施肥节点：确定番茄用于判断结果施肥节点的特征部分叶子、花和番茄处于开花坐果期后，当番茄处于开花坐果期之后且叶子的大小和花的大小达到预设值后，确定此时为番茄的结果施肥节点，其中所述结果施肥节点可以为一天，也可以为此后的1-5天内，均成为结果施肥节点。
然后，对此时处于结果施肥节点的番茄作物进行拍摄图像，可从多个角度多个位置进行拍摄，以获取较多的图像，再将这些图像增加结果施肥节点的标签储存到预存图像数据库中。此时预存图像数据建立完成。
当用户使用本实施例的施肥方法时，包括如下步骤：
步骤S101，拍摄获取番茄作物的图像。
步骤S102，将番茄作物图像与预存图像数据库中的多个图像进行比对得到多个匹配度，所述预存图像数据库的各个图像均与结果施肥节点相对应。
步骤S103，确定所述多个匹配度中的最大匹配度所对应的图像为目标图像。
步骤S104，根据图像与结果施肥节点的对应关系以及所述目标图像确定所述番茄对应的施肥节点为结果施肥节点，所述结果施肥节点在所述番茄作物的开花坐果期之前。本实施例中的番茄作物的结果施肥节点是设置在结果期之前，在结果之前根据施肥节点进行施肥，可以促进番茄的结果形成，提高番茄果实的品质和产量。
步骤S104，根据所述结果施肥节点取施肥信息，并根据所述施肥信息对所述番茄作物施肥。
对应其他蔬果作物，如辣椒、苹果、上海青、土豆、茄子、山药或者大白菜等作物的施肥节点进行施肥的方法跟实施例1和实施例2相类似，再次不再赘述。
本发明还提供一种计算机可读存储介质，其存储施肥控制程序指令，其中，所述施肥控制程序指令用于被计算机调用后执行如上述任意一项所述的施肥方法。
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本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 (10)

1.一种施肥方法，其特征在于，所述施肥方法包括：
获取当前农作物图像；
将所述农作物图像与预存图像数据库中的多个图像进行比对得到多个匹配度，所述预存图像数据库的各个图像均与一施肥节点对应；
确定所述多个匹配度中的最大匹配度所对应的图像为目标图像；
根据图像与施肥节点的对应关系以及所述目标图像确定所述农作物对应的施肥节点，所述施肥节点在所述农作物的某一生长周期之前；
根据所述施肥节点获取施肥信息，并根据所述施肥信息对所述农作物施肥。
2.如权利要求1所述的施肥方法，其特征在于，所述施肥方法还包括：
获取农作物在施肥节点的多个图像；
对所述多个图像增加所述施肥节点标签得到图像与施肥节点的对应关系；
将所述各增加了施肥节点标签的图像存储到预存图像数据库中。
3.如权利要求1所述的施肥方法，其特征在于，所述施肥方法还包括：
建立与各个施肥节点对应的文件夹；
获取农作物在各个施肥节点的多个图像；
将多个图像存储至对应施肥节点的文件夹中，而得到图像与施肥节点的对应关系。
4.如权利要求2所述的施肥方法，其特征在于，确定所述农作物的施肥节点的方法包括：
确定农作物的至少一个特征部位；
根据所述至少一个特征部分当前的生长情况确定农作物的施肥节点。
5.如权利要求2所述的施肥方法，其特征在于，确定所述农作物的施肥节点的方法还包括:
确定农作物所处的生长周期和农作物的至少一个特征部分；
根据所述农作物的生长周期和所述至少一个特征部分当前的生长情况确定农作物的施肥节点。
6.如权利要求4或5所述的施肥方法，其特征在于，所述农作物的特征部分包括根、茎、叶、花或者果实中至少一种。
7.如权利要求4或5所述的施肥方法，其特征在于，所述特征部分当前的生长情况包括特征部分的数量、大小、颜色或者形状中的至少一种。
8.如权利要求1所述的施肥方法，其特征在于，当所述确定所述多个匹配度中的最大匹配度小于预设值时，将所述农作物图像进行裁剪获得局部区域图像，并将所述局部区域图像放大至预设倍数得到局部放大图像，将所述局部放大图像与预存图像数据库中的各图像进行第二次匹配得到多个第二匹配度；所述“确定所述多个匹配度中的最大匹配度所对应的图像为目标图像”包括：确定所述多个第二匹配度中的最大匹配度所对应的图像为目标图像。
9.如权利要求1所述的施肥方法，其特征在于，所述“将所述农作物图像与预存图像数据库中的多个图像进行比对得到多个匹配度”包括：
计算所述预存图像数据库中的各图像与农作物图像的卷积运算结果，其中，各图像的尺寸与所述农作物图像的尺寸相同；
计算得到所述农作物图像的第一灰度模值；
根据所述预存图像数据库中的各图像生成查找表，其中，所述查找表包括所述各图像中各像素点对应的灰度值累积平方和及灰度值累积和；
根据所述查找表计算得到所述预存图像数据库中的各图像的第二灰度模值；
根据所述卷积运算结果、第一灰度模值及第二灰度模值计算得到所述预存图像数据库中的各图像与所述农作物图像的多个匹配度。
10.一种计算机可读存储介质，其特征在于，其存储施肥控制程序指令，其中，所述施肥控制程序指令用于被计算机调用后执行如上述权利要求1-9任意一项所述的施肥方法。
CN201911403065.XA 2019-12-30 2019-12-30 一种施肥方法及计算机可读存储介质 Pending CN111178437A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911403065.XA CN111178437A (zh) 2019-12-30 2019-12-30 一种施肥方法及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911403065.XA CN111178437A (zh) 2019-12-30 2019-12-30 一种施肥方法及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN111178437A true CN111178437A (zh) 2020-05-19

Family

ID=70655860

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911403065.XA Pending CN111178437A (zh) 2019-12-30 2019-12-30 一种施肥方法及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN111178437A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112273027A (zh) * 2020-09-23 2021-01-29 农芯(南京)智慧农业研究院有限公司 基质栽培草莓灌溉施肥方法及系统
CN115413550A (zh) * 2022-11-07 2022-12-02 中化现代农业有限公司 甜菜植保方法及甜菜植保设备
CN117598084A (zh) * 2023-12-28 2024-02-27 日照市农业科学研究院 一种大豆栽培智能施肥方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1251737A (zh) * 1998-09-09 2000-05-03 株式会社佐竹制作所 确定谷物施肥量品质产量的方法及提供其生产信息的设备
CN101604359A (zh) * 2009-07-20 2009-12-16 中国水稻研究所 图像法水稻氮肥施肥推荐方法
CN103674849A (zh) * 2012-09-04 2014-03-26 南京农业大学 农作物氮素营养诊断传感器
CN104820866A (zh) * 2015-04-08 2015-08-05 江苏大学 一种根据叶菜类作物长势进行变量施肥的方法
CN106096563A (zh) * 2016-06-17 2016-11-09 深圳市易特科信息技术有限公司 植物自动识别系统和方法
CN107423738A (zh) * 2017-08-02 2017-12-01 广东工业大学 一种基于模板匹配的试卷题目定位方法及装置
CN107465712A (zh) * 2016-08-09 2017-12-12 唐轩韬 一种基于农作物生长度日数据与生长状态图像的人工智能管理方法
CN109447154A (zh) * 2018-10-29 2019-03-08 网易（杭州）网络有限公司 图片相似度检测方法、装置、介质及电子设备
CN110288034A (zh) * 2019-06-28 2019-09-27 广州虎牙科技有限公司 图像匹配方法、装置、电子设备及可读存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1251737A (zh) * 1998-09-09 2000-05-03 株式会社佐竹制作所 确定谷物施肥量品质产量的方法及提供其生产信息的设备
CN101604359A (zh) * 2009-07-20 2009-12-16 中国水稻研究所 图像法水稻氮肥施肥推荐方法
CN103674849A (zh) * 2012-09-04 2014-03-26 南京农业大学 农作物氮素营养诊断传感器
CN104820866A (zh) * 2015-04-08 2015-08-05 江苏大学 一种根据叶菜类作物长势进行变量施肥的方法
WO2016161818A1 (zh) * 2015-04-08 2016-10-13 江苏大学 一种根据叶菜类作物长势进行变量施肥的方法
CN106096563A (zh) * 2016-06-17 2016-11-09 深圳市易特科信息技术有限公司 植物自动识别系统和方法
CN107465712A (zh) * 2016-08-09 2017-12-12 唐轩韬 一种基于农作物生长度日数据与生长状态图像的人工智能管理方法
CN107423738A (zh) * 2017-08-02 2017-12-01 广东工业大学 一种基于模板匹配的试卷题目定位方法及装置
CN109447154A (zh) * 2018-10-29 2019-03-08 网易（杭州）网络有限公司 图片相似度检测方法、装置、介质及电子设备
CN110288034A (zh) * 2019-06-28 2019-09-27 广州虎牙科技有限公司 图像匹配方法、装置、电子设备及可读存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112273027A (zh) * 2020-09-23 2021-01-29 农芯(南京)智慧农业研究院有限公司 基质栽培草莓灌溉施肥方法及系统
CN115413550A (zh) * 2022-11-07 2022-12-02 中化现代农业有限公司 甜菜植保方法及甜菜植保设备
CN115413550B (zh) * 2022-11-07 2023-03-14 中化现代农业有限公司 甜菜植保方法及甜菜植保设备
CN117598084A (zh) * 2023-12-28 2024-02-27 日照市农业科学研究院 一种大豆栽培智能施肥方法及系统
CN117598084B (zh) * 2023-12-28 2024-05-10 日照市农业科学研究院 一种大豆栽培智能施肥方法及系统

Similar Documents

Publication Publication Date Title
US20170270446A1 (en) Agronomic systems, methods and apparatuses for determining yield limits
US10028426B2 (en) Agronomic systems, methods and apparatuses
CN111178437A (zh) 一种施肥方法及计算机可读存储介质
US20180014452A1 (en) Agronomic systems, methods and apparatuses
CN115204689B (zh) 一种基于图像处理的智慧农业管理系统
US20230360150A1 (en) Computer implemented method for providing test design and test instruction data for comparative tests on yield, gross margin, efficacy or vegetation indices for at least two products or different application timings of the same product
Gatti et al. Effects of variable rate nitrogen application on cv. Barbera performance: vegetative growth and leaf nutritional status
CN114743100A (zh) 一种农产品长势监测方法和系统
US20220132724A1 (en) Advanced crop manager for crops stress mitigation
CN110119901A (zh) 一种芦笋种植综合管理平台及其管理办法
CN115511158B (zh) 一种基于大数据的农作物智能选育分析方法及系统
CN111143601A (zh) 一种图像处理方法
US7047690B2 (en) Agronomic method for commercial production of the green Cicer bean
KR101933630B1 (ko) 노지 과원 종합관리를 위한 스마트 과수원 시스템
CN114821253B (zh) 一种喷滴灌水肥一体化系统的适用性调控方法及系统
Tiwari et al. Precision agriculture applications in horticulture.
Garcia et al. Quantifying the production of fruit-bearing trees using image processing techniques
CN114219227A (zh) 一种精准施肥决策及地块级展示方法和系统
Santra et al. Introduction to machine learning and internet of things for management in agriculture
KR101933628B1 (ko) 노지 과원 종합관리를 위한 스마트 과수원 시스템
Okoronkwo Chinomnso et al. Yield stability and inter relationships between seed yield and associated traits of 25 cowpea (Vigna unguiculata [L] Walp) genotypes
Kumar et al. Precision Agriculture in Potato Production
CN115349340B (zh) 基于人工智能的高粱施肥控制方法及系统
US20230360149A1 (en) Computer implemented method for providing test design and test instruction data for comparative tests for yield, gross margin, efficacy and/or effects on vegetation indices on a field for different rates or application modes of one product
US20220129997A1 (en) Systems and methods for crop management

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