CN111932388B - 基于多层级变量分析的作物产量预测方法和装置 - Google Patents
基于多层级变量分析的作物产量预测方法和装置 Download PDFInfo
- Publication number
- CN111932388B CN111932388B CN202010640967.1A CN202010640967A CN111932388B CN 111932388 B CN111932388 B CN 111932388B CN 202010640967 A CN202010640967 A CN 202010640967A CN 111932388 B CN111932388 B CN 111932388B
- Authority
- CN
- China
- Prior art keywords
- light
- rail vehicle
- preset
- neural network
- rail
- 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.)
- Active
Links
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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- 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
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/30004—Biomedical image processing
-
- 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
-
- 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
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Abstract
本申请揭示了一种基于多层级变量分析的作物产量预测方法、装置、计算机设备和存储介质,所述方法包括:向预设的飞行器终端发送图像采集指令,以得到地面图像;同时发送行驶指令;其中,所述第一轨道车辆与所述第二轨道车辆之间的距离与行驶时间呈反比关系;所述第一轨道与所述第二轨道之间埋设有多个光线通道,所述光线通道的光线透过率能够受外界环境的影响而发生变化;发送光线发射指令,并记录多束光线发射时的初始数据;发送光线接收指令,并记录多束光线接收时的最终数据;将所述地面图像、初始数据和最终数据输入作物产量预测模型中进行处理,从而得到最终的预测产量。使得最终的数据处理过程耗费的算力减少,有助于整体的预测效率提升。
Description
技术领域
本申请涉及到计算机领域,特别是涉及到一种基于多层级变量分析的作物产量预测方法、装置、计算机设备和存储介质。
背景技术
快速、精确的作物产量预测,具有重要意义。目前传统的作物产量预测,一般是通过对种植有农作物的地面进行高空图像采集,再对采集而得到图像进行分析,从而预测出作物产量。但是这种传统的作物产量预测方案,其实际上只是以表面的作物生长状态为依据而进行的作物产量预测,其预测的准确性低。
发明内容
本申请提出一种基于多层级变量分析的作物产量预测方法,应用于控制终端,包括:
S1、向预设的飞行器终端发送图像采集指令,以利用使所述飞行器终端控制预设的飞行器上预设的图像采集设备对指定地面进行图像采集处理,以得到地面图像;其中所述指定地面上预先种植有农作物;
S2、向所述指定地面的地下预设的第一轨道车辆终端和第二轨道车辆终端同时发送行驶指令,以使所述第一轨道车辆终端控制所述第一轨道车辆沿预设的第一轨道前行,同时所述第二轨道车辆终端控制所述第二轨道车辆沿预设的第二轨道前行;其中,所述第一轨道车辆和所述第二轨道车辆均往第一方向行驶,所述第一轨道车辆的出发点与所述第二轨道车辆的出发点的连线垂直于所述第一方向;所述第一轨道车辆与所述第二轨道车辆之间的距离与行驶时间呈反比关系;所述第一轨道与所述第二轨道处于同一高度位置,所述第一轨道与所述第二轨道之间埋设有多个光线通道,所述光线通道的光线透过率能够受外界环境的影响而发生变化;
S3、向所述第一轨道车辆终端发送光线发射指令,以使所述第一轨道车辆终端控制所述第一轨道车辆上预设的光线生成设备分别通过所述多个光线通道向所述第二轨道车辆发送多束光线,并记录多束光线发射时的初始数据;
S4、向所述第二轨道车辆终端发送光线接收指令,以使所述第二轨道车辆终端控制所述第二轨道车辆上预设的光线传感器获取来自于所述第一轨道车辆并分别通过所述多个光线通道的所述多束光线,并记录多束光线接收时的最终数据;
S5、获取所述第一轨道车辆终端和所述第二轨道车辆终端分别发送的多束光线发射时的初始数据和多束光线接收时的最终数据;
S6、将所述地面图像、多束光线发射时的初始数据和多束光线接收时的最终数据输入预设的作物产量预测模型中进行处理,从而得到所述作物产量预测模型输出的预测产量;其中,所述作物产量预测模型基于神经网络模型,并利用训练数据训练而成,所述训练数据由已知产量的地区的地面图片、该地区的第一轨道车辆上的光线生成设备发射的光线数据和该地区的第二轨道车辆上的光线传感器接收到的光线数据构成。
进一步地,所述飞行器为无人机和卫星,所述向预设的飞行器终端发送图像采集指令,以利用使所述飞行器终端控制预设的飞行器上预设的图像采集设备对指定地面进行图像采集处理,以得到地面图像的步骤S1,包括:
S101、向无人机终端发送第一图像采集指令,以利用使所述无人机终端控制无人机上预设的图像采集设备对指定地面进行图像采集处理,以得到第一地面图像;
S102、向卫星终端发送第一图像采集指令,以利用使所述卫星终端控制卫星上预设的图像采集设备对指定地面进行图像采集处理,以得到第二地面图像;
所述作物产量预测模型为第一神经网络架构、第二神经网络架构和第三神经网络架构构成,所述第一神经网络架构和所述第二神经网络架构并联,并且所述第一神经网络架构、所述第二神经网络架构分别与所述第三神经网络架构串联;所述第一神经网络架构由第一卷积神经网络结构、第二卷积神经网络结构和BP神经网络结构构成,所述第一卷积神经网络结构和第二卷积神经网络结构并联,并且所述第一卷积神经网络结构、第二卷积神经网络结构分别与所述BP神经网络结构串联;
所述将所述地面图像、多束光线发射时的初始数据和多束光线接收时的最终数据输入预设的作物产量预测模型中进行处理,从而得到所述作物产量预测模型输出的预测产量的步骤S6,包括:
S601、将所述第一地面图像输入所述第一卷积神经网络结构中,以利用所述第一卷积神经网络结构中的卷积层、池化层和全连接层,将所述第一地面图像处理为第一一维特征向量;
S602、将所述第二地面图像输入所述第二卷积神经网络结构中,以利用所述第二卷积神经网络结构中的卷积层、池化层和全连接层,将所述第二地面图像处理为第二一维特征向量;
S603、根据所述第一一维特征向量和所述第二一维特征向量,生成二维关系矩阵;
S604、对所述二维关系矩阵进行矩阵维度变换与特征筛选处理,再输入所述BP神经网络结构中,从而得到所述BP神经网络结构输出的第一预测产量;
S605、将所述多束光线发射时的初始数据和多束光线接收时的最终数据输入所述第二神经网络架构中,从而得到所述第二神经网络架构输出的第二预测产量;
S606、将所述第一预测产量和所述第二预测产量输入所述第三神经网络架构中,从而得到所述第三神经网络架构根据权重分配输出的最终预测产量。
进一步地,所述光线通道的主体为玻璃管,所述玻璃管设置有多个空腔和多个毛细小孔,所述毛细小孔位于空腔与土壤间,所述空腔内填充有固体PH值指示材料,所述固体PH值指示材料在预设酸性环境中呈第一颜色,而在其他环境中呈其他颜色;所述向所述第一轨道车辆终端发送光线发射指令,以使所述第一轨道车辆终端控制所述第一轨道车辆上预设的光线生成设备分别通过所述多个光线通道向所述第二轨道车辆发送多束光线,并记录多束光线发射时的初始数据的步骤S3,包括:
S301、向所述第一轨道车辆终端发送光线发射指令,以使所述第一轨道车辆终端控制所述第一轨道车辆上预设的光线生成设备分别通过所述多个光线通道向所述第二轨道车辆发送多束光线,所述多束光线均为第一颜色的可见光,并记录多束光线发射时的初始数据;
所述向所述第二轨道车辆终端发送光线接收指令,以使所述第二轨道车辆终端控制所述第二轨道车辆上预设的光线传感器获取来自于所述第一轨道车辆并分别通过所述多个光线通道的所述多束光线,并记录多束光线接收时的最终数据的步骤S4,包括:
S401、向所述第二轨道车辆终端发送光线接收指令,以使所述第二轨道车辆终端控制所述第二轨道车辆上预设的光线传感器获取来自于所述第一轨道车辆并分别通过所述多个光线通道的所述多束光线,所述光线传感器为只能感受第一颜色的可见光的传感器,并记录多束光线接收时的最终数据。
进一步地,所述指定地面的地下预设有n个轨道,第一个轨道上只设置有一号轨道车辆,除第一个轨道之外的所有轨道均设置有一号轨道车辆和二号轨道车辆,一号轨道车辆上设置有光线生成设备,二号轨道车辆上设置有光线传感器;所有的轨道车辆均只能往第一方向行驶,所有的轨道车辆的出发点的连线均垂直于所述第一方向;若轨道上的车辆以相同的速度行驶,则任意一个轨道上的车辆与另一个轨道上的车辆之间的距离与行驶时间呈反比关系;所有轨道处于同一高度位置;相邻的轨道之间埋设有多个光线通道,所述光线通道的光线透过率能够受外界环境的影响而发生变化,n为大于2的整数;
所述将所述地面图像、多束光线发射时的初始数据和多束光线接收时的最终数据输入预设的作物产量预测模型中进行处理,从而得到所述作物产量预测模型输出的预测产量的步骤S6,包括:
S611、向所有的轨道车辆对应的终端均发送启动指令,以使所有的轨道车辆均沿对应的轨道行驶,并使一号轨道车辆分别通过多个光线通道向下一个轨道的二号轨道车辆发射呈第一颜色的多束光线,从而二号轨道车辆能够通过光线传感器感测信号;其中每一个一号轨道车辆发射的光线的参数不变,但是不同轨道上的一号轨道车辆发射的光线的参数不同;
S612、向所有的二号轨道车辆对应的终端均发送车辆停止指令,以要求满足指定要求的二号轨道车辆停下;其中所述指定要求指,当二号轨道车辆检测到信号强度大于预设的强度阈值时,则所述检测到信号强度大于预设的强度阈值的二号轨道车辆满足要求;
S613、当所有的二号轨道车辆均停下时,获取所有的二号轨道车辆的定位位置,以根据所有的二号轨道车辆的定位位置生成位点图;
S614、将所述地面图像和所述位点图输入预设的作物产量预测模型中进行处理,从而得到所述作物产量预测模型输出的预测产量。
进一步地,所述作物产量预测模型基于单一的卷积神经网络模型训练而成;所述将所述地面图像和所述位点图输入预设的作物产量预测模型中进行处理,从而得到所述作物产量预测模型输出的预测产量的步骤S604之前,包括:
S6031、获取预收集的多个样本集,其中每个样本集均由与一个种植有农作物的地面对应的综合图像以及与所述综合图像对应的产量标签构成,所述综合图像为与该种植有农作物的地面对应训练用地面图像和训练用位点图拼接而成;
S6032、将所述多个样本集根据预设比例划分为训练集和验证集,并调用预设的单一的卷积神经网络模型;
S6033、将所述训练集输入所述卷积神经网络模型中进行训练,从而得到中间卷积神经网络模型;
S6034、利用所述验证集对所述中间卷积神经网络模型,以得到验证结果,并判断验证结果是否为通过;
S6035、若验证结果为通过,则将所述中间卷积神经网络模型记为作物产量预测模型。
本申请提供一种基于多层级变量分析的作物产量预测装置,应用于控制终端,包括:
图像采集指令发送单元,用于向预设的飞行器终端发送图像采集指令,以利用使所述飞行器终端控制预设的飞行器上预设的图像采集设备对指定地面进行图像采集处理,以得到地面图像;其中所述指定地面上预先种植有农作物;
行驶指令发送单元,用于向所述指定地面的地下预设的第一轨道车辆终端和第二轨道车辆终端同时发送行驶指令,以使所述第一轨道车辆终端控制所述第一轨道车辆沿预设的第一轨道前行,同时所述第二轨道车辆终端控制所述第二轨道车辆沿预设的第二轨道前行;其中,所述第一轨道车辆和所述第二轨道车辆均往第一方向行驶,所述第一轨道车辆的出发点与所述第二轨道车辆的出发点的连线垂直于所述第一方向;所述第一轨道车辆与所述第二轨道车辆之间的距离与行驶时间呈反比关系;所述第一轨道与所述第二轨道处于同一高度位置,所述第一轨道与所述第二轨道之间埋设有多个光线通道,所述光线通道的光线透过率能够受外界环境的影响而发生变化;
光线发射指令发送单元,用于向所述第一轨道车辆终端发送光线发射指令,以使所述第一轨道车辆终端控制所述第一轨道车辆上预设的光线生成设备分别通过所述多个光线通道向所述第二轨道车辆发送多束光线,并记录多束光线发射时的初始数据;
光线接收指令发送单元,用于向所述第二轨道车辆终端发送光线接收指令,以使所述第二轨道车辆终端控制所述第二轨道车辆上预设的光线传感器获取来自于所述第一轨道车辆并分别通过所述多个光线通道的所述多束光线,并记录多束光线接收时的最终数据;
光线数据获取单元,用于获取所述第一轨道车辆终端和所述第二轨道车辆终端分别发送的多束光线发射时的初始数据和多束光线接收时的最终数据;
预测产量获取单元,用于将所述地面图像、多束光线发射时的初始数据和多束光线接收时的最终数据输入预设的作物产量预测模型中进行处理,从而得到所述作物产量预测模型输出的预测产量;其中,所述作物产量预测模型基于神经网络模型,并利用训练数据训练而成,所述训练数据由已知产量的地区的地面图片、该地区的第一轨道车辆上的光线生成设备发射的光线数据和该地区的第二轨道车辆上的光线传感器接收到的光线数据构成。
本申请提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请的基于多层级变量分析的作物产量预测方法、装置、计算机设备和存储介质,向预设的飞行器终端发送图像采集指令,以得到地面图像;向所述指定地面的地下预设的第一轨道车辆终端和第二轨道车辆终端同时发送行驶指令;其中,所述第一轨道车辆与所述第二轨道车辆之间的距离与行驶时间呈反比关系;所述第一轨道与所述第二轨道之间埋设有多个光线通道,所述光线通道的光线透过率能够受外界环境的影响而发生变化;向所述第一轨道车辆终端发送光线发射指令,并记录多束光线发射时的初始数据;向所述第二轨道车辆终端发送光线接收指令,并记录多束光线接收时的最终数据;将所述地面图像、多束光线发射时的初始数据和多束光线接收时的最终数据输入预设的作物产量预测模型中进行处理,从而得到所述作物产量预测模型输出的预测产量。其中,本申请中的多层级至少包括地上层级和地下层级,即分别对应飞行器采集的地面图像和多束光线发射时的初始数据和多束光线接收时的最终数据,从而提高了作物产量预测的准确性。尤其需要注意的是,在对地下层级的数据采集时,采用了特别的设计,使得最终的数据处理过程耗费的算力减少,有助于整体的预测效率提升。
附图说明
图1 为本申请一实施例的基于多层级变量分析的作物产量预测方法的流程示意图;
图2 为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请通过多层级变量分析,以实现准确的作物产量预测。其中,本申请中的多层级至少包括地上层级和地下层级,即分别对应飞行器采集的地面图像和多束光线发射时的初始数据和多束光线接收时的最终数据,从而提高了作物产量预测的准确性。尤其需要注意的是,在对地下层级的数据采集时,采用了特别的设计,使得最终的数据处理过程耗费的算力减少,有助于整体的预测效率提升。
参照图1,本申请实施例提供一种基于多层级变量分析的作物产量预测方法,应用于控制终端,包括:
S1、向预设的飞行器终端发送图像采集指令,以利用使所述飞行器终端控制预设的飞行器上预设的图像采集设备对指定地面进行图像采集处理,以得到地面图像;其中所述指定地面上预先种植有农作物;
S2、向所述指定地面的地下预设的第一轨道车辆终端和第二轨道车辆终端同时发送行驶指令,以使所述第一轨道车辆终端控制所述第一轨道车辆沿预设的第一轨道前行,同时所述第二轨道车辆终端控制所述第二轨道车辆沿预设的第二轨道前行;其中,所述第一轨道车辆和所述第二轨道车辆均往第一方向行驶,所述第一轨道车辆的出发点与所述第二轨道车辆的出发点的连线垂直于所述第一方向;所述第一轨道车辆与所述第二轨道车辆之间的距离与行驶时间呈反比关系;所述第一轨道与所述第二轨道处于同一高度位置,所述第一轨道与所述第二轨道之间埋设有多个光线通道,所述光线通道的光线透过率能够受外界环境的影响而发生变化;
S3、向所述第一轨道车辆终端发送光线发射指令,以使所述第一轨道车辆终端控制所述第一轨道车辆上预设的光线生成设备分别通过所述多个光线通道向所述第二轨道车辆发送多束光线,并记录多束光线发射时的初始数据;
S4、向所述第二轨道车辆终端发送光线接收指令,以使所述第二轨道车辆终端控制所述第二轨道车辆上预设的光线传感器获取来自于所述第一轨道车辆并分别通过所述多个光线通道的所述多束光线,并记录多束光线接收时的最终数据;
S5、获取所述第一轨道车辆终端和所述第二轨道车辆终端分别发送的多束光线发射时的初始数据和多束光线接收时的最终数据;
S6、将所述地面图像、多束光线发射时的初始数据和多束光线接收时的最终数据输入预设的作物产量预测模型中进行处理,从而得到所述作物产量预测模型输出的预测产量;其中,所述作物产量预测模型基于神经网络模型,并利用训练数据训练而成,所述训练数据由已知产量的地区的地面图片、该地区的第一轨道车辆上的光线生成设备发射的光线数据和该地区的第二轨道车辆上的光线传感器接收到的光线数据构成。
如上述步骤S1所述,向预设的飞行器终端发送图像采集指令,以利用使所述飞行器终端控制预设的飞行器上预设的图像采集设备对指定地面进行图像采集处理,以得到地面图像;其中所述指定地面上预先种植有农作物。其中,所述飞行器可为单一类型的飞行器,也可为不同类型的飞行器,可为低空飞行器,也可为高空飞行器。利用使所述飞行器终端控制预设的飞行器上预设的图像采集设备对指定地面进行图像采集处理,以得到地面图像,因此所述地面图像反应了农作物在地表上的宏观状态,可作为产量预测的依据。
进一步地,所述飞行器为无人机和卫星,所述向预设的飞行器终端发送图像采集指令,以利用使所述飞行器终端控制预设的飞行器上预设的图像采集设备对指定地面进行图像采集处理,以得到地面图像的步骤S1,包括:
S101、向无人机终端发送第一图像采集指令,以利用使所述无人机终端控制无人机上预设的图像采集设备对指定地面进行图像采集处理,以得到第一地面图像;
S102、向卫星终端发送第一图像采集指令,以利用使所述卫星终端控制卫星上预设的图像采集设备对指定地面进行图像采集处理,以得到第二地面图像。
从而采集到的地面图像实际上包括了第一地面图像和第二地面图像,而第一地面图像和第二地面图像分别对应了低空层级和高空层级(相对而言),从而实现了三层级的变量分析的作物产量预测。
需要注意的是,本申请在采用所述飞行器为无人机和卫星的设计时,所述作物产量预测模型也有相应的特别设计,即所述作物产量预测模型为第一神经网络架构、第二神经网络架构和第三神经网络架构构成,所述第一神经网络架构和所述第二神经网络架构并联,并且所述第一神经网络架构、所述第二神经网络架构分别与所述第三神经网络架构串联;所述第一神经网络架构由第一卷积神经网络结构、第二卷积神经网络结构和BP神经网络结构构成,所述第一卷积神经网络结构和第二卷积神经网络结构并联,并且所述第一卷积神经网络结构、第二卷积神经网络结构分别与所述BP神经网络结构串联;
所述将所述地面图像、多束光线发射时的初始数据和多束光线接收时的最终数据输入预设的作物产量预测模型中进行处理,从而得到所述作物产量预测模型输出的预测产量的步骤S6,包括:
S601、将所述第一地面图像输入所述第一卷积神经网络结构中,以利用所述第一卷积神经网络结构中的卷积层、池化层和全连接层,将所述第一地面图像处理为第一一维特征向量;
S602、将所述第二地面图像输入所述第二卷积神经网络结构中,以利用所述第二卷积神经网络结构中的卷积层、池化层和全连接层,将所述第二地面图像处理为第二一维特征向量;
S603、根据所述第一一维特征向量和所述第二一维特征向量,生成二维关系矩阵;
S604、对所述二维关系矩阵进行矩阵维度变换与特征筛选处理,再输入所述BP神经网络结构中,从而得到所述BP神经网络结构输出的第一预测产量;
S605、将所述多束光线发射时的初始数据和多束光线接收时的最终数据输入所述第二神经网络架构中,从而得到所述第二神经网络架构输出的第二预测产量;
S606、将所述第一预测产量和所述第二预测产量输入所述第三神经网络架构中,从而得到所述第三神经网络架构根据权重分配输出的最终预测产量。
从而使得三层级变量分析的作物产量预测方法得以实现。其中,将所述第一地面图像处理为第一一维特征向量的过程例如为,根据指定地面位置,从百度地图、腾讯地图等平台下载,其一维特征向量通过将第一地面图像输入卷积网络的卷积、池化和全连接操作获得。将所述第二地面图像处理为第二一维特征向量的过程例如为,针对指定地面,获取特定重叠率的无人机图像序列;基于图像拼接技术,生成整个指定地面的正摄影像图;将正摄影像图送入卷积网络的卷积层、池化层,全连接层,获得一维特征向量。所述根据所述第一一维特征向量和所述第二一维特征向量,生成二维关系矩阵的步骤,例如为根据公式:R =S*UT ,式中:S表示卫星图像的一维特征向量, UT表示无人机图像的一维特征向量的转置,R为二维关系矩阵。假设卫星图像特征S和无人机图像特征U都是1*n的矩阵,则二维关系矩阵R则是n*n的矩阵。所述对所述二维关系矩阵进行矩阵维度变换与特征筛选处理可以根据BP神经网络的遗传算法设定进行处理,在此不再赘述。
如上述步骤S2所述,向所述指定地面的地下预设的第一轨道车辆终端和第二轨道车辆终端同时发送行驶指令,以使所述第一轨道车辆终端控制所述第一轨道车辆沿预设的第一轨道前行,同时所述第二轨道车辆终端控制所述第二轨道车辆沿预设的第二轨道前行;其中,所述第一轨道车辆和所述第二轨道车辆均往第一方向行驶,所述第一轨道车辆的出发点与所述第二轨道车辆的出发点的连线垂直于所述第一方向;所述第一轨道车辆与所述第二轨道车辆之间的距离与行驶时间呈反比关系;所述第一轨道与所述第二轨道处于同一高度位置,所述第一轨道与所述第二轨道之间埋设有多个光线通道,所述光线通道的光线透过率能够受外界环境的影响而发生变化。本申请的地下预设有轨道,以通行搭载有光线发生器和光线传感器的车辆。所述轨道可在地下0-2米位置设置,优选0-1米,0-0.5米处设置。需要注意的是,本申请中的轨道和轨道车辆是特别设计的,其特别之处在于,所述第一轨道车辆和所述第二轨道车辆均往第一方向行驶,所述第一轨道车辆的出发点与所述第二轨道车辆的出发点的连线垂直于所述第一方向;所述第一轨道车辆与所述第二轨道车辆之间的距离与行驶时间呈反比关系;所述第一轨道与所述第二轨道处于同一高度位置,所述第一轨道与所述第二轨道之间埋设有多个光线通道,所述光线通道的光线透过率能够受外界环境的影响而发生变化。其中,所述第一轨道车辆的出发点与所述第二轨道车辆的出发点的连线垂直于所述第一方向,表明车辆的出发点是平行的。更重要的是,所述第一轨道车辆与所述第二轨道车辆之间的距离与行驶时间呈反比关系,这表明轨道不是平行的,其轨道之间的距离随着离出发点越远,其间距越小,这是本申请的另一大特点,其益处在于不需要对光线生成器进行调节,也能够准确探知土壤状态,从而省去了光线生成器进行调节步骤,提高了整体效率。需要注意的是,所述第一轨道与所述第二轨道之间埋设有多个光线通道,所述光线通道的光线透过率能够受外界环境的影响而发生变化,这是本申请得以实现的重要设计。其原理在于,由于光线通道能够受外界环境的影响而发生变化,因此土壤状况能够对光线通道的光线透过率造成影响,因此土壤的性质可转化为对通过光线通道的光线分析而得,从而免去了取样分析的复杂操作,实现了自动化处理,提高了整体效率。
如上述步骤S3-S5所述,向所述第一轨道车辆终端发送光线发射指令,以使所述第一轨道车辆终端控制所述第一轨道车辆上预设的光线生成设备分别通过所述多个光线通道向所述第二轨道车辆发送多束光线,并记录多束光线发射时的初始数据;向所述第二轨道车辆终端发送光线接收指令,以使所述第二轨道车辆终端控制所述第二轨道车辆上预设的光线传感器获取来自于所述第一轨道车辆并分别通过所述多个光线通道的所述多束光线,并记录多束光线接收时的最终数据;获取所述第一轨道车辆终端和所述第二轨道车辆终端分别发送的多束光线发射时的初始数据和多束光线接收时的最终数据。所述第一轨道车辆上预设的光线生成设备发射的光线可为任意可行光线,例如为可见光或者不可见光,但需要与光线通道相匹配,即光线通道受外界环境的影响而使光线透过率发生改变,这光线透过率指的就是所述第一轨道车辆上预设的光线生成设备发射的光线,对应的,所述第二轨道车辆上预设的光线传感器感应的也是这种光线。从而将土壤信号转化为光线信号,使其更易被计算机分析计算。因此,再获取所述第一轨道车辆终端和所述第二轨道车辆终端分别发送的多束光线发射时的初始数据和多束光线接收时的最终数据,就能作为分析土壤状态的依据,从而为后续产量的准确预测提供可能。其中,所述第二车道车辆接收到的光线信号强度,一般是逐渐增大的,这是因为随着行驶时间的增加,两个轨道之间的距离变小,因此光线通道的长度也变小,因此光线更易通过,从而接收到的光线信号强度变大。
进一步地,所述光线通道的主体为玻璃管,所述玻璃管设置有多个空腔和多个毛细小孔,所述毛细小孔位于空腔与土壤间,所述空腔内填充有固体PH值指示材料,所述固体PH值指示材料在预设酸性环境中呈第一颜色,而在其他环境中呈其他颜色;所述向所述第一轨道车辆终端发送光线发射指令,以使所述第一轨道车辆终端控制所述第一轨道车辆上预设的光线生成设备分别通过所述多个光线通道向所述第二轨道车辆发送多束光线,并记录多束光线发射时的初始数据的步骤S3,包括:
S301、向所述第一轨道车辆终端发送光线发射指令,以使所述第一轨道车辆终端控制所述第一轨道车辆上预设的光线生成设备分别通过所述多个光线通道向所述第二轨道车辆发送多束光线,所述多束光线均为第一颜色的可见光,并记录多束光线发射时的初始数据;
所述向所述第二轨道车辆终端发送光线接收指令,以使所述第二轨道车辆终端控制所述第二轨道车辆上预设的光线传感器获取来自于所述第一轨道车辆并分别通过所述多个光线通道的所述多束光线,并记录多束光线接收时的最终数据的步骤S4,包括:
S401、向所述第二轨道车辆终端发送光线接收指令,以使所述第二轨道车辆终端控制所述第二轨道车辆上预设的光线传感器获取来自于所述第一轨道车辆并分别通过所述多个光线通道的所述多束光线,所述光线传感器为只能感受第一颜色的可见光的传感器,并记录多束光线接收时的最终数据。
需要注意的是,在此本申请以固体PH值指示材料为例,以表明光线通道随外界环境的影响,但其他的可行材料也可适用,例如对于土壤中指定离子浓度的指示材料,也能够使用。其中,所述固体PH值指示材料可为任意可行材料,例如为固体石蕊材料,其在酸性环境中呈红色(程度与酸性正相关),因此可透过红色可见光,此时所述第一颜色的可见光为红色光。因此,通过本申请的上述设计,当土壤为碱性时,第二轨道车辆无法感应到红光,或只能感应到极弱的红光;当土壤为酸性时,根据酸性的不同,第二轨道车辆感应到的红光强度也不同。另外,所述毛细小孔指的是通过沟通所述空腔与外界的土壤,但又不至于使外界的土壤直接进入所述空腔的小孔,而空腔与外界的土壤的交互,例如通过所述毛细小孔使得土壤液与空腔内的固体PH值指示材料接触来进行。
如上述步骤S6所述,将所述地面图像、多束光线发射时的初始数据和多束光线接收时的最终数据输入预设的作物产量预测模型中进行处理,从而得到所述作物产量预测模型输出的预测产量;其中,所述作物产量预测模型基于神经网络模型,并利用训练数据训练而成,所述训练数据由已知产量的地区的地面图片、该地区的第一轨道车辆上的光线生成设备发射的光线数据和该地区的第二轨道车辆上的光线传感器接收到的光线数据构成。由于所述地面图像、多束光线发射时的初始数据和多束光线接收时的最终数据,分别是地表层面和地下层面的多层次数据,因此将该多层次数据作为综合输入预设的作物产量预测模型的数据,使得最终的产量预测更为准确。
进一步地,所述指定地面的地下预设有n个轨道,第一个轨道上只设置有一号轨道车辆,除第一个轨道之外的所有轨道均设置有一号轨道车辆和二号轨道车辆,一号轨道车辆上设置有光线生成设备,二号轨道车辆上设置有光线传感器;所有的轨道车辆均只能往第一方向行驶,所有的轨道车辆的出发点的连线均垂直于所述第一方向;若轨道上的车辆以相同的速度行驶,则任意一个轨道上的车辆与另一个轨道上的车辆之间的距离与行驶时间呈反比关系;所有轨道处于同一高度位置;相邻的轨道之间埋设有多个光线通道,所述光线通道的光线透过率能够受外界环境的影响而发生变化,n为大于2的整数;
所述将所述地面图像、多束光线发射时的初始数据和多束光线接收时的最终数据输入预设的作物产量预测模型中进行处理,从而得到所述作物产量预测模型输出的预测产量的步骤S6,包括:
S611、向所有的轨道车辆对应的终端均发送启动指令,以使所有的轨道车辆均沿对应的轨道行驶,并使一号轨道车辆分别通过多个光线通道向下一个轨道的二号轨道车辆发射呈第一颜色的多束光线,从而二号轨道车辆能够通过光线传感器感测信号;其中每一个一号轨道车辆发射的光线的参数不变,但是不同轨道上的一号轨道车辆发射的光线的参数不同;
S612、向所有的二号轨道车辆对应的终端均发送车辆停止指令,以要求满足指定要求的二号轨道车辆停下;其中所述指定要求指,当二号轨道车辆检测到信号强度大于预设的强度阈值时,则所述检测到信号强度大于预设的强度阈值的二号轨道车辆满足要求;
S613、当所有的二号轨道车辆均停下时,获取所有的二号轨道车辆的定位位置,以根据所有的二号轨道车辆的定位位置生成位点图;
S614、将所述地面图像和所述位点图输入预设的作物产量预测模型中进行处理,从而得到所述作物产量预测模型输出的预测产量。
从而以n个轨道的方式,实现了准确地土壤信号探测,并使土壤信号以位点图的形式呈现,使得后续的作物产量预测模型更易进行准确的预测。上述方案中,尤其需要注意的地方在于,若轨道上的车辆以相同的速度行驶,则任意一个轨道上的车辆与另一个轨道上的车辆之间的距离与行驶时间呈反比关系;每一个一号轨道车辆发射的光线的参数不变,但是不同轨道上的一号轨道车辆发射的光线的参数不同,这是进行土壤信号-光信号-位点图这三段转化的前提条件。若轨道上的车辆以相同的速度行驶,则任意一个轨道上的车辆与另一个轨道上的车辆之间的距离与行驶时间呈反比关系,表明轨道间距是越来越窄的,这是统一的趋势;每一个一号轨道车辆发射的光线的参数不变,但是不同轨道上的一号轨道车辆发射的光线的参数不同,表明同一轨道上的车辆无需调整发射参数,但是不同轨道上的车辆的光线发射参数不同,这样,一个停下的二号轨道车辆对应的光线通道的光线通过率,是正好允许对应的一号轨道车辆发射的光线通过并被感测到,因此该停下的二号轨道车辆停下的位置与光线发射参数、光线通道长度(即轨道间距离)和土壤状态相关,而由于不同轨道上的车辆的光线发射参数不同,因此汇聚所有轨道的二号轨道车辆停下的位置形成的位点图,即能够准确反应土壤状态。这种特别的位点图生成的设计,是本申请的一大特点,采用这种设计,不仅使得准确性得到了提高,更重要的是使得作物产量预测模型采用单一的卷积神经网络模型成为了可能,从而使得计算量得到了减小,减轻了计算压力。具体地:
所述作物产量预测模型基于单一的卷积神经网络模型训练而成;所述将所述地面图像和所述位点图输入预设的作物产量预测模型中进行处理,从而得到所述作物产量预测模型输出的预测产量的步骤S604之前,包括:
S6031、获取预收集的多个样本集,其中每个样本集均由与一个种植有农作物的地面对应的综合图像以及与所述综合图像对应的产量标签构成,所述综合图像为与该种植有农作物的地面对应训练用地面图像和训练用位点图拼接而成;
S6032、将所述多个样本集根据预设比例划分为训练集和验证集,并调用预设的单一的卷积神经网络模型;
S6033、将所述训练集输入所述卷积神经网络模型中进行训练,从而得到中间卷积神经网络模型;
S6034、利用所述验证集对所述中间卷积神经网络模型,以得到验证结果,并判断验证结果是否为通过;
S6035、若验证结果为通过,则将所述中间卷积神经网络模型记为作物产量预测模型。
从而实现了以单一的卷积神经网络模型进行作物产量预测。其中,所述综合图像例如为左边为地面图像,而右边为所述位点图,从而拼接而成;对应的,将所述地面图像和所述位点图输入预设的作物产量预测模型中进行处理时,也需要进行相同的拼接处理。
本申请的基于多层级变量分析的作物产量预测方法,向预设的飞行器终端发送图像采集指令,以得到地面图像;向所述指定地面的地下预设的第一轨道车辆终端和第二轨道车辆终端同时发送行驶指令;其中,所述第一轨道车辆与所述第二轨道车辆之间的距离与行驶时间呈反比关系;所述第一轨道与所述第二轨道之间埋设有多个光线通道,所述光线通道的光线透过率能够受外界环境的影响而发生变化;向所述第一轨道车辆终端发送光线发射指令,并记录多束光线发射时的初始数据;向所述第二轨道车辆终端发送光线接收指令,并记录多束光线接收时的最终数据;将所述地面图像、多束光线发射时的初始数据和多束光线接收时的最终数据输入预设的作物产量预测模型中进行处理,从而得到所述作物产量预测模型输出的预测产量。其中,本申请中的多层级至少包括地上层级和地下层级,即分别对应飞行器采集的地面图像和多束光线发射时的初始数据和多束光线接收时的最终数据,从而提高了作物产量预测的准确性。尤其需要注意的是,在对地下层级的数据采集时,采用了特别的设计,使得最终的数据处理过程耗费的算力减少,有助于整体的预测效率提升。
本申请实施例提供一种基于多层级变量分析的作物产量预测装置,应用于控制终端,包括:
图像采集指令发送单元,用于向预设的飞行器终端发送图像采集指令,以利用使所述飞行器终端控制预设的飞行器上预设的图像采集设备对指定地面进行图像采集处理,以得到地面图像;其中所述指定地面上预先种植有农作物;
行驶指令发送单元,用于向所述指定地面的地下预设的第一轨道车辆终端和第二轨道车辆终端同时发送行驶指令,以使所述第一轨道车辆终端控制所述第一轨道车辆沿预设的第一轨道前行,同时所述第二轨道车辆终端控制所述第二轨道车辆沿预设的第二轨道前行;其中,所述第一轨道车辆和所述第二轨道车辆均往第一方向行驶,所述第一轨道车辆的出发点与所述第二轨道车辆的出发点的连线垂直于所述第一方向;所述第一轨道车辆与所述第二轨道车辆之间的距离与行驶时间呈反比关系;所述第一轨道与所述第二轨道处于同一高度位置,所述第一轨道与所述第二轨道之间埋设有多个光线通道,所述光线通道的光线透过率能够受外界环境的影响而发生变化;
光线发射指令发送单元,用于向所述第一轨道车辆终端发送光线发射指令,以使所述第一轨道车辆终端控制所述第一轨道车辆上预设的光线生成设备分别通过所述多个光线通道向所述第二轨道车辆发送多束光线,并记录多束光线发射时的初始数据;
光线接收指令发送单元,用于向所述第二轨道车辆终端发送光线接收指令,以使所述第二轨道车辆终端控制所述第二轨道车辆上预设的光线传感器获取来自于所述第一轨道车辆并分别通过所述多个光线通道的所述多束光线,并记录多束光线接收时的最终数据;
光线数据获取单元,用于获取所述第一轨道车辆终端和所述第二轨道车辆终端分别发送的多束光线发射时的初始数据和多束光线接收时的最终数据;
预测产量获取单元,用于将所述地面图像、多束光线发射时的初始数据和多束光线接收时的最终数据输入预设的作物产量预测模型中进行处理,从而得到所述作物产量预测模型输出的预测产量;其中,所述作物产量预测模型基于神经网络模型,并利用训练数据训练而成,所述训练数据由已知产量的地区的地面图片、该地区的第一轨道车辆上的光线生成设备发射的光线数据和该地区的第二轨道车辆上的光线传感器接收到的光线数据构成。
其中上述单元分别用于执行的操作与前述实施方式的基于多层级变量分析的作物产量预测方法的步骤一一对应,在此不再赘述。
本申请的基于多层级变量分析的作物产量预测装置,向预设的飞行器终端发送图像采集指令,以得到地面图像;向所述指定地面的地下预设的第一轨道车辆终端和第二轨道车辆终端同时发送行驶指令;其中,所述第一轨道车辆与所述第二轨道车辆之间的距离与行驶时间呈反比关系;所述第一轨道与所述第二轨道之间埋设有多个光线通道,所述光线通道的光线透过率能够受外界环境的影响而发生变化;向所述第一轨道车辆终端发送光线发射指令,并记录多束光线发射时的初始数据;向所述第二轨道车辆终端发送光线接收指令,并记录多束光线接收时的最终数据;将所述地面图像、多束光线发射时的初始数据和多束光线接收时的最终数据输入预设的作物产量预测模型中进行处理,从而得到所述作物产量预测模型输出的预测产量。其中,本申请中的多层级至少包括地上层级和地下层级,即分别对应飞行器采集的地面图像和多束光线发射时的初始数据和多束光线接收时的最终数据,从而提高了作物产量预测的准确性。尤其需要注意的是,在对地下层级的数据采集时,采用了特别的设计,使得最终的数据处理过程耗费的算力减少,有助于整体的预测效率提升。
参照图2,本发明实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于多层级变量分析的作物产量预测方法所用数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于多层级变量分析的作物产量预测方法。
上述处理器执行上述基于多层级变量分析的作物产量预测方法,其中所述方法包括的步骤分别与执行前述实施方式的基于多层级变量分析的作物产量预测方法的步骤一一对应,在此不再赘述。
本领域技术人员可以理解,图中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请的计算机设备,向预设的飞行器终端发送图像采集指令,以得到地面图像;向所述指定地面的地下预设的第一轨道车辆终端和第二轨道车辆终端同时发送行驶指令;其中,所述第一轨道车辆与所述第二轨道车辆之间的距离与行驶时间呈反比关系;所述第一轨道与所述第二轨道之间埋设有多个光线通道,所述光线通道的光线透过率能够受外界环境的影响而发生变化;向所述第一轨道车辆终端发送光线发射指令,并记录多束光线发射时的初始数据;向所述第二轨道车辆终端发送光线接收指令,并记录多束光线接收时的最终数据;将所述地面图像、多束光线发射时的初始数据和多束光线接收时的最终数据输入预设的作物产量预测模型中进行处理,从而得到所述作物产量预测模型输出的预测产量。其中,本申请中的多层级至少包括地上层级和地下层级,即分别对应飞行器采集的地面图像和多束光线发射时的初始数据和多束光线接收时的最终数据,从而提高了作物产量预测的准确性。尤其需要注意的是,在对地下层级的数据采集时,采用了特别的设计,使得最终的数据处理过程耗费的算力减少,有助于整体的预测效率提升。
本申请一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现基于多层级变量分析的作物产量预测方法,其中所述方法包括的步骤分别与执行前述实施方式的基于多层级变量分析的作物产量预测方法的步骤一一对应,在此不再赘述。
本申请的计算机可读存储介质,向预设的飞行器终端发送图像采集指令,以得到地面图像;向所述指定地面的地下预设的第一轨道车辆终端和第二轨道车辆终端同时发送行驶指令;其中,所述第一轨道车辆与所述第二轨道车辆之间的距离与行驶时间呈反比关系;所述第一轨道与所述第二轨道之间埋设有多个光线通道,所述光线通道的光线透过率能够受外界环境的影响而发生变化;向所述第一轨道车辆终端发送光线发射指令,并记录多束光线发射时的初始数据;向所述第二轨道车辆终端发送光线接收指令,并记录多束光线接收时的最终数据;将所述地面图像、多束光线发射时的初始数据和多束光线接收时的最终数据输入预设的作物产量预测模型中进行处理,从而得到所述作物产量预测模型输出的预测产量。其中,本申请中的多层级至少包括地上层级和地下层级,即分别对应飞行器采集的地面图像和多束光线发射时的初始数据和多束光线接收时的最终数据,从而提高了作物产量预测的准确性。尤其需要注意的是,在对地下层级的数据采集时,采用了特别的设计,使得最终的数据处理过程耗费的算力减少,有助于整体的预测效率提升。
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或指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (8)
1.一种基于多层级变量分析的作物产量预测方法,其特征在于,应用于控制终端,包括:
S1、向预设的飞行器终端发送图像采集指令,以利用使所述飞行器终端控制预设的飞行器上预设的图像采集设备对指定地面进行图像采集处理,以得到地面图像;其中所述指定地面上预先种植有农作物;
S2、向所述指定地面的地下预设的第一轨道车辆终端和第二轨道车辆终端同时发送行驶指令,以使所述第一轨道车辆终端控制所述第一轨道车辆沿预设的第一轨道前行,同时所述第二轨道车辆终端控制所述第二轨道车辆沿预设的第二轨道前行;其中,所述第一轨道车辆和所述第二轨道车辆均往第一方向行驶,所述第一轨道车辆的出发点与所述第二轨道车辆的出发点的连线垂直于所述第一方向;所述第一轨道车辆与所述第二轨道车辆之间的距离与行驶时间呈反比关系;所述第一轨道与所述第二轨道处于同一高度位置,所述第一轨道与所述第二轨道之间埋设有多个光线通道,所述光线通道的光线透过率能够受外界环境的影响而发生变化;
S3、向所述第一轨道车辆终端发送光线发射指令,以使所述第一轨道车辆终端控制所述第一轨道车辆上预设的光线生成设备分别通过所述多个光线通道向所述第二轨道车辆发送多束光线,并记录多束光线发射时的初始数据;
S4、向所述第二轨道车辆终端发送光线接收指令,以使所述第二轨道车辆终端控制所述第二轨道车辆上预设的光线传感器获取来自于所述第一轨道车辆并分别通过所述多个光线通道的所述多束光线,并记录多束光线接收时的最终数据;
S5、获取所述第一轨道车辆终端和所述第二轨道车辆终端分别发送的多束光线发射时的初始数据和多束光线接收时的最终数据;
S6、将所述地面图像、多束光线发射时的初始数据和多束光线接收时的最终数据输入预设的作物产量预测模型中进行处理,从而得到所述作物产量预测模型输出的预测产量;其中,所述作物产量预测模型基于神经网络模型,并利用训练数据训练而成,所述训练数据由已知产量的地区的地面图片、该地区的第一轨道车辆上的光线生成设备发射的光线数据和该地区的第二轨道车辆上的光线传感器接收到的光线数据构成。
2.根据权利要求1所述的基于多层级变量分析的作物产量预测方法,其特征在于,所述飞行器为无人机和卫星,所述向预设的飞行器终端发送图像采集指令,以利用使所述飞行器终端控制预设的飞行器上预设的图像采集设备对指定地面进行图像采集处理,以得到地面图像的步骤S1,包括:
S101、向无人机终端发送第一图像采集指令,以利用使所述无人机终端控制无人机上预设的图像采集设备对指定地面进行图像采集处理,以得到第一地面图像;
S102、向卫星终端发送第一图像采集指令,以利用使所述卫星终端控制卫星上预设的图像采集设备对指定地面进行图像采集处理,以得到第二地面图像;
所述作物产量预测模型为第一神经网络架构、第二神经网络架构和第三神经网络架构构成,所述第一神经网络架构和所述第二神经网络架构并联,并且所述第一神经网络架构、所述第二神经网络架构分别与所述第三神经网络架构串联;所述第一神经网络架构由第一卷积神经网络结构、第二卷积神经网络结构和BP神经网络结构构成,所述第一卷积神经网络结构和第二卷积神经网络结构并联,并且所述第一卷积神经网络结构、第二卷积神经网络结构分别与所述BP神经网络结构串联;
所述将所述地面图像、多束光线发射时的初始数据和多束光线接收时的最终数据输入预设的作物产量预测模型中进行处理,从而得到所述作物产量预测模型输出的预测产量的步骤S6,包括:
S601、将所述第一地面图像输入所述第一卷积神经网络结构中,以利用所述第一卷积神经网络结构中的卷积层、池化层和全连接层,将所述第一地面图像处理为第一一维特征向量;
S602、将所述第二地面图像输入所述第二卷积神经网络结构中,以利用所述第二卷积神经网络结构中的卷积层、池化层和全连接层,将所述第二地面图像处理为第二一维特征向量;
S603、根据所述第一一维特征向量和所述第二一维特征向量,生成二维关系矩阵;
S604、对所述二维关系矩阵进行矩阵维度变换与特征筛选处理,再输入所述BP神经网络结构中,从而得到所述BP神经网络结构输出的第一预测产量;
S605、将所述多束光线发射时的初始数据和多束光线接收时的最终数据输入所述第二神经网络架构中,从而得到所述第二神经网络架构输出的第二预测产量;
S606、将所述第一预测产量和所述第二预测产量输入所述第三神经网络架构中,从而得到所述第三神经网络架构根据权重分配输出的最终预测产量。
3.根据权利要求1所述的基于多层级变量分析的作物产量预测方法,其特征在于,所述光线通道的主体为玻璃管,所述玻璃管设置有多个空腔和多个毛细小孔,所述毛细小孔位于空腔与土壤间,所述空腔内填充有固体PH值指示材料,所述固体PH值指示材料在预设酸性环境中呈第一颜色,而在其他环境中呈其他颜色;所述向所述第一轨道车辆终端发送光线发射指令,以使所述第一轨道车辆终端控制所述第一轨道车辆上预设的光线生成设备分别通过所述多个光线通道向所述第二轨道车辆发送多束光线,并记录多束光线发射时的初始数据的步骤S3,包括:
S301、向所述第一轨道车辆终端发送光线发射指令,以使所述第一轨道车辆终端控制所述第一轨道车辆上预设的光线生成设备分别通过所述多个光线通道向所述第二轨道车辆发送多束光线,所述多束光线均为第一颜色的可见光,并记录多束光线发射时的初始数据;
所述向所述第二轨道车辆终端发送光线接收指令,以使所述第二轨道车辆终端控制所述第二轨道车辆上预设的光线传感器获取来自于所述第一轨道车辆并分别通过所述多个光线通道的所述多束光线,并记录多束光线接收时的最终数据的步骤S4,包括:
S401、向所述第二轨道车辆终端发送光线接收指令,以使所述第二轨道车辆终端控制所述第二轨道车辆上预设的光线传感器获取来自于所述第一轨道车辆并分别通过所述多个光线通道的所述多束光线,所述光线传感器为只能感受第一颜色的可见光的传感器,并记录多束光线接收时的最终数据。
4.根据权利要求3所述的基于多层级变量分析的作物产量预测方法,其特征在于,所述指定地面的地下预设有n个轨道,第一个轨道上只设置有一号轨道车辆,除第一个轨道之外的所有轨道均设置有一号轨道车辆和二号轨道车辆,一号轨道车辆上设置有光线生成设备,二号轨道车辆上设置有光线传感器;所有的轨道车辆均只能往第一方向行驶,所有的轨道车辆的出发点的连线均垂直于所述第一方向;若轨道上的车辆以相同的速度行驶,则任意一个轨道上的车辆与另一个轨道上的车辆之间的距离与行驶时间呈反比关系;所有轨道处于同一高度位置;相邻的轨道之间埋设有多个光线通道,所述光线通道的光线透过率能够受外界环境的影响而发生变化,n为大于2的整数;
所述将所述地面图像、多束光线发射时的初始数据和多束光线接收时的最终数据输入预设的作物产量预测模型中进行处理,从而得到所述作物产量预测模型输出的预测产量的步骤S6,包括:
S611、向所有的轨道车辆对应的终端均发送启动指令,以使所有的轨道车辆均沿对应的轨道行驶,并使一号轨道车辆分别通过多个光线通道向下一个轨道的二号轨道车辆发射呈第一颜色的多束光线,从而二号轨道车辆能够通过光线传感器感测信号;其中每一个一号轨道车辆发射的光线的参数不变,但是不同轨道上的一号轨道车辆发射的光线的参数不同;
S612、向所有的二号轨道车辆对应的终端均发送车辆停止指令,以要求满足指定要求的二号轨道车辆停下;其中所述指定要求指,当二号轨道车辆检测到信号强度大于预设的强度阈值时,则所述检测到信号强度大于预设的强度阈值的二号轨道车辆满足要求;
S613、当所有的二号轨道车辆均停下时,获取所有的二号轨道车辆的定位位置,以根据所有的二号轨道车辆的定位位置生成位点图;
S614、将所述地面图像和所述位点图输入预设的作物产量预测模型中进行处理,从而得到所述作物产量预测模型输出的预测产量。
5.根据权利要求4所述的基于多层级变量分析的作物产量预测方法,其特征在于,所述作物产量预测模型基于单一的卷积神经网络模型训练而成;所述将所述地面图像和所述位点图输入预设的作物产量预测模型中进行处理,从而得到所述作物产量预测模型输出的预测产量的步骤S604之前,包括:
S6031、获取预收集的多个样本集,其中每个样本集均由与一个种植有农作物的地面对应的综合图像以及与所述综合图像对应的产量标签构成,所述综合图像为与该种植有农作物的地面对应训练用地面图像和训练用位点图拼接而成;
S6032、将所述多个样本集根据预设比例划分为训练集和验证集,并调用预设的单一的卷积神经网络模型;
S6033、将所述训练集输入所述卷积神经网络模型中进行训练,从而得到中间卷积神经网络模型;
S6034、利用所述验证集对所述中间卷积神经网络模型,以得到验证结果,并判断验证结果是否为通过;
S6035、若验证结果为通过,则将所述中间卷积神经网络模型记为作物产量预测模型。
6.一种基于多层级变量分析的作物产量预测装置,其特征在于,应用于控制终端,包括:
图像采集指令发送单元,用于向预设的飞行器终端发送图像采集指令,以利用使所述飞行器终端控制预设的飞行器上预设的图像采集设备对指定地面进行图像采集处理,以得到地面图像;其中所述指定地面上预先种植有农作物;
行驶指令发送单元,用于向所述指定地面的地下预设的第一轨道车辆终端和第二轨道车辆终端同时发送行驶指令,以使所述第一轨道车辆终端控制所述第一轨道车辆沿预设的第一轨道前行,同时所述第二轨道车辆终端控制所述第二轨道车辆沿预设的第二轨道前行;其中,所述第一轨道车辆和所述第二轨道车辆均往第一方向行驶,所述第一轨道车辆的出发点与所述第二轨道车辆的出发点的连线垂直于所述第一方向;所述第一轨道车辆与所述第二轨道车辆之间的距离与行驶时间呈反比关系;所述第一轨道与所述第二轨道处于同一高度位置,所述第一轨道与所述第二轨道之间埋设有多个光线通道,所述光线通道的光线透过率能够受外界环境的影响而发生变化;
光线发射指令发送单元,用于向所述第一轨道车辆终端发送光线发射指令,以使所述第一轨道车辆终端控制所述第一轨道车辆上预设的光线生成设备分别通过所述多个光线通道向所述第二轨道车辆发送多束光线,并记录多束光线发射时的初始数据;
光线接收指令发送单元,用于向所述第二轨道车辆终端发送光线接收指令,以使所述第二轨道车辆终端控制所述第二轨道车辆上预设的光线传感器获取来自于所述第一轨道车辆并分别通过所述多个光线通道的所述多束光线,并记录多束光线接收时的最终数据;
光线数据获取单元,用于获取所述第一轨道车辆终端和所述第二轨道车辆终端分别发送的多束光线发射时的初始数据和多束光线接收时的最终数据;
预测产量获取单元,用于将所述地面图像、多束光线发射时的初始数据和多束光线接收时的最终数据输入预设的作物产量预测模型中进行处理,从而得到所述作物产量预测模型输出的预测产量;其中,所述作物产量预测模型基于神经网络模型,并利用训练数据训练而成,所述训练数据由已知产量的地区的地面图片、该地区的第一轨道车辆上的光线生成设备发射的光线数据和该地区的第二轨道车辆上的光线传感器接收到的光线数据构成。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010640967.1A CN111932388B (zh) | 2020-07-06 | 2020-07-06 | 基于多层级变量分析的作物产量预测方法和装置 |
US17/191,511 US11232563B1 (en) | 2020-07-06 | 2021-03-03 | Crop yield prediction method and device based on multi-level variable analysis |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010640967.1A CN111932388B (zh) | 2020-07-06 | 2020-07-06 | 基于多层级变量分析的作物产量预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111932388A CN111932388A (zh) | 2020-11-13 |
CN111932388B true CN111932388B (zh) | 2021-07-16 |
Family
ID=73312527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010640967.1A Active CN111932388B (zh) | 2020-07-06 | 2020-07-06 | 基于多层级变量分析的作物产量预测方法和装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11232563B1 (zh) |
CN (1) | CN111932388B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705937B (zh) * | 2021-10-27 | 2022-01-14 | 武汉大学 | 一种联合机器视觉与作物模型的农田估产方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109813852A (zh) * | 2019-03-08 | 2019-05-28 | 山东农业大学 | 一种田间小麦高通量表型信息获取装置及其控制方法 |
CN110210408A (zh) * | 2019-06-04 | 2019-09-06 | 黑龙江省七星农场 | 基于卫星与无人机遥感结合的作物生长预测系统及方法 |
CN110222903A (zh) * | 2019-06-13 | 2019-09-10 | 苏州市农业科学院 | 一种基于无人机遥感的水稻产量预测方法及系统 |
CN111008733A (zh) * | 2019-11-25 | 2020-04-14 | 华南农业大学 | 一种作物生长管控方法和系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013069059A1 (en) * | 2011-11-09 | 2013-05-16 | Feugier Francois Gabriel | Pest control system, pest control method and pest control program |
US11263707B2 (en) * | 2017-08-08 | 2022-03-01 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
-
2020
- 2020-07-06 CN CN202010640967.1A patent/CN111932388B/zh active Active
-
2021
- 2021-03-03 US US17/191,511 patent/US11232563B1/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109813852A (zh) * | 2019-03-08 | 2019-05-28 | 山东农业大学 | 一种田间小麦高通量表型信息获取装置及其控制方法 |
CN110210408A (zh) * | 2019-06-04 | 2019-09-06 | 黑龙江省七星农场 | 基于卫星与无人机遥感结合的作物生长预测系统及方法 |
CN110222903A (zh) * | 2019-06-13 | 2019-09-10 | 苏州市农业科学院 | 一种基于无人机遥感的水稻产量预测方法及系统 |
CN111008733A (zh) * | 2019-11-25 | 2020-04-14 | 华南农业大学 | 一种作物生长管控方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
US11232563B1 (en) | 2022-01-25 |
CN111932388A (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101951595B1 (ko) | 모듈형 순환 신경망 구조 기반 차량 경로 예측 시스템 및 방법 | |
Michelmore et al. | Uncertainty quantification with statistical guarantees in end-to-end autonomous driving control | |
US10146225B2 (en) | Systems and methods for vehicle dimension prediction | |
JP6913723B2 (ja) | 車両制御パラメータのキャリブレーション方法、装置、車載コントローラ及び無人車両 | |
EP3392809A1 (en) | Quantum computing machine learning module | |
CN111142557B (zh) | 无人机路径规划方法、系统、计算机设备及可读存储介质 | |
EP3340130A1 (en) | Method for prediction of soil and/or plant condition | |
US20220067231A1 (en) | Method and system for automatically calculating artificial intelligence-based design wind speed | |
US10860022B2 (en) | Method and apparatus for automatical rule learning for autonomous driving | |
CN110244701A (zh) | 用于基于自动生成的课程序列的自主车辆的强化学习的方法和装置 | |
CN104640770A (zh) | 森林管理系统 | |
CN109902865B (zh) | 人流量安全性的识别方法、装置、计算机设备和存储介质 | |
Groh et al. | Simulation and its contribution to evaluate highly automated driving functions | |
Wagner et al. | Towards cross-verification and use of simulation in the assessment of automated driving | |
CN111932388B (zh) | 基于多层级变量分析的作物产量预测方法和装置 | |
US11297820B1 (en) | Multilevel cooperation-based unmanned aerial vehicle spraying operation method and device | |
CN110936959B (zh) | 车辆感知系统在线诊断和预测 | |
EP3690400A1 (en) | Method and device for ego-vehicle localization to update hd map by using v2x information fusion | |
CN114137948A (zh) | 编队车辆行驶方法、装置、计算机设备和存储介质 | |
US20210397198A1 (en) | Enhanced vehicle operation | |
Uzkent et al. | Feature matching and adaptive prediction models in an object tracking DDDAS | |
KR20230137439A (ko) | 군집 궤적 위치의 정확도를 평가하기 위한 컴퓨터 구현 방법 | |
CN114819135A (zh) | 检测模型的训练方法、目标检测方法、装置和存储介质 | |
WO2021190840A1 (de) | Verfahren zur bewertung von streckenabschnitten | |
CN110097077B (zh) | 点云数据分类方法、装置、计算机设备和存储介质 |
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 |