CN112286263A - 一种农作物的调控方法、装置、系统及通信设备 - Google Patents

Abstract

本发明提供一种农作物的调控方法、装置、系统及通信设备，该农作物的调控方法包括：获取目标农作物的待识别图像；将所述待识别图像输入到预设的农作物识别模型中，得到表示所述目标农作物是否受到病虫害的识别结果；所述预设的农作物识别模型是利用选取的目标农作物数据集训练得到；将所述识别结果发送至第二通信设备，以由所述第二通信设备根据所述识别结果以及获取的气象数据和环境数据，确定对所述目标农作物的种植进行调控的控制策略。本发明的实施例，可以实现智能地对农作物病虫害进行识别和控制，从而相比于现有依靠人工检测农作物病虫害的方式，有助于及时发现病虫害。

Description

一种农作物的调控方法、装置、系统及通信设备

技术领域

本发明涉及通信技术领域，尤其涉及一种农作物的调控方法、装置、系统及通信设备。

背景技术

农作物病虫害是制约农业增产增收的重要因素。目前在农作物病虫害检测方面，主要是依靠人工检测，即农业技术人员深入田间地头对农作物生产情况进行现场勘查，现场检测农作物是否发生病害及病害种类。然而，这种依靠人工检测农作物病虫害的方式，由于病虫害通常需在肉眼可见的情况下才可能被发现，因此不利于农作物病虫害在发生的早期及时被发现，并采取针对性的防治措施。

发明内容

本发明实施例提供一种农作物的调控方法、装置、系统及通信设备，以解决现有依靠人工检测农作物病虫害的方式不利于及时发现病虫害的问题。

为了解决上述技术问题，本发明是这样实现的：

第一方面，本发明实施例提供了一种农作物的调控方法，应用于第一通信设备，包括：

获取目标农作物的待识别图像；

将所述待识别图像输入到预设的农作物识别模型中，得到表示所述目标农作物是否受到病虫害的识别结果；其中，所述预设的农作物识别模型是利用选取的目标农作物数据集训练得到；

将所述识别结果发送至第二通信设备，以由所述第二通信设备根据所述识别结果以及获取的气象数据和环境数据，确定对所述目标农作物的种植进行调控的控制策略。

第二方面，本发明实施例提供了一种农作物的调控方法，应用于第二通信设备，包括：

接收第一通信设备发送的识别结果，其中，所述识别结果是所述第一通信设备将目标农作物的待识别图像输入到预设的农作物识别模型中得到的，所述预设的农作物识别模型是利用选取的目标农作物数据集训练得到，所述识别结果表示所述目标农作物是否受到病虫害；

从多个采集组件中获取所述目标农作物的环境数据；

获取所述目标农作物所在区域的未来气象数据；

根据所述识别结果、所述目标农作物的环境数据以及所述未来气象数据，确定对所述目标农作物的种植进行调控的控制策略。

第三方面，本发明实施例提供了一种农作物的调控装置，应用于第一通信设备，包括：

第一获取模块，用于获取目标农作物的待识别图像；

识别模块，用于将所述待识别图像输入到预设的农作物识别模型中，得到表示所述目标农作物是否受到病虫害的识别结果；其中，所述预设的农作物识别模型是利用选取的目标农作物数据集训练得到；

第一发送模块，用于将所述识别结果发送至第二通信设备，以由所述第二通信设备根据所述识别结果以及获取的气象数据和环境数据，确定对所述目标农作物的种植进行调控的控制策略。

第四方面，本发明实施例提供了一种农作物的调控装置，应用于第二通信设备，包括：

第一接收模块，用于接收第一通信设备发送的识别结果，其中，所述识别结果是所述第一通信设备将目标农作物的待识别图像输入到预设的农作物识别模型中得到的，所述预设的农作物识别模型是利用选取的目标农作物数据集训练得到，所述识别结果表示所述目标农作物是否受到病虫害；

第二获取模块，用于从多个采集组件中获取所述目标农作物的环境数据；

第三获取模块，用于获取所述目标农作物所在区域的未来气象数据；

确定模块，用于根据所述识别结果、所述目标农作物的环境数据以及所述未来气象数据，确定对所述目标农作物的种植进行调控的控制策略。

第五方面，本发明实施例提供了一种农作物的调控系统，包括：多个采集组件、第一通信设备、第二通信设备和第三通信设备；

其中，多个所述采集组件分别与所述第二通信设备连接，用于采集目标农作物的环境数据；和将所述目标农作物的环境数据发送至所述第二通信设备；

所述第一通信设备与所述第二通信设备连接，用于获取所述目标农作物的待识别图像；将所述待识别图像输入到预设的农作物识别模型中，得到表示所述目标农作物是否受到病虫害的识别结果，所述预设的农作物识别模型是利用选取的目标农作物数据集训练得到；和将所述识别结果发送至所述第二通信设备；

所述第二通信设备与所述第三通信设备连接，用于接收所述第一通信设备发送的所述识别结果；从多个所述采集组件中获取所述目标农作物的环境数据；获取所述目标农作物所在区域的未来气象数据；根据所述识别结果、所述目标农作物的环境数据以及所述未来气象数据，确定对所述目标农作物的种植进行调控的控制策略；和将所述控制策略发送给所述第三通信设备；

所述第三通信设备用于根据所述控制策略，对所述目标农作物的种植进行调控。

第六方面，本发明实施例提供了一种通信设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述计算机程序被所述处理器执行时可实现上述农作物的调控方法的步骤。

第七方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时可实现上述农作物的调控方法的步骤。

本发明实施例中，可以由第一通信设备借助预设的农作物识别模型对目标农作物进行识别，并由第二通信设备根据识别结果以及获取的气象数据和环境数据，确定对目标农作物的种植进行调控的控制策略，从而实现智能地对农作物病虫害进行识别和控制，从而相比于现有依靠人工检测农作物病虫害的方式，有助于及时发现病虫害。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的农作物的调控系统的结构示意图；

图2为本发明实施例中inception(3a)的结构示意图；

图3为本发明实施例中迁移学习模型的训练示意图；

图4A和图4B为本发明具体实例中识别结果的示意图；

图5为本发明具体实例的调控系统的结构示意图；

图6为本发明实施例的农作物的调控方法的流程图之一；

图7为本发明实施例的农作物的调控方法的流程图之二；

图8为本发明实施例的农作物的调控装置的结构示意图之一；

图9为本发明实施例的农作物的调控装置的结构示意图之二；

图10为本发明实施例的通信设备的结构示意图。

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。

为了便于理解本发明实施例，首先对本发明实施例中的农作物的调控系统进行说明。

请参见图1，图1是本发明实施例提供的一种农作物的调控系统的结构示意图，如图1所示，该农作物的调控系统至少可包括：多个采集组件11、第一通信设备12、第二通信设备13和第三通信设备14。

其中，多个采集组件11分别与第二通信设备13连接，用于采集目标农作物的环境数据；和将该目标农作物的环境数据发送至第二通信设备13。

第一通信设备12与第二通信设备13连接，用于获取目标农作物的待识别图像；将待识别图像输入到预设的农作物识别模型中，得到表示目标农作物是否受到病虫害的识别结果，所述预设的农作物识别模型是利用选取的目标农作物数据集训练得到；和将该识别结果发送至第二通信设备13。此外，第一通信设备12在将识别结果发送至第二通信设备13之前，还可判断该识别结果是否表示目标农作物受到病虫害，并当该识别结果表示目标农作物受到病虫害时，将该识别结果发送至第二通信设备13。

第二通信设备13与第三通信设备14连接，用于接收第一通信设备12发送的识别结果；从多个采集组件11中获取目标农作物的环境数据；获取目标农作物所在区域的未来气象数据；根据识别结果、所述目标农作物的环境数据以及未来气象数据，确定对目标农作物的种植进行调控的控制策略；和将所述控制策略发送给第三通信设备14；

第三通信设备14用于根据所述控制策略，对目标农作物的种植进行调控。

这样，本发明实施例中，可以由第一通信设备借助预设的农作物识别模型对目标农作物进行识别，并由第二通信设备根据识别结果以及获取的气象数据和环境数据，确定对目标农作物的种植进行调控的控制策略，从而实现智能地对农作物病虫害进行识别和控制，从而相比于现有依靠人工检测农作物病虫害的方式，有助于及时发现病虫害。并且，通过根据识别结果以及获取的气象数据和环境数据来确定相应的控制策略，可以综合农作物生长状况、生长环境和未来气象数据及其全空间分布，实现对农作物种植进行精细调控。

需说明的是，可选的，上述的用于采集目标农作物的环境数据的采集组件11可选为但不限于空气温度传感器、空气湿度传感器、土壤温度传感器、土壤湿度传感器、光照传感器等等。而对应采集的环境数据可包括但不限于以下至少一项：光照、土壤湿度、空气温度、土壤温度、空气湿度等。

进一步的，考虑到不同环境参数对农作物的影响程度不同，且变化程度也不同，因此当利用不同采集组件即传感器对相应环境参数进行数据采集时，可以根据相应环境参数的变化周期和重要程度，以预设频率进行差异化采集。即变化周期快，则提高采集频率，且变化周期慢，则降低采集频率；同时重要程度高，则提高采集频率，且重要程度低，则降低采集频率。比如，按照变化周期快慢排序：光照>空气温度>土壤温度>空气湿度>土壤湿度，按照重要程度排序：光照>土壤湿度>空气温度>土壤温度>空气湿度，则，综合这两种排序结果，可以采用如下采集方式：光照强度每半小时采集一次，空气温度、土壤温度和空气湿度每一小时采集一次，土壤湿度每半天采集一次。这样通过差异化地采集环境变量，可以降低系统能耗。

此外，由于异常的环境数据通常才会引起对农作物的调控，因此为了准确确定控制策略以及节省资源，在采集组件11和第二通信设备13之间可以设置分布式处理器，该分布式处理器用于接收采集组件11采集的环境数据，对该环境数据进行判断，并在判断出该环境数据出现异常(比如高于或者低于某预设阈值)的情况下，将该环境数据发送至第二通信设备13，以由第二通信设备13进行分析。可理解的，为了对环境数据进行判断，该分布式处理器中可预先设定控制语句和环境阈值，高于或者低于该环境阈值立即触发对相应环境数据的上报。

本发明实施例中，上述的第一通信设备12可选为边缘处理设备，比如低配置的边缘处理器，或者自带摄像设备的智能终端。若第一通信设备12选为边缘处理器，则可以从专门的摄像组件中获取其采集的目标农作物的待识别图像；而若第一通信设备12选为自带摄像设备的智能终端，则可以从自带摄像设备中获取其采集的目标农作物的待识别图像。这样，借助边缘处理设备来对目标农作物图像进行本地识别，相比于通过中央处理设备进行远程识别，可以减少图像传输所带来的不稳定性，降低消耗和避免识别延迟。

上述的第二通信设备13可选为中央处理设备，比如中央处理器，可以用于部署复杂控制策略。上述的第三通信设备14可选为边缘执行设备，该边缘执行设备也可称为局部处理器、边缘处理器或者分布式处理器，可以用于部署简单控制策略。这样，借助第二通信设备13和第三通信设备14的布局设置，可以实现多级控制方式，从而增大响应速度和实时性，降低消耗。

可选的，上述预设的农作物识别模型预先存储于第一通信设备中，可以是基于迁移学习，对利用采集的全农作物数据集训练得到的深度学习模型进行处理，得到的迁移学习模型。这样，可以得到精简的仅与目标农作物相关的识别模型，从而降低第一通信设备的计算量和存储量，提升计算效率和可靠性。

一种实施方式中，获得上述农作物识别模型的过程可为：

(1)利用采集的全农作物数据集，训练得到经典的深度学习模型；该深度学习模型可以识别多种农作物的健康状况，确定病害类型或昆虫种类。

(2)基于Teacher-Student迁移学习方法，从上述深度学习模型中提取一个轻量高效的深度学习模型，即迁移学习模型，该迁移学习模型可以识别目标农作物的健康状况，确定病害类型或昆虫种类。

在上述(1)中，可以首先采集多种农作物在不同病害下的症候图像；其中为了提高模型识别准确度，采集图像时可使用黑色作为背景色，并统一采集到的图像尺寸为256x256。其次，将所采集的图像打好类别标签后，分为训练数据集与验证数据集；其中训练数据集与验证数据集的样本数量比可选在10:1左右，另外如果所采集的图像样本量不大，可以采用图像翻转或者镜像反转的方式增加训练样本数量。然后，利用得到的训练数据集与验证数据集进行模型训练。其中为了提高模型识别准确度，在模型训练前，可以计算训练数据集中所有图像的红(R)、绿(G)、蓝(B)三种颜色在各个像素上的均值，将训练数据集和验证数据集中所有图像对应像素位置减去上述三个均值，并利用处理后的图像数据作为训练模型的数据输入。

可选的，本实施例中经典的深度学习模型可以采用神经网络GoogLeNet，结构如下表1所示：

表1

上述表1中，C表示训练数据集中病害类别个数。

对于inception这一系列的卷积层，下面以inception(3a)为例简要说明。请参见图2，图2为本发明实施例中inception(3a)的结构示意图。如图2所示，其中的框1(1X1卷积，即1X1 convolutions)内的各尺寸的卷积核个数对于表1中的#1X1相应的个数，框2(3X3卷积，即3X3 convolutions)内的各尺寸的卷积核个数对于表1中的#3X3相应的个数，框3(5X5卷积，即5X5 convolutions)内的各尺寸的卷积核个数对于表1中的#5X5相应的个数，框4、框5和框6内的卷积核尺寸均为1X1，框7对应表1中的3X3最大池化(3X3max pooling)，框8对应上一层(Previous layer)，框9对应Filter concatenation。

一种实施方式中，本实施例在训练经典的深度学习模型时，可以采用随机梯度下降来进行模型优化，学习率设定为0.0005，最大迭代次数设定为40万次，每1万次学习率衰减。在迭代结束后可以得到高准确率的农作物病害识别深度神经网络。

在上述(2)中，如图3所示，可以以训练好的经典深度学习模型为老师模型，基于迁移学习训练一个轻量级的学生模型(迁移学习模型)。经典深度学习模型是利用全农作物数据集训练得到，更全面学习到不同农作物同类疾病、同一昆虫等知识。在训练学生模型时，可首先从全农作物数据集中筛选出目标农作物的图像，构成目标农作物数据集；然后利用训练好的经典深度学习模型，对目标农作物数据集中的图像计算分类结果，提取分类结果前最后一层输出，即softmax层的输出向量作为学生模型的软标签(soft label)，与目标农作物训练集标签(label)一起训练精简的学生模型。此与经典深度学习模型训练方法区别在于，损失函数中增加一项，即老师模型softmax层输出和学生模型softmax层输出的交叉熵。这样由于学生模型采用更少层数及更少通道数，可以降低模型参数量及计算量至终端可运行范围，同时在受限的计算性能下，计算效率显著提高。

一种实施方式中，以目标农作物为苹果树叶子为例，利用迁移学习模型得到的识别结果可以如图4A和图4B所示，其中图4A表示病态叶子1，受到苹果锈病，图4B表示健康苹果树叶子。

由于农作物生长受自然条件影响很大，仅根据土地条件做出的决策可能会与气象条件造成冲突，例如施肥、浇水等措施要避开降雨，补光量根据一段时间可获得的光照条件而定，因此，本实施例中的第二通信设备13在确定农作物的控制策略时，可以结合目标农作物所在区域的未来气象数据，从而使得调节效果最大化，降低调节成本。

可选的，为了获取目标农作物所在区域的未来气象数据，第二通信设备13可以气象台官方网络连接，以便于获取未来气象数据，及时调整治理措施。该未来气象数据比如可选为7至15天的气象预报数据。该未来气象数据可以包括但不限于温度、湿度、风力、降水、气体浓度等。而获取未来气象数据的频率可以与气象台公布数据更新频率一致，每半小时对数据进行刷新，也可以基于实际需求来设定。

可选的，第二通信设备13在根据接收到的识别结果、目标农作物的环境数据以及未来气象数据确定控制策略时，可以基于存储的预设规则确定，该预设规则可以基于人工经验设定；也可以依据农业知识库确定，即依据农业知识库对整合的数据进行分析决策，在农业知识库中搜索相应的处理方案。由于病虫害治理较为复杂，诱因较多，因此相比于基于预设规则确定控制策略，依据农业知识库可以更精细准确地确定控制策略，在不同的生长环境下实现农作物精细化管理。此外，第二通信设备13还可包括显示单元，用于显示天气分析、田间气象、异常警报、执行措施等等。

一种实施方式中，上述的第三通信设备14可选为边缘执行设备。该边缘执行设备接收到的控制策略可以是以控制指令或控制阈值(比如环境变量阈值)的形式下发，下发的频率可以依据实际需求设定，比如每2小时一次。而依据控制策略，该边缘执行设备需做出相应响应。

例如，请参见图5，图5为本发明具体实例的调控系统的结构示意图。如图5所示，该调控系统可以包括中央处理器51、第一分布式处理器52、第二分布式处理器53、传感器54、执行器件55和边缘处理设备56。其中，该传感器54可选为多个不同的传感器，用于采集环境数据，比如分别采集空气湿度、空气温度、土壤湿度、土壤温度及光照强度等。该第一分布式处理器52与传感器54连接，用于从传感器54接收环境数据，判断环境数据是否满足阈值条件，并将满足阈值条件的环境数据发送至中央处理器51。该边缘处理设备56用于接收摄像头实时采集的目标农作物的图像，对接收到的图像进行识别，并将识别结果(比如病害结果)发送至中央处理器51。该边缘处理设备56可选包括Jetson TX2模块，具有端侧识别、能耗受限等特性；而由于能耗受限，可利用上述的迁移学习模型进行图像识别。该中央处理器51分别与第一分布式处理器52、第二分布式处理器53和边缘处理设备54连接，用于获取未来气象数据(比如从天气API获取)，并根据接收的识别结果和环境数据以及获取的未来气象数据，在农业知识库中搜索相应的控制策略或阈值。该中央处理器51可以选用主控芯片Arduino，具有低唤醒、小数据传输等特性。该中央处理器51可以包括显示单元，用于显示天气分析、田间气象、异常警报、执行措施等等。该农业知识库可选用云端知识库，具有大容量、动态扩展等特性。该第二分布式处理器53与执行器件55连接，用于接收中央处理器51下发的控制策略或阈值，以实现局部控制农作物病害区域，并依据控制策略或阈值发送控制命令给执行器件55，以使执行器件55有选择地浇水、喷洒、通风、补光等。该第二分布式处理器53可以选用主控芯片Arduino，具有低功耗、多接口等特性。该执行器件55可选为多个不同的执行器件，以执行不同的调控，比如分别执行浇水、喷洒、通风、补光等调控。

请参见图6，图6是本发明实施例提供的一种农作物的调控方法的流程图，该方法应用于上述的第一通信设备，如图6所示，该方法包括如下步骤：

步骤601：获取目标农作物的待识别图像。

步骤602：将所述待识别图像输入到预设的农作物识别模型中，得到表示所述目标农作物是否受到病虫害的识别结果。

本实施例中，所述预设的农作物识别模型是利用选取的目标农作物数据集训练得到。

步骤603：将所述识别结果发送至第二通信设备，以由所述第二通信设备根据所述识别结果以及获取的气象数据和环境数据，确定对所述目标农作物的种植进行调控的控制策略。

本发明实施例中，可以由第一通信设备借助预设的农作物识别模型对目标农作物进行识别，并由第二通信设备根据识别结果以及获取的气象数据和环境数据，确定对目标农作物的种植进行调控的控制策略，从而实现智能地对农作物病虫害进行识别和控制，从而相比于现有依靠人工检测农作物病虫害的方式，有助于及时发现病虫害。

可选的，所述第一通信设备为边缘处理设备，所述第二通信设备为中央处理设备。

可选的，所述预设的农作物识别模型是基于迁移学习，对利用采集的全农作物数据集训练得到的深度学习模型进行处理，得到的迁移学习模型。需说明的是，此得到迁移学习模型的过程可以参见上述图1实施例中所示内容所述，为避免重复，在此不再赘述。

可选的，上述步骤603可包括：

判断所述识别结果是否表示所述目标农作物受到病虫害；

当所述识别结果表示所述目标农作物受到病虫害时，将所述识别结果发送至所述第二通信设备。

请参见图7，图7是本发明实施例提供的一种农作物的调控方法的流程图，该方法应用于上述的第二通信设备，如图7所示，该方法包括如下步骤：

步骤701：接收第一通信设备发送的识别结果。

本实施例中，所述识别结果是所述第一通信设备将目标农作物的待识别图像输入到预设的农作物识别模型中得到的，所述预设的农作物识别模型是利用选取的目标农作物数据集训练得到，所述识别结果表示所述目标农作物是否受到病虫害。

步骤702：从多个采集组件中获取目标农作物的环境数据。

步骤703：获取所述目标农作物所在区域的未来气象数据。

步骤704：根据所述识别结果、所述目标农作物的环境数据以及所述未来气象数据，确定对所述目标农作物的种植进行调控的控制策略。

本发明实施例中，可以由第一通信设备借助预设的农作物识别模型对目标农作物进行识别，并由第二通信设备根据识别结果以及获取的气象数据和环境数据，确定对目标农作物的种植进行调控的控制策略，从而实现智能地对农作物病虫害进行识别和控制，从而相比于现有依靠人工检测农作物病虫害的方式，有助于及时发现病虫害。

可选的，上述步骤704之后，所述方法还包括：

将所述控制策略发送给第三通信设备，以由所述第三通信设备根据所述控制策略，对所述目标农作物的种植进行调控。

可选的，所述目标农作物的环境数据是由所述多个采集组件根据相应环境参数的变化周期和重要程度，以预设频率进行差异性采集得到。

请参见图8，图8是本发明实施例提供的一种农作物的调控装置的结构示意图，应用于上述的第一通信设备，如图8所示，该调控装置80包括：

第一获取模块81，用于获取目标农作物的待识别图像；

识别模块82，用于将所述待识别图像输入到预设的农作物识别模型中，得到表示所述目标农作物是否受到病虫害的识别结果；其中，所述预设的农作物识别模型是利用选取的目标农作物数据集训练得到；

第一发送模块83，用于将所述识别结果发送至第二通信设备，以由所述第二通信设备根据所述识别结果以及获取的气象数据和环境数据，确定对所述目标农作物的种植进行调控的控制策略。

本发明实施例中，可以由第一通信设备借助预设的农作物识别模型对目标农作物进行识别，并由第二通信设备根据识别结果以及获取的气象数据和环境数据，确定对目标农作物的种植进行调控的控制策略，从而实现智能地对农作物病虫害进行识别和控制，从而相比于现有依靠人工检测农作物病虫害的方式，有助于及时发现病虫害。

可选的，所述第一通信设备为边缘处理设备，所述第二通信设备为中央处理设备。

可选的，所述预设的农作物识别模型是基于迁移学习，对利用采集的全农作物数据集训练得到的深度学习模型进行处理，得到的迁移学习模型。需说明的是，此得到迁移学习模型的过程可以参见上述图1实施例中所示内容所述，为避免重复，在此不再赘述。

可选的，第一发送模块83可包括：

判断单元，用于判断所述识别结果是否表示所述目标农作物受到病虫害；

发送单元，用于当所述识别结果表示所述目标农作物受到病虫害时，将所述识别结果发送至所述第二通信设备。

请参见图9，图9是本发明实施例提供的一种农作物的调控装置的结构示意图，应用于上述的第二通信设备，如图9所示，该调控装置90包括：

接收模块91，用于接收第一通信设备发送的识别结果，其中，所述识别结果是所述第一通信设备将目标农作物的待识别图像输入到预设的农作物识别模型中得到的，所述预设的农作物识别模型是利用选取的目标农作物数据集训练得到，所述识别结果表示所述目标农作物是否受到病虫害；

第二获取模块92，用于从多个采集组件中获取所述目标农作物的环境数据；

第三获取模块93，用于获取所述目标农作物所在区域的未来气象数据；

确定模块94，用于根据所述识别结果、所述目标农作物的环境数据以及所述未来气象数据，确定对所述目标农作物的种植进行调控的控制策略。

本发明实施例中，可以由第一通信设备借助预设的农作物识别模型对目标农作物进行识别，并由第二通信设备根据识别结果以及获取的气象数据和环境数据，确定对目标农作物的种植进行调控的控制策略，从而实现智能地对农作物病虫害进行识别和控制，从而相比于现有依靠人工检测农作物病虫害的方式，有助于及时发现病虫害。

可选的，该调控装置90还包括：

第二发送模块，用于将所述控制策略发送给第三通信设备，以由所述第三通信设备根据所述控制策略，对所述目标农作物的种植进行调控。

可选的，所述目标农作物的环境数据是由所述多个采集组件根据相应环境参数的变化周期和重要程度，以预设频率进行差异性采集得到。

此外，本发明实施例还提供了一种通信设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述计算机程序被所述处理器执行时可实现上述图6或图7所示的农作物的调控方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。该通信设备可选为上述的第一通信设备或者第二通信设备。

具体的，参见图10所示，本发明实施例还提供了一种通信设备，包括总线111、收发机112、天线113、总线接口114、处理器115和存储器1111。

在本发明实施例中，所述通信设备还包括：存储在存储器1111上并可在处理器115上运行的计算机程序。

可选的，所述通信设备为上述的第一通信设备，所述计算机程序被处理器115执行时可实现如下步骤：

获取目标农作物的待识别图像；

将所述待识别图像输入到预设的农作物识别模型中，得到表示所述目标农作物是否受到病虫害的识别结果；其中，所述预设的农作物识别模型是利用选取的目标农作物数据集训练得到；

将所述识别结果发送至第二通信设备，以由所述第二通信设备根据所述识别结果以及获取的气象数据和环境数据，确定对所述目标农作物的种植进行调控的控制策略。

可选的，所述通信设备为上述的第二通信设备，所述计算机程序被处理器115执行时可实现如下步骤：

接收第一通信设备发送的识别结果，其中，所述识别结果是所述第一通信设备将目标农作物的待识别图像输入到预设的农作物识别模型中得到的，所述预设的农作物识别模型是利用选取的目标农作物数据集训练得到，所述识别结果表示所述目标农作物是否受到病虫害；

从多个采集组件中获取所述目标农作物的环境数据；

获取所述目标农作物所在区域的未来气象数据；

根据所述识别结果、所述目标农作物的环境数据以及所述未来气象数据，确定对所述目标农作物的种植进行调控的控制策略。

可理解的，本发明实施例中，所述计算机程序被处理器115执行时可实现上述图6或图7所示的农作物的调控方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

在图10中，总线架构(用总线111来代表)，总线111可以包括任意数量的互联的总线和桥，总线111将包括由处理器115代表的一个或多个处理器和存储器1111代表的存储器的各种电路链接在一起。总线111还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口114在总线111和收发机112之间提供接口。收发机112可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器115处理的数据通过天线113在无线介质上进行传输，进一步，天线113还接收数据并将数据传送给处理器115。

处理器115负责管理总线111和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器1111可以被用于存储处理器115在执行操作时所使用的数据。

可选的，处理器115可以是CPU、ASIC、FPGA或CPLD。

本发明实施例还提供了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图6或图7所示的农作物的调控方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

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、方法、物品或者装置不仅包括那些要素，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、方法、物品或者装置所固有的要素。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、方法、物品或者装置中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上所述仅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，这些改进和润饰也应视为本发明的保护范围。

Claims (12)

1.一种农作物的调控方法，应用于第一通信设备，其特征在于，包括：

获取目标农作物的待识别图像；

将所述待识别图像输入到预设的农作物识别模型中，得到表示所述目标农作物是否受到病虫害的识别结果；其中，所述预设的农作物识别模型是利用选取的目标农作物数据集训练得到；

将所述识别结果发送至第二通信设备，以由所述第二通信设备根据所述识别结果以及获取的气象数据和环境数据，确定对所述目标农作物的种植进行调控的控制策略。

2.根据权利要求1所述的方法，其特征在于，所述第一通信设备为边缘处理设备，所述第二通信设备为中央处理设备。

3.根据权利要求1所述的方法，其特征在于，所述预设的农作物识别模型是基于迁移学习，对利用采集的全农作物数据集训练得到的深度学习模型进行处理，得到的迁移学习模型。

4.根据权利要求1所述的方法，其特征在于，所述将所述识别结果发送至第二通信设备，包括：

判断所述识别结果是否表示所述目标农作物受到病虫害；

当所述识别结果表示所述目标农作物受到病虫害时，将所述识别结果发送至所述第二通信设备。

5.一种农作物的调控方法，应用于第二通信设备，其特征在于，包括：

接收第一通信设备发送的识别结果，其中，所述识别结果是所述第一通信设备将目标农作物的待识别图像输入到预设的农作物识别模型中得到的，所述预设的农作物识别模型是利用选取的目标农作物数据集训练得到，所述识别结果表示所述目标农作物是否受到病虫害；

从多个采集组件中获取所述目标农作物的环境数据；

获取所述目标农作物所在区域的未来气象数据；

根据所述识别结果、所述目标农作物的环境数据以及所述未来气象数据，确定对所述目标农作物的种植进行调控的控制策略。

6.根据权利要求5所述的方法，其特征在于，所述确定对所述目标农作物的种植进行调控的控制策略之后，所述方法还包括：

将所述控制策略发送给第三通信设备，以由所述第三通信设备根据所述控制策略，对所述目标农作物的种植进行调控。

7.根据权利要求5所述的方法，其特征在于，所述目标农作物的环境数据是由所述多个采集组件根据相应环境参数的变化周期和重要程度，以预设频率进行差异性采集得到。

8.一种农作物的调控装置，应用于第一通信设备，其特征在于，包括：

第一获取模块，用于获取目标农作物的待识别图像；

识别模块，用于将所述待识别图像输入到预设的农作物识别模型中，得到表示所述目标农作物是否受到病虫害的识别结果；其中，所述预设的农作物识别模型是利用选取的目标农作物数据集训练得到；

第一发送模块，用于将所述识别结果发送至第二通信设备，以由所述第二通信设备根据所述识别结果以及获取的气象数据和环境数据，确定对所述目标农作物的种植进行调控的控制策略。

9.一种农作物的调控装置，应用于第二通信设备，其特征在于，包括：

第一接收模块，用于接收第一通信设备发送的识别结果，其中，所述识别结果是所述第一通信设备将目标农作物的待识别图像输入到预设的农作物识别模型中得到的，所述预设的农作物识别模型是利用选取的目标农作物数据集训练得到，所述识别结果表示所述目标农作物是否受到病虫害；

第二获取模块，用于从多个采集组件中获取所述目标农作物的环境数据；

第三获取模块，用于获取所述目标农作物所在区域的未来气象数据；

确定模块，用于根据所述识别结果、所述目标农作物的环境数据以及所述未来气象数据，确定对所述目标农作物的种植进行调控的控制策略。

10.一种农作物的调控系统，其特征在于，包括：多个采集组件、第一通信设备、第二通信设备和第三通信设备；

其中，多个所述采集组件分别与所述第二通信设备连接，用于采集目标农作物的环境数据；和将所述目标农作物的环境数据发送至所述第二通信设备；

所述第一通信设备与所述第二通信设备连接，用于获取所述目标农作物的待识别图像；将所述待识别图像输入到预设的农作物识别模型中，得到表示所述目标农作物是否受到病虫害的识别结果，所述预设的农作物识别模型是利用选取的目标农作物数据集训练得到；和将所述识别结果发送至所述第二通信设备；

所述第二通信设备与所述第三通信设备连接，用于接收所述第一通信设备发送的所述识别结果；从多个所述采集组件中获取所述目标农作物的环境数据；获取所述目标农作物所在区域的未来气象数据；根据所述识别结果、所述目标农作物的环境数据以及所述未来气象数据，确定对所述目标农作物的种植进行调控的控制策略；和将所述控制策略发送给所述第三通信设备；

所述第三通信设备用于根据所述控制策略，对所述目标农作物的种植进行调控。

11.一种通信设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1至4中任一项所述的农作物的调控方法的步骤，或者实现如权利要求5至7中任一项所述的农作物的调控方法的步骤。

12.一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如权利要求1至4中任一项所述的农作物的调控方法的步骤，或者实现如权利要求5至7中任一项所述的农作物的调控方法的步骤。

Images