CN112565310A - 一种基于人工神经网络的智能植保系统 - Google Patents

一种基于人工神经网络的智能植保系统 Download PDF

Info

Publication number
CN112565310A
CN112565310A CN201910846581.3A CN201910846581A CN112565310A CN 112565310 A CN112565310 A CN 112565310A CN 201910846581 A CN201910846581 A CN 201910846581A CN 112565310 A CN112565310 A CN 112565310A
Authority
CN
China
Prior art keywords
intelligent
pest
remote
control
data
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
CN201910846581.3A
Other languages
English (en)
Inventor
李美琼
李佩龙
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.)
Yunnan Tian Qi Hong Tillage Technology Co ltd
Original Assignee
Yunnan Tian Qi Hong Tillage Technology 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 Yunnan Tian Qi Hong Tillage Technology Co ltd filed Critical Yunnan Tian Qi Hong Tillage Technology Co ltd
Priority to CN201910846581.3A priority Critical patent/CN112565310A/zh
Publication of CN112565310A publication Critical patent/CN112565310A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G13/00—Protecting plants
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
    • H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
    • H04N19/503—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding involving temporal prediction
    • H04N19/51—Motion estimation or motion compensation
    • H04N19/513—Processing of motion vectors
    • H04N19/517—Processing of motion vectors by encoding
    • H04N19/52—Processing of motion vectors by encoding by predictive encoding
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Toxicology (AREA)
  • Environmental Sciences (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Catching Or Destruction (AREA)

Abstract

本发明公开一种基于人工神经网络的智能植保系统，包括病虫害数据采集、无线通讯、智能数据分析、远程控制终端(App)、智能施药系统。病虫害数据采集模块用于土壤、空气、病虫害数据和视频采集；无线通信模块利用5G移动无线网络，基于卷积神经网络CNN视频压缩方法，将采集的数据传输到云服务器；智能数据分析系统用于病虫害智能识别，输出防治方案；远程通讯终端和APP用于查看远程监测数据和远程控制智能施药系统；智能施药系统负责执行施药方案。本发明能够对种植环境和病虫害进行实时监测，通过卷积神经网络技术对病虫害进行智能识别，智能给出防治方案，智能控制施药系统喷药，大大提高了病虫害识别与防治的效率。

Description

一种基于人工神经网络的智能植保系统
技术领域
本发明属于现代植保技术领域，涉及农业病虫害的智能测报与防治技术，尤其涉及一种基于人工神经网络的智能植保系统。
背景技术
作物病虫害防治是决定作物产量和质量的关键环节，在农业生产中占据着至关重要的位置。目前在我国农业生产上病虫害防治仍处于以人工直接操作简易植保器械喷洒农药为主的阶段，人工喷洒农药费时费力，劳动强度大，且容易出现施药不均匀造成药害和施药人员中毒等问题。随着农村劳动力不断减少，农业生产越来越趋向便捷化、数字化和智能化方向发展。
作物病虫害的精准识别是病虫害高效防治的关键，病虫害的精制识别尚依赖植保专家和专业技术人才，由于受时间、空间、精力等限制，数量有限的专家无法给每一个农户进行及时指导，农民不具备精准识别病虫害的专业知识和技能，往往凭经验识别病虫害，根据经验进行病虫害防治，常出现农药乱用、错用、滥用问题。
农业生产数据采集、分析与应用对于农业转型升级具有重大意义，就病虫害防治而言，病虫害危害精准数据是病虫害精准防治的基础，借助于深度学习技术，可将依赖于植保专家的病虫害识别转变成机器智能学习和识别，利用大数据技术和AI智能化分析对数据进行可视化建模，得出病虫害测报以及最佳防治方案，减少因人力不足和人为因素造成最佳防治时机，利用5G的高速率和低延迟将防治方案及时发送给相关人员，同时借助基于手机或者平板APP的PLC可编程逻辑控制器对施药设备进行精准时时的远程操控，减少因空间的限制而无法及时实施相应的措施。
发明内容
针对病虫害精准识别效率低下，病虫害防治农药乱用、错用、滥用，人工喷洒农药费时费力、劳动强度大、施药不均匀造成药害和施药人员中毒等问题，本发明构建了一种基于人工神经网络的智能植保系统，通过智能化监测设备对病虫害进行时时观察和勘测，利用5G信息技术的低延迟对数据进行时时传输，基于云存储技术对数据进行存储以及利用深度学习技术对病虫害进行智能学习和分析，基于手机或者平板APP的PLC可编程逻辑控制器对施药设备进行精准实时的远程操控。
本发明通过如下的技术方案来实现：
一种基于人工神经网络的智能植保系统包括病虫害数据采集系统、无线通讯模块、智能数据分析系统、远程控制终端(App)、智能施药系统。
所述病虫害数据采集主要由智能孢子捕捉系统、智能气象监测系统、智能监控系统、智能虫情系统、其中智能孢子捕捉系统主要负责采集病原菌孢子及花粉尘粒信息。智能气象监测系统主要负责采集农林种植生产环境信息，包括：土壤水分、土壤温度、空气温湿度、降雨量、风速/风向等指标信息。智能监控系统主要利用360°全方位红外高清摄像机对该区域视频图像采集。智能虫情系统主要负责病虫监测、数据采集、诱捕杀虫。同时利用5G移动无线网络，基于卷积神经网络CNN视频压缩方法，将采集的数据实时传输到远程云服务器。
所述卷积神经网络CNN视频压缩方法是一种为缓解网络带宽，减少大容量视频在无线网络中的传输压力和主机资源以及保证清晰度而提出的方法。通过利用卷积神经网络重新编码与解码，减少更多的码率，提高传输的效率，其包括如下步骤：
1.收集和整理所需的清晰图像包括(ImageNet图片库)等和整理规范视频图像数据集，构建神经网络训练数据集，测试数据集合交叉验证集。
2.建立多层的网络结构，将图像分割成无交叠的MXN的分块，将分块数据输入到卷积层和池采样层，通过采用梯度下降法最小化损失函数对网络中的权重参数逐层反向调节，通过频繁的迭代训练提高网络的精度，提取图像核心的特征值。将特征值输入全连接层，利用逻辑回归和Softmax回归以及支持向量机对输入数据进行分类。最终建立视频编码的预测模型，预测模型主要为帧内预测模式和帧间预测模式。
Figure BDA0002195070210000021
其中al为第l层神经元的输出，zl为第l层神经元的输入，Wl为从l-1层mapping到l层权值矩阵，bl为与上面参数对应的偏移值，x为train data的输入，y为train data正确的label。
3.所述帧间预测模式是使用领近已编码图像像素预测当前图像的像素，以达到有效去除视频时域冗余的目的，利用运动估计算法，为当前图像的每一个像素块在之前已编码图像中寻找一个最佳匹配块并计算残差和帧间预测的均方差。利用运动补偿算法，根据运动矢量和帧间预测方法，求得当前帧的估计值。
4.所述运动估计算法可以去除帧间冗余度，使得视频传输的比特数大大减少，分为如下几个步骤：
(1)设t时刻的帧图像为当前帧f(x，y)；t`时刻的帧图像为参考帧f`(x，y)；参考帧在时间上可以超期或者滞后于当前帧。
(2)当在参考帧t`中搜索到当前帧t中的块的最佳匹配时，可以得到相应的运动场d(x：t，△t)，即可得到当前帧的运动矢量。
(3)在编码端组建一个存储M个重建帧的缓存，当前的待编码块可以在缓存内的所有重建帧中寻找最优的匹配块进行运动补偿，以便更好地去除时间域的冗余度。
(4)由于视频序列帧的连续性，当前块在不同的参考帧中的运动矢量有一定的相关性。假设当前块所在帧的时间为t，则对应前面的多个参考帧分别是t-1，t-2，t-3.......则当在帧t-2中搜索当前块的最优匹配块时，利用当前块在帧t-1中的运动矢量MVNR来估测出当前块在帧t-2的运动矢量，利用t-1，t-2的运动矢量值计算出残差值以及帧间预测的均方差。
5.所述帧内预测是一种基于空间域上进行的预测编码，可以除去相邻之间的空间冗余度，分为如下步骤：
(1)参考像素的获取，分析领近的像素是否可获取和进行参考样本的填充以及赋值样本。
(2)参考像素的平滑滤波，是一种提高帧内的预测效率，减少噪声对预测的影响，提高预测的精度方法，分为常规滤波和强滤波。
(3)利用参考像素计算当前块的预测值，分为DC模式、PLANAR模式和角模式。
(4)对上一步得到的预测块的边界做边界滤波处理，选择相应的模式进行滤波处理最后求出残差值以及帧内预测的均方差。
4.根据帧间预测均方差和帧内预测均方差以及设定的阈值来选择预测模型的模式，或者结合2种模式进行之后的处理。
5.预测模式选择完成后，将残差作为新数据训练残差编码网络，保存训练模型，训练模型包括帧内残差模式和帧间残差模式。
6.最终预测和残差神经网络的输出数据经过量化和无损熵编码一起作为固定长度码流的压缩数据。
7.解码端通过与编码端对称的神经网络将压缩数据还原，并重建压缩后的图像。
所述无线通讯模块是利用5G无线通信技术具有高速率，超大链接，低时延，利用现场终端嵌入5G通信模块，达到具有可通信效果。
所述智能数据分析系统是通过无线通讯模接收并存储病虫害测报数据、气象预报数据、图片视频数据，并与作为参比信息的病害识别数据库和虫害识别数据库进行智能学习识别与对比处理，智能数据分析后得出病害识别结果、虫害识别结果，智能判断输出病虫害对应的一种或多种防治药剂，并形成病害防治方案、虫害防治方案。
所述预警预报系统是远程服务器通过图形、列表形式展示区域病情情况、发展趋势、当分析仪器检测到的数据超出安全范围时，自动启动报警，发布短信预警信息、图形预警信息，及时通知各级管理人员采取措施。
所述远程通信终端是由于PLC一般使用的是专用的通信协议，而APP使用的是Http/Https网络通信协议，不能和PLC通讯，因此现场终端需要加一个远程通讯终端，实现PLC专用协议和APP通讯协议的转换。
所述远程控制终端App是通过手机监控PLC系统，是网络通信技术和控制技术结合的一门先进技术。远程监控技术是远程监测和远程控制的结合，远程监测是指远程获得被监控资源对象的信息，远程控制是指远程发送命令控制现场资源对象的运行状态。
所述智能施药系统包括基于PLC的施药控制中心、时间控制器、电磁阀、水箱、水泵、药泵、药液罐、流量控制器和田间施药装置。所述基于PLC施药控制中心是通过远程监控终端App发送控制指令经过远程通信终端将网络协议处理成PLC专用协议，之后将控制命令发送给现场终端控制时间控制器和电磁阀，控制水泵、药泵工作，实现对作物进行精准，实时施药作业的过程。
本发明具有以下优点：
本发明采用最先进的数据采集设备进行全自动病虫害数据采集和测报，增设了人工调查数据，进行人机对比和验证。
智能数据分析系统应用大数据和云计算，对作物病虫害测报数据提供基础对比特征数据库，自动判断比对病虫害数据，输出植保方案，解决了普通用户面对复杂病虫害时缺乏专业技术的难题。
本发明利用智能手机APP端远程查看植保方案并控制指挥施药，解决了生产力缺乏问题，一键控制增加了快速便捷性和有效性。
附图说明
图1为一种基于人工神经网络的智能植保系统的示意图。
图中包括：1病虫害数据采集系统、2无线通讯模块、3智能数据分析系统、4智能施药系统、5孢子捕捉仪、6虫情测报灯、7气象监测站、8摄像机、9人工调查数据模块、10数据存储模块、11气象预报数据、12病害测报数据、13病害识别数据库、14虫害测报数据、15虫害识别数据库、16数据分析模块、17病害识别结果、18虫害识别结果、19病害防治药剂库、20虫害防治药剂库、21病害防治方案、22虫害防治方案、23植保方案输出模块、24施药控制中心、25/26时间控制器、27/28电磁阀、29水箱、30水泵、31药泵、32药液罐、33/34流量控制器和35田间施药装置、36远程控制终端。
具体实施方式
下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述。
利用孢子捕捉仪采集病害数据及花粉尘粒信息，利用虫情测报灯采集虫害数据，利用气象监测站采集土壤温湿度、pH值、电导率等土壤数据和空气温湿度、风向风速、降雨量、蒸发量、光照强度等气象数据，利用360°全方位红外高清摄像机对种植区域进行视频图像采集，利用卷积神经网络CNN视频压缩方法对视频图像进行压缩，利用WIFI、4G/5G移动无线网络，将实时监测数据和视频图像传输到远程云服务器。
收集和整理所需的清晰图像包括(ImageNet图片库)等和整理规范视频图像数据集，构建神经网络训练数据集，测试数据集合交叉验证集。
建立多层的网络结构，将图像分割成无交叠的MXN的分块，将分块数据输入到卷积层和池采样层，通过采用梯度下降法最小化损失函数对网络中的权重参数逐层反向调节，通过频繁的迭代训练提高网络的精度，提取图像核心的特征值。将特征值输入全连接层，利用逻辑回归和Softmax回归以及支持向量机对输入数据进行分类。最终建立视频编码的预测模型，预测模型主要为帧内预测模式和帧间预测模式。
所述帧间预测模式是使用领近已编码图像像素预测当前图像的像素，以达到有效去除视频时域冗余的目的，利用运动估计算法，为当前图像的每一个像素块在之前已编码图像中寻找一个最佳匹配块并计算残差和帧间预测的均方差。利用运动补偿算法，根据运动矢量和帧间预测方法，求得当前帧的估计值。
所述运动估计算法可以去除帧间冗余度，使得视频传输的比特数大大减少，分为如下几个步骤：(1)设t时刻的帧图像为当前帧f(x，y)；t`时刻的帧图像为参考帧f`(x，y)；参考帧在时间上可以超期或者滞后于当前帧。(2)当在参考帧t`中搜索到当前帧t中的块的最佳匹配时，可以得到相应的运动场d(x：t，△t)，即可得到当前帧的运动矢量。(3)在编码端组建一个存储M个重建帧的缓存，当前的待编码块可以在缓存内的所有重建帧中寻找最优的匹配块进行运动补偿，以便更好地去除时间域的冗余度。(4)由于视频序列帧的连续性，当前块在不同的参考帧中的运动矢量有一定的相关性。假设当前块所在帧的时间为t，则对应前面的多个参考帧分别是t-1，t-2，t-3.......则当在帧t-2中搜索当前块的最优匹配块时，利用当前块在帧t-1中的运动矢量MVNR来估测出当前块在帧t-2的运动矢量，利用t-1，t-2的运动矢量值计算出残差值以及帧间预测的均方差。
利用帧内预测进行空间域上的预测编码，除去相邻之间的空间冗余度，分为如下步骤：(1)参考像素的获取，分析领近的像素是否可获取和进行参考样本的填充以及赋值样本。(2)参考像素的平滑滤波，是一种提高帧内的预测效率，减少噪声对预测的影响，提高预测的精度方法，分为常规滤波和强滤波。(3)利用参考像素计算当前块的预测值，分为DC模式、PLANAR模式和角模式。(4)对上一步得到的预测块的边界做边界滤波处理，选择相应的模式进行滤波处理最后求出残差值以及帧内预测的均方差。
根据帧间预测均方差和帧内预测均方差以及设定的阈值来选择预测模型的模式，或者结合2种模式进行之后的处理。
预测模式选择完成后，将残差作为新数据训练残差编码网络，保存训练模型，训练模型包括帧内残差模式和帧间残差模式。
最终预测和残差神经网络的输出数据经过量化和无损熵编码一起作为固定长度码流的压缩数据。
解码端通过与编码端对称的神经网络将压缩数据还原，并重建压缩后的图像。
通过无线通讯模接收并存储病虫害测报数据、气象预报数据、图片视频数据，并与作为参比信息的病害识别数据库和虫害识别数据库进行智能学习识别与对比处理，智能数据分析后得出病害识别结果、虫害识别结果，智能判断输出病虫害对应的一种或多种防治药剂，并形成病害防治方案、虫害防治方案。
远程服务器通过图形、列表形式展示区域病情情况、发展趋势、当分析仪器检测到的数据超出安全范围时，自动启动报警，发布短信预警信息、图形预警信息，及时通知各级管理人员采取措施。
在现场终端上加一个远程通讯终端，实现PLC专用协议和APP通讯协议的转换。
远程控制终端App通过手机监控PLC系统，进行远程监测和远程控制。
基于PLC施药控制中心通过远程监控终端App发送控制指令经过远程通信终端将网络协议处理成PLC专用协议，之后将控制命令发送给现场终端控制时间控制器和电磁阀，控制水泵、药泵工作，实现对作物进行精准，实时施药作业。
本发明所述的一种基于人工神经网络的智能植保系统实施方式包括但不限于以上列举的例子。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干推演或替换，都应当视为属于本发明的保护范围。

Claims (8)

1.一种基于人工神经网络的智能植保系统包括病虫害数据采集系统、无线通讯模块、智能数据分析系统、预警预报系统、远程通讯终端、远程控制终端App、智能施药系统。
2.所述病虫害数据采集主要由智能孢子捕捉系统、智能气象监测系统、智能监控系统、智能虫情系统、其中智能孢子捕捉系统主要负责采集病原菌孢子及花粉尘粒信息。智能气象监测系统主要负责采集农林种植生产环境信息，包括：土壤水分、土壤温度、空气温湿度、降雨量、风速/风向等指标信息。智能监控系统主要利用360°全方位红外高清摄像机对该区域视频图像采集。智能虫情系统主要负责病虫监测、数据采集、诱捕杀虫。同时利用5G移动无线网络，基于卷积神经网络CNN视频压缩方法，将采集的数据实时传输到远程云服务器。
3.所述无线通讯模块是利用5G无线通信技术具有高速率，超大链接，低时延，利用现场终端嵌入5G通信模块，达到具有可通信效果。
4.所述智能数据分析系统是通过无线通讯模接收并存储病虫害测报数据、气象预报数据、图片视频数据，并与作为参比信息的病害识别数据库和虫害识别数据库进行智能学习识别与对比处理，智能数据分析后得出病害识别结果、虫害识别结果，智能判断输出病虫害对应的一种或多种防治药剂，并形成病害防治方案、虫害防治方案。
5.所述预警预报系统是远程服务器通过图形、列表形式展示区域病情情况、发展趋势、当分析仪器检测到的数据超出安全范围时，自动启动报警，发布短信预警信息、图形预警信息，及时通知各级管理人员采取措施。
6.所述远程通信终端是由于PLC一般使用的是专用的通信协议，而APP使用的是Http/Https网络通信协议，不能和PLC通讯，因此现场终端需要加一个远程通讯终端，实现PLC专用协议和APP通讯协议的转换。
7.所述远程控制终端App是通过手机监控PLC系统，是网络通信技术和控制技术结合的一门先进技术。远程监控技术是远程监测和远程控制的结合，远程监测是指远程获得被监控资源对象的信息，远程控制是指远程发送命令控制现场资源对象的运行状态。
8.所述智能施药系统包括基于PLC的施药控制中心、时间控制器、电磁阀、水箱、水泵、药泵、药液罐、流量控制器和田间施药装置。所述基于PLC施药控制中心是通过远程监控终端App发送控制指令经过远程通信终端将网络协议处理成PLC专用协议，之后将控制命令发送给现场终端控制时间控制器和电磁阀，控制水泵、药泵工作，实现对作物进行精准，实时施药作业的过程。
CN201910846581.3A 2019-09-09 2019-09-09 一种基于人工神经网络的智能植保系统 Pending CN112565310A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910846581.3A CN112565310A (zh) 2019-09-09 2019-09-09 一种基于人工神经网络的智能植保系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910846581.3A CN112565310A (zh) 2019-09-09 2019-09-09 一种基于人工神经网络的智能植保系统

Publications (1)

Publication Number Publication Date
CN112565310A true CN112565310A (zh) 2021-03-26

Family

ID=75028661

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910846581.3A Pending CN112565310A (zh) 2019-09-09 2019-09-09 一种基于人工神经网络的智能植保系统

Country Status (1)

Country Link
CN (1) CN112565310A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113091822A (zh) * 2021-04-13 2021-07-09 山东奥德山水市政园林有限公司 一种市政园林用智能监测装置
CN113273555A (zh) * 2021-06-15 2021-08-20 米恩基(浙江)传感科技有限公司 一种人工智能虫情预测系统及预测方法
CN113303151A (zh) * 2021-05-19 2021-08-27 苏州三润景观工程有限公司 基于大数据的绿植病虫害修复方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102541030A (zh) * 2012-02-07 2012-07-04 蔡诗伟 作物病虫害智能监测防治系统
CN104361412A (zh) * 2014-11-14 2015-02-18 黑龙江省农业科学院植物脱毒苗木研究所 一种决策马铃薯晚疫病防治系统及方法
CN105159116A (zh) * 2015-09-01 2015-12-16 徐州工业职业技术学院 智能大棚农业生长监控装置
CN205334214U (zh) * 2015-12-29 2016-06-22 西安理工大学 一种基于“互联网+”的设施农业云服务系统
CN106774540A (zh) * 2016-12-01 2017-05-31 上海工程技术大学 一种基于视频识别的智能养殖控制系统及方法
CN109472252A (zh) * 2018-12-28 2019-03-15 华南农业大学 一种田间作物虫害自动识别及作业管理系统
CN110209137A (zh) * 2019-06-21 2019-09-06 广西穗片农业科技有限公司 一种智慧农业整体管理系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102541030A (zh) * 2012-02-07 2012-07-04 蔡诗伟 作物病虫害智能监测防治系统
CN104361412A (zh) * 2014-11-14 2015-02-18 黑龙江省农业科学院植物脱毒苗木研究所 一种决策马铃薯晚疫病防治系统及方法
CN105159116A (zh) * 2015-09-01 2015-12-16 徐州工业职业技术学院 智能大棚农业生长监控装置
CN205334214U (zh) * 2015-12-29 2016-06-22 西安理工大学 一种基于“互联网+”的设施农业云服务系统
CN106774540A (zh) * 2016-12-01 2017-05-31 上海工程技术大学 一种基于视频识别的智能养殖控制系统及方法
CN109472252A (zh) * 2018-12-28 2019-03-15 华南农业大学 一种田间作物虫害自动识别及作业管理系统
CN110209137A (zh) * 2019-06-21 2019-09-06 广西穗片农业科技有限公司 一种智慧农业整体管理系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113091822A (zh) * 2021-04-13 2021-07-09 山东奥德山水市政园林有限公司 一种市政园林用智能监测装置
CN113303151A (zh) * 2021-05-19 2021-08-27 苏州三润景观工程有限公司 基于大数据的绿植病虫害修复方法
CN113273555A (zh) * 2021-06-15 2021-08-20 米恩基(浙江)传感科技有限公司 一种人工智能虫情预测系统及预测方法

Similar Documents

Publication Publication Date Title
CN112565310A (zh) 一种基于人工神经网络的智能植保系统
CN110597333B (zh) 一种基于物联网的猪舍环境监控系统
CN110417120A (zh) 一种变电站实景三维智能巡检系统及方法
CN106250899B (zh) 一种基于分布式压缩感知wsn的柑桔病虫害监测预警方法
CN112990262B (zh) 一种草原生态数据监测与智能决策一体化解决系统
CN110210378B (zh) 一种基于边缘计算的嵌入式视频图像解析方法及装置
CN107622236B (zh) 基于蜂群与梯度提升决策树算法农作物病害诊断预警方法
CN115527203B (zh) 一种基于物联网的谷物干燥远程控制方法及系统
CN102434699A (zh) 用于长输管线的球阀的远程监控系统及其使用方法
CN113223035A (zh) 笼养鸡智能巡检系统
CN111814742A (zh) 基于深度学习的刀闸状态识别方法
CN113312957A (zh) 基于视频图像的脱岗识别方法、装置、设备及存储介质
CN109035057A (zh) 带有观光走廊的芒果虫害智能监测系统
CN113205039A (zh) 基于多dcnn网络的电力设备故障图像识别勘灾系统及方法
CN113762113A (zh) 一种牲畜分娩行为监控方法及装置
CN114613101A (zh) 一种基于大数据的智慧酒店智能安防系统
CN113273555A (zh) 一种人工智能虫情预测系统及预测方法
CN113095160A (zh) 基于人工智能和5g的电力系统人员安全行为识别方法及系统
CN112019607A (zh) 基于可视化云平台的智慧农场综合控制方法及系统
CN117235443A (zh) 一种基于边缘ai的电力作业安全监测方法及系统
CN117177096A (zh) 一种基于窄带卫星网络的高压输电线路监测方法及系统
CN110334642A (zh) 一种猪行为的机器视觉识别方法及系统
CN204044603U (zh) 林木病虫害监测预报系统
CN116704335A (zh) 一种猕猴桃溃疡监测方法、系统、设备及介质
CN114529816A (zh) 一种基于图像识别的茶园病虫害监测系统

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210326