CN112711900A - 一种农作物数字孪生建模方法 - Google Patents
一种农作物数字孪生建模方法 Download PDFInfo
- Publication number
- CN112711900A CN112711900A CN202011390450.8A CN202011390450A CN112711900A CN 112711900 A CN112711900 A CN 112711900A CN 202011390450 A CN202011390450 A CN 202011390450A CN 112711900 A CN112711900 A CN 112711900A
- Authority
- CN
- China
- Prior art keywords
- crops
- model
- data
- crop
- collecting
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005070 sampling Methods 0.000 claims abstract description 23
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 230000004720 fertilization Effects 0.000 claims description 21
- 230000002262 irrigation Effects 0.000 claims description 21
- 238000003973 irrigation Methods 0.000 claims description 21
- 230000036541 health Effects 0.000 claims description 17
- 241000607479 Yersinia pestis Species 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000005507 spraying Methods 0.000 claims description 4
- 239000000575 pesticide Substances 0.000 claims description 3
- 241000196324 Embryophyta Species 0.000 description 11
- 238000007726 management method Methods 0.000 description 8
- 230000003595 spectral effect Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 241000238631 Hexapoda Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000011337 individualized treatment Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Abstract
本发明公开了一种大面积农作物生长模型的建模方法，该方法包括：采集农作物的相关特征数据，将采集到的所述农作物的相关特征数据输入到所述农作物的相关模型中；通过所述农作物的相关模型，提取所述农作物的融合特征数据，形成当前采样点的所述农作物的数字孪生模型；采集所述农作物控制装置的数据，结合所述农作物的相关特征数据，基于指定数量的所述农作物的数字孪生模型，通过采样点扩展模型形成大面积农作物生长模型。
Description
技术领域
本说明书实施例涉及智慧农业技术领域，尤其涉及一种大面积农作物生长模型的建模方法。
背景技术
近年来，物联网、人工智能、大数据等技术彻底改变了传统农业，传统的农业开始向智慧农业发展，在农作物的生长环境里部署各类传感设备，通过传感数据的采集，经过实时监控分析实现农作物更加精细的管理，提升农作物的质量和产量。然而，农作物往往有不同的生命周期，每个属的物种一般都有它自己的寿命和每个发展阶段的持续时间，仅仅通过生长环境的传感数据进行分析具有一定的局限性，这需要建立更复杂、更实际的生长模型。
在这种情况下，如何有效利用传感数据，建立大面积农作物生长模型，进而利用模型分析提升农作物的品质和产量成为亟需解决的问题。
发明内容
本说明书实施例提供一种大面积农作物生长模型的建模方法，用以解决现有技术中的如下技术问题：仅仅通过生长环境的传感数据分析农作物有着很大的局限性，需要建立更复杂、更实际的生长模型。
为解决上述技术问题，本说明书实施例是这样实现的：
本说明书实施例提供一种大面积农作物生长模型的建模方法，包括：
采集农作物的相关特征数据，将采集到的所述农作物的相关特征数据输入到所述农作物的相关模型中；
通过所述农作物的相关模型，提取所述农作物的融合特征数据，形成当前采样点的所述农作物的数字孪生模型；
采集所述农作物控制装置的数据，结合所述农作物的相关特征数据，基于指定数量的所述农作物的数字孪生模型，通过采样点扩展模型形成大面积农作物生长模型。
可选地，所述农作物的相关模型，包括但不限于：农作物生长健康状况模型、农作物生长环境状况模型和农作物虫害检测模型。
可选地，所述采集农作物的相关特征数据，具体包括：
通过环境传感装置、多光谱传感装置、高清图像采集装置和卫星遥感装置采集所述农作物的相关特征数据。
可选地，所述采集所述农作物控制装置的数据，具体包括：
通过灌溉装置、施肥装置和灭虫装置采集所述农作物的灌溉数据、施肥数据和灭虫药物喷洒数据。
可选地，所述方法还包括：
基于所述农作物采样点的位置，将所述农作物的相关特征数据上传至云数据中心进行存储。
可选地，所述方法还包括：
基于所述云数据中心存储的数据，针对所述农作物的状况形成有针对性的模型，逐步形成所述农作物的最佳生长控制模型。
可选地，所述方法还包括：
对农作物生长状况进行分析，基于所述分析结果，发送相关控制系统的控制命令，调整所述灌溉装置、施肥装置和灭虫装置，进而优化对农作物的管理。
可选地，所述方法还包括：
基于所述高清图像采集装置，得到所述农作物的图像数据，将所述农作物的图像数据应用于所述农作物的数字孪生模型的三维模型展示。
可选地，所述采样点扩展模型，具体包括：
基于一定数量的散点数据，扩展生成大面积连续区域的数据，形成所述采样点扩展模型。
可选地，所述农作物生长健康状况模型、农作物生长环境状况模型和农作物虫害检测模型，具体包括：
利用卷积神经网络形成所述农作物生长健康状况模型、农作物生长环境状况模型和农作物虫害检测模型。
本说明书实施例采用上述至少一个技术方案能够达到以下有益效果：打破了仅仅通过生长环境的传感数据分析农作物的局限性，建立了更复杂、更实际的大面积农作物生长模型，从而可以改善和提高农作物的质量和产量。
附图说明
此处所说明的附图用来提供对本说明书实施例的进一步理解，构成本说明书实施例的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对申请的不当限定。在附图中：
图1为本申请实施例提供的一种大面积农作物生长模型的建模方法的流程示意图；
图2为本申请实施例提供的一种大面积农作物生长模型的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本申请技术方案进行清楚、完整的描述。显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请的实施例提供了一种大面积农作物生长模型的建模方法，下面进行具体说明：
图1为本申请实施例提供的一种大面积农作物生长模型的建模方法的流程示意图，图1中的流程包括以下步骤：
S101：采集农作物的相关特征数据，将采集到的所述农作物的相关特征数据输入到所述农作物的相关模型中；
S102：通过所述农作物的相关模型，提取所述农作物的融合特征数据，形成当前采样点的所述农作物的数字孪生模型；
S103：采集所述农作物控制装置的数据，结合所述农作物的相关特征数据，基于指定数量的所述农作物的数字孪生模型，通过采样点扩展模型形成大面积农作物生长模型。
首先，采集农作物的相关特征数据，将采集到的农作物的相关特征数据输入到农作物的相关模型中，其农作物的相关模型包括但不限于农作物生长健康状况模型、农作物生长环境状况模型和农作物虫害检测模型。采集农作物的相关特征数据，具体是指通过环境传感装置、多光谱传感装置、高清图像采集装置和卫星遥感等装置采集农作物的相关特征数据，在这里说的农作物的相关特征数据即为农作物建模所需的数据。
通过农作物的相关模型，提取农作物的融合特征数据，形成当前采样点的农作物的数字孪生模型，其农作物的相关模型包括但不限于农作物生长健康状况模型、农作物生长环境状况模型和农作物虫害检测模型，其农作物生长健康状况模型、农作物生长环境状况模型和农作物虫害检测模型是利用卷积神经网络形成的。与传统的利用经验来设计多模态数据融合方式相比，通过神经网络来学习融合参数，能更加合理的利用数据，进而可以建立更优的孪生模型。
采集所述农作物控制装置的数据，结合所述农作物的相关特征数据，基于指定数量的所述农作物的数字孪生模型，通过采样点扩展模型形成大面积农作物生长模型。其中，采集所述农作物控制装置的数据，具体是指通过灌溉装置、施肥装置和灭虫装置采集所述农作物的灌溉数据、施肥数据和灭虫药物喷洒数据。其采样点扩展模型是基于一定数量的散点数据，扩展生成大面积连续区域的数据，从而形成采样点扩展模型。
基于农作物采样点的位置，将农作物的相关特征数据上传至云数据中心进行存储。由此，基于云数据中心存储的数据，针对农作物的状况形成有针对性的模型，逐步形成农作物的最佳生长控制模型。
考虑到在实际场景中，实现农作物的精细化管理从而提高农作物的质量和产量是颇为关注的问题，本技术方案还提出对农作物生长状况进行分析，基于分析结果，发送相关控制系统的控制命令，调整灌溉装置、施肥装置和灭虫装置，进而优化对农作物的管理。
另外，本技术方案中应用到了数字孪生模型，为使得模型展示更加精准和形象，本技术方案提出可以基于高清图像采集装置，得到农作物的图像数据，可以将农作物的图像数据应用于农作物的数字孪生模型的三维模型展示。
基于此，通过环境传感装置、多光谱传感装置、高清图像采集装置以及卫星遥感等装置采集农作物建模所需数据，上传到云数据中心；再通过将采集数据输入到农作物生长健康状况模型、农作物生长环境状况模型、农作物虫害检测模型中，进行融合特征数据提取，进而形成农作物当前的数字孪生模型；采集来自灌溉、施肥、灭虫等控制装置的数据，结合环境数据、航拍数据和卫星遥感数据，基于大量散点农作物的数字孪生模型，通过采样点扩展模型，形成大面积农作物生长模型。另外，根据传感器采集的数据通过灌溉模型、施肥模型、灭虫模型来实现对于灌溉、施肥、灭虫等控制装置个性化的处理，实现农作物精细化的管理。
云数据中心包含海量计算、存储、网络资源，支撑数字孪生模型及大面积农作物生长模型的构建。
环境传感装置包括各类环境采集传感器，采集温度、湿度、光照、土壤pH值、降水等环境数据，根据采集点位置将采集信息形成向量，上传到云数据中心。
多光谱传感装置可以根据植物具有的光谱反射特征，根据其不同的光谱特征来判断其植被的发育、健康状况、生长条件状况、杂草生长情况以及识别缺陷和虫害，提取农作物以及周围杂草光谱反射数据，上传到云数据中心。
高清图像采集装置用来采集农作物图像数据，将其图像数据上传到云数据中心，根据采集图像判断农作物健康状况，分析周围杂草生长状况，同时将农作物图像数据用于数字孪生模型的三维模型展示。
农作物生长健康状况模型的核心由卷积神经网络构成，通过输入农作物光谱反射数据以及农作物图像数据，输出农作物的发育、健康状况，从而判断其生长状况。
农作物生长环境状况模型的核心由卷积神经网络构成，通过输入农作物周围传感设备采集的环境数据、周围杂草光谱反射数据以及采集的农作物图像数据，进行融合分析，输出农作物的生长条件状况和杂草生长情况，从而判断农作物的生长条件状况及杂草生长情况。
农作物虫害检测模型的核心由卷积神经网络构成，将农作物光谱反射数据以及农作物图像数据输入到农作物虫害检测模型中进行融合分析，判断虫害状况。
卫星遥感装置通过卫星来拍摄，获取植物覆盖的遥感数据，同时生成图像用于大面积农作物三维展示。
航拍数据采用无人机从高空进行拍摄，对图像进行分析处理，提取大面积农作物的特征，同时图像用于大面积农作物三维展示。
采样点扩展模型是基于大量散点数据扩展，形成大面积连续区域的数据生成。
灌溉、施肥、灭虫等控制装置是用来对农作物进行实际处理，在灌溉、施肥、灭虫的过程中，可以获取其实际灌溉数据、施肥数据、灭虫喷洒数据等相关信息。
数字孪生模型是根据收集的数据在云端形成的数据模型，其与实际农作物的状况一致，并通过三维展现出来。
大面积农作物生长模型是根据统计学原理，选取定量的散点农作物数字孪生模型，并结合环境等数据形成的数据模型。
基于此，通过环境传感装置、多光谱传感装置、高清图像采集装置以及卫星遥感等装置采集多种传感设备的数据，利用深度学习技术来提取农作物的环境及生长特征，并将多模态数据相融合，可以形成更加准确的农产品数字孪生模型。
灌溉模型、施肥模型、灭虫模型是基于大量已有的数据训练得到的，其核心是神经网络模型，根据来自传感装置的数据，输出农作物一片区域的相关控制系统的控制命令，实现精细化、个性化的管理。
采用统计学方法进行采样，基于单点的农作物孪生模型，融合各类环境数据，通过采样点扩展模型进行数据扩展，形成大面积作物群体模型，同时反馈给灌溉、施肥、灭虫等相关控制系统，实现农作物更加精细化、个性化的处理管理。
根据采集的农作物图像，将农作物的健康状况、生长条件、杂草状况、虫害状况以及土壤空气等环境数据，基于现有该农作物的三维模型进行叠加渲染，形成本农作物当前个性化的三维模型展示；
通过大量散点农作物的数字孪生模型，结合环境数据、航拍数据和卫星遥感数据，经过采样点扩展模型进行数据扩展，并基于现有大面积农作物生长三维模型，进行叠加渲染，形成本区域农作物当前个性化的三维模型展示。
基于本区域农作物当前个性化的三维模型，将区域农作物的健康状况、生长条件、杂草状况、虫害状况以及土壤空气等环境数据，输入到上述灌溉模型、施肥模型、灭虫模型中，根据来自传感装置的数据，输出农作物一片区域的灌溉、施肥、灭虫等相关控制系统的控制命令，灌溉、施肥、灭虫等相关控制系统执行命令，实现精细化、个性化的管理，同时将控制装置的实际输出数据反馈到所述的云数据中心。
云中心持续收集传感数据，针对实际农作物状况形成有针对性的模型，逐步形成农作物的最佳生长控制模型。
图2为本申请实施例提供的一种大面积农作物生长模型的结构示意图，上述实施例对图2中的环境传感装置、农作物生长健康状况模型、农作物的数字孪生模型、大面积农作物生长模型等各部分结构作出具体阐述，在这里不再赘述。
综上所述，本发明利用深度学习技术来提取农作物的环境及生长特征，并将多模态数据相融合，形成了更加准确的农产品数字孪生模型，采用统计学方法进行采样，基于单点的农作物孪生模型，融合各类环境数据，通过采样点扩展模型进行数据扩展，进而形成了一种大面积农作物生长模型，同时反馈给灌溉、施肥、灭虫等相关控制系统，实现农作物更加精细化、个性化的管理。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的要求范围之内。
Claims (10)
1.一种大面积农作物生长模型的建模方法，其特征在于，所述方法包括：
采集农作物的相关特征数据，将采集到的所述农作物的相关特征数据输入到所述农作物的相关模型中；
通过所述农作物的相关模型，提取所述农作物的融合特征数据，形成当前采样点的所述农作物的数字孪生模型；
采集所述农作物控制装置的数据，结合所述农作物的相关特征数据，基于指定数量的所述农作物的数字孪生模型，通过采样点扩展模型形成大面积农作物生长模型。
2.如权利要求1所述的方法，其特征在于，所述农作物的相关模型，包括但不限于：农作物生长健康状况模型、农作物生长环境状况模型和农作物虫害检测模型。
3.如权利要求1所述的方法，其特征在于，所述采集农作物的相关特征数据，具体包括：
通过环境传感装置、多光谱传感装置、高清图像采集装置和卫星遥感装置采集所述农作物的相关特征数据。
4.如权利要求1所述的方法，其特征在于，所述采集所述农作物控制装置的数据，具体包括：
通过灌溉装置、施肥装置和灭虫装置采集所述农作物的灌溉数据、施肥数据和灭虫药物喷洒数据。
5.如权利要求1所述的方法，其特征在于，所述方法还包括：
基于所述农作物采样点的位置，将所述农作物的相关特征数据上传至云数据中心进行存储。
6.如权利要求5所述的方法，其特征在于，所述方法还包括：
基于所述云数据中心存储的数据，针对所述农作物的状况形成有针对性的模型，逐步形成所述农作物的最佳生长控制模型。
7.如权利要求1所述的方法，其特征在于，所述方法还包括：
对农作物生长状况进行分析，基于所述分析结果，发送相关控制系统的控制命令，调整所述灌溉装置、施肥装置和灭虫装置，进而优化对农作物的管理。
8.如权利要求3所述的方法，其特征在于，所述方法还包括：
基于所述高清图像采集装置，得到所述农作物的图像数据，将所述农作物的图像数据应用于所述农作物的数字孪生模型的三维模型展示。
9.如权利要求1所述的方法，其特征在于，所述采样点扩展模型，具体包括：
基于一定数量的散点数据，扩展生成大面积连续区域的数据，形成所述采样点扩展模型。
10.如权利要求2所述的方法，其特征在于，所述农作物生长健康状况模型、农作物生长环境状况模型和农作物虫害检测模型，具体包括：
利用卷积神经网络形成所述农作物生长健康状况模型、农作物生长环境状况模型和农作物虫害检测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011390450.8A CN112711900A (zh) | 2020-12-02 | 2020-12-02 | 一种农作物数字孪生建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011390450.8A CN112711900A (zh) | 2020-12-02 | 2020-12-02 | 一种农作物数字孪生建模方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112711900A true CN112711900A (zh) | 2021-04-27 |
Family
ID=75543355
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011390450.8A Pending CN112711900A (zh) | 2020-12-02 | 2020-12-02 | 一种农作物数字孪生建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112711900A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113269873A (zh) * | 2021-06-01 | 2021-08-17 | 江苏星月测绘科技股份有限公司 | 一种基于数字孪生的三维全息可视化模型及实现方法 |
| CN113350797A (zh) * | 2021-06-29 | 2021-09-07 | 苏州纽克斯电源技术股份有限公司 | 基于数字孪生的农作物采摘方法和装置 |
| CN113705937A (zh) * | 2021-10-27 | 2021-11-26 | 武汉大学 | 联合机器视觉与作物模型的作物估产方法 |
| CN113796228A (zh) * | 2021-09-26 | 2021-12-17 | 南京邮电大学 | 一种基于数字孪生的植物培育系统及方法 |
| CN114080905A (zh) * | 2021-11-25 | 2022-02-25 | 杭州乔戈里科技有限公司 | 基于数字双胞胎的采摘方法及云采摘机器人系统 |
| CN116738766A (zh) * | 2023-08-11 | 2023-09-12 | 安徽金海迪尔信息技术有限责任公司 | 基于数字孪生的智慧农业线上产业化服务系统 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106779452A (zh) * | 2016-12-28 | 2017-05-31 | 贵州马科技有限公司 | 建立农作物数据生长模型的方法 |
| US20180211156A1 (en) * | 2017-01-26 | 2018-07-26 | The Climate Corporation | Crop yield estimation using agronomic neural network |
| CN109033655A (zh) * | 2018-08-03 | 2018-12-18 | 中国农业大学 | 一种农作物生长模型优化方法及装置 |
| CN109191074A (zh) * | 2018-08-27 | 2019-01-11 | 宁夏大学 | 智慧果园种植管理系统 |
| CN109341774A (zh) * | 2018-11-09 | 2019-02-15 | 鄢正连 | 地空一体化农业监测系统及方法 |
| WO2019073472A1 (en) * | 2017-10-13 | 2019-04-18 | Atp Labs Ltd. | SYSTEM AND METHOD FOR MANAGING AND OPERATING A LOGISTIC CHAIN FOR MANUFACTURING AGRICULTURAL PRODUCTS |
| CN109977924A (zh) * | 2019-04-15 | 2019-07-05 | 北京麦飞科技有限公司 | 针对农作物的无人机机上实时图像处理方法及系统 |
| CN110347127A (zh) * | 2019-06-26 | 2019-10-18 | 北京农业智能装备技术研究中心 | 基于云服务的农作物种植托管系统及方法 |
| CN110514597A (zh) * | 2019-09-04 | 2019-11-29 | 北京麦飞科技有限公司 | 基于星地遥感数据协同的农作物病虫害监测方法 |
| CN110728332A (zh) * | 2019-10-30 | 2020-01-24 | 西安交通大学 | 一种基于物联网的农业数据分析方法及系统 |
| CN110781865A (zh) * | 2019-11-08 | 2020-02-11 | 西安电子科技大学 | 一种农作物生长控制系统 |
| CN110826556A (zh) * | 2019-10-15 | 2020-02-21 | 遂昌濠畅电子科技有限公司 | 改进深度学习的广谱农作物杂草识别与定位方法 |
| 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 |
| CN111582324A (zh) * | 2020-04-20 | 2020-08-25 | 广州海睿信息科技有限公司 | 农业大数据分析的方法及装置 |
| CN111727443A (zh) * | 2020-05-15 | 2020-09-29 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于深度神经网络的土壤速效养分反演方法 |
| CN111985724A (zh) * | 2020-08-28 | 2020-11-24 | 深圳前海微众银行股份有限公司 | 一种农作物产量预估的方法、装置、设备及存储介质 |
-
2020
- 2020-12-02 CN CN202011390450.8A patent/CN112711900A/zh active Pending
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106779452A (zh) * | 2016-12-28 | 2017-05-31 | 贵州马科技有限公司 | 建立农作物数据生长模型的方法 |
| US20180211156A1 (en) * | 2017-01-26 | 2018-07-26 | The Climate Corporation | Crop yield estimation using agronomic neural network |
| WO2019073472A1 (en) * | 2017-10-13 | 2019-04-18 | Atp Labs Ltd. | SYSTEM AND METHOD FOR MANAGING AND OPERATING A LOGISTIC CHAIN FOR MANUFACTURING AGRICULTURAL PRODUCTS |
| CN109033655A (zh) * | 2018-08-03 | 2018-12-18 | 中国农业大学 | 一种农作物生长模型优化方法及装置 |
| CN109191074A (zh) * | 2018-08-27 | 2019-01-11 | 宁夏大学 | 智慧果园种植管理系统 |
| CN109341774A (zh) * | 2018-11-09 | 2019-02-15 | 鄢正连 | 地空一体化农业监测系统及方法 |
| CN109977924A (zh) * | 2019-04-15 | 2019-07-05 | 北京麦飞科技有限公司 | 针对农作物的无人机机上实时图像处理方法及系统 |
| CN110347127A (zh) * | 2019-06-26 | 2019-10-18 | 北京农业智能装备技术研究中心 | 基于云服务的农作物种植托管系统及方法 |
| CN110514597A (zh) * | 2019-09-04 | 2019-11-29 | 北京麦飞科技有限公司 | 基于星地遥感数据协同的农作物病虫害监测方法 |
| CN110826556A (zh) * | 2019-10-15 | 2020-02-21 | 遂昌濠畅电子科技有限公司 | 改进深度学习的广谱农作物杂草识别与定位方法 |
| CN110728332A (zh) * | 2019-10-30 | 2020-01-24 | 西安交通大学 | 一种基于物联网的农业数据分析方法及系统 |
| CN110781865A (zh) * | 2019-11-08 | 2020-02-11 | 西安电子科技大学 | 一种农作物生长控制系统 |
| 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 |
| CN111582324A (zh) * | 2020-04-20 | 2020-08-25 | 广州海睿信息科技有限公司 | 农业大数据分析的方法及装置 |
| CN111727443A (zh) * | 2020-05-15 | 2020-09-29 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于深度神经网络的土壤速效养分反演方法 |
| CN111985724A (zh) * | 2020-08-28 | 2020-11-24 | 深圳前海微众银行股份有限公司 | 一种农作物产量预估的方法、装置、设备及存储介质 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113269873A (zh) * | 2021-06-01 | 2021-08-17 | 江苏星月测绘科技股份有限公司 | 一种基于数字孪生的三维全息可视化模型及实现方法 |
| CN113350797A (zh) * | 2021-06-29 | 2021-09-07 | 苏州纽克斯电源技术股份有限公司 | 基于数字孪生的农作物采摘方法和装置 |
| CN113796228A (zh) * | 2021-09-26 | 2021-12-17 | 南京邮电大学 | 一种基于数字孪生的植物培育系统及方法 |
| CN113796228B (zh) * | 2021-09-26 | 2022-08-23 | 南京邮电大学 | 一种基于数字孪生的植物培育系统及方法 |
| CN113705937A (zh) * | 2021-10-27 | 2021-11-26 | 武汉大学 | 联合机器视觉与作物模型的作物估产方法 |
| CN114080905A (zh) * | 2021-11-25 | 2022-02-25 | 杭州乔戈里科技有限公司 | 基于数字双胞胎的采摘方法及云采摘机器人系统 |
| CN116738766A (zh) * | 2023-08-11 | 2023-09-12 | 安徽金海迪尔信息技术有限责任公司 | 基于数字孪生的智慧农业线上产业化服务系统 |
| CN116738766B (zh) * | 2023-08-11 | 2023-10-13 | 安徽金海迪尔信息技术有限责任公司 | 基于数字孪生的智慧农业线上产业化服务系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112711900A (zh) | 一种农作物数字孪生建模方法 | |
| Fountas et al. | The future of digital agriculture: technologies and opportunities | |
| Chen et al. | An AIoT based smart agricultural system for pests detection | |
| Yalcin et al. | Plant classification using convolutional neural networks | |
| Shafi et al. | A multi-modal approach for crop health mapping using low altitude remote sensing, internet of things (IoT) and machine learning | |
| JP7086203B2 (ja) | 植物体耕作データ測定方法、作業経路計画方法及び装置、システム | |
| JP6638121B1 (ja) | 作物生育ステージ判定システムのサーバ装置、生育ステージ判定方法及びプログラム | |
| CN111008733B (zh) | 一种作物生长管控方法和系统 | |
| Maduranga et al. | Machine learning applications in IoT based agriculture and smart farming: A review | |
| CN114144061A (zh) | 用于基于图像识别的种植物处理的方法 | |
| Baofeng et al. | Digital surface model applied to unmanned aerial vehicle based photogrammetry to assess potential biotic or abiotic effects on grapevine canopies | |
| CN111504371A (zh) | 大数据服务系统 | |
| Farooqui et al. | IOT based automated greenhouse using machine learning approach | |
| CN112418473A (zh) | 农作物信息的处理方法、装置、设备及计算机存储介质 | |
| CN112528912A (zh) | 基于边缘计算的作物生长监测嵌入式系统及方法 | |
| Molin et al. | Precision agriculture and the digital contributions for site-specific management of the fields | |
| Singh et al. | Role of artificial intelligence and the internet of things in agriculture | |
| WO2022072219A1 (en) | Calibration of autonomous farming vehicle image acquisition system | |
| US20220414795A1 (en) | Crop disease prediction and treatment based on artificial intelligence (ai) and machine learning (ml) models | |
| Naresh et al. | The prospect of Artificial Intelligence (AI) in precision agriculture for farming systems productivity in sub-tropical India: a review | |
| Ambildhuke et al. | IoT based Portable Weather Station for Irrigation Management using Real-Time Parameters | |
| EP4136952A1 (en) | Machine learning optimization through randomized autonomous crop planting | |
| US20230166732A1 (en) | Work machine distance prediction and action control | |
| CN113361377A (zh) | 一种植物生长管控模型构建方法、电子设备、存储介质 | |
| Berger et al. | A YOLO-Based Insect Detection: Potential Use of Small Multirotor Unmanned Aerial Vehicles (UAVs) Monitoring |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210427 |
|
| RJ01 | Rejection of invention patent application after publication |