CN112714411B - 具有可移动节点的农业监测装置 - Google Patents
具有可移动节点的农业监测装置 Download PDFInfo
- Publication number
- CN112714411B CN112714411B CN202110092987.4A CN202110092987A CN112714411B CN 112714411 B CN112714411 B CN 112714411B CN 202110092987 A CN202110092987 A CN 202110092987A CN 112714411 B CN112714411 B CN 112714411B
- Authority
- CN
- China
- Prior art keywords
- minutes
- neural network
- convolutional neural
- abnormal
- abnormal level
- 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
- 238000012806 monitoring device Methods 0.000 title claims abstract description 25
- 239000002689 soil Substances 0.000 claims abstract description 18
- 230000005540 biological transmission Effects 0.000 claims abstract description 9
- 230000036541 health Effects 0.000 claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims description 40
- 235000011034 Rubus glaucus Nutrition 0.000 claims description 37
- 235000009122 Rubus idaeus Nutrition 0.000 claims description 37
- 238000013527 convolutional neural network Methods 0.000 claims description 28
- 201000010099 disease Diseases 0.000 claims description 19
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 19
- 238000011161 development Methods 0.000 claims description 13
- 241001465754 Metazoa Species 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 8
- WZLMXYBCAZZIRQ-UHFFFAOYSA-N [N].[P].[K] Chemical compound [N].[P].[K] WZLMXYBCAZZIRQ-UHFFFAOYSA-N 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000009545 invasion Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 240000007651 Rubus glaucus Species 0.000 claims 13
- 230000005856 abnormality Effects 0.000 claims 1
- 238000013507 mapping Methods 0.000 claims 1
- 238000005070 sampling Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 11
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 230000007613 environmental effect Effects 0.000 abstract 1
- 244000235659 Rubus idaeus Species 0.000 description 24
- 230000006378 damage Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 241000233622 Phytophthora infestans Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/183—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a single remote source
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Agronomy & Crop Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及农业智能监测装置,具体为具有可移动节点的农业监测装置。该装置由多个固定节点和一个移动节点组成,通过固定节点与移动节点采集农业相关的数据信息和图像信息,通过无线传输技术进行数据信息的传输,并使用神经网络算法对采集的图像信息进行诊断识别,实现环境参数监测、土壤参数监测、农作物状态监测以及农作物健康的监测和预测。用户可通过无线传输技术在本地以及远程对监测结果进行查看。相比于市面上其它的农业监测装置,本装置监测的实时性、准确性与智能化得到了很大提升。
Description
技术领域
本发明涉及农业智能监测装置,具体为具有可移动节点的农业监测装置。
背景技术
我国作为农业大国,农业经济历来是我国经济基础,而每年因农作物病害、动物破坏、自然灾害等造成的农业损失量都十分巨大,为了能够直观的对农作物以及生长环境进行监测管理,市面上有许多农业监测装置,大部分的监测装置起到了一定的监测效果,但是缺点是实时性不够强,监测信息不够全面,数据类型较为单一,智能化程度较低,对突发的情况无法做出快速准确的反应。
发明内容
本发明针对现有的农业监测装置实时性不够强、监测信息不够全面、数据类型较为单一、智能化程度较低以及对突发的情况无法做出快速准确的反应的问题,提供了具有可移动节点的农业监测装置。
本发明是采用如下的技术方案实现的:具有可移动节点的农业监测装置,包括多个固定节点和一个移动节点;其中固定节点包括无线传输模块、温度传感器、湿度传感器、土壤酸碱度传感器和土壤氮磷钾传感器,温度传感器、湿度传感器、土壤酸碱度传感器和土壤氮磷钾传感器都和无线传输模块连接,固定节点分布在农田中的不同位置,采集农田中不同地方的土壤温湿度、pH值、土壤氮磷钾含量、空气的温湿度;移动节点包括机器人、树莓派、Arduino开发板和无线传输模块,树莓派、Arduino开发板、无线传输模块安装在机器人上;树莓派和无线传输模块连接,Arduino开发板内写入有机器人移动路径,移动节点的移动通过Arduino开发板控制机器人实现,在移动过程中接收分布在各处的固定节点采集的信息,树莓派内部署有智能监测软件,用户通过无线与树莓派建立连接,通过对智能监测软件进行访问,对不同固定节点采集到数据信息进行实时查看。
上述的具有可移动节点的农业监测装置,移动节点还包括摄像头,摄像头安装在机器人上,摄像头和树莓派连接,移动节点使用摄像头进行拍照采集农作物图像信息。用户可在智能监测软件上查看最新的图片以及既往的图片。
上述的具有可移动节点的农业监测装置,树莓派内部署有卷积神经网络,卷积神经网络根据农作物图像进行健康判断,识别病害。
上述的具有可移动节点的农业监测装置,部署到树莓派上的智能监测软件使用Python+PyQt5开发。
上述的具有可移动节点的农业监测装置,固定节点和移动节点中的无线传输模块为ZigBee模块,移动节点还可以通过WIFI与上位机通信。
上述的具有可移动节点的农业监测装置,选择合适的卷积神经网络结构以及超参数,通过对一定数量的图像进行训练学习,最终选择测试效果较优的模型部署到移动节点的树莓派上。
上述的具有可移动节点的农业监测装置,建立固定节点信息与摄像头采集农作物健康状态的对应关系,可以指导农作物生长环境的控制,确保农作物健康。例如,农作物的土壤酸碱度等土壤状况,以及生长环境与出现病害有一定关系,找到这种关系,可以避免这种不利情况发生。
相比于市面上其他的农业监测装置,本装置在对农作物的生长环境参数进行监测的基础上,利用多种传感器采集的数据信息和摄像头采集的图像信息对一些可能影响农作物生长或对农作物造成损害的因素进行实时监测,例如土壤的温湿度、酸碱度、农作物病害、火灾、人为或动物破坏等。移动节点配置了神经网络模型,可以根据农作物图片进行健康判断,提醒管理人员及时调整培育方案、解决病害。移动节点对摄像头采集的图像信息进行判断识别,根据不同情况如农作物出现病害、发现人或动物入侵、发现火灾等等,进行自动调节拍照间隔,快速反应出农作物可能处在危险的状态并对管理人员进行相应的提示,为管理人员及时采取正确措施提供依据。相比于市面上其它的农业监测装置,本发明监测的实时性、准确性与智能化得到了很大提升。
附图说明
为了清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,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的前提下,还可以根据这些附图获得其他的附图。
图1为装置整体结构图。
图2移动节点自动调整拍照间隔流程图。
图3为固定节点与移动节点拓扑结构。
图4为树莓派拍照及处理流程图。
图5为识别西红柿晚疫病的神经网络结构图。
图中:C1~C3为卷积层,卷积核数目分别为64,128,64,卷积核大小均为3×3像素,滑动步长均为1;P1与P2为池化层,均采用尺寸为2×2的核对卷积层输入进来的图片进行下采样,试验均选取最大值池化(max-pooling)为池化方式。卷积层三后接Flatten层,将输入“压平”,把多维输入一维化。D1与D2为Dropout层,Dropout层暂时将一部分神经元的权重置零,降低神经元间的依赖,从而避免过拟合。FC1与FC2为全连接层,全连接层的神经元与前一层的神经元进行全连接,将可以用来区分类别的特征信息进行整合并映射到样本空间。
图6为智能监测软件。
软件左上方为串口的相关操作按钮,以及已接收、已发送字符的显示。软件中间为数据接收区与数据发送区,用于显示接收到的节点数据,以及向串口发送字符功能,接收区右侧可以选择不同的固定节点进行查看。软件右侧为实时曲线,根据接收到的固定节点数据进行实时绘制,使接收到的数据更直观的展示给用户。软件的左下方为图像显示区域,用于显示移动节点拍摄的图片以及对该图片的识别结果。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。显然,所描述的实施例仅仅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做出创造性劳动的前提下所得到的所有其他实施方式,都属于本发明所保护的范围。
本装置由多个固定节点和一个移动节点组成。固定节点由ZigBee模块以及温湿度传感器、土壤酸碱度传感器、土壤氮磷钾传感器等多种传感器组成,分布在农田中的不同位置,采集农田中不同地方的土壤温湿度、pH值、土壤氮磷钾含量、空气的温湿度等多种数据信息,数据信息通过ZigBee模块传输到移动节点。移动节点由四足机器人、树莓派、Arduino开发板(上面有一定外设)、摄像头、ZigBee模块组成,树莓派、Arduino开发板、摄像头、ZigBee模块安装在四足机器人上。移动节点的移动通过Arduino开发板控制四足机器人实现,在移动过程中接收分布在各处的固定节点采集的信息,并使用摄像头进行拍照采集农作物图像信息。图像信息使用相应的算法进行识别,例如使用卷积神经网络(Convolutional Neural Network,CNN)算法识别病害,选择合适的卷积神经网络结构以及超参数,通过对一定数量的图像进行训练学习,最终选择测试效果较优的模型部署到移动节点的树莓派上。智能监测软件使用Python+PyQt5开发,并部署到树莓派上,用户通过WiFi与树莓派建立连接,通过远程桌面VNC对智能监测软件进行访问,对不同固定节点采集到数据信息以及农作物图像信息进行实时查看。
本发明装置的具体实施过程为:装置上电之后移动节点自动启动拍照程序,拍摄的照片保存于树莓派专用文件夹下,用户可在智能监测软件上查看最新的图片以及既往的图片。同时,移动节点开始接受固定节点传输的数据,固定节点每30分钟采集一次所在区域的土壤温湿度、土壤酸碱度、土壤氮磷钾含量、空气的温湿度等数据信息,用户可以通过智能监测软件查看相关数据信息,并根据采集的数据信息及时采取相应的措施保证农作物健康生长。移动节点上的摄像头拍照间隔初始值为30分钟,拍照间隔可根据不同异常等级进行自动调整,异常等级根据摄像头采集的图像信息识别到的异常情况设定,例如,等级1为出现火情,等级2为检测到人或动物入侵,等级3为出现农作物病害。树莓派内部署有火灾识别卷积神经网络、入侵识别卷积神经网络和病害识别卷积神经网络,火灾识别卷积神经网络、入侵识别卷积神经网络和病害识别卷积神经网络根据图片分别识别火灾、人或动物入侵和农作物病害。
摄像头采集的图像先经过火灾识别卷积神经网络识别,若不是火灾后再经过入侵识别卷积神经网络识别,若也不是人或动物入侵后经过病害识别卷积神经网络识别。当未出现异常等级1、2、3的情况时,保持30分钟间隔不变;当出现异常等级1的情况时,提示管理人员,拍照间隔变为5分钟,在每次拍照后对照片进行异常等级1的情况进行识别,识别结果为异常等级1就对管理人员进行一次提示,30分钟后恢复30分钟拍照间隔。当出现异常等级2的情况时,提示管理人员,拍照间隔变为10分钟,且对每一次采集到的照片先进行异常等级1的情况进行识别,如果任意一次识别结果为异常等级1,则拍照间隔变为5分钟,并在后续的照片中只对异常等级1的情况进行识别,在30分钟后恢复30分钟拍照间隔。当出现异常等级3的情况时,提示管理人员,并保持30分钟拍照间隔不变;且对每一次采集到的照片进行异常等级1、2的情况进行识别,如果任意一次识别结果为异常等级1,则拍照间隔变为5分钟,并在后续的照片中只对异常等级1的情况进行识别,在30分钟后恢复30分钟拍照间隔,如果任意一次识别结果为异常等级2,则拍照间隔变为10分钟,在30分钟后恢复30分钟拍照间隔。当出现异常等级1、2的情况时,四足机器人停止移动30分钟,摄像头在此处连续拍摄。四足走30分钟停下来拍一次照(相当于拍照间隔30分钟),树莓派向Arduino开发板发送指令,Arduino开发板控制四足机器人停下并向树莓派返回指令,树莓派开始拍照流程。如果未出现异常,树莓派向Aruidno发送指令继续行走;如果出现异常等级3,树莓派向管理人员发送提示消息后向Aruidno发送指令继续行走;如果出现异常等级1、2,无论后续识别是否继续出现异常,都需停够30分钟再走。
本装置的固定节点与移动节点通信协议主要基于Z-Stack协议栈进行开发,移动节点的树莓派通过串口连接CC2530协调器进行ZigBee网络的建立与管理,协调器和树莓派系统的控制中心对分布在农田的固定节点进行轮询呼叫。OSAL是协议栈中最关键的部分,OSAL通过事件轮询机制来实现协议栈的调度,对于同时发生的多个事件首先进行优先级比较,然后依次中断处理事件,同时管理无线传感网络的软硬件资源,包括电源、内存、时间、任务同步等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (4)
1.具有可移动节点的农业监测装置,其特征在于:包括多个固定节点和一个移动节点;其中固定节点包括无线传输模块、温度传感器、湿度传感器、土壤酸碱度传感器和土壤氮磷钾传感器,温度传感器、湿度传感器、土壤酸碱度传感器和土壤氮磷钾传感器都和无线传输模块连接,固定节点分布在农田中的不同位置,采集农田中不同地方的土壤温湿度、pH值、土壤氮磷钾含量、空气的温湿度;移动节点包括机器人、树莓派、Arduino开发板和无线传输模块,树莓派、Arduino开发板、无线传输模块安装在机器人上;树莓派和无线传输模块连接,Arduino开发板内写入有机器人移动路径,移动节点的移动通过Arduino开发板控制机器人实现,在移动过程中接收分布在各处的固定节点采集的信息,树莓派内部署有智能监测软件,用户通过无线与树莓派建立连接,通过远程桌面对智能监测软件进行访问,对不同固定节点采集到数据信息进行实时查看,移动节点还包括摄像头,摄像头安装在机器人上,摄像头和树莓派连接,移动节点使用摄像头进行拍照采集农作物图像信息,树莓派内部署有卷积神经网络,卷积神经网络根据农作物图片进行健康判断,识别病害;
装置上电之后移动节点自动启动拍照程序,拍摄的照片保存于树莓派专用文件夹下,用户可在智能监测软件上查看最新的图片以及既往的图片;同时,移动节点开始接受固定节点传输的数据,固定节点每30分钟采集一次所在区域的土壤温湿度、土壤酸碱度、土壤氮磷钾含量、空气的温湿度数据信息,用户可以通过智能监测软件查看相关数据信息,并根据采集的数据信息及时采取相应的措施保证农作物健康生长;移动节点上的摄像头拍照间隔初始值为30分钟,拍照间隔可根据不同异常等级进行自动调整,异常等级根据摄像头采集的图像信息识别到的异常情况设定,等级1为出现火情,等级2为检测到人或动物入侵,等级3为出现农作物病害;树莓派内部署有火灾识别卷积神经网络、入侵识别卷积神经网络和病害识别卷积神经网络,火灾识别卷积神经网络、入侵识别卷积神经网络和病害识别卷积神经网络根据图片分别识别火灾、人或动物入侵和农作物病害;
摄像头采集的图像先经过火灾识别卷积神经网络识别,若不是火灾后再经过入侵识别卷积神经网络识别,若也不是人或动物入侵后经过病害识别卷积神经网络识别;当未出现异常等级1、2、3的情况时,保持30分钟间隔不变;当出现异常等级1的情况时,提示管理人员,拍照间隔变为5分钟,在每次拍照后对照片进行异常等级1的情况进行识别,识别结果为异常等级1就对管理人员进行一次提示,30分钟后恢复30分钟拍照间隔;当出现异常等级2的情况时,提示管理人员,拍照间隔变为10分钟,且对每一次采集到的照片先进行异常等级1的情况进行识别,如果任意一次识别结果为异常等级1,则拍照间隔变为5分钟,并在后续的照片中只对异常等级1的情况进行识别,在30分钟后恢复30分钟拍照间隔;当出现异常等级3的情况时,提示管理人员,并保持30分钟拍照间隔不变;且对每一次采集到的照片进行异常等级1、2的情况进行识别,如果任意一次识别结果为异常等级1,则拍照间隔变为5分钟,并在后续的照片中只对异常等级1的情况进行识别,在30分钟后恢复30分钟拍照间隔,如果任意一次识别结果为异常等级2,则拍照间隔变为10分钟,在30分钟后恢复30分钟拍照间隔;当出现异常等级1、2的情况时,机器人停止移动30分钟,摄像头在此处连续拍摄;走30分钟停下来拍一次照,树莓派向Arduino开发板发送指令,Arduino开发板控制机器人停下并向树莓派返回指令,树莓派开始拍照流程;如果未出现异常,树莓派向Aruidno发送指令继续行走;如果出现异常等级3,树莓派向管理人员发送提示消息后向Aruidno发送指令继续行走;如果出现异常等级1、2,无论后续识别是否继续出现异常,都需停够30分钟再走;
选择合适的卷积神经网络结构以及超参数,通过对一定数量的图像进行训练学习,最终选择测试效果较优的模型部署到移动节点的树莓派上,病害识别卷积神经网络包括卷积层C1~C3,卷积核数目分别为64,128,64,卷积核大小均为3×3像素,滑动步长均为1;池化层P1与P2,均采用尺寸为2×2的核对卷积层输入进来的图片进行下采样,均选取最大值池化为池化方式,卷积层C3后接Flatten层,把多维输入一维化; Dropout层D1与D2,Dropout层暂时将一部分神经元的权重置零,降低神经元间的依赖,从而避免过拟合,全连接层FC1与FC2,全连接层的神经元与前一层的神经元进行全连接,将可以用来区分类别的特征信息进行整合并映射到样本空间。
2.根据权利要求1所述的具有可移动节点的农业监测装置,其特征在于:部署到树莓派上的智能监测软件使用Python+PyQt5开发。
3.根据权利要求1或2所述的具有可移动节点的农业监测装置,其特征在于:固定节点和移动节点中的无线传输模块为ZigBee模块。
4.根据权利要求2所述的具有可移动节点的农业监测装置,其特征在于:建立固定节点信息与摄像头采集农作物健康状态的对应关系,可以指导农作物生长环境的控制,确保农作物健康。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110092987.4A CN112714411B (zh) | 2021-01-25 | 2021-01-25 | 具有可移动节点的农业监测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110092987.4A CN112714411B (zh) | 2021-01-25 | 2021-01-25 | 具有可移动节点的农业监测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112714411A CN112714411A (zh) | 2021-04-27 |
CN112714411B true CN112714411B (zh) | 2023-04-18 |
Family
ID=75549482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110092987.4A Active CN112714411B (zh) | 2021-01-25 | 2021-01-25 | 具有可移动节点的农业监测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112714411B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113900447A (zh) * | 2021-10-19 | 2022-01-07 | 山东上田沃土地规划设计服务有限公司 | 一种无人机农田核查方法、装置、电子设备及存储介质 |
CN114155431A (zh) * | 2021-11-06 | 2022-03-08 | 中山嘉明电力有限公司 | 一种基于机器人的环境安全分析方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389663A (zh) * | 2015-11-20 | 2016-03-09 | 天津市农业技术推广站 | 一种农田灌溉智能决策系统和方法 |
CN207197578U (zh) * | 2017-09-11 | 2018-04-06 | 北京农业智能装备技术研究中心 | 一种设施农业物联网环境监测系统的测试分析装置 |
CN108574737A (zh) * | 2018-06-13 | 2018-09-25 | 成都信息工程大学 | 基于云技术和zynq平台的农业自动监控系统及方法 |
CN109470299A (zh) * | 2018-10-19 | 2019-03-15 | 江苏大学 | 一种基于物联网的作物生长信息监测系统和方法 |
CN109558852A (zh) * | 2018-12-04 | 2019-04-02 | 深圳码隆科技有限公司 | 一种基于图像识别技术的纺丝机故障监测系统 |
CN110487326A (zh) * | 2019-07-12 | 2019-11-22 | 重庆泰升生态农业发展有限公司 | 一种观光农业用环境信息监测系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2486913A (en) * | 2010-12-30 | 2012-07-04 | Delaval Holding Ab | Control and monitoring system for an animal installation |
US10802009B2 (en) * | 2016-12-06 | 2020-10-13 | Ning Zeng | Networked environmental monitoring system and method |
CN206441001U (zh) * | 2016-12-14 | 2017-08-25 | 南昌航空大学 | 一种中小型温室种植业远程监控及管理装置 |
CN207665008U (zh) * | 2017-09-28 | 2018-07-27 | 山东农业大学 | 一种可移动的农业温室信息采集系统 |
TWI667620B (zh) * | 2018-01-25 | 2019-08-01 | 國立臺灣大學 | 蟲害監控系統 |
CN208128532U (zh) * | 2018-04-25 | 2018-11-20 | 山东明峰世纪机器人有限公司 | 一种多功能植物生长与生境信息监测系统 |
CN111047458A (zh) * | 2019-12-17 | 2020-04-21 | 江苏恒宝智能系统技术有限公司 | 一种农田监控方法 |
CN112241951A (zh) * | 2020-10-19 | 2021-01-19 | 深圳大学 | 基于树莓派和lora的农业监测方法、系统及计算机设备 |
-
2021
- 2021-01-25 CN CN202110092987.4A patent/CN112714411B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389663A (zh) * | 2015-11-20 | 2016-03-09 | 天津市农业技术推广站 | 一种农田灌溉智能决策系统和方法 |
CN207197578U (zh) * | 2017-09-11 | 2018-04-06 | 北京农业智能装备技术研究中心 | 一种设施农业物联网环境监测系统的测试分析装置 |
CN108574737A (zh) * | 2018-06-13 | 2018-09-25 | 成都信息工程大学 | 基于云技术和zynq平台的农业自动监控系统及方法 |
CN109470299A (zh) * | 2018-10-19 | 2019-03-15 | 江苏大学 | 一种基于物联网的作物生长信息监测系统和方法 |
CN109558852A (zh) * | 2018-12-04 | 2019-04-02 | 深圳码隆科技有限公司 | 一种基于图像识别技术的纺丝机故障监测系统 |
CN110487326A (zh) * | 2019-07-12 | 2019-11-22 | 重庆泰升生态农业发展有限公司 | 一种观光农业用环境信息监测系统 |
Non-Patent Citations (1)
Title |
---|
Siwakorn Jindarat等.Smart farm monitoring using Raspberry Pi and Arduino.《2015 International Conference on Computer, Communications, and Control Technology (I4CT)》.2015,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112714411A (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112714411B (zh) | 具有可移动节点的农业监测装置 | |
CN112990262B (zh) | 一种草原生态数据监测与智能决策一体化解决系统 | |
CN110428522A (zh) | 一种智慧新城的智能安防系统 | |
CN109801265B (zh) | 一种基于卷积神经网络的实时输电设备异物检测系统 | |
CN106650941B (zh) | 一种基于可靠性管理的不确定性消除情景感知系统及其工作方法 | |
CN112461828A (zh) | 一种基于卷积神经网络的病虫害智能测报预警系统 | |
CN113312957A (zh) | 基于视频图像的脱岗识别方法、装置、设备及存储介质 | |
CN104007733B (zh) | 一种对农业集约化生产进行监控的系统及方法 | |
CN107544387A (zh) | 一种人脸识别家庭安防系统及方法 | |
CN112714410B (zh) | 具有可移动节点的农业监测方法 | |
CN116092199A (zh) | 一种员工工作状态识别方法及识别系统 | |
CN116563758A (zh) | 狮头鹅监控方法、装置、设备及存储介质 | |
CN114460080A (zh) | 一种水稻病虫智能监控系统 | |
CN109284740A (zh) | 对鼠情进行统计的方法、装置、设备以及存储介质 | |
CN115601585A (zh) | 基于图片分析的农业病虫害诊断方法及装置 | |
CN116300608A (zh) | 一种基于大数据的智慧农业远程监控系统 | |
AU2021105327A4 (en) | A computer implemented and IoT based method for increasing crop production using machine learning model | |
CN112183487A (zh) | 基于5g的牲畜健康监测系统和方法 | |
CN116543347A (zh) | 智慧虫情在线监测系统、方法、装置及介质 | |
CN114898405A (zh) | 基于边缘计算的便携式肉鸡异常监测系统 | |
CN115349459B (zh) | 一种智能猪舍监控系统 | |
CN114913655B (zh) | 基于边缘计算的博物馆智能安防方法 | |
CN116224884A (zh) | 基于ai视觉的禽舍环境、家禽体感温度控制系统及方法 | |
CN110647926A (zh) | 医学影像流识别方法、装置、电子设备和存储介质 | |
CN113989643B (zh) | 管道状态检测方法、装置、介质及计算设备 |
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 |