CN112950399A - 一种山兰米种植无公害防治系统及方法 - Google Patents
一种山兰米种植无公害防治系统及方法 Download PDFInfo
- Publication number
- CN112950399A CN112950399A CN202110258668.6A CN202110258668A CN112950399A CN 112950399 A CN112950399 A CN 112950399A CN 202110258668 A CN202110258668 A CN 202110258668A CN 112950399 A CN112950399 A CN 112950399A
- Authority
- CN
- China
- Prior art keywords
- module
- image
- rice
- soil
- pest
- 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
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 65
- 235000009566 rice Nutrition 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000002265 prevention Effects 0.000 title claims abstract description 14
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 100
- 241000209094 Oryza Species 0.000 claims abstract description 65
- 239000002689 soil Substances 0.000 claims abstract description 61
- 201000010099 disease Diseases 0.000 claims abstract description 56
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 56
- 238000004458 analytical method Methods 0.000 claims abstract description 48
- 238000012544 monitoring process Methods 0.000 claims abstract description 42
- 238000005286 illumination Methods 0.000 claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 21
- 235000013532 brandy Nutrition 0.000 claims abstract description 14
- 239000000203 mixture Substances 0.000 claims abstract description 8
- 241000238631 Hexapoda Species 0.000 claims description 33
- 241000196324 Embryophyta Species 0.000 claims description 30
- 238000002791 soaking Methods 0.000 claims description 15
- 238000007726 management method Methods 0.000 claims description 14
- 238000011161 development Methods 0.000 claims description 12
- 230000018109 developmental process Effects 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 239000003795 chemical substances by application Substances 0.000 claims description 9
- 238000005406 washing Methods 0.000 claims description 9
- 239000000575 pesticide Substances 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- JLIDBLDQVAYHNE-YKALOCIXSA-N (+)-Abscisic acid Chemical compound OC(=O)/C=C(/C)\C=C\[C@@]1(O)C(C)=CC(=O)CC1(C)C JLIDBLDQVAYHNE-YKALOCIXSA-N 0.000 claims description 6
- MHAJPDPJQMAIIY-UHFFFAOYSA-N Hydrogen peroxide Chemical compound OO MHAJPDPJQMAIIY-UHFFFAOYSA-N 0.000 claims description 6
- QAOWNCQODCNURD-UHFFFAOYSA-N Sulfuric acid Chemical compound OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 claims description 6
- 239000012153 distilled water Substances 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 229910001385 heavy metal Inorganic materials 0.000 claims description 6
- 238000004659 sterilization and disinfection Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 230000006806 disease prevention Effects 0.000 claims description 4
- YNWVFADWVLCOPU-MDWZMJQESA-N (1E)-1-(4-chlorophenyl)-4,4-dimethyl-2-(1H-1,2,4-triazol-1-yl)pent-1-en-3-ol Chemical compound C1=NC=NN1/C(C(O)C(C)(C)C)=C/C1=CC=C(Cl)C=C1 YNWVFADWVLCOPU-MDWZMJQESA-N 0.000 claims description 3
- IXVMHGVQKLDRKH-VRESXRICSA-N Brassinolide Natural products O=C1OC[C@@H]2[C@@H]3[C@@](C)([C@H]([C@@H]([C@@H](O)[C@H](O)[C@H](C(C)C)C)C)CC3)CC[C@@H]2[C@]2(C)[C@@H]1C[C@H](O)[C@H](O)C2 IXVMHGVQKLDRKH-VRESXRICSA-N 0.000 claims description 3
- 206010039509 Scab Diseases 0.000 claims description 3
- 241000746966 Zizania Species 0.000 claims description 3
- 235000002636 Zizania aquatica Nutrition 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 3
- 229930002877 anthocyanin Natural products 0.000 claims description 3
- 235000010208 anthocyanin Nutrition 0.000 claims description 3
- 239000004410 anthocyanin Substances 0.000 claims description 3
- 150000004636 anthocyanins Chemical class 0.000 claims description 3
- 239000007864 aqueous solution Substances 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 239000012298 atmosphere Substances 0.000 claims description 3
- IXVMHGVQKLDRKH-KNBKMWSGSA-N brassinolide Chemical compound C1OC(=O)[C@H]2C[C@H](O)[C@H](O)C[C@]2(C)[C@H]2CC[C@]3(C)[C@@H]([C@H](C)[C@@H](O)[C@H](O)[C@@H](C)C(C)C)CC[C@H]3[C@@H]21 IXVMHGVQKLDRKH-KNBKMWSGSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000007418 data mining Methods 0.000 claims description 3
- FCRACOPGPMPSHN-UHFFFAOYSA-N desoxyabscisic acid Natural products OC(=O)C=C(C)C=CC1C(C)=CC(=O)CC1(C)C FCRACOPGPMPSHN-UHFFFAOYSA-N 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000035784 germination Effects 0.000 claims description 3
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 239000005416 organic matter Substances 0.000 claims description 3
- 239000000447 pesticide residue Substances 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000003908 quality control method Methods 0.000 claims description 3
- 240000009088 Fragaria x ananassa Species 0.000 claims description 2
- 230000003902 lesion Effects 0.000 claims description 2
- 238000009331 sowing Methods 0.000 claims description 2
- 235000021012 strawberries Nutrition 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 abstract description 8
- 239000003337 fertilizer Substances 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 206010019345 Heat stroke Diseases 0.000 description 1
- 241000233855 Orchidaceae Species 0.000 description 1
- 208000007180 Sunstroke Diseases 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
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—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
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C1/00—Apparatus, or methods of use thereof, for testing or treating seed, roots, or the like, prior to sowing or planting
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C1/00—Apparatus, or methods of use thereof, for testing or treating seed, roots, or the like, prior to sowing or planting
- A01C1/08—Immunising seed
-
- 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
- A01G22/00—Cultivation of specific crops or plants not otherwise provided for
- A01G22/20—Cereals
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
- G06V20/38—Outdoor scenes
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Environmental Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Soil Sciences (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Botany (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Agronomy & Crop Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明属于农业种植技术领域，公开了一种山兰米种植无公害防治系统及方法，包括：种子选取模块、图像采集模块、温度监测模块、湿度监测模块、光照数据采集模块、土壤酸碱度检测模块、中央控制模块、图像处理模块、土壤成分分析模块、空气数据采集分析模块、病虫害预测分析模块、病虫害防治措施输出模块以及管理模块。本发明通过选取高质量的种子以及监测山兰米生长过程中的环境数据，进行环境的数据的分析、调整进行山兰米的无公害防治；本发明通过结合环境数据进行环境调整，并辅助生物防治手段能够有效防治山兰米的病虫害，并在保证山兰米的绿色、安全的情况下有效的提高山兰米的产率，同时采用智能化管理手段，节省了人力。
Description
技术领域
本发明属于农业种植技术领域，尤其涉及一种山兰米种植无公害防治系统及方法。
背景技术
目前：海南山兰米，营养价值很高，产量非常的少，分为旱稻和水稻。是海南古老的、具有很强适应性的旱稻地方品种。“山兰米”千年来一直种植在海南中部的五指山、琼中、白沙、保亭、乐东地区，该地区素来有“天然大温室”的美称，因为该地区有着两种气候之分，海南以北的海口湿润凉爽，以南的三亚酷暑严热。因为在海南北纬18度之间(五指山、牛岭)中部地区，划分出了南北两种不同温差的气候，形成天然的热带和亚热带交汇处，称为黄金交汇处的“分界洲”，在气候、水文、物产以及地貌上的形成世界上独一无二的生物基因宝库，当“山兰米”离开这人区域时，别的地区根本种植不了。因此，全世界也只有北纬18度这版绿色无污染的五指山独特地区，才种出紫红色的山兰米。
山兰米的种植过程不能施加化肥农药，且对于环境等具备较高的要求，而山兰米也存在病虫害，而现有技术却并无针对山兰米的种植无公害防治系统。
通过上述分析，现有技术存在的问题及缺陷为：现有技术缺少针对山兰米的种植无公害防治系统；现有的无公害防治都是通过化肥与农药实现的。
发明内容
针对现有技术存在的问题，本发明提供了一种山兰米种植无公害防治系统及方法。
本发明是这样实现的，一种山兰米种植无公害防治系统包括：
种子选取模块、图像采集模块、温度监测模块、湿度监测模块、光照数据采集模块、土壤酸碱度检测模块、中央控制模块、图像处理模块、土壤成分分析模块、空气数据采集分析模块、病虫害预测分析模块、病虫害防治措施输出模块以及管理模块；
种子选取模块，与中央控制模块连接，用于挑选无病虫害、饱满的山兰米种子；
图像采集模块，与中央控制模块连接，用于利用图像采集设备采集山兰米的图像；
温度监测模块，与中央控制模块连接，用于利用温度监测器监测种植区域温度数据；
湿度监测模块，与中央控制模块连接，用于利用湿度监测器监测种植区域湿度数据；
光照数据采集模块，与中央控制模块连接，用于采集对山兰米种植区域的光照数据进行采集；
土壤酸碱度检测模块，与中央控制模块连接，用于检测种植区域的土壤酸碱度；
中央控制模块，与种子选取模块、图像采集模块、温度监测模块、湿度监测模块、光照数据采集模块、土壤酸碱度检测模块、图像处理模块、土壤成分分析模块、空气数据采集分析模块、病虫害预测分析模块、病虫害防治措施输出模块以及管理模块连接，用于利用单片机或控制器控制各个模块正常工作；
图像处理模块，与中央控制模块连接，用于对采集的山兰米图像进行预处理；
土壤成分分析模块，与中央控制模块连接，用于采集种植区域的土壤样品并进行成分分析；
空气数据采集分析模块，与中央控制模块连接，用于采集种植区域的空气，并进行空气中农药或重金属含量分析；
病虫害预测分析模块，与中央控制模块连接，用于基于处理后的山兰米图像判断是否出现病虫害；同时用于基于监测的温度、湿度、光照以及土壤、空气数据预测可能出现的病虫害；
病虫害防治措施输出模块，与中央控制模块连接，用于基于当山兰米出现或可能出现的病虫害输出对应的生物防治手段；
管理模块，与中央控制模块连接，用于基于监测的温度、湿度、光照以及土壤、空气数据判断是否适宜山兰米的生长发育并进行相应的调节。
本发明的另一目的在于提供一种应用于所述山兰米种植无公害防治系统的山兰米种植无公害防治方法，所述山兰米种植无公害防治方法包括：
步骤一，通过种子选取模块挑选无病虫害、饱满的山兰米种子；通过图像采集模块利用图像采集设备采集山兰米的图像；通过温度监测模块利用温度监测器监测种植区域温度数据；
步骤二，通过湿度监测模块利用湿度监测器监测种植区域湿度数据；通过光照数据采集模块采集对山兰米种植区域的光照数据进行采集；通过土壤酸碱度检测模块检测种植区域的土壤酸碱度；
步骤三，通过中央控制模块利用单片机或控制器控制图像处理模块对采集的山兰米图像进行预处理；通过土壤成分分析模块采集种植区域的土壤样品并进行成分分析；
步骤四，通过空气数据采集分析模块采集种植区域的空气，并进行空气中农药或重金属含量分析；通过病虫害预测分析模块基于处理后的山兰米图像判断是否出现病虫害；同时用于基于监测的温度、湿度、光照以及土壤、空气数据预测可能出现的病虫害；
步骤五，通过病虫害防治措施输出模块基于当山兰米出现或可能出现的病虫害输出对应的生物防治手段；通过管理模块基于监测的温度、湿度、光照以及土壤、空气数据判断是否适宜山兰米的生长发育并进行相应的调节。
进一步，步骤三中，所述图像处理模块对采集的山兰米图像进行预处理包括：
(1)将采集的山兰米图像转换为灰度图像；依据所述灰度图像的像素总数以及各灰度值对应的像素数目，划分亮区和暗区；
(2)计算所述暗区的灰度均值，依据所述灰度均值以及预设的灰度阈值，确定每个像素的放大倍数；
(3)依据所述每个像素的放大倍数，对所述原始灰度图像进行亮度增强处理，得到目标灰度图像。
进一步，步骤(2)中，所述计算所述暗区的灰度均值，依据所述灰度均值以及预设的灰度阈值，确定每个像素的放大倍数包括：
(2.1)计算所述暗区的灰度均值；判断所述灰度均值是否小于预设的灰度阈值；
(2.2)若所述灰度均值小于预设的灰度阈值，则依据所述灰度均值以及所述预设的灰度阈值，确定所述暗区对应的最大放大倍数；
(2.3)依据所述最大放大倍数以及所述原始灰度图像对应的动态范围，确定每个像素的放大倍数。
进一步，所述最大放大倍数与所述灰度均值呈反比例关系。
进一步，步骤四中，所述通过病虫害预测分析模块基于处理后的山兰米图像判断是否出现病虫害包括：
1)利用数据挖掘技术从各大数据库中获取山兰米病虫害叶片和害虫图像，构建作物病虫害叶片和害虫图像数据库；
2)利用SSD卷积网络从数据库的每幅图像中检测各种形状和尺寸大小的病斑和害虫。
进一步，所述SSD卷积网络由VGG深度卷积神经网络和多尺度特征检测网络组成。
进一步，步骤2)中，所述利用SSD卷积网络从数据库的每幅图像中检测各种形状和尺寸大小的病斑和害虫包括：
2.1)将SSD卷积网络中的VGG深度卷积神经网络的输出用于病斑和害虫的初步特征提取，得到病虫害叶片和害虫图像的基本特征图；
2.2)将得到的特征图，依次经过多尺度特征检测网络的多个卷积操作和最大池化操作进行多尺度特征提取，提取到多层级的特征图并在这些特征图中的各个位置上选取不同大小、不同长宽比的候选病斑和害虫区域；
2.3)从提取的特征图中选择所有卷积层对应的所有特征图与3×3的卷积核进行卷积，然后在每层输出的特征图上的每个特征图网格预设默认框，得到每个框相对标注框的偏移量与置信度；其中，默认框为在特征图的每个网格上的一系列固定大小的框；
2.4)根据各层卷积计算结果合并后传递给检测层，利用非极大抑制对所有层的检测结果进行融合，得到病虫害叶片和害虫图像检测结果。
进一步，步骤一中，所述种子选取模块对山兰米种子挑选完毕后，首先进行种子的消毒和催芽处理，然后进行种植园地的选择和规划，选择符合山兰米种植的地块进行播种，将处理后的种子按照一定的种植密度种植到选择的种植园地中。
进一步，所述种子的消毒和催芽处理包括：
挑选好的山兰米种子用1-1.5mol/L稀硫酸浸泡10～15min后，用蒸馏水冲洗多次，然后用双氧水处理20min-30min，再用蒸馏水冲洗干净，再用微波处理5-10min，然后放入浸种剂中浸泡4-5h，捞出，用清水冲洗干净后置于30～40℃的恒温箱中催芽。
进一步，所述浸种剂按重量配比计包括：烯效唑20mg/L-80mg/L、芸苔素内酯0.05mg/L-0.15mg/L、S-诱抗素0.3mg/L-0.5mg/L和花青素70-150mg/L，山兰米种子与浸种剂水溶液的重量配比为1：1.5。
进一步，所述种植园地的选择和规划包括：选择无污染、灌排方便、土壤肥沃、不含农药残毒和有害物质、有机质含量在1.5％以上、土层在60cm以上的稻田，符合NY5116-2002规定的生产基地大气、水、土壤质量控制标准。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明通过选取高质量的种子以及监测山兰米生长过程中的环境数据，进行环境的数据的分析、调整进行山兰米的无公害防治；同时通过对山兰米的图像进行分析判断是否出现病虫害，并采用生物防治的手段进行病虫害的防治解决。
本发明通过结合环境数据进行环境调整，并辅助生物防治手段能够有效防治山兰米的病虫害，并在保证山兰米的绿色、安全的情况下有效的提高山兰米的产率，同时采用智能化管理手段，节省了人力。
本发明方法种植的无公害山兰米的产量高，病虫害少、稻株抗逆性强，生长旺盛，成穗率高；穗大粒多，稻谷产量高，每亩可达到580-650kg，检测山兰米成品，完全能达到无公害农场品的国家标准。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，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是本发明实施例提供的山兰米种植无公害防治系统结构示意图；
图中：1、种子选取模块；2、图像采集模块；3、温度监测模块；4、湿度监测模块；5、光照数据采集模块；6、土壤酸碱度检测模块；7、中央控制模块；8、图像处理模块；9、土壤成分分析模块；10、空气数据采集分析模块；11、病虫害预测分析模块；12、病虫害防治措施输出模块；13、管理模块。
图2是本发明实施例提供的山兰米种植无公害防治方法流程图。
图3是本发明实施例提供的图像处理模块对采集的山兰米图像进行预处理的方法流程图。
图4是本发明实施例提供的计算所述暗区的灰度均值，依据所述灰度均值以及预设的灰度阈值，确定每个像素的放大倍数的方法流程图。
图5是本发明实施例提供的通过病虫害预测分析模块基于处理后的山兰米图像判断是否出现病虫害的方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种山兰米种植无公害防治系统及方法，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的山兰米种植无公害防治系统包括：
种子选取模块1、图像采集模块2、温度监测模块3、湿度监测模块4、光照数据采集模块5、土壤酸碱度检测模块6、中央控制模块7、图像处理模块8、土壤成分分析模块9、空气数据采集分析模块10、病虫害预测分析模块11、病虫害防治措施输出模块12以及管理模块13；
种子选取模块1，与中央控制模块7连接，用于挑选无病虫害、饱满的山兰米种子；
图像采集模块2，与中央控制模块7连接，用于利用图像采集设备采集山兰米的图像；
温度监测模块3，与中央控制模块7连接，用于利用温度监测器监测种植区域温度数据；
湿度监测模块4，与中央控制模块7连接，用于利用湿度监测器监测种植区域湿度数据；
光照数据采集模块5，与中央控制模块7连接，用于采集对山兰米种植区域的光照数据进行采集；
土壤酸碱度检测模块6，与中央控制模块7连接，用于检测种植区域的土壤酸碱度；
中央控制模块7，与种子选取模块1、图像采集模块2、温度监测模块3、湿度监测模块4、光照数据采集模块5、土壤酸碱度检测模块6、图像处理模块8、土壤成分分析模块9、空气数据采集分析模块10、病虫害预测分析模块11、病虫害防治措施输出模块12以及管理模块13连接，用于利用单片机或控制器控制各个模块正常工作；
图像处理模块8，与中央控制模块7连接，用于对采集的山兰米图像进行预处理；
土壤成分分析模块9，与中央控制模块7连接，用于采集种植区域的土壤样品并进行成分分析；
空气数据采集分析模块10，与中央控制模块7连接，用于采集种植区域的空气，并进行空气中农药或重金属含量分析；
病虫害预测分析模块11，与中央控制模块7连接，用于基于处理后的山兰米图像判断是否出现病虫害；同时用于基于监测的温度、湿度、光照以及土壤、空气数据预测可能出现的病虫害；
病虫害防治措施输出模块12，与中央控制模块7连接，用于基于当山兰米出现或可能出现的病虫害输出对应的生物防治手段；
管理模块13，与中央控制模块7连接，用于基于监测的温度、湿度、光照以及土壤、空气数据判断是否适宜山兰米的生长发育并进行相应的调节。
如图2所示，本发明实施例提供的山兰米种植无公害防治方法包括：
S101，通过种子选取模块挑选无病虫害、饱满的山兰米种子；通过图像采集模块利用图像采集设备采集山兰米的图像；通过温度监测模块利用温度监测器监测种植区域温度数据；
S102，通过湿度监测模块利用湿度监测器监测种植区域湿度数据；通过光照数据采集模块采集对山兰米种植区域的光照数据进行采集；通过土壤酸碱度检测模块检测种植区域的土壤酸碱度；
S103，通过中央控制模块利用单片机或控制器控制图像处理模块对采集的山兰米图像进行预处理；通过土壤成分分析模块采集种植区域的土壤样品并进行成分分析；
S104，通过空气数据采集分析模块采集种植区域的空气，并进行空气中农药或重金属含量分析；通过病虫害预测分析模块基于处理后的山兰米图像判断是否出现病虫害；同时用于基于监测的温度、湿度、光照以及土壤、空气数据预测可能出现的病虫害；
S105，通过病虫害防治措施输出模块基于当山兰米出现或可能出现的病虫害输出对应的生物防治手段；通过管理模块基于监测的温度、湿度、光照以及土壤、空气数据判断是否适宜山兰米的生长发育并进行相应的调节。
如图3所示，步骤S103中，本发明实施例提供的图像处理模块对采集的山兰米图像进行预处理包括：
S201，将采集的山兰米图像转换为灰度图像；依据所述灰度图像的像素总数以及各灰度值对应的像素数目，划分亮区和暗区；
S202，计算所述暗区的灰度均值，依据所述灰度均值以及预设的灰度阈值，确定每个像素的放大倍数；
S203，依据所述每个像素的放大倍数，对所述原始灰度图像进行亮度增强处理，得到目标灰度图像。
如图4所示，步骤S202中，本发明实施例提供的计算所述暗区的灰度均值，依据所述灰度均值以及预设的灰度阈值，确定每个像素的放大倍数包括：
S301，计算所述暗区的灰度均值；判断所述灰度均值是否小于预设的灰度阈值；
S302，若所述灰度均值小于预设的灰度阈值，则依据所述灰度均值以及所述预设的灰度阈值，确定所述暗区对应的最大放大倍数；
S303，依据所述最大放大倍数以及所述原始灰度图像对应的动态范围，确定每个像素的放大倍数。
本发明实施例提供的最大放大倍数与所述灰度均值呈反比例关系。
如图5所示，步骤S104中，本发明实施例提供的通过病虫害预测分析模块基于处理后的山兰米图像判断是否出现病虫害包括：
S401，利用数据挖掘技术从各大数据库中获取山兰米病虫害叶片和害虫图像，构建作物病虫害叶片和害虫图像数据库；
S402，利用SSD卷积网络从数据库的每幅图像中检测各种形状和尺寸大小的病斑和害虫。
本发明实施例提供的SSD卷积网络由VGG深度卷积神经网络和多尺度特征检测网络组成。
步骤S402中，本发明实施例提供的利用SSD卷积网络从数据库的每幅图像中检测各种形状和尺寸大小的病斑和害虫包括：
将SSD卷积网络中的VGG深度卷积神经网络的输出用于病斑和害虫的初步特征提取，得到病虫害叶片和害虫图像的基本特征图；将得到的特征图，依次经过多尺度特征检测网络的多个卷积操作和最大池化操作进行多尺度特征提取，提取到多层级的特征图并在这些特征图中的各个位置上选取不同大小、不同长宽比的候选病斑和害虫区域；从提取的特征图中选择所有卷积层对应的所有特征图与3×3的卷积核进行卷积，然后在每层输出的特征图上的每个特征图网格预设默认框，得到每个框相对标注框的偏移量与置信度；其中，默认框为在特征图的每个网格上的一系列固定大小的框；根据各层卷积计算结果合并后传递给检测层，利用非极大抑制对所有层的检测结果进行融合，得到病虫害叶片和害虫图像检测结果。
本发明实施例中的步骤S101中，种子选取模块对山兰米种子挑选完毕后，首先进行种子的消毒和催芽处理，然后进行种植园地的选择和规划，选择符合山兰米种植的地块进行播种，将处理后的种子按照一定的种植密度种植到选择的种植园地中。
本发明实施例中的种子的消毒和催芽处理包括：
挑选好的山兰米种子用1-1.5mol/L稀硫酸浸泡10～15min后，用蒸馏水冲洗多次，然后用双氧水处理20min-30min，再用蒸馏水冲洗干净，再用微波处理5-10min，然后放入浸种剂中浸泡4-5h，捞出，用清水冲洗干净后置于30～40℃的恒温箱中催芽。
本发明实施例中的浸种剂按重量配比计包括：烯效唑20mg/L-80mg/L、芸苔素内酯0.05mg/L-0.15mg/L、S-诱抗素0.3mg/L-0.5mg/L和花青素70-150mg/L，山兰米种子与浸种剂水溶液的重量配比为1：1.5。
本发明实施例中的种植园地的选择和规划包括：选择无污染、灌排方便、土壤肥沃、不含农药残毒和有害物质、有机质含量在1.5％以上、土层在60cm以上的稻田，符合NY5116-2002规定的生产基地大气、水、土壤质量控制标准。
以上所述，仅为本发明较优的具体的实施方式，但本发明的保护范围并不局限于此，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，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种山兰米种植无公害防治方法，其特征在于，所述山兰米种植无公害防治方法包括以下步骤：
步骤一，通过种子选取模块挑选无病虫害、饱满的山兰米种子；通过图像采集模块利用图像采集设备采集山兰米的图像；通过温度监测模块利用温度监测器监测种植区域温度数据；
步骤二，通过湿度监测模块利用湿度监测器监测种植区域湿度数据；通过光照数据采集模块采集对山兰米种植区域的光照数据进行采集；通过土壤酸碱度检测模块检测种植区域的土壤酸碱度；
步骤三，通过中央控制模块利用单片机或控制器控制图像处理模块对采集的山兰米图像进行预处理；通过土壤成分分析模块采集种植区域的土壤样品并进行成分分析；
所述图像处理模块对采集的山兰米图像进行预处理包括：
(1)将采集的山兰米图像转换为灰度图像；依据所述灰度图像的像素总数以及各灰度值对应的像素数目，划分亮区和暗区；
(2)计算所述暗区的灰度均值，依据所述灰度均值以及预设的灰度阈值，确定每个像素的放大倍数；
(3)依据所述每个像素的放大倍数，对所述原始灰度图像进行亮度增强处理，得到目标灰度图像；
步骤四，通过空气数据采集分析模块采集种植区域的空气，并进行空气中农药或重金属含量分析；通过病虫害预测分析模块基于处理后的山兰米图像判断是否出现病虫害；同时用于基于监测的温度、湿度、光照以及土壤、空气数据预测可能出现的病虫害；
所述通过病虫害预测分析模块基于处理后的山兰米图像判断是否出现病虫害包括：
1)利用数据挖掘技术从各大数据库中获取山兰米病虫害叶片和害虫图像，构建作物病虫害叶片和害虫图像数据库；
2)利用SSD卷积网络从数据库的每幅图像中检测各种形状和尺寸大小的病斑和害虫；
步骤五，通过病虫害防治措施输出模块基于当山兰米出现或可能出现的病虫害输出对应的生物防治手段；通过管理模块基于监测的温度、湿度、光照以及土壤、空气数据判断是否适宜山兰米的生长发育并进行相应的调节。
2.如权利要求1所述的山兰米种植无公害防治方法，其特征在于，步骤一中，所述种子选取模块对山兰米种子挑选完毕后，首先进行种子的消毒和催芽处理，然后进行种植园地的选择和规划，选择符合山兰米种植的地块进行播种，将处理后的种子按照一定的种植密度种植到选择的种植园地中。
3.如权利要求2所述的山兰米种植无公害防治方法，其特征在于，所述种子的消毒和催芽处理包括：
挑选好的山兰米种子用1-1.5mol/L稀硫酸浸泡10～15min后，用蒸馏水冲洗多次，然后用双氧水处理20min-30min，再用蒸馏水冲洗干净，再用微波处理5-10min，然后放入浸种剂中浸泡4-5h，捞出，用清水冲洗干净后置于30～40℃的恒温箱中催芽。
4.如权利要求3所述的山兰米种植无公害防治方法，其特征在于，所述浸种剂按重量配比计包括：烯效唑20mg/L-80mg/L、芸苔素内酯0.05mg/L-0.15mg/L、S-诱抗素0.3mg/L-0.5mg/L和花青素70-150mg/L，山兰米种子与浸种剂水溶液的重量配比为1：1.5。
5.如权利要求2所述的山兰米种植无公害防治方法，其特征在于，所述种植园地的选择和规划包括：选择无污染、灌排方便、土壤肥沃、不含农药残毒和有害物质、有机质含量在1.5％以上、土层在60cm以上的稻田，符合NY5116-2002规定的生产基地大气、水、土壤质量控制标准。
6.如权利要求1所述的山兰米种植无公害防治方法，其特征在于，步骤(2)中，所述计算所述暗区的灰度均值，依据所述灰度均值以及预设的灰度阈值，确定每个像素的放大倍数包括：
计算所述暗区的灰度均值；判断所述灰度均值是否小于预设的灰度阈值；
若所述灰度均值小于预设的灰度阈值，则依据所述灰度均值以及所述预设的灰度阈值，确定所述暗区对应的最大放大倍数；
依据所述最大放大倍数以及所述原始灰度图像对应的动态范围，确定每个像素的放大倍数。
7.如权利要求6所述的山兰米种植无公害防治方法，其特征在于，所述最大放大倍数与所述灰度均值呈反比例关系。
8.如权利要求1所述的山兰米种植无公害防治方法，其特征在于，所述SSD卷积网络由VGG深度卷积神经网络和多尺度特征检测网络组成。
9.如权利要求1所述的山兰米种植无公害防治方法，其特征在于，步骤2)中，所述从数据库的每幅图像中检测各种形状和尺寸大小的病斑和害虫包括：
将SSD卷积网络中的VGG深度卷积神经网络的输出用于病斑和害虫的初步特征提取，得到病虫害叶片和害虫图像的基本特征图；
将得到的特征图，依次经过多尺度特征检测网络的多个卷积操作和最大池化操作进行多尺度特征提取，提取到多层级的特征图并在这些特征图中的各个位置上选取不同大小、不同长宽比的候选病斑和害虫区域；
从提取的特征图中选择所有卷积层对应的所有特征图与3×3的卷积核进行卷积，然后在每层输出的特征图上的每个特征图网格预设默认框，得到每个框相对标注框的偏移量与置信度；其中，默认框为在特征图的每个网格上的一系列固定大小的框；
根据各层卷积计算结果合并后传递给检测层，利用非极大抑制对所有层的检测结果进行融合，得到病虫害叶片和害虫图像检测结果。
10.一种用于权利要求1～9任意一项所述的山兰米种植无公害防治方法的山兰米种植无公害防治系统，其特征在于，所述山兰米种植无公害防治系统包括：
种子选取模块、图像采集模块、温度监测模块、湿度监测模块、光照数据采集模块、土壤酸碱度检测模块、中央控制模块、图像处理模块、土壤成分分析模块、空气数据采集分析模块、病虫害预测分析模块、病虫害防治措施输出模块以及管理模块；
种子选取模块，与中央控制模块连接，用于挑选无病虫害、饱满的山兰米种子；
图像采集模块，与中央控制模块连接，用于利用图像采集设备采集山兰米的图像；
温度监测模块，与中央控制模块连接，用于利用温度监测器监测种植区域温度数据；
湿度监测模块，与中央控制模块连接，用于利用湿度监测器监测种植区域湿度数据；
光照数据采集模块，与中央控制模块连接，用于采集对山兰米种植区域的光照数据进行采集；
土壤酸碱度检测模块，与中央控制模块连接，用于检测种植区域的土壤酸碱度；
中央控制模块，与种子选取模块、图像采集模块、温度监测模块、湿度监测模块、光照数据采集模块、土壤酸碱度检测模块、图像处理模块、土壤成分分析模块、空气数据采集分析模块、病虫害预测分析模块、病虫害防治措施输出模块以及管理模块连接，用于利用单片机或控制器控制各个模块正常工作；
图像处理模块，与中央控制模块连接，用于对采集的山兰米图像进行预处理；
土壤成分分析模块，与中央控制模块连接，用于采集种植区域的土壤样品并进行成分分析；
空气数据采集分析模块，与中央控制模块连接，用于采集种植区域的空气，并进行空气中农药或重金属含量分析；
病虫害预测分析模块，与中央控制模块连接，用于基于处理后的山兰米图像判断是否出现病虫害；同时用于基于监测的温度、湿度、光照以及土壤、空气数据预测可能出现的病虫害；
病虫害防治措施输出模块，与中央控制模块连接，用于基于当山兰米出现或可能出现的病虫害输出对应的生物防治手段；
管理模块，与中央控制模块连接，用于基于监测的温度、湿度、光照以及土壤、空气数据判断是否适宜山兰米的生长发育并进行相应的调节。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110258668.6A CN112950399A (zh) | 2021-03-10 | 2021-03-10 | 一种山兰米种植无公害防治系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110258668.6A CN112950399A (zh) | 2021-03-10 | 2021-03-10 | 一种山兰米种植无公害防治系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112950399A true CN112950399A (zh) | 2021-06-11 |
Family
ID=76229026
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110258668.6A Pending CN112950399A (zh) | 2021-03-10 | 2021-03-10 | 一种山兰米种植无公害防治系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112950399A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114280276A (zh) * | 2021-12-23 | 2022-04-05 | 青岛农业大学 | 一种农业监测系统及方法 |
| CN114972347A (zh) * | 2022-07-29 | 2022-08-30 | 中化现代农业有限公司 | 农作物病虫害检测方法、系统、设备及介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109191455A (zh) * | 2018-09-18 | 2019-01-11 | 西京学院 | 一种基于ssd卷积网络的大田作物病虫害检测方法 |
| CN109801240A (zh) * | 2019-01-15 | 2019-05-24 | 武汉鸿瑞达信息技术有限公司 | 一种图像增强方法以及图像增强装置 |
| CN110378899A (zh) * | 2019-07-27 | 2019-10-25 | 榆林学院 | 一种小杂粮种植监测系统 |
| CN111026200A (zh) * | 2019-11-25 | 2020-04-17 | 青岛农业大学 | 一种农业病虫害与生长状况预测防控物联网及方法 |
| CN111133927A (zh) * | 2019-12-29 | 2020-05-12 | 南京陶特思软件科技有限公司 | 一种基于大数据的大棚种植管理方法 |
| CN111460990A (zh) * | 2020-03-31 | 2020-07-28 | 青海省草原总站 | 一种基于大数据的高寒牧区草原虫害监测预警系统及方法 |
| CN112418112A (zh) * | 2020-11-27 | 2021-02-26 | 山东农业大学 | 一种果园病虫害监测预警方法及系统 |
-
2021
- 2021-03-10 CN CN202110258668.6A patent/CN112950399A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109191455A (zh) * | 2018-09-18 | 2019-01-11 | 西京学院 | 一种基于ssd卷积网络的大田作物病虫害检测方法 |
| CN109801240A (zh) * | 2019-01-15 | 2019-05-24 | 武汉鸿瑞达信息技术有限公司 | 一种图像增强方法以及图像增强装置 |
| CN110378899A (zh) * | 2019-07-27 | 2019-10-25 | 榆林学院 | 一种小杂粮种植监测系统 |
| CN111026200A (zh) * | 2019-11-25 | 2020-04-17 | 青岛农业大学 | 一种农业病虫害与生长状况预测防控物联网及方法 |
| CN111133927A (zh) * | 2019-12-29 | 2020-05-12 | 南京陶特思软件科技有限公司 | 一种基于大数据的大棚种植管理方法 |
| CN111460990A (zh) * | 2020-03-31 | 2020-07-28 | 青海省草原总站 | 一种基于大数据的高寒牧区草原虫害监测预警系统及方法 |
| CN112418112A (zh) * | 2020-11-27 | 2021-02-26 | 山东农业大学 | 一种果园病虫害监测预警方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 陈晓栋: "基于物联网的谷子大田苗情监测与管理技术研究", 《中国博士学位论文全文数据库 (农业科技辑)》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114280276A (zh) * | 2021-12-23 | 2022-04-05 | 青岛农业大学 | 一种农业监测系统及方法 |
| CN114972347A (zh) * | 2022-07-29 | 2022-08-30 | 中化现代农业有限公司 | 农作物病虫害检测方法、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Measuring plant growth characteristics using smartphone based image analysis technique in controlled environment agriculture | |
| Kassie et al. | Climate-induced yield variability and yield gaps of maize (Zea mays L.) in the Central Rift Valley of Ethiopia | |
| CN110110595B (zh) | 一种基于卫星遥感影像的农田画像及药肥大数据分析方法 | |
| Ryan et al. | Nitrogen in rainfed and irrigated cropping systems in the Mediterranean region | |
| RAMIREZ-GARCIA et al. | Quantitative characterization of five cover crop species | |
| CN106372592A (zh) | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 | |
| CN112950399A (zh) | 一种山兰米种植无公害防治系统及方法 | |
| Acevedo-Opazo et al. | Assessment of an empirical spatial prediction model of vine water status for irrigation management in a grapevine field | |
| Hoffmann et al. | Exploring adaptations of groundnut cropping to prevailing climate variability and extremes in Limpopo Province, South Africa | |
| CN109120670A (zh) | 一种水稻田智能化种植管理系统及其应用方法 | |
| CN117496356A (zh) | 农业人工智能作物检测方法及系统 | |
| Taghadomi-Saberi et al. | Improving field management by machine vision-a review | |
| CN115903568A (zh) | 一种基于区块链大数据的智能农业监管系统及方法 | |
| CN116704356B (zh) | 基于卷积神经网络的玉米耐盐碱鉴定方法及系统 | |
| Khozaie et al. | Economic analysis of the optimal level of supplemental irrigation for rain-fed figs | |
| CN116843164A (zh) | 基于图像分析的农业机械智能化控制系统 | |
| CN114821253B (zh) | 一种喷滴灌水肥一体化系统的适用性调控方法及系统 | |
| Yang | Modelling phenological development, yield and quality of lucerne (Medicago sativa L.) using APSIM next generation: A thesis submitted in partial fulfillment of the requirement for the Degree of Doctor of Philosophy at Lincoln University | |
| Davenport et al. | Response of Concord grape to variable rate nutrient management | |
| Wasay et al. | Optimizing crop yield through precision agronomy techniques | |
| Jamieson et al. | Modelling wheat production | |
| Gandah | Spatial variability and farmer resource allocation in millet production in Niger | |
| Kirui et al. | Calibration and parameterization of APSIM-wheat using earth observation data for wheat simulation in Kenya | |
| CN114926752A (zh) | 用于对无人机遥感图像的玉米苗、杂草检测和计数的方法 | |
| CN118446553A (zh) | 一种基于农业物联网的智慧农业综合管理系统 |
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 |