CN113361377A - 一种植物生长管控模型构建方法、电子设备、存储介质 - Google Patents
一种植物生长管控模型构建方法、电子设备、存储介质 Download PDFInfo
- Publication number
- CN113361377A CN113361377A CN202110615906.4A CN202110615906A CN113361377A CN 113361377 A CN113361377 A CN 113361377A CN 202110615906 A CN202110615906 A CN 202110615906A CN 113361377 A CN113361377 A CN 113361377A
- Authority
- CN
- China
- Prior art keywords
- data
- image data
- visible light
- plant growth
- multispectral
- 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
- 230000008635 plant growth Effects 0.000 title claims abstract description 76
- 238000010276 construction Methods 0.000 title claims abstract description 9
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000007613 environmental effect Effects 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 30
- 230000012010 growth Effects 0.000 claims description 29
- 238000012795 verification Methods 0.000 claims description 22
- 201000010099 disease Diseases 0.000 claims description 13
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 13
- 239000002689 soil Substances 0.000 claims description 13
- 241000238631 Hexapoda Species 0.000 claims description 9
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 3
- 239000001569 carbon dioxide Substances 0.000 claims description 3
- 230000008636 plant growth process Effects 0.000 claims description 2
- 230000033228 biological regulation Effects 0.000 claims 1
- 238000003912 environmental pollution Methods 0.000 abstract description 4
- 238000003306 harvesting Methods 0.000 abstract description 4
- 239000002699 waste material Substances 0.000 abstract description 3
- 241000607479 Yersinia pestis Species 0.000 description 15
- 235000013399 edible fruits Nutrition 0.000 description 14
- 238000002372 labelling Methods 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 208000037824 growth disorder Diseases 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种植物生长管控模型构建方法、电子设备、存储介质，方法包括，采集可见光图像数据和多光谱图像数据，对其进行处理分别输入可见光数据处理模型和多光谱数据处理模型，对这两个数据处理模型进行训练，使其能够识别植物生长情况，结合植物的种植知识和环境数据，判断植物生长情况，匹配出对应的植物管控操作的决策指令，形成植物生长管控初始模型，对其进行验证改进形成植物生长管控模型。本发明能够将采集的信息处理，将其与植物的种植知识进行结合，根据环境数据发出具体的决策指令，农作人员根据决策指令进行操作，对植物进行精准管控，按需实现精细化作业，在降低劳动力成本、减少资源浪费和环境污染的同时，实现丰产丰收。
Description
技术领域
本发明涉及植物生长管控技术领域，更具体地，涉及一种植物生长管控模型构建方法、电子设备、存储介质。
背景技术
农作物产量和品质的因素复杂多样，且随时间呈现动态变化。生长环境如温度、光照、水分和地势土壤等因素，是影响农作物产量和品质的基本因素；在农作物生长期间，合理的作业管控如病虫害防控、施肥施药、新梢控制、保花保果、整形修剪等技术措施，是提高农作物品质和丰产丰收的关键所在。
传统的农作物管理均采用粗放式作业，缺乏差异性对待模式，导致农作物品质和产量不稳定，造成资源浪费、环境污染，甚至有些地区因病虫害防控不到位导致产量绝收，缺少对植物种植进行精准管控。中国专利公开号CN112179414A，公开日期2021年1月5日，该专利公开了一种作物生长物联网监测系统，包括作物信息采集系统、环境信息采集系统和物联网监测系统，作物信息采集系统包括多个作物信息采集站点和无人机遥感系统，作物信息采集站点包括作物生长监测装置，作物生长监测装置包括底座和支撑杆，焊接有电动伸缩杆，电动伸缩杆远离转动接头的末端底部安装有高清摄像头和多光谱传感器，物联网监测系统包括数据服务器、作物生长监控中心和终端设备，该专利能够对植物的生长状态和信息进行采集，但是对于植物进行管控的决策还是需要依靠农业人员做出防治决策，这种方式主观性强、精准程度低，对田间农作人员的专业性和经验知识提出了较高的要求和挑战。
发明内容
本发明的目的在于克服在现在的植物管控过程中，主要依靠田间农作人员做出决策，需要农业人员具有较高的专业性和经验知识的缺点，提供一种植物生长管控模型构建方法。本发明能够将采集的信息进行处理，将其与植物的种植知识进行结合，根据环境数据发出具体的决策指令，农作人员根据决策指令进行操作，对植物进行精准管控，按需实现精细化作业，在降低劳动力成本、减少资源浪费和环境污染的同时，实现丰产丰收。
为解决上述技术问题，本发明采用的技术方案是：一种植物生长管控模型构建方法，所述方法包括，获取植物的可见光图像数据，对可见光图像数据进行图像剪裁与标注作为训练集和验证集，将训练集和验证集输入可见光数据处理模型，对其完成训练和验证；
获取植物的多光谱图像数据，对多光谱图像数据进行数据拼接及预处理，再将多光谱图像数据进行图像分割和标注，将分割与标注的多光谱图像数据输入多光谱数据处理模型，对其完成训练和验证；
获取植物的种植知识和田地中的环境数据，将其输入完成训练和验证的可见光数据处理模型和多光谱数据处理模型，判断出植物生长情况，匹配出对应的植物管控操作的决策指令，形成植物生长管控初始模型；
对植物生长管控初始模型进行验证，根据验证结果改进植物生长初始管控模型，形成植物生长管控模型。
本技术方案中，训练和验证之后的可见光数据处理模型和多光谱数据处理模型能够对输入的植物数据进行处理，由于之前已经根据环境数据和植物的种植知识，匹配出植物在不同生长情况需要进行的决策指令，故植物生长管控模型可以根据实时采集的植物数据判断其生长状态，以及在该生长状态需要进行的决策指令；农作人员可以根据植物生长管控模型得出的决策指令进行执行。
进一步的，所述可见光图像数据由田地中设置的摄像组件采集获得，摄像组件采集植物在生长情况的可见光图像；所述多光谱图像数据由于无人机上搭载的多光谱摄像采集获得，多光谱摄像跟随无人机在空中飞行，采集植物顶部生长情况的多光谱图像；所述多光谱图像数据由于多光谱仪采集获得，多光谱仪获取植物生长过程中多光谱数据。
进一步的，所述环境数据由土壤信息采集装置和气象站获得，土壤信息采集装置获取田地中土壤水分和土壤酸碱度，气象站获取田地中的空气温湿度、风向、二氧化碳浓度和光照情况。
进一步的，将植物生长管控初始模型放入边缘处理器中，将实时采集的数据输入边缘处理中，植物生长管控初始模型根据实时数据生成决策指令，检验植物生长管控初始模型的鲁棒性，对植物生长管控初始模型进行改进优化。
进一步的，剪裁出可见光图像数据中含有新梢的可见光图像数据，输入可见光数据处理模型；在多光谱图像数据中拼接出新梢的数据，输入多光谱数据处理模型；根据环境数据划分季节，根据植物的种植知识判断出各个季节新梢生长情况，匹配出对应的植物管控操作的决策指令。
进一步的，剪裁出可见光图像数据中含有花朵的可见光图像数据，输入可见光数据处理模型；在多光谱图像数据中拼接出花朵的数据，输入多光谱数据处理模型；根据植物的种植知识判断出花朵生长情况，结合不同的环境数据，匹配出对应的植物管控操作的决策指令。
进一步的，剪裁出可见光图像数据中含有虫的可见光图像数据，输入可见光数据处理模型；根据植物的种植知识判断出虫的种类，结合不同的环境数据，匹配出对应的植物管控操作的决策指令。
进一步的，剪裁出可见光图像数据中含有病害的可见光图像数据，输入可见光数据处理模型；在多光谱图像数据中拼接出病害的数据，输入多光谱数据处理模型；根据植物的种植知识判断出病害的种类，结合不同的环境数据，匹配出对应的植物管控操作的决策指令。
一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线进行通信，所述机器可读指令被所述处理器运行时执行上述的植物生长管控初始模型的构建方法。
一种存储介质，包括：计算机程序指令；所述计算机程序指令被电子设备的处理器执行时，以执行上所述的植物生长管控初始模型的构建方法。
与现有技术相比，本发明的有益效果是：
本发明中采用了可见光数据处理模型和多光谱数据处理模型，能够对两种图形数据进行处理，使得植物的数据更加准确，判断出植物当前的生长情况，从而匹配出精准的决策指令；本发明中将环境数据进行结合，并根据植物的种植知识匹配出多种决策指令，使得植物生长管控模型在后期应用时，能够识别植物生长情况，同时下发的决策指令会考虑当前的所在环境，决策指令更加科学合理；本发明中生成的决策指令，能够让农作人员对植物进行精准管控，按需实现精细化作业，在降低劳动力成本、减少资源浪费和环境污染的同时，实现丰产丰收。
附图说明
图1为本发明的流程示意图。
图2为实施例2中构建模型的流程示意图。
图3位实施例2中模型工作的流程示意图。
图4为实施例3中构建模型的流程示意图。
图5位实施例3中模型工作的流程示意图。
图6为实施例4中构建模型的流程示意图。
图7位实施例4中模型工作的流程示意图。
图8为实施例5中构建模型的流程示意图。
图9位实施例5中模型工作的流程示意图。
图10为实施例6中构建模型的流程示意图。
图11位实施例6中模型工作的流程示意图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
实施例1
如图1所示为本发明一种植物生长管控模型构建方法的实施例，一种植物生长管控模型构建方法。包括：
获取植物的可见光图像数据，对可见光图像数据进行图像剪裁与标注作为训练集和验证集，将训练集和验证集输入可见光数据处理模型，对其完成训练和验证；
获取植物的多光谱图像数据，对多光谱图像数据进行数据拼接及预处理，再将多光谱图像数据进行图像分割和标注，将分割与标注的多光谱图像数据输入多光谱数据处理模型，对其完成训练和验证；
获取植物的种植知识和田地中的环境数据，将其输入完成训练和验证的可见光数据处理模型和多光谱数据处理模型，判断出植物生长情况，匹配出对应的植物管控操作的决策指令，形成植物生长管控初始模型；
对植物生长管控初始模型进行验证，根据验证结果改进植物生长初始管控模型，形成植物生长管控模型。
其中，环境数据由土壤信息采集装置和气象站采集获得，土壤信息采集装置获取田地中土壤水分和土壤酸碱度，气象站采集田地中的环境数据，包括空气温湿度、风向、二氧化碳浓度和光照情况。植物生长管控模型在做出决策指令时，会根据环境数据做出调整，避免决策指令与植物所处环境发生冲突，导致作业失效甚至起反作用，影响植物的生长。
另外，将植物生长管控初始模型放入边缘处理器中，将实时采集的数据输入边缘处理中，植物生长管控初始模型根据实时数据生成决策指令，检验植物生长管控初始模型的鲁棒性，对植物生长管控初始模型进行改进优化。
实施例2
本实施例与实施例1类似，所不同之处在于，本实施例中主要管控的对象是植物的新梢，植物生长新梢管控模型的构建方法如图2所示。可见光图像数据由田地中设置的摄像组件采集获得，采集植物新梢生长情况的可见光图像，多光谱图像数据由于无人机上搭载的多光谱摄像采集获得，多光谱摄像跟随无人机在空中飞行，采集植物顶部新梢生长情况的多光谱图像。
将可见光图像数据中进行图像剪裁与标注，将数据集按照8:2的比例划分，构建训练集和验证集，训练集输入可见光数据处理模型进行训练，使其能够识别新梢，验证集对其进行验证调整可见光数据处理模型的参数。
在多光谱图像数据中拼接出新梢的数据，经过图像分割与标注后，输入多光谱数据处理模型，使其能够识别新梢。根据环境数据划分季节，再根据植物的种植知识判断出各个季节新梢生长情况，匹配出对应的植物管控操作的决策指令，形成植物生长管控模型。如图3所示，只需要将实时采集的数据输入植物生长新梢管控模型，该模型识别出当前季节新梢的生长情况，结合当前的环境数据下发对应的决策指令。
实施例3
本实施例与实施例2类似，所不同之处在于，本实施例中主要管控的对象是植物的花朵，植物生长花朵管控模型的构建方法如图4所示。可见光图像数据由田地中设置的摄像组件采集获得，采集植物花朵生长情况的可见光图像，多光谱图像数据由于无人机上搭载的多光谱摄像采集获得，多光谱摄像跟随无人机在空中飞行，采集植物顶部花朵生长情况的多光谱图像。
将可见光图像数据中进行图像剪裁与标注，将数据集按照8:2的比例划分，构建训练集和验证集，训练集输入可见光数据处理模型进行训练，使其能够识别花朵，验证集对其进行验证调整可见光数据处理模型的参数。
在多光谱图像数据中拼接出花朵的数据，经过图像分割与标注后，输入多光谱数据处理模型，使其能够识别花朵。多光谱数据处理模型和可见光数据处理模型对花朵进行统计识别，计算已开花数R和花苞数H，设开花率为L，则有
当
时，根据种植知识判断出此时需要保花结论，结合不同的环境数据，匹配出对应的植物管控操作的决策指令，形成植物生长花朵管控模型。如图5所示，只需要将实时采集的数据输入植物生长花朵管控模型，计算开花比例，结合当前的环境数据下发对应的决策指令。
实施例4
本实施例与实施例2类似，所不同之处在于，本实施例中主要管控的对象是植物的果实，植物生长果实管控模型的构建方法如图6所示。可见光图像数据由田地中设置的摄像组件采集获得，采集植物果实生长情况的可见光图像。摄像头组件随机分布在田地间，摄像组件分为相机和网络摄像头，能够对全方位对植物进行图像采集。本实施例不需要通过无人机搭载的多光谱相机对果实进行数据补充，摄像组件能够完成所有的数据采集。
将可见光图像数据中进行数据扩增和标注，将数据集按照8:2的比例划分，构建训练集和验证集，训练集输入可见光数据处理模型进行训练，使其能够识别果实，验证集对其进行验证调整可见光数据处理模型的参数。结合种植知识中果实的颜色和大小，协助植物生长果实管控模型区分所处果期是幼果期、果实膨大期还是果实着色成熟期。结合不同的环境数据，匹配出对应的植物管控操作的决策指令，形成植物生长果实管控模型。如图7所示，只需要将实时采集的数据输入植物生长新梢管控模型，该模型识别出当前果期，结合当前的环境数据下发对应的决策指令。
实施例5
本实施例与实施例1类似，所不同之处在于，本实施例中主要管控的对象是植物的病害，植物生长病害管控模型的构建方法如图8所示。可见光图像数据由田地中设置的摄像组件采集获得，采集植物生长情况的可见光图像，多光谱图像数据由于无人机上搭载的多光谱摄像采集获得，多光谱摄像跟随无人机在空中飞行，采集植物顶生长情况的多光谱图像，另农作人员手持地面可编程多光谱仪对叶子进行光谱数据采集，获取一次光谱数据，将光谱数据与多光谱图像数据进行数据拼接和预处理，对数据进行标注，将其与病害特征波段进行光谱匹配及目标检测，将图像分割标注输入多光谱数据处理模型，使其能够识别病害。
根据植物的种植知识，获取对病害的处理对策，再根据环境数据匹配出对应的植物管控操作的决策指令，形成植物生长病害管控模型。如图9所示，只需要将实时采集的数据输入植物生长病害管控模型，该模型识别出当前病害种类，结合当前的环境数据下发对应的决策指令。
实施例6
本实施例与实施例4类似，所不同之处在于，本实施例中主要管控的对象是植物的虫害，植物生长虫害管控模型的构建方法如图10所示。可见光图像数据由田地中设置的摄像组件采集获得，采集植物中虫害情况的可见光图像。摄像头组件分布在田间内随机架设的害虫诱捕笼，摄像组件分为相机和网络摄像头，能够对害虫诱捕笼中进行虫子的图像采集。本实施例也不需要无人机搭载多光谱相机进行数据采集，害虫的图像数据只需要摄像组件在害虫诱捕笼中收集可见光图像即可。
将可见光图像数据中进行数据扩增和标注，将数据集按照8:2的比例划分，构建训练集和验证集，训练集输入可见光数据处理模型进行训练，使其能够识别虫害，验证集对其进行验证调整可见光数据处理模型的参数。结合种植知识中虫害种类，协助植物生长虫害管控模型区分虫害的种类。结合不同的环境数据，匹配出对应的植物管控操作的决策指令，形成植物生长虫害管控模型。如图11所示，只需要将实时采集的数据输入植物生长虫害管控模型，该模型识别出当前虫害种类，结合当前的环境数据下发对应的决策指令。
实施例7
一种电子设备的实施例。一种电子设备，包括边缘处理器、存储器和总线，存储器存储有边缘处理器可执行的机器可读指令，当电子设备运行时，边缘处理器与存储器之间通过总线进行通信，机器可读指令被边缘处理器运行时执行，以执行以上任一方法实施例的技术方案。
实施例8
一种存储介质的实施例。一种存储介质，包括计算机程序指令；计算机程序指令被电子设备的处理器执行时，以执行如上任一方法实施例的技术方案。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。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，均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种植物生长管控模型构建方法，其特征在于：所述方法包括，
获取植物的可见光图像数据，对可见光图像数据进行图像剪裁与标注作为训练集和验证集，将训练集和验证集输入可见光数据处理模型，对其完成训练和验证；
获取植物的多光谱图像数据，对多光谱图像数据进行数据拼接及预处理，再将多光谱图像数据进行图像分割和标注，将分割与标注的多光谱图像数据输入多光谱数据处理模型，对其完成训练和验证；
获取植物的种植知识和田地中的环境数据，将其输入完成训练和验证的可见光数据处理模型和多光谱数据处理模型，判断出植物生长情况，匹配出对应的植物管控操作的决策指令，形成植物生长管控初始模型；
对植物生长管控初始模型进行验证，根据验证结果改进植物生长初始管控模型，形成植物生长管控模型。
2.根据权利要求1所述的一种植物生长管控模型构建方法，其特征在于：所述可见光图像数据由田地中设置的摄像组件采集获得，摄像组件采集植物在生长情况的可见光图像；所述多光谱图像数据由于无人机上搭载的多光谱摄像采集获得，多光谱摄像跟随无人机在空中飞行，采集植物顶部生长情况的多光谱图像；所述多光谱图像数据由于多光谱仪采集获得，多光谱仪获取植物生长过程中多光谱数据。
3.根据权利要求1所述的一种植物生长管控模型构建方法，其特征在于：所述环境数据由土壤信息采集装置和气象站获得，土壤信息采集装置获取田地中土壤水分和土壤酸碱度，气象站获取田地中的空气温湿度、风向、二氧化碳浓度和光照情况。
4.根据权利要求1所述的一种植物生长管控模型构建方法，其特征在于：将植物生长管控初始模型放入边缘处理器中，将实时采集的数据输入边缘处理中，植物生长管控初始模型根据实时数据生成决策指令，检验植物生长管控初始模型的鲁棒性，对植物生长管控初始模型进行改进优化。
5.根据权利要求1所述的一种植物生长管控模型构建方法，其特征在于：剪裁出可见光图像数据中含有新梢的可见光图像数据，输入可见光数据处理模型；在多光谱图像数据中拼接出新梢的数据，输入多光谱数据处理模型；根据环境数据划分季节，根据植物的种植知识判断出各个季节新梢生长情况，匹配出对应的植物管控操作的决策指令。
6.根据权利要求1所述的一种植物生长管控模型构建方法，其特征在于：剪裁出可见光图像数据中含有花朵的可见光图像数据，输入可见光数据处理模型；在多光谱图像数据中拼接出花朵的数据，输入多光谱数据处理模型；根据植物的种植知识判断出花朵生长情况，结合不同的环境数据，匹配出对应的植物管控操作的决策指令。
7.根据权利要求1所述的一种植物生长管控模型构建方法，其特征在于：剪裁出可见光图像数据中含有虫的可见光图像数据，输入可见光数据处理模型；根据植物的种植知识判断出虫的种类，结合不同的环境数据，匹配出对应的植物管控操作的决策指令。
8.根据权利要求1所述的一种植物生长管控模型构建方法，其特征在于：剪裁出可见光图像数据中含有病害的可见光图像数据，输入可见光数据处理模型；在多光谱图像数据中拼接出病害的数据，输入多光谱数据处理模型；根据植物的种植知识判断出病害的种类，结合不同的环境数据，匹配出对应的植物管控操作的决策指令。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线进行通信，所述机器可读指令被所述处理器运行时执行如权利要求1至8任一所述的植物生长管控初始模型的构建方法。
10.一种存储介质，其特征在于，包括：计算机程序指令；所述计算机程序指令被电子设备的处理器执行时，以执行如权利要求1至8任一项所述的植物生长管控初始模型的构建方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110615906.4A CN113361377A (zh) | 2021-06-02 | 2021-06-02 | 一种植物生长管控模型构建方法、电子设备、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110615906.4A CN113361377A (zh) | 2021-06-02 | 2021-06-02 | 一种植物生长管控模型构建方法、电子设备、存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113361377A true CN113361377A (zh) | 2021-09-07 |
Family
ID=77531710
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110615906.4A Pending CN113361377A (zh) | 2021-06-02 | 2021-06-02 | 一种植物生长管控模型构建方法、电子设备、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113361377A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115661547A (zh) * | 2022-11-10 | 2023-01-31 | 广州市景丽园芳信息技术有限公司 | 一种基于知识图谱的植物灌溉养护方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190377946A1 (en) * | 2018-06-06 | 2019-12-12 | AgEYE Technologies, Inc. | Ai-powered autonomous plant-growth optimization system that automatically adjusts input variables to yield desired harvest traits |
| WO2020024585A1 (zh) * | 2018-08-03 | 2020-02-06 | 华为技术有限公司 | 一种训练物体检测模型的方法、装置以及设备 |
| 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 |
| CN112197819A (zh) * | 2020-12-07 | 2021-01-08 | 宏景科技股份有限公司 | 一种基于生产基地的植物生长精准控制方法 |
| CN212567490U (zh) * | 2020-05-17 | 2021-02-19 | 西北农林科技大学 | 一种基于无人机遥感平台的果园植被信息采集系统 |
| US20210110157A1 (en) * | 2019-10-15 | 2021-04-15 | A.U.G. Signals Ltd. | Crop phenology estimation and tracking with remote sensing imagery |
-
2021
- 2021-06-02 CN CN202110615906.4A patent/CN113361377A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190377946A1 (en) * | 2018-06-06 | 2019-12-12 | AgEYE Technologies, Inc. | Ai-powered autonomous plant-growth optimization system that automatically adjusts input variables to yield desired harvest traits |
| WO2020024585A1 (zh) * | 2018-08-03 | 2020-02-06 | 华为技术有限公司 | 一种训练物体检测模型的方法、装置以及设备 |
| US20210110157A1 (en) * | 2019-10-15 | 2021-04-15 | A.U.G. Signals Ltd. | Crop phenology estimation and tracking with remote sensing imagery |
| 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 |
| CN212567490U (zh) * | 2020-05-17 | 2021-02-19 | 西北农林科技大学 | 一种基于无人机遥感平台的果园植被信息采集系统 |
| CN112197819A (zh) * | 2020-12-07 | 2021-01-08 | 宏景科技股份有限公司 | 一种基于生产基地的植物生长精准控制方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115661547A (zh) * | 2022-11-10 | 2023-01-31 | 广州市景丽园芳信息技术有限公司 | 一种基于知识图谱的植物灌溉养护方法及系统 |
| CN115661547B (zh) * | 2022-11-10 | 2023-12-15 | 广州市景丽园芳信息技术有限公司 | 一种基于知识图谱的植物灌溉养护方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11432470B2 (en) | Information processing apparatus, information processing method, and vegetation management system | |
| CN109191074A (zh) | 智慧果园种植管理系统 | |
| CN111488017A (zh) | 基于物联网的智慧农业管理控制系统 | |
| CN115204689B (zh) | 一种基于图像处理的智慧农业管理系统 | |
| CN111504371A (zh) | 大数据服务系统 | |
| CN111008733B (zh) | 一种作物生长管控方法和系统 | |
| CN109029588A (zh) | 一种基于气候影响的农作物长势预测方法 | |
| KR20190106388A (ko) | 생육 레시피를 생성 및 제공하는 식물 재배 시스템 | |
| CN111859672B (zh) | 一种草莓蜜蜂复合设施生态环境智能构建方法 | |
| CN112711900A (zh) | 一种农作物数字孪生建模方法 | |
| CN109634332A (zh) | 一种现代化温室的智能调控系统 | |
| WO2021198731A1 (en) | An artificial-intelligence-based method of agricultural and horticultural plants' physical characteristics and health diagnosing and development assessment. | |
| WO2024159657A1 (zh) | 基于边缘计算的温室大棚监控系统 | |
| CN113435728A (zh) | 一种农场虫害查杀方法和系统 | |
| CN114004458A (zh) | 一种多态势感知融合的植物生长管理系统 | |
| CN112699729A (zh) | 一种无人机察打一体除草方法 | |
| DE202022103610U1 (de) | IoT-basiertes intelligentes Landwirtschaftssystem mit künstlicher Intelligenz | |
| Mortensen et al. | The oil radish growth dataset for semantic segmentation and yield estimation | |
| CN113361377A (zh) | 一种植物生长管控模型构建方法、电子设备、存储介质 | |
| CN114158537A (zh) | 一种农药自动喷洒系统及其施用方法 | |
| WO2022072219A1 (en) | Calibration of autonomous farming vehicle image acquisition system | |
| CN117274828B (zh) | 基于机器学习的农田智能监测与作物管理系统 | |
| CN111553258A (zh) | 一种利用卷积神经网络的茶园识别除草方法 | |
| LU502599B1 (en) | Intelligent agricultural management system based on image processing | |
| Chakraborty | Drone Technology in Agriculture |
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: 20210907 |
|
| RJ01 | Rejection of invention patent application after publication |