CN113469248A - 基于神经网络的农业培育控制方法、装置、系统及介质 - Google Patents

基于神经网络的农业培育控制方法、装置、系统及介质 Download PDF

Info

Publication number
CN113469248A
CN113469248A CN202110740057.5A CN202110740057A CN113469248A CN 113469248 A CN113469248 A CN 113469248A CN 202110740057 A CN202110740057 A CN 202110740057A CN 113469248 A CN113469248 A CN 113469248A
Authority
CN
China
Prior art keywords
growth
cultivated
crop
picture
cultivated crop
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
CN202110740057.5A
Other languages
English (en)
Inventor
张旭龙
王健宗
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202110740057.5A priority Critical patent/CN113469248A/zh
Publication of CN113469248A publication Critical patent/CN113469248A/zh
Pending legal-status Critical Current

Links

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
    • 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]
    • 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
    • A01G25/00—Watering gardens, fields, sports grounds or the like
    • A01G25/16—Control of watering
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
    • A01M7/00—Special adaptations or arrangements of liquid-spraying apparatus for purposes covered by this subclass
    • A01M7/0089—Regulating or controlling systems
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Environmental Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Water Supply & Treatment (AREA)
  • Zoology (AREA)
  • Wood Science & Technology (AREA)
  • Pest Control & Pesticides (AREA)
  • Insects & Arthropods (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及人工智能、智能决策技术领域，公开了一种基于神经网络的农业培育控制方法、装置、系统及介质，其方法包括：获取培育作物的生长图片；判断培育作物的生长图片与上一周期采集的培育作物的生长图片是否一致；当判断结果为否时，将培育作物的生长图片转换为拓扑结构图，将拓扑结构图的图节点数据以及连接矩阵输入到预设的图卷积模型中，以获取对应的预测结果，预测结果用于表示培育作物对应的生长异常类型，预测结果用于表示培育作物对应的生长异常类型。根据培育作物对应的生长异常类型，对培育作物进行对应处理，以使培育作物恢复正常生长状态。本方案无需人工干预，可实现自动化照料，可大幅度降低农业生产对人的依赖。

Description

基于神经网络的农业培育控制方法、装置、系统及介质
技术领域
本发明涉及人工智能、智能决策技术领域，尤其涉及一种基于神经网络的农业培育控制方法、装置、系统及介质。
背景技术
农业是提供支撑国民经济建设与发展的基础，随着科学技术的发展，传统农业逐渐向现代化农业发展，用现代科学技术和现代工业来装备农业成为一种发展趋势。
目前，现代化农业生产中可通过设置浇灌系统，以便在农作物生长过程中定时、定点、定量进行浇水，或者可通过设置光照灯，根据农作物的生长阶段提供农作物所需的光照强度。但是，上述方式通常需要农作物培育人员根据农作物的生长阶段，通过以往的培育经验给农作物提供对应的需求，并不能实现农作物生长过程中的自动化照料。
发明内容
基于此，有必要针对上述技术问题，提供一种基于神经网络的农业培育控制方法、装置、系统及介质，以解决现有技术中不能实现农作物生长过程中的自动化照料。
第一方面，提供了一种基于神经网络的农业培育控制方法，包括：
获取培育作物的生长图片；
判断培育作物的生长图片与上一周期采集的培育作物的生长图片是否一致；
当判断结果为否时，将培育作物的生长图片转换为拓扑结构图，拓扑结构图包括图节点数据以及连接矩阵；
将图节点数据以及连接矩阵输入预设的图卷积模型中，以获取对应的预测结果，预测结果用于表示培育作物对应的生长异常类型；
根据培育作物对应的生长异常类型，对培育作物进行对应处理，以使培育作物恢复正常生长状态。
第二方面，提供了一种基于神经网络的农业培育控制装置，包括：
生长图片获取单元，用于获取培育作物的生长图片；
控制单元，用于判断所述培育作物的生长图片与上一周期采集的培育作物的生长图片是否一致；当判断结果为否时，将培育作物的生长图片转换为拓扑结构图，拓扑结构图包括图节点数据以及连接矩阵；将图节点数据以及连接矩阵输入预设的图卷积模型中，以获取对应的预测结果，预测结果用于表示培育作物对应的生长异常类型；
操作单元，用于根据培育作物对应的生长异常类型，对培育作物进行对应处理，以使培育作物恢复正常生长状态。
第三方面，提供了一种基于神经网络的农业培育控制系统，包括：
上述基于神经网络的农业培育控制装置；
与农业培育控制装置连接的巡视摄像，巡视摄像用于采集培育作物的生长图片，并将培育作物的生长图片发送给农业培育控制装置；
与所述农业培育控制装置连接的操作设备，用于根据农业培育控制装置发送的操作指令，对培育作物进行对应处理，以使培育作物恢复正常生长状态。
第四方面，提供了一个或多个可读存储介质，可读存储介质存储有计算机可读指令，计算机可读指令被处理器执行时实现上述基于神经网络的农业培育控制方法的步骤。
上述基于神经网络的农业培育控制方法、装置、系统及介质，其具体实现包括：获取培育作物的生长图片；判断培育作物的生长图片与上一周期采集的培育作物的生长图片是否一致；当判断结果为否时，将培育作物的生长图片转换为拓扑结构图，拓扑结构图包括图节点数据以及连接矩阵；将图节点数据以及连接矩阵输入预设的图卷积模型中，以获取对应的预测结果，预测结果用于表示培育作物对应的生长异常类型；根据培育作物对应的生长异常类型，对培育作物进行对应处理，以使培育作物恢复正常生长状态。本方案通过将培育作物的生长图片与上一周期采集的培育作物的生长图片进行比对，当图片不一致时，通过预设的图卷积模型对培育作物的生长图片进行分类，从而确定培育作物当前的生长异常情况，以便进行对应处理，无需人工干预，可实现自动化照料，可大幅度降低农业生产对人的依赖，并且，可以实时根据培育作物的生长情况提供精准的照料，进而提高培育作物的存活率以及产量。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中基于神经网络的农业培育控制方法的一应用环境示意图；
图2是本发明实施例一提供的基于神经网络的农业培育控制方法流程示意图；
图3是本发明实施例三提供的一种基于神经网络的农业培育控制装置的结构示意图；
图4是本发明实施例五提供的一种基于神经网络的农业培育控制系统的结构示意图；
图5是本发明一实施例中控制装置的一示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本实施例提供的基于神经网络的农业培育控制方法，可应用在如图1的应用环境中，其中，巡视摄像与控制装置通信连接，用于向控制装置发送采集的培育作物的生长图片，该控制装置与操作设备通信连接，用于将该培育作物的生长图片与上一周期采集的培育作物的生长图片进行对比，并在培育作物的生长图片与上一周期采集的培育作物的生长图片不一致时，根据图卷积模型，获取对应的预测结果，并根据该预测结果向对应的操作设备发送处理指令，以使培育作物恢复正常生长状态。
进一步，该巡视摄像可为独立的摄像头或者多个摄像头组成的摄像头集群来实现，其可固定设置在可拍摄到培育作物的位置上，也可设置在巡逻设备上，如巡逻车或者无人机等，以便对培育作物进行巡视并拍摄。
进一步，该操作设备可包括浇灌操作设备、光照操作设备、施肥操作设备、除虫操作设备等，分别用于对培育作物进行浇水、增加光照、施加肥料或者除虫等操作。
实施例一
图1示出了本发明实施例提供的一种基于神经网络的农业生产方法的实现流程，包括如下步骤：
在步骤S110中，获取培育作物的生长图片；
在本发明实施例中，该培育作物的生长图片可通过巡视摄像获取，该巡视摄像可为独立的摄像头或者多个摄像头组成的摄像头集群来实现。其可固定设置在可拍摄到培育作物的位置上，也可设置在巡逻设备上，如巡逻车、无人机等，以便对培育作物进行巡视并拍摄。
进一步，每个培育作物的生长图片可包括一种培育作物，每一种培育作物的生长图片可包括一张或者多张生长图片，该巡视摄像在对培育作物进行拍摄时，为避免拍摄不够全面，可从不同的拍摄角度拍摄多张照片。比如，培育作物所处区域的中间位置或者培育作物的叶子生长区域等。
在步骤S120中，判断培育作物的生长图片与上一周期采集的培育作物的生长图片是否一致；
在本发明一实施例中，当该培育作物的生长图片包括多张时，在进行对比之前，可以对培育作物的生长图片进行筛选，获取拍摄角度最好，拍摄的培育作物最全面的照片作为该培育作物的生长图片。或者，可以依次对每一张培育作物的生长图片进行比对，以避免单一照片无法拍摄完整的培育作物，使得部分区域培育作物异常，无法被发现的问题。
在本发明实施例中，上一周期采集的培育作物的生长图片可预存于本地存储器或者服务器中，当获取培育作物的生长图片时，可以直接调用。每一张培育作物的生长图片都可包括培育作物的种类，拍摄的摄像头位置等信息，以便在进行比对时，可直接获取对应的培育作物的生长图片。
进一步，该周期可为每间隔预设周期，拍摄一次培育作物的生长图片，比如，每间隔24小时拍摄一次。为保证图片比对的准确性，每次拍摄的时间可固定，比如上午10点。
在步骤S130中，将培育作物的生长图片转换为拓扑结构图，拓扑结构图包括图节点数据以及连接矩阵；
在本发明实施例中，通过对培育作物的生长图片进行灰度化、二值化处理，以提取对应的像素点信息，该像素点信息包括像素点特征值，该像素点特征值可为RGBA值，将每个特征值相似度达到预设相似度阈值的点合并为一个点，其目的在于将位于同一区域的像素点进行合并表示，并按照预设规则将该像素点进行连接，具体的，可将相邻的像素点进行连接，以获取对应的拓扑结构图，该拓扑结构图为对培育作物图片的重新表示。
在本发明实施例中，该拓扑结构图包括图节点数据，该图节点数据包括多个节点以及每节点连接的像素点数量，各个节点之间的关系可形成一个连接矩阵，比如，有N个节点，则各节点之间的关系可形成一个N×N维的矩阵。
在步骤S140中，将图节点数据以及连接矩阵输入到预设的图卷积模型中，以获取对应的预测结果，预测结果用于表示培育作物对应的生长异常类型。
在本发明实施例中，当将培育作物的生长图片转换为拓扑结构图，拓扑结构图包括图节点数据以及连接矩阵，该图节点数据可包括每个节点连接的像素点的数量，将该图节点数据以及连接矩阵输入到预设的图卷积模型中，以对该培育作物的生长图片的异常状态进行分析，输出该异常状态所属的生长异常类型的预测结果，比如，当该异常状态属于缺少水分的概率为10％，属于缺少光照的概率为80％时，则可输出该培育植物处于缺少光照状态的预测结果。
具体的，该预测结果可通过如下方式获取：
得到拓扑结构图后，根据该拓扑结构图可以获取每点连接的像素点数量(Degreematrix)，及连接矩阵(Adjacency matrix)，根据如下公式，可获取拉普拉斯矩阵(Laplacianmatrix)：
L＝D-A，其中，D表示每点连接的像素点数量，A表示连接矩阵，L表示拉普拉矩阵。
进一步，获取拓扑结构图的每个特征点的隐式向量Hl：
Figure BDA0003141087200000071
其中，
Figure BDA0003141087200000072
其目的是增加节点自身对自身的表达形式，
Figure BDA0003141087200000073
表示近似的构造在傅里叶变化当中的时域频域转换，W是每层都不同的可学习参量，l表示单位矩阵，σ是激活函数，除了最后一层外都可使用Relu激活函数(The Rectified LinearUnit)，最后一层使用Softmax激活函数。
通过预设的图卷积模型进行上述训练，可获取每个特征点的隐式向量，并通过多层感知器，对培育作物的异常类型进行预测，具体如下所示：
F(X)＝G(b(2)+W2(s(b(1)+W(1)X)))；
其中，G表示Softmax激活函数，W(1),W(2)分别代表该多层感知器的输入层(inputlayer)和隐含层(hiddenlayer)的各个节点的权重矩阵，b1，b2分别代表输入层(inputlayer)和隐含层(hiddenlayer)的偏置，X表示隐式向量。
进一步，该输出层可包括5个节点，分别代表五种情况，比如，缺水、缺少光照、缺少肥料、害虫、或者属于自然生长状态等，该输入层(inputlayer)取决于图卷积模型操作中对生长图片的像素点合并的结果，例如20个；隐含层可设置为10个。通过上述方式，可对培育作物的生长情况进行预测，以确定培育作物的生成异常类型。
在本发明实施例中，该培育作物对应的生长异常类型可包括缺水、缺少光照、缺少肥料、虫害等状态。
其中，预设的图卷积模型可为(Graph Convolutional Network,GCN)，采用GCN分类，可将图片分类的更加精细。
在步骤S150中，根据培育作物对应的生长异常类型，对培育作物进行对应处理，以使培育作物恢复正常生长状态。
在本发明实施例中，当确定培育作物对应的生长异常类型时，向对应的操作设备发送处理指令，以便对培育作物提供对应的照料，比如，当培育作物缺少水分时，则向灌溉操作设备发送操作指令，该操作指令可包括灌溉的时间、灌溉的时长以及次数等信息，当培育作物出现虫害时，则向农药喷洒操作设备发送对应操作指令，以使该农药喷洒操作设备根据虫害的类型选择对应的农药，并进行对应处理。
本发明实施例提供了一种基于神经网络的农业培育控制方法，包括：获取培育作物的生长图片；判断培育作物的生长图片与上一周期采集的培育作物的生长图片是否一致；当判断结果为否时，将培育作物的生长图片转换为拓扑结构图，拓扑结构图包括图节点数据以及连接矩阵；将图节点数据以及连接矩阵输入预设的图卷积模型中，以获取对应的预测结果，预测结果用于表示培育作物对应的生长异常类型；根据培育作物对应的生长异常类型，对培育作物进行对应处理，以使培育作物恢复正常生长状态。本方案通过将培育作物的生长图片与上一周期采集的培育作物的生长图片进行比对，当图片不一致时，通过预设的图卷积模型对培育作物的生长图片进行分类，从而确定培育作物当前的生长异常情况，以便进行对应处理，无需人工干预，可实现自动化照料，可大幅度降低农业生产对人的依赖，并且，可以实时根据培育作物的生长情况提供精准的照料，进而提高培育作物的存活率以及产量。
实施例二、
实施例二提供了一种基于神经网络的农业培育控制方法，详述如下：
在步骤S110中，获取培育作物的生长图片；
在本发明实施例中，该培育作物的生长图片可通过巡视摄像获取，该巡视摄像可为独立的摄像头或者多个摄像头组成的摄像头集群来实现。其可固定设置在可拍摄到培育作物的位置上，也可设置在巡逻设备上，如巡逻车、无人机等，以便定期对培育作物进行巡视并拍摄。
步骤S120，包括：
获取培育作物生长图片中的待匹配区域；
提取培育作物生长图片中待匹配区域的第一像素信息；
将第一像素信息与上一周期采集的、培育作物的生长图片中待匹配区域对应的第二像素信息进行逐帧对比；
当第一像素信息与第二像素信息之间的匹配度达到预设匹配阈值时，确定培育作物的生长图片与上一周期采集的培育作物的生长图片一致。
在本发明实施例中，该待匹配区域为培育植物在生长图片中所占据的区域。通过对生长图片中背景等其他干扰项进行过滤，以获取培育植物在生长图片中所占据的区域，并将生长图片进行灰度化、二值化处理以提取该区域的像素点信息，该像素点信息可包括像素点位置信息以及像素点的RGBA值，依次将该第一像素点信息与该上一周期采集的培育作物的生长图片中待匹配区域对应的第二像素信息逐帧进行比对，并可通过该像素点位置信息以及像素点的RGBA值，确定该像素点位置的RGBA值是否相同，进而确定该生长图片是否一致。
其中，当第一像素信息与第二像素信息之间的匹配度达到预设匹配阈值，比如，达到95％时，则可认为培育作物的生长图片与上一周期采集的培育作物的生长图片一致，否则，则可认为培育作物当前的生长状态出现异常，需要对培育作物的异常状态进行分类。
进一步，步骤S130之前还包括：
当培育作物的生长图片与上一周期采集的培育作物的生长图片不一致时，获取培育作物的生长图片对应的第一拍摄环境特征参数；
判断第一拍摄环境特征参数与上一周期采集的、培育作物的生长图片对应的第二拍摄环境特征参数是否一致；
当判断结果为是，则对培育作物的生长图片进行分类处理，以确定培育作物对应的生长异常类型。
在本发明实施例中，该第一拍摄环境特征参数为拍摄培育作物的生长图片时的环境信息，具体可包括光线、风速、遮挡物，比如雨水、灰尘等。具体，可通过获取天气信息，根据天气情况确定当前的光照强度或者风速等信息。
在本发明实施例中，培育作物的生长图片与上一周期采集的培育作物的生长图片不一致时，可进一步确定培育作物的生长图片的第一拍摄环境特征参数与上一周期采集的培育作物的生长图片的第二环境特征参数是否一致，当该第一拍摄环境特征参数与该第二环境拍摄参数不一致时，可返回到该巡视摄像重新对培育作物进行拍摄。进一步，为避免重复拍摄次数过多，可当第一拍摄环境特征参数与第二拍摄环境特征参数的相似度达到预设值时，比如90％，进行拍摄。通过对第一拍摄环境特征参数与该第二环境拍摄参数的相似度进行判断，可避免环境对培育作物的生长图片的干扰，可避免图片对比不准确的问题。
进一步，步骤S130，包括：
提取培育作物的生长图片对应的像素点，像素点包括特征值；
将特征值相似度达到预设相似度阈值的像素点进行合并；
按照预设规则将合并后的像素点进行连接，以获取拓扑结构图。
在本发明实施例中，通过对培育作物的生长图片进行灰度化、二值化处理，以提取对应的像素点信息，该像素点信息包括像素点特征值，该像素点特征值可为RGBA值，将每个特征值相似度达到预设相似度阈值的点合并为一个点，其目的在于将位于同一区域的像素点进行合并表示，并按照预设规则将该像素点进行连接，具体的，可将相邻的像素点进行连接，以获取对应的拓扑结构图，该拓扑结构图为对培育作物图片的重新表示。
在本发明实施例中，该拓扑结构图包括图节点数据，该图节点数据包括多个节点以及每节点连接的像素点数量，各个节点之间的关系可形成一个连接矩阵，比如，有N个节点，则各节点之间的关系可形成一个N×N维的矩阵。
步骤S140，还包括：
将图节点数据以及连接矩阵输入到预设的图卷积模型中，以获取培育作物生长差别信息；
判断培育作物生长差别信息是否属于培育作物自然生长变化信息；
当判断结果为否时，则根据培育作物生长差别信息确定培育作物对应的生长异常类型以作为预测结果。
在本发明实施例中，培育作物生长差别信息为培育作物与上一周期的培育作物之间的差别，并进一步确定该培育作物生长差别信息是否属于作物的自然生长，比如，当培育作物生长差别信息为培育作物的高度高于上一周期的培育作物，或者培育作物的叶子多于上一周期的培育作物，或者培育作物开始进入花期、结果期等，则可认为培育作物生长差别信息属于培育作物自然生长变化。
进一步，当该培育作物生长差别信息属于缺少水分的概率为10％，属于缺少光照的概率为80％时，则可输出该培育植物处于缺少光照状态的预测结果。
步骤S150之前，还包括：
根据培育作物生长异常类型，对培育作物进行对应处理，以使培育作物恢复正常生长状态之前，还包括：
获取预设时间范围内的天气关联信息；
判断天气关联信息是否满足培育作物对应的生长异常类型的补偿需求；
当判断为否，则对培育作物进行对应处理，以使培育作物恢复正常生长状态。
在本发明实施例中，天气关联信息可为具体的天气状况，比如，晴天，光照强度、雨天，降雨量等信息。
作为本发明的一实施场景，当培育作物对应的生长异常类型为缺少水分，缺少光照时，可以获取预设时间范围内的天气关联信息，比如，3天内的天气情况，确定未来几天是否有晴天，并可提供足够的光照强度，或者是否有雨天，可以提供足够的水分，如果可以满足培育作物的补偿需求时，则可不进行处理，如果无法满足培育作物的补偿需求时，则通过对应的操作设备为培育作物提供对应的照料，以避免资源的浪费，并且，可以避免重复对培育作物进行处理，导致培育作物的光照强度及水分过盛的问题。
步骤S150中，包括：
根据培育作物对应的生长异常类型，确定培育作物生长异常程度；
根据培育作物生长异常程度，确定培育作物生长异常处理策略；
根据培育作物生长异常处理策略，对培育作物进行对应处理，以使培育作物恢复正常生长状态，并将每一周期的培育作物生长异常处理策略信息存储至区块链网络中。
在本发明实施例中，培育作物对应的生长异常类型可包括缺水、缺少光照、缺少肥料、虫害等，可按照培育作物的生长异常的严重情况，划分异常程度等级，比如，当5％的培育作物出现虫害时，可为轻度、当20％的培育作物出现虫害时，可为中度，当40％的培育作物出现虫害时，则为重度。
进一步，根据培育作物生长异常程度，确定培育作物生长异常处理策略，比如，当5％的培育作物出现虫害时，可喷洒轻浓度的农药，并且喷洒的次数为1次。
需要强调的是，为进一步保证上述每一周期的培育作物生长异常处理策略信息的私密和安全性，上述每一周期的培育作物生长异常处理策略信息还可以存储于一区块链的节点中。
本发明实施例提供的基于神经网络的农业培育控制方法，通过将培育作物的生长图片与上一周期采集的培育作物的生长图片进行比对，当图片不一致时，通过预设的图卷积模型对培育作物的生长图片进行分类，从而确定培育作物当前的生长异常情况，以便进行对应处理，无需人工干预，可实现自动化照料，可大幅度降低农业生产对人的依赖，并且，可以实时根据培育作物的生长情况提供精准的照料，进而提高培育作物的存活率以及产量。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
实施例三、
参见图3、在一实施例中，提供一种基于神经网络的农业培育控制装置，该基于神经网络的农业培育控制装置与上述实施例中基于神经网络的农业培育控制方法一一对应。如图3所示，该基于神经网络的农业培育控制装置包括生长图片获取单元10、控制单元20、操作单元30。各组成部分详细说明如下：
生长图片获取单元10，用于获取培育作物的生长图片；
在本发明实施例中，该培育作物的生长图片可通过巡视摄像获取，该巡视摄像可为独立的摄像头或者多个摄像头组成的摄像头集群来实现。其可固定设置在可拍摄到培育作物的位置上，也可设置在巡逻设备上，如巡逻车、无人机等，以便对培育作物进行巡视并拍摄。
进一步，每个培育作物的生长图片可包括一种培育作物，每一种培育作物的生长图片可包括一张或者多张生长图片，该巡视摄像在对培育作物进行拍摄时，为避免拍摄不够全面，可从不同的拍摄角度拍摄多张照片。比如，培育作物所处区域的中间位置或者培育作物的叶子生长区域等。
控制单元20，用于判断培育作物的生长图片与上一周期采集的培育作物的生长图片是否一致；当判断结果为否时，将培育作物的生长图片转换为拓扑结构图，拓扑结构图包括图节点数据以及连接矩阵；将图节点数据以及连接矩阵输入预设的图卷积模型中，以获取对应的预测结果，预测结果用于表示培育作物对应的生长异常类型；
在本发明一实施例中，当该培育作物的生长图片包括多张时，在进行对比之前，可以对培育作物的生长图片进行筛选，获取拍摄角度最好，拍摄的培育作物最全面的照片作为该培育作物的生长图片。或者，可以依次对每一张培育作物的生长图片进行比对，以避免单一照片无法拍摄完整的培育作物，使得部分区域培育作物异常，无法被发现的问题。
在本发明实施例中，上一周期采集的培育作物的生长图片可预存于本地存储器或者服务器中，当获取培育作物的生长图片时，可以直接调用。每一张培育作物的生长图片都可包括培育作物的种类，拍摄的摄像头位置等信息，以便在进行比对时，可直接获取对应的培育作物的生长图片。
进一步，该周期可为每间隔预设周期，拍摄一次培育作物的生长图片，比如，每间隔24小时拍摄一次。为保证图片比对的准确性，每次拍摄的时间可固定，比如上午10点。
在本发明实施例中，通过对培育作物的生长图片进行灰度化、二值化处理，以提取对应的像素点信息，该像素点信息包括像素点特征值，该像素点特征值可为RGBA值，将每个特征值相似度达到预设相似度阈值的点合并为一个点，其目的在于将位于同一区域的像素点进行合并表示，并按照预设规则将该像素点进行连接，具体的，可将相邻的像素点进行连接，以获取对应的拓扑结构图，该拓扑结构图为对培育作物图片的重新表示。
在本发明实施例中，该拓扑结构图包括图节点数据，该图节点数据包括多个节点以及每节点连接的像素点数量，各个节点之间的关系可形成一个连接矩阵，比如，有N个节点，则各节点之间的关系可形成一个N×N维的矩阵。
在本发明实施例中，当将培育作物的生长图片转换为拓扑结构图，拓扑结构图包括图节点数据以及连接矩阵，该图节点数据为每个节点连接的像素点的数量，将该图节点数据以及连接矩阵输入到预设的图卷积模型中，以对该培育作物的生长图片的异常状态进行分析，输出该异常状态所属的生长异常类型的预测结果，比如，当该异常状态属于缺少水分的概率为10％，属于缺少光照的概率为80％时，则可输出该培育植物处于缺少光照状态的预测结果。
具体的，该预测结果可通过如下方式获取：
得到拓扑结构图后，根据该拓扑结构图可以获取每节点连接的像素点数量(Degree matrix)，及连接矩阵(Adjacency matrix)，根据如下公式，可获取拉普拉斯矩阵(Laplacianmatrix)：
L＝D-A，其中，D表示每节点连接的像素点数量，A表示连接矩阵，L表示拉普拉矩阵。
进一步，获取拓扑结构图的每个特征点的隐式向量Hl：
Figure BDA0003141087200000161
其中，
Figure BDA0003141087200000162
其目的是增加节点自身对自身的表达形式，
Figure BDA0003141087200000163
表示近似的构造在傅里叶变化当中的时域频域转换，W是每层都不同的可学习参量，l表示单位矩阵，σ是激活函数，除了最后一层外都可使用Relu激活函数(The Rectified LinearUnit)，最后一层使用Softmax激活函数。
通过预设的图卷积模型进行上述训练，可获取每个特征点的隐式向量，并通过多层感知器，对培育作物的异常类型进行预测，具体如下所示：
F(X)＝G(b(2)+W2(s(b(1)+W(1)X)))；
其中，G表示Softmax的激活函数，W(2),W(2)分别代表该多层感知器的输入层(inputlayer)和隐含层(hiddenlayer)的各个节点的权重矩阵，b1，b2分别代表输入层(inputlayer)和隐含层(hiddenlayer)的偏置，X表示隐式向量。
进一步，该输出层可包括5个节点，分别代表五种情况，比如，缺水、缺少光照、缺少肥料、害虫、或者属于自然生长状态等，该输入层(inputlayer)取决于图卷积模型操作中对生长图片的像素点合并的结果，例如20个；隐含层可设置为10个。通过上述方式，可对培育作物的生长情况进行预测，以确定培育作物的生成异常类型。
在本发明实施例中，该培育作物对应的生长异常类型可包括缺水、缺少光照、缺少肥料、虫害等状态。
其中，预设的图卷积模型可为(Graph Convolutional Network,GCN)，采用GCN分类，可将图片分类的更加精细。
操作单元30，用于根据培育作物对应的生长异常类型，对培育作物进行对应处理，以使培育作物恢复正常生长状态。
在本发明实施例中，当确定培育作物对应的生长异常类型时，向对应的操作设备发送处理指令，以便对培育作物提供对应的照料，比如，当培育作物缺少水分时，则向灌溉操作设备发送操作指令，该操作指令可包括灌溉的时间、灌溉的时长以及次数等信息，当培育作物出现虫害时，则向农药喷洒操作设备发送对应操作指令，以使该农药喷洒操作设备根据虫害的类型选择对应的农药，并进行对应处理。
本发明实施例提供了一种基于神经网络的农业培育控制装置，包括：获取培育作物的生长图片；判断培育作物的生长图片与上一周期采集的培育作物的生长图片是否一致；当判断结果为否时，将培育作物的生长图片转换为拓扑结构图，拓扑结构图包括图节点数据以及连接矩阵；将图节点数据以及连接矩阵输入预设的图卷积模型中，以获取对应的预测结果，预测结果用于表示培育作物对应的生长异常类型；根据培育作物对应的生长异常类型，对培育作物进行对应处理，以使培育作物恢复正常生长状态。本方案通过将培育作物的生长图片与上一周期采集的培育作物的生长图片进行比对，当图片不一致时，通过预设的图卷积模型对培育作物的生长图片进行分类，从而确定培育作物当前的生长异常情况，以便进行对应处理，无需人工干预，可实现自动化照料，可大幅度降低农业生产对人的依赖，并且，可以实时根据培育作物的生长情况提供精准的照料，进而提高培育作物的存活率以及产量。
实施例四、
实施例四提供了一种基于神经网络的农业培育控制装置，详述如下：
控制单元20，还用于：
获取培育作物生长图片中的待匹配区域；
提取培育作物生长图片中待匹配区域的第一像素信息；
将第一像素信息与上一周期采集的、培育作物的生长图片中待匹配区域对应的第二像素信息进行逐帧对比；
当第一像素信息与第二像素信息之间的匹配度达到预设匹配阈值时，确定培育作物的生长图片与上一周期采集的培育作物的生长图片一致。
在本发明实施例中，该待匹配区域为培育植物在生长图片中所占据的区域。通过对生长图片中背景等其他干扰项进行过滤，以获取培育植物在生长图片中所占据的区域，并将生长图片进行灰度化、二值化处理以提取该区域的像素点信息，该像素点信息可包括像素点位置信息以及像素点的RGBA值，依次将该第一像素点信息与该上一周期采集的培育作物的生长图片中待匹配区域对应的第二像素信息逐帧进行比对，并可通过该像素点位置信息以及像素点的RGBA值，确定该像素点位置的RGBA值是否相同，进而确定该生长图片是否一致。
其中，当第一像素信息与第二像素信息之间的匹配度达到预设匹配阈值，比如，达到95％时，则可认为培育作物的生长图片与上一周期采集的培育作物的生长图片一致，否则，则可认为培育作物当前的生长状态出现异常，需要对培育作物的异常状态进行分类。
进一步，基于神经网络的农业培育控制装置，还包括判断单元，用于：
当培育作物的生长图片与上一周期采集的培育作物的生长图片不一致时，获取培育作物的生长图片对应的第一拍摄环境特征参数；
判断第一拍摄环境特征参数与上一周期采集的、培育作物的生长图片对应的第二拍摄环境特征参数是否一致；
当判断结果为是，则对培育作物的生长图片进行分类处理，以确定培育作物对应的生长异常类型。
在本发明实施例中，该第一拍摄环境特征参数为拍摄培育作物的生长图片时的环境信息，具体可包括光线、风速、遮挡物，比如雨水、灰尘等。具体，可通过获取天气信息，根据天气情况确定当前的光照强度或者风速等信息。
在本发明实施例中，培育作物的生长图片与上一周期采集的培育作物的生长图片不一致时，可进一步确定培育作物的生长图片的第一拍摄环境特征参数与上一周期采集的培育作物的生长图片的第二环境特征参数是否一致，当该第一拍摄环境特征参数与该第二环境拍摄参数不一致时，可返回到该巡视摄像重新对培育作物进行拍摄。进一步，为避免重复拍摄次数过多，可当第一拍摄环境特征参数与第二拍摄环境特征参数的相似度达到预设值时，比如90％，进行拍摄。通过对第一拍摄环境特征参数与该第二环境拍摄参数的相似度进行判断，可避免环境对培育作物的生长图片的干扰，可避免图片对比不准确的问题。
进一步，该控制单元20，还用于：
提取培育作物的生长图片对应的像素点，像素点包括特征值；
将特征值相似度达到预设相似度阈值的像素点进行合并；
按照预设规则将合并后的像素点进行连接，以获取拓扑结构图。
在本发明实施例中，通过对培育作物的生长图片进行灰度化、二值化处理，以提取对应的像素点信息，该像素点信息包括像素点特征值，该像素点特征值可为RGBA值，将每个特征值相似度达到预设相似度阈值的点合并为一个点，其目的在于将位于同一区域的像素点进行合并表示，并按照预设规则将该像素点进行连接，具体的，可将相邻的像素点进行连接，以获取对应的拓扑结构图，该拓扑结构图为对培育作物图片的重新表示。
在本发明实施例中，该拓扑结构图包括图节点数据，该图节点数据包括多个节点以及每节点连接的像素点数量，各个节点之间的关系可形成一个连接矩阵，比如，有N个节点，则各节点之间的关系可形成一个N×N维的矩阵。
进一步，该控制单元20，还用于：
将图节点数据以及连接矩阵输入到预设的图卷积模型中，以获取培育作物生长差别信息；
判断培育作物生长差别信息是否属于培育作物自然生长变化信息；
当判断结果为否时，则根据培育作物生长差别信息确定培育作物对应的生长异常类型以作为预测结果。
在本发明实施例中，培育作物生长差别信息为培育作物与上一周期的培育作物之间的差别，并进一步确定该培育作物生长差别信息是否属于作物的自然生长，比如，当培育作物生长差别信息为培育作物的高度高于上一周期的培育作物，或者培育作物的叶子多于上一周期的培育作物，或者培育作物开始进入花期、结果期等，则可认为培育作物生长差别信息属于培育作物自然生长变化。
进一步，当该培育作物生长差别信息属于缺少水分的概率为10％，属于缺少光照的概率为80％时，则可输出该培育植物处于缺少光照状态的预测结果。
该基于神经网络的农业培育控制装置，还包括天气补偿单元，用于：
根据培育作物生长异常类型，对培育作物进行对应处理，以使培育作物恢复正常生长状态之前，还包括：
获取预设时间范围内的天气关联信息；
判断天气关联信息是否满足培育作物对应的生长异常类型的补偿需求；
当判断为否，则对培育作物进行对应处理，以使培育作物恢复正常生长状态。
在本发明实施例中，天气关联信息可为具体的天气状况，比如，晴天，光照强度、雨天，降雨量等信息。
作为本发明的一实施场景，当培育作物对应的生长异常类型为缺少水分，缺少光照时，可以获取预设时间范围内的天气关联信息，比如，3天内的天气情况，确定未来几天是否有晴天，并可提供足够的光照强度，或者是否有雨天，可以提供足够的水分，如果可以满足培育作物的补偿需求时，则可不进行处理，如果无法满足培育作物的补偿需求时，则通过对应的操作设备为培育作物提供对应的照料，以避免资源的浪费，并且，可以避免重复对培育作物进行处理，导致培育作物的光照强度及水分过盛的问题。
操作单元30，还用于：
根据培育作物对应的生长异常类型，确定培育作物生长异常程度；
根据培育作物生长异常程度，确定培育作物生长异常处理策略；
根据培育作物生长异常处理策略，对培育作物进行对应处理，以使培育作物恢复正常生长状态，并将每一周期的培育作物生长异常处理策略信息存储至区块链网络中。
在本发明实施例中，培育作物对应的生长异常类型可包括缺水、缺少光照、缺少肥料、虫害等，可按照培育作物的生长异常的严重情况，划分异常程度等级，比如，当5％的培育作物出现虫害时，可为轻度、当20％的培育作物出现虫害时，可为中度，当40％的培育作物出现虫害时，则为重度。
进一步，根据培育作物生长异常程度，确定培育作物生长异常处理策略，比如，当5％的培育作物出现虫害时，可喷洒轻浓度的农药，并且喷洒的次数为1次。
需要强调的是，为进一步保证上述每一周期的培育作物生长异常处理策略信息的私密和安全性，上述每一周期的培育作物生长异常处理策略信息还可以存储于一区块链的节点中。
本发明实施例提供的基于神经网络的农业培育控制装置，通过将培育作物的生长图片与上一周期采集的培育作物的生长图片进行比对，当图片不一致时，通过预设的图卷积模型对培育作物的生长图片进行分类，从而确定培育作物当前的生长异常情况，以便进行对应处理，无需人工干预，可实现自动化照料，可大幅度降低农业生产对人的依赖，并且，可以实时根据培育作物的生长情况提供精准的照料，进而提高培育作物的存活率以及产量。
关于基于神经网络的农业培育控制装置的具体限定可以参见上文中对于基于神经网络的农业培育控制方法的限定，在此不再赘述。上述基于神经网络的农业培育控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
实施例五、
图4提供一种基于神经网络的农业培育控制系统，该基于神经网络的农业培育控制系统包括基于神经网络的农业培育控制装置、巡视摄像、操作设备。各功能模块详细说明如下
基于神经网络的农业培育控制装置；
在本发明实施例中，该基于神经网络的农业培育控制装置包括：生长图片获取单元10，控制单元20，操作单元30。关于基于神经网络的农业培育控制装置的具体限定可参见上述实施例三-实施例四中对于基于神经网络的农业培育控制装置的限定，在此不再赘述。
与基于神经网络的农业培育控制装置连接的巡视摄像，巡视摄像用于采集培育作物的生长图片，并将培育作物的生长图片发送给基于神经网络的农业培育控制装置；
在本发明实施例中，该巡视摄像可为独立的摄像头或者多个摄像头组成的摄像头集群来实现，其可固定设置在可拍摄到培育作物的位置上，也可设置在巡逻设备上，如巡逻车或者无人机等，以便对培育作物进行巡视并拍摄。
与基于神经网络的农业培育控制装置连接的操作设备，用于根据基于神经网络的农业培育控制装置发送的操作指令，对培育作物进行对应处理，以使培育作物恢复正常生长状态。
在本发明实施例中，该操作设备可包括浇灌操作设备、光照操作设备、施肥操作设备、除虫操作设备等，分别用于对培育作物进行浇水、增加光照、施加肥料或者除虫等操作。
本发明实施例提供的基于神经网络的农业培育控制系统，通过将培育作物的生长图片与上一周期采集的培育作物的生长图片进行比对，当图片不一致时，通过预设的图卷积模型对培育作物的生长图片进行分类，从而确定培育作物当前的生长异常情况，以便进行对应处理，无需人工干预，可实现自动化照料，可大幅度降低农业生产对人的依赖，并且，可以实时根据培育作物的生长情况提供精准的照料，进而提高培育作物的存活率以及产量。
在一个实施例中，提供了一种控制装置，其内部结构图可以如图5所示。该控制装置设备包括通过系统总线连接的处理器、存储器。其中，该控制装置的处理器用于提供计算和控制能力。该控制装置的存储器包括可读存储介质。该可读存储介质存储有计算机可读指令。该控制装置的网络接口用于与外部服务器通过网络连接通信。该计算机可读指令被处理器执行时以实现一种基于神经网络的农业培育控制方法。本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。
提供了一种控制装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机可读指令，处理器执行计算机可读指令时实现上述基于神经网络的农业培育控制方法的步骤。
提供了一个或多个可读存储介质，可读存储介质存储有计算机可读指令，计算机可读指令被处理器执行时实现上述基于神经网络的农业培育控制方法的步骤。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，的计算机可读指令可存储于一非易失性可读取存储介质或易失性可读存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于神经网络的农业培育控制方法，其特征在于，包括：
获取培育作物的生长图片；
判断所述培育作物的生长图片与上一周期采集的所述培育作物的生长图片是否一致；
当判断结果为否时，将所述培育作物的生长图片转换为拓扑结构图，所述拓扑结构图包括图节点数据以及连接矩阵；
将所述图节点数据以及连接矩阵输入预设的图卷积模型中，以获取对应的预测结果，所述预测结果用于表示培育作物对应的生长异常类型；
根据所述培育作物对应的生长异常类型，对所述培育作物进行对应处理，以使所述培育作物恢复正常生长状态。
2.如权利要求1所述的基于神经网络的农业培育控制方法，其特征在于，将所述图节点数据以及连接矩阵输入到预设的图卷积模型中，以获取对应的预测结果，包括：
将所述图节点数据以及连接矩阵输入到预设的图卷积模型中，以获取培育作物生长差别信息；
判断所述培育作物生长差别信息是否属于培育作物自然生长变化信息；
当判断结果为否时，则根据所述培育作物生长差别信息确定所述培育作物对应的生长异常类型以作为所述预测结果。
3.如权利要求1或2所述的基于神经网络的农业培育控制方法，其特征在于，所述将所述培育作物的生长图片转换为拓扑结构图，包括：
提取所述培育作物的生长图片对应的像素点，所述像素点包括特征值；
将所述特征值相似度达到预设相似度阈值的像素点进行合并；
按照预设规则将所述合并后的像素点进行连接，以获取所述拓扑结构图。
4.如权利要求1所述的基于神经网络的农业培育控制方法，其特征在于，所述判断所述培育作物的生长图片与上一周期采集的所述培育作物的生长图片是否一致，包括：
获取所述培育作物生长图片中的待匹配区域；
提取所述培育作物生长图片中待匹配区域的第一像素信息；
将所述第一像素信息与所述上一周期采集的、所述培育作物的生长图片中待匹配区域对应的第二像素信息进行逐帧对比；
当所述第一像素信息与所述第二像素信息之间的匹配度达到预设匹配阈值时，确定所述培育作物的生长图片与上一周期采集的培育作物的生长图片一致。
5.如权利要求1所述的基于神经网络的农业培育控制方法，其特征在于，所述根据所述培育作物生长异常类型，对所述培育作物进行对应处理，以使所述培育作物恢复正常生长状态之前，还包括：
获取预设时间范围内的天气关联信息；
判断所述天气关联信息是否满足所述培育作物对应的生长异常类型的补偿需求；
当判断为否，则对所述培育作物进行对应处理，以使所述培育作物恢复正常生长状态。
6.如权利要求1所述的基于神经网络的农业培育控制方法，其特征在于，所述根据所述培育作物生长异常类型，对所述培育作物进行对应处理，以使所述培育作物恢复正常生长状态，包括：
根据所述培育作物对应的生长异常类型，确定所述培育作物生长异常程度；
根据所述培育作物生长异常程度，确定培育作物生长异常处理策略；
根据所述培育作物生长异常处理策略，对所述培育作物进行对应处理，以使所述培育作物恢复正常生长状态，并将每一周期的培育作物生长异常处理策略信息存储至区块链网络中。
7.如权利要求1或4所述的基于神经网络的农业培育控制方法，其特征在于，所述对所述培育作物的生长图片进行分类处理，以确定所述培育作物对应的生长异常类型之前，还包括：
当所述培育作物的生长图片与上一周期采集的所述培育作物的生长图片不一致时，获取所述培育作物的生长图片对应的第一拍摄环境特征参数；
判断所述第一拍摄环境特征参数与上一周期采集的、所述培育作物的生长图片对应的第二拍摄环境特征参数是否一致；
当判断结果为是，则对所述培育作物的生长图片进行分类处理，以确定所述培育作物对应的生长异常类型。
8.一种基于神经网络的农业培育控制装置，其特征在于，包括：
生长图片获取单元，用于获取培育作物的生长图片；
控制单元，用于判断所述培育作物的生长图片与上一周期采集的所述培育作物的生长图片是否一致；当判断结果为否时，将所述培育作物的生长图片转换为拓扑结构图，所述拓扑结构图包括图节点数据以及连接矩阵；将所述图节点数据以及连接矩阵输入预设的图卷积模型中，以获取对应的预测结果，预测结果用于表示培育作物对应的生长异常类型；
操作单元，用于根据所述培育作物对应的生长异常类型，对所述培育作物进行对应处理，以使所述培育作物恢复正常生长状态。
9.一种基于神经网络的农业培育控制系统，包括：
如权利要求8所述的基于神经网络的农业培育控制装置；
与所述农业培育控制装置连接的巡视摄像，所述巡视摄像用于采集培育作物的生长图片，并将所述培育作物的生长图片发送给所述农业培育控制装置；
与所述农业培育控制装置连接的操作设备，用于根据所述农业培育控制装置发送的操作指令，对所述培育作物进行对应处理，以使所述培育作物恢复正常生长状态。
10.一个或多个可读存储介质，所述可读存储介质存储有计算机可读指令，其特征在于，所述计算机可读指令被处理器执行时实现如权利要求1至7任意一项所述基于神经网络的农业培育控制方法的步骤。
CN202110740057.5A 2021-06-30 2021-06-30 基于神经网络的农业培育控制方法、装置、系统及介质 Pending CN113469248A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110740057.5A CN113469248A (zh) 2021-06-30 2021-06-30 基于神经网络的农业培育控制方法、装置、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110740057.5A CN113469248A (zh) 2021-06-30 2021-06-30 基于神经网络的农业培育控制方法、装置、系统及介质

Publications (1)

Publication Number Publication Date
CN113469248A true CN113469248A (zh) 2021-10-01

Family

ID=77876852

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110740057.5A Pending CN113469248A (zh) 2021-06-30 2021-06-30 基于神经网络的农业培育控制方法、装置、系统及介质

Country Status (1)

Country Link
CN (1) CN113469248A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113674509A (zh) * 2021-10-21 2021-11-19 北京博华信智科技股份有限公司 基于区块链的边缘节点灾害监测预警系统及方法
CN114868640A (zh) * 2022-07-12 2022-08-09 成都秦川物联网科技股份有限公司 基于物联网的智慧城市绿地灌溉用水分配方法和系统
CN115601585A (zh) * 2022-09-15 2023-01-13 中科聚信信息技术（北京）有限公司（Cn） 基于图片分析的农业病虫害诊断方法及装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113674509A (zh) * 2021-10-21 2021-11-19 北京博华信智科技股份有限公司 基于区块链的边缘节点灾害监测预警系统及方法
CN114868640A (zh) * 2022-07-12 2022-08-09 成都秦川物联网科技股份有限公司 基于物联网的智慧城市绿地灌溉用水分配方法和系统
CN114868640B (zh) * 2022-07-12 2022-11-11 成都秦川物联网科技股份有限公司 基于物联网的智慧城市绿地灌溉用水分配方法和系统
US11693380B1 (en) 2022-07-12 2023-07-04 Chengdu Qinchuan Iot Technology Co., Ltd. Distribution methods and distribution systems for greenspace irrigation water of smart cities based on internet of things
US11966208B2 (en) 2022-07-12 2024-04-23 Chengdu Qinchuan Iot Technology Co., Ltd. Methods and systems for greenspace cultivation and management in smart cities based on Internet of Things
CN115601585A (zh) * 2022-09-15 2023-01-13 中科聚信信息技术（北京）有限公司（Cn） 基于图片分析的农业病虫害诊断方法及装置

Similar Documents

Publication Publication Date Title
CN113469248A (zh) 基于神经网络的农业培育控制方法、装置、系统及介质
CN113095555B (zh) 基于物联网的农作物病虫害监控方法、系统及存储介质
Zhang et al. Deep learning-based automatic recognition network of agricultural machinery images
CN113033670B (zh) 一种基于Sentinel-2A/B数据的水稻种植面积提取方法
CN112084977B (zh) 一种融合图像和时间特征的苹果物候期自动识别方法
Tiwari et al. An experimental set up for utilizing convolutional neural network in automated weed detection
CN117036088A (zh) 一种ai识别绿化植物生长态势的数据采集分析方法
Tariqul Islam et al. Automatic detection of Grape, Potato and Strawberry Leaf Diseases using CNN and image processing
CN111832448A (zh) 一种用于葡萄果园的病害识别方法及系统
CN114298615A (zh) 一种农作物种植风险预防方法、装置、存储介质和设备
CN112304902A (zh) 一种农作物物候的实时监测方法和装置
Loresco et al. Segmentation of lettuce plants using super pixels and thresholding methods in smart farm hydroponics setup
CN116523182A (zh) 一种生态果园的构建和生产管理方法、系统及存储介质
CN116310815A (zh) 一种适用于智能化茶园的病虫害预警及自学习方法
CN115903568A (zh) 一种基于区块链大数据的智能农业监管系统及方法
Deepika et al. Monitoring of Hydroponics Plant and Prediction of Leaf Disease using IOT
Vijay et al. An improved agriculture monitoring system using agri-app for better crop production
WO2022046657A1 (en) Method and system of analyzing plant image data and projecting plant growth and health status
Bhandarkar et al. Deep learning and statistical models for detection of white stem borer disease in arabica coffee
Santhosh Kumar et al. Review on disease detection of plants using image processing and machine learning techniques
Varsha et al. Soil classification and crop recommendation using IoT and machine learning
Vinod et al. Mining intelligent patterns using svac for precision agriculture and optimizing irrigation (student abstract)
CN117640898B (zh) 一种基于农业物联网技术的监控自适应调节方法
Patel et al. Artificial Intelligence In Agriculture: Crop Disease Detection And Monitoring Plants
Mayuri et al. Artificial Neural Network (ANN) With Chan-Vese (CV) Algorithm-Based Plant Disease Detection And Classification

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