CN113920474B - 一种智能监管柑橘种植态势的物联网系统及方法 - Google Patents
一种智能监管柑橘种植态势的物联网系统及方法 Download PDFInfo
- Publication number
- CN113920474B CN113920474B CN202111260746.2A CN202111260746A CN113920474B CN 113920474 B CN113920474 B CN 113920474B CN 202111260746 A CN202111260746 A CN 202111260746A CN 113920474 B CN113920474 B CN 113920474B
- Authority
- CN
- China
- Prior art keywords
- citrus
- image
- data
- acquiring
- aerial vehicle
- 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
- 235000020971 citrus fruits Nutrition 0.000 title claims abstract description 139
- 241000207199 Citrus Species 0.000 title claims abstract description 134
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 41
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 7
- 230000007613 environmental effect Effects 0.000 claims description 14
- 241000238631 Hexapoda Species 0.000 claims description 9
- 238000013439 planning Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 4
- 241000254158 Lampyridae Species 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000000491 multivariate analysis Methods 0.000 claims 2
- 230000003071 parasitic effect Effects 0.000 claims 2
- 230000024241 parasitism Effects 0.000 claims 2
- 238000000513 principal component analysis Methods 0.000 claims 2
- 238000005507 spraying Methods 0.000 abstract description 11
- 238000005516 engineering process Methods 0.000 abstract description 5
- 239000000575 pesticide Substances 0.000 abstract description 5
- 239000007921 spray Substances 0.000 abstract description 5
- 238000013527 convolutional neural network Methods 0.000 abstract description 2
- 239000002420 orchard Substances 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000675108 Citrus tangerina Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Catching Or Destruction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智能监管柑橘种植态势的物联网系统及方法，首先，多源传感器实现对柑橘环境的温度、湿度及生长状况信息进行采集，利用嵌入式系统处理数据，然后，通过NB‑IoT无线模块发送至服务器，再将数据实时显示在云平台界面；使用卷积神经网络对图像信息进行学习和训练，构建柑橘生长态势模型，尤其对害虫种类和概率的检测，并将监测结果传至客户端。当害虫数量达到一定数量比例时，利用无人机携带农药喷洒装置对指定区域进行自动喷洒。当柑橘即将成熟时，利用无人机获取的图像信息对柑橘产量进行预估。整个系统在无人机与物联网技术支撑下，有效服务于智慧农业的高效、精细化管控需求。
Description
技术领域
本发明涉及智慧农业装备技术领域，具体的说，涉及一种智能监管柑橘种植态势的物联网系统及方法。
背景技术
柑橘是世界第一大水果，中国是主产国家之一，且柑橘产量呈逐年增加的趋势。全球约有130个国家生产柑橘，120个国家开展柑橘贸易，全球柑橘贸易排名前五的国家分别是西班牙、南非、土耳其中国和埃及。根据联合国贸易组织数据显示，全球柑橘出口贸易总量从2010年1486.37万吨缓慢增长到2015年1537.56万吨，出口总额从2010年113亿美元增加到2015年124.51亿元。柑橘已经成为农民增收、农业增效的主要途径，也是乡村振兴的支柱产业。西南地区气候条件适宜，是我国唯一的柑橘非疫区和“长江中下游柑橘优势产业带”核心区，在全国的柑橘产业发展中占据重要位置。
当前柑橘种植监管中，仍然存在大量人力劳动，依靠手工操作，机械化、自动化、信息化程度低、人工投入多、劳动强度大、监管不足、生产效率低。虽然科研人员对智能化设备研制进行了一些探索，但是应用上基本处于省力型半自动阶段，对柑橘生长的温湿度、光照、施肥和农药喷洒等无法自主智能调控，导致柑橘品质与产量受到影响。
发明内容
本发明的目的在于提供一种智能监管柑橘种植态势的物联网系统及方法，以柑橘这一类不适合大规模机械化种植的作物为切入点，利用无人机的广阔视野优势，搭建一套基于无人机和物联网的柑橘种植监测管理系统，建立环境评估模型，实现柑橘生长态势监测、病虫害自动检测及农药喷洒与产量估计系统。通过本项目的开展，形成一套高效率，高覆盖，智能化的柑橘种植服务体系，对于农业的智能化和无人机技术的进一步发展具有重要的意义。
本发明的具体技术方案如下：
本发明的一个方面，提供了一种智能监管柑橘种植态势的方法，包括以下步骤：
获取环境数据；
获取第一柑橘生长态势图像，提取所述第一柑橘生长态势图像的颜色空间特征、纹理特征，根据所述第一柑橘生长态势图像的颜色空间特征、纹理特征，建立柑橘识别模型；
获取第二柑橘生长态势图像，通过所述柑橘识别模型对所述第二柑橘生长态势图像进行监测，获得柑橘树龄和柑橘生长态势；
构建虫害监测模型，获取柑橘种植园的图像数据，并将所述柑橘种植园的图像数据传输至所述虫害监测模型中进行虫害识别与监测，根据虫害识别与监测结果，控制无人机作业。
本发明的另一方面，提供了一种智能监管柑橘种植态势的物联网系统，包括环境数据采集单元、处理器、摄像单元、无人机；
所述环境数据采集单元、所述摄像单元、所述无人机分别与所述处理器建立信号连接；
所述环境数据采集单元，用于采集环境数据；
所述摄像单元用于采集第二柑橘生长态势图像以及柑橘种植园的图像数据；
所述处理器配置为：
获取环境数据；
获取第一柑橘生长态势图像，提取所述第一柑橘生长态势图像的颜色空间特征、纹理特征，根据所述第一柑橘生长态势图像的颜色空间特征、纹理特征，建立柑橘识别模型；
获取第二柑橘生长态势图像，通过所述柑橘识别模型对所述第二柑橘生长态势图像进行监测，获得柑橘树龄和柑橘生长态势；
构建虫害监测模型，获取柑橘种植园的图像数据，并将所述柑橘种植园的图像数据传输至所述虫害监测模型中进行虫害识别与监测，根据虫害识别与监测结果，控制无人机作业。
有益效果在于：
本发明使用卷积神经网络对图像信息进行学习和训练，构建柑橘生长态势模型，尤其对害虫种类和概率的检测，并将监测结果传至客户端。当害虫数量达到一定数量比例时，利用无人机携带农药喷洒装置对指定区域进行自动喷洒。当柑橘即将成熟时，利用无人机获取的图像信息对柑橘产量进行预估。整个系统在无人机与物联网技术支撑下，有效服务于智慧农业的高效、精细化管控需求。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为根据本发明的实施例的整体逻辑框图；
图2为根据本发明的实施例的柑橘高精度识别建模框图；
图3为根据本发明的实施例的无人机喷洒框架图；
图4为根据本发明的实施例的柑橘果园产量估计系统硬件图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，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。
需要说明的是，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定发明。
现在结合说明书附图对本发明做进一步的说明。
如图1所示，本发明实施例是利用传感器、窄带物联网(Narrow Band Internet ofThings,NB-IoT)技术、无人机技术、深度学习等技术对柑橘进行温湿度、生长态势及虫害监测系统的设计。
首先，获取环境数据。
在一些实施例中，使用嵌入式系统为主控，通过外接DHT11温湿度传感器来采集温度、湿度信息，在通过NB-IoT板块将信息传回NB-IoT服务器，进而通过互联网在OneNET云平台将采集的温湿度数据，同时也可以通过云平台下发指令，通过反向的传输过程，可以使MCU完成相应的指令动作。当返回数据温湿度低于设定值，将利用反向传输向无人机传输，使无人机自主进行喷洒水。
随后，获取第一柑橘生长态势图像，提取所述第一柑橘生长态势图像的颜色空间特征、纹理特征，根据所述第一柑橘生长态势图像的颜色空间特征、纹理特征，建立柑橘识别模型。
具体来说，请参考图2所示，首先分析柑橘和背景特征，例如，分析的特征有颜色空间特征、纹理特征等；在此基础上，涉及特征的数据表达形式，再建立相应的识别模型。本发明实施例考虑时效性及检测精度，采用Yolo v5识别模型，最后以大量数据进行测试，根据测试结果再修正相应的算法，直到获得高精度识别结果。
接着，获取第二柑橘生长态势图像，通过所述柑橘识别模型对所述第二柑橘生长态势图像进行监测，获得柑橘树龄和柑橘生长态势。
构建虫害监测模型，获取柑橘种植园的图像数据，并将所述柑橘种植园的图像数据传输至所述虫害监测模型中进行虫害识别与监测，根据虫害识别与监测结果，控制无人机作业。
在一些实施例中，首先构造图像分类处理神经网络，神经网络由多层卷积、最大池化、线性层等关键特征提取层构成，然后准备柑橘寄生的各种虫害的数据集，并做好分类，方便加载进神经网络进行训练。神经网络模型训练好后，保存正确率最高的网络模型，以便后面对图像的分析处理。通过安装的双目视觉识别系统对柑橘种植园进行拍照采集图像数据，然后传入已经搭好并完成训练的模型中进行虫害识别与监测，以便无人机对柑橘园进行自主喷洒农药。
在一些实施例中，利用温湿度传感器、气流传感器、光照传感器等获得柑橘环境参数，同时结合柑橘生长态势监测数据，采用多元分析法、主成分分析等方法建立柑橘生长态势及环境耦合算法，通过机器学习求解参数，获得柑橘树龄、柑橘生长状态与最佳环境参数的关系。当视觉系统获得柑橘当前生长态势时，可利用模型得到当前柑橘所需的环境参数并传递给主控系统，主控系统对当前温湿度、光照及空气成分等环境影响因素进行分析与评估。
本发明实施例提供一种具体的无人机自主路径规划与作业任务操控方式，具体是无人机自主航行规划以及无人机智能喷洒。
首先是无人机自主航行规划，航点信息通过全球定位系统(Global PositionSystem,GPS)进行标定、无线传输进行采集；通过改进蚁群算法对航点进行排序；通过萤火虫算法进行航迹规划；数据融合利用深度学习框架，前网络导入配送目标点和可能有障碍的实际环境信息，实现所有目标点的全局最优；形成一个航点顺序表，并实现全局优化，再由地面站传输给无人机，由无人机执行任务，实现路线规划自主航行。
然后是无人机智能喷洒，参考图3所示，设计智能监测模块，进行CPU监测、飞行数据采集、喷洒数据采集、外部环境信息采集以及智能算法，通过智能算法分析后对飞机喷洒系统进行实时反馈处理和实时修正。监测CPU采集飞行数据、喷洒数据和外部环境信息数据，再通过算法进行数据处理和分析，再将数据传至喷洒CPU模块，对飞机喷洒系统进行实时的优化处理和飞行姿态及速度修正。
本发明实施例还提供一种具体的柑橘产量估计方法。
具体的，所有柑橘质量由单个柑橘质量相加获得。为获得单个柑橘质量，将在检测出的单个柑橘上表面检测出若干个特征点(如SIFT匹配点)，利用双目立体视觉原理，计算出每个特征点对应的三维坐标。假定特征点的个数为n，同时假定柑橘为球形，则可根据此n个特征点的三维坐标拟合出球的方程，进而估算出单个柑橘的直径。根据不同柑橘的密度，可进一步的获得当前品种单个柑橘的质量。
本发明实施例研制柑橘果园产量估计系统硬件如图4所示。在硬件上采用商用的双目相机，将双目相机架设于果园内，通过处理器远程触发相机采集图像，再通过无线传输将现场图像传输回处理器，实时计算出当前视角柑橘的产量。并通过果园果树的数量，估计出整个果园柑橘产量。同时结合无人机巡检数据信息，综合判定。
以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (6)
1.一种智能监管柑橘种植态势的方法，其特征在于，包括以下步骤：
获取环境数据；
获取第一柑橘生长态势图像，提取所述第一柑橘生长态势图像的颜色空间特征、纹理特征，根据所述第一柑橘生长态势图像的颜色空间特征、纹理特征，建立柑橘识别模型；
获取第二柑橘生长态势图像，通过所述柑橘识别模型对所述第二柑橘生长态势图像进行监测，获得柑橘树龄和柑橘生长态势；
构建虫害监测模型，获取柑橘种植园的图像数据，并将所述柑橘种植园的图像数据传输至所述虫害监测模型中进行虫害识别与监测，根据虫害识别与监测结果，控制无人机作业；
所述控制无人机作业，具体包括：
通过全球定位系统进行标定、无线传输进行采集获得航点信息；
通过改进蚁群算法对所述航点信息进行排序；
通过萤火虫算法进行航迹规划；
基于深度学习框架，导入配送目标点和可能有障碍的实际环境信息，实现所有目标点的全局最优，形成一个航点信息顺序表；
将所述航点信息顺序表传输给无人机，由无人机执行任务，实现路线规划自主航行；
还包括步骤：
基于所述第二柑橘生长态势图像，获得若干单个柑橘图像特征；
提取单个柑橘图像特征中的若干个特征点，计算出每个特征点对应的三维坐标；
根据每个特征点对应的三维坐标拟合出球的方程；
根据所述球的方程估算出单个柑橘的直径；
根据柑橘的密度，获得单个柑橘的质量。
2.根据权利要求1所述的方法，其特征在于，还包括步骤：
根据环境数据以及所述柑橘识别模型的监测数据，采用多元分析法或主成分分析建立柑橘生长态势及环境耦合算法，通过机器学习求解参数，分别获得柑橘树龄与最佳环境参数以及柑橘生长状态与最佳环境参数的关系。
3.根据权利要求1所述的方法，其特征在于，所述构建虫害监测模型，具体包括：
构造图像分类处理神经网络；
获取柑橘寄生的各种虫害的数据集，并做好分类；
将分类后的柑橘寄生的各种虫害的数据集加载进神经网络进行训练；
神经网络模型训练好后，保存正确率最高的网络模型，作为虫害监测模型。
4.一种智能监管柑橘种植态势的物联网系统，其特征在于，包括环境数据采集单元、处理器、摄像单元、无人机；
所述环境数据采集单元、所述摄像单元、所述无人机分别与所述处理器建立信号连接；
所述环境数据采集单元，用于采集环境数据；
所述摄像单元用于采集第二柑橘生长态势图像以及柑橘种植园的图像数据；
所述处理器配置为：
获取环境数据；
获取第一柑橘生长态势图像，提取所述第一柑橘生长态势图像的颜色空间特征、纹理特征，根据所述第一柑橘生长态势图像的颜色空间特征、纹理特征，建立柑橘识别模型；
获取第二柑橘生长态势图像，通过所述柑橘识别模型对所述第二柑橘生长态势图像进行监测，获得柑橘树龄和柑橘生长态势；
构建虫害监测模型，获取柑橘种植园的图像数据，并将所述柑橘种植园的图像数据传输至所述虫害监测模型中进行虫害识别与监测，根据虫害识别与监测结果，控制无人机作业；
通过全球定位系统进行标定、无线传输进行采集获得航点信息；
通过改进蚁群算法对所述航点信息进行排序；
通过萤火虫算法进行航迹规划；
基于深度学习框架，导入配送目标点和可能有障碍的实际环境信息，实现所有目标点的全局最优，形成一个航点信息顺序表；
将所述航点信息顺序表传输给无人机，由无人机执行任务，实现路线规划自主航行；
基于所述第二柑橘生长态势图像，获得若干单个柑橘图像特征；
提取单个柑橘图像特征中的若干个特征点，计算出每个特征点对应的三维坐标；
根据每个特征点对应的三维坐标拟合出球的方程；
根据所述球的方程估算出单个柑橘的直径；
根据柑橘的密度，获得单个柑橘的质量。
5.根据权利要求4所述的物联网系统，其特征在于，所述处理器进一步配置为：
根据环境数据以及所述柑橘识别模型的监测数据，采用多元分析法或主成分分析建立柑橘生长态势及环境耦合算法，通过机器学习求解参数，分别获得柑橘树龄与最佳环境参数以及柑橘生长状态与最佳环境参数的关系。
6.根据权利要求4所述的物联网系统，其特征在于，所述处理器进一步配置为：
构建虫害监测模型，具体包括：
构造图像分类处理神经网络；
获取柑橘寄生的各种虫害的数据集，并做好分类；
将分类后的柑橘寄生的各种虫害的数据集加载进神经网络进行训练；
神经网络模型训练好后，保存正确率最高的网络模型，作为虫害监测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111260746.2A CN113920474B (zh) | 2021-10-28 | 2021-10-28 | 一种智能监管柑橘种植态势的物联网系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111260746.2A CN113920474B (zh) | 2021-10-28 | 2021-10-28 | 一种智能监管柑橘种植态势的物联网系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113920474A CN113920474A (zh) | 2022-01-11 |
| CN113920474B true CN113920474B (zh) | 2024-04-30 |
Family
ID=79243177
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111260746.2A Active CN113920474B (zh) | 2021-10-28 | 2021-10-28 | 一种智能监管柑橘种植态势的物联网系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113920474B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114332849B (zh) * | 2022-03-16 | 2022-08-16 | 科大天工智能装备技术（天津）有限公司 | 一种农作物生长状态联合监测方法、装置及存储介质 |
| CN114755375A (zh) * | 2022-03-30 | 2022-07-15 | 四川瑞象农业科技发展有限公司 | 一种基于互联网的柑橘种植监管平台 |
| CN114766333A (zh) * | 2022-05-09 | 2022-07-22 | 邢台市农业科学研究院 | 一种果树种植物联网调控系统 |
| CN115132296B (zh) * | 2022-05-23 | 2024-08-13 | 成都信息工程大学 | 一种基于双层粗细优化深度学习框架的质量评估方法 |
| CN114845244B (zh) * | 2022-07-04 | 2022-09-13 | 深圳市盈润科技有限公司 | 一种基于云平台的农业物联网应用分析系统及方法 |
| CN117291444B (zh) * | 2023-11-27 | 2024-01-19 | 华兴国创(北京)科技有限公司 | 一种数字乡村业务管理方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107544553A (zh) * | 2017-10-11 | 2018-01-05 | 湖北工业大学 | 一种基于混合蚁群算法的无人机航路规划方法 |
| CN107883962A (zh) * | 2017-11-08 | 2018-04-06 | 南京航空航天大学 | 一种多旋翼无人机在三维环境下的动态航路规划方法 |
| CN109658379A (zh) * | 2018-11-09 | 2019-04-19 | 广西慧云信息技术有限公司 | 一种通过图片快速计算柑橘产量的方法 |
| CN109800619A (zh) * | 2017-11-16 | 2019-05-24 | 湖南生物机电职业技术学院 | 成熟期柑橘果实图像识别方法 |
| CN110458032A (zh) * | 2019-07-17 | 2019-11-15 | 华南农业大学 | 荔枝生长状况全程监控方法、系统、云服务器及存储介质 |
| CN110940636A (zh) * | 2019-12-05 | 2020-03-31 | 华南农业大学 | 柑橘林病虫害智能识别与林间信息监测系统 |
| EP3741214A1 (en) * | 2019-05-20 | 2020-11-25 | BASF Agro Trademarks GmbH | Method for plantation treatment based on image recognition |
| CN112597907A (zh) * | 2020-12-25 | 2021-04-02 | 四川工商学院 | 基于深度学习的柑橘红蜘蛛虫害的识别方法 |
| CN112966621A (zh) * | 2021-03-15 | 2021-06-15 | 四川天责信科技有限公司 | 一种基于深度卷积网络与迁移学习的柑橘虫害识别方法 |
| CN113112147A (zh) * | 2021-04-09 | 2021-07-13 | 广西壮族自治区农业科学院 | 一种基于地面实测与遥感协同的柑橘黄龙病风险评估方法 |
-
2021
- 2021-10-28 CN CN202111260746.2A patent/CN113920474B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107544553A (zh) * | 2017-10-11 | 2018-01-05 | 湖北工业大学 | 一种基于混合蚁群算法的无人机航路规划方法 |
| CN107883962A (zh) * | 2017-11-08 | 2018-04-06 | 南京航空航天大学 | 一种多旋翼无人机在三维环境下的动态航路规划方法 |
| CN109800619A (zh) * | 2017-11-16 | 2019-05-24 | 湖南生物机电职业技术学院 | 成熟期柑橘果实图像识别方法 |
| CN109658379A (zh) * | 2018-11-09 | 2019-04-19 | 广西慧云信息技术有限公司 | 一种通过图片快速计算柑橘产量的方法 |
| EP3741214A1 (en) * | 2019-05-20 | 2020-11-25 | BASF Agro Trademarks GmbH | Method for plantation treatment based on image recognition |
| CN110458032A (zh) * | 2019-07-17 | 2019-11-15 | 华南农业大学 | 荔枝生长状况全程监控方法、系统、云服务器及存储介质 |
| CN110940636A (zh) * | 2019-12-05 | 2020-03-31 | 华南农业大学 | 柑橘林病虫害智能识别与林间信息监测系统 |
| CN112597907A (zh) * | 2020-12-25 | 2021-04-02 | 四川工商学院 | 基于深度学习的柑橘红蜘蛛虫害的识别方法 |
| CN112966621A (zh) * | 2021-03-15 | 2021-06-15 | 四川天责信科技有限公司 | 一种基于深度卷积网络与迁移学习的柑橘虫害识别方法 |
| CN113112147A (zh) * | 2021-04-09 | 2021-07-13 | 广西壮族自治区农业科学院 | 一种基于地面实测与遥感协同的柑橘黄龙病风险评估方法 |
Non-Patent Citations (4)
| Title |
|---|
| Adaptive Object Tracking Discriminate Model for Multi-Camera Panorama Surveillance in Airport Apron;Dequan Guo et al.;《Computer Modeling in Engineering & Sciences》;20210824;第129卷(第1期);第191-205页 * |
| 信息技术在农作物病虫害监测预警中的应用综述;李素;等;《江苏农业科学》;第46卷(第22卷);第1-6页 * |
| 基于BP神经网络算法的柑橘成熟度辨识;许志凤等;《智能计算机与应用》;第4卷(第06期);第5-7页 * |
| 基于深度卷积神经网络的柑橘目标识别方法;毕松等;《农业机械学报》;第50卷(第05期);第98页右栏倒数第1段、第99页左栏第1段—第100页左栏第4段 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113920474A (zh) | 2022-01-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113920474B (zh) | 一种智能监管柑橘种植态势的物联网系统及方法 | |
| Chen et al. | Identification of fruit tree pests with deep learning on embedded drone to achieve accurate pesticide spraying | |
| Chen et al. | An AIoT based smart agricultural system for pests detection | |
| Chamoso et al. | UAVs applied to the counting and monitoring of animals | |
| JP7086203B2 (ja) | 植物体耕作データ測定方法、作業経路計画方法及び装置、システム | |
| CN109726700B (zh) | 一种基于多特征的虫害识别预警方法和装置 | |
| Maduranga et al. | Machine learning applications in IoT based agriculture and smart farming: A review | |
| CN111582234B (zh) | 基于uav和深度学习的大范围油茶林果智能检测与计数方法 | |
| WO2021198731A1 (en) | An artificial-intelligence-based method of agricultural and horticultural plants' physical characteristics and health diagnosing and development assessment. | |
| CN112528912A (zh) | 基于边缘计算的作物生长监测嵌入式系统及方法 | |
| Molin et al. | Precision agriculture and the digital contributions for site-specific management of the fields | |
| Qiao et al. | AI, sensors and robotics in plant phenotyping and precision agriculture | |
| Chen et al. | Design and implementation of an artificial intelligence of things-based autonomous mobile robot system for pitaya harvesting | |
| CN117575835A (zh) | 基于无人机航拍的茶园长势监控系统及方法 | |
| Mousavi et al. | A novel enhanced vgg16 model to tackle grapevine leaves diseases with automatic method | |
| Al-Mashhadani et al. | Survey of agricultural robot applications and implementation | |
| Aversano et al. | Water stress classification using Convolutional Deep Neural Networks. | |
| Chen et al. | Novel intelligent grazing strategy based on remote sensing, herd perception and UAVs monitoring | |
| de Ocampo et al. | Integrated Weed Estimation and Pest Damage Detection in Solanum melongena Plantation via Aerial Vision-based Proximal Sensing. | |
| Arunmozhiselvi et al. | A systematic approach to agricultural drones using a machine learning model | |
| Juan et al. | Rapid density estimation of tiny pests from sticky traps using Qpest RCNN in conjunction with UWB-UAV-based IoT framework | |
| Dhami et al. | Crop height and plot estimation from unmanned aerial vehicles using 3D LiDAR | |
| Berger et al. | A YOLO-based insect detection: potential use of small multirotor unmanned aerial vehicles (UAVs) monitoring | |
| Nafil et al. | Lettuce Leaf Disease Protection and Detection Using Image Processing Technique | |
| Wanninayake et al. | IoT-Enabled Smart Solution for Rice Disease Detection, Yield Prediction, and Remediation |
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 |