CN114065801B - 基于神经网络模型的土壤监测方法、系统和可读存储介质 - Google Patents
基于神经网络模型的土壤监测方法、系统和可读存储介质 Download PDFInfo
- Publication number
- CN114065801B CN114065801B CN202111199642.5A CN202111199642A CN114065801B CN 114065801 B CN114065801 B CN 114065801B CN 202111199642 A CN202111199642 A CN 202111199642A CN 114065801 B CN114065801 B CN 114065801B
- Authority
- CN
- China
- Prior art keywords
- soil
- livestock
- grass
- information
- neural network
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry
Abstract
本发明公开的一种基于神经网络模型的土壤监测方法、系统和可读存储介质,其中方法包括:基于预设的压力传感器获取目标区域内所述土壤的压力分布信息,输入到训练好的路径识别神经网络模型中,得到牲畜行进路径;基于采集到的畜牧图像信息识别所述牲畜行进路径上的草群数据信息;利用大数据分析对所述畜牧图像信息中的土壤表层的所有草群进行筛选,获取目标草群的坐标集;基于所述目标草群的坐标集输出监测区域,并调用所述监测区域内的预设传感器组识别对应位置的土壤信息。本发明基于设置好的CNN神经网络模型可以自动获取草地上牲畜的行进路径,进而获取路径上的草群信息以识别目标草群,以准确获取待监测土壤的位置以进行监测。
Description
技术领域
本发明涉及土壤监测技术领域,更具体的,涉及一种基于神经网络模型的土壤监测方法、系统和可读存储介质。
背景技术
畜牧业在经济发展的早期阶段,常常表现为农作物生产的副业,即所谓“后院畜牧业”,如今随着经济的发展,逐渐的在某些部门发展成为相对独立的产业,例如牧场放牧业,随着肉类、奶类食品的需求量增大,牧场放牧业也需要同步进行升级改造。
牧场中对于草场以及牧场区域的限定也需要划分,其中,为了能够增大畜牧业的产量,可对牧场内的草场草群进行定期维护与检测,相应地,为了能够得到更好的草场也可以通过对草地土壤进行监测。
发明内容
鉴于上述问题,本发明的目的是提供一种基于神经网络模型的土壤监测方法、系统和可读存储介质,基于设置好的CNN神经网络模型可以自动获取草地上牲畜的行进路径,以识别目标草群,进而准确获取待监测土壤的位置以进行监测。
本发明第一方面提供了一种基于神经网络模型的土壤监测方法,包括以下步骤:
基于预设的压力传感器获取目标区域内所述土壤的压力分布信息,输入到训练好的路径识别神经网络模型中,得到牲畜行进路径;
基于采集到的畜牧图像信息识别所述牲畜行进路径上的所述土壤表层的草群数据信息;
利用大数据分析对所述畜牧图像信息中的所述土壤表层的所有草群进行筛选,获取所述目标区域内目标草群的坐标集;
基于所述目标草群的坐标集输出监测区域,并调用所述监测区域内的预设传感器组识别对应位置的土壤信息。
本方案中,所述基于预设的压力传感器获取目标区域内所述土壤的压力分布信息,输入到训练好的路径识别神经网络模型中,得到牲畜行进路径,具体为:
基于预设周期建立与所述压力传感器的通信连接;
获取所述压力传感器采集的土壤压力值,得到所述土壤的压力分布信息;
将所述压力分布信息输入到训练好的所述路径识别神经网络模型中得到模拟输出值,基于模拟输出值获得所述牲畜行进路径。
本方案中,所述路径识别神经网络模型训练方法为:
获取历史检测数据的土壤压力值与土壤压力分布信息;
将所述历史检测数据的土壤压力值与土壤压力分布信息进行预处理,得到训练样本集;
将所述训练样本集输入至初始化的所述路径识别神经网络模型中训练;
获取输出结果的准确率;
若所述准确率大于预设的准确率阈值,则停止训练,得到所述路径识别神经网络模型。
本方案中,所述基于采集到的畜牧图像信息识别所述牲畜行进路径上的所述土壤表层的草群数据信息,具体为:
建立与预设无人机的通信连接,基于所述周期获取所述畜牧图像信息;
基于所述牲畜行进路径获取对应所述畜牧图像信息上的位置信息;
基于所述位置信息获取对应的所述土壤表层的草群数据信息。
本方案中,所述利用大数据分析对所述畜牧图像信息中的所述土壤表层的所有草群进行筛选,获取所述目标区域内目标草群的坐标集,具体为:
待所述牲畜行进路径上的草群数据信息被获取后,利用大数据分析对所述畜牧图像信息中的所有草群进行筛选;
将筛选成功后的结果作为所述目标草群输出;
提取每个所述目标草群的位置坐标以获取所述目标区域内所述目标草群的坐标集。
本方案中,所述基于所述目标草群的坐标集输出监测区域,并调用所述监测区域内的预设传感器组识别对应位置的土壤信息,具体为:
获取到所述坐标集后基于所述目标区域输出所述监测区域;
建立与所述监测区域内的所述传感器组的通信连接,基于所述周期获取所述传感器组中各传感器采集的数据,其中,所述传感器组包括但不限于土壤湿度传感器,土壤PH传感器,以及无机元素传感器;
基于所述各传感器采集的数据识别对应位置的所述土壤信息。
本发明第二方面还提供一种基于神经网络模型的土壤监测系统,包括存储器和处理器,所述存储器中包括基于神经网络模型的土壤监测方法程序,所述基于神经网络模型的土壤监测方法程序被所述处理器执行时实现如下步骤:
基于预设的压力传感器获取目标区域内所述土壤的压力分布信息,输入到训练好的路径识别神经网络模型中,得到牲畜行进路径;
基于采集到的畜牧图像信息识别所述牲畜行进路径上的所述土壤表层的草群数据信息;
利用大数据分析对所述畜牧图像信息中的所述土壤表层的所有草群进行筛选,获取所述目标区域内目标草群的坐标集;
基于所述目标草群的坐标集输出监测区域,并调用所述监测区域内的预设传感器组识别对应位置的土壤信息。
本方案中,所述基于预设的压力传感器获取目标区域内所述土壤的压力分布信息,输入到训练好的路径识别神经网络模型中,得到牲畜行进路径,具体为:
基于预设周期建立与所述压力传感器的通信连接;
获取所述压力传感器采集的土壤压力值,得到所述土壤的压力分布信息;
将所述压力分布信息输入到训练好的所述路径识别神经网络模型中得到模拟输出值,基于模拟输出值获得所述牲畜行进路径。
本方案中,所述路径识别神经网络模型训练方法为:
获取历史检测数据的土壤压力值与土壤压力分布信息;
将所述历史检测数据的土壤压力值与土壤压力分布信息进行预处理,得到训练样本集;
将所述训练样本集输入至初始化的所述路径识别神经网络模型中训练;
获取输出结果的准确率;
若所述准确率大于预设的准确率阈值,则停止训练,得到所述路径识别神经网络模型。
本方案中,所述基于采集到的畜牧图像信息识别所述牲畜行进路径上的所述土壤表层的草群数据信息,具体为:
建立与预设无人机的通信连接,基于所述周期获取所述畜牧图像信息;
基于所述牲畜行进路径获取对应所述畜牧图像信息上的位置信息;
基于所述位置信息获取对应的所述土壤表层的草群数据信息。
本方案中,所述利用大数据分析对所述畜牧图像信息中的所述土壤表层的所有草群进行筛选,获取所述目标区域内目标草群的坐标集,具体为:
待所述牲畜行进路径上的草群数据信息被获取后,利用大数据分析对所述畜牧图像信息中的所有草群进行筛选;
将筛选成功后的结果作为所述目标草群输出;
提取每个所述目标草群的位置坐标以获取所述目标区域内所述目标草群的坐标集。
本方案中,所述基于所述目标草群的坐标集输出监测区域,并调用所述监测区域内的预设传感器组识别对应位置的土壤信息,具体为:
获取到所述坐标集后基于所述目标区域输出所述监测区域;
建立与所述监测区域内的所述传感器组的通信连接,基于所述周期获取所述传感器组中各传感器采集的数据,其中,所述传感器组包括但不限于土壤湿度传感器,土壤PH传感器,以及无机元素传感器;
基于所述各传感器采集的数据识别对应位置的所述土壤信息。
本发明第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中包括机器的一种基于神经网络模型的土壤监测方法程序,所述基于神经网络模型的土壤监测方法程序被处理器执行时,实现如上述任一项所述的一种基于神经网络模型的土壤监测方法的步骤。
本发明公开的一种基于神经网络模型的土壤监测方法、系统和可读存储介质,能够基于设置好的CNN神经网络模型自动获取草地上牲畜的行进路径,进而获取路径上牲畜进食喜好的草群信息,以识别畜牧区域内的目标草群,基于目标草群的位置信息可以准确获取待监测的土壤位置,以利用预设的传感器对其进行监测。
附图说明
图1示出了本发明一种基于神经网络模型的土壤监测方法的流程图;
图2示出了本发明一种基于神经网络模型的土壤监测系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本申请一种基于神经网络模型的土壤监测方法的流程图。
如图1所示,本申请公开了一种基于神经网络模型的土壤监测方法,包括以下步骤:
S102,基于预设的压力传感器获取目标区域内所述土壤的压力分布信息,输入到训练好的路径识别神经网络模型中,得到牲畜行进路径;
S104,基于采集到的畜牧图像信息识别所述牲畜行进路径上的所述土壤表层的草群数据信息;
S106,利用大数据分析对所述畜牧图像信息中的所述土壤表层的所有草群进行筛选,获取所述目标区域内目标草群的坐标集;
S108,基于所述目标草群的坐标集输出监测区域,并调用所述监测区域内的预设传感器组识别对应位置的土壤信息。
需要说明的是,首先通过设置的所述压力传感器获取目标区域内所述土壤的压力分布信息,进而将所述压力分布信息输入到训练好的所述路径识别神经网络模型中训练,基于模型输出的结果得到所述牲畜行进路径,获取到所述行进路径后,可以根据无人机采集到的所述畜牧图像,识别所述行进路径上的所述草群数据信息,得到所述牲畜的进食喜好数据信息,进而通过大数据分析将整片牧场的所有草群中符合所述牲畜进食的草群数据提取出来得到所述目标草群,进而得到所述目标草群的坐标集,基于所述目标草群的坐标集输出监测区域,并根据所述监测区域调用分布算法获取所述预设传感器的分布数据,其中,所述预设传感器组为土壤传感器组,启动对应位置的所述土壤传感器以识别对应位置的土壤信息。
值得一提的是,所述目标区域为实验区域,用于获取牲畜的进食喜好而进行的实验所用,相应地,所述压力传感器分布区域为该所述实验区域,而非整片牧场,而所述畜牧图像为整片牧场的图像信息,包括所述实验区域的图像信息。
根据本发明实施例,所述基于预设的压力传感器获取目标区域内所述土壤的压力分布信息,输入到训练好的路径识别神经网络模型中,得到牲畜行进路径,具体为:
基于预设周期建立与所述压力传感器的通信连接;
获取所述压力传感器采集的土壤压力值,得到所述土壤的压力分布信息;
将所述压力分布信息输入到训练好的所述路径识别神经网络模型中得到模拟输出值,基于模拟输出值获得所述牲畜行进路径。
需要说明的是,所述周期可设置为“8”小时,获取所述压力传感器位于“8”小时内的压力采集数据,以获取所述压力传感器采集的土壤压力值,得到所述土壤的压力分布信息,待获取到所述压力分布信息后,将其输入到训练好的所述路径识别神经网络模型中得到模拟输出值,基于模拟输出值获得所述牲畜行进路径。
根据本发明实施例,所述路径识别神经网络模型训练方法为:
获取历史检测数据的土壤压力值与土壤压力分布信息;
将所述历史检测数据的土壤压力值与土壤压力分布信息进行预处理,得到训练样本集;
将所述训练样本集输入至初始化的所述路径识别神经网络模型中训练;
获取输出结果的准确率;
若所述准确率大于预设的准确率阈值,则停止训练,得到所述路径识别神经网络模型。
需要说明的是,所述路径识别神经网络模型需要大量的历史数据进行训练,数据量越大,则结果越准确,本申请中的所述路径识别神经网络模型可以通过历史检测数据的土壤压力值与土壤压力分布信息作为输入进行训练,当然,在进行神经网络模型训练时,不仅要通过历史检测数据的土壤压力值与土壤压力分布信息进行训练,还需要结合确定的牲畜类型进行训练,通过大量试验数据与真实数据比对,得到的结果也会更加准确,进而使得异常原因神经网络的输出结果更加准确。优选地,所述准确率阈值一般设置为90%。
根据本发明实施例,所述基于采集到的畜牧图像信息识别所述牲畜行进路径上的所述土壤表层的草群数据信息,具体为:
建立与预设无人机的通信连接,基于所述周期获取所述畜牧图像信息;
基于所述牲畜行进路径获取对应所述畜牧图像信息上的位置信息;
基于所述位置信息获取对应的所述土壤表层的草群数据信息。
需要说明的是,所述周期为“8”小时,所述畜牧图像信息为“8”小时内的图像,通过所识牲畜行进路径获取所述行进路径位于所述畜牧图像信息上的位置信息,进而通过所述位置信息获取对应位置的草群数据信息,以得到所述牲畜的进食数据信息。
根据本发明实施例,所述利用大数据分析对所述畜牧图像信息中的所述土壤表层的所有草群进行筛选,获取所述目标区域内目标草群的坐标集,具体为:
待所述牲畜行进路径上的草群数据信息被获取后,利用大数据分析对所述畜牧图像信息中的所有草群进行筛选;
将筛选成功后的结果作为所述目标草群输出;
提取每个所述目标草群的位置坐标以获取所述目标区域内所述目标草群的坐标集。
需要说明的是,识别到所述牲畜的进食信息后,利用大数据分析得到整片牧场内所有草群中的相同草群作为所述目标草群,并提取每个所述目标草群的位置坐标以获取所述牧场内所述目标草群的坐标集。
根据本发明实施例,所述基于所述目标草群的坐标集输出监测区域,并调用所述监测区域内的预设传感器组识别对应位置的土壤信息,具体为:
获取到所述坐标集后基于所述目标区域输出所述监测区域;
建立与所述监测区域内的所述传感器组的通信连接,基于所述周期获取所述传感器组中各传感器采集的数据,其中,所述传感器组包括但不限于土壤湿度传感器,土壤PH传感器,以及无机元素传感器;
基于所述各传感器采集的数据识别对应位置的所述土壤信息。
需要说明的是,所述传感器组包括但不限于所述土壤湿度传感器,所述土壤PH传感器,以及所述无机元素传感器,还可以包括土壤水分传感器等等,通过各所述传感器采集的数据可以识别对应位置的所述土壤信息。
值得一提的是,调用分布算法获取所述预设传感器的分布数据,具体为:
基于所述监测区域获取监测面积;
将所述监测面积作为所述分布算法的输入得到数量级;
基于所述数量级获取所述预设传感器的分布数据。
需要说明的是,所述监测区域为散落草群、连续草群的不规则组合,因此在实际设置时,需要对草群面积进行合理划分,所述分布算法的计算式如下:
其中,N为所述数量级,Sc为连续草群面积,Sd为散落草群面积,α、β为设置的草群补偿因子,通过所述分布算法可以得到所述数量级N,进而根据所述数量级N得到所述预设传感器的分布数据。
值得一提的是,所述方法还包括根据所述土壤信息得到牲畜的身体状况信息,具体为:
基于所述畜牧图像识别牲畜粪便位置信息;
基于所述传感器组获取对应位置土壤信息数据;
通过所述土壤信息数据识别所述牲畜的身体状况。
需要说明的是,在牲畜饲养过程中,需要利用抗生素对动物疾病进行治疗与预防,例如氟喹诺酮类(FQS)和四环素类(TCs)抗生素均是化学合成的抗生素,在使用过程中大部分抗生素不能完全被机体吸收,约有60%-90%的抗生素以其原形或者代谢产物形式经畜禽的粪便,尿液进入环境,对地表水,农田土壤甚至地下水等造成严重污染,因此可以通过检验土壤中牲畜粪便数据来识别当前所述牲畜的身体状况。
图2示出了本发明一种基于神经网络模型的土壤监测系统的框图。
如图2所示,本发明公开了一种基于神经网络模型的土壤监测系统,包括存储器和处理器,所述存储器中包括基于神经网络模型的土壤监测方法程序,所述基于神经网络模型的土壤监测方法程序被所述处理器执行时实现如下步骤:
基于预设的压力传感器获取目标区域内所述土壤的压力分布信息,输入到训练好的路径识别神经网络模型中,得到牲畜行进路径;
基于采集到的畜牧图像信息识别所述牲畜行进路径上的所述土壤表层的草群数据信息;
利用大数据分析对所述畜牧图像信息中的所述土壤表层的所有草群进行筛选,获取所述目标区域内目标草群的坐标集;
基于所述目标草群的坐标集输出监测区域,并调用所述监测区域内的预设传感器组识别对应位置的土壤信息。
需要说明的是,首先通过设置的所述压力传感器获取目标区域内所述土壤的压力分布信息,进而将所述压力分布信息输入到训练好的所述路径识别神经网络模型中训练,基于模型输出的结果得到所述牲畜行进路径,获取到所述行进路径后,可以根据无人机采集到的所述畜牧图像,识别所述行进路径上的所述草群数据信息,得到所述牲畜的进食喜好数据信息,进而通过大数据分析将整片牧场的所有草群中符合所述牲畜进食的草群数据提取出来得到所述目标草群,进而得到所述目标草群的坐标集,基于所述目标草群的坐标集输出监测区域,并根据所述监测区域调用分布算法获取所述预设传感器的分布数据,其中,所述预设传感器组为土壤传感器组,启动对应位置的所述土壤传感器以识别对应位置的土壤信息。
值得一提的是,所述目标区域为实验区域,用于获取牲畜的进食喜好而进行的实验所用,相应地,所述压力传感器分布区域为该所述实验区域,而非整片牧场,而所述畜牧图像为整片牧场的图像信息,包括所述实验区域的图像信息。
根据本发明实施例,所述基于预设的压力传感器获取目标区域内所述土壤的压力分布信息,输入到训练好的路径识别神经网络模型中,得到牲畜行进路径,具体为:
基于预设周期建立与所述压力传感器的通信连接;
获取所述压力传感器采集的土壤压力值,得到所述土壤的压力分布信息;
将所述压力分布信息输入到训练好的所述路径识别神经网络模型中得到模拟输出值,基于模拟输出值获得所述牲畜行进路径。
需要说明的是,所述周期可设置为“8”小时,获取所述压力传感器位于“8”小时内的压力采集数据,以获取所述压力传感器采集的土壤压力值,得到所述土壤的压力分布信息,待获取到所述压力分布信息后,将其输入到训练好的所述路径识别神经网络模型中得到模拟输出值,基于模拟输出值获得所述牲畜行进路径。
根据本发明实施例,所述路径识别神经网络模型训练方法为:
获取历史检测数据的土壤压力值与土壤压力分布信息;
将所述历史检测数据的土壤压力值与土壤压力分布信息进行预处理,得到训练样本集;
将所述训练样本集输入至初始化的所述路径识别神经网络模型中训练;
获取输出结果的准确率;
若所述准确率大于预设的准确率阈值,则停止训练,得到所述路径识别神经网络模型。
需要说明的是,所述路径识别神经网络模型需要大量的历史数据进行训练,数据量越大,则结果越准确,本申请中的所述路径识别神经网络模型可以通过历史检测数据的土壤压力值与土壤压力分布信息作为输入进行训练,当然,在进行神经网络模型训练时,不仅要通过历史检测数据的土壤压力值与土壤压力分布信息进行训练,还需要结合确定的牲畜类型进行训练,通过大量试验数据与真实数据比对,得到的结果也会更加准确,进而使得异常原因神经网络的输出结果更加准确。优选地,所述准确率阈值一般设置为90%。
根据本发明实施例,所述基于采集到的畜牧图像信息识别所述牲畜行进路径上的所述土壤表层的草群数据信息,具体为:
建立与预设无人机的通信连接,基于所述周期获取所述畜牧图像信息;
基于所述牲畜行进路径获取对应所述畜牧图像信息上的位置信息;
基于所述位置信息获取对应的所述土壤表层的草群数据信息。
需要说明的是,所述周期为“8”小时,所述畜牧图像信息为“8”小时内的图像,通过所识牲畜行进路径获取所述行进路径位于所述畜牧图像信息上的位置信息,进而通过所述位置信息获取对应位置的草群数据信息,以得到所述牲畜的进食数据信息。
根据本发明实施例,所述利用大数据分析对所述畜牧图像信息中的所述土壤表层的所有草群进行筛选,获取所述目标区域内目标草群的坐标集,具体为:
待所述牲畜行进路径上的草群数据信息被获取后,利用大数据分析对所述畜牧图像信息中的所有草群进行筛选;
将筛选成功后的结果作为所述目标草群输出;
提取每个所述目标草群的位置坐标以获取所述目标区域内所述目标草群的坐标集。
需要说明的是,识别到所述牲畜的进食信息后,利用大数据分析得到整片牧场内所有草群中的相同草群作为所述目标草群,并提取每个所述目标草群的位置坐标以获取所述牧场内所述目标草群的坐标集。
根据本发明实施例,所述基于所述目标草群的坐标集输出监测区域,并调用所述监测区域内的预设传感器组识别对应位置的土壤信息,具体为:
获取到所述坐标集后基于所述目标区域输出所述监测区域;
建立与所述监测区域内的所述传感器组的通信连接,基于所述周期获取所述传感器组中各传感器采集的数据,其中,所述传感器组包括但不限于土壤湿度传感器,土壤PH传感器,以及无机元素传感器;
基于所述各传感器采集的数据识别对应位置的所述土壤信息。
需要说明的是,所述传感器组包括但不限于所述土壤湿度传感器,所述土壤PH传感器,以及所述无机元素传感器,还可以包括土壤水分传感器等等,通过各所述传感器采集的数据可以识别对应位置的所述土壤信息。
值得一提的是,调用分布算法获取所述预设传感器的分布数据,具体为:
基于所述监测区域获取监测面积;
将所述监测面积作为所述分布算法的输入得到数量级;
基于所述数量级获取所述预设传感器的分布数据。
需要说明的是,所述监测区域为散落草群、连续草群的不规则组合,因此在实际设置时,需要对草群面积进行合理划分,所述分布算法的计算式如下:
其中,N为所述数量级,Sc为连续草群面积,Sd为散落草群面积,α、β为设置的草群补偿因子,通过所述分布算法可以得到所述数量级N,进而根据所述数量级N得到所述预设传感器的分布数据。
值得一提的是,所述方法还包括根据所述土壤信息得到牲畜的身体状况信息,具体为:
基于所述畜牧图像识别牲畜粪便位置信息;
基于所述传感器组获取对应位置土壤信息数据;
通过所述土壤信息数据识别所述牲畜的身体状况。
需要说明的是,在牲畜饲养过程中,需要利用抗生素对动物疾病进行治疗与预防,例如氟喹诺酮类(FQS)和四环素类(TCs)抗生素均是化学合成的抗生素,在使用过程中大部分抗生素不能完全被机体吸收,约有60%-90%的抗生素以其原形或者代谢产物形式经畜禽的粪便,尿液进入环境,对地表水,农田土壤甚至地下水等造成严重污染,因此可以通过检验土壤中牲畜粪便数据来识别当前所述牲畜的身体状况。
本发明第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中包括机器的一种基于神经网络模型的土壤监测方法程序,所述基于神经网络模型的土壤监测方法程序被处理器执行时,实现如上述任一项所述的一种基于神经网络模型的土壤监测方法的步骤。
本发明公开的一种基于神经网络模型的土壤监测方法、系统和可读存储介质,能够基于设置好的CNN神经网络模型自动获取草地上牲畜的行进路径,进而获取路径上牲畜进食喜好的草群信息,以识别畜牧区域内的目标草群,基于目标草群的位置信息可以准确获取待监测的土壤位置,以利用预设的传感器对其进行监测。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-On ly Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (6)
1.一种基于神经网络模型的土壤监测方法,其特征在于,包括以下步骤:基于预设的压力传感器获取目标区域内所述土壤的压力分布信息,输入到训练好的路径识别神经网络模型中,得到牲畜行进路径;
基于采集到的畜牧图像信息识别所述牲畜行进路径上的所述土壤表层的草群数据信息;
利用大数据分析对所述畜牧图像信息中的所述土壤表层的所有草群进行筛选,获取所述目标区域内目标草群的坐标集;
基于所述目标草群的坐标集输出监测区域,并调用所述监测区域内的预设传感器组识别对应位置的土壤信息;
所述基于预设的压力传感器获取目标区域内所述土壤的压力分布信息,输入到训练好的路径识别神经网络模型中,得到牲畜行进路径,具体为:基于预设周期建立与所述压力传感器的通信连接;
获取所述压力传感器采集的土壤压力值,得到所述土壤的压力分布信息;
将所述压力分布信息输入到训练好的所述路径识别神经网络模型中得到模拟输出值,基于模拟输出值获得所述牲畜行进路径;
所述基于采集到的畜牧图像信息识别所述牲畜行进路径上的所述土壤表层的草群数据信息,具体为:建立与预设无人机的通信连接,基于所述周期获取所述畜牧图像信息;
基于所述牲畜行进路径获取对应所述畜牧图像信息上的位置信息;
基于所述位置信息获取对应的所述土壤表层的草群数据信息;
所述利用大数据分析对所述畜牧图像信息中的所述土壤表层的所有草群进行筛选,获取所述目标区域内目标草群的坐标集,具体为:待所述牲畜行进路径上的草群数据信息被获取后,利用大数据分析对所述畜牧图像信息中的所有草群进行筛选;
将筛选成功后的结果作为所述目标草群输出;
提取每个所述目标草群的位置坐标以获取所述目标区域内所述目标草群的坐标集。
2.根据权利要求1所述的一种基于神经网络模型的土壤监测方法,其特征在于,所述路径识别神经网络模型训练方法为:获取历史检测数据的土壤压力值与土壤压力分布信息;
将所述历史检测数据的土壤压力值与土壤压力分布信息进行预处理,得到训练样本集;
将所述训练样本集输入至初始化的所述路径识别神经网络模型中训练;
获取输出结果的准确率;
若所述准确率大于预设的准确率阈值,则停止训练,得到所述路径识别神经网络模型。
3.根据权利要求1所述的一种基于神经网络模型的土壤监测方法,其特征在于,所述基于所述目标草群的坐标集输出监测区域,并调用所述监测区域内的预设传感器组识别对应位置的土壤信息,具体为:获取到所述坐标集后基于所述目标区域输出所述监测区域;
建立与所述监测区域内的所述传感器组的通信连接,基于所述周期获取所述传感器组中各传感器采集的数据,其中,所述传感器组包括但不限于土壤湿度传感器,土壤PH传感器,以及无机元素传感器;
基于所述各传感器采集的数据识别对应位置的所述土壤信息。
4.一种基于神经网络模型的土壤监测系统,其特征在于,包括存储器和处理器,所述存储器中包括基于神经网络模型的土壤监测方法程序,所述基于神经网络模型的土壤监测方法程序被所述处理器执行时实现如下步骤:基于预设的压力传感器获取目标区域内所述土壤的压力分布信息,输入到训练好的路径识别神经网络模型中,得到牲畜行进路径;
基于采集到的畜牧图像信息识别所述牲畜行进路径上的所述土壤表层的草群数据信息;
利用大数据分析对所述畜牧图像信息中的所述土壤表层的所有草群进行筛选,获取所述目标区域内目标草群的坐标集;
基于所述目标草群的坐标集输出监测区域,并调用所述监测区域内的预设传感器组识别对应位置的土壤信息;
所述基于预设的压力传感器获取目标区域内所述土壤的压力分布信息,输入到训练好的路径识别神经网络模型中,得到牲畜行进路径,具体为:基于预设周期建立与所述压力传感器的通信连接;
获取所述压力传感器采集的土壤压力值,得到所述土壤的压力分布信息;
将所述压力分布信息输入到训练好的所述路径识别神经网络模型中得到模拟输出值,基于模拟输出值获得所述牲畜行进路径;
所述基于采集到的畜牧图像信息识别所述牲畜行进路径上的所述土壤表层的草群数据信息,具体为:建立与预设无人机的通信连接,基于所述周期获取所述畜牧图像信息;
基于所述牲畜行进路径获取对应所述畜牧图像信息上的位置信息;
基于所述位置信息获取对应的所述土壤表层的草群数据信息;
所述利用大数据分析对所述畜牧图像信息中的所述土壤表层的所有草群进行筛选,获取所述目标区域内目标草群的坐标集,具体为:待所述牲畜行进路径上的草群数据信息被获取后,利用大数据分析对所述畜牧图像信息中的所有草群进行筛选;
将筛选成功后的结果作为所述目标草群输出;
提取每个所述目标草群的位置坐标以获取所述目标区域内所述目标草群的坐标集。
5.根据权利要求4所述的一种基于神经网络模型的土壤监测系统,其特征在于,所述路径识别神经网络模型训练方法为:获取历史检测数据的土壤压力值与土壤压力分布信息;
将所述历史检测数据的土壤压力值与土壤压力分布信息进行预处理,得到训练样本集;
将所述训练样本集输入至初始化的所述路径识别神经网络模型中训练;
获取输出结果的准确率;
若所述准确率大于预设的准确率阈值,则停止训练,得到所述路径识别神经网络模型。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括一种基于神经网络模型的土壤监测方法程序,所述基于神经网络模型的土壤监测方法程序被处理器执行时,实现如权利要求1至3中任一项所述的一种基于神经网络模型的土壤监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111199642.5A CN114065801B (zh) | 2021-10-14 | 2021-10-14 | 基于神经网络模型的土壤监测方法、系统和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111199642.5A CN114065801B (zh) | 2021-10-14 | 2021-10-14 | 基于神经网络模型的土壤监测方法、系统和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114065801A CN114065801A (zh) | 2022-02-18 |
CN114065801B true CN114065801B (zh) | 2022-10-28 |
Family
ID=80234516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111199642.5A Active CN114065801B (zh) | 2021-10-14 | 2021-10-14 | 基于神经网络模型的土壤监测方法、系统和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114065801B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116930459B (zh) * | 2023-07-25 | 2024-03-12 | 江苏龙环环境科技有限公司 | 一种土壤原位探测装置及其探测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034337A (zh) * | 2009-09-25 | 2011-04-27 | 中国农业科学院农业资源与农业区划研究所 | 草原雪灾遥感监测与灾情评估系统及方法 |
CN110376138A (zh) * | 2019-08-05 | 2019-10-25 | 北京绿土科技有限公司 | 基于航空高光谱的土地质量监测方法 |
CN110799030A (zh) * | 2017-05-30 | 2020-02-14 | 沃尔塔机器人有限责任公司 | 基于图像处理控制土壤工作装置的方法及相关系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10772295B2 (en) * | 2016-08-22 | 2020-09-15 | International Business Machines Corporation | Unmanned aerial vehicle for determining geolocation foraging zones |
CN109997116A (zh) * | 2016-09-09 | 2019-07-09 | 沃尔玛阿波罗有限责任公司 | 用于监视现场的装置和方法 |
CN107220967A (zh) * | 2017-05-08 | 2017-09-29 | 新疆农业大学 | 一种草地土壤退化评价方法 |
CN108207653A (zh) * | 2018-01-31 | 2018-06-29 | 佛山市神风航空科技有限公司 | 一种基于无人机的放牧系统 |
CN108535743A (zh) * | 2018-04-16 | 2018-09-14 | 北京农业信息技术研究中心 | 一种放养畜牧定位系统及方法 |
CN110221588A (zh) * | 2019-07-09 | 2019-09-10 | 哈尔滨商业大学 | 一种基于物联网的智慧畜牧系统 |
CN114070862B (zh) * | 2021-10-15 | 2022-09-16 | 中国科学院地理科学与资源研究所 | 基于物联网的畜牧控制方法、系统和可读存储介质 |
-
2021
- 2021-10-14 CN CN202111199642.5A patent/CN114065801B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034337A (zh) * | 2009-09-25 | 2011-04-27 | 中国农业科学院农业资源与农业区划研究所 | 草原雪灾遥感监测与灾情评估系统及方法 |
CN110799030A (zh) * | 2017-05-30 | 2020-02-14 | 沃尔塔机器人有限责任公司 | 基于图像处理控制土壤工作装置的方法及相关系统 |
CN110376138A (zh) * | 2019-08-05 | 2019-10-25 | 北京绿土科技有限公司 | 基于航空高光谱的土地质量监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114065801A (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Neethirajan | The role of sensors, big data and machine learning in modern animal farming | |
Van Hertem et al. | Lameness detection based on multivariate continuous sensing of milk yield, rumination, and neck activity | |
Jingqiu et al. | Cow behavior recognition based on image analysis and activities | |
Maselyne et al. | Methods to construct feeding visits from RFID registrations of growing-finishing pigs at the feed trough | |
Vázquez Diosdado et al. | Space-use patterns highlight behavioural differences linked to lameness, parity, and days in milk in barn-housed dairy cows | |
Maselyne et al. | Online warning systems for individual fattening pigs based on their feeding pattern | |
Tullo et al. | Precision livestock farming: an overview of image and sound labelling | |
Van De Gucht et al. | Farm-specific economic value of automatic lameness detection systems in dairy cattle: From concepts to operational simulations | |
Van Erp-van der Kooij et al. | Using precision farming to improve animal welfare. | |
Tekin et al. | Precision livestock farming technologies: Novel direction of information flow | |
US20210076644A1 (en) | Animal health, behavior, and inventory monitoring | |
Stygar et al. | Analyses of body weight patterns in growing pigs: a new view on body weight in pigs for frequent monitoring | |
CN114065801B (zh) | 基于神经网络模型的土壤监测方法、系统和可读存储介质 | |
Visser et al. | Phenomics for sustainable production in the South African dairy and beef cattle industry | |
Dittrich et al. | Variable selection for monitoring sickness behavior in lactating dairy cattle with the application of control charts | |
Liu et al. | Classification of cow behavior patterns using inertial measurement units and a fully convolutional network model | |
Tzanidakis et al. | Precision Livestock Farming (PLF) systems: Improving sustainability and efficiency of animal production | |
CN113516139A (zh) | 数据处理方法、装置、设备和存储介质 | |
Ojukwu et al. | Development of a computer vision system to detect inactivity in group-housed pigs | |
CN114070862B (zh) | 基于物联网的畜牧控制方法、系统和可读存储介质 | |
Cappai et al. | Integrating the RFID identification system for Charolaise breeding bulls with 3D imaging for virtual archive creation | |
AU2020101719A4 (en) | An artificial intelligence and internet of things based automated system for animal health care | |
Neethirajan | Digitalization of animal farming | |
Malhotra et al. | Application of AI/ML approaches for livestock improvement and management | |
CN113971227B (zh) | 基于大数据的牲畜监测方法、系统和可读存储介质 |
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 |