CN114342627A - 一种智能果园有机肥化肥混合精量施肥方法和系统 - Google Patents
一种智能果园有机肥化肥混合精量施肥方法和系统 Download PDFInfo
- Publication number
- CN114342627A CN114342627A CN202210008083.3A CN202210008083A CN114342627A CN 114342627 A CN114342627 A CN 114342627A CN 202210008083 A CN202210008083 A CN 202210008083A CN 114342627 A CN114342627 A CN 114342627A
- Authority
- CN
- China
- Prior art keywords
- fruit tree
- fruit
- nutrition
- fertilizer
- content
- 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
- 239000003337 fertilizer Substances 0.000 title claims abstract description 111
- 230000004720 fertilization Effects 0.000 title claims abstract description 87
- 239000002420 orchard Substances 0.000 title claims abstract description 72
- 239000003895 organic fertilizer Substances 0.000 title claims abstract description 43
- 239000000126 substance Substances 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 31
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 341
- 235000016709 nutrition Nutrition 0.000 claims abstract description 142
- 230000035764 nutrition Effects 0.000 claims abstract description 115
- 238000003745 diagnosis Methods 0.000 claims abstract description 40
- 235000015097 nutrients Nutrition 0.000 claims description 91
- 230000010365 information processing Effects 0.000 claims description 9
- 239000002689 soil Substances 0.000 claims description 9
- 238000000513 principal component analysis Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 239000005416 organic matter Substances 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000003912 environmental pollution Methods 0.000 abstract description 3
- 239000002699 waste material Substances 0.000 abstract description 3
- 230000001737 promoting effect Effects 0.000 abstract description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 100
- 229910052757 nitrogen Inorganic materials 0.000 description 50
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 16
- 239000011574 phosphorus Substances 0.000 description 16
- 229910052698 phosphorus Inorganic materials 0.000 description 16
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 15
- 239000011591 potassium Substances 0.000 description 15
- 229910052700 potassium Inorganic materials 0.000 description 15
- 238000010586 diagram Methods 0.000 description 6
- 238000007599 discharging Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- KWYUFKZDYYNOTN-UHFFFAOYSA-M Potassium hydroxide Chemical compound [OH-].[K+] KWYUFKZDYYNOTN-UHFFFAOYSA-M 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003306 harvesting Methods 0.000 description 3
- 239000000618 nitrogen fertilizer Substances 0.000 description 3
- 229940072033 potash Drugs 0.000 description 3
- BWHMMNNQKKPAPP-UHFFFAOYSA-L potassium carbonate Substances [K+].[K+].[O-]C([O-])=O BWHMMNNQKKPAPP-UHFFFAOYSA-L 0.000 description 3
- 235000015320 potassium carbonate Nutrition 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 235000003715 nutritional status Nutrition 0.000 description 2
- 239000002686 phosphate fertilizer Substances 0.000 description 2
- 244000141359 Malus pumila Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 235000021016 apples Nutrition 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C21/00—Methods of fertilising, sowing or planting
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C15/00—Fertiliser distributors
- A01C15/16—Fertiliser distributors with means for pushing out the fertiliser, e.g. by a roller
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C21/00—Methods of fertilising, sowing or planting
- A01C21/007—Determining fertilization requirements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
- G06T2207/10004—Still image; Photographic 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)
- Life Sciences & Earth Sciences (AREA)
- Soil Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Environmental Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Fertilizing (AREA)
Abstract
本发明公开了一种智能果园有机肥化肥混合精量施肥方法和系统，方法包括：采集果树的位置信息和树冠图像；通过果树的树冠图像对果树的营养状态进行诊断，判断果树营养等级；根据果树营养等级，制定施肥策略；根据施肥策略和果树的位置信息，对果树进行有机肥、化肥混合精量施肥。本发明系统包括果树信息采集模块、果树叶片营养诊断模块、控制模块和施肥模块。本发明实施例所述方法和系统，对每颗果树进行有机肥、化肥混合深施和精准施肥，有利于提高果园有机质含量、提高化肥利用率、提高果实产量和果品品质、促进果园的可持续发展，对果园精准施肥管理、避免资源浪费和环境污染具有重要的指导作用和科学意义。
Description
技术领域
本发明涉及果园机械的智能化施肥技术领域，具体涉及一种智能果园有机肥化肥混合精量施肥方法和系统。
背景技术
果树施肥是果树生产中的关键环节，施肥质量直接影响果树养分的吸收，合理施肥是保证果树丰产、稳产和增产的重要举措。
有机肥施肥作为苹果周年生产中最重要的施肥方式，不仅可以供给果树整个生长周期所需要的养分，为果树生长发育创造良好的土壤条件，还可以减少化肥施用量、提高施肥质量、增加施肥效果，实现果树产业的可持续发展。
目前，国内果树施肥普遍存在重视化肥忽视有机肥的现象，导致果园土壤有机质含量低和化肥施用量高、利用率低等问题，影响果园生产力的提高和持久良性发展。
发明内容
本发明为了解决上述技术问题，提出了一种智能果园有机肥化肥混合精量施肥方法和系统，对有机肥、化肥进行混合精量施肥，有利于实现肥料高效利用，减少化肥施用量，促进果园的可持续性发展。
第一方面，本发明实施例提供了一种智能果园有机肥化肥混合精量施肥方法，所述方法包括：
采集果树的位置信息和树冠图像；
通过果树的树冠图像对果树的营养状态进行诊断，判断果树营养等级；
根据果树营养等级，制定施肥策略；
根据施肥策略和果树的位置信息，对果树进行有机肥、化肥混合精量施肥。
进一步地，所述采集果树的位置信息和树冠图像，包括：
智能果园施肥机沿规划的路线行进；
当检测到果树树冠时，导航系统记录位置信息，高精度相机采集树冠图像；
将位置信息和树冠图像传送到果树叶片营养诊断模型。
进一步地，所述通过果树的树冠图像对果树的营养状态进行诊断，判断果树营养等级，包括：
获取果树叶片营养诊断模型中果树树冠图像的叶片图像，提取叶片图像色彩特征；
利用主成分分析对叶片图像色彩特征进行降维处理，分别提取出影响果树营养素含量的关键影响因子；
将关键影响因子输入果树叶片营养预测模型，输出果树营养素的含量；
根据果树营养素的含量，判断果树营养等级。
进一步地，所述根据果树营养素的含量，判断果树营养等级，包括：
获取果树相应物候期所需营养素的含量；
根据果树叶片营养预测模型输出的果树营养素的含量，和在相应物候期果树所需营养素的含量区间，判断果树相应物候期营养素的营养等级。
进一步地，所述根据果树营养等级，制定施肥策略，包括：
获取果树相应物候期所需的营养素的含量、果园土壤所含营养素的含量、和果树叶片营养预测模型输出的果树营养素的含量，计算果树相应物候期需施肥的营养素的含量；
根据果树相应物候期需施肥的营养素的含量，转换为有机肥和化肥的施肥量。
第二方面，本发明实施例提供了一种智能果园有机肥化肥混合精量施肥系统，所述系统包括果树信息采集模块、果树叶片营养诊断模块、控制模块和施肥模块；
所述果树信息采集模块用于采集果树的位置信息和树冠图像，所述果树叶片营养诊断模块通过果树的树冠图像诊断果树的营养状态、判断果树营养等级，并制定施肥策略，所述控制模块用于控制智能果园施肥机进行开沟施肥作业，所述施肥模块用于对果树进行有机肥、化肥混合精量施肥。
进一步地，所述果树信息采集模块包括摄像头单元、流动站定位单元和控制器单元，所述摄像头单元用于采集果树的树冠图像，所述流动站定位单元用于采集果树的位置信息，所述控制器单元将采集的树冠图像和位置信息进行匹配，并将匹配好的树冠图像和位置信息传输至所述果树叶片营养诊断模块。
进一步地，所述果树叶片营养诊断模块包括果树叶片营养诊断模型单元、果树叶片营养预测模型单元和信息处理单元，所述果树叶片营养诊断模型单元通过果树的树冠图像诊断果树的营养状态，并判断果树营养等级，所述果树叶片营养预测模型单元输出果树营养素的含量，所述信息处理单元根据果树营养等级，制定施肥策略，并将施肥策略和果树的位置信息配对。
进一步地，所述施肥模块包括：
有机肥施肥单元，根据施肥策略定量排出有机肥；
化肥施肥单元，根据施肥策略精量排出氮肥、磷肥和钾肥。
进一步地，所述果树叶片营养诊断模型单元通过果树的树冠图像诊断果树的营养状态，并判断果树营养等级，包括：
获取果树叶片营养诊断模型中果树树冠图像的叶片图像，提取叶片图像色彩特征；
利用主成分分析对叶片图像色彩特征进行降维处理，分别提取出影响果树营养素含量的关键影响因子；
将关键影响因子输入果树叶片营养预测模型单元，输出果树营养素的含量；
根据果树营养素的含量，判断果树营养等级。
进一步地，所述根据果树营养素的含量，判断果树营养等级，包括：
获取果树相应物候期所需营养素的含量；
根据果树叶片营养预测模型单元输出的果树营养素的含量，和在相应物候期果树所需营养素的含量区间，判断果树相应物候期营养素的营养等级。
进一步地，所述信息处理单元根据果树营养等级，制定施肥策略，包括：
获取果树相应物候期所需的营养素的含量、果园土壤所含营养素的含量、和果树叶片营养预测模型单元输出的果树营养素的含量，计算果树相应物候期需施肥的营养素的含量；
根据果树相应物候期需施肥的营养素的含量，转换为有机肥和化肥的施肥量。
有益效果：
(1)本发明实施例所述方法和系统，智能果园施肥机通过果树的树冠图像对果树的营养状态进行诊断，判断果树营养等级，从而制定施肥策略；通过导航系统获取每棵果树的位置信息，根据施肥策略和果树的位置信息，对每颗果树进行有机肥、化肥混合深施和精准施肥，有利于提高果园有机质含量、提高化肥利用率、提高果实产量和果品品质、促进果园的可持续发展，对果园精准施肥管理、避免资源浪费和环境污染具有重要的指导作用和科学意义。
(2)本发明实施例所述方法和系统，智能果园施肥机通过获取果树叶片营养诊断模型中果树树冠图像的叶片图像，提取叶片图像色彩特征；利用主成分分析对叶片图像色彩特征进行降维处理，分别提取出影响果树营养素含量的关键影响因子；将关键影响因子输入果树叶片营养预测模型，输出果树营养素的含量；根据果树营养素的含量，判断果树营养等级；果树叶片营养诊断模型对每颗果树进行营养诊断和营养评级，针对每棵果树的营养状态精准施肥，有利于提高果树的果实产量和果品品质。
(3)本发明实施例所述方法和系统，智能果园施肥机为无人自动驾驶模式，全称无人工参与，大大提升了果园智能化管理程度。
附图说明
图1为本发明实施例所述方法流程图；
图2为本发明实施例通过果树的树冠图像对果树的营养状态进行诊断，判断果树营养等级的方法流程图；
图3为本发明实施例所述系统结构框图；
图4为本发明实施例所述果树信息采集模块和果树叶片营养诊断模块的结构示意图；
图5为本发明实施例所述控制模块和施肥模块的结构示意图。
具体实施方式
下面结合附图与具体实施方式对本方案进行阐述。
如图1所示，为本发明实施例所述方法流程图，包括：
采集果树的位置信息和树冠图像；
通过果树的树冠图像对果树的营养状态进行诊断，判断果树营养等级；
根据果树营养等级，制定施肥策略；
根据施肥策略和果树的位置信息，对果树进行有机肥、化肥混合精量施肥。
本发明实施例所述方法中，将果树的位置信息及相应的施肥策略传输至自动驾驶的智能果园施肥机，智能果园施肥机根据果树的位置信息和施肥策略，进行精准的有机肥和化肥开沟、混合施肥。
采集果树的位置信息和树冠图像，包括：
S1，智能果园施肥机沿规划的路线行进；
S2，当检测到果树树冠时，导航系统记录位置信息，高精度相机采集树冠图像；
S3，将位置信息和树冠图像传送到果树叶片营养诊断模型。
重复步骤S1-S3，直至智能果园施肥机将所有果树的位置信息和树冠图像采集完毕。
如图2所示，为本发明实施例通过果树的树冠图像对果树的营养状态进行诊断，判断果树营养等级的方法流程图，包括：
获取果树叶片营养诊断模型中果树树冠图像的叶片图像，提取叶片图像色彩特征；
利用主成分分析对叶片图像色彩特征进行降维处理，分别提取出影响果树营养素含量的关键影响因子；
将关键影响因子输入果树叶片营养预测模型，输出果树营养素的含量；
根据果树营养素的含量，判断果树营养等级。
本发明实施例中，果树叶片营养诊断模型和果树叶片营养预测模型相关技术方案已公开。
根据果树营养素的含量，判断果树营养等级，包括：
获取果树相应物候期所需营养素的含量；
根据果树叶片营养预测模型输出的果树营养素的含量，和在相应物候期果树所需营养素的含量区间，判断果树相应物候期营养素的营养等级。
本发明实施例中，营养素以氮、磷、钾为例，相对应的化肥依次以氮肥、磷肥、钾肥为例进行阐述。
获取果树叶片营养诊断模型中果树树冠图像的叶片图像，应用数字图像处理技术在RGB空间下提取R、G、B各单色分量的值与14种单色分量组合参数共计17种图像色彩特征；利用主成分分析对叶片图像色彩特征进行降维处理，最终分别提取出果树氮、磷、钾含量的关键影响因子；将关键影响因子输入果树叶片营养预测模型，分别输出果树氮、磷、钾的含量；通过果树氮、磷、钾的含量，对果树长势、营养状态进行诊断，判断果树营养等级。
果树的营养等级策略为：按氮含量由多到少分为氮1级、氮2级、氮3级、氮4级和氮5级，按磷含量由多到少分为磷1级、磷2级、磷3级、磷4级和磷5级，按钾含量由多到少分为钾1级、钾2级、钾3级、钾4级和钾5级。针对果树相应物候期的不同营养等级，制定不同的施肥策略。
本发明实施例以果树营养素中的氮素为例进行说明，通过果树叶片营养预测模型，对果树的果实膨大期、成熟期和采收期的氮素营养状态进行诊断和评级。果实膨大期果树叶片氮含量在7～10g/kg之间；成熟期果树叶片氮含量在14～19g/kg之间；采收期间果树叶片氮含量在9～13g/kg之间，因此在果树的不同物候期，通过营养等级估算营养素含量。
例如果实膨大期：氮1级代表氮含量为大于10g/kg，氮2级代表氮含量为9～10g/kg，氮3级代表氮含量为8～9g/kg，氮4级代表氮含量为7～8g/kg，氮5级代表氮含量为小于7g/kg。果实成熟期：氮1级代表氮含量为18～19g/kg，氮2级代表氮含量为17～18g/kg，氮3级代表氮含量为16～17g/kg，氮4级代表氮含量为15～16g/kg，氮5级代表氮含量为14～15g/kg。果实采收期：氮1级代表氮含量为12～13g/kg，氮2级代表氮含量为11～12g/kg，氮3级代表氮含量为10～11g/kg，氮4级代表氮含量为9～10g/kg，氮5级代表氮含量为8～9g/kg。
根据果树营养等级，制定施肥策略，包括：
获取果树相应物候期所需的营养素的含量、果园土壤所含营养素的含量、和果树叶片营养预测模型输出的果树营养素的含量，计算果树相应物候期需施肥的营养素的含量；
根据果树相应物候期需施肥的营养素的含量，转换为有机肥和化肥的施肥量。
获取果树相应物候期所需的营养素的含量，需要分别获取氮、磷、钾5级对应的含量。和果树叶片营养预测模型输出的果树氮、磷、钾的含量，计算果树相应物候期需施肥的氮、磷、钾的含量。根据果树相应物候期需施肥的氮、磷、钾的含量，转换为有机肥和化肥的施肥量。
果树叶片营养预测模型将果树的位置信息和施肥策略发送至智能果园施肥机(智能果园自走式双行开沟施肥机)的单片机控制器，智能果园施肥机通过导航系统自动驾驶进行果树的开沟施肥作业，当即将行驶至第一棵果树的对应的位置时，设备的单片机控制器按照此果树的施肥策略控制绞龙式化肥排肥器定量排出氮肥、磷肥和钾肥至排肥传送带，同时控制刮板式有机肥排肥器定量排出有机肥至排肥传送带，将有机肥和化肥输送至开沟器所开沟槽中，当设备即将行驶至第二颗果树时，重复上述开沟、排肥和覆土作业。
如图3所示，为本发明实施例所述系统结构框图，系统包括果树信息采集模块、果树叶片营养诊断模块、控制模块和施肥模块。
果树信息采集模块用于采集果树的位置信息和树冠图像，果树叶片营养诊断模块通过果树的树冠图像诊断果树的营养状态、判断果树营养等级，并制定施肥策略，控制模块用于控制智能果园施肥机进行开沟施肥作业，施肥模块用于对果树进行有机肥、化肥混合精量施肥。
如图4所示，为本发明实施例所述果树信息采集模块和果树叶片营养诊断模块的结构示意图。
果树信息采集模块包括摄像头单元、流动站定位单元和控制器单元，摄像头单元使用高精度相机采集果树的树冠图像，流动站定位单元通过导航系统采集果树的位置信息，控制器单元将采集的树冠图像和位置信息进行匹配，并将匹配好的树冠图像和位置信息传输至果树叶片营养诊断模块。
智能果树施肥机在果园果树行间自动驾驶，当高精度相机检测果树树冠图像时，智能果园施肥机停止前进，导航系统上传此时的位置信息，高精度相机对相应果树树冠图像进行采集，并连同位置信息一并上传至果树叶片营养诊断模型。信息采集完毕后，智能果园施肥机继续前进，当高精度相机检测到下一棵果树树冠图像时，重复上述采集树冠图像和位置信息的作业，直至一侧果树信息全部采集完毕，智能果园施肥机在果树行端进行掉头，对第二行的同侧果树进行信息采集，直至完成果园全部果树的信息采集。
导航系统和高精度相机采用CAN总线，实时上传位置信息和树冠图像到智能果园施肥机的单片机控制器。高精度相机选型要求像素不低于1200万。
果树叶片营养诊断模块包括果树叶片营养诊断模型单元、果树叶片营养预测模型单元和信息处理单元，果树叶片营养诊断模型单元通过果树的树冠图像诊断果树的营养状态，并判断果树营养等级，果树叶片营养预测模型单元输出果树营养素的含量，信息处理单元根据果树营养等级，制定施肥策略，并将施肥策略和果树的位置信息配对。
果树叶片营养诊断模型单元通过果树的树冠图像诊断果树的营养状态，并判断果树营养等级，包括：
获取果树叶片营养诊断模型中果树树冠图像的叶片图像，提取叶片图像色彩特征；
利用主成分分析对叶片图像色彩特征进行降维处理，分别提取出影响果树营养素含量的关键影响因子；
将关键影响因子输入果树叶片营养预测模型单元，输出果树营养素的含量；
根据果树营养素的含量，判断果树营养等级。
根据果树营养素的含量，判断果树营养等级，包括：
获取果树相应物候期所需营养素的含量；
根据果树叶片营养预测模型单元输出的果树营养素的含量，和在相应物候期果树所需营养素的含量区间，判断果树相应物候期营养素的营养等级。
信息处理单元根据果树营养等级，制定施肥策略，包括：
获取果树相应物候期所需的营养素的含量、果园土壤所含营养素的含量、和果树叶片营养预测模型单元输出的果树营养素的含量，计算果树相应物候期需施肥的营养素的含量；
根据果树相应物候期需施肥的营养素的含量，转换为有机肥和化肥的施肥量。
控制模块和施肥模块配合，控制智能果园施肥机进行精准开沟、有机肥化肥精准混合深施、覆土作业。
如图5所示，为本发明实施例所述控制模块和施肥模块的结构示意图，控制模块设置于智能果园施肥机的前、后、左、右四个位置，每个控制模块包括继电器、电磁阀、液压缸、开沟装置和位移传感器。
施肥模块包括：
有机肥施肥单元，根据施肥策略，使用电磁推杆驱动刮板式有机肥排肥器，定量排出有机肥；
化肥施肥单元，根据施肥策略，使用液压马达驱动绞龙式化肥排肥器，精量排出氮肥、磷肥和钾肥。
智能果园施肥机接收到每棵果树的位置信息及施肥策略后，根据规划路径进行施肥作业。当行驶至对应果树的位置时，依照相应施肥策略进行施肥作业。具体的施肥方式为，采集完果树信息的智能果园施肥机通过导航系统自动驾驶按规划路线进行开沟作业，当导航系统定位检测到即将行进至第一棵果树对应位置时，读取该果树相应施肥策略，单片机控制器控制绞龙式化肥排肥器根据施肥策略精量排出各元素化肥，刮板式有机肥排肥器定量排出有机肥，化肥和有机肥排至排肥传送带，输送至智能果园施肥机所开沟槽中。随着智能果园施肥机的前进，开沟器的覆土罩壳对所开沟槽进行覆土作业，完成对第一棵果树的精准精量施肥。智能果园施肥机继续前进，待即将行驶至第二棵果树对应位置时，重复上述开沟、排肥和覆土作业，直至将采集信息的果树全部施肥完毕。
本发明实施例所述方法和系统，智能果园施肥机通过获取每棵果树的位置信息和营养状态，制定施肥策略；结合智能果园施肥机的自动驾驶、定位和精准有机肥、化肥混合深施，针对每棵果树的营养状态精准施肥，有利于提高果园有机质含量、提高化肥利用率、提高果实产量和果品品质、促进果园的可持续发展，对果园精准施肥管理、避免资源浪费和环境污染具有重要的指导作用和科学意义。
本发明所述方法和系统中，智能果园施肥机为无人自动驾驶模式，全称无人工参与，大大提升了果园智能化管理程度。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种智能果园有机肥化肥混合精量施肥方法，其特征在于，所述方法包括：
采集果树的位置信息和树冠图像；
通过果树的树冠图像对果树的营养状态进行诊断，判断果树营养等级；
根据果树营养等级，制定施肥策略；
根据施肥策略和果树的位置信息，对果树进行有机肥、化肥混合精量施肥。
2.根据权利要求1所述的智能果园有机肥化肥混合精量施肥方法，其特征在于，所述采集果树的位置信息和树冠图像，包括：
智能果园施肥机沿规划的路线行进；
当检测到果树树冠时，导航系统记录位置信息，高精度相机采集树冠图像；
将位置信息和树冠图像传送到果树叶片营养诊断模型。
3.根据权利要求2所述的智能果园有机肥化肥混合精量施肥方法，其特征在于，所述通过果树的树冠图像对果树的营养状态进行诊断，判断果树营养等级，包括：
获取果树叶片营养诊断模型中果树树冠图像的叶片图像，提取叶片图像色彩特征；
利用主成分分析对叶片图像色彩特征进行降维处理，分别提取出影响果树营养素含量的关键影响因子；
将关键影响因子输入果树叶片营养预测模型，输出果树营养素的含量；
根据果树营养素的含量，判断果树营养等级。
4.根据权利要求3所述的智能果园有机肥化肥混合精量施肥方法，其特征在于，所述根据果树营养素的含量，判断果树营养等级，包括：
获取果树相应物候期所需营养素的含量；
根据果树叶片营养预测模型输出的果树营养素的含量，和在相应物候期果树所需营养素的含量区间，判断果树相应物候期营养素的营养等级。
5.根据权利要求3或4任一项所述的智能果园有机肥化肥混合精量施肥方法，其特征在于，所述根据果树营养等级，制定施肥策略，包括：
获取果树相应物候期所需的营养素的含量、果园土壤所含营养素的含量、和果树叶片营养预测模型输出的果树营养素的含量，计算果树相应物候期需施肥的营养素的含量；
根据果树相应物候期需施肥的营养素的含量，转换为有机肥和化肥的施肥量。
6.一种智能果园有机肥化肥混合精量施肥系统，基于权利要求1-5任一项所述方法实现，其特征在于，所述系统包括果树信息采集模块、果树叶片营养诊断模块、控制模块和施肥模块；
所述果树信息采集模块用于采集果树的位置信息和树冠图像，所述果树叶片营养诊断模块通过果树的树冠图像诊断果树的营养状态、判断果树营养等级，并制定施肥策略，所述控制模块用于控制智能果园施肥机进行开沟施肥作业，所述施肥模块用于对果树进行有机肥、化肥混合精量施肥。
7.根据权利要求6所述的智能果园有机肥化肥混合精量施肥系统，其特征在于，所述果树信息采集模块包括摄像头单元、流动站定位单元和控制器单元，所述摄像头单元用于采集果树的树冠图像，所述流动站定位单元用于采集果树的位置信息，所述控制器单元将采集的树冠图像和位置信息进行匹配，并将匹配好的树冠图像和位置信息传输至所述果树叶片营养诊断模块。
8.根据权利要求7所述的智能果园有机肥化肥混合精量施肥系统，其特征在于，所述果树叶片营养诊断模块包括果树叶片营养诊断模型单元、果树叶片营养预测模型单元和信息处理单元，所述果树叶片营养诊断模型单元通过果树的树冠图像诊断果树的营养状态，并判断果树营养等级，所述果树叶片营养预测模型单元输出果树营养素的含量，所述信息处理单元根据果树营养等级，制定施肥策略，并将施肥策略和果树的位置信息配对。
9.根据权利要求8所述的智能果园有机肥化肥混合精量施肥系统，其特征在于，所述果树叶片营养诊断模型单元通过果树的树冠图像诊断果树的营养状态，并判断果树营养等级，包括：
获取果树叶片营养诊断模型中果树树冠图像的叶片图像，提取叶片图像色彩特征；
利用主成分分析对叶片图像色彩特征进行降维处理，分别提取出影响果树营养素含量的关键影响因子；
将关键影响因子输入果树叶片营养预测模型单元，输出果树营养素的含量；
根据果树营养素的含量，判断果树营养等级。
10.根据权利要求8或9任一项所述的智能果园有机肥化肥混合精量施肥系统，其特征在于，所述信息处理单元根据果树营养等级，制定施肥策略，包括：
获取果树相应物候期所需的营养素的含量、果园土壤所含营养素的含量、和果树叶片营养预测模型单元输出的果树营养素的含量，计算果树相应物候期需施肥的营养素的含量；
根据果树相应物候期需施肥的营养素的含量，转换为有机肥和化肥的施肥量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210008083.3A CN114342627A (zh) | 2022-01-05 | 2022-01-05 | 一种智能果园有机肥化肥混合精量施肥方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210008083.3A CN114342627A (zh) | 2022-01-05 | 2022-01-05 | 一种智能果园有机肥化肥混合精量施肥方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114342627A true CN114342627A (zh) | 2022-04-15 |
Family
ID=81106982
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210008083.3A Pending CN114342627A (zh) | 2022-01-05 | 2022-01-05 | 一种智能果园有机肥化肥混合精量施肥方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114342627A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114777703A (zh) * | 2022-04-25 | 2022-07-22 | 贵州省第三测绘院(贵州省国土资源遥感监测中心) | 基于距离匹配的林业样地精准定位方法及装置 |
| CN115643872A (zh) * | 2022-11-02 | 2023-01-31 | 西南大学 | 一种农业自动精准控制变量施肥控制系统 |
| TWI838787B (zh) * | 2022-07-07 | 2024-04-11 | 國立屏東科技大學 | 利用水稻葉片影像之水稻葉片氮含量檢測方法及其系統 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103314689A (zh) * | 2013-06-24 | 2013-09-25 | 西北农林科技大学 | 一种自动导航果园智能开沟施肥机 |
| WO2013182179A1 (de) * | 2012-06-04 | 2013-12-12 | Yara International Asa | Verfahren zum berührungslosen bestimmen des aktuellen ernährungszustandes eines pflanzenbestandes und zum verarbeiten dieser information |
| CN105340443A (zh) * | 2015-10-14 | 2016-02-24 | 西北农林科技大学 | 一种果园对靶施肥机及其变量控制方法 |
| CN105794382A (zh) * | 2016-05-11 | 2016-07-27 | 山东农业大学 | 一种基于机器视觉技术的果园精准施肥装置及施肥方法 |
| CN109991911A (zh) * | 2019-05-05 | 2019-07-09 | 西安邮电大学 | 一种基于物联网的果园综合监控系统 |
| CN110036723A (zh) * | 2019-05-23 | 2019-07-23 | 山东农业大学 | 一种开沟施肥机及施肥方法 |
| CN111626268A (zh) * | 2020-07-07 | 2020-09-04 | 山东农业大学 | 一种基于机器视觉的便携式叶片信息实时采集装置及方法 |
-
2022
- 2022-01-05 CN CN202210008083.3A patent/CN114342627A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013182179A1 (de) * | 2012-06-04 | 2013-12-12 | Yara International Asa | Verfahren zum berührungslosen bestimmen des aktuellen ernährungszustandes eines pflanzenbestandes und zum verarbeiten dieser information |
| CN103314689A (zh) * | 2013-06-24 | 2013-09-25 | 西北农林科技大学 | 一种自动导航果园智能开沟施肥机 |
| CN105340443A (zh) * | 2015-10-14 | 2016-02-24 | 西北农林科技大学 | 一种果园对靶施肥机及其变量控制方法 |
| CN105794382A (zh) * | 2016-05-11 | 2016-07-27 | 山东农业大学 | 一种基于机器视觉技术的果园精准施肥装置及施肥方法 |
| CN109991911A (zh) * | 2019-05-05 | 2019-07-09 | 西安邮电大学 | 一种基于物联网的果园综合监控系统 |
| CN110036723A (zh) * | 2019-05-23 | 2019-07-23 | 山东农业大学 | 一种开沟施肥机及施肥方法 |
| CN111626268A (zh) * | 2020-07-07 | 2020-09-04 | 山东农业大学 | 一种基于机器视觉的便携式叶片信息实时采集装置及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 权泽堃等: "基于图像处理的苹果树叶片氮含量检测", 《现代农业装备》 * |
| 田珂等: "GPS在精准农业中的应用", 《农业科技通讯》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114777703A (zh) * | 2022-04-25 | 2022-07-22 | 贵州省第三测绘院(贵州省国土资源遥感监测中心) | 基于距离匹配的林业样地精准定位方法及装置 |
| CN114777703B (zh) * | 2022-04-25 | 2024-04-16 | 贵州省第三测绘院(贵州省国土资源遥感监测中心) | 基于距离匹配的林业样地精准定位方法及装置 |
| TWI838787B (zh) * | 2022-07-07 | 2024-04-11 | 國立屏東科技大學 | 利用水稻葉片影像之水稻葉片氮含量檢測方法及其系統 |
| CN115643872A (zh) * | 2022-11-02 | 2023-01-31 | 西南大学 | 一种农业自动精准控制变量施肥控制系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114342627A (zh) | 一种智能果园有机肥化肥混合精量施肥方法和系统 | |
| Stanford et al. | Soil nitrogen availability evaluations based on nitrogen mineralization potentials of soils and uptake of labeled and unlabeled nitrogen by plants | |
| CN111316896B (zh) | 一种精细化栽培技术的灌溉控制系统 | |
| CN103823371A (zh) | 基于神经网络模型的农业精准施肥系统及施肥方法 | |
| CN112136423A (zh) | 一种多功能农用机器人 | |
| CN113608551A (zh) | 无人农机群协同系统及其应用方法 | |
| CN103389370A (zh) | 新疆扁桃叶片矿质元素营养诊断体系的建立与应用 | |
| CN111295987B (zh) | 一种兼顾产出与投入自适应模型的精准农业系统与方法 | |
| CN111427296A (zh) | 一种精细化栽培技术的施肥控制系统 | |
| CN104782298A (zh) | 一种板栗测土配方施肥方法 | |
| CN113642729A (zh) | 基于机器学习的智能沼液施用方法、系统及存储介质 | |
| CN112461899A (zh) | 一种变量施肥系统及其控制方法 | |
| Thers et al. | Grass-clover response to cattle slurry N-rates: Yield, clover proportion, protein concentration and estimated N2-fixation | |
| CN115952931A (zh) | 一种水稻智能施肥方法、系统、设备及介质 | |
| Higgins et al. | Stocktake study of current fertilisation recommendations across Europe and discussion towards a more harmonised approach | |
| Srivastava | Site specific nutrient management in citrus | |
| CN104938127A (zh) | 一种可移动式智能精准农业系统 | |
| CN106614475A (zh) | 一种农用平台的控制方法及系统 | |
| CN117501949A (zh) | 一种基于土壤肥沃度检测的智能化变量施肥系统及方法 | |
| CN116965318A (zh) | 一种自动有机栽培系统及方法 | |
| Aguirre-Villegas et al. | Nutrient variability following dairy manure storage agitation | |
| CN113505987B (zh) | 一种基于大数据的苗木播种施肥一体化监管反馈系统 | |
| Majumdar et al. | Response of soybean (Glycine max) to phosphorus and sulphur in acid alfisol of Meghalaya | |
| CN108848847A (zh) | 车载式变量配肥灌溉施肥系统及滴灌施肥方法 | |
| CN115523953A (zh) | 一种基于大数据的精准定位定量施肥方法 |
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: 20220415 |
|
| RJ01 | Rejection of invention patent application after publication |