CN114723667A - 一种农业精细化种植及灾害预防控制系统 - Google Patents
一种农业精细化种植及灾害预防控制系统 Download PDFInfo
- Publication number
- CN114723667A CN114723667A CN202210217080.0A CN202210217080A CN114723667A CN 114723667 A CN114723667 A CN 114723667A CN 202210217080 A CN202210217080 A CN 202210217080A CN 114723667 A CN114723667 A CN 114723667A
- Authority
- CN
- China
- Prior art keywords
- pest
- area
- diffusion
- determining
- rate
- 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
Images
Classifications
-
- 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
-
- 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
-
- 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
- G06T1/00—General purpose image data processing
- G06T1/0014—Image feed-back for automatic industrial control, e.g. robot with camera
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
-
- 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
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Insects & Arthropods (AREA)
- Pest Control & Pesticides (AREA)
- Wood Science & Technology (AREA)
- Zoology (AREA)
- Environmental Sciences (AREA)
- Robotics (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明提供了一种农业精细化种植及灾害预防控制系统,包括:机器人采集模块、虫害对比模块、扩散预测模块、农药喷洒确定模块,其中,机器人采集模块,用于采集不同区域农作物的图像信息并发送给虫害对比模块;虫害对比模块,用于将图像信息进行识别并判断出该区域内农作物的虫害状况;扩散预测模块,用于根据多个区域内农作物的种类及其虫害状况建立虫害率等高线模型,并基于该种害虫的繁殖增长速度、扩散传播方式对虫害的扩散情况进行预测;农药喷洒确定模块,用于根据虫害状况、虫害率等高线模型以及虫害扩散预测结果确定农药喷洒区域以及需要喷洒的农药种类。通过本发明实现了对农场内部的农作物的精细化种植及虫害灾害的预测预防和控制。
Description
技术领域
本发明涉及农业病虫害的预防技术领域,特别涉及一种农业精细化种植及灾害预防控制系统。
背景技术
据统计,我国目前农作物病虫害呈多发、重发态势,每年受害农作物面积达近70亿亩次,粮食损失四千万余吨,经济作物损失三百五十余亿斤。严重损害了农户的利益,造成了巨额的经济损失。由此可以认识到农作物病虫害是粮食安全的主要威胁之一,但由于必要的基础设施、专业人员、专业知识的缺乏,在我国的许多地方,想要快速识别检测病虫害及之后的对农田的统筹管理工作仍然是非常难以实现的。
长期以来,对农作物病虫害发作的种类、范围进行调查检测,都是依靠植保人员在田间地头的实地调查,虽然这种方法具有一定的真实性,但是却费时费力,准确程度和检测覆盖率都要依靠相关人员的专业水平、经验和责任心。近年来,研究人员也将研究方向瞄准了高光谱遥感技术,这种技术具有实时性和准确性的优点。而高光谱遥感技术也有部分缺陷,例如它的可识别病虫害种类相对较为单一,多用于林业生产中,并且高光谱遥感技术通常被运用于大尺度的场景下,对于小范围的病虫害发病,不能很好地识别检测出来。
发明内容
本发明提供一种农业精细化种植及灾害预防控制系统,用以实现精细化作业及灾害预防。
本发明提供一种农业精细化种植及灾害预防控制系统,其特征在于,包括:机器人采集模块、虫害对比模块、扩散预测模块、农药喷洒确定模块,其中,
所述机器人采集模块,用于采集不同区域农作物的图像并发送给虫害对比模块;
所述虫害对比模块,用于对所述图像进行识别判断出虫害种类,同时判断出区域内该种虫害种类对应的虫害状况;
所述扩散预测模块,用于根据虫害种类及其虫害状况建立虫害率等高线模型;并对该种虫害种类的扩散情况进行预测,获得虫害扩散预测结果;
所述农药喷洒确定模块,用于根据虫害状况、所述虫害率等高线模型以及所述虫害扩散预测结果确定农药喷洒区域以及需要喷洒的农药种类。
优选的,所述机器人采集模块包括:
无人机组采集单元,包括多个搭载有摄像装置的无人机,用于通过无人机低空飞行并对农作物的叶片及茎干进行拍照,得到农作物叶片的图像及茎干的图像;
地行机器人采集单元,包括多个搭载有摄像装置的地行机器人,用于通过地行机器人对农作物的叶片及茎干进行拍照,得到农作物叶片的图像及茎干的图像。
优选的,所述地行机器人上还设置有翻土犁耙;
所述翻土犁耙用于对所述农作物的底部周围表面土壤进行采样性浅翻掘,所述地行机器人在所述翻土犁耙将表面土壤进行翻掘后对翻掘出的土壤进行摄像,得到农作物下的土壤视频。
优选的,所述虫害对比模块包括:
农作物类型匹配单元,用于将农作物叶片的图像及茎干的图像输入预先构建训练的深度学习网络中,确定农作物的种类;
啃食区域识别单元,用于在确定农作物的种类后从农作物叶片的图像中提取农作物叶片的轮廓,将图像中叶片轮廓范围内的非绿色区域确定为叶片被啃食的区域;
纹理特征对比单元,用于提取被啃食的区域内的纹理特征,将所述纹理特征与预设的纹理特征库中的纹理特征进行匹配,确定所述纹理特征库中匹配度最高的纹理特征对应的虫害种类;
茎干害虫识别单元,用于对茎干的图像进行识别,确定茎干的图像中像素值与预定像素值存在差异情况的异色区块,并确定该异色区块的外形轮廓,将该异色区块的外形轮廓与蠕虫外形轮廓模板进行匹配,当符合时,确定该异色区块存在蠕虫并统计蠕虫数量;
土壤害虫识别单元,用于将采集的土壤视频中多个连续的图像帧的图像进行对比,提取视频中的运动点,并将运动点之间距离小于预设距离的多个运动点划分为同一个运动区域,确定预定大小的运动区域存在害虫并统计害虫数量;
虫害率确定单元,用于在确定虫害种类后根据多个叶片上被啃食区域总面积占叶片总面积的比值作为该区域的农作物叶片虫害率,以农作物茎干被检测出蠕虫数量占第一标准数量的比值作为茎干虫害率,以土壤视频中检测出害虫数量占第二标准数量的比值作为土壤虫害率,其中,
所述第一标准数量为预设的单位种植面积内蠕虫的最大容许数量,所述第二标准数量为预设的翻土检测次数下害虫的最大容许数量。
优选的,所述扩散预测模块执行以下步骤:
步骤1、确定各区域虫害种类对应的虫害率,以虫害率最高的区域为峰值最高点,并以虫害率相等的区域建立虫害率等高线;
步骤2、当某个位置的高虫害率等高线与低虫害率等高线的距离小于预设距离值,则以该位置高虫害率等高线向低虫害率等高线的方向作为主要扩散方向;
步骤3、当峰值最高点与某区域连线的方向与主要扩散方向的偏差角度小于预设角度时,确定该区域受到来自该主要扩散方向的虫害扩散影响,当该区域受到来自多个方向的虫害扩散影响时,通过以下公式计算出影响系数ρ:
式中,ρ为该区域虫害率受其他区域虫害扩散影响的影响系数,j为该区域同时处于主要扩散方向的次数,表示第i个扩散方向上最大虫害率,表示第i个扩散方向上最小虫害率,ΔLi表示第i个扩散方向上最大虫害率区域与最小虫害率区域之间的距离,θ表示与主要方向的偏差角度,β表示害虫在扩散时的折损系数。
步骤4、建立该区域内随时间增长的害虫增长模型:
式中,Nt为t时刻该区域的虫害率,N0为初始时刻该区域的虫害率,D为该种害虫的扩散系数,x为该种害虫在单方向上的扩散距离,r为害虫净死亡率,T为繁殖周期,γ为平均产卵数,σ为孵化折损率。
优选的,所述农药喷洒模块包括:
喷洒区域确定模块,用于当某区域虫害率大于预设虫害率阈值时,根据预设的该害虫种类对应的扩散速度,确定以预设的救援生效时间和所述扩散速度的乘积作为半径范围,以该区域的几何中心为圆心的圆形区域为农药喷洒区域;
农药类型确定模块,用于根据害虫种类选择对应的农药类型;
农药喷洒覆盖度确定模块,用于根据预设的虫害率与农药喷洒覆盖程度的关系表格,基于某区域虫害率确定对该区域喷洒农药的覆盖程度。
优选的,还包括移动终端辅助模块;
所述移动终端辅助模块包括图像获取单元、交互信息获取单元、物体识别单元;
所述图像获取单元,用于获取用户基于安装在移动终端上的客户端的语音或文字的提示对需要识别的物品进行拍照的图像;
所述交互信息获取单元,用于接收用户输入的物品类型信息;
所述物体识别单元,用于根据用户输入的物品类型信息对预设的多种物体模板进行筛选,将用户拍照的图像与筛选出的物体模板进行匹配,从而对图像中的物体进行识别。
优选的,所述客户端上设置有机器人管理单元、历史记录查询单元、可视化分析单元、数据共享单元,其中,
所述机器人管理单元,用于派遣无人机或者地行机器人到达指定农作物区域拍摄图像信息;
所述历史记录查询单元,用于查询指定农作物区域在过去所种植农作物类型、所患害虫类型、土壤内害虫率、农药喷洒情况以及杀虫除病结果、农作物产量情况信息;
所述可视化分析单元,用于将所述历史记录查询单元的查询结果通过图表的方式进行可视化输出,或者将指定农作物区域未来的虫害率增长预测情况通过图表的方式进行可视化输出;
数据共享单元,用于将所述历史记录查询单元的查询结果通过互联网进行共享,并将农作物区域未来的虫害率增长预测情况通过互联网进行共享。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种农业精细化种植及灾害预防控制系统的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明实施例还提供了一种农业精细化种植及灾害预防控制系统,如图1,包括:机器人采集模块100、虫害对比模块101、扩散预测模块102、农药喷洒确定模块103,其中,
所述机器人采集模块100,用于采集不同区域农作物的图像并发送给虫害对比模块;
所述虫害对比模块101,用于对所述图像进行识别判断出虫害种类,同时判断出区域内该种虫害种类对应的虫害状况;
所述扩散预测模块102,用于根据虫害种类及其虫害状况建立虫害率等高线模型;并对该种虫害种类的扩散情况进行预测,获得虫害扩散预测结果;
所述农药喷洒确定模块103,用于根据虫害状况、所述虫害率等高线模型以及所述虫害扩散预测结果确定农药喷洒区域以及需要喷洒的农药种类。
上述技术方案的工作原理和有益效果为:通过机器人对各个区域的农作物进行拍摄获取图像信息,对图像信息进行识别判断该区域种植的是何种农作物,在确定农作物类型后,并对虫害种类进行识别,确定该种虫害种类对应的虫害状况,根据多个区域的虫害状况建立等高线模型,从而确定害虫的主要扩散方向,并基于该种害虫的繁殖增长速度、扩散传播方式对虫害的扩散情况进行预测,从而确定某个区域害虫率的增长趋势,在对各区域的害虫扩散情况进行预测后,通过农药喷洒确定模块对农药的类型进行选择,选择出能够灭杀该种虫害种类对应的害虫的农药,并根据区域内的虫害率高低选择喷洒方式为稀疏式喷洒或者覆盖式喷洒等,从而实现了对农作物虫害的自动化监测、预测及提醒,使农药喷洒作业精细化,提高工作效率降低人工投入成本。
在一个优选实施例中,所述机器人采集模块包括:
无人机组采集单元,包括多个搭载有摄像装置的无人机,用于通过无人机低空飞行并对农作物的叶片及茎干进行拍照,得到农作物叶片的图像及茎干的图像;
地行机器人采集单元,包括多个搭载有摄像装置的地行机器人,用于通过地行机器人对农作物的叶片及茎干进行拍照,得到农作物叶片的图像及茎干的图像。
上述技术方案的工作原理和有益效果为:提供两种不同的采集设备,可通过无人机进行低空飞行并对农作物的叶片及茎干进行拍照,得到农作物叶片的图像及茎干的图像信息,无人机的飞行速度快,能够实现对较大区域内农作物进行快速拍照,也可通过地行机器人穿梭在农作物间对农作物的叶片及茎干进行拍照,得到农作物叶片及茎干的图像信息,优点便是拍摄内容更加仔细可靠、并且能够对密集种植的农作物的底部茎干及土壤位置进行拍照。
在一个优选实施例中,所述地行机器人上还设置有翻土犁耙;
所述翻土犁耙用于对所述农作物的底部周围表面土壤进行采样性浅翻掘,所述地行机器人在所述翻土犁耙将表面土壤进行翻掘后对翻掘出的土壤进行摄像,得到农作物下的土壤视频。
上述技术方案的工作原理和有益效果为:在地行机器人上设置翻土犁耙,在需要对某个点的土壤内虫害进行检测的时候,便通过翻土犁耙挖掘土壤,机器人在翻土犁耙将表面土壤进行翻掘后对翻掘出的土壤进行摄像,得到农作物下的土壤视频,从而实现对土壤内虫害进行检测。
在一个优选实施例中,所述虫害对比模块包括:
农作物类型匹配单元,用于将农作物叶片的图像及茎干的图像输入预先构建训练的深度学习网络中,确定农作物的种类;
啃食区域识别单元,用于在确定农作物的种类后从农作物叶片的图像中提取农作物叶片的轮廓,将图像中叶片轮廓范围内的非绿色区域确定为叶片被啃食的区域;
纹理特征对比单元,用于提取被啃食的区域内的纹理特征,将所述纹理特征与预设的纹理特征库中的纹理特征进行匹配,确定所述纹理特征库中匹配度最高的纹理特征对应的虫害种类;
茎干害虫识别单元,用于对茎干的图像进行识别,确定茎干的图像中像素值与预定像素值存在差异情况的异色区块,并确定该异色区块的外形轮廓,将该异色区块的外形轮廓与蠕虫外形轮廓模板进行匹配,当符合时,确定该异色区块存在蠕虫并统计蠕虫数量;
土壤害虫识别单元,用于将采集的土壤视频中多个连续的图像帧的图像进行对比,提取视频中的运动点,并将运动点之间距离小于预设距离的多个运动点划分为同一个运动区域,确定预定大小的运动区域存在害虫并统计害虫数量;
虫害率确定单元,用于在确定虫害种类后根据多个叶片上被啃食区域总面积占叶片总面积的比值作为该区域的农作物叶片虫害率,以农作物茎干被检测出蠕虫数量占第一标准数量的比值作为茎干虫害率,以土壤视频中检测出害虫数量占第二标准数量的比值作为土壤虫害率,其中,
所述第一标准数量为预设的单位种植面积内蠕虫的最大容许数量,所述第二标准数量为预设的翻土检测次数下害虫的最大容许数量。
上述技术方案的工作原理和有益效果为:将农作物叶片图像及茎干的图像信息输入预先构建训练的深度学习网络中,通过深度学习网络将叶片及茎干与样本库中的样本进行匹配确定最优匹配项,从而确定农作物的种类为最优匹配项对应的农作物种类,便能确定该种农作物对应的几种常见虫害种类;对于叶片上的虫害率,通过对叶片的轮廓特征对图像信息中的叶片进行提取,并将叶片内像素值不同的区域提取并确定为被啃食区域,将所有的被啃食区域面积占叶片总面积的比例作为叶片虫害率,并根据被啃食区域的纹理特征对比几种常见虫害种类的害虫啃食出的纹理特征进行对比,从而确定为何种虫害种类。对于茎干上的虫害率,通过茎干的图像信息并对茎干上的像素值差异情况进行识别确定像素值差异较大的区域,并确定该区域的外形轮廓,将该区域的外形轮廓与蠕虫外形轮廓模板进行匹配,从而判断该外形轮廓是否符合蠕虫外形轮廓,确定蠕虫位置,以单位面积内发现的蠕虫数量与第一标准数量的比值作为茎干虫害率。对于土壤内的虫害率,通过所将采集的土壤视频中多个连续的图像帧的图像进行对比,提取视频中的运动点,并将运动点之间距离小于预设距离的多个运动点划分为同一个运动区域,确定预定大小的运动区域存在害虫并统计害虫数量,并以土壤图像信息中检测出的害虫总数占预设翻土检测次数下害虫的标准数量的比值作为土壤虫害率。通过上述方法,不仅实现了对食叶型害虫的虫害率计算,还实现了食茎型害虫、食根型害虫的的虫害率计算,扩大害虫的检测范围,害虫识别更精细化。
在一个优选实施例中,所述扩散预测模块执行以下步骤:
步骤1、确定各区域虫害种类对应的虫害率,以虫害率最高的区域为峰值最高点,并以虫害率相等的区域建立虫害率等高线;
步骤2、当某个位置的高虫害率等高线与低虫害率等高线的距离小于预设距离值,则以该位置高虫害率等高线向低虫害率等高线的方向作为主要扩散方向;
步骤3、当峰值最高点与某区域连线的方向与主要扩散方向的偏差角度小于预设角度时,确定该区域受到来自该主要扩散方向的虫害扩散影响,当该区域受到来自多个方向的虫害扩散影响时,通过以下公式计算出影响系数ρ:
式中,ρ为该区域虫害率受其他区域虫害扩散影响的影响系数,j为该区域同时处于主要扩散方向的次数,表示第i个扩散方向上最大虫害率,表示第i个扩散方向上最小虫害率,ΔLi表示第i个扩散方向上最大虫害率区域与最小虫害率区域之间的距离,θ表示与主要方向的偏差角度,β表示害虫在扩散时的折损系数。
步骤4、建立该区域内随时间增长的害虫增长模型:
式中,Nt为t时刻该区域的虫害率,N0为初始时刻该区域的虫害率,D为该种害虫的扩散系数,x为该种害虫在单方向上的扩散距离,r为害虫净死亡率,T为繁殖周期,γ为平均产卵数,σ为孵化折损率。
上述技术方案的工作原理和有益效果为:通过建立等高线的方式确定害虫的主要扩散方向,以某个区域为例,当峰值最高点与该区域连线的方向与主要扩散方向的偏差角度小于预设角度时,确定该区域受到来自该主要扩散方向的虫害扩散影响,说明该区域会受该主要扩散方向的害虫扩散的影响,使该区域的害虫数量暴涨,当某个区域受到来自多个方向的害虫扩散影响时,通过公式计算出该区域受害虫扩散的影响系数,并基于影响系数建立该区域内随时间增长的害虫增长模型,该增长模型考虑了该区域内某种害虫的初始虫害率、害虫的死亡率、繁殖周期、平均产卵数量等因素,其中引入了害虫的扩散系数,这个扩散系数同样根据害虫类型而定,比如爬行类的害虫的扩散系数就没有飞行类的害虫的扩散系数高。通过害虫增长模型对区域内的虫害率增长情况进行预测,从而方便提醒用户提早完成灭虫工作。
在一个优选实施例中,所述农药喷洒模块包括:
喷洒区域确定模块,用于当某区域虫害率大于预设虫害率阈值时,根据预设的该害虫种类对应的扩散速度,确定以预设的救援生效时间和所述扩散速度的乘积作为半径范围,以该区域的几何中心为圆心的圆形区域为农药喷洒区域;
农药类型确定模块,用于根据害虫种类选择对应的农药类型;
农药喷洒覆盖度确定模块,用于根据预设的虫害率与农药喷洒覆盖程度的关系表格,基于某区域虫害率确定对该区域喷洒农药的覆盖程度。
上述技术方案的工作原理和有益效果为:根据害虫种类选择对应的农药类型、根据某区域虫害率的大小确定对该区域喷洒农药的覆盖程度,并在该区域虫害率较大的情况下,提醒用户对该区域进行更仔细的覆盖式喷洒,防止喷洒的农药喷洒密度不够使害虫残留。根据预设的该害虫种类对应的扩散速度,确定以预设的救援生效时间和扩散速度的乘积作为半径范围,以该区域的几何中心为圆心的圆形区域为农药喷洒区域进行灭虫喷洒,防止农药生效时间内发生的害虫扩散。实现对害虫出现范围的精确笼罩喷洒,避免农药的浪费或者避免喷洒范围过小导致害虫残留。
在一个优选实施例中,还包括移动终端辅助模块;
所述移动终端辅助模块包括图像获取单元、交互信息获取单元、物体识别单元;
所述图像获取单元,用于获取用户基于安装在移动终端上的客户端的语音或文字的提示对需要识别的物品进行拍照的图像;
所述交互信息获取单元,用于接收用户输入的物品类型信息;
所述物体识别单元,用于根据用户输入的物品类型信息对预设的多种物体模板进行筛选,将用户拍照的图像与筛选出的物体模板进行匹配,从而对图像中的物体进行识别。
上述技术方案的工作原理和有益效果为:设立移动终端辅助模块,用户通过移动终端可以随时随地对农作物、害虫、或者其他动植物的类型进行识别,比如,用户在不清楚虫子为何种害虫时,能够通过移动终端进行拍照,同时输入需要识别的物品类型为害虫,物体识别单元先根据用户输入的物品的类型将预设的多种物体模板进行筛选,选出多种害虫对应的模板,随后将筛选出的多个害虫模板与用户拍照的图像进行匹配,选择匹配度最高的害虫模板对应的害虫种类,从而实现对图像中的害虫种类进行识别。
在一个优选实施例中,所述客户端上设置有机器人管理单元、历史记录查询单元、可视化分析单元、数据共享单元,其中,
所述机器人管理单元,用于派遣无人机或者地行机器人到达指定农作物区域拍摄图像信息;
所述历史记录查询单元,用于查询指定农作物区域在过去所种植农作物类型、所患害虫类型、土壤内害虫率、农药喷洒情况以及杀虫除病结果、农作物产量情况信息;
所述可视化分析单元,用于将所述历史记录查询单元的查询结果通过图表的方式进行可视化输出,或者将指定农作物区域未来的虫害率增长预测情况通过图表的方式进行可视化输出;
数据共享单元,用于将所述历史记录查询单元的查询结果通过互联网进行共享,并将农作物区域未来的虫害率增长预测情况通过互联网进行共享。
上述技术方案的工作原理和有益效果为:通过客户端内的机器人管理单元派遣无人机或者地行机器人到达指定农作物区域,并拍摄图像信息,方便用户随时随地对机器人进行派遣,通过历史记录查询单元查询指定农作物区域在过去所种植农作物类型、所患害虫类型、土壤内害虫率、农药喷洒情况以及杀虫除病结果、农作物产量等情况信息,方便用户对土地进行合理种植及管理,最终实现作物高产量,通过可视化分析单元将离散记录查询单元的查询结果通过图表的方式进行可视化输出,方便用户直观明了的了解数据内容,降低用户的分析难度,通过数据共享单元实现信息共享,能够在地图上将多个农场的虫害情况显示得更加详细,方便通过综合分析对虫害率增长情况进行有效预测。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种农业精细化种植及灾害预防控制系统,其特征在于,包括:机器人采集模块、虫害对比模块、扩散预测模块、农药喷洒确定模块,其中,
所述机器人采集模块,用于采集不同区域农作物的图像并发送给虫害对比模块;
所述虫害对比模块,用于对所述图像进行识别判断出虫害种类,同时判断出区域内该种虫害种类对应的虫害状况;
所述扩散预测模块,用于根据虫害种类及其虫害状况建立虫害率等高线模型;并对该种虫害种类的扩散情况进行预测,获得虫害扩散预测结果;
所述农药喷洒确定模块,用于根据虫害状况、所述虫害率等高线模型以及所述虫害扩散预测结果确定农药喷洒区域以及需要喷洒的农药种类。
2.根据权利要求1所述的一种农业精细化种植及灾害预防控制系统,其特征在于,所述机器人采集模块包括:
无人机组采集单元,包括多个搭载有摄像装置的无人机,用于通过无人机低空飞行并对农作物的叶片及茎干进行拍照,得到农作物叶片的图像及茎干的图像;
地行机器人采集单元,包括多个搭载有摄像装置的地行机器人,用于通过地行机器人对农作物的叶片及茎干进行拍照,得到农作物叶片的图像及茎干的图像。
3.根据权利要求2所述的一种农业精细化种植及灾害预防控制系统,其特征在于,所述地行机器人上还设置有翻土犁耙;
所述翻土犁耙用于对所述农作物的底部周围表面土壤进行采样性浅翻掘,所述地行机器人在所述翻土犁耙将表面土壤进行翻掘后对翻掘出的土壤进行摄像,得到农作物下的土壤视频。
4.根据权利要求3所述的一种农业精细化种植及灾害预防控制系统,其特征在于,所述虫害对比模块包括:
农作物类型匹配单元,用于将农作物叶片的图像及茎干的图像输入预先构建训练的深度学习网络中,确定农作物的种类;
啃食区域识别单元,用于在确定农作物的种类后从农作物叶片的图像中提取农作物叶片的轮廓,将图像中叶片轮廓范围内的非绿色区域确定为叶片被啃食的区域;
纹理特征对比单元,用于提取被啃食的区域内的纹理特征,将所述纹理特征与预设的纹理特征库中的纹理特征进行匹配,确定所述纹理特征库中匹配度最高的纹理特征对应的虫害种类;
茎干害虫识别单元,用于对茎干的图像进行识别,确定茎干的图像中像素值与预定像素值存在差异情况的异色区块,并确定该异色区块的外形轮廓,将该异色区块的外形轮廓与蠕虫外形轮廓模板进行匹配,当符合时,确定该异色区块存在蠕虫并统计蠕虫数量;
土壤害虫识别单元,用于将采集的土壤视频中多个连续的图像帧的图像进行对比,提取视频中的运动点,并将运动点之间距离小于预设距离的多个运动点划分为同一个运动区域,确定预定大小的运动区域存在害虫并统计害虫数量;
虫害率确定单元,用于在确定虫害种类后根据多个叶片上被啃食区域总面积占叶片总面积的比值作为该区域的农作物叶片虫害率,以农作物茎干被检测出蠕虫数量占第一标准数量的比值作为茎干虫害率,以土壤视频中检测出害虫数量占第二标准数量的比值作为土壤虫害率,其中,
所述第一标准数量为预设的单位种植面积内蠕虫的最大容许数量,所述第二标准数量为预设的翻土检测次数下害虫的最大容许数量。
5.根据权利要求1所述的一种农业精细化种植及灾害预防控制系统,其特征在于,所述扩散预测模块执行以下步骤:
步骤1、确定各区域虫害种类对应的虫害率,以虫害率最高的区域为峰值最高点,并以虫害率相等的区域建立虫害率等高线;
步骤2、当某个位置的高虫害率等高线与低虫害率等高线的距离小于预设距离值,则以该位置高虫害率等高线向低虫害率等高线的方向作为主要扩散方向;
步骤3、当峰值最高点与某区域连线的方向与主要扩散方向的偏差角度小于预设角度时,确定该区域受到来自该主要扩散方向的虫害扩散影响,当该区域受到来自多个方向的虫害扩散影响时,通过以下公式计算出影响系数ρ:
式中,ρ为该区域虫害率受其他区域虫害扩散影响的影响系数,j为该区域同时处于主要扩散方向的次数,表示第i个扩散方向上最大虫害率,表示第i个扩散方向上最小虫害率,ΔLi表示第i个扩散方向上最大虫害率区域与最小虫害率区域之间的距离,θ表示与主要方向的偏差角度,β表示害虫在扩散时的折损系数;
步骤4、建立该区域内随时间增长的害虫增长模型:
式中,Nt为t时刻该区域的虫害率,N0为初始时刻该区域的虫害率,D为该种害虫的扩散系数,x为该种害虫在单方向上的扩散距离,r为害虫净死亡率,T为繁殖周期,γ为平均产卵数,σ为孵化折损率。
6.根据权利要求1所述的一种农业精细化种植及灾害预防控制系统,其特征在于,所述农药喷洒模块包括:
喷洒区域确定模块,用于当某区域虫害率大于预设虫害率阈值时,根据预设的该害虫种类对应的扩散速度,确定以预设的救援生效时间和所述扩散速度的乘积作为半径范围,以该区域的几何中心为圆心的圆形区域为农药喷洒区域;
农药类型确定模块,用于根据害虫种类选择对应的农药类型;
农药喷洒覆盖度确定模块,用于根据预设的虫害率与农药喷洒覆盖程度的关系表格,基于某区域虫害率确定对该区域喷洒农药的覆盖程度。
7.根据权利要求1所述的一种农业精细化种植及灾害预防控制系统,其特征在于,还包括移动终端辅助模块;
所述移动终端辅助模块包括图像获取单元、交互信息获取单元、物体识别单元;
所述图像获取单元,用于获取用户基于安装在移动终端上的客户端的语音或文字的提示对需要识别的物品进行拍照的图像;
所述交互信息获取单元,用于接收用户输入的物品类型信息;
所述物体识别单元,用于根据用户输入的物品类型信息对预设的多种物体模板进行筛选,将用户拍照的图像与筛选出的物体模板进行匹配,从而对图像中的物体进行识别。
8.根据权利要求7所述的一种农业精细化种植及灾害预防控制系统,其特征在于,所述客户端上设置有机器人管理单元、历史记录查询单元、可视化分析单元、数据共享单元,其中,
所述机器人管理单元,用于派遣无人机或者地行机器人到达指定农作物区域拍摄图像信息;
所述历史记录查询单元,用于查询指定农作物区域在过去所种植农作物类型、所患害虫类型、土壤内害虫率、农药喷洒情况以及杀虫除病结果、农作物产量情况信息;
所述可视化分析单元,用于将所述历史记录查询单元的查询结果通过图表的方式进行可视化输出,或者将指定农作物区域未来的虫害率增长预测情况通过图表的方式进行可视化输出;
数据共享单元,用于将所述历史记录查询单元的查询结果通过互联网进行共享,并将农作物区域未来的虫害率增长预测情况通过互联网进行共享。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210217080.0A CN114723667A (zh) | 2022-03-07 | 2022-03-07 | 一种农业精细化种植及灾害预防控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210217080.0A CN114723667A (zh) | 2022-03-07 | 2022-03-07 | 一种农业精细化种植及灾害预防控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114723667A true CN114723667A (zh) | 2022-07-08 |
Family
ID=82238572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210217080.0A Pending CN114723667A (zh) | 2022-03-07 | 2022-03-07 | 一种农业精细化种植及灾害预防控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114723667A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115226698A (zh) * | 2022-09-13 | 2022-10-25 | 广东省农业科学院植物保护研究所 | 一种农作物种植用的智能施药机械手及控制方法 |
CN115511158A (zh) * | 2022-09-01 | 2022-12-23 | 珠海市现代农业发展中心(珠海市金湾区台湾农民创业园管理委员会、珠海市农渔业科研与推广中心) | 一种基于大数据的农作物智能选育分析方法及系统 |
CN116824200A (zh) * | 2022-11-24 | 2023-09-29 | 武汉很多鱼钓具有限公司 | 基于目标检测技术的林业害虫智能识别检测方法 |
-
2022
- 2022-03-07 CN CN202210217080.0A patent/CN114723667A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115511158A (zh) * | 2022-09-01 | 2022-12-23 | 珠海市现代农业发展中心(珠海市金湾区台湾农民创业园管理委员会、珠海市农渔业科研与推广中心) | 一种基于大数据的农作物智能选育分析方法及系统 |
CN115511158B (zh) * | 2022-09-01 | 2023-08-29 | 珠海市现代农业发展中心(珠海市金湾区台湾农民创业园管理委员会、珠海市农渔业科研与推广中心) | 一种基于大数据的农作物智能选育分析方法及系统 |
CN115226698A (zh) * | 2022-09-13 | 2022-10-25 | 广东省农业科学院植物保护研究所 | 一种农作物种植用的智能施药机械手及控制方法 |
CN115226698B (zh) * | 2022-09-13 | 2023-08-22 | 广东省农业科学院植物保护研究所 | 一种农作物种植用的智能施药机械手及控制方法 |
CN116824200A (zh) * | 2022-11-24 | 2023-09-29 | 武汉很多鱼钓具有限公司 | 基于目标检测技术的林业害虫智能识别检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Narvaez et al. | A survey of ranging and imaging techniques for precision agriculture phenotyping | |
US11074447B1 (en) | Land analysis system using drone-captured data | |
CN114723667A (zh) | 一种农业精细化种植及灾害预防控制系统 | |
EP3959978A1 (de) | Detektion von gliederfüssern | |
EP3522704B1 (de) | Identifizierung von nützlingen und/oder schadstoffen in einem feld für kulturpflanzen | |
Li et al. | Real-time UAV weed scout for selective weed control by adaptive robust control and machine learning algorithm | |
Selvi et al. | Weed detection in agricultural fields using deep learning process | |
EP3626077A1 (de) | Schädlingskontrolle | |
CN113297925A (zh) | 一种果蔬全链条质量智能预警方法及系统 | |
CN114818909A (zh) | 一种基于作物长势特征的杂草检测方法和装置 | |
Kurtser et al. | The use of dynamic sensing strategies to improve detection for a pepper harvesting robot | |
CN115526521A (zh) | 一种用于植物工厂的植物生长状态监控报警系统 | |
CN112116206A (zh) | 一种基于大数据的智慧农业系统 | |
EP3979214A1 (de) | Bekämpfung von schadorganismen | |
Bhusal et al. | Bird deterrence in a vineyard using an unmanned aerial system (uas) | |
Zhang et al. | Automatic counting of lettuce using an improved YOLOv5s with multiple lightweight strategies | |
CN116300608A (zh) | 一种基于大数据的智慧农业远程监控系统 | |
de Ocampo et al. | Integrated Weed Estimation and Pest Damage Detection in Solanum melongena Plantation via Aerial Vision-based Proximal Sensing. | |
Negrete | Artificial vision in Mexican agriculture, a new techlogy for increase food security | |
CN114445713A (zh) | 一种多设备联动植保系统及方法 | |
CN113342036A (zh) | 一种农作物的精准管控系统及其管控方法 | |
Lakshmi et al. | A Review on Developing Tech-Agriculture using Deep Learning Methods by Applying UAVs | |
Avtar et al. | Applications of UAVs in plantation health and area management in Malaysia | |
Thakur et al. | Importance of Artificial intelligence in agriculture | |
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 |