CN114743100B - 一种农产品长势监测方法和系统 - Google Patents
一种农产品长势监测方法和系统 Download PDFInfo
- Publication number
- CN114743100B CN114743100B CN202210353960.0A CN202210353960A CN114743100B CN 114743100 B CN114743100 B CN 114743100B CN 202210353960 A CN202210353960 A CN 202210353960A CN 114743100 B CN114743100 B CN 114743100B
- Authority
- CN
- China
- Prior art keywords
- growth
- information
- confidence
- agricultural product
- planting area
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本说明书实施例提供一种农产品长势监测方法,该方法包括:获取农产品的品种信息、种植区域信息和生长图像;以及基于品种信息、种植区域信息和生长图像,通过长势预测模型预测农产品的生长参数,其中,生长参数包括农产品的生长周期、株高、冠幅以及成花量中的一种或多种。
Description
技术领域
本说明书涉及农产品领域,特别涉及一种农产品长势监测方法和系统。
背景技术
在农业生产中,不同品种的农产品适应于不同区域的生长条件(如,土壤条件、气候条件等)。生长条件往往是农产品生长情况的主要影响因素,及时筛选排查生长情况不佳的农产品是保证农产品产量的关键。
因此,希望可以提供一种农产品长势监测方法,用于对生长情况不佳的农产品进行监测,有必要时还可以进行预警。
发明内容
本说明书一个或多个实施例提供一种农产品长势监测方法。所述方法包括:获取农产品的品种信息、种植区域信息和生长图像;以及基于所述品种信息、所述种植区域信息和所述生长图像,通过长势预测模型预测所述农产品的生长参数,其中,所述生长参数包括所述农产品的生长周期、株高、冠幅、成花量。
本说明书一个或多个实施例提供一种农产品长势监测系统,包括:获取模块,用于获取农产品的品种信息、种植区域信息和生长图像;预测模块,用于基于所述品种信息、所述种植区域信息和所述生长图像,通过长势预测模型预测所述农产品的生长参数,其中,所述生长参数包括所述农产品的生长周期、株高、冠幅、成花量。
本说明书一个或多个实施例提供一种农产品长势监测装置,包括处理器,所述处理器用于执行农产品长势监测方法。
本说明书一个或多个实施例提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行农产品长势监测方法。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的农产品长势监测系统的应用场景示意图;
图2是根据本说明书一些实施例所示的农产品长势监测系统的示例性模块图;
图3是根据本说明书一些实施例所示的农产品长势监测方法的示例性流程图;
图4是根据本说明书一些实施例所示的长势预测模型的示意图;
图5是根据本说明书一些实施例所示的确定生长参数的置信度的示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的一种农产品长势监测系统的应用场景示意图。
在一些实施例中,农产品长势监测系统的应用场景100可以包括处理器110、网络120、存储设备130、监测装置140、终端设备150和农产品160。应用场景100可以通过实施本说明书中披露的方法和/或过程对农产品进行相关信息采集(如,品种信息、种植区域信息、生长图像等),根据相关信息来确定农产品的生长参数,并基于生产参数给予反馈提醒,能够精准地识别农产品的长势情况,便于及时发现生长不佳的农产品。
处理器110可以用于处理来自应用场景100的至少一个组件或外部数据源(如,云数据中心)的数据和/或信息。处理器110可以经由网络120连接到存储设备130、监测装置140和/或终端设备150以访问和/或接收数据和信息。例如,处理器110可以经由网络120接收监测装置140对农产品160采集到的相关信息(如,品种信息、种植区域信息、生长图像等)。在另一些实施例中,处理器110可以经由网络120向终端设备150发送与农产品160的生产参数(如,生长周期、株高、冠幅、成花量等)。在一些实施例中,处理器110可以是单个处理器,也可以是处理器组。该服务器组可以是集中式或分布式的(例如,处理器110可以是分布式系统),可以是专用的也可以由其他设备或系统同时提供服务。在一些实施例中,处理器110可以本地连接到网络120或者与网络120远程连接。在一些实施例中,处理器110可以在云平台上实施。仅作为示例,所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。在一些实施例中,处理器110可以设置在包括但不限于农场控制室、农产品生产管理中心等场所。在一些实施例中,处理器110中安装有指挥及协调农产品生产工作人员进行各项工作内容的协作平台。其中,农产品生产工作人员可以包括农产品培育人员、农产品种植人员、农产品生产综合管理人员、农产品生产技术专家等人员。
网络120可以促进信息和/或数据的交换。在一些实施例中,应用场景100中的一个或以上组件(如,存储设备130、监测装置140、终端设备150)可以经由网络120将信息和/或数据发送到应用场景100中的另一个组件。网络120可以包括局域网(LAN)、广域网(WAN)、有线网络、无线网络等或其任意组合。在一些实施例中,网络120可以是有线网络或无线网络中的任意一种或多种。在一些实施例中,网络120可以包括一个或以上网络接入点。例如,网络120可以包括有线或无线网络接入点,例如基站和/或网络交换点,通过这些网络接入点,应用场景100的一个或多个组件可连接到网络120以交换数据和/或信息。
存储设备130可以用于储存数据和/或指令。数据可以包括与用户、终端设备150、监测装置140等有关的数据。在一些实施例中,存储设备130可以储存处理器110用来执行或使用以完成本说明书中描述的示例性方法的数据和/或指令。例如,存储设备130可以存储历史农产品相关信息。又例如,存储设备130可以存储一个或多个机器学习模型。在一些实施例中,存储设备130可以是处理器110的一部分。在一些实施例中,存储设备130可包括大容量存储器、可移动存储器、易失性读写内存、只读内存(ROM)等或其任意组合。在一些实施例中,存储设备130可在云平台上实现。在一些实施例中,存储设备130可以连接到网络120以与应用场景100的一个或以上组件(例如,处理器110、终端设备150、监测装置140)通信。
监测装置140是指用于获取农产品的相关信息(如,品种信息、种植区域信息、生长图像等)的装置。在一些实施例中,监测装置140可以由多种检测设备实现。例如,可以包括无人机140-1、土壤无人检测装置140-2。在一些实施例中,无人机140-1可以对农产品的生长图像进行采集。在一些实施例中,土壤无人检测装置140-2可以对区域的土壤信息进行采集。关于通过监测装置140获取农产品相关信息的更多描述可以参见图3及其相关描述,此处不再赘述。
终端设备150可以指用户所使用的一个或多个终端设备或软件。在一些实施例中,用户(如,农产品种植人员、农产品生产技术专家等)可以是终端设备150的所有者。在一些实施例中,终端设备150可以包括移动设备150-1、平板计算机150-2、膝上型计算机150-3、车载设备等或其任意组合。在一些实施例中,终端设备150可以包括信号发送器和信号接收器,被配置为与监测装置140通信以获取农产品的相关信息。在一些实施例中,终端设备150可以是固定的和/或移动的。例如,终端设备150可以直接安装在处理器110和/监测装置140上,成为处理器110和/或监测装置140的一部分。再例如,终端设备150可以是可移动的设备,农产品生产工作人员可以携带终端设备150位于相对于处理器110、监测装置140以及农产品160的距离较远的位置,终端设备150可以通过网络120与处理器110和/或监测装置140连接和/或通信。在一些实施例中,终端设备150可以接收用户请求,并经由网络120将与请求有关的信息发送到处理器110。例如,终端设备150可以接收用户要求发送农产品的相关信息和/或生长参数的请求,并经由如网络120将与请求有关的信息发送到处理器110。终端设备150还可以经由网络120从处理器110接收信息。例如,终端设备150可以从处理器110接收与监测装置140或与农产品160有关的相关信息。所确定的一个或以上相关信息可以显示在终端设备150上。又例如,处理器110可以将基于农产品的相关信息生成的生长参数(如,生长周期、株高、冠幅、成花量等)或提醒信息(如,生长参数不满足预设条件等)发送到终端设备150。
农产品160是指农业中生产的产品(如,萝卜、番茄、白菜、花生、玉米、小麦、鸡、牛奶、鸡蛋等)。在一些实施例中,农产品160的相关信息可以经由监测装置140采集并经由网络120以传送至处理器110和/或终端设备150。在一些实施例中,农产品160的相关信息可以包括品种信息、种植区域信息、生长图像等信息。在一些实施例中,农产品160的相关信息还可以包括动物品种信息、养殖区域信息、定位信息等信息。例如,农产品160可以由无人机140-1采集生长图像,生长图像经由网络120传送至处理器110。在一些实施例中,农产品160的相关信息(如,品种信息、种植区域信息、生长图像等)可以传送至处理器110,用于确定生长参数(如,生长周期、株高、冠幅、成花量等)和/或反馈提醒信息(如,番茄生长情况不佳等),并经由网络120传送给终端设备150。在一些实施例中,农产品160的生长参数还可以传送至处理器110,用于生成改进方案对农产品生产工作人员进行提示。
需要注意的是,以上对于农产品长势监测系统应用场景的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,对各个组成部分进行任意组合,或者构成子组成部分与其他组成部分连接。在一些实施例中,图1中披露的处理器和存储设备可以是一个组成部分中的不同单元,也可以是一个部分实现上述的两个或两个以上部分的功能。例如,各个组成部分可以共用一个存储单元,各组成部分也可以分别具有各自的存储单元。诸如此类的变形,均在本说明书的保护范围之内。
图2是根据本说明书一些实施例所示的一种农产品长势监测系统的模块图。
在一些实施例中,农产品长势监测系统200可以包括获取模块210和预测模块220。
获取模块210可以用于获取农产品的品种信息、种植区域信息和生长图像。在一些实施例中,种植区域信息包括种植区域的土壤信息和气候信息。关于品种信息、种植区域信息和生长图像的更多内容参见图3及其相关描述,此处不再赘述。
预测模块220可以用于基于所述品种信息、所述种植区域信息和所述生长图像,通过长势预测模型预测所述农产品的生长参数,其中,所述生长参数包括所述农产品的生长周期、株高、冠幅以及成花量中的一种或多种。关于长势预测模型、生长周期、株高、冠幅以及成花量的更多内容参见图3及其相关描述,此处不再赘述。
在一些实施例中,农产品长势监测系统200还可以包括确定模块230和预警模块240。
确定模块230可以用于确定所述生长参数的置信度。关于置信度的更多内容参见图5及其相关描述,此处不再赘述。
预警模块240可以用于当所述生长参数不满足预设条件时,向目标终端发送预警提醒。关于预设条件、预警提醒的更多内容参见图5及其相关描述,此处不再赘述。
在一些实施例中,农产品长势监测系统200还可以包括传输模块(图中未示出),传输模块可以用于将农产品的相关信息和/或生长参数不满足预设条件的信息传输至农产品生产管理控制中心或相应的终端设备。传输方式可以为有线传输,例如,通过明线、电缆和光缆传输,传输方式也可以为无线传输,例如,通过微波、卫星、散射、超短波、短波、Wi-Fi、蓝牙、和红外线等传输。
需要注意的是,以上对于农产品长势监测系统及其模块的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子系统与其他模块连接。在一些实施例中,图1中披露的获取模块210、预测模块220、确定模块230和预警模块240可以是一个系统中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。例如,各个模块可以共用一个存储模块,各个模块也可以分别具有各自的存储模块。诸如此类的变形,均在本说明书的保护范围之内。
图3是根据本说明书一些实施例所示的农产品长势监测方法的示意图。在一些实施例中,流程300可以由处理器110执行。如图3所示,流程300可以包括以下步骤:
步骤310,获取农产品的品种信息、种植区域信息和生长图像。在一些实施例中,步骤310可以通过获取模块210执行。
农产品的品种信息是指农业上栽培的植物的种类信息。在一些实施例中,品种信息可以包括但不限于农产品的植物类型、基本生长参数、生长习性等。植物类型可以指依据不同标准分类的植物具体类别。例如,农产品的植物类别可以包括大豆,土豆,番茄等。植物类型还可以包括各作物的更具体种类信息。例如,大豆的品种信息有黄豆、青豆、红豆、黑豆等;再例如,薯类的品种信息有红薯、马铃薯、紫薯等;再例如,小麦的品种信息有冬小麦、春小麦等;再例如,玉米的品种可以为先玉335等。基本生长参数是指可以反映农产品在生长过程中的基本数据,可以包括在农产品的不同时期,其茎、叶、花或果实等数据。例如,基本生长参数可以某冬小麦在播种期、出苗期、分蘖期、越冬期、返青期、起身期、拔节期、孕穗期、抽穗期、开花期、灌浆期、成熟期时的叶片的数量、植株的高度,花朵的数量及大小等。生长习性是指农产品与环境长期相互作用下所形成的固有适应属性,可以包括喜温耐旱、喜光、喜高温多雨、好肥怕涝、病虫害等。例如,小麦喜温耐旱。在一些实施例中,可以通过多种方式获取农产品的品种信息。例如,可以通过用户终端输入农产品的品种信息。在例如,还可以通过无人机采集农产品的图像,并对该图像进行图像识别从而获取农产品的品种信息。
种植区域信息是指农产品的种植区域的相关信息。种植区域可以指农产品种植的区域。例如,某片冬小麦种植的区域。种植区域的可以根据农产品的预设种植面积确定。种植区域的位置及其大小可以根据用户预设的农产品的种植位置及种植面积确定。
在一些实施例中,种植区域信息可以包括种植区域的土壤信息和气候信息。
土壤信息是指种植区域的土壤的相关信息。土壤信息可以包括但不限于土壤类型、土壤质地、土壤厚度、土壤含水量、土壤中各元素含量信息等。例如,土壤信息可以包括该区域的土壤类型可以是砖红壤、土体深厚约为5m、质地偏沙、含水量为38%,锰含量平均为271.54μg/g、锌含量平均为52.65μg/g、铜含量平均为31.78μg/g、镍含量平均为15.81μg/g。
在一些实施例中,可以通过监测装置对农产品种植区域的土壤信息进行采集。例如,可以通过监测装置定期对农产品的种植区域的土壤进行检测,以获取该土壤的土壤信息。其中,监测装置指可以对土壤监测的装置。例如,监测装置可以包括土壤含量检测装置等。在一些实施例中,监测装置可以包括土壤无人检测装置。土壤无人检测装置可以对农产品种植区域的土壤进行检测,以获取该区域的土壤信息。土壤无人检测装置可以定期(例如,2次/月)对农产品种植区域的土壤进行检测,以获取该区域的土壤信息。
在一些实施例中,当该种植区域的农产品的生长参数不满足预设条件时,可以调整土壤无人检测装置检测频率和/或检测区域。例如,当该种植区域的农产品的生长参数不满足预设条件时,可以将土壤无人检测装置的检测频率从2次/月调整为4次/月。再例如,当该种植区域的农产品的生长参数不满足预设条件时,可以将土壤无人检测装置的检测区域从种植区域调整为将种植区域边缘外扩50cm成为的新边缘所表示的区域。关于种植区域的农产品的生长参数不满足预设条件的更多内容参见图5及其相关描述,此处不再赘述。
在一些实施例中,还可以根据农产品的品种信息,设置对应的检测频率和检测项目。例如,当农作物好肥怕涝时,可重点检测土壤水分和土壤养分。再例如,当农作物适合碱性土壤,可点检测土壤酸碱度。
气候信息可以指农产品的种植区域的气候状况的信息。气候信息可以包括但不限于种植区域的温度、湿度、风速、降雨、气压等信息。
在一些实施例中,可以通过互联网、广播、电视等方式获取气候信息。在一些实施例中,可以通过第三方平台获取气候信息。其中,第三方平台可以包括气象网站、农业气象情报网等。气候信息可以定期获取,也可以基于农产品的品种信息设置不同气候信息的获取周期和内容。
生长图像是指农产品当前生长的图像信息。农产品的生长图像可以包括农产品营养结构图像、繁殖结构图像。营养结构图像可以是根、茎、叶等图像,繁殖结构图像可以是花、果实、种子等图像。
在一些实施例中,可以通过多种方式采集农产品的生长图像。例如,可以基于监控摄像头定期对农产品进行拍摄,从而获取农产品的生长图像。在一些实施例中,可以基于无人机拍摄农产品的生长图片。无人机是指利用无线电遥控设备和自备的程序控制装置操纵的不载人飞机,可以由人工或者计算机完全地或间歇地自主地操作。
步骤320,基于品种信息、种植区域信息和生长图像,通过长势预测模型预测农产品的生长参数,其中,生长参数包括农产品的生长周期、株高、冠幅以及成花量中的一种或多种。在一些实施例中,步骤320可以通过预测模块220执行。
生长参数是指可以反映农产品生长变化的数据。在一些实施例中,生长参数可以包括农产品的生长周期、株高、冠幅以及成花量中的一种或多种。生长周期是指农产品从播种到收获所需的时间。例如,玉米的生长周期一般为95-130天。株高是指农产品根颈部到顶部之间的距离。例如,甘蔗的株高一般可以达到3米。冠幅是指农产品的各方向宽度值。例如,花石榴的冠幅为100厘米。成花量是指农产品的幼芽转变成花的数量。例如,荔枝的成花量一般可以达到90%。在一些实施例中,生长参数还可以包括其他农产品的相关参数信息。例如,生长参数还可以包括穗位。
在一些实施例中,可以将农产品的品种信息、种植区域信息和生长图像输入长势预测模型,输出为该农产品的生长参数。例如,输入为土豆的品种信息、种植区域信息和生长图像,输出为预测的该土豆的生长周期为70天,株高为90厘米,成花量为60%。
在一些实施例中,长势预测模型可以是深度神经网络模型。可以将农产品的品种信息、种植区域信息和生长图像输入长势预测模型,输出为该农产品的生长参数。例如,输入为土豆的品种信息、种植区域信息和生长图像,输出为预测的该土豆的生长周期为70天,株高为90厘米,成花量为60%。在一些实施例中,长势预测模型可以基于历史种植数据进行训练。训练样本可以包括农产品的品种信息、种植区域信息和历史生长图像,训练样本的标签可以为该农产品的生长参数。训练样本及其标签均可以基于历史种植数据直接获取。将带有标识的训练样本输入初始长势预测模型,通过训练更新初始长势预测模型的参数,当训练的模型满足预设条件时,训练结束,获取训练好的长势预测模型。
如图4所示,长势预测模型440还可以包括依次连接的特征提取层440-1与长势预测层440-2。可以将生长图像410输入到特征提取层440-1中,输出为图像特征441,再将图像特征441、种植区域信息420与品种信息430输入到长势预测层440-2中,输出为生长参数450。其中,特征提取层440-1可以为卷积神经网络模型,长势预测层440-2可以为深度神经网络模型。图像特征包括生长图像的颜色特征、形状特征、关系特征等。颜色特征是指农作物的表面性质特征。例如,辣椒的颜色特征是红色、黄色、绿色等;形状特征农作物的外边界特征。例如,水稻的形状特征是穗部,芹菜的形状特征是茎部等;空间关系特征是指农作物相对某一标准的关系特征。例如,韭菜叶子的数量、薯类根部的大小等。
在一些实施例中,可以对特征提取层与长势预测层进行联合训练。训练数据样本包括农产品的品种信息、种植区域信息和历史生长图像。训练样本的标签包括农产品的生长参数。将训练样本中的历史生长图像输入长势预测模型中的特征提取层,将特征提取层的输出以及训练样本中的农产品的品种信息、种植区域信息输入长势预测模型中的长势预测层,并基于将长势预测层的输出和标签构建损失函数,并基于损失函数同时迭代更新特征提取层与长势预测层的参数,直到预设条件被满足训练完成,得到训练好的特征提取层与长势预测层。
在一些实施例中,在对长势预测模型进行训练时,可以将生长参数的生长参数分成多段,基于农产品对应生长参数所处的范围构建标签。例如,可以将株高设置为(0-10,10-20,20-30,30-40,40-50,50-60,60-70,70-80,80-90,90-100),当某一农产品的株高为75cm时,则标签可以设置为(0,0,0,0,0,0,0,1,0,0)。
应当理解的是,对于在某一种植区域内同时进行种植、生长、施肥的相同品种信息的多株农产品,可以通过对其中一株或几株农产品的生长参数进行预测,从而确定该种植区域内所有农产品的生长参数。
在一些实施例中,还可以确定预测的生长参数的置信度。置信度可以表征预测的农产品的生长参数的可信程度。
在一些实施例中,长势预测模型的输出还可以包括第一置信度,可以将该第一置信度直接作为生长参数的置信度。如图4所示,长势预测模型440的输出还可以包括第一置信度460。在一些实施例中,长势预测模型的输出可以以向量表示,向量中的各元素的位置可以表征生长参数所对应的范围,各元素的值可以表征该生长参数处于对应范围的概率,可以将概率最大的生长参数对应的范围确定为最终的生长参数,将该最大的概率确定为第一置信度。例如,长势预测模型的输出可以为(0,0,0,0,0,0,0.15,0.8,0.05,0),向量中各元素对应表示为株高0-10cm,10-20cm,20-30cm,30-40cm,40-50cm,50-60cm,60-70cm,70-80cm,80-90cm,90-100cm。因此,可以预测该农产品的株高为70-80cm,对应的第一置信度为0.8。对应的,在对长势预测模型进行训练时,标签可以以向量表示。其中,标签可以基于历史种植数据进行人工标注获取,标签中向量的具体值可以基于统计获取。例如,对品种信息、种植区域信息和生长图像相近的100株农产品进行统计,确定各个生长参数对应的范围内的农产品的数量,从而确定出向量的具体值。
在一些情况下,因为输入长势预测模型的农产品生长图像和/或种植区域信息可能不准确,导致通过长势预测模型得到的第一置信度也不准确。因此,在一些实施例中,可以基于农产品生长图像和/或种植区域信息的第二置信度与长势预测模型输出的第一置信度综合判断,确定生长参数的置信度。关于上述实施例的更多内容参见图5及其相关描述,此处不再赘述。
在一些实施例中,可以基于长势预测模型每次的输出,对该长势预测模型进行增强训练。在进行增强训练时,可以基于第二置信度调整长势预测模型训练的损失函数。在一些实施例中,可以将第二置信度转化为影响因子加入损失函数中。关于第二置信度的更多内容参见图5及其相关描述,此处不再赘述。
损失函数是指可以表示随机事件的风险或损失的函数,包括感知损失函数、交叉熵损失函数、均方差损失函数等。以均方差损失函数为例,均方差损失函数可以计算预测值和真实值之间的欧式距离。预测值和真实值越接近,两者的均方差就越小。影响因子是指农产品种植区域信息和生长图像下的对应的参考影响概率。对一组训练数据,若取样的精度较低,则将损失值在总损失中的比重调小;若取样的精度较高,则将损失值在总损失中的比重调大。以均方差损失函数为例,如公式(1)所示,,可以在增强训练时,在均方差损失项前面加上影响因子:
本说明书的一些实施例通过农产品的品种信息、种植区域信息以及生长图像,可以通过机器学习模型对农产品的生长参数进行预测,从而掌握农产品的生长情况。同时,基于机器学习模型进行预测可以降低人工成本,提高预测效率。另外,还可以确定生长参数的置信度,从而对预测结果的准确性进行掌控。
在一些实施例中,可以对农产品的生长参数进行监控,判断其是否符合该农产品的预设条件。当对农产品的生长参数进行监控时,流程300还可以包括以下步骤:
步骤330,当生长参数不满足预设条件时,预警模块可以向目标终端发送预警提醒。在一些实施例中,步骤330,可以通过预警模块240执行。
预设条件是指预先设置的判断农产品正常生长的生长参数需满足的条件。预设条件可以包括但不限于对农产品的生长周期、株高、冠幅、成花量中的一种或多种要求。例如,当番茄处于开花坐果期时,其预设条件为:株高需满足18~25cm、冠幅为0.8~1.5m、花瓣为4~7瓣、成花量为每个花序梗3~7朵。
在一些实施例中,预设条件可以由农产品的生产工作人员(如,农产品技术专家、农产品种植人员等)依赖自身过往经验来设定。在一些实施例中,预警模块可以将不同品种的农产品在不同生长时期对应的正常生长参数存储至存储设备和/或数据库。当需要获取某一农产品(如,番茄)的预设条件时,预警模块根据需求从存储设备和/或数据库中调取相应的预设条件。在一些实施例中,预设条件还可以通过预警模块访问互联网查询得到。
在一些实施例中,可以基于生长参数的置信度对预设条件进行调整。在一些实施例中,当生长参数的置信度高于阈值(如,90%、70%)时,预警模块可以将预设条件中的具体要求的指标调低。预警模块可以基于置信度高于阈值的比例,确定调整后的预设条件中的生长参数要求。以某冬小麦为例,预设条件的株高要求为70cm,置信度的阈值为90%,而实际置信度95.6%,高于阈值5.6%,则小麦株高的要求可以以等比例、或适当缩小比例的方式降低。仅作为示例地,等比例降低方式:即降低5.6%,降低后株高要求约为66cm;适当缩小比例的方式:以1/2比例降低,即降低2.8%,降低后株高要求约为68cm。
预警提醒是指提示用户生长参数可能不满足预设条件的提醒信息。在一些实施例中,预警提醒的内容可以包括但不限于当前天气信息(如,晴天,31℃;暴雨,20℃;小雪,-5℃等)、农产品当前所处的生长周期、生长参数不满足预设条件的原因(如,温度过低、土壤氮元素含量过低等)、以及对应的生长参数具体异常情况(如,株高不够、不开花、果实直径小、叶片发黄等)和异常情况的可能性描述(如,较大可能、有可能等)。其中,异常情况的可能性描述可以由生长参数的置信度确定。例如,置信度大于80%对应于“较大可能”,置信度位于50%~80%的区间对应“有可能”,置信度小于50%对应于“也许”。仅作为示例地,,预警提醒内容可以为:“当前气温为18℃、晴,苹果树处于开花期,由于土壤中磷、钾元素含量过低,苹果树有较大可能不开花”。
在一些实施例中,预警提醒可以是包括但不限于短信、文本推送、图像、视频、语音、广播等一种或多种形式的组合。
当生长参数不满足预设条件时,预警模块可以向目标终端(如,负责该农产品生产的工作人员的移动电话、农产品生产管理中心的控制台等)发送预警提醒以提示用户(如,农产品生产工作人员)农产品的预测涨势出现异常。在一些实施例中,当生长参数满足预设条件时,可以不向目标终端发送信息,也可以向目标终端的农产品的状态信息。例如,农产品的内容可以包括该农产品当前长势良好,预计20天内可以成熟。
本说明书的一些实施例所述的方法,通过对农产品的生长参数不满足预设条件进行提醒,有助于用户及时掌握农产品的生长异常情况,并对其进行处理和维护,以及方便后续排查同种类农产品的相关种植或生长条件是否异常,避免造成更大的损失。
图5是根据本说明书一些实施例所示的确定生长参数的置信度的流程图。在一些实施例中,流程500可以由确定模块230执行。如图5所示,流程500可以包括以下步骤:
步骤510,确定农产品生长图像和/或种植区域信息的第二置信度。
第二置信度是指农产品生长图像的置信度和/或种植区域信息的置信度。
农产品的生长图像的置信度可以通过多种方式确定。在一些实施例中,可以基于无人机拍摄时的天气信息确定生长图像的置信度。例如,基于无人机拍摄时有雾能见度很低,则置信度低;基于无人机拍摄时风大影响画面平衡,影响图片质量则置信度低。
在一些实施例中,可以基于生长图像的质量确定生长图像的置信度,确定农产品当前的生长图像的置信度。例如,生长图像的清晰度低,则置信度低。生长图像的清晰度评价方法可以包括Tenengrad梯度方法、Laplacian梯度方法、方差方法等。
种植区域信息的置信度可以通过多种方式确定。例如,可以基于监测装置的精确度确定。示例性地,监测装置的精确度为97%,对应的可以将种植区域信息的置信度确定为97%。
当第二置信度包括农产品生长图像的置信度或种植区域信息的置信度时,可以直接将农产品生长图像的置信度或种植区域信息的置信度作为第二置信度。当第二置信度包括农产品生长图像的置信度和种植区域信息的置信度时,可以将农产品生长图像的置信度和种植区域信息的置信度的平均值作为第二置信度。
步骤520,确定长势预测模型输出的第一置信度。
在一些实施例中,第一置信度可以通过长势预测模型获取。关于第一置信度的更多内容参见图4及其相关描述,此处不再赘述。
步骤530,基于第一置信度和第二置信度,确定生长参数的置信度。
在一些实施例中,可以融合第一置信度和第二置信度,确定生长参数的置信度。
在一些实施例中,第一置信度和第二置信度可以对应不同的权重。在一些实施例中,第一置信度的权重可以基于长势预测模型的精确度系数确定,第二置信度的权重可以基于第一置信度的权重确定。
精确度系数是指预测正确的生长参数在所有预测的生长参数中所占比例。在一些实施例中,精确度系数可以表示为:
其中,V为长势预测模型的精确度系数,VT为正确的生长参数例,VF为不正确的生长参数例。如公式(3)所示,可以将精确度系数直接确定为第一置信度的权重:
S1=V (3)
第二置信度的权重可以表示为:
S1=1-S2 (4)
融合后的生长参数的置信度可以表示为:
P=S2*P2+S1*P1 (5)
其中,P1为第一置信度,S1为第一置信度的权重,P2为第二置信度,S2为第二置信度的权重,P为生长参数的置信度。
在一些实施例中,可以基于生长参数的置信度,对农产品区域信息获取的频次和无人机拍摄精度进行调整。
在一些实施例中,当生长参数的置信度低于置信度阈值,可以增加土壤检测装置的检测的频率和无人机拍摄的生长图片的精度。其中,置信度阈值可以通过经验预先设定。
本说明书的一些实施例通过农产品的品种信息、种植区域信息和生长图像的整合,利用长势预测模型,对农产品生长参数进行预测,可以更加精准地识别农产品的长势情况。同时对长势预测模型进行增强训练,调整模型的损失函数,可以使长势预测模型的预测更加准确。通过确定生长参数置信度,结合置信度调整生长参数,可以对生长情况不佳的农产品进行监测,保证农产品的质量。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的处理器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (8)
1.一种农产品长势监测方法,其特征在于,包括:
获取农产品的品种信息、种植区域信息和生长图像;以及
基于所述品种信息、所述种植区域信息和所述生长图像,通过长势预测模型预测所述农产品的生长参数,其中,所述生长参数包括所述农产品的生长周期、株高、冠幅以及成花量中的一种或多种;所述方法还包括:
确定所述生长参数的置信度;其中,所述生长参数的置信度基于以下方式获取:
确定所述长势预测模型输出的第一置信度;
确定农产品生长图像和种植区域信息的第二置信度,所述第二置信度相关于采集所述生长图像时的天气信息、所述生长图像的质量、所述种植区域信息的检测装置的精度中的至少一种;
通过加权求和融合所述第一置信度和所述第二置信度,作为所述生长参数的置信度;所述加权求和的权重基于所述长势预测模型的精确度系数确定;所述精确度系数是指预测正确的所述生长参数在所有预测的所述生长参数中所占比例;
基于所述生长参数的置信度,调整土壤无人检测装置的检测频率和获取所述生长图像的无人机的拍摄精度;
所述方法还包括:
基于所述长势预测模型每次的输出,对所述长势预测模型进行增强训练;所述增强训练包括:基于所述第二置信度调整训练所述长势预测模型的损失函数。
2.如权利要求1所述的方法,其特征在于,所述种植区域信息包括所述农产品的种植区域的土壤信息和气候信息。
3.如权利要求1所述的方法,其特征在于,还包括:
当所述生长参数不满足预设条件时,向目标终端发送预警提醒。
4.一种农产品长势监测系统,其特征在于,包括:
获取模块,用于获取农产品的品种信息、种植区域信息和生长图像;
预测模块,用于基于所述品种信息、所述种植区域信息和所述生长图像,通过长势预测模型预测所述农产品的生长参数,其中,所述生长参数包括所述农产品的生长周期、株高、冠幅、成花量中的一种或多种;所述预测模块还用于:
确定所述生长参数的置信度;其中,所述生长参数的置信度基于以下方式获取:
确定所述长势预测模型输出的第一置信度;
确定农产品生长图像和种植区域信息的第二置信度,所述第二置信度相关于采集所述生长图像时的天气信息、所述生长图像的质量、所述种植区域信息的检测装置的精度中的至少一种;
通过加权求和融合所述第一置信度和所述第二置信度,作为所述生长参数的置信度;所述加权求和的权重基于所述长势预测模型的精确度系数确定;所述精确度系数是指预测正确的所述生长参数在所有预测的所述生长参数中所占比例;
基于所述生长参数的置信度,调整土壤无人检测装置的检测频率和获取所述生长图像的无人机的拍摄精度;
所述预测模块还用于:
基于所述长势预测模型每次的输出,对所述长势预测模型进行增强训练;所述增强训练包括:基于所述第二置信度调整训练所述长势预测模型的损失函数。
5.如权利要求4所述的系统,所述种植区域信息包括所述农产品的种植区域的土壤信息和气候信息。
6.如权利要求4所述的系统,所述系统还包括预警模块,所述预警模块用于:
当所述生长参数不满足预设条件时,向目标终端发送预警提醒。
7.一种农产品长势监测装置,包括处理器,所述处理器用于执行权利要求1~3中任一项所述的农产品长势监测方法。
8.一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如权利要求1~3任一项所述的农产品长势监测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210353960.0A CN114743100B (zh) | 2022-04-06 | 2022-04-06 | 一种农产品长势监测方法和系统 |
CN202310593591.7A CN116824362A (zh) | 2022-04-06 | 2022-04-06 | 一种农产品监控方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210353960.0A CN114743100B (zh) | 2022-04-06 | 2022-04-06 | 一种农产品长势监测方法和系统 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310593591.7A Division CN116824362A (zh) | 2022-04-06 | 2022-04-06 | 一种农产品监控方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114743100A CN114743100A (zh) | 2022-07-12 |
CN114743100B true CN114743100B (zh) | 2023-05-23 |
Family
ID=82279084
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310593591.7A Pending CN116824362A (zh) | 2022-04-06 | 2022-04-06 | 一种农产品监控方法和系统 |
CN202210353960.0A Active CN114743100B (zh) | 2022-04-06 | 2022-04-06 | 一种农产品长势监测方法和系统 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310593591.7A Pending CN116824362A (zh) | 2022-04-06 | 2022-04-06 | 一种农产品监控方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN116824362A (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115454181B (zh) * | 2022-10-08 | 2023-07-25 | 南通智大信息技术有限公司 | 一种基于物联网的农业大棚智能监控方法及系统 |
CN115671874B (zh) * | 2022-10-28 | 2023-10-13 | 苏州米果环保设备科技有限公司 | 一种多功能过滤材料的生产方法、系统、装置及存储介质 |
CN116228454A (zh) * | 2023-03-20 | 2023-06-06 | 广东七天牧草种养殖有限公司 | 一种基于大数据的种植管理控制方法、系统和可读存储介质 |
CN117114917B (zh) * | 2023-10-25 | 2024-01-26 | 中国铁塔股份有限公司吉林省分公司 | 应用于数字农业的ai预测处理方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109115776A (zh) * | 2018-08-27 | 2019-01-01 | 江苏大学 | 一种基于颜色和深度信息的穴盘苗长势无损监测方法和装置 |
JP6704148B1 (ja) * | 2019-03-08 | 2020-06-03 | Assest株式会社 | 農作物の収穫量予測プログラム及び農作物の品質予測プログラム |
CN113435282A (zh) * | 2021-06-18 | 2021-09-24 | 南京农业大学 | 基于深度学习的无人机影像麦穗识别方法 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11216758B2 (en) * | 2015-05-14 | 2022-01-04 | Board Of Trustees Of Michigan State University | Methods and systems for crop land evaluation and crop growth management |
CN107392104A (zh) * | 2017-06-23 | 2017-11-24 | 深圳市盛路物联通讯技术有限公司 | 一种基于物联网的农作物生长管理方法及系统 |
US20190050741A1 (en) * | 2017-08-10 | 2019-02-14 | Iteris, Inc. | Modeling and prediction of below-ground performance of agricultural biological products in precision agriculture |
CN108195416A (zh) * | 2017-11-26 | 2018-06-22 | 安徽省司尔特肥业股份有限公司 | 一种基于区域监测的农产品生长展示系统 |
CN108805198B (zh) * | 2018-06-08 | 2021-08-31 | Oppo广东移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和电子设备 |
CN109029588A (zh) * | 2018-09-11 | 2018-12-18 | 南京都宁大数据科技有限公司 | 一种基于气候影响的农作物长势预测方法 |
CN110197308B (zh) * | 2019-06-05 | 2020-06-26 | 黑龙江省七星农场 | 一种用于农业物联网的作物监测系统及方法 |
CN112070241A (zh) * | 2020-09-11 | 2020-12-11 | 腾讯科技(深圳)有限公司 | 基于机器学习模型的植物生长预测方法、装置和设备 |
CN112101316B (zh) * | 2020-11-17 | 2022-03-25 | 北京中科原动力科技有限公司 | 一种目标检测方法及系统 |
CN112329709A (zh) * | 2020-11-25 | 2021-02-05 | 中国农业大学 | 农产品智能品控系统、方法、计算机设备及存储介质 |
CN112800665A (zh) * | 2021-01-13 | 2021-05-14 | 电凯(常州)新能源技术研究院有限公司 | 一种基于人工智能的植物生长自反馈学习培育方法 |
CN113435728B (zh) * | 2021-06-22 | 2022-04-12 | 布瑞克农业大数据科技集团有限公司 | 一种农场虫害查杀方法和系统 |
CN115511194A (zh) * | 2021-06-29 | 2022-12-23 | 布瑞克农业大数据科技集团有限公司 | 一种农业数据处理方法、系统、装置及介质 |
CN113469746A (zh) * | 2021-07-09 | 2021-10-01 | 布瑞克农业大数据科技集团有限公司 | 一种农产品预测方法和系统 |
CN113469112B (zh) * | 2021-07-19 | 2022-06-21 | 三门峡市乡村振兴局 | 农作物生长状况图像识别方法及系统 |
CN113962474A (zh) * | 2021-11-01 | 2022-01-21 | 广州极飞科技股份有限公司 | 用于预测植物株高的方法及处理器 |
CN114239716A (zh) * | 2021-12-15 | 2022-03-25 | 平安科技(深圳)有限公司 | 基于农作物长势的双轴交互方法、装置、设备及介质 |
-
2022
- 2022-04-06 CN CN202310593591.7A patent/CN116824362A/zh active Pending
- 2022-04-06 CN CN202210353960.0A patent/CN114743100B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109115776A (zh) * | 2018-08-27 | 2019-01-01 | 江苏大学 | 一种基于颜色和深度信息的穴盘苗长势无损监测方法和装置 |
JP6704148B1 (ja) * | 2019-03-08 | 2020-06-03 | Assest株式会社 | 農作物の収穫量予測プログラム及び農作物の品質予測プログラム |
CN113435282A (zh) * | 2021-06-18 | 2021-09-24 | 南京农业大学 | 基于深度学习的无人机影像麦穗识别方法 |
Non-Patent Citations (4)
Title |
---|
Corn yield prediction and uncertainty analysis based on remotely sensed variables using a Bayesian neural network approach;Yuchi Ma等;《Remote Sensing of Environment》;第259卷;1-15 * |
Selection of Independent Variables for Crop Yield Prediction Using Artificial Neural Network Models with Remote Sensing Data;Patryk Hara;《MDPI》;第10卷(第6期);1-21 * |
基于RGB图像与深度学习的冬小麦田间长势参数估算系统;李云霞等;《农业工程学报》;第37卷(第24期);189-198 * |
基于深度学习的新疆棉田遥感识别与产量预测研究;李皓露;《中国优秀硕士学位论文全文数据库 农业科技辑》;第2022年卷(第1期);D043-47 * |
Also Published As
Publication number | Publication date |
---|---|
CN114743100A (zh) | 2022-07-12 |
CN116824362A (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114743100B (zh) | 一种农产品长势监测方法和系统 | |
US10028426B2 (en) | Agronomic systems, methods and apparatuses | |
CA2917515C (en) | Precision agriculture system | |
US20170270446A1 (en) | Agronomic systems, methods and apparatuses for determining yield limits | |
CN111008733B (zh) | 一种作物生长管控方法和系统 | |
US20170042081A1 (en) | Systems, methods and apparatuses associated with soil sampling | |
US20140067745A1 (en) | Targeted agricultural recommendation system | |
US11686880B2 (en) | Generating and conveying comprehensive weather insights at fields for optimal agricultural decision making | |
CN106406403A (zh) | 一种基于增强现实的农业管控系统 | |
WO2016040662A1 (en) | Methods and systems for managing crop harvesting activities | |
CN115204689B (zh) | 一种基于图像处理的智慧农业管理系统 | |
CN114331753B (zh) | 农事智能化的方法、装置及控制设备 | |
CN113273449A (zh) | 用于日光温室精准监测的数字孪生体构造方法 | |
CN112070297A (zh) | 农事活动的天气指标预测方法、装置、设备及存储介质 | |
CN113226009A (zh) | 针对大豆的预测性的种子脚本处理 | |
CN111095314A (zh) | 作物植物种植的产量估计 | |
CN110309969A (zh) | 基于物联网和遥感反演的冬小麦晚霜冻害监测及产量预测方法 | |
JP2021073860A (ja) | 農作物生育推定装置、農作物生育推定システム、農作物生育推定方法、及びプログラム | |
CN115205695A (zh) | 一种根据种植数据确定种植策略的方法和系统 | |
CN107491724B (zh) | 一种冬小麦穗分化期识别方法及装置 | |
CN111223003A (zh) | 一种面向产区的种植决策服务系统与方法 | |
CN106465635A (zh) | 基于土壤的农业互联生产方法 | |
KR102132324B1 (ko) | 농장 운영정보 제공 시스템 | |
CN114723118A (zh) | 一种基于物联网的虫害预警系统 | |
CN113342036A (zh) | 一种农作物的精准管控系统及其管控方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |