CN114819568A - 一种基于机器学习确定农场虫害查杀方案的方法和系统 - Google Patents
一种基于机器学习确定农场虫害查杀方案的方法和系统 Download PDFInfo
- Publication number
- CN114819568A CN114819568A CN202210393598.XA CN202210393598A CN114819568A CN 114819568 A CN114819568 A CN 114819568A CN 202210393598 A CN202210393598 A CN 202210393598A CN 114819568 A CN114819568 A CN 114819568A
- Authority
- CN
- China
- Prior art keywords
- killing
- farm
- determining
- pest
- combination
- 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.)
- Granted
Links
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 172
- 230000002147 killing effect Effects 0.000 title claims abstract description 162
- 238000000034 method Methods 0.000 title claims abstract description 59
- 241000238631 Hexapoda Species 0.000 title claims abstract description 54
- 238000010801 machine learning Methods 0.000 title claims abstract description 21
- 239000002689 soil Substances 0.000 claims abstract description 63
- 238000005070 sampling Methods 0.000 claims abstract description 61
- 230000007613 environmental effect Effects 0.000 claims abstract description 35
- 238000007619 statistical method Methods 0.000 claims abstract description 5
- 230000008859 change Effects 0.000 claims description 34
- 238000012806 monitoring device Methods 0.000 claims description 31
- 238000011156 evaluation Methods 0.000 claims description 27
- 238000003860 storage Methods 0.000 claims description 26
- 230000015654 memory Effects 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 18
- 238000013210 evaluation model Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 description 27
- 230000000694 effects Effects 0.000 description 22
- 230000004927 fusion Effects 0.000 description 21
- 238000012544 monitoring process Methods 0.000 description 15
- 235000013311 vegetables Nutrition 0.000 description 15
- 240000007594 Oryza sativa Species 0.000 description 13
- 235000007164 Oryza sativa Nutrition 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 235000009566 rice Nutrition 0.000 description 13
- 241000209140 Triticum Species 0.000 description 11
- 235000021307 Triticum Nutrition 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000012986 modification Methods 0.000 description 9
- 230000004048 modification Effects 0.000 description 9
- 230000000361 pesticidal effect Effects 0.000 description 9
- 241000196324 Embryophyta Species 0.000 description 8
- 241001477931 Mythimna unipuncta Species 0.000 description 8
- 239000003814 drug Substances 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 239000007921 spray Substances 0.000 description 8
- 239000004495 emulsifiable concentrate Substances 0.000 description 7
- 239000003595 mist Substances 0.000 description 7
- 241001124076 Aphididae Species 0.000 description 6
- 241000239290 Araneae Species 0.000 description 6
- 239000003795 chemical substances by application Substances 0.000 description 6
- 229940079593 drug Drugs 0.000 description 6
- 235000013399 edible fruits Nutrition 0.000 description 6
- 239000000575 pesticide Substances 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 241000488583 Panonychus ulmi Species 0.000 description 5
- 241001161749 Stenchaetothrips biformis Species 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000012216 screening Methods 0.000 description 5
- 238000005507 spraying Methods 0.000 description 5
- 241001498622 Cixius wagneri Species 0.000 description 4
- 241001466042 Fulgoromorpha Species 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 230000003285 pharmacodynamic effect Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 241000254127 Bemisia tabaci Species 0.000 description 3
- 241000008892 Cnaphalocrocis patnalis Species 0.000 description 3
- 239000005947 Dimethoate Substances 0.000 description 3
- 241000255969 Pieris brassicae Species 0.000 description 3
- 241000500437 Plutella xylostella Species 0.000 description 3
- 241000256247 Spodoptera exigua Species 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- OEBRKCOSUFCWJD-UHFFFAOYSA-N dichlorvos Chemical compound COP(=O)(OC)OC=C(Cl)Cl OEBRKCOSUFCWJD-UHFFFAOYSA-N 0.000 description 3
- 229950001327 dichlorvos Drugs 0.000 description 3
- MCWXGJITAZMZEV-UHFFFAOYSA-N dimethoate Chemical compound CNC(=O)CSP(=S)(OC)OC MCWXGJITAZMZEV-UHFFFAOYSA-N 0.000 description 3
- 238000011478 gradient descent method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000009545 invasion Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- IBSREHMXUMOFBB-JFUDTMANSA-N 5u8924t11h Chemical compound O1[C@@H](C)[C@H](O)[C@@H](OC)C[C@@H]1O[C@@H]1[C@@H](OC)C[C@H](O[C@@H]2C(=C/C[C@@H]3C[C@@H](C[C@@]4(O3)C=C[C@H](C)[C@@H](C(C)C)O4)OC(=O)[C@@H]3C=C(C)[C@@H](O)[C@H]4OC\C([C@@]34O)=C/C=C/[C@@H]2C)/C)O[C@H]1C.C1=C[C@H](C)[C@@H]([C@@H](C)CC)O[C@]11O[C@H](C\C=C(C)\[C@@H](O[C@@H]2O[C@@H](C)[C@H](O[C@@H]3O[C@@H](C)[C@H](O)[C@@H](OC)C3)[C@@H](OC)C2)[C@@H](C)\C=C\C=C/2[C@]3([C@H](C(=O)O4)C=C(C)[C@@H](O)[C@H]3OC\2)O)C[C@H]4C1 IBSREHMXUMOFBB-JFUDTMANSA-N 0.000 description 2
- 239000005660 Abamectin Substances 0.000 description 2
- 235000002787 Coriandrum sativum Nutrition 0.000 description 2
- 244000018436 Coriandrum sativum Species 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 2
- 206010058314 Dysplasia Diseases 0.000 description 2
- 235000009827 Prunus armeniaca Nutrition 0.000 description 2
- 244000018633 Prunus armeniaca Species 0.000 description 2
- 241001290151 Prunus avium subsp. avium Species 0.000 description 2
- 241000220324 Pyrus Species 0.000 description 2
- 241000985245 Spodoptera litura Species 0.000 description 2
- 244000269722 Thea sinensis Species 0.000 description 2
- 241001414989 Thysanoptera Species 0.000 description 2
- 240000008042 Zea mays Species 0.000 description 2
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 2
- 229950008167 abamectin Drugs 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- JLQUFIHWVLZVTJ-UHFFFAOYSA-N carbosulfan Chemical compound CCCCN(CCCC)SN(C)C(=O)OC1=CC=CC2=C1OC(C)(C)C2 JLQUFIHWVLZVTJ-UHFFFAOYSA-N 0.000 description 2
- 235000019693 cherries Nutrition 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 235000005822 corn Nutrition 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010790 dilution Methods 0.000 description 2
- 239000012895 dilution Substances 0.000 description 2
- -1 etc. Substances 0.000 description 2
- 230000035558 fertility Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 244000144972 livestock Species 0.000 description 2
- 229960001952 metrifonate Drugs 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000002420 orchard Substances 0.000 description 2
- 235000021017 pears Nutrition 0.000 description 2
- 239000000447 pesticide residue Substances 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 238000003900 soil pollution Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- NFACJZMKEDPNKN-UHFFFAOYSA-N trichlorfon Chemical compound COP(=O)(OC)C(O)C(Cl)(Cl)Cl NFACJZMKEDPNKN-UHFFFAOYSA-N 0.000 description 2
- 241000934067 Acarus Species 0.000 description 1
- 235000005254 Allium ampeloprasum Nutrition 0.000 description 1
- 240000006108 Allium ampeloprasum Species 0.000 description 1
- 244000291564 Allium cepa Species 0.000 description 1
- 235000010167 Allium cepa var aggregatum Nutrition 0.000 description 1
- 240000002234 Allium sativum Species 0.000 description 1
- 241001127714 Amomum Species 0.000 description 1
- 244000061520 Angelica archangelica Species 0.000 description 1
- 241001600408 Aphis gossypii Species 0.000 description 1
- 240000007087 Apium graveolens Species 0.000 description 1
- 235000015849 Apium graveolens Dulce Group Nutrition 0.000 description 1
- 235000010591 Appio Nutrition 0.000 description 1
- 241000205585 Aquilegia canadensis Species 0.000 description 1
- 244000105624 Arachis hypogaea Species 0.000 description 1
- 240000006891 Artemisia vulgaris Species 0.000 description 1
- 241001061264 Astragalus Species 0.000 description 1
- 235000010110 Astragalus glycyphyllos Nutrition 0.000 description 1
- 235000016068 Berberis vulgaris Nutrition 0.000 description 1
- 241000335053 Beta vulgaris Species 0.000 description 1
- 241000283690 Bos taurus Species 0.000 description 1
- 241000219198 Brassica Species 0.000 description 1
- 235000003351 Brassica cretica Nutrition 0.000 description 1
- 240000007124 Brassica oleracea Species 0.000 description 1
- 235000003899 Brassica oleracea var acephala Nutrition 0.000 description 1
- 235000011301 Brassica oleracea var capitata Nutrition 0.000 description 1
- 235000001169 Brassica oleracea var oleracea Nutrition 0.000 description 1
- 235000003343 Brassica rupestris Nutrition 0.000 description 1
- 235000010520 Canavalia ensiformis Nutrition 0.000 description 1
- 235000010518 Canavalia gladiata Nutrition 0.000 description 1
- 244000025254 Cannabis sativa Species 0.000 description 1
- 235000012766 Cannabis sativa ssp. sativa var. sativa Nutrition 0.000 description 1
- 235000012765 Cannabis sativa ssp. sativa var. spontanea Nutrition 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 241000426497 Chilo suppressalis Species 0.000 description 1
- 241000233838 Commelina Species 0.000 description 1
- 241000219112 Cucumis Species 0.000 description 1
- 235000015510 Cucumis melo subsp melo Nutrition 0.000 description 1
- 235000009849 Cucumis sativus Nutrition 0.000 description 1
- 240000008067 Cucumis sativus Species 0.000 description 1
- 235000002767 Daucus carota Nutrition 0.000 description 1
- 244000000626 Daucus carota Species 0.000 description 1
- 241001517923 Douglasiidae Species 0.000 description 1
- 206010059866 Drug resistance Diseases 0.000 description 1
- 240000001723 Entada phaseoloides Species 0.000 description 1
- 240000009088 Fragaria x ananassa Species 0.000 description 1
- 241000219146 Gossypium Species 0.000 description 1
- 241000578422 Graphosoma lineatum Species 0.000 description 1
- 235000001287 Guettarda speciosa Nutrition 0.000 description 1
- 241000208818 Helianthus Species 0.000 description 1
- 235000003222 Helianthus annuus Nutrition 0.000 description 1
- 235000003230 Helianthus tuberosus Nutrition 0.000 description 1
- 240000008892 Helianthus tuberosus Species 0.000 description 1
- 241000255967 Helicoverpa zea Species 0.000 description 1
- 240000000950 Hippophae rhamnoides Species 0.000 description 1
- 235000003145 Hippophae rhamnoides Nutrition 0.000 description 1
- 240000005979 Hordeum vulgare Species 0.000 description 1
- 235000007340 Hordeum vulgare Nutrition 0.000 description 1
- 206010061217 Infestation Diseases 0.000 description 1
- 241000758791 Juglandaceae Species 0.000 description 1
- 235000003228 Lactuca sativa Nutrition 0.000 description 1
- 240000008415 Lactuca sativa Species 0.000 description 1
- 235000004431 Linum usitatissimum Nutrition 0.000 description 1
- 240000006240 Linum usitatissimum Species 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 244000070406 Malus silvestris Species 0.000 description 1
- 241000254099 Melolontha melolontha Species 0.000 description 1
- 235000006679 Mentha X verticillata Nutrition 0.000 description 1
- 235000002899 Mentha suaveolens Nutrition 0.000 description 1
- 235000001636 Mentha x rotundifolia Nutrition 0.000 description 1
- 241000409991 Mythimna separata Species 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 244000061176 Nicotiana tabacum Species 0.000 description 1
- 240000004371 Panax ginseng Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- 241000758706 Piperaceae Species 0.000 description 1
- 235000010401 Prunus avium Nutrition 0.000 description 1
- 241001631271 Prunus fasciculata Species 0.000 description 1
- 240000005809 Prunus persica Species 0.000 description 1
- 235000006040 Prunus persica var persica Nutrition 0.000 description 1
- 235000014441 Prunus serotina Nutrition 0.000 description 1
- 240000008296 Prunus serotina Species 0.000 description 1
- 244000088415 Raphanus sativus Species 0.000 description 1
- 235000006140 Raphanus sativus var sativus Nutrition 0.000 description 1
- 241000125167 Rhopalosiphum padi Species 0.000 description 1
- 241001249129 Scirpophaga incertulas Species 0.000 description 1
- 241000270295 Serpentes Species 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 235000002595 Solanum tuberosum Nutrition 0.000 description 1
- 244000061456 Solanum tuberosum Species 0.000 description 1
- 241000519995 Stachys sylvatica Species 0.000 description 1
- 240000001717 Vaccinium macrocarpon Species 0.000 description 1
- 235000010749 Vicia faba Nutrition 0.000 description 1
- 240000006677 Vicia faba Species 0.000 description 1
- 235000002098 Vicia faba var. major Nutrition 0.000 description 1
- 240000008866 Ziziphus nummularia Species 0.000 description 1
- 239000000642 acaricide Substances 0.000 description 1
- 238000005054 agglomeration Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 235000021016 apples Nutrition 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 235000006533 astragalus Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- QKSKPIVNLNLAAV-UHFFFAOYSA-N bis(2-chloroethyl) sulfide Chemical compound ClCCSCCCl QKSKPIVNLNLAAV-UHFFFAOYSA-N 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 235000009120 camo Nutrition 0.000 description 1
- 235000005607 chanvre indien Nutrition 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000012459 cleaning agent Substances 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 235000021019 cranberries Nutrition 0.000 description 1
- ZDXLFJGIPWQALB-UHFFFAOYSA-M disodium;oxido(oxo)borane;chlorate Chemical compound [Na+].[Na+].[O-]B=O.[O-]Cl(=O)=O ZDXLFJGIPWQALB-UHFFFAOYSA-M 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 235000013601 eggs Nutrition 0.000 description 1
- 239000000839 emulsion Substances 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 235000004611 garlic Nutrition 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 235000021384 green leafy vegetables Nutrition 0.000 description 1
- 230000009036 growth inhibition Effects 0.000 description 1
- 230000012447 hatching Effects 0.000 description 1
- 239000011487 hemp Substances 0.000 description 1
- 208000006278 hypochromic anemia Diseases 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000000749 insecticidal effect Effects 0.000 description 1
- 239000002917 insecticide Substances 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- RYZCLUQMCYZBJQ-UHFFFAOYSA-H lead(2+);dicarbonate;dihydroxide Chemical compound [OH-].[OH-].[Pb+2].[Pb+2].[Pb+2].[O-]C([O-])=O.[O-]C([O-])=O RYZCLUQMCYZBJQ-UHFFFAOYSA-H 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000010871 livestock manure Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 235000010460 mustard Nutrition 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 235000020232 peanut Nutrition 0.000 description 1
- ATROHALUCMTWTB-OWBHPGMISA-N phoxim Chemical compound CCOP(=S)(OCC)O\N=C(\C#N)C1=CC=CC=C1 ATROHALUCMTWTB-OWBHPGMISA-N 0.000 description 1
- 229950001664 phoxim Drugs 0.000 description 1
- 235000021018 plums Nutrition 0.000 description 1
- 235000012015 potatoes Nutrition 0.000 description 1
- ZYHMJXZULPZUED-UHFFFAOYSA-N propargite Chemical compound C1=CC(C(C)(C)C)=CC=C1OC1C(OS(=O)OCC#C)CCCC1 ZYHMJXZULPZUED-UHFFFAOYSA-N 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010902 straw Substances 0.000 description 1
- 235000021012 strawberries Nutrition 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 235000020234 walnut Nutrition 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Catching Or Destruction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供一种基于机器学习确定农场虫害查杀方案的方法。方法包括:对农场中每一个区域,采集区域中多个采样点对应的多组作物数据和多组环境数据;基于多个采样点分别对应的权重,对多组作物数据和多组环境数据进行统计分析,得到农场信息,权重与对应的采样点所在区域的采样点密度相关;基于农场信息确定虫害情况,其中,虫害情况包括多种虫害类型;确定多种虫害类型对应的多种查杀方案;基于多种查杀方案的多种组合方式确定多个组合方案;通过预测模型,确定多个组合方案中每个组合方案对应的作物长势影响评分、土壤优良情况影响评分中的至少一项评分,预测模型包括机器学习模型;根据至少一项评分,确定目标组合方案。
Description
分案说明
本申请是针对申请日为2021年06月22日、申请号为2021106944257、发明名称为“一种农场虫害查杀方法和系统”的中国申请提出的分案申请。
技术领域
本说明书涉及智慧农业领域,特别涉及一种基于机器学习确定农场虫害查杀方案的方法和系统。
背景技术
在现代化规模化的农场,虫害查杀行业正处于起步阶段。由于虫害查杀是否及时很大程度影响农场生态和作物生长,并且虫害情况复杂如可能会同时期出现多种虫害,需要及时预警虫害风险和针对农场情况精准地确定虫害查杀方案。
因此,亟需一种农场虫害查杀方法。
发明内容
本说明书实施例之一提供一种基于机器学习确定农场虫害查杀方案的方法。所述方法包括:对农场中至少一个区域中每一个区域,采集所述区域中多个采样点对应的多组作物数据和多组环境数据;基于所述多个采样点分别对应的权重,对所述多组作物数据和所述多组环境数据进行统计分析,得到农场信息,所述权重与对应的采样点所在区域的采样点密度相关;基于所述农场信息确定虫害情况,其中,所述虫害情况包括多种虫害类型;确定多种虫害类型对应的多种查杀方案;基于所述多种查杀方案的多种组合方式确定多个组合方案;通过预测模型,确定所述多个组合方案中每个组合方案对应的作物长势影响评分、土壤优良情况影响评分中的至少一项评分,所述预测模型包括机器学习模型;根据所述至少一项评分,确定目标组合方案。
本说明书实施例之一提供一种基于机器学习确定农场虫害查杀方案的系统,所述系统包括:获取模块,用于对农场中至少一个区域中每一个区域,采集所述区域中多个采样点对应的多组作物数据和多组环境数据;以及用于基于所述多个采样点分别对应的权重,对所述多组作物数据和所述多组环境数据进行统计分析,得到农场信息,所述权重与对应的采样点所在区域的采样点密度相关;判断模块,用于基于所述农场信息确定虫害情况,其中,所述虫害情况包括多种虫害类型;特征提取模块,用于确定多种虫害类型对应的多种查杀方案;组合模块,用于基于所述多种查杀方案的多种组合方式确定多个组合方案;评分模块,用于通过预测模型,确定所述多个组合方案中每个组合方案对应的作物长势影响评分、土壤优良情况影响评分中的至少一项评分,所述预测模型包括机器学习模型;确定模块,用于根据所述至少一项评分,确定目标组合方案。
一种基于机器学习确定农场虫害查杀方案的装置,所述装置包括至少一个处理器以及至少一个存储器;所述至少一个存储器用于存储计算机指令;所述至少一个处理器用于农场虫害查杀方法。
本说明书实施例之一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,计算机执行农场虫害查杀方法。
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场虫害查杀方法的示例性流程图;
图2是根据本说明书一些实施例所示的调整预测模型的模型参数方法的示例性流程图;
图3是根据本说明书一些实施例所示的农场虫害查杀系统的应用场景示意图;
图4是根据本说明书一些实施例所示的农场虫害查杀系统的模块图。
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。
本说明书实施例涉及一种农场虫害查杀方法和系统。该农场虫害查杀方法和系统可以应用于农田、花田、菜田、林地、梯田、湿地、草原、果园、茶园、苗圃、园林、绿化带等的虫害查杀。在一些实施例中,农场虫害查杀方法和系统可以应用于粮食作物(例如,水稻、玉米、豆类、薯类、青稞、蚕豆、小麦等)、油料作物(例如,油籽、蔓青、大芥、花生、胡麻、大麻、向日葵等)、蔬菜(例如,萝卜、白菜、芹菜、韭菜、蒜、葱、胡萝卜、菜瓜、莲花菜、菊芋、刀豆、芫荽、莴笋、黄花、辣椒、黄瓜、西红柿、香菜等)、果类(例如,梨、青梅、苹果、桃、杏、核桃、李子、樱桃、草莓、沙果、红枣等)、饲料作物(例如,玉米、绿肥、紫云英等)、药用作物(例如,人参、当归、金银花、薄荷、艾蒿等)和野生果类(例如,酸梨、野杏、毛桃、山枣、山樱桃、沙棘等)等的虫害查杀。通过农场虫害查杀方法和系统,可以实现:迅速准确的报告农场现场情况、及时对农场主给予预警、提供最优查杀方案、监控查杀过程等一种或多种有益效果。在一些实施例中,农场虫害查杀方法和系统可以应用于其他领域,例如,养殖、畜牧和环保等领域。农场虫害查杀方法和系统可以提供诸如土壤监测、水质监测、空气质量监测等服务。
图1是根据本说明书一些实施例所示的农场虫害查杀方法的示例性流程图。如图1所示,流程100包括下述步骤。在一些实施例中,流程100可以由处理器312执行。
步骤110,获取农场信息,所述农场信息包括作物信息和环境信息。
农场信息是与农场有关的信息。在一些实施例中,农场信息可以包括作物信息和环境信息。在一些实施例中,农场信息还可以包括农场遥感图像、施肥灌溉信息、历史虫害查杀信息、历史用药参数等。
作物信息是农场中种植的农作物的相关信息。在一些实施例中,作物信息可以包括农作物的种类、叶片情况、长势情况、生育期、种植面积、空间分布等。环境信息是农场环境的相关信息。在一些实施例中,环境信息可以包括土壤信息(例如,土壤类型如砖红壤、黄棕壤、灰褐土等,土壤质地如土壤中不同矿物颗粒的种类和组合状况,土层厚度,土壤中各元素含量等)、空气湿度信息、气候信息、栽培条件等。
在一些实施例中,可以通过监测装置监测、无人机巡查等方式采集作物相关数据、土壤相关数据、空气湿度相关数据。在一些实施例中,可以基于采集的数据直接或间接(例如对获取的图像进行图像识别、对数据进行分析处理等)地对数据进行分析处理,以获取作物信息和环境信息。其中,监测装置可以指具有监测功能的设备,例如监控摄像头、红外线探测器、土壤含量检测装置等。
在一些实施例中,监测装置可以留存所在采样点的监测数据,无人机可以通过扫描监测装置获取采样点的监测数据。
关于基于采样点、监测装置、无人机获取农场信息的更多内容可以参见图3及其相关描述。
在一些实施例中,还可以通过其他方式获取农场信息。例如,可以通过遥感影像获取农场信息。具体地,可以通过航空摄影、航空扫描、微波雷达等方式获取遥感影像,经过图像处理可以获得农场信息。
步骤120,基于所述农场信息确定虫害情况,其中,所述虫害情况包括多种虫害类型。
虫害情况是农场发生虫害的情况,可以包括害虫情况、害虫对农作物造成伤害的情况等。例如,虫害情况可以包括害虫为麦红蜘蛛以及叶片被咬食、叶片皱缩、叶面失绿、叶面霉斑、叶片掉落、根茎扭曲变形、根茎腐烂、作物发育不良等情况。
在一些实施例中,虫害情况可以包括多种虫害类型,虫害类型可以是对农作物造成伤害的害虫种类。例如,对于小麦,虫害类型可以包括地下害虫、麦蚜、麦红蜘蛛、吸浆虫、粘虫等。例如,对于水稻,虫害类型可以包括飞虱类、稻丛卷叶螟、二化螟、三化螟、稻蓟马等。又例如,对于棉花,虫害类型可以包括棉铃虫、棉蚜、棉育蝽、斜纹夜蛾、甜菜夜蛾等。再例如,对于蔬菜,虫害类型可以包括烟粉虱、蔬菜小菜蛾、蔬菜甜菜夜蛾、蔬菜蓟马、菜青虫、蔬菜蚜虫等。
在一些实施例中,可以基于农场信息如作物信息、环境信息、农场遥感图像、施肥灌溉信息、历史虫害查杀信息等农场信息确定虫害情况。在一些实施例中,可以通过作物信息、环境信息确定虫害情况。在一些实施例中,可以通过作物的种类、叶面情况、长势情况等确定虫害情况。例如,作物为水稻时,当采集到的水稻叶片包括出现花白斑、叶面枯黄、叶片扭曲、叶鞘不能伸展等情况时,可以确定虫害类型为稻蓟马。又例如,作物为蔬菜时,当采集到的蔬菜叶片出现白色小点、叶片不满银白色膜、叶脉叶柄发白呈半透明状、植株萎缩等情况时,可以确定虫害类型为烟粉虱。
在一些实施例中,可以基于农场信息,通过虫害确定模型,确定对应的多种虫害类型。
在一些实施例中,虫害确定模型可以是机器学习模型。在一些实施例中,机器学习模型可以包括但不限于神经网络模型(例如,CNN模型、DNN模型、RNN模型)、支持向量机模型、Lambdarank模型、GBDT+LR模型等。
在一些实施例中,可以将农场信息如作物信息、环境信息输入虫害确定模型,虫害确定模型可以确定对应的虫害类型。在一些实施例中,将农场信息如作物信息、环境信息输入虫害确定模型,虫害确定模型的可以确定对应的一种或多种虫害类型。例如,虫害确定模型可以通过输出多种虫害类型如烟粉虱、蔬菜小菜蛾、蔬菜甜菜夜蛾、蔬菜蓟马、菜青虫、蔬菜蚜虫分别对应的概率,并基于概率确定农场的虫害类型,如将大于阈值的概率对应的虫害类型确定为农场对应发生的虫害类型,或者将排名为TopN的概率对应的虫害类型确定为农场对应发生的虫害类型。
在一些实施例中,可以基于大量带有标识的训练样本训练初始虫害确定模型以迭代更新初始虫害确定模型的参数来得到虫害确定模型。在一些实施例中,将带有标识的训练样本输入初始虫害确定模型,通过训练迭代更新虫害初始确定模型的参数。在一些实施例中,训练样本可以为农场信息样本如包括作物信息样本、环境信息样本,样本标识可以包括作物信息、环境信息对应的一种或多种虫害类型。
在一些实施例中,可以基于训练样本,通过各种方法进行训练,迭代更新模型参数。例如,可以基于梯度下降法进行训练。
在一些实施例中,还可以根据历史虫害查杀信息、历史用药参数,确定该该田间对应的多种虫害类型。例如,稻飞虱的查杀方法是间隔7-10天,查杀2次,根据历史虫害查杀信息,当前日期之前3天进行了稻飞虱的第一次查杀,则当前的虫害类型至少包括稻飞虱。在一些实施例中,还可以利用监测装置监测到的害虫活动,确定虫害类型。例如,根据监测装置监测到翅膀扇动频率,确定虫害类型。
在一些实施例中,还可以根据其他方法基于农场信息确定对应的多种虫害类型,本申请在此不做限制。
步骤130,确定多种虫害类型对应的多种查杀方案,以及获取所述多种查杀方案对应的作物影响特征、土壤影响特征和药效特征中的至少一项特征。
查杀方案是针对不同虫害类型的防治手段。在一些实施例中,查杀方案可以包括农业防治、物理防治以及化学防治等,或其任意组合。
在一些实施例中,农业防治包括保持田间清洁、在前茬作物收获后或者果实采摘后或整枝修剪后,及时对田间的秸秆、枯枝、落叶、杂草、乱物等进行彻底清理。在一些实施例中,物理防治包括采用防虫网、杀虫灯等。例如,可以使用24目-30目的防虫网防止如小菜蛾、菜青虫、斜纹夜蛾、甜菜蛾以及蚜虫、潜叶蝇等害虫的侵入。在一些实施例中,化学防治包括使用药剂防治害虫。
在一些实施例中,可以通过农业防治和物理防治提前预防害虫的侵入。例如,保持田间清洁、在收耕后彻底清理枯枝、落叶、杂草、乱物等、在作物生长期间安装防虫网、杀虫灯防治害虫侵入。
在一些实施例中,在作物遭受虫害后,可以针对不同的虫害类型采用不同的化学防治手段,化学防治手段可以包括用药类型、各种药剂的配方及用量、各种药剂的组合配方及比例等。例如,针对危害小麦的蚜虫,可以在田间蚜虫始盛期(例如,百株蚜量500头左右)施用丁硫克百威,其施药量为6-8克/亩(例如,20%丁硫克百威乳油30-40ml/亩)。又例如,针对危害水稻的稻丛卷叶螟,可以在稻丛卷叶螟卵孵高峰期至1、2龄幼虫高峰期施用2%阿维菌素,其施药量为100毫升兑水15-30公斤,间隔15天再喷一次即可。
在一些实施例中,可以通过查表、将虫害类型输入训练得到的机器学习模型得到对应的查杀方案等方式确定多种虫害类型对应的多种查杀方案。
作物影响特征是指查杀方案对作物生长产生的影响的相关数据。在一些实施例中,作物影响特征可以包括查杀方案对叶片被咬食、叶片皱缩、叶面失绿、叶面霉斑、叶片掉落、根茎扭曲变形、根茎腐烂、作物发育不良等的影响情况,或其任意组合。
土壤影响特征是指查杀方案对土壤产生的影响的相关数据。在一些实施例中,土壤影响特征可以包括查杀方案对土壤的疏松度、pH值、肥力、盐浓度等的影响情况,或其任意组合。
药效特征是查杀方案中使用的药剂的特征。在一些实施例中,药效特征可以包括各种药剂的配方及用量、各种药剂的组合配方及比例对应的药杀害虫种类、杀死害虫的时间等特征。
在一些实施例中,可以通过特征提取模块430提取作物影响特征、土壤影响特征和药效特征中的至少一项特征。在一些实施例中,特征提取模块430包括用于特征提取的神经网络单元(下文简称特征提取单元)。
在一些实施例中,特征提取单元可以包括但不限于CNN、DNN、RNN或其任意组合。
在一些实施例中,特征提取单元的输入可以是查杀方案如各种药剂的配方及用量、各种药剂的组合配方及比例,输出可以是作物影响特征、土壤影响特征和药效特征中的至少一项特征。在一些实施例中,特征提取单元可以由训练样本训练得到。
在一些实施例中,可以基于大量带有标识的训练样本训练初始特征提取单元以迭代更新初始特征提取单元的参数来得到特征提取单元。具体的,将带有标识的训练样本输入初始特征提取单元,通过训练迭代更新初始特征提取单元的参数。在一些实施例中,训练样本可以包括查杀方案样本,训练标识可以包括查杀方案样本对应的作物影响特征、土壤影响特征以及药效特征的至少一项特征。
在一些实施例中,可以基于训练样本,通过各种方法进行训练,得到特征提取单元。例如,可以基于梯度下降法进行训练。
步骤140,基于所述多种查杀方案的多种组合方式确定多个组合方案。
组合方案是指多种查杀方案的组合得到的方案。在一些实施例中,不同的虫害类型可以对应不同的查杀方案,一种虫害类型也可以对应多种不同的查杀方案,不同的查杀方案可以进行组合从而在对农场进行虫害查杀时使用组合方案,以实现对多种虫害类型的查杀。例如,确定当前农场的虫害类型包括麦蜘蛛,麦蜘蛛的查杀方案为在田间施用40%乐果乳油,其施药量为50-60ml/亩,兑水50公斤均匀喷雾;当前农场的虫害类型还包括粘虫,粘虫的查杀方案为在田间粘虫3-4龄幼虫高峰期施用77.5%敌敌畏乳油,其施药量为50ml/亩,兑水50公斤均匀喷雾;当前农场的虫害类型还包括稻飞虱,稻飞虱的查杀方案为在田间施用25%捕飞SC,其施药量为20g/亩,兑水40-50公斤均匀喷雾;当前农场的虫害类型还包括稻蓟马,稻蓟马的查杀方案为在田间施用10%扫洁,其施药量为20-30g/亩,兑水30公斤均匀喷雾;为了同时能对农场的多种虫害进行查杀,可以对多种虫害类型对应的多种查杀方案进行组合,例如可以得到组合方案为(麦蜘蛛的查杀方案+粘虫的查杀方案)、(粘虫的查杀方案+稻飞虱的查杀方案)、(稻飞虱的查杀方案+稻蓟马的查杀方案)、(麦蜘蛛的查杀方案+稻飞虱的查杀方案+稻蓟马的查杀方案)等。
在一些实施例中,可以基于多种查杀方案的多种组合方式确定多个组合方案。
在一些实施例中,首先,可以确定多种查杀方案的多种组合。例如,红蜘蛛防治方案包括表1所示的6种(A1-A6),例如,蛴螬防治方案包括表2-3所示的4种(B1-B4)。
表1
红蜘蛛防治方案 | 用药配方 | 稀释倍数 | 方式 |
A1 | 1%灭虫灵(杀虫素) | 2500-3000 | 喷雾 |
A2 | 73%克螨特乳油 | 2000-3000 | 喷雾 |
A3 | 5%尼索朗乳油 | 1500-2500 | 喷雾 |
A4 | 20%螨克乳油 | 1000-2000 | 喷雾 |
A5 | 10%浏阳霉素乳油 | 2000-3000 | 喷雾 |
A6 | 7.5%农螨丹乳油 | 750-1000 | 喷雾 |
表2
蛴螬防治方案 | 用药配方 | 稀释倍数 | 方式 |
B1 | 90%晶体敌百虫 | 600 | 灌根 |
B2 | 40%辛硫磷 | 500 | 灌根 |
表3
如果某菜园同时出现红蜘蛛虫害和蛴螬虫害,则根据排列组合,可以得到A1B1、A2B1、A3B1、A4B1、A5B1、A6B1、A1B2、A2B2、A3B2、A4B2、A5B2、A6B2、A1B3、A2B3、A3B3、A4B3、A5B3、A6B3、A1B4、A2B4、A3B4、A4B4、A5B4、A6B4,24种组合。
其次,基于农场信息确定预设条件,将多种组合中满足预设条件的多个组合作为多个组合方案。预设条件是预设的用于筛选组合方案的条件。在一些实施例中,预设条件可以包括作物叶片面积指数与查杀方案组合方式的施药量的比值大于阈值(在一些实施例中,施药量多,叶片面积指数小,对作物伤害大)、施药不超量、叶片面积指数大于阈值、对作物伤害不大等,或其任意组合。在一些实施例中,预设条件可以基于农场信息确定。例如,基于农场中的叶片面积指数大小确定,若叶片面积指数大于阈值则叶片面积指数与查杀方案组合方式的施药量的比值对应的阈值较小,若叶片面积指数小于阈值则叶片面积指数与查杀方案组合方式的施药量的比值对应的阈值较大。其中,叶片面积指数为平均叶片表面积大小与单位面积的比值。
在一些实施例中,可以将满足预设条件的多种组合作为待选的多个组合方案。例如,经测算,包括B1的6个组合方式(例如,A1 B1、……A6B1)种作物叶片面积指数与施药量的比值均不大于阈值;而其余的18个组合方式(A1B2、……A6B2、A1B3、……A6B3、A1B4、……A6B4)的比值均大于阈值,满足预设条件,故将上述18个组合方式作为待选的多个组合方案。
通过预设条件筛选组合查杀方案,可以剔除副作用(例如,损伤作物、土壤污染等)较大的方案,并减少了计算量、提高了效率。
在一些实施例中,还可以根据其他方式确定组合方案,例如,考虑到抗药性和农药残留,将使用过多次的或最近使用过的查杀方案剔除,对此,本说明书不做限制。
在一些实施例中,可以在多种查杀方案组合中选择效果最好(如对农场的多种虫害查杀效果好同时对作物生长的负面影响如抑制生长、叶面烧伤等的影响小和对土壤的负面影响如增大土壤碱性、土壤结块等的影响小)的查杀方案组合即效果最好的组合方案,选择效果最好的组合方案也可以避免将所有查杀方案共同用于虫害查杀造成资源浪费,和不同查杀用药之间影响杀查效果的问题。
步骤150,基于每个所述组合方案包括的所述至少一项特征,得到对应的融合特征。
融合特征是将组合方案中每一种查杀方案对应的至少一项特征(如作物影响特征、土壤影响特征和药效特征中的至少一项特征)进行融合处理所得到的特征。融合特征既保持了组合方案细节特征,又可以提供组合方案的全局特征。
在一些实施例中,可以通过特征融合单元得到融合特征。具体地,特征融合单元可以是神经网络单元,将组合查杀方案对应的特征组合输入特征融合单元,可以得到融合后的特征。例如,特征融合单元可以是深度神经网络(DNN)。又例如,特征融合单元可以是两层的卷积神经网络单元,该结构可以较好地融合多组肥料需求特征,避免单层神经网络单元导致的欠拟合,以及多层神经网络单元导致的过拟合。在一些实施例中,可以通过拼接、叠加、加权融合等方式得到对应的融合特征。
步骤160,基于所述融合特征和所述农场信息,通过预测模型,得到所述多个组合方案对应的作物长势影响评分、土壤优良情况影响评分中的至少一项评分。
预测模型是用来预测组合方案作用和/或影响的模型。在一些实施例中,预测模型的输入是组合方案对应的融合特征和农场信息,预测模型的输出是组合方案对应的作物长势影响评分、土壤优良情况影响评分中的至少一项评分。
在一些实施例中,预测模型可以是机器学习模型。在一些实施例中,机器学习模型可以包括但不限于神经网络模型(例如,CNN模型、DNN模型、RNN模型)、支持向量机模型、Lambdarank模型、GBDT+LR模型等。
作物长势影响评分是评估查杀方案对作物生长情况影响的量。作物长势可以包括植株高度增速、叶面积增速、果实直径增速等。在一些实施例中,如果查杀方案对作物长势有正向的影响,例如,植株高度增速稳定或高于阈值,则作物长势影响评分为正值。反之,如果查杀方案对作物长势有负向的影响,则作物长势影响评分为负值。查杀方案对作物长势的正向影响越大,则作物长势影响评分越高;查杀方案对作物长势的负向影响越大(或正向影响越小),则作物长势影响评分越低。
土壤优良情况影响评分是评估查杀方案对土壤质量影响的量。土壤优良情况可以包括土壤的肥力、污染情况、生物活性等。在一些实施例中,如果查杀方案对土壤优良情况有正向的影响,例如,农药残留减少,则土壤优良情况影响评分为正值。反之,如果查杀方案对土壤优良情况有负向的影响,则土壤优良情况影响评分为负值。查杀方案对土壤优良情况的正向影响越大,则土壤优良情况影响评分越高;查杀方案对土壤优良情况的负向影响越大(或正向影响越小),则土壤优良情况影响评分越低。
在一些实施例中,可以通过预测模型获得在农场实施组合查杀方案的预测评分。具体地,将组合查杀方案的融合特征和农场信息输入预测模型,预测模型输出该组合查杀方案对应的作物长势影响评分、土壤优良情况影响评分中的至少一项评分。
在一些实施例中,可以基于大量带有标识的训练样本训练初始预测模型以迭代更新初始预测模型的参数来得到预测模型。在一些实施例中,训练样本可以包括组合方案样本,组合方案样本对应的融合特征、农场信息样本,样本标识可以包括组合方案样本和农场信息对应的作物长势影响评分、土壤优良情况影响评分中的至少一项评分。具体的,将带有标识的训练样本输入初始预测模型,通过训练迭代更新初始预测模型的参数。在一些实施例中,可以基于训练样本,通过各种方法进行训练,迭代更新初始预测模型的参数。例如,可以基于梯度下降法进行训练。在一些实施例中,可以设置损失函数辅助初始预测模型的训练,直至损失函数或预测模型收敛,其中,损失函数可以与作物影响特征、土壤影响特征、药效特征相关。
在预测模型的训练中采用与作物影响特征、土壤影响特征、药效特征相关的损失函数,有利于提高预测模型的准确度。
步骤170,根据所述至少一项评分,确定目标组合方案。
在一些实施例中,可以分别预测多个待选的组合方案中每个组合方案的至少一项评分,根据评分选择目标组合方案。例如,选择总分最高或加权总分最高的组合方案作为目标组合方案。又例如,选择平均分最高的组合方案作为目标组合方案。在一些实施例中,当有多个组合方案并列总分最高时,可以随机选择该多个组合方案中的一个或多个作为目标组合方案。
下面以某种植小麦的农场为例,说明确定目标组合方案的过程。基于该农场的农场信息,通过虫害确定模型,得到该农场正在遭受粘虫和麦蜘蛛2种虫害。通过查表可知粘虫防治方案包括表4所示的3种(C1-C3),麦蜘蛛防治方案包括表5所示的4种(D1-D4),进而得到查杀方案的多种组合方式(例如,C1D1、……C3D4)。
表4
粘虫防治方案 | 用药配方 | 方式 | 时机 |
C1 | 77.5%敌敌畏乳油 | 喷雾 | 3-4龄幼虫高峰期 |
C2 | 77.5%敌敌畏乳油 | 撒施 | 傍晚 |
C3 | 90%敌百虫晶体 | 喷雾 | 3龄幼虫高峰期 |
表5
通过特征提取单元提取每种组合方式(例如,C1D1、……C3D4)的作物影响特征、土壤影响特征和药效特征,进而得到每种组合方式的融合特征。将每种组合方式(例如,C1D1、……C3D4)的融合特征和该小麦农场的农场信息输入预测模型,得到每种组合方式的作物长势影响评分、土壤优良情况影响评分。将总评分最高的组合方式(例如,C1D3)作为目标组合方案。
应当注意的是,上述有关流程100的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程100进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。
图2是根据本说明书一些实施例所示的调整预测模型的模型参数方法的示例性流程图。
步骤210,基于所述多个采样点的所述多组作物数据和所述多组环境数据,得到采用所述目标组合方案进行查杀前后的农场信息变化值。
农场信息变化值是查杀后与查杀前农场信息(例如,作物长势、土壤情况、环境湿度、环境PH值等)的变化值或变化率。例如,查杀前后农场内作物的平均高度变化值、作物叶片完整度的变化值、PH值的变化值、湿度的变化值等。
农场信息变化值可以为正值、0或负值。正值表示变化向好、查杀有效、副作用可控等。0或负值表示变化向差、查杀无效、副作用较大等。例如,在作物的幼苗期和生长期,查杀后作物平均高度与查杀前的平均高度的变化值超过阈值,代表作物长势好,作物高度变化值可以为正值;反之,查杀前后作物平均高度变化没有超过阈值或变化在误差范围以内,代表作物长势不好,作物高度变化值可以为0。又例如,查杀前后农场内作物叶片完整度的变化值,查杀后作物叶片完整度升高、无变化或变化在误差范围以内,对应虫害消灭效果好,叶片完整度变化值可以为正值;反之,查杀后叶片完整度降低,对应虫害消灭效果不好,叶片完整度变化值可以为负值。再例如,查杀前后环境内PH值的变化值,再例如,查杀前后环境内湿度的变化值。查杀后,可能会存在改变环境PH值和湿度的情况,这可能导致查杀后的PH值和湿度不是作物生长的最佳PH值和湿度,当查杀后农场内环境PH值和湿度在最佳范围内时,环境PH变化值和湿度变化值可以为0,当查杀后农场内环境PH值和湿度超出最佳范围时,环境PH变化值和湿度变化值可以为负值。
在一些实施例中,可以基于采集的数据直接或间接地对数据进行分析处理,以获取农场信息变化值。
在一些实施例中,农场信息变化值可以通过比较农场中多个采样点获取的查杀前和查杀后的农场信息获得。例如,对比查杀前后的作物图像、土壤信息,获取农场信息变化值。
在一些实施例中,农场信息变化值可以通过其他方式获取,例如,通过无人机获取。具体的,无人机分别获取查杀前后的农场图像,通过对查杀前后的农场图像进行图像识别,统计出查杀前后农场作物的完整叶片与不完整叶片,根据统计结果,获取作物叶片完整度变化值。
又例如,通过感应器、检测仪器等获取。具体的,通过在作物附近设置红外线感应器,获取作物高度变化值;通过湿度感应器获取环境湿度变化值;通过PH自动检测仪获取环境PH值变化值。
关于获取农场信息的更多内容可以参见图3及其相关说明。
步骤220,基于所述农场信息变化值,通过评估模型,得到所述目标组合方案的评估结果;
评估模型是指评估查杀实际效果的模型。查杀实际效果包括:杀虫效果、作物长势效果、环境效果等。在一些实施例中,评估模型可以包括线性回归模型。在一些实施例中,评估模型可以包括其它模型,例如,机器学习模型。
在一些实施例中,评估模型的输入可以是采用目标组合方案进行实地查杀前后的农场信息变化值。在一些实施例中,评估模型的输出可以是该目标组合方案的评估分数,例如,评估分数可以是[-10,10]区间内的数值。评估分数是正数则查杀有效,评估分数越高则查杀实际效果越好。评估分数是0或负数则查杀无效甚至虫害比查杀前更严重。
在一些实施例中,可以基于大量带有标识的训练样本训练初始评估模型以迭代更新初始评估模型的参数来得到评估模型,实现所有查杀方案的评估。在一些实施例中,可以基于多种查杀方案或组合方案对应的农场信息变化值样本训练初始评估模型,样本标识可以为农场信息变化值样本对应的评估分数。在一些实施例中,可以基于某种查杀方案或组合方案对应的农场信息变化值样本训练初始评估模型,样本标识可以为农场信息变化值样本对应的评估分数,实现该查杀方案或组合方案的评估,即,对多种查杀方案或组合方案可以训练得到对应的多个评估模型,每个评估模型对应一种查杀方案或组合方案。
步骤230,基于所述评估结果,调整所述预测模型的模型参数。
在一些实施例中,可以基于评估结果,调整所述预测模型的模型参数。
在一些实施例中,预测模型的模型参数可以包括多个组合方案对应的多个评分权重。在一些实施例中,可以基于组合方案(如目标组合方案)的评估分数,调整该组合方案对应的评分权重。
评分权重是预测模型中用于表征组合方案重要性的参数。在一些实施例中,预测模型的输出是评分权重和预测评分的乘积,例如,某组合方案对应的评分权重A、该组合方案的预测评分为S,将该组合方案(如用药配方等方案信息/参数)输入预测模型,得到的输出是A*S。在一些实施例中,评分权重可以默认为1,可以调整为0.8、1.1等值。
在一些实施例中,可以基于组合方案的评估分数调整该组合方案对应的评分权重。例如,基于多次历史评估分数的平均值,调整目标组合方案对应的评分权重。具体地,平均值低则调低该组合方案对应的评分权重,平均值高则调高该组合方案对应的评分权重。
在一些实施例中,还可以通过其他方法,基于评估结果,调整所述预测模型的模型参数。例如,对于评估分数为负值的组合方案,预测模型直接对该组合方案输出负值。
基于反应实际查杀效果的评估分数,调整目标组合方案的权重,实现对预测评分的修正,可以使实际效果的查杀方案评分更高,有利于获得实际效果更好的查杀方案。
应当注意的是,上述有关流程200的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程200进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。
图3是根据本说明书一些实施例所示的农场虫害查杀系统的应用场景示意图。
如图3所示,农场虫害查杀系统300可以包括服务器310、处理器312、农场320、监测装置330、存储设备340、网络350、无人机360。
在一些实施例中,服务器310可以用于处理农场虫害查杀系统300相关的信息和/或数据,例如,确定查杀方案、评估查杀效果。在一些实施例中,服务器310可以是单个服务器,也可以是服务器组。服务器组可以是集中式的或分布式的(例如,服务器310可以是一分布式系统)。在一些实施例中,服务器310可以是本地的,也可以是远程的。例如,服务器310可以经由网络350访问存储在监测装置330、无人机360和/或存储设备340中的信息和/或数据。又例如,服务器310可以直接连接到监测装置330、无人机360和/或存储设备340以访问存储信息和/或数据。在一些实施例中,服务器310可以在云平台上实现,或者以虚拟方式提供。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,服务器310可以包括处理器312。处理器312可以处理与农场虫害查杀系统300有关的信息和/或数据,以执行本申请中描述的一个或以上功能。例如,处理器312可以获取农场信息,基于农场信息确定多种虫害类型。又例如,处理器312可以确定多种虫害类型对应的多种查杀方案,获取多种查杀方案对应的作物影响特征、土壤影响特征和药效特征。在一些实施例中,处理器312可以包括一个或以上处理引擎(例如,单芯片处理引擎或多芯片处理引擎)。仅作为示例,处理器312可以包括中央处理单元(CPU)、特定应用集成电路(ASIC)、特定应用指令集处理器(ASIP)、图形处理单元(GPU)、物理处理单元(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑设备(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等或其任意组合。
农场320是指种植农作物的场地。例如,稻田、麦田、蔬菜大棚、果园、茶园、烟草种植园等。在一些实施例中,农场320可以包括野生植物的天然生长地。在一些实施例中,农场320可以包括多功能农场,例如,螃蟹水稻田、采摘园等。
采样点是指采集样品的地点。在一些实施例中,可以在农场的至少一个区域中设置多个采样点。例如,随机设置、每亩设置一个、每间大棚两端各设置一个。在一些实施例中,可以按照预设规则在农场的至少一个区域中设置多个采样点。例如,采用对角线布点法、梅花形布点法、棋盘式布点法、蛇形布点法等方法设置采样点。
在一些实施例中,可以在每个采样点设置一个或多个监测装置330。
监测装置330是指监测农场和/或农场中的作物的装置。在一些实施例中,监测装置330可以包括传感器、摄像头、定位部件、存储部件等。其中,定位部件可以定位监测装置330的位置,在一些实施例中,监测装置330可以安装在农场固定的位置。例如,农场的西南角、第2陇第2棵植株。在一些实施例中,监测装置330可以安装在农场中作业的牲畜和/或机械上,例如,耕牛的耳朵上、农用拖拉机上。在一些实施例中,监测装置330可以设置在采样点。
在一些实施例中,可以根据农场信息和虫害情况确定监测装置230的安放密度(采样点所处区域的安放密度)。例如,虫害类型多,则安放密度大;农场中作物处于幼苗期、开花坐果期等生长关键时期,则安放密度大。在一些实施例中,安放密度a可以由下述公式确定:a=(1+虫害类型数量*0.5+b*0.5)*m,其中,生长时期为关键时期b=1,否则b=0,m为常规的安放密度经验值。
在一些实施例中,每一个监测装置具有唯一身份标识,监测装置上保存有与唯一身份标识和采样点位置对应的记录,记录的形式可以是二维码、条形码或NFC标签等。在一些实施例中,记录的内容包括:监测装置的唯一身份标识、采样点位置、采样时间、采样点环境数据、采样点作物数据等。
在一些实施例中,监测装置330可以监测采样点的环境数据。例如,空气温度、空气湿度、气压、紫外线强度、光照、太阳总辐射、风速、风向、风力、降雨量等天气和/或气象数据。又例如,土壤温度、土壤水分、土壤盐分(电导率)、土壤PH值等土壤数据。在一些实施例中,监测装置330可以监测采样点的作物数据。例如,作物图像、作物营养素数据、冠层覆盖数据等。
在一些实施例中,可以在多个采样点通过监测装置得到对应的多组作物数据和多组环境数据。在一些实施例中,可以通过无人机采集多个采样点的多组作物数据和所述多组环境数据,例如,通过无人机扫描多个采样点处的监测装置中保存的记录(例如,二维码等)。在一些实施例中,可以基于采样点对应的权重,对多组作物数据和多组环境数据进行统计分析,得到农场信息,该权重与采样点所在区域的采样点密度相关。例如,采样点密度越大,权重越小。
在一些实施例中,在采用目标组合方案进行虫害查杀的一段时间中,可以通过监测装置获取至少1个时间阶段的阶段性农场信息。在一些实施例中,可以基于目标组合方案的融合特征和阶段性农场信息,通过预测模型确定该目标组合方案的阶段性作物长势影响评分、阶段性土壤优良情况影响评分中的至少一项阶段性评分。在一些实施例中,可以基于当前阶段的至少一项阶段性评分,确定下一时间阶段的至少一个区域的采样点密度和/或调整至少一个区域的采样轨迹。例如,当前阶段的作物长势影响评分较低,则确定重点监测区域(作物生长情况不好的区域),增加在该区域的采样点密度。又例如,当前阶段的作物长势影响评分较低,则确定重点监测区域(作物生长情况不好的区域),将该区域内的其他采样点(初始采样轨迹未包括)加入采样轨迹。
分阶段评估虫害查杀效果,能够及时发现查杀周期内的问题,通过重点观测有问题的区域,能够及时纠偏,并且有利于提高查杀效率,保证查杀效果。
存储设备340可以用于存储与农场虫害查杀系统300相关的数据和/或指令。在一些实施例中,存储设备340可以存储从监测装置330和/或无人机360中获得/获取的数据。在一些实施例中,存储设备340可以储存服务器310用来执行或使用以完成本申请中描述的示例性方法的数据和/或指令。在一些实施例中,存储设备340可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取存储器(RAM)。示例性RAM可包括动态随机存取存储器(DRAM)、双倍数据速率同步动态随机存取存储器(DDRSDRAM)、静态随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器可以包括模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。在一些实施例中,存储设备340可在云平台上实现。仅作为示例,该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,存储设备340可以连接到网络350以与农场虫害查杀系统300的一个或以上组件(例如,服务器310、监测装置330、无人机360)通信。农场虫害查杀系统300的一个或以上组件可以经由网络350访问存储在存储设备340中的数据或指令。在一些实施例中,存储设备340可以直接连接到农场虫害查杀系统300的一个或以上组件(例如,服务器310、监测装置330、无人机360)或与之通信。在一些实施例中,存储设备340可以是服务器310的一部分。在一些实施例中,存储设备340可以是单独的存储器。
网络350可以促进信息和/或数据的交换。在一些实施例中,农场虫害查杀系统300的一个或以上组件(例如,服务器310、监测装置330、存储设备340、无人机360)可以经由网络350将信息和/或数据发送至农场虫害查杀系统300的其他组件。例如,无人机360可以经由网络350将农场信息发送到服务器310。在一些实施例中,网络350可以是有线网络或无线网络等或其任意组合。仅作为示例,网络350可以包括电缆网络、有线网络、光纤网络、电信网络、内部网络、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、城域网(MAN)、公共交换电话网络(PSTN)、蓝牙网络、紫蜂网络、近场通讯(NFC)网络、全球移动通讯系统(GSM)网络、码分多址(CDMA)网络、时分多址(TDMA)网络、通用分组无线服务(GPRS)网络、增强数据速率GSM演进(EDGE)网络、宽带码分多址接入(WCDMA)网络、高速下行分组接入(HSDPA)网络、长期演进(LTE)网络、用户数据报协议(UDP)网络、传输控制协议/互联网协议(TCP/IP)网络、短讯息服务(SMS)网络、无线应用协议(WAP)网络、超宽带(UWB)网络、红外线等或其任意组合。在一些实施例中,农场虫害查杀系统300可以包括一个或以上网络接入点。例如,基站和/或无线接入点350-1、350-2、…,农场虫害查杀系统300的一个或以上组件可以连接到网络350以交换数据和/或信息。
无人机360是指无人驾驶飞机,是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,或者由车载计算机完全地或间歇地自主地操作。在一些实施例中,无人机可以包括扫描部件、定位部件等。在一些实施例中,可以设置无人机的飞行参数,例如,高度、速度、视角、轨迹等。在一些实施例中,可以设置无人机的飞行方式,例如,对点、绕点、盘旋、多点、跟随等。例如,以预设距离跟随喷洒农药的飞机,实时获取农药喷洒情况。又例如,跟随灌溉设备、拖拉机等实时获取农场内的作业情况。
在一些实施例中,无人机360可以扫描监测装置330中的记录,获得采样点的数据。在一些实施例中,无人机360可以扫描全部或部分采样点。利用无人机获取农场信息,节约了大量人力,并且更可靠有效。
应当注意农场虫害查杀系统300仅仅是为了说明的目的而提供的,并不意图限制本申请的范围。对于本领域的普通技术人员来说,可以根据本申请的描述,做出多种修改或变化。例如,农场虫害查杀系统300还可以包括数据库。又例如,农场虫害查杀系统300可以在其他设备上实现类似或不同的功能。然而,这些变化和修改不会背离本申请的范围。
图4是根据本说明书一些实施例所示的农场虫害查杀系统的模块图。
在一些实施例中,农场虫害查杀系统400可以包括获取模块410、判断模块420、特征提取模块430、组合模块440、特征融合模块450、评分模块460和确定模块470。
获取模块,可以用于获取农场信息,农场信息包括作物信息和环境信息。
在一些实施例中,获取模块用于:在农场的至少一个区域中设置多个采样点;在多个采样点通过监测装置得到对应的多组作物数据和多组环境数据;通过无人机采集多个采样点的多组作物数据和多组环境数据,以及基于采样点对应的权重,对多组作物数据和多组环境数据进行统计分析,得到农场信息,权重与采样点所在区域的采样点密度相关。
在一些实施例中,获取模块用于:在采用目标组合方案进行虫害查杀的一段时间中,通过监测装置获取至少1个时间阶段的阶段性农场信息;基于融合特征和阶段性农场信息,通过预测模型确定目标组合方案的阶段性作物长势影响评分、阶段性土壤优良情况影响评分中的至少一项阶段性评分;基于当前时间阶段的至少一项阶段性评分,确定下一时间阶段的至少一个区域的采样点密度和/或调整至少一个区域的采样轨迹。
在一些实施例中,获取模块用于:基于多个采样点的多组作物数据和多组环境数据,得到采用目标组合方案进行查杀前后的农场信息变化值;基于农场信息变化值,通过评估模型,得到目标组合方案的评估结果;基于评估结果,调整预测模型的模型参数。
在一些实施例中,预测模型的模型参数包括多个组合方案对应的多个评分权重,获取模块用于:基于评估结果调整所述目标组合方案对应的评分权重。
判断模块,可以用于基于农场信息确定虫害情况,其中,虫害情况包括多种虫害类型。
在一些实施例中,判断模块用于:基于所述农场信息,通过虫害确定模型,确定对应的所述多种虫害类型。
特征提取模块,可以用于确定多种虫害类型对应的多种查杀方案,以及获取多种查杀方案对应的作物影响特征、土壤影响特征和药效特征中的至少一项特征。
组合模块,可以用于基于多种查杀方案的多种组合方式确定多个组合方案。
在一些实施例中,组合模块用于:根据排列组合得到多种查杀方案的多种组合;基于农场信息确定预设条件;将多种组合中满足预设条件的多个组合作为多个组合方案。
特征融合模块,可以用于基于每个组合方案包括的至少一项特征,得到对应的融合特征。
评分模块,可以用于基于融合特征和农场信息,通过预测模型,得到所述多个组合方案对应的作物长势影响评分、土壤优良情况影响评分中的至少一项评分。
确定模块,可以用于根据至少一项评分,确定目标组合方案。
需要注意的是,以上对于农场虫害查杀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4中披露的获取模块410、判断模块420、特征提取模块430、组合模块440、特征融合模块450、评分模块460和确定模块470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。
本说明书实施例还提供一种农场虫害查杀装置,包括至少一个处理器以及至少一个存储器;所述至少一个存储器用于存储计算机指令;所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现农场虫害查杀的方法。
本说明书实施例可能带来的有益效果包括但不限于:(1)通过预设条件筛选组合查杀方案,可以剔除副作用(例如,损伤作物、土壤污染等)较大的方案,并减少了计算量、提高了效率。(2)在预测模型的训练中采用与作物影响特征、土壤影响特征、药效特征相关的损失函数,有利于提高预测模型的准确度。(3)基于反应实际查杀效果的评估分数,调整目标组合方案的权重,实现对预测评分的修正,可以使实际效果的查杀方案评分更高,有利于获得实际效果更好的查杀方案。(4)分阶段评估虫害查杀效果,能够及时发现查杀周期内的问题,通过重点观测有问题的区域,能够及时纠偏,并且有利于提高查杀效率,保证查杀效果。
需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
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,本领域技术人员可以理解,本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本说明书的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran2003、Perl、COBOL2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或处理设备上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
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,如在现有的服务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 (9)
1.一种基于机器学习确定农场虫害查杀方案的方法,包括:
对农场中至少一个区域中每一个区域,采集所述区域中多个采样点对应的多组作物数据和多组环境数据;
基于所述多个采样点分别对应的权重,对所述多组作物数据和所述多组环境数据进行统计分析,得到农场信息,所述权重与对应的采样点所在区域的采样点密度相关;
基于所述农场信息确定虫害情况,其中,所述虫害情况包括多种虫害类型;
确定多种虫害类型对应的多种查杀方案;
基于所述多种查杀方案的多种组合方式确定多个组合方案;
通过预测模型,确定所述多个组合方案中每个组合方案对应的作物长势影响评分、土壤优良情况影响评分中的至少一项评分,所述预测模型包括机器学习模型;
根据所述至少一项评分,确定目标组合方案。
2.如权利要求1所述的方法,所述基于所述多种查杀方案的多种组合方式确定多个组合方案包括:
根据排列组合得到所述多种查杀方案的所述多种组合;
基于所述农场信息确定预设条件;
将所述多种组合中满足所述预设条件的多个组合作为所述多个组合方案。
3.如权利要求1所述的方法,所述基于所述农场信息确定虫害情况包括:
基于所述农场信息,通过虫害确定模型,确定对应的所述多种虫害类型。
4.如权利要求1所述的方法,还包括:
在采用所述目标组合方案进行虫害查杀的一段时间中,通过监测装置获取至少1个时间阶段的阶段性农场信息;
通过所述预测模型确定所述目标组合方案的阶段性作物长势影响评分、阶段性土壤优良情况影响评分中的至少一项阶段性评分;
基于当前时间阶段的所述至少一项阶段性评分,确定下一时间阶段的所述至少一个区域的所述采样点密度和/或调整所述至少一个区域的采样轨迹。
5.如权利要求1所述的方法,还包括:
基于所述多个采样点的所述多组作物数据和所述多组环境数据,得到采用所述目标组合方案进行查杀前后的农场信息变化值;
基于所述农场信息变化值,通过评估模型,得到所述目标组合方案的评估结果;
基于所述评估结果,调整所述预测模型的模型参数。
6.如权利要求5所述的方法,所述预测模型的模型参数包括所述多个组合方案对应的多个评分权重,所述基于所述评估结果,调整所述预测模型的模型参数包括:
基于所述评估结果调整所述目标组合方案对应的评分权重。
7.一种基于机器学习确定农场虫害查杀方案的系统,其特征在于,所述系统包括:
获取模块,用于对农场中至少一个区域中每一个区域,采集所述区域中多个采样点对应的多组作物数据和多组环境数据;以及用于基于所述多个采样点分别对应的权重,对所述多组作物数据和所述多组环境数据进行统计分析,得到农场信息,所述权重与对应的采样点所在区域的采样点密度相关;
判断模块,用于基于所述农场信息确定虫害情况,其中,所述虫害情况包括多种虫害类型;
特征提取模块,用于确定多种虫害类型对应的多种查杀方案;
组合模块,用于基于所述多种查杀方案的多种组合方式确定多个组合方案;
评分模块,用于通过预测模型,确定所述多个组合方案中每个组合方案对应的作物长势影响评分、土壤优良情况影响评分中的至少一项评分,所述预测模型包括机器学习模型;
确定模块,用于根据所述至少一项评分,确定目标组合方案。
8.一种基于机器学习确定农场虫害查杀方案的装置,其特征在于,所述装置包括至少一个处理器以及至少一个存储器;
所述至少一个存储器用于存储计算机指令;
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求1-6中任意一项所述的方法。
9.一种计算机可读存储介质,所述存储介质存储计算机指令,当所述计算机指令被处理器执行时实现如权利要求1-6中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210393598.XA CN114819568B (zh) | 2021-06-22 | 2021-06-22 | 一种基于机器学习确定农场虫害查杀方案的方法和系统 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210393598.XA CN114819568B (zh) | 2021-06-22 | 2021-06-22 | 一种基于机器学习确定农场虫害查杀方案的方法和系统 |
CN202110694425.7A CN113435728B (zh) | 2021-06-22 | 2021-06-22 | 一种农场虫害查杀方法和系统 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110694425.7A Division CN113435728B (zh) | 2021-06-22 | 2021-06-22 | 一种农场虫害查杀方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114819568A true CN114819568A (zh) | 2022-07-29 |
CN114819568B CN114819568B (zh) | 2023-03-24 |
Family
ID=77757216
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110694425.7A Active CN113435728B (zh) | 2021-06-22 | 2021-06-22 | 一种农场虫害查杀方法和系统 |
CN202210393598.XA Active CN114819568B (zh) | 2021-06-22 | 2021-06-22 | 一种基于机器学习确定农场虫害查杀方案的方法和系统 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110694425.7A Active CN113435728B (zh) | 2021-06-22 | 2021-06-22 | 一种农场虫害查杀方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN113435728B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114743100B (zh) * | 2022-04-06 | 2023-05-23 | 布瑞克(苏州)农业互联网股份有限公司 | 一种农产品长势监测方法和系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389737A (zh) * | 2015-10-28 | 2016-03-09 | 中农网购(江苏)电子商务有限公司 | 一种农药喷洒的决策与控制系统 |
CN107422701A (zh) * | 2017-05-23 | 2017-12-01 | 江苏大学 | 一种pwm变量施药机作业状态在线评估及优化系统 |
CN107783522A (zh) * | 2017-10-18 | 2018-03-09 | 来安县威光绿园生态农业专业合作社 | 一种基于物联网的农作物病虫害智能防治系统 |
CN110347127A (zh) * | 2019-06-26 | 2019-10-18 | 北京农业智能装备技术研究中心 | 基于云服务的农作物种植托管系统及方法 |
CN111264496A (zh) * | 2020-01-19 | 2020-06-12 | 南京林业大学 | 一种植保机械精确施药智能决策方法 |
BR102019012393A2 (pt) * | 2019-06-17 | 2020-12-29 | Mateus Chediak | sistema para avaliação e orientação, em tempo real, da resistência de pragas a pesticidas |
WO2021009135A1 (en) * | 2019-07-15 | 2021-01-21 | Basf Agro Trademarks Gmbh | Method for determining and providing an application scheme for pesticides |
WO2021056116A1 (en) * | 2019-09-26 | 2021-04-01 | Terramera, Inc. | Systems and methods for synergistic pesticide screening |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210059561A (ko) * | 2019-11-15 | 2021-05-25 | 전북대학교산학협력단 | 상생형 병해충 관리 시스템 및 그 방법 |
CN112001343A (zh) * | 2020-08-31 | 2020-11-27 | 严钦武 | 园艺病虫害防治管理系统 |
CN112508508A (zh) * | 2020-11-18 | 2021-03-16 | 布瑞克农业大数据科技集团有限公司 | 智慧农场管理系统 |
-
2021
- 2021-06-22 CN CN202110694425.7A patent/CN113435728B/zh active Active
- 2021-06-22 CN CN202210393598.XA patent/CN114819568B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389737A (zh) * | 2015-10-28 | 2016-03-09 | 中农网购(江苏)电子商务有限公司 | 一种农药喷洒的决策与控制系统 |
CN107422701A (zh) * | 2017-05-23 | 2017-12-01 | 江苏大学 | 一种pwm变量施药机作业状态在线评估及优化系统 |
CN107783522A (zh) * | 2017-10-18 | 2018-03-09 | 来安县威光绿园生态农业专业合作社 | 一种基于物联网的农作物病虫害智能防治系统 |
BR102019012393A2 (pt) * | 2019-06-17 | 2020-12-29 | Mateus Chediak | sistema para avaliação e orientação, em tempo real, da resistência de pragas a pesticidas |
CN110347127A (zh) * | 2019-06-26 | 2019-10-18 | 北京农业智能装备技术研究中心 | 基于云服务的农作物种植托管系统及方法 |
WO2021009135A1 (en) * | 2019-07-15 | 2021-01-21 | Basf Agro Trademarks Gmbh | Method for determining and providing an application scheme for pesticides |
WO2021056116A1 (en) * | 2019-09-26 | 2021-04-01 | Terramera, Inc. | Systems and methods for synergistic pesticide screening |
CN111264496A (zh) * | 2020-01-19 | 2020-06-12 | 南京林业大学 | 一种植保机械精确施药智能决策方法 |
Non-Patent Citations (1)
Title |
---|
杨普云: "农药环境影响指数(EIQ)在农作物病虫害防治工作中的应用", 《植物保护》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113435728A (zh) | 2021-09-24 |
CN113435728B (zh) | 2022-04-12 |
CN114819568B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Krishnan et al. | Robotics, IoT, and AI in the automation of agricultural industry: a review | |
Esau et al. | Machine vision smart sprayer for spot-application of agrochemical in wild blueberry fields | |
Sarwar | Pattern of damage by rodent (Rodentia: Muridae) pests in wheat in conjunction with their comparative densities throughout growth phase of crop | |
Huat et al. | Limiting factors for yields of field tomatoes grown by smallholders in tropical regions | |
Eycott et al. | Resilience of ecological functions to drought in an oil palm agroecosystem | |
CN113435728B (zh) | 一种农场虫害查杀方法和系统 | |
Singh et al. | An Artificial Neural Network‐Based Pest Identification and Control in Smart Agriculture Using Wireless Sensor Networks | |
Olesen et al. | Collection and evaluation of relevant information on crop interception | |
Jain et al. | Agriculture assistant for crop prediction and farming selection using machine learning model with real-time data using imaging through uav drone | |
Zaman | Precision agriculture technology: A pathway toward sustainable agriculture | |
Krishnamoorthy et al. | Utilisation of Deep Learning to Exploit Locust Outbreaks in Agricultural Harvesting | |
Bakar et al. | A review of mechanization and automation in malaysia’s pineapple production | |
Lindell et al. | Pest and disease risk and management in high-density perennial crops: Current knowledge and areas of future research | |
Ahmed et al. | Introduction to robotics agriculture in pest control: a review | |
Al Sarai | Studies on the control of Dubas bug, Ommatissus lybicus DeBergevin (Homoptera: Tropiduchidae), a major pest of date palm in the Sultanate of Oman | |
AdelineSneha et al. | A review on energy efficient image feature transmission in WSN for micro region pest control | |
Zaman | Precision Agriculture: Evolution, Insights and Emerging Trends | |
Halder et al. | Application of Precision Farming in Horticulture: A Comprehensive Review | |
Mamatov et al. | Distribution of cutworms in vegetable crops, their harm and the effectiveness of insecticides tested against them | |
Rani et al. | A study on hyper spectral remote sensing pest management | |
Suebsombut et al. | Rule based recommendation system to support crop lifecycle management | |
Joe William | Adoption of drone technology for effective farm management and adequate food availability: The prospects and challenges | |
Athar et al. | Locust Attacks on Crop Plants and Control Strategies to Minimize the Extent of the Problem | |
Singh et al. | Digital technologies for smart agriculture | |
Chayka et al. | Phenology of a leafroller complex in apple orchard of forest steppe of Ukraine |
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 |