CN114915933A - 一种基于图像识别的多信息融合水稻生长智能监测系统 - Google Patents
一种基于图像识别的多信息融合水稻生长智能监测系统 Download PDFInfo
- Publication number
- CN114915933A CN114915933A CN202210279785.5A CN202210279785A CN114915933A CN 114915933 A CN114915933 A CN 114915933A CN 202210279785 A CN202210279785 A CN 202210279785A CN 114915933 A CN114915933 A CN 114915933A
- Authority
- CN
- China
- Prior art keywords
- node
- module
- information fusion
- analysis
- microprocessor
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 53
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 50
- 235000009566 rice Nutrition 0.000 title claims abstract description 50
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 240000007594 Oryza sativa Species 0.000 title 1
- 238000004458 analytical method Methods 0.000 claims abstract description 54
- 241000209094 Oryza Species 0.000 claims abstract description 49
- 238000004891 communication Methods 0.000 claims abstract description 37
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 claims abstract description 29
- 239000002689 soil Substances 0.000 claims abstract description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 230000007613 environmental effect Effects 0.000 claims abstract description 9
- 238000013461 design Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 2
- 239000007788 liquid Substances 0.000 claims description 2
- 229910052760 oxygen Inorganic materials 0.000 claims description 2
- 239000001301 oxygen Substances 0.000 claims description 2
- WZLMXYBCAZZIRQ-UHFFFAOYSA-N [N].[P].[K] Chemical compound [N].[P].[K] WZLMXYBCAZZIRQ-UHFFFAOYSA-N 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000000034 method Methods 0.000 abstract description 9
- 238000007500 overflow downdraw method Methods 0.000 abstract description 2
- 238000003860 storage Methods 0.000 abstract description 2
- 241000238631 Hexapoda Species 0.000 description 4
- 235000013339 cereals Nutrition 0.000 description 3
- 241000607479 Yersinia pestis Species 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明为解决水稻在生长过程中受到地理环境因素、农场主的知识经验储备等制约,无法保证水稻质量的高产、绿色、健康的问题提供一种基于图像识别技术,利用图像识别以及多信息融合方法分析水稻生长状况的智能监测系统。所述智能监测系统具体是由采集节点、分析节点、多信息融合节点、上位机监测中心和手机端构成。采集节点包括采集节点微处理器、土壤层采集单元、水质层采集单元、空气层图像采集单元、LoRa无线通信模块a、第一电源模块;分析节点包括分析节点微处理器、环境信号接收模块、图像特征提取分析模块、LoRa无线通信模块b、第二电源模块;多信息融合节点包括多信息融合节点微处理器、4G模块、第三电源模块。
Description
技术领域
本发明涉及农业物联网技术应用领域,具体是一种基于图像识别的多信息融合水稻生长智能监测系统。
背景技术
水稻是我国三大粮食作物之一,在我国的农业生产以及粮食安全保障体系中有着十分重要的地位。水稻生长到成熟要经过插秧期、够苗期、分蘖期、扬花期到成熟期5个时期,不同的生长期、不同的稻种以及不同的水稻类型对养分的需求以及病虫害的防治不尽相同。因此,能够及时准确地获取水稻生长关键参数,从而进行科学调控,是保障水稻高产稳产的重要研究。
近几年来,对于水稻的监测主要是通过少量传感器对水稻的某一时间的生长数据进行采集,这种生长数据检测方法目前已经比较成熟,但是对单一时间进行检测不足以对水稻整个生长过程的宏观把控,存在一定的局限性,对采集点的选取也有一定的要求,同时这种方法在对于水稻生长预测过程主要还是通过人为来判断,增加了判断误差。因此,只是通过具体时间采集信息作为水稻生长决策的方式并不能精确反应水稻生长的趋势以及环境优劣。
图像作为一种重要的沟通媒介,也蕴含着大量的人眼所不能识别的信息,而且基于图像识别的监测技术具有精确、智能等优点。一般在水稻出现虫害等不利现象时,其表面现象的改变尤为突出。根据水稻在发生不同的病变时的图像特征以及多部位传感器数据融合计算就可以了解到是否是虫害或环境因素导致的病变,进一步保障水稻的良好生长环境,增加粮食产量。针对于上述背景,本发明提出了一种基于图像识别多信息融合水稻生长只能监测系统。
发明内容
本发明为了解决水稻在生长过程中受到地理环境因素、农场主的知识经验储备等制约,无法保证水稻质量的高产、绿色、健康的问题,提出了一种能够实时监测并预测水稻生长状况,保证水稻健康生长的系统。
为实现上述目的,本发明提供一种基于图像识别技术,利用图像识别以及多信息融合方法分析水稻生长状况的智能监测系统。所述智能监测系统具体是由采集节点、分析节点、多信息融合节点、上位机监测中心和手机端构成。采集节点包括采集节点微处理器、土壤层采集单元、水质层采集单元、空气层图像采集单元、LoRa无线通信模块a、第一电源模块;分析节点包括分析节点微处理器、环境信号接收模块、图像特征提取分析模块、LoRa无线通信模块b、第二电源模块;多信息融合节点包括多信息融合节点微处理器、4G模块、第三电源模块;采集节点与分析节点之间通过LoRa无线通信模块a来完成数据通信,分析节点与多信息融合节点通过LoRa无线通信模块b来完成数据通信,多信息融合节点与上位机检测中心、手机端通过4G模块来完成数据通信。
所述采集节点中,采集节点微处理器控制土壤层采集单元、水质层采集单元、空气层图像采集单元对水稻的生长环境参数以及叶片信息进行全方位实时采集,采集到的所有数据经过采集节点微处理器处理后通过LoRa无线通信模块a发送给分析节点。土壤层采集单元、水质层采集单元、空气层图像采集单元、LoRa无线通信模块a通过相应的引脚与采集节点微处理器的I/O口相连接,第一电源模块通过导线为采集节点微处理器、土壤层采集单元、水质层采集单元、空气层图像采集单元、LoRa无线通信模块a供电。
所述分析节点中,分析节点通过LoRa无线通信模块b接收采集节点中的土壤层采集单元、水质层采集单元、空气层图像采集单元采集到的数据,分析节点微处理器控制图像特征提取模块和环境接收模块分别对对采集到的图像数据以及环境参数进行提取、分析,图像提取分析模块采用线性迭代聚类(simple linear iterative clustering,简称SLIC)算法将提取分析到的数据通过LoRa无线通信模块b发送至多信息融合节点。LoRa无线通信模块b、环境信号接收模块、图像特征提取分析模块通过相应的引脚与分析节点微处理器的I/O口相连接,第二电源模块通过导线为LoRa无线通信模块b、环境信号接收模块、图像特征提取分析模块、分析节点微处理器供电。
所述多信息融合节点中,多信息融合节点通过4G模块接收分析节点中分析得到的特征信息,多信息融合节点微处理器综合分析处理分析节点中的特征信息,并将最终数据以及决策信息通过4G模块发送至上位机监测中心和手机端。
本发明与现有技术相比,其有益效果体现在:
采用图像识别技术,一方面可以采集水稻生长中叶片颜色、虫害形状以及根茎密度等图像信息的变化,为后续综合研究提供依据;另一方面可以减少人为主观因素的影响导致对水稻生长状况判断错误,对水稻产量、质量有着积极的作用。
采用多感融合技术,通过对采集到的不同层次多种传感器水稻生长环境的多源信息进行综合处理分析,并于图像识别技术进行互补判断水稻生长健康状态,增加了水稻生长环境信息量,提高判断准确性。
采用采集三层一体化设计,对采集节点的多层多个不同传感器封装为一个箱体,安装简单,有利于应对农业生产中复杂地形,具有快速收回的功能,减少在水稻收割时对于监测设备收回的工作量,提高生产效率。
附图说明
图1为本发明的基于图像识别的多信息融合水稻生长智能监测系统原理图。
图2为本发明的基于图像识别的多信息融合水稻生长智能监测系统采集三层一体化装置正视剖视图。
图3为本发明中采集节点结构图。
图4为本发明中分析节点结构图。
图5为本发明中多信息融合节点结构图。
图6为本发明中SLIC图像分割算法流程图。
图2中:9-天线,10-高清摄像头,11-伸缩杆,12-温度传感器,13-酸碱传感器,14-采集节点微处理器,15-液位传感器,16-溶解氧传感器,17-电导率传感器,18-层次分隔板,19-电导率传感器,20-温度传感器,21-湿度传感器,22-酸碱传感器,23-氮磷钾传感器,。
图3中:101-采集节点微处理器,2-为土壤层采集单元,3-水质层采集单元,4-空气层图像采集单元,501-LoRa无线通信模块a,601-第一电源模块。
图4中:102-分析节点微处理器,7-环境信号接收模块,8-图像特征提取分析模块,502-LoRa无线通信模块b,602-第二电源模块。
图5中:103-多信息融合节点微处理器,503-4G模块,603-第三电源模块。
具体实施方式
以下通过具体实施例对本发明做进一步解释说明。
如图1所示,本发明的一种基于图像识别的多信息融合水稻生长智能监测系统的原理图,该系统具体由采集节点、分析节点、多信息融合节点、上位机监控中心和手机端组成。整个系统具体实施过程如下:
所述采集节点采用箱体封装设计放置于田间相应位置,采集节点中的第一电源模块(601)通过导线为采集节点微处理器(101)、土壤层采集单元(2)、水质层采集单元(3)、空气层图像采集单元(4)、LoRa无线通信模块a(501)提供所需的电能,使采集节点微处理器(101)上电初始化。在水稻生长过程中,通过土壤层采集单元(2)、水质层采集单元(3)、空气层图像采集单元(4)采集相应的环境参数和图像资源,采集节点微处理器(101)通过将环境参数进行格式转换以及图像灰度处理通过4G模块(501)发送给分析节点。
所述分析节点置于周边仓库内,分析节点的第二电源模块(602)首先通过导线为LoRa无线通信模块b(502)、环境信号接收模块(7)、图像特征提取分析模块(8)、分析节点微处理器(102)提供所需的电能,使分析节点微处理器(102)上电初始化。分析节点微处理器(102)首先控制LoRa无线通信模块b(502)进行实时感知,一旦从采集节点接收数据,分析节点微处理器(102)立即控制环境信号接收模块(7)、图像特征提取分析模块(8)对环境信息以及图像信息进行特征提取、分析并将处理分析后的信息打包成数据包通过LoRa无线通信模块b(502)发送给多信息融合节点。
所述多信息融合节点放置分析节点周边,第三电源模块(603)首先通过导线为多信息融合节点微处理器(103)、4G模块(503)提供所需的电能。使多信息融合节点微处理器(103)上电初始化。多信息融合节点微处理器(103)首先控制4G模块(503)进行实时感知,一旦从分析节点接收数据,多信息融合节点微处理器(103)立即对数据进行综合分析判断,形成最终监测数据并通过4G模块(503)发送至上位机监测中心和手机端。
所述上位机监测中心的服务器在接收到特征值分析数据后,在电脑端显示屏上进行实时显示,并伴随预警功能。同时也可在手机端接收相应的数据并进行查看。
本发明的一种基于图像识别的多信息融合水稻生长智能监测系统,基于农业物联网技术,融合4G和LoRa异构融合的通信方式,使得整个系统具有抗干扰能力强、功耗低、绿色以及信息传输迅速的优点,实现了利用图像技术与多信息融合互补技术对水稻生长健康状况远程智能监测,有利于提高水稻产量、质量。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术策略方案的基础上,本领域技术人员不需要付出创造性的劳动即可做出各种修改或变形仍在本发明专利的保护范围之内。
Claims (7)
1.一种基于图像识别的多信息融合水稻生长智能监测系统,其特征在于:所述系统包括采集节点、分析节点、多信息融合节点、上位机监测中心和手机端,采集节点包括采集节点微处理器(101)、土壤层采集单元(2)、水质层采集单元(3)、空气层图像采集单元(4)、LoRa无线通信模块a(501)、第一电源模块(601);分析节点包括分析节点微处理器(102)、环境信号接收模块(7)、图像特征提取分析模块(8)、LoRa无线通信模块b(502)、第二电源模块(602);多信息融合节点包括多信息融合节点微处理器(103)、4G模块(503)、第三电源模块(603);采集节点与分析节点之间通过LoRa无线通信模块a(501)来完成数据通信,分析节点与多信息融合节点通过LoRa无线通信模块b(502)来完成数据通信,多信息融合节点与上位机检测中心、手机端通过4G模块(503)来完成数据通信。
2.根据权利要求1所述的一种基于图像识别的多信息融合水稻生长智能监测系统,其特征在于:采集节点微处理器(101)、土壤层采集单元(2)、水质层采集单元(3)、空气层图像采集单元(4)、LoRa无线通信模块a(501)、第一电源模块(601),土壤层采集单元(2)包括酸碱传感器、湿度传感器、温度传感器、氮磷钾传感器、电导率传感器;水质层采集单元包括酸碱传感器、电导率传感器、溶解氧检测传感器、温度传感器、液位传感器;空气层图像采集单元包括高清图像摄像头,土壤层采集单元(2)、水质层采集单元(3)、空气层图像采集单元(4)、LoRa无线通信模块a(501)通过相应的引脚与采集节点微处理器(101)的I/O口相连接,第一电源模块(601)通过导线为采集节点微处理器(101)、土壤层采集单元(2)、水质层采集单元(3)、空气层图像采集单元(4)、LoRa无线通信模块a(501)供电。
3.根据权利要求1所述的一种基于图像识别的多信息融合水稻生长智能监测系统,其特征在于:分析节点由分析节点微处理器(102)、环境信号接收模块(7)、图像特征提取分析模块(8)、LoRa无线通信模块b(502)、第二电源模块(602)组成,LoRa无线通信模块b(502)、环境信号接收模块(7)、图像特征提取分析模块(8)通过相应的引脚与分析节点微处理器(102)的I/O口相连接,第二电源模块(602)通过导线为LoRa无线通信模块b(502)、环境信号接收模块(7)、图像特征提取分析模块(8)、分析节点微处理器(102)供电。
4.根据权利要求1所述的一种基于图像识别的多信息融合水稻生长智能监测系统,其特征在于:多信息融合节点由多信息融合节点微处理器(103)、4G模块(503)、第三电源模块(603)组成,4G模块(503)通过相应的引脚与多信息融合节点微处理器(103)的I/O口相连接,第三电源模块(603)通过导线为多信息融合节点微处理器(103)、4G模块(503)供电。
5.根据权利要求1所述的一种基于图像识别的多信息融合水稻生长智能监测系统,其特征在于:所述上位机监测中心、手机端通过4G模块(503)接收多信息融合节点发出的数据,获得经过多信息融合节点微处理器处理后的特征信息,并将其在上位机界面与手机端界面实时显示。
6.根据权利要求1所述的一种基于图像识别的多信息融合水稻生长智能监测系统,其特征在于:采集节点微处理器(101)、分析节点微处理器(102)、多信息融合节点微处理器(103)均选用STMF103系列嵌入式微处理器。
7.根据权利要求1所述的一种基于图像识别的多信息融合水稻生长智能监测系统,其特征在于:所述采集节点采用易于搬运的采集三层一体化设计,即土壤层、水质层、空气层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210279785.5A CN114915933A (zh) | 2022-03-21 | 2022-03-21 | 一种基于图像识别的多信息融合水稻生长智能监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210279785.5A CN114915933A (zh) | 2022-03-21 | 2022-03-21 | 一种基于图像识别的多信息融合水稻生长智能监测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114915933A true CN114915933A (zh) | 2022-08-16 |
Family
ID=82762908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210279785.5A Pending CN114915933A (zh) | 2022-03-21 | 2022-03-21 | 一种基于图像识别的多信息融合水稻生长智能监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114915933A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103048985A (zh) * | 2013-01-16 | 2013-04-17 | 广东省农业机械研究所 | 农情信息一体化采集装置 |
CN109357706A (zh) * | 2018-10-10 | 2019-02-19 | 山东理工大学 | 一种基于物联网的智能无线温室监测系统 |
CN109559249A (zh) * | 2018-11-22 | 2019-04-02 | 青岛农业大学 | 一种基于互联网的农业信息化系统设计方法 |
CN209605863U (zh) * | 2019-01-11 | 2019-11-08 | 深圳大学 | 农业环境监测系统 |
CN112783103A (zh) * | 2019-11-07 | 2021-05-11 | 江苏师范大学 | 基于LoRa通信和PIλDμ控制的智慧农业监控系统 |
-
2022
- 2022-03-21 CN CN202210279785.5A patent/CN114915933A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103048985A (zh) * | 2013-01-16 | 2013-04-17 | 广东省农业机械研究所 | 农情信息一体化采集装置 |
CN109357706A (zh) * | 2018-10-10 | 2019-02-19 | 山东理工大学 | 一种基于物联网的智能无线温室监测系统 |
CN109559249A (zh) * | 2018-11-22 | 2019-04-02 | 青岛农业大学 | 一种基于互联网的农业信息化系统设计方法 |
CN209605863U (zh) * | 2019-01-11 | 2019-11-08 | 深圳大学 | 农业环境监测系统 |
CN112783103A (zh) * | 2019-11-07 | 2021-05-11 | 江苏师范大学 | 基于LoRa通信和PIλDμ控制的智慧农业监控系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109781963A (zh) | 一种大田种植环境监测系统 | |
CN111460990B (zh) | 一种基于大数据的高寒牧区草原虫害监测预警系统及方法 | |
CN109991911A (zh) | 一种基于物联网的果园综合监控系统 | |
CN114972843B (zh) | 一种基于大数据的农业病虫害诊断与预警系统 | |
CN101052147A (zh) | 大田作物病虫害智能预警系统 | |
CN110514248B (zh) | 一种基于大数据的智能化、自动化农业数据采集系统 | |
Alejandrino et al. | Visual classification of lettuce growth stage based on morphological attributes using unsupervised machine learning models | |
CN112514779A (zh) | 一种智能灌溉系统 | |
CN210570820U (zh) | 一种农业检测预警系统 | |
Zhang et al. | Method for monitoring the cotton plant vigor based on the WSN technology | |
CN111967441A (zh) | 一种基于深度学习的农作物病害分析方法 | |
CN112215522A (zh) | 农作物长势监测系统、方法、计算机设备及存储介质 | |
CN113379769A (zh) | 一种农作物病虫害智能防御平台 | |
CN113865640A (zh) | 一种基于物联网的监测系统 | |
CN201118562Y (zh) | 便携式农业信息智能化终端 | |
Mathi et al. | An Internet of Things-based Efficient Solution for Smart Farming | |
CN214151461U (zh) | 一种基于物联网的玉米大田监测系统 | |
CN102608349B (zh) | 基于嵌入式双相机平台的智能温室油桃果实生长速率无线监测系统 | |
CN108693811A (zh) | 一种基于ZigBee的牧场环境综合采集监控系统 | |
CN206684556U (zh) | 一种智慧农业管理系统 | |
CN114915933A (zh) | 一种基于图像识别的多信息融合水稻生长智能监测系统 | |
CN112601191A (zh) | 一种基于卫星通信的林木生长监控装置及其监控方法 | |
CN110363247B (zh) | 一种生猪饮食异常智能监测方法和系统 | |
CN103916462A (zh) | 一种反刍动物反刍信息采集系统 | |
CN206893059U (zh) | 一种用于林木生长智能监测的系统 |
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 |