CN114997535A - 一种智慧农业全过程生产大数据智能分析方法及系统平台 - Google Patents

一种智慧农业全过程生产大数据智能分析方法及系统平台 Download PDF

Info

Publication number
CN114997535A
CN114997535A CN202210915377.4A CN202210915377A CN114997535A CN 114997535 A CN114997535 A CN 114997535A CN 202210915377 A CN202210915377 A CN 202210915377A CN 114997535 A CN114997535 A CN 114997535A
Authority
CN
China
Prior art keywords
growth situation
data
crop growth
whole
production
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
Application number
CN202210915377.4A
Other languages
English (en)
Inventor
张远民
廖愈乐
古仁国
庞雅心
王荻非
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Unicom Sichuan Industrial Internet Co Ltd
Original Assignee
China Unicom Sichuan Industrial Internet Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Unicom Sichuan Industrial Internet Co Ltd filed Critical China Unicom Sichuan Industrial Internet Co Ltd
Priority to CN202210915377.4A priority Critical patent/CN114997535A/zh
Publication of CN114997535A publication Critical patent/CN114997535A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/32—Normalisation of the pattern dimensions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/05—Agriculture
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Agronomy & Crop Science (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Accounting & Taxation (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种智慧农业全过程生产大数据智能分析方法及系统平台，所述方法包括：S1，实时采集农作物生长态势及生产全过程图像数据；S2，对实时采集的图像数据进行预处理；S3，构建并训练农作物生长态势及生产全过程预测模型，包括第一预测子模型和第二预测子模型；S4，将预处理后的图像数据分别输入第一预测子模型和第二预测子模型，得到第一农作物生长态势及生产全过程预测结果和第二农作物生长态势及生产全过程预测结果；S5，加权求和得到最终的农作物生长态势及生产全过程预测结果。本发明基于大数据和神经网络技术构建了农业大数据平台，能够完全适应农业大数据以及信息智能分析技术领域的发展方向。

Description

一种智慧农业全过程生产大数据智能分析方法及系统平台
技术领域
本发明涉及大数据挖掘和分析技术领域，具体而言，涉及一种智慧农业全过程生产大数据智能分析方法及系统平台。
背景技术
农业大数据是指在农业以及涉农相关领域所产生的（或发生）的全样本（或多样本）不同类型数据的集合。如果用“天时”“地利”“人和”来形象地解读这一概念，那么“天时”就是指实时的气象数据，如：温度、湿度、光照、降水、风速等；“地利”指动静态的土壤数据，如：土壤的积温、墒情、肥力状况、作物品种、病虫害信息等；“人和”则指人力资源配置、农业生产资料、农产品加工和流通渠道、市场行情等。2015年，国务院和农业部分别发布《促进大数据发展行动纲要》和《关于推进农业农村大数据发展的实施意见》相关文件，均把大数据尤其农业大数据作为重要的发展战略。在快速进入信息社会的过程中，农业农村作为信息化应用的重要领域，产生了大量的数据，影响着农业农村的生产和生活方式。与此同时，针对海量的农业大数据，智能分析技术在农业生产、经营和管理中起着越来越重要的作用。近年来，农业自然灾害频发、农产品价格波动频繁、农业风险明显加大。应用农业信息智能分析技术来提高农业生产的调控能力、应对风险与突发事件能力、促进生产与消费协调能力等，是当前农业信息科技领域的重大科学课题。
目前，农业大数据还处在逐步发展和完善阶段，存在着各个阶层认识程度不一、数据共享难、数据来源基础薄弱、技术创新性不足、数据采集与应用脱节等诸多问题，因此，研究针对农业全过程数据的智能分析技术应用平台具有如下几方面重要意义：
1、及时掌控态势：农业信息智能分析的任务就是要运用智能技术，及时获取影响农业健康持续发展的显性和隐性信息，早期预判农业的态势和潜在影响，有针对性地采取预防措施，稳定农业产业健康发展。通过建设示范化科技园区，运用智能化数据采集与挖掘技术获取即时信息，可以及时了解农业市场、生产全过程，并提升农业管理部门的应变能力。
2、有效控制风险：农业产业风险较高，面临着各类自然风险、技术风险和市场风险等威胁。农业信息智能分析的任务就是要运用风险因子早期识别与评估技术，对各类风险因子进行甄别，筛选出主要风险因子，分析其危害程度，综合评估风险的大小和发生的可能性，从而达到有效控制风险的目的。最终，运用智能技术手段减缓农业波动并准确把握风险因子。
3、提高管理效率：在市场经济和经济全球化的大背景下，农业管理的任务更为艰巨。农业信息智能分析的任务就是要利用信息分析手段和智能化分析决策系统为农业管理部门提供科学决策服务，使农业管理向“事前预防”转变，走科学管理之路，提高管理效率。
近些年，国内在农业大数据方面有部分研究，如山东农业大学于2013年率先在全国成立第一家农业大数据研究中心，并倡导组建农业大数据产业技术创新战略联盟，为政、产、学、研、用联合开展数据科学研究、成果转化及人才培养提供平台支撑。其他省包括贵州、广东也都借助各地优势资源和政策开展了农业大数据的相关工作。在农业信息智能分析领域，中国农科院农业信息研究所也较早通过大数据分析技术和人工智能技术对农业信息进行处理，取得了不错的成绩。但是，由于农业数据历史长、数据类型多、数据量大等特性，农业大数据应用出现了以下几个问题：①缺少数据标准，数据孤岛严重，数据无法共享。②历史数据多，数据质量不高，开发利用不够。③数据分析决策服务于国家层面多，服务于行业、民生少。④单项技术研发比较成熟，全产业链信息贯通、集成的较少。⑤从理论层面研究者众，形成的大数据生态系统应用者少。
而国外将农业大数据与精准农业概念相结合，已经应用于大部分农场并产生理想收益。通过对农业生产全过程的精准化、智能化管理，可以极大程度地减少化肥、水资源、农药等投入，提高作业质量，使农业经营变得有序化，从而为规模化经营打下良好基础。
未来，针对农业大数据以及信息智能分析技术领域的发展方向将集中在以下几点：
1、农业信息分析标准建立完善：信息数据是开展智能化信息分析的基础。目前信息分析工作中所存在的农产品生产、消费、价格等信息内涵表述不一、指代不明，常常会掩盖甚至误读数据信息的真实属性，使得分析结果不准、预警不力。由于信息分析标准缺失，农业信息分析的研究结论和成果难以在实际应用中被采用，也失去了分析的意义。只有建设规范化的农业信息标准，实现信息标准统一，才能保障分析流程高效，数据表达准确。
2、农业信息实时数据获取能力提升：当前农业信息的获取时滞较长，与农作物、土壤、天气、市场等相关即时信息获取更为困难，融合5G网络、多传感器以及多维数据的智能识别将更有助于农业管理部门进行短期分析和预警。
3、农作物数字化生长模型及生长态势分析：农作物的生长预测非常复杂，受到多方环境因素影响，借助信息技术手段，通过构建农作物数字化生长模型并对其态势进行智能分析是当前热点之一，目前，这方面的实验研究还不多。
发明内容
本发明旨在提供一种智慧农业全过程生产大数据智能分析方法及系统平台，以针对农业大数据以及信息智能分析技术领域的发展方向解决目前存在的问题。
本发明提供的一种智慧农业全过程生产大数据智能分析方法，包括如下步骤：
S1，实时采集农作物生长态势及生产全过程图像数据；
S2，对实时采集的农作物生长态势及生产全过程图像数据进行预处理；
S3，构建并训练农作物生长态势及生产全过程预测模型；所述农作物生长态势及生产全过程预测模型包括第一预测子模型和第二预测子模型；
S4，将预处理后的农作物生长态势及生产全过程图像数据分别输入第一预测子模型和第二预测子模型，得到第一农作物生长态势及生产全过程预测结果和第二农作物生长态势及生产全过程预测结果；
S5，将第一农作物生长态势及生产全过程预测结果和第二农作物生长态势及生产全过程预测结果进行加权求和得到最终的农作物生长态势及生产全过程预测结果。
进一步的，步骤S3中构建的农作物生长态势及生产全过程预测模型中第一预测子模型和第二预测子模型的结构相同；所述第一预测子模型和第二预测子模型均包括：
依次连接的1个卷积层Conv1、16个移动翻转瓶颈卷积模块MBConv、1个卷积层Conv2、1个全局平均池化层、1个全连接层FC和1个softmax层；其中：
卷积层Conv1的结构为：卷积核为3×3，步长为2×2；
16个移动翻转瓶颈卷积模块MBConv的结构为：
1个移动翻转瓶颈卷积模块MBConv，扩张比例为1，卷积核为3×3，步长为1×1；
2个移动翻转瓶颈卷积模块MBConv，扩张比例为6，卷积核为3×3，步长为2×2；
2个移动翻转瓶颈卷积模块MBConv，扩张比例为6，卷积核为5×5，步长为2×2；
3个移动翻转瓶颈卷积模块MBConv，扩张比例为6，卷积核为3×3，步长为2×2；
3个移动翻转瓶颈卷积模块MBConv，扩张比例为6，卷积核为5×5，步长为1×1；
4个移动翻转瓶颈卷积模块MBConv，扩张比例为6，卷积核为5×5，步长为2×2；
1个移动翻转瓶颈卷积模块MBConv，扩张比例为6，卷积核为3×3，步长为1×1；
卷积层Conv2的结构为：卷积核为1×1，步长为1×1。
进一步的，步骤S3中训练农作物生长态势及生产全过程预测模型的方法包括：
S31，基于历史采集的农作物生长态势及生产全过程图像数据，采用随机均分算法制作第一样本集和第二样本集；
S32，将第一样本集划分为训练集和测试集后，输入第一预测子模型进行训练，得到训练好的第一预测子模型；
S33，将第二样本集划分为训练集和测试集后，输入第二预测子模型进行训练，得到训练好的第二预测子模型；
S34，将训练好的第一预测子模型和第二预测子模型加权求和为农作物生长态势及生产全过程预测模型。
进一步的，步骤S31中采用随机均分算法制作第一样本集和第二样本集的方法包括：
S311，将历史采集的农作物生长态势及生产全过程图像数据进行标注得到对应的生长态势标签，将历史采集的农作物生长态势及生产全过程图像数据及其对应的生长态势标签作为原始数据集；
S312，将原始数据集划分为n个大类和m个小类：将n个大类记为X1,X2,…,Xn，m个小类记为Y1,Y2,…,Ym；
S313，将n个大类随机均匀分为两份样本集，分别为D1和D2：
S3131，将第i个大类的所有样本从1开始编号至Xi；令k=1；其中，0＜i≤n，i为正整数，初始值为1；
S3132，计算第k个随机数xk=(axk-1+b) mod m；其中，乘数a满足a=4p+1，增量b满足b=2q+1，p,q为正整数；
S3133，计算λk-xk/m×Xi，并将编号为λk的样本放入数据集D’1中；
S3134，若k＞⌈Xi/2⌉，⌈⌉表示向上取整，则进入步骤S3135；否则，令k=k+1，进入步骤S3132；
S3135，将第i个大类中剩余的样本放入数据集D’2中，i=i+1；
S3136，若i＞n，则结束步骤S313；否则进入步骤S3131；
S314，将小类的所有类Y1,Y2,…,Ym分别加入数据集D’1和D’2，形成两个样本集：{Y1,Y2,…,Ym,D’1}和{Y1,Y2,…,Ym,D’2}，记为第一样本集D1和第二样本集D2。
进一步的，步骤S32和S33中对第一预测子模型和第二预测子模型进行训练的目标函数L为：
Figure 100002_DEST_PATH_IMAGE001
其中，N表示输入第一预测子模型或第二预测子模型的样本数量，K为生长态势标签类别的数量；yb,c表示第b个样本预测为第c个生长态势标签类别的结果；pb,c为第b个样本预测为第c个生长态势标签类别的概率。
进一步的，步骤S2中对实时采集的农作物生长态势及生产全过程图像数据进行预处理的方法包括：
S21，将实时采集的农作物生长态势及生产全过程图像数据转换为统一图像数据格式；
S22，根据具有统一图像数据格式的农作物生长态势及生产全过程图像数据中的农作物进行图像对齐；
S23，对图像对齐后的农作物生长态势及生产全过程图像数据进行尺寸变换，使得图像数据大小一致。
本发明还提供一种智慧农业全过程生产大数据智能分析系统平台，所述智慧农业全过程生产大数据智能分析系统平台的架构包括感知层、网络层、数据层、服务层和应用层；
所述感知层用于通过多种智能传感设备实时采集农作物生长态势及生产全过程相关数据；所述农作物生长态势及生产全过程相关数据包括农作物生长态势及生产全过程图像数据以及农作物生长态势及生产全过程传感器数据；
所述网络层用于通过构建的融合网络为所述智慧农业全过程生产大数据智能分析系统平台提供网络支撑；
所述数据层用于为实时采集的农作物生长态势及生产全过程相关数据提供通用的数据获取服务；
所述服务层用于对实时采集的农作物生长态势及生产全过程传感器数据进行标准化，以及通过如上述的智慧农业全过程生产大数据智能分析方法对实时采集的农作物生长态势及生产全过程图像数据进行农作物生长态势及生产全过程预测；
所述应用层包括多个农业相关的应用子系统，用于对农作物生长态势及生产全过程相关数据以及预测结果进行数据共享，并通过可视化技术进行展示。
进一步的，所述感知层的多种智能传感设备包括：
用于采集农作物生长态势及生产全过程传感器数据的温度传感器、湿度传感器、PH值传感器、光照传感器、风速传感器和气象传感器，采集的农作物生长态势及生产全过程传感器数据包括农作物环境中温度、湿度、PH值、光照、风速、气象数据；
以及用于采集农作物生长态势及生产全过程图像数据的视频监控器。
进一步的，所述网络层构建的融合网络为集成了无线传感器网络、RFID、NB-IOT、近距离无线通信网络以及5G的融合网络。
进一步的，所述数据层的设备包括：
与每个智能传感设备对应的适配器，所述适配器用于对每个智能传感设备实时采集的农作物生长态势及生产全过程相关数据进行适配；
与每个适配器连接的数据格式转换器，所述数据格式转换器用于将农作物生长态势及生产全过程传感器数据转换为统一数据格式，以及将农作物生长态势及生产全过程图像数据转换为统一图像数据格式，便于服务层标准化使用；
以及用于对每个智能传感设备进行管理的数据源管理器、对每个适配器进行管理的适配器管理器和对数据采集过程进行管理的数据采集管理器。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、本发明构建了数字化的农作物生长态势及生产全过程预测模型，能够对农作物生长态势及生产全过程进行分析和预测。
2、本发明建立了智慧农业全过程生产大数据智能分析系统平台，能够实时采集农作物生长态势及生产全过程相关数据，并且，还采用可视化技术为多个农业相关的应用子系统提供数据共享服务，能够完全适应农业大数据以及信息智能分析技术领域的发展方向。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例1的智慧农业全过程生产大数据智能分析方法的流程图。
图2为本发明实施例1的农作物生长态势及生产全过程预测模型中的第一预测子模型和第二预测子模型的结构示意图。
图3为本发明实施例2的智慧农业全过程生产大数据智能分析系统平台的架构图。
图4为本发明实施例2的智慧农业全过程生产大数据智能分析系统平台的硬件结构示意图。
图5为本发明实施例2的智慧农业全过程生产大数据智能分析系统平台中数据层的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
如图1所示，本实施例提出一种智慧农业全过程生产大数据智能分析方法，包括如下步骤：
S1，实时采集农作物生长态势及生产全过程图像数据；
S2，对实时采集的农作物生长态势及生产全过程图像数据进行预处理：
S21，将实时采集的农作物生长态势及生产全过程图像数据转换为统一图像数据格式；
S22，根据具有统一图像数据格式的农作物生长态势及生产全过程图像数据中的农作物进行图像对齐；
S23，对图像对齐后的农作物生长态势及生产全过程图像数据进行尺寸变换，使得图像数据大小一致。
通过统一图像数据格式、图像对齐、尺寸变换等操作，使得后续输入到农作物生长态势及生产全过程预测模型中的图像数据更为统一，提高预测结果准确率。
S3，构建并训练农作物生长态势及生产全过程预测模型；所述农作物生长态势及生产全过程预测模型包括第一预测子模型和第二预测子模型；
（1）构建模型
本实施例构建的农作物生长态势及生产全过程预测模型中第一预测子模型和第二预测子模型的结构相同；如图2所示，所述第一预测子模型和第二预测子模型均包括：
依次连接的1个卷积层Conv1、16个移动翻转瓶颈卷积模块MBConv、1个卷积层Conv2、1个全局平均池化层、1个全连接层FC和1个softmax层；其中：
卷积层Conv1的结构为：卷积核为3×3，步长为2×2；
16个移动翻转瓶颈卷积模块MBConv的结构为：
1个移动翻转瓶颈卷积模块MBConv，扩张比例为1，卷积核为3×3，步长为1×1；
2个移动翻转瓶颈卷积模块MBConv，扩张比例为6，卷积核为3×3，步长为2×2；
2个移动翻转瓶颈卷积模块MBConv，扩张比例为6，卷积核为5×5，步长为2×2；
3个移动翻转瓶颈卷积模块MBConv，扩张比例为6，卷积核为3×3，步长为2×2；
3个移动翻转瓶颈卷积模块MBConv，扩张比例为6，卷积核为5×5，步长为1×1；
4个移动翻转瓶颈卷积模块MBConv，扩张比例为6，卷积核为5×5，步长为2×2；
1个移动翻转瓶颈卷积模块MBConv，扩张比例为6，卷积核为3×3，步长为1×1；
卷积层Conv2的结构为：卷积核为1×1，步长为1×1。
（2）训练模型
本实施例中，训练农作物生长态势及生产全过程预测模型的方法包括：
S31，基于历史采集的农作物生长态势及生产全过程图像数据，采用随机均分算法制作第一样本集和第二样本集：
S311，将历史采集的农作物生长态势及生产全过程图像数据进行标注得到对应的生长态势标签，将历史采集的农作物生长态势及生产全过程图像数据及其对应的生长态势标签作为原始数据集；需要说明的是，针对实时采集的农作物生长态势及生产全过程图像数据均是需要经过预处理后进行存储的，因此此处历史采集的农作物生长态势及生产全过程图像数据实际上是已经经过预处理后的农作物生长态势及生产全过程图像数据，不需要再进行一次预处理。
S312，将原始数据集划分为n个大类和m个小类：将n个大类记为X1,X2,…,Xn，m个小类记为Y1,Y2,…,Ym；需要说明的是，大类和小类是相对的，即n＞m，n,m的具体值可根据需要进行设定。
S313，将n个大类随机均匀分为两份样本集，分别为D1和D2：
S3131，将第i个大类的所有样本从1开始编号至Xi；令k=1；其中，0＜i≤n，i为正整数，初始值为1；
S3132，计算第k个随机数xk=(axk-1+b) mod m；其中，乘数a满足a=4p+1，增量b满足b=2q+1，p,q为正整数；
S3133，计算λk-xk/m×Xi，并将编号为λk的样本放入数据集D’1中；
S3134，若k＞⌈Xi/2⌉，⌈⌉表示向上取整，则进入步骤S3135；否则，令k=k+1，进入步骤S3132；
S3135，将第i个大类中剩余的样本放入数据集D’2中，i=i+1；
S3136，若i＞n，则结束步骤S313；否则进入步骤S3131；
S314，将小类的所有类Y1,Y2,…,Ym分别加入数据集D’1和D’2，形成两个样本集：{Y1,Y2,…,Ym,D’1}和{Y1,Y2,…,Ym,D’2}，记为第一样本集D1和第二样本集D2。通过采用随机均分算法，能够使得输入第一预测子模型和第二预测子模型的样本数量均衡。
S32，将第一样本集划分为训练集和测试集后，输入第一预测子模型进行训练，得到训练好的第一预测子模型；
S33，将第二样本集划分为训练集和测试集后，输入第二预测子模型进行训练，得到训练好的第二预测子模型；
上述步骤S32和S33中对第一预测子模型和第二预测子模型进行训练的目标函数L为：
Figure 905697DEST_PATH_IMAGE002
其中，N表示输入第一预测子模型或第二预测子模型的样本数量，K为生长态势标签类别的数量，例如若将生长周期划分为种子期-发芽期-出苗期-花粒期-蕾薹期-开花期-发育成熟期，则K=7；yb,c表示第b个样本预测为第c个生长态势标签类别的结果；pb,c为第b个样本预测为第c个生长态势标签类别的概率。
S34，将训练好的第一预测子模型和第二预测子模型加权求和为农作物生长态势及生产全过程预测模型。
S4，将预处理后的农作物生长态势及生产全过程图像数据分别输入第一预测子模型和第二预测子模型，得到第一农作物生长态势及生产全过程预测结果和第二农作物生长态势及生产全过程预测结果；
S5，将第一农作物生长态势及生产全过程预测结果和第二农作物生长态势及生产全过程预测结果进行加权求和得到最终的农作物生长态势及生产全过程预测结果。第一预测子模型和第二预测子模型输出的第一农作物生长态势及生产全过程预测结果和第二农作物生长态势及生产全过程预测结果为农作物的生长态势属于各个生长态势标签类别的概率，而第一预测子模型和第二预测子模型为完全相同的结构，因此可以设置第一预测子模型和第二预测子模型的权重各位0.5，由此最终的农作物生长态势及生产全过程预测结果Z表示为：
Z=0.5×Z1+0.5×Z2。
其中，Z1表示第一农作物生长态势及生产全过程预测结果；Z2表示第一农作物生长态势及生产全过程预测结果。
实施例2
本实施例提供一种智慧农业全过程生产大数据智能分析系统平台，如图3、图4所示，所述智慧农业全过程生产大数据智能分析系统平台的架构包括感知层、网络层、数据层、服务层和应用层；
所述感知层用于通过多种智能传感设备实时采集农作物生长态势及生产全过程相关数据；所述农作物生长态势及生产全过程相关数据包括农作物生长态势及生产全过程图像数据以及农作物生长态势及生产全过程传感器数据；
所述网络层用于通过构建的融合网络为所述智慧农业全过程生产大数据智能分析系统平台提供网络支撑；
所述数据层用于为实时采集的农作物生长态势及生产全过程相关数据提供通用的数据获取服务；针对农作物环境的特点，如分散、长距离等，本实施例中所述服务层采用云服务器实现，整个架构的远距离传输通过无线网络进行数据传输和信息交互；
所述服务层用于对实时采集的农作物生长态势及生产全过程传感器数据进行标准化，以及通过如实施例1所述的智慧农业全过程生产大数据智能分析方法对实时采集的农作物生长态势及生产全过程图像数据进行农作物生长态势及生产全过程预测；
所述应用层包括多个农业相关的应用子系统，用于对农作物生长态势及生产全过程相关数据以及预测结果进行数据共享，并通过可视化技术进行展示。具体地，所述应用子系统包括农业监测系统、温室物联网系统、农产品质量安全追溯系统和农业灾害预警系统。为了更便于使用，所述应用子系统运行在移动端和/或PC端。
在本实施例中，所述农作物生长态势及生产全过程传感器数据包括农作物环境中温度、湿度、PH值、光照、风速、气象数据；
所述感知层的多种智能传感设备包括：
用于采集农作物生长态势及生产全过程传感器数据的各种传感器：温度传感器、湿度传感器、PH值传感器、光照传感器、风速传感器和气象传感器，具体地：
用于采集农作物环境中温度数据的温度传感器；
用于采集农作物环境中湿度数据的湿度传感器；
用于采集农作物环境土壤中PH值的PH值传感器；
用于采集农作物环境中光照数据的光照传感器；
用于采集农作物环境中风速数据的风速传感器；
用于采集农作物环境中气象数据的气象传感器；除此以外，还可以通过气象网获取农作物环境当地的气象数据。
需要说明的是，此处罗列的农作物生长态势及生产全过程传感器数据为本实施例设置的数据，但不应以此进行限定，例如还可以获取农作物的GPS位置信息等。
以及用于采集农作物生长态势及生产全过程图像数据的视频监控器。所述视频监控器需要采用高清摄像头，并支持夜间摄像模式，并带有夜间补光灯。
另外，由于农作物环境为户外环境，需要智能传感设备具有户外使用的硬件条件，例如防水、防结冰、耐高温、耐低温、耐锈蚀等。
进一步的，由上可见，感知层的智能传感设备种类繁多，需要针对不同区域、不同应用场景、不同数据传输需求提供统一的网络解决方案。对此，本实施例中所述网络层构建的融合网络为集成了无线传感器网络、RFID、NB-IOT、近距离无线通信网络以及5G的融合网络，有效地为智慧农业全过程生产大数据智能分析系统平台提供网络支撑。
同时，由于感知层的智能传感设备种类繁多，还需要针对多种智能传感设备实时采集的农作物生长态势及生产全过程相关数据提供统一的数据获取服务，实现连续或周期性高密度监测。对此，如图5所示，本实施例中，所述数据层的设备包括：
与每个智能传感设备对应的适配器，所述适配器用于对每个智能传感设备实时采集的农作物生长态势及生产全过程相关数据进行适配；
与每个适配器连接的数据格式转换器，所述数据格式转换器用于将农作物生长态势及生产全过程传感器数据转换为统一数据格式，以及将农作物生长态势及生产全过程图像数据转换为统一图像数据格式，便于服务层标准化使用；
以及用于对每个智能传感设备进行管理的数据源管理器、对每个适配器进行管理的适配器管理器和对数据采集过程进行管理的数据采集管理器。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种智慧农业全过程生产大数据智能分析方法，其特征在于，包括如下步骤：
S1，实时采集农作物生长态势及生产全过程图像数据；
S2，对实时采集的农作物生长态势及生产全过程图像数据进行预处理；
S3，构建并训练农作物生长态势及生产全过程预测模型；所述农作物生长态势及生产全过程预测模型包括第一预测子模型和第二预测子模型；
S4，将预处理后的农作物生长态势及生产全过程图像数据分别输入第一预测子模型和第二预测子模型，得到第一农作物生长态势及生产全过程预测结果和第二农作物生长态势及生产全过程预测结果；
S5，将第一农作物生长态势及生产全过程预测结果和第二农作物生长态势及生产全过程预测结果进行加权求和得到最终的农作物生长态势及生产全过程预测结果。
2.根据权利要求1所述的智慧农业全过程生产大数据智能分析方法，其特征在于，步骤S3中构建的农作物生长态势及生产全过程预测模型中第一预测子模型和第二预测子模型的结构相同；所述第一预测子模型和第二预测子模型均包括：
依次连接的1个卷积层Conv1、16个移动翻转瓶颈卷积模块MBConv、1个卷积层Conv2、1个全局平均池化层、1个全连接层FC和1个softmax层；其中：
卷积层Conv1的结构为：卷积核为3×3，步长为2×2；
16个移动翻转瓶颈卷积模块MBConv的结构为：
1个移动翻转瓶颈卷积模块MBConv，扩张比例为1，卷积核为3×3，步长为1×1；
2个移动翻转瓶颈卷积模块MBConv，扩张比例为6，卷积核为3×3，步长为2×2；
2个移动翻转瓶颈卷积模块MBConv，扩张比例为6，卷积核为5×5，步长为2×2；
3个移动翻转瓶颈卷积模块MBConv，扩张比例为6，卷积核为3×3，步长为2×2；
3个移动翻转瓶颈卷积模块MBConv，扩张比例为6，卷积核为5×5，步长为1×1；
4个移动翻转瓶颈卷积模块MBConv，扩张比例为6，卷积核为5×5，步长为2×2；
1个移动翻转瓶颈卷积模块MBConv，扩张比例为6，卷积核为3×3，步长为1×1；
卷积层Conv2的结构为：卷积核为1×1，步长为1×1。
3.根据权利要求2所述的智慧农业全过程生产大数据智能分析方法，其特征在于，步骤S3中训练农作物生长态势及生产全过程预测模型的方法包括：
S31，基于历史采集的农作物生长态势及生产全过程图像数据，采用随机均分算法制作第一样本集和第二样本集；
S32，将第一样本集划分为训练集和测试集后，输入第一预测子模型进行训练，得到训练好的第一预测子模型；
S33，将第二样本集划分为训练集和测试集后，输入第二预测子模型进行训练，得到训练好的第二预测子模型；
S34，将训练好的第一预测子模型和第二预测子模型加权求和为农作物生长态势及生产全过程预测模型。
4.根据权利要求3所述的智慧农业全过程生产大数据智能分析方法，其特征在于，步骤S31中采用随机均分算法制作第一样本集和第二样本集的方法包括：
S311，将历史采集的农作物生长态势及生产全过程图像数据进行标注得到对应的生长态势标签，将历史采集的农作物生长态势及生产全过程图像数据及其对应的生长态势标签作为原始数据集；
S312，将原始数据集划分为n个大类和m个小类：将n个大类记为X1,X2,…,Xn，m个小类记为Y1,Y2,…,Ym；
S313，将n个大类随机均匀分为两份样本集，分别为D1和D2：
S3131，将第i个大类的所有样本从1开始编号至Xi；令k=1；其中，0＜i≤n，i为正整数，初始值为1；
S3132，计算第k个随机数xk=(axk-1+b) mod m；其中，乘数a满足a=4p+1，增量b满足b=2q+1，p,q为正整数；
S3133，计算λk-xk/m×Xi，并将编号为λk的样本放入数据集D’1中；
S3134，若k＞⌈Xi/2⌉，⌈⌉表示向上取整，则进入步骤S3135；否则，令k=k+1，进入步骤S3132；
S3135，将第i个大类中剩余的样本放入数据集D’2中，i=i+1；
S3136，若i＞n，则结束步骤S313；否则进入步骤S3131；
S314，将小类的所有类Y1,Y2,…,Ym分别加入数据集D’1和D’2，形成两个样本集：{Y1,Y2,…,Ym,D’1}和{Y1,Y2,…,Ym,D’2}，记为第一样本集D1和第二样本集D2。
5.根据权利要求3所述的智慧农业全过程生产大数据智能分析方法，其特征在于，步骤S32和S33中对第一预测子模型和第二预测子模型进行训练的目标函数L为：
Figure DEST_PATH_IMAGE001
其中，N表示输入第一预测子模型或第二预测子模型的样本数量，K为生长态势标签类别的数量；yb,c表示第b个样本预测为第c个生长态势标签类别的结果；pb,c为第b个样本预测为第c个生长态势标签类别的概率。
6.根据权利要求1所述的智慧农业全过程生产大数据智能分析方法，其特征在于，步骤S2中对实时采集的农作物生长态势及生产全过程图像数据进行预处理的方法包括：
S21，将实时采集的农作物生长态势及生产全过程图像数据转换为统一图像数据格式；
S22，根据具有统一图像数据格式的农作物生长态势及生产全过程图像数据中的农作物进行图像对齐；
S23，对图像对齐后的农作物生长态势及生产全过程图像数据进行尺寸变换，使得图像数据大小一致。
7.一种智慧农业全过程生产大数据智能分析系统平台，其特征在于，所述智慧农业全过程生产大数据智能分析系统平台的架构包括感知层、网络层、数据层、服务层和应用层；
所述感知层用于通过多种智能传感设备实时采集农作物生长态势及生产全过程相关数据；所述农作物生长态势及生产全过程相关数据包括农作物生长态势及生产全过程图像数据以及农作物生长态势及生产全过程传感器数据；
所述网络层用于通过构建的融合网络为所述智慧农业全过程生产大数据智能分析系统平台提供网络支撑；
所述数据层用于为实时采集的农作物生长态势及生产全过程相关数据提供通用的数据获取服务；
所述服务层用于对实时采集的农作物生长态势及生产全过程传感器数据进行标准化，以及通过如权利要求1-6任一项所述的智慧农业全过程生产大数据智能分析方法对实时采集的农作物生长态势及生产全过程图像数据进行农作物生长态势及生产全过程预测；
所述应用层包括多个农业相关的应用子系统，用于对农作物生长态势及生产全过程相关数据以及预测结果进行数据共享，并通过可视化技术进行展示。
8.根据权利要求7所述的智慧农业全过程生产大数据智能分析系统平台，其特征在于，所述农作物生长态势及生产全过程传感器数据包括农作物环境中温度、湿度、PH值、光照、风速、气象数据；
所述感知层的多种智能传感设备包括：
用于采集农作物生长态势及生产全过程传感器数据的温度传感器、湿度传感器、PH值传感器、光照传感器、风速传感器和气象传感器，采集的农作物生长态势及生产全过程传感器数据包括农作物环境中温度、湿度、PH值、光照、风速、气象数据；
以及用于采集农作物生长态势及生产全过程图像数据的视频监控器。
9.根据权利要求8所述的智慧农业全过程生产大数据智能分析系统平台，其特征在于，所述网络层构建的融合网络为集成了无线传感器网络、RFID、NB-IOT、近距离无线通信网络以及5G的融合网络。
10.根据权利要求8所述的智慧农业全过程生产大数据智能分析系统平台，其特征在于，所述数据层的设备包括：
与每个智能传感设备对应的适配器，所述适配器用于对每个智能传感设备实时采集的农作物生长态势及生产全过程相关数据进行适配；
与每个适配器连接的数据格式转换器，所述数据格式转换器用于将农作物生长态势及生产全过程传感器数据转换为统一数据格式，以及将农作物生长态势及生产全过程图像数据转换为统一图像数据格式，便于服务层标准化使用；
以及用于对每个智能传感设备进行管理的数据源管理器、对每个适配器进行管理的适配器管理器和对数据采集过程进行管理的数据采集管理器。
CN202210915377.4A 2022-08-01 2022-08-01 一种智慧农业全过程生产大数据智能分析方法及系统平台 Pending CN114997535A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210915377.4A CN114997535A (zh) 2022-08-01 2022-08-01 一种智慧农业全过程生产大数据智能分析方法及系统平台

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210915377.4A CN114997535A (zh) 2022-08-01 2022-08-01 一种智慧农业全过程生产大数据智能分析方法及系统平台

Publications (1)

Publication Number Publication Date
CN114997535A true CN114997535A (zh) 2022-09-02

Family

ID=83022233

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210915377.4A Pending CN114997535A (zh) 2022-08-01 2022-08-01 一种智慧农业全过程生产大数据智能分析方法及系统平台

Country Status (1)

Country Link
CN (1) CN114997535A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116897668A (zh) * 2023-07-17 2023-10-20 辽宁省农业机械化研究所 一种电驱农作物播种施肥控制方法及系统
CN117787453A (zh) * 2023-05-17 2024-03-29 广东千沣农业科技有限公司 一种玉米生长态势变化趋势预测方法、系统及电子设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109508824A (zh) * 2018-11-07 2019-03-22 西京学院 一种农作物生长态势检测及产量预估方法
CN110163254A (zh) * 2019-04-19 2019-08-23 淮阴工学院 一种基于递归神经网络的黄瓜温室产量智能化预测装置
CN111582324A (zh) * 2020-04-20 2020-08-25 广州海睿信息科技有限公司 农业大数据分析的方法及装置
CN111666872A (zh) * 2020-06-04 2020-09-15 电子科技大学 一种数据不平衡下的高效行为识别方法
CN111914814A (zh) * 2020-09-01 2020-11-10 平安国际智慧城市科技股份有限公司 小麦锈病检测方法、装置及计算机设备
CN112581459A (zh) * 2020-12-23 2021-03-30 安徽高哲信息技术有限公司 一种农作物分类系统和方法
CN112819023A (zh) * 2020-06-11 2021-05-18 腾讯科技（深圳）有限公司 样本集的获取方法、装置、计算机设备和存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109508824A (zh) * 2018-11-07 2019-03-22 西京学院 一种农作物生长态势检测及产量预估方法
CN110163254A (zh) * 2019-04-19 2019-08-23 淮阴工学院 一种基于递归神经网络的黄瓜温室产量智能化预测装置
CN111582324A (zh) * 2020-04-20 2020-08-25 广州海睿信息科技有限公司 农业大数据分析的方法及装置
CN111666872A (zh) * 2020-06-04 2020-09-15 电子科技大学 一种数据不平衡下的高效行为识别方法
CN112819023A (zh) * 2020-06-11 2021-05-18 腾讯科技（深圳）有限公司 样本集的获取方法、装置、计算机设备和存储介质
CN111914814A (zh) * 2020-09-01 2020-11-10 平安国际智慧城市科技股份有限公司 小麦锈病检测方法、装置及计算机设备
CN112581459A (zh) * 2020-12-23 2021-03-30 安徽高哲信息技术有限公司 一种农作物分类系统和方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117787453A (zh) * 2023-05-17 2024-03-29 广东千沣农业科技有限公司 一种玉米生长态势变化趋势预测方法、系统及电子设备
CN117787453B (zh) * 2023-05-17 2024-08-02 广东千沣农业科技有限公司 一种玉米生长态势变化趋势预测方法、系统及电子设备
CN116897668A (zh) * 2023-07-17 2023-10-20 辽宁省农业机械化研究所 一种电驱农作物播种施肥控制方法及系统
CN116897668B (zh) * 2023-07-17 2024-01-23 辽宁省农业机械化研究所 一种电驱农作物播种施肥控制方法及系统

Similar Documents

Publication Publication Date Title
Channe et al. Multidisciplinary model for smart agriculture using internet-of-things (IoT), sensors, cloud-computing, mobile-computing & big-data analysis
CN114997535A (zh) 一种智慧农业全过程生产大数据智能分析方法及系统平台
CN112990262B (zh) 一种草原生态数据监测与智能决策一体化解决系统
CN113160150B (zh) 线网异物入侵ai检测方法与装置
Culman et al. A novel application for identification of nutrient deficiencies in oil palm using the internet of things
Nayagam et al. Control of pests and diseases in plants using iot technology
CN116257792B (zh) 一种智慧城市碳中和数据分析系统
Obi Reddy et al. Applications of geospatial and big data technologies in smart farming
Kumar et al. Multiparameter optimization system with DCNN in precision agriculture for advanced irrigation planning and scheduling based on soil moisture estimation
Alimul Haque et al. Potential applications of the Internet of Things in sustainable rural development in India
Liao et al. A hybrid CNN-LSTM model for diagnosing rice nutrient levels at the rice panicle initiation stage
Nyakuri et al. IoT and AI based smart soil quality assessment for data-driven irrigation and fertilization
CN114399416A (zh) 一种草原生态自动监测站监测数据管理系统
Niu et al. Early Drought Detection in Maize Using UAV Images and YOLOv8+
Drepaul Sustainable Cities and the Internet of Things (IOT) Technology
CN116028586B (zh) 农业产业链信息服务方法及装置
CN115345488A (zh) 一种湿地生态系统服务评估方法、装置、服务器及介质
Singh et al. Artificial internet of things (AIoT) and its momentous impact and challenges in modern agriculture
Gao et al. Ecological risk assessment of grassland vegetation change based on Bayesian model in Xilin Gol League, China
Berestov et al. Assessment of Weather Risks for Agriculture using Big Data and Industrial Internet of Things Technologies
Reddy et al. Big data in smart farming: Challenges and opportunities
CN111353666A (zh) 一种基于野外环境监测站点的生态风险预警方法
Wei et al. Irrigation with Artificial Intelligence: Problems, Premises, Promises
Sharma et al. A Review on Plant Growth Monitoring using Artificial Intelligence and the Internet of Things
Singh et al. Transformative Potential of IoT for Developing Smart Agriculture System: A Systematic Review

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20220902

RJ01 Rejection of invention patent application after publication