CN114998335A - 物联网视频监控系统及其监控方法 - Google Patents
物联网视频监控系统及其监控方法 Download PDFInfo
- Publication number
- CN114998335A CN114998335A CN202210920898.9A CN202210920898A CN114998335A CN 114998335 A CN114998335 A CN 114998335A CN 202210920898 A CN202210920898 A CN 202210920898A CN 114998335 A CN114998335 A CN 114998335A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- growth
- video
- defect
- distribution
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 225
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000009643 growth defect Effects 0.000 claims abstract description 86
- 238000004458 analytical method Methods 0.000 claims abstract description 77
- 230000012010 growth Effects 0.000 claims abstract description 68
- 230000007547 defect Effects 0.000 claims description 77
- 235000013399 edible fruits Nutrition 0.000 claims description 50
- 230000002015 leaf growth Effects 0.000 claims description 42
- 230000008859 change Effects 0.000 claims description 41
- 230000009545 invasion Effects 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 15
- 230000000007 visual effect Effects 0.000 claims description 15
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 210000002615 epidermis Anatomy 0.000 claims description 3
- 239000003102 growth factor Substances 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 2
- 230000008635 plant growth Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000035784 germination Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 210000003491 skin Anatomy 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供了物联网视频监控系统及其监控方法，涉及物联网监控技术领域，搭建物联网视频监控系统，基于可调焦距摄像头获取目标区域监控视频集合，进而进行外来入侵分析以确定外来入侵事件要素；利用多个传感器装置进行目标区域农作物的实时监测获取生长要素集合，进一步进行生长缺陷分析确定生长缺陷事件要素，调整可调焦距摄像头获取生长缺陷特征要素，进一步进行目标区域农作物生长情况的监控，解决了现有技术中存在的通过物联网技术进行植物生长监控的方法不够智能化，对于参数数据的分析深度不足，使得对于生长状况的监控不到位，以造成后续的调整损耗的技术问题，实现了物联网技术下对于植物生长的智能化精准自动监控。
Description
技术领域
本发明涉及物联网监控技术领域，具体涉及物联网视频监控系统及其监控方法。
背景技术
随着物联网的快速发展与普及，其使用范围越来越广，对于植物的生长监控方面也有所涉猎，现如今，可通过物联网进行植物生长状态的监控，对于植物生长过程中的相关问题可及时进行捕捉，进而采用相应措施进行解决，以保证植物的正常生长，然而，基于物联网技术进行植物生长监测方面，由于现今常用的监测方法还不够完善，存在一定的局限性，使得最终的监控结果不够精准，进而影响后续措施调整。
现有技术中，通过物联网技术进行植物生长监控的方法不够智能化，对于参数数据的分析深度不足，使得对于生长状况的监控不到位，以造成后续的调整损耗。
发明内容
本申请提供了物联网视频监控系统及其监控方法，用于针对解决现有技术中存在的通过物联网技术进行植物生长监控的方法不够智能化，对于参数数据的分析深度不足，使得对于生长状况的监控不到位，以造成后续的调整损耗的技术问题。
鉴于上述问题，本申请提供了物联网视频监控系统及其监控方法。
第一方面，本申请提供了物联网视频监控系统，所述系统包括：系统搭建模块，所述系统搭建模块用于搭建物联网视频监控系统，其中，所述物联网视频监控系统与多个传感器装置、可调焦距摄像头通过无线网络连接；视频采集模块，所述视频采集模块用于基于所述可调焦距摄像头，对目标区域进行全天候全方位的视频监控，得到监控视频集合；视频分析模块，所述视频分析模块用于对所述监控视频集合进行外来入侵分析，确定外来入侵事件要素；生长要素监测模块，所述生长要素监测模块用于利用所述多个传感器装置，对所述目标区域的农作物生长情况进行多生长要素的实时监测，得到生长要素集合；缺陷分析模块，所述缺陷分析模块用于通过对所述生长要素集合进行生长缺陷分析，确定生长缺陷事件要素；特征获取模块，所述特征获取模块用于利用所述生长缺陷事件要素，对所述可调焦距摄像头进行适应性调整，可得到生长缺陷特征要素；目标监控模块，所述目标监控模块用于通过所述外来入侵事件要素和所述生长缺陷特征要素，对所述目标区域的所述农作物生长情况进行监控。
第二方面，本申请提供了物联网视频监控方法，所述方法包括：搭建物联网视频监控系统，其中，所述物联网视频监控系统与多个传感器装置、可调焦距摄像头通过无线网络连接；基于所述可调焦距摄像头，对目标区域进行全天候全方位的视频监控，得到监控视频集合；对所述监控视频集合进行外来入侵分析，确定外来入侵事件要素；利用所述多个传感器装置，对所述目标区域的农作物生长情况进行多生长要素的实时监测，得到生长要素集合；通过对所述生长要素集合进行生长缺陷分析，确定生长缺陷事件要素；利用所述生长缺陷事件要素，对所述可调焦距摄像头进行适应性调整，可得到生长缺陷特征要素；通过所述外来入侵事件要素和所述生长缺陷特征要素，对所述目标区域的所述农作物生长情况进行监控。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请实施例提供的物联网视频监控方法，搭建物联网视频监控系统，所述物联网视频监控系统与多个传感器装置、可调焦距摄像头通过无线网络连接；基于所述可调焦距摄像头进行目标区域的全天候全方位的视频监控，获取监控视频集合，进而进行外来入侵分析以确定外来入侵事件要素；利用所述多个传感器装置，通过对所述目标区域的农作物生长情况进行多生长要素的实时监测，获取生长要素集合，进一步进行生长缺陷分析以确定生长缺陷事件要素，基于此对所述可调焦距摄像头进行适应性调整获取生长缺陷特征要素，通过所述外来入侵事件要素和所述生长缺陷特征要素，实现所述目标区域的所述农作物生长情况的监控，解决了现有技术中存在的通过物联网技术进行植物生长监控的方法不够智能化，对于参数数据的分析深度不足，使得对于生长状况的监控不到位，以造成后续的调整损耗的技术问题，实现了物联网技术下对于植物生长的智能化精准自动监控。
附图说明
附图用来提供对本发明进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本申请提供了物联网视频监控方法流程示意图；
图2为本申请提供了物联网视频监控方法中外来入侵事件分析流程示意图；
图3为本申请提供了物联网视频监控方法中目标区域农作物生长监控流程示意图；
图4为本申请提供了物联网视频监控系统结构示意图。
附图标记：系统搭建模块a，视频采集模块b，视频分析模块c，生长要素监测模块d，缺陷分析模块e，特征获取模块f，目标监控模块g。
具体实施方式
为了使得本发明的技术方案的目的、技术方案和优点更加清楚，下文中将结合本发明具体实施例的附图，对本发明实施例的技术方案进行清楚、完整的描述。附图中相同的附图标记代表相同的部件。需要说明的是，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的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。
本申请通过提供物联网视频监控系统及其监控方法，获取目标区域监控视频集合，对其进行外来入侵分析以确定外来入侵事件要素；利用多个传感器装置进行目标区域农作物的实时监测获取生长要素集合，进一步进行生长缺陷分析确定生长缺陷事件要素，调整可调焦距摄像头获取生长缺陷特征要素，进一步进行目标区域农作物生长情况的监控，用于解决现有技术中存在的通过物联网技术进行植物生长监控的方法不够智能化，对于参数数据的分析深度不足，使得对于生长状况的监控不到位，以造成后续的调整损耗的技术问题。
实施例一
如图1所示，本申请提供了一种物联网视频监控方法，所述方法包括：
步骤S100：搭建物联网视频监控系统，其中，所述物联网视频监控系统与多个传感器装置、可调焦距摄像头通过无线网络连接；
具体而言，本申请提供了物联网视频监控系统与监控方法，通过对农作物缺陷进行针对性的监控捕捉，以获取缺陷参数信息进行相应调整，首先，进行所述物联网视频监控系统的搭建，所述物联网视频监控系统指对目标事物信息进行网络传输分析，进一步进行精准监控的综合系统，所述物联网视频监控系统与所述多个传感器装置、可调焦距摄像头通过无线网络进行连接，所述传感器装置等同于五官衍生物，可用于对目标区域的农作物进行生长要素的实时精准监控，所述可调焦距摄像头可用于对目标区域农作物基于生长缺陷特征进行针对性焦距调整，进而进行信息采集，通过进行所述物联网视频监控系统搭建，为后续进行农作物生长情况监测提供了基本条件。
步骤S200：基于所述可调焦距摄像头，对目标区域进行全天候全方位的视频监控，得到监控视频集合；
具体而言，通过对所述目标区域进行面积划分，获取种植区域与非种植区域，进一步分别对所述种植区域与所述非种植区域进行监控必要参数的获取，所述监控必要参数的信息量影响着后续进行视频采集的速率，以所述监控必要参数为基准分别确定所述种植区域与所述非种植区域的视频采集速率，以视频监控时间分布情况与所述视频采集速率为基准，通过所述可调焦距摄像头对所述目标区域进行全天候全方位的视频监控，以获取所述监控视频集合，为后续进行所述目标区域的农作物状态分析提供了事实依据。
进一步而言，所述对目标区域进行全天候全方位的视频监控，本申请步骤S200还包括：
步骤S210：对所述目标区域进行占地面积数据采集，确定占地面积数据；
步骤S220：对所述目标区域进行分布区域标记，确定各分布区域数据，其中，所述各分布区域数据包括种植区域、非种植区域；
步骤S230：将所述占地面积数据、所述种植区域以及所述非种植区域，输入至视频监控时间分布模型进行训练；
步骤S240：获得训练结果，所述训练结果包括对所述目标区域的视频监控时间分布。
具体而言，确定所述目标区域范围，所述目标区域指农作物所在的生长区域，对所述目标区域的占地面积进行数据采集，获取所述目标区域的占地面积大小、布局等相关数据信息，以确定所述占地面积信息，进一步对所述目标区域进行区域划分，确定所述目标区域所覆盖的种植区域与非种植区域的范围，对所述种植区域与所述非种植区域分别基于面积排布顺序进行不同序列的标识，示例性的，对于种植区域以a进行标注，进一步对不同种植区域可使用阿拉伯数字进行标识划分，进而对获取的所述目标区域的标识结果进行归类整合处理，获取所述各分布区域数据，进一步进行系统存储，将所述占地面积数据、所述种植区域与所述非种植区域输入所述视频监控时间分布模型，所述视频监控时间分布模型指用于对所述目标区域各部分的监控时间进行合理规划的虚拟模型，基于上述数据信息进行模型训练获取模型训练结果，所述训练结果包括对所述目标区域的视频监控时间分布，可有效提高所述视频监控时间分布模型的实际贴合度，以所述视频监控时间分布为基准对所述目标区域进行监控。
进一步而言，本申请步骤S240还包括：
步骤S241：基于所述视频监控时间分布，获得所述种植区域对应的种植区域监控时间分布、所述非种植区域对应的非种植区域监控时间分布；
步骤S242：通过对所述种植区域和所述非种植区域进行视频监控必要性分析，可得到种植区域监控必要参数、非种植区域监控必要参数；
步骤S243：基于所述种植区域监控时间分布和所述种植区域监控必要参数，确定所述可调焦距摄像头对所述种植区域的第一视频采集速率；
步骤S244：基于所述非种植区域监控时间分布和所述非种植区域监控必要参数，确定所述可调焦距摄像头对所述非种植区域的第二视频采集速率；
步骤S245：基于所述第一视频采集速率和所述第二视频采集速率，对目标区域进行全天候全方位的视频监控。
具体而言，通过进行模型训练模拟获取所述视频监控时间分布，其中，所述视频监控时间分布包括所述种植区域对应的种植区域监控时间分布与所述非种植区域对应的所述非种植区域监控时间分布，分别对所述种植区域与所述非种植区域进行视频监控必要性分析，确定对应区域的参数信息覆盖度与多个参数的影响度大小，获取所述种植区域监控必要参数与所述非种植区域监控必要参数，所述种植区域监控必要参数包括了农作物种植密度、种植种类、表面积等，所述非种植区域监控必要参数包括地势特点、障碍物等，以所述种植区域监控时间分布和所述种植区域监控必要参数为基准，确定所述可调焦距摄像头对所述种植区域的第一视频采集速率，对于参数覆盖度较大的区域，视频采集速率较慢，对于摄像头的焦距调整频率较多，以便提高采集信息的完备性，对于参数覆盖度较小的区域可适当提高视频采集速率，以提高采集速度，同理，以所述非种植区域监控时间分布和所述非种植区域监控必要参数为基准，获取所述可调焦距摄像头对所述非种植区域的第二视频采集速率，根据所述第一视频采集速率和所述第二视频采集速率进行所述目标区域的全天候全方位视频监控，对获取的监控视频基于视频采集的顺序性进行归类整合处理，以获取所述监控视频集合。
步骤S300：对所述监控视频集合进行外来入侵分析，确定外来入侵事件要素；
具体而言，通过对所述目标区域进行全天候全方位的视频监控以获取所述监控视频集合，所述监控视频集合包含种植区域视频集与非种植区域视频集，对所述监控视频集合进行外来入侵分析，通过进行所述监控视频集合中的多个要素特征提取，所述要素特征指代所述目标区域所存在的相应农作物的普遍特征标准，以一定时间间隔作为分析时间点，获取所述监控视频集合中的多个要素特征的变动情况，进一步以正常变动幅度作为参考对象，进行所述监控视频集合中的多个要素特征的变动比对，设置正常波动范围，确定大于正常波动范围的要素为所述外来入侵事件要素，该现象可能由多种非正常因素导致，例如，虫灾、紫外线暴晒等。
进一步而言，如图2所示，对所述监控视频集合进行外来入侵分析，本申请步骤S300还包括：
步骤S310：对所述监控视频集合进行历史时间节点统计，得到历史监控视频集合；
步骤S320：通过对所述历史监控视频集合进行视频要素解析，得到多要素分布；
步骤S330：对所述多要素分布中的各要素固有特征进行预设时间段的变化采集，获得各要素固有特征变化趋势；
步骤S340：对所述各要素固有特征变化趋势进行预设变化波动值的特征筛选，可得到所述外来入侵事件要素。
具体而言，对采集的所述监控视频集合基于采集时间节点进行顺序性排序提取，获取过去一段时间间隔下的监控视频集合，作为所述历史监控视频集合，进一步对所述历史监控视频集合进行视频要素解析，例如，农作物具体类型，果树躯干、叶脉、颜色、长势等，确定多要素的分布信息，进一步的，对所述多要素分布中各要素固有特征进行预设时间段的变化采集，所述固有特征指表述各种农作物生长进程中所表现出来的同类型所普遍具有的特征信息，以所述预设时间段为特征分析时间区间，确定各要素固有特征变化趋势，例如躯干发芽、颜色变化等，根据所述各要素固有特征变化趋势进行所述预设变化波动值的设定，所述预设变化波动值为各要素在所述预设时间段内的特征正常变化限定区间，以所述预设变化波动值为标准对进行固有特征变化走势筛选，确定所述预设变化波动值范围外的相关元素作为所述外来入侵事件要素，所述外来入侵事件要素的存在会导致农作物异常生长。
步骤S400：利用所述多个传感器装置，对所述目标区域的农作物生长情况进行多生长要素的实时监测，得到生长要素集合；
步骤S500：通过对所述生长要素集合进行生长缺陷分析，确定生长缺陷事件要素；
具体而言，基于所述多个传感器装置对所述目标区域的农作物生长情况进行多生长要素的实时监测，所述传感器装置可间接看作是人类五官的延长，可对外界信息进行精准获取，通过多个传感器装置同时运行可有效提高信息采集的频次，避免单传感器采集由于间隔时间过大导致信息完备性不足，以影响最终分析结果，通过进行多生长要素的实时监测获取所述生长要素集合，所述生长要素集合包括所述目标区域内农作物的组成分布情况，例如枝叶、果实等，进一步以所述生长要素集合为基准进行生长缺陷分析，通过提取要素分布信息并进行可视化处理，以确定生长缺陷事件要素，所述生长缺陷事件要素指代所述生长要素集合中存在的非正常要素表现。
进一步而言，通过对所述生长要素集合进行生长缺陷分析，本申请步骤S500还包括：
步骤S510：根据所述生长要素集合，确定农作物的枝叶生长分布、果实结果分布；
步骤S520：通过对所述枝叶生长分布、果实结果分布进行数据转换的可视化分析，确定枝叶生长可视化分布、果实结果可视化分布；
步骤S530：对所述枝叶生长可视化分布、所述果实结果可视化分布，进行遍历的缺陷分析，可得到所述生长缺陷事件要素，其中，所述生长缺陷事件要素包括枝叶生长缺陷要素、果实结果缺陷要素。
具体而言，通过进行所述目标区域农作物生长要素的实时监测，获取所述生长要素集合，通过进行信息提取分析获取所述农作物的枝叶生长分布与果实结果分布，进一步对所述农作物的枝叶生长分布与果实结果分布进行数据转换以得到可视化表述，获取所述枝叶生长可视化分布与所述果实结果可视化分布，示例性的，可通过构建要素分布图进行表述，进一步遍历所述枝叶生长可视化分布与所述果实结果可视化分布，进行缺陷识别分析获取所述枝叶生长缺陷要素与所述果实结果缺陷要素，例如果实数量、质量等不达标，进而对获取的所述枝叶生长缺陷要素与所述果实结果缺陷要素进行归类整合，获取所述生长缺陷事件要素，通过获取所述生长缺陷事件要素为进行缺陷特征要素的确定奠定了基础。
步骤S600：利用所述生长缺陷事件要素，对所述可调焦距摄像头进行适应性调整，可得到生长缺陷特征要素；
步骤S700：通过所述外来入侵事件要素和所述生长缺陷特征要素，对所述目标区域的所述农作物生长情况进行监控。
具体而言，获取所述生长缺陷事件要素，对所述生长缺陷事件要素进行具象分析确定各个要素的位置信息，进一步对所述可调焦距摄像头进行适应性调整，确定相应的坐标位置与镜头方向，以此为基准进行生长缺陷事件要素的针对性视频信息采集与分析，获取相应的缺陷特征要素，例如，枝叶生长可能存在颜色异常、完整度不足等相关缺陷特征，同理，对所述生长缺陷事件要素分别进行特征要素分析，获取所述生长缺陷特征要素，进一步的，对所述外来入侵事件要素和所述生长缺陷特征要素进行同时间段内的追踪监控，获取外来入侵数量变化、外来入侵程度变化与生长缺陷特征变化，基于时序性对上述信息进行对应，以确定生长缺陷特征变化的动态影响参数，以此为基准进行所述目标区域的所述农作物生长情况进行监控，使得最终的监测结果更加精准，以便进行生长缺陷的及时调控。
进一步而言，本申请步骤S600还包括：
步骤S610：基于所述监控视频集合，对所述枝叶生长缺陷要素、果实结果缺陷要素进行方位标记，确定枝叶生长缺陷位置、果实结果缺陷位置；
步骤S620：通过所述枝叶生长缺陷位置、果实结果缺陷位置，驱动所述可调焦距摄像头进行角度、焦距定位，可得到高清枝叶生长缺陷数据、高清果实结果缺陷数据；
步骤S630：通过对所述高清枝叶生长缺陷数据、所述高清果实结果缺陷数据，进行深度解析，可得到所述生长缺陷特征要素，其中，所述生长缺陷特征要素至少包括枝叶颜色分布、枝叶残缺性分布、果实表皮分布。
具体而言，获取目标区域的所述监控视频集合，对获取的所述枝叶生长缺陷要素与所述果实结果缺陷要素进行方位识别，基于不同标识序列号对其进行位置标记，获取所述枝叶生长缺陷位置与所述果实结果缺陷位置，以所述枝叶生长缺陷位置与所述果实结果缺陷位置为目标对所述可调焦距摄像头进行角度、焦距定位，将其调整到信息覆盖度与清晰度最高方位，进行枝叶生长缺陷与果实结果缺陷的视频采集，进一步进行视频信息的提取分析获取所述高清枝叶生长缺陷数据与所述高清果实结果缺陷数据，对所述高清枝叶生长缺陷数据与所述高清果实结果缺陷数据进行深度解析，获取所述枝叶颜色分布、所述枝叶残缺性分布、果实表皮分布等相关缺陷特征与对应的具体特征信息，将上述缺陷特征作为所述生长缺陷特征要素进行系统存储。
进一步而言，如图3所示，对所述目标区域的所述农作物生长情况进行监控，本申请步骤S700还包括：
S710：通过对所述外来入侵事件要素进行连续时间的监控，得到外来入侵数量变化、外来入侵程度变化；
S720：对所述生长缺陷特征要素进行所述连续时间的追踪，得到生长缺陷特征变化；
S730：基于所述外来入侵数量变化、外来入侵程度变化，对所述生长缺陷特征变化进行影响性分析，确定动态影响参数；
S740：利用所述动态影响参数，对所述目标区域的所述农作物生长情况进行监控。
具体而言，对所述外来入侵事件要素进行连续时间的监控，对所述外来入侵事件要素逐个进行入侵数量与入侵程度分析，获取所述外来入侵数量变化与所述外来入侵程度变化，同时，对所述生长缺陷特征要素进行连续时间的追踪，对所述生长缺陷特征逐个进行波动幅度分析，获取所述生长缺陷特征变化，其中，所述外来入侵事件要素监控时间与所述生长缺陷特征要素追踪时间一一对应，所述外来入侵事件要素与所述生长缺陷特征变化映射对应，进一步的，以所述外来入侵数量变化与所述外来入侵程度变化为基本依据，对所述生长缺陷特征变化进行影响性分析，确定不同程度下的外来入侵对于所述生长缺陷要素的影响比重，以确定所述动态影响参数，所述动态影响参数包括影响要素与影响比重，进一步以所述动态影响参数为基准进行所述目标区域的所述农作物生长情况的针对性自动调整监控。
实施例二
基于与前述实施例中物联网视频监控方法相同的发明构思，如图4所示，本申请提供了物联网视频监控系统，所述系统包括：
系统搭建模块a，所述系统搭建模块a用于搭建物联网视频监控系统，其中，所述物联网视频监控系统与多个传感器装置、可调焦距摄像头通过无线网络连接；
视频采集模块b，所述视频采集模块b用于基于所述可调焦距摄像头，对目标区域进行全天候全方位的视频监控，得到监控视频集合；
视频分析模块c，所述视频分析模块c用于对所述监控视频集合进行外来入侵分析，确定外来入侵事件要素；
生长要素监测模块d，所述生长要素监测模块d用于利用所述多个传感器装置，对所述目标区域的农作物生长情况进行多生长要素的实时监测，得到生长要素集合；
缺陷分析模块e，所述缺陷分析模块e用于通过对所述生长要素集合进行生长缺陷分析，确定生长缺陷事件要素；
特征获取模块f，所述特征获取模块f用于利用所述生长缺陷事件要素，对所述可调焦距摄像头进行适应性调整，可得到生长缺陷特征要素；
目标监控模块g，所述目标监控模块g用于通过所述外来入侵事件要素和所述生长缺陷特征要素，对所述目标区域的所述农作物生长情况进行监控。
进一步而言，所述系统还包括：
数据采集模块，所述数据采集模块用于对所述目标区域进行占地面积数据采集，确定占地面积数；
区域标记模块，所述区域标记模块用于对所述目标区域进行分布区域标记，确定各分布区域数据，其中，所述各分布区域数据包括种植区域、非种植区域；
模型训练模块，所述模型训练模块用于将所述占地面积数据、所述种植区域以及所述非种植区域，输入至视频监控时间分布模型进行训练；
结果获取模块，所述结果获取模块用于获得训练结果，所述训练结果包括对所述目标区域的视频监控时间分布。
进一步而言，所述系统还包括：
区域监控时间分布模块，所述区域监控时间分布模块用于基于所述视频监控时间分布，获得所述种植区域对应的种植区域监控时间分布、所述非种植区域对应的非种植区域监控时间分布；
参数获取模块，所述参数获取模块用于通过对所述种植区域和所述非种植区域进行视频监控必要性分析，可得到种植区域监控必要参数、非种植区域监控必要参数；
第一视频采集速率确定模块，所述第一视频采集速率确定模块用于基于所述种植区域监控时间分布和所述种植区域监控必要参数，确定所述可调焦距摄像头对所述种植区域的第一视频采集速率；
第二视频采集速率确定模块，所述第二视频采集速率确定模块用于基于所述非种植区域监控时间分布和所述非种植区域监控必要参数，确定所述可调焦距摄像头对所述非种植区域的第二视频采集速率；
目标区域监控模块，所述目标区域监控模块用于基于所述第一视频采集速率和所述第二视频采集速率，对目标区域进行全天候全方位的视频监控。
进一步而言，所述系统还包括：
历史监控提取模块，所述历史监控提取模块用于对所述监控视频集合进行历史时间节点统计，得到历史监控视频集合；
视频解析模块，所述视频解析模块用于通过对所述历史监控视频集合进行视频要素解析，得到多要素分布；
特征变化趋势获取模块，所述特征变化趋势获取模块用于对所述多要素分布中的各要素固有特征进行预设时间段的变化采集，获得各要素固有特征变化趋势；
特征筛选模块，所述特征筛选模块用于对所述各要素固有特征变化趋势进行预设变化波动值的特征筛选，可得到所述外来入侵事件要素。
进一步而言，所述系统还包括：
分布分析模块，所述分布分析模块用于根据所述生长要素集合，确定农作物的枝叶生长分布、果实结果分布；
可视化分析模块，所述可视化分析模块用于通过对所述枝叶生长分布、果实结果分布进行数据转换的可视化分析，确定枝叶生长可视化分布、果实结果可视化分布；
缺陷要素获取模块，所述缺陷要素获取模块用于对所述枝叶生长可视化分布、所述果实结果可视化分布，进行遍历的缺陷分析，可得到所述生长缺陷事件要素，其中，所述生长缺陷事件要素包括枝叶生长缺陷要素、果实结果缺陷要素。
进一步而言，所述系统还包括：
缺陷位置确定模块，所述缺陷位置确定模块用于基于所述监控视频集合，对所述枝叶生长缺陷要素、果实结果缺陷要素进行方位标记，确定枝叶生长缺陷位置、果实结果缺陷位置；
缺陷数据获取模块，所述缺陷数据获取模块用于通过所述枝叶生长缺陷位置、果实结果缺陷位置，驱动所述可调焦距摄像头进行角度、焦距定位，可得到高清枝叶生长缺陷数据、高清果实结果缺陷数据；
缺陷数据解析模块，所述缺陷数据解析模块用于通过对所述高清枝叶生长缺陷数据、所述高清果实结果缺陷数据，进行深度解析，可得到所述生长缺陷特征要素，其中，所述生长缺陷特征要素至少包括枝叶颜色分布、枝叶残缺性分布、果实表皮分布。
进一步而言，所述系统还包括：
入侵事件监控模块，所述入侵事件监控模块用于通过对所述外来入侵事件要素进行连续时间的监控，得到外来入侵数量变化、外来入侵程度变化；
特征追踪模块，所述特征追踪模块用于对所述生长缺陷特征要素进行所述连续时间的追踪，得到生长缺陷特征变化；
影响性分析模块，所述影响性分析模块用于基于所述外来入侵数量变化、外来入侵程度变化，对所述生长缺陷特征变化进行影响性分析，确定动态影响参数；
生长监控模块，所述生长监控模块用于利用所述动态影响参数，对所述目标区域的所述农作物生长情况进行监控。
本说明书通过前述对物联网视频监控方法的详细描述，本领域技术人员可以清楚的知道本实施例中物联网视频监控系统及其监控方法，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种物联网视频监控系统，其特征在于，所述系统包括：
系统搭建模块，所述系统搭建模块用于搭建物联网视频监控系统，其中，所述物联网视频监控系统与多个传感器装置、可调焦距摄像头通过无线网络连接；
视频采集模块，所述视频采集模块用于基于所述可调焦距摄像头，对目标区域进行全天候全方位的视频监控，得到监控视频集合；
视频分析模块，所述视频分析模块用于对所述监控视频集合进行外来入侵分析，确定外来入侵事件要素；
生长要素监测模块，所述生长要素监测模块用于利用所述多个传感器装置，对所述目标区域的农作物生长情况进行多生长要素的实时监测，得到生长要素集合；
缺陷分析模块，所述缺陷分析模块用于通过对所述生长要素集合进行生长缺陷分析，确定生长缺陷事件要素；
特征获取模块，所述特征获取模块用于利用所述生长缺陷事件要素，对所述可调焦距摄像头进行适应性调整，可得到生长缺陷特征要素；
目标监控模块，所述目标监控模块用于通过所述外来入侵事件要素和所述生长缺陷特征要素，对所述目标区域的所述农作物生长情况进行监控。
2.如权利要求1所述的系统，其特征在于，所述视频采集模块，包括：
数据采集模块，所述数据采集模块用于对所述目标区域进行占地面积数据采集，确定占地面积数据；
区域标记模块，所述区域标记模块用于对所述目标区域进行分布区域标记，确定各分布区域数据，其中，所述各分布区域数据包括种植区域、非种植区域；
模型训练模块，所述模型训练模块用于将所述占地面积数据、所述种植区域以及所述非种植区域，输入至视频监控时间分布模型进行训练；
结果获取模块，所述结果获取模块用于获得训练结果，所述训练结果包括对所述目标区域的视频监控时间分布。
3.如权利要求2所述的系统，其特征在于，所述系统包括：
区域监控时间分布模块，所述区域监控时间分布模块用于基于所述视频监控时间分布，获得所述种植区域对应的种植区域监控时间分布、所述非种植区域对应的非种植区域监控时间分布；
参数获取模块，所述参数获取模块用于通过对所述种植区域和所述非种植区域进行视频监控必要性分析，可得到种植区域监控必要参数、非种植区域监控必要参数；
第一视频采集速率确定模块，所述第一视频采集速率确定模块用于基于所述种植区域监控时间分布和所述种植区域监控必要参数，确定所述可调焦距摄像头对所述种植区域的第一视频采集速率；
第二视频采集速率确定模块，所述第二视频采集速率确定模块用于基于所述非种植区域监控时间分布和所述非种植区域监控必要参数，确定所述可调焦距摄像头对所述非种植区域的第二视频采集速率；
目标区域监控模块，所述目标区域监控模块用于基于所述第一视频采集速率和所述第二视频采集速率，对目标区域进行全天候全方位的视频监控。
4.如权利要求1所述的系统，其特征在于，所述视频分析模块，包括：
历史监控提取模块，所述历史监控提取模块用于对所述监控视频集合进行历史时间节点统计，得到历史监控视频集合；
视频解析模块，所述视频解析模块用于通过对所述历史监控视频集合进行视频要素解析，得到多要素分布；
特征变化趋势获取模块，所述特征变化趋势获取模块用于对所述多要素分布中的各要素固有特征进行预设时间段的变化采集，获得各要素固有特征变化趋势；
特征筛选模块，所述特征筛选模块用于对所述各要素固有特征变化趋势进行预设变化波动值的特征筛选，可得到所述外来入侵事件要素。
5.如权利要求1所述的系统，其特征在于，所述缺陷分析模块，包括：
分布分析模块，所述分布分析模块用于根据所述生长要素集合，确定农作物的枝叶生长分布、果实结果分布；
可视化分析模块，所述可视化分析模块用于通过对所述枝叶生长分布、果实结果分布进行数据转换的可视化分析，确定枝叶生长可视化分布、果实结果可视化分布；
缺陷要素获取模块，所述缺陷要素获取模块用于对所述枝叶生长可视化分布、所述果实结果可视化分布，进行遍历的缺陷分析，可得到所述生长缺陷事件要素，其中，所述生长缺陷事件要素包括枝叶生长缺陷要素、果实结果缺陷要素。
6.如权利要求5所述的系统，其特征在于，所述系统包括：
缺陷位置确定模块，所述缺陷位置确定模块用于基于所述监控视频集合，对所述枝叶生长缺陷要素、果实结果缺陷要素进行方位标记，确定枝叶生长缺陷位置、果实结果缺陷位置；
缺陷数据获取模块，所述缺陷数据获取模块用于通过所述枝叶生长缺陷位置、果实结果缺陷位置，驱动所述可调焦距摄像头进行角度、焦距定位，可得到高清枝叶生长缺陷数据、高清果实结果缺陷数据；
缺陷数据解析模块，所述缺陷数据解析模块用于通过对所述高清枝叶生长缺陷数据、所述高清果实结果缺陷数据，进行深度解析，可得到所述生长缺陷特征要素，其中，所述生长缺陷特征要素至少包括枝叶颜色分布、枝叶残缺性分布、果实表皮分布。
7.如权利要求1所述的系统，其特征在于，所述目标监控模块，包括：
入侵事件监控模块，所述入侵事件监控模块用于通过对所述外来入侵事件要素进行连续时间的监控，得到外来入侵数量变化、外来入侵程度变化；
特征追踪模块，所述特征追踪模块用于对所述生长缺陷特征要素进行所述连续时间的追踪，得到生长缺陷特征变化；
影响性分析模块，所述影响性分析模块用于基于所述外来入侵数量变化、外来入侵程度变化，对所述生长缺陷特征变化进行影响性分析，确定动态影响参数；
生长监控模块，所述生长监控模块用于利用所述动态影响参数，对所述目标区域的所述农作物生长情况进行监控。
8.一种物联网视频监控方法，其特征在于，所述方法包括：
搭建物联网视频监控系统，其中，所述物联网视频监控系统与多个传感器装置、可调焦距摄像头通过无线网络连接；
基于所述可调焦距摄像头，对目标区域进行全天候全方位的视频监控，得到监控视频集合；
对所述监控视频集合进行外来入侵分析，确定外来入侵事件要素；
利用所述多个传感器装置，对所述目标区域的农作物生长情况进行多生长要素的实时监测，得到生长要素集合；
通过对所述生长要素集合进行生长缺陷分析，确定生长缺陷事件要素；
利用所述生长缺陷事件要素，对所述可调焦距摄像头进行适应性调整，可得到生长缺陷特征要素；
通过所述外来入侵事件要素和所述生长缺陷特征要素，对所述目标区域的所述农作物生长情况进行监控。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210920898.9A CN114998335A (zh) | 2022-08-02 | 2022-08-02 | 物联网视频监控系统及其监控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210920898.9A CN114998335A (zh) | 2022-08-02 | 2022-08-02 | 物联网视频监控系统及其监控方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114998335A true CN114998335A (zh) | 2022-09-02 |
Family
ID=83021936
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210920898.9A Pending CN114998335A (zh) | 2022-08-02 | 2022-08-02 | 物联网视频监控系统及其监控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114998335A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116127168A (zh) * | 2023-01-19 | 2023-05-16 | 重庆市农业科学院 | 一种基于物联网的农作物生长实时监控系统及方法 |
| CN116260842A (zh) * | 2023-02-21 | 2023-06-13 | 华智生物技术有限公司 | 温室大棚的物联网数据采集方法、系统、装置及介质 |
| CN117640898A (zh) * | 2023-12-22 | 2024-03-01 | 石家庄学院 | 一种基于农业物联网技术的监控自适应调节方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5734335A (en) * | 1989-12-20 | 1998-03-31 | Finmeccanica S.P.A. | Forest surveillance and monitoring system for the early detection and reporting of forest fires |
| CN113095555A (zh) * | 2021-03-31 | 2021-07-09 | 佛山一本农业科技有限公司 | 基于物联网的农作物病虫害监控方法、系统及存储介质 |
| CN114035500A (zh) * | 2021-11-23 | 2022-02-11 | 江西软件职业技术大学 | 一种基于物联网技术的智慧农业监控系统 |
-
2022
- 2022-08-02 CN CN202210920898.9A patent/CN114998335A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5734335A (en) * | 1989-12-20 | 1998-03-31 | Finmeccanica S.P.A. | Forest surveillance and monitoring system for the early detection and reporting of forest fires |
| CN113095555A (zh) * | 2021-03-31 | 2021-07-09 | 佛山一本农业科技有限公司 | 基于物联网的农作物病虫害监控方法、系统及存储介质 |
| CN114035500A (zh) * | 2021-11-23 | 2022-02-11 | 江西软件职业技术大学 | 一种基于物联网技术的智慧农业监控系统 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116127168A (zh) * | 2023-01-19 | 2023-05-16 | 重庆市农业科学院 | 一种基于物联网的农作物生长实时监控系统及方法 |
| CN116127168B (zh) * | 2023-01-19 | 2023-09-19 | 重庆市农业科学院 | 一种基于物联网的农作物生长实时监控系统及方法 |
| CN116260842A (zh) * | 2023-02-21 | 2023-06-13 | 华智生物技术有限公司 | 温室大棚的物联网数据采集方法、系统、装置及介质 |
| CN116260842B (zh) * | 2023-02-21 | 2024-01-23 | 华智生物技术有限公司 | 温室大棚的物联网数据采集方法、系统、装置及介质 |
| CN117640898A (zh) * | 2023-12-22 | 2024-03-01 | 石家庄学院 | 一种基于农业物联网技术的监控自适应调节方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114998335A (zh) | 物联网视频监控系统及其监控方法 | |
| Yu et al. | Automatic image-based detection technology for two critical growth stages of maize: Emergence and three-leaf stage | |
| US9658201B2 (en) | Method for automatic phenotype measurement and selection | |
| CN105547360B (zh) | 基于情景感知的作物冠层图像采集方法 | |
| CN114818909B (zh) | 一种基于作物长势特征的杂草检测方法和装置 | |
| CN117036088A (zh) | 一种ai识别绿化植物生长态势的数据采集分析方法 | |
| CN114239756B (zh) | 一种虫害检测方法及系统 | |
| CN116227758B (zh) | 基于遥感技术和深度学习的农产品成熟度预测方法及系统 | |
| CN112614147A (zh) | 一种基于rgb影像的作物苗期植株密度估算的方法及系统 | |
| CN114694047A (zh) | 一种玉米播种质量的评价方法及装置 | |
| CN112580491A (zh) | 作物生长阶段的确定方法、装置、非易失性存储装置 | |
| CN114548277B (zh) | 基于点云数据的地面点拟合、作物高度提取的方法及系统 | |
| CN115291541A (zh) | 一种农作物病虫害监测系统与方法 | |
| CN113377141A (zh) | 一种人工智能农业自动管理系统 | |
| CN106683069A (zh) | 农田苗期行内作物-杂草识别方法 | |
| CN113269050A (zh) | 基于无人机遥感影像的农田画像及药肥大数据分析方法 | |
| CN116843164A (zh) | 基于图像分析的农业机械智能化控制系统 | |
| CN115965875A (zh) | 一种农作物病虫害智能监控方法及系统 | |
| CN115438934A (zh) | 一种基于区块链的农作物生长环境监测方法及系统 | |
| Reis et al. | A low-cost system to detect bunches of grapes in natural environment from color images | |
| DE202022102591U1 (de) | System zur Überwachung des Gesundheitszustands von Pflanzen in der Präzisionslandwirtschaft mittels Bildverarbeitung und Faltungsneuronalem Netz | |
| Habib et al. | Wavelet frequency transformation for specific weeds recognition | |
| Santhosh Kumar et al. | Review on disease detection of plants using image processing and machine learning techniques | |
| Li et al. | Research on the application and future development of visual recognition in modern agriculture | |
| CN109685815A (zh) | 一种基于图像处理的玉米行间的路径规划方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220902 |